2023多虛擬電廠協(xié)調(diào)優(yōu)化調(diào)度

基于經(jīng)濟模型預測控制的多虛擬電廠兩階段協(xié)調(diào)優(yōu)化調(diào)度2021年3月15日，提出要構建以新能源為主體的新型電力系統(tǒng)。新能源發(fā)電具有天然的間歇性和波動性，其大規(guī)模并網(wǎng)必將加劇電源供給和負荷需求的不平衡。虛擬電廠(virtualpowerlant，VPP)技術為解決此類問題應運而生。VPP利用先進的通信技術，可將不同地域的新能源聯(lián)系在一起，通過協(xié)調(diào)優(yōu)化調(diào)度策略，使得出力不穩(wěn)定的新能源在電力市場競價中保有一定的競爭力[1]。針對VPP內(nèi)部優(yōu)化調(diào)度和多VPP競價已有相關的研究。文獻[2]通過改進隨機規(guī)劃模型，構建含風電等不可控能源及儲能的VPP市場競標策略。文獻[3]通過整合儲能設備、不可控分布式能源及可控電源，構建了平衡市場和日前市場的VPP購售電模型。文獻[4]考慮到風電出力的不確定性，建立多VPP參與電力市場日前交易模型。文獻[5]運用同步交替方向乘子法，建立了多VPP分散式協(xié)調(diào)調(diào)度模型。單VPP內(nèi)部優(yōu)化調(diào)度問題，并未考慮其他VPP決策給自身調(diào)度策略帶來的影響；多VPP的研究主要考慮的是協(xié)調(diào)優(yōu)化調(diào)度，使得經(jīng)濟效益最高，但是并未關注棄風、棄光的問題。針對日前日內(nèi)兩階段優(yōu)化調(diào)度的研究，文獻[6]構建了日前日內(nèi)兩階段優(yōu)化調(diào)度模型，但是日內(nèi)調(diào)度僅僅考慮了各電源調(diào)整出力時的附加成本，日前日內(nèi)兩階段調(diào)度間的聯(lián)系緊密性較差。文獻[7]基于模型預測控制(modelpredictivecontrol，MPC)構建實時調(diào)度模型，但是缺乏日前調(diào)度結果的引導，優(yōu)化結果難以實現(xiàn)全局最優(yōu)。文獻[8]將滾動優(yōu)化運用到日內(nèi)優(yōu)化調(diào)度中，但缺少反饋校正環(huán)節(jié)，難以保證調(diào)度精度。針對VPP內(nèi)部新能源出力不確定性，為降低其功率波動的影響通常采用魯棒優(yōu)化、隨機優(yōu)化等

方法予以應對。文獻[9]采用隨機規(guī)劃的方法對不確定性進行處理，不確定參數(shù)在有限場景下很難反映變量的真實情況，其決策對潛在的風險規(guī)避能力相對較弱。文獻[10]基于魯棒經(jīng)濟優(yōu)化模型，利用多面體不確定集來應對新能源出力的不確定性，場景的縮減和優(yōu)化技術在很大程度上決定了隨機優(yōu)化過程的繁簡，且魯棒優(yōu)化下的調(diào)度方案比較保守。文獻[11]在考慮魯棒性的基礎上，進一步使用了MPC去構建消納大規(guī)模光伏的優(yōu)化調(diào)度方案?？梢姡瑔未吻蠼夂履茉吹膬?yōu)化調(diào)度問題，魯棒性難以評價的同時，偶然性也較大。本文在消納風電的前提下，首先構建了多VPP參與的非合作博弈日前市場優(yōu)化調(diào)度模型，然后在文獻[11]傳統(tǒng)MPC的基礎上設計了改進經(jīng)濟模型預測控制(economicMPC，EMPC)，基于EMPC對多VPP日前日內(nèi)兩階段進行優(yōu)化調(diào)度，彌補日前預測的偏差。該調(diào)度模型具有兩個創(chuàng)新點：一是基于區(qū)間預測技術，設計自適應域步長MPC以改進文獻[11]中固定步長MPC，減小了相似日選取帶來的誤差，同時將自適應域步長MPC引入由納什最優(yōu)決策形成的多VPP日前調(diào)度策略中；二是日內(nèi)調(diào)度實時反饋校正考慮了經(jīng)濟性，彌補了傳統(tǒng)日內(nèi)調(diào)度僅關注功率偏差而忽略經(jīng)濟性的不足，使得日內(nèi)優(yōu)化經(jīng)濟性更強?？傊疚耐ㄟ^日前自適應滾動優(yōu)化保證了VPP運行經(jīng)濟性，結合日內(nèi)動態(tài)反饋調(diào)整進一步消除了風電出力不確定性的影響，驗證了多VPP多時間尺度兩階段調(diào)度模型的有效性。多VPP運行目標函數(shù)及約束條件新能源發(fā)電固有的間歇性和波動性，極易打破VPP內(nèi)部電力供需平衡，即單個VPP不同時間段存在一定的電量盈余或缺額。通過合理的優(yōu)化調(diào)度策略，并在各VPP間簽訂雙邊交易合同，可將多VPP系統(tǒng)內(nèi)缺電VPP和多電VPP進行整合，優(yōu)化各VPP間的交易電量，提高多VPP系統(tǒng)的調(diào)度靈活性，從而實現(xiàn)多VPP的整體收益最大化。本研究假設每個VPP內(nèi)電源均包含風機、燃氣輪機和儲能設備，電負荷包括基礎負荷及可中斷負荷，用電高峰時，VPP在向用戶提供一定補償?shù)那疤嵯?，切除可中斷負荷達到削峰的效果。目標函數(shù)多VPP系統(tǒng)優(yōu)化調(diào)度以最大化利潤為目標，目標函數(shù)為

式中，tES,i為t時段第i個VPP儲能設備充放電功率，充電為正，放電為負；ES為-1變量，1表示充電，0表示放電；λd、c分別為充放電電價；ES為儲能設備折舊補償系數(shù)。燃氣輪機成本t,GiSi=λTPi+μTSq+1-μTSt ()式中，GT為燃氣輪機運維成本系數(shù)；t,G,i為t時段第i個VPP燃氣輪機出力；q、t為啟機、停機成本；GT為-1變量，1表示啟機，0風機運維成本t,WP,iSi=λPPi ()maxF=TNC-t=1i=1

(1)

,WP,it時段第iVPP風機功率；λ 為風機運維成本系數(shù)。式中，F(xiàn)為利潤；C和S分別為收益和成本；N為聯(lián)合系統(tǒng)中VPP的個數(shù)；T為調(diào)度的時間段。式(1)表明，多VPP系統(tǒng)運行利潤F是由收益扣除成本S得到的，其中C由t時段第i個VPP負荷

WPP運行約束條件VPP運行約束條件應包括等式約束和不等式約束。（1）各VPP功率平衡約束C,,i、電力交易收益t,E,、儲能充放電收益

Pi+Pi

+P+Pi

I+P+P

d+P+P

=P

-Pi+Ct,E,i組成；S由t時段第i個VPP燃氣輪機、風機的

cPJiPJ

O+P+P

O+P+P

(9)運維成本St,GT運維成本S

、S組成，即t,WPP、S組成，即

Pi=Pi ()C=Ci+Ci+Ci ()S=Si+Si+SGi ()每部分具體表達式如下。負荷收益Ct,,i負荷收益由總負荷收益和可中斷負荷補貼給用戶的成本組成，負荷收益可表示為，，，，，，CtLi=λLPtLi-αP2ILi+βPtILi，，，，，，

j=1t,e,it,m,i t,ES,i t,ES,i 式中，tI,i為t時段第i個VPP的可中斷負荷；c、Pd分別為儲能設備的充放電功率；I、O為t時段第i個VPP從大電網(wǎng)購入、出售功率；I、Ot,e,it,m,i t,ES,i t,ES,i 燃氣輪機約束式中，Pt,,、

ti個VPP總負

minPiP

≤P

max≤≤

(11)荷和可中斷負荷功率；α、β為可中斷負荷補償成

-GDΔt≤P

i

-Pt-

≤GUΔt (12)GT式中，U、D分別為燃氣輪機功率上升、GT本的二次系數(shù)、一次系數(shù)。電力交易收益Ct,E,i電力交易收益包括與大電網(wǎng)交互功率收益和

GT GT下降的爬坡率?？芍袛嘭摵杉s束0≤PtILt≤Pmaxi=ηmaxPtLi (13)VPP間交易收益

，， ，

IL ，，Ci

=μe

Pi

-1-μe

Pi

+μm

λsm

Pi

+1-

式中，ηmax為可中斷負荷最大調(diào)用率。IL儲能設備約束ILμmλmPi ()

≤P

≤Pxαc≤Pxα≤Pxα≤式中，P、Pti個式中，P、Pti個VPPPt,e,it,m,iii

ii電網(wǎng)交互功率、與其他VPP間交易功率，售電為

≤αc+αd≤1

(14)≤i≤SOCSOCmin

i正，購電為負；μ、μ

為0-1變量，1表示售電，

i i i≤e m Ci=C≤0表示購電；λs、e為與大電網(wǎng)售電、購電價格；λsm、m為VPP間售電、購電交易電量。）儲能設備收益Ct,ESi

式中，Pc,max、Pd,max為t時段第i個VPP儲能設i t,i 備最大充放電功率；c、d為-1設備的充放電狀態(tài)；SOCmaxi t,i Ci=λdμSPi+λc1-μSPi-λSPi()

的上下限；

i、

24,ES,i

i為儲能設備一天中的起始、結束值。線路安全約束涉及節(jié)點電壓及傳輸功率上下限約束，其約束條件請參考文獻[12]，受篇幅限制，此處不再重復。VPP日前日內(nèi)協(xié)調(diào)優(yōu)化調(diào)度模型

圖2日前優(yōu)化調(diào)度模型Fig.2Day-aheadoptimizedschedulingprocess據(jù)系統(tǒng)當前狀態(tài)x(t)對聯(lián)合系統(tǒng)未來f(f為預測域t為實現(xiàn)對多VPP內(nèi)分布式電源、可中斷負荷 t tt的有效控制，同時考慮風電出力的不確定性，本節(jié)擬提出一種自適應域長度的EMPC來完成VPP多時間尺度兩階段經(jīng)濟優(yōu)化調(diào)度，如圖1所示。可見本研究提出的基于EMPC優(yōu)化調(diào)度方案分為日前滾動優(yōu)化與日內(nèi)實時反饋兩個階段。

長度)時段的運行狀態(tài)進行預測，取時間間隔?T，預測狀態(tài)為X(t)={x(t|t),x(t+1|t),…,x(t+Nf?1|t)}。通過系統(tǒng)的預測狀態(tài)，以經(jīng)濟性最優(yōu)來確定控制序列U(t)={u(t|t),u(t+1|t),…,u(t+Nf?1|t)}，當前決策取其第一項u(t|t)，通過u(t|t)生產(chǎn)多VPP系統(tǒng)最新調(diào)度t方案。上述過程隨著時間推移不斷地滾動優(yōu)化迭代，實現(xiàn)系統(tǒng)狀態(tài)的持續(xù)更新。t在EMPC架構下，多VPP聯(lián)合系統(tǒng)的狀態(tài)需由所有VPP的狀態(tài)共同確定，由于各VPP狀態(tài)方程相互獨立，假設i為第i個VPP的狀態(tài)方程，則聯(lián)合系統(tǒng)狀態(tài)可描述為gxtut=g1x1tu1tg2x2tu2tgNxNtuNt(15)圖1兩階段VPP優(yōu)化調(diào)度策略Fig.1Two-stageVPPoptimalschedulingstrategy

進一步，聯(lián)合系統(tǒng)的利潤函數(shù)可以分解為∑ ≠ FXtUt=NρiFiXitXjitUitUjit∑ ≠ i=1tj=Nf ()tXit=xittxit+txit+Nf-t自適應域長度日前兩階段滾動優(yōu)化 tUit=uittuit+tuit+Nf-tt對于日前多VPP優(yōu)化調(diào)度，目標函數(shù)為多VPP系統(tǒng)利潤最大，以預測域Nf內(nèi)的風電出力點預測值作為滾動優(yōu)化條件，考慮多VPP系統(tǒng)的約t

≠it=Xjt|j≠≠it=Ujt|j≠

t(17)束條件，利用EMPC滾動優(yōu)化模型生成日前調(diào)度計 式中，U(t)和X(t)分別為第i個VPP的Nf步預i i t劃，多VPP日前優(yōu)化調(diào)度模型如圖2所示。為降低風電預測誤差的影響，預測域步長隨風電預測誤差

Xj≠itUj≠it為其他VPP的f步預測狀態(tài)集合和預測控制輸入集合；ρ自適應動態(tài)調(diào)整，保證優(yōu)化結果的魯棒性。優(yōu)化控制變量包括：儲能設備出力狀態(tài)、燃氣輪機出力和VPP與大電網(wǎng)、多VPP間聯(lián)絡線交互功率及參與需求響應的可中斷負荷。日前調(diào)度滾動優(yōu)化過程在每個優(yōu)化調(diào)度時刻t，優(yōu)化過程可分為兩個步驟：①系統(tǒng)狀態(tài)預測；②在線優(yōu)化任務決策。根

t it為權重系數(shù)。由此可見，可用f個VPPi個VPP，其優(yōu)化控制模型可表示為tUtU?t=gmxFiXitXj≠itUitUj≠iUttj=Nf ()txit+p+t=gixit+tuit+t

計了一種自適應域長度的MPC，當風電預測誤差 xk|k=xk

(19)

偏大時，將自適應縮短預測域長度，從而降低預測 i iGXitXj≠itUitUj≠it≤0G{x(t≠i(ti(ti(t0i個ttVPP=,,…,f?，=,,…,Nf。tt

誤差對于優(yōu)化結果的影響，同時也能提高控制性能。另外，對于本研究的多VPP系統(tǒng)，為方便處理，各VPP均采用一致的預測域和控制域長度。若滾動優(yōu)化初始預測域步長為若滾動優(yōu)化初始預測域步長為Nf，控制域與預測在確保網(wǎng)絡通信暢通的前提下，聯(lián)合系統(tǒng)內(nèi)各VPP間可充分交換信息，通信網(wǎng)絡可提供其他

域長度保持一致且同步進行調(diào)整，則自適應步長調(diào)整遵循的法則為0VPP的狀態(tài){≠i(t)}和控制輸入{U≠(t)}，故優(yōu)化問題0的計算量將極大減少，通過求解該優(yōu)化問題即可得

r=

PP第i個VPP的控制輸入。

PPf f-zr

(21)Nt=N0基于非合作博弈迭代求解12對于一組控制序列U*(tU(tU*(t,12

0<r≤r1=zr12(22)? r<r≤=zr12(22)? mfU*(t)}，如果對于任意子系統(tǒng)?∈{1,2,…,N}，對mf?U(k)都滿足式()，則稱U*(t)為整個系統(tǒng)的納什

N0-r>rni式中，ΔP

=maxΔP =N最優(yōu)決策。N

Nt,WPP,iN

t,WPP,i,ΔPt,WPP,i

t,WPPFXtFXtUtUt≤FXtU?tU

ΔPWPWP=PWt,WP,ii個VPPj=N

i=1

i=1X(t)=i(t){Xi(t)}。納什最優(yōu)決策隱含一個問題，即要達到整體系

在t時刻風電出力日前點預測值；r為風電出力最大誤差與預測值的比值，z為關于r的分段函數(shù)，通過r所處的區(qū)間確定函數(shù)z的取值；r、r、…、r統(tǒng)最優(yōu)，每個VPP優(yōu)化自身各自子目標前需獲得其他VPP子系統(tǒng)的最優(yōu)解。本研究引入分布式結構，使得各個VPP可有效利用網(wǎng)絡通信互傳信息，為EMPC迭代求解提供條件。首先，每個VPP預先估計其t時刻對應的初始解，并將預估解發(fā)送給聯(lián)合系統(tǒng)內(nèi)所有的VPP，聯(lián)合系統(tǒng)內(nèi)每個VPP利用其他VPP的預估解來求其最優(yōu)解；然后，每個VPP比較運算出的最優(yōu)解和上次計算的最優(yōu)解，并將計算的最優(yōu)解和比較結果傳送給其他VPP；如果兩次迭代結果滿足給定精度，則迭代結束，否則，整個聯(lián)合系統(tǒng)未達到納什最優(yōu)條件，需進行進一步地調(diào)整。t時刻迭代結束后，進行t+1時刻求解，重復上述過程。自適應域長度的確定測誤差帶-P 測誤差帶-P t,WPP,i,ΔPt,WPP,i傳統(tǒng)MPC預測域或控制域長度是固定的，對于固定的控制域或預測域，如果步長選取過大，影響系統(tǒng)準確性的同時增加尋優(yōu)時間；步長過短，則會陷入局部最優(yōu)而不能兼顧全局。為此，本研究設

1 2 n為r的區(qū)間劃分界值，它們的大小與風力出力的預測誤差直接相關，當誤差較小時，預測域選擇相對較大，反之則相對較小，本文以5%為分界點，將r劃分為4個區(qū)間?？梢?，采用本文方法確定的自適應預測域長度由于直接使用了風電出力區(qū)間預測結果，避免了文獻[11]選用相似日和相似場景的繁雜過程，確定區(qū)間誤差的客觀性也更強。求解算法本文優(yōu)化調(diào)度問題涉及的約束條件及變量比較多。粒子群算法具備求解效率高、準確率有保障的特點，適合作為本文的求解算法。然而，普通粒子群算法求解時會出現(xiàn)收斂速度慢、可操作性低等問題。最近研究中，以量子力學為基礎，提出了量子粒子群算法[14]。由于粒子具有量子行為，無法再用速度、位置等物理量來形容其狀態(tài)，而是用概率密度函數(shù)Ψ(x,t)來表示其出現(xiàn)在某一點的概率。粒子的出現(xiàn)概率采用薛定諤波動方程予以描述，粒子的位置則通過蒙特卡羅方法來模擬。因此，相比普通粒子群算法，量子粒子群算法在收斂速度上具備明顯的優(yōu)勢，本研究就選其作為求解算法。日內(nèi)實時反饋風電預測誤差不可避免，在日前滾動優(yōu)化階段一般都會發(fā)生改變，故日內(nèi)調(diào)度只在各個VPP內(nèi)間隔?T分割為等長度的m個更小時間間隔?t。由于可中斷負荷調(diào)度周期較長，故在日內(nèi)反饋中將不合風電更短時間尺度的預測值去調(diào)整包括燃氣輪機、儲能設備、VPP與大電網(wǎng)、VPP間聯(lián)絡線交互功率等在內(nèi)的控制變量。當對應大間隔?Tm個小間隔?t都調(diào)整完成后，就返回日前調(diào)度進入下一時域的滾動優(yōu)化。ΔP傳統(tǒng)日內(nèi)調(diào)度一般只考慮彌補與日前計劃值的偏差，日內(nèi)調(diào)度結果的經(jīng)濟性往往難以評估。為此，本文構建的日內(nèi)調(diào)度策略在考慮彌補日前計劃偏差的同時，還計及了經(jīng)濟性，即對于每個間隔?tΔP

式中，ES、G、e、m分別為儲能設備功率、燃氣輪機功率、與大電網(wǎng)交互功率、與其他VPP交互功率的調(diào)整懲罰成本系數(shù)；?P,ES,i、?t,G,i、?t,,i、?t,m,i分別為儲能設備功率、燃氣輪機功率、與大電網(wǎng)交互功率、與其他VPP交互功率的調(diào)整值。算例分析選取某開發(fā)區(qū)能源系統(tǒng)作為研究算例，系統(tǒng)內(nèi)3個VPP參與博弈，各VPP3所示。其中：VPP1、VPP2和VPP3中風電容量分別50、2030MW；MT采用同一型號機組，容量均為20MW；可中斷負荷最大切斷量為總負荷的10%；儲能設備最大充放電功率為10MW，儲能容量；大電網(wǎng)售電電價為購電電價為1.1元/(kW·h)，VPP間交易價格介于0.4～1.1元/(kW·h)之間；日前滾動優(yōu)化階段，取最大預測域長度為6h，優(yōu)化時間間隔?T=1h；日內(nèi)ΔPmaxS'=ωΔP

2i

+ωGT

2i

+ωeΔP2 +

實時反饋階段，取?t=15min。VPP單元其他參數(shù)iωmΔP2mi

見表1。圖3算例研究的能源系統(tǒng)結構Fig.3Energysystemstructureforcasestudy表1VPP各單元參數(shù)Table1ParametersofeachunitofVPP參數(shù)值參數(shù)值參數(shù)值λLλdλGTPmaxt,GT,iSOCmini0.6元/(kW·h)αλcλWPPGDGTSOCmaxi0.008元/(kW2·h)βλESPmint,GT,iGUGT0.6元/(kW·h)0.65元/(kW·h)0.55元/(kW·h)0.1元/(kW·h)0.57元/(kW·h)0.19元/(kW·h)5MW20MW0.2MW/min0.2MW/min0.10.9VPP日前協(xié)調(diào)運行結果為說明本文優(yōu)化調(diào)度方案的優(yōu)越性，設置以下3種運行場景：各VPP單獨優(yōu)化以前獲得自身最大利潤；

各VPP協(xié)同合作，同時參與大電網(wǎng)交易及VPP之間直接交易；各VPP合作，只有多VPP直接交易。3種場景下的VPP收益見表2、圖4。對比3種表23種場景下各VPP的運行利潤Table2OperatingprofitofeachVPPinthreescenariosVPP編號收益場景1場景2場景3VPP125.1230.2131.32VPP217.8623.3325.76VPP319.5325.6926.21總計62.5179.2383.29圖43種場景下燃氣輪機出力對比Fig.4Comparisonofgasturbineoutputinthreescenarios場景下VPP利潤可知，3個VPP聯(lián)合調(diào)度后，場景23相較場景13VPP總利潤分別提高26.75%、33.24%。這是因為各VPP獨立運行時，VPP內(nèi)高負荷時從電網(wǎng)購電電價高，內(nèi)部燃氣輪機處于高負荷運行狀態(tài)，提高了運行成本；而各VPP間可直接交易時，VPP間直接交易電價低于電網(wǎng)購電單價，從而提高VPP的收益?？梢姳疚臉嫿ǖ亩郪PP聯(lián)合調(diào)度模型是一種有效的利潤分配方法，有利于提高VPP運行的整體經(jīng)濟性。圖5為VPP1在場景1和場景2下的VPP與大電網(wǎng)及其他VPP的總交易電量。由圖5可知，在11:00—15:00時段，場景2下VPP1出售更多的電量；在16:00—19:00時段，由于風電出力不足，需購買更多電量。由于VPP間直接交易電價介于大電網(wǎng)購售電的電價之間，場景2下交易電量明顯高于場景1。在算例24h計算周期中，場景2下相比場景1，購電量增加38.35%，售電量增加15.21%。場景2和場景3中3個VPP的日前交易電量如圖6所示，功率大于0為出售電量，小于0表示從外部購電，在VPP中風電富余的時段，則參與電

圖5場景1和場景2下VPP1交易電量Fig.5TransactionpowerofVPP1inscenario1and2量交易。在16:00—19:00時段，VPP2風電出力較大，向外部出售大量的電量。場景3下，由于電量交易僅限于VPP間，VPP2富余的風電由其余兩個VPP共同消納，與場景2相比較，VPP1、VPP3購買電量更多。由此可見，VPP間直接進行交易，在一定程度上減小了電網(wǎng)的負擔，多VPP聯(lián)合運行，為未來構建大區(qū)域能源互聯(lián)網(wǎng)提供了參考。圖6場景2和場景3下各VPP