本发明属于虚拟电厂,尤其涉及一种虚拟电厂优化调度方法。
背景技术:
1、随着能源危机和环境污染的日益严重,清洁能源的开发和利用已受到各国的高度重视。然而风能的随机性和波动性使得大规模风电场并网下的电力系统运行中不确定因素增多。近年来,中国风光装机容量不断增加,但因其具有单机容量小、地域分散、并网具有较大的随机性和波动性的特性,大规模接入会给电网的可靠性带来巨大的挑战。为了有效解决利用可再生能源所带来的威胁,虚拟电厂(virtual power plant,vpp)应运而生。vpp是通过将各种分布式电源、储能系统营,缓解了可再生能源接入电网造成波动的同时,还增加了vpp各组成部分的经济效益。
2、国内外对于含风电场电力系统调度模型方面做了大量研究。虚拟电厂存在源荷不确定性的问题会导致虚拟电厂在获取收益同时也要面对一定的风险损失。随着风电并网容量的不断增加,传统的确定性优化调度方法已难以满足电力系统安全运行要求。且因调节能力不足会导致大量的弃风、弃光问题。
技术实现思路
1、本发明目的在于提供一种虚拟电厂优化调度方法,以解决虚拟电厂存在源荷不确定性的问题会导致虚拟电厂在获取收益同时也要面对一定的风险损失的技术问题。
2、为实现上述目的,本发明的一种虚拟电厂优化调度方法的具体技术方案如下:
3、一种虚拟电厂优化调度方法,包括以下步骤:
4、步骤s1、虚拟电厂(virtual power plant,vpp)机组建模:
5、步骤s1-1、风电机组
6、风电机组的输出功率为:
7、
8、式中,pwpp(t)为风电机组在t时刻的输出功率;rt为在t时刻的自然风风速;ri为风电机组的切入风速;ro为风电机组的切出风速;rq为风电机组的额定风速;pq为风电机组的额定输出功率。
9、步骤s1-2、光伏机组
10、光伏机组的输出功率为:
11、ppv(t)=ηpvspvθt (2)
12、式中,ppv(t)为光伏机组在t时刻的输出功率;ηpv为光伏板的转换效率;spv为光伏板的面积;θt为在t时刻的光照强度;
13、步骤s1-3、微型燃气轮机
14、微型燃气轮机发电成本为:
15、
16、式中,cmgt(t)为微型燃气轮机在t时段的发电成本;pmgt,t为微型燃气轮机在t时段的输出功率;a为微型燃气轮机发电成本的二次项系数;b为微型燃气轮机发电成本的一次项系数;c为微型燃气轮机发电成本的常数项;
17、步骤s1-4、储能系统
18、储能系统的充放电双向特性如下:
19、-pes,max≤pes,e,t≤pes,man (4)
20、其中,pes,e,t为储能系统在t时段的充放电功率;pes,man为储能系统充放电功率的最大值;
21、步骤s2、vpp的收益与成本建模:
22、步骤s2-1、虚拟电厂的购售电收益
23、
24、其中,εo(t)和εt(t)分别为虚拟电厂在t时刻的售电价格和购电价格;pvpp,o(t)和pvpp,t(t)分别为虚拟电厂在t时刻的售电量和购电量;
25、步骤s2-2、虚拟电厂的环境惩罚成本
26、
27、其中,xor,n为数值取0或1的变量,在值为1时,n机组开启,在值为0时,n机组关闭;ep(m)为机组在功率p下m类污染物的排放量;f(m)为m类排放物的罚款金额;por,n(t)为t时刻机组的功率;
28、步骤s2-3、虚拟电厂所选机组的租赁成本
29、
30、其中,xpv,i、xwpp,j、xor,k、xes,e分别为光伏机组i、风电机组j、微燃机组k、第e台储能系统的0/1变量,该机组被虚拟电厂租赁取值为1,该机组未被虚拟电厂租赁取值为0;pes,e,ec(t)、pes,e,ed(t)分别为第e台储能系统在时刻的充电、放电功率;pil(t)电厂中可中断负荷在t时刻的功率;cil为可中断负荷单位电量的补偿成本;lppv,i、lpwpp,j、oces,e,op、lpes,e分别为光伏机组i、风电机组j、微燃机组k、第e台储能系统的单位输出功率的租赁费用;
31、步骤s2-4、虚拟电厂所选机组的运行维护成本
32、
33、其中,ocmgt,k,op、oces,e,op分别为微燃机组k、第e台储能系统的单位输出功率的运行费用;
34、步骤s2-5、虚拟电厂的条件风险价值(conditional value-at-risk,cvar)
35、
36、其中,v为边界值;b为提前给定的置信度,取0.5;dv为决策向量;lf为损失函数,其值取虚拟电厂的收益负值;
37、步骤s3、虚拟电厂vpp的运行约束条件:
38、步骤s3-1、微燃机运行约束
39、pmgt,i,min≤pmgt,i(t)≤pmgt,i,max (10)
40、
41、其中,pmgt,i(t)、pmgt,i(t-1)分别为微燃机组i在t时刻和t-1时刻的功率;pmgt,i,min、pmgt,i,max分别为微燃机组i的最小、最大输出功率;分别为微燃机组i的向下、向上爬坡功率;
42、步骤s3-2、储能系统的荷电状态和充、放电约束
43、
44、(1-cd,max)si,man≤si(t)≤si,man (13)
45、0≤pes,i,ec(t)≤cec(t)pes,i,ec,max (14)
46、0≤pes,i,ed(t)≤ced(t)pes,i,ed,max (15)
47、cec(t)+ced(t)≤1 (16)
48、其中,si(t)、si(t-1)分别为第i台储能系统在t时刻、t-1时刻的荷电状态;γec、γed分别为储能系统的充电、放电效率系数;si,man为第i台储能系统荷电状态的上限值;cd,max为储能系统的最大放电深度;pes,i,ec(t)、pes,i,ed(t)分别为第i台储能系统在t时刻的充电、放电功率;pes,i,ec,max、pes,i,ed,max分别为第i台储能系统的最大允许充电、最大允许放电功率:cec(t)、ced(t)分别为储能系统在t时刻是否处于充电、放电的状态值,是则取1,否则取0,两者不可以同时为1;
49、步骤s3-3、可中断负荷约束
50、0≤pil(t)≤sfilpl(t) (17)
51、其中,pl(t)为虚拟电厂中的电力负荷;sfil为虚拟电厂中电力负荷中的可中断负荷的比例系数;
52、步骤s3-4、功率平衡约束
53、
54、步骤s3-5、备用容量约束
55、预先设置备用容量约束,具体的约束公式为:
56、
57、
58、其中,r+(t)为vpp在t时刻所需要的上旋转备用容量;r+(t)为vpp在t时刻所需要的下旋转备用容量;
59、步骤s3-6、系统风险约束
60、根据调度人员对于风险性的要求,令风险系数小于某一阈值:
61、rf(p)≤δ (21)
62、其中rf(p)为风险系数,风险系数rf(p)定义如下:
63、rf(p)=max{max(ps,t,pn,t)|t=1,2,…,24} (22)
64、
65、ppl,t=pal,t-pw,t (24)
66、si,t=min(pi,t,max-pi,t,uit10) (25)
67、ni,t=min(pi,t-pi,t,max,dit10) (26)
68、其中,rf(p)表示调度方案在所有调度时段正或负旋转备用不足概率最大值;si,t、ni,t别表示机组i在时刻t可提供的正负旋转备用容量;ppl,t、pal,t、pw,t分别表示系统时刻t的净负荷、实际负荷、风电场总出力;ui、di分别表示机组i的分钟级上下爬坡速率;t10表示旋转备用响应时间,取值10min;e(ppl,t)表示ppl,t的期望值;
69、步骤s4、场景选择:
70、风光随机场景生成
71、采用随机模拟法来计算风险价值;
72、概率密度分布函数分别为:
73、
74、
75、式中:γ为gamma函数;α和β为形状系数;r为太阳辐照度;rmax为太阳辐照度的最大值;p为实时风电功率;k为形状参数;c为分布系数;
76、根据风光概率密度分布,利用抽样算法获得大量概率预测场景;
77、步骤s5、确认目标函数:
78、
79、其中,ηi为场景i发生的概率;l为权重系数,其表现vpp管理者的风险偏好,l≥0;当l取较小的值时,管理者的选择比较激进,希望获取较高的收益,但同时会面对较大的风险损失;当取较大的值时,管理者选择比较保守,获取的收益较低,但同时会面对的风险损失较小;
80、步骤s6、结果分析。
81、进一步,所述步骤s4中,利用抽样算法获得大量概率预测场景,拉丁超立方抽样(latin hypercube sampling,lhs)主要包括区间抽样和样本相关性排序:
82、步骤s4-1、抽样
83、假设n个服从某概率分布的独立随机变量xn,的概率累计函数zn为:
84、zn=fn(xn),n=1,2,…,n (30)
85、设抽样规模为m,将取值区间[0,1]均分为m个区间,并从每个等距区间中随机生成一个抽样值,每个区间只生成一个抽样值;抽样值可表示为:
86、
87、其中,um为m个区间的抽样值;u为0或1的随机数;
88、得到m个抽样值后,利用反函数可得到xn的第m个抽样值xm为:
89、
90、变量xn抽样结束后,得到m个抽样值;当n个变量全部抽样结束后,即构成一个n×m阶的初始样本矩阵xs;
91、步骤s4-2、排序
92、获得初始样本矩阵xs后,采用cholesky分解法对采样矩阵重新排序,降低矩阵内元素的相关性,提高抽样精度,最终获得排序后的n×m阶样本矩阵xn;
93、样本矩阵xn中行元素代表调度周期内某时间区间风/光出力抽样值,列元素代表一个调度周期内各时间区间风光出力的抽样值,即形成含m个风/光随机预测场景的场景集以及各自场景出现的概率;
94、采用k-均值聚类算法对数量削减后的风光随机场景集进行相关性聚类分析。
95、进一步,所述步骤s4中k-均值算法包括以下步骤:首先在某一数据集中随机选取k个样本作为初始聚类中心;然后计算所有样本点与聚类中心的距离,按照距离最近原则,将样本点划分到相应的簇中;在每次迭代过程中重新计算得到新的聚类中心:当聚类中心不再变化或者达到指定条件时,输出聚类结果;
96、设数据集d(x1,2,...,xn)中含n个样本,随机选取k个初始聚类中心后,则d中任意两个样本间的距离为:
97、
98、其中,d(xj,xk)—样本点与间的距离,距离越小表示两个样本越相似;
99、当初始聚类中心选定后,算法迭代过程将自动运行,而选择不同初始聚类中心对聚类过程稳定性和聚类结果有较大影响;
100、计算样本间的误差平方和来优化初始聚类中心;数据集d中样本的误差平方和sd为:
101、
102、其中,cl为第l个初始聚类中心;sd越小表示样本点越密集。
103、根据式(34)计算数据集d中样本的误差平方和sd,并选取其中最小值作为新的初始聚类中心,将上式迭代k次后获得k个优化初始聚类中心;得到新的聚类中心后对风光数据集进行聚类优化计算,将n×n个风光随机场景进一步聚类优化为n个风光典型预测场景。
104、本发明的一种虚拟电厂优化调度方法具有以下优点:
105、1.采用随机优化处理风光不确定性问题,通过拉丁超立方抽样生成大量随机风光场景,并在充分考虑风光相关性和分布随机特性的基础上,k-均值聚类算法对随机场景进行降维优化,获得风电、太阳直接辐照度典型预测场景;
106、2.采用条件风险价值作为风险度量的指标,以运行收益最大化和风险损失最小化为优化目标,建立基于条件风险价值点(cvar)风险控制的多电源虚拟电厂机组动态聚合优化模型;
107、3.针对不同运行场景求解目标函数,获得各机组最优出力计划,验证所提调度策略对提升系统经济性、促进风电并网消纳的有效性和可行性。