CN113435714A - 一种基于WCVaR风险分析的电网调度优化方法和系统 - Google Patents

一种基于WCVaR风险分析的电网调度优化方法和系统 Download PDF

Info

Publication number
CN113435714A
CN113435714A CN202110646043.7A CN202110646043A CN113435714A CN 113435714 A CN113435714 A CN 113435714A CN 202110646043 A CN202110646043 A CN 202110646043A CN 113435714 A CN113435714 A CN 113435714A
Authority
CN
China
Prior art keywords
power grid
photovoltaic
power
charging
wcvar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110646043.7A
Other languages
English (en)
Other versions
CN113435714B (zh
Inventor
李远征
蔡亦涵
黄晶晶
倪质先
周前
黄成�
连义成
赵勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202110646043.7A priority Critical patent/CN113435714B/zh
Publication of CN113435714A publication Critical patent/CN113435714A/zh
Application granted granted Critical
Publication of CN113435714B publication Critical patent/CN113435714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/10—Energy trading, including energy flowing from end-user application to grid

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于WCVaR风险分析的电网调度优化方法和系统，属于光伏电站能量管理技术领域。包括：构建多个光伏输出功率样本，进而确定将光伏过剩产能卖给电网的电价；随机初始化多组倍率系数，从而得到多个光伏充换电系统上报到电网的投标方案；构建基于WCVaR的电网运营模型，并求解得到电网调度方案和电网节点边际价格方案；进一步计算光伏充换电系统的收益；更新所有组的倍率系数，进而更新投标方案；重复上述操作，直至达到预设次数，输出最终得到的电网调度方案。本发明可为电网的决策者制定调度方案提供一定的参考价值；考虑WCVaR风险获得的调度方案可以更好地适应最坏的情况，避免收益风险，即低收益或损失情形的发生，提高电网运营的经济性。

Description

一种基于WCVaR风险分析的电网调度优化方法和系统
技术领域
本发明属于光伏电站能量管理技术领域，更具体地，涉及一种基于WCVaR(worst-case conditional value-at-risk,最坏情况下的条件风险价值)风险分析的电网调度优化方法和系统。
背景技术
据统计，2019年全球电动汽车(electric vehicle,EV)的销量已突破210万辆，EV库存已经达到720万辆。与此同时，为EV提供充换电服务的充换电系统也发展迅速。另外，世界各国正大力发展可再生能源，这使得含光伏(photovoltaic,PV)接入的充换电系统应运而生。然而，由于光伏充换电系统在为EV提供充换电服务的同时，必然会与电网发生能量交互。在该过程中，根据博弈论的理论，二者都希望使自身的收益最大化。因此，制定一个合理的调度计划，对于二者的互利共赢具有一定的现实意义。值得一提的是，太阳能PV具有高不确定性的特点，这使得PV的接入不仅会影响充换电系统的收益，也会对电网的安全稳定运营带来一定的冲击。同时，太阳能PV的接入可能会导致电网日前制定的调度方案不能很好地适应实际的情况，从而给电网的收益带来不确定性。因此，基于收益的不确定性，研究如何有效管理收益风险，即防止低收益或损失情形的发生，并在一定的风险值水平下制定合理的调度计划，对促进电网的安全稳定运营，进而对保证充换电系统与电网二者的互利共赢具有必不可少的作用。
目前，对于传统充电站与电网之间运营交互的研究较多，但是对于光伏充换电系统与电网之间的运营交互，并考虑在一定的风险值背景下的研究却比较少。同时，传统的风险管控指标包括风险价值(value-at-risk,VaR)和条件风险价值(conditional value-at-risk,CVaR)。然而，由于VaR指标用于风险度量时，计算较为复杂；而采用CVaR进行风险度量时，要求随机变量所服从的分布为确定的已知分布(如正态分布、均匀分布等)。值得一提的是，在现实中，存在着许多随机变量分布为非完全已知的情况。因此，针对该问题，如何有效地度量太阳能PV所带来的收益风险，并进而制定合理的调度计划，是一个难点问题。
针对微电网自治程度较高且存在新能源出力不确定的问题，张虹等人(“计及WCVaR评估的微电网供需协同两阶段日前优化调度”)提出从并网型微电网运营商的角度提出一种供需协同两阶段日前优化调度框架。首先建立供需协同调度的主从Stackelberg博弈双层优化模型，其中上层运营商问题包含日前调度和实时调控2个阶段，并在实时调控阶段引入最差条件风险价值评估新能源不确定性造成的最恶劣调控成本风险；下层用户综合考虑电费支出用电满意度问题。然后采用KKT条件、Big-M法以及线性规划强对偶理论将模型转化为混合整数线性规划问题。所提模型可以决策新能源出力最恶劣概率分布下的最优日前调度方案，同时协同优化电价政策和负荷曲线，降低系统运营成本和风险。然而，其研究的是电网与住宅用户之间的交互，住宅用户作为个体，调度计划只包括自身的用电计划，和电网之间的交互只包含用电行为一项，具体包括：(1)由于用电行为支付的成本以及(2)由于削减用电负荷的用电行为带来的效用。且住宅用户只能被动地接受电网的电价方案，并通过调节自身的用电行为来影响自身收益，不存在投标。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于WCVaR风险分析的电网调度优化方法和系统，其目的在于基于WCVaR，研究在一定风险值下，光伏充换电系统与电网之间的运营交互，进而制定合理的调度计划，实现充换电系统与电网之间的互利共赢，并完善二者之间运营交互研究的理论体系。
为实现上述目的，按照本发明的第一方面，提供了一种基于WCVaR风险分析的电网调度优化方法，所述电网与光伏充换电系统之间能量交互，该方法包括：
S0.构建多个服从混合分布的光伏输出功率样本，根据光伏输出功率样本确定将光伏过剩产能卖给电网的电价，将其作为WCVaR中的随机变量；
S1.随机初始化多组倍率系数，每组倍率系数属于同一个调度周期，将光伏充换电系统愿意为充电负荷所支付的价格乘上每组倍率系数后得到的价格作为一个投标方案，得到多个光伏充换电系统上报到电网的投标方案；
S2.对于每个投标方案，以电网运营收益最大且风险最小为目标，构建基于WCVaR的电网运营模型，求解该电网运营模型，得到该投标方案对应的电网调度方案和电网节点边际价格方案；
S3.对于每个投标方案，根据电网节点边际价格方案，计算光伏充换电系统的收益；
S4.根据当前光伏充换电系统收益最大的投标方案对应的倍率系数，采用启发式算法中的邻域搜索机制来更新所有组的倍率系数，进而更新投标方案；
S5.重复步骤S2～S4，直至达到预设次数，输出当前光伏充换电系统收益最大的投标方案对应的电网调度方案。
优选地，从混合分布
Figure BDA0003109673850000031
中采样光伏输出功率样本；
其中，Ppv(t)表示在t时刻的光伏输出功率，m和M分别表示混合分布中的第m个部件和部件总个数；ωm和Nm(·)分别表示混合分布中第m个部件的权重系数和第m个高斯部件；μm和σm分别表示第m个高斯部件所对应的均值和方差。
有益效果：本发明采用混合分布采样作为光伏输出功率样本，由于混合分布中包含多个不同的分布，从而可以较好地表征光伏输出功率样本的不确定性，进而引入电网收益风险。
优选地，随机初始化的光伏充换电系统上报到电网的投标方案符合如下投标曲线：
Cbid(t)＝k(t)[a(t)-b(t)Pd(t)]，t∈[1，T]
其中，Cbid(t)表示投标曲线，k(t)表示t时刻倍率系数，a(t)表示光伏充换电系统t时刻最大允许的充电价格，b(t)表示线性关系的正系数，Pd(t)表示光伏充换电系统在t时刻的充电负荷，T表示调度总时长。
有益效果：本发明通过调节倍率系数k(t)来调整投标方案，同时将光伏过剩产能卖给电网的电价定义为WCVaR中的随机变量。
优选地，所述以电网运营收益最大且风险最小为目标，构建基于WCVaR的电网运营模型，具体如下：
目标函数为：
Figure BDA0003109673850000041
约束条件包括：
每个电网节点有功功率输入与输出平衡约束；
每个电网节点无功功率输入与输出平衡约束；
每个电网节点电压安全性约束；
每条电网支路电流安全性约束；
二阶旋转锥约束：
Figure BDA0003109673850000042
正则锥约束：
Figure BDA0003109673850000043
WCVaR约束：
Figure BDA0003109673850000044
其中，θ表示按照一定的风险规避因子，将各个部件的电网效用值和WCVaR风险值分别加权求和后得到的最大值，即优化的目标即为最小化成本的最大值，其中成本包括电网效用值与WCVaR风险值两个部分，A0表示风险规避因子，S表示样本总个数，UG，m，s表示通过第m个部件的第s个样本计算得到的电网运营收益，β表示置信水平，π0表示离散分布，
Figure BDA0003109673850000051
和η T表示常数向量，um、εm、zm、ξm和wm表示与第m个部件相关的辅助变量，lij(t)表示支路ij的电流平方，Pij(t)和Qij(t)分别表示从节点i流入节点j的有功功率和无功功率，E和B分别表示电网支路集和电网节点集，vi(t)表示节点i电压幅值的平方，Pd(t)表示电网在t时刻向光伏充换电系统供电的充电计划，
Figure BDA0003109673850000052
表示辅助变量，eT表示单位向量，um，s表示与第m个部件的第s个样本相关的辅助变量。
有益效果：
1)本发明构建上述目标函数，实现电网运营收益最大且风险最小目标，由于电网运营收益和风险值按照一定的权重加总在一起，从而实现在最大化电网运营收益的同时，最小化风险值；
2)本发明采用二阶旋转锥约束和正则锥约束对电网运营模型进行凸松弛，将其转化为凸模型，其中，由于功率平衡约束是非线性和非凸的，会增大求解该电网运营模型的难度，采用二阶旋转锥约束进行松弛；通过引入辅助变量
Figure BDA0003109673850000055
采用正则锥约束，可以对电网运营模型的效用函数作进一步松弛；
3)本发明构建上述WCVaR约束，由于WCVaR考虑的是最坏情况下的条件风险价值，因而最终求解得到的电网调度方案在最坏的情况下具有最好的适应力，从而实现收益风险的规避，即防止低收益或损失情形的发生，提高电网运营的经济性。
优选地，所述电网运营收益的计算公式如下：
Figure BDA0003109673850000053
其中，Pd(t)表示电网在t时刻向光伏充换电系统供电的充电计划，
Figure BDA0003109673850000054
表示辅助变量，Cretail(t)表示电力批发市场在t时刻的批发价格，PG(t)表示电网在t时刻从电力批发市场购买电能的买电计划，Cpv(t)表示光伏电价，Psurplus(t)表示在t时刻电网从光伏充换电系统处购买光伏过剩产能的买电计划，Δt表示调度间隔。
有益效果：本发明通过优化电力批发市场购买电能的买电计划PG(t)、向光伏充换电系统供电的充电计划Pd(t)以及从光伏充换电系统购买光伏过剩产能的买电计划Psurplus(t)三者，使得电网自身的收益最大化，由于电网运营收益包括从电力批发市场购买电能产生的成本、向光伏充换电系统提供充电服务的收益和从光伏充换电系统购买光伏过剩产能的成本三个部分，因而通过优化该三部分的计划，可以实现电网运营收益的最大化，最终得到电网调度计划＝[PG(t)，Pd(t)，Psurplus(t)]。
优选地，光伏过剩产能卖给电网的电价的计算公式如下：
CpV(t)＝Z*weight(t)，t∈[1，T]
Figure BDA0003109673850000061
其中，Z表示光伏过剩产能卖给电网的电价标准值，weight(t)和P0分别表示在t时刻光伏电价的价格系数和光电场的装机容量，Ppv(t)表示在t时刻的光伏输出功率，T表示调度总时长。
优选地，所述根据电网节点边际价格方案，计算光伏充换电系统的收益，计算公式如下：
Figure BDA0003109673850000062
其中，Psurplus(t)和Δt分别表示在t时刻光伏充换电系统售卖光伏过剩产能的计划和调度间隔，Pswap(t)表示更换下来的空电池充电所需负荷，a(t)Pswap(t)-b(t)Pswap(t)2/2表示换电站BSS为EV用户提供换电服务的收入，γ(t)表示电网节点边际价格，γ(t)Pd(t)表示光伏充换电系统由于提供充电服务而向电网支付的费用，Cpv(t)Psurplus(t)表示光伏充换电系统将光伏过剩产能卖给电网获得的收入。
有益效果：本发明通过优化投标方案的倍率系数，使得光伏充换电系统的收益最大化，由于光伏充换电系统的收益包括投标产生的成本、提供换电服务带来的收益和为EV电池充电产生的成本，同时投标方案会进一步影响电网的边际节点价格方案，从而影响由于提供换电服务向电网支付的费用，因此，通过优化投标方案的倍率系数，可以实现光伏充换电系统收益的最大化。
为实现上述目的，按照本发明的第二方面，提供了一种基于WCVaR风险分析的电网调度优化系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的基于WCVaR风险分析的电网调度优化方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)相较于传统的CVaR风险管控手段，本发明生成电网调度方案时引入WCVaR风险，由于WCVaR考虑了最坏的情况，可以更好地帮助电网制定较为保守的调度计划，即使在最坏的情况下，也可以帮助电网获得更高的收益，从而使得最终输出电网调度方案能够保证在最坏的情况下具有最好适应力，避免收益风险，即低收益或损失情形的发生，提高电网运营的经济性。
(2)相较于计及WCVaR评估的微电网供需协同两阶段日前优化调度，本发明研究的是电网与光伏充换电系统之间的运营交互，根据光伏输出功率样本确定将光伏过剩产能卖给电网的电价，将其作为WCVaR中的随机变量。光伏充换电系统作为完整的系统，接入在电网的某一个节点中，其与电网之间的交互包括：(1)提供充电服务所支付的费用，该部分成本与住宅用户所支付的成本相似；(2)由于光伏充换电系统向电网售卖过剩光伏产能带来的收益。其调度计划即为根据自身充电需求制定的投标计划，主要在于光伏充换电系统通过向电网上报投标计划，得以影响电网的边际节点价格(边际节点电价)，进而影响到自身的收益。
附图说明
图1为本发明提供的光伏充换电系统与电网交互的能量流动情况与市场结构示图；
图2为本发明提供的考虑WCVaR的光伏充换电系统与电网交互的SFE博弈问题的求解流程图；
图3为本发明实施例提供的Case 1(风险规避因子A0＝0.2)与Case 2(风险规避因子A0＝0.01)的收敛曲线对比图，其中，(a)为Case 1的收敛曲线，(b)为Case 2的收敛曲线；
图4为本发明实施例提供的Case 1求解得到的倍率系数k(t)方案；
图5为本发明实施例提供的Case 1求解得到的节点边际价格方案和PV电价方案，其中，(a)为边际节点价格方案，(b)为PV电价方案；
图6为本发明实施例提供的考虑WCVaR与CVaR的收敛曲线对比图；
图7为本发明实施例提供的Case 1-11的收敛曲线对比图，其中，Case 1-11分别对应风险规避因子A0＝0.2，0.01，0.1，0.3，0.4，0.5，0.6，0.7，0.8，0.9，0.99；
图8为本发明实施例所提供的风险规避因子A0与收益的关系图，其中，(a)为A0与光伏充换电系统收益的关系图，(b)为A0与电网收益的关系图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明采用WCVaR，建立了基于WCVaR的电网运营模型，并进而提出了考虑WCVaR的光伏充换电系统与电网交互的供需函数均衡(supply function equilibrium，SFE)博弈问题，通过求解该优化问题，进而可以获得更适应最坏情况的电网调度计划，有效管理了收益风险，即防止低收益或损失情形的发生；相较于传统的CVaR风险管控手段，WCVaR考虑了最坏的情况，可以更好地帮助电网制定较为保守的调度计划，在最坏的情况下，该调度计划与考虑传统的CVaR风险的调度计划相比，可以帮助电网获得更高的收益，这无疑是更好的表现。
本发明提出一种基于WCVaR风险分析的电网调度优化方法，包括以下步骤：
(0)构建多个服从混合分布的光伏输出功率样本，根据光伏输出功率样本确定将光伏过剩产能卖给电网的电价，将其作为WCVaR中的随机变量；
(1)随机初始化多组倍率系数，每组倍率系数属于同一个调度周期，将光伏充换电系统愿意为充电负荷所支付的价格乘上每组倍率系数后得到的价格作为一个投标方案，得到多个光伏充换电系统上报到电网的投标方案；
(2)对于每个投标方案，以电网运营收益最大且风险最小为目标，构建基于WCVaR的电网运营模型，求解该电网运营模型，得到该投标方案对应的电网调度方案和电网节点边际价格方案；
(3)对于每个投标方案，根据电网节点边际价格方案，计算光伏充换电系统的收益；
(4)根据当前光伏充换电系统收益最大的投标方案对应的倍率系数，采用启发式算法中的邻域搜索机制来更新所有组的倍率系数，进而更新投标方案；
(5)重复步骤(2)～(4)，直至达到预设次数，输出当前光伏充换电系统收益最大的投标方案对应的电网调度方案。
所述步骤(0)中，在光伏充换电系统内部，能量是以电池为载体在集中性充电站(centralized battery charging station，CBCS)、换电站(battery swapping station，BSS)和EV用户之间流动的。其中，CBCS将完成充电的满电池配送至BSS为用户提供换电服务，而BSS将用户更换下来的空电池配送至CBCS进行集中性充电。同时，光伏充换电系统内充电的能源需求可由两种途径实现，即向电网购买电能以及接入太阳能PV。因此，理论上光伏充换电系统可以被认为是电网的用户，进而可以采用投标曲线(bidding curve)的方法来确定电价方案。同时，在光伏充换电系统中，BSS需要为EV用户提供换电服务，因此，应向EV用户收取相应的换电费用。
另一方面，由于在光伏充换电系统中接入了PV，导致其与电网之间的能量交互过程将会增加一个卖电的部分，即将PV过剩产能卖给电网。因此，将PV电价定义为Cpv(t)。值得一提的是，PV产能的电价水平是随着太阳辐射水平的提高而降低的。因此，PV电价的计算公式如下所示。
Figure BDA0003109673850000101
Cpv(t)＝Z·weight(t)，t∈[1，T] (2)
其中，weight(t)和P0分别表示PV电价的价格系数和光电场的装机容量。同时，通过对PV价格系数weight(t)乘上一个标准值Z，可以定义PV电价Cpv(t)。除此之外，Ppv(t)表示在t时刻的PV输出功率。值得一提的是，此处认为Ppv(t)服从混合分布
Figure BDA0003109673850000102
其中，m和M分别表示混合分布中的第m个部件和部件总个数。ωm和Nm(·)分别表示混合分布中第m个部件的权重系数和第m个高斯部件。μm和σm分别表示第m个高斯部件所对应的均值和方差。
所述步骤(1)中，针对光伏充换电系统而言，由于电网为光伏充换电系统提供充电服务，从而会向其收取充电费用，因此该费用所涉及的价格被定义为电网的节点边际价格γ(t)。另外，由于BSS为EV用户提供了更换电池的服务，因此需要收取换电费用，并将该费用所涉及的价格系数定义为换电价格Cswap(t)。同时，换电价格被定义为更换下来的空电池充电所需负荷的边际价格，即认为换电价格与充电所需负荷呈线性递减关系。
Cswap(t)＝a(t)-b(t)Pswap(t)，t∈[1，T] (3)
其中，a(t)和b(t)分别表示光伏充换电系统中最大允许的充电价格(即线性递减关系的截距)和描述该线性关系的正系数。Pswap(t)表示更换下来的空电池充电所需负荷。T表示调度总时长，本实施例中被设置为24h。
除此之外，由于光伏充换电系统需要向电网上报自身的充电需求，因此可以采用投标曲线的方法。具体来说，在t时刻光伏充换电系统愿意为充电负荷Pd(t)而支付的价格，被定义为D(t)，同时结合k-参数化(k-parameterization)的方法，可以确定光伏充换电系统的投标曲线Cbid(t)，即通过调节倍率系数k(t)来调整投标方案，如下所示。
D(t)＝a(t)-b(t)Pd(t)，t∈[1，T] (4)
Cbid(t)＝k(t)D(t)＝k(t)[a(t)-b(t)Pd(t)]，t∈[1，T] (5)
其中，Pd(t)表示光伏充换电系统在t时刻的充电负荷。
所述步骤(2)中，针对电网而言，其需要调整自身从电力批发市场购买电能的买电计划、向光伏充换电系统供电的充电计划以及从光伏充换电系统购买PV过剩产能的买电计划，通过优化以上三者，也就是优化电网的调度方案，来使电网自身的收益最大化。因此，可以将电网运营模型的效用函数UG表示如下。
Figure BDA0003109673850000111
其中，Cretail(t)表示在t时刻，电力批发市场的批发价格。PG(t)表示在t时刻，电网从电力批发市场购买电能的买电计划。
除此之外，为了保证电网的正常运营，还需要考虑相关的运营约束，包括功率平衡约束和安全性约束，如下所示。
(1)功率平衡约束：对于调度时段内，电网的每一个节点i，其有功功率和无功功率的输入与输出必须保持平衡。
Figure BDA0003109673850000112
Figure BDA0003109673850000113
Figure BDA0003109673850000114
Figure BDA0003109673850000115
其中，PG，i(t)和QG，i(t)分别表示电网中输入节点i的有功功率和无功功率。Ppv，i(t)表示输入节点i的太阳能PV。PL，j(t)、QL，j(t)和Li分别表示电网中负荷j的有功功率和无功功率，以及节点i消耗的负荷集。Pi(t)表示节点i的充电负荷。Pij(t)和Qij(t)分别表示从节点i流入节点j的有功功率和无功功率。rij、xij和lij(t)分别表示支路ij的电阻、电抗和电流平方。E和B分别表示支路集和节点集。vi(t)表示节点i电压幅值的平方。
(2)安全性约束：为了保证电网运营的安全性，以下关于每个节点的电压幅值和每条支路的电流幅值的约束必须得到满足。
Figure BDA0003109673850000121
Figure BDA0003109673850000122
其中，Vmin，i和Vmax，i分别表示电压幅值的下限和上限。Imax，ij表示电流幅值的最大值。
另一方面，由于功率平衡约束式(10)是非线性和非凸的，因此会增大求解该电网运营模型的难度。因此，采用二阶旋转锥约束对式(13)进行松弛，如下所示。
Figure BDA0003109673850000123
此外，通过引入辅助变量
Figure BDA0003109673850000124
可以采用正则锥约束对电网运营模型作进一步松弛。
Figure BDA0003109673850000125
根据上式，可以进一步把电网运营模型转化为凸模型，如下所示。
Figure BDA0003109673850000126
除此之外，此处所采用的风险管控手段是基于最坏情况下的CVaR。因此，首先令x和y分别为模型的决策变量和随机变量。其中，令随机变量y所服从的分布为p(y)，进而记损失函数(成本函数)为f(x，y)。因此，可以得到CVaR的计算公式如下。
Figure BDA0003109673850000131
其中，β表示置信水平。VaRβ(x)表示风险值，如下所示。
VaRβ(x)＝min{ε∈R：∫f(x，y)≤εp(y)dy≥β} (17)
其中，ε表示损失不超过ε的前提。
然而，根据式(16)直接计算CVaR的难度非常大，因此，在这里构造函数Fβ(x，ε)，如下所示。
Figure BDA0003109673850000132
其中，[x]+＝max{x，0}。因此，CVaR的计算公式可以被进一步简化如下。
Figure BDA0003109673850000133
另一方面，由于计算式(18)中的积分也具有一定的难度，因此，这这里采用样本点对积分计算进行近似处理，如下所示。
Figure BDA0003109673850000134
其中，S和s分别表示样本点总个数和样本点索引。显然，CVaR被简化为关于ε的分段线性函数。
在此基础上，若随机变量y所服从的分布p(y)∈P，进而可以得到WCVaR，如下式计算。
Figure BDA0003109673850000135
同时，考虑随机变量y服从如下的离散分布PY。
Figure BDA0003109673850000136
其中，π＝(π1，π2，...，πS)T表示随机变量的概率，如下所示。
Figure BDA0003109673850000141
其中，π0为已知的离散分布，e为单位向量。而η和
Figure BDA0003109673850000142
为常数向量，分别表示η的上下限。
此外，在这里引入辅助变量u＝(u1，u2，...，uS)T，将WCVaR的计算进一步简化如下。
Figure BDA0003109673850000143
另一方面，根据式(15)和有功功率平衡约束式(7)，可以看出电网需要统筹兼顾电力系统中的所有节点，保证每个节点有功功率输入与输出的平衡。同时，由式(1)和(2)可见，PV输出功率与其电价密切相关，进而会影响电网购买PV过剩产能的买电计划Psurplus(t)。因此，电网需要考虑光伏充换电系统处PV的接入，而PV的高不确定性又会给调度带来一定的困难，这意味着可以将WCVaR引入电网运营模型中。同时，将PV电价Cpv(t)定义为式(24)中的随机变量，并结合对偶理论，可以建立考虑WCVaR的电网运营模型，如下所示。
minθ
Figure BDA0003109673850000151
其中，A0表示风险规避因子。同时，um＝(um，1，um，2，...，um，S)T表示与第m个部件相关的辅助变量，其中，um，s表示与第m个部件的第s个样本相关的辅助变量。另外，εm、zm、ξm和wm表示与第m个部件相关的辅助变量。UG，m，s表示通过第m个部件的第s个样本计算得到的电网效用值。
值得一提的是，由式(25)可知，该模型研究的问题为线性锥约束凸二次规划问题(linear conic programming，LCP)。同时，在这里使用xG来表示该优化问题的决策变量和辅助变量，其中包含电网运营模型中从电力批发市场处购买电能的买电计划PG(t)、向光伏充换电系统供电的充电计划Pd(t)和从光伏充换电系统处购买PV过剩产能的买电计划Psurplus(t)，WCVaR计算流程中的参数εm、um、zm、ξm和wm，以及辅助变量
Figure BDA0003109673850000152
进而可将目标函数表示为CxG；值得一提的是，辅助变量
Figure BDA0003109673850000153
无任何物理意义，也没有所谓的获取方法，只是在程序运行过程中随机设置的一个变量，满足该约束即可，目的是为了辅助计算。将式(25)中的二阶旋转锥约束和正则锥约束分别表示为xG∈S和xG∈R。另外，根据LCP问题的强对偶条件，可以得到式(25)的一阶最优性条件，如下所示。
Figure BDA0003109673850000161
其中，yequal、yinequal、ysecond和yregular分别表示等式约束、不等式约束、二阶旋转锥约束和正则锥约束的拉格朗日乘子。FTyequal+JTyinequal＝CxG表示原问题与对偶问题的强对偶条件。S*和R*分别表示S和R的对偶锥。
所述步骤(3)中，光伏充换电系统是通过调节倍率系数k(t)，来确定投标方案，进而影响电网的节点边际价格γ(t)。因此，在光伏充换电系统的运营中，k(t)被定义为决策变量。同时，由于光伏充换电系统的优化目标是最大化自身收益，因此可以将光伏充换电系统运营模型的效用函数UC表示如下。
Figure BDA0003109673850000162
其中，Psurplus(t)和Δt分别表示在t时刻光伏充换电系统售卖PV过剩产能的计划和调度间隔，同时，本实施例中Δt被设置为1h。另外，上式中a(t)Pswap(t)-b(t)Pswap(t)2/2这一项是通过对式(3)积分得到的，用来表示BSS为EV用户提供换电服务的收入。同时，上式中γ(t)Pd(t)这一项表示光伏充换电系统由于提供充电服务而向电网支付的费用，而Cpv(t)Psurplus(t)这一项表示光伏充换电系统将PV过剩产能卖给电网获得的收入。
进一步，为了研究光伏充换电系统与电网的运营交互，在这里引入SFE博弈问题，将光伏充换电系统与电网交互的SFE博弈问题定义如下：
F＝{C，SC，UC，G，SG，UG} (28)
其中，C与G分别表示光伏充换电系统与电网。SC与SG分别表示光伏充换电系统与电网的策略集合。UC与UG分别表示光伏充换电系统与电网的效用函数。
接下来，对于式(28)中定义的SFE博弈Γ，基于考虑WCVaR的电网运营模型的一阶最优性条件，可以将其转化为如下问题。值得一提的是，这种转换方法已经被广泛应用于电力系统的竞价-出清模式中。
Figure BDA0003109673850000171
其中，kmin和kmax分别表示倍率系数k(t)的下限和上限。
通过大量实验数据分析，发现考虑WCVaR风险在一定程度上可以帮助电网做出更为保守的决策。相比于其他风险管控手段而言，在最坏的情况下，考虑WCVaR得到的电网调度方案可以获得更高的收益，有效避免了收益风险，防止了低收益或损失情形的发生。这一发现将有助于电网的决策者在一定的风险值下，作出相应的决策，使电网的调度计划在最坏的情况下可以有更好的表现，有助于电网的安全经济运营，对电网调度计划的制定提供重要参考。
下面结合附图和实施例对本发明作进一步说明。
以IEEE-33节点测试系统为例，同时在节点23处接入光伏充换电系统。电力批发市场中一天各时段的电价变化情况取自美国加州电力市场。光伏充换电系统的调度时段为每天的16:00到第二天的15:00；此外，此处采用的启发式算法为鲸鱼优化算法(whaleoptimization algorithm，WOA)，进而对所提出的光伏充换电系统与电网交互的SFE博弈问题进行求解，其中种群规模和最大迭代次数分别设置为10和50。
实施例步骤如下：
步骤(0)：构建多个服从混合分布的光伏输出功率样本，根据光伏输出功率样本确定将光伏过剩产能卖给电网的电价，将其作为WCVaR中的随机变量：
由于在光伏充换电系统中接入了PV，导致其与电网之间的能量交互过程将会增加一个卖电的部分，即将PV过剩产能卖给电网。因此，将PV电价定义为Cpv(t)。值得一提的是，PV产能的电价水平是随着太阳辐射水平的提高而降低的。因此，PV电价的计算公式如下所示。
Figure BDA0003109673850000181
Cpv(t)＝Z·weight(t)，t∈[1，T]
如图1所示：步骤(1)：随机初始化多组倍率系数，每组倍率系数属于同一个调度周期，将光伏充换电系统愿意为充电负荷所支付的价格乘上每组倍率系数后得到的价格作为一个投标方案，得到多个光伏充换电系统上报到电网的投标方案：
针对光伏充换电系统而言，由于电网为光伏充换电系统提供充电服务，从而会向其收取充电费用，因此该费用所涉及的价格被定义为电网的节点边际价格γ(t)。另外，由于BSS为EV用户提供了更换电池的服务，因此需要收取换电费用，并将该费用所涉及的价格系数定义为换电价格Cswap(t)。同时，换电价格被定义为更换下来的空电池充电所需负荷的边际价格，即认为换电价格与充电所需负荷呈线性递减关系。
Cswap(t)＝a(t)-b(t)Pswap(t)，t∈[1，T]
除此之外，由于光伏充换电系统需要向电网上报自身的充电需求，因此可以采用投标曲线的方法。具体来说，在t时刻光伏充换电系统愿意为充电负荷Pd(t)而支付的价格，被定义为D(t)，同时结合k-参数化(k-parameterization)的方法，可以确定光伏充换电系统的投标曲线Cbid(t)，即通过调节倍率系数k(t)来调整投标方案，如下所示。
D(t)＝a(t)-b(t)Pd(t)，t∈[1，T]
Cbid(t)＝k(t)D(t)＝k(t)[a(t)-b(t)Pd(t)]，t∈[1，T]
步骤(2)：对于每个投标方案，以电网运营收益最大且风险最小为目标，构建基于WCVaR的电网运营模型，求解该电网运营模型，得到该投标方案对应的电网调度方案和电网节点边际价格方案：
针对电网而言，其需要调整自身从电力批发市场购买电能的买电计划、向光伏充换电系统供电的充电计划以及从光伏充换电系统购买PV过剩产能的买电计划，通过优化以上三者，也就是优化电网的调度方案，来使电网自身的收益最大化。因此，可以将电网运营模型的效用函数UG表示如下。
Figure BDA0003109673850000191
此外，为了保证电网的正常运营，还需要考虑相关的运营约束，包括功率平衡约束和安全性约束。对于功率平衡约束而言，意味着在调度时段内，电网的每一个节点i，其有功功率和无功功率的输入与输出必须保持平衡。对于安全性约束而言，意味着在调度时段内，电网每个节点处的电压幅值和每条支路处的电流幅值都必须在合理的上下限范围内，以保证电网运营的安全性。
另一方面，由于功率平衡约束式(10)是非线性和非凸的，因此会增大求解该电网运营模型的难度。因此，采用二阶旋转锥约束对式(13)进行松弛，如下所示。
Figure BDA0003109673850000192
此外，通过引入辅助变量
Figure BDA0003109673850000193
可以采用正则锥约束对电网运营模型作进一步松弛。
Figure BDA0003109673850000194
根据上式，可以进一步把电网运营模型转化为凸模型，如下所示。
Figure BDA0003109673850000195
Figure BDA0003109673850000196
另一方面，根据式(15)和有功功率平衡约束式(7)，可以看出电网需要统筹兼顾电力系统中的所有节点，保证每个节点有功功率输入与输出的平衡。同时，由式(1)和(2)可见，PV输出功率与其电价密切相关，进而会影响电网购买PV过剩产能的买电计划Psurplus(t)。因此，电网需要考虑光伏充换电系统处PV的接入，而PV的高不确定性又会给调度带来一定的困难，这意味着可以将WCVaR引入电网运营模型中。同时，将PV电价Cpv(t)定义为式(24)中的随机变量，并结合对偶理论，可以建立考虑WCVaR的电网运营模型，如下所示。
minθ
Figure BDA0003109673850000201
步骤(3)：对于每个投标方案，根据电网节点边际价格方案，计算光伏充换电系统的收益：
光伏充换电系统是通过调节倍率系数k(t)，来确定投标方案，进而影响电网的节点边际价格γ(t)。因此，在光伏充换电系统的运营中，k(t)被定义为决策变量。同时，由于光伏充换电系统的优化目标是最大化自身收益，因此可以将光伏充换电系统运营模型的效用函数UC表示如下。
Figure BDA0003109673850000202
进一步，为了研究光伏充换电系统与电网的运营交互，在这里引入SFE博弈问题，将光伏充换电系统与电网交互的SFE博弈问题定义如下：
Γ＝{C，SC，UC，G，SG，UG}
接下来，对于式(28)中定义的SFE博弈Γ，基于考虑WCVaR的电网运营模型的一阶最优性条件，可以将其转化为如下问题。值得一提的是，这种转换方法已经被广泛应用于电力系统的竞价-出清模式中。
Figure BDA0003109673850000211
Figure BDA0003109673850000212
如图2所示，步骤(4)：根据当前光伏充换电系统收益最大的投标方案对应的倍率系数，采用启发式算法中的邻域搜索机制来更新所有组的倍率系数，进而更新投标方案：
为了求解式(29)的复杂博弈问题，此处采用近年来提出的群体优化算法WOA进行求解。值得一提的是，WOA是基于座头鲸的三种狩猎行为而提出的，包括包围猎物行为、“螺旋向上”的bubble-net觅食策略以及搜索猎物行为。
首先，针对包围猎物行为，WOA算法假设当前最优可行解为目标猎物，在确定了最优解后，其他可行解根据其位置进一步更新自身位置，如下所示。
D＝|CX*(n)-X(n)|
X(n+1)＝X*(n)-AD
其中，n表示当前迭代次数。X*和X分别表示当前最优可行解和可行解的位置。此外，A和C表示系数，具体计算方法如下所示。
A＝2ar1-a
C＝2r2
Figure BDA0003109673850000213
其中，a的值从2到0线性减少。而r1和r2则都是(0，1)之间的随机数。Nmax表示最大迭代次数。
其次，针对“螺旋向上”的bubble-net觅食策略，WOA算法是以两种方法为基础的，即收缩包围机制和螺旋更新位置。值得一提的是，WOA算法的这种方法是同时进行的，即对于任一个种群个体，认为有概率p，会选择收缩包围机制，而有概率(1-p)，会选择螺旋更新位置，如下所示。
Figure BDA0003109673850000214
Dp＝|X*(n)-X(n)|
其中，Dp表示可行解与最优解之间的距离。b是一个常数，用以定义螺旋线的形状。l表示(-1，1)之间的随机数。
最后，针对搜索猎物行为，WOA算法随机选择某个可行解作为暂时的最优可行解，并更新其他可行解的位置，迫使其远离当前迭代的最优解，从而找到更优的可行解。因此，当|A|＞1时，WOA算法强制使可行解远离当前迭代的最优解，从而实现全局搜索，如下所示。
D＝|CXrand-X(n)|
X(n+1)＝Xrand-AD
同时，此处将基于WOA算法的考虑WCVaR的光伏充换电系统与电网交互的SFE博弈问题的求解流程展示如图2所示。
如图3～图8所示：步骤(5)：重复步骤(2)～(4)，直至达到预设次数，输出当前光伏充换电系统收益最大的投标方案对应的电网调度方案：
基于WOA算法，可以得到在不同风险值下，电网的调度计划。此处将风险规避因子A0分别设置为0.2和0.01进行对比，即Case 1：(0.8×UG，0.2×WCVaR)和Case 2：(0.99×UG，0.01×WCVaR)，两种情况的收敛曲线展示如图3所示。
可以看出，在Case 1中光伏充换电系统最终可以得到更高的收益，即￥8.0129×103，明显高于在Case 2中获得的收益￥7.1109×103。在Case 1中A0设置为0.2，表示考虑UG和WCVaR的权重分别为0.8和0.2，在这种情况下，电网可以获得￥0.3865×103的收益，而在Case 2中A0只有0.01，可以认为是不考虑WCVaR风险，此时电网的收益为￥1.2829×103。因此，可以看出考虑WCVaR风险时，电网在一定的风险值下所作出的决策是较为保守的，在最小化WCVaR风险的同时，也使得电网从光伏充换电系统处获取费用的能力随之下降，进而使光伏充换电系统可以更好地相应电网的边际节点价格，提高光伏充换电系统自身的收益。
同时，此处将Case 1求解得到的倍率系数k(t)的方案展示如图4所示。可以看出，光伏充换电系统是通过调节自身的倍率系数k(t)，进而影响电网的边际节点价格，最终确定了最优的投标方案，从而使自身和电网二者的收益最大化。另外，此处将最终确定的边际节点价格方案，以及最坏情况下所对应的PV电价方案，展示如图5所示。值得一提的是，由于在夜间的太阳辐射为0，不存在PV过剩产能的交易，因此将20:00到次日7:00这段时间内的PV电价也设置为0。
此外，由于传统的风险管理手段还有条件风险价值，即CVaR。因此，此处将CVaR引入光伏充换电系统与电网交互的运营模型中，并与考虑WCVaR风险的情况进行对比。其中，此处考虑混合模型中权重系数最高的三个部件，并分别基于这三个部件求解考虑CVaR的光伏充换电系统与电网交互的SFE博弈问题，结果分别用CVaR1、CVaR2和CVaR3表示，并将其与WCVaR结果的迭代曲线对比展示如图6所示。同时，考虑了WCVaR风险的迭代曲线的变化范围较小，在与考虑了CVaR风险的迭代曲线对比时，前者并不能很好地展示出来。此处将其单独展示图6的子图中，可以看出该迭代曲线确实有在迭代的过程中，逐渐达到收敛。
因此，由图6可以看出，考虑了WCVaR风险的模型，求解后使得光伏充换电系统可以获得更高的收益，即￥8.0129×103。而考虑CVaR风险的模型，光伏充换电系统能够获得的收益则降低了，分别只能获得￥5.6739×103、￥6.4734×103和￥7.9484×103的收益。同时，在考虑WCVaR风险的模型中，最终获得的电网收益为￥0.3865×103。而对于引入CVaR风险的模型而言，电网的收益在一定程度上则提高了，基于CVaR1、CVaR2和CVaR3的模型分别能够获得￥2.7270×103、￥1.9200×103和￥0.4513×103的收益。这是由于WCVaR是基于最坏情况下计算得到的条件风险价值，相比于CVaR而言，WCVaR考虑的是混合分布中每一个部件所计算得到的CVaR的最大值，即式(21)所示。考虑了WCVaR的电网运营模型，比考虑CVaR时所做的决策更为保守，导致其收益降低，而相对来说，光伏充换电系统的收益则提高了。
同时，此处将WCVaR与CVaR的具体结果对比展示如表1所示。
表1考虑WCVaR与CVaR的结果对比
Figure BDA0003109673850000241
其中，WUG表示考虑CVaR风险时，求解SFE博弈问题得到的调度方案(即电网从电力批发市场购买电能的买电计划、向光伏充换电系统提供充电服务的充电计划以及从光伏充换电系统处购买PV过剩产能的买电计划)，并将该调度方案应用于最坏情况下计算得到的电网效用。
由表1可以看出，基于CVaR1、CVaR2和CVaR3的模型，求解得到的电网调度方案，虽然在部分情况下提高了电网的效用值，但是并不能很好地适应最坏的情况。在最坏的情况下，考虑CVaR1、CVaR2和CVaR3的电网调度方案分别只能获得￥0.1999×103、￥0.3721×103和￥0.3091×103的电网收益，显著低于考虑WCVaR时获得的电网收益，即￥0.3865×103。
综上所述，可以看出，相比于不考虑风险值和考虑CVaR风险而言，考虑WCVaR风险可以帮助电网作出更为保守的决策，虽然降低了其从光伏充换电系统处获取费用的能力，但是在一定程度上能够更好地适应最坏的情况。
表2 Case 1-11的对比
Figure BDA0003109673850000242
Figure BDA0003109673850000251
另一方面，由于WCVaR风险的引入是与其风险规避因子A0相关的，代表了电网决策者权衡其效用值与WCVaR风险的权重。此处基于不同的A0值，设置了十一种情况并展开对比，结果如表2和图7所示。
因此可以得到，在该十一种情况中，每一种权重组合最后获得的电网和光伏充换电系统二者的收益情况，以及收敛曲线对比情况。值得注意的是，Case 2的收敛曲线即A0＝0.01，处于十一条曲线的最下方，最终得到的光伏充换电系统的收益为￥7.1109×103。而Case 11的收敛曲线，即A0＝0.99，处于十一条曲线的最上方，光伏充换电系统最终获得的收益为￥11.6225×103。
进一步，此处将Case 1-11中，每一种权重组合的光伏充换电系统和电网二者的收益进行对比，如图8所示。可以看出，随着A0值的增大，光伏充换电系统的收益也随之增加，同时，电网的收益则随之降低。这是由于在光伏充换电系统与电网交互的SFE模型中，根据图2所示，个体评估的过程是先由电网对自身的买电和充电计划进行优化。如式(25)所示，在此过程中，电网需要考虑其自身的效益和WCVaR风险分别占的权重，及考虑风险规避因子A0的设置。接着，光伏充换电系统根据电网的优化结果，对自身进行收益的评估。因此，若电网将风险所占的比重设置过高，即偏向于最小化WCVaR，这会导致电网最大化自身收益的能力下降，进而使光伏充换电系统更好地响应电网的决策，使自身的收益提升。
因此，可以得到以下结论，进而为电网的决策者制定调度方案提供一定的参考价值：
(1)考虑CVaR风险得到的调度方案，尽管在部分情况下可以提高电网的效用值，然而这些方案却不能适应最坏的情况。同时，由于WCVaR风险是基于最坏情况下计算得到的CVaR风险，相比于CVaR风险而言，考虑WCVaR风险可以更好地帮助电网作出更为保守的决策，在最坏的情况下，该调度方案可以获得更高的收益，这无疑是更好的表现。
(2)如果电网的决策者更偏向于最小化风险值，即更偏向于规避风险，那么可以设置较高的风险规避因子A0，此时会导致电网最大化自身收益的能力降低。
(3)如果电网的决策者更偏向于最大化自身收益，则可以设置较低的风险规避因子A0，进而会导致电网从光伏充换电系统获取费用的能力提高，从而使光伏充换电系统响应电网边际节点价格方案的能力降低，其收益减少。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于WCVaR风险分析的电网调度优化方法，所述电网与光伏充换电系统之间能量交互，其特征在于，该方法包括：
S0.构建多个服从混合分布的光伏输出功率样本，根据光伏输出功率样本确定将光伏过剩产能卖给电网的电价，将其作为WCVaR中的随机变量；
S1.随机初始化多组倍率系数，每组倍率系数属于同一个调度周期，将光伏充换电系统愿意为充电负荷所支付的价格乘上每组倍率系数后得到的价格作为一个投标方案，得到多个光伏充换电系统上报到电网的投标方案；
S2.对于每个投标方案，以电网运营收益最大且风险最小为目标，构建基于WCVaR的电网运营模型，求解该电网运营模型，得到该投标方案对应的电网调度方案和电网节点边际价格方案；
S3.对于每个投标方案，根据电网节点边际价格方案，计算光伏充换电系统的收益；
S4.根据当前光伏充换电系统收益最大的投标方案对应的倍率系数，采用启发式算法中的邻域搜索机制来更新所有组的倍率系数，进而更新投标方案；
S5.重复步骤S2～S4，直至达到预设次数，输出当前光伏充换电系统收益最大的投标方案对应的电网调度方案。
2.如权利要求1所述的方法，其特征在于，从混合分布
Figure FDA0003109673840000011
Figure FDA0003109673840000012
中采样光伏输出功率样本；
其中，Ppv(t)表示在t时刻的光伏输出功率，m和M分别表示混合分布中的第m个部件和部件总个数；ωm和Nm(·)分别表示混合分布中第m个部件的权重系数和第m个高斯部件；μm和σm分别表示第m个高斯部件所对应的均值和方差。
3.如权利要求1所述的方法，其特征在于，随机初始化的光伏充换电系统上报到电网的投标方案符合如下投标曲线：
Cbid(t)＝k(t)[a(t)-b(t)Pd(t)]，t∈[1，T]
其中，Cbid(t)表示投标曲线，k(t)表示t时刻倍率系数，a(t)表示光伏充换电系统t时刻最大允许的充电价格，b(t)表示线性关系的正系数，Pd(t)表示光伏充换电系统在t时刻的充电负荷，T表示调度总时长。
4.如权利要求1所述的方法，其特征在于，所述以电网运营收益最大且风险最小为目标，构建基于WCVaR的电网运营模型，具体如下：
目标函数为：
Figure FDA0003109673840000021
约束条件包括：
每个电网节点有功功率输入与输出平衡约束；
每个电网节点无功功率输入与输出平衡约束；
每个电网节点电压安全性约束；
每条电网支路电流安全性约束；
二阶旋转锥约束：
Figure FDA0003109673840000022
正则锥约束：
Figure FDA0003109673840000023
WCVaR约束：
Figure FDA0003109673840000024
其中，θ表示按照一定的风险规避因子，将各个部件的电网效用值和WCVaR风险值分别加权求和后得到的最大值，即优化的目标即为最小化成本的最大值，其中成本包括电网效用值与WCVaR风险值两个部分，A0表示风险规避因子，S表示样本总个数，UG，m，s表示通过第m个部件的第s个样本计算得到的电网运营收益，β表示置信水平，π0表示离散分布，
Figure FDA0003109673840000031
和
Figure FDA0003109673840000032
表示常数向量，um、εm、zm、ξm和wm表示与第m个部件相关的辅助变量，lij(t)表示支路ij的电流平方，Pij(t)和Qij(t)分别表示从节点i流入节点j的有功功率和无功功率，E和B分别表示电网支路集和电网节点集，vi(t)表示节点i电压幅值的平方，Pd(t)表示电网在t时刻向光伏充换电系统供电的充电计划，
Figure FDA0003109673840000033
表示辅助变量，eT表示单位向量，um，s表示与第m个部件的第s个样本相关的辅助变量。
5.如权利要求3所述的方法，其特征在于，所述电网运营收益的计算公式如下：
Figure FDA0003109673840000034
其中，Pd(t)表示电网在t时刻向光伏充换电系统供电的充电计划，
Figure FDA0003109673840000035
表示辅助变量，Cretail(t)表示电力批发市场在t时刻的批发价格，PG(t)表示电网在t时刻从电力批发市场购买电能的买电计划，Cpv(t)表示光伏电价，Psurplus(t)表示在t时刻电网从光伏充换电系统处购买光伏过剩产能的买电计划，Δt表示调度间隔。
6.如权利要求5所述的方法，其特征在于，光伏过剩产能卖给电网的电价的计算公式如下：
Cpv(t)＝Z*weight(t)，t∈[1，T]
Figure FDA0003109673840000036
其中，Z表示光伏过剩产能卖给电网的电价标准值，weight(t)和P0分别表示在t时刻光伏电价的价格系数和光电场的装机容量，Ppv(t)表示在t时刻的光伏输出功率，T表示调度总时长。
7.如权利要求3所述的方法，其特征在于，所述根据电网节点边际价格方案，计算光伏充换电系统的收益，计算公式如下：
Figure FDA0003109673840000041
其中，Psurplus(t)和Δt分别表示在t时刻光伏充换电系统售卖光伏过剩产能的计划和调度间隔，Pswap(t)表示更换下来的空电池充电所需负荷，a(t)Pswap(t)-b(t)Pswap(t)2/2表示换电站BSS为EV用户提供换电服务的收入，γ(t)表示电网节点边际价格，γ(t)Pd(t)表示光伏充换电系统由于提供充电服务而向电网支付的费用，Cpv(t)Psurplus(t)表示光伏充换电系统将光伏过剩产能卖给电网获得的收入。
8.一种基于WCVaR风险分析的电网调度优化系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至7任一项所述的基于WCVaR风险分析的电网调度优化方法。
CN202110646043.7A 2021-06-10 2021-06-10 一种基于WCVaR风险分析的电网调度优化方法和系统 Active CN113435714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110646043.7A CN113435714B (zh) 2021-06-10 2021-06-10 一种基于WCVaR风险分析的电网调度优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110646043.7A CN113435714B (zh) 2021-06-10 2021-06-10 一种基于WCVaR风险分析的电网调度优化方法和系统

Publications (2)

Publication Number Publication Date
CN113435714A true CN113435714A (zh) 2021-09-24
CN113435714B CN113435714B (zh) 2022-08-02

Family

ID=77755514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110646043.7A Active CN113435714B (zh) 2021-06-10 2021-06-10 一种基于WCVaR风险分析的电网调度优化方法和系统

Country Status (1)

Country Link
CN (1) CN113435714B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120310548A1 (en) * 2011-05-31 2012-12-06 Nec Corporation Environment risk analysis system and method of analyzing environment risk
CN107464010A (zh) * 2017-06-29 2017-12-12 河海大学 一种虚拟电厂容量优化配置方法
CN108053057A (zh) * 2017-11-29 2018-05-18 国网江苏省电力公司盐城供电公司 一种基于CVaR的虚拟电厂优化调度建模方法
CN111092455A (zh) * 2019-11-19 2020-05-01 国网江苏省电力有限公司电力科学研究院 一种储能系统与已恢复机组联合运行的负荷恢复优化方法
CN111476647A (zh) * 2020-03-31 2020-07-31 国网安徽省电力有限公司合肥供电公司 基于最差条件风险价值的储能聚合商投标方法
CN111489102A (zh) * 2020-04-28 2020-08-04 吉林科创电力有限公司 一种基于条件风险价值模型的配电网电压安全性评估方法
CN112036611A (zh) * 2020-08-12 2020-12-04 国网山东省电力公司经济技术研究院 一种计及风险的电网优化规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120310548A1 (en) * 2011-05-31 2012-12-06 Nec Corporation Environment risk analysis system and method of analyzing environment risk
CN107464010A (zh) * 2017-06-29 2017-12-12 河海大学 一种虚拟电厂容量优化配置方法
CN108053057A (zh) * 2017-11-29 2018-05-18 国网江苏省电力公司盐城供电公司 一种基于CVaR的虚拟电厂优化调度建模方法
CN111092455A (zh) * 2019-11-19 2020-05-01 国网江苏省电力有限公司电力科学研究院 一种储能系统与已恢复机组联合运行的负荷恢复优化方法
CN111476647A (zh) * 2020-03-31 2020-07-31 国网安徽省电力有限公司合肥供电公司 基于最差条件风险价值的储能聚合商投标方法
CN111489102A (zh) * 2020-04-28 2020-08-04 吉林科创电力有限公司 一种基于条件风险价值模型的配电网电压安全性评估方法
CN112036611A (zh) * 2020-08-12 2020-12-04 国网山东省电力公司经济技术研究院 一种计及风险的电网优化规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张虹 等: "基于WCVaR评估的微电网供需协同两阶段日前优化调度", 《电力系统自动化》 *

Also Published As

Publication number Publication date
CN113435714B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Naval et al. Virtual power plant models and electricity markets-A review
Chen et al. Optimal allocation and economic analysis of energy storage system in microgrids
Chen et al. Research on day-ahead transactions between multi-microgrid based on cooperative game model
CN109713673B (zh) 售电环境下并网型微电网系统配置及优化运行的方法
CN110635518B (zh) 一种基于光伏高渗透率的源网荷储优化方法
Park et al. Peer-to-peer trading-based efficient flexibility securing mechanism to support distribution system stability
CN111311012A (zh) 基于多智能体的微电网电力市场双层竞价优化方法
Yan et al. Peer-to-Peer transactive energy trading of multiple microgrids considering renewable energy uncertainty
CN110956324A (zh) 基于改进的moea/d的主动配电网日前高维目标优化调度方法
Mukhopadhyay et al. Optimal multi-objective long-term sizing of distributed energy resources and hourly power scheduling in a grid-tied microgrid
Dixit et al. Energy Management in Microgrids with Renewable Energy Sources and Demand Response
Park et al. Prosumer energy management considering contract with consumers under progressive pricing policy
Kumari et al. Integration of solar and flexible resources into expected security cost with dynamic optimal power flow problem using a Novel DE algorithm
CN113690875B (zh) 一种微网实时互动等值模型建立方法
CN113435714B (zh) 一种基于WCVaR风险分析的电网调度优化方法和系统
Cheng et al. Multi-time scale energy management of microgrid considering the uncertainties in both supply and demand
Ziegler et al. Technical integration of virtual power plants enhanced by energy storages into German system operation with regard to following the schedule in intra-day
Chen et al. Value stacking of a behind-the-meter utility-scale battery for demand response markets and demand charge management: real-world operation on the UC San Diego campus
CN111478325B (zh) 一种氢-电混合储能微电网能量调度方法及系统
Han et al. Security constrained distributed transaction model for multiple prosumers
Fiorotti et al. A novel strategy for simultaneous active/reactive power design and management using artificial intelligence techniques
CN113255957A (zh) 综合服务站不确定因素的定量优化分析方法及系统
Negmetzhanov et al. Peer-to-Peer Bundled Energy Trading with Game Theoretic Approach
Ramos et al. Sharing PV Generation in Apartment Buildings Considering Centralized Energy Storage System
Fu et al. Two-stage load-source coordination for multi-microgrid system: A joint approach of demand response and peer-to-peer transaction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant