CN114611754A - 一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法 - Google Patents

一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法 Download PDF

Info

Publication number
CN114611754A
CN114611754A CN202210120824.7A CN202210120824A CN114611754A CN 114611754 A CN114611754 A CN 114611754A CN 202210120824 A CN202210120824 A CN 202210120824A CN 114611754 A CN114611754 A CN 114611754A
Authority
CN
China
Prior art keywords
risk
energy storage
vpp
model
renewable energy
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.)
Pending
Application number
CN202210120824.7A
Other languages
English (en)
Inventor
蒋方帅
曹俊波
杨秀
刘方
周志华
左鹿原
蒋家富
徐耀杰
原玮敏
张�浩
汤金璋
李承泽
刘欣雨
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.)
China Huadian Group Co ltd Shanghai Branch
Shanghai Fengxian Gas Turbine Power Generation Co ltd
Shanghai Electric Power University
Original Assignee
China Huadian Group Co ltd Shanghai Branch
Shanghai Fengxian Gas Turbine Power Generation Co ltd
Shanghai Electric Power University
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 China Huadian Group Co ltd Shanghai Branch, Shanghai Fengxian Gas Turbine Power Generation Co ltd, Shanghai Electric Power University filed Critical China Huadian Group Co ltd Shanghai Branch
Priority to CN202210120824.7A priority Critical patent/CN114611754A/zh
Publication of CN114611754A publication Critical patent/CN114611754A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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

Landscapes

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

Abstract

本发明涉及一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，应用于分布式电源与储能组成的VPP优化调度中，包括：依据条件风险价值定义运行风险，将运行风险分为弃可再生能源风险和失负荷风险两类，并对分类后的风险进行分段线性化处理；对分布式电源与储能组成的VPP构建计及风险的两阶段鲁棒优化调度模型，并基于分段线性化处理结果对两个阶段模型设定约束条件；对模型进行求解，确定鲁棒模型不确定集，并制定调度方案。与现有技术相比，本发明具有能够利用可再生能源出力的概率分布信息，实现调度计划风险准确定量分析等优点。

Description

一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法
技术领域
本发明涉及分布式电源技术领域，尤其是涉及一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法。
背景技术
随着世界能源危机、全球气候变化等一系列问题的日益突出，大力发展可再生能源成为了世界各国能源战略部署的共同选择。其中，分布式电源，特别是分布式可再生能源，由于灵活、环保、经济的特点获得了大规模应用。然而，分布式电源也存在容量小、具有间断性和随机性、难以管理等问题，给其并网运行带来了挑战。为了解决这些问题，虚拟电厂(virtual power plant，VPP)的概念应运而生。VPP通过先进的控制、计量、通信等技术聚合分布式电源、储能等电力资源，并通过更高层面的软件构架实现各类资源的协调优化运行。VPP的建立可以有效减小分布式电源并网对配电网造成的冲击，提高系统运行的稳定性。
目前通过对VPP进行经济性分析，得出协同多种电力资源可以获得更大的收益。通过研究VPP与电网的日内互动机制，通过调整VPP内部的可调资源，可保证VPP满足电网的调整计划。还有研究考虑了售电侧放开对VPP需求响应的影响，提出了VPP的竞价策略。以及将电动汽车视为VPP中的储能资源，并对其多时间尺度的响应能力进行的评估。以上研究均建立了确定性模型。然而，VPP中往往分布着大量的分布式可在生能源，如风电、光伏等，其不确定性造成了VPP的调度运行的困难。为了应对可再生能源的不确定性，鲁棒优化方法由于不需要大量采样，并且可以满足所有随机场景的运行约束，因而得到了广泛应用。目前，已有技术采用鲁棒优化方法刻画了VPP中风电的不确定性，提出了VPP的鲁棒竞价模型。另外，还有基于鲁棒优化对VPP日内调度问题进行的研究，研究的算例结果表明采用鲁棒优化方法可减小实际日运行成本并提高优化策略的鲁棒性。另外还有文献提出了日前分布式资源鲁棒聚合和日内滚动修正衔接的VPP在线等值技术，并构建了考虑差异化调峰需求的VPP与电网的交互调度模式。
然而，上述的传统鲁棒优化模型存在两方面的不足。一方面，该方法难以确定合适的不确定集。当不确定集过大时，调度策略将会非常保守；反之，又会过于激进。另一方面，该方法无法利用可再生能源出力的概率分布信息，亦不能对调度计划的风险进行定量分析。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法。
本发明的目的可以通过以下技术方案来实现：
一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，应用于分布式电源与储能组成的VPP优化调度中，该方法包括：
依据条件风险价值定义运行风险，将运行风险分为弃可再生能源风险和失负荷风险两类，并对分类后的风险进行分段线性化处理；
对分布式电源与储能组成的VPP构建计及风险的两阶段鲁棒优化调度模型，并基于分段线性化处理结果对两个阶段模型设定约束条件；
对模型进行求解，确定鲁棒模型不确定集，并制定调度方案。
其中，所述弃可再生能源风险和所述失负荷风险的计算式为：
Figure BDA0003498117870000021
Figure BDA0003498117870000022
式中：
Figure BDA0003498117870000023
与
Figure BDA0003498117870000024
分别为弃可再生能源风险与失负荷风险，
Figure BDA0003498117870000025
为可再生能源机组容量，ξ与Pr(ξ)分别为可再生能源出力及其可再生能源的概率密度函数，
Figure BDA0003498117870000026
和
Figure BDA0003498117870000027
分别为可再生能源机组r在t时刻的预测出力不会给VPP带来运行风险的出力上边界与下边界。
对分类后的风险进行分段线性化处理后的表达式为
Figure BDA0003498117870000028
Figure BDA0003498117870000029
式中：s为分段线性化的段数，
Figure BDA00034981178700000210
与
Figure BDA00034981178700000211
分别为线性化约束的系数。
在本发明中，计及风险的两阶段鲁棒优化调度模型中，第一阶段模型的目标函数为最小化可再生能源不确定性给VPP带来的运行风险，表达式为：
Figure BDA0003498117870000031
式中：T与R分别为分布式电源与储能组成的VPP优化调度问题的时间集合与VPP中可再生能源机组集合，Ccur与Closs分别为单位弃可再生能源惩罚与单位失负荷惩罚，按照上述目标函数得到第一阶段的不确定集，
Figure BDA0003498117870000032
与
Figure BDA0003498117870000033
分别为弃可再生能源风险与失负荷风险。
第一阶段模的约束条件包括分类后的风险进行分段线性化处理的约束条件及不确定集边界约束条件，所述不确定集边界约束条件为可再生能源机组r在t时刻的预测出力不会给VPP带来运行风险的出力上边界与下边界约束条件，表达式为：
Figure BDA0003498117870000034
式中：
Figure BDA0003498117870000035
和
Figure BDA0003498117870000036
分别为可再生能源机组r在t时刻的预测出力不会给VPP带来运行风险的出力上边界与下边界，
Figure BDA0003498117870000037
为可再生能源机组r在t时刻的预测出力不会给VPP带来运行风险的出力上边界的最大值。
在本发明中，计及风险的两阶段鲁棒优化调度模型中，第二阶段模的目标函数为在第一阶段确定的不确定集中找到最恶劣的运行场景，并最小化最恶劣的运行场景下的运行成本。最恶劣的运行场景下的运行成本包括配电网的购电成本、VPP内部的常规发电机组出力成本与储能运行成本。
第二阶段模型的目标函数为双层形式，表达式为：
Figure BDA0003498117870000038
式中：G与E分别为VPP中常规发电机组集合与储能装置集合，Cb与Pb,t分别为VPP向上级配电网的单位购电成本与购电量，Cg与Pg,t分别为常规发电机组的单位发电成本与发电量，
Figure BDA0003498117870000039
与
Figure BDA00034981178700000310
分别为储能装置单位充电成本与充电量，
Figure BDA00034981178700000311
与
Figure BDA00034981178700000312
分别为储能装置单位放电成本与放电量。
第二阶段模型的约束条件包括功率平衡约束、购电约束、常规发电机组出力及爬坡约束、储能装置的功率与能量约束和可再生能源出力约束。
进一步地，本发明采用列约束生成算法，通过主子问题迭代的形式对模型进行求解。
本发明相较于现有技术至少包括如下有益效果：
本发明以应对分布式可再生能源的不确定性对虚拟电厂运行带来的影响建立了计及风险的两阶段鲁棒优化调度模型，并利用了可再生能源出力的概率分布信息，模型的第一阶段对鲁棒模型的不确定集进行优化，同时评估弃可再生能源风险与失负荷风险；第二阶段则在优化的不确定集内寻找最恶劣的运行场景，并对该场景下的虚拟电厂运行成本进行优化。两阶段模型协同求解，可以确定合适的鲁棒模型不确定集，制定应对最恶劣运行场景的调度方案，可实现对调度计划风险的准确的定量分析，并保证虚拟电厂运行的经济性与安全性。通过对两类风险进行线性化，所提模型可采用目前最先进的列约束生成算法进行求解，算例分析验证了所提模型的有效性。
附图说明
图1为实施例中可再生能源出力概率密度曲线示意图；
图2为实施例中购电成本及负荷曲线示意图；
图3为实施例中储能的能量与功率示意图；
图4为实施例中忽略分时电价与约束(16)时储能的能量与功率；
图5为实施例中三种单位失负荷惩罚下四个风电机组的出力下界；
图6为实施例中虚拟电厂购电区间。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
为了解决传统鲁棒优化模型存在的不足，已有文献将概率分布函数引入两阶段鲁棒优化，并将不确定集边界设置为优化变量而非事先设定的常数，进而定量分析了调度计划的运行风险。也有文献分别在多区交直流混连系统与输配耦合电力系统中应用了这一思想。本发明提供一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，该方法将鲁棒优化与风险相结合，并应用于由分布式电源与储能组成的VPP优化调度问题中，进而构建了一种计及风险的两阶段鲁棒优化调度模型。该模型第一阶段优化了鲁棒模型的不确定集，并量化了相应的运行风险；第二阶段则优化了最恶劣场景下的运行成本。两阶段模型协同求解，可实现VPP运行经济性与安全性的平衡。
本发明提出的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，首先依据条件风险价值(conditional value-at-risk，CVaR)的概念定义运行风险，并将其分为弃可再生能源风险和失负荷风险两类。
图1给出了一般性的可再生能源出力概率密度曲线。图中，Ar,t表示可再生能源机组r的预测出力，t为时刻，即Ar,t表示可再生能源机组r在t时刻的预测出力；
Figure BDA0003498117870000051
和
Figure BDA0003498117870000052
分别表示其不会给VPP带来运行风险的出力上边界与下边界。而当可再生能源出力大于
Figure BDA0003498117870000053
时，由于出力过剩，则会导致弃可再生能源风险；反之，当其出力小于
Figure BDA0003498117870000054
时，VPP发电资源不足，则会导致失负荷风险。
式(1)与式(2)基于CVaR分别给出了弃可再生能源风险和失负荷风险的计算公式：
Figure BDA0003498117870000055
Figure BDA0003498117870000056
式中：
Figure BDA0003498117870000057
与
Figure BDA0003498117870000058
分别为弃可再生能源风险与失负荷风险，
Figure BDA0003498117870000059
为可再生能源机组容量，ξ与Pr(ξ)分别表示可再生能源出力及其概率密度函数。
由于式(1)-(2)为积分形式的强非线性约束，为了提高优化模型的求解效率，本发明对上述两个约束进行了分段线性化，对上述两个约束进行分段线性化的方法可采用现有技术，例如文献ZHANG Ning，KANG Chongqing,XIA Qing.et al.A convex model of risk-based unit commitment for day-ahead market clearing considering wind poweruncertainty中的方法等。按照此方法得到的分段线性化结果如式(3)-(4)所示：
Figure BDA00034981178700000510
Figure BDA00034981178700000511
式中：s表示分段线性化的段数，
Figure BDA00034981178700000512
与
Figure BDA00034981178700000513
为线性化约束的系数。
本发明方法面向由分布式电源与储能组成的VPP，还提出了一种计及风险的两阶段鲁棒优化调度模型。为了解决传统鲁棒优化模型难以确定合适不确定集的难题，该模型的第一阶段对鲁棒优化模型不确定集的边界进行了优化，并最小化了相应的运行风险。而第二阶段则在优化的不确定集内寻找最恶劣的运行场景，并对该场景下的VPP运行成本进行优化。两阶段模型协同求解，可以确定合适的鲁棒模型不确定集，并制定应对最恶劣运行场景的调度方案，保证VPP运行的经济性与安全性。需要说明的是，本发明方法所针对的是日内调度问题，可参考现有技术将调度时间间隔设置为1h。
在本发明中，第一阶段模型的目标函数为最小化可再生能源不确定性给VPP带来的运行风险，具体如式(5)所示。
Figure BDA0003498117870000061
式中：T与R分别表示所研究问题的时间集合与VPP中可再生能源机组集合，Ccur与Closs分别为单位弃可再生能源惩罚与单位失负荷惩罚。
第一阶段模型的约束条件包括约束(3)-(4)与(6)，其中式(6)约束了不确定集边界
Figure BDA0003498117870000062
和
Figure BDA0003498117870000063
的取值范围。
Figure BDA0003498117870000064
式中，
Figure BDA0003498117870000065
为可再生能源机组r在t时刻的预测出力不会给VPP带来运行风险的出力上边界的最大值。
在本发明中，第二阶段模型在第一阶段确定的不确定集中找到最恶劣的运行场景，并最小化该场景下的运行成本，包括向配电网的购电成本、VPP内部的常规发电机组出力成本与储能运行成本。第二阶段的目标函数为双层形式，具体如式(7)所示。
Figure BDA0003498117870000066
式中：G与E分别表示VPP中常规发电机组集合与储能装置集合，Cb与Pb,t分别为VPP向上级配电网的单位购电成本与购电量，Cg与Pg,t分别为常规发电机组的单位发电成本与发电量，
Figure BDA0003498117870000067
与
Figure BDA0003498117870000068
分别为储能装置单位充电成本与充电量，
Figure BDA0003498117870000069
与
Figure BDA00034981178700000610
分别为储能装置单位放电成本与放电量。
第二阶段模型的约束条件具体如下所示。
1)功率平衡约束：
Figure BDA0003498117870000071
式中：D表示VPP中负荷集合，Pr,t与Pd,t分别为可再生能源出力与负荷量。
2)购电约束：
Figure BDA0003498117870000072
式中：
Figure BDA0003498117870000073
与
Figure BDA0003498117870000074
分别为VPP向上级配电网购电量的上下限。当
Figure BDA0003498117870000075
取值为负值时，表示VPP可以向配电网发送功率，从而起到电厂的效果。
3)常规发电机组出力及爬坡约束：
Figure BDA0003498117870000076
Figure BDA0003498117870000077
式中：
Figure BDA0003498117870000078
为发电机组容量，ΔP为相邻时刻间发电机组的爬坡速率。
4)储能装置的功率与能量约束：
Figure BDA0003498117870000079
Figure BDA00034981178700000710
Figure BDA00034981178700000711
Figure BDA00034981178700000712
Figure BDA00034981178700000713
式中：Pe c max与Pe d max分别为储能装置充电与放电的最大功率，
Figure BDA00034981178700000716
与
Figure BDA00034981178700000717
分别为储能装置充电与放电效率，Ee,t为储能装置存储的电量，
Figure BDA00034981178700000718
与
Figure BDA00034981178700000719
分别为储能装置存储电量的最小值与最大值，Ee,|T|表示所研究的最后一个时刻储能装置的电量。为方便下个研究时间区间内储能的调度运行，约束(16)表示所研究时间区间内，末时刻储能装置的能量需与初始时刻储能装置的能量Ee,0相同。
5)可再生能源出力约束：
Figure BDA00034981178700000720
Figure BDA00034981178700000721
式中：
Figure BDA00034981178700000722
表示可再生能源的预测出力，
Figure BDA00034981178700000723
与
Figure BDA00034981178700000724
为描述可再生能源出力不确定性的辅助变量，取值为0-1之间。式(17)-(18)构成了该鲁棒模型的不确定集。需要说明的是，由于式(17)要求不确定集内所有可能的可再生能源出力均需全额消纳，同时第二阶段目标函数(7)中最小化了储能装置的充放电成本，因此根据现有技术，可以省略表征储能装置充放电状态的二进制变量。
由于本发明所建立的第二阶段模型为max-min双层形式，商用求解器无法直接求解。为了解决这一问题，可采用目前最先进的列约束生成(column-and-constraintgeneration，C&CG)算法，通过主子问题迭代的形式对模型进行求解。为了更好地说明C&CG算法的求解过程，将所提出的两阶段模型写为式(19)-(22)所示的紧凑形式。其中，式(19)为两阶段问题总目标函数，式(20)为第一阶段约束，式(21)-(22)为第二阶段约束。
Figure BDA0003498117870000081
s.t.Fx≤f (20)
Figure BDA0003498117870000082
Kz≤k (22)
式中：x与y分别表示第一阶段与第二阶段问题优化变量的向量形式，其中，第一阶段问题变量包括
Figure BDA0003498117870000083
和
Figure BDA0003498117870000084
第二阶段问题变量包括Pb,t、Pg,t、
Figure BDA0003498117870000085
Pr,t与Ee,t；cx与cy分别表示目标函数中相应的系数向量；z表示描述可再生能源出力不确定性的辅助向量；F、H、I、J、K为约束条件中与优化变量相关的系数矩阵；f、h、k为约束条件中的系数向量；符号“
Figure BDA0003498117870000086
”表示哈达玛积。
C&CG算法中的主问题包含第一阶段模型以及根据第二阶段模型寻找到的最恶劣运行场景约束，第i次迭代过程中的主问题可以用式(23)-(26)表示。
min(cx)Tx+η (23)
s.t.Fx≤f (24)
Figure BDA0003498117870000087
Figure BDA0003498117870000088
式中：η为待优化的第二阶段目标函数值；y(j)为主问题增加的决策变量，用以构建第j次迭代找到的最恶劣运行场景下第二阶段问题的目标函数与运行约束；
Figure BDA0003498117870000089
表征第j次迭代中子问题寻找到的最恶劣运行场景。
C&CG算法中的子问题为第二阶段双层max-min问题，可通过强对偶理论转化为单层的最大化问题，第i次迭代过程中的子问题可用式(27)-(30)表示。
Figure BDA0003498117870000091
s.t.(H)Tξ≤cy (28)
ξ≤0 (29)
Kz≤k (30)
式中：
Figure BDA0003498117870000092
为第i次迭代中主问题优化得到的第一阶段问题决策变量最优值；ξ为第二阶段约束条件的对偶乘子。转化后的子问题中含有双线性项zTξ，因此需要对其进行处理。根据现有技术(如文献SHAO Chengcheng,WANG Xifan,SHAHIDEHPOUR Mohammad,etal.Security-Constrained Unit Commitment with Flexible Un-certainty Set forVariable Wind Power)，子问题寻找的最恶劣场景将存在于不确定集中的一个顶点上，因此优化后的变量z将取值为0或者1，即转化为二进制变量。所以，该双线性项可以通过大M法严格地转化为式(31)-(32)所示的形式。
Figure BDA0003498117870000093
Figure BDA0003498117870000094
式中：
Figure BDA0003498117870000095
为线性化过程中新引入的变量；M为足够大的常数。
根据上述主子问题，C&CG算法的求解步骤具体如下：
步骤1：初始化，设置迭代次数i＝1，目标函数上界UB＝∞，下界LB＝-∞；设置收敛判据e。
步骤2：求解式主问题，得到其目标函数值Vi，控制变量
Figure BDA0003498117870000096
将目标函数下界更新为LB＝Vi。
步骤3：求解式子问题，得到其目标函数值Ji以及最恶劣运行场景值
Figure BDA0003498117870000097
将约束(25)-(26)返回到主问题中，并将目标函数上界更新为
Figure BDA0003498117870000098
步骤4：收敛性判断，如果|(UB-LB)/LB|≤e，则问题收敛，停止迭代，目标函数值为UB；否则，继续迭代，i＝i+1，返回步骤2。
本实施例以某VPP为例进行了算例分析，其中算例分析中所采用的模型即为本发明方法所提出的计及风险的两阶段鲁棒优化调度模型，具体如式(3)-(18)所示。该VPP由2台常规发电机组、2个储能装置与4台风电机组组成。其中，2台常规发电机组的容量分别为10MW和20MW，爬坡速率分别为5MW和10MW，单位出力成本分别为$7.3/MW与$11.4/MW；2个储能装置的容量均为10MWh，初始容量为5MWh，最大充放电功率为5MW，充放电效率为90％，单位充放电成本均为$1/MW；4台风电机组的容量均为10MW，其出力预测误差均服从正态分布，标准差为预测值的10％。不做特殊说明，单位弃可再生能源惩罚与单位失负荷惩罚分别为$100/MW与$1000/MW。同时，该VPP向配电网购电的单位成本为分时电价，24小时内的具体价格及VPP的负荷量见图2。
为了说明储能的作用，表1比较了不同储能容量下VPP各项运行成本。其中，当储能容量改变时，其初始容量与最大充放电功率相应等比例改变。从表中可以看出，随着储能容量的增大，最恶劣场景下VPP的购电成本线性减少，而储能运行成本线性增大，常规发电机组一直保持满发状态，说明VPP更倾向于使用区域内成本较低的储能与常规发电机组。
表1不同储能容量下虚拟电厂各项运行成本
Figure BDA0003498117870000101
同时，与文献(CHEN Zhe,DONG Shufeng,GUO Chuangxin,et al.Fullydistributed risk-based robust reserve scheduling for bulk hybrid AC-DCsystems)和(CHEN Zhe,GUO Chuangxin,DONG Shufeng,et al.Distributed robustdynamic economic dispatch of integrated transmission and distributionsystems)的结果不同，由于常规发电机组一直保持满发状态，当相邻时刻可再生能源出力突然增加时，系统不再受常规发电机组爬坡速率的约束，而是由上级配电网快速调节功率响应可再生能源的波动，从而实现了可再生能源全额消纳，因此没有给VPP带来弃可再生能源风险。这也反映了VPP的构建对消纳分布式可再生能源的积极作用。总体来看，总运行成本随着储能容量的增加线性减少，说明了储能对提升VPP运行灵活性的作用。
图3给出了其中一个储能的功率与存储能量的变化曲线，用以说明储能的作用机理。其中，储能功率为正值表示放电，为负值表示充电。对比图2中的单位购电成本变化曲线可以看出，由于实行的分时电价，储能在高电价时刻(时刻8)到来前进行充电，由于充电功率和效率的限值，在时刻4和时刻6两次充电后实现满电量；而在高电价时刻8和时刻9进行放电，放电结束时的存储能量为其下限值；为了满足约束(16)的末时刻功率要求，其在低电价时刻21进行充电，从而使得末时刻存储能量与初始时刻相同。从以上的分析可以看出，储能在分时电价的指导下进行套利，从而达到了削峰填谷的作用，提升了VPP的运行灵活性。
为了进一步验证储能是在分时电价的指导下进行作用，本实施例进一步仿真了单位购电成本恒定时的调度结果。结果显示，这种情况下储能装置在24小时内没有被使用。虽然储能的运行成本相较购电成本更低，但是由于末时刻存储能量的要求以及充放电的功率损耗，总体来看其使用成本更高。图4给出了不考虑分时电价与约束(16)时储能的能量与功率。从图中可以看出，由于忽略了末时刻存储能量的约束，VPP可以在某一时刻利用价格更低的储能。
为了解决传统鲁棒优化模型难以确定合适不确定集的难题，本发明对鲁棒优化模型不确定集的边界进行了优化。图5展示了三种单位失负荷惩罚下四个风电机组的出力下界，即不确定集的下界。从图中可以看出，随着单位失负荷惩罚的增大，不确定集的下界逐渐下移，说明VPP有动力以更高的运行成本保障系统的运行安全。从这个角度来看，本文所提出的模型可以通过对不确定集边界进行优化直接反映调度人员对VPP提升运行经济性与降低运行风险的偏好。
结合优化出的不确定集上下边界，图6给出了单位失负荷惩罚为$100/MW时该VPP向上级配电网的购电区间，以便于上级配电网进一步进行合理的决策调度。其中，负值表示VPP向配电网售电。从图中可以看出，该VPP既可以向配电网购电，也可以售电，体现了VPP的双向互动特性。
本发明面向由分布式电源与储能组成的VPP，提出了一种计及风险的两阶段鲁棒优化调度模型，并采用目前最为主流的C&CG算法进行了求解。通过算例可得到如下结论。1)储能根据VPP向上级配电网购电的分时电价进行套利，从而实现削峰填谷的效果，提升VPP运行的经济性与灵活性。2)通过对鲁棒优化模型不确定集边界进行优化，可以得到合理的不确定集，同时评估了调度运行风险。VPP的构建有助于分布式可再生能源的消纳，而调度人员对提升运行经济性与降低运行风险的偏好对所考虑的不确定集下界有显著影响。3)本发明所提出的模型也可以给出合理的VPP向上级配电网的购电区间，该区间体现了VPP的双向互动特性。充分发挥了VPP管理分布式电源的优势。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，应用于分布式电源与储能组成的VPP优化调度中，其特征在于，包括：
依据条件风险价值定义运行风险，将运行风险分为弃可再生能源风险和失负荷风险两类，并对分类后的风险进行分段线性化处理；
对分布式电源与储能组成的VPP构建计及风险的两阶段鲁棒优化调度模型，并基于分段线性化处理结果对两个阶段模型设定约束条件；
对模型进行求解，确定鲁棒模型不确定集，并制定调度方案。
2.根据权利要求1所述的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，其特征在于，所述弃可再生能源风险和所述失负荷风险的计算式为：
Figure FDA0003498117860000011
Figure FDA0003498117860000012
式中：
Figure FDA0003498117860000013
与
Figure FDA0003498117860000014
分别为弃可再生能源风险与失负荷风险，
Figure FDA0003498117860000015
为可再生能源机组容量，ξ与Pr(ξ)分别为可再生能源出力及其可再生能源的概率密度函数，
Figure FDA0003498117860000016
和
Figure FDA0003498117860000017
分别为可再生能源机组r在t时刻的预测出力不会给VPP带来运行风险的出力上边界与下边界。
3.根据权利要求2所述的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，其特征在于，对分类后的风险进行分段线性化处理后的表达式为
Figure FDA0003498117860000018
Figure FDA0003498117860000019
式中：s为分段线性化的段数，
Figure FDA00034981178600000110
与
Figure FDA00034981178600000111
分别为线性化约束的系数。
4.根据权利要求1所述的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，其特征在于，计及风险的两阶段鲁棒优化调度模型中，第一阶段模型的目标函数为最小化可再生能源不确定性给VPP带来的运行风险，表达式为：
Figure FDA00034981178600000112
式中：T与R分别为分布式电源与储能组成的VPP优化调度问题的时间集合与VPP中可再生能源机组集合，Ccur与Closs分别为单位弃可再生能源惩罚与单位失负荷惩罚，按照上述目标函数得到第一阶段的不确定集，
Figure FDA0003498117860000021
与
Figure FDA0003498117860000022
分别为弃可再生能源风险与失负荷风险。
5.根据权利要求4所述的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，其特征在于，计及风险的两阶段鲁棒优化调度模型中，第一阶段模的约束条件包括分类后的风险进行分段线性化处理的约束条件及不确定集边界约束条件，所述不确定集边界约束条件为可再生能源机组r在t时刻的预测出力不会给VPP带来运行风险的出力上边界与下边界约束条件，表达式为：
Figure FDA0003498117860000023
式中：
Figure FDA0003498117860000024
和
Figure FDA0003498117860000025
分别为可再生能源机组r在t时刻的预测出力不会给VPP带来运行风险的出力上边界与下边界，
Figure FDA0003498117860000026
为可再生能源机组r在t时刻的预测出力不会给VPP带来运行风险的出力上边界的最大值。
6.根据权利要求4所述的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，其特征在于，计及风险的两阶段鲁棒优化调度模型中，第二阶段模的目标函数为在第一阶段确定的不确定集中找到最恶劣的运行场景，并最小化最恶劣的运行场景下的运行成本。
7.根据权利要求6所述的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，其特征在于，最恶劣的运行场景下的运行成本包括配电网的购电成本、VPP内部的常规发电机组出力成本与储能运行成本。
8.根据权利要求7所述的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，其特征在于，第二阶段模型的目标函数为双层形式，表达式为：
Figure FDA0003498117860000027
式中：G与E分别为VPP中常规发电机组集合与储能装置集合，Cb与Pb,t分别为VPP向上级配电网的单位购电成本与购电量，Cg与Pg,t分别为常规发电机组的单位发电成本与发电量，
Figure FDA0003498117860000028
与
Figure FDA0003498117860000029
分别为储能装置单位充电成本与充电量，
Figure FDA00034981178600000210
与
Figure FDA00034981178600000211
分别为储能装置单位放电成本与放电量。
9.根据权利要求7所述的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，其特征在于，第二阶段模型的约束条件包括功率平衡约束、购电约束、常规发电机组出力及爬坡约束、储能装置的功率与能量约束和可再生能源出力约束。
10.根据权利要求1所述的计及风险的分布式电源与储能虚拟电厂鲁棒优化方法，其特征在于，采用列约束生成算法，通过主子问题迭代的形式对模型进行求解。
CN202210120824.7A 2022-02-09 2022-02-09 一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法 Pending CN114611754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210120824.7A CN114611754A (zh) 2022-02-09 2022-02-09 一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210120824.7A CN114611754A (zh) 2022-02-09 2022-02-09 一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法

Publications (1)

Publication Number Publication Date
CN114611754A true CN114611754A (zh) 2022-06-10

Family

ID=81860039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210120824.7A Pending CN114611754A (zh) 2022-02-09 2022-02-09 一种计及风险的分布式电源与储能虚拟电厂鲁棒优化方法

Country Status (1)

Country Link
CN (1) CN114611754A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105305423A (zh) * 2015-10-15 2016-02-03 南方电网科学研究院有限责任公司 一种考虑间歇性能源不确定性的最优误差边界的确定方法
CN110137955A (zh) * 2019-05-21 2019-08-16 国网能源研究院有限公司 一种计及CVaR的鲁棒机组组合调度的决策方法
CN110474367A (zh) * 2019-08-05 2019-11-19 广东工业大学 一种考虑风险损失的微电网容量配置优化方法
CN112053034A (zh) * 2020-08-11 2020-12-08 云南电网有限责任公司 考虑风电不确定性分布特征的电网可调节鲁棒优化调度方法
CN112257229A (zh) * 2020-09-18 2021-01-22 西安理工大学 一种微网两阶段鲁棒调度方法
CN112952919A (zh) * 2021-04-12 2021-06-11 浙江大学 多区域电网动态经济调度方法及装置、电子设备、介质
CN113193600A (zh) * 2021-03-19 2021-07-30 山东大学 计及风电概率分布不确定性的电力系统调度方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105305423A (zh) * 2015-10-15 2016-02-03 南方电网科学研究院有限责任公司 一种考虑间歇性能源不确定性的最优误差边界的确定方法
CN110137955A (zh) * 2019-05-21 2019-08-16 国网能源研究院有限公司 一种计及CVaR的鲁棒机组组合调度的决策方法
CN110474367A (zh) * 2019-08-05 2019-11-19 广东工业大学 一种考虑风险损失的微电网容量配置优化方法
CN112053034A (zh) * 2020-08-11 2020-12-08 云南电网有限责任公司 考虑风电不确定性分布特征的电网可调节鲁棒优化调度方法
CN112257229A (zh) * 2020-09-18 2021-01-22 西安理工大学 一种微网两阶段鲁棒调度方法
CN113193600A (zh) * 2021-03-19 2021-07-30 山东大学 计及风电概率分布不确定性的电力系统调度方法及装置
CN112952919A (zh) * 2021-04-12 2021-06-11 浙江大学 多区域电网动态经济调度方法及装置、电子设备、介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
PENG LI ET.AL.: "Confidence Interval Based Distributionally Robust Real-Time Economic Dispatch Approach Considering Wind Power Accommodation Risk", 《TRANSACTIONS ON SUSTAINABLEENERGY》, vol. 12, no. 1, 31 January 2021 (2021-01-31), pages 58 - 69, XP011826023, DOI: 10.1109/TSTE.2020.2978634 *

Similar Documents

Publication Publication Date Title
CN110188950B (zh) 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法
Taha et al. An online energy management system for a grid-connected hybrid energy source
Mohammadi et al. Scenario-based stochastic operation management of microgrid including wind, photovoltaic, micro-turbine, fuel cell and energy storage devices
Zandrazavi et al. Stochastic multi-objective optimal energy management of grid-connected unbalanced microgrids with renewable energy generation and plug-in electric vehicles
Zheng et al. Optimal allocation of energy storage system for risk mitigation of DISCOs with high renewable penetrations
Gandhi et al. Analytical approach to reactive power dispatch and energy arbitrage in distribution systems with DERs
Bahmani-Firouzi et al. Optimal sizing of battery energy storage for micro-grid operation management using a new improved bat algorithm
Baziar et al. Considering uncertainty in the optimal energy management of renewable micro-grids including storage devices
Chen et al. Optimal allocation and economic analysis of energy storage system in microgrids
CN113688567B (zh) 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法
Moradi et al. A hybrid method for simultaneous optimization of DG capacity and operational strategy in microgrids considering uncertainty in electricity price forecasting
Xu et al. Economic dispatching of microgrid considering renewable energy uncertainty and demand side response
Alsharif et al. A rule-based power management strategy for Vehicle-to-Grid system using antlion sizing optimization
CN112583017B (zh) 考虑储能运行约束的混合微电网能量分配方法及系统
Eid et al. Efficient operation of battery energy storage systems, electric-vehicle charging stations and renewable energy sources linked to distribution systems
Chen et al. A two-stage robust optimization model for a virtual power plant considering responsiveness-based electric vehicle aggregation
Maulik Probabilistic power management of a grid-connected microgrid considering electric vehicles, demand response, smart transformers, and soft open points
Molina et al. Optimal EV charge-discharge schedule in smart residential buildings
Mansouri et al. Using an intelligent method for microgrid generation and operation planning while considering load uncertainty
Nikoobakht et al. Adaptive robust co-optimization of wind energy generation, electric vehicle batteries and flexible AC transmission system devices
Ahmadian et al. Techno-economic evaluation of PEVs energy storage capability in wind distributed generations planning
Deng et al. Optimal sizing of residential battery energy storage systems for long-term operational planning
Bakhtvar et al. A vision of flexible dispatchable hybrid solar‐wind‐energy storage power plant
Liang et al. Real-time optimization of large-scale hydrogen production systems using off-grid renewable energy: Scheduling strategy based on deep reinforcement learning
Wu et al. Low-carbon economic dispatch optimization of a virtual power plant based on deep reinforcement learning in China's carbon market environment

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