CN115271467A - 考虑电碳协同优化的虚拟电厂调度优化方法及应用 - Google Patents
考虑电碳协同优化的虚拟电厂调度优化方法及应用 Download PDFInfo
- Publication number
- CN115271467A CN115271467A CN202210915618.5A CN202210915618A CN115271467A CN 115271467 A CN115271467 A CN 115271467A CN 202210915618 A CN202210915618 A CN 202210915618A CN 115271467 A CN115271467 A CN 115271467A
- Authority
- CN
- China
- Prior art keywords
- formula
- ess
- cgt
- load
- wpp
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 85
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 77
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 59
- 238000010248 power generation Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 26
- 239000000446 fuel Substances 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 23
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 230000005855 radiation Effects 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 7
- 238000010977 unit operation Methods 0.000 claims description 7
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000013076 uncertainty analysis Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 claims 1
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000005530 etching Methods 0.000 claims 1
- 238000004146 energy storage Methods 0.000 abstract description 10
- 238000011161 development Methods 0.000 abstract description 7
- 239000002028 Biomass Substances 0.000 abstract description 6
- 238000011964 cellular and gene therapy Methods 0.000 description 34
- 230000006399 behavior Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000008832 zhongfu Substances 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012725 vapour phase polymerization Methods 0.000 description 2
- 241000282818 Giraffidae Species 0.000 description 1
- 206010019133 Hangover Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
-
- 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
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/58—The condition being electrical
- H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
考虑电碳协同优化的虚拟电厂多目标调度优化方法，包括：虚拟电厂各单元运行建模；虚拟电厂多目标调度优化模型构建；鲁棒随机优化模型构建；多目标模型求解。本发明解决包含风电发电、光伏发电、燃气发电、生物质燃料发电、储能系统和柔性负荷等分布式能源虚拟电厂的优化调度问题，提出的虚拟电厂多目标调度优化方法能有效促进各种分布式能源的并网。本发明提出的方法采用鲁棒随机优化的方法处理风光发电的不确定性，通过选择不同的鲁棒系数进行不同风险偏好的决策。并且，方法中的模型以运营收益最大化、运行风险最小化和碳排放量最小化为目标，能够兼顾虚拟电厂对各个方面的运行诉求，在维持虚拟电厂正常运行的前提下，促进低碳化发展。
Description
技术领域
本发明涉及一种调度优化方法，尤其是涉及一种考虑电碳协同优化的虚拟电厂多目标调度优化方法及其应用，属于能源领域。
背景技术
虚拟电厂(virture power plant,VPP)在不改变分布式能源(distributionenergy resource，DER)并网方式的前提下，通过先进的控制、计量、通信等技术聚合分布式电源、储能、可控负荷等不同类型的分布式能源，并通过更高层面的软件构架实现多个DER的协调优化运行，从而更有利于资源的合理优化配置及利用。
目前，对虚拟电厂的研究主要集中在三个方面：容量分配、优化调度和不确定性处理。在容量分配方面,文献Optimal planning of combined heat and power systemswithin microgrids(Energy,Volume 93,Part 1,2015,Pages 235-244)，AboelsoodZidan,Hossam A.Gabbar,Ahmed Eldessouky等学者集成了风力发电厂、太阳能集热器、热电联产和储能系统，以获得最佳运行成本。在优化调方面，文献Virtual power plant mid-term dispatch optimization(Applied Energy,Volume 101,2013,Pages 134-141)，Hrvoje
Igor Kuzle,Tomislav Capuder等学者提出包括风电机组、光伏机组、燃气机组和抽水蓄能电站VPP的中期调度方案。在不确定性处理方面,主要关注风光出力和负荷需求波动可能给VPP调度计划与实际运行状况造成的偏差，文献An interactivecooperation model for neighboring virtual power plants(Applied Energy,Volume200,2017,Pages 273-289),Morteza Shabanzadeh,Mohammad-Kazem Sheikh-El-Eslami,Mahmoud-Reza Haghifam等学者采用随机规划法处理电价的不确定性，研究了考虑不确定性的虚拟电厂竞标模型。
然而，上述文献主要将风电机组(wind power plant,WPP),光伏发电机组(photovoltaic power generation,PV),燃气发电机组(convention gas turbine,CGT)，储能系统(energy storage system,ESS)，和生物质发电(biomass power generation,BPG)等发电侧单元作为VPP的组件。然而,智能电网的快速发展为用户侧柔性负荷通过激励型需求响应(incentive-based demand response,IBDR)或价格型需求响应(price-baseddemand response,PBDR)的应用提供了媒介，本发明在上述文献的基础上讨论了分布式电源与柔性负荷间的协调运行。其次,上述文献均未考虑VPP运行中的碳排放量，而本发明综合考虑了VPP的运营收益、碳排放量和运行风险。最后,大部分文献都是采用随机规划方法处理不确定性,该方法依赖不确定因素概率分布,实际上其概率分布规律很难准确描述，而本发明采用鲁棒随机优化来处理不确定性，可通过调节鲁棒系数来决策出不同程度上抑制不确定性影响的优化调度方案，且无需考虑大量随机方案,计算负担较小,适用空间更佳。
此外，中国专利申请，如公开号：CN108520437A、CN108808734A、CN110990793A、CN111008739A、CN106300336A、CN108875992A、CN110348619A、CN110348619A、CN112488744A、CN113326994A、CN114519249A、CN111768108A、CN113054687A、CN114611754A都公开一种虚拟电厂运行优化方法及其应用，但上述专利都主要关注风光等新能源的消纳和虚拟电厂的经济效益或运行成本最优，而本发明将虚拟电厂的碳排放量纳入了调度优化模型，能够促进虚拟电厂的低碳化发展。公开号为CN110472776A的专利申请提出了一种考虑运行成本和环境污染的虚拟电厂运行优化方法，而本发明提出的运行优化方法主要考虑虚拟电厂的运营收益、碳排放量和运行风险。公开号为CN112465248A的专利申请，通过将碳交易市场引入虚拟电厂来促进虚拟电厂的低碳化发展，但未考虑虚拟电厂的运行风险，本发明通过构建鲁棒优化模型能有效应对风光发电不确定性带来的风险。公开号为CN113888209A的专利申请，既引入了碳交易市场来促进虚拟电厂的低碳化发展，又构建了鲁棒随机优化模型，但其主要考虑风电、光伏与电动汽车之间的运行优化，而本发明主要考虑风电、光伏、分布式发电与基于IBDR和PBDR的柔性负荷之间的运行优化。
发明内容
本发明是基于公开号为CN110867901A的专利申请为基础并在此基础上进行改进和扩充的，虽然该现有技术同样是将虚拟电厂的运营收益、运营风险和碳排放量作为优化目标，并也采用了鲁棒随机优化来处理风光发电的的不确定性，但没有充分考虑PBDR和IBDR对虚拟电厂优化调度的影响，而本发明在该专利的基础之上对PBDR和IBDR的运行出力和运行约束进行了细致的建模，充分考虑了PBDR和IBDR转移用户负荷、促进可再生能源消纳的能力。
本发明旨在提出一种考虑电碳协同优化的虚拟电厂多目标调度优化方法，建立了包含PBDR和IBDR在内的虚拟电厂多目标调度优化模型，并通过鲁棒随机优化来应对风光发电的不确定性，使本发明提出的调度决策方法能在维持虚拟电厂正常运行的前提下，促进低碳化发展。其技术方案包括如下内容：
考虑电碳协同优化的虚拟电厂多目标调度优化方法，其特征为：该方法包含如下步骤：
步骤1：虚拟电厂各单元运行建模。首先对本发明提出VPP模型中的WPP、PV、CGT、ESS、BPG和用户侧的IBDR与PBDR等单元进行建模。
步骤2：虚拟电厂多目标调度优化模型构建。以运营收益、碳排放量和运行风险为优化目标，考虑负荷供需平衡约束、机组运行约束、负荷波动约束、碳排放总量约束、系统旋转备用约束等，构建虚拟电厂调度优化模型。
步骤3：鲁棒随机优化模型构建。采用鲁棒随机优化来构建鲁棒优化模型，并根据决策者的风险偏好设置相应的鲁棒系数。
步骤4：多目标模型求解。应用模糊满意度理论，选择升半直线形隶属度函数处理最大化运营收益目标,选择降半梯度隶属度函数处理最小化运营风险和最小化碳排放总量目标函数。然后，采用投入产出表和熵权法来计算各目标函数的权重。
本发明还公开一种考虑电碳协同优化的虚拟电厂调度决策系统，应用于虚拟电厂的日前决策调度。
有益效果
本本发明主要解决包含风电发电、光伏发电、燃气发电、生物质燃料发电、储能系统和柔性负荷等分布式能源虚拟电厂的优化调度问题，提出的虚拟电厂多目标调度优化方法能有效促进各种分布式能源的并网。本发明提出的方法采用鲁棒随机优化的方法处理风光发电的不确定性，可以通过选择不同的鲁棒系数进行不同风险偏好的决策。此外，本发明中提出的模型以运营收益最大化、运行风险最小化和碳排放量最小化为目标，能够兼顾虚拟电厂多方面的运行诉求，在维持虚拟电厂正常运行的前提下，促进低碳化发展。
附图说明
图1为本发明提出方法的流程图。本发明提出的考虑电碳协同优化的虚拟电厂多目标调度优化方法包括四个步骤：虚拟电厂各单元运行建模；虚拟电厂多目标调度优化模型构建；鲁棒随机优化模型构建；多目标模型求解。
图2为本发明中虚拟电厂的基本结构。该图详细展示了VPP内各单元的能量流和碳流。
图3为半直线形隶属度函数和降半梯度隶属度函数。该图展示了本发明用于模糊化目标函数的模糊隶属度函数，显示了隶属度与目标函数值之间的关系。
图4为本发明中多目标模型求解的流程图。该图详细展示了本发明中多目标模型求解方法的4个步骤，分别是数据输入、单目标模型求解、权重计算和集成优化模型求解。
图5为本发明中算例采用的IEEE 30。该图详细展示了VPP中各单元在系统物理结构中的相对位置。其中，节点2下有WPP，节点5下有WPP、PV和CGT，节点6下有ESS，节点8下有WPP、PV和BPG。
图6为典型日中负荷、风电出力和光伏出力的预测值。该图展示了本发明算例选取的典型日内24小时负荷、风电出力和光伏出力的预测数据，并反映了负荷需求分布和可再生能源出力变化。
图7为综合最优模式下VPP内各单元的运行出力。该图详细展示了在综合目标函数下得到的VPP内各单元的出力计划，即本发明得到的调度优化结果。
具体实施方式
本发明提出了一种考虑电碳协同优化的虚拟电厂多目标调度优化方法，该方法的主要步骤包括：(1)虚拟电厂各单元运行建模；(2)虚拟电厂多目标调度优化模型构建；(3)鲁棒随机优化模型；(4)多目标模型求解。该方法的具体流程图如图1所示。
步骤1：虚拟电厂各单元运行建模。首先对本发明提出VPP模型中的WPP、PV、CGT、ESS、BPG和用户侧的IBDR与PBDR等单元进行建模。
该步骤主要包括不确定性分析和电源输出模型两部分。
本发明将WPP,PV,ESS,CGT,BPG和柔性负荷聚合为虚拟电厂。其中,柔性负荷主要通过IBDR和PBDR两种方式参与VPP发电调度,IBDR通过与终端用户签订事前协议,当需要执行协议时,VPP可直接给终端用户指令,调整自身用电行为。PBDR通过分时电价间接引导用户用电行为,优化负荷需求曲线,为WPP和PV提供更大的并网空间。同时,为了控制VPP的碳排放,设置最大碳排放量(maximum total emission allocation,MTEA)作为VPP运行的边界条件,并据终端用户自身负荷需求和不同电源出力,讨论电力流和碳排放流协同优化问题,确立最优的VPP运行策略。VPP的基本结构请参考图2。
a.不确定性分析
本发明提出的模型存在的不确定性包括负荷、风力发电和光伏发电。
首先分析负荷的不确定性。终端用户负荷可划分为可中断负荷、可调节性负荷和敏感性负荷。一般来说，敏感性负荷用电行为相对固定，难以参与需求响应。然而,可中断负荷和可调节性负荷构成柔性负荷,用电行为灵活,但用户用电行为也具有较强的随机性,相应地,负荷存在较强的不确定性。本发明将负荷需求划分为确定性部分和不确定性部分,具体见公式(1)所示:
式中：Lt表示t时刻的负荷需求；
和
为确定性负荷和不确定性负荷。设定不确定性负荷服从正态分布
为不确定性负荷的方差，则负荷服从正态分布
在进行发电调度时，连续型的负荷需求分布函数需要被离散化，应用区间法将分布函数划分为多个子区间，将子区间内某点值作为负荷需求结果。对于柔性负荷来说,可根据电价和/或市场激励减小、增加或延迟其电能消耗，响应VPP发电优化调度。主要的响应方式包括IBDR和PBDR两类。根据微观经济学理论，PBDR主要按需求-价格弹性的形式描述：
式中：ΔLs和ΔPt是实施PBDR后需求和价格的变化量。
和Pt 0是实施PBDR前的需求和价格。est为价格弹性系数。当s＝t时，est为自弹性系数,当s≠t,时，est为交叉弹性系数。然后，PBDR产生的负载变化可以通过下式计算：
式中：
和Lt是PBDR前后的负荷需求，ΔLPB,t为用户的PBDR响应量。Pt 0和Pt是PBDR前后的电价。
进一步，IBDR通过与用户签订事前协议,当协议被执行时,用户需要根据协议调整自己的用电行为，并获得经济补偿。IBDR主要由需求响应提供商(demand responseprovider,DRP)提供，因为DRP的收入由IBDR的供应价格决定，DRP会根据价格在不同程度上参与IBDR项目：
式中：ΔLIB,t为t时刻IBDR提供的电能；
为步骤j中第i个DRP提供的负荷削减量。
是步骤j中第i个DRP提供的最低响应量。
是步骤j中第i个DRP提供的最高响应量。I和J为DRP的个数和步骤数。
第二个为风力发电的不确定性。风力发电取决于自然来风风速。自然来风的随机性导致了风电出力的不确定性。但从统计学意义上,自然来风风速是可统计的,Weibull分布函数能够有效描述自然来风的不确定性,具体如下：
式中：v为风速；
和
分别为形状参数和尺度参数。进一步,根据实时风速以及风机参数,计算WPP发电出力:
式中：gR为WPP的额定功率；vin、vR和vout分别为WPP的切入、额定和切出风速；vt为WPP的实时风速；
为WPP在t时刻的可用出力。
最后是光伏发电的不确定性。跟风力发电类似，光伏发电出力主要取决于太阳能光伏辐射,而太阳能光伏辐射的随机性也带来定了光伏机组出力的不确定性。从统计学意义上讲,Beta分布函数能够用于描述太阳能光伏辐射的不确定性,具体函数如下：
式中：θ表示太阳能辐射；ω和ψ表示Beta分布的形状参数和尺度参数。Γ(x)为Gamma函数。进一步,根据光电转换原则,PV的输出功率可由公式(10)计算:
式中：
表示PV在t时刻的最大出力。ηPV和SPV表示太阳能辐射效率和辐射面积。θt表示在时刻t的太阳能辐射强度。
b.电源输出模型
除WPP和PV外，VPP还包括CGT、BPG和ESS。其中，CGT和BPG的发电出力取决于燃料的消耗量。CGT发电的解析性数学建模请参考文献计及需求响应的气电互联虚拟电厂多目标调度优化模型(张军六,樊伟,谭忠富,鞠立伟,德格吉日夫,杨莘博,孙婧霞.电力建设,2020,41(02):1-10)。ESS则根据负荷曲线的峰谷分布情况,调整自身充放电行为,为WPP和PV提供备用服务同时获取经济收益。
ESS利用自身充放电特性，参与VPP发电调度。在谷时段，进行蓄能，在峰时段进行发电，为VPP提供备用服务。本发明引入荷电状态(State of Charge,SOC)反映ESS蓄电池的剩余电量，随系统充放电的变化而变化，表示为蓄电池剩余电力和其总容量的百分比，具体如下：
当ESS处于充电状态：
当ESS处于放电状态：
式中：SOCESS,t和SOCESS,t-1是ESS在t时刻和t-1时刻的蓄电池剩余电量；ηch和ηdis是ESS充电和放电效率；
和
是ESS在t时刻的充放电功率；CESS是ESS蓄电池的额定容量。
式中：gESS,t表示在t时刻的ESS净充放电功率；uch和udis为ESS的充放电状态变量，当ESS处于充电状态时,uch＝1,udis＝0；当ESS处于放电状态时,uch＝0,udis＝1。ΔgNE,t表示WPP和PV的出力偏差,等于
和
表示WPP和PV在t时刻的实际可用出力。
和
分别表示ESS最大放电和充电功率。
本发明主要考虑生物质能发电与WPP和PV的耦合关系,且仅选择沼气发电的生物能发电机组,其发电出力与燃料消耗关系如下:
式中：gBPG,t表示沼气发电的输出功率；Fp表示沼气发电的压强；FBPG,t表示在t时刻BPG发电的沼气消耗量；
为常数项系数。
和
为沼气发电压强和沼气消耗量的线性项系数；
为二次项系数。
步骤2：虚拟电厂多目标调度优化模型构建。以运营收益、碳排放量和运行风险为优化目标，考虑负荷供需平衡约束、机组运行约束、负荷波动约束、碳排放总量约束、系统旋转备用约束等，构建虚拟电厂调度优化模型。
本发明选择最大化运营收益、最小化运营风险以及最小化碳排放总量作为目标函数,具体目标函数如下:
a.最大化运营收益
其中,obj1表示VPP的运营收益。RWPP,t、RPV,t、RBPG,t、RCGT,t、RESS,t和RIBDR,t分别表示WPP、PV、BPG、CGT、ESS和IBDR在t时刻的运行收益；PUG,t和gUG,t为VPP向公共电网的购电价格购电量。由于WPP和PV发电边际成本几乎为零,故其运营收益等于电量与电价的乘积。CGT的运营收益具体计算如下：
式中：PCGT,t为CGT在t时刻的发电上网电价；gCGT,t为CGT在t时刻的发电出力。其中,
和
为CGT的燃料成本和启停成本。具体计算如下:
式中：aCGT、bCGT和cCGT为CGT发电的燃料消耗系数；μCGT为0-1变量，表示CGT的状态；
和
分别是CGT的热启动和冷启动成本；
为CGT的最小停机时间；
为CGT的冷启动时间；
为CGT在时刻t的持续停机时间。BPG的收益同样可有式(17)计算。
ESS和IBDR的运营收益计算如下:
其中,
和
表示ESS在t时刻的充放电价格；
和
表示ESS在t时刻的充放电电量；
和
为t时刻第i个DRP i在第j阶段的输出电价和响应电量。
b.最小化运营风险
本发明选择条件风险价值(CVaR)作为风险指标,并以最小化风险水平作为VPP运营目标,具体目标函数如下:
上式计算了VPP运营的CVaR值，其计算过程请参考文献计及不确定性和需求响应的风光燃储集成虚拟电厂随机调度优化模型(徐辉,焦扬,蒲雷,何楠,王尧,谭忠富.电网技术,2017,41(11):3590-3597.)。obj2表示VPP的运行风险。α表示VPP运行损失的临界值，用以判定VPP运行整体风险状况。f(G,g)表示VPP运行的损失函数,等于-obj1,GT为决策向量，包括各可控单元的出力等，yT＝[gWPP,t,gPV,t,Lt]为多元随机向量，Rm为多元随机向量的选取空间。p(g)为多元随机向量的概率函数。β为VPP运行的置信度。由于上式难以直接求解，可通过取随机向量g的N个样本值g1,g2,L,gN,用样本值代替期望值。
式中：[f(G,g)-α]+为max(f(G,g)-α,0)。
c.最小化碳排放总量
VPP中CGT,BPG的发电出力均伴随着二氧化碳的排放。当电源可用出力小于负荷需求时,VPP需向外部电网购电,这部分电量产生的碳排放也应当看作是VPP运营产生的碳排放。相应地,本发明选择最小碳排放总量作为目标函数。
式中：obj3表示VPP的碳排放量。f(gCGT,t)和f(gBPG,t)表示CGT和BPG发电出力所产生的CO2排放函数；f(gUG,t)为VPP向公共电网购电间接承担的CO2排放总量。具体计算如下:
f(gBPG,t)＝aBPG+bBPGgBPG,t+cBPG(gBPG,t)2 (25)
式中：aBPG、bBPG和cBPG是BPG发电的碳排放系数。CGT的碳排放与式(25)一致。进一步,f(gUG,t)计算如下:
式中：
和
为公共电网中含碳电源的平均占比及度电碳排放系数。
VPP安全可靠运行需要满足负荷供需平衡约束、机组运行约束、负荷波动约束、碳排放总量约束以及系统旋转备用约束等。
a.负荷供需平衡约束
式中：gWPP,t和gPV,t为WPP和PV发电出力；
为IBDR在能量市场出力；
和
为WPP、PV、BPG和CGT的用电率。uPB,t和uIB,t表示PBDR和IBDR的状态，为0-1变量。
b.柔性负荷波动约束
ΔLt＝(uIB,tΔLIB,t+uPB,tΔLPB,t) (28)
utΔL-≤ΔLt-ΔLt-1≤utΔL+ (29)
式中：ΔL-和ΔL+是爬坡的上下限；ΔLt表示柔性负荷变化量，μt表示负荷变化的状态变量；ΔLPB,t和ΔLIB,t表示PBDR和IBDR在t时刻的出力；uPB,t表示负荷增减的状态，为0-1变量；
是在时刻t-1的运行时间；Mon为IBDR的最小响应时间；
是在时刻t-1的停机时间；Moff为最小停机时间。此外,对于IBDR来说,既可以参加能量市场调度,又可以参加备用市场调度,其出力分配需满足如下约束条件:
式中：
是IBDR在能量市场的出力。
和
是IBDR在备用市场的出力。
和
是IBDR在时刻t的最大和最小出力。
c.碳排放总量约束
VPP在运行时需要考虑其最大碳排放量不超过MTEA,具体约束条件如下:
obj3≤MTEA (34)
d.机组出力约束
式中：gRE,t和gNRE,t表示可再生能源机组和非可再生能源机组的发电出力；
表示可再生能源机组的可用发电出力；
和
为非可再生能源机组的最大和最小出力；uNRE,t为非可再生能源机组的运行状态,为0-1变量；
和
为ESS的最大和最小可用出力。
e.系统备用约束
式中：
和
为VPP最大和最小可用出力；gVPP,t表示VPP发电出力；ΔLPB,t表示PBDR在t时刻的出力；r1、r2和r3分别表示负荷、风电和光伏的上旋转备用系数；r4和r5分别表示风电和光伏的下旋转备用系数。
步骤3：鲁棒随机优化模型构建。采用鲁棒随机优化来构建鲁棒优化模型，并根据决策者的风险偏好设置相应的鲁棒系数。
本发明重点考虑WPP和PV的不确定性。鲁棒优化的最优解对集合内每一元素可能造成的不良影响具有一定的抑制性，调节鲁棒系数即可决策出不同程度上抑制不确定性影响的优化调度方案。该方法无需考虑大量随机方案,计算负担较小,适用空间更佳。具体过程如下:
首先,设定风电和光伏的预测偏差为eWPP,t和ePV,t。然后,gWPP,t和gPV,t的可能取值在区间[(1-eWPP，t)·gWPP，t，(1+eWPP，t)·gWPP，t]和[(1-ePV,t)·gPV,t,(1+ePV,t)·gPV,t]内波动。为便于表达，用可再生能源出力偏差eRE,t来替代eWPP,t和ePV,t。同样,gRE,t的可能取值在区间[(1-eRE,t)·gRE,t,(1+eRE,t)·gRE,t]内波动。最后按照下式计算系统的净负荷Mt：
然后,可以重写电功率平衡约束：
为了确保实际输出达到预测边界时，此约束仍能满足要求，引入一个辅助变量θRE,t来加强上述约束。设想
因此，上式可以被改写成：
-(gRE,t+eRE,tgRE,t)≤-gRE,t+eRE,t|gRE,t|≤-gRE,t+eRE,tθRE,t≤Mt (42)
由于考虑到极端情况发生的概率较小，我们引入鲁棒系数ΓRE,ΓRE∈[0,1]来修正上面的约束:
-(gRE,t+eRE,tgRE,t)≤-gRE,t+ΓREeRE,t|gRE,t|≤-gRE,t+eRE,tθRE,t≤Mt (43)
最后，将多目标模型中的所有约束改写成上述鲁棒约束的形式，考虑到决策者的不同风险态度，该模型可用于计算具有不同鲁棒系数的优化调度方案。
步骤4：多目标模型求解。应用模糊满意度理论，选择升半直线形隶属度函数处理最大化运营收益目标,选择降半梯度隶属度函数处理最小化运营风险和最小化碳排放总量目标函数。然后，采用投入产出表和熵权法来计算各目标函数的权重。
本发明的多目标模型求解算法包括模糊线性处理和目标权重计算，具体如下：
a.模糊线性处理
对于多目标优化问题,需要对目标函数进行加权转为为单目标优化模型,进而进行数学模型求解。本发明的目标函数包括最大化运营收益,最小化运营风险和最小化碳排放总量三个目标函数,在满足VPP运行约束条件下,如何取得兼顾三个目标函数优化诉求的满意解是模型求解的关键。但由于不同目标函数具有不同的量纲和优化方向,难以直接进行加权,故需对其进行预处理。模糊满意度理论能够通过分析目标函数值与理想值间的距离,将数值优化转换为程度优化。本发明分别选择升半直线形隶属度函数处理最大化运营收益目标,选择降半梯度隶属度函数处理最小化运营风险和最小化碳排放总量目标函数,具体过程如下:
式中：该式为升半直线形隶属度函数,主要用于处理最大化运营收益目标函数。ρ(obji)为目标函数obji的隶属度函数。obji为第i个目标函数值。
为第i个目标函数的理想值。
为决策者可接受的第i个目标的增加值,是将目标进行一定的伸缩。
式中：该式为降半梯度隶属度函,主要用于处理最小化运营风险目标函数和最小化碳排放总量目标函数。半直线形隶属度函数和降半梯度隶属度函数具体如图3所示。
本发明的目标函数中含二次项，属于混合整数非线性规划问题，求解难度较大，花费时间较多，所得解难以实现最优。在进行模型求解前应对所提目标函数和约束条件进行线性化处理，具体请参考文献含电转气和热电解耦热电联产机组的区域能源互联网联合经济调度(魏震波,黄宇涵,高红均,税月.电网技术,2018,42(11):3512-3520.)。
b.目标权重计算
为了进行目标函数权重的计算，本发明提出了投入产出表的概念,既以目标函数obji(i＝1,2,…,I)作为优化目标，求解所提模型优化结果,并计算在该优化目标下的其他目标函数值objik(i,k＝1,2,…,I)。下表即为多目标函数的投入产出表。
表1多目标函数的投入产出表
根据表1,可得到预处理后的目标函数决策矩阵[objik]I×I,进一步,本发明应用熵权法进行目标函数权重的计算，熵权法的计算过程请参考文献基于模糊CVaR理论的水火电系统随机调度多目标优化模型(邓创,鞠立伟,刘俊勇,谭忠富.电网技术,2016,40(05):1447-1454.)。多目标模型的求解流程图具体见图4。
实施例
为验证本发明所提方法的有效性和适用性,选择改进的IEEE30节点系统作为仿真系统,最大和最小负荷分别为2.25MW和1.5MW。其中,在2号节点处增加1×1MWWPP,在6号节点增加1×0.5MW·h ESS,在5号节点增加1×0.5MWWPP,1×0.5MW PV and 1×1MWCGT,在8号节点增加1×0.5MWWPP,1×0.5MW PV and 1×1MWBPG.VPP的调度控制中心主要负责网络拓扑结构中虚线框内的机组优化调度运行。具体请参考图5。选取中国东部沿海某岛屿的独立微电网获取风光和生物质能数据。
步骤1：虚拟电厂各单元运行建模
CGT机组上下坡速率分别为01.MW/h和0.2MW/h,启停时间分别为0.15h和0.15h,启停成本为0.102￥/kW·h.ESS系统的充电功率为0.1MW,放电功率为0.12MW,充放电损耗约为4％,初始蓄能量为0。根据该岛屿风速与光照强度在一周内的变化曲线,拟合风速分布参数和光伏辐射分布参数。其中,风机参数为vin＝3m/s,vrated＝14m/s,vout＝25m/s，形状参数和尺度参数
太阳能光伏辐射强度参数α和β分别为0.39和8.54。场景模拟方法被用于模拟风速和光伏辐射强度的场景,获得10组典型模拟场景,并选择发生概率最大的场景计算WPP和PV的可用出力。该岛屿沼气来源主要为用户沼气池和大型养猪场,结合岛屿温度对沼气产量的影响程度,典型负荷日沼气产量约为4746m3,沼气与输出功率间的关系约为0.55～0.62m3/kW·h。选取该岛屿典型负荷日的负荷需求作为输入数据。图6为负荷、风电和光伏在典型日的预测值。参照文献Bi-level multi-objective fuzzy designoptimization of energy supply systems aided by problem-specific heuristics(Mirko M.
Energy,Volume 137,2017,Pages 1231-1251),划分负荷峰、平、谷时段(13:00-21:00,0:00-3:00&21:00-24:00,3:00-12:00),选取电力需求弹性矩阵。PBDR前,终端用户用电电价为0.59￥/kW·h,PBDR后时段价格维持不变，峰时段用电价格上调30％,谷时段用电价格下调50％。参照文献A bi-level stochastic schedulingoptimization model for a virtual power plant connected to a wind–photovoltaic–energy storage system considering the uncertainty and demandresponse(Liwei Ju,Zhongfu Tan,Jinyun Yuan,Qingkun Tan,Huanhuan Li,Fugui Dong,Applied Energy,Volume 171,2016,Pages 184-199)确定IBDR的出力计划。同时,为避免用户过渡响应DR,导致峰谷倒挂现象,设定IBDR产生输出功率不超过±0.1MW,PBDR产生的负荷波动不超±0.1MW,即柔性负荷波动功率不超过±0.2MW。此外，设定初始置信度β为0.9。
根据以上数据，通过公式(1)-公式(15)，对VPP内的WPP、PV、CGT等单元进行运行建模。
步骤2：虚拟电厂多目标调度优化模型构建
本发明提出的方法以VPP运营收益、运行风险和碳排放量最小为优化目标，运行约束包括负荷供需平衡约束、机组运行约束、负荷波动约束、碳排放总量约束、系统旋转备用约束等。结合上述数据，通过公式(16)-公式(39)构建虚拟电厂多目标调度优化模型。
步骤3：鲁棒随机优化模型构建
设定初始鲁棒系数Γ为0.9,风光预测精度e为0.9，将多目标模型中的所有含风光不确定性变量的约束改写成公式(43)这样的鲁棒约束形式，从而构建鲁棒随机优化模型。
步骤4：多目标模型求解
本发明的多目标模型求解算法包括模糊线性处理和目标权重计算，具体如下：
a.模糊线性处理
应用模糊满意度理论,选择升半直线形隶属度函数处理最大化运营收益目标,选择降半梯度隶属度函数处理最小化运营风险和最小化碳排放总量目标函数,具体过程如下:
式中：该式为升半直线形隶属度函数,主要用于处理最大化运营收益目标函数。ρ(obji)为目标函数obji的隶属度函数。obji为第i个目标函数值。
为第i个目标函数的理想值。
为决策者可接受的第i个目标的增加值。
式中：该式为降半梯度隶属度函,主要用于处理最小化运营风险目标函数和最小化碳排放总量目标函数。半直线形隶属度函数和降半梯度隶属度函数具体如图3所示。
对所提目标函数和约束条件进行线性化处理，具体请参考文献含电转气和热电解耦热电联产机组的区域能源互联网联合经济调度(魏震波,黄宇涵,高红均,税月.电网技术,2018,42(11):3512-3520.)。
b.目标权重计算
采用投入产出表来计算各目标函数的权重,既以目标函数obji(i＝1,2,…,I)作为优化目标，求解所提模型优化结果,并计算在该优化目标下的其他目标函数值objik(i,k＝1,2,…,I)。下表即为多目标函数的投入产出表。
表1多目标函数的投入产出表
根据表1,可得到预处理后的目标函数决策矩阵[objik]I×I,进一步,本发明应用熵权法进行目标函数权重的计算，熵权法的计算过程请参考文献基于模糊CVaR理论的水火电系统随机调度多目标优化模型(邓创,鞠立伟,刘俊勇,谭忠富.电网技术,2016,40(05):1447-1454.)。多目标模型的求解流程图具体见图4。
首先，分别将各目标函数作为优化目标进行求解，求取不同优化模式下VPP调度结果，从而得到VPP的投入产出表，具体为表2所示。根据表2,应用公式(44)-(45)对目标函数进行模糊化处理,并根据文献基于模糊CVaR理论的水火电系统随机调度多目标优化模型(邓创,鞠立伟,刘俊勇,谭忠富.电网技术,2016,40(05):1447-1454.)中的熵权法，计算得到各个目标函数的权重为0.342,0.355,0.303。
表2VPP的投入产出表
最后得到加权综合目标函数，求解得到综合优化模式(OBJ)下的VPP调度方案,三个目标函数值分别为18587.667￥,5808.646￥,6.585t。图7为综合最优模式下VPP各单元的运行功率。根据图7,在综合优化模式下,CGT处于满发状态,而BPG则被用于为WPP和PV提供备用服务。从负荷分布来看,低谷时段,ESS进行充电蓄能,累计蓄能量为-0.5MW·h，且IBDR提供负出力,累计出力-0.5MW·h；在峰时段,ESS进行释能放电,累计发电出力0.36MW·h，IBDR提供正出力,共计0.4MW·h。
本发明在聚合发电测各种DER的基础上，在VPP中引入了基于PBDR和IBDR的柔性负荷，能够充分发挥用户侧的需求响应资源的发电潜力。
本发明在考虑VPP运营收益和运行风险的基础上，还将碳排放量纳入优化目标，能同时兼顾VPP对各个方面的诉求，有效进行电-碳协同优化。
本发明采用鲁棒随机优化的方法来处理风光出力的不确定性。该方法无需考虑大量随机方案,计算负担较小,适用空间更佳，且能通过调节鲁棒系数来决策出不同程度上抑制不确定性影响的优化调度方案。
本发明采用一种基于投入产出表的方法来计算各目标函数的权重。该方法能有效将虚拟电厂多目标调度优化模型转换成单目标模型进行求解。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.考虑电碳协同优化的虚拟电厂多目标调度优化方法，其特征为：该方法包含如下步骤：
步骤1：虚拟电厂各单元运行建模：首先对提出VPP模型中的WPP、PV、CGT、ESS、BPG和用户侧的IBDR与PBDR单元进行建模；
步骤2：虚拟电厂多目标调度优化模型构建：以运营收益、碳排放量和运行风险为优化目标，考虑负荷供需平衡约束、机组运行约束、负荷波动约束、碳排放总量约束、系统旋转备用约束，构建虚拟电厂调度优化模型；
步骤3：鲁棒随机优化模型构建：采用鲁棒随机优化来构建鲁棒优化模型，并根据决策者的风险偏好设置相应的鲁棒系数；
步骤4：多目标模型求解：应用模糊满意度理论，选择升半直线形隶属度函数处理最大化运营收益目标,选择降半梯度隶属度函数处理最小化运营风险和最小化碳排放总量目标函数；然后，采用投入产出表和熵权法来计算各目标函数的权重。
2.根据权利要求1所述的考虑电碳协同优化的虚拟电厂多目标调度优化方法，其特征为：所述步骤1进一步包括如下内容：
包括不确定性分析和电源输出模型两部分：
将WPP,PV,ESS,CGT,BPG和柔性负荷聚合为虚拟电厂；其中,柔性负荷通过IBDR和PBDR两种方式参与VPP发电调度；同时，设置最大碳排放量(maximum total emissionallocation,MTEA)作为VPP运行的边界条件；
a.不确定性分析
模型存在的不确定性包括负荷、风力发电和光伏发电；
首先分析负荷的不确定性：将负荷需求划分为确定性部分和不确定性部分,具体见公式(1)所示:
式中：Lt表示t时刻的负荷需求；
和
为确定性负荷和不确定性负荷；设定不确定性负荷服从正态分布
为不确定性负荷的方差，则负荷服从正态分布
对于柔性负荷来说,主要的响应方式包括IBDR和PBDR两类；根据微观经济学理论，PBDR主要按需求-价格弹性的形式描述：
式中：
和Lt是PBDR前后的负荷需求，ΔLPB,t为用户的PBDR响应量；ΔLs和ΔPt是实施PBDR后需求和价格的变化量；Pt 0和Pt是PBDR前后的电价；est为价格弹性系数；当s＝t时，est为自弹性系数,当s≠t,时，est为交叉弹性系数；
IBDR由需求响应提供商(demand response provider,DRP)提供：
式中：ΔLIB,t为t时刻IBDR提供的电能；
为步骤j中第i个DRP提供的负荷削减量；
是步骤j中第i个DRP提供的最低响应量；
是步骤j中第i个DRP提供的最高响应量；I和J为DRP的个数和步骤数；
第二个为风力发电的不确定性：通过Weibull分布函数来描述自然来风的不确定性,具体如下：
式中：v为风速；
和
分别为形状参数和尺度参数；进一步,根据实时风速以及风机参数,计算WPP发电出力:
式中：gR为WPP的额定功率；vin、vR和vout分别为WPP的切入、额定和切出风速；vt为WPP的实时风速；
为WPP在t时刻的可用出力；
最后是光伏发电的不确定性，通过Beta分布函数来描述太阳能光伏辐射的不确定性,具体函数如下：
式中：θ表示太阳能辐射；ω和ψ表示Beta分布的形状参数和尺度参数，Γ(x)为Gamma函数；PV的输出功率可由公式(10)计算:
式中：
表示PV在t时刻的最大出力；ηPV和SPV表示太阳能辐射效率和辐射面积；θt表示在时刻t的太阳能辐射强度；
b.电源输出模型
引入荷电状态(State of Charge,SOC)反映ESS蓄电池的剩余电量，具体如下：
当ESS处于充电状态：
当ESS处于放电状态：
式中：SOCESS,t和SOCESS,t-1是ESS在t时刻和t-1时刻的蓄电池剩余电量；ηch和ηdis是ESS充电和放电效率；
和
是ESS在t时刻的充放电功率；CESS是ESS蓄电池的额定容量；
式中：gESS,t表示在t时刻的ESS净充放电功率；uch和udis为ESS的充放电状态变量，当ESS处于充电状态时,uch＝1,udis＝0；当ESS处于放电状态时,uch＝0,udis＝1；ΔgNE,t表示WPP和PV的出力偏差,等于
和
分别表示ESS最大放电和充电功率；
选择沼气发电作为生物能发电的研究对象,其发电出力与燃料消耗关系如下:
式中：gBPG,t表示沼气发电的输出功率；Fp表示沼气发电的压强；FBPG,t表示在t时刻BPG发电的沼气消耗量；
为常数项系数；
和
为沼气发电压强和沼气消耗量的线性项系数；
为二次项系数。
3.根据权利要求1所述的考虑电碳协同优化的虚拟电厂多目标调度优化方法，其特征为：所述步骤2进一步包括如下内容：
选择最大化运营收益(obj1)、最小化运营风险(obj2)以及最小化碳排放总量(obj3)作为目标函数,具体目标函数如下:
a.最大化运营收益
其中,RWPP,t、RPV,t、RBPG,t、RCGT,t、RESS,t和RIBDR,t分别表示WPP、PV、BPG、CGT、ESS和IBDR在t时刻的运行收益；PUG,t和gUG,t为VPP向公共电网的购电价格购电量；WPP和PV发电边际成本几乎为零,其运营收益等于电量与电价的乘积；CGT的运营收益具体计算如下：
式中：PCGT,t为CGT在t时刻的发电上网电价；gCGT,t为CGT在t时刻的发电出力；其中,
和
为CGT的燃料成本和启停成本；具体计算如下:
式中：aCGT、bCGT和cCGT为CGT发电的燃料消耗系数；μCGT为0-1变量，表示CGT的状态；
和
分别是CGT的热启动和冷启动成本；
为CGT的最小停机时间；
为CGT的冷启动时间；
为CGT在时刻t的持续停机时间；BPG的运营收益同样可由式(17)计算；
ESS和IBDR的运营收益计算如下:
其中,
和
表示ESS在t时刻的充放电价格；
和
表示ESS在t时刻的充放电电量；
和
为t时刻第i个DRP i在第j阶段的输出电价和响应电量；
b.最小化运营风险
选择条件风险价值(CVaR)作为风险指标,并以最小化风险水平作为VPP运营目标,具体目标函数如下:
α表示VPP运行损失的临界值；f(G,g)表示VPP运行的损失函数,等于-obj1,GT为决策向量，包括各种可控单元出力，yT＝[gWPP,t,gPV,t,Lt]为多元随机向量，Rm为多元随机向量的选取空间；p(g)为多元随机向量的概率函数；β为VPP运行的置信度；可通过取随机向量g的N个样本值g1,g2,L,gN,用样本值代替期望值；
式中：[f(G,g)-α]+为max(f(G,g)-α,0)；
c.最小化碳排放总量
选择最小碳排放总量作为目标函数；
式中：obj3表示VPP的碳排放量；f(gCGT,t)和f(gBPG,t)表示CGT和BPG发电出力所产生的CO2排放函数；f(gUG,t)为VPP向公共电网购电间接承担的CO2排放总量；具体计算如下:
f(gBPG,t)＝aBPG+bBPGgBPG,t+cBPG(gBPG,t)2 (25)
式中：aBPG、bBPG和cBPG是BPG发电的碳排放系数；f(gCGT,t)同样由式(25)计算；f(gUG,t)计算如下:
式中：
和
为公共电网中含碳电源的平均占比及度电碳排放系数；
VPP安全可靠运行需要满足负荷供需平衡约束、机组运行约束、负荷波动约束、碳排放总量约束以及系统旋转备用约束；
a.负荷供需平衡约束
式中：gWPP,t和gPV,t为WPP和PV发电出力；
为IBDR在能量市场出力；
和
为WPP、PV、BPG和CGT的用电率；uPB,t和uIB,t表示PBDR和IBDR的状态，为0-1变量。
b.柔性负荷波动约束
ΔLt＝(uIB,tΔLIB,t+uPB,tΔLPB,t) (28)
utΔL-≤ΔLt-ΔLt-1≤utΔL+ (29)
式中：ΔL-和ΔL+是爬坡的上下限；ΔLt表示柔性负荷变化量，μt表示负荷变化的状态变量；ΔLPB,t和ΔLIB,t表示PBDR和IBDR在t时刻的出力；uPB,t表示负荷增减的状态，为0-1变量；
是在时刻t-1的运行时间；Mon为IBDR的最小响应时间；
是在时刻t-1的停机时间；Moff为最小停机时间。此外,对于IBDR来说,既可以参加能量市场调度,又可以参加备用市场调度,其出力分配需满足如下约束条件:
式中：
是IBDR在能量市场的出力。
和
是IBDR在备用市场的出力。
和
是IBDR在时刻t的最大和最小出力；
c.碳排放总量约束
VPP在运行时需要考虑其最大碳排放量不超过MTEA,具体约束条件如下:
obj3≤MTEA (34)
d.机组出力约束
式中：gRE,t和gNRE,t表示可再生能源机组和非可再生能源机组的发电出力；
表示可再生能源机组的可用发电出力；
和
为非可再生能源机组的最大和最小出力；uNRE,t为非可再生能源机组的运行状态,为0-1变量；
和
为ESS的最大和最小可用出力；
e.系统备用约束
式中：
和
为VPP最大和最小可用出力；gVPP,t表示VPP发电出力；ΔLPB,t表示PBDR在t时刻的出力；r1、r2和r3分别表示负荷、风电和光伏的上旋转备用系数；r4和r5分别表示风电和光伏的下旋转备用系数。
4.根据权利要求1所述的考虑电碳协同优化的虚拟电厂多目标调度优化方法，其特征为：所述步骤3进一步包括如下内容：
鲁棒优化的具体过程如下:
首先,设定风电和光伏的预测偏差为eWPP,t和ePV,t；然后,gWPP,t和gPV,t的可能取值在区间[(1-eWPP，t)·gWPP，t，(1+eWPP，t)·gWPP，t]和[(1-ePV,t)·gPV,t,(1+ePV,t)·gPV,t]内波动；用可再生能源出力偏差eRE,t来替代eWPP,t和ePV,t；同样,可再生能源出力gRE,t的可能取值在区间p(1-eRE,t)·gRE,t,(1+eRE,t)·gRE,t]内波动；最后按照下式计算系统的净负荷Mt：
然后,可以重写电功率平衡约束：
引入一个辅助变量θRE,t来加强上述约束；设想
因此，上式可以被改写成：
-(gRE,t+eRE,tgRE,t)≤-gRE,t+eRE,t|gRE,t|≤-gRE,t+eRE,tθRE,t≤Mt (42)
引入鲁棒系数ΓRE,Γ∈[0,1]来修正上面的约束:
-(gRE,t+eRE,tgRE,t)≤-gRE,t+ΓREeRE,t|gRE,t|≤-gRE,t+eRE,tθRE,t≤Mt (43)
最后，将多目标模型中的所有约束改写成上述鲁棒约束的形式，并根据决策者的风险态度，设定鲁棒系数的取值。
5.根据权利要求1所述的考虑电碳协同优化的虚拟电厂多目标调度优化方法，其特征为：所述步骤4进一步包括如下内容：
多目标模型求解算法包括模糊线性处理和目标权重计算，具体如下：
a.模糊线性处理
应用模糊满意度理论,选择升半直线形隶属度函数处理最大化运营收益目标,选择降半梯度隶属度函数处理最小化运营风险和最小化碳排放总量目标函数,具体过程如下:
式中：该式为升半直线形隶属度函数,主要用于处理最大化运营收益目标函数；ρ(obji)为目标函数obji的隶属度函数；obji为第i个目标函数值；
为第i个目标函数的理想值；
为决策者可接受的第i个目标的增加值；
式中：该式为降半梯度隶属度函,主要用于处理最小化运营风险目标函数和最小化碳排放总量目标函数；
b.目标权重计算
采用投入产出表来计算各目标函数的权重,既以目标函数obji(i＝1,2,…,I)作为优化目标，求解所提模型优化结果,并计算在该优化目标下的其他目标函数值objik(i,k＝1,2,…,I)，得到预处理后的目标函数决策矩阵[objik]I×I；应用熵权法进行目标函数权重的计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210915618.5A CN115271467A (zh) | 2022-08-01 | 2022-08-01 | 考虑电碳协同优化的虚拟电厂调度优化方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210915618.5A CN115271467A (zh) | 2022-08-01 | 2022-08-01 | 考虑电碳协同优化的虚拟电厂调度优化方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115271467A true CN115271467A (zh) | 2022-11-01 |
Family
ID=83746800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210915618.5A Pending CN115271467A (zh) | 2022-08-01 | 2022-08-01 | 考虑电碳协同优化的虚拟电厂调度优化方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115271467A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115907981A (zh) * | 2022-11-08 | 2023-04-04 | 国网冀北张家口风光储输新能源有限公司 | 一种虚拟电厂低碳联合交易优化方法 |
| CN115995850A (zh) * | 2023-03-06 | 2023-04-21 | 华北电力大学 | 一种虚拟电厂群的协同调度优化方法和装置 |
| CN116937551A (zh) * | 2023-07-19 | 2023-10-24 | 太原理工大学 | 一种电气互联虚拟电厂优化调度方法及终端 |
| CN117077980A (zh) * | 2023-10-13 | 2023-11-17 | 杭州致成电子科技有限公司 | 碳排放调度方法、装置和电子设备 |
| CN117293885A (zh) * | 2023-11-27 | 2023-12-26 | 华北电力大学 | 一种海岛微能网多目标调度优化方法及装置 |
| CN117439080A (zh) * | 2023-12-20 | 2024-01-23 | 国网山东省电力公司营销服务中心(计量中心) | 一种虚拟电厂的调度方法、系统、存储介质及设备 |
| CN117498467A (zh) * | 2024-01-02 | 2024-02-02 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多层级虚拟电厂的能量协调控制分配方法及系统 |
| CN117791627A (zh) * | 2024-02-26 | 2024-03-29 | 国网山东省电力公司东营供电公司 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
-
2022
- 2022-08-01 CN CN202210915618.5A patent/CN115271467A/zh active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115907981A (zh) * | 2022-11-08 | 2023-04-04 | 国网冀北张家口风光储输新能源有限公司 | 一种虚拟电厂低碳联合交易优化方法 |
| CN115995850A (zh) * | 2023-03-06 | 2023-04-21 | 华北电力大学 | 一种虚拟电厂群的协同调度优化方法和装置 |
| CN116937551B (zh) * | 2023-07-19 | 2024-04-05 | 太原理工大学 | 一种电-气互联虚拟电厂优化调度方法及终端 |
| CN116937551A (zh) * | 2023-07-19 | 2023-10-24 | 太原理工大学 | 一种电气互联虚拟电厂优化调度方法及终端 |
| CN117077980A (zh) * | 2023-10-13 | 2023-11-17 | 杭州致成电子科技有限公司 | 碳排放调度方法、装置和电子设备 |
| CN117077980B (zh) * | 2023-10-13 | 2024-02-27 | 杭州致成电子科技有限公司 | 碳排放调度方法、装置和电子设备 |
| CN117293885A (zh) * | 2023-11-27 | 2023-12-26 | 华北电力大学 | 一种海岛微能网多目标调度优化方法及装置 |
| CN117293885B (zh) * | 2023-11-27 | 2024-03-22 | 华北电力大学 | 一种海岛微能网多目标调度优化方法及装置 |
| CN117439080A (zh) * | 2023-12-20 | 2024-01-23 | 国网山东省电力公司营销服务中心(计量中心) | 一种虚拟电厂的调度方法、系统、存储介质及设备 |
| CN117439080B (zh) * | 2023-12-20 | 2024-04-12 | 国网山东省电力公司营销服务中心(计量中心) | 一种虚拟电厂的调度方法、系统、存储介质及设备 |
| CN117498467A (zh) * | 2024-01-02 | 2024-02-02 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多层级虚拟电厂的能量协调控制分配方法及系统 |
| CN117498467B (zh) * | 2024-01-02 | 2024-05-03 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多层级虚拟电厂的能量协调控制分配方法及系统 |
| CN117791627A (zh) * | 2024-02-26 | 2024-03-29 | 国网山东省电力公司东营供电公司 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
| CN117791627B (zh) * | 2024-02-26 | 2024-05-14 | 国网山东省电力公司东营供电公司 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115271467A (zh) | 考虑电碳协同优化的虚拟电厂调度优化方法及应用 | |
| Ju et al. | A multi-objective robust scheduling model and solution algorithm for a novel virtual power plant connected with power-to-gas and gas storage tank considering uncertainty and demand response | |
| Tan et al. | Application of CVaR risk aversion approach in the dynamical scheduling optimization model for virtual power plant connected with wind-photovoltaic-energy storage system with uncertainties and demand response | |
| 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 | |
| Ju et al. | A CVaR-robust-based multi-objective optimization model and three-stage solution algorithm for a virtual power plant considering uncertainties and carbon emission allowances | |
| Ju et al. | Multi-objective stochastic scheduling optimization model for connecting a virtual power plant to wind-photovoltaic-electric vehicles considering uncertainties and demand response | |
| Chen et al. | A robust optimization framework for energy management of CCHP users with integrated demand response in electricity market | |
| CN107453407B (zh) | 一种智能微电网分布式能源调度方法 | |
| CN110244566A (zh) | 计及柔性负荷的冷热电联供系统容量优化配置方法 | |
| Ju et al. | A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator | |
| Yang et al. | Optimal bidding strategy of renewable-based virtual power plant in the day-ahead market | |
| CN115173453A (zh) | 一种储能辅助电网调峰的优化配置方法 | |
| CN116109076A (zh) | 能量和调峰市场下考虑需求响应的虚拟电厂优化调度方法 | |
| CN115293457A (zh) | 基于分布式协同优化策略的综合能源系统季节性氢储优化配置方法 | |
| CN111967639A (zh) | 计及风光出力和价格需求响应的配电网优化方法及系统 | |
| CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
| Hayati et al. | A two-stage stochastic optimization scheduling approach for integrating renewable energy sources and deferrable demand in the spinning reserve market | |
| Rizvi et al. | Optimal scheduling of virtual power plants utilizing wind power and electric vehicles | |
| Guo et al. | How to realize the power demand side actively matching the supply side?——A virtual real-time electricity prices optimization model based on credit mechanism | |
| CN116961008A (zh) | 计及电力弹簧与负荷需求响应的微电网容量双层优化方法 | |
| CN116914732A (zh) | 基于深度强化学习的热电联产系统低碳调度方法及系统 | |
| Zhou et al. | Dynamic pricing of integrated energy service providers based on master-slave game | |
| Yao et al. | Dynamic scheduling optimization model for virtual power plant connecting with wind-photovoltaic-energy storage system | |
| Dou et al. | Coordinated operation of multi-energy microgrid with flexible load | |
| Wang et al. | Source-load-storage coordinated optimal scheduling of virtual power plant participating demand response |
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 |