[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

说明书

本发明公开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，步骤是：根据原始数据构造以虚拟电厂利润最大为优化目标的虚拟电厂确定性模型，构建模型约束条件；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；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；与标准场景算法相比本发明方法极大地削减了场景数量，减少了计算时间，并且能够适应大规模场景下的自适应鲁棒模型求解。

技术领域

本发明属于电力系统电源调度领域，特别涉及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。

背景技术

我国能源结构正向清洁、低碳方向转变，而可再生能源具有地理位置分散、随机性强、波动性大、可控性较弱等特点，随着接入电网的总规模不断扩大，对电网的安全、可靠、经济运行提出了新挑战。虚拟电厂(virtual power plant,VPP)通过先进的通信、计量和控制技术聚合可再生能源、储能、需求响应(demand response,DR)等多种分布式能源，作为一个整体参与电网运行，能够减小分布式能源单独并网对公网造成的冲击，并提高其市场竞争力。

VPP在优化调度过程中会受到可再生能源出力以及市场电价等不确定性因素的影响。目前，自适应鲁棒方法已被应用于处理不确定性因素，其中机组启停决策为第一阶段，经济调度决策为第二阶段。求解算法有标准场景算法、Benders算法以及列约束生成算法(column and comstraint generaion,CCG)。Benders和CCG算法均不可避免地引入了非线性项，都需要采用Big-M法对非线性项进行线性化处理，因此增加了边界参数和二进制变量，导致在问题规模较大时模型求解复杂。标准场景算法通过列举不确定集的顶点将自适应鲁棒模型由三层优化模型转化为单层模型，但是计算效率较低，在求解大规模问题时甚至可能出现模型不可解的情况。

发明内容

发明目的：针对以上问题，本发明提出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，极大地削减了求解所需的场景数量，从而提高了算法的求解效率。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：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，包括如下步骤：

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，由于市场电价和光伏出力的不确定性以及不平衡惩罚的存在，VPP目标利润与实际利润之间存在偏差，为了提高整体收益，降低不平衡惩罚，VPP的优化调度需要考虑不确定性的影响；因此，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，为提高计算效率，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。

采用软件GAMS24.4以及Matlab对基于关键场景辨别算法的VPP随机自适应鲁棒模型进行联合编程求解，结果表明：关键场景辨别算法极大地削减了场景数量，减少了计算时间，并且随着场景集规模的增加，计算时间增长缓慢，能够适应大规模场景下的自适应鲁棒模型求解。

进一步，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：