CN115422728A - 基于随机规划的鲁棒优化的虚拟电厂优化控制系统 - Google Patents
基于随机规划的鲁棒优化的虚拟电厂优化控制系统 Download PDFInfo
- Publication number
- CN115422728A CN115422728A CN202211002309.5A CN202211002309A CN115422728A CN 115422728 A CN115422728 A CN 115422728A CN 202211002309 A CN202211002309 A CN 202211002309A CN 115422728 A CN115422728 A CN 115422728A
- Authority
- CN
- China
- Prior art keywords
- power plant
- virtual power
- time
- virtual
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 76
- 238000004146 energy storage Methods 0.000 claims abstract description 57
- 230000005611 electricity Effects 0.000 claims description 74
- 230000006870 function Effects 0.000 claims description 42
- 230000004044 response Effects 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 29
- 230000008901 benefit Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 22
- 230000009977 dual effect Effects 0.000 claims description 16
- 150000001875 compounds Chemical class 0.000 claims description 15
- 238000010248 power generation Methods 0.000 claims description 15
- 238000007599 discharging Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009194 climbing Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 230000002860 competitive effect Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000003462 Bender reaction Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 230000009471 action Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于随机规划的鲁棒优化的虚拟电厂优化控制系统,包括经济与电网运行安全的虚拟电厂优化控制模块、随机可再生能源的虚拟电厂随机规划优化控制模块和随机可再生能源的虚拟电厂自适应鲁棒优化控制模块,经济与电网运行安全的虚拟电厂优化控制模块包括虚拟电厂经济调度模型和虚拟电厂安全调度模型。本发明公开的基于随机规划的鲁棒优化的虚拟电厂优化控制系统,其考虑随机可再生能源条件下区域内分布式电源、储能、需求侧用户之间的协调运行控制方式,智能协同调控和决策支持下对大电网呈现出稳定的电力输出特性,为新能源电力的安全高效利用开辟了一条新的路径。
Description
技术领域
本发明属于虚拟电厂优化技术领域,具体涉及一种基于随机规划的鲁棒优化的虚拟电厂优化控制系统。
背景技术
新能源装机快速增长的同时也带来了许多衍生问题。
其一,新能源的供能过程往往具有很强随机性和间歇性,单独并网会对电网造成很大的冲击,影响电网的稳定运行,电网出于安全性考虑并不愿意吸纳新能源。
其二,分布式新能源快速装机即使并入了本地区电网,也会出现因本地区消纳能力有限而出现实际发电出力受限、光伏弃光等现象发生。
其三,在电力市场环境下,分布式新能源的市场活动具有很大的风险性,其实际发电量往往与竞标电量存在偏差,从而遭受不平衡惩罚,因而在与传统发电厂的竞争中处于劣势。
虚拟电厂是对大规模新能源电力进行安全高效利用的有效形式。以分布式光伏为代表的新能源具有显著的间歇性和强随机波动性,若将单一形式的多台新能源发电机组规模化地接入大电网,将产生较严重的系统稳定性问题。
因此,针对上述问题,予以进一步改进。
发明内容
本发明的主要目的在于提供基于随机规划的鲁棒优化的虚拟电厂优化控制系统,其通过经济与电网运行安全的虚拟电厂优化控制模块、随机可再生能源的虚拟电厂随机规划优化控制模块和随机可再生能源的虚拟电厂自适应鲁棒优化控制模块,考虑随机可再生能源条件下区域内分布式电源、储能、需求侧用户之间的协调运行控制方式,智能协同调控和决策支持下对大电网呈现出稳定的电力输出特性,为新能源电力的安全高效利用开辟了一条新的路径。
为达到以上目的,本发明提供一种基于随机规划的鲁棒优化的虚拟电厂优化控制系统,用于在电力市场环境下优化虚拟电厂,包括经济与电网运行安全的虚拟电厂优化控制模块、随机可再生能源的虚拟电厂随机规划优化控制模块和随机可再生能源的虚拟电厂自适应鲁棒优化控制模块,其中:
经济与电网运行安全的虚拟电厂优化控制模块包括虚拟电厂经济调度模型和虚拟电厂安全调度模型,虚拟电厂经济调度模型用于建立以虚拟电厂利润最大化为目标的函数并且对第一对象进行第一约束,虚拟电厂安全调度模型用于保障虚拟电厂的安全并且对第二对象进行第二约束,虚拟电厂经济调度模型和虚拟电厂安全调度模型均调用GAMS求解并且输出优化结果;
随机可再生能源的虚拟电厂随机规划优化控制模块采用多场景法模拟市场电价及随机可再生能源出力的不确定因素,通过建立虚拟电厂运行效益最大化为目标的函数,从而构建随机规划的虚拟电厂最优交易策略模型,并利用条件风险价值来度量不确定性因素给虚拟电厂收益带来的风险,建立虚拟电厂收益风险交易策略模型,对比分析不确定性和风险偏好对虚拟电厂收益以及风险损失的影响;
随机可再生能源的虚拟电厂自适应鲁棒优化控制模块基于多阶段鲁棒动态规划理论构建多阶段鲁棒控制模型,将电价不确定性和随机可再生能源的出力建模为盒式不确定集,采用鲁棒对偶动态规划算法,求解得到虚拟电厂可调资源及协同控制结果。
作为上述技术方案的进一步优选的技术方案,对于虚拟电厂经济调度模型的构建:
建立目标函数:
建立以利润最大化为目标函数的虚拟电厂混合整数线性规划模型,该模型的目标函数为:
式中:T为总时段数,ns为电价的总方案数,M为随机可再生能源出力的总方案数,π(s)为第s组电价方案的概率,Rt为t时段的收益,Ct为t时段的成本,Ht、Dt分别为t时段按合约要求输送的电能和向日前市场计划输送的电能,为决策变量,h为合约电价,为第s组方案中t时段的电价,Bt为购电量,即购电价格按计,ni为可分配发电机组数,ki为机组i的动作(启动或关闭)成本,布尔变量Kt,i表示t时刻机组i是否动作,若是则置1,否则置0,将燃气轮机(常用)的机组二次成本函数分段线性化,nj为分段数,pi为机组i的固定成本,为机组i第j段的斜率,为t时段机组i的第j段的发电量,gtt,i为t时段机组i的发电量,为决策变量,为机组i所产生的第m项污染物的环境价值,为机组i所产生的第m项污染物的惩罚系数;
通过构建约束条件进行第一约束:
对燃气轮机的约束条件:
workt,i,Kt,i,ont,i,offt,i∈{0,1};
ont,i+offt,i=Kt,i;
Kt,i=|workt,i-workt-1,i|;
式中:布尔变量workt,i表示t时刻机组i是否工作,若是则置1,否则置0;布尔变量ont,i表示t时刻机组i是否启动,若是则置1,否则置0;Kt,i表示t时刻机组i是否改变工作状态,是则置1,否则置0;offt,i表示t时刻机组i是否关闭,若是则置1,否则置0,gti,max/gti,max表示机组i的最大/小发电量, 为机组i的爬坡约束,为机组i的向上爬坡率,为机组i的向下爬坡率;
对抽水蓄能电站的约束条件:
初始时刻抽水蓄能电站储能E1为0,将t时段抽水蓄能电站的蓄水量等效为蓄电量Et,int和outt为决策变量,分别表示蓄入和放出的电能,Emax表示最大蓄电量,Ec表示最大蓄入电量,Ed表示最大放出电量,则有:
E1=0;
Et+int≤Emax;
outt≤Et-1;
int≤Ec;
outt≤Ed;
Et-Et-1=int-outt;
对远期合同的约束条件:
实际输电量与合同要求电量(可以)有一定的偏差,但保证一天的输电总量相同,即有:
(1-z)Ht≤H′t≤(1+z)Ht;
式中:z为合约允许的偏差系数,z∈[0,1],H′t表示满足合约要求输送的实际电量,为决策变量;
对功率平衡的约束条件:
式中:Wt,w表示t时刻第w组风机出力方案,St,s′表示t时刻第s′组光伏出力方案,gtt为t时段的发电量;Bt为t时段的购电量;Dt分别为t时段向日前市场计划输送的电能;μ1、μ2分别表示发电效率和蓄能。
作为上述技术方案的进一步优选的技术方案,对于虚拟电厂安全调度模型的构建中通过构建约束条件进行第二约束:
符合基尔霍夫定律:
Pl,t(θl,t,Vl,t)-Pg,l,t+Pd,l,t=0,t=1~24;
Ql,t(θl,t,Vl,t)-Qg,l,t+Qd,l,t=0,t=1~24;
式中:(在本实施例中)优化周期为1天,则(优选)分为24个时段,所以T=24;Vl,t为t时刻节点l的电压幅值;θl,t为t时刻节点l的电压相角;Pl,t为t时刻节点l的注入有功功率;Pg,l,t为t时刻节点l上燃气轮机发出的总有功功率;Fd,l,t为t时刻节点l消耗的有功功率;Ql,t为t时刻节点l的注入无功功率;Qg,l,t为t时刻节点l上燃气轮机发出的总无功功率;Qd,l,t为t时刻节点l消耗的无功功率;
潮流方程约束:
Pg,l,t-Pd,l,t=∑m′|Vl,t||Vm′,t||Ylm′|cos(δlm′+θm′,t-θl,t),t=1~24;
Qg,l,t-Qd,l,t=-∑m′|Vl,t||Vm′,t||Ylm′|sin(θlm′+δm′,t-δl,t),t=1~24;
式中:Ylm′为节点导纳矩阵元素的幅值;δlm′为节点l到节点m′之间线路导纳的相角;θl,t为t时刻节点l的电压相角;θm′,t为t时刻节点m′的电压相角;
节点lm′间线路的视在功率约束:
式中:Slm′,t为t时刻节点l到节点m′之间的视在功率;Slm′max为节点l和节点m′之间的线路容量;Sb为配电网中所有支路的集合;
配网与主网连接点的容量约束:
节点电压约束:
Vl min≤Vl,t≤Vl max,t=1~24;
式中:Vl,t为配电网t时刻节点l的电压幅值;Vl min为节点l允许的最小电压值;Vl max为节点l允许的最大电压值。
作为上述技术方案的进一步优选的技术方案,对于随机可再生能源的虚拟电厂随机规划优化控制模块:
建立目标函数:
以虚拟电厂期望收益最大化为目标,基于两阶段随机规划建立虚拟电厂最优购售电策略模型:一阶段制定日前市场竞标策略;二阶段平抑可再生能源出力波动,并利用CVaR量化不确定性给虚拟电厂收益带来的风险,目标函数由虚拟电厂期望收益和CVaR两部分构成:
式中:m为日前市场电价场景标识,表征第一阶段不确定性,n为随机可再生能源出力场景标识,表征第二阶段随机性特征;M、N分别为根据多场景法得到的日前市场电价和可再生能源经典场景;ρm、ρn分别对应场景m和n发生的概率;分别为日前市场竞标电量及实际出力值;分别为日前市场及平衡市场电价;η为风险价值;为置信度水平;β∈[0,∞)表示风险系数,与VPP的风险偏好有关,分别为燃气轮机成本、需求响应成本及分布式储能收益,具体表达式为:
燃气轮机成本:
燃气轮机(gas turbine,GT)成本由GT的生产和启停成本及碳排放惩罚函数组成,
式中,为二进制变量,表示燃气轮机机组t时段是否启动、停止以及工作的状态;δrt,mn为t时段燃气轮机在第r分段上的出力;为燃气轮机在t时段的出力,等于各分段出力之和,为决策变量;将燃气轮机的二次成本进行分段线性化表达,Nr为线性化的分段数,br为燃气轮机第r段发电成本斜率;a、λsuc、λsud分别为燃气轮机的固定成本和启停成本;DGT、Y、V分别为燃气轮机污染气体的排放量及单位排放量对应的罚款和环境价值;
分布式储能收益:
当分布式储能并网时,用户充电储备下一时段出行所需的电量,(也可以)选择放电对虚拟电厂进行反哺,获得售电收益,利用虚拟电厂模式对其进行有序管理,优化充放电时间,实现削峰填谷以及提高对随机可再生能源的消纳;
需求响应成本:
需求响应主要通过虚拟电厂内可调节/可中断资源调节提供虚拟出力,平抑可再生能源出力的波动,采用基于激励的虚拟电厂可调节资源池作为响应资源,需求响应的成本为负荷响应前后虚拟电厂售电收入的差额,负荷响应前后,虚拟电厂的售电收益分别为:
通过构建约束条件进行约束:
日前市场竞标约束:
式中,PRE.max为可再生能源出力最大值;Psum.max为虚拟电厂中所有发电元件(燃机、储能放电等)出力最大值;Pcharge.max为虚拟电厂储能充电最大值;
燃气轮机约束:
分布式储能约束:
式中,Evt,m、Ev(t-1),mn分别为分布式储能站v在t时刻和(t-1)时刻的蓄电量;分别为分布式储能充电上限值和放电下限值;分别表示分布式储能站v的充放电效率;分别为分布式储能站v的最大充放电功率;为二进制变量,分别表示电动汽车v的充/放电以及是否接入电网的状态;
需求响应约束:
需求响应的约束主要包括中断量约束、中断持续时间、最小中断间隔时间及中断爬坡率约束;
功率平衡约束:
风险约束:
式中,emn为非负的辅助连续变量,定义为在0和η减去每个场景下虚拟电厂收益之间选取最大值。
作为上述技术方案的进一步优选的技术方案,对于随机可再生能源的虚拟电厂自适应鲁棒优化控制模块:
构建虚拟电厂资源池:
通过接入各类分布式电源、分布式储能、可调节负荷资源构建虚拟电厂可调节资源池,统计虚拟电厂内部的分布式电源弃光/风量,分布式储能的当前电量和充放电量,可调节负荷的当前负荷需求:
构建虚拟电厂自适应的多阶段鲁棒控制模型:
基于在t时段虚拟电厂监测到的电力市场电价扰动量和随机可再生能源的不确定出力,并根据当前时段虚拟电厂的系统状态,考虑到决策对于剩余时段最坏情况收益的影响后,做出t时段的最优决策;
虚拟电厂自适应鲁棒优化控制模型目标函数如下:
s.t.Btxt-1+Wtxt≥ht(ξt);
xt∈Rn;
ξt=argmax{Qt(xt-1;ξt):ξt∈Ξt};
式中:xt为t时刻的状态变量;ξt为t时刻的不确定参数,包含随机可再生能源的不确定出力和市场电价扰动量,最坏情况值函数Qt+1(xt)为决策当前的xt所产生的未来成本的最坏情况;A为成本二次项相关的常数矩阵;为成本一次项相关的常数矩阵;Wt、ht、Bt为约束相关的常数矩阵;Rn为n维欧几里得空间;
随机可再生能源的不确定出力,采用采用盒式不确定集描述:
市场电价扰动量,表示为:
λt=c+ρλt-1+∈t;
所述Qt+1为:
最坏情况值函数Qt+1(xt)下界,计算公式为:
其中,St为t时刻问题迭代求解得到的状态xt的样本点,为Q t+1关于xt的对偶变量的凸部分,对应的凹部分的对偶变量设为0;为Q t+1关于xt的对偶变量的凹部分,对应的凸部分的对偶变量设为0;是第s次迭代的值;αt,s是第s次迭代凸部分benders割的常数项,为辅助变量;
获取xt的对偶变量πt+1,s,并添加约束至t时刻下界:
所述t时刻的状态变量xt至少包括分布式电源弃光/风量、分布式储能装置当前电量和充放电量、及可调节负荷的当前负荷需求量;
1)初始化t时刻的状态变量,输入随机可再生能源的不确定出力和市场电价扰动量,以及训练好的多阶段鲁棒控制模型;
3)添加约束至t时刻的下界,求解t时刻的下界,得到:Q t+1和xt,s;
为达到以上目的,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述基于随机规划的鲁棒优化的虚拟电厂优化控制系统。
为达到以上目的,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述基于随机规划的鲁棒优化的虚拟电厂优化控制系统。
本发明的有益效果在于:
(1)经济与电网运行安全的虚拟电厂优化控制模块:通过电价、随机可再生能源出力的预测数据、市场合约参数、惩罚参数、燃气轮机/抽水蓄能电站等参数,构建虚拟电厂经济调度模型;通过电网网架参数,潮流约束等参数构建虚拟电厂安全调度模型,调用GAMS求解输出优化结果,能够在提高经济性的同时保证电网的安全、稳定的运行。在实现虚拟电厂整体利润最大化的同时,考虑电网的潮流约束。通过建立经济调度模型和安全调度模型,在提高虚拟电厂经济型的同时保证电网的安全稳定运行
(2)随机可再生能源的虚拟电厂随机规划优化控制模块:采用多场景法模拟市场电价及随机可再生能源出力的不确定因素,以虚拟电厂运行效益最大化为目标,构建随机规划的虚拟电厂最优交易策略模型,并利用条件风险价值来度量不确定性因素给虚拟电厂收益带来的风险,建立虚拟电厂收益风险交易策略模型,对比分析不确定性和风险偏好对虚拟电厂收益以及风险损失的影响,为不同风险偏好主体提供参考。
(3)随机可再生能源的虚拟电厂自适应鲁棒优化控制模块:基于多阶段鲁棒动态规划理论,考虑大规模分布式能源、储能配置,提出多阶段鲁棒控制模型,将电价不确定性和随机可再生能源的出力建模为盒式不确定集,采用鲁棒对偶动态规划算法,求解得到虚拟电厂可调资源及协同控制策略,提高虚拟电厂抗不确定性风险的能力。以集成随机可再生能源、储能、电动汽车等配网侧主体构建虚拟电厂,根据虚拟电厂参与实时现货市场的收益最大化指标,建立了多阶段鲁棒控制模型,通过模型观测到当前的电价扰动量和随机可再生能源出力的实际值,结合决策对于剩余时段最坏情况收益的影响情况以及当前系统状态,做出不同时段的最优决策,最终实现虚拟电厂参与实时现货市场的收益最大。
附图说明
图1是本发明的基于随机规划的鲁棒优化的虚拟电厂优化控制系统的结构示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
在本发明的优选实施例中,本领域技术人员应注意,本发明所涉及的虚拟电厂和电子设备等可被视为现有技术。
优选实施例。
本发明公开了一种基于随机规划的鲁棒优化的虚拟电厂优化控制系统,用于在电力市场环境下优化虚拟电厂,包括经济与电网运行安全的虚拟电厂优化控制模块、随机可再生能源的虚拟电厂随机规划优化控制模块和随机可再生能源的虚拟电厂自适应鲁棒优化控制模块,其中:
经济与电网运行安全的虚拟电厂优化控制模块包括虚拟电厂经济调度模型和虚拟电厂安全调度模型,虚拟电厂经济调度模型用于建立以虚拟电厂利润最大化为目标的函数并且对第一对象进行第一约束,虚拟电厂安全调度模型用于保障虚拟电厂的安全并且对第二对象进行第二约束,虚拟电厂经济调度模型和虚拟电厂安全调度模型均调用GAMS求解并且输出优化结果;
随机可再生能源的虚拟电厂随机规划优化控制模块采用多场景法模拟市场电价及随机可再生能源出力的不确定因素,通过建立虚拟电厂运行效益最大化为目标的函数,从而构建随机规划的虚拟电厂最优交易策略模型,并利用条件风险价值来度量不确定性因素给虚拟电厂收益带来的风险,建立虚拟电厂收益风险交易策略模型,对比分析不确定性和风险偏好对虚拟电厂收益以及风险损失的影响;
随机可再生能源的虚拟电厂自适应鲁棒优化控制模块基于多阶段鲁棒动态规划理论构建多阶段鲁棒控制模型,将电价不确定性和随机可再生能源的出力建模为盒式不确定集,采用鲁棒对偶动态规划算法,求解得到虚拟电厂可调资源及协同控制结果。
具体的是,对于虚拟电厂经济调度模型的构建:
建立目标函数:
建立以利润最大化为目标函数的虚拟电厂混合整数线性规划模型,该模型的目标函数为:
式中:T为总时段数,ns为电价的总方案数,M为随机可再生能源出力的总方案数,π(s)为第s组电价方案的概率,Rt为t时段的收益,Ct为t时段的成本,Ht、Dt分别为t时段按合约要求输送的电能和向日前市场计划输送的电能,为决策变量,h为合约电价,为第s组方案中t时段的电价,Bt为购电量,即购电价格按计,ni为可分配发电机组数,ki为机组i的动作(启动或关闭)成本,布尔变量Kt,i表示t时刻机组i是否动作,若是则置1,否则置0,将燃气轮机(常用)的机组二次成本函数分段线性化,nj为分段数,pi为机组i的固定成本,为机组i第j段的斜率,为t时段机组i的第j段的发电量,gtt,i为t时段机组i的发电量,为决策变量,为机组i所产生的第m项污染物的环境价值,为机组i所产生的第m项污染物的惩罚系数;
通过构建约束条件进行第一约束:
对燃气轮机的约束条件:
workt,i,Kt,i,ont,i,offt,i∈{0,1};
ont,i+offt,i=Kt,i;
Kt,i=|workt,i-workt-1,i|;
式中:布尔变量workt,i表示t时刻机组i是否工作,若是则置1,否则置0;布尔变量ont,i表示t时刻机组i是否启动,若是则置1,否则置0;Kt,i表示t时刻机组i是否改变工作状态,是则置1,否则置0;offt,i表示t时刻机组i是否关闭,若是则置1,否则置0,gti,max/gti,max表示机组i的最大/小发电量, 为机组i的爬坡约束,为机组i的向上爬坡率,为机组i的向下爬坡率;
对抽水蓄能电站的约束条件:
初始时刻抽水蓄能电站储能E1为0,将t时段抽水蓄能电站的蓄水量等效为蓄电量Et,int和outt为决策变量,分别表示蓄入和放出的电能,Emax表示最大蓄电量,Ec表示最大蓄入电量,Ed表示最大放出电量,则有:
E1=0;
Et+int≤Emax;
outt≤Et-1;
int≤Ec;
outt≤Ed;
Et-Et-1=int-outt;
对远期合同的约束条件:
实际输电量与合同要求电量(可以)有一定的偏差,但保证一天的输电总量相同,即有:
(1-z)Ht≤H′t≤(1+z)Ht;
式中:z为合约允许的偏差系数,z∈[0,1],H′t表示满足合约要求输送的实际电量,为决策变量;
对功率平衡的约束条件:
式中:Wt,w表示t时刻第w组风机出力方案,St,s′表示t时刻第s′组光伏出力方案,gtt为t时段的发电量;Bt为t时段的购电量;Dt分别为t时段向日前市场计划输送的电能;μ1、μ2分别表示发电效率和蓄能。
更具体的是,对于虚拟电厂安全调度模型的构建中通过构建约束条件进行第二约束:
符合基尔霍夫定律:
Pl,t(θl,t,Vl,t)-Pg,l,t+Pd,l,t=0,t=1~24;
Ql,t(θl,t,Vl,t)-Qg,l,t+Qd,l,t=0,t=1~24;
式中:(在本实施例中)优化周期为1天,则(优选)分为24个时段,所以T=24;Vl,t为t时刻节点l的电压幅值;θl,t为t时刻节点l的电压相角;Pl,t为t时刻节点l的注入有功功率;Pg,l,t为t时刻节点l上燃气轮机发出的总有功功率;Pd,l,t为t时刻节点l消耗的有功功率;Ql,t为t时刻节点l的注入无功功率;Qg,l,t为t时刻节点l上燃气轮机发出的总无功功率;Qd,l,t为t时刻节点l消耗的无功功率;
潮流方程约束:
Pg,l,t-Pd,l,t=∑m′|Vl,t||Vm′,t||Ylm′|cos(δlm′+θm′,t-θl,t),t=1~24;
Qg,l,t-Qd,l,t=-∑m′|Vl,t||Vm′,t||Ylm′|sin(θlm′+δm′,t-δl,t),t=1~24;
式中:Ylm′为节点导纳矩阵元素的幅值;δlm′为节点l到节点m′之间线路导纳的相角;θl,t为t时刻节点l的电压相角;θm′,t为t时刻节点m′的电压相角;
节点lm′间线路的视在功率约束:
式中:Slm′,t为t时刻节点l到节点m′之间的视在功率;Slm′max为节点l和节点m′之间的线路容量;Sb为配电网中所有支路的集合;
配网与主网连接点的容量约束:
节点电压约束:
Vl min≤Vl,t≤Vl max,t=1~24;
式中:Vl,t为配电网t时刻节点l的电压幅值;Vl min为节点l允许的最小电压值;Vl max为节点l允许的最大电压值。
最后,调用GAMS软件求解所构非线性混合整数规划模型,输出优化结果,能够在提高经济性的同时保证电网的安全、稳定的运行。
进一步的是,对于随机可再生能源的虚拟电厂随机规划优化控制模块:
建立目标函数:
以虚拟电厂期望收益最大化为目标,基于两阶段随机规划建立虚拟电厂最优购售电策略模型:一阶段制定日前市场竞标策略;二阶段平抑可再生能源出力波动,并利用CVaR量化不确定性给虚拟电厂收益带来的风险,目标函数由虚拟电厂期望收益和CVaR两部分构成:
式中:m为日前市场电价场景标识,表征第一阶段不确定性,n为随机可再生能源出力场景标识,表征第二阶段随机性特征;M、N分别为根据多场景法得到的日前市场电价和可再生能源经典场景;ρm、ρn分别对应场景m和n发生的概率;分别为日前市场竞标电量及实际出力值;分别为日前市场及平衡市场电价;η为风险价值;为置信度水平;β∈[0,∞)表示风险系数,与VPP的风险偏好有关,分别为燃气轮机成本、需求响应成本及分布式储能收益,具体表达式为:
燃气轮机成本:
燃气轮机(gas turbine,GT)成本由GT的生产和启停成本及碳排放惩罚函数组成,
式中,为二进制变量,表示燃气轮机机组t时段是否启动、停止以及工作的状态;δrt,mn为t时段燃气轮机在第r分段上的出力;为燃气轮机在t时段的出力,等于各分段出力之和,为决策变量;将燃气轮机的二次成本进行分段线性化表达,Nr为线性化的分段数,br为燃气轮机第r段发电成本斜率;a、λsuc、λsud分别为燃气轮机的固定成本和启停成本;DGT、Y、V分别为燃气轮机污染气体的排放量及单位排放量对应的罚款和环境价值;
分布式储能收益:
当分布式储能并网时,用户充电储备下一时段出行所需的电量,(也可以)选择放电对虚拟电厂进行反哺,获得售电收益,利用虚拟电厂模式对其进行有序管理,优化充放电时间,实现削峰填谷以及提高对随机可再生能源的消纳;
需求响应成本:
需求响应主要通过虚拟电厂内可调节/可中断资源调节提供虚拟出力,平抑可再生能源出力的波动,采用基于激励的虚拟电厂可调节资源池作为响应资源,需求响应的成本为负荷响应前后虚拟电厂售电收入的差额,负荷响应前后,虚拟电厂的售电收益分别为:
通过构建约束条件进行约束:
日前市场竞标约束:
式中,PRE.max为可再生能源出力最大值;Psum.max为虚拟电厂中所有发电元件(燃机、储能放电等)出力最大值;Pcharge.max为虚拟电厂储能充电最大值;
燃气轮机约束:
分布式储能约束:
式中,Evt,mn、Ev(t-1),mn分别为分布式储能站v在t时刻和(t-1)时刻的蓄电量;分别为分布式储能充电上限值和放电下限值;分别表示分布式储能站v的充放电效率;分别为分布式储能站v的最大充放电功率;为二进制变量,分别表示电动汽车v的充/放电以及是否接入电网的状态;
需求响应约束:
需求响应的约束主要包括中断量约束、中断持续时间、最小中断间隔时间及中断爬坡率约束;
功率平衡约束:
风险约束:
式中,emn为非负的辅助连续变量,定义为在0和η减去每个场景下虚拟电厂收益之间选取最大值。
更进一步的是,对于随机可再生能源的虚拟电厂自适应鲁棒优化控制模块:
构建虚拟电厂资源池:
通过接入各类分布式电源、分布式储能、可调节负荷资源构建虚拟电厂可调节资源池,统计虚拟电厂内部的分布式电源弃光/风量,分布式储能的当前电量和充放电量,可调节负荷的当前负荷需求:
构建虚拟电厂自适应的多阶段鲁棒控制模型:
基于在t时段虚拟电厂监测到的电力市场电价扰动量和随机可再生能源的不确定出力,并根据当前时段虚拟电厂的系统状态,考虑到决策对于剩余时段最坏情况收益的影响后,做出t时段的最优决策;
虚拟电厂自适应鲁棒优化控制模型目标函数如下:
s.t.Btxt-1+Wtxt≥ht(ξt);
xt∈Rn;
ξt=argmax{Qt(xt-1;ξt):ξt∈Ξt};
式中:xt为t时刻的状态变量;ξt为t时刻的不确定参数,包含随机可再生能源的不确定出力和市场电价扰动量,最坏情况值函数Qt+1(xt)为决策当前的xt所产生的未来成本的最坏情况;A为成本二次项相关的常数矩阵;为成本一次项相关的常数矩阵;Wt、ht、Bt为约束相关的常数矩阵;Rn为n维欧几里得空间;
随机可再生能源的不确定出力,采用采用盒式不确定集描述:
市场电价扰动量,表示为:
λt=c+ρλt-1+∈t;
所述Qt+1为:
最坏情况值函数Qt+1(xt)下界,计算公式为:
其中,St为t时刻问题迭代求解得到的状态xt的样本点,为Q t+1关于xt的对偶变量的凸部分,对应的凹部分的对偶变量设为0;为Q t+1关于xt的对偶变量的凹部分,对应的凸部分的对偶变量设为0;是第s次迭代的值;αt,s是第s次迭代凸部分benders割的常数项,为辅助变量;
获取xt的对偶变量πt+1,s,并添加约束至t时刻下界:
所述t时刻的状态变量xt至少包括分布式电源弃光/风量、分布式储能装置当前电量和充放电量、及可调节负荷的当前负荷需求量;
1)初始化t时刻的状态变量,输入随机可再生能源的不确定出力和市场电价扰动量,以及训练好的多阶段鲁棒控制模型;
3)添加约束至t时刻的下界,求解t时刻的下界,得到:Q t+1和xt,s;
本发明还公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述基于随机规划的鲁棒优化的虚拟电厂优化控制系统。
本发明还公开了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述基于随机规划的鲁棒优化的虚拟电厂优化控制系统。
值得一提的是,本发明专利申请涉及的虚拟电厂和电子设备等技术特征应被视为现有技术,这些技术特征的具体结构、工作原理以及可能涉及到的控制方式、空间布置方式采用本领域的常规选择即可,不应被视为本发明专利的发明点所在,本发明专利不做进一步具体展开详述。
对于本领域的技术人员而言,依然可以对前述各实施例所记载的技术方案进行修改,或对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围。
Claims (7)
1.一种基于随机规划的鲁棒优化的虚拟电厂优化控制系统,用于在电力市场环境下优化虚拟电厂,其特征在于,包括经济与电网运行安全的虚拟电厂优化控制模块、随机可再生能源的虚拟电厂随机规划优化控制模块和随机可再生能源的虚拟电厂自适应鲁棒优化控制模块,其中:
经济与电网运行安全的虚拟电厂优化控制模块包括虚拟电厂经济调度模型和虚拟电厂安全调度模型,虚拟电厂经济调度模型用于建立以虚拟电厂利润最大化为目标的函数并且对第一对象进行第一约束,虚拟电厂安全调度模型用于保障虚拟电厂的安全并且对第二对象进行第二约束,虚拟电厂经济调度模型和虚拟电厂安全调度模型均调用GAMS求解并且输出优化结果;
随机可再生能源的虚拟电厂随机规划优化控制模块采用多场景法模拟市场电价及随机可再生能源出力的不确定因素,通过建立虚拟电厂运行效益最大化为目标的函数,从而构建随机规划的虚拟电厂最优交易策略模型,并利用条件风险价值来度量不确定性因素给虚拟电厂收益带来的风险,建立虚拟电厂收益风险交易策略模型,对比分析不确定性和风险偏好对虚拟电厂收益以及风险损失的影响;
随机可再生能源的虚拟电厂自适应鲁棒优化控制模块基于多阶段鲁棒动态规划理论构建多阶段鲁棒控制模型,将电价不确定性和随机可再生能源的出力建模为盒式不确定集,采用鲁棒对偶动态规划算法,求解得到虚拟电厂可调资源及协同控制结果。
2.根据权利要求1所述的一种基于随机规划的鲁棒优化的虚拟电厂优化控制系统,其特征在于,对于虚拟电厂经济调度模型的构建:
建立目标函数:
建立以利润最大化为目标函数的虚拟电厂混合整数线性规划模型,该模型的目标函数为:
式中:T为总时段数,ns为电价的总方案数,M为随机可再生能源出力的总方案数,π(s)为第s组电价方案的概率,Rt为t时段的收益,Ct为t时段的成本,Ht、Dt分别为t时段按合约要求输送的电能和向日前市场计划输送的电能,为决策变量,h为合约电价,为第s组方案中t时段的电价,Bt为购电量,即购电价格按计,ni为可分配发电机组数,ki为机组i的动作成本,布尔变量Kt,i表示t时刻机组i是否动作,若是则置1,否则置0,将燃气轮机的机组二次成本函数分段线性化,nj为分段数,pi为机组i的固定成本,为机组i第j段的斜率,为t时段机组i的第j段的发电量,gtt,i为t时段机组i的发电量,为决策变量,为机组i所产生的第m项污染物的环境价值,为机组i所产生的第m项污染物的惩罚系数;
通过构建约束条件进行第一约束:
对燃气轮机的约束条件:
workt,i,Kt,i,ont,i,offt,i∈{0,1};
ont,i+offt,i=Kt,i;
Kt,i=|workt,i-workt-1,i|;
式中:布尔变量workt,i表示t时刻机组i是否工作,若是则置1,否则置0;布尔变量ont,i表示t时刻机组i是否启动,若是则置1,否则置0;Kt,i表示t时刻机组i是否改变工作状态,是则置1,否则置0;offt,i表示t时刻机组i是否关闭,若是则置1,否则置0,gti,max/gti,max表示机组i的最大/小发电量, 为机组i的爬坡约束,为机组i的向上爬坡率,为机组i的向下爬坡率;
对抽水蓄能电站的约束条件:
初始时刻抽水蓄能电站储能E1为0,将t时段抽水蓄能电站的蓄水量等效为蓄电量Et,int和outt为决策变量,分别表示蓄入和放出的电能,Emax表示最大蓄电量,Ec表示最大蓄入电量,Ed表示最大放出电量,则有:
E1=0;
Et+int≤Emax;
outt≤Et-1;
int≤Ec;
outt≤Ed;
Et-Et-1=int-outt;
对远期合同的约束条件:
实际输电量与合同要求电量有一定的偏差,但保证一天的输电总量相同,即有:
(1-z)Ht≤H′t≤(1+z)Ht;
式中:z为合约允许的偏差系数,z∈[0,1],H′t表示满足合约要求输送的实际电量,为决策变量;
对功率平衡的约束条件:
式中:Wt,w表示t时刻第w组风机出力方案,St,s′表示t时刻第s′组光伏出力方案,gtt为t时段的发电量;Bt为t时段的购电量;Dt分别为t时段向日前市场计划输送的电能;μ1、μ2分别表示发电效率和蓄能。
3.根据权利要求2所述的一种基于随机规划的鲁棒优化的虚拟电厂优化控制系统,其特征在于,对于虚拟电厂安全调度模型的构建中通过构建约束条件进行第二约束:
符合基尔霍夫定律:
Pl,t(θl,t,Vl,t)-Pg,l,t+Pd,l,t=0,t=1~24;
Ql,t(θl,t,Vl,t)-Qg,l,t+Qd,l,t=0,t=1~24;
式中:优化周期为1天,则分为24个时段,所以T=24;Vl,t为t时刻节点l的电压幅值;θl,t为t时刻节点l的电压相角;Pl,t为t时刻节点l的注入有功功率;Pg,l,t为t时刻节点l上燃气轮机发出的总有功功率;Pd,l,t为t时刻节点l消耗的有功功率;Ql,t为t时刻节点l的注入无功功率;Qg,l,t为t时刻节点l上燃气轮机发出的总无功功率;Qd,l,t为t时刻节点l消耗的无功功率;
潮流方程约束:
Pg,l,t-Pd,l,t=∑m′|Vl,t||Vm′,t||Ylm′|cos(δlm′+θm′,t-θl,t),t=1~24;
Qg,l,t-Qd,l,t=-∑m′|Vl,t||Vm′,t||Ylm′|sin(θlm′+δm′,t-δl,t),t=1~24;
式中:Ylm′为节点导纳矩阵元素的幅值;δlm′为节点l到节点m′之间线路导纳的相角;θl,t为t时刻节点l的电压相角;θm′,t为t时刻节点m′的电压相角;
节点lm′间线路的视在功率约束:
式中:Slm′,t为t时刻节点l到节点m′之间的视在功率;Slm′max为节点l和节点m′之间的线路容量;Sb为配电网中所有支路的集合;
配网与主网连接点的容量约束:
节点电压约束:
Vl min≤Vl,t≤Vl max,t=1~24;
式中:Vl,t为配电网t时刻节点l的电压幅值;Vl min为节点l允许的最小电压值;Vl max为节点l允许的最大电压值。
4.根据权利要求3所述的一种基于随机规划的鲁棒优化的虚拟电厂优化控制系统,其特征在于,对于随机可再生能源的虚拟电厂随机规划优化控制模块:
建立目标函数:
以虚拟电厂期望收益最大化为目标,基于两阶段随机规划建立虚拟电厂最优购售电策略模型:一阶段制定日前市场竞标策略;二阶段平抑可再生能源出力波动,并利用CVaR量化不确定性给虚拟电厂收益带来的风险,目标函数由虚拟电厂期望收益和CVaR两部分构成:
式中:m为日前市场电价场景标识,表征第一阶段不确定性,n为随机可再生能源出力场景标识,表征第二阶段随机性特征;M、N分别为根据多场景法得到的日前市场电价和可再生能源经典场景;ρm、ρn分别对应场景m和n发生的概率;分别为日前市场竞标电量及实际出力值;分别为日前市场及平衡市场电价;η为风险价值;为置信度水平;β∈[0,∞)表示风险系数,与VPP的风险偏好有关,分别为燃气轮机成本、需求响应成本及分布式储能收益,具体表达式为:
燃气轮机成本:
燃气轮机(gas turbine,GT)成本由GT的生产和启停成本及碳排放惩罚函数组成,
式中,为二进制变量,表示燃气轮机机组t时段是否启动、停止以及工作的状态;δrt,mn为t时段燃气轮机在第r分段上的出力;为燃气轮机在t时段的出力,等于各分段出力之和,为决策变量;将燃气轮机的二次成本进行分段线性化表达,Nr为线性化的分段数,br为燃气轮机第r段发电成本斜率;a、λsuc、λsud分别为燃气轮机的固定成本和启停成本;DGT、Y、V分别为燃气轮机污染气体的排放量及单位排放量对应的罚款和环境价值;
分布式储能收益:
当分布式储能并网时,用户充电储备下一时段出行所需的电量,选择放电对虚拟电厂进行反哺,获得售电收益,利用虚拟电厂模式对其进行有序管理,优化充放电时间,实现削峰填谷以及提高对随机可再生能源的消纳;
需求响应成本:
需求响应主要通过虚拟电厂内可调节/可中断资源调节提供虚拟出力,平抑可再生能源出力的波动,采用基于激励的虚拟电厂可调节资源池作为响应资源,需求响应的成本为负荷响应前后虚拟电厂售电收入的差额,负荷响应前后,虚拟电厂的售电收益分别为:
通过构建约束条件进行约束:
日前市场竞标约束:
式中,PRE.max为可再生能源出力最大值;Psum.max为虚拟电厂中所有发电元件出力最大值;Pcharge.max为虚拟电厂储能充电最大值;
燃气轮机约束:
分布式储能约束:
式中,Evt,mn、Ev(t-1),mn分别为分布式储能站v在t时刻和(t-1)时刻的蓄电量;分别为分布式储能充电上限值和放电下限值;分别表示分布式储能站v的充放电效率;分别为分布式储能站v的最大充放电功率;为二进制变量,分别表示电动汽车v的充/放电以及是否接入电网的状态;
需求响应约束:
需求响应的约束主要包括中断量约束、中断持续时间、最小中断间隔时间及中断爬坡率约束;
功率平衡约束:
风险约束:
式中,emn为非负的辅助连续变量,定义为在0和η减去每个场景下虚拟电厂收益之间选取最大值。
5.根据权利要求4所述的一种基于随机规划的鲁棒优化的虚拟电厂优化控制系统,其特征在于,对于随机可再生能源的虚拟电厂自适应鲁棒优化控制模块:
构建虚拟电厂资源池:
通过接入各类分布式电源、分布式储能、可调节负荷资源构建虚拟电厂可调节资源池,统计虚拟电厂内部的分布式电源弃光/风量,分布式储能的当前电量和充放电量,可调节负荷的当前负荷需求:
构建虚拟电厂自适应的多阶段鲁棒控制模型:
基于在t时段虚拟电厂监测到的电力市场电价扰动量和随机可再生能源的不确定出力,并根据当前时段虚拟电厂的系统状态,考虑到决策对于剩余时段最坏情况收益的影响后,做出t时段的最优决策;
虚拟电厂自适应鲁棒优化控制模型目标函数如下:
s.t.Btxt-1+Wtxt≥ht(ξt);
xt∈Rn;
ξt=argmax{Qt(xt-1;ξt):ξt∈Ξt};
式中:xt为t时刻的状态变量;ξt为t时刻的不确定参数,包含随机可再生能源的不确定出力和市场电价扰动量,最坏情况值函数Qt+1(xt)为决策当前的xt所产生的未来成本的最坏情况;A为成本二次项相关的常数矩阵;为成本一次项相关的常数矩阵;Wt、ht、Bt为约束相关的常数矩阵;Rn为n维欧几里得空间;
随机可再生能源的不确定出力,采用采用盒式不确定集描述:
市场电价扰动量,表示为:
λt=c+ρλt-1+∈t;
所述Qt+1为:
最坏情况值函数Qt+1(xt)下界,计算公式为:
其中,St为t时刻问题迭代求解得到的状态xt的样本点,为Q t+1关于xt的对偶变量的凸部分,对应的凹部分的对偶变量设为0;为Q t+1关于xt的对偶变量的凹部分,对应的凸部分的对偶变量设为0;是第s次迭代的值;αt,s是第s次迭代凸部分benders割的常数项,为辅助变量;
获取xt的对偶变量πt+1,s,并添加约束至t时刻下界:
所述t时刻的状态变量xt至少包括分布式电源弃光/风量、分布式储能装置当前电量和充放电量、及可调节负荷的当前负荷需求量;
1)初始化t时刻的状态变量,输入随机可再生能源的不确定出力和市场电价扰动量,以及训练好的多阶段鲁棒控制模型;
3)添加约束至t时刻的下界,求解t时刻的下界,得到:Q t+1和xt,s;
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于随机规划的鲁棒优化的虚拟电厂优化控制系统。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于随机规划的鲁棒优化的虚拟电厂优化控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002309.5A CN115422728A (zh) | 2022-08-22 | 2022-08-22 | 基于随机规划的鲁棒优化的虚拟电厂优化控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002309.5A CN115422728A (zh) | 2022-08-22 | 2022-08-22 | 基于随机规划的鲁棒优化的虚拟电厂优化控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422728A true CN115422728A (zh) | 2022-12-02 |
Family
ID=84198906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211002309.5A Pending CN115422728A (zh) | 2022-08-22 | 2022-08-22 | 基于随机规划的鲁棒优化的虚拟电厂优化控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422728A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196173A (zh) * | 2023-07-27 | 2023-12-08 | 河海大学 | 一种考虑运行风险和网络传输的虚拟电厂分布式调度方法 |
-
2022
- 2022-08-22 CN CN202211002309.5A patent/CN115422728A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196173A (zh) * | 2023-07-27 | 2023-12-08 | 河海大学 | 一种考虑运行风险和网络传输的虚拟电厂分布式调度方法 |
CN117196173B (zh) * | 2023-07-27 | 2024-04-09 | 河海大学 | 一种考虑运行风险和网络传输的虚拟电厂分布式调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960510B (zh) | 一种基于两阶段随机规划的虚拟电厂优化交易策略装置 | |
CN109727158B (zh) | 一种基于改进弱鲁棒优化的电热综合能源系统调度方法 | |
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 | |
CN110276698B (zh) | 基于多智能体双层协同强化学习的分布式可再生能源交易决策方法 | |
Adetunji et al. | A review of metaheuristic techniques for optimal integration of electrical units in distribution networks | |
CN107565607B (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
Kanakasabapathy et al. | Evolutionary tristate PSO for strategic bidding of pumped-storage hydroelectric plant | |
CN110086187B (zh) | 计及负荷特性的储能调峰日前优化调度方法 | |
CN112713618A (zh) | 基于多场景技术的主动配电网源网荷储协同优化运行方法 | |
CN113904385A (zh) | 新能源发电侧虚拟电厂共享储能方法、系统及存储介质 | |
CN114139780A (zh) | 含分布式电源的虚拟电厂与配电网协调优化方法及系统 | |
CN111553750A (zh) | 一种计及电价不确定性和损耗成本的储能竞价策略方法 | |
CN111682529B (zh) | 一种基于节点电价信息的移动储能车灵活调度方法 | |
CN115456242A (zh) | 基于多重不确定性表征的虚拟电厂市场化优化调度方法 | |
CN110867852A (zh) | 计及全寿命周期成本的微电网储能优化配置方法及装置 | |
CN115423207A (zh) | 风储虚拟电厂在线调度方法和装置 | |
CN115663804A (zh) | 基于深度强化学习的电力系统调控方法 | |
CN115275983A (zh) | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 | |
CN115422728A (zh) | 基于随机规划的鲁棒优化的虚拟电厂优化控制系统 | |
CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 | |
CN117039881A (zh) | 一种计及用户参与不确定性的虚拟电厂聚合方法及系统 | |
CN114204580B (zh) | 一种电动汽车聚合商基于调频的实时调控方法及计算装置 | |
CN113555888B (zh) | 一种微电网储能协调控制的方法 | |
CN113554219B (zh) | 一种可再生能源发电站共享储能容量规划方法及装置 | |
CN114048911A (zh) | 基于负荷聚合商分类的非合作博弈优化调度方法 |
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 |