CN115936253B - 一种虚拟电厂运营优化方法、装置、设备及可读存储介质 - Google Patents
一种虚拟电厂运营优化方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115936253B CN115936253B CN202211731319.2A CN202211731319A CN115936253B CN 115936253 B CN115936253 B CN 115936253B CN 202211731319 A CN202211731319 A CN 202211731319A CN 115936253 B CN115936253 B CN 115936253B
- Authority
- CN
- China
- Prior art keywords
- power plant
- virtual power
- operation optimization
- sampling
- scene
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 230000009194 climbing Effects 0.000 claims abstract description 32
- 238000010248 power generation Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 230000008901 benefit Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004146 energy storage Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 8
- 241000218691 Cupressaceae Species 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种虚拟电厂运营优化方法、装置、设备及存储介质,包括:采用基于拉丁超立方的抽样方法,对具有不确定性的风力发电、光伏发电和市场价格数据集进行抽样,生成面向虚拟电厂运营优化的风光出力场景集;对风光出力场景集采用预设的K‑medoids聚类算法进行场景削减,得到削减后场景集;基于削减后场景集构建考虑爬坡产品的虚拟电厂最优运营优化模型。该方法考虑了虚拟电厂运营过程中的多重不确定性,拉丁超立方具有良好的抽样精度和效率,利用改进后的K‑medoids聚类算法可以有效减少场景的数量,在经典场景下构建最优运营优化模型,使得虚拟电厂有策略地分配其每小时的容量,最大化参与联合电能量市场、旋转备用市场和灵活爬坡产品市场的收益。
Description
技术领域
本申请涉及数据处理领域,特别涉及一种虚拟电厂运营优化方法、装置、电子设备及计算机可读存储介质。
背景技术
在使用可再生能源助力未来可持续化发展的同时,可再生能源的波动性和不确定性为电力系统的经济和可靠调度带来了巨大的挑战。随着可再生能源的日益渗透,快速爬坡资源的不足使得可再生能源出力带来的巨大波动难以消除。因此,推动可再生能源发展的同时,也必须关注到电力系统的经济和可靠调度。
虚拟电厂,是一个聚合了大量负载和分布式能源集群的可控系统。利用各种分布式能源之间的协同作用,可再生能源发电机组与可控能源发电机组合作,可为电力系统共同提供电能量和辅助服务。
因此,非常有必要评估虚拟电厂在市场环境下的爬坡能力,并提出虚拟电厂参与联合电能量市场、旋转备用市场和灵活爬坡产品市场时的运营优化方法。
发明内容
本申请的目的是提供一种虚拟电厂运营优化方法、装置、电子设备及计算机可读存储介质。
为实现上述目的,本申请在第一方面提供了一种虚拟电厂运营优化方法,该方法包括:采用基于拉丁超立方的抽样方法,对具有不确定性的风力发电、光伏发电和市场价格数据集进行抽样,生成面向虚拟电厂运营优化的风光出力场景集;对风光出力场景集采用预设的K-medoids聚类算法进行场景削减,得到削减后场景集;基于削减后场景集构建考虑爬坡产品的虚拟电厂最优运营优化模型。
为实现上述目的,本申请在第二方面提供了一种虚拟电厂运营优化装置,该装置包括:出力场景集生成单元,用于采用基于拉丁超立方的抽样方法,对具有不确定性的风力发电、光伏发电和市场价格数据集进行抽样,生成面向虚拟电厂运营优化的风光出力场景集;出力场景集削减单元,用于对风光出力场景集采用预设的K-medoids聚类算法进行场景削减,得到削减后场景集;运营优化模型构建单元,用于基于削减后场景集构建考虑爬坡产品的虚拟电厂最优运营优化模型。
为实现上述目的,本申请在第三方面提供了一种电子设备,该电子设备包括:
存储器,用于存储计算机程序;
处理器,用于在执行存储于存储器上的计算机程序时可实现如上述第一方面所描述的虚拟电厂运营优化方法的各步骤。
为实现上述目的,本申请在第四方面提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面所描述的虚拟电厂运营优化的各步骤。
本申请所提供的虚拟电厂运营优化方案,考虑了虚拟电厂运营过程中的多重不确定性,拉丁超立方抽样方法具有良好的抽样精度和效率,采用改进K-medoids聚类算法进行场景削减能够有效减少场景的数量,在经典场景下构建考虑爬坡产品的虚拟电厂最优运营优化模型,使得虚拟电厂有策略地分配其每小时的容量,最大化参与联合电能量市场、旋转备用市场和灵活爬坡产品市场的收益。
本申请同时还提供了一种虚拟电厂运营优化装置、电子设备及计算机可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种虚拟电厂运营优化方法的流程图;
图2为本申请实施例提供的一种场景维度为2时的基于距离排序的优化搜索示意图;
图3为本申请实施例提供的一种虚拟电厂运营优化装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
请参见图1,图1为本申请实施例提供的一种虚拟电厂运营优化的流程图,其包括以下步骤:
步骤101:采用基于拉丁超立方的抽样方法,对具有不确定性的风力发电、光伏发电和市场价格数据集进行抽样,生成面向虚拟电厂运营优化的风光出力场景集;
本步骤旨在由适于执行本申请所提供的虚拟电厂运营优化方法的执行主体(例如用于进行数据处理和分析的本地服务器或云端服务器)采用基于拉丁超立方的抽样方法,对具有不确定性的风力发电、光伏发电和市场价格数据集进行抽样,生成面向虚拟电厂运营优化的风光出力场景集。
一种包括且不限于的具体实现方式可以为:
步骤1中,记N个组别的第t,t=1,2,...,T个时段的样本构成的集合为St,第t个时段的抽样规模为Nt,对于任意时段t,利用LHS(Latin Hypercube Sampling,拉丁超立方)进行抽样的步骤描述如下:
1)分别采用韦伯分布、贝塔分布和柏松分布对各个时段的风力发电、光伏发电和市场价格数据进行拟合,得到对应的均值和方差参数;
2)根据1)得到的均值、方差参数计算每一项的累计概率分布函数F(S)并将F(S)等分为Nt个不重叠的子区间,每个区间的间距为1/Nt;
3)对于Nt个区间中任意的第i(i=1,2,...,Nt)个区间,随机生成一个范围为[0,1]的随机数使用该随机数/>可求得区间i对应的累计概率函数值/>
4)假设累计概率分布函数F(S)的反函数为F-1(q),将代入该函数可计算出数据的抽样值/>即:/>
经过上述四步,抽样得到第t时段的场景集为
步骤102:对风光出力场景集采用预设的K-medoids聚类算法进行场景削减,得到削减后场景集;
在步骤101的基础上,本步骤旨在由上述执行主体对风光出力场景集采用预设的K-medoids聚类算法进行场景削减,得到削减后场景集。
场景削减即以K个场景组成的集合Jt r替代原场景集假设场景集/>中任意两个场景ui,uj间的距离记作d(ui,uj),最优Jt r是概率信息最接近/>的集合,即满足以下优化问题:
式中,d(ui,uj)为两个场景ui,uj间的距离;pi为场景ui的概率。
考虑到可再生能源出力的场景中,各时刻出力属性及量纲相同,因此所有场景可与同一参考点构造相对距离进行排序,并以此辅助搜索。引入参考场景u0(本申请中可令u0=0),场景ui与u0距离d(ui,u0),由闵可夫斯基不等式有:|d(ui,u0)-d(uj,u0)|≤d(ui,uj)。
因此ui只需对满足|d(ui,u0)-d(uj,u0)|<δ的uj进行比较,δ为搜索范围阈值。本发明按d(ui,u0)大小,对全部场景进行了排序,并以序号差e代替δ,作为基于序号的搜索范围阈值。如图2所示为场景维度为2时的基于距离排序的优化搜索示意图。可以看出,搜索范围的减少提高了搜索效率。
更新K-medoids算法中集合Ck的中心时,需计算Ck中每个场景与其他场景的加权距离和,最小的一个场景即为新/>其时间复杂度为O(n2),即:
由于经典场景本质是对类别内场景的期望,因此本实施例通过加权中值的思想对经典K-medoids进行改进。首先计算:
随后,取Ck内与最近的场景为/>
将时间复杂度降至O(n),效率提高。
将规模为N的场景集S削减至规模为K的场景集的具体算法步骤如下:
1)对计算d(ui,u0),并排序;
2)令n=1,取序号为(k=0,1,...,K-1)的K个场景,作为初始类中心集合/>
3)且/>以本实施例所提出的上述基于距离排序的优化搜索确认其类别;
4)以本实施例所提出的上述方法更新类K的中心点
5)若小于设置值,或迭代次数达上限,结束,/>为削减完毕场景;否,n=n+1,转至步骤3)。
为了提高运算速度,在算法的三个步骤内采用了并行架构:1)初始排序使用并行快速排序算法(parallel quicksort,PQ);2)分组时,因为Jn中场景互不相关,采用并行计算;3)各组确定新中心时,各组间也互不相关,采用并行计算。
步骤103:基于削减后场景集构建考虑爬坡产品的虚拟电厂最优运营优化模型。
在步骤102的基础上,本步骤旨在由上述执行主体基于削减后场景集构建考虑爬坡产品的虚拟电厂最优运营优化模型。
具体的,可以将最大化从电能量、旋转备用和灵活爬坡产品市场中获取的收益确定为所述虚拟电厂最优运营优化模型的目标函数,然后再将可再生发电机组约束、微型燃气轮机组约束、储能系统约束和虚拟电厂约束确定为所述虚拟电厂最优运营优化模型的约束条件;最后,基于该目标函数和约束条件确定与最优参数对应的虚拟电厂最优运营优化模型。
构建考虑爬坡产品的虚拟电厂最优运营优化模型如下:
模型的目标函数:
虚拟电厂最优报价投标策略的目标函数是最大化从电能量、旋转备用和灵活爬坡产品市场中获取的收益,如下所示:
从能量市场所获取的收益为:
从备用市场所获取的收益为:
来自灵活爬坡产品的收益,由向上爬坡产品和向下爬坡产品组成:
而虚拟电厂调度操作的成本,主要来自微型燃气轮机组的燃料成本:
考虑到辅助服务实施部署的影响,比率β(·)被用来估计提供辅助服务的潜在电能量需求。
模型的约束条件:
1)可再生发电机组约束
风电机组、光伏发电机组的电能量、备用和向上爬坡产品受可用风电和光伏发电出力限制为:
且电能量和向下爬坡产品间的差异不应小于0。
2)微型燃气轮机组约束
微型燃气轮机组的报价投标容量应被限制在最小和最大出力之间:
建立向上、向下爬坡产品的约束模型:
3)储能系统约束
为二进制变量,用来表示储能系统i在时间段t的工作状态:/>为系统正在充电,为系统正在放电,/>为系统正在待机。
储能系统的功率约束如下:
储能系统必须维持完全电能量出力水平时长为hE(典型值为1小时)、旋转备用为hRES(典型值为1小时)、爬坡产品为hRAMP(典型值为15分钟)的约束如下:
储存的能量与充、放电功率之间的关系:
储能系统受荷电状态(State Of Charge,SOC)的最小值和最大值约束:
储存的能量初始值与终值相等:
4)虚拟电厂约束
虚拟电厂在电能量和辅助服务上的可用容量受虚拟电厂聚合商调度的分布式能源决定:
求解上述模型得到虚拟电厂运营优化方法,在时间段t分别于电能量、备用和灵活爬坡产品市场分配容量Pt E、Pt RES和Pt RAMPU+Pt RAMPD。
本申请所提供的虚拟电厂运营优化方法,考虑了虚拟电厂运营过程中的多重不确定性,拉丁超立方抽样方法具有良好的抽样精度和效率,采用改进K-medoids聚类算法进行场景削减能够有效减少场景的数量,在经典场景下构建考虑爬坡产品的虚拟电厂最优运营优化模型,使得虚拟电厂有策略地分配其每小时的容量,最大化参与联合电能量市场、旋转备用市场和灵活爬坡产品市场的收益。
因为情况复杂,无法一一列举进行阐述,本领域技术人员应能意识到根据本申请提供的基本方法原理结合实际情况可以存在很多的例子,在不付出足够的创造性劳动下,应均在本申请的保护范围内。
下面请参见图3,图3为本申请实施例所提供的一种虚拟电厂运营优化装置300的结构框图,本实施例作为对应于上述方法实施例的装置实施例存在,该虚拟电厂运营优化装置300可以包括:
出力场景集生成单元301,用于采用基于拉丁超立方的抽样方法,对具有不确定性的风力发电、光伏发电和市场价格数据集进行抽样,生成面向虚拟电厂运营优化的风光出力场景集;
出力场景集削减单元302,用于对风光出力场景集采用预设的K-medoids聚类算法进行场景削减,得到削减后场景集;
运营优化模型构建单元303,用于基于削减后场景集构建考虑爬坡产品的虚拟电厂最优运营优化模型。
在本申请的一些其它实施例中,出力场景集生成单元301可以被进一步配置用于:
记N个组别的第t,t=1,2,...,T个时段的样本构成的集合为St,第t个时段的抽样规模为Nt,对于任意时段t,按照下述步骤进行拉丁超立方的抽样:
分别采用韦伯分布、贝塔分布和柏松分布对各个时段的风力发电、光伏发电和市场价格数据进行拟合,得到对应的均值和方差参数;
根据均值和方差参数计算每一项的累计概率分布函数F(S)并将F(S)等分为Nt个不重叠的子区间,每个区间的间距为1/Nt;
对于Nt个区间中任意的第i(i=1,2,...,Nt)个区间,随机生成一个范围为[0,1]的随机数使用该随机数/>求得区间i对应的累计概率函数值/>
在假定累计概率分布函数F(S)的反函数为F-1(q)的情况下,将代入函数F-1(q)计算出数据的抽样值/>即:
根据抽象值抽样得到第t时段的场景集为/>
在本申请的一些其它实施例中,运营优化模型构建单元303可以被进一步配置用于:
将最大化从电能量、旋转备用和灵活爬坡产品市场中获取的收益确定为虚拟电厂最优运营优化模型的目标函数;
将可再生发电机组约束、微型燃气轮机组约束、储能系统约束和虚拟电厂约束确定为虚拟电厂最优运营优化模型的约束条件;
基于目标函数和约束条件确定与最优参数对应的虚拟电厂最优运营优化模型。
本实施例作为与上述方法实施例对应的装置实施例存在。
本实施例所提供的虚拟电厂运营优化装置,能够评估虚拟电厂在市场环境下的爬坡能力,有利于虚拟电厂考虑多重不确定性,最大化参与联合电能量市场、旋转备用市场和灵活爬坡产品市场的收益,为虚拟电厂运营提供策略参考。
基于上述实施例,本申请还提供了一种电子设备,该电子设备可以包括存储器和处理器,其中,该存储器中存有计算机程序,该处理器调用该存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然,该电子设备还可以包括各种必要的网络接口、电源以及其它零部件等。
本申请还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行终端或处理器执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (6)
1.一种虚拟电厂运营优化方法,其特征在于,包括:
采用基于拉丁超立方的抽样方法,对具有不确定性的风力发电、光伏发电和市场价格数据集进行抽样,生成面向虚拟电厂运营优化的风光出力场景集;
对所述风光出力场景集采用预设的K-medoids聚类算法进行场景削减,得到削减后场景集;
基于所述削减后场景集构建考虑爬坡产品的虚拟电厂最优运营优化模型;所述采用基于拉丁超立方的抽样方法,对具有不确定性的风力发电、光伏发电和市场价格数据集进行抽样,生成面向虚拟电厂运营优化的风光出力场景集,包括:
记N个组别的第t,t=1,2,...,T个时段的样本构成的集合为St,第t个时段的抽样规模为Nt,对于任意时段t,按照下述步骤进行拉丁超立方的抽样:
分别采用韦伯分布、贝塔分布和柏松分布对各个时段的风力发电、光伏发电和市场价格数据进行拟合,得到对应的均值和方差参数;
根据所述均值和所述方差参数计算每一项的累计概率分布函数F(S)并将F(S)等分为Nt个不重叠的子区间,每个区间的间距为1/Nt;
对于Nt个区间中任意的第i个区间,其中i=1,2,…,Nt,随机生成一个范围为[0,1]的随机数使用该随机数/>求得区间i对应的累计概率函数值/>
在假定累计概率分布函数F(S)的反函数为F-1(q)的情况下,将代入函数F-1(q)计算出数据的抽样值/>即:
根据抽象值抽样得到第t时段的场景集为/>
2.根据权利要求1所述的方法,其特征在于,所述基于所述削减后场景集构建考虑爬坡产品的虚拟电厂最优运营优化模型,包括:
将最大化从电能量、旋转备用和灵活爬坡产品市场中获取的收益确定为所述虚拟电厂最优运营优化模型的目标函数;
将可再生发电机组约束、微型燃气轮机组约束、储能系统约束和虚拟电厂约束确定为所述虚拟电厂最优运营优化模型的约束条件;
基于所述目标函数和约束条件确定与最优参数对应的虚拟电厂最优运营优化模型。
3.一种虚拟电厂运营优化装置,其特征在于,包括:
出力场景集生成单元,用于采用基于拉丁超立方的抽样方法,对具有不确定性的风力发电、光伏发电和市场价格数据集进行抽样,生成面向虚拟电厂运营优化的风光出力场景集;
出力场景集削减单元,用于对所述风光出力场景集采用预设的K-medoids聚类算法进行场景削减,得到削减后场景集;
运营优化模型构建单元,用于基于所述削减后场景集构建考虑爬坡产品的虚拟电厂最优运营优化模型;所述出力场景集生成单元被进一步配置用于:
记N个组别的第t,t=1,2,...,T个时段的样本构成的集合为St,第t个时段的抽样规模为Nt,对于任意时段t,按照下述步骤进行拉丁超立方的抽样:
分别采用韦伯分布、贝塔分布和柏松分布对各个时段的风力发电、光伏发电和市场价格数据进行拟合,得到对应的均值和方差参数;
根据所述均值和所述方差参数计算每一项的累计概率分布函数F(S)并将F(S)等分为Nt个不重叠的子区间,每个区间的间距为1/Nt;
对于Nt个区间中任意的第i个区间,其中i=1,2,…,Nt随机生成一个范围为[0,1]的随机数使用该随机数/>求得区间i对应的累计概率函数值/>
在假定累计概率分布函数F(S)的反函数为F-1(q)的情况下,将代入函数F-1(q)计算出数据的抽样值/>即:
根据抽象值抽样得到第t时段的场景集为/>
4.根据权利要求3所述的装置,其特征在于,所述运营优化模型构建单元被进一步配置用于:
将最大化从电能量、旋转备用和灵活爬坡产品市场中获取的收益确定为所述虚拟电厂最优运营优化模型的目标函数;
将可再生发电机组约束、微型燃气轮机组约束、储能系统约束和虚拟电厂约束确定为所述虚拟电厂最优运营优化模型的约束条件;
基于所述目标函数和约束条件确定与最优参数对应的虚拟电厂最优运营优化模型。
5.一种电子设备,其特征在于,包括:
存储器,用于计算机程序;
处理器,用于在执行存储于所述存储器上的计算机程序时可实现如权利要求1或2所述的虚拟电厂运营优化方法的各步骤。
6.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行后可实现如权利要求1或2所述的虚拟电厂运营优化方法的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211731319.2A CN115936253B (zh) | 2022-12-30 | 2022-12-30 | 一种虚拟电厂运营优化方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211731319.2A CN115936253B (zh) | 2022-12-30 | 2022-12-30 | 一种虚拟电厂运营优化方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115936253A CN115936253A (zh) | 2023-04-07 |
CN115936253B true CN115936253B (zh) | 2024-05-28 |
Family
ID=86699194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211731319.2A Active CN115936253B (zh) | 2022-12-30 | 2022-12-30 | 一种虚拟电厂运营优化方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936253B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111262242A (zh) * | 2020-03-03 | 2020-06-09 | 上海电力大学 | 基于多场景技术的冷热电虚拟电厂运行方法 |
CN111815018A (zh) * | 2020-05-29 | 2020-10-23 | 国网冀北电力有限公司计量中心 | 一种虚拟电厂的优化调度方法及装置 |
CN115358787A (zh) * | 2022-08-23 | 2022-11-18 | 浙江电力交易中心有限公司 | 考虑交易风险的虚拟电厂现货市场申报方法及相关装置 |
-
2022
- 2022-12-30 CN CN202211731319.2A patent/CN115936253B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111262242A (zh) * | 2020-03-03 | 2020-06-09 | 上海电力大学 | 基于多场景技术的冷热电虚拟电厂运行方法 |
CN111815018A (zh) * | 2020-05-29 | 2020-10-23 | 国网冀北电力有限公司计量中心 | 一种虚拟电厂的优化调度方法及装置 |
CN115358787A (zh) * | 2022-08-23 | 2022-11-18 | 浙江电力交易中心有限公司 | 考虑交易风险的虚拟电厂现货市场申报方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115936253A (zh) | 2023-04-07 |
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 | |
CN109146320B (zh) | 一种考虑配电网安全性的虚拟电厂优化调度方法 | |
CN110633854A (zh) | 一种考虑储能电池多重分段服务全生命周期优化规划方法 | |
CN112821463B (zh) | 基于风、光随机性的主动配电网多目标日前优化调度方法 | |
CN112671035A (zh) | 一种基于风电预测的虚拟电厂储能容量配置方法 | |
CN116418001A (zh) | 应对新能源不确定性的水库群多能互补调度方法与系统 | |
CN115313361A (zh) | 一种规模化可调资源的联合优化控制方法和装置 | |
CN114580251A (zh) | 一种配电台区电动汽车充电负荷分析方法及装置 | |
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 | |
Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
CN113112287A (zh) | 一种基于微电网调度的虚拟电厂能源管理方法及装置 | |
CN115936253B (zh) | 一种虚拟电厂运营优化方法、装置、设备及可读存储介质 | |
CN116613733A (zh) | 计及源荷不确定性的多元能源系统优化调度方法及装置 | |
CN115600757A (zh) | 海上风电共享储能参与现货市场交易协调优化方法及系统 | |
CN109214624B (zh) | 一种基于蒙特卡洛法的储能容量优化方法、装置及系统 | |
Zheng et al. | Real-time dispatch of an integrated energy system based on multi-stage reinforcement learning with an improved action-choosing strategy | |
CN115544871A (zh) | 考虑可再生电源空间相关性的分布鲁棒型储能规划方法 | |
CN112003279B (zh) | 层次化微电网新能源消纳能力的评估方法 | |
CN110570043B (zh) | 一种风-网-站-车体系的调度方法及系统 | |
CN114549148A (zh) | 虚拟电厂的竞价方法、装置、设备及存储介质 | |
Li et al. | Multiobjective Optimization Model considering Demand Response and Uncertainty of Generation Side of Microgrid | |
CN113255957A (zh) | 综合服务站不确定因素的定量优化分析方法及系统 | |
CN111181155A (zh) | 一种电力系统调度方法、系统和存储介质 | |
Chen et al. | Effects of battery energy storage system on the operating schedule of a renewable energy based TOU rate industrial user under competitive environment | |
CN113962552A (zh) | 一种在地区电网中风电聚合商日前调度机制 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |