CN103903066A - 一种虚拟电厂分层随机优化调度方法 - Google Patents

Abstract

本发明公开了一种虚拟电厂分层随机优化调度方法，首先建立包括上层虚拟电厂层和下层微电网层的虚拟电厂两层协调优化调度模型，其中下层各微电网优化调度模型为机会约束模型，模型中采用经验分布函数描述不可控微电源独立状态下出力概率分布，并依据不可控微电源联合直方图选择Copula函数建立联合概率分布模型。然后利用抽样平均近似法和KKT最优性条件将虚拟电厂两层协调优化调度模型转化为单层确定性模型并求解，对虚拟电厂进行最优调度。本发明方法可兼顾虚拟电厂内多个微电网间的协调运行；利用概率分布与Copula相关性分析可充分考虑不可控微电源随机性与相关性对优化调度问题的影响，可实现虚拟电厂协调随机优化调度。

Description

一种虚拟电厂分层随机优化调度方法

技术领域

本发明属于电力优化调度技术领域，涉及一种虚拟电厂分层随机优化调度方法。

背景技术

世界能源消费的持续增长及环境污染的不断加重促进了分布式电源的广泛使用。但随着分布式电源大规模接入，大量地域分散、所属权各异的分布式电源如何运行管理，是绿色能源推广应用所面临的难题。虚拟电厂为分布式电源运行管理提供了现实可行的解决方案。虚拟电厂可让分布式电源更好地融入到智能电网中并参与电力市场的交易和电力***的调度。

虚拟电厂把多个分散的分布式电源、储能装置和负荷集成起来，虚拟成一个独立的发电个体，具有类似传统发电厂一样的可控性，可向电网提交发电计划和负荷需求。但虚拟电厂内含大量的分布式电源，而风力、光伏等不可控分布式电源受自然条件影响较大，具有很强的随机性与波动性，因此如何有效处理不可控分布式电源，解决虚拟电厂优化调度问题具有重大意义，但现有研究的虚拟电厂优化模型，有些直接忽略其内部不可控分布式电源的不确定性，有些虽考虑了随机性因素，但模型均是在各分布分布式电源相互独立的条件下建立的，忽略了虚拟电厂内分布式电源出力的相关特性。事实上，同一区域内的分布式电源由于地理位置相近，风电场与光伏电站、光伏电站间以及风电场间存在很大的相关性，其对虚拟电厂优化调度也产生了重要影响。且对于含多个微电网的虚拟电厂其优化调度需考虑多个微电网间的协调运行，现有研究也很少或基本没涉及含多个微电网的虚拟电厂优化调度。

对含多个微电网的虚拟电厂，其优化调度需考虑多个微电网间的协调运行，而对于每个微电网自身，又各自包含多个分布式电源、负荷等单元，需确定自身优化调度策略，实现各微电网内部能量平衡，且虚拟电厂内大量的不可控分布式电源具有很强随机性与相关性。因此如何兼顾虚拟电厂总体调度目标和各微电网局部目标利益，如何有效处理不可控分布式电源的不确定性与相关性，是大规模虚拟电厂推广应用所面临的实际问题，也是虚拟电厂优化调度不得不考虑的重要问题。

发明内容

技术问题：本发明提供一种可实现虚拟电厂内多个微电网间的协调运行、简化了控制难度的虚拟电厂分层随机优化调度方法。

技术方案：本发明的虚拟电厂分层随机优化调度方法，包括以下步骤：

1）针对含多个微电网的虚拟电厂分层分布特点，建立包括上层虚拟电厂层和下层微电网层的虚拟电厂两层协调优化调度模型；

其中下层微电网层是按照以下方法建立的：利用概率分布与Copula函数来描述不可控微电源的随机性与相关性，得到的各微电网机会约束随机优化模型即为下层微电网层，此模型包括优化目标、确定性约束条件和不确定性约束条件；

2）基于随机优化和分层优化求解策略，利用抽样平均近似法和KKT最优性条件将两层协调优化调度模型转化为单层确定性模型，然后求解单层确定性模型，得到微电源最优出力和储能装置的充放电功率，以及微电网向大电网提交的发电计划；

3）根据步骤2）得到的微电源最优出力和储能装置的充放电功率，以及微电网向大电网提交的发电计划，对虚拟电厂进行最优调度。

本发明方法的一个优选方案中，步骤1）中建立的各微电网机会约束随机优化模型包括优化目标、确定性约束条件和不确定性约束条件，其中不确定性约束条件按照以下方式建立：

首先采用经验分布函数描述不可控微电源独立状态下的出力概率分布；然后建立各不可控微电源出力的联合概率直方图；最后根据各不可控微电源出力的联合概率直方图选择Copula函数建立不可控微电源的联合概率分布模型。

本发明方法的一个优选方案中，步骤2）的具体流程为：首先采用抽样平均近似法将步骤1）建立的虚拟电厂两层协调优化调度模型转化为两层确定性优化调度模型；然后采用KKT最优性条件将所述两层确定性优化调度模型转化为单层确定性优化调度模型；最后对转换后的单层确定性优化调度模型进行求解。

有益效果：本发明与现有技术相比，具有以下优点：

本发明针对含多个微电网的虚拟电厂分层分布特点，提出了虚拟电厂两层协调优化调度模型，突破了传统单一层次的电力调度模式，可实现虚拟电厂内多个微电网间的协调运行；虚拟电厂内风力、光伏等不可控微电源受自然条件影响具有很强的随机性与相关性，本发明在下层各微电网优化调度模型中利用概率分布和Copula函数充分考虑了不可控微电网的随机性与相关性，弥补了传统调度模型中不可控微电源为确定性、出力相互独立的缺陷；本发明利用抽样平均近似法和KKT最优性条件将虚拟电厂两层协调优化调度模型转化为单层确定性模型，大大简化了求解难度。

附图说明

图1为虚拟电厂分层随机优化调度流程图。

具体实施方式

下面结合实施例和说明书附图对本发明作进一步详细描述。

本发明的虚拟电厂分层随机优化调度方法，包括以下步骤：

1）针对含多个微电网的虚拟电厂分层分布特点，建立包括上层虚拟电厂层和下层微电网层的虚拟电厂两层协调优化调度模型，上下两层决策通过各自的决策变量相互影响、相互作用。

其中上层依据电网需求设立虚拟电厂总体调度目标。本发明中以虚拟电厂利润最大为目标，以虚拟电厂发电计划约束为约束条件。

(1)目标函数：

其中，F为虚拟电厂利润，ρ_plan为虚拟电厂出售电能给大电网的单位电价，ρ_load虚拟电厂出售电能给用户的单位电价，P_i,plan为微电网i向大电网提交的发电计划，P_i,load为微电网i内部的用电需求，

为第i个微电网的发电成本，N为微电网个数。

(2)约束条件：

虚拟电厂发电计划约束：虚拟电厂对外呈现发电厂特性，其内部电能需满足

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{i,\mathrm{BT}\_\mathrm{ch}}\·{\mathrm{\η}}_{i,\mathrm{BT}}^{\mathrm{ch}}-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{i,\mathrm{load}}=\underset{i=1`}{\overset{N}{\mathrm{\Σ}}}{P}_{i,\mathrm{load}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{i,\mathrm{plan}}---\left(2\right)$

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_i+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{i,\mathrm{BT}\_\mathrm{disch}}\·{\mathrm{\η}}_{i,\mathrm{BT}}^{\mathrm{disch}}-\underset{i=1`}{\overset{N}{\mathrm{\Σ}}}{P}_{i,\mathrm{load}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{i,\mathrm{plan}}---\left(3\right)$

其中，P_i为虚拟电厂内微电网i所有微电源出力总和，且满足

r_ij为第i个微电网中第j个微电源，r_i为第i个微电网中微电源总数，

为微电源r_ij出力,P_{i,BT_ch}、P_{i,BT_disch}为微电网i内的蓄电池充、放电功率，为微电网i内的蓄电池充、放电效率。

下层各微电网充分考虑内部不可控微电源的随机性与相关性，建立各微电网机会约束随机优化模型，该模型包括优化目标、确定性约束条件和不确定性约束条件。

(2)目标函数：

本发明中的各微电网均以发电成本最小为目标，具体表达式为

$\min C_F^i=\min \underset{r_{\mathrm{ij}}=1}{\overset{r_i}{\mathrm{\Σ}}}{C}_{r_{\mathrm{ij}}}\left(P_{r_{\mathrm{ij}}}\right),i=\mathrm{1,2}...N---\left(4\right)$

其中，

为微电源r_ij的成本函数，其他如前所述。

(2)确定性约束条件：

各微电网确定性约束条件包括电能平衡约束、各可控微电源发电功率约束、各微电网与大电网传输功率约束以及蓄电池充放电约束。

(2.1)第i个子微电网内功率平衡约束：

$\underset{r_{\mathrm{ij}}=1}{\overset{r_j}{\mathrm{\Σ}}}{P}_{r_{\mathrm{ij}}}+P_{i,\mathrm{BT}\_\mathrm{ch}}\·{\mathrm{\η}}_{i,\mathrm{BT}}^{\mathrm{ch}}-P_{i,\mathrm{plan}}=P_{i,\mathrm{load}}---\left(5\right)$

$\underset{r_{\mathrm{ij}}=1}{\overset{r_j}{\mathrm{\Σ}}}{P}_{r_{\mathrm{ij}}}+P_{i,\mathrm{BT}\_\mathrm{cisch}}\·{\mathrm{\η}}_{i,\mathrm{BT}}^{\mathrm{disch}}-P_{i,\mathrm{plan}}=P_{i,\mathrm{load}}---\left(6\right)$

(2.2)第i个子微电网内可控微电源出力约束：

$P_{r_{\mathrm{ij}}}^{\min }\≤P_{r_{\mathrm{ij}}}\≤P_{r_{\mathrm{ij}}}^{\max },r_{\mathrm{ij}}=\mathrm{1,2}...{r_i}^j---\left(7\right)$

其中，r_i ^j为第i个子微电网内可控微电源总数。

(2.3)第i个子微电网与大电网传输线功率上下限约束：

$P_{i,\mathrm{plan}}^{\min }\≤P_{i,\mathrm{plan}}\≤P_{i,\mathrm{plan}}^{\max }---\left(8\right)$

其中，

分别为第i个子微电网与大电网传输线功率下限和上限。

(2.4)第i个子微电网内蓄电池充放电约束：

$P_{i,\mathrm{BT}\_\mathrm{ch}}^{\min }\≤P_{i,\mathrm{BT}\_\mathrm{ch}}\≤P_{i,\mathrm{BT}\_\mathrm{ch}}^{\max }---\left(9\right)$

$P_{i,\mathrm{BT}\_\mathrm{disch}}^{\min }\≤P_{i,\mathrm{BT}\_\mathrm{disch}}\≤P_{i,\mathrm{BT}\_\mathrm{disch}}^{\max }---\left(10\right)$

${\mathrm{SOC}}_{\min }^i\≤{\mathrm{SOC}}_i\≤{{\mathrm{SOC}}^i}_{\max }---\left(11\right)$

其中，

为微电网i内的蓄电池充电功率下限和上限，

为微电网i内的蓄电池放电功率下限和上限，SOCⁱ _min,SOCⁱ _max为微电网i内的蓄电池荷电状态下限和上限，SOC_i为微电网i内的蓄电池荷电状态。

(3)不确定性约束条件：

虚拟电厂内各微电网中风电场与光伏电站出力受自然条件的影响具有较强的随机性与波动性，且同一地区的风电场与风电场、风电场与光伏电站、光伏电站与光伏电站出力之间具有一定的相关性，故采用机会约束的形式表示其运行约束，第i个子微电网内不可控微电源出力约束表达式为：

$\mathrm{Pr}\{P_{r_{\mathrm{ij}}}\≤p_{r_{\mathrm{ij}}},r_{\mathrm{ij}}={r_i}^j+1,{r_i}^j+2,...,r_i\}\≥\mathrm{\α}---\left(12\right)$

其中，

为第i个子微电网内不可控微电源（风力、光伏）出力，且其出力满足copula联合概率分布式，Pr{·}为不等式成立的概率值，α为事先给定置信水平，其中该约束的copula联合概率分布式建立过程如下：

①在已知不可控微电源（如风电场和光伏电站）功率实测数据的情况下，利用经验分布函数来估计各风电场以及各光伏电站的功率分布函数，其经验分布函数表达式可表示为如下形式：

$F\left(p_{r_{\mathrm{ij}}}\right)=\left\{\begin{array}{cc}0& p_{r_{\mathrm{ij}}}<p_{r_{\mathrm{ij}}\left(1\right)}\\ \underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_k& p_{r_{\mathrm{ij}}\left(m\right)}<p_{r_{\mathrm{ij}}}<p_{r_{\mathrm{ij}}(m+1)},(m=\mathrm{1,2},...n-1)\\ 1& p_{r_{\mathrm{ij}}>}{p}_{r_{\mathrm{ij}}\left(n\right)}\end{array}\right.---\left(13\right)$

②依据以上经验分布函数建立同一微电网内不可控微电源出力的联合概率直方图。

③根据各微电网内不可控微电源联合直方图相关特性，选择copula函数来描述其相关性。Copula函数是1959年Sklar所提出的，他指出可以将一个联合分布分解为它的k个边缘分布和一个Copula函数，Copula函数实际上是一种将联合分布与它们各自的边缘分布连接在一起的函数，因此也称为连接函数，该函数可以用来表示多个随机变量间的相关性。

A、对含多个风电场的微电网，所选择的copula函数应满足各风电场间的相关性，如对具有下厚尾特性的2个风电场可选择Clayton-copula函数来构建其联合概率分布计算模型：

$H(p_1,p_2)=C(F_1\left(p_1\right),F_2\left(p_2\right))=\max [{({\left(f_1\left(p_1\right)\right)}^{-\mathrm{\&theta;}}+{\left(F_2\left(p_2\right)\right)}^{-\mathrm{\&theta;}}-1)}^{\frac{1}{\mathrm{\&theta;}}},0]---\left(14\right)$

其中，C为Clayton-copula函数，p₁,p₂分别为2个风场的出力，均服从经验概率分布式(13)，并分别记为F₁(p₁),F₂(p₂)，θ为联合分布的连接参数。

B、对含多个风电场和光伏电站的微电网，所选择的copula函数应满足各风电场与各光伏电站间的相关性。如对具有对称相依性的风电场和光伏电站可选择Frank-copula函数来构建其联合概率分布计算模型：

$H(p_1,p_2)=C(F_1\left(p_1\right),F_2\left(p_2\right))=-\frac{1}{\mathrm{\&theta;}}\ln (1+\frac{(e^{-\mathrm{\&theta;}{F}_1\left(p_1\right)}-1)(e^{-\mathrm{\&theta;}{F}_2\left(p_2\right)}-1)}{e^{-\mathrm{\&theta;}}-1})---\left(15\right)$

其中，C为Frank-copula函数，p₁,p₂分别为风电场和光伏电站的出力，均服从经验概率分布式(13)，并分别记为F₁(p₁),F₂(p₂)，θ为联合分布的连接参数。

C、对含光伏电站的微电网，所选择的copula函数应满足各各光伏电站间的相关性。如对具有上厚尾特性的2个光伏电站可选择Gumbel-copula函数来构建其联合概率分布计算模型：

$H(p_1,p_2)=C(F_1\left(p_1\right),F_2\left(p_2\right))=-\frac{1}{\mathrm{\&theta;}}\exp \{-[{(-\ln F_1\left(p_1\right))}^{\mathrm{\&theta;}}+{(-\ln F_2\left(p_2\right))}^{\mathrm{\&theta;}}\left]\right\}--\left(16\right)$

其中，C为Gumbel-copula函数，p₁,p₂分别2个光伏电站的出力，均服从经验概率分布式(13)，并分别记为F₁(p₁),F₂(p₂)，θ为联合分布的连接参数。

2）基于随机优化求解策略，利用蒙特卡诺模拟及抽样平均近似法将下层各微电网机会约束随机优化模型转化为确定性优化模型；再基于分层优化求解策略，应用KKT最优性条件将虚拟电厂两层确定性模型转化为单层确定性模型；求解转化后的单层确定性模型，得到微电源最优出力和储能装置的充放电功率，以及微电网向大电网提交的发电计划。其中KKT(Karush-Kuhn-Tucker，卡罗需-库恩-塔克)最优化条件是Karush以及Kuhn和Tucker提出的，该方法可作为判断优化问题中最优点是否为约束极值点的依据。

3）根据步骤2得到的微电源最优出力和储能装置的充放电功率，以及微电网向大电网提交的发电计划，对虚拟电厂进行最优调度。

以上实施例仅仅是对本发明方案的进一步具体说明，在阅读了本发明实施例之后，本领域普通技术人员对本发明的各种等同形式的修改和替换均属于本发明申请权利要求所限定的保护的范围。

Claims (3)

1.一种虚拟电厂分层随机优化调度方法，其特征在于，该方法包括以下步骤：

1）针对含多个微电网的虚拟电厂分层分布特点，建立包括上层虚拟电厂层和下层微电网层的虚拟电厂两层协调优化调度模型；

所述下层微电网层是按照以下方法建立的：利用概率分布与Copula函数来描述不可控微电源的随机性与相关性，得到的各微电网机会约束随机优化模型即为下层微电网层；

2）基于随机优化和分层优化求解策略，利用抽样平均近似法和KKT最优性条件将两层协调优化调度模型转化为单层确定性模型，然后求解单层确定性模型，得到微电源最优出力和储能装置的充放电功率，以及微电网向大电网提交的发电计划；

3）根据所述步骤2）得到的微电源最优出力和储能装置的充放电功率，以及微电网向大电网提交的发电计划，对虚拟电厂进行最优调度。

2.如权利要求1所述的虚拟电厂分层随机优化调度方法，其特征在于，所述步骤1）中建立的各微电网机会约束随机优化模型包括优化目标、确定性约束条件和不确定性约束条件，所述不确定性约束条件按照以下方式建立：

首先采用经验分布函数描述不可控微电源独立状态下的出力概率分布；然后建立各不可控微电源出力的联合概率直方图；最后根据各不可控微电源出力的联合概率直方图选择Copula函数建立不可控微电源的联合概率分布模型。

3.如权利要求1或2所述的虚拟电厂分层随机优化调度方法，其特征在于，所述步骤2）的具体流程为：首先采用抽样平均近似法将所述步骤1）建立的虚拟电厂两层协调优化调度模型转化为两层确定性优化调度模型；然后采用KKT最优性条件将所述两层确定性优化调度模型转化为单层确定性优化调度模型；最后对转换后的单层确定性优化调度模型进行求解。

Images