[发明专利]一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法

权利要求书

1.一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法，其特征是：包括以下步骤：

预测次日的负荷，并估算响应容量和成本，根据预测和估算的结果参与电力市场竞价；

根据电力市场竞价所得负荷备用或削减计划，向用户发布削负荷时刻和待削减量；

用户基于自身失负荷成本，进行需求侧的竞价；

求解基于需求侧竞价和多能互补的优化决策模型，得到用户的削负荷量和CCHP的出力增发量，并向用户和CCHP下发调度指令；

所述优化决策模型以对CCHP和用户总调度费用最小为优化目标，最小调度费用的表达式为：

式中n为用户数量，T为调度周期，ΔL_i,t为用户申报的削峰量，λ_b，i为用户报价，x_i,t为状态变量，nh和nq分别为以热定电和以冷定电的CCHP数量，λ_H和λ_Q分别为热补偿价格和冷补偿价格，ΔH_i,t和ΔQ_i,t分别为热出力变化量和冷出力变化量。

2.根据权利要求1所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法，其特征是：所述最小调度费用满足用户需求侧竞价约束、CCHP产能约束、削峰指标约束、CCHP净削减电负荷约束、多能平衡负荷约束和用户削负荷约束。

3.根据权利要求2所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法，其特征是：所述用户需求侧竞价约束通过需求侧竞价模型获得，所述需求侧竞价模型的构建过程为：

根据Q-Learning强化学习算法模拟用户的报价行为，获得报价策略；

根据Boltzmannε-greedy探索策略进行报价策略的选择，得到最优策略。

4.根据权利要求3所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法，其特征是：所述根据Q-Learning强化学习算法模拟用户的报价行为，获得报价策略的具体过程为：

构建环境-可行域空间，将待削减总量N等分，边际电价M等分，S空间得到N*M种状态；

基于失负荷成本进行报价，得到可行域空间A和可选策略的数量n_a。

5.根据权利要求4所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法，其特征是：所述根据Boltzmannε-greedy探索策略进行报价策略的选择，得到最优策略的具体过程为：

根据Boltzmann策略选择策略a_r，并根据greedy策略选择策略a_p；

生成随机数ε，若满足则选取策略a_p，否则选取策略a_r，式中Q_t(s,a)定义为第t轮竞价时对应各状态s和各策略a的Q值，Q_t-1(s_t,a_r)为第t-1轮竞价时对应状态s_t和策略a_r时的Q值，Q_t-1(s_t,a_p)第t-1轮竞价时对应状态s_t和策略a_p时的Q值，T₁为退火系数；

利用用户获得的即时回报更新Q_t(s,a)，并对Q_t(s,a)仿真计算，在Q_t(s,a)以概率1收敛于均衡状态时，对应的策略为最优策略。

6.根据权利要求2所述的一种基于需求侧竞价和多能互补的虚拟电厂调度优化方法，其特征是：所述CCHP产能约束满足CCHP机组出力等于计划原产量与出力改变量的和，以及机组最小开停时间约束条件。