一种虚拟电厂日前调度优化模型的制作方法

技术特征：

1.一种虚拟电厂日前调度优化模型，其特征在于：包括以下步骤：

步骤1：采用随机规划处理电价的不确定性，建立电价随机规划模型；

步骤2：分析和改进IGDT模型，采用IGDT处理风电和光伏出力的不确定性；

步骤3：建立混合随机规划和IGDT的VPP日前调度优化模型；

步骤4：建立合理的指标，量化VPP面临的风险。

2.根据权利要求1所述的虚拟电厂日前调度优化模型，其特征在于：所述步骤1包括以下步骤：

采用随机规划处理电价的不确定性，假设在电价波动范围内随机生成p组电价数据，在考虑p组电价的情况下所得的最优解即为电价随机规划的最优方案，目标函数模型为：

$max\underset{t=1}{\overset{T}{\Σ}}\underset{p=1}{\overset{n_p}{\Σ}}\mathrm{\π}\left(p\right)\×({\mathrm{\λ}}_{p,t}{P}_t+{\mathrm{\λ}}_t^1{L}_t-C_t^{gt})$

式中：T为总时段数；n_p为电价方案数；π(p)为第p组电价方案概率；λ_p,t为第p组方案t时段电力市场电价；P_t为t时段VPP在电力市场的交易量，为正表示售电量，为负表示购电量；为t时段负荷电价，表示VPP供给负荷所收取的费用；L_t为t时段负荷；为t时段燃气轮机成本，包括燃气轮机的运行、启停和环境成本，表示如下：

$C_t^{gt}=\underset{i}{\overset{n_i}{\Σ}}\left(\begin{array}{c}{k}_i{\mathrm{\μ}}_{i,t}^o+\underset{j=1}{\overset{n_j}{\mathrm{\Σ}}}{k}_{i,j}{g}_{i,j,t}+{\mathrm{\λ}}_i^{su}{\mathrm{\μ}}_{i,t}^{su}+{\mathrm{\λ}}_i^{sd}{\mathrm{\μ}}_{i,t}^{sd}\\ +g_{i,t}\underset{l=1}{\overset{n_l}{\mathrm{\Σ}}}{Q}_{i,l}(V_l+Y_l)\end{array}\right)$

$g_{i,t}=\underset{j=1}{\overset{n_j}{\Σ}}{k}_{i,j}{g}_{i,j,t}$

式中：n_i为燃气轮机数；k_i为燃气轮机i的固定成本；布尔变量分别表示t时段燃气轮机i是否工作、启动、停止，是则置1，否则置0，为决策变量；n_j为燃气轮机i二次成本函数分段线性化后的段数；k_i,j为燃气轮机i第j段发电成本斜率；g_i,j,t为t时段燃气轮机i第j段出力，为决策变量；分别为燃气轮机i的启、停成本；g_i,t为t时段燃气轮机i出力；n_l为污染物数量；Q_i,l为燃气轮机i第l项污染物排放量；V_l、Y_l分别为第l项污染物环境价值、罚款数量级；

建立约束条件使电力系统满足燃气轮机约束、抽水蓄能电站约束和VPP内部功率平衡约束

1)燃气轮机约束：

${\mathrm{\μ}}_{i,t}^o-{\mathrm{\μ}}_{i,t-1}^o\≤{\mathrm{\μ}}_{i,t}^{su}$

${\mathrm{\μ}}_{i,t-1}^o-{\mathrm{\μ}}_{i,t}^o\≤{\mathrm{\μ}}_{i,t}^{sd}$

$0\≤g_{i,j,t}\≤g_{i,j}^{\max }{\mathrm{\μ}}_{i,t}^o$

$g_i^{\min }{\mathrm{\μ}}_{i,t}^o\≤g_{i,t}\≤g_i^{\max }{\mathrm{\μ}}_{i,t}^o$

-r_i^d≤g_i,t-g_i,t-1≤r_i^u

式中：分别为燃气轮机i最大、最小输出功率；为燃气轮机i第j段出力上限；r_i^u、r_i^d分别为燃气轮机i向上、向下爬坡率；

2)抽水蓄能电站约束：

抽水蓄能电站由水泵和水轮机构成，现使用的抽水蓄能电站多数为可逆水泵水轮机，将上游水库的蓄水量等效成相应的蓄电量，则抽水蓄能电站的约束条件如下：

$0\≤g_t^c\≤g^{c,\max }{\mathrm{\μ}}_t^c$

$0\≤g_t^d\≤g^{d,\max }{\mathrm{\μ}}_t^d$

${\mathrm{\μ}}_t^c+{\mathrm{\μ}}_t^d=1$

0≤S_t≤S^max

S₀＝S_i

S_T＝S_f

$S_t=S_{t-1}+{\mathrm{\η}}^c{g}_t^c-\frac{g_t^d}{{\mathrm{\η}}^d}$

式中：分别为t时段水泵和水轮机输出功率，为决策变量；g^c,max、g^d,max分别为水泵和水轮机的最大输出功率；布尔变量分别表示t时段水泵、水轮机是否工作，是则置1，否则置0；S_t为t时段抽水蓄能电站等效储电量；S^max为抽水蓄能电站等效储电量上限；S_i、S_f分别为抽水蓄能电站始、末等效储电量；η^c、η^d分别为水泵和水轮机效率；

3)VPP内部功率平衡约束：

$\underset{w=1}{\overset{n_w}{\Σ}}{g}_{w,t}+\underset{s=1}{\overset{n_s}{\Σ}}{g}_{s,t}+\underset{i=1}{\overset{n_i}{\Σ}}{g}_{i,t}+g_t^d=L_t+P_t+g_t^c$

式中：n_w、n_s分别为风电机组和光伏机组数量；g_w,t、g_s,t分别为t时段风电机组w、光伏机组s输出功率。

3.根据权利要求1所述的虚拟电厂日前调度优化模型，其特征在于：所述步骤2包括以下步骤：

对于优化问题：

$\underset{x}{max}f(x,\mathrm{\γ})$

h(x,γ)＝0

$\underset{\‾}{g}\≤g(x,\mathrm{\γ})\≤\stackrel{\‾}{g}$

γ∈Γ

式中：f为目标函数；γ为不确定量；x为决策变量；h、g分别为等式和不等式约束；Г为不确定量的集合，可以表示为：

$\∀\mathrm{\γ}\∈\mathrm{\Γ}(\stackrel{\‾}{\mathrm{\γ}},\mathrm{\ζ})=\{\mathrm{\γ}:|\frac{\mathrm{\γ}-\stackrel{\‾}{\mathrm{\γ}}}{\stackrel{\‾}{\mathrm{\γ}}}|\≤\mathrm{\ζ}\}$

式中：为不确定量的预测值；ζ为不确定量的偏差系数；

将不确定量用预测值替代，即：

$\underset{x}{max}{f}^b(x,\stackrel{\‾}{\mathrm{\γ}})$

$h(x,\stackrel{\‾}{\mathrm{\γ}})=0$

$\underset{\‾}{g}\≤g(x,\stackrel{\‾}{\mathrm{\γ}})\≤\stackrel{\‾}{g}$

将所得的目标函数最优值设为基准值，若不确定量的实际值偏离预测值，所得到的优化结果也会偏离基准值；

根据决策方案的不同，IGDT分为RAS和RSS，决策者可根据实际情况选择所需策略；

RAS旨在最大化规避不确定性对优化结果的影响，在RAS中，决策者设定低于基准值的目标函数阈值，并以偏差系数最大为优化目标：

$\underset{x}{max}\widehat{\mathrm{\ζ}}$

h(x,γ)＝0

$\underset{\‾}{g}\≤g(x,\mathrm{\γ})\≤\stackrel{\‾}{g}$

式中：为最大不确定半径；Λ^c为目标函数的阈值，通常取为一定比例的基准值；为规避系数；

RSS倾向于在不确定性风险中寻找可能获得的最大收益，其以偏差系数最小为优化目标：

$\underset{x}{min}\widehat{\mathrm{\ζ}}$

h(x,γ)＝0

$\underset{\‾}{g}\≤g(x,\mathrm{\γ})\≤\stackrel{\‾}{g}$

式中：Λ^o为目标函数的阈值；为偏好系数；

IGDT以单个不确定量的偏差系数为目标函数，因此无法适用于同时处理风电和光伏出力不确定性的情况，本文通过赋予风光出力偏差系数不同的权重，解决了上述问题：

ζ^w＝μ^wζ

ζ^s＝μ^sζ

μ^w+μ^s＝1

式中：ζ^w、ζ^s分别为风电和光伏出力偏差系数；μ^w、μ^s为偏差系数的权重。

4.根据权利要求1所述的虚拟电厂日前调度优化模型，其特征在于：所述步骤3包括以下步骤：

将电价随机规划模型所得的目标函数最优值设为基准值F^b，采用IGDT处理风光出力的不确定性，表示如下：

1)基于混合随机规划和RAS的VPP模型：

maxζ

$\underset{t=1}{\overset{T}{\Σ}}\underset{p=1}{\overset{n_p}{\Σ}}\mathrm{\π}\left(p\right)\×({\mathrm{\λ}}_{p,t}{P}_t+{\mathrm{\λ}}_t^1{L}_t-C_t^{gt})\≥{\mathrm{\Λ}}^c$

$g_{w,t}=g_{w,t}^f(1-{\mathrm{\ζ}}^w)$

$g_{s,t}=g_{s,t}^f(1-{\mathrm{\ζ}}^s)$

式中：F^c为RAS模型目标利润，亦为目标函数阈值；分别为风电和光伏出力预测值；

2)基于混合随机规划和RSS的VPP模型：

minζ

$\underset{t=1}{\overset{T}{\Σ}}\underset{p=1}{\overset{n_p}{\Σ}}\mathrm{\π}\left(p\right)\×({\mathrm{\λ}}_{p,t}{P}_t+{\mathrm{\λ}}_t^1{L}_t-C_t^{gt})\≥{\mathrm{\Λ}}^o$

$g_{w,t}=g_{w,t}^f(1+{\mathrm{\ζ}}^w)$

$g_{s,t}=g_{s,t}^f(1+{\mathrm{\ζ}}^s)$

式中：F^o为RSS模型目标利润，即目标函数阈值；

为统一化RAS和RSS，方便后续分析，定义目标系数当所选策略为RAS时，当所选策略为RSS时，

5.根据权利要求1所述的虚拟电厂日前调度优化模型，其特征在于：所述步骤4包括以下步骤：

在IGDT模型中，决策者需设定风光出力权重、选择RAS或RSS策略以及对应的规避系数和偏好系数。决策方案不同，VPP面临的风险也不同。RAS能很好的规避不确定性带来的风险，规避系数越大，目标利润越小，VPP面临的风险也越小；RSS以面临更大的风险为代价寻求更多的获益，偏好系数越大，目标利润越大，风险性也越大；因此，建立合理的指标，量化VPP面临的风险，能更好的比较不同决策方案对应的风险程度，从而为决策者提供有效参考；系统风险的度量指标一般与失负荷量、失负荷持续时间等挂钩，本文主要考虑失负荷量，其对应的风险成本为：

$C_t^{ens}={\mathrm{\λ}}_t^{ens}{P}_t^{ens}$

式中：为t时段失负荷量，当VPP内供应电量大于需求电量时，相反，若VPP供电量不足以满足负荷和电力市场需求，则

$P_t^{ens}=L_t+P_t+g_t^c-\underset{w=1}{\overset{n_w}{\Σ}}{g}_{w,t}-\underset{s=1}{\overset{n_s}{\Σ}}{g}_{s,t}-\underset{i=1}{\overset{n_i}{\Σ}}{g}_{i,t}-g_t^d$

式中：为t时段失负荷罚金，当VPP无法供给系统内负荷，需强制切除负荷时，需给予相应的补偿。由于不同时段失负荷对用户的影响程度不同，本文将失负荷罚金和电力市场电价挂钩：

${\mathrm{\λ}}_t^{ens}={\mathrm{\ω\λ}}_t^p$

式中：ω为风险系数，即失负荷罚金与电力市场电价的比值；

目标利润减去风险成本，即为考虑风险时VPP利润；

为计算VPP风险成本，采用蒙特卡罗方法模拟风光出力情况，由于每次蒙特卡罗模拟产生的场景不同，失负荷量也并不相同，选择任一场景来表征失负荷量都不尽合理，因此，本文采用期望值表示t时段VPP失负荷量，所得表达式如下：

$E\left(P_t^{ens}\right)=\underset{d=1}{\overset{n_d}{\Σ}}\left(\frac{1}{n_d}{P}_{d,t}^{ens}\right)$

式中：n_d为场景数；为t时段d场景失负荷量。