CN116231655A - 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法 - Google Patents
一种计及源-荷多类型备用的虚拟电厂双层优化调度方法 Download PDFInfo
- Publication number
- CN116231655A CN116231655A CN202310135783.3A CN202310135783A CN116231655A CN 116231655 A CN116231655 A CN 116231655A CN 202310135783 A CN202310135783 A CN 202310135783A CN 116231655 A CN116231655 A CN 116231655A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- power plant
- demand response
- price
- 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 59
- 238000004146 energy storage Methods 0.000 claims abstract description 159
- 230000004044 response Effects 0.000 claims abstract description 143
- 230000005611 electricity Effects 0.000 claims abstract description 96
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 230000008901 benefit Effects 0.000 claims abstract description 13
- 239000007789 gas Substances 0.000 claims description 94
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 16
- 150000001875 compounds Chemical class 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 12
- 230000009194 climbing Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 230000003827 upregulation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003828 downregulation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000026280 response to electrical stimulus Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000000108 ultra-filtration Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种计及源‑荷多类型备用的虚拟电厂双层优化调度方法,包括以下步骤:步骤1:构建含风电、共享储能、燃气轮机和柔性负荷的虚拟电厂系统;步骤2:针对风电的不确定性、需求响应参与能量和备用调度、以及共享储能运行模式进行建模;步骤3:建立上层为日前计划调度模型,下层为日内实时调度模型的双层调度模型;步骤4:分析共享储能和需求响应对虚拟电厂能量和备用调度的影响,实现虚拟电厂优化调度。该方法充分考虑源荷侧资源的备用潜力,在提高虚拟电厂经济效益的同时降低用户侧购电成本。
Description
技术领域
本发明涉及虚拟电厂优化调度技术领域,尤其涉及一种计及源-荷多类型备用的虚拟电厂双层优化调度方法。
背景技术
在碳达峰、碳中和以及能源低碳绿色转型战略要求下,发展以风电为代表的分布式能源成为我国能源转型的方向。但由于分布式能源单机容量小、间歇性、不确定的特点,使得电网对高渗透率分布式能源的优化调度变得更加具有挑战性。目前虚拟电厂已成为解决这一挑战的重要方案。虚拟电厂作为独立于配电网的主体,有助于减轻高渗透率配电网的调度压力,实现高效和低成本的分布式能源能量管理。然而,在实际运行中虚拟电厂如何克服分布式能源不确定性,实现供需平衡仍是一大难题。
为解决风电的不确定性,虚拟电厂必须对风电出力进行精确的预测。主要有2种方法:第1种是包括点估计法、蒙特卡洛模拟和自回归综合移动平均等传统的概率统计预测方法。第2种是模糊逻辑、人工神经网络、支持向量机等智能算法。如文献[1]:HanQinkai,Meng,Fanman,HuTao,et al.Non-parametric Hybrid Models for Wind SpeedForecasting.Energy Conversion and Management.2017,148:554–568;
文献[2]:TangZhenhao,LiYuanyuan,ChaiXiangying,et al.Adaptive NonlinearModel Predictive Control of NOx Emissions under Load Constraints in PowerPlant Boilers.journalofchemicalengineeringofJapan,2020,53(1):36–44.;文献[3]:ChenGonggui,LiLijun,ZhangZhizhong,et al.Short-term Wind Speed Forecastingwith Principle-Subordinate Predictor Based on Conv-Lstm and ImprovedBPNN.IEEE Access 2020,8,67955–67973.分别利用自回归移动平均、训练支持向量机的回归模型和训练反向传播神经网络预测短期风电功率。但无论哪种预测都存在一定的误差,因此虚拟电厂需要配备一定的后备服务。由于火电污染物排放压力和抽水蓄能严格的地理要求,储能成为虚拟电厂后备服务的主要提供者。文献[4]:白雪岩,樊艳芳,刘雨佳,等.考虑可靠性及灵活性的风光储虚拟电厂分层容量配置[J].电力系统保护与控制,2022,50(08):11-24.提出一种风光储虚拟电厂分层容量配置策略,为虚拟电厂确定合理的储能容量配置方案提供指导。文献[5]:李星雨,邱晓燕,史光耀,等.考虑虚拟电厂和分时电价的风光火储系统两阶段优化调度策略[J].南方电网技术,2017,11(06):70-77.采用极点对称模态将风光出力分解为波动分量和平滑出力,并采用储能装置吸收波动分量。此外,针对虚拟电厂的优化调度,文献[6]:刘立洲,龚锦霞.基于改进Shapley算法的虚拟电厂博弈模型分析[J/OL].电测与仪表:1-7[2022-11-17].针对风电的不确定性,引入电动汽车建立了风电商和电动汽车运营商的博弈模型;文献[7]:韩志永,张宇华,李兵.基于多场景技术的冷热电虚拟电厂两阶段优化调度[J].电测与仪表,2022,59(03):174-180.对源-荷不确定进行分析,建立了两阶段调度模型。文献[8]:赵玲霞,王兴贵,丁颖杰,等.考虑分时电价及光热电站参与的多能源虚拟电厂优化调度[J].电力建设,2022,43(04):119-129.将光热电站作为灵活性资源,建立了日前计划模型和日内修正模型。但以上研究均未充分考虑计划调度的备用约束。近年来随着智能控制设备的发展,需求响应作为一种新型灵活性资源应运而生。
文献[9]:Wang JH,Liu C,Ton D,et al.Impact of plug-in hybrid electricvehicles on power systems with demand response and wind power.Energy Policy2011;39(7):4016–21.定义了需求响应的基本概念,将其分为基于价格的需求响应和基于激励的需求响应;文献[10]:关舒丰,王旭,蒋传文,等.基于可控负荷响应性能差异的虚拟电厂分类聚合方法及辅助服务市场投标策略研究[J].电网技术,2022,46(03):933-944.提出了一组反映可控负荷响应性能差异的指标,实现了可控负荷的分类聚合;文献[11]:刘丽军,罗宁,吴桐,等.基于混合整数二阶锥规划的考虑需求侧响应虚拟电厂优化调度[J].太阳能学报,2021,42(08):96-104.通过基于价格的需求响应引导用户响应电力市场电价变化,降低了负荷峰谷差。
综上所述,现有研究主要针对需求响应模式和优化用户侧用电曲线以及储能容量配置和参与平滑风、光波动性展开,较少同时考虑储能、分布式电源和需求响应对虚拟电厂能量和备用调度的影响。
发明内容
为解决以上问题,本发明针对含风电、燃气轮机、共享储能和柔性负荷的虚拟电厂提出一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,首先引入第三方共享储能服务提供商,避免储能的一次性投资成本;其次,讨论燃气轮机、需求响应和共享储能的协调调度;最后考虑风电出力的不确定性和波动性,建立双层优化调度模型。该方法充分考虑源荷侧资源的备用潜力,在提高虚拟电厂经济效益的同时降低用户侧购电成本。
本发明采取的技术方案为:
一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,包括以下步骤:
步骤1:构建含风电、共享储能、燃气轮机和柔性负荷的虚拟电厂系统;
步骤2:针对风电的不确定性、需求响应参与能量和备用调度、以及共享储能运行模式进行建模;
步骤3:建立上层为日前计划调度模型,下层为日内实时调度模型的双层调度模型;
步骤4:分析共享储能和需求响应对虚拟电厂能量和备用调度的影响,实现虚拟电厂优化调度。
所述步骤2中,虚拟电厂通过向共享储能运营商租赁容量,避免了储能的建设成本,租赁成本πrent如下:
πrent=σSESESES (1);
式(1)中,σSES为共享储能单位容量租赁成本系数,ESES为租赁容量。
所述步骤2中,虚拟电厂不确定性来自风电,风速特性能够近似认为符合威布尔分布,其概率密度函数为:
式(2)中,v为风速,k、c分别为形状参数、尺度参数,通过求解统计数据的均值和方差获得,风机输出功率Pw与风速v的关系如下:
式(3)中,PR为风机额定功率,vCI、vCO、vR分别为切入、切出风速、额定风速;风机实际输出功率Pw'能够认为是预测输出功率Pw和预测偏差ζw之和:
Pw'=Pw+ζw (4);
其中,预测输出功率Pw通过蒙特卡洛模拟方法产生随机风速数据,代入(3)式中得到,ζw能够认为符合均值为0、方差为δw的正态分布ζw~N(0,δw)。
所述步骤2中,需求响应模型包括:
Ⅰ、基于价格的需求响应模型:
基于价格的需求响应是指用户主动响应电价变化,自发将用电需求从负荷高峰时段转移到低谷时段的行为,用户对电价变化的敏感程度用弹性系数est描述:
式(5)中,s、t均表示调度时段,分别为s时段和t时段;当s=t时,est称为自弹性系数,数值上总是负的,表示某些负荷不能发生负荷转移;当s≠t时,est称为交叉弹性系数,数值上总是正的,表示某些负荷可以发生负荷平移;△Ls、表示负荷变化量和初始负荷;表示电价变化量和初始电价,实施基于价格的需求响应后Lt由(6)式表示:
Ⅱ、基于激励的需求响应模型:
实施需求响应后用户购电成本变化CL,t为:
式(9)中,CL,t表示为需求响应前、后购电成本之差;需求响应后购电成本包括响应需求响应产生的实际购电成本和补偿收益之差;其中,用户参与向下调峰需要增加自身电力消耗,为调动用户参与需求响应的积极性,在实际调用负荷向下调峰时额外产生的电力购电电价保持不变,并给予补偿。
所述步骤3中,上层模型:考虑到需求响应的调峰潜力,将需求响应应用在上层。基于激励的需求响应在上层配合共享储能和燃气轮机参与虚拟电厂能量和备用调度,基于价格的需求响应在上层用以平滑用电曲线。上层模型考虑风电输出不确定性,采用蒙特卡洛模拟对日前风电出力进行预测并以预测值为基础,以共享储能和燃气轮机能量和备用、基于激励的需求响应备用以及虚拟电厂购售电为决策变量,以日前收益最大为目标制定调度计划。
3.1:在上层调度模型中,以虚拟电厂收益最大为目标进行调度。上层调度目标为:
式(10)中,t为交易时段,T为交易时段总数;f1,t为t时段虚拟电厂的购售电收益;分别为虚拟电厂购售电价;Pt ebuy、Pt esell分别为虚拟电厂购、售电量;/>分别为风电运维成本、燃气轮机运行成本,如下表示:
式(11)中,λwpp、Pwpp,t分别为风电成本系数和出力;包括购气成本、备用成本和实际调用产生的购气成本/>σgas,t、Pgt,t、ηgt、Qgas分别为单位天然气价格、燃气轮机输出功率、燃气轮机效率、天然气低热值;/>分别为燃气轮机上备用价格和上备用量;/>分别为燃气轮机下备用价格和下备用量;/>分别为实际调用燃气轮机上备用量、下备用量。
上层模型约束条件:
(1)功率平衡约束:
(2)共享储能运行约束:
共享储能运行需要满足容量、充放电互斥和最大充放电约束,如下式表示:
式(13)中,ESES,t为共享储能t时段的储电量;ηSES,c、ηES,d分别为共享储能t时段的充、放电效率;PSES,min、PSES,max分别为共享储能充放电功率上、下限;ESES,t0、ESES,T分别为共享储能调度周期初、末储电量;ESES,min为最小储电量。
(3)燃气轮机运行和备用约束:
燃气轮机作备用时,为满足机组实际爬坡约束,同一时刻不得同时提供上、下备用计划。
式(14)中,Pgt,max、Pgt,min分别为燃气轮机出力上、下限;Pgt+、Pgt-分别为燃气轮机爬坡功率上、下限;
(4)与外网能量交互约束:
(5)负荷备用约束:
(6)共享储能备用约束:
由于共享储能自身不产生电能,在上层仅考虑其向下备用,且所提供的向下备用不得超过容量限制:
(7)虚拟电厂备用约束:
在上层调度中,由共享储能、燃气轮机和基于激励的需求响应提供备用,备用容量应不小于风电波动分量:
下层模型:以风电实时采样值为基础,以实时运行成本最小为目标,采用滚动时域优化和线性规划相结合的方法,产生实时调用共享储能、燃气轮机和需求响应备用的指令。
3.2:在下层调度模型中,以采样值为基础,以发电侧运行成本最低为目标,模型如下:
式(19)中,为供需不平衡成本惩罚系数;△Pt为虚拟电厂供需不平衡电量;△WPP,t为风电出力偏差;Pw'pp,t为风电实际采样值;为惩罚虚拟电厂供需不平衡,促进电力系统稳定运行,在下层调度中,当△WPP,t<0时,额外产生的电力应以低于上层售电电价的价格出售;当△WPP,t>0时,供电缺额以高于上层的购电电价向外购买,/>由下式表达:
式(20)中,k'为调节比例,本发明取0.5。
下层模型约束条件:
(1)供需平衡约束:
(2)共享储能运行约束:
在下层调度中,共享储能实际产生的向下备用是其提供向上调整能量的来源。因此,共享储能提供的向上调整不得大于其实际产生的向下备用,此外,t时段储电量应包含实际调用的调整功率。
储能向上调整功率约束式(23)表示:当储能处于计划放电时,提供向上功率不得超过最大功率与计划功率之差,储能实际处于放电状态;当储能处于计划充电时,提供向上功率不得超过最大功率与计划功率之和,时储能实际处于放电状态,/>时储能实际处于充电状态;当储能处于静置时,储能提供向上功率不得超过最大功率,实际处于放电状态。
储能向下调整功率约束式(24)表示:当储能处于计划充电时,提供向下功率不得超过最大功率与计划功率之差,储能实际处于充电状态;当储能处于计划放电时,提供向下功率不得超过最大功率与计划功率之和,时储能实际处于充电状态,/>时储能实际处于放电状态;当储能处于静置时,储能提供向下功率不得超过最大功率,实际处于充电状态。
(4)下层燃气轮机运行约束:
(4)基于激励的需求响应调用约束:
用户在响应基于激励的需求响应时不能同时提供上/下调整。此外,考虑到用户用电满意度和防止虚拟电厂为降低成本过度调用需求响应,对需求响应的响应次数进行限制。
式(26)中,Nmax为基于激励的需求响应最大响应次数。
所述步骤4中,设置3种情景进行分析,包括情景1:虚拟电厂含有风电、燃气轮机、共享储能和基于价格的需求响应,但不考虑共享储能参与备用的常规虚拟电厂;情景2:在情景1的基础上考虑共享储能备用;情景3:在情景2的基础上引入基于激励的需求响应。本发明一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,技术效果如下:
1)本发明建立的计及源-荷多类型备用的虚拟电厂双层模型,综合考虑虚拟电厂计划和实际调度,可实现燃气轮机、共享储能和需求响应备用和能量调度的协同运行,为虚拟电厂的优化运行提供了模型参考。
2)本发明需求响应包括:基于价格的需求响应和基于激励的需求响应,前者是用户响应电价的主动行为,后者为用户履行合同的响应行为;基于价格的需求响应被应用在上层预调度阶段,用以平滑用电曲线;基于激励的需求响应,在上层用以参与虚拟电厂备用,在下层实时调度阶段,用以参与平抑风电波动分量。
3)本发明需求响应参与能量和备用调度:终端用户通过与虚拟电厂签订长期合同由虚拟电厂代理参与电力市场调度,以规避市场电价变化的风险,虚拟电厂聚合商需在合同中明确中断补偿电价和备用电价。本发明虚拟电厂聚合负荷包括居民负荷、商业负荷和工业负荷。居民负荷和商业负荷主要通过节能措施降低能耗参与基于激励的需求响应。工业负荷通过调整用电计划,增加或削减负荷参与基于激励的需求响应。因此,基于激励的需求响应可通过削减或增加负荷参与虚拟电厂能量调度和备用计划
4)本发明虚拟电厂通过向共享储能运营商租赁容量的方式避免了储能的一次性投资建设成本。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为虚拟电厂架构图。
图2为本发明的调度流程图。
图3为求解流程图。
图4为不同情景虚拟电厂上层购售电曲线和共享储能充放电条形图。
图5为不同情景燃气轮机发电曲线和备用情况图。
图6为需求响应后负荷曲线图。
图7为不同情景虚拟电厂备用调用情况条形图和风电出力偏差曲线图。
具体实施方式
一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,包括以下步骤:
步骤一:构建含风电、共享储能、燃气轮机和柔性负荷的虚拟电厂系统。
图1中VPP指虚拟电厂,SES指共享储能,GT指燃气轮机,IBDR指基于激励的需求响应负荷,PBDR指基于价格的需求响应负荷。如虚拟电厂架构图图1所示,本发明虚拟电厂由风电厂、燃气轮机、共享电储能和柔性负荷组成。由于风电输出的不确定性,虚拟电厂调度中心需在日前进行预调度。本发明采用蒙特卡洛模拟生成预测出力,并依据预测出力进行日前预调度。此外由于风电的波动性,在日内调度过程中需要根据风电实时采样值及时调整虚拟电厂调度计划,本发明采用滚动时域优化和线性规划相结合的方法修正燃气轮机、共享储能和基于激励的需求响应出力,更新每一时刻的调度指令。滚动时域优化的核心思想为:在采样优化时刻,通过比较预测值和采样值并基于目标函数和约束条件对模型进行优化,得到包括时刻以后的最优决策,但只实施时刻最优决策。随着优化时刻的推进,更新采样值,采用相同的方法对模型进行反复滚动优化,达到策略调整的最优性和实时性。
图2中WPP指风电,DR指需求响应,RHO指滚动时域优化,LP指线性规划,其他英文缩写含义同图1。如虚拟电厂调度流程图图2所示,上层为日前计划调度模型,下层为日内实时调度模型。考虑到需求响应的调峰潜力,将需求响应应用在上层。基于激励的需求响应在上层配合共享储能和燃气轮机参与虚拟电厂能量和备用调度,基于价格的需求响应在上层用以平滑用电曲线。上层模型考虑风电输出不确定性,采用蒙特卡洛模拟对日前风电出力进行预测并以预测值为基础,以共享储能和燃气轮机能量和备用、基于激励的需求响应备用以及虚拟电厂购售电为决策变量,以日前收益最大为目标制定调度计划。下层模型为日内调度模型,以风电实时采样值为基础,以实时运行成本最小为目标采用滚动时域优化和线性规划相结合的方法产生实时调用共享储能、燃气轮机和基于激励的需求响应备用的指令。
步骤二:针对风电的不确定性、需求响应参与能量和备用调度以及共享储能运行模式进行建模。
1、共享储能机制:
近年来,随着共享经济的提出,共享储能由于可降低规模化投资成本和提高储能利用率的特点,受到多方关注。文献[12]:闫东翔,陈玥.共享储能商业模式和定价机制研究综述[J/OL].电力系统自动化:1-14[2022-11-17].将共享储能描述为“由一个公共储能设备为多个用户提供储能服务的模式”,并通过租赁容量等方式获取收益;文献[13]:徐艳春,刘海权,孙思涵,等.计及需求响应和共享储能的多微网系统双层优化调度[J/OL].电力自动化设备:1-25[2022-11-17].在多微网系统中引入第三方共享储能提供商,加强了各微网之间的功率交互。本发明虚拟电厂通过向共享储能运营商租赁容量避免了储能的建设成本。租赁成本πrent如下:
πrent=σSESESES(1)
式中,σSES为共享储能单位容量租赁成本系数,ESES为租赁容量。
2、虚拟电厂不确定性处理:
虚拟电厂不确定性主要来自风电。风速特性可近似认为符合威布尔分布,其概率密度函数为:
式中,v为风速,k、c分别为形状参数和尺度参数,可通过求解统计数据的均值和方差获得。风机输出功率Pw与v的关系如下:
式中,PR为风机额定功率,vCI、vCO、vR分别为切入、切出风速和额定风速。风机实际输出Pw'可认为是预测输出Pw和预测偏差ζw之和:
Pw'=Pw+ζw(4)
其中,Pw可通过蒙特卡洛模拟方法产生随机风速数据,代入(3)式中得到,ζw可认为符合均值为0方差为δw的正态分布ζw~N(0,δw)。
3、需求响应模型:
3.1、基于价格的需求响应模型:
基于价格的需求响应是指用户主动响应电价变化,自发将用电需求从负荷高峰时段转移到低谷时段的行为。用户对电价变化的敏感程度可用弹性系数est描述:
式中,s、t表示调度时段;当s=t时,est称为自弹性系数,数值上总是负的,表示某些负荷不能发生负荷转移(如照明设备);当s≠t时,est称为交叉弹性系数,数值上总是正的,表示某些负荷可以发生负荷平移(如洗衣机);△Ls、表示负荷变化量和初始负荷;表示电价变化量和初始电价。实施基于价格的需求响应后Lt可由(6)式表示:
3.2、基于激励的需求响应模型:
终端用户通过与虚拟电厂签订长期合同由虚拟电厂代理参与电力市场调度,以规避市场电价变化的风险,虚拟电厂聚合商需在合同中明确中断补偿电价和备用电价。本发明虚拟电厂聚合负荷包括居民负荷、商业负荷和工业负荷。居民负荷和商业负荷主要通过节能措施降低能耗参与基于激励的需求响应。工业负荷通过调整用电计划,增加或削减负荷参与基于激励的需求响应。因此,基于激励的需求响应可通过削减或增加负荷参与虚拟电厂能量调度和备用计划。考虑到不同负荷调用量对用户影响程度不同,负荷补偿应与负荷调用等级挂钩,调用等级越高,补偿价格越高。考虑基于激励的需求响应参与虚拟电厂能量和备用调度的成本可由下式表示:
式中,分别为基于激励的需求响应在日前提供备用补偿和日内实际调用负荷获得追加补偿;M为响应级数,/>为实际调用负荷m级向上调峰补偿价格和向上调峰量;/>为实际调用负荷m级负荷向下调峰补偿价格和向下调峰量;/> 为0-1变量,为1表示允许参与日内向上/向下调整;/>为上/下备用补偿电价,/>为t时段负荷上/下备用量。实施需求响应后用户购电成本变化CL,t为:/>
CL,t表示为需求响应前后购电成本之差;需求响应后购电成本包括响应需求响应产生的实际购电成本和补偿收益之差;其中用户参与向下调峰需要增加自身电力消耗,为调动用户参与需求响应的积极性,在实际调用负荷向下调峰时额外产生的电力购电电价保持不变,并给予补偿。
步骤三:建立双层调度模型;
计及源-荷多类型备用的虚拟电厂双层优化模型上层为日前计划调度模型,下层为日内实时调度模型。考虑到需求响应的调峰潜力,将需求响应应用在上层。基于激励的需求响应在上层配合共享储能和燃气轮机参与虚拟电厂能量和备用调度,基于价格的需求响应在上层用以平滑用电曲线。上层模型考虑风电输出不确定性,采用蒙特卡洛模拟对日前风电出力进行预测并以预测值为基础,以共享储能和燃气轮机能量和备用、基于激励的需求响应备用以及虚拟电厂购售电为决策变量,以日前收益最大为目标制定调度计划。下层模型为日内调度模型,以风电实时采样值为基础,以实时运行成本最小为目标采用滚动时域优化和线性优化相结合的方法产生实时调用共享储能、燃气轮机和基于激励的需求响应备用的指令。
1、上层调度模型:
为促进虚拟电厂的发展,在上层模型中,以虚拟电厂收益最大为目标进行调度。上层调度目标为:
式中,t为交易时段,T为交易时段总数;f1,t为t时段虚拟电厂的购售电收益; 和Pt ebuy、Pt esell分别为虚拟电厂购售电价和购售电量;/>和/>为风电运维成本和燃气轮机运行成本,如下表示:
式中,λwpp、Pwpp,t为风电成本系数和出力;包括购气成本、备用成本/>和实际调用产生的购气成本/>σgas,t、Pgt,t、ηgt和Qgas为单位天然气价格、燃气轮机输出功率、燃气轮机效率和天然气低热值;/>和/>为燃气轮机上/下备用价格和备用量;为实际调用燃气轮机上/下备用量。
上层模型约束条件:
(1)功率平衡约束
(2)共享储能运行约束
共享储能运行需要满足容量、充放电互斥和最大充放电约束。如下式表示:
式中,ESES,t和ηSES,c、ηES,d为共享储能t时段的储电量和充放电效率;PSES,min、PSES,max为共享储能充放电功率上下限;ESES,t0、ESES,T为共享储能调度周期初末储电量;ESES,min为最小储电量。
(3)燃气轮机运行和备用约束
燃气轮机作备用时,为满足机组实际爬坡约束,同一时刻不得同时提供上/下备用计划。
式中,Pgt,max、Pgt,min和Pgt+、Pgt-分别为燃气轮机出力和爬坡功率上下限。
(4)与外网能量交互约束
(5)负荷备用约束
(6)共享储能备用约束
由于共享储能自身不产生电能,在上层仅考虑其向下备用,且所提供的向下备用不得超过容量限制:
(7)虚拟电厂备用约束
在上层调度中,由共享储能、燃气轮机和基于激励的需求响应提供备用,备用容量应不小于风电波动分量:
2、下层调度模型:
在下层调度中,以采样值为基础,以发电侧运行成本最低为目标,模型如下:
式中,为供需不平衡成本惩罚系数;△Pt为虚拟电厂供需不平衡电量;△WPP,t为风电出力偏差;Pw'pp,t为风电实际采样值;为惩罚虚拟电厂供需不平衡,促进电力系统稳定运行,在下层调度中,当△WPP,t<0时,额外产生的电力应以低于上层售电电价的价格出售;当△WPP,t>0时,供电缺额以高于上层的购电电价向外购买。/>可由下式表达:
式中,k'为调节比例,本发明取0.5。
下层模型约束条件
(1)供需平衡约束:
(2)共享储能运行约束:
在下层调度中,共享储能实际产生的向下备用是其提供向上调整能量的来源。因此,共享储能提供的向上调整不得大于其实际产生的向下备用。此外,t时段储电量应包含实际调用的调整功率。
储能向上调整功率约束式(23)表示:当储能处于计划放电时,提供向上功率不得超过最大功率与计划功率之差,储能实际处于放电状态;当储能处于计划充电时,提供向上功率不得超过最大功率与计划功率之和,时储能实际处于放电状态,/>时储能实际处于充电状态;当储能处于静置时,储能提供向上功率不得超过最大功率,实际处于放电状态。
储能向下调整功率约束式(24)表示:当储能处于计划充电时,提供向下功率不得超过最大功率与计划功率之差,储能实际处于充电状态;当储能处于计划放电时,提供向下功率不得超过最大功率与计划功率之和,时储能实际处于充电状态,/>时储能实际处于放电状态;当储能处于静置时,储能提供向下功率不得超过最大功率,实际处于充电状态。
(3)下层燃气轮机运行约束:
(4)基于激励的需求响应调用约束
用户在响应基于激励的需求响应时不能同时提供上/下调整。此外,考虑到用户用电满意度和防止虚拟电厂为降低成本过度调用需求响应,对需求响应的响应次数进行限制。
式中,Nmax为基于激励的需求响应最大响应次数。
步骤四:算例讨论共享储能和需求响应对虚拟电厂能量和备用调度的影响。
为验证本发明所构建模型的优势,设置3种情景进行分析,包括情景1:虚拟电厂含有风电、燃气轮机、共享储能和基于价格的需求响应,但不考虑共享储能参与备用的常规虚拟电厂;情景2:在情景1的基础上考虑共享储能备用;情景3:在情景2的基础上引入基于激励的需求响应。
考虑到系统预测误差,下层优化目标需要根据最新风电采样值对剩余时段进行优化,
求解流程图如图3所示,图中英文缩写含义同图2一致。本发明采用线性规划(Yalmip+Cplex)和滚动时域优化相结合的调度算法。上层利用线性规划求解得到24时段的调度计划,下层根据采样值利用线性规划和滚动时域优化相结合的方法求解得到24时段的最优调度。
算例基础数据说明:
以中国北方某园区为研究对象,最大负荷12MW,燃气轮机装机容量10MW,爬坡和最小功率均为2MW。根据《中国可再生能源发展报告》指出到2035年,“三北”地区多个省份风电、光伏的装机容量占比将超过50%,故选取总装机容量10MW的风电接入系统以反映高比例分布式能源接入情景。根据5:1风储配置比例,选取最大功率为2MW,租用容量10MW的共享储能。共享储能租赁系数200元/KW·h/年。风电和共享储能运行参数参考文献[14]郑浩伟,闫庆友,尹哲,等.计及日前-实时交易和共享储能的VPP运行优化及双层效益分配[J].电力建设,2022,43(09):34-46.δw取1.5MW。24个时段分为:谷时段(22:00-6:00)、峰时段(8:00-12:00、18:00-22:00)和平时段(6:00-8:00、12:00-18:00)。未实施分时电价前,用户购电电价为0.58元/KW·h,实施需求响应后按文献[15]郁五岳,贾宇琛,霍利民,等.计及用户满意度的综合能源系统多目标优化[J/OL].电测与仪表:1-10[2022-12-01].设置弹性系数。实施需求响应后负荷平时段电价取0.58元/KW·h,峰、谷分别上调0.3倍和下调0.4倍。共享储能备用成本取0.03元/KW·h。基于激励的需求响应最大备用取负荷基值的10%,备用成本0.05元/KW·h。燃气轮机备用成本0.1元/KW·h。实际调用需求响应采用分时补偿机制,谷、平和峰时段分别追加补偿0.1、0.12、0.15元/KW·h。虚拟电厂平时段售电电价为0.61元/KW·h,峰谷售电价分别上调0.3倍和下调0.4倍。为防止虚拟电厂通过购售电套利,虚拟电厂购电电价在售电电价的基础上调0.2倍。
上述为算例的基础参数,由这些基础数据仿真得到的不同情景输出结果。
虚拟电厂上下层收益/成本如表1所示。
表1虚拟电厂上下层收益/成本
其中,灵活性负荷实际成本是指因需求响应造成的购电成本变化,为正表示成本增加,为负表示成本降低。单位:元或MW。
不同情景虚拟电厂上层购售电曲线和共享储能充放电条形图如图4所示,燃气轮机发电曲线和虚拟电厂不同场景备用情况如图5所示。其中,虚拟电厂向外售电、共享储能放电和向上备用为正;图5中每组条形图从左至右分别为情景1、2和3的机组备用情况。
需求响应后负荷曲线变化如图6,不同情景虚拟电厂备用调用情况条形图和风电出力偏差曲线如图7。其中,图7每组条形图从左至右依次为情景1、2和3备用调用情况,电源向上调整和△WPP,t>0为正。此外,图4-图7中英文缩写含义与图1、图2一致。
(1)上下层收益/成本对比分析:
情景1燃气轮机需同时提供上/下备用,导致燃气轮机在计划运行中不能满足备用爬坡约束,虽然为上层燃气轮机带来了更大的灵活性,但也为实际运行中受限于燃气轮机爬坡约束不能按计划提供备用埋下隐患。情景2燃气轮机不再是唯一的备用资源,可以在满足燃气轮机备用爬坡约束的条件下制定虚拟电厂上层调度计划,因此有能力在下层提供充足的备用。表现为表1中情景2相对于情景1上层总收益虽下降了0.15%,燃气轮机发电量下降了3.2%,但情景2相对于情景1下层运成本下降了5.9%且未出现不平衡成本。这也表明本发明建立的模型对常规电厂的适用性和经济性。此外,引入燃气轮机、共享储能和需求响应协调运行后情景3相对与情景1、2在上层实现了备用成本分别下降了44.1%,15.1%的同时总收益分别增加了13.6%、13.7%;在下层未产生不平衡成本的同时总成本相较于情景2仅增加了3.9%,表明了本发明所提计及源-荷多类型备用相对于常规虚拟电厂的经济优越性。
(2)上层备用和购售电情况分析:
由图4可知,不同情景共享储能各时段充放电功率虽有所不同,但都基本保持在谷时段充电在峰时段放电的变化趋势,以实现“峰谷套利”。图4中共享储能谷时段充电功率情景1>情景3>情景2。从图5中可知,这主要由于情景1共享储能不需要提供备用服务而具有更大的灵活性,但这也为下层可能出现供需不平衡埋下了隐患。随着共享储能和灵活性负荷备用的引入,虚拟电厂备用服务逐渐由备用成本较高的燃气轮机转移至成本较低的共享储能和灵活性负荷。此外,虽然共享储能备用成本较灵活性负荷低,但由于储能“峰谷套利”的特性更有助于提高计划调度的经济性。因此,情景3引入基于激励的需求响应后,虚拟电厂备用进一步由共享储能转移至灵活性负荷,这也使得情景3共享储能相较于情景2在谷时段有更大的充电空间,在峰时段有更多的放电量。
图5中不同情景燃气轮机起始功率均不高,这主要由于燃气轮机发电成本较高,而谷时段售电电价不高,其发电动力不强。其次,由于情景1燃气轮机需要提供向下备用,起始段功率会略高于情景2、3。此外,由图5可知情景3相较于情景1、2燃气轮机备用较多的转移至共享储能和灵活性负荷,有更大的容量用来发电。
燃气轮机和共享储能的运行状态决定了虚拟电厂购售电曲线的变化趋势。由图5可知情景1和情景2燃气轮机发电曲线基本一致,因此图4中情景1和2的购售电曲线和共享储能相关,当共享储能充电较大是,对应情景售电量越低,反之亦然。情景3随着燃气轮机和共享储能备用的降低,燃气轮机发电量和共享储能运行灵活性显著提高,整体购售电曲线显著高于情景1和2,有利于提高虚拟电厂的经济性。
(3)下层实际调用结果分析:
基于价格的需求响应可起到平滑用电曲线的效果,表现为图6中情景1、2在引入基于价格的需求响应后用户侧谷时段负荷有所增加,峰时段负荷有所下降。此外,由表1可知实施基于价格的需求响应后负荷购电成本降低了4884元。但基于价格的需求响应具有较强的不可控性,无法参与虚拟电厂实时能量调度。表现为图7中情景1即使引入了基于价格的需求响应,在t=3、5、6、23时段受限于燃气轮机爬坡约束,也产生了供需不平衡电量。其中,t=5~7时段由图5可知燃气轮机计划发电量持续升高,但为满足该时段实际调度连续下调的要求,在t=6时段产生了过量的下调以平抑t=7时段风电的波动。情景2引入共享储能后,共享储能一方面通过消纳过剩的风电和协助燃气轮机向上调整(t=2时段)进行充电,一方面通过放电承担部分燃气轮机向上调整的任务。
情景3进一步引入基于激励的需求响应后,用户购电成本从13.5万元下降至11.91万元,下降了11.7%。此外由图7可知,燃气轮机向上调整任务相较于情景2进一步转移至用户侧,共享储能可利用需求响应进行充电以积蓄向上调整的能力,燃气轮机也可利用需求响应进一步降低发电量以降低发电成本。但应注意的是过度调用需求响应会对用户满意度产生较大影响,在实际应用中应严格控制基于激励的需求响应的响应次数。
Claims (7)
1.一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,其特征在于包括以下步骤:
步骤1:构建含风电、共享储能、燃气轮机和柔性负荷的虚拟电厂系统;
步骤2:针对风电的不确定性、需求响应参与能量和备用调度、以及共享储能运行模式进行建模;
步骤3:建立上层为日前计划调度模型,下层为日内实时调度模型的双层调度模型;
步骤4:分析共享储能和需求响应对虚拟电厂能量和备用调度的影响,实现虚拟电厂优化调度。
2.根据权利要求1所述一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,其特征在于:所述步骤2中,虚拟电厂通过向共享储能运营商租赁容量,租赁成本πrent如下:
πrent=σSESESES (1);
式(1)中,σSES为共享储能单位容量租赁成本系数,ESES为租赁容量。
3.根据权利要求1所述一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,其特征在于:所述步骤2中,虚拟电厂不确定性来自风电,风速特性能够近似认为符合威布尔分布,其概率密度函数为:
式(2)中,v为风速,k、c分别为形状参数、尺度参数,通过求解统计数据的均值和方差获得,风机输出功率Pw与风速v的关系如下:
式(3)中,PR为风机额定功率,vCI、vCO、vR分别为切入、切出风速、额定风速;风机实际输出功率Pw'能够认为是预测输出功率Pw和预测偏差ζw之和:
Pw'=Pw+ζw (4);
其中,预测输出功率Pw通过蒙特卡洛模拟方法产生随机风速数据,代入(3)式中得到,ζw能够认为符合均值为0、方差为δw的正态分布ζw~N(0,δw)。
4.根据权利要求1所述一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,其特征在于:所述步骤2中,需求响应模型包括:
Ⅰ、基于价格的需求响应模型:
基于价格的需求响应是指用户主动响应电价变化,自发将用电需求从负荷高峰时段转移到低谷时段的行为,用户对电价变化的敏感程度用弹性系数est描述:
式(5)中,s、t分别为s时段和t时段;当s=t时,est称为自弹性系数,数值上总是负的,表示某些负荷不能发生负荷转移;当s≠t时,est称为交叉弹性系数,数值上总是正的,表示某些负荷可以发生负荷平移;△Ls、表示负荷变化量和初始负荷;/>表示电价变化量和初始电价,实施基于价格的需求响应后Lt由(6)式表示:
Ⅱ、基于激励的需求响应模型:
实施需求响应后用户购电成本变化CL,t为:
5.根据权利要求1所述一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,其特征在于:所述步骤3中,
3.1:在上层调度模型中,以虚拟电厂收益最大为目标进行调度;上层调度目标为:
式(10)中,t为交易时段,T为交易时段总数;f1,t为t时段虚拟电厂的购售电收益;分别为虚拟电厂购售电价;Pt ebuy、Pt esell分别为虚拟电厂购、售电量;/>分别为风电运维成本、燃气轮机运行成本,如下表示:/>
式(11)中,λwpp、Pwpp,t分别为风电成本系数和出力;包括购气成本、备用成本/>和实际调用产生的购气成本/>σgas,t、Pgt,t、ηgt、Qgas分别为单位天然气价格、燃气轮机输出功率、燃气轮机效率、天然气低热值;/>分别为燃气轮机上备用价格和上备用量;分别为燃气轮机下备用价格和下备用量;/>分别为实际调用燃气轮机上备用量、下备用量;
上层模型约束条件:
(1)功率平衡约束:
(2)共享储能运行约束:
共享储能运行需要满足容量、充放电互斥和最大充放电约束,如下式表示:
式(13)中,ESES,t为共享储能t时段的储电量;ηSES,c、ηES,d分别为共享储能t时段的充、放电效率;PSES,min、PSES,max分别为共享储能充放电功率上、下限;ESES,t0、ESES,T分别为共享储能调度周期初、末储电量;ESES,min为最小储电量;
(3)燃气轮机运行和备用约束:
燃气轮机作备用时,为满足机组实际爬坡约束,同一时刻不得同时提供上、下备用计划;
式(14)中,Pgt,max、Pgt,min分别为燃气轮机出力上、下限;Pgt+、Pgt-分别为燃气轮机爬坡功率上、下限;
(4)与外网能量交互约束:
(5)负荷备用约束:
(6)共享储能备用约束:
由于共享储能自身不产生电能,在上层仅考虑其向下备用,且所提供的向下备用不得超过容量限制:
(7)虚拟电厂备用约束:
在上层调度中,由共享储能、燃气轮机和基于激励的需求响应提供备用,备用容量应不小于风电波动分量:
3.2:在下层调度模型中,以采样值为基础,以发电侧运行成本最低为目标,模型如下:
式(19)中,为供需不平衡成本惩罚系数;△Pt为虚拟电厂供需不平衡电量;△WPP,t为风电出力偏差;P′wpp,t为风电实际采样值;在下层调度中,当△WPP,t<0时,额外产生的电力应以低于上层售电电价的价格出售;当△WPP,t>0时,供电缺额以高于上层的购电电价向外购买,/>由下式表达:
式(20)中,k'为调节比例;
下层模型约束条件:
(1)供需平衡约束:
(2)共享储能运行约束:
在下层调度中,共享储能实际产生的向下备用是其提供向上调整能量的来源;因此,共享储能提供的向上调整不得大于其实际产生的向下备用,此外,t时段储电量应包含实际调用的调整功率;
(4)下层燃气轮机运行约束:
(4)基于激励的需求响应调用约束:
用户在响应基于激励的需求响应时不能同时提供上/下调整;此外,考虑到用户用电满意度和防止虚拟电厂为降低成本过度调用需求响应,对需求响应的响应次数进行限制;
式(26)中,Nmax为基于激励的需求响应最大响应次数。
6.根据权利要求5所述一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,其特征在于:
储能向上调整功率约束式(23)表示:当储能处于计划放电时,提供向上功率不得超过最大功率与计划功率之差,储能实际处于放电状态;当储能处于计划充电时,提供向上功率不得超过最大功率与计划功率之和,时储能实际处于放电状态,/>时储能实际处于充电状态;当储能处于静置时,储能提供向上功率不得超过最大功率,实际处于放电状态;
7.根据权利要求1所述一种计及源-荷多类型备用的虚拟电厂双层优化调度方法,其特征在于:所述步骤4中,设置3种情景进行分析,包括情景1:虚拟电厂含有风电、燃气轮机、共享储能和基于价格的需求响应,但不考虑共享储能参与备用的常规虚拟电厂;情景2:在情景1的基础上考虑共享储能备用;情景3:在情景2的基础上引入基于激励的需求响应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135783.3A CN116231655A (zh) | 2023-02-13 | 2023-02-13 | 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135783.3A CN116231655A (zh) | 2023-02-13 | 2023-02-13 | 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116231655A true CN116231655A (zh) | 2023-06-06 |
Family
ID=86585250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310135783.3A Pending CN116231655A (zh) | 2023-02-13 | 2023-02-13 | 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116231655A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768108A (zh) * | 2020-07-01 | 2020-10-13 | 长沙理工大学 | 一种含用热综合满意度的虚拟电厂热电联合经济调度方法 |
CN117458482A (zh) * | 2023-11-21 | 2024-01-26 | 华北电力大学 | 一种虚拟电厂与风光储供需匹配的绿电交易方法 |
CN117477667A (zh) * | 2023-10-30 | 2024-01-30 | 深圳市明成售电有限公司 | 一种基于虚拟电厂的在线调控优化方法、系统及存储介质 |
CN117791627A (zh) * | 2024-02-26 | 2024-03-29 | 国网山东省电力公司东营供电公司 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
-
2023
- 2023-02-13 CN CN202310135783.3A patent/CN116231655A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768108A (zh) * | 2020-07-01 | 2020-10-13 | 长沙理工大学 | 一种含用热综合满意度的虚拟电厂热电联合经济调度方法 |
CN117477667A (zh) * | 2023-10-30 | 2024-01-30 | 深圳市明成售电有限公司 | 一种基于虚拟电厂的在线调控优化方法、系统及存储介质 |
CN117458482A (zh) * | 2023-11-21 | 2024-01-26 | 华北电力大学 | 一种虚拟电厂与风光储供需匹配的绿电交易方法 |
CN117791627A (zh) * | 2024-02-26 | 2024-03-29 | 国网山东省电力公司东营供电公司 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
CN117791627B (zh) * | 2024-02-26 | 2024-05-14 | 国网山东省电力公司东营供电公司 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Uses, cost-benefit analysis, and markets of energy storage systems for electric grid applications | |
Zhu et al. | Energy trading in microgrids for synergies among electricity, hydrogen and heat networks | |
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 | |
CN112651105B (zh) | 一种基于博弈论的微网容量配置优化方法 | |
Ju et al. | A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator | |
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 | |
CN111008739A (zh) | 一种热电联产虚拟电厂优化调控及收益分配方法及系统 | |
KR20210094033A (ko) | 에너지 관리 시스템을 동작시키기 위한 방법, 그 방법을 수행하기 위한 전자 컴퓨팅 디바이스, 컴퓨터 프로그램, 및 데이터 캐리어 | |
CN116050637A (zh) | 基于分时电价的综合能源虚拟电厂优化调度方法及系统 | |
Lei et al. | The optimal operation and revenue allocation method of virtual power plant considering carbon trading | |
CN112531785B (zh) | 多时间尺度下光热-储热的主动配电网主辅联合调度方法 | |
Tian et al. | Coordinated RES and ESS Planning Framework Considering Financial Incentives Within Centralized Electricity Market | |
CN116432807A (zh) | 考虑耦合效应与不确定性的综合需求响应系统及其方法 | |
CN113449987A (zh) | 可再生能源配额制下的园区能源系统优化调度方法 | |
Kabirifar et al. | Optimal operation strategy of virtual power plant considering EVs and ESSs | |
Solano Jiménez | Energy and economic optimization of PV hybrid systems to supply buildings HVAC demand: battery modeling and control strategies | |
Bian et al. | Economic Dispatch of A Virtual Power Plant with Wind-photovoltaic-storage Considering Demand Response | |
Yang et al. | Positive-Sum Game-Based Capacity Configuration Planning Method of Solar-Wind-Battery System Designed for Black-Start | |
Zhu et al. | Multi-Objective Optimal Configuration of Integrated Energy System Considering the Load Transfer | |
Wang et al. | Optimization of Regional Integrated Energy System Cluster Based on Multi-agent Game | |
Zheng et al. | Optimal Trading Strategy for Multiple Virtual Power Plants: A Stochastic P2P method | |
Yang et al. | Multi-Agent Dynamic Pricing and Energy Management Strategy for Distribution Networks Based on Bi-Layer Stackelberg Game | |
Wang et al. | Cloud-edge based distributed optimization operation model of park integrated energy | |
Wang et al. | Participation of Energy Storage in Energy and Ancillary Market | |
Sun et al. | Optimal Capacity Configuration of Energy Storage in PV Plants Considering Multi-Stakeholders |
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 |