CN116579560A - 考虑多类型负荷需求响应的虚拟电厂能量分配方法 - Google Patents

考虑多类型负荷需求响应的虚拟电厂能量分配方法 Download PDF

Info

Publication number
CN116579560A
CN116579560A CN202310549723.6A CN202310549723A CN116579560A CN 116579560 A CN116579560 A CN 116579560A CN 202310549723 A CN202310549723 A CN 202310549723A CN 116579560 A CN116579560 A CN 116579560A
Authority
CN
China
Prior art keywords
output
unit
period
power
power plant
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
CN202310549723.6A
Other languages
English (en)
Inventor
付威
张运贵
田成来
张灵敏
江玮
阳昕晓
王精
肖艳紫
崔崔
周梦雅
陈金桥
董政
巴云霖
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.)
State Grid Hubei Comprehensive Energy Service Co ltd
Original Assignee
State Grid Hubei Comprehensive Energy Service 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 State Grid Hubei Comprehensive Energy Service Co ltd filed Critical State Grid Hubei Comprehensive Energy Service Co ltd
Priority to CN202310549723.6A priority Critical patent/CN116579560A/zh
Publication of CN116579560A publication Critical patent/CN116579560A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Technology Law (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明方法涉及虚拟电厂能量分配领域，涉及考虑多类型负荷需求响应的虚拟电厂能量分配方法。其根据实际电厂能量分配以及运行情况，虚拟多类型负荷需求响应机制完成最优方案确定。包括步骤：1)完成源荷预测并分析不确定性；2)制定IES多时间尺度优化调度方案；3)完成日前调度模型及日内调度模型约束；4)完成虚拟电厂构成单元不确定性出力建模；5)构建CVaR的虚拟电厂日前交易优化模型；6)完成虚拟电厂日前交易优化模型求解方法；7)完成基于奖惩阶梯型的虚拟电厂碳交易方法以及最大化利益的需求响应策略；8)得到用电侧最优需求响应；9)对搭建的基于多类型负荷需求响应的能量分配模型进行测试分析。

Description

考虑多类型负荷需求响应的虚拟电厂能量分配方法
技术领域
本发明方法涉及虚拟电厂能量分配领域，涉及考虑多类型负荷需求响应的虚拟电厂能量分配问题。
背景技术
现如今，能源是人类赖以生存和发展的基础，是关系到国家安全稳定、国民经济发展的根本战略资源。在能源互联网蓬勃发展的大环境下，能源系统中出现大量产消者，大量分布式资源的随机性和波动性增加了电网复杂性和管控难度，对电网的安全、可靠和经济运行产生重大影响。研究多类型负荷需求响应的电厂能量分配方法，已成为解决日益凸显的能源需求增长与能源紧缺、能源利用与环境保护之间矛盾的重要一步。
对于虚拟电厂(virtual power plant,VPP)的定义国内外并没有给出十分确定的定义。虚拟电厂技术利用先进的传感、控制技术，有效地聚合和调度新能源发电、储能等分布式资源，在参与辅助服务市场获取收益的同时，为电网提供灵活性，提升电网安全水平，降低电网运行成本与投资成本，是多能流综合能量管理系统中的重要模块。从我国的能源战略以及高效节能清洁发展路径出发，虚拟电厂的综合能效指标应着重从经济效益、环境效益、能效提升等角度考虑，虚拟电厂的运行规划也需要统筹兼顾以上因素。
通过对用能区域投建多种类型的能源设备，建立多能源的协调优化运行模式，可以将该区域整合改造为具有一定规模的虚拟电厂，当面向需求响应时，虚拟电厂可以行使负荷聚合商的职能，旨在整合分散的需求响应资源，统一调控，作为一个整体参与电网需求响应。通过虚拟电厂合理规划电厂能量分配有利于提高综合能效，实现远期的可持续清洁化发展目标。与此同时也要求在规划过程中进行科学合理的规划，并从提升综合能效的角度优化配置虚拟电厂内资源。因此，如何协调虚拟电厂规划所需要满足的多个目标，寻求更加合理的电厂能量分配方法，成了虚拟电厂所面临的至关重要的问题。
发明内容
本发明要解决的技术问题是，提供了一种考虑多类型负荷需求响应的虚拟电厂能量分配方法。
本发明所采用的技术方案是：
发明是一种考虑多类型负荷需求响应的虚拟电厂能量分配方法，根据实际电厂能量分配以及运行情况，虚拟多类型负荷需求响应机制完成最优方案确定。首先完成源荷预测并进行不确定性分析，制定IES多时间尺度优化调度方案，完成日前调度模型以及日内调度模型。在得到预测结果以及模型后，完成虚拟电厂构成单元不确定性分析。构建CVaR的虚拟电厂日前交易优化模型并完成虚拟电厂日前交易优化模型求解方法。在以上过程完成的基础上，进一步完成基于奖惩阶梯型的虚拟电厂碳交易方法，分析确定性调度结果以及相关影响关系，得到用电侧最优需求响应，并进行模型测试分析。
本发明是考虑多类型负荷需求响应的虚拟电厂能量分配方法，包括如下步骤。
步骤1，完成源荷预测并分析不确定性，制定IES多时间尺度优化调度方案，完成日前调度模型以及日内调度模型。其中：
步骤1.1，完成源荷预测并分析不确定性。
源荷预测在电力系统的经济和安全运行策略方面以及电力交易中起着关键作用，预测能否平衡微电网供需以及降低运行成本，关键在于其预测精度，因此，提高预测的精度是至关重要的。本文采用了LSTM源荷预测模型成功提升了预测精度。
步骤1.1.1，LSTM预测原理。
1)基础循环神经网络模型；
ot＝g(Vst)
st＝f(Uxt+Wst-1)
式中：ot为神经元输出；g为输出层的激活函数；V是输出层的权重系数；f是隐含层的激活函数；xt是当前输出；U是当前输入的权重系数；st-1是上一时刻隐含层的状态；W是上一时刻状态作为当前时刻输入的权重系数；
2)增加遗忘门。
遗忘门是用来控制将上一时刻的单元状态中需要保存的信息保存到当前单元状态中；计算公式为：
ft＝σ(Wf·[st-1,xt]+bf)
式中st-1是上一时刻的单元状态；xt是当前时刻的输入；Wf是遗忘门的权重矩阵；bf是遗忘门的偏置；σ是遗忘门的sigmoid激活函数，最后得到的ft是一个[0,1]的值，若ft＝0表示对上一时刻的单元状态全部忘记，反之若ft＝1表示对上一时刻的单元状态全部记忆，通常ft的值为(0,1，只记忆上一时刻单元状态中需要保存的信息。
3)增加输入门。
输入门控制当前时刻的输入有多少信息保存到当前单元状态中，公式为：
it＝σ(Wi·[st-1,xt]+bi)
式中st-1是上一时刻的单元状态；xt是当前时刻的输入；Wi是遗忘门的权重矩阵；bi是遗忘门的偏置；σ是遗忘门的sigmoid激活函数；最后得到的it是一个[0,1]的值，若it＝0表示对此时的输入全部忘记，反之若it＝1表示对此时的输入全部记忆，通常it的值为(0,1)，只记忆此时输入中需要保存的信息。
4)增加输出门。
输出门控制的是当前单元状态中有多少信息保存到当前输出中，计算公式为：
ot＝σ(Wo·[st-1,xt]+bo)
st＝ot*tanh(ct)
式中st-1是上一时刻的单元状态；xt是当前时刻的输入；WO是遗忘门的权重矩阵；bo是遗忘门的偏置；σ是输出门的sigmoid激活函数；ot是一个[0,1]的值；最后当前时刻的输出st是将输出门得到的ot同当前的单元整合后得到。
5)增加单元状态。
当前单元状态前需要先得到当前单元状态的候选值向量计算公式如下：
式中st-1是上一时刻的单元状态，xt是当前时刻的输入，Wc是遗忘门的权重矩阵，bc是遗忘门的偏置，tanh是遗忘门激活函数，是一个[0,1]的值；其中ct-1是上一时刻的单元状态，ft、it、/>均为当前时刻的值，即可实现将长期记忆和当前的记忆整合到一起得到当前单元状态ct,。
步骤1.1.2，分析不确定性。
基于预测误差数据集进行离散分布拟合得到源荷预测误差不确定性水平如表1所示，图1所示为源荷预测误差分布及拟合情况(依次为光伏、风机、电负荷、热负荷)。
表1源荷预测误差不确定性水平
以夏季总电负荷为例，基于源荷短期预测模型得到负荷预测误差数据集，对预测误差分布拟合便可得到其分布情况如图2所示。
步骤1.2，制定IES多时间尺度优化调度方案。
IES多时间尺度优化调度流程图如图3，制定的多时间尺度优化调度策略包括日前调度模型方案及日内调度模型方案两个部分，其中日前调度间隔为15分钟，制定各可调能源设备24小时的日前运行计划，日内调度间隔为5分钟，调度跟踪日前计划，每1小时通过滚动优化来降低功率波动的影响，进一步提高了模型精度。
步骤1.3，完成日前调度模型以及日内调度模型。
完成日前调度模型过程，综合能源系统日前调度采用经济调度模型，目标函数为所有组合场景下日期望运行成本最小，日内调度模型目标函数为可调能量单元偏差最小，以保证模型更加完善。
步骤1.3.1，完成日前调度模型。
综合能源系统日前调度采用经济调度模型，目标函数为所有组合场景下日期望运行成本最小。如下式所示。
式中，CIES表示系统调度日内的期望运行费用；分别代表各场景s下的外部购买能量成本和设备能量单元运行维护成本；T表示调度周期的总时段数ΔT是调度时间间隔；M、βs分别表示场景数量和场景发生概率值；/>λgas(t)分别代表各时段天然气消耗量和价格；/>λgrid(t)分别代表各时段向外部电网购电功率和价格；γs(t)、CGE_open分别代表各时段燃气机启动次数和每次的启动成本；/>λGE分别代表各时段燃气轮机出力及其单位出力的运行维护费用；/>λPV分别代表各时段光伏出力及其单位出力的运行维护费用；/>λWT分别代表各时段风电出力及其单位出力的运行维护费用；λGB分别代表各时段燃气锅炉出力及其单位出力的运行维护费用；/>λAC分别代表各时段冷温水机出力及其单位出力的运行维护费用；/>λEC分别代表各时段电制冷机出力及其单位出力的运行维护费用；/>)、λBat分别代表各时段电池储能出力及其单位出力的运行维护费用；/>λHS分别代表各时段热储能出力及其单位出力的运行维护费用；/>λCS分别代表各时段冷储能出力及其单位出力的运行维护费用；不同季节冷热能供应不同，针对具体季节进行优化调度时只需将/>中未使用的设备运行成本置零即可。
步骤1.3.2，完成日内调度模型。
日内调度模型目标函数为可调能量单元偏差最小，如下式所示:
式中T、Cn分别表示调度周期的总时段数、可调能量单元数量，分别表示第i个可调能量单元在时刻t时日内出力值和日前出力值。
步骤2，完成虚拟电厂构成单元不确定性出力建模，构建CVaR的虚拟电厂日前交易优化模型并完成虚拟电厂日前交易优化模型求解方法。其中：
步骤2.1，完成虚拟电厂构成单元不确定性出力建模。
完成虚拟电厂构成单元不确定性出力建模是在完成虚拟电厂的基础构成单元建模之上实现的，此处的构成单元建模以储能装置为例，其运作过程如图4所示，确保了其更加贴合实际情况，提高模型精度，其中风电机组单元不确定性出力建模以及光伏机组单元不确定性出力建模最为重要。
步骤2.1.1，风电机组单元不确定性出力建模。
风力发电机组输出不确定性取决于风速的随机特性，采用Weibull分布进行描述，风速测算模型为：
式中，v为风速，c为威布尔分布的尺度参数，k为状态参数；基于上式对风速概率密度的计算，得风力发电机的输出和实时风速之间的关系为：
式中，为风机在t时的输出功率；Cp为风能利用系数；ρ表示空气密度；Aw为风速在机组叶片扫过区域上垂直投影面积；/>为机组的额定功率；Vin、Vrated和Vout为风电机组切入、额定和切出风速。
步骤2.1.2，光伏机组单元不确定性出力建模。
光伏发电机组输出不确定性取决于太阳辐射强度的随机特性，采用Beta分布进行描述太阳辐射强度模型包括。
式中，r是t时段太阳辐照度；rmax是t时段太阳最大辐照度；α和β是Beta分布的形状参数，其变化将导致Beta分布概率密度曲线形状的变化，α和β可以根据该段时间内太阳辐射强度的数学期望μ和方差δ计算得到。
式中，μ和δ为太阳辐射强度的数学期望和方差。
基于对太阳辐射强度的计算的光伏发电的输出模型。
式中，xPV为转化效率，ρPV为光伏组件的总面积，θt为t时太阳辐射强度。
步骤2.2，构建CVaR的虚拟电厂日前交易优化模型。
此过程结合了储能系统“低充高放”的灵活性，对多余出力进行储存，从而减少虚拟电厂竞标时的正偏差电量，且在竞标电量产生负偏差时，利用储能机组及可中断负荷机制，进行电量卖出及部分负荷的转移，减少在日前市场结算时的电量偏差惩罚成本。虚拟电厂参与日前市场交易流程图如图5所示。
其目标函数表示为：
其中：
CVPP＝CESS+CWPP+CPV+CDR+CMT
式中，和/>为风电和光伏机组在t时段的运行成本；/>和/>为风电和光伏机组的折旧成本；g'WPP·pWPP与g'PV·pPV为风电与光伏机组的偏差成本；αMT，bMT及cMT为MT机组的成本参数；/>为t时刻储能买卖电能的价格；/>为t时刻储能买入电能进行充电的量；/>为t时刻储能的运行成本。
步骤2.3，完成虚拟电厂日前交易优化模型求解方法。
模型求解方法对于模型精度以及实际运用的影响很大，能否找到合适的模型求解方法至关重要，本发明采用了蚁群算法完成虚拟电厂日前交易优化模型求解，进一步提高了模型精度。
(1)蚁群算法状态转移概率。
在蚁群觅食过程中，蚂蚁的行为受信息素浓度影响，其路径选择也会发生相应变化，蚂蚁a从节点i转移到节点j的概率表示为：
式中，τij(t)为从t时刻蚂蚁a从节点i转移到节点j的路径上的信息素；ηij(t)为选择从节点i到节点j的期望程度，路径越长，则越便宜最优解，即期望越小；为蚂蚁a从节点i到节点j中可以到达的距离集合。
(2)蚁群算法信息素更新。
每只蚂蚁在达到食物点时，都会在其行走过的路径上留下信息素，即这条路的信息素浓度提高，则该路径上信息素的变化可表示为，即：
式中，τ'(a)为蚂蚁a最新位置上的信息素浓度；α1为该条路径上原有信息素的挥发系数；Δτj(a)为本次迭代中最优路径代表的蚂蚁所留下的信息素；τ(α)为上次迭代后的最优路径所属蚂蚁的信息素。
步骤3，完成基于奖惩阶梯型的虚拟电厂碳交易方法以及最大化利益的需求响应策略，最后得到用电侧最优求需响应并进行测试分析。
此步骤是在多园区系统基础上实现的，建立的多园区系统共有三个园区，分别为工业区、商业区和居民区，不同园区间通过各种网络连接，实现彼此间的互通互无。本项目建立得多VPP-IES结构如图6所示，其利用VPP技术将IES各个园区内部的资源聚合起来，使每个园区各自形成一个紧密的整体，每个园区都看成一个独立的VPP。该系统共包含四个网络，分别为辐射型天然气网、辐射型电网、环型热网和环型冷网，各园区间的冷热交互通过冷热管道来实现。
步骤3.1，完成基于奖惩阶梯型的虚拟电厂碳交易方法以及最大化利益的需求响应策略。
步骤3.1.1，完成基于奖惩阶梯型的虚拟电厂碳交易方法。
构建奖惩阶梯型碳交易机制，将碳排放权划分多个区间，碳交易价格随碳配额呈阶梯式上升。碳交易量为负时进行奖励，企业可以出售多余碳配额以获得奖励。因此t时段碳交易成本为：
式中k为当日碳交易基价；l为区间长度，此处取l＝2t；θ为价格增幅，此处取0.25；ω为奖励系数；Cco2(t)为正时代表此刻碳排放超额，需要从碳交易市场购买额度，Cco2(t)为负时代表此刻碳排放额度未用完，可以售出以获得收益。BC为参与碳交易市场收益，碳交易量为Es(t)。
在参与碳市场交易方法流程完备的基础上如图7，得到碳积分收益。
CJm＝Cc*υ*σ
式中，CJm为售卖碳积分收益，υ为碳积分折算系数，σ为碳积分基价。
步骤3.1.2，完成最大化利益的需求响应策略。
售电方所获得的利益表示为。
π*为最优价格；表示最优价格下的最优需求；/>表示电价向量。
步骤3.2，得到用电侧最优需求响应。
用电侧最优需求响应是最为重要的过程，其直接影响着电厂能量分配。
具体最优需求响应表达公式如下。
其中m表示不同需求响应；表示t时段需求响应作用后的总负荷；/>为初始用电量；/>和/>分别为在t时段的饱和上限负荷和基本负荷；/>为x时段对y时段的指数型弹性系数；ΔHm,x为x时段的电价改变量。
步骤3.3，对搭建的需求响应模型进行测试分析。
测试分析过程设置了各VPP单独优化以前获得自身最大利润；各VPP协同合作，同时参与大电网交易及VPP之间直接交易；各VPP合作，只有多VPP直接交易三种运行场景。
测试模型如下。
式中：分别为需求响应前后的电负荷；/>为可转移电负荷变化量；为削减电负荷的反弹负荷；为削减电负荷；/> 分别为削减电负荷的反弹系数；分别为时刻t-1、t-2、t-3的削减电负荷，气负荷表述同理只是下标不同。同一时段用户会还会根据当时不同能源价格之间的差异进行纵向需求响应，求得纵向需求响应下可替换电负荷变化量/>和可替换气负荷变化量/>与现有技术相比本发明有益效果
(1)完成源荷预测并分析不确定性，制定IES多时间尺度优化调度方案，完成日前调度模型以及日内调度模型，使模拟过程中，降低了源荷不确定的影响，进而降低了日内调度的调整压力，保证日前调度计划较好的实施。
(2)完成虚拟电厂构成单元不确定性分析。构建CVaR的虚拟电厂日前交易优化模型，最后完成虚拟电厂日前交易优化模型求解方法。减少预测与实际出力的偏差，相比其他方法本发明试验过程更贴近现实情况。
(3)完成基于奖惩阶梯型的虚拟电厂碳交易方法以及最大化利益的需求响应策略，对搭建的基于多类型负荷需求响应的能量分配模型进行测试分析。通过分析验证了发明方法的可行性。其可以提高电厂运行的经济性及安全性，有效地改善电厂的运行效率。运维调度控制平台的业务管理功能可以提供统一的用户服务管理，协助电厂实现安全、统一的业务管理。
附图说明
图1源荷预测误差分布及拟合情况。
图2电负荷预测误差分布及拟合情况。
图3IES多时间尺度优化调度流程图。
图4储能装置的运作过程。
图5虚拟电厂参与日前市场交易流程。
图6多VPP综合能源系统结构。
图7参与碳市场交易方法流程。
图8 3种场景下燃气轮机出力对比。
图9场景1和场景2下VPP交易电量。
图10场景2和场景3下各VPP交易电量。
图11下午时段各类资源响应情况。
具体实施方式
(1)基于LSTM对风电，光伏出力和电、热负荷功率进行预测，并与其相应的实际值对比，完成了源荷预测，并进行不确定性分析，使建模过程更贴近现实，制定IES多时间尺度优化调度方案，完成日前调度模型以及日内调度模型，具体见步骤1。
(2)完成虚拟电厂构成单元不确定性分析建模。构建CVaR的虚拟电厂日前交易优化模型，最后完成虚拟电厂日前交易优化模型求解方法，具体见步骤2。
(3)完成基于奖惩阶梯型的虚拟电厂碳交易方法以及最大化利益的需求响应策略，得到用电侧最优需求响应并进行测试分析，具体见步骤3以及下面测试分析得到的结果。
测试分析得到的结果如下。
3种场景下的VPP收益如下表所示，3种场景下燃气轮机出力对比如图8。
3种场景下各VPP的运行利润
图9为VPP1在场景1和场景2下的VPP与大电网及其他VPP总交易电量。由图9可知，在11:00—15:00时段，场景2下VPP1出售更多的电量；在16:00—19:00时段，由于风电出力不足，需购买更多电量。由于VPP间直接交易电价介于大电网购售电的电价之间，场景2下交易电量明显高于场景1。在算例24h计算周期中，场景2下相比场景1，购电量增加38.35％，售电量增加15.21％。
场景2和场景3中3个VPP的日前交易电量如图10所示，功率大于0为出售电量，小于0表示从外部购电，在VPP中风电富余的时段，则参与电量交易。在16:00—19:00时段，VPP2风电出力较大，向外部出售大量的电量。场景3下，由于电量交易仅限于VPP间，VPP2富余的风电由其余两个VPP共同消纳，与场景2相比较，VPP1、VPP3购买电量更多。由此可见，VPP间直接进行交易，在一定程度上减小了电网的负担，多VPP联合运行，为未来构建大区域能源互联网提供了参考。
虚拟电厂响应结果具体如下。
下午时段调峰响应结果如下表所示(其中应调峰量和市场价格为已知量)，虚拟电厂内部各类资源响应情况如图11所示。
下午时段调峰响应结果表
并在图中将虚拟电厂下午时段响应结果与调峰市场所获取响应目标量进行比较。得出：在该日下午时段，虚拟电厂的调峰响应主要由空调系统和其他可调负荷完成。在下午各时段内，内部资源响应量与在市场获取的目标值略有偏差，储能设备进行了充放电的双向弥补，最终结果各时段内分别偏差0.032％、0.056％、0.152％结算时惩罚费用较低。

Claims (10)

1.考虑多类型负荷需求响应的虚拟电厂能量分配方法，包括步骤：
1)完成源荷预测并分析不确定性；
2)制定IES多时间尺度优化调度方案；
3)完成日前调度模型及日内调度模型约束；
4)完成虚拟电厂构成单元不确定性出力建模；
5)构建CVaR的虚拟电厂日前交易优化模型；
6)完成虚拟电厂日前交易优化模型求解方法；
7)完成基于奖惩阶梯型的虚拟电厂碳交易方法以及最大化利益的需求响应策略；
8)得到用电侧最优需求响应；
9)对搭建的基于多类型负荷需求响应的能量分配模型进行测试分析。
2.根据权利要求1所述的考虑多类型负荷需求响应的虚拟电厂能量分配方法，其特征在于，步骤1)中所述完成源荷预测并分析不确定性包括：
步骤1.1、建立LSTM源荷预测模型；
长短期记忆神经网络LSTM提出了门机制：遗忘门、输入门、输出门，并增加了单元状态：在LSTM中，引入了单元状态；
(1)LSTM原理；
1)基础循环神经网络模型；
ot＝g(Vst)
st＝f(Uxt+Wst-1)
式中：ot为神经元输出；g为输出层的激活函数；V是输出层的权重系数；f是隐含层的激活函数；xt是当前输出；U是当前输入的权重系数；st-1是上一时刻隐含层的状态；W是上一时刻状态作为当前时刻输入的权重系数；
2)增加遗忘门；
遗忘门是用来控制将上一时刻的单元状态中需要保存的信息保存到当前单元状态中；计算公式为：
ft＝σ(Wf·[st-1，xt]+bf)
式中st-1是上一时刻的单元状态；xt是当前时刻的输入；Wf是遗忘门的权重矩阵；bf是遗忘门的偏置；σ是遗忘门的sigmoid激活函数，最后得到的ft是一个[0，1]的值，若ft＝0表示对上一时刻的单元状态全部忘记，反之若ft＝1表示对上一时刻的单元状态全部记忆，通常ft的值为(0，1)，只记忆上一时刻单元状态中需要保存的信息；
3)增加输入门；
输入门控制当前时刻的输入有多少信息保存到当前单元状态中，公式为：
it＝σ(Wi·[st-1，xt]+bi)
式中st-1是上一时刻的单元状态；xt是当前时刻的输入；Wi是遗忘门的权重矩阵；bi是遗忘门的偏置；σ是遗忘门的sigmoid激活函数；最后得到的it是一个[0，1]的值，若it＝0表示对此时的输入全部忘记，反之若it＝1表示对此时的输入全部记忆，通常it的值为(0，1)，只记忆此时输入中需要保存的信息；
4)增加输出门；
输出门控制的是当前单元状态中由多少信息保存到当前输出中，计算公式为：
ot＝σ(Wo·[st-1，xt]+bo)
st＝0t*tanh(ct)
式中st-1是上一时刻的单元状态；xt是当前时刻的输入；Wo是遗忘门的权重矩阵；bo是遗忘门的偏置；σ是输出门的sigmoid激活函数；ot是一个[0，1]的值；最后当前时刻的输出st是将输出门得到的ot同当前的单元整合后得到；
5)增加单元状态，当前单元状态前需要先得到当前单元状态的候选值向量计算公式如下：
式中st-1是上一时刻的单元状态，xt是当前时刻的输入，Wc是遗忘门的权重矩阵，bc是遗忘门的偏置，tanh是遗忘门激活函数，是一个[0，1]的值；其中ct-1是上一时刻的单元状态，ft、it、/>均为当前时刻的值，即可实现将长期记忆和当前的记忆整合到一起得到当前单元状态ct；
步骤1.2、不确定性分析；
基于LSTM原理，完成风电、光伏出力和电、冷、热负荷功率预测，并与其相应的实际值对比；基于预测误差数据集进行离散分布拟合得到源荷预测误差不确定性水平。
3.根据权利要求1所述的考虑多类型负荷需求响应的虚拟电厂能量分配方法，其特征在于，步骤2)中所述制定IES多时间尺度优化调度方案包括：
(1)制定日前调度模型目标函数；
其目标函数为所有组合场景下日期望运行成本最小，包括外部购买能量成本和设备能量单元运行维护成本两个部分，公式如下：
式中，CIES表示系统调度日内的期望运行费用；分别代表各场景s下的外部购买能量成本和设备能量单元运行维护成本；T表示调度周期的总时段数ΔT是调度时间间隔；M、βs分别表示场景数量和场景发生概率值；/>λgas(t)分别代表各时段天然气消耗量和价格；/>λgrid(t)分别代表各时段向外部电网购电功率和价格；γs(t)、CGE_open分别代表各时段燃气机启动次数和每次的启动成本；/>λGE分别代表各时段燃气轮机出力及其单位出力的运行维护费用；/>λPV分别代表各时段光伏出力及其单位出力的运行维护费用；/>λWT分别代表各时段风电出力及其单位出力的运行维护费用；/>λGB分别代表各时段燃气锅炉出力及其单位出力的运行维护费用；/>λAC分别代表各时段冷温水机出力及其单位出力的运行维护费用；/>λEC分别代表各时段电制冷机出力及其单位出力的运行维护费用；/>λBat分别代表各时段电池储能出力及其单位出力的运行维护费用；/>λHS分别代表各时段热储能出力及其单位出力的运行维护费用；λCS分别代表各时段冷储能出力及其单位出力的运行维护费用；不同季节冷热能供应不同，针对具体季节进行优化调度时只需将/>中未使用的设备运行成本置零即可；
(2)制定日内调度模型目标函数；
日内调度模型目标函数为可调能量单元偏差最小，如下式所示:
式中，T、Cn分别表示调度周期的总时段数、可调能量单元数量，分别表示第i个可调能量单元在时刻t时日内出力值和日前出力值。
4.根据权利要求1所述的考虑多类型负荷需求响应的虚拟电厂能量分配方法，其特征在于，步骤3)中所述完成日前调度模型及日内调度模型约束包括：
任意调度时刻，系统均需满足冷、热、电、气相应的能量供需平衡约束，时间不同，对应的能量平衡约束也不同，电、冷/热、余热和燃气能量平衡约束为：
式中，分别表示场景s下各时段向电网购电功率、风电功率、电负荷功率；
分别表示场景s下各时段电池储能功率、光伏出力值、电制冷机功率；
分别表示场景s下各时段燃气发电机组电功率、生产性储能电池功率、水泵功率、电动汽车充电电功率；
分别表示场景s下各时段分别是燃气网功率输出值、燃气锅炉输入功率、燃气发电机组输入功率；
分别表示场景s下各时段分别为电制冷机输出功率、热储能功率、燃气发电机组未利用的热功率；
分别表示场景s下各时段分别为冷储能功率、燃气锅炉功率、燃气发电机组输出热功率；
分别表示场景s下各时段分别为冷温水机输出功率、冷负荷功率、热负荷功率、输入冷温水机的热功率。
5.根据权利要求1所述的考虑多类型负荷需求响应的虚拟电厂能量分配方法，其特征在于，步骤4)中所述完成虚拟电厂构成单元不确定性出力建模包括：
(1)风电机组单元不确定性出力建模；
风力发电机组输出不确定性取决于风速的随机特性，采用Weibull分布进行描述，风速测算模型为：
式中，v为风速，c为威布尔分布的尺度参数，k为状态参数；基于上式对风速概率密度的计算，得风力发电机的输出和实时风速之间的关系为：
式中，为风机在t时的输出功率；Cp为风能利用系数；ρ表示空气密度；Aw为风速在机组叶片扫过区域上垂直投影面积；/>为机组的额定功率；Vin、Vrated和Vout为风电机组切入、额定和切出风速；
(2)光伏机组单元不确定性出力建模；
光伏发电机组输出不确定性取决于太阳辐射强度的随机特性，采用Beta分布进行描述太阳辐射强度模型包括：
式中，r是t时段太阳辐照度；rmax是t时段太阳最大辐照度；α和β是Beta分布的形状参数，其变化将导致Beta分布概率密度曲线形状的变化，α和β可以根据该段时间内太阳辐射强度的数学期望μ和方差δ计算得到：
式中，μ和δ为太阳辐射强度的数学期望和方差；
基于对太阳辐射强度的计算的光伏发电的输出模型：
式中，xPV为转化效率，ρPV为光伏组件的总面积，θt为t时太阳辐射强度。
6.根据权利要求1所述的考虑多类型负荷需求响应的虚拟电厂能量分配方法，其特征在于，步骤5)中所述构建CVaR的虚拟电厂日前交易优化模型包括：
结合虚拟电厂在日前市场中的交易需求，其目标函数表示为：
其中：
CVPP＝CESS+CWPP+CPV+CDR+CMT
式中，和/>为风电和光伏机组在t时段的运行成本；/>和/>为风电和光伏机组的折旧成本；g′WPP·pWPP与g′PV·pPV为风电与光伏机组的偏差成本；αMT，bMT及cMT为MT机组的成本参数；/>为t时刻储能买卖电能的价格；/>为t时刻储能买入电能进行充电的量；/>为t时刻储能的运行成本；
模型求解过程中，考虑市场供需平衡与机组运行约束为：
(1)电力日前电力市场供需平衡约束；
式中，D为用电需求，为风电机组在日前市场的实际出力，/>为光伏机组在日前市场的实际出力，/>为储能机组在日前市场的电能贡献量；
(2)机组运行约束；
1)风电出力约束；
式中，为风电机组在t时刻的出力上限；
2)光伏发电约束；
式中，为光伏机组出力的上限；
3)MT机组约束；
对于MT机组，主要考虑其功率输出功率及爬坡约束：
式中，和/>分别表示t时段下MT出力的下限与上限；/>和/>分别表示MT机组的上下爬坡功率；
4)储能机组约束；
Emin≤Et≤Emax
式中，为储能设备最大值充电效率；/>为储能设备最大放电效率；δs为储能系统的运行状态，即充放电无法同时完成，Emin与Emax为储能机组储能的最小值与最大值。
7.根据权利要求1所述的考虑多类型负荷需求响应的虚拟电厂能量分配方法，其特征在于，步骤6)中所述完成虚拟电厂日前交易优化模型求解方法：
采用蚁群算法完成虚拟电厂日前交易优化模型求解；
(1)蚁群算法状态转移概率；
在蚁群觅食过程中，蚂蚁的行为受信息素浓度影响，其路径选择也会发生相应变化，蚂蚁a从节点i转移到节点j的概率表示为：
式中，τij(t)为从t时刻蚂蚁a从节点i转移到节点j的路径上的信息素；ηij(t)为选择从节点i到节点j的期望程度，路径越长，则越便宜最优解，即期望越小；为蚂蚁a从节点i到节点j中可以到达的距离集合；
(2)蚁群算法信息素更新；
每只蚂蚁在达到食物点时，都会在其行走过的路径上留下信息素，即这条路的信息素浓度提高，则该路径上信息素的变化可表示为，即：
式中，τ'(a)为蚂蚁a最新位置上的信息素浓度；α1为该条路径上原有信息素的挥发系数；Δτj(a)为本次迭代中最优路径代表的蚂蚁所留下的信息素；τ(α)为上次迭代后的最优路径所属蚂蚁的信息素。
8.根据权利要求1所述的考虑多类型负荷需求响应的虚拟电厂能量分配方法，其特征在于，步骤7)中所述完成基于奖惩阶梯型的虚拟电厂碳交易方法以及最大化利益的需求响应策略：
步骤7.1、基于奖惩阶梯型的虚拟电厂碳交易方法；
构建奖惩阶梯型碳交易机制，将碳排放权划分多个区间，碳交易价格随碳配额呈阶梯式上升；在出售多余碳排放配额时引入奖励系数进行激励，以保证未用完的碳排放额度能够全部售出，因此t时段碳交易成本为：
式中，k为当日碳交易基价；l为区间长度，此处取l＝2t；θ为价格增幅，此处取0.25；ω为奖励系数；为正时代表此刻碳排放超额，需要从碳交易市场购买额度，/>为负时代表此刻碳排放额度未用完，可以售出以获得收益；Bc为参与碳交易市场收益；
步骤7.2、最大化利益的需求响应策略；
售电方所获得的利益表示为：
π*为最优价格；表示最优价格下的最优需求；/>表示电价向量。
9.根据权利要求1所述的考虑多类型负荷需求响应的虚拟电厂能量分配方法，其特征在于，步骤8)得到用电侧最优需求响应包括：
具体最优需求响应表达公式如下：
其中m表示不同需求响应；表示t时段需求响应作用后的总负荷；/>为初始用电量；和/>分别为在t时段的饱和上限负荷和基本负荷；/>为x时段对y时段的指数型弹性系数；ΔHm,x为x时段的电价改变量。
10.根据权利要求1所述的考虑多类型负荷需求响应的虚拟电厂能量分配方法，其特征在于，步骤9)对搭建的基于多类型负荷需求响应的能量分配模型进行测试分析：
测试模型如下：
式中：分别为需求响应前后的电负荷；/>为可转移电负荷变化量；/>为削减电负荷的反弹负荷；为削减电负荷；/>分别为削减电负荷的反弹系数；分别为时刻t-1、t-2、t-3的削减电负荷，气负荷表述同理只是下标不同。同一时段用户会还会根据当时不同能源价格之间的差异进行纵向需求响应，求得纵向需求响应下可替换电负荷变化量/>和可替换气负荷变化量/>
CN202310549723.6A 2023-05-16 2023-05-16 考虑多类型负荷需求响应的虚拟电厂能量分配方法 Pending CN116579560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310549723.6A CN116579560A (zh) 2023-05-16 2023-05-16 考虑多类型负荷需求响应的虚拟电厂能量分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310549723.6A CN116579560A (zh) 2023-05-16 2023-05-16 考虑多类型负荷需求响应的虚拟电厂能量分配方法

Publications (1)

Publication Number Publication Date
CN116579560A true CN116579560A (zh) 2023-08-11

Family

ID=87539199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310549723.6A Pending CN116579560A (zh) 2023-05-16 2023-05-16 考虑多类型负荷需求响应的虚拟电厂能量分配方法

Country Status (1)

Country Link
CN (1) CN116579560A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196228A (zh) * 2023-09-18 2023-12-08 湖南经研电力设计有限公司 针对虚拟电厂的多时间尺度优化调度方法及系统
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
CN117477660A (zh) * 2023-10-16 2024-01-30 广州高新区能源技术研究院有限公司 基于vpp需求响应的柔光储充系统联合调控方法及系统
CN117933667A (zh) * 2024-03-21 2024-04-26 广州疆海科技有限公司 虚拟电厂的资源调度方法、装置、计算机设备和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196228A (zh) * 2023-09-18 2023-12-08 湖南经研电力设计有限公司 针对虚拟电厂的多时间尺度优化调度方法及系统
CN117477660A (zh) * 2023-10-16 2024-01-30 广州高新区能源技术研究院有限公司 基于vpp需求响应的柔光储充系统联合调控方法及系统
CN117477660B (zh) * 2023-10-16 2024-05-28 广州高新区能源技术研究院有限公司 基于vpp需求响应的柔光储充系统联合调控方法及系统
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
CN117933667A (zh) * 2024-03-21 2024-04-26 广州疆海科技有限公司 虚拟电厂的资源调度方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Vázquez-Canteli et al. Reinforcement learning for demand response: A review of algorithms and modeling techniques
Wang et al. Demand response comprehensive incentive mechanism-based multi-time scale optimization scheduling for park integrated energy system
CN116579560A (zh) 考虑多类型负荷需求响应的虚拟电厂能量分配方法
Qiu et al. Federated reinforcement learning for smart building joint peer-to-peer energy and carbon allowance trading
Huy et al. Real-time energy scheduling for home energy management systems with an energy storage system and electric vehicle based on a supervised-learning-based strategy
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
Rahmani-Andebili et al. Price-controlled energy management of smart homes for maximizing profit of a GENCO
Chen et al. A battery management strategy in microgrid for personalized customer requirements
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
He et al. A new cooperation framework with a fair clearing scheme for energy storage sharing
CN114219195A (zh) 一种区域综合能源容量优化控制方法
Lin et al. Blockchain-based intelligent charging station management system platform
CN112508325A (zh) 一种家庭微电网多时间尺度电能调度方法
Zhu et al. Design optimization and two-stage control strategy on combined cooling, heating and power system
Dong et al. Research on day-ahead optimal dispatching of virtual power plants considering the coordinated operation of diverse flexible loads and new energy
Wang et al. Research on collaborative operation optimization of multi-energy stations in regional integrated energy system considering joint demand response
CN114169916B (zh) 一种适应新型电力系统的市场成员报价策略制定方法
Zeng et al. Optimal configuration planning of vehicle sharing station-based electro-hydrogen micro-energy systems for transportation decarbonization
Kang et al. Multi-objective sizing and real-time scheduling of battery energy storage in energy-sharing community based on reinforcement learning
Mulleriyawage et al. Prosumer-centric demand side management for minimizing electricity bills in a DC residential PV-battery system: An Australian household case study
Huang et al. A multi-timescale energy scheduling model for microgrid embedded with differentiated electric vehicle charging management strategies
CN111474900B (zh) 一种基于虚拟电厂的区域综合能源系统运行方法及系统
Saber et al. Distributed transactive coordination of residential communities aiming at fulfilling households’ preferences
Akbari et al. Cooperative stochastic energy management of networked energy hubs considering environmental perspectives
Bai et al. A collaborative matching method for multi-energy supply systems in office buildings considering the random characteristics of electric vehicles

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