CN117810980A - 基于储能系统自由交易的光储虚拟网格博弈优化方法 - Google Patents

Abstract

本发明公开了一种基于储能系统自由交易的光储虚拟网格博弈优化方法，该方法为：首先建立光伏机组发电模型和储能系统充放电模型，并在储能系统安全范围内，将储能系统划分为五个储能充放电动作区间；然后将储能系统划分为自由储能系统和光伏后备储能系统两部分，计算自由储能系统的充放电概率，确定自由储能系统的充放电功率范围和光伏后备储能系统的充放电功率范围；接着建立多虚拟网格双层博弈模型，并确定博弈优化过程需要满足的约束条件；最后采用双层粒子群优化算法对上下层博弈模型进行求解，通过上下层不断迭代，得到模型均衡解。本发明减少分布式光伏系统与大电网的交互功率，提高了电网的安全性、稳定性和经济性。

Description

基于储能系统自由交易的光储虚拟网格博弈优化方法

技术领域

本发明涉及新能源优化调度技术领域，特别是一种基于储能系统自由交易的光储虚拟网格博弈优化方法。

背景技术

随着社会经济迅猛发展，全球范围内的电力需求不断增长，利用煤炭等传统能源发电的弊端日益突出，导致电力生产面临巨大压力，能源问题越发严峻，同时传统化石能源的快速消耗不断加剧环境污染问题和温室效应。因此面对巨大的社会经济压力和环境压力，各个国家采取了一系列激励政策和战略建设，大力推动风机、光伏等新能源发电机组的开发和建设以解决能源问题。在过去几年里，以风光水等资源发电的分布式能源(Distributed Energy Resources，DER)以其清洁性高、发电成本低、可再生性等特点逐渐取代基于化石燃料和核能的传统电能，在能源市场得到了广泛的应用。储能是影响光伏产业发展的关键技术，通过电能存储能够保障供电的连续性，减少电压波动，提高新能源供电的可靠性，平衡负荷与电网之间的功率，并且能够作为能量的缓冲环节，改善可再生能源发电间歇性的问题，提高系统的稳定性。

虚拟网格技术虚拟网格是一种用于集成或共享地理上分布的各种资源成为有机的整体的虚拟机制，是实现多类型分布式绿色可再生电源储能及其他设备主动协调、高效管控的有效解决方案之一。然而，间歇式新能源的不确定性、用户对高品质供电的要求、新型电力市场环境下多主体利益的协调需求等，均给配电网的运行控制带来了极大挑战。传统的配网控制对分布式光伏单独控制的通讯要求较高，经济性相对较差，且控制效果一般；小容量、分散化的分布式光伏规模化接入后，对配网的经济效益影响加剧，传统的配网控制更难以实现资源的效益最大化利用。因此，为了适应电网发展的需求，有必要建立综合考虑电源侧、输电网侧、负荷侧等资源深度互动的协调调度模型，从而提升电网的运行经济性。

发明内容

本发明的目的在于提供一种能够提高分布式光伏系统的能源利用率、提高聚合区域内电网的供电可靠性的光伏系统能源调度优化方法。

实现本发明目的的技术解决方案为：一种基于储能系统自由交易的光储虚拟网格博弈优化方法，包括以下步骤：

步骤1、建立光伏机组发电模型和储能系统充放电模型，以构建虚拟网格所需模型；

步骤2、在储能系统安全范围内，将储能系统划分为五个储能充放电动作区间；

步骤3、将储能系统划分为自由储能系统和光伏后备储能系统两部分，根据t时刻光伏出力、负荷需求量和实时电价，计算自由储能系统的充放电概率；

步骤4、根据t时刻实时电量，确定自由储能系统的充放电功率范围以及光伏后备储能系统的充放电功率范围；

步骤5、建立多虚拟网格双层博弈模型，并确定博弈优化过程需要满足的约束条件；

步骤6、采用双层粒子群优化算法对上下层博弈模型进行求解，通过上下层不断迭代，最终得到模型均衡解。

进一步地，步骤1中所述的建立光伏机组发电模型，具体如下：

建立光伏机组发电模型，其输出功率与光照强度成正比，当光照强度小于额定光照光照强度时，光伏机组发电功率与光照强度成正比：当光照强度大于额定光照强度时，光伏机组的发电功率为额定发电功率，因此光伏机组的发电功率与光照强度的关系为：

式中，P_PV为光伏机组实际输出功率，P_rPV为光伏机组额定输出功率，S_r为额定光照强度，S为实际光照强度。

进一步地，步骤1中所述的建立储能系统充放电模型，具体如下：

储能系统存储能量是有限的，其实际电量随充放电功率而变化，用荷电状态SOC来衡量储能系统的剩余容量，即剩余电量与总电量的比值；

蓄电池储能系统可以根据电网的需求灵活充放电，在一个调度周期内某时刻的能量状态取决于上一个时刻的初始状态以及充放电量，综合充放电的能量损失以及充放电效率，建立蓄电池储能系统的充放电数学模型为：

式中，SOC_t表示t时刻储能系统的荷电状态，SOC_t-1表示t-1时刻储能系统的荷电状态，λ_b表示自损系数，表示t-1时刻储能系统对内的充电量，表示t-1时刻储能系统对外的放电量，和分别表示蓄电池的充放电效率，SOC_min表示荷电状态的下限，SOC_max表示荷电状态的上限。

进一步地，步骤2所述的在储能系统安全范围内，将储能系统划分为五个储能充放电动作区间，具体如下：

为实现储能系统的安全稳定运行，在保证其荷电状态在不小于最小荷电状态且不大于最大荷电状态的同时，划分五个储能系统充放电动作区间；设定储能系统的充电最大功率为其中k_c为储能系统最大充电系数，取值为0.15；储能系统的放电最大功率为其中k_d为储能系统最大放电系数，取值为0.15；则储能系统正常运行时最大荷电状态为0.8SOC_max，最小荷电状态为0.2SOC_max；设定t时刻储能系统荷电状态为SOC_t，将储能系统划分为五个储能充放电动作区间，分别为：

区间1：当0≤SOC_t＜0.2SOC_max时，充电功率范围放电功率P_d＝0，即处于不可放电状态；

区间2：当0.2SOC_max≤SOC_t＜0.35SOC_max时，充电功率范围放电功率范围

区间3：当0.35SOC_max≤SOC_t＜0.65SOC_max时，充电功率范围和放电功率范围

区间4：当0.65SOC_max≤SOC_t＜0.8SOC_max时，充电功率范围放电功率范围

区间5：当0.8SOC_max≤SOC_t＜SOC_max时，充电功率为P_c＝0，即处于不可充电状态，放电功率范围

进一步地，步骤3所述的将储能系统划分为自由储能系统和光伏后备储能系统两部分，根据t时刻光伏出力、负荷需求量和实时电价，计算自由储能系统的充放电概率，具体如下：

将储能系统划分为自由储能系统和光伏后备储能系统两部分，其中自由交易储能在维持虚拟网格稳定运行的同时，也能够根据实时市场中电价的高低变化从中套利，为虚拟网格带来收益；

当t时刻从电网购电的价格与最小购电价格越接近，则从电网购电的概率越大；当t时刻从电网购电的价格与最大购电价格越接近，则从电网购电的概率越小，得出自由交易储能系统的购电概率表达式为：

当t时刻向用户售电的价格与向最小售电价格越接近，则向用户售电的概率越小；当第t时刻向用户售电的价格与最大售电价格越接近，则向用户售电的概率越大，得出自由交易储能系统的售电概率表达式为：

当t时刻光伏有功输出功率超出负荷需求量越多，则储能系统越倾向于充电；当t时刻负荷需求量超出光伏有功输出功率越多，则储能系统越倾向于放电，得出判断自由交易储能系统的充放电表达式为：

式中，P(θ)′为t时刻自由储能系统充放电判别系数，当P(θ)′＞0时，自由储能系统放电；当P(θ)′＜0时，自由储能系统充电；P_PV,t为t时刻光伏输出功率；P_Load,t为t时刻负荷需求量；

因此t时刻自由储能系统充放电概率计算公式为：

式中，P(θ)_c,1为t时刻自由储能系统充电概率；P(θ)_d,1为t时刻自由储能系统放电概率；当t时刻，P(θ)_d,1＞P(θ)_c,1，则自由交易储能系统进行售电，否则自由交易储能系统进行购电；

自由储能系统的充放电范围P_c,1和P_d,1根据五个储能充放电功率动作区间确定的充放电范围P_c和P_d做出调整，得到自由储能系统的充放电量P_c,1和P_d,1的计算公式为：

进一步地，步骤4所述的根据t时刻实时电量，确定自由储能系统的充放电功率范围以及光伏后备储能系统的充放电功率范围，具体如下：

光伏后备储能系统仅以支撑电力系统稳定运行为目的，以光伏输出功率和负荷需求量作为充放电依据，因此光伏后备储能系统充放电判别表达式为：

式中，P(θ)_c,2为t时刻光伏后备储能系统的充电概率；P(θ)_d,2为t时刻光伏后备储能系统的放电概率；

光伏后备储能系统的充放电范围P_c,2和P_d,2根据五个储能充放电功率动作区间确定的充放电范围P_c和P_d来确定，计算公式为：

进一步地，步骤5所述的建立多虚拟网格双层博弈模型，具体如下：

步骤5.1、建立上层虚拟网格博弈模型，并确定上层博弈优化过程需要满足的约束条件；

步骤5.2、建立下层虚拟网格博弈模型，并确定下层博弈优化过程需要满足的约束条件。

进一步地，步骤5.1所述的建立上层虚拟网格博弈模型，并确定上层博弈优化过程需要满足的约束条件，具体如下：

步骤5.1.1、建立上层虚拟网格博弈模型，以虚拟网格收益最大化为目标函数，表达式为：

式中，表示t时刻第i个虚拟网格向负荷售电的收益，表示t时刻第i个虚拟网格与大电网交互电量的收益，表示t时刻第i个虚拟网格向其他虚拟网格售电的收益；

其中虚拟网格向负荷售电的收益与实时电价和负荷需求的关系为：

式中，σ_t为t时刻的负荷电价，为t时刻虚拟网格内部负荷需求量；

虚拟网格间交易电量的收益与交易电价和交易电量的关系为：

式中，N为虚拟网格总数，σ_p为t时刻第i个虚拟网格与其余虚拟网格的交易电价，P_il,t为第i个虚拟网格与第l个虚拟网格的交互功率；

当虚拟网格内部电源出力大于实际负荷需求时，虚拟网格存在功率剩余，可以向上级电网出售多余电量，因此与大电网交互电量收益模型为：

式中，为t时刻第i个虚拟网格与大电网交互的功率，σ_da,t为t时刻虚拟网格向大电网售电的电价，σ_da,t′为t时刻虚拟网格向大电网购电的电价；

步骤5.1.2、上层博弈优化过程需要满足的约束条件为：

(1)功率平衡约束

对任一虚拟网格，需保证在运行时的任一时刻保持系统的功率平衡，即虚拟网格内部所有电源出力之和、与其他虚拟网格交互功率以及与大电网交互功率之和与负荷需求功率相等，表达式为：

式中，为t时刻负荷需求功率，为t时刻光伏电源输出功率，为t时刻自由储能输出功率，为t时刻后备储能输出功率，为t时刻大电网向虚拟网格输入的功率，P_ij,t为t时刻虚拟网格j向虚拟网格i输入的功率；

(2)光伏出力约束

对于光伏出力系统其出力不能大于系统的最大输出功率，表达式为：

式中，为第i个虚拟网格光伏发电系统的最大输出功率；

(3)交易电价约束

虚拟网格间在t时刻的交易电价应满足不大于t时刻电网的购电电价并且不小于t时刻电网的售电电价，表达式为：

λ_da,t≤λ_i,t≤λ_d'_a,t (16)

式中，λ_i,t为t时刻虚拟网格i的交易电价，λ_da,t为t时刻虚拟网格向大电网售电电价，σ_da,t′为t时刻虚拟网格向大电网购电电价；

(4)联络线功率约束

虚拟网格和大电网以及多个虚拟网格之间都存在一定的功率交易，其联络线功率约束为：

式中，为第i个虚拟网格在t时刻与大电网的交互功率，为第i个虚拟网格与大电网的联络线允许的最大交互功率；P_ij,t为第i个虚拟网格在t时刻与第j个虚拟网格的交互功率，为第i个虚拟网格与第j个虚拟网格的联络线允许的最大交互功率。

进一步地，步骤5.2所述的建立下层虚拟网格博弈模型，并确定下层博弈优化过程需要满足的约束条件，具体如下：

步骤5.2.1、建立下层虚拟网格博弈模型，以虚拟网格总运行成本最小为目标函数，表达式为：

式中，为第i个虚拟网格中的光伏发电成本，为第i个虚拟网格中储能系统的发电成本；

光伏发电成本与其自身额定发电功率和发电成本系数的关系为：

式中，为第i个虚拟网格光伏系统在t时刻的输出功率，a_pv、b_pv、c_pv分别为光伏发电系统的发电成本系数；

储能系统发电成本与其充放电量的关系为：

式中，M_Li为储能电池的维护总费用，为t时刻储能系统的输出功率，N为储能蓄电池的总循环寿命，U为交流侧电压的大小，C为储能蓄电池额定容量；

步骤5.2.2、下层博弈优化过程需要满足的约束条件为：

(1)功率平衡约束

在任意时刻，虚拟网格内部所有电源出力之和、与其他虚拟网格交互功率以及与大电网交互功率之和与负荷需求功率相等，表达式为：

式中，为第i个虚拟网格的负荷需求功率，为第i个虚拟网格的光伏输出功率，为第i个虚拟网格储能机组的放电功率，为第i个虚拟网格与大电网的交互功率；

(2)储能约束条件

储能充放电功率需小于等于储能系统最大输出功率和最大放电功率，表达式为：

式中，为第i个虚拟网格储能发电系统的最大充电功率，为第i个虚拟网格中储能发电系统最大放电功率。

进一步地，步骤6所述的采用双层粒子群优化算法对上下层博弈模型进行求解，通过上下层不断迭代，最终得到模型均衡解，具体如下：

采用外层粒子群算法用于求解上层博弈模型，其中粒子位置代表每个虚拟网格的交易电价和交易电量，适应度值代表每个虚拟网格总收益；采用内层粒子群算法求解下层博弈模型，粒子位置代表储能系统充放电功率，适应度值代表虚拟网格运行成本；上下层之间不断迭代，最终达到均衡，得到模型的均衡解。

本发明与现有技术相比，其显著优点为：(1)通过整合可调资源构建虚拟网格模型，以每个虚拟网格的收益最大为目标，通过非合作博弈策略优化调整虚拟网格间的交互电量，减少了与大电网的交互功率；(2)在虚拟网格内部实现功率协调的多层互动聚合优化，提高了分布式能源的利用率和聚合区域内电网的供电可靠性。

附图说明

图1是本发明一种基于储能系统自由交易的光储虚拟网格博弈优化方法的流程示意图。

图2是本发明实施例中划分的五个储能系统充放电动作区间的结构示意图。

图3是本发明实施例中建立的由三个虚拟网格组成的仿真模型的结构示意图。

图4是本发明实施例中的电价变化曲线图。

图5是本发明实施例中虚拟网格1每小时收益的仿真结果图。

图6是本发明实施例中虚拟网格2每小时收益的仿真结果图。

图7是本发明实施例中虚拟网格3每小时收益的仿真结果图。

具体实施方式

结合图1，本发明一种基于储能系统自由交易的光储虚拟网格博弈优化方法，包括以下步骤：

步骤1、建立光伏机组发电模型和储能系统充放电模型，以构建虚拟网格所需模型；

步骤2、在储能系统安全范围内，将储能系统划分为五个储能充放电动作区间；

步骤3、将储能系统划分为自由储能系统和光伏后备储能系统两部分，根据t时刻光伏出力、负荷需求量和实时电价，计算自由储能系统的充放电概率；

步骤4、根据t时刻实时电量，确定自由储能系统的充放电功率范围以及光伏后备储能系统的充放电功率范围；

步骤5、建立多虚拟网格双层博弈模型，并确定博弈优化过程需要满足的约束条件；

步骤6、采用双层粒子群优化算法对上下层博弈模型进行求解，通过上下层不断迭代，最终得到模型均衡解。

作为一种具体示例，步骤1中建立光伏机组发电模型，具体如下：

建立光伏机组发电模型，其输出功率与光照强度成正比，当光照强度小于额定光照光照强度时，光伏机组发电功率与光照强度成正比：当光照强度大于额定光照强度时，光伏机组的发电功率为额定发电功率，因此光伏机组的发电功率与光照强度的关系为：

式中，P_PV为光伏机组实际输出功率，P_rPV为光伏机组额定输出功率，S_r为额定光照强度，S为实际光照强度。

进一步地，所述的建立储能系统充放电模型，具体如下：

储能系统存储能量是有限的，其实际电量随充放电功率而变化，用荷电状态SOC来衡量储能系统的剩余容量，即剩余电量与总电量的比值；

蓄电池储能系统可以根据电网的需求灵活充放电，在一个调度周期内某时刻的能量状态取决于上一个时刻的初始状态以及充放电量，综合充放电的能量损失以及充放电效率，建立蓄电池储能系统的充放电数学模型为：

式中，SOC_t表示t时刻储能系统的荷电状态，SOC_t-1表示t-1时刻储能系统的荷电状态，λ_b表示自损系数，表示t-1时刻储能系统对内的充电量，表示t-1时刻储能系统对外的放电量，和分别表示蓄电池的充放电效率，SOC_min表示荷电状态的下限，SOC_max表示荷电状态的上限。

作为一种具体示例，步骤2中在储能系统安全范围内，将储能系统划分为五个储能充放电动作区间，结合图2，具体如下：

为实现储能系统的安全稳定运行，在保证其荷电状态在不小于最小荷电状态且不大于最大荷电状态的同时，划分五个储能系统充放电动作区间；设定储能系统的充电最大功率为其中k_c为储能系统最大充电系数，取值为0.15；储能系统的放电最大功率为其中k_d为储能系统最大放电系数，取值为0.15；则储能系统正常运行时最大荷电状态为0.8SOC_max，最小荷电状态为0.2SOC_max；设定t时刻储能系统荷电状态为SOC_t，将储能系统划分为五个储能充放电动作区间，分别为：

区间1：当0≤SOC_t＜0.2SOC_max时，充电功率范围放电功率P_d＝0，即处于不可放电状态；

区间2：当0.2SOC_max≤SOC_t＜0.35SOC_max时，充电功率范围放电功率范围

区间3：当0.35SOC_max≤SOC_t＜0.65SOC_max时，充电功率范围和放电功率范围

区间4：当0.65SOC_max≤SOC_t＜0.8SOC_max时，充电功率范围放电功率范围

区间5：当0.8SOC_max≤SOC_t＜SOC_max时，充电功率为P_c＝0，即处于不可充电状态，放电功率范围

作为一种具体示例，步骤3中将储能系统划分为自由储能系统和光伏后备储能系统两部分，根据t时刻光伏出力、负荷需求量和实时电价，计算自由储能系统的充放电概率，具体如下：

将储能系统划分为自由储能系统和光伏后备储能系统两部分，其中自由交易储能在维持虚拟网格稳定运行的同时，也能够根据实时市场中电价的高低变化从中套利，为虚拟网格带来收益；

当t时刻从电网购电的价格与最小购电价格越接近，则从电网购电的概率越大；当t时刻从电网购电的价格与最大购电价格越接近，则从电网购电的概率越小，得出自由交易储能系统的购电概率表达式为：

当t时刻向用户售电的价格与向最小售电价格越接近，则向用户售电的概率越小；当第t时刻向用户售电的价格与最大售电价格越接近，则向用户售电的概率越大，得出自由交易储能系统的售电概率表达式为：

当t时刻光伏有功输出功率超出负荷需求量越多，则储能系统越倾向于充电；当t时刻负荷需求量超出光伏有功输出功率越多，则储能系统越倾向于放电，得出判断自由交易储能系统的充放电表达式为：

式中，P(θ)′为t时刻自由储能系统充放电判别系数，当P(θ)′＞0时，自由储能系统放电；当P(θ)′＜0时，自由储能系统充电；P_PV,t为t时刻光伏输出功率；P_Load,t为t时刻负荷需求量；

因此t时刻自由储能系统充放电概率计算公式为：

式中，P(θ)_c,1为t时刻自由储能系统充电概率；P(θ)_d,1为t时刻自由储能系统放电概率；当t时刻，P(θ)_d,1＞P(θ)_c,1，则自由交易储能系统进行售电，否则自由交易储能系统进行购电；

自由储能系统的充放电范围P_c,1和P_d,1根据五个储能充放电功率动作区间确定的充放电范围P_c和P_d做出调整，得到自由储能系统的充放电量P_c,1和P_d,1的计算公式为：

作为一种具体示例，步骤4中根据t时刻实时电量，确定自由储能系统的充放电功率范围以及光伏后备储能系统的充放电功率范围，具体如下：

光伏后备储能系统仅以支撑电力系统稳定运行为目的，以光伏输出功率和负荷需求量作为充放电依据，因此光伏后备储能系统充放电判别表达式为：

式中，P(θ)_c,2为t时刻光伏后备储能系统的充电概率；P(θ)_d,2为t时刻光伏后备储能系统的放电概率；

光伏后备储能系统的充放电范围P_c,2和P_d,2根据五个储能充放电功率动作区间确定的充放电范围P_c和P_d来确定，计算公式为：

作为一种具体示例，步骤5中建立多虚拟网格双层博弈模型，并确定博弈优化过程需要满足的约束条件，具体如下：

步骤5.1、建立上层虚拟网格博弈模型，并确定上层博弈优化过程需要满足的约束条件，具体如下：

步骤5.1.1、建立上层虚拟网格博弈模型，以虚拟网格收益最大化为目标函数，表达式为：

式中，表示t时刻第i个虚拟网格向负荷售电的收益，表示t时刻第i个虚拟网格与大电网交互电量的收益，表示t时刻第i个虚拟网格向其他虚拟网格售电的收益；

其中虚拟网格向负荷售电的收益与实时电价和负荷需求的关系为：

式中，σ_t为t时刻的负荷电价，为t时刻虚拟网格内部负荷需求量；

虚拟网格间交易电量的收益与交易电价和交易电量的关系为：

式中，N为虚拟网格总数，σ_p为t时刻第i个虚拟网格与其余虚拟网格的交易电价，P_il,t为第i个虚拟网格与第l个虚拟网格的交互功率；

当虚拟网格内部电源出力大于实际负荷需求时，虚拟网格存在功率剩余，可以向上级电网出售多余电量，因此与大电网交互电量收益模型为：

式中，为t时刻第i个虚拟网格与大电网交互的功率，σ_da,t为t时刻虚拟网格向大电网售电的电价，σ_da,t′为t时刻虚拟网格向大电网购电的电价；

步骤5.1.2、上层博弈优化过程需要满足的约束条件为：

(1)功率平衡约束

对任一虚拟网格，需保证在运行时的任一时刻保持系统的功率平衡，即虚拟网格内部所有电源出力之和、与其他虚拟网格交互功率以及与大电网交互功率之和与负荷需求功率相等，表达式为：

式中，为t时刻负荷需求功率，为t时刻光伏电源输出功率，为t时刻自由储能输出功率，为t时刻后备储能输出功率，为t时刻大电网向虚拟网格输入的功率，P_ij,t为t时刻虚拟网格j向虚拟网格i输入的功率；

(2)光伏出力约束

对于光伏出力系统其出力不能大于系统的最大输出功率，表达式为：

式中，为第i个虚拟网格光伏发电系统的最大输出功率；

(3)交易电价约束

虚拟网格间在t时刻的交易电价应满足不大于t时刻电网的购电电价并且不小于t时刻电网的售电电价，表达式为：

λ_da,t≤λ_i,t≤λ_d'_a,t (16)

式中，λ_i,t为t时刻虚拟网格i的交易电价，λ_da,t为t时刻虚拟网格向大电网售电电价，σ_da,t′为t时刻虚拟网格向大电网购电电价；

(4)联络线功率约束

虚拟网格和大电网以及多个虚拟网格之间都存在一定的功率交易，其联络线功率约束为：

式中，为第i个虚拟网格在t时刻与大电网的交互功率，为第i个虚拟网格与大电网的联络线允许的最大交互功率；P_ij,t为第i个虚拟网格在t时刻与第j个虚拟网格的交互功率，为第i个虚拟网格与第j个虚拟网格的联络线允许的最大交互功率。

步骤5.2、建立下层虚拟网格博弈模型，并确定下层博弈优化过程需要满足的约束条件，具体如下：

步骤5.2.1、建立下层虚拟网格博弈模型，以虚拟网格总运行成本最小为目标函数，表达式为：

式中，为第i个虚拟网格中的光伏发电成本，为第i个虚拟网格中储能系统的发电成本；

光伏发电成本与其自身额定发电功率和发电成本系数的关系为：

式中，为第i个虚拟网格光伏系统在t时刻的输出功率，a_pv、b_pv、c_pv分别为光伏发电系统的发电成本系数；

储能系统发电成本与其充放电量的关系为：

式中，M_Li为储能电池的维护总费用，为t时刻储能系统的输出功率，N为储能蓄电池的总循环寿命，U为交流侧电压的大小，C为储能蓄电池额定容量；

步骤5.2.2、下层博弈优化过程需要满足的约束条件为：

(1)功率平衡约束

在任意时刻，虚拟网格内部所有电源出力之和、与其他虚拟网格交互功率以及与大电网交互功率之和与负荷需求功率相等，表达式为：

式中，为第i个虚拟网格的负荷需求功率，为第i个虚拟网格的光伏输出功率，为第i个虚拟网格储能机组的放电功率，为第i个虚拟网格与大电网的交互功率；

(2)储能约束条件

储能充放电功率需小于等于储能系统最大输出功率和最大放电功率，表达式为：

式中，为第i个虚拟网格储能发电系统的最大充电功率，为第i个虚拟网格中储能发电系统最大放电功率。

作为一种具体示例，步骤6中采用双层粒子群优化算法对上下层博弈模型进行求解，通过上下层不断迭代，最终得到模型均衡解，具体如下：

采用外层粒子群算法用于求解上层博弈模型，其中粒子位置代表每个虚拟网格的交易电价和交易电量，适应度值代表每个虚拟网格总收益；采用内层粒子群算法求解下层博弈模型，粒子位置代表储能系统充放电功率，适应度值代表虚拟网格运行成本；上下层之间不断迭代，最终达到均衡，得到模型的均衡解。

下面结合附图和具体实施例，对本发明进一步的详细说明。

实施例1

本实施例建立了由三个虚拟网格组成的仿真模型，如图3所示，每个虚拟网格由一个光伏机组、三个储能系统和一个负荷组成；三个虚拟网格与外部大电网相连，外部大电网采用目前使用较为普遍的分时电价进行电能交易，如图4所示；场景一中将3个储能系统划分为1个自由储能系统和2个后备储能系统；场景二中将3个储能系统都划分为后备储能系统。

每个虚拟网格的每小时收益的仿真结果如图5、图6、图7所示，其中图5为虚拟网格1每小时收益的仿真结果图，图6为虚拟网格2每小时收益的仿真结果图，图7为虚拟网格2每小时收益的仿真结果图。从图中可以看出，场景二的夜间收益均低于场景一的夜间收入，说明每个虚拟网格的自由储能系统均采用夜间购电的动作策略；此外，场景二的日间收益均高于场景一的日间收入，说明每个虚拟网格的自由储能系统均采用白天售电的动作策略。

表1收益优化结果分析

每个虚拟网格24h总收益对比如表1所示。从表1中可以看出，场景1中每个虚拟网格的24h总收益相比场景2中每个虚拟网格24h总收益均有所提升，24h内场景一中三个虚拟网格总的经济收益比场景二提高了8.21％。

综上所述，采用非合作博弈理论在虚拟网格交易过程中能够保证各个虚拟网格的收益最大化，并且在虚拟网格当中将储能系统划分为自由储能和后备储能系统，能够在保证电力系统稳定运行的同时，尽可能提升虚拟网格的经济效益。因此，本发明对于提升电力系统安全性、稳定性和经济性具有重要意义。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，包括以下步骤：

步骤1、建立光伏机组发电模型和储能系统充放电模型，以构建虚拟网格所需模型；

步骤2、在储能系统安全范围内，将储能系统划分为五个储能充放电动作区间；

步骤3、将储能系统划分为自由储能系统和光伏后备储能系统两部分，根据t时刻光伏出力、负荷需求量和实时电价，计算自由储能系统的充放电概率；

步骤4、根据t时刻实时电量，确定自由储能系统的充放电功率范围以及光伏后备储能系统的充放电功率范围；

步骤5、建立多虚拟网格双层博弈模型，并确定博弈优化过程需要满足的约束条件；

步骤6、采用双层粒子群优化算法对上下层博弈模型进行求解，通过上下层不断迭代，最终得到模型均衡解。

2.根据权利要求1所述的基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，步骤1中的建立光伏机组发电模型，具体如下：

建立光伏机组发电模型，输出功率与光照强度成正比，当光照强度小于额定光照光照强度时，光伏机组发电功率与光照强度成正比：当光照强度大于额定光照强度时，光伏机组的发电功率为额定发电功率，因此光伏机组的发电功率与光照强度的关系为：

式中，P_PV为光伏机组实际输出功率，P_rPV为光伏机组额定输出功率，S_r为额定光照强度，S为实际光照强度。

3.根据权利要求1所述的基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，步骤1中的建立储能系统充放电模型，具体如下：

储能系统存储能量是有限的，其实际电量随充放电功率而变化，用荷电状态SOC来衡量储能系统的剩余容量，即剩余电量与总电量的比值；

蓄电池储能系统根据电网的需求灵活充放电，在一个调度周期内某时刻的能量状态取决于上一个时刻的初始状态以及充放电量，综合充放电的能量损失以及充放电效率，建立蓄电池储能系统的充放电数学模型为：

式中，SOC_t表示t时刻储能系统的荷电状态，SOC_t-1表示t-1时刻储能系统的荷电状态，λ_b表示自损系数，表示t-1时刻储能系统对内的充电量，表示t-1时刻储能系统对外的放电量，和分别表示蓄电池的充放电效率，SOC_min表示荷电状态的下限，SOC_max表示荷电状态的上限。

4.根据权利要求1所述的基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，步骤2中的在储能系统安全范围内，将储能系统划分为五个储能充放电动作区间，具体如下：

为实现储能系统的安全稳定运行，在保证荷电状态不小于最小荷电状态且不大于最大荷电状态的同时，划分五个储能系统充放电动作区间；设定储能系统的充电最大功率为其中k_c为储能系统最大充电系数，取值为0.15；储能系统的放电最大功率为其中k_d为储能系统最大放电系数，取值为0.15；则储能系统正常运行时最大荷电状态为0.8SOC_max，最小荷电状态为0.2SOC_max；设定t时刻储能系统荷电状态为SOC_t，将储能系统划分为五个储能充放电动作区间，分别为：

区间1：当0≤SOC_t＜0.2SOC_max时，充电功率范围放电功率P_d＝0，即处于不可放电状态；

区间2：当0.2SOC_max≤SOC_t＜0.35SOC_max时，充电功率范围放电功率范围

区间3：当0.35SOC_max≤SOC_t＜0.65SOC_max时，充电功率范围和放电功率范围

区间4：当0.65SOC_max≤SOC_t＜0.8SOC_max时，充电功率范围放电功率范围

区间5：当0.8SOC_max≤SOC_t＜SOC_max时，充电功率为P_c＝0，即处于不可充电状态，放电功率范围

5.根据权利要求1所述的基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，步骤3中的将储能系统划分为自由储能系统和光伏后备储能系统两部分，根据t时刻光伏出力、负荷需求量和实时电价，计算自由储能系统的充放电概率，具体如下：

将储能系统划分为自由储能系统和光伏后备储能系统两部分，其中自由交易储能在维持虚拟网格稳定运行的同时，也能够根据实时市场中电价的高低变化从中套利，为虚拟网格带来收益；

当t时刻从电网购电的价格与最小购电价格越接近，则从电网购电的概率越大；当t时刻从电网购电的价格与最大购电价格越接近，则从电网购电的概率越小，得出自由交易储能系统的购电概率表达式为：

当t时刻向用户售电的价格与向最小售电价格越接近，则向用户售电的概率越小；当第t时刻向用户售电的价格与最大售电价格越接近，则向用户售电的概率越大，得出自由交易储能系统的售电概率表达式为：

当t时刻光伏有功输出功率超出负荷需求量越多，则储能系统越倾向于充电；当t时刻负荷需求量超出光伏有功输出功率越多，则储能系统越倾向于放电，得出判断自由交易储能系统的充放电表达式为：

式中，P(θ)′为t时刻自由储能系统充放电判别系数，当P(θ)′＞0时，自由储能系统放电；当P(θ)′＜0时，自由储能系统充电；P_PV,t为t时刻光伏输出功率；P_Load,t为t时刻负荷需求量；

因此t时刻自由储能系统充放电概率计算公式为：

式中，P(θ)_c,1为t时刻自由储能系统充电概率；P(θ)_d,1为t时刻自由储能系统放电概率；当t时刻，P(θ)_d,1＞P(θ)_c,1，则自由交易储能系统进行售电，否则自由交易储能系统进行购电；

自由储能系统的充放电范围P_c,1和P_d,1根据五个储能充放电功率动作区间确定的充放电范围P_c和P_d做出调整，得到自由储能系统的充放电量P_c,1和P_d,1的计算公式为：

6.根据权利要求1所述的基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，步骤4中的根据t时刻实时电量，确定自由储能系统的充放电功率范围以及光伏后备储能系统的充放电功率范围，具体如下：

光伏后备储能系统仅以支撑电力系统稳定运行为目的，以光伏输出功率和负荷需求量作为充放电依据，因此光伏后备储能系统充放电判别表达式为：

式中，P(θ)_c,2为t时刻光伏后备储能系统的充电概率；P(θ)_d,2为t时刻光伏后备储能系统的放电概率；

光伏后备储能系统的充放电范围P_c,2和P_d,2根据五个储能充放电功率动作区间确定的充放电范围P_c和P_d来确定，计算公式为：

7.根据权利要求1所述的基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，步骤5中的建立多虚拟网格双层博弈模型，具体如下：

步骤5.1、建立上层虚拟网格博弈模型，并确定上层博弈优化过程需要满足的约束条件；

步骤5.2、建立下层虚拟网格博弈模型，并确定下层博弈优化过程需要满足的约束条件。

8.根据权利要求7所述的基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，步骤5.1中的建立上层虚拟网格博弈模型，并确定上层博弈优化过程需要满足的约束条件，具体如下：

步骤5.1.1、建立上层虚拟网格博弈模型，以虚拟网格收益最大化为目标函数，表达式为：

式中，表示t时刻第i个虚拟网格向负荷售电的收益，表示t时刻第i个虚拟网格与大电网交互电量的收益，表示t时刻第i个虚拟网格向其他虚拟网格售电的收益；

其中虚拟网格向负荷售电的收益与实时电价和负荷需求的关系为：

式中，σ_t为t时刻的负荷电价，为t时刻虚拟网格内部负荷需求量；

虚拟网格间交易电量的收益与交易电价和交易电量的关系为：

式中，N为虚拟网格总数，σ_p为t时刻第i个虚拟网格与其余虚拟网格的交易电价，P_il,t为第i个虚拟网格与第l个虚拟网格的交互功率；

当虚拟网格内部电源出力大于实际负荷需求时，虚拟网格存在功率剩余，可以向上级电网出售多余电量，因此与大电网交互电量收益模型为：

式中，为t时刻第i个虚拟网格与大电网交互的功率，σ_da,t为t时刻虚拟网格向大电网售电的电价，σ_da,t′为t时刻虚拟网格向大电网购电的电价；

步骤5.1.2、上层博弈优化过程需要满足的约束条件为：

(1)功率平衡约束

对任一虚拟网格，需保证在运行时的任一时刻保持系统的功率平衡，即虚拟网格内部所有电源出力之和、与其他虚拟网格交互功率以及与大电网交互功率之和与负荷需求功率相等，表达式为：

式中，为t时刻负荷需求功率，为t时刻光伏电源输出功率，为t时刻自由储能输出功率，为t时刻后备储能输出功率，为t时刻大电网向虚拟网格输入的功率，P_ij,t为t时刻虚拟网格j向虚拟网格i输入的功率；

(2)光伏出力约束

对于光伏出力系统其出力不能大于系统的最大输出功率，表达式为：

式中，为第i个虚拟网格光伏发电系统的最大输出功率；

(3)交易电价约束

虚拟网格间在t时刻的交易电价应满足不大于t时刻电网的购电电价并且不小于t时刻电网的售电电价，表达式为：

λ_da,t≤λ_i,t≤λ_d'_a,t (16)

式中，λ_i,t为t时刻虚拟网格i的交易电价，λ_da,t为t时刻虚拟网格向大电网售电电价，σ_da,t′为t时刻虚拟网格向大电网购电电价；

(4)联络线功率约束

虚拟网格和大电网以及多个虚拟网格之间都存在一定的功率交易，其联络线功率约束为：

式中，为第i个虚拟网格在t时刻与大电网的交互功率，为第i个虚拟网格与大电网的联络线允许的最大交互功率；P_ij,t为第i个虚拟网格在t时刻与第j个虚拟网格的交互功率，为第i个虚拟网格与第j个虚拟网格的联络线允许的最大交互功率。

9.根据权利要求7所述的基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，步骤5.2中的建立下层虚拟网格博弈模型，并确定下层博弈优化过程需要满足的约束条件，具体如下：

步骤5.2.1、建立下层虚拟网格博弈模型，以虚拟网格总运行成本最小为目标函数，表达式为：

式中，为第i个虚拟网格中的光伏发电成本，为第i个虚拟网格中储能系统的发电成本；

光伏发电成本与其自身额定发电功率和发电成本系数的关系为：

式中，为第i个虚拟网格光伏系统在t时刻的输出功率，a_pv、b_pv、c_pv分别为光伏发电系统的发电成本系数；

储能系统发电成本与其充放电量的关系为：

式中，M_Li为储能电池的维护总费用，为t时刻储能系统的输出功率，N为储能蓄电池的总循环寿命，U为交流侧电压的大小，C为储能蓄电池额定容量；

步骤5.2.2、下层博弈优化过程需要满足的约束条件为：

(1)功率平衡约束

在任意时刻，虚拟网格内部所有电源出力之和、与其他虚拟网格交互功率以及与大电网交互功率之和与负荷需求功率相等，表达式为：

式中，为第i个虚拟网格的负荷需求功率，为第i个虚拟网格的光伏输出功率，为第i个虚拟网格储能机组的放电功率，为第i个虚拟网格与大电网的交互功率；

(2)储能约束条件

储能充放电功率需小于等于储能系统最大输出功率和最大放电功率，表达式为：

式中，为第i个虚拟网格储能发电系统的最大充电功率，为第i个虚拟网格中储能发电系统最大放电功率。

10.根据权利要求1所述的基于储能系统自由交易的光储虚拟网格博弈优化方法，其特征在于，步骤6中的采用双层粒子群优化算法对上下层博弈模型进行求解，通过上下层不断迭代，最终得到模型均衡解，具体如下：

采用外层粒子群算法用于求解上层博弈模型，其中粒子位置代表每个虚拟网格的交易电价和交易电量，适应度值代表每个虚拟网格总收益；采用内层粒子群算法求解下层博弈模型，粒子位置代表储能系统充放电功率，适应度值代表虚拟网格运行成本；上下层之间不断迭代，最终达到均衡，得到模型的均衡解。