CN114649820A - 一种风光储场站多环节容量分配方法及系统 - Google Patents

一种风光储场站多环节容量分配方法及系统 Download PDF

Info

Publication number
CN114649820A
CN114649820A CN202210402253.6A CN202210402253A CN114649820A CN 114649820 A CN114649820 A CN 114649820A CN 202210402253 A CN202210402253 A CN 202210402253A CN 114649820 A CN114649820 A CN 114649820A
Authority
CN
China
Prior art keywords
link
wind
randomness
storage station
light storage
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
CN202210402253.6A
Other languages
English (en)
Other versions
CN114649820B (zh
Inventor
邹祖冰
刘念
孙长平
延肖何
张玮
王凯
张美俊
于运东
李乐颖
谷昱君
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.)
North China Electric Power University
China Three Gorges Corp
Original Assignee
North China Electric Power University
China Three Gorges Corp
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 North China Electric Power University, China Three Gorges Corp filed Critical North China Electric Power University
Priority to CN202210402253.6A priority Critical patent/CN114649820B/zh
Publication of CN114649820A publication Critical patent/CN114649820A/zh
Application granted granted Critical
Publication of CN114649820B publication Critical patent/CN114649820B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Power Engineering (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

本发明涉及一种风光储场站中多环节容量分配方法及系统。该方法包括根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；根据风光储场站收益模型建立收益模型；根据历史收益数据确定每一个环节对应的随机性；根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t‑Copula描述每一环节的风险因子之间的非线性相依结构，运用极大似然估计法计算相关系数，从而构建随机性模型；构建目标函数，进而构建多尺度随机优化调控模型；根据多尺度随机优化调控模型，利用构建的拉格朗日函数来确定最佳容量分配组合。本发明能够促进风光储场站达到资源优化配置，提高场站投资效率和盈利的可靠性。

Description

一种风光储场站多环节容量分配方法及系统
技术领域
本发明涉及电力领域，特别是涉及一种风光储场站多环节容量分配方法及系统。
背景技术
近年来风光储场站发电产业赢得了历史性机遇，发展势头迅猛。但在大规模风光并网的趋势中，也出现了诸多“瓶颈”问题。能源结构调整与支持政策促使资金大量注入风光储场站并网，大大增加了装机，而在参与电力市场时的实际发电量远远小于装机容量，造成了资源的闲置和浪费。因此，如何在现货环境下考虑风光储场站经济负荷分配，全面统筹电网和风电发展，优化容量投资具有重要现实意义。我国电力市场改革由中长期交易逐步过渡到现货交易，而现货市场中供需实时变化给电力交易价格带来了较大的不确定性，环节参与者将面临电力交易价格波动风险。对于高度波动的交易价格，可使用储能低储高发，进行物理对冲，但针对大型风光储场站，现货市场的价格风险则更加明显。
因此，亟需一种新的分配方法或系统，分散风光储场站的容量投资以到达其收益和随机性的均衡，通过把资金分配到不同的环节中，以达到分散风险、确保收益的目的。
发明内容
本发明的目的是提供一种风光储场站中多环节容量分配方法及系统，能够促进风光储场站达到资源优化配置，提高场站投资效率和盈利的可靠性。
为实现上述目的，本发明提供了如下方案：
一种风光储场站多环节容量分配方法，包括：
风光储场站接收各个环节的激励信号，并定义每个环节对应的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-Copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站多环节耦合运行的随机性模型；
根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能SoC约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货市场的多尺度随机优化调控模型；
根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
可选地，所述根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型，具体包括：
利用公式Ep.t＝w1.tEDA.t+w2.tEDT.t+w3.tERT.t确定收益模型；
其中，EDA.t、EDT.t、ERT.t分别为风光储场站日前、日内、实时各环节的收益，w1t、w2t、w3t风光储场站日前、日内、实时各环节的容量分配因子，即权重，
Figure BDA0003600534270000021
0≤wi.t≤1，i＝1、2、3，并分别对应日前、日内、实时。
可选地，所述根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型，具体包括：
利用公式
Figure BDA0003600534270000031
确定日前环节的随机性；
利用公式
Figure BDA0003600534270000032
确定日内环节的随机性；
利用公式确定
Figure BDA0003600534270000033
实时环节的随机性；
其中，σDA.t、σDT.t、σRT.t表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，EDA.t,x为第x个日前环节的激励信号对应的收益，EDT.t,x为第x个日内环节的激励信号对应的收益，ERT.t,x为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
可选地，所述根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-Copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站多环节耦合运行的随机性模型，具体包括以下公式：
Figure BDA0003600534270000034
其中，
Figure BDA0003600534270000035
为各个环节之间的随机性，wi.t为第i个环节的容量分配因子，wj.t为第j个环节的容量分配因子，ρij为第i个环节和第j个环节的相关系数，σi.t为第i个环节的随机性，σj.t为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
一种风光储场站多环节容量分配系统，包括：
数据获取模块，用于风光储场站接收各个环节的激励信号，并定义每个环节对应的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
风光储场站收益模型建立模块，用于根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
收益模型建立模块，用于根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
风光储场站随机性模型建立模块，用于根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
随机性模型建立模块，用于根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-Copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站参与多环节耦合运行的随机性模型；
多尺度随机优化调控模型确定模块，用于根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能SoC约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货市场的多尺度随机优化调控模型；
最佳容量分配组合确定模块，用于根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
可选地，所述收益模型建立模块具体包括：
收益模型确定单元，用于利用公式Ep.t＝w1.tEDA.t+w2.tEDT.t+w3.tERT.t确定收益模型；
其中，EDA.t、EDT.t、ERT.t分别为风光储场站日前、日内、实时各环节的收益，w1t、w2t、w3t风光储场站日前、日内、实时各环节的容量分配因子，即权重，
Figure BDA0003600534270000041
0≤wi.t≤1，i＝1、2、3，并分别对应日前、日内、实时。
可选地，所述风光储场站随机性模型具体包括：
日前环节的随机性确定单元，用于利用公式
Figure BDA0003600534270000051
确定日前环节的随机性；
日内环节的随机性确定单元，用于利用公式
Figure BDA0003600534270000052
确定日内环节的随机性；
实时环节的随机性确定单元，用于利用公式确定
Figure BDA0003600534270000053
实时环节的随机性；
其中，σDA.t、σDT.t、σRT.t表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，EDA.t,x为第x个日前环节的激励信号对应的收益，EDT.t,x为第x个日内环节的激励信号对应的收益，ERT.t,x为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
可选地，所述随机性模型建立模块具体包括以下公式：
Figure BDA0003600534270000054
其中，
Figure BDA0003600534270000055
为各个环节之间的随机性，wi.t为第i个环节的容量分配因子，wj.t为第j个环节的容量分配因子，ρij为第i个环节和第j个环节的相关系数，σi.t为第i个环节的随机性，σj.t为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种风光储场站中多环节容量分配方法及系统，首先，风光储场站接收日前-日内-实时各环节的激励信号，根据激励信号描述风光储场站参与日前、日内、实时各环节的成本与收益，并为各环节设置容量分配因子，构建风光储场站各环节耦合运行的收益模型。其次，用场站历史收益数据的方差来描述各环节的随机性，采用核估计方法确定各环节收益的边缘分布，并采用t-Copula函数描述各环节风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而提出风光储场站参与日前-日内-实时环节的随机性模型。同时考虑了风光储场站收益与随机性的影响，提高了风光储场站盈利的可靠性。最后，计及场站内部能量协同调控及储能SoC约束建立日前-日内-实时环节预期收益最大与随机性最小的目标函数，构建风光储场站参与电力现货市场的多尺度随机优化调控模型，并构造其拉格朗日函数，求解风光储场站参与日前、日内、实时各环节容量分配的最佳分配组合，并将风光储场站总出力上报调度中心。以风光储场站参与日前-日内-实时环节的预期收益最大与随机性最小为目标分配各环节的容量，以达到收益最大化与随机性最小化的均衡状态，从而促进风光储场站达到资源优化配置，提高场站投资效率。运用拉格朗日函数来确定日前、日内、实时环节的最佳分配组合，通过数学推导使得求解结果更加精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种风光储场站多环节容量分配方法流程示意图；
图2为风光储场站参与电力现货市场示意图；
图3为本发明所提供的一种风光储场站多环节容量分配系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种风光储场站中多环节容量分配方法及系统，能够促进风光储场站达到资源优化配置，提高场站投资效率和盈利的可靠性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种风光储场站多环节容量分配方法流程示意图，图2为风光储场站参与电力现货市场示意图，如图1和图2所示，本发明所提供的一种风光储场站多环节容量分配方法，包括：
S101，风光储场站接收各个环节的激励信号，并定义每个环节对应的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
S102，根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
S102具体包括以下公式：
EDA.t＝(Pt Sd_DA-Pt Sc_DA)λt DA；
EDT.t＝(Pt Sd_DT-Pt Sc_DT)λt DT；
ERT.t＝(Pt Sd_RT-Pt Sc_RT)λt RT；
Pt Sd_DA+Pt Sd_DT+Pt Sd_RT＝Pt Sd；
Pt Sc_DA+Pt Sc_DT+Pt Sc_RT＝Pt Sc；
其中，EDA.t、EDT.t、ERT.t分别表示风光储场站日前、日内、实时各环节收益；
Figure BDA0003600534270000071
表示风光储场站各环节总放电；
Figure BDA0003600534270000072
表示风光储场站各环节总充电；λi.t表示各环节外部激励。其中式Pt Sd_DA+Pt Sd_DT+Pt Sd_RT＝Pt Sd和Pt Sc_DA+Pt Sc_DT+Pt Sc_RT＝Pt Sc表示日前、日内、实时出力之和应等于总出力，Pt Sd表示风光储场站总充电功率，Pt Sc表示风光储场站总放电功率。
S103，根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
S103具体包括：
利用公式Ep.t＝w1.tEDA.t+w2.tEDT.t+w3.tERT.t确定收益模型；
其中，EDA.t、EDT.t、ERT.t分别为风光储场站日前、日内、实时各环节的收益，w1t、w2t、w3t风光储场站日前、日内、实时各环节的容量分配因子，即权重，
Figure BDA0003600534270000081
0≤wi.t≤1，i＝1、2、3，并分别对应日前、日内、实时。
S104，根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
风光储场站参与现货市场主要是利用能源价格套利来获取收益，即储能的“低充高放”，但现货市场日前-日内-实时各环节不同时间尺幅价格的不确定性使得收益无法准确预测，储能充放电无法准确调控。各环节的随机性主要是指其实际收益可能偏离预期收益的幅度，统计学中的方差表示实际收益偏离期望收益的幅度，因此一般用方差来表示各个环节的随机性。
S104具体包括：
利用公式
Figure BDA0003600534270000082
确定日前环节的随机性；
利用公式
Figure BDA0003600534270000083
确定日内环节的随机性；
利用公式确定
Figure BDA0003600534270000084
实时环节的随机性；
其中，σDA.t、σDT.t、σRT.t表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，EDA.t,x为第x个日前环节的激励信号对应的收益，EDT.t,x为第x个日内环节的激励信号对应的收益，ERT.t,x为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
S105，根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-Copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站参与多环节耦合运行的随机性模型；
单个环节收益分布一般由期望收益和方差来描述，但是日前-日内-实时不同环节之间存在关联性，会相互影响。利用历史环节价格数据，对不同环节之间的相关性进行建模分析。由于不同环节的价格数据通常带有肥尾，正态分布无法捕捉价格的尾部特征。然而，尾部高位价格数据会影响不同环节的相关性。因此，相关性应通过分段分布作为Copula方法的输入进行综合分析和拟合，然后选择并调整t-Copula函数以对各环节价格相关性进行建模。
Copula是一个多元累积分布函数，是将联合分布函数与它们各自的边缘分布函数连接在一起的函数。因此，应用Copula函数来描述不同环节之间收益的相关性。然而，各环节收益的边际分布受到每个分布尾部的高度影响，这在传统方法中没有被细化。因此分段分布用于将价格数据描述为尾部和非尾部部分。为了更准确地评估环节收益的尾部分布，将原始数据通过帕累托尾部分布进行拟合。然后，使用累积分布函数的核估计方法将非尾部分中的原始收益数据转换为copula尺度。收集样本数据，采用核估计方法，收益的概率密度函数为
Figure BDA0003600534270000091
将概率密度函数进行积分运算后，可得到收益的概率分布函数
Figure BDA0003600534270000092
式中：m是来自大小为M的分布的环节价格样本，K(·)是核平滑函数，h是带宽。
各环节收益的多元分布可以分解为边际累积分布，描述为copula函数以反映环节之间的相关性。形式上，如果ve是具有联合分布函数F(m1,m2)和连续边缘分布Fi(mi)的二维随机向量，则存在唯一copula函数C(ui,u2)：
F(m1,m2)＝P(M1＜m1,M2＜m2)＝C(F1(m1),F2(m2))；
使用的t-Copula模型表示为：
Figure BDA0003600534270000093
s＝τv -1(u1)；
b＝τv -1(u2)；
式中：v是自由度，ρ是相关系数，Γρ,v是联合t分布的关联结构，Γv -1是单变量累积分布函数的倒数t分布变量。
通过使用最大似然估计法估计相关系数ρ。Copula值指定为[0,1]范围内的标量值矩阵。多元t-Copula的相关系数矩阵可以通过如下的迭代计算方法确定，直到ρn+1等于ρn。
Figure BDA0003600534270000101
ξt＝(τv -1(u1),τv -1(u2),…,τv -1(un))；
风光储场站日前-日内-实时环节的随机性为在考虑任意两环节间相关风险下每个时刻各环节随机量与分配因子乘积之和表示，表示为：
Figure BDA0003600534270000102
其中，
Figure BDA0003600534270000103
为各个环节之间的随机性，wi.t为第i个环节的容量分配因子，wj.t为第j个环节的容量分配因子，ρij为第i个环节和第j个环节的相关系数，σi.t为第i个环节的随机性，σj.t为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
S106，根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能SoC约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货市场的多尺度随机优化调控模型；
风光储场站日前-日内-实时环节容量分配的过程是指配置各个环节出力以符合风光储场站对随机性和收益等需求的过程。有效的环节容量分配必须达到或接近收益最大化与随机性最小化的均衡状态。风光储场站电站在收益一定的条件下，选择随机性最小的环节分配组合；在随机性一定的条件下，选择收益最大的环节分配组合，同时满足这2个条件的组合集合就是有效集，又称有效边界，风光储场站的最优环节分配组合在有效边界上。以日前-日内-实时环节的预期收益最大与总随机性最小为目标分配各环节的容量，基于上述分析提出了根据预期收益与随机性的目标函数：
Figure BDA0003600534270000111
式中：Am表示随机性规避指数，规避程度通常在2-4之间。3代表平均规避，Am>3意味着更多的规避，反之亦然。
风光储场站出力包括风电向外出力、光伏向外出及储能的放电功率，系统充电为储能的充电。得出日前-日内-实时各环节得出力：
Pt Sd_DA＝w1.tPt Sd＝w1.t(Pt WT_d+Pt PV_d+Pt ESd)；
Pt Sd_DT＝w2.tPt Sd＝w2.t(Pt WT_d+Pt PV_d+Pt ESd)；
Pt Sd_RT＝w3.tPt Sd＝w3.t(Pt WT_d+Pt PV_d+Pt ESd)；
Pt Sc_DA＝w1.tPt Sc＝w1.tPt ESc；
Pt Sc_DT＝w2.tPt Sc＝w2.tPt ESc；
Pt Sc_RT＝w3.tPt Sc＝w3.tPt ESc；
式中：Pt WT_d、Pt PV_d分别表示风光储场站中风电、光伏向外发电功率，Pt ESd/Pt ESc分别表示储能总的充/放电功率。
日前、日内、实时储能的充放电功率及风光出力均未知，储能SoC约束为：
Figure BDA0003600534270000112
SoCmin≤SoCt≤SoCmax；
SoC0＝SoCT；
Figure BDA0003600534270000113
Figure BDA0003600534270000114
Figure BDA0003600534270000115
Figure BDA0003600534270000116
Figure BDA0003600534270000121
Figure BDA0003600534270000122
Pt PV_d≥0；
Pt WT_d≥0；
Pt WT_ESc+Pt WT_d≤Pt WT；
Pt PV_ESc+Pt PV_d≤Pt PV；
式中：SoCt表示储能t时刻的SoC，ηloss表示损耗系数，ηc、ηd分别表示充放电的损耗系数，Pt WT_ESc/Pt PV_ESc分别表示风电/光伏向储能的充电功率，u为约束储能不能同时充放电的0-1变量，式Pt WT_ESc+Pt WT_d≤Pt WT和Pt PV_ESc+Pt PV_d≤Pt PV分别表示风电/光伏向外发电与向储能充电之和不大于其总出力。
S107，根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
Figure BDA0003600534270000123
Figure BDA0003600534270000124
上述日前、日内、实时容量分配问题的最佳分配组合可以由拉格朗日函数确定：
Figure BDA0003600534270000131
对每个变量的求偏导并约束其值为零：
Figure BDA0003600534270000141
将拉格朗日乘子得约束形式为如下的为互补松弛约束：0≤μi.t⊥wi.t≥0i＝1,2,3；
Figure BDA0003600534270000142
Figure BDA0003600534270000143
Figure BDA0003600534270000144
Figure BDA0003600534270000145
0≤μ8.t⊥Pt WT_ESc≥0；
Figure BDA0003600534270000151
0≤μ10.t⊥Pt PV_ESc≥0；
Figure BDA0003600534270000152
0≤μ12.t⊥Pt WT_d≥0；
0≤μ13.t⊥Pt PV_d≥0；
0≤μ14.t⊥(-Pt WT_ESc-Pt WT_d+Pt WT)≥0；
0≤μ15.t⊥(-Pt PV_ESc-Pt PV_d+Pt PV)≥0；
μk.t≥0k＝1,2,…,15；
求解风光储场站在每个环节的最优权重系数，进而完成风光储场站的最佳分配，并将风光储场站总放电与总充电进行上报，其中总放电Pt Sd与总充电Pt Sc表示如下：
Pt Sd＝Pt WT_d+Pt PV_d+Pt ESd；
Pt Sc＝Pt ESc；
图3为本发明所提供的一种风光储场站多环节容量分配系统结构示意图，如图3所示，本发明所提供的一种风光储场站多环节容量分配系统，包括：
数据获取模块301，用于风光储场站接收各个环节的激励信号，并定义每个环节对应的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
风光储场站收益模型建立模块302，用于根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
收益模型建立模块303，用于根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
风光储场站随机性模型304，用于根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
随机性模型建立模块305，用于根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-Copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站参与多环节耦合运行的随机性模型；
多尺度随机优化调控模型确定模块306，用于根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能SoC约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货市场的多尺度随机优化调控模型；
最佳容量分配组合确定模块307，用于根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
所述收益模型建立模块303具体包括：
收益模型确定单元，用于利用公式Ep.t＝w1.tEDA.t+w2.tEDT.t+w3.tERT.t确定收益模型；
其中，EDA.t、EDT.t、ERT.t分别为风光储场站日前、日内、实时各环节的收益，w1t、w2t、w3t风光储场站日前、日内、实时各环节的容量分配因子，即权重，
Figure BDA0003600534270000161
0≤wi.t≤1，i＝1、2、3，并分别对应日前、日内、实时。
所述风光储场站随机性模型304具体包括：
日前环节的随机性确定单元，用于利用公式
Figure BDA0003600534270000162
确定日前环节的随机性；
日内环节的随机性确定单元，用于利用公式
Figure BDA0003600534270000163
确定日内环节的随机性；
实时环节的随机性确定单元，用于利用公式确定
Figure BDA0003600534270000171
实时环节的随机性；
其中，σDA.t、σDT.t、σRT.t表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，EDA.t,x为第x个日前环节的激励信号对应的收益，EDT.t,x为第x个日内环节的激励信号对应的收益，ERT.t,x为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
所述随机性模型建立模块305具体包括以下公式：
Figure BDA0003600534270000172
其中，
Figure BDA0003600534270000173
为各个环节之间的随机性，wi.t为第i个环节的容量分配因子，wj.t为第j个环节的容量分配因子，ρij为第i个环节和第j个环节的相关系数，σi.t为第i个环节的随机性，σj.t为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种风光储场站多环节容量分配方法，其特征在于，包括：
风光储场站接收各个环节的激励信号，并定义每个环节对应的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-Copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站多环节耦合运行的随机性模型；
根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能SoC约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货市场的多尺度随机优化调控模型；
根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
2.根据权利要求1所述的一种风光储场站多环节容量分配方法，其特征在于，所述根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型，具体包括：
利用公式Ep.t＝w1.tEDA.t+w2.tEDT.t+w3.tERT.t确定收益模型；
其中，EDA.t、EDT.t、ERT.t分别为风光储场站日前、日内、实时各环节的收益，w1t、w2t、w3t分别为风光储场站日前、日内、实时各环节的容量分配因子，即权重，
Figure FDA0003600534260000021
0≤wi.t≤1，i＝1、2、3，并分别对应日前、日内、实时。
3.根据权利要求2所述的一种风光储场站多环节容量分配方法，其特征在于，所述根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型，具体包括：
利用公式
Figure FDA0003600534260000022
确定日前环节的随机性；
利用公式
Figure FDA0003600534260000023
确定日内环节的随机性；
利用公式
Figure FDA0003600534260000024
确定实时环节的随机性；
其中，σDA.t、σDT.t、σRT.t分别表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，EDA.t,x为第x个日前环节的激励信号对应的收益，EDT.t,x为第x个日内环节的激励信号对应的收益，ERT.t,x为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
4.根据权利要求3所述的一种风光储场站多环节容量分配方法，其特征在于，所述根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-Copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站多环节耦合运行的随机性模型，具体包括以下公式：
Figure FDA0003600534260000025
其中，
Figure FDA0003600534260000026
为各个环节之间的随机性，wi.t为第i个环节的容量分配因子，wj.t为第j个环节的容量分配因子，ρij为第i个环节和第j个环节的相关系数，σi.t为第i个环节的随机性，σj.t为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
5.一种风光储场站多环节容量分配系统，其特征在于，包括：
数据获取模块，用于风光储场站接收各个环节的激励信号，并定义每个环节对应的售电量和购电量；所述环节包括：现货市场内部根据交易时间划分的日前、日内、实时三个环节；所述激励信号为电力价格；不同的环节对应不同的激励信号；
风光储场站收益模型建立模块，用于根据所有环节分别对应的激励信号以及相应的售电量和购电量建立多时间尺度的风光储场站收益模型；所述风光储场站收益模型以所有环节分别对应的激励信号为输入，以每一环节的收入与成本之差为输出；
收益模型建立模块，用于根据所述多时间尺度的风光储场站收益模型建立风光储场站多环节耦合运行的收益模型；
风光储场站随机性模型建立模块，用于根据风光储场站收益模型获取每个环节的历史收益数据，并根据历史收益数据确定每一个环节对应的随机性，建立多时间尺度的风光储场站随机性模型；所述历史收益数据为历史的收入与成本之差；所述随机性为历史收益数据的方差；
随机性模型建立模块，用于根据每一环节的随机性，采用核估计方法确定每一环节收益的边缘分布，并采用t-Copula描述每一环节的风险因子之间的非线性相依结构，并运用极大似然估计法计算相关系数，从而构建风光储场站多环节耦合运行的随机性模型；
多尺度随机优化调控模型确定模块，用于根据收益模型、随机性模型以及风光储场站内部能量协同调控及储能SoC约束，建立各个环节的预期收益最大与随机性最小的目标函数，进而构建风光储场站参与电力现货市场的多尺度随机优化调控模型；
最佳容量分配组合确定模块，用于根据多尺度随机优化调控模型，并利用构建的拉格朗日函数来确定最佳容量分配组合，并将风光储场站的出力情况上报调度中心。
6.根据权利要求5所述的一种风光储场站多环节容量分配系统，其特征在于，所述收益模型建立模块具体包括：
收益模型确定单元，用于利用公式Ep.t＝w1.tEDA.t+w2.tEDT.t+w3.tERT.t确定收益模型；
其中，EDA.t、EDT.t、ERT.t分别为风光储场站日前、日内、实时各环节的收益，w1t、w2t、w3t风光储场站日前、日内、实时各环节的容量分配因子，即权重，
Figure FDA0003600534260000041
0≤wi.t≤1，i＝1、2、3，并分别对应日前、日内、实时。
7.根据权利要求6所述的一种风光储场站多环节容量分配系统，其特征在于，所述风光储场站随机性模型具体包括：
日前环节的随机性确定单元，用于利用公式
Figure FDA0003600534260000042
确定日前环节的随机性；
日内环节的随机性确定单元，用于利用公式
Figure FDA0003600534260000043
确定日内环节的随机性；
实时环节的随机性确定单元，用于利用公式确定
Figure FDA0003600534260000044
实时环节的随机性；
其中，σDA.t、σDT.t、σRT.t表示日前、日内、实时环节下由于随机性造成的不确定量，即随机性，EDA.t,x为第x个日前环节的激励信号对应的收益，EDT.t,x为第x个日内环节的激励信号对应的收益，ERT.t,x为第x个实时环节的激励信号对应的收益，n为每个环节分别获取的激励信号的总数。
8.根据权利要求7所述的一种风光储场站多环节容量分配系统，其特征在于，所述随机性模型建立模块具体包括以下公式：
Figure FDA0003600534260000045
其中，
Figure FDA0003600534260000051
为各个环节之间的随机性，wi.t为第i个环节的容量分配因子，wj.t为第j个环节的容量分配因子，ρij为第i个环节和第j个环节的相关系数，σi.t为第i个环节的随机性，σj.t为第j个环节的随机性，j＝1、2、3，并分别对应日前、日内、实时，i不等于j。
CN202210402253.6A 2022-04-15 2022-04-15 一种风光储场站多环节容量分配方法及系统 Active CN114649820B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210402253.6A CN114649820B (zh) 2022-04-15 2022-04-15 一种风光储场站多环节容量分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210402253.6A CN114649820B (zh) 2022-04-15 2022-04-15 一种风光储场站多环节容量分配方法及系统

Publications (2)

Publication Number Publication Date
CN114649820A true CN114649820A (zh) 2022-06-21
CN114649820B CN114649820B (zh) 2024-04-05

Family

ID=81997047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210402253.6A Active CN114649820B (zh) 2022-04-15 2022-04-15 一种风光储场站多环节容量分配方法及系统

Country Status (1)

Country Link
CN (1) CN114649820B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160042369A1 (en) * 2014-08-08 2016-02-11 Nec Laboratories America, Inc. Dynamic co-optimization management for grid scale energy storage system (gsess) market participation
US20170038786A1 (en) * 2015-08-04 2017-02-09 Nec Laboratories America, Inc. Management of Grid-Scale Energy Storage Systems
CN111200293A (zh) * 2018-11-16 2020-05-26 国网能源研究院有限公司 基于电池损耗和分布式电网电池储能日前随机调度的方法
CN113904385A (zh) * 2021-08-19 2022-01-07 国家电投集团资本控股有限公司 新能源发电侧虚拟电厂共享储能方法、系统及存储介质
CN114336702A (zh) * 2021-12-01 2022-04-12 中国长江三峡集团有限公司 基于双层随机规划的风光储场站群功率分配协同优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160042369A1 (en) * 2014-08-08 2016-02-11 Nec Laboratories America, Inc. Dynamic co-optimization management for grid scale energy storage system (gsess) market participation
US20170038786A1 (en) * 2015-08-04 2017-02-09 Nec Laboratories America, Inc. Management of Grid-Scale Energy Storage Systems
CN111200293A (zh) * 2018-11-16 2020-05-26 国网能源研究院有限公司 基于电池损耗和分布式电网电池储能日前随机调度的方法
CN113904385A (zh) * 2021-08-19 2022-01-07 国家电投集团资本控股有限公司 新能源发电侧虚拟电厂共享储能方法、系统及存储介质
CN114336702A (zh) * 2021-12-01 2022-04-12 中国长江三峡集团有限公司 基于双层随机规划的风光储场站群功率分配协同优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卫志农;陈妤;黄文进;胥峥;孙国强;周亦洲;: "考虑条件风险价值的虚拟电厂多电源容量优化配置模型", 电力系统自动化, no. 04, 23 December 2017 (2017-12-23) *

Also Published As

Publication number Publication date
CN114649820B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
Yu et al. Uncertainties of virtual power plant: Problems and countermeasures
CN109508857B (zh) 一种主动配电网多阶段规划方法
CN108599373B (zh) 高比例可再生能源电力系统输配协调调度目标级联分析法
CN108711077B (zh) 一种基于区块链技术的光伏型微电网交易方法
CN107665378B (zh) 基于需求侧竞价交易机制的电力系统多目标优化调度方法
Luo et al. Distributed peer-to-peer energy trading based on game theory in a community microgrid considering ownership complexity of distributed energy resources
Yang et al. A multi-objective stochastic optimization model for electricity retailers with energy storage system considering uncertainty and demand response
US20030182250A1 (en) Technique for forecasting market pricing of electricity
CN109389327B (zh) 基于风光不确定性的多虚拟电厂时前合作方法
CN110429653B (zh) 考虑储能和dr的农网分布式光伏消纳方法及终端设备
CN111311012A (zh) 基于多智能体的微电网电力市场双层竞价优化方法
CN114140176B (zh) 一种负荷聚集平台的可调容量预测方法及装置
Rayati et al. Stochastic optimization and Markov chain-based scenario generation for exploiting the underlying flexibilities of an active distribution network
Liaquat et al. Day‐ahead continuous double auction‐based peer‐to‐peer energy trading platform incorporating trading losses and network utilisation fee
Wang et al. A tri-level framework for distribution-level market clearing considering strategic participation of electrical vehicles and interactions with wholesale market
CN114662757A (zh) 新能源机组合约覆盖率优化方法、装置、设备及介质
Meng et al. Distributed energy management of electric vehicle charging stations based on hierarchical pricing mechanism and aggregate feasible regions
CN110556821B (zh) 考虑交互功率控制和双边竞价交易的多微电网双层优化调度方法
CN117114877A (zh) 一种基于虚拟电厂的中长期电力交易方法及系统
CN115545768B (zh) 一种考虑合同分解的大水电跨省跨区日前随机竞价方法
Rashidizadeh-Kermani et al. Strategic offering of a price maker wind power producer in distribution-level energy markets in presence of flexible prosumers
CN112926811A (zh) 一种考虑可再生能源消纳责任权重的负荷聚合商购电方法
CN110717779A (zh) 一种电力交易系统、方法及其应用
CN116012051A (zh) 一种基于灵活性的新型储能参与电力市场的出清方法
CN114649820A (zh) 一种风光储场站多环节容量分配方法及系统

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