2023多虚拟电厂协调优化调度.docx

基于经济模型预测控制的多虚拟电厂两阶段协调优化调度2021 年3 月15 日，提出要构建以新能源为主体的新型电力系统新能源发电具有天然的间歇性和波动性，其大规模并网必将加剧电源供给和负 荷需求的不平衡虚拟电厂(virtual power lant， VPP)技术为解决此类问题应运而生VPP 利用先进的通信技术，可将不同地域的新能源联系在一起， 通过协调优化调度策略，使得出力不稳定的新能源在电力市场竞价中保有一定的竞争力[1]针对VPP 内部优化调度和多VPP 竞价已有相关的研究文献[2]通过改进随机规划模型，构建含风电等不可控能源及储能的VPP 市场竞标策略文献[3]通过整合储能设备、不可控分布式能源及可控电源，构建了平衡市场和日前市场的VPP 购售电模型文献[4]考虑到风电出力的不确定性，建立多VPP 参与电力市场日前交易模型文献[5]运用同步交替方向乘子法，建立了多VPP 分散式协调调度模型单VPP 内部优化调度问题，并未考虑其他VPP 决策给自身调度策略带来的影响； 多VPP 的研究主要考虑的是协调优化调度，使得经济效益最高，但是并未关注弃风、弃光的问题针对日前日内两阶段优化调度的研究，文献[6] 构建了日前日内两阶段优化调度模型，但是日内调度仅仅考虑了各电源调整出力时的附加成本，日前日内两阶段调度间的联系紧密性较差。

文献[7]基于模型预测控制(model predictive control，MPC)构建实时调度模型，但是缺乏日前调度结果的引导， 优化结果难以实现全局最优文献[8]将滚动优化运用到日内优化调度中，但缺少反馈校正环节，难以保证调度精度针对VPP 内部新能源出力不确定性，为降低其功率波动的影响通常采用鲁棒优化、随机优化等方法予以应对文献[9]采用随机规划的方法对不确定性进行处理，不确定参数在有限场景下很难反映变量的真实情况，其决策对潜在的风险规避能力相对较弱文献[10]基于鲁棒经济优化模型，利用多面体不确定集来应对新能源出力的不确定性，场景的缩减和优化技术在很大程度上决定了随机优化过程的繁简，且鲁棒优化下的调度方案比较保守文献[11]在考虑鲁棒性的基础上，进一步使用了MPC 去构建消纳大规模光伏的优化调度方案可见，单次求解含新能源的优化调度问题，鲁棒性难以评价的同时，偶然性也较大本文在消纳风电的前提下，首先构建了多VPP 参与的非合作博弈日前市场优化调度模型，然后在文献[11]传统MPC 的基础上设计了改进经济模型预测控制(economic MPC，EMPC)，基于 EMPC 对多VPP 日前日内两阶段进行优化调度，弥补日前预测的偏差。

该调度模型具有两个创新点：一是基于区间预测技术，设计自适应域步长MPC 以改进文献[11]中固定步长MPC，减小了相似日选取带来的误差，同时将自适应域步长MPC 引入由纳什最优决策形成的多VPP 日前调度策略中；二是日内调度实时反馈校正考虑了经济性，弥补了传统日内调度仅关注功率偏差而忽略经济性的不足，使得日内优化经济性更强总之，本文通过日前自适应滚动优化保证了VPP 运行经济性，结合日内动态反馈调整进一步消除了风电出力不确定性的影响，验证了多VPP 多时间尺度两阶段调度模型的有效性1 多VPP 运行目标函数及约束条件新能源发电固有的间歇性和波动性，极易打破VPP 内部电力供需平衡，即单个VPP 不同时间段存在一定的电量盈余或缺额通过合理的优化调度策略，并在各VPP 间签订双边交易合同，可将多VPP 系统内缺电VPP 和多电VPP 进行整合，优化各VPP 间的交易电量，提高多VPP 系统的调度灵活性，从而实现多VPP 的整体收益最大化本研究假设每个VPP 内电源均包含风机、燃气轮机和储能设备，电负荷包括基础负荷及可中断负荷，用电高峰时，VPP 在向用户提供一定补偿的前提下， 切除可中断负荷达到削峰的效果。

1.1 目标函数多VPP 系统优化调度以最大化利润为目标， 目标函数为式中，Pt,ES,i 为t 时段第i 个VPP 储能设备充放电功率，充电为正，放电为负；μES 为0-1 变量，1 表示充电，0 表示放电；λd、λc 分别为充放电电价； λES 为储能设备折旧补偿系数4） 燃气轮机成本St,GT,iSt，GT，i = λGT Pt，GT，i + μGTSq + (1 - μGT)St (7)式中，λGT 为燃气轮机运维成本系数；Pt,GT,i 为 t 时段第i 个VPP 燃气轮机出力；Sq、St 为启机、停机成本；μGT 为0-1 变量，1 表示启机，0 表示停机5） 风机运维成本St,WPP,iSt，WPP，i = λWPP Pt，WPP，i (8)∑∑max F = T N (C - S)t = 1 i = 1(1)式中， Pt,WPP,i 为 t 时段第 i 个 VPP 风机功率；λ 为风机运维成本系数式中，F 为利润；C 和 S 分别为收益和成本；N 为联合系统中VPP 的个数；T 为调度的时间段式(1)表明，多VPP 系统运行利润F 是由收益C扣除成本S 得到的，其中C 由t 时段第i 个VPP 负荷WPP1.2 运行约束条件VPP 运行约束条件应包括等式约束和不等式约束。

1）各VPP 功率平衡约束收益 Ct,L,i、电力交易收益 Ct,E,i、储能充放电收益Pt，WPP，i + Pt，GT，i+ PIt，e，iI+ Pt，m，id+ Pt，ES，i= Pt，L，i- Pt，IL，i +Ct,ES,i 组成；S 由t 时段第i 个VPP 燃气轮机、风机的cPJILt，ES，iO+ Pt，e，iO+ Pt，m，i(9)运维成本St,GT,i、S组成，即t,WPP,iPt，IL，i = ∑Pt，j，i (10)C = Ct，L，i + Ct，E，i + Ct，ES，i (2)S = St，WPP，i + St，PV，i + St，GT，i (3)每部分具体表达式如下1） 负荷收益Ct,L,i负荷收益由总负荷收益和可中断负荷补贴给用户的成本组成，负荷收益可表示为，，，，t， ，， ，Ct L i = λL Pt L i - (αP 2IL i + βPt IL i ) (4)j = 1t,e,it,m,i t,m,it,ES,i t,ES,i t,e,i式中，Pt,IL,i 为t 时段第i 个VPP 的可中断负荷； Pc 、Pd 分别为储能设备的充放电功率；PI 、 PO 为t 时段第i 个VPP 从大电网购入、出售功率； PI 、PO 为 t 时段第 i 个VPP 从其他VPP 购入、出售功率。

2） 燃气轮机约束式中，Pt,L,i、Pt,IL,i分别为 t 时段第 i 个VPP 总负minPt，GT，i≤ Pt，GT，imax≤ Pt，GT，i(11)荷和可中断负荷功率；α、β 为可中断负荷补偿成-GD Δt ≤ Pt，GT，i- Pt - 1，GT，i≤ GU Δt (12)GTGT式中，GU 、GD 分别为燃气轮机功率上升、本的二次系数、一次系数2） 电力交易收益Ct,E,i电力交易收益包括与大电网交互功率收益和GT GT下降的爬坡率3） 可中断负荷约束0 ≤ Pt IL t ≤ P maxi = ηmax Pt L i (13)VPP 间交易收益， ， t，IL，IL ，，Ct，E，i= μe λsePt，e，i- (1 - μe) λbePt，e，i+ μmλsmPt，m，i+ (1 -式中，η max 为可中断负荷最大调用率IL（4） 储能设备约束μm) λbm Pt，m，i (5)ì0 ≤ P c≤ P c，max α c≤ P d，max α d≤t，ES，i i式中，P、P分别为 t 时段第 i 个VPP 与大ï0P dt,e,it,m,iït，ES，iiït，it，i电网交互功率、与其他VPP 间交易功率，售电为í0 ≤ α c + α d ≤ 1(14)≤t，iïSOCminït，iSOC正，购电为负；μ 、μ为 0-1 变量，1 表示售电，ï i t，ES，i i≤ SOCmaxe m îSOC0，ES，i = SOC24，ES，i0 表示购电；λse、λbe 为与大电网售电、购电价格；λsm、λbm 为VPP 间售电、购电交易电量。

3）储能设备收益Ct,ES,i式中，P c,max、P d,max 为t 时段第i 个VPP 储能设i it,i t,i备最大充放电功率；αc 、αd 为0-1 变量，表征储能设备的充放电状态；SOC max、SOC min 为荷电状态Ct，ES，i = λd μES Pt，ES，i + λc (1 - μES)Pt，ES，i - λES Pt，ES，i (6)的上下限；SOC0,ES,ii、SOC24,ES,ii为储能设备一天中的起始、结束值线路安全约束涉及节点电压及传输功率上下限约束，其约束条件请参考文献[12]，受篇幅限制， 此处不再重复2 多 VPP 日前日内协调优化调度模型图2 日前优化调度模型Fig. 2 Day-ahead optimized scheduling process据系统当前状态x(t)对联合系统未来Nf (Nf 为预测域t为实现对多VPP 内分布式电源、可中断负荷 t t的有效控制，同时考虑风电出力的不确定性，本节拟提出一种自适应域长度的EMPC 来完成VPP 多时间尺度两阶段经济优化调度，如图1 所示可见本研究提出的基于EMPC 优化调度方案分为日前滚动优化与日内实时反馈两个阶段。

长度)时段的运行状态进行预测，取时间间隔∆T， 预测状态为X(t)={x(t|t),x(t+1|t),…,x(t+Nf −1|t)}通过系统的预测状态，以经济性最优来确定控制序列U(t)={u(t|t),u(t+1|t),…,u(t+Nf −1|t)}，当前决策取其第一项u(t|t)，通过u(t|t)生产多VPP 系统最新调度t方案上述过程随着时间推移不断地滚动优化迭代，实现系统状态的持续更新在EMPC 架构下，多VPP 联合系统的状态需由所有VPP 的状态共同确定，由于各VPP 状态方程相互独立，假设gi 为第i 个VPP 的状态方程，则联合系统状态可描述为g [ x (t)，u (t) ] ={g1 [ x1 (t)，u1 (t) ]，g2 [ x2 (t)，u2 (t) ]，⋯，gN [ xN (t)，uN (t) 。