CN115456242A - 基于多重不确定性表征的虚拟电厂市场化优化调度方法 - Google Patents
基于多重不确定性表征的虚拟电厂市场化优化调度方法 Download PDFInfo
- Publication number
- CN115456242A CN115456242A CN202210955159.3A CN202210955159A CN115456242A CN 115456242 A CN115456242 A CN 115456242A CN 202210955159 A CN202210955159 A CN 202210955159A CN 115456242 A CN115456242 A CN 115456242A
- Authority
- CN
- China
- Prior art keywords
- scene
- load
- interval
- carbon
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000004044 response Effects 0.000 claims abstract description 87
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 82
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 82
- 230000005611 electricity Effects 0.000 claims abstract description 81
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims description 20
- 238000004146 energy storage Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 230000001603 reducing effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- PMGQWSIVQFOFOQ-YKVZVUFRSA-N clemastine fumarate Chemical compound OC(=O)\C=C\C(O)=O.CN1CCC[C@@H]1CCO[C@@](C)(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PMGQWSIVQFOFOQ-YKVZVUFRSA-N 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000007599 discharging Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000003672 processing method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011410 subtraction method Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012725 vapour phase polymerization Methods 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
- G06Q10/04—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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多重不确定性表征的虚拟电厂市场化优化调度方法，采用基于蒙特卡洛与曼哈顿概率距离的场景法对风光出力、电价进行建模，同时利用区间法对碳价、需求响应进行建模；以虚拟电厂运行成本最小化为目标，综合考虑电能市场交易、碳权交易和激励型需求响应机制，建立了基于区间线性规划的虚拟电厂优化调度模型，采用强区间线性规划方法中的两阶段分解算法对模型进行求解。该发明能够通过指标间变化趋势有效地反映多重不确定性因素对系统调度结果的影响，在保证VPP系统安全运行的基础上提高了经济性，区间形式的表示为决策者留出了一定的现实选择空间，对于未来VPP系统的优化调度具有指导性意义。
Description
技术领域
本发明涉及一种能源管理技术，特别涉及一种基于多重不确定性表征的虚拟电厂市场化优化调度方法。
背景技术
随着能源行业的不断转型升级，我国新型电力系统发展面临结构多样化和清洁低碳的挑战，供需侧新能源大规模并网，由于其出力波动性强、地理位置分散，将对电网运行的安全与稳定产生一定的影响。
VPP(Virtual Power Plant,虚拟电厂)作为连接电网管理中心与分布式能源间的桥梁，通过对灵活性资源、电动汽车、可控负荷和储能设备等的精准控制，实现资源聚合、削峰填谷、排碳减碳等目标。针对VPP优化调度模型建立，当前国内外科研人员构建包含分布式可再生能源、储能、可控负荷等等的VPP 集群架构，建立日前日内两阶段优化调度模型；此外也有研究将碳排放量计入机组运行约束，以VPP在电市场和碳市场中收益最大为目标，构建了VPP经济调度模型。上述研究主要针对VPP确定性的优化调度模型，没有考虑VPP中新能源出力、需求响应、碳交易价格及购售电价等因素的不确定性，使得调度仿真结果与实际情况存在着偏差。
当前，针对不同调度资源的不确定性进行建模，常见的处理不确定性的方法有模糊法、随机规划法、场景法、鲁棒优化法、区间法等等，有研究用电价预测场景集模拟电价不确定性，提出了储能在电价不确定性条件下的最优竞价策略，建立了电价-电量投标模型；此外还有研究考虑不确定性因素，介绍了一个包含共同优化多市场(如能源、储备)、系统(如惯性、无功功率)和本地网络(如电压支持)服务的VPP供应架构，以实现其收入最大化，上述方法考虑到了VPP模型中单个不确定性因素的影响，未对VPP优化调度模型中的多重不确定性因素进行表征，因此，需全面考虑多重不确定性因素共同作用下的处理方法，在保证VPP经济运行的基础上，维持其稳定性和安全性。
发明内容
针对虚拟电厂调度与诸多不定因素相关的问题，提出了一种基于多重不确定性表征的虚拟电厂市场化优化调度方法，考虑在风光出力、电价、碳价及需求响应多重不确定性因素影响下的VPP调度系统，在能源市场交易的条件下，采用基于蒙特卡洛与曼哈顿概率概率距离的场景法和区间法分别对风光出力、电价和碳价、需求响应不确定性进行建模，建立基于区间线性规划的VPP优化调度模型，并采用强区间线性规划方法中的两阶段分解算法对模型进行求解，最后，通过算例仿真，验证了所提优化方法和模型的合理性与适用性。
本发明的技术方案为：一种基于多重不确定性表征的虚拟电厂市场化优化调度方法，具体包括如下步骤：
1)利用能源系统中历史数据的波动规律，采用蒙特卡洛法生成大量相应的场景Spre及对应场景发生的概率p，再采用基于曼哈顿概率距离的快速前代消除技术进行场景削减，最终生成场景信息；
2)对于能源系统中不需要精确的概率分布和历史数据量少的不确定性源，采用区间法，求解上下边界；
3)虚拟电厂作为电网管理中心与分布式能源通信，参与电力系统调度，并与主网连接进行能量交换，在满足用户的用能需求及相应约束的基础上，实现目标函数总成本最小，以此建立基于区间线性规划的虚拟电厂日前调度模型，
对于不确定性处理，将步骤2)、3)进行整合，对建立的虚拟电厂日前调度模型进行优化目标函数求解，获得优化后的调度方案。
进一步，所述步骤1)实现的具体步骤如下：
1.1)对于典型预测数据，选取标准差s与生成随机数的标准正态分布σ相乘作为数据波动并叠加到原始预测值Dpre上，用蒙特卡洛法生成m个等概率的典型预测场景集Spre：
Spre＝Dpre+sσ；
1.2)步骤1.1)中所生成的场景是概率为1/m的等概率场景，由此计算出m个场景两两之间的曼哈顿距离组成矩阵dge；
1.3)根据步骤1.2)中所得场景与场景间的曼哈顿距离矩阵dge计算每个场景与剩余场景概率距离之和，组成概率距离矩阵Yge；
1.4)根据概率距离矩阵Yge选定与剩余场景概率距离最小的场景，记为场景 Spre(a)，a为场景的索引值，根据矩阵dge在预测场景集Spre中找到与场景a的曼哈顿距离最小的场景记为场景Spre(b)，b为场景的索引；将场景Spre(a)合并到场景Spre(b)中，并将场景Spre(a)概率pa叠加到场景Spre(b)的概率pb上，得到新的场景概率，并在预测场景集Spre中删除场景a；
1.5)由1.4)中所述方法不断削减场景数量至k个，最终得到削减后的k个场景{Spre1,Sper2,Spre3,…Sprek}及削减后每个场景对应的概率{p1,p2,p3,…pk}。
进一步，所述步骤2)区间法处理碳价及需求响应不确定性方法：
2.1)对碳交易价格kc区间法建模如下：
式中，[α]±为碳价波动系数区间值，根据碳价波动历史数据所确定，波动上下限分别为αmin与αmax；kc0为一定周期内碳价平均值，由历史数据得到；[kc]±为碳交易价格区间值；
2.2)当激励价格为x0时，到达临界点N，此时用户参加需求响应而削减负荷，整个系统负荷不会有所增加；当激励价格继续增大到x1时，系统饱和，此时用户响应达到最大值；当激励价格为x时，需求响应上下限曲线λmin与λmax满足如下表达式：
2.3)用户参与需求响应削减的负荷量ΔPload为：
式中，Nload为参加需求响应的用户数量；[λ]±为需求响应系数区间数，表示为[λ]±∈ [λmin,λmax]；[WDR]±为参与需求响应的负荷比例区间数，Pload_i为第i个用户的负荷；
2.4)需求响应后的用户总负荷区间数[Pload_DR]±为:
[Pload_DR]±＝Pload-[ΔPload]±，Pload为用户总负荷。
进一步，所述能源系统中风光、电价、碳价及需求响应均适用区间法处理。
进一步，所述优化目标函数求解：
3.1)在满足能源系统约束条件的基础上，实现单个调度周期T内的虚拟电厂运营成本的最小化，统一用[]±表示区间数，目标函数函数如下：
min[Cvpp]±＝min(Cop,T+Cth,T+Cbs,T+[Cce,T]±+[CDR,T]±)，式中，[Cvpp]±为T时段内VPP系统总的运行成本；Cop,T为风电、光伏及储能的运行维护成本；Cth,T为燃气轮机运行成本；[Cbs,T]±为购售电成本区间数；[Cce,T]±为碳排放成本区间数；[CDR,T]±为需求响应成本区间数；
3.2)将步骤1)和步骤2)建立区间数线性规划模型，采用强区间线性规划方法中的两阶段分解算法进行求解，将模型分解成最优子模型和最劣子模型带入目标函数分别求解其最优值，构成最优值区间数，采用matlab中的YALMIP工具箱建模并用调用CPLEX12.8.0求解器进行求解，获得最优调度方案。
本发明的有益效果在于：本发明基于多重不确定性表征的虚拟电厂市场化优化调度方法，将场景法与区间法相结合的多重不确定性处理方法，全面考虑多重不确定性因素，建立恰当的VPP优化调度模型，在保证VPP经济运行的基础上，维持系统稳定性和安全性。
附图说明
图1为本发明方法中基于蒙特卡洛与曼哈顿概率距离的场景生成与削减法流程图；
图2为本发明方法中需求响应系数曲线图；
图3为本发明方法中VPP优化调度系统架构图；
图4为本发明方法中区间线性规划求解流程图；
图5a为本发明方法实施例中场景法处理后的风光出力图；
图5b为本发明方法实施例中场景法处理后的购售电电价图
图6a为本发明方法实施例中场景1调度出力图；
图6b为本发明方法实施例中场景1购售电与蓄电池充放电状态图；
图7a为本发明方法实施例中场景1购售电功率图；
图7b为本发明方法实施例中场景2购售电功率图；
图7c为本发明方法实施例中场景1储能充放电功率图；
图7d为本发明方法实施例中场景2储能充放电功率图；
图8为本发明碳价不确定性对机组出力影响图；
图9为本发明需求响应不确定性对用户负荷影响图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
目前能源调度方法更多的是针对VPP确定性的优化调度模型展开，未充分考虑VPP中新能源出力、需求响应、碳交易价格及购售电价等因素的不确定性，导致调度仿真结果与实际情况存在着偏差，不符合现实情况；此外，现有的一些方法考虑到了VPP模型中单个不确定性因素的影响，未对VPP优化调度模型中的多重不确定性因素进行表征。
本发明旨在采用恰当的不确定性处理方法建立具有普适性的VPP优化调度模型，在VPP系统中，风电出力受地区风速、季节、政策等因素影响，光伏出力受地区光照强度、白昼长短等因素影响，时变性较强，短时间内会出现较大的波动。同时，电价与碳价受供需及报价关系影响，会存在着相应的浮动。需求响应作为用户侧负荷调节的一种手段，易受到用户心理、用户参与度、用户年龄等因素的影响。在多重不确定性因素共同作用下，VPP协调控制中心在实际运行中需要统筹协调多种聚合单元出力，维持系统安全稳定运行。
本发明采取的技术方案如下：
1、基于蒙特卡洛与概率距离相结合的场景生成与削减法处理风、光及电价不确定性。
本发明采用蒙特卡洛法挖掘不确定性源的随机特征，以历史数为样本，最终生成满足这些特征的场景；采用曼哈顿距离法(Manhattan Distance Method) 度量几何距离，用以表明数据与数据之间的接近程度，曼哈顿距离(MD)定义为：
式中，n为数据的索引，i与j为不同的数据组。基于概率距离的场景削减法目前广泛应用于微电网、主动配电网、综合能源等系统的典型场景中。为了得到含有概率信息的场景并进行削减，本发明提出一种基于蒙特卡洛与概率距离相结合的场景生成与削减法，并应用于VPP系统中；对于蒙特卡洛法生成的大量场景集，采用基于概率距离的快速前代消除技术进行场景削减，其基本思路如下：
1)对于典型预测数据，选取一定的标准差s与生成随机数的标准正态分布σ相乘作为数据波动并叠加到原始预测值Dpre上，用蒙特卡洛法生成m个等概率的典型预测场景集Spre，如式(2)所示。
Spre＝Dpre+sσ (2)
2)步骤1)中所生成的场景是概率为1/m的等概率场景，由此计算出m个场景两两之间的曼哈顿距离组成矩阵dge，如式(3)所示。
式中，dge为m×m的对称矩阵，i和j分别为第i和第j个生成的场景编号。
3)根据步骤2)中所得场景与场景间的曼哈顿距离矩阵dge计算每个场景与剩余场景概率距离之和，组成概率距离矩阵Yge。
4)根据概率距离矩阵Yge选定与剩余场景概率距离最小的场景，记为场景 Spre(a)，a为场景的索引值，根据矩阵dge在预测场景集Spre中找到与场景a的曼哈顿距离最小的场景记为场景Spre(b)，b为场景的索引；将场景Spre(a)合并到场景Spre(b)中，并将场景Spre(a)概率pa叠加到场景Spre(b)的概率pb上，得到新的场景概率，如式(5)，并在预测场景集Spre中删除场景a。
5)由4)中所述方法不断削减场景数量至k个(k为任意正整数)，最终得到削减后的k个场景{Spre1,Sper2,Spre3,…Sprek}及削减后每个场景对应的概率{p1,p2, p3,…pk}。
此场景生成与削减法流程图如附图1所示。
风电、光伏出力和电价的不确定性都可以依据历史数据的波动规律生成相应的场景Spre及对应场景发生的概率p，相较于其他处理不确定性的方法，场景生成与削减法可以充分利用历史数据，避免了繁琐的数学计算与假设带来的误差，普适性更强。因此，采用基于上文所述的蒙特卡洛与曼哈顿概率距离的场景生成与削减法处理不确定性生成的集合W1为：
式中，{S～ xpre1 S～ xpre2.....S～ xprek}、{P～ xpre1 P～ xpre2...P～xprek}分别为风电、光伏和电价场景生成并削减后的k种不确定性场景及其对应的场景概率，Sxpre为此方法最终生成的后风电、光伏和电价对应的场景信息。
(2)区间法处理碳价及需求响应不确定性。
对于碳价及需求响应不确定性的处理，由于缺少大量支撑性强的数据，场景法并不适用，而区间法(interval method)所需数据较少，不需要精确的概率分布模型，只需求解上下边界，就可以优化目标函数区间的结果，突出不确定性参数对系统的影响，符合当前研究的实际情况。
碳交易价格kc由于受市场供需、政府政策和企业实际效益需求等影响，会随时间实时波动，区间法建模如下：
式中，[α]±为碳价波动系数区间值，根据碳价波动历史数据所确定，波动上下限分别为αmin与αmax；kc0为一定周期内碳价平均值，由历史数据得到；[kc]±为碳交易价格区间值。
本发明主要考虑IBDR(Incentive-Based Demand Response,激励型需求响应)，参与的用户主要为可中断负荷、可转移负荷和可削减负荷，用户需求相应系数为λ，激励价格为x，基于用户心理学的需求响应系数曲线如附图2所示。附图2中阴影部分与直线y＝λ1为用户的有效响应部分，当激励价格为0时，虽然用户有一定的响应空间[0,λ0]，但就现实情况来说，用户不确定性较强，不响应甚至增加负荷的用户居多；之后随着激励价格的提高，需求响应系数不断增大，用户行为逐渐从增加负荷过渡到参加响应削减负荷，当激励价格为x0时，到达临界点N，此时用户都会参加需求响应而削减负荷，整个系统负荷不会有所增加；当激励价格继续增大到x1时，系统饱和，此时用户响应达到最大值，可以忽略用户参与响应的不确定性。
当激励价格为x时，需求响应上下限曲线λmin与λmax满足如下表达式：
用户参与需求响应削减的负荷量ΔPload为：
式中，Nload为参加需求响应的用户数量，[λ]±为需求响应系数区间数，可以表示为[λ]±∈[λmin,λmax]，[WDR]±为参与需求响应的负荷比例区间数，Pload_i为第i个用户的负荷。
需求响应系数的上下限是根据图2确定的，根据激励价格可以确定上下限，参与需求响应的负荷比例区间数是给定的数据，参与的负荷量为实际参与需求响应的用户的负荷量。全文中所有的累加公式在求解过程中的匹配都是根据图4 中的求解步骤进行的，主要是将模型分解成上限子模型和下限子模型，分别对应着每一个区间数取的最大和最小值，然后对上限模型和下限模型分别求解得到上下限值。
需求响应后的用户总负荷区间数[Pload_DR]±为:
[Pload_DR]±＝Pload-[ΔPload]± (11)，Pload为用户总负荷。
(3)考虑不确定性的含源荷储的VPP优化调度模型的建立
本发明中所研究的VPP系统运用通信技术将其内部单元聚合为整体，参与电力系统调度，并与主网连接进行能量交换，在满足用户的用能需求及相应约束的基础上，实现总成本(包括风光运维成本、燃气轮机成本、需求响应成本、碳排放成本及购售电成本)最小，关键点在于多重不确定性的处理，将场景生成与削减法与区间法进行整合，建立了基于区间线性规划的VPP日前优化调度模型。VPP系统优化调度架构如附图3所示。
优化目标：在满足系统约束条件的基础上，实现单个调度周期T内的VPP 运营成本的最小化，统一用[]±表示区间数。成本函数如式(12)所示：
min[Cvpp]±＝min(Cop,T+Cth,T+Cbs,T+[Cce,T]±+[CDR,T]±) (12)
式中，[Cvpp]±为T时段内VPP系统总的运行成本；Cop,T为风电、光伏及储能的运行维护成本；Cth,T为燃气轮机运行成本；[Cbs,T]±为购售电成本区间数；[Cce,T]±为碳排放成本区间数；[CDR,T]±为需求响应成本区间数。
1)风电、光伏及储能的运行维护成本Cop,T
式中，t为具体的调度时段；调度周期T与具体调度时段t具体关系为T＝N*t,N 为正整数；sw、ssol、ssto分为别风电机组运维费用、光伏运维费用和储能蓄电池运维费用；Pw(t)、Psol(t)、Pdis(t)分别为t时刻风电出力值、光伏出力值和蓄电池放电电量。
2)燃气轮机运行成本Cth,T
燃气轮机机组运行成本由燃料成本和启停成本组成，燃料成本Cfue,T往往用与机组出力相关的二次函数来表示，启停成本Css,T与燃气轮机在T周期内的启机与停机状态有关，若机组此刻启动或停机则会计入启停成本中，如式(14) 所示：
式中，a、b、c分别是燃料成本二次项、一次项和常数项系数值，通常用数学方法拟合而确定；PGi(t)为t时段第i个燃气轮机的出力值；CGsi与CGti分别为第i 个燃气轮机的启动成本和停机成本；δGsi(t)与δGti(t)为布尔变量，表示t时段第i 个燃气轮机的的启停状态，启动时则δGsi(t)置1，否则置0，同理，停机时则δGti(t) 置1，否则置0；Nu为燃气燃机数目。
3)VPP购售电成本Cbs,T
式中，Cbuy(t)与Csell(t)分别为第t个时段电网的购电价格和售电价格；Pbuy(t)和Psell(t) 分别为第t个时刻VPP对于电网的购电功率和售电功率。(购电功率定义为正数，售电功率定义为负数)。
4)碳排放成本[Cce,T]±
采用基准线法确定碳交易配额，若VPP在t时段实际碳排量小于碳配额，则可以将剩余碳排放权在碳交易市场售出获利；反之则需在碳交易市场购买响应的碳排放权。如下所示：
式中，EGc,i(T)、EGb,i(T)分别为调度周期T内第i个燃气轮机的CO2净排量和碳配额；γGi为第i个燃气轮机单位出力的碳排量；λGi为单位电量的碳排放基准额度； [kc]±为碳价区间数。
5)需求响应成本[CDR,T]±
需求响应成本表述为：
式中，Pload_DRi(t)为t时刻第i个用户愿意参加需求响应的负荷量；xi(t)为t时刻第i个用户的激励价格。
约束条件：
1)燃气轮机约束
机组出力及爬坡约束如式(20)所示。
式中，δGri(t)为布尔变量，代表t时刻第i个机组的运行状态，运行则置1，停机则置0；PGi_min、PG分别为第i个燃气轮机出力下限和出力上限；PCi为第i个燃气轮机的爬坡功率。
机组状态约束如式(21)所示。
2)功率平衡约束
Pnet(t)+Pw(t)+Psol(t)+PGi(t)＝[Pload_DR(t)]±+Pbat(t) (22)
式中，Pnet(t)为t时刻VPP与主网间的交换功率，具体含义如式(23)；Pbat(t)为t 时刻蓄电池充电功率，其余参数同前。
3)VPP购售电交易约束
式中，δbs(t)是布尔变量，表示t时刻VPP购售电标志，购电时则置1，售电则置 0；Ppower为VPP与主网功率交换限值。
4)储能约束
蓄电池充放电约束如式(24)所示。
式中，Pbat(t)、Pcha(t)、Pdis(t)分别为t时段蓄电池出力、充电电量和放电电量；δcha(t)、δdis(t)为布尔变量，代表t时刻蓄电池充电标志和放电标志，充电时δcha(t)置1，否则为0，放电时δdis(t)置1，否则为0；Pcs为蓄电池充放电限值。
蓄电池状态约束如式(25)所示。
式中，δsta(t)为t时刻蓄电池静置标志，当蓄电池既不放电也不充电时置1，其余情况为0。
蓄电池t时刻荷电状态(State Of Charge，SOC)定义如式(26)。
式中，Ebat(t)为t时刻蓄电池电量，Emax为蓄电池最大容量。
蓄电池充电约束如式(27)，
Ebat(t)＝Ebat(t-1)+Pcha(t)-Pdis(t) (27)
式(27)等式两边同时除以Emax，可得：
又有
SOCmin≤SOC(t)≤SOCmax (29)
联立式(28)与式(29)，两边同时对求和可得蓄电池SOC约束条件，如式 (30)。
5)激励型需求响应约束
需求响应在激励价格为x时的波动为F(x)。
相应约束如下：
式(32)中依次为需求响应波动性约束、响应能力约束和响应系数约束。其中， Fmin与Fmax分别为最小波动系数和最大波动系数(这里的波动性约束是为了体现波动不可能无限小或无限大，是在一定的具体范围内变化的数值)；χ表示VPP 系统需求响应系数的最大值(这里需求响应系数约束为了体现系数的变化范围，结合图2，χ取λ1，不能无限制地进行响应)。
建立区间数线性规划(Interval Linear programming，ILP)模型，针对此模型，采用强区间线性规划方法中的两阶段分解算法进行求解，将模型分解成最优子模型和最劣子模型分别带入目标函数求解其最优值，构成最优值区间数，采用matlab中的YALMIP工具箱建模并用调用CPLEX12.8.0求解器进行求解，具体流程如附图4所示。
本发明以华东地区某小型VPP系统为研究对象，VPP聚合单元如附图3，包括燃气轮机、风电、光伏、蓄电池储能和用户柔性负荷等等。算例主要参数如下：调度周期T＝24h，优化时间尺度Δt＝1h；依照地区夏季风光与电价历史数据波动规律，所用的场景生成与削减法中风光波动幅度s取20％，电价波动幅度取 50％，经过场景生成削减处理后的风电光伏出力、用户柔性负荷及电价曲线如附图5a、5b所示。燃气轮机、蓄电池储能及需求响应相关参数见表1a、1b、1c。碳交易价格调度周期内均值kc0取1.25元/kg，波动系数[α]±取±20％，单位电量的碳排放基准额度取0.76kg/kWh；VPP系统与主网功率交换限值设置为200kW；风电、光伏和储能蓄电池运维费用分别取0.52元/kW、0.72元/kW和0.5元/kW。
表1a
表1b
表1c
为了对比分析本文中多重不确定性对VPP优化调度结果的影响，依照对不确定性处理方法的不同，结合各类不确定性处理的过程中产生的影响，设立6 个场景进行分析，具体场景设置如下：
场景1：风光及电价均用场景生成与削减法处理，碳价、需求响应建模取区间数中间值。
场景2：风光用场景生成与削减法处理，电价取分时电价，碳价、需求响应取区间数中间值。
场景3：风光及电价均用场景生成与削减法处理，碳价采用区间法处理，需求响应建模取区间数中间值。
场景4：风光及电价均用场景生成与削减法处理，碳价取区间数中间值，需求响应用区间法处理。
场景5：风光及电价均用场景生成与削减法处理，碳价、需求响应用区间法处理。
场景6：风光、电价、碳价及需求响应均用区间法处理。
场景1的优化调度结果如附图6a、6b所示。结合附图6a、6b及附图5a、 5b可知，在1:00-4:00时段内，风电光伏资源相对欠缺，夜间用户负荷需求较小，且此时购电价格较低，此时VPP根据实际情况，主要通过购电功率、蓄电池放电满足用户的负荷需求，由于控制碳成本，燃气轮机出力得到限制；在 5:00-12：00时段，风电光伏资源增加，光伏资源达到最大值，用户负荷及购售电价格大幅增长，由于售电价格较高，在5:00、8:00及9:00时刻VPP系统向电力市场出售多余电量从而获利，减小系统整体运行成本，燃气轮机此时通过碳交易购买更多的碳排放权，在6:00与7:00时段蓄电池充电电量将在 8:00-9:00时段放电，此刻，结合VPP系统通过增加燃气轮机出力与增加的风光资源满足用户的负荷需求；在13:00-19:00时段，用户负荷持续增加，购售电电价降低，因此，VPP系统购电、蓄电池充电；在20:00-24:00，风电资源达到最大，用户负荷也达到最大，燃气轮机维持最低出力从而减小碳成本，同时此刻购电价格较高，售电价格较低，VPP系统通过购电和蓄电池放电来满足负荷高峰期的用户需求。
VPP协调控制中心可以根据用户负荷需求和购售电价情况，对比发电成本与购电成本，灵活选择是否增加燃气轮机出力或进行购售电交易；储能设备在负荷低谷时储存系统多余电能，在负荷高峰时给负荷供电，减轻用户负荷需求与风光资源供给的时间错峰问题，提高新能源消纳能力。
综上所述，VPP系统可以结合购售电价、负荷需求及储能充放电，满足负荷需求的同时实现电能低价买入和高价卖出，在电力市场获利；通过在调度周期内对其内部资源的合理调控，既保证了整个系统的稳定性，又提高了VPP运行的经济性。
电价不确定性对调度结果的影响：为了描述电价不确定性对调度结果的影响，取场景1和场景2进行对照分析。场景1和场景2下VPP购售电和充放电功率情况如附图7a、7b、7c、7d所示。结合附图7a～7d中和附图5a、5b可知，场景2中VPP系统相对于场景1购电量减少，售电量增加，VPP系统会于局部购电电价低时向电力市场购买电量，售电电价高时向电力市场出售多余电量，场景1中售电时段主要在5:00、8:00和9:00时段，场景2售电时段比场景1 多了21:00与22:00时段，因此，考虑电价不确定性后VPP售电电量有所减少，在采用场景2中分时电价时VPP通过购售电获利更多，并且横向来看，随着购电报价的上升，为了节约成本，VPP会通过储能蓄电池放电满足自身所需，减少购电行为；场景1与场景2中储能蓄电池的充放电行为类似。总体来说，电价不确定性主要会对VPP购售电行为产生影响，考虑电价不确定后VPP系统会改变购售电行为以应对不确定性因素。
碳价及需求响应不确定性对调度结果的影响：碳价及需求响应部分不确定性主要用区间法表征，因此，优化出来的调度数据为区间数，为了分析其不确定性带来的影响，取场景3与4中的优化结果，碳价区间数为[1,1.5]，需求响应系数区间数为[0.25,0.35]，结果如附图8与附图9所示。
由附图8可知，在考虑碳价不确定后，可以有效地限制VPP系统中燃气轮机的出力，从而达到低碳减碳的效果。在本文中碳机制的设计下，一旦燃气轮机发电，便需要向碳市场购买响应的碳排放权，增加成本的同时也会对环境产生影响。随着图中碳价增加，燃气轮机出力和碳排量都在不断减小，燃气轮机。碳排量最终被限制在了700kW和532kg，两者的上限曲线在碳价为1.11元/kg 时被限制到最小值，下限曲线在碳价为1.19元/kg时被限制到最小值，上下限区间在碳价为1.08元/kg时最为敏感，说明碳价区间数在[1.11,1.25]时整个VPP系统拍碳减碳效果最好，在[1.08,1.11]时可以有效在短时间内对碳量进行减排。因此，碳价不确定性因素的考虑主要对燃气轮机的调度决策产生影响。
由附图9可知，需求响应机制引入后，用负荷需求明显减少，负荷曲线的峰谷差明显减小，曲线的波动性明显改善，有利于缓解新能源不确定性给系统带来的冲击，场景4采用区间法对需求响应进行分析，可以得到用户负荷的相应上限曲线和下限曲线，并能确定用户参与需求响应的范围，上下限内涵盖场景1的曲线，说明用区间法考虑需求响应不确定后，可以保证系统在可控范围内运行，增加了系统的稳定性。结合图5电价曲线，可见需求响应范围受实时电价影响，实时电价越高，响应范围越大；实时电价越低，响应范围越小，在11:00-13:00及19:00-21:00两个电价峰值阶段对应需求响应范围也越大，最大响应范围内负荷削减量区间数为[239.07,638.14]。因此，需求响应不确定性主要对VPP系统的用户负荷进行调控，削峰填谷，维持系统稳定性。
多重不确定性条件下VPP运行经济性分析：各场景下VPP运行成本如附表2 所示。由场景1与场景2各成本分析可知，考虑电价不确定性后，VPP运行成本增加1337.63元，增幅为2.4％，说明考虑电价不确定性牺牲了一定的经济性，但提升了整个VPP系统运行的稳定性，具有现实意义；由场景1与场景3、场景 4对比可知，其成本变化区间分别为[-798.49,2144.52]和[-1134.45,4951.63], 变化幅度分别为[-1.40％,3.76％]和[-1.99％,5.68％],因此，考虑碳价和需求响应不确定性后，成本区间宽度会变大，但模型更加精确，同时需求响应不确定性对VPP系统成本影响更大。由场景5与场景6成本对比可知，两者总成本区间宽度分别为8768.68元和10986.25元，场景6成本区间下限与上限都包括了场景5中的成本，说明场景5中本文所提出的方法可以在确保对多重不确定性刻画的同时提高其整体的经济性，相对于场景1中仅使用场景法和场景6中仅使用区间法本文所提的方法更具有优势性。
表2
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于多重不确定性表征的虚拟电厂市场化优化调度方法，其特征在于，具体包括如下步骤：
1)利用能源系统中历史数据的波动规律，采用蒙特卡洛法生成大量相应的场景Spre及对应场景发生的概率p，再采用基于曼哈顿概率距离的快速前代消除技术进行场景削减，最终生成场景信息；
2)对于能源系统中不需要精确的概率分布和历史数据量少的不确定性源，采用区间法，求解上下边界；
3)虚拟电厂作为电网管理中心与分布式能源通信，参与电力系统调度，并与主网连接进行能量交换，在满足用户的用能需求及相应约束的基础上，实现目标函数总成本最小，以此建立基于区间线性规划的虚拟电厂日前调度模型，
对于不确定性处理，将步骤2)、3)进行整合，对建立的虚拟电厂日前调度模型进行优化目标函数求解，获得优化后的调度方案。
2.根据权利要求1所述基于多重不确定性表征的虚拟电厂市场化优化调度方法，其特征在于，所述步骤1)实现的具体步骤如下：
1.1)对于典型预测数据，选取标准差s与生成随机数的标准正态分布σ相乘作为数据波动并叠加到原始预测值Dpre上，用蒙特卡洛法生成m个等概率的典型预测场景集Spre：
Spre＝Dpre+sσ；
1.2)步骤1.1)中所生成的场景是概率为1/m的等概率场景，由此计算出m个场景两两之间的曼哈顿距离组成矩阵dge；
1.3)根据步骤1.2)中所得场景与场景间的曼哈顿距离矩阵dge计算每个场景与剩余场景概率距离之和，组成概率距离矩阵Yge；
1.4)根据概率距离矩阵Yge选定与剩余场景概率距离最小的场景，记为场景Spre(a)，a为场景的索引值，根据矩阵dge在预测场景集Spre中找到与场景a的曼哈顿距离最小的场景记为场景Spre(b)，b为场景的索引；将场景Spre(a)合并到场景Spre(b)中，并将场景Spre(a)概率pa叠加到场景Spre(b)的概率pb上，得到新的场景概率，并在预测场景集Spre中删除场景a；
1.5)由1.4)中所述方法不断削减场景数量至k个，最终得到削减后的k个场景{Spre1,Sper2,Spre3,…Sprek}及削减后每个场景对应的概率{p1,p2,p3,…pk}。
3.根据权利要求1所述基于多重不确定性表征的虚拟电厂市场化优化调度方法，其特征在于，所述步骤2)区间法处理碳价及需求响应不确定性方法：
2.1)对碳交易价格kc区间法建模如下：
式中，[α]±为碳价波动系数区间值，根据碳价波动历史数据所确定，波动上下限分别为αmin与αmax；kc0为一定周期内碳价平均值，由历史数据得到；[kc]±为碳交易价格区间值；
2.2)当激励价格为x0时，到达临界点N，此时用户参加需求响应而削减负荷，整个系统负荷不会有所增加；当激励价格继续增大到x1时，系统饱和，此时用户响应达到最大值；当激励价格为x时，需求响应上下限曲线λmin与λmax满足如下表达式：
2.3)用户参与需求响应削减的负荷量ΔPload为：
式中，Nload为参加需求响应的用户数量；[λ]±为需求响应系数区间数，表示为[λ]±∈[λmin,λmax]；[WDR]±为参与需求响应的负荷比例区间数，Pload_i为第i个用户的负荷；
2.4)需求响应后的用户总负荷区间数[Pload_DR]±为:[Pload_DR]±＝Pload-[ΔPload]±，Pload为用户总负荷。
4.根据权利要求3所述基于多重不确定性表征的虚拟电厂市场化优化调度方法，其特征在于，所述能源系统中风光、电价、碳价及需求响应均适用区间法处理。
5.根据权利要求3所述基于多重不确定性表征的虚拟电厂市场化优化调度方法，其特征在于，所述优化目标函数求解：
3.1)在满足能源系统约束条件的基础上，实现单个调度周期T内的虚拟电厂运营成本的最小化，统一用[]±表示区间数，目标函数函数如下：
min[Cvpp]±＝min(Cop,T+Cth,T+Cbs,T+[Cce,T]±+[CDR,T]±)，
式中，[Cvpp]±为T时段内VPP系统总的运行成本；Cop,T为风电、光伏及储能的运行维护成本；Cth,T为燃气轮机运行成本；[Cbs,T]±为购售电成本区间数；[Cce,T]±为碳排放成本区间数；[CDR,T]±为需求响应成本区间数；
3.2)将步骤1)和步骤2)建立区间数线性规划模型，采用强区间线性规划方法中的两阶段分解算法进行求解，将模型分解成最优子模型和最劣子模型带入目标函数分别求解其最优值，构成最优值区间数，采用matlab中的YALMIP工具箱建模并用调用CPLEX12.8.0求解器进行求解，获得最优调度方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210955159.3A CN115456242A (zh) | 2022-08-10 | 2022-08-10 | 基于多重不确定性表征的虚拟电厂市场化优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210955159.3A CN115456242A (zh) | 2022-08-10 | 2022-08-10 | 基于多重不确定性表征的虚拟电厂市场化优化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115456242A true CN115456242A (zh) | 2022-12-09 |
Family
ID=84296587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210955159.3A Pending CN115456242A (zh) | 2022-08-10 | 2022-08-10 | 基于多重不确定性表征的虚拟电厂市场化优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115456242A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116912003A (zh) * | 2023-09-12 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 面向多交易品种的电力资源调度方法及系统 |
| CN117332997A (zh) * | 2023-12-01 | 2024-01-02 | 国网江苏省电力有限公司经济技术研究院 | 一种综合能源系统低碳优化调度方法、装置及设备 |
| CN117974201A (zh) * | 2024-04-02 | 2024-05-03 | 华南理工大学 | 虚拟电厂优化调度方法、装置、虚拟电厂系统及存储介质 |
-
2022
- 2022-08-10 CN CN202210955159.3A patent/CN115456242A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116912003A (zh) * | 2023-09-12 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 面向多交易品种的电力资源调度方法及系统 |
| CN116912003B (zh) * | 2023-09-12 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 面向多交易品种的电力资源调度方法及系统 |
| CN117332997A (zh) * | 2023-12-01 | 2024-01-02 | 国网江苏省电力有限公司经济技术研究院 | 一种综合能源系统低碳优化调度方法、装置及设备 |
| CN117332997B (zh) * | 2023-12-01 | 2024-02-23 | 国网江苏省电力有限公司经济技术研究院 | 一种综合能源系统低碳优化调度方法、装置及设备 |
| CN117974201A (zh) * | 2024-04-02 | 2024-05-03 | 华南理工大学 | 虚拟电厂优化调度方法、装置、虚拟电厂系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Multi-objective optimal scheduling for CCHP microgrids considering peak-load reduction by augmented ε-constraint method | |
| Li et al. | Shared energy storage system for prosumers in a community: Investment decision, economic operation, and benefits allocation under a cost-effective way | |
| Wu et al. | Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm | |
| Yang et al. | A two-stage optimization model for Park Integrated Energy System operation and benefit allocation considering the effect of Time-Of-Use energy price | |
| Gazijahani et al. | Game theory based profit maximization model for microgrid aggregators with presence of EDRP using information gap decision theory | |
| Wang et al. | Decentralized coordinated operation model of VPP and P2H systems based on stochastic-bargaining game considering multiple uncertainties and carbon cost | |
| 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 | |
| CN111047114A (zh) | 抽水蓄能机组在日前电力现货市场的双层竞价优化方法 | |
| CN111682526B (zh) | 一种基于合作博弈的虚拟电厂能量管理方法 | |
| US11843266B2 (en) | Dynamic non-linear optimization of a battery energy storage system | |
| Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
| CN112068436B (zh) | 工业园区的综合能源系统分层分布式控制方法及系统 | |
| CN113610311A (zh) | 双层协同架构下考虑碳减排的综合能源服务商合作运行优化方法 | |
| CN111682536A (zh) | 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法 | |
| Li et al. | Robust bidding strategy for multi-energy virtual power plant in peak-regulation ancillary service market considering uncertainties | |
| CN115099725B (zh) | 一种综合能源系统能量管理分配方法及系统 | |
| CN115693779A (zh) | 一种多虚拟电厂与配网协同优化调度方法及设备 | |
| CN117217496B (zh) | 计及主从博弈的区域综合能源系统控制方法及装置 | |
| CN115764863A (zh) | 一种基于数据驱动的多微网合作运行方法 | |
| Yunshou et al. | Cooperative operation framework for a wind-solar-CCHP multi-energy system based on Nash bargaining solution | |
| Zhang et al. | A master-slave game optimization model for electric power companies considering virtual power plant | |
| Peng et al. | Sequential coalition formation for wind-thermal combined bidding | |
| Zhang et al. | Shared energy storage-assisted and tolerance-based alliance strategy for wind power generators based on cooperative game and resource dependence theories | |
| Wang et al. | A risk-averse day-ahead bidding strategy of transactive energy sharing microgrids with data-driven chance constraints | |
| Lin et al. | Multi-energy coordinated and flexible operation optimization and revenue reallocation models for integrated micro energy system considering seasonal and daily load characteristics of different buildings |
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 |