一种虚拟电厂与配电网的协同优化方法技术

本发明专利技术公开了一种虚拟电厂与配电网的协同优化方法。该方法包括：获取各运营主体的经典场景集，其中，运营主体为虚拟电厂或者配电网；根据各运营主体的经典场景集，建立各运营主体的优化模型；根据各运营主体的优化模型，得到虚拟电厂与配电网的协同优化策略和定价策略。本发明专利技术公开的技术方案能够兼顾各运营主体的利益需求和电力市场环境中的多种不确定因素，提升电力系统的可再生能源消纳能力及运行效率。

A Collaborative Optimization Method for Virtual Power Plant and Distribution Network

【技术实现步骤摘要】
一种虚拟电厂与配电网的协同优化方法
本专利技术实施例涉及电力系统
，尤其涉及一种虚拟电厂与配电网的协同优化方法。
技术介绍
在电力系统中，由于配电网包含多种灵活的分布式能源，通过将多种分布式能源聚合形成虚拟电厂，参与系统优化控制与市场运营，是一种促进可再生能源消纳和提升电力系统运行效率的有效方法，近年来得到了广泛关注。然而，电力市场环境下配电网中含有电价、负荷及可再生能源等多种随机因素，为虚拟电厂和配电网的运营和控制带来挑战。
技术实现思路
本专利技术提供一种虚拟电厂与配电网的协同优化方法，能够兼顾各运营主体的利益需求和电力市场环境中的多种不确定因素，提升电力系统的可再生能源消纳能力及运行效率。第一方面，本专利技术提供了一种虚拟电厂与配电网的协同优化方法，包括：获取各运营主体的经典场景集，其中，运营主体为虚拟电厂或者配电网；根据各运营主体的经典场景集，建立各运营主体的优化模型；根据各运营主体的优化模型，得到虚拟电厂与配电网的协同优化策略和定价策略。可选的，对于各运营主体中的任意一个运营主体，获取运营主体的经典场景集，包括：采用拉丁超立方抽样法获取运营主体的运行场景；采用多尺度NJW谱聚类算法对运行场景进行缩减，得到运营主体包含多种随机因素的经典场景集。可选的，采用拉丁超立方抽样法获取运营主体的运行场景，包括：将各随机因素误差概率密度分布划分为NG个等概率分布区间；在每个概率分布区间内进行随机抽样，获取一个随机数pi，其中，根据各随机因素误差概率密度分布进行逆变换，得到各随机因素的抽样值和其中，为随机因素U在场景i中t时刻的误差抽样值，F-1(·)为误差概率分布逆变换；为随机因素U在场景i中t时刻的样本抽样值；为随机因素U在场景i中t时刻的预测值。可选的，采用多尺度NJW谱聚类算法对运行场景进行缩减，得到运营主体包含多种随机因素的经典场景集，包括：对各随机因素的样本抽样值进行极值归一化处理；从幅度值、变化趋势和波动性三个方面分别对各运行场景中的多种随机因素进行多尺度度量；获取运营主体包含多种随机因素的经典场景集。可选的，对各随机因素的样本抽样值进行极值归一化处理，包括：利用公式对各随机因素的样本抽样值进行极值归一化处理，其中，NU为随机因素的数目；为随机因素U在场景i中t时刻归一化后的值。可选的，从幅度值、变化趋势和波动性三个方面分别对各运行场景中的多种随机因素进行多尺度度量，包括：利用欧式距离表示不同运行场景中各随机因素的幅度值差异其中，i、j＝1,2,…,NG；T为各运行场景中时间点总数；AU(i,j)为随机因素U在场景i和场景j间的幅度值差异值；利用相对距离表示不同运行场景中各随机因素的波动程度差异并定义不同运行场景间的波动程度差异矩阵其中，bi,j(t)为随机因素U在场景i和场景j在t时刻的相对距离；BU(i,j)为随机因素U在场景i和场景j间的波动程度差异值；m为一个常数，b′i,j(k)为bi,j(k)中前m个最大数；利用相关系数表示不同场景中各随机因素之间变化趋势的相似程度并定义不同场景间各随机因素之间变化趋势的差异程度CU(i,j)＝1-ri,j，其中，ri,j为场景i和场景j之间的相关系数；CU(i,j)为随机因素U在场景i和场景j间变化趋势的波动程度差异值；获取各运行场景中随机因素多尺度差异度量矩阵并采用高斯核函数将随机因素多尺度差异度量矩阵转换成相似程度度量矩阵其中，K(i,j)为场景i和场景j之间的多尺度相似性度量值，e为自然底数，γ为系数。可选的，对于各运营主体中的任意一个运营主体，根据运营主体的经典场景集，建立运营主体的优化模型，包括：根据运营主体的经典场景集，确定运营主体的优化目标和约束条件。可选的，若运营主体为配电网，则运营主体的优化目标为配电网的运营成本最低：其中，Ns为经典场景集的个数；ws为场景s的权重；BPDN,s,t为配电网从主网的单位购电成本；为场景s下配电网从主网的购电量；为配电网向虚拟电厂的单位售电收益；为场景s下配电网向虚拟电厂的售电量；为场景s下配电网中发电机i在t时刻的出力；为场景s下配电网中风电场i在t时刻的出力；为场景s下配电网中光伏电站i在t时刻的出力；NVPP为虚拟电厂个数；NCG为发电机个数；NWF为风电场个数；NPV为光伏电站个数；若运营主体为虚拟电厂，则运营主体的优化目标为虚拟电厂的运营成本最低：其中，为场景s下虚拟电厂k从配电网的购电量；为场景s下虚拟电厂k中发电机i在t时刻的出力；为场景s下虚拟电厂k中风电场i在t时刻的出力；为场景s下虚拟电厂k中光伏电站i在t时刻的出力；NCG,k为虚拟电厂k中发电机个数；NWF,k为虚拟电厂k中风电场个数；NPV,k为虚拟电厂k中光伏电站个数；可控机组的运行成本为：ai,bi,ci为发电机组i运行成本系数；可再生能源的发电成本为：αi为可再生能源i的直接运行成本系统；βi,γi分别为可再生能源i的弃风、弃光成本系数。可选的，约束条件至少包括：Pij,min≤Pij≤Pij,max；Qij,min≤Qij≤Qij,max；Vi,min≤Vi≤Vi,max；其中，配电网与主网功率交换限制值；为配电网向虚拟电厂k售电功率限制值；为虚拟电厂k从配电网购电功率限制值；和分别为配电网中机组i的出力上下限；和为虚拟电厂k中机组i的出力上下限；为配电网中机组i的最大爬坡速率；为虚拟电厂k中机组i的最大爬坡速率；为场景s下风电场i在t时刻的出力；为场景s下光伏电站i在t时刻的出力；为场景s下配电网中t时刻负荷的预测误差；为场景s下配电网中t时刻风电场i的预测误差；为场景s下配电网中t时刻光伏电站i的预测误差；为场景s下虚拟电厂k中t时刻负荷的预测误差；为场景s下虚拟电厂k中t时刻风电场i的预测误差；为场景s下虚拟电厂k中t时刻光伏电站i的预测误差；Pi为节点i的有功注入功率；Qi为节点i的无功注入功率；Vi为节点i的电压幅值；Pij为节点i到节点j支路上的有功功率；Qij为节点i到节点j支路上的无功功率；rij为节点i到节点j支路上的电阻；xij为节点i到节点j支路上的电抗；Pij,min和Pij,max分别为节点i到节点j支路上的有功功率上下限；Qij,min和Qij,max分别为节点i到节点j支路上的无功功率上下限。可选的，根据各运营主体的优化模型，得到虚拟电厂与配电网的协同优化策略和定价策略，包括：根据权重系数，计算各运营主体的电能交互计划和可控机组调度计划初始化虚拟电厂与配电网的交易电价j＝0，并求解各运营主体的优化模型；根据判断各运营主体所处的系统电量是否达到平衡；若平衡，则迭代终止并输出虚拟电厂与配电网的协同优化策略和定价策略；若不平衡，则根据更新虚拟电厂与配电网的交易电价，令j＝j+1，重新求解各运营主体的优化模型；其中，δ为电价迭代更新步长系数。本专利技术基于拉丁超立方抽样法获取运营主体的运行场景，并采用多尺度NJW谱聚类算法对运行场景进行缩减，得到运营主体包含多种随机因素的经典场景集，从而描述电力市场环境中的多种不确定因素；同时兼顾各运营主体的利益需求及系统安全运行，制定虚拟电厂与配电网的协同优化策略和定价策略，提升电力系统的可再生能源消纳能力及运行效率。附图说明图1是本专利技术实施例提供的一种虚拟本文档来自技高网...

【技术保护点】
1.一种虚拟电厂与配电网的协同优化方法，其特征在于，包括：获取各运营主体的经典场景集，其中，所述运营主体为虚拟电厂或者配电网；根据所述各运营主体的经典场景集，建立各运营主体的优化模型；根据所述各运营主体的优化模型，得到所述虚拟电厂与所述配电网的协同优化策略和定价策略。

【技术特征摘要】
1.一种虚拟电厂与配电网的协同优化方法，其特征在于，包括：获取各运营主体的经典场景集，其中，所述运营主体为虚拟电厂或者配电网；根据所述各运营主体的经典场景集，建立各运营主体的优化模型；根据所述各运营主体的优化模型，得到所述虚拟电厂与所述配电网的协同优化策略和定价策略。2.根据权利要求1所述的方法，其特征在于，对于各运营主体中的任意一个运营主体，所述获取运营主体的经典场景集，包括：采用拉丁超立方抽样法获取所述运营主体的运行场景；采用多尺度NJW谱聚类算法对所述运行场景进行缩减，得到所述运营主体包含多种随机因素的经典场景集。3.根据权利要求2所述的方法，其特征在于，所述采用拉丁超立方抽样法获取所述运营主体的运行场景，包括：将各随机因素误差概率密度分布划分为NG个等概率分布区间；在每个概率分布区间内进行随机抽样，获取一个随机数pi，其中，根据各随机因素误差概率密度分布进行逆变换，得到各随机因素的抽样值和其中，为随机因素U在场景i中t时刻的误差抽样值，F-1(·)为误差概率分布逆变换；为随机因素U在场景i中t时刻的样本抽样值；为随机因素U在场景i中t时刻的预测值。4.根据权利要求2所述的方法，其特征在于，所述采用多尺度NJW谱聚类算法对所述运行场景进行缩减，得到所述运营主体包含多种随机因素的经典场景集，包括：对各随机因素的所述样本抽样值进行极值归一化处理；从幅度值、变化趋势和波动性三个方面分别对各运行场景中的多种随机因素进行多尺度度量；获取所述运营主体包含多种随机因素的经典场景集。5.根据权利要求4所述的方法，其特征在于，所述对各随机因素的所述样本抽样值进行极值归一化处理，包括：利用公式对各随机因素的所述样本抽样值进行极值归一化处理，其中，NU为随机因素的数目；为随机因素U在场景i中t时刻归一化后的值。6.根据权利要求4所述的方法，其特征在于，所述从幅度值、变化趋势和波动性三个方面分别对各运行场景中的多种随机因素进行多尺度度量，包括：利用欧式距离表示不同运行场景中各随机因素的幅度值差异其中，i、j＝1,2,…,NG；T为各运行场景中时间点总数；AU(i,j)为随机因素U在场景i和场景j间的幅度值差异值；利用相对距离表示不同运行场景中各随机因素的波动程度差异并定义不同运行场景间的波动程度差异矩阵其中，bi,j(t)为随机因素U在场景i和场景j在t时刻的相对距离；BU(i,j)为随机因素U在场景i和场景j间的波动程度差异值；m为一个常数，b′i,j(k)为bi,j(k)中前m个最大数；利用相关系数表示不同场景中各随机因素之间变化趋势的相似程度并定义不同场景间各随机因素之间变化趋势的差异程度CU(i,j)＝1-ri,j，其中，ri,j为场景i和场景j之间的相关系数；CU(i,j)为随机因素U在场景i和场景j间变化趋势的波动程度差异值；获取各运行场景中随机因素多尺度差异度量矩阵并采用高斯核函数将所述随机因素多尺度差异度量矩阵转换成相似程度度量矩阵其中，K(i,j)为场景i和场景j之间的多尺度相似性度量值，e为自然底数，γ为系数。7.根据权利要求1所述的方法，其特征在于，对于各运营主体中的任意一个运营主体，所述根据运营主体的经典场景集，建立运营主体的优化模型，包括：所述根据所述运营主体的经典场景集，确定所述运营主体的优化目标和约束条件...

【专利技术属性】
技术研发人员：朱誉，仪忠凯，许银亮，向丽玲，王康，陆秋瑜，杨银国，李博，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，清华大学深圳研究生院，
类型：发明
国别省市：广东,44