CN115879983A - 虚拟电厂调度方法及其系统 - Google Patents

虚拟电厂调度方法及其系统 Download PDF

Info

Publication number
CN115879983A
CN115879983A CN202310071341.7A CN202310071341A CN115879983A CN 115879983 A CN115879983 A CN 115879983A CN 202310071341 A CN202310071341 A CN 202310071341A CN 115879983 A CN115879983 A CN 115879983A
Authority
CN
China
Prior art keywords
power plant
virtual power
power
virtual
period
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
Application number
CN202310071341.7A
Other languages
English (en)
Inventor
陈文韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changyuan Flywheel Internet Of Things Technology Hangzhou Co ltd
Original Assignee
Changyuan Flywheel Internet Of Things Technology Hangzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changyuan Flywheel Internet Of Things Technology Hangzhou Co ltd filed Critical Changyuan Flywheel Internet Of Things Technology Hangzhou Co ltd
Priority to CN202310071341.7A priority Critical patent/CN115879983A/zh
Publication of CN115879983A publication Critical patent/CN115879983A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种虚拟电厂调度方法及其系统，虚拟电厂调度方法包括如下步骤：S1：建立虚拟电厂调度的目标函数和约束条件，保证虚拟电厂的正常运行；S2：依据目标函数构建所述目标函数的解集；S3：验证所述解集是否满足所述约束条件，计算惩罚项
Figure ZY_1
；S4：基于虚拟电厂向电力市场购电价格、虚拟电厂向电力市场售电价格、电量需求、目标函数和惩罚项构建虚拟电厂的调度策略模型；S5：基于深度强化学习算法生成虚拟电厂的最优调度策略。本发明通过建立考虑不确定性、需求响应和风险价值的虚拟电厂调度模型，提高虚拟电厂综合收益，并搭建深度强化学习网络，进行训练和求解，提高调度策略模型的求解效率。

Description

虚拟电厂调度方法及其系统
技术领域
本发明涉及电网虚拟电厂技术领域，尤其涉及一种虚拟电厂调度方法。
背景技术
虚拟电厂(VPP, virtual power plant)本质上是将分布式电源(发电)、可控负荷(用电)、储能等聚合成一个虚拟的集中式电厂，来为电网提供需求侧响应的“虚拟集中式电厂”。虚拟电厂以物联网为基础，通过基于IOT、云服务、AI等技术手段，将电网中的分布式电源、可控负荷和储能等装置聚合成一个虚拟的可控集合体，参与电网的调度运行，协调智能电网与分布式电源之间的矛盾，挖掘分布式能源为电网和用户所带来价值和收益。
虚拟电厂的优化调度主要是利用先进的通信技术和控制策略，对内部的分布式电源进行聚合，调节它们的出力，使之参与电力市场和辅助服务市场的运行，其目标为在满足用户负荷需求的前提下，使发电成本、污染物或碳排放量最小，通常可以将虚拟电厂的优化调度抽象为为线性混合整数规划或者非线性整数规划模型，同时，虚拟电厂的调度具有高度不确定性，例如用户侧负荷需求的不确定性、太阳能供应的不确定性、电价的不确定性等，这更加增大了虚拟电厂优化调度问题的求解难度。
现有技术的虚拟电厂通常采用经典优化方法、基于规划的方法、启发式算法，利用服务器的计算资源资源进行虚拟电厂的调度。其不足之处在于：通过服务器运行经典优化算法求解虚拟电厂调度模型，通信成本高，同时耗费巨大的计算资源，且不适合非线性问题的求解；通过服务器运行启发式方法求解虚拟电厂调度模型，通信成本高，实时性难以保证；未能考虑新能源出力的随机性以及电力市场的风险价值。
发明内容
基于现有技术中的上述缺陷，本发明的目的在于提供一种基于深度强化学习的虚拟电厂的调度方案，通过深度强化学习算法进行求解虚拟电厂调度模型，较经典优化方法、基于规划的方法、启发式算法的应用范围更广。
第一方面，为实现上述发明目的，本发明提供了一种虚拟电厂调度方法，其特征在于，包括如下步骤：
S1：建立虚拟电厂调度的目标函数和约束条件，保证虚拟电厂正常运行；
S2：依据目标函数构建所述目标函数的初始解集；
S3：验证所述初始解集是否满足所述约束条件，计算惩罚项
Figure SMS_1
；
S4：基于虚拟电厂向电力市场购电价格、虚拟电厂向电力市场售电价格、电量需求、目标函数和惩罚项构建虚拟电厂的调度策略模型；
S5：基于深度强化学习算法生成虚拟电厂的最优调度策略。
优选的，所述目标函数为：
Figure SMS_2
其中，
Figure SMS_3
表示超额的虚拟电厂利润，
Figure SMS_4
表示条件风险价值的权重系数，
Figure SMS_5
表示条件风险价值。
优选的，所述约束条件包括功率平衡约束，表示为：
Figure SMS_6
其中，
Figure SMS_7
表示t时段s场景下光伏发电的输出功率，
Figure SMS_10
表示t时段s场景下风力发电的输出功率，
Figure SMS_12
表示t时段s场景下无激励措施时可调负荷削减的功率，
Figure SMS_9
表示t时段s场景下有激励措施时可调负荷削减的功率，
Figure SMS_15
表示t时段s场景下可调储能系统的放电功率，
Figure SMS_16
表示t时段s场景下可调储能系统的充电功率，
Figure SMS_17
表示t时段s场景下向市场购入的电力，
Figure SMS_8
表示t时段s场景下向市场出售的电力，
Figure SMS_11
表示t时段s场景下的损耗功率，
Figure SMS_13
表示t时段s场景下可调负荷的功率，
Figure SMS_14
表示t时段系统的电力需求；所述可调负荷是指能够根据电价、激励措施或者交易信息，实现启停、调整运行状态或调整运行时段的需求侧用电设备、电源设备及储能设备。
优选的，所述约束条件还包括：可调负荷约束条件、储能充放电约束条件、向电力市场出售电力和购入电力约束条件。
优选的，所述调度策略模型表示为：
Figure SMS_18
其中，
Figure SMS_19
表示t时段s场景时虚拟电厂向电力市场购电价格，
Figure SMS_20
表示t时段s场景时虚拟电厂向电力市场售电价格，
Figure SMS_21
表示t时段电力需求，
Figure SMS_22
表示目标函数，
Figure SMS_23
表示惩罚项。
优选的，所述目标函数的初始解集表示为：
Figure SMS_24
，
其中，
Figure SMS_25
表示为计算条件风险价值时的辅助变量；
优选的，所述深度强化学习算法包括：
S51:通过贪婪算法对所述调度策略模型
Figure SMS_26
以概率
Figure SMS_27
随机生成动作行为
Figure SMS_28
，若触发动作行为，则根据随机生成的动作行为
Figure SMS_29
预测系统收益并将动作行为
Figure SMS_30
记录于动作集中；若未触发动作行为，则选择动作集中最大收益的行为
Figure SMS_31
，其中
Figure SMS_32
为网络参数。
S52：更新解集
Figure SMS_33
，重新计算目标函数
Figure SMS_34
以及惩罚项
Figure SMS_35
；
S53：更新调度策略模型
Figure SMS_36
，并计算奖励
Figure SMS_37
；
S54：将状态经验
Figure SMS_38
记录为一条状态经验并存储至状态空间
Figure SMS_39
中，若状态经验空间
Figure SMS_40
中存储的状态经验条数达到预设值时，则可依据
Figure SMS_41
中的状态经验直接输出行为。
优选的，还包括：
S6：构建损失函数
Figure SMS_42
，进入下一次迭代直至损失函数
Figure SMS_43
收敛，所述损失函数表示为：
Figure SMS_44
其中，
Figure SMS_45
为学习率，E表示取期望值，所述学习率是优化算法中的调谐参数，所述学习率用于确定每次迭代中的步长，使损失函数收敛到最小值。
优选的，还包括，
S7：设置时间周期
Figure SMS_46
，每隔一个时间周期
Figure SMS_47
检测并更新一次网络参数
Figure SMS_48
。
第二方面，为实现上述发明目的，本申请还提出了一种虚拟电厂调度系统，调度系统执行如上任一项中所述的虚拟电厂调度方法。
本发明通过建立考虑不确定性、需求响应和风险价值的虚拟电厂调度模型，提高虚拟电厂综合收益，并搭建深度强化学习网络，进行训练和求解，提高调度策略模型的求解效率，并结合微型机器学习技术，将模型嵌入至微处理器（MCU）中，构建一种基于微型机器学习的具有自主决策能力的虚拟电厂经济调度系统。
附图说明
图1是本发明实施例的虚拟电厂结构示意图；
图2是本发明实施例的虚拟电厂调度方法流程图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
同时，应当理解，在以下的描述中，“电路”是指由至少一个元件或子电路通过电气连接或电磁连接构成的导电回路。当称元件或电路“连接到”另一元件或称元件/电路“连接在”两个节点之间时，它可以是直接耦接或连接到另一元件或者可以存在中间元件，元件之间的连接可以是物理上的、逻辑上的、或者其结合。相反，当称元件“直接耦接到”或“直接连接到”另一元件时，意味着两者不存在中间元件。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
如图2所示，本实施例的虚拟电厂调度方法，包括如下步骤：
S1：建立虚拟电厂调度的目标函数和约束条件，保证虚拟电厂正常运行；目标函数为:
Figure SMS_49
Figure SMS_50
Figure SMS_51
Figure SMS_52
Figure SMS_53
Figure SMS_54
Figure SMS_55
Figure SMS_56
Figure SMS_57
上式中，
Figure SMS_66
表示超额的虚拟电厂利润，
Figure SMS_60
表示条件风险价值的权重系数，
Figure SMS_63
表示条件风险价值，
Figure SMS_70
表示虚拟电厂的利润，
Figure SMS_73
表示风险价值，
Figure SMS_76
表示计算条件风险价值时的辅助变量，
Figure SMS_78
表示计算条件风险价值时的置信因子，
Figure SMS_68
表示价格，
Figure SMS_69
表示收入，
Figure SMS_58
表示电力功率，
Figure SMS_62
表示电力需求，
Figure SMS_72
表示失电负荷值，
Figure SMS_80
表示储能系统更换成本，
Figure SMS_77
表示储能系统总充放电容量，
Figure SMS_79
表示储能系统降级成本，
Figure SMS_61
表示储能系统的损耗系数，
Figure SMS_64
表示储能系统能级，
Figure SMS_67
表示每单位负荷削减的激励，
Figure SMS_75
表示税费（针对需求），
Figure SMS_59
表示可调负荷操作时间下限，
Figure SMS_65
表示可调负荷操作时间上限，
Figure SMS_71
表示可调负荷所需能量，
Figure SMS_74
表示概率。可调负荷是指能够根据电价、激励措施或者交易信息，实现启停、调整运行状态或调整运行时段的需求侧用电设备、电源设备及储能设备。本实施例以考虑风险损失后的虚拟电厂运营净收益最大化为目标，建立随机调度优化模型。将风电、光伏发电、储能系统和激励型需求响应集成为虚拟电厂，并引入了电力市场的风险评估。同时，引入条件风险价值理论量化和置信度方法，转换目标函数和约束条件中的随机变量，建立随机调度优化模型，充分考虑新能源的不确定性。
步骤S1中的约束条件包括：功率平衡约束条件、可调负荷约束条件、储能充放电约束条件、向电力市场出售电力和购入电力约束条件。
功率平衡约束条件表示为：
Figure SMS_81
其中，
Figure SMS_84
表示t时段s场景下光伏发电的输出功率，
Figure SMS_86
表示t时段s场景下风力发电的输出功率，
Figure SMS_91
表示t时段s场景下可调负荷削减的功率（无激励），
Figure SMS_83
表示t时段s场景下可调负荷削减的功率（有激励），
Figure SMS_85
表示t时段s场景下可调储能系统的放电功率，
Figure SMS_88
表示t时段s场景下可调储能系统的充电功率，
Figure SMS_90
表示t时段s场景下向市场购入的电力，
Figure SMS_82
表示t时段s场景下向市场出售的电力，
Figure SMS_87
表示t时段s场景下的损耗功率，
Figure SMS_89
表示t时段s场景下可调负荷的功率，
Figure SMS_92
表示t时段系统的电力需求。
可调负荷约束条件表示为：
Figure SMS_93
，
Figure SMS_94
Figure SMS_95
，
Figure SMS_96
，
式中，
Figure SMS_99
表示可调负荷的下限，
Figure SMS_100
表示可调负荷的上限，
Figure SMS_102
表示t时段s场景下可调负荷的功率，
Figure SMS_97
表示t时段s场景下可调负荷的操作状态，
Figure SMS_101
表示参与调整，否则表示不参与调整，
Figure SMS_103
可调负荷所需调整的总电量；
Figure SMS_104
表示可调负荷操作时间下限，
Figure SMS_98
表示可调负荷操作时间上限；
储能充放电约束条件表示为：
Figure SMS_105
，
Figure SMS_106
Figure SMS_107
，
Figure SMS_108
，
Figure SMS_109
，
Figure SMS_110
，
Figure SMS_111
，
式中，
Figure SMS_112
表示储能系统BES的充电功率下限，
Figure SMS_113
表示储能系统BES的充电功率上限，
Figure SMS_114
表示t时段s场景下储能系统BES充电状态变量，
Figure SMS_115
表示储能系统BES的放电功率下限，
Figure SMS_116
表示储能系统BES的放电功率上限，
Figure SMS_117
表示t时段s场景下储能系统BES放电状态变量，
Figure SMS_118
表示储能系统BES的电量下限，
Figure SMS_119
表示储能系统BES的电量上限，
Figure SMS_120
表示t时段s场景下储能系统BES的电量，
Figure SMS_121
表示s场景下储能系统BES的初始电量，
Figure SMS_122
表示s场景下储能系统BES的最终电量，
Figure SMS_123
表示储能系统BES的充电效率，
Figure SMS_124
表示储能系统BES的放电效率，
Figure SMS_125
表示储能系统BES的损耗系数，
向电力市场出售电力和购入电力约束条件：
Figure SMS_126
Figure SMS_127
式中，
Figure SMS_128
表示t时段虚拟电厂向电力市场出售电力的下限，
Figure SMS_129
表示t时段虚拟电厂向电力市场出售电力，
Figure SMS_130
表示t时段虚拟电厂向电力市场出售电力的上限。
在激励措施下可调负荷约束条件，增加利润，虚拟电厂运营商向消费者提供激励措施，使其能够在指定的时间间隔内减少部分电力需求；也就是说，根据运营商与消费者之间的合同，虚拟电厂运营商有权以预先定义的激励为代价削减部分电力需求。下式确保在任何时间和情况下，在激励措施下可调负荷下调的功率都不会超过其上限：
Figure SMS_131
，
确保在任何时间和情况下，可调负荷下调的功率(无激励)都不会超过其上限：
Figure SMS_132
。
S2：依据目标函数构建所述目标函数的初始解集；初始解集表示为：
Figure SMS_133
。
S3：验证所述解集是否满足所述约束条件，计算惩罚项
Figure SMS_134
；
S4：基于虚拟电厂向电力市场购电价格、虚拟电厂向电力市场售电价格、电量需求、目标函数和惩罚项构建虚拟电厂的调度策略模型；调度策略模型表示为：
Figure SMS_135
其中，
Figure SMS_136
表示t时段s场景时虚拟电厂向电力市场购电价格，
Figure SMS_137
表示t时段s场景时虚拟电厂向电力市场售电价格，
Figure SMS_138
表示t时段电力需求，
Figure SMS_139
表示目标函数，
Figure SMS_140
表示惩罚项。
S5：基于深度强化学习算法生成虚拟电厂的最优调度策略。
深度强化学习算法包括步骤如下：
S51:通过贪婪算法对所述调度策略模型
Figure SMS_142
以概率
Figure SMS_144
随机生成动作行为
Figure SMS_146
，若触发动作行为，则根据随机生成的动作行为
Figure SMS_143
预测系统收益并将动作行为
Figure SMS_145
记录于动作集中；若未触发动作行为，则选择动作集中最大收益的行为
Figure SMS_148
，其中
Figure SMS_149
为网络参数。本实施例中的贪婪算法采用了不确定性的策略，即在触发概率
Figure SMS_141
的动作行为时去探索并寻找全局最优解，而在未触发动作行为时在已探索的集合中寻找最优解，本实施例中动作集表示为Q-network中包含了动作行为
Figure SMS_147
以及对应的收益Q-value；
S52：更新解集
Figure SMS_150
，重新计算目标函数
Figure SMS_151
以及惩罚项
Figure SMS_152
；
S53：更新调度策略模型
Figure SMS_153
，并计算奖励
Figure SMS_154
；
S54：将状态经验
Figure SMS_155
记录为一条状态经验并存储至状态空间
Figure SMS_156
中，若状态经验空间
Figure SMS_157
中存储的状态经验条数达到预设值时，则可依据
Figure SMS_158
中的状态经验直接输出行为。
S6：构建损失函数
Figure SMS_159
，进入下一次迭代直至损失函数
Figure SMS_160
收敛，所述损失函数表示为：
Figure SMS_161
其中，
Figure SMS_162
为学习率，E表示取期望值，所述学习率是优化算法中的调谐参数，所述学习率用于确定每次迭代中的步长，使损失函数收敛到最小值。损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数，在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。在本实施例中，损失函数用于评价深度强化学习算法得出的修正状态模型的准确性。
S7：设置时间周期
Figure SMS_163
，每隔一个时间周期
Figure SMS_164
检测并更新一次网络参数
Figure SMS_165
。网络参数是用于描述线性和非线性网络（特别是基于稳态参数的电力网络）行为的数学工具。
综上所述，本实施例的虚拟电厂调度方法以考虑风险损失后的虚拟电厂运营净收益最大化为目标，建立随机调度优化模型。将风电、光伏发电、储能系统和激励型需求响应集成为虚拟电厂，并引入了电力市场的风险评估。同时，引入条件风险价值理论量化和置信度方法，转换目标函数和约束条件中的随机变量，建立随机调度优化模型，充分考虑新能源的不确定性，使本实施例的虚拟电厂调度方法能够更准确的选择出最优的调度策略。本发明实施例还通过深度强化学习方法寻找随机调度优化模型的最优解，同时提高了模型求解的效率和结果的准确性，能够快速的得出当前状态下的最优调度策略。
以上结合具体实施方式描述了本发明的技术方案，但需要说明的是，上述的这些描述只是为了解释本发明的方案，而不能以任何方式解释为对发明保护范围的具体限制。基于此处的解释，本领域的技术人员在不付出创造性劳动即可联想到本发明的其他具体实施方式或等同替换，都将落入本发明的保护范围。

Claims (10)

1.一种虚拟电厂调度方法，其特征在于，包括如下步骤：
S1：建立虚拟电厂调度的目标函数和约束条件，保证虚拟电厂正常运行；
S2：依据目标函数构建所述目标函数的初始解集；
S3：验证所述初始解集是否满足所述约束条件，计算惩罚项
Figure QLYQS_1
；
S4：基于虚拟电厂向电力市场购电价格、虚拟电厂向电力市场售电价格、电量需求、目标函数和惩罚项构建虚拟电厂的调度策略模型；
S5：基于深度强化学习算法生成虚拟电厂的最优调度策略。
2.根据权利要求1所述的虚拟电厂调度方法，其特征在于，所述目标函数为：
Figure QLYQS_2
其中，
Figure QLYQS_3
表示超额的虚拟电厂利润，
Figure QLYQS_4
表示条件风险价值的权重系数，
Figure QLYQS_5
表示条件风险价值。
3.根据权利要求1所述的虚拟电厂调度方法，其特征在于，所述约束条件包括功率平衡约束，表示为：
Figure QLYQS_6
其中，
Figure QLYQS_7
表示t时段s场景下光伏发电的输出功率，
Figure QLYQS_13
表示t时段s场景下风力发电的输出功率，
Figure QLYQS_15
表示t时段s场景下无激励措施时可调负荷削减的功率，
Figure QLYQS_9
表示t时段s场景下有激励措施时可调负荷削减的功率，
Figure QLYQS_14
表示t时段s场景下可调储能系统的放电功率，
Figure QLYQS_16
表示t时段s场景下可调储能系统的充电功率，
Figure QLYQS_17
表示t时段s场景下向市场购入的电力，
Figure QLYQS_8
表示t时段s场景下向市场出售的电力，
Figure QLYQS_10
表示t时段s场景下的损耗功率，
Figure QLYQS_11
表示t时段s场景下可调负荷的功率，
Figure QLYQS_12
表示t时段系统的电力需求；所述可调负荷是指能够根据电价、激励措施或者交易信息，实现启停、调整运行状态或调整运行时段的需求侧用电设备、电源设备及储能设备。
4.根据权利要求1所述的虚拟电厂调度方法，其特征在于，所述约束条件还包括：可调负荷约束条件、储能充放电约束条件、向电力市场出售电力和购入电力约束条件。
5.根据权利要求1所述的虚拟电厂调度方法，其特征在于，所述调度策略模型表示为：
Figure QLYQS_18
其中，
Figure QLYQS_19
表示t时段s场景时虚拟电厂向电力市场购电价格，
Figure QLYQS_20
表示t时段s场景时虚拟电厂向电力市场售电价格，
Figure QLYQS_21
表示t时段电力需求，
Figure QLYQS_22
表示目标函数，
Figure QLYQS_23
表示惩罚项。
6.根据权利要求1所述的虚拟电厂调度方法，其特征在于，所述目标函数的初始解集表示为：
Figure QLYQS_24
，
其中，
Figure QLYQS_25
表示为计算条件风险价值时的辅助变量。
7.根据权利要求5所述的虚拟电厂调度方法，其特征在于，所述深度强化学习算法包括：
S51:通过贪婪算法对所述调度策略模型
Figure QLYQS_26
以概率
Figure QLYQS_27
随机生成动作行为
Figure QLYQS_28
，若触发动作行为，则根据随机生成的动作行为
Figure QLYQS_29
预测系统收益并将动作行为
Figure QLYQS_30
记录于动作集中；若未触发动作行为，则选择动作集中最大收益的行为
Figure QLYQS_31
，其中
Figure QLYQS_32
为网络参数；
S52：更新解集
Figure QLYQS_33
，重新计算目标函数
Figure QLYQS_34
以及惩罚项
Figure QLYQS_35
；
S53：更新调度策略模型
Figure QLYQS_36
，并计算奖励
Figure QLYQS_37
；
S54：将状态经验
Figure QLYQS_38
记录为一条状态经验并存储至状态空间
Figure QLYQS_39
中，若状态经验空间
Figure QLYQS_40
中存储的状态经验条数达到预设值时，则可依据
Figure QLYQS_41
中的状态经验直接输出行为。
8.根据权利要求1所述的虚拟电厂调度方法，其特征在于，还包括：
S6：构建损失函数
Figure QLYQS_42
，进入下一次迭代直至损失函数
Figure QLYQS_43
收敛，所述损失函数表示为：
Figure QLYQS_44
其中，
Figure QLYQS_45
为学习率，E表示取期望值，所述学习率是优化算法中的调谐参数，所述学习率用于确定每次迭代中的步长，使损失函数收敛到最小值。
9.根据权利要求1所述的虚拟电厂调度方法，其特征在于，还包括，
S7：设置时间周期
Figure QLYQS_46
，每隔一个时间周期
Figure QLYQS_47
检测并更新一次网络参数
Figure QLYQS_48
。
10.一种虚拟电厂调度系统，其特征在于，所述调度系统执行如权利要求1-10中任一项所述的虚拟电厂调度方法。
CN202310071341.7A 2023-02-07 2023-02-07 虚拟电厂调度方法及其系统 Pending CN115879983A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310071341.7A CN115879983A (zh) 2023-02-07 2023-02-07 虚拟电厂调度方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310071341.7A CN115879983A (zh) 2023-02-07 2023-02-07 虚拟电厂调度方法及其系统

Publications (1)

Publication Number Publication Date
CN115879983A true CN115879983A (zh) 2023-03-31

Family

ID=85760803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310071341.7A Pending CN115879983A (zh) 2023-02-07 2023-02-07 虚拟电厂调度方法及其系统

Country Status (1)

Country Link
CN (1) CN115879983A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823332A (zh) * 2023-06-29 2023-09-29 广东电网有限责任公司广州供电局 一种计及分布式资源的虚拟电厂运营收益的量化分析系统
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
CN117541030A (zh) * 2024-01-09 2024-02-09 中建科工集团有限公司 虚拟电厂优化运行方法、装置、设备及介质
CN117559387A (zh) * 2023-10-18 2024-02-13 东南大学 基于深度强化学习动态定价的vpp内部能源优化方法及系统
CN118508526A (zh) * 2024-07-16 2024-08-16 佰聆数据股份有限公司 基于神经网络的虚拟电厂控制方法、系统及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN109902884A (zh) * 2019-03-27 2019-06-18 合肥工业大学 一种基于主从博弈策略的虚拟电厂优化调度方法
CN110048461A (zh) * 2019-05-16 2019-07-23 广东电网有限责任公司 一种多虚拟电厂分散自律优化方法
CN112488744A (zh) * 2020-10-15 2021-03-12 南京淳宁电力科技有限公司 一种交易驱动的虚拟电厂定制化构建方法
CN114036825A (zh) * 2021-10-27 2022-02-11 南方电网科学研究院有限责任公司 多虚拟电厂的协同优化调度方法、装置、设备及存储介质
CN114897346A (zh) * 2022-05-09 2022-08-12 南京国电南自软件工程有限公司 计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法
CN115564246A (zh) * 2022-10-12 2023-01-03 国网甘肃省电力公司电力科学研究院 一种考虑新能源的虚拟电厂参与电力市场的方法和装置
CN115603317A (zh) * 2022-11-01 2023-01-13 国网湖北省电力有限公司襄阳供电公司（Cn） 一种基于两阶段风险约束的虚拟电厂最优调度方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN109902884A (zh) * 2019-03-27 2019-06-18 合肥工业大学 一种基于主从博弈策略的虚拟电厂优化调度方法
CN110048461A (zh) * 2019-05-16 2019-07-23 广东电网有限责任公司 一种多虚拟电厂分散自律优化方法
CN112488744A (zh) * 2020-10-15 2021-03-12 南京淳宁电力科技有限公司 一种交易驱动的虚拟电厂定制化构建方法
CN114036825A (zh) * 2021-10-27 2022-02-11 南方电网科学研究院有限责任公司 多虚拟电厂的协同优化调度方法、装置、设备及存储介质
CN114897346A (zh) * 2022-05-09 2022-08-12 南京国电南自软件工程有限公司 计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法
CN115564246A (zh) * 2022-10-12 2023-01-03 国网甘肃省电力公司电力科学研究院 一种考虑新能源的虚拟电厂参与电力市场的方法和装置
CN115603317A (zh) * 2022-11-01 2023-01-13 国网湖北省电力有限公司襄阳供电公司（Cn） 一种基于两阶段风险约束的虚拟电厂最优调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
中国仿真学会编；赵沁平，李伯虎总主编: "《统计语言模型内在机制及应用》", 科学技术文献出版社, pages: 313 *
潘华;梁作放;薛强中;郑芳;肖雨涵;: "基于分时电价的含风-光-气-储虚拟电厂经济调度", 太阳能学报, no. 08, pages 121 - 128 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823332A (zh) * 2023-06-29 2023-09-29 广东电网有限责任公司广州供电局 一种计及分布式资源的虚拟电厂运营收益的量化分析系统
CN116823332B (zh) * 2023-06-29 2024-05-07 广东电网有限责任公司广州供电局 一种计及分布式资源的虚拟电厂运营收益的量化分析系统
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
CN117559387A (zh) * 2023-10-18 2024-02-13 东南大学 基于深度强化学习动态定价的vpp内部能源优化方法及系统
CN117541030A (zh) * 2024-01-09 2024-02-09 中建科工集团有限公司 虚拟电厂优化运行方法、装置、设备及介质
CN117541030B (zh) * 2024-01-09 2024-04-26 中建科工集团有限公司 虚拟电厂优化运行方法、装置、设备及介质
CN118508526A (zh) * 2024-07-16 2024-08-16 佰聆数据股份有限公司 基于神经网络的虚拟电厂控制方法、系统及设备

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
CN115879983A (zh) 虚拟电厂调度方法及其系统
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
CN112529256B (zh) 考虑多重不确定性的分布式电源集群日前调度方法和系统
JP6590029B1 (ja) 行動生成装置、蓄電素子評価装置、コンピュータプログラム、学習方法及び評価方法
CN109146320B (zh) 一种考虑配电网安全性的虚拟电厂优化调度方法
Rahmani-Andebili et al. Price-controlled energy management of smart homes for maximizing profit of a GENCO
CN112036934A (zh) 考虑热电协调运行的负荷聚合商参与需求响应的报价方法
Mohan et al. Economic and network feasible online power management for renewable energy integrated smart microgrid
Salehi et al. Investment deferral of sub-transmission substation using optimal planning of wind generators and storage systems
CN116231655A (zh) 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法
CN114971899A (zh) 新能源参与下的日前、日内和实时市场电能交易优化方法
CN112671022A (zh) 光储充电站容量优化配置方法、系统、终端及存储介质
CN115358787A (zh) 考虑交易风险的虚拟电厂现货市场申报方法及相关装置
CN112803427A (zh) 基于需求的区域电网调度方法、系统、终端及存储介质
CN115953011A (zh) 通信基站储能资源调度方法及设备
Lu et al. Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties
CN107611968B (zh) 分布式能源互动消纳的主动配电网经济运行方法
CN116070801B (zh) 一种负荷聚合平台多站点最优运行策略生成方法
Yang et al. Inverse proportion technique based scheduling strategy for energy storage system considering load demand differences
Luna et al. Generation and demand scheduling for a grid-connected hybrid microgrid considering price-based incentives
CN116167578A (zh) 一种商业楼宇的电动汽车充电站协调调控方法及电子设备
Zhu et al. Research on multi-time scale integrated energy scheduling optimization considering carbon constraints
Wenyue et al. Optimal scheduling strategy for virtual power plant considering voltage control
Gupta Real-time integration of energy storage

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