CN112531785A - 多时间尺度下光热-储热的主动配电网主辅联合调度方法 - Google Patents

Abstract

本发明公开了一种多时间尺度下光热‑储热的主动配电网主辅联合调度方法，本发明首先根据含储热的光热电站与主动配电网调度控制方式分析运行机理；日前调度以减少弃风、弃光电量与收益最大为目标，考虑市场竞争与主辅出清机制以获取更高中标电量，并结合含储热的光热电站能量时移特性减少弃风、弃光现象；将日前调度计划、日前调度资源性能与日内超短期预测特性相结合建立日内滑动优化点，以减少不平衡功率，考虑储热与需求响应的时间尺度特性结合，运行成本最小为目标构建日内调度模型；最后，在MATLAB中利用CPLEX求解模型，算例结果表明本文所提策略能协调调度各类资源，有利于提升系统风光消纳，减少不平衡功率改善系统运行经济性。

Description

多时间尺度下光热-储热的主动配电网主辅联合调度方法

技术领域

本发明涉及可再生能源处理领域，尤其涉及一种多时间尺度下光热-储热的主动配电网主辅联合调度方法。

背景技术

随着可再生分布式能源(renewable distributed generation，RDG)接入比例逐渐提高[1]，电网对辅助服务提出更多需求。诸多学者开始研究如何利用RDG等资源提供辅助服务以减少弃风、弃光现象。而含储热的光热电站调节能力好，储热造价低，给RDG参与辅助服务提供了新思路[2]。同时电能与备用市场的耦合关系，使得考虑主辅市场下协调优化调度成为进一步发展的方向。随着新一轮电改的进行，福建省已出台电能与备用联合的市场政策，因此研究主辅市场下光热、储热、RDG的协调调度优化具有前瞻性，意义重大。

目前国内外有了一定研究，文献[3-4]分别从短期协调性和安全性的角度，提出风电站与含储热的光热电站在主辅市场下的调度方法；文献[5-6]建立分别建立经济预测控制模型和一体化结构，解决日前主辅市场下调度信息不足和收益最大化问题。上述文献从光热-热储、风-光热-热储等角度研究，对解决RDG在主辅市场下的弃风、弃光问题具有重要意义。但存在以下问题待进一步讨论：1)未考虑主辅市场竞争与出清机制与如何整合光热电站、RDG等多类资源出力时序特性互补，使其在主辅市场更有优势；2)光热电站与其它资源协调调度参与市场未从多时间尺度展开研究；3)未考虑不同调度时段间出力与性能衔接耦合，易造成过重不平衡功率惩罚。

发明内容

本发明的目的是要提供一种多时间尺度下光热-储热的主动配电网主辅联合调度方法。

为达到上述目的，本发明提出考虑日前主辅市场竞争与出清机制下，利用主动配电网[7](active distribution network，ADN)能对能量主动管理和协调控制特性整合光热电站、RDG等多类资源特性互补实现日前-日内两阶段协调调度。在满足内部负荷需求前提下日前阶段以1h为时间尺度，考虑竞争与出清机制优化竞标策略以提高中标电量，并利用储热的能量时移特性协调各类资源以平衡供需，提高风光消纳；日内调度以日前实际出清作确定约束，同时将日前调度计划、日前调度资源性能与日内超短期预测特性相结合建立滑动优化点，并以优化点为起点，15min为时间尺度滚动优化。并对所提模型进行了算例验证。

本发明含储热的光热电站与RDG多类资源满足内部负荷前提下共同参与主辅市场，构建多时间尺度下ADN调度模型，所述ADN调度模型从日前预测信息下，考虑主辅市场需求，预测竞争对手竞标行为，以优化竞标策略获取更多中标电量，并从提高RDG消纳与ADN收益的角度，利用储热能量时移特性，协调ADN资源调度满足主辅市场中标电量，提前执行确定日前调用计划，日前调度将实际市场出清结果、日前调度计划、以及日前调度资源性能传递给ADN日内调度优化阶段，ADN日内调度优化以出清结果作已知量约束，同时根据日前调度计划以及调度资源性能结合超短期预测时间特性计算滑动优化点，并考虑储热与IDR时序响应，在超短期预测下，滚动优化计算未来调度计划。

所述ADN调度模型包括ADN日前调度优化、约束条件、主辅市场竞争，所述ADN调度模型根据市场需求与竞标预测，参与市场竞争，市场出清后将结果传递给ADN调度模型，并根据约束与目标函数优化调度。

所述主辅市场竞争考虑竞争对调度的影响，计及主辅市场容量配比、性能需求耦合；根据性能将备用市场分为备用A：响应时间≤5min，持续时间≥1h；备用B：响应时间≤15min，持续时间≥0.5h；通过历史报价数据预估竞争者有效容量段的竞标行为，考虑当前竞标行为受上时段竞标结果影响，采用一阶自回归改进描述：

式中：Q_-i,t、p_-i,t为除ADN外其他竞标者在t时刻电能市场竞标电量与电价；

为其相应的预估竞标电量与电价；Q_-i,t-1、p_-i,t-1为t-1时段中标电量与电价；

为相应的自回归系数；ε_1,-it,，ε_2,-i,t为正态分布随机数；备用市场竞标价格p_-i,t,n同理，n∈{A,B}为备用市场分类，而备用市场竞标电量为：

Q_i,t,n＝radtio_-i,t,nQ_-i,t (3)

式中：radtio_-i,t,n为竞争者的主辅容量配比率；

市场代理机构以成本最小为目标，采用统一市场出清价格机制调度清算描述如下：

约束如下：

式中：q_i,t、q_i,t,n分别为售电商i在电能市场与备用市场的中标电量,p_i,t、p_i,t,n分别为售电商在相应市场的竞标电价，i∈{1,2,…,a,…,I}，I表示为售电商个数，当i＝a时，表示ADN在相应电能与备用市场的中标电量与竞标价格；ratio_n为市场备用率；Q_i,t、Q_i,t,n分别表示各售电商i电能与备用市场的可竞标电量；在λ_i,t、λ_i,t,n、u_i,t、u_i,t,n为相关式拉格朗日乘子，分别表示电能出清价格、备用出清价格、电能影子价格、备用影子价格；

分别为售电商i的最大和最小竞标总电量。

所述ADN日前调度优化：将弃风、弃光电量计入罚数，以ADN收益最大为目标建立模型：

式中：R为ADN在主辅市场竞标收益；C_csp,t、C_pw,t、C_cpw,t、C_EH,t、C_f,t分别表示光热电站、风电、光伏、弃风光惩罚、电转热损耗、ADN运行成本；P_csp,t、

u_csp,t表示光热电站出力、启动成本系数、运行状态系数，当u_csp,t＝1表示运行状态，γ_csp为发电成本系数；P_wt,t、P_pv,t、γ_wt,t、γ_pv,t分别为风光电站出力与成本系数；

c'_pv,t、c'_wt,t分别为风光弃电量以及相应的惩罚系数；c_EH,t为电热转换成本，

为风光电量转换功率；P_grid(t)为ADN负荷缺额，p_grid(t)为市场电价，当负荷缺额时进行购电，此时R＝0；P_load(t)为配网损耗功率，c_loss(t)为损耗电量电价。

所述约束条件包括系统平衡约束、性能约束、光热电站约束、电转热功率约束和PDR负荷约束；

所述系统平衡约束：

式中：P_i(t)为ADN负荷日前t时刻的预测值；

所述性能约束：

备用市场对性能与需求主要包含以下几方面；

竞标容量约束：受资源出力影响，竞标容量有限，引入竞标容量约束；

式中：

分别为ADN可参与电能与备用市场的最大竞标电量；

响应时间约束：当ADN协调资源提供备用时应满足最低响应时间要求；

s_n,i≤S_n (10)

式中：s_n,i为资源i的最大响应时间；S_n为n备用最小响应时间；

持续时间约束：即单个时段输出电能不小于备用要求最小持续输出量；

式中：h_n,i为资源i最小持续时间；H_n为n备用最小持续时间；

所述光热电站约束：

能量平衡约束：包含光热电站内部能量与外部风光电量的电热转换

P_t ^HTF+P_t ^H-T+P_t ^pW-T＝P_t ^T-H+P_t ^CSP+P_t ^ST (12)

式中：P_t ^HTF、P_t ^H-T、P_t ^pW-T、P_t ^T-H、P_t ^CSP、P_t ^ST为内部热能交换值；

运行约束：为光热电站爬坡约、运行状态，最大/最小启停时间等约束；

式中：R_u为光热电站爬坡上限；

分别为光热电站最小、最大出力；T_offmin、T_offmax分别为最小关停机时间；

热储设备约束：

式中：P_ch,t、P_dis,t为储热充放电功率；

为储热转换效率，

为储热上下限；H_TES,t为t时刻的储热值；为保障光热电站在调度周期中的调度能力，需使每周期末储热H_TES,T与初值H_TES,t1相等；

所述电转热功率约束：

其中

为最大转换功率；

对风电、光伏电转热存在以下约束：

式中：

为电转热效率；

所述PDR负荷约束：PDR负荷为用户自发性行为，不计入成本，负荷响应率与电价变化呈弹性系数矩阵关系：

式中：

为PDR最大响应量；ψ_ΔP,t为t时刻负荷变化率；E为价格需求弹性矩阵；ψ_ΔPDR,t为电价变化率。

6、根据权利要求1所述的多时间尺度下光热-储热的主动配电网主辅联合调度方法，其特征在于：所述ADN日内调度优化以滑动优化点为初始点，计入不平衡功率惩罚，以日内运行成本最小为目标，15min为周期滚动优化建立模型：

式中：t₀为当前时段的优化点，ΔT为调度周期范围；C_IDR,t、C_cf,t分别为IDR成本与不平衡功率惩罚；γ_IDR,t,i、P_IDR,t,i表示IDR负荷签约成本与响应量；γ_a,t、P_cfa,t表示电能不平衡功率罚数与功率；γ_a,t,n、P_cfa,t,n为备用的不平衡功率罚数与功率；在日内调度中确定更为精准的调度计划，PDR响应量为定值不再优化；

出清结果为已知量，IDR负荷参与日内调节，根据ADN自主选取冒险或保守策略选择备用率；

式中:radtion'_n为选择备用率；

IDR负荷性能与容量限制：

式中：

为t时刻IDR最大响应量；P_ΔIDR为IDR负荷响应率；

滑动优化点约束：滑动优化点与日前调度计划有关，还与调度资源性能相关；

式中：

分别为日前l时刻调度计划中资源的响应时间。

本发明的有益效果是：

本发明是一种多时间尺度下光热-储热的主动配电网主辅联合调度方法，与现有技术相比，本发明具有如下技术效果：

(1)通过ADN使光热电站、RDG等资源整合进行日前市场竞争下联合优化调度-日内优化点滚动优化协调调度，得到不同的市场竞争下适应性优化调度方案，明显提高了ADN收益以及RDG的消纳能力。

(2)通过日前多时间尺度协调调度储热能量时序平移，日内滑动优化点下IDR负荷时序响应，显著降低了不平衡功率的产生，提高ADN收益，同时超短期预测数据与滑动优化点结合制定了更加精准、合理的调度计划。

附图说明

图1是ADN运行机理原理框图；

图2是本发明的ADN主辅联合调度框架图；

图3是本发明的ADN能量流动示意图；

图4是本发明的模型求解流程图；

图5是日前市场中标价格曲线图；

图6是中标电量柱状图；

图7是日前调度计划柱状图；

图8是日内调度计划柱状图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

含光热电站的ADN运行方式

含储热的光热电站主要由三部分组成:光场、储热、热力循环系统。光场收集热能通过导热工质传给热力循环系统推动汽轮机组发电或储存到储热。考虑到光热电站灵活性受光照与容量限制，将电热转换器[8]作为调节资源与光热电站联合运行，提高光热电站灵活性。同时本文将ADN内的需求响应负荷分为电价型负荷(PDR)：通过分时电价引导用户自发调整用电行为，如居民用电负荷中；激励性负荷(IDR)：通过补偿激励用户与电网签订协议，如直接控制的负荷、可中断负荷等。根据响应性能可作如下划分，PDR类负荷：响应时间≥30min，持续时间≥0.5h；IDR类负荷：响应时间≤5min，持续时间≥1h。不同性能参与的调度计划也不同。

ADN通过局部区域控制与全局计算优化实现对能量的主动控制和协调管理。通过与资源签订协议的方式使ADN成为资源的集合体，结合光热电站能量时移特性以及需求响应尺度特性实现出力时序与空间特性互补，通过资源性能和商业决策响应主辅市场，提高RDG消纳。ADN运行机理见图1所示。

含光热电站的ADN多时间尺度调度模型

考虑含储热的光热电站与RDG等多类资源满足内部负荷前提下共同参与主辅市场，构建多时间尺度下ADN调度模型。该模型从日前预测信息下，考虑主辅市场需求，预测竞争对手竞标行为，以优化竞标策略获取更多中标电量。并从提高RDG消纳与ADN收益的角度，利用储热能量时移特性，协调ADN资源调度满足主辅市场中标电量，以1h为时间尺度，提前24h执行确定日前调用计划；日前调度将实际市场出清结果、日前调度计划、以及日前调度资源性能传递给日内阶段，日内调度以出清结果作已知量约束，同时根据日前调度计划以及调度资源性能(此时PDR不再参与)结合超短期预测时间特性计算滑动优化点，并考虑储热与IDR时序响应，在超短期预测下，以15min为时间尺度滚动优化计算未来1h调度计划。具体调度框架如图2。

由于时段与时段间存在响应电量、响应时间等纵向落差，在时段交接处，资源性能与出力能否及时响应是削减不平衡功率的关键，根据日前调度计划、调度资源性能，结合预测信息与时间尺度关系(预测时间离实际出力越短，精度越高)，将每时段优化起点选择为实际出力时间减去该时段日前调度计划中出力资源最大响应时间，即滑动优化点，以保障各出力在最优预测时间下满足出力与性能衔接。在现有典型场景下风电、光伏、光热以及负荷数据，借鉴PJM主辅市场数据以及储热与电热转换器等基本型号规格作数据基础，在MATLAB中构建了日前考虑主辅市场竞争下多时间尺度协调调度模型与日内考虑滑动优化点的单位时间尺度滚动优化模型。

ADN日前调度模型：

ADN日前调度模型包含三部分：ADN日前调度、约束条件、主辅市场竞争。ADN根据市场需求与竞标预测，参与市场竞争，市场出清后将结果传递给ADN，并根据约束与目标函数优化调度。

主辅市场竞争：

考虑竞争对调度的影响，计及主辅市场容量配比、性能需求耦合。根据性能将备用市场分为备用A：响应时间≤5min，持续时间≥1h；备用B：响应时间≤15min，持续时间≥0.5h。通过历史报价数据预估竞争者有效容量段的竞标行为，考虑当前竞标行为受上时段竞标结果影响，采用一阶自回归改进描述：

式中：Q_-i,t、p_-i,t为除ADN外其他竞标者在t时刻电能市场竞标电量与电价；

为其相应的预估竞标电量与电价；Q_-i,t-1、p_-i,t-1为t-1时段中标电量与电价；

为相应的自回归系数；ε_1,-it,，ε_2,-i,t为正态分布随机数；备用市场竞标价格p_-i,t,n同理，n∈{A,B}为备用市场分类，而备用市场竞标电量为：

Q_i,t,n＝radtio_-i,t,nQ_-i,t (3)

式中：radtio_-i,t,n为竞争者的主辅容量配比率。

市场代理机构以成本最小为目标，采用统一市场出清价格机制调度清算描述如下：

约束如下：

式中：q_i,t、q_i,t,n分别为售电商i在电能市场与备用市场的中标电量,p_i,t、p_i,t,n分别为售电商在相应市场的竞标电价，i∈{1,2,…,a,…,I}，I表示为售电商个数，当i＝a时，表示ADN在相应电能与备用市场的中标电量与竞标价格；ratio_n为市场备用率；Q_i,t、Q_i,t,n分别表示各售电商i电能与备用市场的可竞标电量；在λ_i,t、λ_i,t,n、u_i,t、u_i,t,n为相关式拉格朗日乘子，分别表示电能出清价格、备用出清价格、电能影子价格、备用影子价格；

分别为售电商i的最大和最小竞标总电量。

ADN调度优化：

将弃风、弃光电量计入罚数，以ADN收益最大为目标建立模型：

式中：R为ADN在主辅市场竞标收益；C_csp,t、C_pw,t、C_cpw,t、C_EH,t、C_f,t分别表示光热电站、风电、光伏、弃风光惩罚、电转热损耗、ADN运行成本；P_csp,t、

u_csp,t表示光热电站出力、启动成本系数、运行状态系数，当u_csp,t＝1表示运行状态，γ_csp为发电成本系数；P_wt,t、P_pv,t、γ_wt,t、γ_pv,t分别为风光电站出力与成本系数；

c'_pv,t、c'_wt,t分别为风光弃电量以及相应的惩罚系数；c_EH,t为电热转换成本，

为风光电量转换功率；P_grid(t)为ADN负荷缺额，p_grid(t)为市场电价，当负荷缺额时进行购电，此时R＝0；P_load(t)为配网损耗功率，c_loss(t)为损耗电量电价。

约束条件：

(1)系统平衡约束：

式中：P_i(t)为ADN负荷日前t时刻的预测值。

(2)性能约束

备用市场对性能与需求主要包含以下几方面。

竞标容量约束：受资源出力影响，竞标容量有限，引入竞标容量约束。

式中：

分别为ADN可参与电能与备用市场的最大竞标电量。

响应时间约束：当ADN协调资源提供备用时应满足最低响应时间要求。

s_n,i≤S_n (10)

式中：s_n,i为资源i的最大响应时间；S_n为n备用最小响应时间。

持续时间约束：即单个时段输出电能不小于备用要求最小持续输出量。

式中：h_n,i为资源i最小持续时间；H_n为n备用最小持续时间。

(3)光热电站约束

能量平衡约束：包含光热电站内部能量与外部风光电量的电热转换，如图3。

P_t ^HTF+P_t ^H-T+P_t ^pW-T＝P_t ^T-H+P_t ^CSP+P_t ^ST (12)

式中：P_t ^HTF、P_t ^H-T、P_t ^pW-T、P_t ^T-H、P_t ^CSP、P_t ^ST为内部热能交换值。

运行约束：为光热电站爬坡约、运行状态，最大/最小启停时间等约束。

式中：R_u为光热电站爬坡上限；

分别为光热电站最小、最大出力；T_offmin、T_offmax分别为最小关停机时间。

热储设备约束：

式中：P_ch,t、P_dis,t为储热充放电功率；

为储热转换效率，

为储热上下限；H_TES,t为t时刻的储热值；为保障光热电站在调度周期中的调度能力，需使每周期末储热H_TES,T与初值H_TES,t1相等。

(4)电转热功率约束：

其中

为最大转换功率。

对风电、光伏电转热存在以下约束：

式中：

为电转热效率。

(5)PDR负荷约束：PDR负荷为用户自发性行为，不计入成本，负荷响应率与电价变化呈弹性系数矩阵关系：

式中：

为PDR最大响应量；ψ_ΔP,t为t时刻负荷变化率；E为价格需求弹性矩阵；ψ_ΔPDR,t为电价变化率。

ADN日内调度优化：

日内调度以滑动优化点为初始点，计入不平衡功率惩罚，以日内运行成本最小为目标，15min为周期滚动优化建立模型：

式中：t₀为当前时段的优化点，ΔT为调度周期范围；C_IDR,t、C_cf,t分别为IDR成本与不平衡功率惩罚；γ_IDR,t,i、P_IDR,t,i表示IDR负荷签约成本与响应量；γ_a,t、P_cfa,t表示电能不平衡功率罚数与功率；γ_a,t,n、P_cfa,t,n为备用的不平衡功率罚数与功率；在日内调度中确定更为精准的调度计划，PDR响应量为定值不再优化。

日内调度与日前调度在相似约束处，不再敷述。而出清结果为已知量，IDR负荷参与日内调节，根据ADN自主选取冒险或保守策略选择备用率。

式中:radtion'_n为选择备用率。

IDR负荷性能与容量限制：

式中：

为t时刻IDR最大响应量；P_ΔIDR为IDR负荷响应率。

滑动优化点约束：滑动优化点与日前调度计划有关，还与调度资源性能相关。

式中：

分别为日前l时刻调度计划中资源的响应时间。

模型求解

针对日前调度中考虑市场竞争，利用文献[9]方法将日前调度模型转换为带平衡约束的单层混合整数模型，篇幅有限故不再敷述。最后在MATLAB中利用CPLEX进行求解，具体流程如图4。

实施例：

本发明以改进IEEE33节点进行算例分析，拓扑结构如图1。资源出力、负荷等日前预测信息见图2。日内预测由1h间隔，扩展为15min为间隔，共96个数据点，且每小时4点偏差取值为正太分布σ(0,0.12)的随机值。光热电站最大输出功率为2WM，光热电站中汽轮机发电约束除满足基本爬坡、启停等约束还必须满足市场性能需求约束；热转电效率为0.45，储热容量2FLHs，电转热效率为0.95。资源响应时间：S_WT1≤3min,S_WT2≥5min,S_PV1≤5min，S_PV2≥8min。市场包含3个竞争者，假设统计得到竞标电价与竞标电量均符合正态分布，见附录表1所示。市场与负荷需求如附录图2所示，日内负荷预测同理取偏差为正太分布σ(0,0.05)的波动点。

调度结果分析

通过调度优化得到日前中标信息如图5、图6。从图中可以看出，ADN参与主辅市场针对不同市场需求采取了不同的价格倾向，以电能与备用A市场为例，在第1个时段到第8个时段中ADN出力主要以风电为主，同时备用A市场需求竞争相对激烈，以相对较低的竞标价格参与备用A与电能市场获取更多的中标电量。未中标电量通过被储热吸收，第9时段到第20时段市场需求开始增加，ADN中资源可出力丰富，以相对较高的竞标价格参与市场以获得更大收益。

从图7中可以看出，日前调度从0时段到6时段以风机出力为主满足市场与ADN内部需求，未中标电量与多余风电能通过储热吸收；8时段到19时段随着光伏、光热电站出力，有更多电量参与到市场中去，同时储热吸收未中标电量、弃风光电量通过能量时移到高价格时段以提高收益；PDR日前调度量确定，储热与风光互动提高了风光消纳，实现效益最大化。

从图8可以看出，日内滚动优化使得光热电站、风电、光伏出力通过电热转换和热储能够在精细化时段范围中更精确、高效、合理的参与运行调度，特别是电热转换结合光热电站在整个时段内更为灵活、精确的吸收多余电量或提供功率缺额，使前后期风力发电为主，中期风光电相结合的运行方式更加灵活，实现市场低谷时储电高峰放电，提高光伏、风电转换上网率，精细化降低成本提高收益。日内调度中，PDR日内调度不变，但通过储热与IDR的灵活时序互补，使得在更为精确的时间下控制出力适应RDG出力与负荷带来的功率波动性。调度方式对比分析：

以上述实施例场景为典型场景对比分析同一场景下不同调度方式的风光消纳以及ADN收益，其中调度方式1：利用文献3所提方法，光热电站不考虑电热转换，ADN灵活调度资源参与主辅市场；调度方式2：光热电站考虑电热转换，ADN各资源协调调度参与主辅市场，但不考虑多时间尺度调度；3：多时间尺度下考虑计及电热转换的光热电站的ADN协调调度参与主辅市场，即本文策略。

三种调度方式下惩罚、收益对比如下：

表1 ADN惩罚、收益对比

由表1对比收益可看出，方式3参与市场因出力波动性造成的惩罚明显减小，这是由于方式3电转热与热储的加入使得ADN灵活性提升，风光消纳提升，也使电能与备用市场净收益相比方式1和方式2提升了12.5％、5.25％和28.63％、8.27％。方式3考虑多时间尺度调度，更加精准的控制资源在时间尺度上与储热进行能量交换，利用储热的时序平移特性，减少了不必要的资源损耗与成本。

从不平衡功率惩罚成本来看，方式2相比方式1考虑了多类资源整合协调调度，使得不平衡功率惩罚降低了24.5％。方式3考虑了资源出力衔接，使得不平衡功率相比方式2降低了27.44％。方式3不平衡功率的产生是由于超短期预测下，负荷用电不确定性产生的。

从弃电惩罚来看，方式3在多时间尺度下考虑了IDR与储热的快速响应以及能量时移特性，使得ADN在多时间尺度上可协调调度可再生资源，在短时间尺度上也可随可再生能源出力波动调整调度计划，从而促进可再生能源的消纳。相比方式1与方式2，方式3的弃电惩罚分别减少了39.77、65.44美元，方式3的弃电惩罚成本是由于ADN储热与IDR配置有限，在风电、光伏高发时段，此时已无额外容量来储存或转移风光出力,因而造成弃电惩罚。

参考文献：

[1]高庆忠,赵琰,穆昱壮等.高渗透率可再生能源集成电力系统灵活性优化调度[J/OL].电网技术:1-10[2020-08-15].

[2]He,G.,Chen,Q.,Kang,C.,Xia,Q.Optimal Offering Strategy forConcentrating Solar Power Plants in Joint Energy Reserve and RegulationMarkets.IEEE Transactions on SustainableEnergy.doi:10.1109/tste.2016.2533637

[3]H.M.I.Pousinho,H.Silva,V.M.F.Mendes,M.Collares-Pereira,C.PereiraCabrita,Self-scheduling for energy and spinning reserve of wind/CSP plantsbya MILP approach,Energy,Volume 78,2014,Pages 524-534.

[4]Bilevel approach to wind-CSP day-ahead scheduling with spinningreserve under controllable degree of trust,RenewableEnergy,Volume 85,2016,Pages 917-927.

[5]Manuel JesúsVasallo,JoséManuel Bravo,EmilianGeluCojocaru,ManuelEmilio Gegúndez,Calculating the profits of an economic MPC applied to CSPplants with thermal storage system,SolarEnergy,Volume 155,2017,Pages 1165-1177.

[6]Yong Yang,Su Guo,Qunming Liu,RongLi,Day-ahead Scheduling for a NewWind-CSPHybridSystem,EnergyProcedia,Volume 158,2019,Pages 6254-6259.

[7]季珉杰,张沛超.信息物理融合的主动配电网分层交易式能量管理[J].中国电机工程学报,2018,38(16):4668-4678+4972.

[8]徐欢,袁越,张新松等.一种新型风光热电站的风光互补性研究及成本分析[J].水电能源科学,2013,31(03):240-243+36.

窦春霞，贾星蓓，李恒.基于多智能体的微电网中分布式发电的市场博弈竞标发电[J].电网技术，2016，40(2)：579-586.

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (6)

1.一种多时间尺度下光热-储热的主动配电网主辅联合调度方法，其特征在于：含储热的光热电站与RDG多类资源满足内部负荷前提下共同参与主辅市场，构建多时间尺度下ADN调度模型，所述ADN调度模型从日前预测信息下，考虑主辅市场需求，预测竞争对手竞标行为，以优化竞标策略获取更多中标电量，并从提高RDG消纳与ADN收益的角度，利用储热能量时移特性，协调ADN资源调度满足主辅市场中标电量，提前执行确定日前调用计划，日前调度将实际市场出清结果、日前调度计划、以及日前调度资源性能传递给ADN日内调度优化阶段，ADN日内调度优化以出清结果作已知量约束，同时根据日前调度计划以及调度资源性能结合超短期预测时间特性计算滑动优化点，并考虑储热与IDR时序响应，在超短期预测下，滚动优化计算未来调度计划。

2.根据权利要求1所述的多时间尺度下光热-储热的主动配电网主辅联合调度方法，其特征在于：所述ADN调度模型包括ADN日前调度优化、约束条件、主辅市场竞争，所述ADN调度模型根据市场需求与竞标预测，参与市场竞争，市场出清后将结果传递给ADN调度模型，并根据约束与目标函数优化调度。

3.根据权利要求2所述的多时间尺度下光热-储热的主动配电网主辅联合调度方法，其特征在于：所述主辅市场竞争考虑竞争对调度的影响，计及主辅市场容量配比、性能需求耦合；根据性能将备用市场分为备用A：响应时间≤5min，持续时间≥1h；备用B：响应时间≤15min，持续时间≥0.5h；通过历史报价数据预估竞争者有效容量段的竞标行为，考虑当前竞标行为受上时段竞标结果影响，采用一阶自回归改进描述：

式中：Q_-i,t、p_-i,t为除ADN外其他竞标者在t时刻电能市场竞标电量与电价；

为其相应的预估竞标电量与电价；Q_-i,t-1、p_-i,t-1为t-1时段中标电量与电价；

为相应的自回归系数；ε_1,-it,，ε_2,-i,t为正态分布随机数；备用市场竞标价格p_-i,t,n同理，n∈{A,B}为备用市场分类，而备用市场竞标电量为：

Q_i,t,n＝radtio_-i,t,nQ_-i,t (3)

式中：radtio_-i,t,n为竞争者的主辅容量配比率；

市场代理机构以成本最小为目标，采用统一市场出清价格机制调度清算描述如下：

约束如下：

式中：q_i,t、q_i,t,n分别为售电商i在电能市场与备用市场的中标电量,p_i,t、p_i,t,n分别为售电商在相应市场的竞标电价，i∈{1,2,…,a,…,I}，I表示为售电商个数，当i＝a时，表示ADN在相应电能与备用市场的中标电量与竞标价格；ratio_n为市场备用率；Q_i,t、Q_i,t,n分别表示各售电商i电能与备用市场的可竞标电量；在λ_i,t、λ_i,t,n、u_i,t、u_i,t,n为相关式拉格朗日乘子，分别表示电能出清价格、备用出清价格、电能影子价格、备用影子价格；

分别为售电商i的最大和最小竞标总电量。

4.根据权利要求2所述的多时间尺度下光热-储热的主动配电网主辅联合调度方法，其特征在于：所述ADN日前调度优化：将弃风、弃光电量计入罚数，以ADN收益最大为目标建立模型：

式中：R为ADN在主辅市场竞标收益；C_csp,t、C_pw,t、C_cpw,t、C_EH,t、C_f,t分别表示光热电站、风电、光伏、弃风光惩罚、电转热损耗、ADN运行成本；P_csp,t、

u_csp,t表示光热电站出力、启动成本系数、运行状态系数，当u_csp,t＝1表示运行状态，γ_csp为发电成本系数；P_wt,t、P_pv,t、γ_wt,t、γ_pv,t分别为风光电站出力与成本系数；

c'_pv,t、c'_wt,t分别为风光弃电量以及相应的惩罚系数；c_EH,t为电热转换成本，

为风光电量转换功率；P_grid(t)为ADN负荷缺额，p_grid(t)为市场电价，当负荷缺额时进行购电，此时R＝0；P_load(t)为配网损耗功率，c_loss(t)为损耗电量电价。

5.根据权利要求2所述的多时间尺度下光热-储热的主动配电网主辅联合调度方法，其特征在于：所述约束条件包括系统平衡约束、性能约束、光热电站约束、电转热功率约束和PDR负荷约束；

所述系统平衡约束：

式中：P_i(t)为ADN负荷日前t时刻的预测值；

所述性能约束：

备用市场对性能与需求主要包含以下几方面；

竞标容量约束：受资源出力影响，竞标容量有限，引入竞标容量约束；

式中：

分别为ADN可参与电能与备用市场的最大竞标电量；

响应时间约束：当ADN协调资源提供备用时应满足最低响应时间要求；

s_n,i≤S_n (10)

式中：s_n,i为资源i的最大响应时间；S_n为n备用最小响应时间；

持续时间约束：即单个时段输出电能不小于备用要求最小持续输出量；

式中：h_n,i为资源i最小持续时间；H_n为n备用最小持续时间；

所述光热电站约束：

能量平衡约束：包含光热电站内部能量与外部风光电量的电热转换

P_t ^HTF+P_t ^H-T+P_t ^pW-T＝P_t ^T-H+P_t ^CSP+P_t ^ST (12)

式中：P_t ^HTF、P_t ^H-T、P_t ^pW-T、P_t ^T-H、P_t ^CSP、P_t ^ST为内部热能交换值；

运行约束：为光热电站爬坡约、运行状态，最大/最小启停时间等约束；

式中：R_u为光热电站爬坡上限；

分别为光热电站最小、最大出力；T_offmin、T_offmax分别为最小关停机时间；

热储设备约束：

式中：P_ch,t、P_dis,t为储热充放电功率；

为储热转换效率，

为储热上下限；H_TES,t为t时刻的储热值；为保障光热电站在调度周期中的调度能力，需使每周期末储热H_TES,T与初值H_TES,t1相等；

所述电转热功率约束：

其中

为最大转换功率；

对风电、光伏电转热存在以下约束：

式中：

为电转热效率；

所述PDR负荷约束：PDR负荷为用户自发性行为，不计入成本，负荷响应率与电价变化呈弹性系数矩阵关系：

式中：

为PDR最大响应量；ψ_ΔP,t为t时刻负荷变化率；E为价格需求弹性矩阵；ψ_ΔPDR,t为电价变化率。

6.根据权利要求1所述的多时间尺度下光热-储热的主动配电网主辅联合调度方法，其特征在于：所述ADN日内调度优化以滑动优化点为初始点，计入不平衡功率惩罚，以日内运行成本最小为目标，15min为周期滚动优化建立模型：

式中：t₀为当前时段的优化点，ΔT为调度周期范围；C_IDR,t、C_cf,t分别为IDR成本与不平衡功率惩罚；γ_IDR,t,i、P_IDR,t,i表示IDR负荷签约成本与响应量；γ_a,t、P_cfa,t表示电能不平衡功率罚数与功率；γ_a,t,n、P_cfa,t,n为备用的不平衡功率罚数与功率；在日内调度中确定更为精准的调度计划，PDR响应量为定值不再优化；

出清结果为已知量，IDR负荷参与日内调节，根据ADN自主选取冒险或保守策略选择备用率；

式中:radtion'_n为选择备用率；

IDR负荷性能与容量限制：

式中：

为t时刻IDR最大响应量；P_ΔIDR为IDR负荷响应率；

滑动优化点约束：滑动优化点与日前调度计划有关，还与调度资源性能相关；

式中：

分别为日前l时刻调度计划中资源的响应时间。

Images