一种虚拟电厂与配电网的协同优化方法与流程

本发明实施例涉及电力系统技术领域，尤其涉及一种虚拟电厂与配电网的协同优化方法。

背景技术：

在电力系统中，由于配电网包含多种灵活的分布式能源，通过将多种分布式能源聚合形成虚拟电厂，参与系统优化控制与市场运营，是一种促进可再生能源消纳和提升电力系统运行效率的有效方法，近年来得到了广泛关注。

然而，电力市场环境下配电网中含有电价、负荷及可再生能源等多种随机因素，为虚拟电厂和配电网的运营和控制带来挑战。

技术实现要素：

本发明提供一种虚拟电厂与配电网的协同优化方法，能够兼顾各运营主体的利益需求和电力市场环境中的多种不确定因素，提升电力系统的可再生能源消纳能力及运行效率。

第一方面，本发明提供了一种虚拟电厂与配电网的协同优化方法，包括：

获取各运营主体的经典场景集，其中，运营主体为虚拟电厂或者配电网；

根据各运营主体的经典场景集，建立各运营主体的优化模型；

根据各运营主体的优化模型，得到虚拟电厂与配电网的协同优化策略和定价策略。

可选的，对于各运营主体中的任意一个运营主体，获取运营主体的经典场景集，包括：

采用拉丁超立方抽样法获取运营主体的运行场景；

采用多尺度NJW谱聚类算法对运行场景进行缩减，得到运营主体包含多种随机因素的经典场景集。

可选的，采用拉丁超立方抽样法获取运营主体的运行场景，包括：

将各随机因素误差概率密度分布划分为N^G个等概率分布区间；

在每个概率分布区间内进行随机抽样，获取一个随机数pi，其中，

根据各随机因素误差概率密度分布进行逆变换，得到各随机因素的抽样值和其中，为随机因素U在场景i中t时刻的误差抽样值，F^-1(·)为误差概率分布逆变换；为随机因素U在场景i中t时刻的样本抽样值；为随机因素U在场景i中t时刻的预测值。

可选的，采用多尺度NJW谱聚类算法对运行场景进行缩减，得到运营主体包含多种随机因素的经典场景集，包括：

对各随机因素的样本抽样值进行极值归一化处理；

从幅度值、变化趋势和波动性三个方面分别对各运行场景中的多种随机因素进行多尺度度量；

获取运营主体包含多种随机因素的经典场景集。

可选的，对各随机因素的样本抽样值进行极值归一化处理，包括：

利用公式对各随机因素的样本抽样值进行极值归一化处理，其中，N^U为随机因素的数目；为随机因素U在场景i中t时刻归一化后的值。

可选的，从幅度值、变化趋势和波动性三个方面分别对各运行场景中的多种随机因素进行多尺度度量，包括：

利用欧式距离表示不同运行场景中各随机因素的幅度值差异其中，i、j＝1,2,…,N^G；T为各运行场景中时间点总数；A^U(i,j)为随机因素U在场景i和场景j间的幅度值差异值；

利用相对距离表示不同运行场景中各随机因素的波动程度差异并定义不同运行场景间的波动程度差异矩阵其中，bi,j(t)为随机因素U在场景i和场景j在t时刻的相对距离；B^U(i,j)为随机因素U在场景i和场景j间的波动程度差异值；m为一个常数，b′i,j(k)为bi,j(k)中前m个最大数；

利用相关系数表示不同场景中各随机因素之间变化趋势的相似程度并定义不同场景间各随机因素之间变化趋势的差异程度C^U(i,j)＝1-ri,j，其中，ri,j为场景i和场景j之间的相关系数；C^U(i,j)为随机因素U在场景i和场景j间变化趋势的波动程度差异值；

获取各运行场景中随机因素多尺度差异度量矩阵并采用高斯核函数将随机因素多尺度差异度量矩阵转换成相似程度度量矩阵其中，K(i,j)为场景i和场景j之间的多尺度相似性度量值，e为自然底数，γ为系数。

可选的，对于各运营主体中的任意一个运营主体，根据运营主体的经典场景集，建立运营主体的优化模型，包括：

根据运营主体的经典场景集，确定运营主体的优化目标和约束条件。

可选的，若运营主体为配电网，则运营主体的优化目标为配电网的运营成本最低：

其中，Ns为经典场景集的个数；ws为场景s的权重；BPDN,s,t为配电网从主网的单位购电成本；为场景s下配电网从主网的购电量；为配电网向虚拟电厂的单位售电收益；为场景s下配电网向虚拟电厂的售电量；为场景s下配电网中发电机i在t时刻的出力；为场景s下配电网中风电场i在t时刻的出力；为场景s下配电网中光伏电站i在t时刻的出力；NVPP为虚拟电厂个数；NCG为发电机个数；NWF为风电场个数；NPV为光伏电站个数；

若运营主体为虚拟电厂，则运营主体的优化目标为虚拟电厂的运营成本最低：

其中，为场景s下虚拟电厂k从配电网的购电量；为场景s下虚拟电厂k中发电机i在t时刻的出力；为场景s下虚拟电厂k中风电场i在t时刻的出力；为场景s下虚拟电厂k中光伏电站i在t时刻的出力；NCG,k为虚拟电厂k中发电机个数；NWF,k为虚拟电厂k中风电场个数；NPV,k为虚拟电厂k中光伏电站个数；

可控机组的运行成本为：ai,bi,ci为发电机组i运行成本系数；可再生能源的发电成本为：αi为可再生能源i的直接运行成本系统；βi,γi分别为可再生能源i的弃风、弃光成本系数。

可选的，约束条件至少包括：

Pij,min≤Pij≤Pij,max；

Qij,min≤Qij≤Qij,max；

Vi,min≤Vi≤Vi,max；

其中，配电网与主网功率交换限制值；为配电网向虚拟电厂k售电功率限制值；为虚拟电厂k从配电网购电功率限制值；和分别为配电网中机组i的出力上下限；和为虚拟电厂k中机组i的出力上下限；为配电网中机组i的最大爬坡速率；为虚拟电厂k中机组i的最大爬坡速率；为场景s下风电场i在t时刻的出力；为场景s下光伏电站i在t时刻的出力；为场景s下配电网中t时刻负荷的预测误差；为场景s下配电网中t时刻风电场i的预测误差；为场景s下配电网中t时刻光伏电站i的预测误差；为场景s下虚拟电厂k中t时刻负荷的预测误差；为场景s下虚拟电厂k中t时刻风电场i的预测误差；为场景s下虚拟电厂k中t时刻光伏电站i的预测误差；Pi为节点i的有功注入功率；Qi为节点i的无功注入功率；Vi为节点i的电压幅值；Pij为节点i到节点j支路上的有功功率；Qij为节点i到节点j支路上的无功功率；rij为节点i到节点j支路上的电阻；xij为节点i到节点j支路上的电抗；Pij,min和Pij,max分别为节点i到节点j支路上的有功功率上下限；Qij,min和Qij,max分别为节点i到节点j支路上的无功功率上下限。

可选的，根据各运营主体的优化模型，得到虚拟电厂与配电网的协同优化策略和定价策略，包括：

根据权重系数，计算各运营主体的电能交互计划和可控机组调度计划

初始化虚拟电厂与配电网的交易电价j＝0，并求解各运营主体的优化模型；根据判断各运营主体所处的系统电量是否达到平衡；若平衡，则迭代终止并输出虚拟电厂与配电网的协同优化策略和定价策略；若不平衡，则根据更新虚拟电厂与配电网的交易电价，令j＝j+1，重新求解各运营主体的优化模型；其中，δ为电价迭代更新步长系数。

本发明基于拉丁超立方抽样法获取运营主体的运行场景，并采用多尺度NJW谱聚类算法对运行场景进行缩减，得到运营主体包含多种随机因素的经典场景集，从而描述电力市场环境中的多种不确定因素；同时兼顾各运营主体的利益需求及系统安全运行，制定虚拟电厂与配电网的协同优化策略和定价策略，提升电力系统的可再生能源消纳能力及运行效率。

附图说明

图1是本发明实施例提供的一种虚拟电厂与配电网的协同优化方法的流程示意图；

图2是本发明实施例提供的一种虚拟电厂与配电网的定价策略示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

需要说明的是，本公开中术语“系统”和“网络”在本文中常被可互换使用。本发明实施例中提到的“和/或”是指”包括一个或更多个相关所列项目的任何和所有组合。还需要说明是，本发明下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。

随着电力系统的不断发展，考虑到未来的配电网中可以包含多个虚拟电厂，且电力市场中存在电价、负荷、可再生能源等多种随机因素，可能会对配电网的运营和控制带来极大的弊端。为此，本发明实施例提供一种虚拟电厂与配电网的协同优化方法，能够兼顾各运营主体的利益需求和电力市场环境中的多种不确定因素，提升电力系统的可再生能源消纳能力及运行效率。

下面，对虚拟电厂与配电网的协同优化方法及其技术效果进行详细描述。

图1为本发明实施例提供的一种虚拟电厂与配电网的协同优化方法的流程示意图，本发明实施例公开的方法适用于包括虚拟电厂与配电网的电力系统，如图1所示，该方法可以包括如下步骤：

S101、获取各运营主体的经典场景集，其中，运营主体为虚拟电厂或者配电网。

一个电力系统中可以包括虚拟电厂和配电网，虚拟电厂隶属于配电网，一个配电网可以包括多个虚拟电厂，因此，一个电力系统中可以包括多个运营主体，运营主体既可以是虚拟电厂，也可以是配电网。

具体的，对于各运营主体中的任意一个运营主体，获取运营主体的经典场景集的方法可以包括如下两个步骤：

步骤1：采用拉丁超立方抽样法获取运营主体的运行场景。

对于配电网，其运行场景中主要包括配电网与主网交易电价、负荷、可再生能源出力三类随机因素；对于各虚拟电厂，其运行场景中主要包括负荷、可再生能源出力两类随机因素。对于每个运营主体，可以基于其各随机因素预测值及误差分布，采用拉丁超立方抽样获取各随机因素的场景抽样值，其输入为各随机因素的预测值及其概率分布，具体实现方法如下：

A、将各随机因素误差概率密度分布划分为N^G个等概率分布区间。

B、在每个概率分布区间内进行随机抽样，获取一个随机数pi，其中，

C、根据各随机因素误差概率密度分布进行逆变换，得到各随机因素的抽样值。

其中，公式(1)中的为随机因素U在场景i中t时刻的误差抽样值，F^-1(·)为误差概率分布逆变换；公式(2)中的为随机因素U在场景i中t时刻的样本抽样值；为随机因素U在场景i中t时刻的预测值。

采用上述方法对虚拟电厂和配电网中各运营主体的每类随机因素进行分别抽样，可以得到N^G个抽样运行场景。

步骤2：采用多尺度NJW谱聚类算法对运行场景进行缩减，得到运营主体包含多种随机因素的经典场景集。

具体的，采用多尺度NJW谱聚类算法对运行场景进行缩减，得到运营主体包含多种随机因素的经典场景集的方法可以包括如下三个步骤：

步骤一：对各随机因素的样本抽样值进行极值归一化处理。

为综合考虑各随机因素对经典场景集的作用并降低奇异点对聚类结果的影响，首先采用极值归一化的方法对各随机因素的样本抽样值进行标准化处理。

具体的，可以采用如下公式(3)进行标准化处理：

其中，N^U为随机因素的数目；为随机因素U在场景i中t时刻归一化后的值。

步骤二：从幅度值、变化趋势和波动性三个方面分别对各运行场景中的多种随机因素进行多尺度度量。

a、各随机因素幅度值相似性度量：

利用欧式距离表示不同运行场景中各随机因素的幅度值差异；

其中，i、j＝1,2,…,N^G；T为各运行场景中时间点总数；A^U(i,j)为随机因素U在场景i和场景j间的幅度值差异值。

b、各随机因素波动程度相似性度量：

利用相对距离表示不同运行场景中各随机因素的波动程度差异；

其中，bi,j(t)为随机因素U在场景i和场景j在t时刻的相对距离。

根据相对距离，不同运行场景间的波动程度差异矩阵可以定义为：

其中，B^U(i,j)为随机因素U在场景i和场景j间的波动程度差异值；m为一个常数，b′i,j(k)为bi,j(k)中前m个最大数。

c、各随机因素变化趋势相似性度量：

利用相关系数表示不同场景中各随机因素之间变化趋势的相似程度：

其中，ri,j为场景i和场景j之间的相关系数，其值越大，代表两场景之间变化趋势的相似程度越高。

因此，不同场景间各随机因素之间变化趋势的差异程度可以表示为：

C^U(i,j)＝1-ri,j 公式(8)

其中，C^U(i,j)为随机因素U在场景i和场景j间变化趋势的波动程度差异值。

综合上述a、b和c，即综合考虑各随机因素的幅度值、变化趋势和波动程度，可以得到描述各运行场景中随机因素多尺度差异度量矩阵如下：

其中，P为各运行场景中随机因素多尺度差异度量矩阵。

采用高斯核函数将随机因素多尺度差异度量矩阵转换成相似程度度量矩阵如下：

其中，K(i,j)为场景i和场景j之间的多尺度相似性度量值，e为自然底数，γ为系数。

步骤三：获取运营主体包含多种随机因素的经典场景集。

计算K(i,j)矩阵中前Ns(Ns为经典场景集中期望包含场景的个数)个最大的特征值及其对应的特征向量，构成特征向量空间，采用K-means算法对得到的特征向量空间进行聚类划分，得到分类结果及各经典场景出现的概率，求解各组场景中随机因素均值即可获得经典场景集中各随机因素的典型值。

S102、根据各运营主体的经典场景集，建立各运营主体的优化模型。

具体的，对于各运营主体中的任意一个运营主体，根据运营主体的经典场景集，建立运营主体的优化模型的方法可以包括如下两个步骤：

步骤A：根据运营主体的经典场景集，确定运营主体的优化目标。

虚拟电厂与配电网可以基于自身的利益需求确定优化目标。

示例性的，若运营主体为配电网，配电网的优化目标为配电网的运营成本最低，其中，配电网的运营成本包括从主网的购电成本、可控机组的发电成本以及可再生能源弃风和弃光惩罚成本、减去从虚拟电厂获得的售电收益：

其中，Ns为经典场景集的个数；ws为场景s的权重；BPDN,s,t为配电网从主网的单位购电成本；为场景s下配电网从主网的购电量；为配电网向虚拟电厂的单位售电收益；为场景s下配电网向虚拟电厂的售电量；为场景s下配电网中发电机i在t时刻的出力；为场景s下配电网中风电场i在t时刻的出力；为场景s下配电网中光伏电站i在t时刻的出力；NVPP为虚拟电厂个数；NCG为发电机个数；NWF为风电场个数；NPV为光伏电站个数。

又示例性的，若运营主体为虚拟电厂，虚拟电厂的优化目标同样为虚拟电厂的运营成本最低，其中，虚拟电厂的运营成本包括从配电网的购电成本、可控机组发电成本以及弃风、弃光惩罚成本：

其中，为场景s下虚拟电厂k从配电网的购电量；为场景s下虚拟电厂k中发电机i在t时刻的出力；为场景s下虚拟电厂k中风电场i在t时刻的出力；为场景s下虚拟电厂k中光伏电站i在t时刻的出力；NCG,k为虚拟电厂k中发电机个数；NWF,k为虚拟电厂k中风电场个数；NPV,k为虚拟电厂k中光伏电站个数。

另外，可控机组的运行成本可以表示为：

其中，ai,bi,ci为发电机组i运行成本系数。

可再生能源的发电成本包括直接运行成本和弃风、弃光成本为：

其中，αi为可再生能源i的直接运行成本系统；βi,γi分别为可再生能源i的弃风、弃光成本系数。

步骤B：根据运营主体的经典场景集，确定运营主体的约束条件。

具体的，约束条件举例如下：

Pij,min≤Pij≤Pij,max 公式(33)

Qij,min≤Qij≤Qij,max 公式(34)

Vi,min≤Vi≤Vi,max 公式(35)

其中，配电网与主网功率交换限制值；为配电网向虚拟电厂k售电功率限制值；为虚拟电厂k从配电网购电功率限制值；和分别为配电网中机组i的出力上下限；和为虚拟电厂k中机组i的出力上下限；为配电网中机组i的最大爬坡速率；为虚拟电厂k中机组i的最大爬坡速率；为场景s下风电场i在t时刻的出力；为场景s下光伏电站i在t时刻的出力；为场景s下配电网中t时刻负荷的预测误差；为场景s下配电网中t时刻风电场i的预测误差；为场景s下配电网中t时刻光伏电站i的预测误差；为场景s下虚拟电厂k中t时刻负荷的预测误差；为场景s下虚拟电厂k中t时刻风电场i的预测误差；为场景s下虚拟电厂k中t时刻光伏电站i的预测误差；Pi为节点i的有功注入功率；Qi为节点i的无功注入功率；Vi为节点i的电压幅值；Pij为节点i到节点j支路上的有功功率；Qij为节点i到节点j支路上的无功功率；rij为节点i到节点j支路上的电阻；xij为节点i到节点j支路上的电抗；Pij,min和Pij,max分别为节点i到节点j支路上的有功功率上下限；Qij,min和Qij,max分别为节点i到节点j支路上的无功功率上下限。

需要说明的是，上述公式(17)为配电网与主网的交换功率限制，公式(18)和(19)各为虚拟电厂与配电网的交换功率限制，公式(20)为可控发电机组出力范围限制，公式(21)为机组爬坡速率限制，公式(22)和(23)为可再生能源的出力限制，公式(24)和(25)为配电网预留的旋转备用，公式(26)和(27)为各虚拟电厂预留的旋转备用限制，公式(28)-(32)为配电网和虚拟电厂各主体的distflow支路潮流，公式(33)-(35)分别为支路有功、支路无功和节点电压范围限制。

进一步地，由于上述公式(28)-(32)对应的配电网和虚拟电厂各主体的distflow支路潮流模型为非凸模型，这属于数学方面的NP(Non-Deterministic Polynomial Problems)难题，难以求解。即顺着梯度方向走到底只能保证是局部最优，不能保证是全局最优。因此，本发明实施例还可以采用二阶锥松弛(second-order cone program，SOCP)的方法将该潮流模型凸化，具体凸化方法如下：

令并将其带入公式(30)-(35)可得：

Pij,min≤Pij≤Pij,max 公式(39)

Qij,min≤Qij≤Qij,max 公式(40)

对进行二阶锥松弛，可以得到如下的凸化模型：

通过采用上述凸化方法，能够兼顾模型的求解精度和计算效率。

S103、根据各运营主体的优化模型，得到虚拟电厂与配电网的协同优化策略和定价策略。

结合步骤S102可知，配电网的优化模型可表示如下：

虚拟电厂的优化模型可表示如下：

由于上述优化模型皆为凸优化模型，可以直接采用cplex求解器进行求解。根据各运行场景的权重系数，可计算各运营主体的电能交互计划和可控机组调度计划。

具体的，各运营主体的电能交互计划可表示如下：

各运营主体的可控机组调度计划可表示如下：

另外，为保障系统电能平衡及各运营主体参与优化运行的积极性，图2为本发明实施例提供的一种虚拟电厂与配电网的定价策略示意图，如图2所示，虚拟电厂与配电网的定价策略可以通过下述方法定制：

第一步：初始化虚拟电厂与配电网的交易电价

第二步：对公式(44)所示的配电网的优化模型进行优化求解，计算

第三步：对公式(45)所示的各虚拟电厂的优化模型进行优化求解，计算

第四步：按照公式(48)判断系统电量是否达到平衡；若满足条件，迭代终止并输出优化结果及交易电价；若不满足条件，按照公式(49)更新虚拟电厂与配电网的交易电价，令j＝j+1，并转入第二步。

其中，δ为电价迭代更新步长系数。

本发明实施例提供一种虚拟电厂与配电网的协同优化方法，包括：获取各运营主体的经典场景集，其中，运营主体为虚拟电厂或者配电网；根据各运营主体的经典场景集，建立各运营主体的优化模型；根据各运营主体的优化模型，得到虚拟电厂与配电网的协同优化策略和定价策略。本发明公开的技术方案通过全面考虑配电网与虚拟电厂中的多种随机因素，并兼顾各运营主体利益需求和系统安全运行，提升了电力系统的可再生能源消纳能力及运行效率。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例描述的虚拟电厂与配电网的协同优化方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。