CN112232716A - 一种考虑调峰辅助服务的智慧园区优化决策方法 - Google Patents

Abstract

本发明公开了一种考虑调峰辅助服务的智慧园区优化决策方法，包括：通过智慧园区运营商聚合需求侧资源，以与外部直接交易市场进行购售电交易，并参与调峰市场进行调峰辅助服务交易；考虑风光出力不确定性，制定包括日前调度阶段和基于场景的日内调度阶段的两阶段智慧园区调峰市场投标策略；对于智慧园区内各需求侧资源，基于Shapley值进行其收益的分配。本发明鉴于风光出力的不确定性，建立了智慧园区两阶段随机优化模型，能够给出智慧园区日前优化运行策略，并考虑各成员对联盟的边际贡献进行收益分配，分析以联盟形式运营的经济效益。

Description

一种考虑调峰辅助服务的智慧园区优化决策方法

技术领域

本发明涉及智慧园区能源优化技术领域，尤其涉及一种考虑调峰辅助服务的智慧园区优化决策方法。

背景技术

近年来在可持续发展的指导理念下，我国风电、光伏等清洁能源快速发展，电力系统内火力发电占比下降，风光出力的不确定性为电力系统的安全稳定运行带来巨大挑战。同时，风光装机容量的快速增加，在平谷时段出力过剩，造成了严重的“弃风”、“弃光”问题。在此背景下，我国需加快调峰辅助服务市场的建设，在提高电力系统的调控能力促进的同时可再生能源消纳。

目前，电力系统内传统的调峰资源火力机组等占比降低，各国开始挖掘需求侧灵活性资源参与调峰辅助服务的潜力。根据《完善电力辅助服务补偿(市场)机制工作方案》规定，鼓励储能设备、需求响应资源与第三方主体参加电力辅助服务市场，该机制为电力系统内需求侧灵活资源进入电力辅助服务市场提供了政策基础。但由于需求侧资源容量较小、地理位置较分散等问题，需求侧资源直接进入电力市场存在一定阻碍。在电力市场的利益驱动下，协调控制各类需求侧灵活资源，促进资源之间的合作，提高需求侧运行灵活性与经济性的智慧园区(Virtual Power Plant,VPP)技术应运而生。现阶段，华北与上海已颁布智慧园区参加调峰辅助服务市场的相关机制政策。上海、华北等地智慧园区试点项目也已实现落地，因此当前亟需建立考虑调峰辅助服务的智慧园区优化运营模式。

国内已有学者对于智慧园区参与调峰辅助服务市场开展了研究工作。由于智慧园区内部风光资源出力不确定性，智慧园区制定调度计划时面临不确定的风险，这也对智慧园区收益有一定的影响。对于计及不确定性带来的风险控制方法主要有方差计量法、风险价值法(Value at Risk,VaR)与条件风险价值法(Conditional Value at Risk,CVaR)。其中，方差计量法将高于平均值的收益也记为风险具有较大局限性；VaR只考虑某个置信度下的分位点，其后的风险信息并未考虑存在“尾部效应”。而CVaR考虑超过VaR部分的平均损失，是VaR的一种补充风险度量方法。

然而，现有技术未有研究以智慧园区参加调峰市场的政策规定为基础，从智慧园区自身经济效益出发，制定考虑调峰辅助服务的智慧园区优化策略。

因此，本领域的技术人员致力于开发一种考虑调峰辅助服务的智慧园区优化决策方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何从现有的智慧园区市场机制出发建立考虑调峰辅助服务的智慧园区优化运行策略。

为实现上述目的，本发明提供了一种考虑调峰辅助服务的智慧园区优化决策方法，所述方法包括以下步骤：

步骤1、通过智慧园区运营商聚合需求侧资源，以与外部直接交易市场进行购售电交易，并参与调峰市场进行调峰辅助服务交易；

步骤2、考虑风光出力不确定性，制定包括日前调度阶段和基于场景的日内调度阶段的两阶段智慧园区调峰市场投标策略；

步骤3、对于智慧园区内各需求侧资源，基于Shapley值进行其收益的分配。

进一步地，所述步骤1中的所述需求侧资源包括风电、光伏、柔性负荷和储能装置中的一种或多种。

进一步地，所述步骤2中的所述日前调度阶段的所述智慧园区调峰市场投标策略包括根据日前风光预测曲线确定智慧园区日前调峰市场投标时段、容量与柔性负荷运行计划。

进一步地，所述步骤2中的所述基于场景的日内调度阶段的所述智慧园区调峰市场投标策略包括根据风光出力实际情况确定智慧园区内储能的充放电功率、弃风弃光量、调峰实际出力与直接交易电量。

进一步地，所述步骤2还包括建立风光出力场景集合Γ＝{1,...,ω,...,n}，其中，n为场景总数，π_ω为每个场景的概率。

进一步地，所述步骤2还包括建立考虑条件风险价值的两阶段智慧园区日前投标随机优化模型。

进一步地，所述两阶段智慧园区日前投标随机优化模型的目标函数为：

min C_grid+C_abon+C_load-B_f+B_P+βCVaR，

式中：第一部分为智慧园区运行成本，包括与电网直接交易成本C_grid、弃风弃光成本C_abon、柔性负荷调度成本C_load、调峰收益B_f与调峰惩罚成本B_P；第二部分为条件风险价值CVaR与风险偏好系数β的乘积，风险偏好系数β表示智慧园区对于调峰收益风险的偏好程度，

其中，与电网直接交易成本：

式中：ρ_bt、ρ_st分别为智慧园区的购售电电价，P_btω、P_stω分别为智慧园区ω场景下t时刻的购售电功率，

弃风弃光成本：

式中：ρ_a为智慧园区弃风弃光的惩罚价格，P_wbtω、P_pvbtω分别为智慧园区ω场景下t时刻的弃风弃光功率，

柔性负荷调度成本：

式中：ρ_c为柔性负荷调度的补偿价格，P_lt为智慧园区t时刻柔性负荷转移功率，

调峰收益：

式中：P_ft为智慧园区t时刻在调峰市场日前投标容量，P_fatω为智慧园区ω场景下t时刻的调峰实际出力量，ρ_f为智慧园区在调峰市场的补偿价格，

调峰市场的惩罚成本：

式中：ρ_P为智慧园区在调峰市场的惩罚价格。

进一步地，所述两阶段智慧园区日前投标随机优化模型的约束条件包括：智慧园区购售电约束、智慧园区外特性、智慧园区功率平衡约束、柔性负荷约束，储能约束、调峰投标约束、调峰实际出力约束和CVaR约束。

进一步地，所述CVaR约束采用以下线性问题求解：

m_w≥0，

式中：VaR为调峰风险收益的风险价值；m_w为引入的辅助变量，其代表ω场景下调峰收益与风险价值之间的差值。

进一步地，所述步骤3中所述Shapley值各成员的成本计算如下：

式中：C_j为智慧园区内成员j分配的成本；s_j为包含成员j的子联盟；|s_j|为子联盟中成员数；C(s_j)、C(s_j/i)分别为包含成员j与不包含成员j的子联盟运行成本。

本发明针对我国处于调峰市场建设初期，缺乏以智慧园区为主体参加调峰市场的优化运行策略，提出考虑风、光、荷、储的智慧园区调峰市场投标策略。鉴于风光出力的不确定性，建立了智慧园区两阶段随机优化模型，能够给出智慧园区日前优化运行策略，并考虑各成员对联盟的边际贡献进行收益分配，分析以联盟形式运营的经济效益。

附图说明

图1是本发明的一个较佳实施例的智慧园区运行模式示意图；

图2是本发明的一个较佳实施例的智慧园区交易调度流程图；

图3是本发明的一个较佳实施例的智慧园区的风电、光伏与负荷的日前预测曲线；

图4是本发明的一个较佳实施例的智慧园区的实时风电场景；

图5是本发明的一个较佳实施例的智慧园区的实时光伏场景；

图6A是本发明的一个较佳实施例的在不同风险偏好系数下智慧园区的运行成本的变化曲线；

图6B是本发明的一个较佳实施例的在不同风险偏好系数下智慧园区的CVaR的变化曲线；

图7是本发明的一个较佳实施例的在不同风险偏好系数下智慧园区在各时段的具体投标容量；

图8是本发明的一个较佳实施例的在风险偏好系数为5时，负荷在智慧园区调度前后的变化情况。

具体实施方式

以下参考说明书附图介绍本发明的优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

本申请首先从现有的市场机制出发建立考虑调峰辅助服务的智慧园区运营模式，确定智慧园区参与电力市场的交易调度流程，并分析内部资源之间的合作关系与不确定因素带来的影响。在此基础之上提出计及条件风险价值的调峰市场投标策略，第一阶段确定智慧园区调峰市场投标时段、容量与柔性负荷运行计划，第二阶段确定智慧园区内储能的充放电功率、弃风弃光量、调峰实际出力与直接交易电量。最后，对于智慧园区参加电力市场的运营收益，基于Shapley值在各成员之间进行合理分配。

一、智慧园区运营模式

如图1所示，智慧园区聚合需求侧资源参与电力市场交易的运营模式以提高整体运营收益。智慧园区内部包含风电、光伏、柔性负荷与储能装置。单个需求侧资源容量较小无法达到市场准入门槛，因此需求侧资源需通过智慧园区有效聚合管理进行市场交易。智慧园区可与外部大电网进行直接购售电交易，同时也可作为调峰辅助服务提供商，通过提供调峰辅助服务获得调峰辅助服务补偿。

二、智慧园区市场交易机制

智慧园区的市场交易行为由两部分组成，一是与外部大电网进行直接购售电市场交易，二是参与调峰市场进行调峰辅助服务交易。

直接市场交易机制：智慧园区可在直接交易市场中进行购售电交易。在此交易体系中，智慧园区从外部电网的购电价格通常高于其向外部电网的售电价格。

智慧园区调峰市场交易机制：鉴于可再生能源渗透率增加，可再生能源出力过剩问题更为严重，智慧园区调峰服务是在平谷时段减小出力或购买电量，以达到填谷的效果。调峰辅助服务市场的准入条件是智慧园区的投标容量须大于规定的阈值。满足准入条件的智慧园区可参加日前调峰市场，在市场建设初期智慧园区作为价格接受者，由调度中心日前出清、日内调用。智慧园区日前向调度机构申报投标容量、调峰时段与运行基线。为保证市场公平公正，智慧园区上报基线应为日前预测净负荷曲线。根据智慧园区上传基线与实际运行曲线差值确定智慧园区调峰实际出力。在实时运行阶段，当智慧园区调峰出力与投标容量偏差超过30％时，该时段的调峰费用不予结算。当智慧园区调峰出力大于投标容量时，该时段的调峰费用按照投标容量结算。

三、智慧园区的交易调度流程

由于风光出力不确定性的影响，智慧园区日前制定的调度计划在日内实时运行阶段需要进行调整。因此，智慧园区交易调度计划的制定由以下两阶段组成，如图2所示。第一阶段为日前调度阶段，根据日前风光预测曲线确定智慧园区日前调峰市场投标时段、容量与柔性负荷运行计划，该阶段的决策变量与具体场景无关。第二阶段为基于场景的日内运行阶段，根据风光出力实际情况确定智慧园区内储能的充放电功率、弃风弃光量、调峰实际出力与直接交易电量，该阶段的决策变量与具体场景相关。

智慧园区根据日前风光预测曲线向调度机构申报投标容量、调峰时段与运行基线，其中运行基线是预测净负荷曲线。但由于风光出力的不确定性，在实时运行阶段的净负荷曲线不为日前预测净负荷曲线。当风光实际出力大于预测值时，智慧园区的调峰实际出力为柔性负荷调整量加上储能充电功率减去日前预测误差。这造成了智慧园区调峰收益减小。若日前误差较大使调峰实际出力无法达到投标容量的70％无法结算该时段的调峰服务费用。智慧园区可通过减小投标容量规避调峰收益风险。当风光实际出力小于预测值时，智慧园区的调峰实际出力为柔性负荷调整量、储能充电功率与日前预测误差之和。由于调峰市场最多只结算投标容量，这会促使智慧园区增加在调峰市场投标容量。因此，智慧园区调峰市场投标策略应考虑风光出力不确定性带来的收益风险问题。

四、基于Shapley值的收益分配

目前对于利益分配方法主要有核仁法与Shapley值法，核仁法使成员形成的所有联盟的不满意度达到最小，而Shapley值法关注于各成员对于联盟的边际效益。在智慧园区的统一管理下，以追求经济效益最大化为目标组成联盟，进行合作博弈并取得超额收益。因此对于智慧园区内各成员收益的分配应考虑各成员的贡献，基于Shapley值的收益分配方法更适合本文模型。

对于由J个参与者组成的联盟中，若将成员集合用Ω＝{1,2,...,J}表示，Ω的任意子集S称为一个子联盟。为表述与前文一致，在此针对智慧园区的运行成本进行分配。因此，利用Shapley值各成员的成本计算如下：

其中：C_j为智慧园区内成员j分配的成本；s_j为包含成员j的子联盟；|s_j|为子联盟中成员数；C(s_j)、C(s_j/i)分别为包含成员j与不包含成员j的子联盟运行成本。

五、智慧园区调峰市场投标策略

基于前文分析，风光出力的不确定性会影响智慧园区调峰收益，这也使智慧园区调峰市场投标策略成为风险管理问题。本文不考虑风光出力之间的相关性，假设风光出力预测误差服从正态分布，建立风光出力场景集合Γ＝{1,...,ω,...,n}，其中n为场景总数，π_ω为每个场景的概率。综上，建立考虑条件风险价值的两阶段智慧园区日前投标随机优化模型。

1)目标函数

目标函数由两部分组成：

min C_grid+C_abon+C_load-B_f+B_P+βCVaR (2)

其中：第一部分为智慧园区运行成本，包括与电网直接交易成本C_grid、弃风弃光成本C_abon、柔性负荷调度成本C_load、调峰收益B_f与调峰惩罚成本B_P；第二部分为条件风险价值CVaR与风险偏好系数β的乘积。风险偏好系数β表示智慧园区对于调峰收益风险的偏好程度。当β＝0时，智慧园区为风险中立者，不关心不确定因素对于收益带来的影响。当β>0时，智慧园区为风险厌恶者，采取较为保守的运行策略以规避调峰收益的风险。其中，β值越大说明智慧园区对于调峰收益风险越厌恶，所采取的投标策略越保守。

与电网直接交易成本：

其中：ρ_bt、ρ_st分别为智慧园区的购售电电价，P_btω、P_stω分别为智慧园区ω场景下t时刻的购售电功率。

弃风弃光成本：

其中：ρ_a为智慧园区弃风弃光的惩罚价格，P_wbtω、P_pvbtω分别为智慧园区ω场景下t时刻的弃风弃光功率。

柔性负荷调度成本C_load：

其中：ρ_c为柔性负荷调度的补偿价格，P_lt为智慧园区t时刻柔性负荷转移功率。

调峰收益B_f：

其中：P_ft为智慧园区t时刻在调峰市场日前投标容量，P_fatω为智慧园区ω场景下t时刻的调峰实际出力量。ρ_f为智慧园区在调峰市场的补偿价格。

调峰市场的惩罚成本B_P：

当智慧园区调峰实际出力未达到投标容量的70％时，应受到调峰市场的惩罚。

其中：ρ_P为智慧园区在调峰市场的惩罚价格。

2)约束条件

(1)智慧园区购售电约束：

P_btωP_stω＝0 (10)

(2)智慧园区外特性：

P_baset＝D_t-P_wt-P_pvt (11)

P_otω＝D′_t-P_watω-P_pvatω+P_chtω-P_distω (12)

其中：P_baset为智慧园区根据风光预测值上报的t时刻的运行基线，P_wt、P_pvt分别为t时刻的风光预测值，D_t为柔性负荷调度前t时刻的负荷功率。P_otω为智慧园区实时运行的外特性功率，P_watω、P_pvatω分别为ω场景下t时刻的风光实际出力，D_t′为柔性负荷调度后的t时刻的负荷功率。P_chtω、P_distω别为储能ω场景下t时刻的充、放电功率。

(3)智慧园区功率平衡约束：

P_btω-P_stω＝D′_t-P_watω-P_pvatω+P_chtω-P_distω (13)

(4)柔性负荷约束：

P_lt＝0,t∈峰时段 (14)

0≤P_lt≤P_max,t∈平谷时段 (15)

其中：峰时段柔性转移负荷转入量P_lt为0；平谷时段柔性转移负荷转入量P_lt应小于最大允许量P_max；κ表示内智慧园区内转移负荷的比例。

(5)储能约束：

0≤P_chtω≤P_chmax (17)

0≤P_distω≤P_dismax (18)

P_chtωP_distω＝0 (19)

SOC_min≤SOC_tω≤SOC_max (21)

SOC_1ω＝SOC_T+1ω (22)

其中：P_chmax、P_dismax分别为储能最大充放电功率；SOC_tω、SOC_1ω、SOC_T+1ω分别为储能ω场景下t时刻的荷电量、初始荷电量与末状态荷电量，η、C_ess分别为储能充放电效率与储能容量。

(6)调峰投标约束：

P_fminu(t)≤P_ft≤M·u(t) t∈平谷时段 (23)

P_ft＝0 t∈峰时段 (24)

其中：u(t)为0-1变量，代表该时段智慧园区是否参与调峰市场，若为“1”则表示参与调峰市场；若为“0”则不参与调峰市场。M为无穷大正数。

(7)调峰实际出力约束：

P_fatω＝P_otω-P_baset t∈平谷时段 (25)

P_fatω＝0 t∈峰时段 (26)

(8)CVaR相关约束：

利用条件风险价值CVaR来度量风光出力不确定性对调峰收益带来的影响。基于前文的分析，第一阶段已确定调峰时段与投标容量，在实时运行阶段为满足调峰实际出力的要求会出现弃风弃光现象。同时，直接交易收益与调峰收益是相对独立的两部分。因此，调峰风险收益应考虑调峰收益、调峰惩罚与弃风弃光成本。对于一个离散的收益分布，其置信水平为α时，CVaR近似为小概率(1-α)情景集合的期望收益。CVaR及其相关约束可转化为以下线性问题求解：

m_w≥0 (29)

其中：VaR为调峰风险收益的风险价值；m_w为引入的辅助变量，其代表ω场景下调峰收益与风险价值之间的差值。

实施例

本申请的一个实施例的智慧园区内部包含风机、光伏、储能与负荷，其中储能容量为4000kWh，最大充放电功率均为1200kW，初始荷电量为0.5，最大、最小荷电量分别为0.9、0.1，充放电效率为0.95。风电、光伏与负荷的日前预测曲线如图3所示。一般来说，风电与光伏日前预测误差在10％～30％之间，本实施例设定预测误差为20％，并考虑预测误差服从均值为0的正态分布，随机生成实时风电与光伏场景如图4、5所示。智慧园区在调峰市场补偿价格取火电机组深度调峰补偿价格0.4元/kWh，调峰市场的惩罚价格为0.2元/kWh。柔性负荷调用补偿价格为0.1元/kWh，智慧园区内柔性负荷为峰时段负荷的15％，平谷时段最大转入量为3000kW。弃风弃光的惩罚价格为0.5元/kWh。CVaR的置信水平取0.95。峰谷时段划分与直接交易电价见表A1。其中，峰时段为8:00-12:00、17:00-21:00；平时段为12:00-17:00、21:00-24:00；谷时段为0:00-8:00。智慧园区调峰市场最小投标容量设置为2500kW。由于本实施例模型为混合整数线性规划模型(MILP)，因此在matlab软件上调用Yalmip工具箱和Gurobi求解器进行模型求解。

表A1峰谷电价

1、不同风险偏好系数的影响

为比较不同风险偏好系数β对于智慧园区运行策略以及成本收益的影响。图6A、6B分别给出了在不同风险偏好系数下智慧园区的运行成本与CVaR的变化曲线。

可以看出，两者的变化趋势：随着风险偏好系数的增加，智慧园区的运行成本增加，同时调峰风险收益也呈现出增加趋势。对于智慧园区的运行成本，当风险偏好系数从5增加至15时，智慧园区运行成本增加最快，而风险偏好系数设置在3至5范围内，智慧园区运行成本变化不大。对于智慧园区调峰风险收益，风险偏好系数从较小值增加至3时，调峰风险收益迅速增加，而后增加速度减缓，当风险偏好系数从15增加至20时调峰风险收益几乎不再改变。综上，结合智慧园区运行成本与调峰风险收益两者的变化情况：当风险偏好系数大于5时，智慧园区运行成本增加变快，同时风险偏好系数小于3时，调峰风险收益提升幅度较大。而风险偏好系数设置为3与5时，智慧园区运行成本与调峰风险收益相差不大。因此针对于本实施例风险偏好系数设置为3或5较为合理。

表1给出了在不同风险偏好系数下智慧园区在调峰市场投标情况。根据前文分析，随着风险偏好系数增加，智慧园区的投标策略应越保守，正常的变化趋势应为智慧园区在调峰市场申报总容量减少，但是当风险偏好系数从较小值增加至3时，会出现申报总容量增加的情况。这是由于风险偏好系数从较小值增加至3时智慧园区上报的调峰时段也发生了改变，为了更多地考虑调峰收益较低的场景，智慧园区改变了调峰时段。因此，调峰收益风险不仅影响智慧园区投标容量，也决定着智慧园区调峰时段。当风险偏好系数从3开始增加，智慧园区调峰时段不发生改变，为了降低调峰惩罚成本与弃风弃光成本，智慧园区在调峰市场中的投标总容量减小。调峰时段从风险系数设置为3开始不再改变，这也说明了在前文得出了选取风险偏好系数为3或5的结论较为合理。

表1不同风险偏好系数对投标策略的影响

图7给出了在不同风险偏好系数下智慧园区在各时段的具体投标容量。可以看出，在17、22、24时段智慧园区在各风险偏好系数下投标容量相同均为2500kW。当风险系数增加，智慧园区在2、3、5、6时段内的投标容量呈现减小的趋势，在14与15时段投标容量呈现增加的趋势。

2、不同偏差结算系数的影响

现处于智慧园区调峰市场建设初期，为鼓励智慧园区参加调峰市场，偏差结算系数设置为0.7较为宽松。随着第三方主体逐步进入调峰市场，市场机制的逐渐成熟，该系数会逐渐增大，因此在该部分讨论不同偏差结算系数的影响。

表2不同偏差结算系数的影响

表2给出了在不同偏差结算系数下智慧园区运行情况的变化。当偏差系数增大，智慧园区运行成本增加、调峰风险收益降低、投标总容量减小。当偏差结算系数从0.7增加至0.8时，智慧园区运行成本降低较多。

3、负荷调度结果

图8给出了在风险偏好系数为5时，负荷在智慧园区调度前后的变化情况。柔性负荷调度后，智慧园区内部1至8时段的负荷量明显增加，这是由于该时段分时电价较低同时该时段负荷增加可起到调峰作用，获取调峰收益。同时，负荷增加时段与智慧园区调峰时段相吻合，这是由于智慧园区调峰作用主要由柔性负荷承担。因此，为提高智慧园区在调峰市场中的竞争能力，智慧园区应更多纳入可控资源。

4、经济效益分析

该部分对于智慧园区参加调峰市场的经济效益进行分析，以下分析均针对于风险偏好系数设置为5。当智慧园区不考虑参加调峰辅助服务时，智慧园区的期望运行成本为29684元。当智慧园区考虑参加调峰辅助服务时，智慧园区的期望运行成本为20729元。对比数据可知智慧园区参加调峰辅助服务经济效益提升约30％。

表3给出了各成员不同组合下的运行成本和调峰风险收益。对比数据可知，当系统内考虑风、光不可控资源时，对于储能与负荷的调峰能力有所削弱，联盟所获得的调峰收益降低。而独立储能装置由于容量较小，无法单独进入调峰市场，独自运行收益较低。独立储能通过参加智慧园区的统一管理，与柔性负荷一起参加调峰市场。

表3不同组合运行成本和CVaR值

基于表3数据，考虑各成员对于联盟的边际效益对智慧园区的期望运行成本/收益进行合理分配。分配结果如表4所示。由于购售电的差价与电力市场的门槛限制，各成员联盟运行经济效益与独立运行经济效益相比均有所提高，这有利于智慧园区长期稳定运行。

表4各成员的成本/收益情况

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述方法包括以下步骤：

步骤1、通过智慧园区运营商聚合需求侧资源，以与外部直接交易市场进行购售电交易，并参与调峰市场进行调峰辅助服务交易；

步骤2、考虑风光出力不确定性，制定包括日前调度阶段和基于场景的日内调度阶段的两阶段智慧园区调峰市场投标策略；

步骤3、对于智慧园区内各需求侧资源，基于Shapley值进行其收益的分配。

2.如权利要求1所述的考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述步骤1中的所述需求侧资源包括风电、光伏、柔性负荷和储能装置中的一种或多种。

3.如权利要求2所述的考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述步骤2中的所述日前调度阶段的所述智慧园区调峰市场投标策略包括根据日前风光预测曲线确定智慧园区日前调峰市场投标时段、容量与柔性负荷运行计划。

4.如权利要求2所述的考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述步骤2中的所述基于场景的日内调度阶段的所述智慧园区调峰市场投标策略包括根据风光出力实际情况确定智慧园区内储能的充放电功率、弃风弃光量、调峰实际出力与直接交易电量。

5.如权利要求4所述的考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述步骤2还包括建立风光出力场景集合Γ＝{1,...,ω,...,n}，其中，n为场景总数，π_ω为每个场景的概率。

6.如权利要求5所述的考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述步骤2还包括建立考虑条件风险价值的两阶段智慧园区日前投标随机优化模型。

7.如权利要求6所述的考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述两阶段智慧园区日前投标随机优化模型的目标函数为：

min C_grid+C_abon+C_load-B_f+B_P+βCVaR，

式中：第一部分为智慧园区运行成本，包括与电网直接交易成本C_grid、弃风弃光成本C_abon、柔性负荷调度成本C_load、调峰收益B_f与调峰惩罚成本B_P；第二部分为条件风险价值CVaR与风险偏好系数β的乘积，风险偏好系数β表示智慧园区对于调峰收益风险的偏好程度，

其中，与电网直接交易成本：

式中：ρ_bt、ρ_st分别为智慧园区的购售电电价，P_btω、P_stω分别为智慧园区ω场景下t时刻的购售电功率，

弃风弃光成本：

式中：ρ_a为智慧园区弃风弃光的惩罚价格，P_wbtω、P_pvbtω分别为智慧园区ω场景下t时刻的弃风弃光功率，

柔性负荷调度成本：

式中：ρ_c为柔性负荷调度的补偿价格，P_lt为智慧园区t时刻柔性负荷转移功率，

调峰收益：

式中：P_ft为智慧园区t时刻在调峰市场日前投标容量，P_fatω为智慧园区ω场景下t时刻的调峰实际出力量，ρ_f为智慧园区在调峰市场的补偿价格，

调峰市场的惩罚成本：

式中：ρ_P为智慧园区在调峰市场的惩罚价格。

8.如权利要求7所述的考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述两阶段智慧园区日前投标随机优化模型的约束条件包括：智慧园区购售电约束、智慧园区外特性、智慧园区功率平衡约束、柔性负荷约束，储能约束、调峰投标约束、调峰实际出力约束和CVaR约束。

9.如权利要求8所述的考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述CVaR约束采用以下线性问题求解：

m_w≥0，

式中：VaR为调峰风险收益的风险价值；m_w为引入的辅助变量，其代表ω场景下调峰收益与风险价值之间的差值。

10.如权利要求1所述的考虑调峰辅助服务的智慧园区优化决策方法，其特征在于，所述步骤3中所述Shapley值各成员的成本计算如下：

式中：C_j为智慧园区内成员j分配的成本；s_j为包含成员j的子联盟；|s_j|为子联盟中成员数；C(s_j)、C(s_j/i)分别为包含成员j与不包含成员j的子联盟运行成本。

Images