CN115693779A

CN115693779A - 一种多虚拟电厂与配网协同优化调度方法及设备

Info

Publication number: CN115693779A
Application number: CN202211441029.4A
Authority: CN
Inventors: 许银亮; 宋泽淏
Original assignee: Shenzhen International Graduate School of Tsinghua University
Current assignee: Shenzhen International Graduate School of Tsinghua University
Priority date: 2022-11-17
Filing date: 2022-11-17
Publication date: 2023-02-03

Abstract

本发明公开了一种多虚拟电厂与配网协同优化调度方法及设备，包括：S1构建主动负荷响应模型及储能系统响应模型，分别计算得出响应功率；S2将集中式优化目标函数解耦为每个虚拟电厂独立的优化目标函数进行求解；S3构建虚拟电厂实时运行模型；S4各个虚拟电厂将交互功率及交易电价传递给邻近虚拟电厂，各个虚拟电厂分别对本地决策变量，交互功率决策变量及交易电价进行迭代求解，获得虚拟电厂本地分布式资源的优化调度方案。本发明可以避免传统集中式优化求解的计算复杂、维数灾难、无法充分发掘海量多元分布式资源灵活性潜力等问题，可以有效提升分布式资源优化调度控制效率及灵活性，同时保障用户信息的隐私性。

Description

一种多虚拟电厂与配网协同优化调度方法及设备

技术领域

本发明涉及分布式资源优化调度技术领域，特别是涉及一种多虚拟电厂与配网协同优化调度方法及设备。

背景技术

随着风机、光伏等可再生能源发电机组装机容量持续增长，其本身所固有的强随机性对现有配电系统的安全稳定运行造成极大挑战；同时，用户侧主动负荷、储能系统等多元海量分布式资源也呈现加速增长的趋势。传统的集中式优化求解方法面对高维度的多元海量可调分布式资源日益凸显诸多问题，例如问题求解复杂且计算时间冗长、需求数据信息量大、无法满足多元海量分布式资源调控信息所要求的低延时通信等问题。

目前对于海量分布式资源优化调度的问题已有大量研究，有学者采用鲁棒优化方法应对风机、光伏等可再生能源出力的强随机性，也有学者采用随机规划方法模拟各类分布式资源调度运行的场景。然而，目前已有的研究和方法仍有以下不足：采用鲁棒优化方法得到的优化调度方案无法充分发掘多元海量分布式资源的灵活性潜力；采用随机规划方法无法应对极端场景下分布式资源的强随机性问题。

发明内容

本发明的目的在于解决提升海量分布式资源优化调度效率的问题，提供一种多虚拟电厂与配网协同优化调度方法及设备。

为实现上述目的，本发明采用以下技术方案：

一种多虚拟电厂与配网协同优化调度方法，包括以下步骤：

S1、构建对参与虚拟电厂需求响应调控的主动负荷响应模型及储能系统响应模型，分别计算得出主动负荷和储能系统的响应功率；

S2、将集中式优化目标函数解耦分解为每个虚拟电厂独立的优化目标函数进行求解；

S3、构建虚拟电厂实时运行模型，为维持虚拟电厂内部本地功率动态平衡分别做出本地决策变量以及得出和邻近虚拟电厂的交互功率决策变量及交易电价；

S4、各个虚拟电厂将交互功率及交易电价传递给邻近虚拟电厂，各个虚拟电厂分别对所述本地决策变量，所述交互功率决策变量及所述交易电价进行迭代求解，获得虚拟电厂本地分布式资源的优化调度方案。

在本发明的一些实施例中，步骤S2还包括：S21、引入拉格朗日对偶乘子变量，将集中式求解下的优化目标函数写成集中式优化目标函数增广拉格朗日函数形式；S22、随后对所述集中式优化目标函数增广拉格朗日函数形式进行分解，得到单个虚拟电厂的优化目标。

在本发明的一些实施例中，所述集中式优化目标函数表达式如下：

；

其中u_i,v_i分别为第i个虚拟电厂的本地决策变量和与邻近VPP交互的决策变量，f_i ^p(u_i),f_i ^s(v_i)分别为虚拟电厂本地分布式资源调度运行成本和与邻近虚拟电厂进行功率交互的成本；

为确保配电系统运行过程中满足交互功率守恒约束

的罚函数项；

为第i个虚拟电厂选择与第j个虚拟电厂进行交互的功率决策变量，同理，

为第j个虚拟电厂选择与第i个虚拟电厂进行交互的功率决策变量，二者满足功率守恒约束，j∈N_i表示第j个虚拟电厂属于第i个虚拟电厂邻近虚拟电厂的集合；所述集中式优化目标函数增广拉格朗日函数形式表达式如下：

所述单个虚拟电厂的优化目标函数表达式如下：

其中

为引入的拉格朗日对偶乘子变量，其物理意义是第i个虚拟电厂选择与第j个虚拟电厂进行功率交互的所制定的交易电价，

则为引入的松弛变量，是第i个虚拟电厂所估计的第j个虚拟电厂与其进行交互的功率决策变量。

在本发明的一些实施例中，步骤S1中所述主动负荷响应模型表达式如下：

其中T为一天24h时段的集合，t为各个时段的索引；

为第i个虚拟电厂内部主动负荷聚合功率，其中

为固定负荷，

分别为第i个虚拟电厂在时刻t所做出的增加和削减负荷功率变量，约束

表示第i个虚拟电厂在时刻t所做出的增加和削减负荷功率变量都有一定上下限范围，

则保证在一天内第i个虚拟电厂所做出的增加和削减负荷功率总量相等，从而保证用户的用电需求，

则表明各个虚拟电厂不会同时做出增加和削减负荷功率的决策；所述储能系统响应模型表达式如下：

其中

为第i个虚拟电厂所配备的储能系统响应功率，

分别为储能系统的充电功率及放电功率，约束

和

保障储能系统充放电功率值在限定范围内且单个时刻不会同时做出充电和放电的决策，其中

为表征储能系统在时刻t选择充电还是放电的0-1变量；储能系统的荷电状态约束表达式如下：

；

其中η^ESS,ch，η^ESS,dch分别为储能系统的充电效率和放电效率，

为储能系统的容量，Δt为时间间隔，同时荷电状态的值需要满足上下限约束

其中

分别为荷电状态的最小值和最大值，约束S_init,i＝S_T,i保障一天中储能系统的充电和放电完成一次循环，其中S_init,i，S_T,i分别为一天内荷电状态的初始值和最终值。

在本发明的一些实施例中，以各个虚拟电厂以最小化自身运营成本为目标，对邻近虚拟电厂的交互功率及交易电价进行预估；步骤S3中所述虚拟电厂实时运行模型如下：

各个虚拟电厂在运行过程中约束条件表达式如下：

其中

分别为各个虚拟电厂与上级电网之间的购售电功率，

分别为各个虚拟电厂与上级电网之间的购售电功率上限值，

为表征各个虚拟电厂选择与上级电网之间购电或者售电决策的0-1变量；

分别为各个虚拟电厂与邻近虚拟电厂之间的购售电功率，

分别为各个虚拟电厂与邻近虚拟电厂之间的购售电功率上限值，

为表征各个虚拟电厂选择与邻近虚拟电厂之间购电或者售电决策的0-1变量；

分别为各个虚拟电厂内部配备的光伏和风力发电机组的功率值。

在本发明的一些实施例中，为提升分布式可再生能源的就地消纳率，对电力系统实时运行过程中的交易电价有约束条件表达式如下：

其中

分别为第t时刻虚拟电厂从上级电网购电价格以及对上级电网售电价格，

分别为第t时刻虚拟电厂从邻近虚拟电厂购电价格以及对邻近虚拟电厂售电价格。

在本发明的一些实施例中，步骤S4中所述优化调度方案如下：

虚拟电厂运行成本目标函数表达式如下：

其中f_i ^VPP为第i个虚拟电厂的总运行成本；f_i ^DR为第i个虚拟电厂的需求响应调度成本，c_DR为单位需求响应调度成本，用以补偿用户改变自身用电计划；f_i ^ESS为第i个虚拟电厂的储能充放电损耗成本，c_ESS为储能充放电损耗单位成本；f_i ^Grid为第i个虚拟电厂与上级电网进行功率交互的成本；f_i ^P2P为第i个虚拟电厂与邻近虚拟电厂进行功率交互的成本。

在本发明的一些实施例中，各个虚拟电厂依据分布式增广拉格朗日法对自身运行成本目标函数进行优化求解；其中本地决策变量表达式如下：

各个虚拟电厂与邻近虚拟电厂的交互功率决策变量表达式如下：

各个虚拟电厂与邻近虚拟电厂的交易电价表达式如下：

本发明还提供一种多虚拟电厂与配网协同优化调度设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的多虚拟电厂与配网协同优化调度方法。

本发明还提供一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如上所述的多虚拟电厂与配网协同优化调度方法。

本发明与现有技术对比的有益效果包括：

本发明的方法通过将集中式优化目标函数解耦分解为每个虚拟电厂独立的优化目标函数进行求解，大大降低了单个优化目标函数的计算复杂度，解决集中式问题面临的维数灾难的问题，同时保障用户的数据隐私性和安全性。同时各个虚拟电厂可以进行并行计算，相互迭代收敛到全局最优值，显著提升了计算求解效率，从而提升系统决策调度效率和资源利用效率；本发明的方法只需要依据本地运行决策约束条件、邻近虚拟电厂的交互功率决策策略及交易电价进行优化决策，每个虚拟电厂只需要与自己的邻近用户进行交互功率决策变量及交易电价信息交互，大大提升了数据的隐私性和安全性，同时由于只需要构建本地和邻近区域的通信系统，显著降低了通信成本和通信负担，当某些用户出现通信故障问题时，其他用户仍可以进行优化调度决策，提升了通信系统应对风险的鲁棒性。

本发明实施例中的其他有益效果将在下文中进一步述及。

附图说明

图1是本发明实施中多虚拟电厂与配网协同最优调度方法流程图；

图2是本发明实施中改进的IEEE33节点配电系统示意图；

图3是本发明实施中系统内典型风机、光伏输出功率及负荷功率曲线图；

图4是本发明实施中提出的方法和传统集中式优化方法的决策结果差距收敛图；

图5是本发明另一实施中多虚拟电厂与配网协同最优调度方法流程图。

具体实施方式

下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本实施例中的左、右、上、下、顶、底等方位用语，仅是互为相对概念，或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。

由于多元海量分布式资源大部分归用户侧所有，考虑到用户个体的隐私安全问题，配电系统运营商难以获取集中式优化求解所需的用户侧设备状态参数等用户隐私信息，导致集中式问题无法求解。

鲁棒优化方法选取最坏场景下的运行成本作为目标函数，虽然考虑最坏场景能够计及极端场景下风机、光伏等可再生能源出力的波动性，但多数情况下采用鲁棒优化方法得到的优化调度方案会过于保守，无法充分发掘多元海量分布式资源的灵活性潜力；随机规划方法虽然考虑到分布式资源多种可能运行场景，但由于求解的目标函数是多种场景的期望，所得到的调度方案鲁棒性较差，无法应对极端场景下分布式资源的强随机性问题。

现有的研究方法中，各个虚拟电厂多为只考虑与上级电网进行功率交互，未考虑多个虚拟电厂间的功率交互，未能充分发挥多区域间的互补协同增效作用。

为解决上述问题，本发明实施例提出一种基于分布式增广拉格朗日法的多虚拟电厂最优调度方法。

实施例1

本发明下述实施例提出一种多虚拟电厂与配网协同优化调度方法，如图1所示，包括以下步骤：S1、构建对参与虚拟电厂需求响应调控的主动负荷响应模型及储能系统响应模型，分别计算得出主动负荷和储能系统的响应功率；S2、将集中式优化目标函数解耦分解为每个虚拟电厂独立的优化目标函数进行求解；S3、构建虚拟电厂实时运行模型，为维持虚拟电厂本地功率动态平衡分别做出本地决策变量以及得出和邻近虚拟电厂的交互功率决策变量及交易电价；

本发明实施例中电力系统可以分解为多个虚拟电厂，每个虚拟电厂即为电力系统的子区域。本地决策变量为每个子区域(虚拟电厂)的可调度分布式资源的调度策略，综合子区域内部所有可调度资源的调度策略即可得到本地分布式资源的优化调度方案。

在本发明实施例中，步骤S2还包括：S21、引入拉格朗日对偶乘子变量，将集中式求解下的优化目标函数写成集中式优化目标函数增广拉格朗日函数形式；S22、随后对所述集中式优化目标函数增广拉格朗日函数形式进行分解，得到单个虚拟电厂的优化目标。

本发明实施例中，所述集中式优化目标函数表达式如下：

；

为确保配电系统运行过程中满足交互功率守恒约束

的罚函数项；

所述单个虚拟电厂的优化目标函数表达式如下：

其中

本发明实施例中，步骤S1中所述主动负荷响应模型表达式如下：

其中T为一天24h时段的集合，t为各个时段的索引；

为第i个虚拟电厂内部主动负荷聚合功率，其中

为固定负荷，

其中

为第i个虚拟电厂所配备的储能系统响应功率，

分别为储能系统的充电功率及放电功率，约束

和

；

其中

本发明实施例中，以各个虚拟电厂以最小化自身运营成本为目标，对邻近虚拟电厂的交互功率及交易电价进行预估。

本发明实施例中，步骤S3中所述虚拟电厂实时运行模型如下：

其中，各个虚拟电厂在运行过程中约束条件表达式如下：

其中

分别为各个虚拟电厂与上级电网之间的购售电功率，

分别为各个虚拟电厂与上级电网之间的购售电功率上限值，

分别为各个虚拟电厂与邻近虚拟电厂之间的购售电功率，

本发明实施例中，为提升分布式可再生能源的就地消纳率，对包含所有虚拟电厂在内的整体电力系统实时运行过程中的交易电价有约束条件表达式如下：

其中

本发明实施例中，步骤S4中所述优化调度方案如下：

其中，虚拟电厂运行成本目标函数表达式如下：

本发明实施例中，各个虚拟电厂依据分布式增广拉格朗日法对自身运行成本目标函数进行优化求解；其中本地决策变量表达式如下：

各个虚拟电厂与邻近虚拟电厂的交易电价表达式如下：

本发明实施例提出的是分布式优化方法，系统中各个主体依据部分信息，即本地运行决策约束条件和邻近主体的决策信息(包括邻近主体的交易数量及交易价格)进行本地优化决策，不同于集中式优化方法必须依据系统所有主体的全局信息才能进行优化决策，分布式优化方法仅需要根据局部信息就能实现系统中各个主体的优化决策，单个主体的优化决策过程可以独立执行，而不必等到收集所有主体的信息才进行，从而实现并行计算，提升优化决策过程求解效率的同时保障了用户的信息隐私安全(用户仅需要和自身邻近主体进行信息交互，而不需要向整个系统广播自身的信息)。

步骤S1-S3均为并行计算过程，并行计算指的是每个虚拟电厂(子区域)可以独立根据部分信息(本地运行约束条件及邻近区域的决策信息)进行优化决策过程，而不需要等到收集所有其他区域的信息之后才能进行优化决策。并行计算有效避免了集中式优化方法中必须根据系统中所有区域的信息才能进行优化决策的问题，如果有一些虚拟电厂的响应速度比其他虚拟电厂的响应速度慢，则集中式优化方法中必须等到响应速度最慢的区域上报自身信息之后才能进行优化决策；而本发明实施例所提出的分布式优化方法则从根本上避免了这一问题的出现，各个虚拟电厂可以根据部分信息(本地运行约束条件及邻近区域的决策信息)进行独立优化决策过程，在步骤S4中向与自身邻接的区域传递决策信息(包括能量交易数量及交易价格)，此后对交易双方的决策信息(包括能量交易数量及交易价格)进行闭环迭代优化修正直到收敛，降低了原先集中式优化问题的求解复杂度并提升问题求解效率。

实施例2

本发明另一个实施例提出的基于分布式增广拉格朗日法的多虚拟电厂最优调度方法分为3个步骤：

步骤1：对主动负荷和储能系统进行建模，包括如图5所示的方法流程图中的A1和A2，对参与虚拟电厂需求响应调控的主动负荷和储能系统进行建模，分别计算得出主动负荷和储能系统的响应功率。

步骤2：对虚拟电厂实时运行过程进行建模，包括如图5所示的方法流程图中的A3及A4，虚拟电厂收集各本地分布式资源的功率交互需求，依据功率动态平衡原则初步制定本地分布式资源调度方案及与邻近虚拟电厂进行功率交互的方案。

步骤3：多虚拟电厂的最终优化调度方案，包括如图5所示的方法流程图中的A5、A6及A7，建立虚拟电厂与上级电网及邻近虚拟电厂进行交易的优化调度模型并采用分布式增广拉格朗日法求解，得出虚拟电厂最终内部分布式资源优化调度方案。

本实施例提出一种基于分布式增广拉格朗日法的多虚拟电厂与配网协同最优调度方法，将集中式优化目标函数分解为各个虚拟电厂自身的优化目标函数进行并行独立求解：

目标函数为：

集中式优化求解目标函数如式(1)所示，式中u_i,v_i分别为第i个虚拟电厂(VirtualPowerPlant,VPP)的本地决策变量和与邻近VPP交互的决策变量，f_i ^p(u_i),f_i ^s(v_i)分别为VPP本地分布式资源调度运行成本和与邻近VPP进行功率交互的成本；

为确保配电系统运行过程中满足交互功率守恒约束

的罚函数项；

为第i个VPP选择与第j个VPP进行交互的功率决策变量，同理，

为第j个VPP选择与第i个VPP进行交互的功率决策变量，二者满足功率守恒约束，j∈N_i表示第j个VPP属于第i个VPP邻近VPP的集合。

分布式增广拉格朗日法的核心思想为将集中式优化求解下的目标函数通过分解得到每个VPP可以单独求解的优化目标，从而实现多个子问题并行优化求解，降低问题求解复杂度，首先引入拉格朗日对偶乘子变量λ将集中式求解下的优化目标函数写成如式(2)所示的增广拉格朗日函数形式：

随后对该式进行分解，得到单个VPP的优化目标，如式(3)所示：

式中

为引入的拉格朗日对偶乘子变量，其物理意义是第i个VPP选择与第j个VPP进行功率交互的所制定的交易电价，

则为引入的松弛变量，是第i个VPP所估计的第j个VPP与其进行交互的功率决策变量，从而实现对原拉格朗日函数中的耦合项

的松弛，使得每个VPP可以独立进行优化调度方案的制定而不依赖于集中式优化求解。

分布式增广拉格朗日法具体流程如下：

0)初始化：配电系统内各个VPP首先初步得出决定进行交互的功率和相应的交易电价：

根据式(4)更新本地决策变量：

根据式(5)以松弛变量

和收到来自邻近VPP所传递的交互功率决策变量

的凸组合形式更新自身的交互功率决策变量，式中

为指定的收敛步长：

各个VPP将更新过后的交互功率决策变量递交到邻近VPP，依据式(6)对各自的交易电价进行更新，将更新后的电价递交到邻近VPP；

重复步骤1到3进行迭代求解直至各个VPP所做出的交互功率决策收敛到给定阈值范围之内，各个VPP之间的博弈达到均衡，收敛条件由式(7)进行判定，式中τ_i为第i个VPP所给定的收敛阈值：

基于分布式增广拉格朗日法的多虚拟电厂最优调度方法包括以下3个步骤：

步骤1：对主动负荷和储能系统进行建模；

步骤2：对虚拟电厂实时运行过程进行建模；

步骤3：多虚拟电厂的最终优化调度方案。

各步骤的具体实施方法如下：

(1)对主动负荷和储能系统进行建模

(1-1)主动负荷响应模型

如式(8)所示，T为一天24h时段的集合，t为各个时段的索引；

为第i个VPP内部主动负荷聚合功率，其中

为固定负荷，

分别为第i个VPP在时刻t所做出的增加和削减负荷功率变量，约束

表示第i个VPP在时刻t所做出的增加和削减负荷功率变量都有一定上下限范围，

则保证在一天24h时段第i个VPP在时刻t所做出的增加和削减负荷功率总量相等，从而保证用户的用电需求，

则表明各个VPP不会同时做出增加和削减负荷功率的决策。

(1－2)储能系统响应模型

如式(9)所示，

为第i个VPP所配备的储能系统(EnergyStorageSystem,ESS)响应功率，

分别为ESS的充电功率及放电功率，约束

和

保障ESS充放电功率值在限定范围内且单个时刻不会同时做出充电和放电的决策，其中

为表征ESS在时刻t选择充电还是放电的0-1变量；ESS的荷电状态(StateofCharge,SOC)需要满足约束

式中η^ESS,ch,η^ESS,dch分别为ESS的充电效率和放电效率，

为ESS的容量，Δt为时间间隔，同时SOC的值需要满足上下限约束

其中

分别为SOC的最小值和最大值，约束S_init,i＝S_T,i保障一天中ESS的充电和放电完成一次循环，其中S_init,i，S_T,i分别为一天内SOC的初始值和最终值。

(2)对虚拟电厂实时运行过程进行建模

各个VPP在运行过程中约束条件包括：

其中

分别为各个VPP与上级电网之间的购售电功率，

分别为各个VPP与上级电网之间的购售电功率上限值，

为表征各个VPP选择与上级电网之间购电或者售电决策的0-1变量；

分别为各个VPP与邻近VPP之间的购售电功率，

分别为各个VPP与邻近VPP之间的购售电功率上限值，

为表征各个VPP选择与邻近VPP之间购电或者售电决策的0-1变量；

分别为各个VPP内部配备的光伏和风力发电机组的功率值。

为提升分布式可再生能源的就地消纳率，对系统实时运行过程中的交易电价有约束条件如式(13)所示：

其中

分别为第t时刻VPP从上级电网购电价格以及对上级电网售电价格，

分别为第t时刻VPP从邻近VPP购电价格以及对邻近VPP售电价格，规定任意时刻从上级电网购电价格均高于从邻近VPP购电价格，向上级电网售电价格均低于向邻近VPP售电价格，从而保障各个VPP首先考虑与邻近VPP进行功率交互来维持本地功率动态平衡，充分利用各个VPP之间的互补协同增效作用，减轻对上级电网的压力。

(3)多虚拟电厂的最终优化调度方案

VPP运行成本目标函数由式(14)表示：

式中f_i ^VPP为第i个VPP的总运行成本；f_i ^DR为第i个VPP的需求响应调度成本，c_DR为单位需求响应调度成本，用以补偿用户改变自身用电计划；f_i ^ESS为第i个VPP的储能充放电损耗成本，c_ESS为储能充放电损耗单位成本；f_i ^Grid为第i个VPP与上级电网进行功率交互的成本；f_i ^P2P为第i个VPP与邻近VPP进行功率交互的成本。

各个VPP依据分布式增广拉格朗日法对自身运行成本目标函数进行优化求解，其中本地决策变量为：

各个VPP与邻近VPP的交互功率决策变量为：

各个VPP与邻近VPP的交易电价为：

建立虚拟电厂与上级电网及邻近虚拟电厂进行交易的优化调度模型，各个VPP分别对自身的本地决策变量，交互功率决策变量及交易电价进行迭代求解，最终得到各个VPP内部分布式资源的优化调度方案。

本实施例提出一种基于分布式增广拉格朗日法的多虚拟电厂与配网协同最优调度方法，属于分布式资源优化调度技术领域。该实施例将集中式资源优化调度问题分解为多个虚拟电厂分布式资源优化调度问题，可以有效降低问题求解的复杂度，各个虚拟电厂仅需要获取部分信息就可以确定本地分布式资源优化调度方案，实现完全意义上的分布式控制。首先，构建主动负荷的响应模型及储能系统响应模型；其次，各个虚拟电厂以最小化自身运营成本为目标，对邻近虚拟电厂的交互功率及交易电价进行预估，为维持虚拟电厂内部功率动态平衡分别做出本地分布式资源的优化调度方案以及得出和邻近虚拟电厂进行交互的功率及交易电价；最后，各个虚拟电厂将交互的功率及交易电价传递给邻近虚拟电厂，通过迭代算法使得交易双方所交互的功率及电价收敛到最优值，获得最终的优化调度方案。本实施例可以避免传统集中式优化求解的计算复杂、维数灾难、无法充分发掘海量多元分布式资源灵活性潜力等问题，可以有效提升分布式资源优化调度控制效率及灵活性，同时保障用户信息的隐私性。

实施例3

图2为本发明实施例三：以改进后的IEEE33节点系统为算例验证多虚拟电厂与配网协同最优调度方法的有效性和正确性，采用MATLAB环境下的商业求解器YALMIP/GUROBI求解。考虑改进的IEEE33节点配电系统如图2所示。该系统总有功负荷为3.715MWh，总无功负荷为3.29MVar，系统基准电压为12.66kV。该系统一日内的典型风机、光伏输出功率及负荷功率曲线如图3所示，横坐标为时间(小时)，7号、33号节点接入容量为350kW的光伏发电设备，4号、10号节点接入容量为300kW的光伏发电设备，24号节点接入容量为400kW的光伏发电设备，20号、27号节点分别接入容量为300kW、200kW的光伏发电设备；13、18号节点接入容量为600kW的风机发电设备，22、30号节点接入容量为500kW的风机发电设备。储能系统额定容量为1MWh，额定功率为200kW，并设定其每日初始SOC为0.6，SOC上下限分别为0.9和0.4，运行与维护系数为＝2.736$/MWh，充电效率和放电效率均为0.95，储能系统接入的位置分别为节点15，26，28。

根据所提出的方法对系统的优化调度方法进行求解，采用本实施例方法得出的决策结果和传统集中优化方法得到的结果之间的差距收敛过程如图4所示，横坐标为迭代时间，由实验结果可以看出本实施例方法在仅根据局部信息进行优化决策的条件下仍然可以收敛达到集中式优化调度方法的全局最优值，并且本文方法的求解速度和收敛速度均取得较好的效果，随着系统规模的增大，采用本实施例方法能够取得的有益效果相较于传统的集中式优化方法可以更为显著突出，证明了本发明实施例方法的有效性和优越性。

针对现有传统集中式调度方法在电力系统实际运行调度决策中面临的诸多挑战及问题，本发明实施例取得的有益效果如下：

1)传统集中式优化方法需要根据系统全局信息进行决策，当系统规模增大时，传统集中式优化方法的决策变量规模会呈现指数型增长的趋势，面临维数灾难问题，直接对全局优化目标函数进行求解会造成极大的计算负担和降低问题求解效率，无法快速做出决策来调度系统内部资源，降低系统资源利用效率；本发明实施例所提出的分布式优化方法通过对全局目标函数的解耦处理，分解为每个用户的局部优化目标函数，大大降低了单个优化目标函数的计算复杂度，同时每个用户可以进行并行计算，相互迭代收敛到全局最优值，显著提升了计算求解效率，从而提升系统决策调度效率和资源利用效率；

2)传统集中式优化问题需要获取系统每个用户的全部信息为决策依据，不利于保障每个用户的数据隐私性和安全性，同时对系统的通信网络要求较高，增大通信负担和通信成本，在实际运行过程中也容易面临通信线路阻塞和故障问题，同时应对信息网络的恶意攻击缺乏风险规避能力；本发明实施例所提出的分布式优化方法只需要依据局部信息进行优化决策，每个用户只需要与自己的邻近用户进行部分所需要的信息交互，大大提升了数据的隐私性和安全性，同时由于只需要构建本地和邻近区域的通信系统，显著降低了通信成本和通信负担，当某些用户出现通信故障问题时，其他用户仍可以进行优化调度决策，提升了通信系统应对风险的鲁棒性。

本发明实施例将传统的集中式优化问题通过解耦处理分解为多个子问题，避免了集中式问题面临的维数灾难问题，降低单个优化问题的求解复杂度，求解速度快，同时保障用户的数据隐私性和安全性。

本发明实施例根据用户间的耦合约束关系对于原有的集中式优化目标函数进行解耦处理，分解为单个用户的优化目标函数。

在优选的实施例中，对于分布式资源的功率情况进行预测分析，建立分布式资源功率状况场景集合，有助于每个用户更好地制定本地优化调度方案。

本发明实施例还提供一种多虚拟电厂与配网协同优化调度设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的多虚拟电厂与配网协同优化调度方法。

本发明实施例还提供一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如上所述的多虚拟电厂与配网协同优化调度方法。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。