CN117791627B - 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 - Google Patents
考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 Download PDFInfo
- Publication number
- CN117791627B CN117791627B CN202410204842.2A CN202410204842A CN117791627B CN 117791627 B CN117791627 B CN 117791627B CN 202410204842 A CN202410204842 A CN 202410204842A CN 117791627 B CN117791627 B CN 117791627B
- Authority
- CN
- China
- Prior art keywords
- power plant
- representing
- period
- probability distribution
- virtual power
- 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
- 230000002776 aggregation Effects 0.000 title claims abstract description 94
- 238000004220 aggregation Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000009826 distribution Methods 0.000 claims abstract description 108
- 238000012216 screening Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004146 energy storage Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 8
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统，涉及电力技术领域。该方法包括步骤：获取虚拟电厂的柔性负荷数据，确定运行可行域；基于运行可行域建立调节能力评估模型；根据用户的不确定性计算用户的退出概率；根据每个柔性负荷的调节能力和用户的退出概率对柔性负荷进行动态筛选；建立虚拟电厂动态聚合模型；利用经验概率分布简化并求解虚拟电厂动态聚合模型，得到当前时段的聚合结果。本发明解决了现有技术在调度过程中由于没有考虑用户退出行为的不确定性和需求响应服务价格的不确定性导致聚合结果不够准确的问题，实现了虚拟电厂对大量分散柔性负荷的高效动态聚合。
Description
技术领域
本发明涉及电力技术领域，尤其涉及一种考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统。
背景技术
在构建新型电力系统的背景下，以风电、光伏为代表的新能源装机容量快速增长。但火电等传统发电侧调节资源装机增速明显放缓，电力系统的平衡压力加大。因此有必要将更多具有灵活调节能力的新型市场主体纳入电网运行，提高电力系统的安全可靠性。含电动汽车、空调、分布式储能等柔性负荷的负荷型虚拟电厂是一类重要的新型市场主体。通过动态聚合，虚拟电厂可以将分散的调节能力集中，进而参与辅助服务市场、提供需求响应服务并从中获利。然而，目前虚拟电厂的动态聚合面临两个问题。首先，在现有需求响应机制下，每个柔性负荷用户在接受虚拟电厂实时调度的过程中可以选择退出。柔性负荷用户的退出使得虚拟电厂聚合的调节能力出现削减，这可能导致实时调节能力无法满足实时调度需求。因此，虚拟电厂需要考虑用户退出行为的不确定性，从大量的柔性负荷用户中筛选出退出可能性低的用户。其次，不同时段的需求响应服务具有不同的价格，且这一价格与电网的实时调节能力需求有关，具有不确定性。因此，虚拟电厂在聚合调节能力时需要考虑需求响应服务价格的不确定性，合理分配不同时段间的聚合调节能力使得获利最大。
综上所述，在将分散的柔性负荷调节能力进行动态聚合的过程中，虚拟电厂需要解决用户退出行为的不确定性和需求响应服务价格的不确定性，制定兼顾安全性和经济性的动态聚合方案。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统，实现了虚拟电厂对大量分散柔性负荷的动态聚合。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明第一方面提供了一种考虑虚拟电厂不确定性的柔性负荷动态聚合方法，包括以下步骤：
获取虚拟电厂的柔性负荷数据，确定每个柔性负荷的运行可行域；
基于运行可行域建立调节能力评估模型，利用调节能力评估模型对柔性负荷进行调节能力评估，得到每个柔性负荷的调节能力；
根据用户的不确定性计算用户的退出概率；
建立柔性负荷动态筛选模型，根据每个柔性负荷的调节能力和用户的退出概率对柔性负荷进行动态筛选，并将筛选出的柔性负荷按照接入节点位置和类型进行分类；
以最大化从当前时段至结束时段虚拟电厂获得的全局收益为目标建立虚拟电厂动态聚合模型；
利用经验概率分布简化并求解虚拟电厂动态聚合模型，得到当前时段聚合结果。
进一步的，柔性负荷包括电动汽车、温控负荷和分布式储能。
进一步的，根据用户的不确定性计算用户的退出概率的具体步骤为：
将用户主观退出行为建模为高斯分布；
基于随机抽样结果计算每个柔性负荷用户的退出概率。
更进一步的，利用基于在线学习方法建立数据动态更新机制，实现高斯分布参数的更新。
更进一步的，利用基于在线学习方法建立数据动态更新机制的具体步骤为：
将虚拟电厂聚合结果参与辅助服务市场，并记录各柔性负荷中途退出情形；
引入变分参数和辅助函数，并将变分参数初始化；
根据记录的结果结合变分参数和辅助函数进行迭代，得到更新后的高斯分布。
进一步的，柔性负荷动态筛选模型的目标函数是最大化所有柔性负荷在设定时段的聚合调节能力，约束条件是柔性负荷调用成本不大于虚拟电厂运营商的预算。
进一步的，利用经验概率分布简化并求解虚拟电厂动态聚合模型的具体步骤为：
利用上一时段的经验概率分布和未使用聚合结果计算当前时段的辅助概率分布；
利用当前时段的辅助概率分布计算当前时段的经验概率分布；
利用当前时段的经验概率分布简化虚拟电厂动态聚合模型并求解，得到当前时段聚合结果和未使用聚合结果；
整理未使用聚合结果用于下一时段辅助概率分布计算；
更新价格向量，建立后验模糊集，用于下一时段经验概率分布计算。
更进一步的，采用在线梯度下降法计算辅助概率分布，基于最小欧式距离计算经验概率分布。
更进一步的，将价格向量中的第一项删去，得到新的缩小维度的价格向量，从而实现价格向量更新。
更进一步的，利用当前时段的经验概率分布建立基于欧式距离的后验模糊集。
本发明第二方面提供了一种考虑虚拟电厂不确定性的柔性负荷动态聚合系统，包括：
可行域确定模块，被配置为获取虚拟电厂的柔性负荷数据，确定每个柔性负荷的运行可行域；
调节能力评估模块，被配置为基于运行可行域建立调节能力评估模型，利用调节能力评估模型对柔性负荷进行调节能力评估，得到每个柔性负荷的调节能力；
退出概率计算模块，被配置为根据用户的不确定性计算用户的退出概率；
柔性负荷筛选模块，被配置为建立柔性负荷动态筛选模型，根据每个柔性负荷的调节能力和用户的退出概率对柔性负荷进行动态筛选，并将筛选出的柔性负荷按照接入节点位置和类型进行分类；
动态聚合模型建立模块，被配置为以最大化从当前时段至结束时段虚拟电厂获得的全局收益为目标建立虚拟电厂动态聚合模型；
聚合结果求解模块，被配置为利用当前时段的经验概率分布简化并求解虚拟电厂动态聚合模型，得到当前时段的聚合结果。
以上一个或多个技术方案存在以下有益效果：
本发明公开了一种考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统，考虑了用户退出行为的不确定性和需求响应服务价格的不确定性，首先建立每个柔性负荷的运行可行域，包括电动汽车、空调、分布式储能三类，并评估每个柔性负荷的调节能力。然后将影响用户退出的主观因素建模为高斯分布并进行随机抽样，从而计算得到用户选择退出的概率，进而建立动态筛选模型。之后建立考虑电价不确定性的虚拟电厂动态聚合模型，基于在线梯度下降方法求解模型得到聚合调节能力。最后利用基于在线学习方法建立数据动态更新机制，实现高斯分布参数的更新。本发明方法实现了虚拟电厂对大量分散柔性负荷的动态聚合。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一中考虑虚拟电厂不确定性的柔性负荷动态聚合方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；
实施例一：
针对用户退出行为的不确定性和需求响应服务价格的不确定性问题，本发明实施例一提供了一种考虑虚拟电厂不确定性的柔性负荷动态聚合方法，如图1所示，包括以下步骤：
S1：建立每个柔性负荷的运行可行域，包括电动汽车、空调、分布式储能三类。
S2：建立调节能力评估模型评估每个柔性负荷的调节能力。
S3：将用户主观退出行为建模为高斯分布并进行随机抽样，基于随机抽样结果计算得到用户选择退出的概率。
S4：建立柔性负荷动态筛选模型，并将筛选出的柔性负荷按照接入节点位置和类型进行分类。
S5：建立考虑电价不确定性的虚拟电厂动态聚合模型，优化目标是最大化从当前时段至结束时段虚拟电厂获得的全局收益。
S6：采用在线梯度下降法计算辅助概率分布。
S7：基于最小欧氏距离计算经验概率分布。
S8：简化并求解虚拟电厂动态聚合模型得到当前时段聚合结果，整理未使用聚合结果用于下一评估流程。
S9：更新价格向量，建立后验模糊集，用于下一评估流程。
S10：基于在线学习方法更新表示用户退出行为主观因素的高斯分布用于下一评估流程。
S1中，获取虚拟电厂的柔性负荷数据，确定每个柔性负荷的运行可行域，柔性负荷包括电动汽车、温控负荷和分布式储能。
S11：建立电动汽车运行可行域。
(1)。
式中，，k表示时段编号， t表示当前时段，T表示结束时段，即24；，i表示柔性负荷编号，/>表示电动汽车类型的柔性负荷总量；/>表示电动汽车运行可行域；/>表示电动汽车运行功率,/>分别表示电动汽车充电功率和放电功率；二进制整数变量/>分别表示电动汽车的充、放电状态指标；/>表示k-1时段末电动汽车电池电量；/>表示k时段末电动汽车电池电量；/>分别表示电动汽车充、放电效率系数；/>为调度时段宽度，取1小时；/>分别表示k时段电动汽车电池电量上、下限；/>分别表示电动汽车电池额定容量上、下限；/>分别表示电动汽车到达、离开时段；/>分别表示电动汽车充、放电功率极限；/>分别表示电动汽车的剩余电量和目标电量。
S12：建立温控负荷运行可行域。
(2)。
式中：，i表示柔性负荷编号，/>表示温控负荷类型的柔性负荷总量；表示温控负荷运行可行域；/>表示第i台温控负荷在k时段的室内温度、环境温度；/>表示第i台温控负荷在k时段的运行功率；/>表示辅助参数，其中/>分别表示温控负荷的热阻、热容、制冷/制热性能系数；/>表示温控负荷最大输出功率；分别表示温控负荷用户指定的温度和温度波动容忍范围。
S13：建立分布式储能运行可行域。
(3)。
式中：，i表示柔性负荷编号，/>表示分布式储能类型的柔性负荷总量；表示分布式储能运行可行域；/>表示分布式储能运行功率,/>分别表示分布式储能充电功率和放电功率；二进制整数变量/>分别表示分布式储能的充、放电状态指标；/>分别表示分布式储能充、放电功率极限；/>表示k-1时段末分布式储能电池电量；/>表示k时段末分布式储能电池电量；/>分别表示分布式储能充、放电效率系数；/>分别表示分布式储能电池电量上、下限。
S2中，基于运行可行域建立调节能力评估模型，利用调节能力评估模型对柔性负荷进行调节能力评估，得到每个柔性负荷的调节能力。
在一种具体的实施方式中，建立调节能力评估模型，评估每个柔性负荷在当前t时段的调节能力。
(4)。
式中：表示第i个柔性负荷在t时段的功率可调节能力；/>均对应运行可行域中的运行功率，分别表示功率可调节范围的上、下限；/>表示柔性负荷运行可行域，x表示柔性负荷类型，可以取ev、tcl和es。
S3中，根据用户的不确定性计算用户的退出概率。
S31：将用户主观退出行为建模为高斯分布。
S311：收集每个柔性负荷在当前t时段的调用成本，虚拟电厂运营商的预算/>，影响柔性负荷用户退出行为的客观因素/>。
S312：:影响柔性负荷用户退出行为的主观因素是不确定的，使用上一个时段（t-1时段）得到的高斯分布/>表示这一不确定性，其中/>分别表示均值和方差。基于高斯分布对主观因素/>进行随机抽样，得到/>。最开始时段的/>取0。
S32：基于随机抽样结果计算每个柔性负荷用户的退出概率。/>取0的情况下，最开始时段的/>为0.5。
(5)。
S4中，建立柔性负荷动态筛选模型，根据每个柔性负荷的调节能力和用户的退出概率对柔性负荷进行动态筛选，并将筛选出的柔性负荷按照接入节点位置和类型进行分类；其中，柔性负荷动态筛选模型的目标函数是最大化所有柔性负荷在设定时段的聚合调节能力，约束条件是柔性负荷调用成本不大于虚拟电厂运营商的预算。
S41：建立柔性负荷动态筛选模型，目标函数是最大化所有柔性负荷在t时段的聚合调节能力，约束条件是柔性负荷调用成本不大于虚拟电厂运营商的预算。
(6)。
式中：为二进制整数变量，表示筛选标志，/>表示第i个柔性负荷为筛选出的柔性负荷。
S42：以接入配电网的节点位置为依据，将筛选出的柔性负荷按照接入节点位置和类型进行分类，得到集合，分别表示t时段从j节点接入的电动汽车、温控负荷、分布式储能集合。其中/>，j表示配电网节点编号，J表示总的配电网节点数量。
S5中，以最大化从当前时段至结束时段虚拟电厂获得的全局收益为目标建立虚拟电厂动态聚合模型。
在一种具体的实施方式中，建立虚拟电厂动态聚合模型如公式（7）所示。
(7)。
式中，表示各时段不确定价格组成的向量；为流出配电网根节点（节点0）的有功功率，表示聚合功率调节范围上限；/>为流出配电网根节点（节点0）的有功功率，表示聚合功率调节范围下限；/>表示不确定价格对应的未知概率分布，/>表示未知的概率分布模糊集；未知的概率分布模糊集在后续计算过程中利用经验概率分布进行表征。
表示配电网约束条件集合，表示如公式（8）所示。
(8)。
式中：分别表示k时段从节点j流出的有功、无功功率；/>分别表示节点j的有功、无功负荷；/>分别表示节点j的有功、无功发电量；/>表示节点j的电压；/>表示允许电压偏差；/>分别表示节点j至节点j+1线路的电阻和电抗；分别表示节点j的有功、无功功率上下限；/>分别表示k时段从节点j接入的第i个电动汽车、温控负荷、分布式储能的运行功率，其对应的运行可行域分别为。
S6中，采用在线梯度下降法计算辅助概率分布。
(9)。
式中，表示辅助概率分布；/>表示上一个时段（t-1时段）得到的经验概率分布；/>表示与经验概率分布对应的价格历史数据，S为数据组数；表示上一个时段得到的未使用聚合结果。/>表示步长。
对于最开始的时段，省略这一步骤。
S7中，利用辅助概率分布，基于最小欧式距离计算当前t时段的经验概率分布。
(10)。
式中，表示计算出的经验概率分布；/>表示上一个时段（t-1时段）得到的后验模糊集。
对于最开始的时段，直接得到经验概率分布为。
S8中，利用经验概率分布简化并求解虚拟电厂动态聚合模型，得到当前时段聚合结果和未使用聚合结果。
S81：利用计算出的经验概率分布取代公式（7）中未知的概率分布及其模糊集，得到简化虚拟电厂动态聚合模型（11）。
(11)。
S82：简化虚拟电厂动态聚合模型是一个混合整数线性规划问题，利用求解器直接求解得到向量。
S83：分别取两个向量中的第一项得到当前t时段的聚合结果，即动态聚合后虚拟电厂在t时段的调节能力。剩余部分组成未使用聚合结果，用于下一评估流程S6。
S9中，更新价格向量，建立后验模糊集，用于下一时段经验概率分布计算。
本实施例中，上一时段的经验概率分布会用来在当前时段计算辅助概率分布，见（9）中的，当前时段的经验概率分布用于简化模型，在公式（12）参与求解。
具体的，将价格向量中的第一项删去，得到新的缩小维度的价格向量/>，用于下一评估流程S6，S8。利用当前t时段的经验概率分布建立基于欧式距离的后验模糊集/>，用于下一评估流程S7。
(12)。
式中，表示距离参数;/>表示置信度。
S10中，利用基于在线学习方法建立数据动态更新机制，实现高斯分布参数的更新。
在一种具体的实施方式中，基于在线学习方法更新表示用户退出行为主观因素的高斯分布，用于下一评估流程S3。
S101：将虚拟电厂聚合结果参与辅助服务市场，并记录各柔性负荷中途退出情形。具体的，虚拟电厂基于聚合调节能力即聚合结果参与辅助服务市场。使用二元整数变量/>记录t时段各柔性负荷中途退出的情形，退出记为1。
S102：引入变分参数，辅助函数/>和/>。
S103：将变分参数初始化。
(13)。
S104：根据记录的结果结合变分参数和辅助函数进行迭代，得到更新后的高斯分布。
具体的，迭代以下公式三次。
(14)，
(15)。
式中，分别表示迭代更新后的均值和方差。
S105：使用更新高斯分布/>。
实施例二：
本发明实施例二提供了一种考虑虚拟电厂不确定性的柔性负荷动态聚合系统，包括：
可行域确定模块，被配置为获取虚拟电厂的柔性负荷数据，确定每个柔性负荷的运行可行域；
调节能力评估模块，被配置为基于运行可行域建立调节能力评估模型，利用调节能力评估模型对柔性负荷进行调节能力评估，得到每个柔性负荷的调节能力；
退出概率计算模块，被配置为根据用户的不确定性计算用户的退出概率；
柔性负荷筛选模块，被配置为建立柔性负荷动态筛选模型，根据每个柔性负荷的调节能力和用户的退出概率对柔性负荷进行动态筛选，并将筛选出的柔性负荷按照接入节点位置和类型进行分类；
动态聚合模型建立模块，被配置为以最大化从当前时段至结束时段虚拟电厂获得的全局收益为目标建立虚拟电厂动态聚合模型；
聚合结果求解模块，被配置为利用当前时段的经验概率分布简化并求解虚拟电厂动态聚合模型，得到当前时段的聚合结果。
以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.考虑虚拟电厂不确定性的柔性负荷动态聚合方法，其特征在于，包括以下步骤：
获取虚拟电厂的柔性负荷数据，确定每个柔性负荷的运行可行域；
基于运行可行域建立调节能力评估模型，利用调节能力评估模型对柔性负荷进行调节能力评估，得到每个柔性负荷的调节能力；
根据高斯分布计算用户的退出概率；
建立柔性负荷动态筛选模型，根据每个柔性负荷的调节能力和用户的退出概率对柔性负荷进行动态筛选，并将筛选出的柔性负荷按照接入节点位置和类型进行分类；
以最大化从当前时段至结束时段虚拟电厂获得的全局收益为目标建立虚拟电厂动态聚合模型，建立虚拟电厂动态聚合模型如公式（1）所示；
（1）；
式中，表示各时段不确定价格组成的向量；为流出配电网根节点的有功功率，表示聚合功率调节范围上限；/>为流出配电网根节点的有功功率，表示聚合功率调节范围下限；/>表示不确定价格对应的未知概率分布，/>表示未知的概率分布模糊集；未知的概率分布模糊集在后续计算过程中利用经验概率分布进行表征；
表示配电网约束条件集合，表示如公式（2）所示；
（2）；
式中：分别表示k时段从节点j流出的有功、无功功率；/>分别表示节点j的有功、无功负荷；/>分别表示节点j的有功、无功发电量；/>表示t时段从节点j接入的电动汽车类型的柔性负荷总量；/>表示t时段从节点j接入的温控负荷类型的柔性负荷总量；/> 表示节点j的电压；/>表示允许电压偏差；/>分别表示节点j至节点j+1线路的电阻和电抗；分别表示节点j的有功、无功功率上下限；/>分别表示k时段从节点j接入的第i个电动汽车、温控负荷、分布式储能的运行功率，其对应的运行可行域分别为/>；
采用在线梯度下降法计算辅助概率分布；
利用经验概率分布简化并求解虚拟电厂动态聚合模型，得到当前时段的聚合结果；
（3）；
式中，表示辅助概率分布；/>表示上一个时段得到的经验概率分布；表示与经验概率分布对应的价格历史数据，S为数据组数；/>表示上一个时段得到的未使用聚合结果；/>表示步长；
对于最开始的时段，省略这一步骤；
利用辅助概率分布，基于最小欧式距离计算当前t时段的经验概率分布；
（4）；
式中，表示计算出的经验概率分布；/>表示上一个时段得到的后验模糊集；
对于最开始的时段，直接得到经验概率分布为；
利用经验概率分布简化并求解虚拟电厂动态聚合模型，得到当前时段聚合结果和未使用聚合结果；
利用计算出的经验概率分布取代公式（1）中未知的概率分布及其模糊集/>，得到简化虚拟电厂动态聚合模型（5）；
（5）；
简化虚拟电厂动态聚合模型是一个混合整数线性规划问题，利用求解器直接求解得到向量；
分别取两个向量中的第一项得到当前t时段的聚合结果，即动态聚合后虚拟电厂在t时段的调节能力；剩余部分组成未使用聚合结果，用于下一评估流程。
2.如权利要求1所述的考虑虚拟电厂不确定性的柔性负荷动态聚合方法，其特征在于，根据高斯分布计算用户的退出概率的具体步骤为：
将用户主观退出行为建模为高斯分布；
基于随机抽样结果计算每个柔性负荷用户的退出概率。
3.如权利要求2所述的考虑虚拟电厂不确定性的柔性负荷动态聚合方法，其特征在于，利用基于在线学习方法建立数据动态更新机制，实现高斯分布参数的更新。
4.如权利要求3所述的考虑虚拟电厂不确定性的柔性负荷动态聚合方法，其特征在于，利用基于在线学习方法建立数据动态更新机制的具体步骤为：
将虚拟电厂聚合结果参与辅助服务市场，并记录各柔性负荷中途退出情形；
引入变分参数和辅助函数，并将变分参数初始化；
根据记录的结果结合变分参数和辅助函数进行迭代，得到更新后的高斯分布。
5.如权利要求1所述的考虑虚拟电厂不确定性的柔性负荷动态聚合方法，其特征在于，柔性负荷动态筛选模型的目标函数是最大化所有柔性负荷在设定时段的聚合调节能力，约束条件是柔性负荷调用成本不大于虚拟电厂运营商的预算。
6.如权利要求1所述的考虑虚拟电厂不确定性的柔性负荷动态聚合方法，其特征在于，利用经验概率分布简化并求解虚拟电厂动态聚合模型的具体步骤为：
计算辅助概率分布，并根据辅助概率分布计算经验概率分布；
利用经验概率分布将虚拟电厂动态聚合模型简化并求解，得到当前时段聚合结果和未使用聚合结果；
整理未使用聚合结果用于下一辅助概率分布计算；
更新价格向量，建立后验模糊集，用于下一时段经验概率分布计算。
7.如权利要求6所述的考虑虚拟电厂不确定性的柔性负荷动态聚合方法，其特征在于，将价格向量中的第一项删去，得到新的缩小维度的价格向量，从而实现价格向量更新。
8.如权利要求6所述的考虑虚拟电厂不确定性的柔性负荷动态聚合方法，其特征在于，利用当前时段的经验概率分布建立基于欧式距离的后验模糊集。
9.考虑虚拟电厂不确定性的柔性负荷动态聚合系统，其特征在于，包括：
可行域确定模块，被配置为获取虚拟电厂的柔性负荷数据，确定每个柔性负荷的运行可行域；
调节能力评估模块，被配置为基于运行可行域建立调节能力评估模型，利用调节能力评估模型对柔性负荷进行调节能力评估，得到每个柔性负荷的调节能力；
退出概率计算模块，被配置为根据用户的不确定性计算用户的退出概率；
柔性负荷筛选模块，被配置为建立柔性负荷动态筛选模型，根据每个柔性负荷的调节能力和用户的退出概率对柔性负荷进行动态筛选，并将筛选出的柔性负荷按照接入节点位置和类型进行分类；
动态聚合模型建立模块，被配置为以最大化从当前时段至结束时段虚拟电厂获得的全局收益为目标建立虚拟电厂动态聚合模型，建立虚拟电厂动态聚合模型如公式（1）所示；
（1）；
式中，表示各时段不确定价格组成的向量；为流出配电网根节点的有功功率，表示聚合功率调节范围上限；/>为流出配电网根节点的有功功率，表示聚合功率调节范围下限；/>表示不确定价格对应的未知概率分布，/>表示未知的概率分布模糊集；未知的概率分布模糊集在后续计算过程中利用经验概率分布进行表征；
表示配电网约束条件集合，表示如公式（2）所示；
（2）；
式中：分别表示k时段从节点j流出的有功、无功功率；/>分别表示节点j的有功、无功负荷；/>分别表示节点j的有功、无功发电量；/>表示t时段从节点j接入的电动汽车类型的柔性负荷总量；/>表示t时段从节点j接入的温控负荷类型的柔性负荷总量；/>表示t时段从节点j接入的分布式储能类型的柔性负荷总量;/>表示节点j的电压；/>表示允许电压偏差；/>分别表示节点j至节点j+1线路的电阻和电抗；分别表示节点j的有功、无功功率上下限；/>分别表示k时段从节点j接入的第i个电动汽车、温控负荷、分布式储能的运行功率，其对应的运行可行域分别为；
采用在线梯度下降法计算辅助概率分布；
聚合结果求解模块，被配置为利用当前时段的经验概率分布简化并求解虚拟电厂动态聚合模型，得到当前时段的聚合结果；
（3）；
式中，表示辅助概率分布；/>表示上一个时段得到的经验概率分布；表示与经验概率分布对应的价格历史数据，S为数据组数；/>表示上一个时段得到的未使用聚合结果；/>表示步长；
对于最开始的时段，省略这一步骤；
利用辅助概率分布，基于最小欧式距离计算当前t时段的经验概率分布；
（4）；
式中，表示计算出的经验概率分布；/>表示上一个时段得到的后验模糊集；
对于最开始的时段，直接得到经验概率分布为；
利用经验概率分布简化并求解虚拟电厂动态聚合模型，得到当前时段聚合结果和未使用聚合结果；
利用计算出的经验概率分布取代公式（1）中未知的概率分布及其模糊集/>，得到简化虚拟电厂动态聚合模型（5）；
（5）；
简化虚拟电厂动态聚合模型是一个混合整数线性规划问题，利用求解器直接求解得到向量；
分别取两个向量中的第一项得到当前t时段的聚合结果，即动态聚合后虚拟电厂在t时段的调节能力；剩余部分组成未使用聚合结果，用于下一评估流程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410204842.2A CN117791627B (zh) | 2024-02-26 | 2024-02-26 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410204842.2A CN117791627B (zh) | 2024-02-26 | 2024-02-26 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117791627A CN117791627A (zh) | 2024-03-29 |
| CN117791627B true CN117791627B (zh) | 2024-05-14 |
Family
ID=90392854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410204842.2A Active CN117791627B (zh) | 2024-02-26 | 2024-02-26 | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117791627B (zh) |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110266038A (zh) * | 2019-05-28 | 2019-09-20 | 广东电网有限责任公司电力调度控制中心 | 一种多虚拟电厂分布式协调调控方法 |
| CN113792953A (zh) * | 2021-07-06 | 2021-12-14 | 国电南瑞南京控制系统有限公司 | 一种虚拟电厂优化调度方法及系统 |
| CN113937781A (zh) * | 2021-09-28 | 2022-01-14 | 深圳供电局有限公司 | 一种考虑温控负荷聚合体的虚拟电厂滚动调度技术 |
| CN114140022A (zh) * | 2021-12-10 | 2022-03-04 | 国网山西省电力公司电力科学研究院 | 一种多虚拟电厂分布式动态经济调度方法及系统 |
| CN114692924A (zh) * | 2020-12-30 | 2022-07-01 | 上海电力大学 | 计及多种柔性负荷的虚拟电厂热电联合随机优化运行方法 |
| CN114744687A (zh) * | 2022-06-13 | 2022-07-12 | 深圳市科中云技术有限公司 | 一种虚拟电厂的能源调控方法及系统 |
| CN115271467A (zh) * | 2022-08-01 | 2022-11-01 | 浙江大学 | 考虑电碳协同优化的虚拟电厂调度优化方法及应用 |
| CN115293595A (zh) * | 2022-08-10 | 2022-11-04 | 国网山东省电力公司青岛供电公司 | 考虑光伏出力不确定性的虚拟电厂聚合能力评估方法 |
| CN115549202A (zh) * | 2022-09-27 | 2022-12-30 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于实时电价的虚拟电厂多能源协调低碳优化调度方法、系统及存储介质 |
| CN115954864A (zh) * | 2022-12-09 | 2023-04-11 | 北京交通大学 | 基于耦合约束解耦的虚拟电厂动态可行域求解方法及系统 |
| CN116031954A (zh) * | 2023-02-21 | 2023-04-28 | 国网浙江省电力有限公司金华供电公司 | 模糊机会约束下的虚拟电厂优化调度方法 |
| CN116231655A (zh) * | 2023-02-13 | 2023-06-06 | 三峡大学 | 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法 |
| CN116683461A (zh) * | 2023-07-10 | 2023-09-01 | 淮阴师范学院 | 一种考虑不确定性的虚拟电厂随机鲁棒调度控制方法 |
| CN116914847A (zh) * | 2023-06-14 | 2023-10-20 | 国网河北省电力有限公司电力科学研究院 | 一种虚拟电厂内多台发电机组聚合互补及优化调度方法 |
| WO2023201916A1 (zh) * | 2022-04-18 | 2023-10-26 | 国网智能电网研究院有限公司 | 一种分布式灵活资源聚合控制装置及控制方法 |
| CN117013597A (zh) * | 2023-07-03 | 2023-11-07 | 国网河北省电力有限公司营销服务中心 | 用于虚拟电厂的分布式资源聚合调控方法、装置及设备 |
| CN117039881A (zh) * | 2023-08-21 | 2023-11-10 | 广东电网有限责任公司广州供电局 | 一种计及用户参与不确定性的虚拟电厂聚合方法及系统 |
| CN117172486A (zh) * | 2023-09-08 | 2023-12-05 | 国网河北省电力有限公司营销服务中心 | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 |
| CN117332937A (zh) * | 2023-08-02 | 2024-01-02 | 广东电网有限责任公司广州供电局 | 一种考虑需求响应的多能互补虚拟电厂经济调度方法 |
| CN117439080A (zh) * | 2023-12-20 | 2024-01-23 | 国网山东省电力公司营销服务中心(计量中心) | 一种虚拟电厂的调度方法、系统、存储介质及设备 |
| CN117477557A (zh) * | 2023-11-10 | 2024-01-30 | 华北电力大学 | 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质 |
| CN117578602A (zh) * | 2023-04-12 | 2024-02-20 | 国网河北省电力有限公司信息通信分公司 | 一种基于虚拟电厂的电网调峰方法、装置及调峰设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110783967B (zh) * | 2019-10-29 | 2021-03-30 | 清华大学 | 基于约束聚合的虚拟电厂出力可行域辨识方法及装置 |
-
2024
- 2024-02-26 CN CN202410204842.2A patent/CN117791627B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110266038A (zh) * | 2019-05-28 | 2019-09-20 | 广东电网有限责任公司电力调度控制中心 | 一种多虚拟电厂分布式协调调控方法 |
| CN114692924A (zh) * | 2020-12-30 | 2022-07-01 | 上海电力大学 | 计及多种柔性负荷的虚拟电厂热电联合随机优化运行方法 |
| CN113792953A (zh) * | 2021-07-06 | 2021-12-14 | 国电南瑞南京控制系统有限公司 | 一种虚拟电厂优化调度方法及系统 |
| CN113937781A (zh) * | 2021-09-28 | 2022-01-14 | 深圳供电局有限公司 | 一种考虑温控负荷聚合体的虚拟电厂滚动调度技术 |
| CN114140022A (zh) * | 2021-12-10 | 2022-03-04 | 国网山西省电力公司电力科学研究院 | 一种多虚拟电厂分布式动态经济调度方法及系统 |
| WO2023201916A1 (zh) * | 2022-04-18 | 2023-10-26 | 国网智能电网研究院有限公司 | 一种分布式灵活资源聚合控制装置及控制方法 |
| CN114744687A (zh) * | 2022-06-13 | 2022-07-12 | 深圳市科中云技术有限公司 | 一种虚拟电厂的能源调控方法及系统 |
| CN115271467A (zh) * | 2022-08-01 | 2022-11-01 | 浙江大学 | 考虑电碳协同优化的虚拟电厂调度优化方法及应用 |
| CN115293595A (zh) * | 2022-08-10 | 2022-11-04 | 国网山东省电力公司青岛供电公司 | 考虑光伏出力不确定性的虚拟电厂聚合能力评估方法 |
| CN115549202A (zh) * | 2022-09-27 | 2022-12-30 | 国网辽宁省电力有限公司沈阳供电公司 | 一种基于实时电价的虚拟电厂多能源协调低碳优化调度方法、系统及存储介质 |
| CN115954864A (zh) * | 2022-12-09 | 2023-04-11 | 北京交通大学 | 基于耦合约束解耦的虚拟电厂动态可行域求解方法及系统 |
| CN116231655A (zh) * | 2023-02-13 | 2023-06-06 | 三峡大学 | 一种计及源-荷多类型备用的虚拟电厂双层优化调度方法 |
| CN116031954A (zh) * | 2023-02-21 | 2023-04-28 | 国网浙江省电力有限公司金华供电公司 | 模糊机会约束下的虚拟电厂优化调度方法 |
| CN117578602A (zh) * | 2023-04-12 | 2024-02-20 | 国网河北省电力有限公司信息通信分公司 | 一种基于虚拟电厂的电网调峰方法、装置及调峰设备 |
| CN116914847A (zh) * | 2023-06-14 | 2023-10-20 | 国网河北省电力有限公司电力科学研究院 | 一种虚拟电厂内多台发电机组聚合互补及优化调度方法 |
| CN117013597A (zh) * | 2023-07-03 | 2023-11-07 | 国网河北省电力有限公司营销服务中心 | 用于虚拟电厂的分布式资源聚合调控方法、装置及设备 |
| CN116683461A (zh) * | 2023-07-10 | 2023-09-01 | 淮阴师范学院 | 一种考虑不确定性的虚拟电厂随机鲁棒调度控制方法 |
| CN117332937A (zh) * | 2023-08-02 | 2024-01-02 | 广东电网有限责任公司广州供电局 | 一种考虑需求响应的多能互补虚拟电厂经济调度方法 |
| CN117039881A (zh) * | 2023-08-21 | 2023-11-10 | 广东电网有限责任公司广州供电局 | 一种计及用户参与不确定性的虚拟电厂聚合方法及系统 |
| CN117172486A (zh) * | 2023-09-08 | 2023-12-05 | 国网河北省电力有限公司营销服务中心 | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 |
| CN117477557A (zh) * | 2023-11-10 | 2024-01-30 | 华北电力大学 | 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质 |
| CN117439080A (zh) * | 2023-12-20 | 2024-01-23 | 国网山东省电力公司营销服务中心(计量中心) | 一种虚拟电厂的调度方法、系统、存储介质及设备 |
Non-Patent Citations (2)
| Title |
|---|
| Operation characteristics of virtual power plant and function design of operation management platform under emerging power system;Yunlei Zhang etal.;《2021 International Conference on Power System Technology (POWERCON)》;20211231;全文 * |
| 计及空调负荷等多类型需求侧资源的虚拟电厂优化运行策略;吴宛潞;韩帅;郭小璇;孙乐平;高赐威;;电力需求侧管理;20200120(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117791627A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109599856B (zh) | 一种微网多楼宇中电动汽车充放电管理优化方法及装置 | |
| 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 | |
| CN114841409A (zh) | 联合lstm和深度强化学习的家庭能源管理方法及介质 | |
| Yi et al. | Balancing cost and dissatisfaction in online EV charging under real-time pricing | |
| Lu et al. | Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties | |
| 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 | |
| Stoyanova et al. | Model predictive control for cooperative energy management at city-district level | |
| Jeong et al. | Deep reinforcement learning based real-time renewable energy bidding with battery control | |
| CN117791627B (zh) | 考虑虚拟电厂不确定性的柔性负荷动态聚合方法及系统 | |
| CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
| CN115525979B (zh) | 一种主动配电网可调度能力的多时间尺度评估方法及系统 | |
| CN116739292A (zh) | 数据中心的能量优化调度方法、系统和存储介质 | |
| Wang et al. | A novel scheduling strategy for virtual power plant based on power market dynamic triggers | |
| CN113555887B (zh) | 电网能源控制方法、装置、电子设备及存储介质 | |
| Ul Hijaz Paul et al. | Development of Short-Term Load Forecasting Model for DSM by Regulating Charging and Discharging of EVs and ESS with RES Based on the Prediction of this Model. | |
| Fallahi | A Multi-agent Demand Response Planning and Operational Optimization Framework | |
| CN117833372B (zh) | 基于平均场博弈的虚拟电厂实时调峰优化调控方法及系统 | |
| CN117833303A (zh) | 一种配电网资源聚合调度方法及系统 | |
| CN118014453A (zh) | 考虑物理与控制约束的虚拟电厂调节能力评估方法及系统 | |
| CN117709552A (zh) | 基于分布式能源分类聚合的虚拟电厂调度优化方法 | |
| CN117952382A (zh) | 一种零碳虚拟电厂的调度方法及系统 | |
| Lee | Neural network learns from mock-up operation experience: implementing on a solar energy community distribution system with heat storage | |
| CN118157227A (zh) | 基于量子遗传算法的vpp调频决策优化方法、装置及设备 | |
| CN118249420A (zh) | 一种基于模型预测的光储直柔系统功率调度方法及装置 | |
| CN117314108A (zh) | 一种基于强化学习的虚拟电厂调度方法 |
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 |