一种面向电网深度调峰辅助服务的虚拟电厂优化组建方法与流程

1.本发明涉及深度调峰辅助服务技术领域，具体而言，涉及一种面向电网深度调峰辅助服务的虚拟电厂优化组建方法。


背景技术：

2.随着“双碳”时代来临，风光等新能源发电将迅猛发展，占比越来越大，这将造成更为严重的电网调峰问题。传统火电发展将逐渐停滞到减少，源侧深度调峰能力不增反降。然而，电动汽车、储能等需求侧灵活性资源快速增长，利用它们参与调峰可以带来巨大的经济效益。
3.虚拟电厂(virtual power plant，vpp)作为聚合需求侧灵活性资源的有效方式，借助先进的通信、计量、控制等技术，无需改变其各自的并网方式和地理位置即可实现聚能、储能、供能与用能。vpp将特性各异、分散的各种灵活性资源聚合在一起能够进一步利用其互补特性形成对电网更加友好可控的灵活性，并且对于促进可再生能源消纳、增加需求侧各种灵活性资源的收益亦有积极作用。通过将海量分散需求侧单元优化组建为多个虚拟电厂，可更好地为电网提供深度调峰辅助服务。
4.目前在vpp组建方面的指标大多针对其结构性和内部自治，没有针对以满足电网辅助服务需求的相关指标。


技术实现要素：

5.本发明的目的是针对现有技术的不足，提供一种面向电网深度调峰辅助服务的虚拟电厂优化组建方法，指导调度员针对需求侧灵活性资源进行虚拟电厂组建方案的制定。
6.为实现上述目的，本发明采用如下技术方案：一种面向电网深度调峰辅助服务的虚拟电厂优化组建方法，其特征在于，包括以下步骤：
7.步骤s1：输入配电网的原始数据包括负荷、线路参数等以及典型日场景下的新能源发电量、需求侧灵活性资源的容量等参数；使用遗传算法随机生成一个初始vpp组建方案种群；
8.步骤s2：模拟各虚拟电厂参与基于典型日场景下的调峰辅助服务市场，在统一边际出清方式下，利用线性规划求解器ilog cplex求解出清结果，计算调峰收益指标；
9.步骤s3：计算该配电网各节点间基于功率电压灵敏度的电气距离，得到体现虚拟电厂结构特性的模块度指标；
10.步骤s4：计算虚拟电厂优化组建模型的适应度函数，并按照遗传算法进行迭代求解。
11.进一步的，所述步骤s2中计算调峰收益指标步骤如下：
12.s21.计算vpp在t时段的深度调峰功率，其为内部各灵活性资源调节能力之和：
13.14.其中，p
vpp,t,dpr
表示在深度调峰时段tvpp可以增加的负荷功率；p
fl,m,t,dpr
表示在t某深度调峰时段柔性负荷增加的负荷功率；p
ess,n,t,dpr
表示在t某深度调峰时段第n个储能装置增大充电或减小放电的功率；m表示vpp内柔性负荷的总个数；n表示vpp内储能装置的总个数；φ
dpr
表示深度调峰时段的集合；
15.s22.计算各vpp在t时段的申报电价即边际成本电价λ
t
基于边际效用以及其内部各灵活性资源在t时段的成本电价c
t,i
得到：
16.λ
t
＝max(c
t,1
,c
t,2
,c
t,3
,...,c
t,n
,)
17.s23.各vpp以及火电机组模拟参与基于典型日场景下的深度调峰辅助服务市场，在基于典型日场景下的电能量现货市场出清之后，如果存在弃风弃光现象，则启动顺序深度调峰市场并利用线性规划求解器ilog cplex求解出清结果。
18.s24.对市场出清结果进行分析以获得各vpp的收益。vpp收益指各vpp基于深度调峰辅助服务市场出清电价以及自身申报电价出售自身灵活性资源负荷增量获得的净收益减去由于转移特性造成的非深度调峰时段购买火电削减出力成本后所得收益。则vppj的收益为：
[0019][0020]
其中，t
dpr
表示深度调峰时段数；λ
dpr,t
表示深度调峰辅助服务市场在时段t的出清价格；λ
j,t
表示vppj在t时段的申报电价；p
vpp,j,t,zdpr
表示vppj在t时段中标的深度调峰功率；
[0021]
s25.计算深度调峰收益指标：
[0022][0023]
其中，n
vpp
表示vpp分组数；i
max
＝max{ij}表示所有vpp中的最大调峰收益。调峰收益指标
[0024]
进一步的，所述步骤s23中顺序深度调峰辅助服务市场出清的步骤如下：
[0025]
s231.调度中心发布深度调峰需求，仅有火电机组申报深度调峰容量，调度中心进行出清，如果风光得以全部消纳，不启动下一步深度调峰市场。若仍存在弃风弃光，则启动下一步深度调峰市场。
[0026]
s232.各vpp申报在深度调峰时段火电参与深度调峰后仍然不能满足的深度调峰容量，调度中心进行出清。
[0027]
(1)该出清模型以成本最低为目标函数：
[0028][0029]
其中，λ
j,t,ex
和p
vpp,j,t,ex
分别为vppj在非深度调峰时段t的购置火电削减出力价格和购买量；φ
ndpr
表示非深度调峰时段的集合。
[0030]
(2)该出清模型还需满足如下约束条件：
[0031]
①
两种灵活性资源以及组建后的vpp约束：
[0032][0033]
其中，t
ndpr
表示非深度调峰时段数；p
fl,m,t,ndpr
表示在t某非深度调峰时段柔性负荷为了功率平衡减少的负荷功率；p
fl
′
,m,t
表示第m个柔性负荷在t时段实际功率；p
fl,m,t,base
表示第m个柔性负荷在t时段的基线功率；mj表示第j个vpp的柔性负荷集合；p
fl,m,max
、p
fl,m,min
分别表示第m个柔性负荷功率的上限、下限；φ表示一天24个时段的集合；δp
fl,m,u
、δp
fl,m,d
分别表示第m个柔性负荷向上和向下最大爬坡速率；pe′
ss,n,t
表示第n个储能装置在t时段的实际功率；p
ess,n,t,base
表示第n个储能装置在t时段的基线功率；p
ess,n,t,ndpr
表示在t某非深度调峰时段第n个储能装置为了功率平衡增大放电或减小充电的功率；nj表示第j个vpp的储能装置集合；p
ess,n,t,out
、p
ess,n,t,in
分别表示第n个储能装置在t时段的放电、充电功率；e
ess,n,t
表示t时段初始时刻第n个储能装置容量状态；η
n,out
、η
n,in
分别表示第n个储能装置的放电、充电效率；t
out,t
、t
in,t
分别表示储能装置在t时段之前处于放电、充电状态的时段总个数；t
out
、t
in
分别表示储能装置一天内处于放电、充电状态的时段总个数；e
ess,n,max
表示第n个储能装置的最大电容量；p
ess,n,out,max
、p
ess,n,in,max
分别表示第n个储能装置的最大放电、充电功率；δp
ess,n,u
、δp
ess,n,d
分别表示第n个储能装置向上和向下最大爬坡速率；p
vpp,min
表示vpp的最小深度调峰容量。
[0034]
②
深度调峰需求平衡以及网络安全的约束：
[0035][0036]
其中，r
t
表示t时段火电机组参与深度调峰后仍然不能满足的深度调峰需求；g
l-n
表示储能装置n所在节点对线路l的功率转移分布因子；g
l-m
表示柔性负荷m所在节点对线路l的功率转移分布因子；g
l-d
表示节点d对线路l的功率转移分布因子；n
dp
表示配电网侧节点数量；d
d,t
表示节点d在时段t的刚性负荷。
[0037]
进一步的，所述步骤s3中计算体现虚拟电厂结构特性的模块度指标步骤如下：
[0038]
s31.通过电压幅值与功率之间的关系获得有功以及无功电压灵敏度矩阵：
[0039]spv
＝δp/δv
[0040]sqv
＝δq/δv
[0041]
s32.定义节点i和j之间基于有功以及无功电压灵敏度的电气距离：
[0042][0043][0044]
得到综合以上两者的电气距离：
[0045][0046]
s33.在模块度指标定义的基础上，本文采用节点间的电气距离决定网络节点i和节点j的边的权重e
ij
。将节点间边权设为：
[0047]eij
＝1-l
ij
/max(l)
[0048]
s34.引入最早由newman提出的模块度指标:
[0049][0050]
其中，ω表示该配电网所有节点集合；表示该配电网所有边的边权之和；表示所有与节点i相连的边的权重之和；当节点i和节点j在同一虚拟电厂内时δ(i,j)＝1，否则δ(i,j)＝0。模块度结构指标其值越大则表明结构性越好。
[0051]
进一步的，所述步骤s4中虚拟电厂优化组建模型如下：
[0052]
s41.以调峰收益指标和模块度指标加权之和的最大值作为目标函数。
[0053]
该优化组建模型的目标函数为：
[0054][0055]
其中，ω1,ω2∈[0,1]分别表示模块度结构指标、深度调峰收益指标的权重；两权重系数需在算例中逐步调整找到合适数值令各vpp的结构性与收益平均性都较好。ω1+ω2＝1。
[0056]
该目标函数即为适应度函数，并保存该函数值最高的虚拟电厂组建方案。
[0057]
s42.判断本次迭代最佳虚拟电厂组建方案适应度函数与前10次迭代时相比是否相等，若否，则选择最佳分组方案进入下一代分组集群，对其交叉、变异，生成下一代分组集
群并回到步骤s2；若是，则输出虚拟电厂优化组建方案。
[0058]
本发明采用上述技术方案，具有以下有益效果：得到的虚拟电厂优化组建方案在结构上，使各vpp内部节点间电气联系紧密，各vpp之间联系松散，更便于vpp的运行管理。功能上在满足提供深度调峰辅助服务的前提下，令各vpp收益平均化，保证了各vpp之间能够有序、公平竞争。
附图说明
[0059]
图1为本发明面向电网深度调峰辅助服务的虚拟电厂优化组建方法流程图；
[0060]
图2为本发明顺序深度调峰辅助服务市场出清流程图。
具体实施方式
[0061]
下面结合附图进一步阐明本发明。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0062]
如图1所示，本发明提出的面向电网深度调峰辅助服务的虚拟电厂优化组建方法，包括以下步骤：
[0063]
步骤s1：输入配电网的原始数据包括负荷、线路参数等以及典型日场景下的新能源发电量、需求侧灵活性资源的容量等参数；使用遗传算法随机生成一个初始vpp组建方案种群；
[0064]
步骤s2：模拟各虚拟电厂参与基于典型日场景下的调峰辅助服务市场，在统一边际出清方式下，利用线性规划求解器ilog cplex求解出清结果，计算调峰收益指标；
[0065]
步骤s3：计算该配电网各节点间基于功率电压灵敏度的电气距离，得到体现虚拟电厂结构特性的模块度指标；
[0066]
步骤s4：计算虚拟电厂优化组建模型的适应度函数，并按照遗传算法进行迭代求解。
[0067]
具体的，s2步骤具体包括：
[0068]
s21.计算vpp在t时段的深度调峰功率，其为内部各灵活性资源调节能力之和：
[0069][0070]
其中，p
vpp,t,dpr
表示在深度调峰时段tvpp可以增加的负荷功率；p
fl,m,t,dpr
表示在t某深度调峰时段柔性负荷增加的负荷功率；p
ess,n,t,dpr
表示在t某深度调峰时段第n个储能装置增大充电或减小放电的功率；m表示vpp内柔性负荷的总个数；n表示vpp内储能装置的总个数；φ
dpr
表示深度调峰时段的集合；
[0071]
s22.计算各vpp在t时段的申报电价即边际成本电价λ
t
基于边际效用以及其内部各灵活性资源在t时段的成本电价c
t,i
得到：
[0072]
λ
t
＝max(c
t,1
,c
t,2
,c
t,3
,...,c
t,n
,)
[0073]
s23.各vpp以及火电机组模拟参与基于典型日场景下的深度调峰辅助服务市场，在基于典型日场景下的电能量现货市场出清之后，如果存在弃风弃光现象，则启动顺序深度调峰市场并利用线性规划求解器ilog cplex求解出清结果。
[0074]
s24.对市场出清结果进行分析以获得各vpp的收益。vpp收益指各vpp基于深度调
峰辅助服务市场出清电价以及自身申报电价出售自身灵活性资源负荷增量获得的净收益减去由于转移特性造成的非深度调峰时段购买火电削减出力成本后所得收益。则vppj的收益为：
[0075][0076]
其中，t
dpr
表示深度调峰时段数；λ
dpr,t
表示深度调峰辅助服务市场在时段t的出清价格；λ
j,t
表示vppj在t时段的申报电价；p
vpp,j,t,zdpr
表示vppj在t时段中标的深度调峰功率；
[0077]
s25.计算深度调峰收益指标：
[0078][0079]
其中，n
vpp
表示vpp分组数；i
max
＝max{ij}表示所有vpp中的最大调峰收益。调峰收益指标
[0080]
如图2所示，s23步骤中顺序深度调峰辅助服务市场出清的步骤包括：
[0081]
s231.调度中心发布深度调峰需求，仅有火电机组申报深度调峰容量，调度中心进行出清，如果风光得以全部消纳，不启动下一步深度调峰市场。若仍存在弃风弃光，则启动下一步深度调峰市场。
[0082]
s232.各vpp申报在深度调峰时段火电参与深度调峰后仍然不能满足的深度调峰容量，调度中心进行出清。
[0083]
(1)该出清模型以成本最低为目标函数：
[0084][0085]
其中，λ
j,t,ex
和p
vpp,j,t,ex
分别为vppj在非深度调峰时段t的购置火电削减出力价格和购买量；φ
ndpr
表示非深度调峰时段的集合。
[0086]
(2)该出清模型还需满足如下约束条件：
[0087]
①
两种灵活性资源以及组建后的vpp约束：
[0088][0089]
其中，t
ndpr
表示非深度调峰时段数；p
fl,m,t,ndpr
表示在t某非深度调峰时段柔性负荷为了功率平衡减少的负荷功率；p
fl
′
,m,t
表示第m个柔性负荷在t时段实际功率；p
fl,m,t,base
表示第m个柔性负荷在t时段的基线功率；mj表示第j个vpp的柔性负荷集合；p
fl,m,max
、p
fl,m,min
分别表示第m个柔性负荷功率的上限、下限；φ表示一天24个时段的集合；δp
fl,m,u
、δp
fl,m,d
分别表示第m个柔性负荷向上和向下最大爬坡速率；pe′
ss,n,t
表示第n个储能装置在t时段的实际功率；p
ess,n,t,base
表示第n个储能装置在t时段的基线功率；p
ess,n,t,ndpr
表示在t某非深度调峰时段第n个储能装置为了功率平衡增大放电或减小充电的功率；nj表示第j个vpp的储能装置集合；p
ess,n,t,out
、p
ess,n,t,in
分别表示第n个储能装置在t时段的放电、充电功率；e
ess,n,t
表示t时段初始时刻第n个储能装置容量状态；η
n,out
、η
n,in
分别表示第n个储能装置的放电、充电效率；t
out,t
、t
in,t
分别表示储能装置在t时段之前处于放电、充电状态的时段总个数；t
out
、t
in
分别表示储能装置一天内处于放电、充电状态的时段总个数；e
ess,n,max
表示第n个储能装置的最大电容量；p
ess,n,out,max
、p
ess,n,in,max
分别表示第n个储能装置的最大放电、充电功率；δp
ess,n,u
、δp
ess,n,d
分别表示第n个储能装置向上和向下最大爬坡速率；p
vpp,min
表示vpp的最小深度调峰容量。
[0090]
②
深度调峰需求平衡以及网络安全的约束：
[0091][0092]
其中，r
t
表示t时段火电机组参与深度调峰后仍然不能满足的深度调峰需求；g
l-n
表示储能装置n所在节点对线路l的功率转移分布因子；g
l-m
表示柔性负荷m所在节点对线路l的功率转移分布因子；g
l-d
表示节点d对线路l的功率转移分布因子；n
dp
表示配电网侧节点数量；d
d,t
表示节点d在时段t的刚性负荷。
[0093]
具体的，s3步骤如下：
[0094]
s31.通过电压幅值与功率之间的关系获得有功以及无功电压灵敏度矩阵：
[0095]spv
＝δp/δv
[0096]sqv
＝δq/δv
[0097]
s32.定义节点i和j之间基于有功以及无功电压灵敏度的电气距离：
[0098][0099][0100]
得到综合以上两者的电气距离：
[0101][0102]
s33.在模块度指标定义的基础上，本文采用节点间的电气距离决定网络节点i和节点j的边的权重e
ij
。将节点间边权设为：
[0103]eij
＝1-l
ij
/max(l)
[0104]
s34.引入最早由newman提出的模块度指标:
[0105][0106]
其中，ω表示该配电网所有节点集合；表示该配电网所有边的边权之和；表示所有与节点i相连的边的权重之和；当节点i和节点j在同一虚拟电厂内时δ(i,j)＝1，否则δ(i,j)＝0。模块度结构指标其值越大则表明结构性越好。
[0107]
具体的，s4步骤包括：
[0108]
s41.以调峰收益指标和模块度指标加权之和的最大值作为目标函数。
[0109]
该优化组建模型的目标函数为：
[0110][0111]
其中，ω1,ω2∈[0,1]分别表示模块度结构指标、深度调峰收益指标的权重；两权重系数需在算例中逐步调整找到合适数值令各vpp的结构性与收益平均性都较好。ω1+ω2＝1。
[0112]
该目标函数即为适应度函数，并保存该函数值最高的虚拟电厂组建方案。
[0113]
s42.判断本次迭代最佳虚拟电厂组建方案适应度函数与前10次迭代时相比是否相等，若否，则选择最佳分组方案进入下一代分组集群，对其交叉、变异，生成下一代分组集群并回到步骤s2；若是，则输出虚拟电厂优化组建方案。
[0114]
以上实施方式仅为说明本发明的技术思想，并不用以限制本发明。凡在本发明所提出的方法的基本思路和框架之内所作的任何非实质性的修改、转换和改进，均应包含在本发明的保护范围之内。