CN108053057B - 一种基于CVaR的虚拟电厂优化调度建模方法 - Google Patents

Abstract

本发明提出了一种基于条件风险价值CVaR的VPP优化调度建模方法，用风险的理论去探讨VPP调度优化问题，VPP中含有大量风光等可再生能源，其出力与常规能源不同，具有很强的间隙性及波动性，因此VPP优化调度问题是一个具有不确定性的问题，从而使得调度VPP有可能面临风险，而利用CVaR理论可以准确地度量VPP在调度运行中的风险，从而权衡经济性与风险性。本发明在传统VPP调度运行的目标函数中，加入了度量风险的CVaR项，使得该问题数学模型的目标函数不仅考虑总成本最小，还要考虑风险最小，将CVaR乘上一个权重系数加入目标函数，从而将多目标问题转化为单目标问题求解。本发明还对不同风险偏好的运营商进行分级，为不同风险偏好的VPP运营商提供具有指导性的方案。

Description

一种基于CVaR的虚拟电厂优化调度建模方法

技术领域

本发明属于电力***运行与调度技术领域，特别涉及一种基于CVaR的虚拟电厂优化调度建模方法。

背景技术

传统发电带来的环境污染以及当今世界可持续发展的理念促使包括风力和光伏发电在内的可再生能源迅速发展。但是，可再生能源发电具有很强的随机性和不可控性，风电和光伏的单独并网会影响到电力***的安全运行。为了克服上述缺点，国内外学者提出了虚拟发电厂(virtual power plant,VPP)[3-4]的概念。

VPP通过对各类分布式发电机组(Distributed Generator,DG)、可控负荷(dispatchable load,DL)和分布式储能设施(Ditributed Energy Storage,DES)等设备的有机聚合，不但可以减少可再生能源发电间歇性和随机性的影响，并且可以获得规模经济的效益。VPP的特点符合世界的发展需求，有着广阔的应用前景，截止到2014年底，全球VPP总容量增至4.8GW，预计到2023年，其规模将增至28GW，年收入可达53亿美元[6]。

然而在虚拟电厂调度运行过程中，由于各分布式电源发电具有间隙性和随机性，导致VPP运营商的收益具有波动性，如何合理地分配各分布式电源发电量，不仅影响到收益和成本等经济问题，对于资源能否充分利用、环境问题等也具有深刻的影响。本发明从降低运行商的经济风险角度出发，用投资组合理论中的条件风险价值为衡量指标，以此做出合理的日前调度策略。

发明内容

本发明本发明提供了一种基于CVaR的虚拟电厂优化调度模型，能够更好的为决策者提供最优策略方案。

本发明具体为一种基于CVaR的虚拟电厂优化调度建模方法，所述方法包括以下步骤：

步骤1：确定VPP组成部分与各部分功能，并对各个部分进行建模及分析；

步骤2：为仿真实际运行下VPP各分布式电源出力不确定性，以场景技术通过综合考虑各场景下电源出力来模拟不确定性；

步骤3：综合考虑各组成部分的实际运行约束，确立以***总运行成本最优为目标的VPP优化调度模型目标函数；

步骤4：在上述模型的目标函数中加入CVaR条件风险价值作为理论基础，以此衡量运行调度成本的经济性与风险性；

步骤5：对风险系数进行分级，以此来表示不同风险偏好的VPP运营商的要求；

步骤6：综合以上步骤，建立考虑CVaR的VPP优化调度模型。

所述步骤1具体包括以下步骤：

(1)光伏发电***建模分析：

光伏发电量视为服从Beta分布，具有强随机性，假设给定一组光伏电池阵列，其面积和光电转换效率分别为A和η，则这组光伏电池阵列的输出功率为：

P_pv＝rAη

式中r为这一时间段内的实际光照强度；

(2)风力发电***建模分析：

风力发电量视为服从威布尔分布，P_r为风力发电机的额定功率，v_ci,v_r,v_co分别为该风力发电机的切入风速、额定风速和切出风速，则该风机的输出功率为：

k₂＝-k₁v_ci；

(3)柴油发电机建模分析：柴油发电机的作用是平抑VPP中可再生能源出力的不确定性，使得各组成部分能够形成一个整体向外作为一个电厂的角色售电；

(4)储能***建模分析：在VPP中配置储能***的作用也是为了平抑可再生能源出力的波动性，储能***既能对外放电也能向内充电，其存在能够确保VPP每日负荷的供应；

(5)电力负荷建模分析：VPP作为一个电厂自然要承担电厂应有的电力负荷供应需求。

所述步骤2具体为：

由于可再生能源出力的波动不确定性及市场电价的波动性，导致VPP调度运行收益也存在不确定性，使用场景集的方法处理不确定性问题，在多个场景下使得将不确定性问题转化为确定性问题处理，分别选取风电出力、光伏出力及电价场景集w、s、p个，各场景概率分别为π(w)、π(s)、π(p)，则VPP在实时运行中的变量均为在各场景下的形式。

所述步骤3具体为：

基于CVaR的VPP优化调度模型的目标函数包括日调度运行总成本及CVaR风险项，其中日调度总成本包括柴油机燃料成本、可中断负荷成本、VPP运行售电收益；

1)柴油机燃料成本

式中：

表示单台柴油发电机年燃料成本，通过下式计算得到：

式中：p_f为柴油的单价；

为t时刻柴油机出力；Q为柴油机的燃油消耗率；

2)可中断负荷补偿成本

式中：λ_curt表示VPP中断用户负荷时给予的中断补偿费用；

表示t时段各场景下中断负荷量；

3)VPP运行收益

VPP的运行收益来自于在日前市场的收益：

式中：

分别为t时刻向电网售电量和购电量；λ^p(t)表示t时刻在场景p下日前能量市场统一出清价格MCP；k_purchase表示购电价格在原电价基础上乘以的比例系数。

所述步骤4具体包括以下步骤：

(1)采用历史模拟法来计算风险价值，VaR反映投资组合在给定的置信度β上潜在的最大损失，设f(x,y)为损失函数，x为决策变量，y为随机变量，假设ρ(y)是y的概率密度函数，则损失函数f(x,y)不大于边界值α的分布函数为：

对于给定的置信度β，VaR可由下式得到：

VaR_β＝min{α∈R:ψ(x,α)≥β}

(2)由于VaR只是某个置信度下的分位点，而分位点以后的风险信息未被考虑，即存在“尾部风险”，因此采用CVaR风险度量方法，其作为VaR的一种补充风险度量能够更好地反映“尾部风险”：

由于VaR_β(x)解析式难以求出，所以推导出变换函数F_β(x,α)：

式中：[f(x,y)-α]⁺表示max{f(x,y)-α,0}，α即为VaR的值，

用以下估计式来计算变换函数F_β(x,α)：

式中：y¹,...,y^q为y的q个样本，易得

所述步骤5具体包括以下步骤：

基于CVaR的VPP调度优化有两个优化目标，一是使调度运行的总成本最小化，二是使运行VPP不确定因素导致的风险最小化，使用设置权重系数的方法将双目标函数转化为单目标函数处理，具体方法是在CVaR项上乘以一个权重因子，称之为风险系数L，以此衡量经济性与风险性，最终目标函数形式如下：

该目标函数分为两个部分，第一部分为VPP调度运行发电成本，第二部分为风险度量项；定义权重系数L为风险偏好系数，表示运营商对于风险的态度，其取值范围为L≥0，当L小于0.1时，表示运营商为风险偏好型，当L大于0.5时，表示运营商为风险规避型；VPP运营商通过对风险系数的设定来衡量经济与风险，按其对于风险的承受程度来选择合适的风险系数。

所述步骤6具体包括以下步骤：

VPP中各组成部分在运行时具有如下约束：

1)常规机组出力约束

式中：P_c.max为柴油机输出额定功率；ramp为柴油机的爬坡率；

为t时段各场景下柴油机组的总出力，为决策变量；

2)蓄电池电量及充放电约束

式中：

分别为t时段各场景下储电量、充电量和放电量，为决策变量；W_b.max为单组铅酸蓄电池的额定容量；C_DOD为蓄电池的最大放电深度；P_bc.max、P_bd.max分别表示单组铅酸蓄电池的最大充、放电功率；

3)可中断负荷约束

式中：

表示t时段各场景下中断负荷量，为决策变量；k_curt为中断系数；P_el(t)表示t时段下的电负荷；

4)功率平衡约束

式中：

分别表示t时刻在场景w和场景s下单台风机和单组光伏阵列出力；

5)CVaR风险约束

为便于求解引入虚拟变量

令

表示超过VaR的损失，损失函数f(x,y)取收益的负值；为了便于计算将其松弛为下面两个不等式；

则

式中：α即为VaR的值；β为投资商设定的置信度。

本发明中优化问题的决策变量包括：

本发明具有如下优点和技术效果：

(1)本发明区别于传统VPP优化调度模型只考虑运行成本最小，创新性地提出了考虑以CVaR为理论基础的风险项，能够权衡经济性与风险性，同时也给不同风险偏好的VPP运行商提供定量的依据；

(2)通过对本发明所建数学模型的算例分析，得到了一下结论：不同风险偏好的VPP运营商调度策略有很大不同，当运行策略保守时柴油机及储能发电以平抑可再生能源出力波动，降低风险性；当运行策略激进时灵活调度柴油机及储能从而增加售电收益，提高经济性。

附图说明

图1为本发明一种基于CVaR的虚拟电厂优化调度建模方法的流程示意图；

图2为VPP***调度运行总成本关于风险值CVaR的有效边界示意图；

图3为不同风险系数下的优化结果示意图(从左到右依次为激进型、较激进型、较保守型和保守型)；

图4VPP日出力计划调度图。

具体实施方式

下面结合附图对本发明一种基于CVaR的虚拟电厂优化调度建模方法的具体实施方式做详细阐述。

如图1所示，本发明的一种基于CVaR的虚拟电厂优化调度建模方法包括以下步骤：

步骤1：确定VPP组成部分与各部分功能，并对各个部分进行建模及分析；

步骤2：为仿真实际运行下VPP各分布式电源出力不确定性，以场景技术通过综合考虑各场景下电源出力来模拟不确定性；

步骤3：综合考虑各组成部分的实际运行约束，确立以***总运行成本最优为目标的VPP优化调度模型目标函数；

步骤4：在上述模型的目标函数中加入CVaR条件风险价值作为理论基础，以此衡量运行调度成本的经济性与风险性；

步骤5：对风险系数进行分级，以此来表示不同风险偏好的VPP运营商的要求；

步骤6：综合以上步骤，建立考虑CVaR的VPP优化调度模型。

下面以运营一个VPP为例，介绍本发明：

本发明算例分析选择不同地区的风、光等自然资源数据及电价、电力负荷数据进行模拟，选择时间步长1h，调度运行时间24h。分别选择不同的64种场景进行不确定性模拟。并设置不同的风险偏好系数以表述不同风险偏好的VPP运营商，得到不同的最优调度结果，根据该计算结果可以画出运行成本与风险值之间的有效前沿曲线，如图2所示。并且在图中将不同的风险系数划分为4个部分以表示大致的四种不同类型VPP运营商，分别分别代表运营商为保守型、较保守型、较激进型和激进型。

研究结果表明：在风险系数较小时，运营商倾向于获得收益，调度策略比较激进，随着CVaR的减小总成本增加缓慢；在风险系数较大时，运营商极力规避风险，调度策略趋向保守，总成本迅速增加。

为了给不同风险偏好类型的VPP运营商提供具有指导意义的结果，分别选取4种具有代表性的风险系数：L＝0.05代表运营商为激进型；L＝0.1代表运营商为较激进型；L＝0.5代表运营商为较保守型；L＝2代表运营商为保守型。分析在这4种不同风险系数下，VPP的调度运行结果就发生怎样的变化。具体数据见图3。

由图中结果可以看见，当风险系数变化时，主要影响VPP调度策略中的柴油机及储能出力。当风险系数较小时，柴油机出力不仅用于平抑可再生能源出力的波动和负荷供应，还用于将剩余的柴发出力在电价合适的时候向市场出售，因此此时VPP调度策略也面临着较大的风险。当风险系数较大时，为了规避风险，主要依靠从电网购电及中断负荷来维持VPP各部分相对稳定地运作，因此总购电量、总中断负荷量有所上升。

VPP出力计划分析：

VPP作为一个电厂，其日前调度出力计划必不可少，当投资商确定风险偏好水平后，本文研究模型能够得到VPP每日出力计划。

选取一个典型日，投资商风险系数选值为1。VPP日出力计划如图4所示：

0～5h：电价较低，可再生能源出力小于负荷需求；VPP优先调度储能进行放电，当储能放电量不足以弥补功率缺额时，启动柴油机进行发电，由于电价很低，选择购入部分电量及中断部分负荷以满足负荷需求。

6～10h：电价较低，可再生能源出力略大于负荷需求；VPP调度可再生能源和柴油机剩余出力以及购入部分电量对储能进行充电，当储能电量充满时，停止柴油机和购电。不在电价低时向市场售电。

11～20h：电价较高，可再生能源出力大于负荷需求；VPP调度可再生能源剩余出力向市场出售，并调度储能适当放电向市场出售。

21～24h：电价高，可再生能源出力小于负荷需求；VPP调度储能放电及柴油机发电，将满足负荷需求之外的剩余电力全部向市场出售。

以上仿真结果验证了本发明所构模型有效性和实用性。

条件风险价值的引入不仅能够处理该问题由于风光等可再生能源出力及电价波动带来的不确定型＝性，也能够给出具体有形的风险数据，从而使得该模型能够为不同风险偏好的VPP运营商在处理经济性与风险之间权衡问题时提供定量的VPP每日调度运行参考依据，更够给决策者更大的选择空间。

最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。

Claims (2)

1.一种基于CVaR的虚拟电厂优化调度建模方法，其特征在于，所述方法包括以下步骤：

步骤1：确定VPP组成部分与各部分功能，并对各个部分进行建模及分析；

步骤2：为仿真实际运行下VPP各分布式电源出力不确定性，以场景技术通过综合考虑各场景下电源出力来模拟不确定性；

步骤3：综合考虑各组成部分的实际运行约束，确立以***总运行成本最优为目标的VPP优化调度模型目标函数；

步骤4：在上述模型的目标函数中加入CVaR条件风险价值作为理论基础，以此衡量运行调度成本的经济性与风险性；

步骤5：对风险系数进行分级，以此来表示不同风险偏好的VPP运营商的要求；

步骤6：综合以上步骤，建立考虑CVaR的VPP优化调度模型；

所述步骤1具体包括以下步骤：

(1)光伏发电***建模分析：

光伏发电量服从Beta分布，具有强随机性，给定一组光伏电池阵列，其面积和光电转换效率分别为A和η，则这组光伏电池阵列的输出功率为：

P_pv＝rAη

式中r为这一时间段内的实际光照强度；

(2)风力发电***建模分析：

风力发电量服从威布尔分布，P_r为风力发电机的额定功率，v_ci,v_r,v_co分别为该风力发电机的切入风速、额定风速和切出风速，则该风机的输出功率为：

k₂＝-k₁v_ci；

(3)柴油发电机建模分析：柴油发电机的作用是平抑VPP中可再生能源出力的不确定性，使得各组成部分能够形成一个整体向外作为一个电厂的角色售电；

(4)储能***建模分析：在VPP中配置储能***的作用也是为了平抑可再生能源出力的波动性，储能***既能对外放电也能向内充电，其存在能够确保VPP每日负荷的供应；

(5)电力负荷建模分析：VPP作为一个电厂自然要承担电厂应有的电力负荷供应需求；

所述步骤2具体为：

由于可再生能源出力的波动不确定性及市场电价的波动性，导致VPP调度运行收益也存在不确定性，使用场景集的方法处理不确定性问题，在多个场景下使得将不确定性问题转化为确定性问题处理，分别选取风电出力、光伏出力及电价场景集w、s、p个，各场景概率分别为π(w)、π(s)、π(p)，则VPP在实时运行中的变量均为在各场景下的形式；

所述步骤3具体为：

基于CVaR的VPP优化调度模型的目标函数包括日调度运行总成本及CVaR风险项，其中日调度总成本包括柴油机燃料成本、可中断负荷成本、VPP运行售电收益；

1)柴油机燃料成本

式中：

表示单台柴油发电机年燃料成本，通过下式计算得到：

式中：p_f为柴油的单价；

为t时刻柴油机出力；Q为柴油机的燃油消耗率；

2)可中断负荷补偿成本

式中：λ_curt表示VPP中断用户负荷时给予的中断补偿费用；

表示t时段各场景下中断负荷量；

3)VPP运行收益

VPP的运行收益来自于在日前市场的收益：

式中：

分别为t时刻向电网售电量和购电量；λ^p(t)表示t时刻在场景p下日前能量市场统一出清价格MCP；k_purchase表示购电价格在原电价基础上乘以的比例系数；

所述步骤5具体包括以下步骤：

基于CVaR的VPP调度优化有两个优化目标，一是使调度运行的总成本最小化，二是使运行VPP不确定因素导致的风险最小化，使用设置权重系数的方法将双目标函数转化为单目标函数处理，具体方法是在CVaR项上乘以一个权重因子，称之为风险系数L，以此衡量经济性与风险性，最终目标函数形式如下：

该目标函数分为两个部分，第一部分为VPP调度运行发电成本，第二部分为风险度量项；定义权重系数L为风险偏好系数，表示运营商对于风险的态度，其取值范围为L≥0，当L小于0.1时，表示运营商为风险偏好型，当L大于0.5时，表示运营商为风险规避型；VPP运营商通过对风险系数的设定来衡量经济与风险，按其对于风险的承受程度来选择合适的风险系数；

所述步骤6具体包括以下步骤：

VPP中各组成部分在运行时具有如下约束：

1)常规机组出力约束

式中：P_c.max为柴油机输出额定功率；ramp为柴油机的爬坡率；

为t时段各场景下柴油机组的总出力，为决策变量；

2)蓄电池电量及充放电约束

(1-C_DOD)·N_b·W_b.max≤W_b ^wsp(t)≤N_b·W_b.max

式中：

分别为t时段各场景下储电量、充电量和放电量，为决策变量；W_b.max为单组铅酸蓄电池的额定容量；C_DOD为蓄电池的最大放电深度；P_bc.max、P_bd.max分别表示单组铅酸蓄电池的最大充、放电功率；

3)可中断负荷约束

式中：

表示t时段各场景下中断负荷量，为决策变量；k_curt为中断系数；P_el(t)表示t时段下的电负荷；

4)功率平衡约束

式中：

分别表示t时刻在场景w和场景s下单台风机和单组光伏阵列出力；

5)CVaR风险约束

为便于求解引入虚拟变量

令

表示超过VaR的损失，损失函数f(x,y)取收益的负值；为了便于计算将其松弛为下面两个不等式；

则

式中：α即为VaR的值；β为投资商设定的置信度。

2.根据权利要求1所述的一种基于CVaR的虚拟电厂优化调度建模方法，其特征在于：所述步骤4具体包括以下步骤：

(1)采用历史模拟法来计算风险价值，VaR反映投资组合在给定的置信度β上潜在的最大损失，设f(x,y)为损失函数，x为决策变量，y为随机变量，假设ρ(y)是y的概率密度函数，则损失函数f(x,y)不大于边界值α的分布函数为：

对于给定的置信度β，VaR可由下式得到：

VaR_β＝min{α∈R:ψ(x,α)≥β}

(2)由于VaR只是某个置信度下的分位点，而分位点以后的风险信息未被考虑，即存在“尾部风险”，因此采用CVaR风险度量方法，其作为VaR的一种补充风险度量能够更好地反映“尾部风险”：

由于VaR_β(x)解析式难以求出，所以推导出变换函数F_β(x,α)：

式中：[f(x,y)-α]⁺表示max{f(x,y)-α,0}，α即为VaR的值，

用以下估计式来计算变换函数F_β(x,α)：

式中：y¹,...,y^q为y的q个样本，易得

Images