CN117592621B - 一种虚拟电厂集群两阶段调度优化方法 - Google Patents
一种虚拟电厂集群两阶段调度优化方法 Download PDFInfo
- Publication number
- CN117592621B CN117592621B CN202410077278.2A CN202410077278A CN117592621B CN 117592621 B CN117592621 B CN 117592621B CN 202410077278 A CN202410077278 A CN 202410077278A CN 117592621 B CN117592621 B CN 117592621B
- Authority
- CN
- China
- Prior art keywords
- virtual power
- power plant
- time
- bidding
- representing
- 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 54
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010248 power generation Methods 0.000 claims abstract description 37
- 238000004146 energy storage Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 7
- 230000002860 competitive effect Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000003828 downregulation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 230000003827 upregulation Effects 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 17
- 238000012725 vapour phase polymerization Methods 0.000 description 19
- 239000010410 layer Substances 0.000 description 9
- 238000013178 mathematical model Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—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
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种虚拟电厂集群两阶段调度优化方法，属于发电技术领域。本发明方法构建虚拟电厂集群动态平衡策略，以各虚拟电厂的运行成本最小化为目标构建竞标成本函数，以各机组出力波动偏差最小为目标构建竞标电量函数，以集群中虚拟电厂平均供能成本最低为目标，基于所有参与竞价的虚拟电厂的竞价策略构建目标函数，实现集群中各虚拟电厂的相互调度，弥补由于单个虚拟电厂自身条件能力不足导致在实施阶段产生偏差的问题，实现配电网络的整体经济性优化。本发明方法使用两阶段鲁棒优化方法对目标函数求最优解，解决两阶段模型求解时易陷入局部最优解的问题，最终得到多个虚拟电厂共同参与市场竞价的最优调度策略。
Description
技术领域
本发明属于发电技术领域，尤其涉及一种虚拟电厂集群两阶段调度优化方法。
背景技术
虚拟电厂（Virtual power plant，VPP）的电力物联网技术对规模化分布式资源（distribution energy resource，DER）进行聚合，是提高新型电力系统灵活运行性能与新能源消纳能力的重要技术手段。在配电网络中，由于通信手段的限制，大量的分布式机组聚合到同一虚拟电厂会造成信息拥堵，调控困难等情况，因此虚拟电厂通常以集群形式出现，这给虚拟电厂集群内部调度与相互协调优化带来了发展契机。
就调度优化模型而言，现有研究主要集中于单一虚拟电厂内部聚合单元各时间尺度内的协调优化问题，以日前-实时两阶段调度优化模型、双层优化模型为主，并以运行成本最小、净负荷最小为目标函数，但在实际配电网络中，虚拟电厂通常以集群形式存在，集群中各个虚拟电厂之间的相互调度可以弥补由于单个虚拟电厂自身调节能力不足在实时阶段所产生的偏差，但目前针对虚拟电厂集群的调度优化还处于空白阶段。因此亟需结合实际配电网络系统中虚拟电厂集群间的协调调度，实现区域配电网络内部整体经济性。
在虚拟电厂实时调度阶段，由于风光出力的不确定性，会造成虚拟电厂运行产生偏差，从而导致整体配电网络调度方案出现差异，如何有效应对这种波动因素是保证系统安全稳定运行的重要前提。目前现有研究常采用的处理方法是鲁棒优化。鲁棒优化则是采用不确定参数区间来描述不确定性，但预估时参数存在预估风险，代表方法有MILP模型和鲁棒优化。但传统鲁棒优化在求解日前-实时两阶段联合调度优化问题时容易陷入局部最优解问题，如何解决两阶段模型求解时易陷入局部最优解的问题是进行虚拟电厂集群调度优化的关键问题。
发明内容
鉴于上述的分析，本发明旨在提供一种虚拟电厂集群两阶段调度优化方法，具体包括如下步骤：
基于虚拟电厂的电力供需平衡和各机组出力构建运行约束条件；以日前运行成本最小化为目标作为第一约束条件，基于日前阶段各虚拟电厂各机组运行成本、与其他虚拟电厂或上级电网的电量交互成本确定各虚拟电厂的竞标成本函数；以各机组出力波动偏差最小为目标作为第二约束条件，基于各虚拟电厂的各机组在日前阶段出力、在实时阶段的出力、可实现的最大可调功率确定各虚拟电厂的竞标电量函数；
基于各虚拟电厂的竞标成本函数和竞价预期收益率确定各虚拟电厂的竞价策略；
以虚拟电厂集群平均供能成本最低为目标，基于所有虚拟电厂的竞价策略构建目标函数；
使用两阶段鲁棒优化方法基于所述运行约束条件、第一约束条件、第二约束条件和竞标电量函数对所述目标函数求最优解，得到多个虚拟电厂共同参与市场竞价的最优调度策略。
进一步的，各所述虚拟电厂包括非可调节性机组Non-AGU、可调节性机组AGU、储能装置ESD和可控负荷AL；其中Non-AGU包括风电和光电机组；
所述竞标成本函数表示为：；其中，表示虚拟电厂t时刻的竞标成本函数；T表示时刻数量；、、、分别表示t时刻该虚拟电厂中Non-AGU、AGU、ESD和AL各机组的运行成本，表示该虚拟电厂与其他虚拟电厂或上级电网t时刻的电量交互成本。
进一步的，所述运行约束条件包括电力供需平衡约束、各机组出力约束和旋转备用约束。
进一步的，所述电力供需平衡约束条件表示为：
；
其中，、分别表示t时刻Non-AGU、AGU机组出力；、分别表示t时刻ESD充电功率和放电功率；和分别表示t时刻AL提供可中断、可激励负荷的调度功率；表示虚拟电厂在时刻t与外部的交互电量；表示AGU在时刻t的发电损耗率；和分别表示t时刻ESD充电损耗率和放电损耗率；表示虚拟电厂内部在t时刻的负荷需求。
进一步的，所述第二约束条件的表达式为：
；
；
其中，表示虚拟电厂的各机组出力波动偏差值；、分别表示t时刻风电、光电机组出力；和分别表示t时刻ESD充电功率和放电功率；和分别表示t时刻AL提供可中断、可激励负荷的调度功率；表示日前阶段虚拟电厂平均出力；表示日前阶段风电在t时刻的预测出力；表示日前阶段光电在t时刻的预测出力；表示日前阶段AGU在t时刻的计划功率；和分别表示日前阶段ESD在t时刻的计划放电功率和计划充电功率；和分别表示AL在t时刻的上调空间和下调空间。
进一步的，所述竞标电量为虚拟电厂在t时刻可参与平衡市场的发电出力，所述竞标电量函数表示为：
；
其中，表示虚拟电厂在t时刻的竞标电量；、、分别表示实时阶段风电、光电机组和ESD在t时刻的发电出力；表示AGU可实现的最大功率；表示ESD可实现的最大放电功率。
进一步的，基于各虚拟电厂的竞标成本函数和竞价预期收益率确定各虚拟电厂的竞价策略包括：
；
其中，表示虚拟电厂在t时刻参与平衡市场的竞价预期收益率；表示虚拟电厂在t时刻参与平衡市场的竞价预期收益率。
进一步的，所述以所有虚拟电厂平均供能成本最低为目标，基于所有虚拟电厂的竞价策略构建目标函数包括：
；
；
；
其中，表示在平衡电量为最恶劣场景下，虚拟电厂集群最小平均供能成本；m为虚拟电厂编号，M表示参与平衡市场交易的虚拟电厂数量；为第m个虚拟电厂的竞价策略；表示的单位运行成本；为的最优竞价策略；为最优竞价策略中能量供给方案；且有；
为在时刻t向提供的发电出力；为在时刻t可向提供的最大发电出力；表示在时刻t向上级电网的购电量；表示在时刻t所需的平衡电量。
进一步的，对所述目标函数求最优解包括：
基于得到不确定性集合，基于不确定性集合刻画实时阶段不确定性，以得
到所述最优解；其中基于 得到不确定性集合，包括：
将划分为确定性部分和不确定性部分；
采用K-means聚类算法和粒子群优化算法确定所述不确定性部分的最大波动范围；
基于所述最大波动范围确定不确定性集合。
进一步的，所述不确定性集合表示为：
；
其中，表示所述不确定性集合；表示单个虚拟电厂所需平衡电量的向量形式；表示所选取的数据测算点总数；为虚拟电厂所需平衡电量的不确定裕度，用以调节不确定集合的保守度，表示日前阶段虚拟电厂t时刻的平衡电量；表示实时阶段虚拟电厂t时刻偏差平衡电量；表示在随机场景的最大波动范围。
本发明至少可以实现下述之一的有益效果：
通过将非可调节性机组Non-AGU、可调节性机组AGU、储能装置ESD和可控负荷AL集成至多个虚拟电厂中，提出虚拟电厂集群动态平衡策略，解决现有技术中只能对单一虚拟电厂内部聚合单元协调优化的问题，能够通过集群中各虚拟电厂的相互调度，弥补由于单个虚拟电厂自身条件能力不足导致在实施阶段产生偏差的问题，实现配电网络的整体经济性优化。
通过虚拟电厂集群实时动态平衡策略，构建以虚拟电厂集群平均供能成本最小化为目标的两阶段鲁棒优化模型，并使用C&CG算法进行求解，解决两阶段模型求解时易陷入局部最优解的问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为本发明优化方法流程图；
图2为本发明配电网络中虚拟电厂VPP结构模型；
图3为本发明两阶段鲁棒优化模型求解流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例一
本发明的一个具体实施例，公开了一种虚拟电厂集群两阶段调度优化方法，如图1所示，具体包括如下步骤：
步骤S01、基于虚拟电厂的电力供需平衡和各机组出力构建运行约束条件；以日前运行成本最小化为目标作为第一约束条件，基于日前阶段各虚拟电厂各机组运行成本、与其他虚拟电厂或上级电网的电量交互成本确定各虚拟电厂的竞标成本函数；以各机组出力波动偏差最小为目标作为第二约束条件，基于各虚拟电厂的各机组在日前阶段出力、在实时阶段的出力、可实现的最大可调功率确定各虚拟电厂的竞标电量函数；
步骤S02、基于各虚拟电厂的竞标成本函数和竞价预期收益率确定各虚拟电厂的竞价策略；
步骤S03、以虚拟电厂集群平均供能成本最低为目标，基于所有虚拟电厂的竞价策略构建目标函数；
步骤S04、使用两阶段鲁棒优化方法基于所述运行约束条件、第一约束条件、第二约束条件和竞标电量函数对所述目标函数求最优解，得到多个虚拟电厂共同参与市场竞价的最优调度策略。
进一步的，各所述虚拟电厂包括非可调节性机组Non-AGU、可调节性机组AGU、储能装置ESD和可控负荷AL；其中Non-AGU包括风电和光电机组。具体的，虚拟电厂VPP的提出是为了整合各种分布式能源，VPP能够通过高效的通讯技术整合分散的不同容量等级的分布式能源,利用各分布式能源的时空互补性,可有效削弱RES（可再生能源）出力的间歇性，提升VPP市场交易的稳定性和竞争力。
需要说明的是，在实际配电系统中，往往根据分布式能源物理结构等特性聚合形成虚拟电厂集群。如图2为发明配电网络中虚拟电厂VPP结构模型。
本实施例，通过构建虚拟电厂的供需平衡约束、各机组出力约束和旋转备用约束，日前阶段以各虚拟电厂运行成本最小化为目标，实时阶段以各虚拟电厂各机组出力波动偏差最小为目标，综合得到以虚拟电厂集群平均供能成本最低为目标，达成虚拟电厂集群实时动态平衡策略，解决现有技术中只能对单一虚拟电厂内部聚合单元协调优化的问题，能够通过集群中各虚拟电厂的相互调度，弥补由于当个虚拟电厂自身条件能力不足导致在实施阶段产生偏差的问题，实现配电网络的整体经济性优化。
具体的，在步骤S01之前，还包括构建各类机组发电功率模型，包括：非可调节性机组功率模型，包括风力发电功率数学模型、光伏发电功率数学模型；可调节性机组发电数学功率模型；储能装置发电功率数学模型；可控负荷功率数学模型。
进一步的，非可调节性机组主要是指以风电WPP、光伏发电PV为代表的随机性分布式电源，其发电出力主要取决于外部自然环境，如风速、太阳能辐射强度等。
进一步的，风力发电功率数学模型包括：
；
其中，表示风电在时刻t的发电出力；表示时刻t的自然来风风速；和表示切入风速和切出风速；表示额定风速；表示风电的额定功率。
进一步的，光伏发电功率数学模型包括：
；
其中，表示光伏发电PV（光电）在时刻t发电出力；为光伏面板转换效率的温度参数；为环境温度；为正常工作温度；为时刻t太阳能辐射强度；为参考温度；为参考效率；为光伏板数量；为单个光伏板面积。
进一步的，本实施例主要以燃气轮机、柴油发电机组作为可调节性电源，其发电出力与燃料消耗量、发电压强相关。
具体的，可调节性机组发电数学功率模型包括：
；
其中，表示AGU在时刻t输出功率；表示沼气发电压强；表示AGU在时刻t的发电燃料消耗量；为常数项系数；和为发电压强和燃料消耗量的线性项系数；为二次项系数。
进一步的，储能装置由于配置了蓄电池，在负荷低谷时段进行充电寻能，在负荷峰时段进行放电充能，从而响应虚拟电厂的优化调度。
具体的，储能装置发电功率数学模型包括：
；
其中，表示ESD在时刻t净输出功率；和分别表示t时刻ESD充电损耗率和放电损耗率；和分别表示时刻t的ESD充电功率和放电功率。
进一步的，可调节性负荷主要通过价格型需求响应和激励型需求响应参与VPP调度优化，表现为可中断、可激励负荷的形式。
具体的，可控负荷功率数学模型包括：
；
其中，表示可调节性负荷在时刻t的调度功率；和分别表示时刻t可调节性负荷提供可中断、可激励负荷的调度功率；和表示可调节性负荷的激励状态和可中断状态，为0-1变量。
具体的，在步骤S01中，运行约束条件包括电力供需平衡约束、各机组出力约束和旋转备用约束。
具体的，在步骤S01中，基于虚拟电厂的电力供需平衡构建电力供需平衡构建约束条件，表示为：
；
其中，、分别表示t时刻Non-AGU、AGU机组出力；、分别表示t时刻ESD充电功率和放电功率；和分别表示t时刻AL提供可中断、可激励负荷的调度功率；表示虚拟电厂在时刻t与外部的交互电量；表示AGU在时刻t的发电损耗率；和分别表示t时刻ESD充电损耗率和放电损耗率；表示虚拟电厂内部在t时刻的负荷需求。
具体的，在步骤S01中，各机组出力约束条件包括AGU运行约束、ESD运行约束和AL出力约束。
进一步的，AGU运行约束包括：
；
；
；
其中，、表示AGU在时刻t的上下爬坡功率；和表示AGU在t-1时刻的连续启动和停机时间；和表示AGU所允许的最小启动和停机时间；为0-1变量，表示AGU在时刻t的运行状态，0表示机组未运行，1表示机组运行。
进一步的，ESD运行约束包括：
当ESD处于充电状态：
；
当ESD处于放电状态：
；
其中，和表示ESD在时刻t和时刻t-1的蓄电池剩余电量，最大值为100%；为ESD蓄电池的额定容量。
进一步的，AL出力约束包括：
；
；
其中，T表示时刻数量；表示AL可提供的最大出力；和表示AGU机组总出力和总的负荷需求。
具体的，在步骤S01中，旋转备用约束条件包括：
；
；
其中，和为时刻t虚拟电厂最大和最小可用出力；表示时刻t时虚拟电厂发电出力；、和分别表示负荷WPP和PV的上旋转备用系数；和分别表示WPP和PV的下旋转备用系数。表示ESD的最大放电功率；表示ESD的最小充电功率。
具体的，在步骤S01中，运行成本最小化表示为：
；
其中，表示虚拟电厂t时刻的竞标成本函数；T表示时刻数量；、、、分别表示t时刻该虚拟电厂中Non-AGU、AGU、ESD和AL各机组的运行成本，表示该虚拟电厂与其他虚拟电厂或上级电网t时刻的电量交互成本；
取值为Non-AGU在t时刻发电量和发电成本乘值；
；
；
；
、、分别为AGU机组发电能耗系数，具体数值由机组设备决定；表示t时刻AGU机组出力；和表示AGU热启动成本和冷启动成本；为0-1变量，表示AGU在时刻t的运行状态，0表示机组未运行，1表示机组运行；为AGU最小停机时间；表示AGU在时刻t的停机时间；表示AGU的冷启动时间；
为调节系数，由于蓄电池在每个调度时段内的出力, 只有充电或放电半个过程，因此在计算循环损耗成本时引入调节系数；表示电池的初始投资成本；为蓄电池的使用寿命；和分别表示ESD的充电和放电损耗成本；
和分别表示时刻t可中断负荷、可激励负荷的调度成本。
需要说明的是，在日前阶段，Non-AGU机组出力数据均由历史数据代替，虚拟电厂中Non-AGU发电边际成本很低，但存在强波动性，需要调用AGU、ESD和AL提供灵活性出力，因此将运行成本最小化为目标，在本实施例中作为两阶段鲁棒优化求解的第一约束条件。
进一步的，在步骤S01中，竞标成本函数表示为，用于与竞价预测收益率、虚拟电厂在t时刻的负荷需求共同确定竞价策略，其中，表示虚拟电厂t时刻的竞标成本函数。
具体的，在步骤S01中，以各机组出力波动偏差最小为目标的表达式为：
；
；
其中，表示虚拟电厂的各机组出力波动偏差值；、分别表示t时刻风电、光电机组出力；和分别表示t时刻ESD充电功率和放电功率；和分别表示t时刻AL提供可中断、可激励负荷的调度功率；表示日前阶段虚拟电厂平均出力；表示日前阶段风电在t时刻的预测出力；表示日前阶段光电在t时刻的预测出力；表示日前阶段AGU在t时刻的计划功率；和分别表示日前阶段ESD在t时刻的计划放电功率和计划充电功率；和分别表示AL在t时刻的上调空间和下调空间。
需要说明的是，在实时阶段，由于Non-AGU存在强不确定性，当日前预测值与实际值发生偏差时，需调用AGU、ESD和AL提供灵活性出力，故以各机组出力波动偏差最小为目标，在本实施例中作为两阶段鲁棒优化求解的第二约束条件。
进一步的，根据各机组出力波动偏差最小为目标的表达式，当Non-AGU出力发生偏差时，可通过修正ESD出力计划平衡出力偏差。同时，修正ESD运行出力不应影响出力计划下一时刻的ESD计划运行出力,设定，则ESD约束如下：
；
其中，表示ESD机组在时刻的剩余电量；和表示ESD机组在时刻的放电功率和充电功率。
同样的，修正后的ESD运行出力，还需满足AGU运行约束和旋转备用约束及第二约束条件，可以得到不同鲁棒系数下的虚拟电厂实时调度修正计划。进而，可以计算出各虚拟电厂的剩余供电能力，剩余供电能力即可参与平衡市场的发电出力，因此用于作为竞标电量。
具体的，在步骤S01中，竞标电量函数表示为：
；
其中，表示虚拟电厂在t时刻的竞标电量；、、分别表示实时阶段风电、光电机组和ESD在t时刻的发电出力；表示AGU可实现的最大功率；表示ESD可实现的最大放电功率。
具体的，在步骤S02中，基于各虚拟电厂的竞标成本函数和竞价预期收益率确定各虚拟电厂的竞价策略，包括：
；
其中，表示虚拟电厂t时刻的竞价策略；表示虚拟电厂在t时刻参与平衡市场的竞价预期收益率。
需要说明的是，当配电系统中存在多个虚拟电厂VPP参与竞价交易时，将形成多种竞价方案，系统会按照价格由低到高的顺序进行能量交易，直至满足能量平衡，这是一个无限重复博弈的过程，每个时段将会有一次独立的投标过程。在竞价过程中，若各VPP的运营商都足够理智，能够提供合理的价格，则各个体都在将动态平衡中获取理想收益。
进一步的，在步骤S03中，将多个VPP共同参与能量市场竞价时的最优策略表示为：
；
其中，m为虚拟电厂VPP编号；为第m个虚拟电厂的竞价策略，为1×T的矩阵，矩阵中元素分布表示T个时刻该虚拟电厂的竞价策略，矩阵中第t个元素即为该虚拟电厂相应的；表示T个时刻响应的单位运行成本，为1×T的矩阵，矩阵中第t个元素为；为的最优竞价策略；为最优竞价策略中能量供给方案。函数argmax g (•)，代表一组解集，每一组解（每个虚拟电厂分别向其他虚拟电厂传送的电量组合）都可以使得函数argmax g (•)取得最大值。
具体的，在步骤S03中，以虚拟电厂集群平均供能成本最低为目标，基于所有虚拟电厂的竞价策略构建目标函数，目标函数表示为：
； （1）
；
；
其中，表示在平衡电量为最恶劣场景下，虚拟电厂集群最小平均供能成本；M表示参与平衡市场交易的虚拟电厂数量；为在时刻t向提供的发电出力；为在时刻t可向提供的最大发电出力；表示在时刻t向上级电网的购电量；表示在时刻t所需的平衡电量。
需要说明的是，在虚拟电厂集群，各虚拟电厂需要完成自身内部电力供需平衡，并通过不同虚拟电厂互补，多个虚拟电厂完成协同调度。由于Non-AGU机组发电出力存在强不确定性，VPP日前调度计划将在实时阶段发生偏差，这使得VPP在t时刻需要满足自身用电需求的平衡电量成为一个不确定性变量，如何刻画这种不确定性给VPP集群调度方案的影响，是制定最优VPP集群调度策略的关键。
因此，在步骤S04中，对所述目标函数求最优解包括：基于得到不确定性集合，基于不确定性集合刻画实时阶段不确定性，便于得到所述最优解。
其中，基于得到不确定性集合，包括：
将划分为确定性部分和不确定性部分；
采用K-means聚类算法和粒子群优化算法确定所述不确定性部分的最大波动范围；
基于所述最大波动范围确定不确定性集合。
进一步的，将划分为确定性部分和不确定性部分包括：；其中，表示日前阶段虚拟电厂t时刻的平衡电量；表示实时阶段虚拟电厂t时刻偏差平衡电量，设该变量的偏差值服从正态分布，即表示实时阶段VPP内部平衡电量最大偏差量，则服从正态分布。
进一步的，采用领域内技术人员常知的K-means聚类算法和粒子群优化算法确定随机场景下不确定性部分的最大波动范围：
；
其中，j表示第j个随机场景；J表示所有随机场景所构成的集合，表示在随机场景的最大波动范围。
进一步的，基于不确定性部分的最大波动范围，得到不确定性集合U，表示为：
；
其中，表示单个虚拟电厂所需平衡电量的向量形式；表示所选取的数据测算点总数；为数据矩阵，即对于每个虚拟电厂VPP，个时间点得到个最大偏差数据构成 的矩阵；为虚拟电厂所需平衡电量的不确定裕度，用以调节不确定集合的保守度。
进一步的，在步骤S04中，使用两阶段鲁棒优化方法基于所述运行约束条件、第一约束条件、第二约束条件和竞标电量函数对目标函数求最优解，得到多个虚拟电厂共同参与市场竞价的最优调度策略。
本实施例构造的两阶段鲁棒调度优化模型的目标函数公式（1），为min-max-min三层优化形式，采用C&CG算法求解。C&CG算法将原问题分解主问题与max-min形式的子问题，并通过Karush-Kuhn-Tucker（KKT）条件或者Strongdualitytheory（SDT）将双层优化问题转化为单层优化模型，随后主子问题迭代得到原问题最优解。
具体的，将目标函数改写如下：
；（2）
其中，为第一阶段决策变量；为第二阶段决策变量；、表示第1阶段和第2阶段VPP平衡电量；、、、、、、、、为目标函数和所有约束条件的常数矩阵。
根据公式（2），利用C&CG算法通过子问题迭代求解三层鲁棒优化问题，主要将原始问题转化为第一阶段主问题和第二阶段子问题。
其中，主问题包括第一阶段模型及子问题寻找到最恶劣情景各单元出力约束，子问题为两层max-min优化问题，可以通过强对偶理论将内层最小化问题转化为最大化问题，转化后迭代子问题模型，具体模型转化如下所示：
根据公式（2），利用C&CG算法通过子问题迭代求解三层鲁棒优化问题。
主问题包括第一阶段模型及子问题寻找到最恶劣情景新能源机组出力约束，第i次迭代过程中主问题如下：
；（3）
其中，为下层问题求解的最恶劣情景VPP所需的平衡电量（即主问题下届对应的值）；为主问题新增优化变量；为待优化的第二阶段的目标函数值。
子问题为两层max-min优化问题，可以通过强对偶理论将内层最小化问题转化为最大化问题，转化后第i次迭代子问题模型为：
；（4）
其中，为第二阶段约束条件的对偶变量。需要说明的时，在第二阶段模型中引入了新能源可用出力，保障了子问题的可行性。
根据公式（2），利用C&CG算法对主子问题进行求解，具体步骤如下：
步骤1：建立初始变量并赋予初值，设置迭代次数i=1，目标函数上界，下界，并设置收敛判断系数，为大于零的足够小的值；
步骤2：求解主问题，根据公式（3）求解主问题，得到主问题目标函数值，控制变量，将目标函数下界更新为；
步骤3：求解子问题，根据公式（4）求解子问题，得到目标函数值及最恶劣运行场景值（即子问题上界对应的值），将公式（4）中约束条件返回至公式（3）主问题中，并将目标函数的上界更新为；
步骤4：判定收敛性，如果，则问题收敛，停止迭代，目标函数值为；否则，继续迭代，i= i +1，返回步骤2。
如图3为本实施例两阶段鲁棒优化模型求解流程图。
本实施例公开的一种虚拟电厂集群两阶段调度优化方法，通过将非可调节性机组Non-AGU、可调节性机组AGU、储能装置ESD和可控负荷AL集成至多个虚拟电厂中，提出虚拟电厂集群动态平衡策略，解决现有技术中只能对单一虚拟电厂内部聚合单元协调优化的问题，能够通过集群中各虚拟电厂的相互调度，弥补由于当个虚拟电厂自身条件能力不足导致在实施阶段产生偏差的问题，实现配电网络的整体经济性优化。
通过虚拟电厂集群动态平衡策略，构建以虚拟电厂集群平均供能成本最小化为目标的两阶段鲁棒优化模型，并使用C&CG算法进行求解，解决两阶段模型求解时易陷入局部最优解的问题。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种虚拟电厂集群两阶段调度优化方法，其特征在于，包括如下步骤：
基于虚拟电厂的电力供需平衡和各机组出力构建运行约束条件；以日前运行成本最小化为目标作为第一约束条件，基于日前阶段各虚拟电厂各机组运行成本、与其他虚拟电厂或上级电网的电量交互成本确定各虚拟电厂的竞标成本函数；以各机组出力波动偏差最小为目标作为第二约束条件，基于各虚拟电厂的各机组在日前阶段出力、在实时阶段的出力、可实现的最大可调功率确定各虚拟电厂的竞标电量函数；各所述虚拟电厂包括非可调节性机组Non-AGU、可调节性机组AGU、储能装置ESD和可控负荷AL；所述运行约束条件包括电力供需平衡约束、各机组出力约束和旋转备用约束；
基于各虚拟电厂的竞标成本函数和竞价预期收益率确定各虚拟电厂的竞价策略，包括：；其中，表示虚拟电厂t时刻的竞价策略；表示虚拟电厂在t时刻参与平衡市场的竞价预期收益率；表示虚拟电厂t时刻的竞标成本函数；表示虚拟电厂内部在t时刻的负荷需求；
以虚拟电厂集群平均供能成本最低为目标，基于所有虚拟电厂的竞价策略构建目标函数，包括：
；
；
；
其中，表示在平衡电量为最恶劣场景下，虚拟电厂集群最小平均供能成本；m为虚拟电厂编号，M表示参与平衡市场交易的虚拟电厂数量；为第m个虚拟电厂的竞价策略；表示的单位运行成本；为的最优竞价策略；
为最优竞价策略中能量供给方案；
且有；
为在时刻t向提供的发电出力；为在时刻t可向提供的最大发电出力；表示在时刻t向上级电网的购电量；表示在时刻t所需的平衡电量；
使用两阶段鲁棒优化方法基于所述运行约束条件、第一约束条件、第二约束条件和竞标电量函数对所述目标函数求最优解，得到多个虚拟电厂共同参与市场竞价的最优调度策略，其中对所述目标函数求最优解包括：
基于得到不确定性集合，基于不确定性集合刻画实时阶段不确定性，以得到所述最优解；其中基于得到不确定性集合，包括：
将划分为确定性部分和不确定性部分；
采用K-means聚类算法和粒子群优化算法确定所述不确定性部分的最大波动范围；
基于所述最大波动范围确定不确定性集合；
所述不确定性集合表示为：
；
其中，表示所述不确定性集合；表示单个虚拟电厂所需平衡电量的向量形式；表示所选取的数据测算点总数；为虚拟电厂所需平衡电量的不确定裕度，用以调节不确定集合的保守度；表示虚拟电厂在t时刻需要满足自身用电需求的平衡电量；表示日前阶段虚拟电厂t时刻的平衡电量；表示实时阶段虚拟电厂t时刻偏差平衡电量；
表示在随机场景的最大波动范围。
2.根据权利要求1所述的优化方法，其特征在于， 非可调节性机组Non-AGU包括风电和光电机组；
所述竞标成本函数表示为：；其中，表示虚拟电厂t时刻的竞标成本函数；T表示时刻数量；
、、、分别表示t时刻该虚拟电厂中Non-AGU、AGU、ESD和AL各机组的运行成本，表示该虚拟电厂与其他虚拟电厂或上级电网t时刻的电量交互成本。
3.根据权利要求2所述的优化方法，其特征在于，所述电力供需平衡约束条件表示为：
；
其中，、分别表示t时刻Non-AGU、AGU机组出力；
、分别表示t时刻ESD充电功率和放电功率；和分别表示t时刻AL提供可中断、可激励负荷的调度功率；表示虚拟电厂在时刻t与外部的交互电量；表示AGU在时刻t的发电损耗率；和分别表示t时刻ESD充电损耗率和放电损耗率；
表示虚拟电厂内部在t时刻的负荷需求。
4.根据权利要求3所述的优化方法，其特征在于，所述第二约束条件的表达式为：
；
；
其中，表示虚拟电厂的各机组出力波动偏差值；、分别表示t时刻风电、光电机组出力；和分别表示t时刻ESD充电功率和放电功率；和分别表示t时刻AL提供可中断、可激励负荷的调度功率；表示日前阶段虚拟电厂平均出力；表示日前阶段风电在t时刻的预测出力；
表示日前阶段光电在t时刻的预测出力；表示日前阶段AGU在t时刻的计划功率；和分别表示日前阶段ESD在t时刻的计划放电功率和计划充电功率；
和分别表示AL在t时刻的上调空间和下调空间。
5.根据权利要求4所述的优化方法，其特征在于，所述竞标电量为虚拟电厂在t时刻可参与平衡市场的发电出力，所述竞标电量函数表示为：
；
其中，表示虚拟电厂在t时刻的竞标电量；、、分别表示实时阶段风电、光电机组和ESD在t时刻的发电出力；表示AGU可实现的最大功率；表示ESD可实现的最大放电功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410077278.2A CN117592621B (zh) | 2024-01-19 | 2024-01-19 | 一种虚拟电厂集群两阶段调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410077278.2A CN117592621B (zh) | 2024-01-19 | 2024-01-19 | 一种虚拟电厂集群两阶段调度优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117592621A CN117592621A (zh) | 2024-02-23 |
| CN117592621B true CN117592621B (zh) | 2024-04-23 |
Family
ID=89913743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410077278.2A Active CN117592621B (zh) | 2024-01-19 | 2024-01-19 | 一种虚拟电厂集群两阶段调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117592621B (zh) |
Citations (7)
| 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 |
| CN110348619A (zh) * | 2019-07-02 | 2019-10-18 | 国网上海市电力公司经济技术研究院 | 可交易能源机制下虚拟电厂的构建及出力优化方法 |
| 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 |
| WO2022077588A1 (zh) * | 2020-10-12 | 2022-04-21 | 中国电力科学研究院有限公司 | 可调节负荷参与需求响应的调用方法、系统及装置 |
| CN115995850A (zh) * | 2023-03-06 | 2023-04-21 | 华北电力大学 | 一种虚拟电厂群的协同调度优化方法和装置 |
| KR20230103799A (ko) * | 2021-12-31 | 2023-07-07 | 인하대학교 산학협력단 | 가상 발전소 운영 시스템 및 방법 |
| CN117040027A (zh) * | 2023-09-28 | 2023-11-10 | 华北电力大学 | 一种农村虚拟电厂的协调优化方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381146B (zh) * | 2020-11-16 | 2024-05-21 | 海南省电力学校(海南省电力技工学校) | 虚拟电厂下的分布式资源自组织聚合与协同控制方法 |
-
2024
- 2024-01-19 CN CN202410077278.2A patent/CN117592621B/zh active Active
Patent Citations (7)
| 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 |
| CN110348619A (zh) * | 2019-07-02 | 2019-10-18 | 国网上海市电力公司经济技术研究院 | 可交易能源机制下虚拟电厂的构建及出力优化方法 |
| WO2022077588A1 (zh) * | 2020-10-12 | 2022-04-21 | 中国电力科学研究院有限公司 | 可调节负荷参与需求响应的调用方法、系统及装置 |
| 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 |
| KR20230103799A (ko) * | 2021-12-31 | 2023-07-07 | 인하대학교 산학협력단 | 가상 발전소 운영 시스템 및 방법 |
| CN115995850A (zh) * | 2023-03-06 | 2023-04-21 | 华北电力大学 | 一种虚拟电厂群的协同调度优化方法和装置 |
| CN117040027A (zh) * | 2023-09-28 | 2023-11-10 | 华北电力大学 | 一种农村虚拟电厂的协调优化方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| 含多类型资源虚拟电厂鲁棒竞标模型研究;韩帅;吴宛潞;郭小璇;孙乐平;;电力建设;20200901(09);全文 * |
| 基于两阶段随机规划的虚拟电厂优化交易策略;周博;吕林;高红均;谭心怡;吴泓灏;;电力建设;20180901(09);全文 * |
| 基于主从博弈的虚拟电厂双层竞标策略;方燕琼;甘霖;艾芊;范松丽;蔡莹;;电力系统自动化;20170725(14);全文 * |
| 考虑多个虚拟发电厂参与的多阶段市场交易方法;刘继春;唐虎;向月;刘俊勇;张铃珠;;电力建设;20170301(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117592621A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ju et al. | Multi-objective stochastic scheduling optimization model for connecting a virtual power plant to wind-photovoltaic-electric vehicles considering uncertainties and demand response | |
| CN111738497B (zh) | 计及需求侧响应的虚拟电厂双层优化调度方法 | |
| CN113688567B (zh) | 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法 | |
| CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
| CN110417006A (zh) | 考虑多能协同优化的综合能源系统多时间尺度能量调度方法 | |
| CN110350523A (zh) | 基于需求响应的多能源互补优化调度方法 | |
| Wang et al. | Operation strategy of a hybrid solar and biomass power plant in the electricity markets | |
| CN112465181A (zh) | 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法 | |
| CN107979111A (zh) | 一种基于两阶段鲁棒优化的微电网能量管理方法 | |
| CN107464010A (zh) | 一种虚拟电厂容量优化配置方法 | |
| CN115995850B (zh) | 一种虚拟电厂群的协同调度优化方法和装置 | |
| CN115271467A (zh) | 考虑电碳协同优化的虚拟电厂调度优化方法及应用 | |
| CN106953362A (zh) | 并网型微电网的能量管理方法及系统 | |
| 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 | |
| CN110796373B (zh) | 面向风电消纳的多阶段场景生成电热系统优化调度方法 | |
| CN113177323A (zh) | 基于矩不确定分布式鲁棒的电热综合系统优化调度方法 | |
| CN111697578A (zh) | 多目标含储能区域电网运行控制方法 | |
| Zhu et al. | Design optimization and two-stage control strategy on combined cooling, heating and power system | |
| 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 | |
| Hayati et al. | A two-stage stochastic optimization scheduling approach for integrating renewable energy sources and deferrable demand in the spinning reserve market | |
| CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
| CN116307029A (zh) | 促进多虚拟网格间源储荷协调的双层优化调度方法及系统 | |
| CN114204549B (zh) | 一种考虑储能共享的风光储集群联合优化运行的方法 | |
| CN116054241A (zh) | 一种新能源微电网群系统鲁棒能量管理方法 | |
| CN115187018A (zh) | 一种园区综合能源系统双层优化调度方法及装置 |
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 |