一种风储联合投标策略优化方法及其装置与流程

本发明涉及电力调度调控，尤其涉及一种风储联合投标策略优化方法及其装置。

背景技术：

1、随着电力市场化改革的深化进行，风电参与电力市场将成为一种必然的趋势。然而，由于风电出力的不确定性，其实际出力可能与计划出力产生较大的偏差，并由此承担巨额的偏差考核费用。储能作为应对风电出力不确定性的最有效的物理手段，可与风电联合参与电力市场，提高风电企业的盈利能力。

2、现有针对风储联合投标策略优化的方法主要包括经典数学优化方法、商业求解器和启发式算法三类，但分支定界法、割平面法等经典数学优化方法具有严格的理论基础，运行稳定，但对问题性质的依赖性较强。cplex、mosek等商业求解器应用便捷，但在场景的数量较大时依然难以高效求解。遗传算法、粒子群算法等启发式算法不受限于问题的性质，应用广泛，但解的质量不稳定。

3、因此，目前亟需一种能够提高风储联合投标策略优化计算的精度和效率的方法。

技术实现思路

1、本发明提供了一种风储联合投标策略优化方法及其装置，以解决现有技术中风储联合投标策略优化计算的精度和效率低、受限于求解问题性质、求解质量不稳定的技术问题。

2、为了解决上述技术问题，本发明实施例提供了一种风储联合投标策略优化方法，包括：

3、根据风电和压缩空气储能联合参与电能量与调频的数据信息，通过状态变量、决策变量、状态转移方程、即时收益函数、外部信息和最优值函数来描述马尔科夫决策过程，并基于所述马尔可夫决策过程，构建得到风储联合模型；

4、其中，所述风储联合模型的状态变量定义为储能的荷电状态；所述风储联合模型的决策变量包括能量市场申报量、调频容量申报量以及风电和储能的功率基点；所述外部信息包括日前市场价格、实时市场价格、调频里程价格和风电的最大出力；

5、根据所述风储联合模型，通过随机对偶动态规划算法，得到重新表述后的风储联合值函数；

6、对所述风储联合值函数进行迭代计算，从而求解得到最优解，作为风储联合投标策略进行输出，进而完成风储联合投标策略优化。

7、作为优选方案，所述风储联合模型的决策变量中的能量市场申报量、调频容量申报量以及风电和储能的功率基点，均满足的约束包括：

8、0≤ptw,en≤wta

9、

10、

11、

12、

13、

14、

15、

16、ptb,en＝ptb,d+ptb,s-ptb,c

17、

18、

19、

20、其中，为第t个时段的能量市场申报量；为调频容量申报量；ptw,en、ptb,en分别为风电、储能第t个时段的功率基点，wta为风电在第t个时段的最大出力；为储能的最大功率容量；ptw,rup、ptw,rdn分别为风电在第t个时段预留的上、下调频容量；ptb,rup、ptb,rdn分别为储能在第t个时段预留的上、下调频容量；δw、δb分别为风电、储能的爬坡率；ptb,c、ptb,d、ptb,s分别为储能在第t个时段的充电、放电和简单循环功率；分别代表储能在第t个时段的充电、放电和简单循环模式的状态。

21、作为优选方案，所述状态转移方程包括：

22、et+1＝et+η(ptb,c-ptb,d)δt+η(βdnptb,rdn-βupptb,rup)；

23、其中，et为第t个时段储能的荷电状态，η为压缩空气储能的能量比率；βup、βdn分别为调频过程中单位上、下调频容量造成的能量损失，δt为第t时段和第t+1时段之间的时间差。

24、作为优选方案，所述即时收益函数包括：

25、

26、其中，为第t个时段的即时收益函数，st为第t个时段的状态变量，at为第t个时段的决策变量，和分别为第t个时段的能量市场收益、调频市场收益和储能操作成本；和的计算方式包括：

27、

28、

29、

30、其中，分别为第t个时段的日前市场价格、实时市场价格和偏差惩罚价格；ch为发电核定成本；α为调频里程系数，代表单位调频容量对应的调频里程；为第t个时段的调频里程价格；为第t个时段的调频综合性能指标；hd、hs分别为储能的放电、简单循环模式的耗热率；pgas为天然气的价格；costope,c、costope,d、costope,s分别为充电、放电和简单循环模式的单位操作成本。

31、作为优选方案，所述最优值函数包括：

32、其中，sτ为第τ时段的状态变量，aτ为第τ个时段的决策变量，at为第t个时段的决策变量，为第τ个时段的即时收益函数，t为预设所要进行策略投标的总时段。

33、作为优选方案，所述根据所述风储联合模型，通过随机对偶动态规划算法，得到重新表述后的风储联合值函数，具体包括：

34、根据所述风储联合模型中的最优值函数，通过随机对偶动态规划算法，得到重新表述后的风储联合值函数；

35、其中，所述风储联合值函数包括i为迭代次数，vt表示通过i次迭代而得到的第t个时段的风储联合值函数，vt为第t个时段的真实的最优值函数，vt通过迭代更新来逼近真实的最优值函数vt。

36、作为优选方案，在所述得到重新表述后的风储联合值函数之后，还包括：

37、对所述风储联合值函数中的整数变量进行线性松弛，得到整数松弛问题：

38、

39、根据所述整数松弛问题的最优目标函数值和偏导函数信息，生成本德斯割，进而得到整数松弛问题值函数；其中，所述整数松弛问题值函数应满足：

40、

41、其中，mt为第t个时段的外部信息场景数；和为第h次迭代中第t个时段的第j个场景生成的本德斯割的系数。

42、作为优选方案，所述对所述风储联合值函数进行迭代计算，从而求解得到最优解，作为风储联合投标策略进行输出，具体包括：

43、对线性松弛后得到的所述整数松弛问题进行初始化操作，并依次对第一初始场景进行采样，在每个第一初始场景中获取对应该初始场景的时段；

44、依次求解每个时段中的整数松弛问题，直至所有第一初始场景中各个时段均完成求解后，得到状态序列信息，从而计算出所述整数松弛问题的上界参数；

45、将每个第一初始场景的时段进行倒序排列，并采样所有外部信息场景，从而依次求解出每个外部信息场景中的整数松弛问题，进而收集到最优目标函数值以及偏导数信息；

46、根据每个外部信息场景中的整数松弛问题及其最优目标函数值和偏导数信息，来更新得到倒序排列后下一个时段的近似值函数，直至更新至倒序排列的最后一个时段，求解最后一个时段的整数松弛问题，并将求解得到的最优目标函数值作为下界参数；

47、当所述上界参数与所述下界参数之间的差值绝对值大于预设收敛容限，则重新计算上界参数和下界参数；

48、当所述上界参数与所述下界参数之间的差值绝对值小于预设收敛容限，则根据所述整数松弛问题的上界参数和下界参数，得到所述整数松弛问题的最优解，并作为风储联合投标策略进行输出。

49、作为优选方案，在所述得到重新表述后的风储联合值函数之后，还包括：

50、将所述风储联合值函数中的状态变量二进制化，从而将二进制化后的状态变量进行拉格朗日松弛，并构造得到对偶松弛问题：

51、其中，为第t个时段的拉格朗日乘子，为第t-1个时段的决策后状态矢量，为第t+1个时段的状态矢量，k为二进制状态变量的个数，为离散后的二进制状态变量；

52、根据所述对偶松弛问题的最优目标函数值和偏导函数信息，生成本德斯割，进而得到对偶松弛问题值函数；其中，所述对偶松弛问题的值函数应满足：

53、

54、其中，mt为第t个时段的外部信息场景数；和为第h次迭代中第t个时段的第j个场景生成的本德斯割的系数。

55、作为优选方案，在所述构造得到对偶松弛问题之前，还包括：

56、增加对二进制状态变量的冗余约束，使得当前时刻的状态变量复制上一时段的状态变量：

57、其中，为离散后当前时段的二进制状态变量，为离散后上一时段的决策后状态变量。

58、作为优选方案，所述对所述风储联合值函数进行迭代计算，从而求解得到最优解，作为风储联合投标策略进行输出，进而完成风储联合投标策略优化，具体还包括：

59、对拉格朗日松弛后得到的对偶松弛问题进行初始化操作，并依次对第二初始场景进行采样，在每个第二初始场景中获取对应该第二初始场景的时段；

60、依次求解每个时段中的风储联合值函数，直至所有第二初始场景中各个时段均完成求解后，得到状态序列信息，从而计算出所述风储联合值函数的上界参数；

61、将每个第二初始场景的时段进行倒序排列，并采样所有外部信息场景，从而通过可行非精确投影次梯度算法，依次求解出每个外部信息场景中的对偶松弛问题，进而收集到最优目标函数值以及偏导数信息；

62、根据每个外部信息场景中的对偶松弛问题及其最优目标函数值和偏导数信息，来更新得到倒序排列后下一个时段的近似值函数，直至更新至倒序排列的最后一个时段，求解最后一个时段的风储联合值函数，并将求解得到的最优目标函数值作为下界参数；

63、当所述上界参数与所述下界参数之间的差值绝对值大于预设收敛容限，则重新计算上界参数和下界参数；

64、当所述上界参数与所述下界参数之间的差值绝对值小于预设收敛容限，则根据所述对偶松弛问题的上界参数和下界参数，得到所述对偶松弛问题的最优解，并作为风储联合投标策略进行输出。

65、作为优选方案，所述通过可行非精确投影次梯度算法，依次求解出每个外部信息场景中的对偶松弛问题，具体为：

66、初始化对偶松弛问题迭代求解的迭代次数，并设置初始点；

67、当则将当前的迭代点作为最优解，并结束迭代；

68、否则，从当前的迭代点出发，沿着ε-次梯度方向执行一步，得到投影向量，并对投影向量进行非精确投影，得到下一个迭代点，从而重新判断是否成立；

69、其中，s为当前的迭代次数，μ0为初始点，μs为当前的迭代点，μs+1为下一个的迭代点，μs+δsds为投影向量，δs为外生步长；为选定的ε-次梯度方向，f(x)为对偶松弛问题的函数，对于凹函数f(x)以及ε≥0，

70、作为优选方案，所述对投影向量进行非精确投影，得到下一个迭代点，具体为：

71、定义相对容错函数：其中，γ,θ,λ≥0是预设的容错参数；

72、根据所述相对容错函数，对所述投影向量进行非精确投影，得到下一个迭代点：

73、其中，为投影映射，的定义为：

74、

75、相应地，本发明还提供一种风储联合投标策略优化装置，包括：模型构建模块、算法表述模块和迭代计算模块；

76、所述模型构建模块，用于根据风电和压缩空气储能联合参与电能量与调频的数据信息，通过状态变量、决策变量、状态转移方程、即时收益函数、外部信息和最优值函数来描述马尔科夫决策过程，并基于所述马尔可夫决策过程，构建得到风储联合模型；

77、其中，所述风储联合模型的状态变量定义为储能的荷电状态；所述风储联合模型的决策变量包括能量市场申报量、调频容量申报量以及风电和储能的功率基点；所述外部信息包括日前市场价格、实时市场价格、调频里程价格和风电的最大出力；

78、所述算法表述模块，用于根据所述风储联合模型，通过随机对偶动态规划算法，得到重新表述后的风储联合值函数；

79、所述迭代计算模块，用于对所述风储联合值函数进行迭代计算，从而求解得到最优解，作为风储联合投标策略进行输出，进而完成风储联合投标策略优化。

80、相比于现有技术，本发明实施例具有如下有益效果：

81、本发明的技术方案通过风电和压缩空气储能联合参与电能量与调频的数据信息，来构建基于马尔可夫决策过程的风电联合模型，进而通过随机对偶动态规划算法来得到风储联合值函数，避免了风储联合投标策略优化计算的精度和效率低、受限于求解问题性质，进而不同于现有的经典数学优化方法、商业求解器和启发式算法，来对风储联合投标策略进行优化，并通过对风储联合值函数进行迭代计算，得到最优解后作为风储联合投标策略进行输出，从而提高了求解质量的稳定性，准确且高效地对风储联合投标策略进行优化。

82、进一步地，本发明还提出了基于随机对偶动态规划的风储联合投标方法，首先建立基于马尔可夫决策过程的风储联合投标模型；其次，在随机对偶动态规划的框架下进行求解，并通过拉格朗日松弛技术提高求解精度；再次，利用可行非精确投影次梯度法实现拉格朗日对偶问题的加速求解，一方面能避免整数变量的线性松弛，提高解的质量，另一方面能减少拉格朗日对偶问题的迭代计算量，提高求解速度和求解质量的稳定性。

83、进一步地，基于风储联合投标的实际需求，以随机对偶动态规划、拉格朗日松弛和可行非精确投影次梯度法为基本理论工具，建立基于随机对偶动态规划的风储联合投标方法，并对随机对偶动态规划进行改进，提高解的速度和精度，解决传统方法无法在预期合理的时间内形成风储联合投标策略的问题。