相关论文：
-
-
全球能源互联网
第7卷 第4期 2024年07月；页码：431-442
虚拟电厂供需侧双层协调自适应鲁棒优化调度
Two-layer Coordinated Adaptive Robust Optimal Scheduling on Supply and Demand Side of Virtual Power Plant
- 国网重庆市电力公司，重庆市 渝中区 400015
- LYU Xiaohong*, LIU Wei, LIU Keheng, JIANG Jing (State Grid Chongqing Electric Power Company, Yuzhong district, Chongqing 400015, China
关键词
Keywords
摘 要
Abstract
源荷预测是虚拟电厂（virtual power plant，VPP）制定未来调度计划的重要依据。提出一种基于多频组合短期源荷预测的VPP发电侧和用户侧协同优化调度方法。首先对时间序列的负荷数据进行集合经验模态分解（ensemble empirical mode decomposition，EEMD），并将其重构为高低2种频率，使用图卷积神经网络（graph convolution network，GCN）和长短期记忆网络（long short-term memory，LSTM）相结合的GCN-LSTM算法进行预测，并将多频模型得出的预测结果聚合形成不确定模糊集合。考虑需求响应，建立VPP双层优化调度模型。上层以用户利益最大化为目标，综合利用需求响应调度作用，基于制定的分时电价优化多类型可控负荷。下层以分布式电源出力成本最小为目标，同时兼顾供需两侧利益，实现VPP内部资源的优化，并运用改进列约生成算法将上述模型分解为主、子问题进行求解。通过算例分析对所构建的模型进行经济性、鲁棒性和有效性验证。
Source and load prediction is an important basis for virtual power plant (VPP) to make future dispatching plans. A collaborative optimization scheduling method of VPP generation side and user side based on multi-frequency combination short-term source load prediction is proposed. First of all, ensemble empirical mode decomposition (EEMD) is performed on the load data of the time series and reconstructed into two kinds of frequency, which is then predicted by the graph convolution network and long short-term memory (GCNLSTM) fusion algorithm. The prediction results obtained from the multi-frequency model are aggregated into an uncertain fuzzy set. Considering the demand response, the VPP dayahead two-layer optimal scheduling model is established. The upper layer takes the user benefit maximization as the goal,comprehensively utilizes the scheduling function of demand response, and optimizes multiple types of controllable loads based on the established time-of-use price. The lower layer aims to minimize the output cost of distributed power supply and take into account the interests of both sides of supply and demand, so as to optimize the internal resources of VPP. The above model is decomposed into main and sub-problems for solving by using the improved column reduction generation algorithm. The economy, robustness, and effectiveness of the proposed model are verified by a case analysis.
0 引言
虚拟电厂（virtual power plant，VPP）在技术上能有效降低分布式能源地理位置分散及不确定性对电网运行的不利影响[1-3]；在经营上可聚合多种分布式能源为合作联盟参与市场运营，最大限度实现资源互补，同时减少能源独立参与市场运行的风险，获得规模经济收益[4-7]。而且，VPP更加注重优化能源组合以满足新型电力系统需求，更加强调呈现效果和作用使其符合新能源建设需求，VPP中各利益主体也能直接参与电力供需平衡，优化用电负荷曲线，促进新能源消纳[8-10]。然而，VPP发展也面临着功率调节能力差和信号响应速度慢等难题，为实现社会和经济效益最大化，还需深入研究VPP优化调度策略[11-13]，分析VPP中可再生能源和需求响应等调度资源，规划设计VPP高效运行架构，提高经济效益，促进分布式电源消纳，推动实现能源多元化、电网智能化及环境友好化[14-15]。
目前，国内外关于VPP优化调度的研究屡见不鲜。文献[16]基于分布式能源并网的管理需求分析了VPP管理的适应性，并与其他智能管理方式进行对比分析。文献[17]整合某地区资源形成VPP，进行了日前优化调度研究。文献[16-17]验证了一定程度上VPP调度资源能够有效实现电网经济低碳运行，但忽略了VPP内部可再生能源的随机性、波动性和间歇性。为提升VPP运行的安全性和经济性，需建立精细化表征不确定性源的VPP优化调度模型。文献[18-19]设计了基于风电、光伏出力不确定性的VPP调度模型。文献[20]将风电机组、储能设备组合为一个发电系统，建立联合运调中心，优化内部资源，提高了整体竞争力。文献[21]为减少能源并网的冲击性，建立了考虑电动汽车、风光能源不确定性的优化调度模型。文献[22-23]分别研究了包含风光、水电和储能系统以及风电、光伏、微型燃气轮机和抽水蓄能系统的VPP发电侧优化调度模型。文献[24]基于价格型需求响应引导用户合理用电以实现VPP协调运行。文献[23-24]从需求侧视角对电力系统资源进行了优化调度，然而，单纯的供需一侧调度已不能满足现阶段优化需求，需要建立需求侧与发电侧协同优化调度模型。VPP优化调度研究工作中，要根据国家规划和电力行业发展趋势进行多种目标优化调度规划，同时也要全面考虑VPP中的不确定性因素，并将其纳入VPP优化调度模型中，使模型更适合实际应用。
源荷预测是VPP优化调度工作的前提和基础，预测结果的准确度将直接影响优化调度策略效果的准确性。目前，预测分为经典预测算法和智能预测算法。经典算法主要包括时间序列法、回归分析法以及趋势外推法[24-25]，模型直观简单，数据量要求较小，但无法描述温度、经济等不确定性信息，且预测误差会随着时长的增加不断变大。由于可再生能源及新型负荷的不可控性，基于经典算法的源荷预测模型已无法适应分布式能源接入的VPP的供需平衡。智能预测算法受到了更多关注，其中，以人工神经网络（artificial neural networks，ANN）等算法为代表的机器学习（machine learning，ML）预测模型应用最广泛。卷积神经网络（convolutional neural network，CNN）凭借网络参数少和多维数据抽象特征提取的优势开始应用于分布式能源预测。文献[26]利用CNN算法对风光功率进行了预测，以冗余连接适应多数据模式实现了抗波目的，在预测精度上得到了突破。但由于可再生能源对外部变化的强敏感性，其预测模型的稳定性和泛化能力还需要进一步提高。长短期记忆网络（long short-term memory，LSTM）由于其强大的非线性映射表征力被广泛应用到可再生能源领域，LSTM记忆单元长期保存误差信息的功能使其在训练时具有相对陡峭的梯度，有效防止了梯度消失，同时也加快了训练速度，且利用“门控机”保存训练成功的数据，更新记忆单元信息，更容易学习时序数据间的长时依赖性[27-29]。
综上所述，为有效实现VPP中源荷不确定性管理，本文提出基于集合经验模态分解（ensemble empirical mode decomposition，EEMD）-图卷积神经网络（graph convolution network，GCN）-LSTM多频组合源荷时空预测方法，通过场景分析法对大量历史数据进行筛选，并生成具有代表性的典型场景。考虑到用户的需求响应，构建VPP双层调度模型，上层以用户收益最大化为目标，下层以VPP成本最小化为目标，基于源荷预测结果确定VPP各分布式设备和负荷预调度计划。在所构建的双层优化模型中引入自适应鲁棒优化理论，以实现优化结果鲁棒性的进一步提高，并运用列约束生成算法将其分为主问题和子问题进行求解，通过对偶理论将复杂的max-min优化模型转化成max模型，降低不确定因素对VPP运行的干扰，采用列约束生成算法进行求解，改善鲁棒优化模型结果的保守性。
1 基于多频组合源荷预测的VPP分层分布式调度架构
1.1 VPP分层分布式调度架构
VPP聚合电动汽车、分布式发电、需求响应资源、储能和微电网等多种分布分散和技术、商业差异大的参与者为一个多利益主体，组成虚拟实体，参与电网管理和市场[30]，主要分为参与市场交易的商业型CVPP和实现资源调控配置的技术型TVPP。VPP聚合分布式能源，对外参与电力市场和运营商调控，对内实现分布式能源的协调控制及与用户互动，VPP对分布式能源调控、上下游数据交互如图1所示。VPP基础平台实现预测、优化决策和监控功能。数据库进行预测与优化决策所需的分布式能源出力、负荷历史数据及气象数据等信息的处理与存储。
图1 基于多频组合源荷预测的VPP分层分布式调度架构
Fig. 1 VPP hierarchical distributed scheduling architecture based on multi-frequency combined source load
各运营商通过VPP主动管理分布式能源，VPP向各运营商提供预测和电压控制等本地服务，并向运营商报告分布式能源灵活性评估结果，运营商根据电网运行情况对VPP发送调控指令，完成内部分布式能源协调控制，实现功率调控目标[31]。然而，考虑分布式能源特性差异，实际运行过程中，VPP也可以制定购售电计划并参与电力市场，为电网提供辅助服务。
1.2 EEMD-GCN-LSTM多频组合源荷时空预测方法
考虑源荷数据的时间序列特性和波动性，运用EEMD将其分解为随机性较强的高频分量和波动性较小的低频分量。深度学习理论具有强感知能力和学习能力，是处理复杂非线性问题最接近人类思维的智能化方法，本文提出GCN和LSTM相结合的算法对高低频分量进行处理，最后将2种分量预测结果组合重构，实现完整源荷预测。
1.2.1 集合经验模态分解
EEMD主要利用白噪声频谱的均匀分布特性实现信号的自适应分解。首先设置能反映源荷数据振幅水平并确保与白噪声信号幅度相当的参考尺度，在原始源荷数据中加入噪声信号得到新源荷数据，其表达式为
然后，将得到的新源荷数据通过经验模态分解为频率不同的若干个单一频率的本征模函数IMj(t )和余波分量rn(t )：
重复式（1）—（2），并在重复分解过程中加入强度相同序列不等的白噪声σSL,in(t)，最后经过多次平均，噪声相互抵消，输出集成均值结果作为最终源荷数据的分解结果。
1.2.2 图卷积神经网络
GCN具有稀疏连接、权值共享和空间池化等特征，训练源荷数据时会将原始数据抽象化，在降低源荷数据维度和训练难度的同时提高计算效率、减少过度拟合风险，以此预测源荷数据中波动性较小的低频分量。
将生成的源荷典型场景作为初始数据，以列向量ySL,j =(ySL,1,ySL,2,ySL,3,…,ySL,m)形式输入到输入层，通过卷积层对其进行非线性卷积操作，公式为
式中：i表示稀疏连接，其取值范围为j到n，j=1，2，…，m－s+1，n=j+s －1，s表示卷积核滑动步长；
表示
的权值；
表示
i的阈值，同一卷积核中取相同的权值和阈值；f表示sigmond函数，公式如下：
池化层接收到卷积层传输的特征图后进行池化操作，公式为
式中：VSL表示平均值。
最后由全连接层输出池化层对低频分量源荷数据的池化结果，公式为
GCN为高效激活提取特征的神经网络，添加了多个隐含层和ReLU函数，ReLU函数计算公式为
在GCN中的源荷数据以节点特征和结构信息描述，其处理数据公式和数据图模型为
式中：USL表示源荷数据节点集；ISL表示源荷数据节点间的连接情况；ASL表示源荷数据的邻接矩阵。
隐藏层公式为
式中：KSL表示GCN隐藏层输出的源荷低频分量数据结果；ωSL表示权重矩阵；
表示对角矩阵；ESL为单位矩阵。以YSL作为K的初始输入数据
。
1.2.3 长短期记忆网络
源荷数据不仅存在强关联的输入输出关系，还受环境和历史数据的影响。基于前馈神经网络在隐藏层加入自反馈连接形成循环神经网络（recurrent neural network，RNN），全面挖掘和高效处理VPP中源荷与电价序列信息对时间的依赖性。RNN在循环传播源荷数据时，将此刻及以前的累积源荷数据输入到单元内，由共享参数完成连接，进行学习及训练后输送到下一单元。同时RNN也存在些许不足，其反向传播需要不断更新参数，造成了重复计算，且增加了训练时间，源荷数据传递累积到极限长度时，极易发生梯度消失或爆炸的现象。长短期记忆网络通过在RNN隐藏层中引入输入门、遗忘门、输出门和内部记忆单元来减少对记忆源荷信息的长期依赖性，避免循环结构的逐层重复计算，解决了梯度爆炸和消失问题，以此预测随机性较强的源荷数据中的高频分量。
以
、
表示源荷数据t－1时刻单元和隐藏层的状态，
、
表示源荷数据更新后t时刻单元和隐藏层的状态。xSL,t表示t时刻的源荷输入信息。fSL,t、iSL,t和oSL,t分别表示遗忘门、输入门和输出门，其中，遗忘门通过参数σ(σ∈(0,1))筛选源荷历史信息，避免隐藏层数据量过大；输入门主要用于控制当前时刻单元的源荷信息；输出层作用为更新隐藏层，形成隐藏信息和循环信息。通过上述三“门”完成神经元信息提取，提高源荷预测模型的收敛性。
短期记忆信息
和当前时刻信息xSL,t经由遗忘门形成遗忘向量fSL,t，表达式为
式中：WSL,f为隐藏层输出
与输入xSL,t的权值参数；bSL,f为偏置参数。
叠加此刻输入信息xSL,t和上时刻短期记忆信息
，通过tanh函数更新长期记忆候选信息，由输入门筛选长期记忆信息量，输出表达式为
通过遗弃无用新信息和添加有用新信息对细胞状态进行更新，表达式为
由输出门处理当前单元的长期记忆，得到输出信息和短期记忆，表达式为
1.2.4 基于EEMD-GCN-LSTM的VPP源荷预测方法
基于EEMD-GCN-LSTM的VPP负荷预测模式结构如图2所示。首先，通过GCN对多VPP电力市场空间联络结构抽象为图模型G=(V，E)，所有VPP组成节点集合V，并按顺序进行无重复唯一编号①、②、…、⑧，以VPP中的分布式能源出力、负荷需求量为图节点特征向量。GCN-layer对VPP提取空间特征时是以某节点为中心向相邻节点扩展提取信息的形式，单层GCN只取一阶相邻节点信息，如以节点①为中心提取相邻节点②、③、④、⑤上的特征数据，由此堆叠卷积层获取全局源荷低频分量预测数据。由LSTM训练高频分量源荷数据，通过三“门”增加和减少包含4个神经网络层的LSTM-cell神经元信息，得到高频分量源荷数据预测结果，最后将高、低频分量预测结果进行融合得到最终的源荷预测结果。
图2 基于EEMD-GCN-LSTM的源荷预测架构
Fig. 2 Source load prediction architecture based on EEMD-GCN-LSTM
2 VPP双层调度模型
以EEMD-GCN-LSTM多频组合源荷时空预测模型的预测结果为输入数据，构建供需两侧的VPP双层调度模型。上层考虑VPP用户效益最大，综合利用需求响应调度作用，基于制定的分时电价优化多类型可控负荷。下层基于上层调度结果，以分布式电源出力成本最小为目标，同时兼顾供需两侧利益，实现VPP内部资源的优化。通过上下层的动态交互，不断调整策略，响应市场变化需求。
2.1 上层CVPP模型
上层调度模型的目标是最大化用户侧收益。上层模型目标函数为
式中：F1表示VPP用户最大效益；ΔT、T分别表示调度时段的时长和调度时段个数；ρse,t表示CVPP制定的与用户的交易电价；ρbuy,F,t表示t时段CVPP与用户签订的购电电价；PF,t表示t时段CVPP与用户签订的购电电量；PD,t表示制定分时电价后时段CVPP用户用电量；ρbuy,S,t表示t时段CPVV与市场的交易电价；PS,t表示CPVV与市场的交易电量，当CVPP向市场售电时，PS,t为正数，CVPP向市场购电时，PS,t为负数；FTVPP表示总发电成本。
上层约束条件主要包括售电电价约束、负荷削减量与削减次数约束、可转移负荷约束、可平移负荷约束和功率平衡约束：
式中：
、
和
分别表示CVPP用户售电电价的最小值、最大值和平均值。
式中：
、
分别表示可削减负荷的最小和最大削减量。
式中：
、
分别表示转移负荷量的最小值和最大值；
为最小运行时间。
式中：t4、t4+以及t3、t3－分别表示可平移负荷原用能区间和转移后用能区间的上限值和下限值；
、
分别为可平移负荷的最小值和最大值。
2.2 下层TVPP模型
建立TVPP发电成本最优的下层目标函数：
式中：Frq,j,t表示第j台燃气轮机在t时段的运行成本；Fwt,t表示t时段风机运行成本；Fpv,t表示t时段光伏运行成本；Fes,t表示t时段储能运行成本。各设备运行成本具体表达式为
式中：Prq,j,t表示第j台燃气轮机在t时段的发电功率；arq,j、brq,j、crq,j分别为二次项、一次项和常数项系数；Pwt,t表示风机t时段预测功率；Ppv,s,t表示光伏t时段预测功率；bwt、bpv分别表示风机和光伏实际发电功率与成本的关系系数；ΔPwt,t、ΔPpv,t分别表示t时段的弃风和弃光量；Pes,t表示t时段储能充放功率；aes、bes、ces分别为储能设备功率参数。
下层约束条件主要包括功率平衡约束、燃气轮机运行约束、爬坡率约束、风光电源出力约束、储能系统容量约束和潮流约束。
式中：
分别表示第j台燃气轮机在t时段发电功率的最大值以及爬坡功率的最大值和最小值；
分别表示风机发电功率的最小值和最大值；
分别表示光伏发电功率的最小值和最大值；E0、Emin、Emax分别表示储能设备初始容量、最小容量以及最大容量。
3 VPP双层调度模型自适应鲁棒优化与求解
3.1 自适应鲁棒优化模型
鲁棒优化是运用区间表示不确定性的方法，以不确定集表示不确定因素变化范围，寻求最恶劣场景下解的过程，保守性较强。为改善此不足，本文采用自适应鲁棒优化（adaptive robust optimization，ARO），通过在传统鲁棒优化模型中添加随不确定因素变动能够自动调整的自适应函数，提高不确定条件下控制策略的鲁棒性。根据随机变量的实际变化情况求解的ARO模型在电力系统优化调度领域已取得了丰硕的研究成果[32-33]，但在VPP中应用较少，因此，本文基于自适应鲁棒优化对VPP双层调度模型进行转化：
式中：x表示上层CVPP优化后的决策变量；ξ表示随机变量，为源荷不确定性；U表示随机变量的不确定集合；g (x)表示上层CVPP优化问题的目标函数；y表示调控决策变量；f (y)表示下层TVPP的调控阶段优化问题的目标函数；Ω(x,)ξ表示调控阶段决策变量的可行集合。
3.2 列约束生成算法求解
将多层优化模型耦合在一起求其解的过程难度较大，基于鲁棒优化模型的求解算法通常有列约束生成算法（column-and-constraint generation algorithm，C&CG）和Benders分解算法，都是将原问题分解为主、子问题得到最优解的求解过程。Benders分解算法[34]及推广算法[35-36]在切割平面算法上取得了迅速发展。但面对大规模问题时，Benders分解算法求解耗时较长，具有较差的灵活性和适应性。C&CG基于不同切割平面进行求解的方式求解能力强，C&CG通过引入子问题变量和约束，紧凑原目标函数下界值求解主问题，减少迭代次数，高效求解多层次优化问题，已在文献[37-38]中得到验证。因此，本文提出采用列约束生成算法求解VPP自适应鲁棒优化调度模型。
在自适应鲁棒优化模型基础上，考虑可再生能源不确定性概率分布及最恶劣场景下最优经济效益CVPP优化调度方案，整合双层调度模型公式，形成最终目标函数为
式中：x表示不确定性能源发电在最恶劣场景最优经济效益下的CVPP优化调度方案；y表示对应x的调控方案。
利用C&CG求解不确定多项式鲁棒优化模型，具体流程如图3所示。
图3 C&CG求解鲁棒优化模型流程图
Fig. 3 Flow chart of robust optimization model solved by C&CG
利用C&CG求解不确定多项式鲁棒优化模型，首先改写该模型为紧凑矩阵方程，公式为
式中：cTx表示CVPP优化调度阶段用户收益函数；dTy表示调度阶段成本函数；u表示风光电源和负荷功率等不确定变量；max表示优化调度中最高成本下最恶劣场景。
运用C&CG求解VPP双层鲁棒优化调度模型时，要先将鲁棒优化模型的目标函数进行解耦，分解成主、子问题。
主问题为
式中：m表示迭代次数；ym表示子问题迭代m次的解。
子问题为
通过给定(x,u)值，转化最小化问题为确定线性优化问题，若不给定(x,u)值，需要随机枚举场景，计算量极大。
式中：d、y表示列向量；A1、A2、A3表示m1、m2、m3列n行的矩阵；b1、b2、b3表示m1、m2、m3维列向量。
为了便于求解，运用对偶理论将上述复杂的最大-最小两层优化模型的子问题中的内层min模型转化成max模型，并与外层的max合并。转化方式如下。
若原问题为
则对偶形式为
式中：z1、z2、z3表示m1、m2、m3维行向量。
根据对偶理论原理，对偶形式为
4 算例分析
4.1 算例基础数据
本文选取IEEE 33标准节点结构作为本文的数据信息进行分析，其中光伏、风机、储能等设备接入如图4所示，各设备容量如表1所示，储能设备参数如表2所示。各分布式电源设备的用电量特性如表3所示，用户侧负荷参数详见文献[39]。
表1 分布式设备容量配置
Table 1 Capacity configuration of distributed devices
电源设备容量接入位置1号风机500 kW节点15 2号风机600 kW节点6 3号风机500 kW节点31 1号光伏400 kW节点3 2号光伏500 kW节点10 1号储能300 kWh节点4 2号储能300 kWh节点24 3号储能200 kWh节点8 1号燃气轮机100 kW节点12 2号燃气轮机100 kW节点14
表2 储能设备相关参数
Table 2 Parameters of the energy storage device
储能参数数值充放电效率/%95 SOCmin0.15 SOCmax0.95
表3 机组能耗特性参数
Table 3 Unit consumption characteristic parameters
机组类型a/(元·kW-1)b/(元·kW-1)c/元1号燃气轮机1.250.4750 2号燃气轮机1.500.5000风电机组0.000.4900光伏机组0.000.7200蓄电池1.000.2150
图4 光伏、风机、储能等设备接入IEEE 33节点拓扑图
Fig. 4 Topology of IEEE 33-bus system connecting PV, WT, and ESS
4.2 算例结果分析
图5给出了通过本文所提方法对光伏功率的预测结果与时间相关性图，颜色表示相关系数，颜色由蓝到黄表示相关性越强，横纵坐标表示时间。可以看出随着时间间隔的变小，光伏功率预测误差与时间的相关系数越大，表明光伏功率预测误差存在时间相关性。在进行分布式电源不确定性功率预测时，需要考虑到预测误差与时间的相关性，GCN-LSTM预测光伏功率时考虑到该特性，有助于排除不确定集无效区域，提高了预测的精度，降低结果保守度。
图5 光伏功率预测的时间相关性
Fig. 5 Time dependence of photovoltaic power prediction
如图6所示，在负荷预测结果上本文所提预测方法效果最佳。从不同算法预测性能上来看，本文所提方法在负荷急剧变化时，预测即时性要更优于其他方法，主要表现在负荷变动的极值点处没有出现明显的滞后性。相比较下，CNN在负荷变化明显的时间段预测结果误差较大，滞后性明显，而且难以捕捉负荷发生的微小变动趋势，导致对细节数据变化难以做出比较准确的预测，只能预测负荷变动的大趋势，究其原因主要与CNN的卷积特性有关。
图6 不同预测方法负荷预测结果和预测误差对比
Fig. 6 Comparison of load forecasting results and forecasting errors of different forecasting methods
为进一步验证本文所提方法的准确性，将预测结果与实际值通过均方根误差RMSE与平均绝对误差MAE进行评估，其计算公式分别如式（37）、（38），评估结果如表4所示。
表4 不同方法下的预测误差
Table 4 Prediction errors of different methods
方法RMSEMAE CNN0.4780.346 LSTM0.4860.338 GCN-LSTM0.3820.282
式中：T表示评估时长；yt表示真实值；
表示模型预测值。
本文所提方法相比于CNN方法和LSTM方法，平均绝对误差分别降低了18.5%、16.6%，提高了模型挖掘输入特征的能力，提高了预测结果的准确率。
本文提出的考虑需求响应的虚拟电厂双层调度模型，目的是最大化上层CVPP用户的收益，图7给出了负荷的实际功率与经过双层模型交互迭代后得到的期望功率对比。可以看出，结合分时电价情况，上层模型在19:00—21:00和23:00的电价高峰期，将负荷电能需求转移到01:00—07:00和24:00以降低用户用电成本，结果表明VPP双层鲁棒优化模型形成的上层调度方案能更好保证用户收益。
图7 上层需求响应负荷的实际和期望功率
Fig. 7 Actual and expected power of demand respond load of upper level
下层CVPP以发电成本、储能系统充放电成本等运行成本最小化为目标。图8给出了下层TVPP可控电源和储能系统调度方案，储能功率正值表示放电，负值表示充电。根据分时电价与上层CVPP需求响应结果，下层TVPP调度计划中，储能系统在低电价时间段01:00—06:00以及24:00充电，在20:00—22:00高电价时间段放电，通过响应分时电价来降低下层运行成本。风机和光伏等可控电源也响应负荷需求，在负荷需求较低和分时电价较低的时段（01:00—05:00和24:00）减小功率输出，在负荷需求较高和分时电价较高的时段尽可能多出力，在满足负荷需求的同时，提高电源输出功率收益，综合降低微电网的成本。
图8 可控电源和储能系统的下层调度计划
Fig. 8 Lower level scheduling plan for controllable power and energy storage systems
本文通过将双层调度优化模型转化成自适应鲁棒优化模型，在源荷功率预测最坏的情况下，保证上层负荷用户的收益最大化，下层分布式电源等设备运行成本最小的目标。相较于传统鲁棒模型，本文所提自适应鲁棒模型能更好地适应上层负荷的需求响应。图9给出了源荷在自适应鲁棒优化后与实际源荷功率的对比。可以看出，在负荷、风机和光伏功率的总体趋势上，本文所提鲁棒调度优化结果与源荷实际功率结果逼近，在00:00—05:00时段内，无光照，风速较大，主要通过风电来满足电力用户用电需求，储能系统进行充电，增加储能设备储备电量；在白天05:00—18:00时段内，光伏设备开始工作，随着光照逐渐变强，光伏输出功率变大，随着风速降低，风电输出功率减少，并减少了对储能设备充电，保证电力负荷需求。
图9 源荷鲁棒调控优化与实际功率优化功率对比
Fig. 9 Power comparison between source and load robust control optimization of and actual power optimization
表5给出了传统的鲁棒方法与本文所提方法在经济效益和新能源利用率的对比结果。本文所提方法使得上层和下层收益分别提高了1 600.3元和3 331.5元，新能源利用率提高了8.3个百分点。
表5 微电网调控阶段各效益指标对比
Table 5 Comparison of various benefit indicators in the microgrid control stage
类型经济收益/元新能源利用率/%传统鲁棒方法本文所提方法上层用户收益22 806.124 406.4下层发电收益42 105.745 437.287.395.6本文所提方法传统鲁棒方法
5 结论
本文针对虚拟电厂发展面临的功率调节能力差和信号响应速度慢以及源荷功率不确定性管理困难等难题，进行了计及源荷不确定性的虚拟电厂多目标优化调度研究，提出基于EEMD-GCN-LSTM的源荷预测算法。该方法在考虑时空特性的前提下，相较于其他神经网络预测方法能够有效提高预测精度。
以VPP优化调度为切入点，考虑VPP成员中可再生能源的随机性、需求响应及电价多重不确定性，构建了VPP用户需求响应的双层优化调度模型，并将双层模型转化为自适应鲁棒优化模型，通过列约束生成算法分解为主、子问题进行求解。算例结果表明所提VPP双层调度模型不仅可以提高用户收益、降低发电成本，还具有良好的鲁棒性。
参考文献
-
[1]
蒋正威，张锋明，胡凤桐，等. 虚拟电厂分布式资源的聚合响应能力评估方法[J]. 电力工程技术，2022，41(6)：39-49.JIANG Zhengwei, ZHANG Fengming, HU Fengtong, et al.Evaluation method of aggregated responsiveness of distributed resources in virtual power plant[J]. Electric Power Engineering Technology, 2022, 41(6): 39-49 (in Chinese). [百度学术]
-
[2]
田壁源，常喜强，戚红燕，等. 基于混合博弈的园区虚拟电厂广义储能共享与协同优化调度[J]. 电力需求侧管理，2023，25(4)：8-14.TIAN Biyuan, CHANG Xiqiang, QI Hongyan, et al.Generalized energy storage sharing and collaborative optimal scheduling of park-level vritual power plants based on mixed game[J]. Power Demand Side Management, 2023, 25(4): 8-14(in Chinese). [百度学术]
-
[3]
陈会来，张海波，王兆霖. 不同类型虚拟电厂市场及调度特性参数聚合算法研究综述[J]. 中国电机工程学报，2023，43(1)：15-28.CHEN Huilai, ZHANG Haibo, WANG Zhaolin. A review of market and scheduling characteristic parameter aggregation algorithm of different types of virtual power plants[J].Proceedings of the CSEE, 2023, 43(1): 15-28 (in Chinese). [百度学术]
-
[4]
LU Y N, GAO G Z, YANG S C, et al. Research on trading strategy of virtual power plant with distributed energy aggregation based on cooperative game[C]//2021 IEEE 5th Conference on Energy Internet and Energy System Integration(EI2). Taiyuan, China. IEEE, 2021: 2070-2075. [百度学术]
-
[5]
李英量，周丽雯，王德明，等. 计及用户分级的虚拟电厂经济调度[J]. 电力系统保护与控制，2022，50(16)：121-130.LI Yingliang, ZHOU Liwen, WANG Deming, et al.Virtual power plant economic dispatching considering user classification[J]. Power System Protection and Control, 2022,50(16): 121-130 (in Chinese). [百度学术]
-
[6]
李孟阳，李国杰，汪可友，等. 考虑需求响应及调频性能变化的虚拟电厂日前投标策略[J]. 电力系统保护与控制，2023，51(3)：13-25.LI Mengyang, LI Guojie, WANG Keyou, et al. Day-ahead bidding strategy for virtual power plant considering demand response and frequency regulation performance variation[J].Power System Protection and Control, 2023, 51(3): 13-25 (in Chinese). [百度学术]
-
[7]
刘亚鑫，蔺红. 计及碳交易与条件风险值的虚拟电厂竞价策略[J]. 电力工程技术，2023，42(6)：179-188.LIU Yaxin, LIN Hong. Bidding strategy of virtual power plant considering carbon trading and conditional value at risk[J].Electric Power Engineering Technology, 2023, 42(6): 179-188(in Chinese). [百度学术]
-
[8]
吴卓超，马刚，杨世海，等. 基于目标级联的分布式交易模型的虚拟电厂运行优化策略[J]. 电力需求侧管理，2022，24(1)：7-13.WU Zhuochao, MA Gang, YANG Shihai, et al. Virtual power plant operation optimization strategy based on analysis target cascading of distributed transaction model[J]. Power Demand Side Management, 2022, 24(1): 7-13 (in Chinese). [百度学术]
-
[9]
黄勤坤，邱瑜，王飞，等. 考虑多重不确定性的虚拟电厂随机优化调度[J]. 电网与清洁能源，2022，38(11)：8-16.HUANG Qinkun, QIU Yu, WANG Fei, et al. Stochastic optimal scheduling of virtual power plants considering multiple uncertainties[J]. Power System and Clean Energy, 2022,38(11): 8-16 (in Chinese). [百度学术]
-
[10]
王世谦，贾一博，白宏坤，等. 分时电价下电动汽车参与虚拟电厂的经济优化调度方法[J]. 电力需求侧管理，2023，25(5)：19-26.WANG Shiqian, JIA Yibo, BAI Hongkun, et al. Economic optimization scheduling method of electric vehicle participating in virtual power plant under time-of-use price[J]. Power Demand Side Management, 2023, 25(5): 19-26 (in Chinese). [百度学术]
-
[11]
程熹，洪雅迪，邱辛泰. 计及电动汽车负荷特性的虚拟电厂优化调度[J]. 电力需求侧管理，2022，24(4)：28-35.CHENG Xi, HONG Yadi, QIU Xintai. Optimal dispatch of virtual power plant considering electric vehicle load characteristics[J]. Power Demand Side Management, 2022,24(4): 28-35 (in Chinese). [百度学术]
-
[12]
蒋望，赵理，李亦非，等. 基于滚动时域优化和反馈校正的虚拟电厂实时优化调度方法[J]. 电网与清洁能源，2022，38(8)：40-50.JIANG Wang, ZHAO Li, LI Yifei, et al. A real-time optimal scheduling method of virtual power plants based on rolling time domain optimization and feedback correction[J]. Power System and Clean Energy, 2022, 38(8): 40-50 (in Chinese). [百度学术]
-
[13]
李翔宇，赵冬梅. 分散架构下多虚拟电厂分布式协同优化调度[J]. 电工技术学报，2023，38(7)：1852-1863.LI Xiangyu, ZHAO Dongmei. Distributed coordinated optimal scheduling of multiple virtual power plants based on decentralized control structure[J]. Transactions of China Electrotechnical Society, 2023, 38(7): 1852-1863 (in Chinese). [百度学术]
-
[14]
王宣元，高洪超，张浩，等. 面向新型电力系统的灵活资源聚合技术应用场景分析及建设启示[J]. 电力需求侧管理，2022，24(1)：73-80.WANG Xuanyuan, GAO Hongchao, ZHANG Hao, et al.Analysis and enlightenment of aggregation technology application scenarios of flexible distributed energy resources oriented to new power system[J]. Power Demand Side Management, 2022, 24(1): 73-80 (in Chinese). [百度学术]
-
[15]
张钧钊，姜欣，段世杰，等. 虚拟电厂参与电-碳联合市场运行的竞价策略研究[J]. 电力系统保护与控制，2023，51(11)：108-118.ZHANG Junzhao, JIANG Xin, DUAN Shijie, et al. Bidding strategy for a virtual power plant to participate in the powercarbon joint market[J]. Power System Protection and Control,2023, 51(11): 108-118 (in Chinese). [百度学术]
-
[16]
田立亭，程林，郭剑波，等. 虚拟电厂对分布式能源的管理和互动机制研究综述[J]. 电网技术，2020，44(6)：2097-2108.TIAN Liting, CHENG Lin, GUO Jianbo, et al. A review on the study of management and interaction mechanism for distributed energy in virtual power plants[J]. Power System Technology, 2020, 44(6): 2097-2108 (in Chinese). [百度学术]
-
[17]
袁桂丽，贾新潮，房方，等. 虚拟电厂源荷双侧热电联合随机优化调度[J]. 电网技术，2020，44(8)：2932-2940.YUAN Guili, JIA Xinchao, FANG Fang, et al. Joint stochastic optimal scheduling of heat and power considering source and load sides of virtual power plant[J]. Power System Technology,2020, 44(8): 2932-2940 (in Chinese). [百度学术]
-
[18]
BARINGO A, BARINGO L, ARROYO J M. Day-ahead selfscheduling of a virtual power plant in energy and reserve electricity markets under uncertainty[J]. IEEE Transactions on Power Systems, 2019, 34(3): 1881-1894. [百度学术]
-
[19]
孙国强，周亦洲，卫志农，等. 基于混合随机规划/信息间隙决策理论的虚拟电厂调度优化模型[J]. 电力自动化设备，2017，37(10)：112-118.SUN Guoqiang, ZHOU Yizhou, WEI Zhinong, et al. Dispatch optimization model of virtual power plant based on hybrid stochastic programming and information gap decision theory[J]. Electric Power Automation Equipment, 2017,37(10): 112-118 (in Chinese). [百度学术]
-
[20]
罗翼婷，杨洪明，牛犇，等. 考虑多风能预测场景的虚拟电厂日内滚动柔性优化调度方法[J]. 电力系统保护与控制，2020，48(2)：51-59.LUO Yiting, YANG Hongming, NIU Ben, et al. Day-ahead flexible rolling optimization dispatch of virtual power plant based on multi-wind forecasting results[J]. Power System Protection and Control, 2020, 48(2): 51-59 (in Chinese). [百度学术]
-
[21]
袁桂丽，王宝源. 含电动汽车的虚拟电厂经济性优化调度[J]. 太阳能学报，2019，40(8)：2395-2404.YUAN Guili, WANG Baoyuan. Economic optimal dispatch of virtual power plant with electric vehicles[J]. Acta Energiae Solaris Sinica, 2019, 40(8): 2395-2404 (in Chinese). [百度学术]
-
[22]
LIU Y Y, LI M, LIAN H B, et al. Optimal dispatch of virtual power plant using interval and deterministic combined optimization[J]. International Journal of Electrical Power and Energy Systems, 2018, 102: 235-244. [百度学术]
-
[23]
PANDZIC H, KUZLE I, CAPUDER T. Virtual power plant mid-term dispatch optimization[J]. Applied Energy, 2013, 101:134-141. [百度学术]
-
[24]
刘晓峰，高丙团，李扬. 博弈论在电力需求侧的应用研究综述[J]. 电网技术，2018，42(8)：2704-2711.LIU Xiaofeng, GAO Bingtuan, LI Yang. Review on application of game theory in power demand side[J]. Power System Technology, 2018, 42(8): 2704-2711 (in Chinese). [百度学术]
-
[25]
KHEMAKHEM S, REKIK M, KRICHEN L. A flexible control strategy of plug-in electric vehicles operating in seven modes for smoothing load power curves in smart grid[J]. Energy,2017, 118: 197-208. [百度学术]
-
[26]
张涛，顾洁. 高比例可再生能源电力系统的马尔科夫短期负荷预测方法 [J]. 电网技术，2018，42(4)：1071-1078.ZHANG Tao, GU Jie. Markov short-term load forecasting method for power system with high proportion renewable energy[J]. Power System Technology, 2018, 42(4): 1071-1078(in Chinese). [百度学术]
-
[27]
杨丽徙，张永锋，许向伟，等. 半参数回归分析法在电力负荷预测中的应用[J]. 郑州大学学报（工学版），2010，31(3)：29-32.YANG Lixi, ZHANG Yongfeng, XU Xiangwei, et al.Application of semi-parametric regression analysis method in electric power load forecasting[J]. Journal of Zhengzhou University (Engineering Science), 2010, 31(3): 29-32 (in Chinese). [百度学术]
-
[28]
WANG H Z, LI G Q, WANG G B, et al. Deep learning based ensemble approach for probabilistic wind power forecasting[J].Applied Energy, 2017, 188: 56-70. [百度学术]
-
[29]
董彦军，王晓甜，马红明，等. 基于随机森林与长短期记忆网络的电力负荷预测方法[J]. 全球能源互联网，2022，5(2)：147-156.DONG Yanjun, WANG Xiaotian, MA Hongming, et al. Power load forecasting method based on random forest and long shortterm memory[J]. Journal of Global Energy Interconnection,2022, 5(2): 147-156 (in Chinese). [百度学术]
-
[30]
RAJANISH K K, KAUR H. Particle swarm optimization for short-term scheduling of thermal-hydro-solar power generation systems[C]// International Conference on Advance Earth Sciences & Foundation Engineering, June 23rd -24th, 2022, Mohali, India. IOP Conference Series: Earth and Environmental Science, 2023, 1110: 012026. [百度学术]
-
[31]
RAMI A. Structure optimization of power system using simulated annealing algorithm[J]. Przeglad Elektrotechniczny(Electrical Review), 2011, 87(1):258-261. [百度学术]
-
[32]
殷爽睿，艾芊，宋平，等. 虚拟电厂分层互动模式与可信交易框架研究与展望[J]. 电力系统自动化，2022，46(18)：118-128.YIN Shuangrui, AI Qian, SONG Ping, et al. Research and prospect of hierarchical interaction mode and trusted transaction framework for virtual power plant[J]. Automation of Electric Power Systems, 2022, 46(18): 118-128 (in Chinese). [百度学术]
-
[33]
程韧俐，周保荣，史军，等. 面向区域统一电力市场的超大城市虚拟电厂关键技术研究综述[J]. 南方电网技术，2023，17(4)：90-100.CHENG Renli, ZHOU Baorong, SHI Jun, et al. Review of key technologies for mega-city virtual power plants upon regional unified power market[J]. Southern Power System Technology,2023, 17(4): 90-100 (in Chinese). [百度学术]
-
[34]
高昇宇，柳志航，卫志农，等. 城市智能光储充电塔自适应鲁棒日前优化调度[J]. 电力系统自动化，2019，43(20)：39-48.GAO Shengyu, LIU Zhihang, WEI Zhinong, et al. Adaptive robust day-ahead optimal dispatch for urban smart photovoltaic storage and charging tower[J]. Automation of Electric Power Systems, 2019, 43(20): 39-48 (in Chinese). [百度学术]
-
[35]
赵天阳，陈奇芳，张建华，等. 基于自适应鲁棒优化的互联微网能量/备用共享调度[J]. 电网技术，2016，40(12)：3783-3791.ZHAO Tianyang, CHEN Qifang, ZHANG Jianhua, et al.Energy/reserve sharing dispatch for interconnected multiple microgrids based on adaptive robust optimization[J]. Power System Technology, 2016, 40(12): 3783-3791 (in Chinese). [百度学术]
-
[36]
龚晶. 数学规划与约束规划整合下的多目标分组排序问题研究[J]. 运筹学学报，2016，20(1)：61-74.GONG Jing. Integration of mathematical programming with constraint programming for multi-objective planning and scheduling[J]. Operations Research Transactions, 2016, 20(1):61-74 (in Chinese). [百度学术]
-
[37]
曾鸣，白学祥，李源非，等. 基于Benders分解优化算法的区域能源供给服务网络系统规划方法研究[J]. 华北电力大学学报（自然科学版），2017，44(1)：89-96.ZENG Ming, BAI Xuexiang, LI Yuanfei, et al. Study on system planning solution for regional energy supply service network based on benders decomposition optimization method[J]. Journal of North China Electric Power University(Natural Science Edition), 2017, 44(1): 89-96 (in Chinese). [百度学术]
-
[38]
薛松，曾博，王跃锦. 基于Benders分解算法的跨区互联电力系统协调规划模型[J]. 中国管理科学，2016，24(5)：119-126.XUE Song, ZENG Bo, WANG Yuejin. Multi-area power system coordinated planning model based on benders decomposition algorithm[J]. Chinese Journal of Management Science, 2016, 24(5): 119-126 (in Chinese). [百度学术]
-
[39]
吕斌，黄丹，丁宏，等. 基于共享储能的台区多元负荷协同控制策略[J]. 电力自动化设备，2024，44(1)：32-39.LÜ Bin, HUANG Dan, DING Hong, et al. Multivariate load collaborative control strategy in transformer district based on shared energy storage[J]. Electric Power Automation Equipment, 2024, 44(1): 32-39 (in Chinese). [百度学术]
基金项目
作者简介
-
吕小红*
-
刘维
-
刘克恒
-
蒋婧