[发明专利]一种基于关键场景辨别的虚拟电厂随机自适应鲁棒优化调度方法

权利要求书

1.一种基于关键场景辨别的虚拟电厂随机自适应鲁棒优化调度方法，其特征在于：该方法包括以下步骤：

步骤1，根据原始数据构建以虚拟电厂(virtual power plant,VPP)利润最大化为目标的VPP确定性模型；构建模型约束条件；所述原始数据包括：日前能量市场(day-aheadenergy market,DAM)、实时能量市场(real-time energy market,RTM)数据以及VPP各聚合单元的参数；所述约束条件包括：燃气轮机约束、ESS约束、可中断负荷约束、DAM/RTM交易量约束、功率平衡约束；

步骤2，VPP的优化调度需要考虑不确定性的影响；在VPP确定性模型的基础上，采用随机规划法处理市场电价的不确定性，采用自适应鲁棒方法处理光伏出力的不确定性，从而建立VPP随机自适应鲁棒模型；

步骤3，采用关键场景辨别算法求解虚拟电厂(VPP)随机自适应鲁棒模型，输出最优调度结果；

所述步骤1建立了VPP确定性模型，包括以下步骤：

步骤1.1：VPP所有者的优化目标是最大化累计盈利，包括参与DAM和RTM所获得的收入、燃气轮机的运行成本、中断负荷成本，其目标函数表示为：

其中，T为一天的总时段数；λ_t^DA、λ_t^RT分别为DAM和RTM电价；P_t^DA、S_t^DA为VPP在DAM的购售电量；P_t^RT、为VPP在RTM的购售电量；k^p为购电系数，表示购电价格与售电价格之比；为燃气轮机的运行成本；为中断负荷成本；

采用分段线性函数描述燃气轮机的运行成本：

其中，a为燃气轮机的固定成本；布尔变量表示燃气轮机是否工作；K_l为燃气轮机第l段发电成本斜率；g_l,t为燃气轮机第l段出力；N_l为燃气轮机成本曲线的线性分段数；λ^su、λ^sd分别为燃气轮机启停成本；布尔变量分别表示燃气轮机是否启动、停止；为燃气轮机总出力；

可中断负荷成本为VPP向用户支付的中断负荷补偿费用，根据中断负荷的等级对用户进行补偿，中断负荷成本表示为：

其中，n_m为中断等级数；为第m级中断负荷的补偿价格；为t时段第m级负荷中断量；

步骤1.2：构建VPP确定性模型的约束条件，所述约束条件包括：

(1)燃气轮机约束条件：

其中，g^GT,max、g^GT,min分别为燃气轮机的最大、最小输出功率；r^U、r^D为燃气轮机的向上、向下爬坡率；为燃气轮机第l段出力上限；t^su、t^sd分别为燃气轮机的最小开关机时间；t^su，0、t^sd，0分别为燃气轮机的初始开关机时间；分别为t时段和t-1时段燃气轮机的总出力；布尔变量表示燃气轮机在t时段和t-1时段是否工作；

(2)电储能系统(ESS)约束条件：

其中，分别为电储能系统(electric energy storage system,ESS)t时段和t-1时段的蓄电量；η_c、η_d分别为ESS的充放电效率；分别为ESS的充放电量；S^es,max、S^es,min分别为ESS蓄电量的上下限；g^esc,max、g^esd,max分别为ESS的最大充放电功率；

(3)可中断负荷约束条件：

其中，为第m级负荷中断系数；为t时段电负荷；分别为t时段和t-1时段的负荷中断量；L^curt,max为连续时间内的最大负荷中断量；

(4)DAM/RTM交易量约束条件：

0≤P_t^DA≤P^DA,max (22)

0≤P_t^RT≤P^RT,max (24)

其中，P_t^DA、分别为t时段VPP在DAM的购售电量；P_t^RT、分别为t时段VPP在RTM的购售电量；P^DA,max、S^DA,max为VPP在DAM的最大购售电量；P^RT,max、S^RT,max为VPP在RTM的最大购售电量；

(5)功率平衡约束条件：

其中，P_t^RES为光伏电站出力；

所述步骤2采用随机规划法处理市场电价不确定性，采用自适应鲁棒方法处理光伏出力不确定性，建立虚拟电厂随机自适应鲁棒模型，包括以下步骤：

步骤2.1：考虑VPP同时参与DAM和RTM的情况；在DAM阶段，VPP在光伏不确定参数实现之前进行决策；在RTM阶段，VPP在光伏不确定参数和日前市场决策实现后进行决策；虚拟电厂随机自适应鲁棒模型的目标函数表示为：

其中，n_p为电价场景数；π(p)为电价场景概率；下标p、s分别表示第p组电价场景和第s组光伏出力场景；Ω为原始光伏场景集；

步骤2.2：随机自适应鲁棒模型在DAM阶段考虑了电价场景，日前决策变量特征为均含有下标p、t，下标p表示第p组电价场景，下标t表示t时段；在RTM阶段考虑了电价场景和光伏场景，实时决策变量特征为均含有下标p、t、s，下标s表示第s组光伏出力场景；所述随机自适应鲁棒模型的约束条件为：

(1)日前运行约束条件：

(2)实时运行约束条件：

所述步骤3采用关键场景辨别算法求解虚拟电厂随机自适应鲁棒模型；该算法将原虚拟电厂随机自适应鲁棒模型分解为主模型和子模型进行迭代求解，主模型为关键场景集下的VPP单层优化模型，子模型则用来辨别关键场景集；包括以下步骤：

步骤3.1：引入辅助变量τ^MP代替随机自适应鲁棒模型第二阶段的min-max问题，表示VPP在RTM所获得的最低利润，将原三层优化模型转化为单层优化模型，即模型目标函数由式(26)转化为式(51)，所述单层优化模型即为分解后的主模型，具体模型如下：

(1)所述主模型的目标函数为：

其中，Ω_MP为关键场景集；

(2)日前运行约束条件：式(27)～(34)；

(3)实时运行约束条件：式(35)～(50)；

步骤3.2：引入辅助变量表示光伏场景集Ω\Ω_MP下VPP在RTM所获得的利润，Ω\Ω_MP表示剔除关键场景集的原始光伏场景集，τ^SP表示最恶劣情况下的所述最恶劣情况指的是虚拟电厂利润最低的情况，对应的场景即为关键场景，从而将原三层优化模型即式(26)中第二阶段的min-max问题转化为单层优化模型，所述单层优化模型即为分解后的子模型，具体模型如下：

(1)所述子模型的目标函数为：

(2)实时运行约束条件：式(35)～(50)；

步骤3.3：主模型用来求解关键场景集Ω_MP下的VPP最大利润，子模型用来辨别关键场景s^sp并将其添加到关键场景集Ω_MP中，根据分解后的主模型和子模型进行迭代求解，输出所得最优调度结果；

根据分解后的主模型和子模型进行迭代求解，方法如下：

(1)定义初始关键场景集Ω_MP＝{s₀}，其中s₀为初始光伏场景；

(2)求解关键场景集Ω_MP下的主模型，将主模型求得的第一阶段决策变量表示为z_MP；

(3)将z_MP代入子模型求解，计算出光伏场景集Ω\Ω_MP下的根据式(54)辨别出τ^SP对应的关键场景s^sp，即选出使虚拟电厂利润最小的场景；

(4)比较主模型中τ^MP与子模型中τ^SP的大小，若τ^MP≤τ^SP，则说明关键场景集中的关键场景已经包含所有场景的不确定性信息，转至步骤(5)；否则将关键场景s^sp添加到关键场景集Ω_MP中，即Ω_MP＝{Ω_MP、s^SP}，同时，式(35)～(50)中各变量的下标光伏出力场景s也增加1，下标s每加1，即在主模型中增加一组实时运行约束条件，转至步骤(2)，继续迭代；

(5)输出步骤(2)中求解主模型所得的最优调度结果，即决策变量