一种虚拟电厂调度方法、调度系统及存储介质与流程

1.本发明涉及虚拟电厂控制技术领域，具体为提供了一种虚拟电厂调度方法、调度系统及存储介质。


背景技术：

2.为应对分布式能源在电力系统中的高渗透率，增强电力市场的活跃度和竞争力，虚拟电厂作为一种新概念应运而生，它由不同种类的可再生能源组成，分布式发电机、储能系统和柔性负载。能源管理、可再生能源利用、虚拟电厂市场机制等多项研究表明，虚拟电厂是提高能源利用效率和系统灵活性的有效框架，具有很高的经济效益。同时，诸如插电式电动汽车充电等柔性负载的协调也引起了越来越多的关注。灵活负载正在成为提高系统可控性、提供辅助服务以及为智能电网提供低成本和清洁电力消耗的可行候选者。
3.柔性负载种类繁多，性质不同，对提高虚拟电厂的灵活性和经济性具有很大的潜力。利用柔性负载可以有效提高电力系统的灵活性。但是，电动汽车、小型空调、洗碗机等大量小容量柔性负载很难直接参与经济调度或电力市场。原因有二：首先，只有大规模的用电密集型工业消费者愿意有意识地改变用电模式，积极参与需求响应，以获得可观的激励。但对于小消费者来说，他们对电力系统的个人影响通常很小，他们的消费模式变化对其收益影响不大。因此，小消费者参与系统优化和电力市场的动力很小。其次，大量的小规模柔性负载给系统优化带来了沉重的计算负担。如何让小用户直接参与系统调度或电力市场参与调度是一个亟待解决的技术问题。


技术实现要素：

4.为了解决上述问题，本发明提供了一种虚拟电厂调度方法，所述可延迟负荷接入到配电网母线上，每个母线上都设有多个聚合器，包括，
5.获得每个可延迟负荷的需求参数，
6.基于该需求参数，将具有相似特征的可延迟负荷归为同一聚合器，聚合为一个实体参与虚拟电厂调度；
7.构建虚拟电厂经济调度目标函数，获得聚合器的聚合功耗参考轨迹；
8.根据获得的参考轨迹剖面，聚合器将参考轨迹分解到每个可延迟负荷，并对所有满足其要求的可延迟负荷做出调度决策。
9.进一步的，用于对虚拟电厂的调度进行优化，将每个聚合器的可延迟负荷分解过程并行进行。
10.进一步的，将每个聚合器的可延迟负荷分解过程并行进行，整个过程的计算时间可以计算如下。
[0011][0012]
其中，ct
sum
为所提控制策略的总计算时间；ct1、ct2、ct4分别为步骤1、2、4的计算时
间；ct
3,i,k
为步骤3母线i第k个聚合器的计算时间。
[0013]
进一步的，设置可延迟负荷需求参数，其中每个可延迟负荷包含一组需求参数用于表示其需求信息，需求参数表示为：(t
start,l,j
,t
end,l,j
,p
l,j,max
,p
l,j,min
,e
l,j,max-de
,e
l,j,min-de
)，可延迟负荷的模型表示如下；
[0014]
p
l,j,min
≤p
l,j,t
≤p
l,j,max
,t
start,l,j
≤t≤t
end,l,j
[0015]
p
l,j,t
＝0,t＜t
start,l,j
,or,t＞t
end,l,j
[0016]el,j,t
＝e
l,j,t-1
+δt
·
p
l,j,t
[0017][0018]
其中，t
start,l,j
、t
end,l,j
分别为第j个可延迟负荷的开始和结束时间；p
l,j,max
、p
l,j,min
分别为第j个可延迟负荷的功率消耗最大值和最小值；e
l,j,max-de
、e
l,j,min-de
分别为第j个可延迟负荷能量需求的最大值和最小值；δt为调度的时间间隔。
[0019]
进一步的，对多个可延迟负荷的聚合包括如下步骤，
[0020]
1)使用母线上的聚合器总数作为初始化预期的组数n
agg,i
；
[0021]
2)使用极值归一化方法将同一母线上可延迟负荷的不同单位的需求参数归一化到[0,1]的范围内，归一化的主要目的是减少奇异数据对聚类算法的影响，提高收敛速度，具体公式为：
[0022][0023]
其中，x
′
l,j
为x
l,j
经过归一化处理后的参数，x
l,j
为需求参数；n
l,i
为第i组可延迟负荷的总数；
[0024]
3)计算可延迟负荷之间的距离矩阵d，具体为
[0025]
d(i,j)＝α1||t
′
start,l,i-t
′
start,l,j
||2+α2||t
′
end,l,i-t
′
end,l,j
||2+α3||e
′
l,i,max-e
′
l,j,max
||2+α4||e
′
l,i,min-e
′
l,j,min
||2+α5||p
′
l,i,max-p
′
l,j,max
||2+α6||p
′
l,i,min-p
′
l,j,min
||2[0026]
其中，α1,...,α6为可延迟负荷聚类中的权重系数；
[0027]
4)将距离矩阵d转换为邻接矩阵k，用于描述可延迟负荷之间的相似度，采用gaussian-kernel函数用于构造邻接矩阵k进行谱聚类，以描述不同可延迟负荷之间的相似性，邻接矩阵的构造方法如下所示：
[0028][0029]
其中，为gaussian-kernel函数中的一个参数；k(i,j)为范围[0,1]的邻接矩阵；k(i,j)越大，可延迟负荷i和可延迟负荷j的相似度越高；
[0030]
4)对邻接矩阵k进行归一化，计算最大的组数n
agg,i
个特征值及其对应的特征向量：构造一个矩阵u，其中包含这些特征向量作为列：
[0031]
使用k-means算法对矩阵u的列进行聚类，进而实现对可延迟负荷进行聚类；
[0032]
根据可延迟负荷聚类，将具有相似特征的可延迟负荷归为同一组，具体的，同一组
中的可延迟负荷由聚合器管理。对于特定的聚合器k，其内部的可延迟负荷具有近似的工作时间要求，
[0033]
因此聚合器的工作时间限制可以由可延迟负荷的几何中心表示，如下所示。
[0034][0035][0036]
其中，分别为母线i上聚合器的开始和结束时间；n
l,k,i
为母线i上属于聚合器k可延迟负荷总数。
[0037]
此外，功率和能量限制可以由聚合器下的所有可延迟负荷聚合，如下所示。
[0038][0039][0040][0041][0042]
其中，分别为母线i上聚合器k的最大和最小功率消耗；分别为母线i上聚合器k的最大和最小功率需求。
[0043]
在聚合过程之后，在每条母线上生成一系列已经分配到可延迟负荷的聚合器，参数为参与虚拟电厂进行经济调度。
[0044]
进一步的，所述虚拟电厂经济调度目标函数由以下四项组成：能源批发市场的能源采购成本、分布式发电机的发电成本、旋转备用市场的备用采购成本和储能系统的运行成本，具体为：
[0045][0046]
其中，为介于之间的母线i上聚合器k的功率消耗，ns随机场景数；n
dg
分布式发电机数；n
ess
储能数；ρs为场景s的权重系数；分别为场景s在时间t的日前能源和储备市场价格；为场景s在时间t虚拟电厂日前能源和储备对电力市场的投标；为分布式发电机的发电成本；为储能系统的运行成本。
[0047]
所提出的模型用于预调度过程和最终调度过程，在预调度过程中，可以获得聚合器的聚合功耗参考轨迹。
[0048]
进一步的，对于特定聚合器k的分解，建立具有两个目标的分解模型，如下所示，
[0049][0050][0051][0052]
第一个目标函数f
1dis
(p
l,j,t
)是跟踪每个聚合器的参考轨迹第二个目标函数f
2dis
(p
l,j,t
)是减少可延迟负荷的中断。用一个较大数值m乘以f
1dis
(p
l,j,t
)，其中m∈[10，20]以实现对调度的精确跟踪。
[0053]
一种考虑大量可延迟负荷的虚拟电厂经济调度系统，包括，
[0054]
获取单元，用于获得每个可延迟负荷的需求参数，
[0055]
聚合单元，基于该需求参数，采用ng-jordan-weiss谱聚类算法将具有相似特征的可延迟负荷归为同一聚合器，聚合为一个实体参与虚拟电厂调度；
[0056]
调度单元，用于构建虚拟电厂经济调度目标函数，获得聚合器的聚合功耗参考轨迹；
[0057]
分解单元，根据获得的参考轨迹剖面，聚合器将参考轨迹分解到每个消费者，并对所有满足其要求的可延迟负荷做出调度决策。
[0058]
进一步的，一种考虑大量可延迟负荷的虚拟电厂调度系统，还包括，
[0059]
调度优化单元，用于对虚拟电厂的调度进行优化，将每个聚合器的可延迟负荷分解过程并行进行。
[0060]
一种计算机存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述中任一项所述的方法。
[0061]
本发明的优势在于：提出了基于负载聚类方法的可延迟负荷聚合模型，有效提高聚合质量，允许大量可延迟负荷通过聚合器参与系统操作，降低了系统的总体成本，极大地满足了消费者的多样化需求，为系统提供更大的灵活性。
附图说明
[0062]
图1为本发明的调度方法流程示意图；
[0063]
图2为本发明的一种实施例结构测试系统拓扑图；
[0064]
图3为本发明的图3中日前节点15聚合器的功率消耗示意图；
[0065]
图4为本发明的图3中日前节点19聚合器的功率消耗示意图；
[0066]
图5为日前虚拟电厂优化结果示意图；
[0067]
图6本发明的调度系统结构示意图。
具体实施方式
[0068]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并
不用于限定本发明。
[0069]
参考图1，本发明提供了一种考虑大量可延迟负荷聚合和分解的虚拟电厂经济调度方法，该方法包括如下步骤：
[0070]
步骤1：使用聚类方法的可延迟负荷聚合。通过聚合器，可延迟负荷可以为系统提供更大的灵活性，而不会显着增加系统操作员的计算负担。通过历史统计概率分布函数获得可延迟负荷的日前参数。采用ng-jordan-weiss谱聚类算法将具有相似特征的可延迟负荷归为同一组，然后聚合为一个实体参与虚拟电厂调度。具体分解步骤如下，
[0071]
步骤1.1：设置可延迟负荷参数。每个可延迟负荷主要包含一组需求参数(t
start,l,j
,t
end,l,j
,p
l,j,max
,p
l,j,min
,e
l,j,max-de
,e
l,j,min-de
)，表示需求信息。具有相似参数的可延迟负荷可以划分到同一个聚合器中。可延迟负荷的一般模型如下；
[0072]
p
l,j,min
≤p
l,j,t
≤p
l,j,max
,t
start,l,j
≤t≤t
end,l,j
[0073]
p
l,j,t
＝0,t＜t
start,l,j
,or,t＞t
end,l,j
[0074]el,j,t
＝e
l,j,t-1
+δt
·
p
l,j,t
[0075][0076]
其中，t
start,l,j
、t
end,l,j
分别为第j个可延迟负荷的开始和结束时间；p
l,j,max
、p
l,j,min
分别为第j个可延迟负荷的功率消耗最大值和最小值；e
l,j,max-de
、e
l,j,min-de
分别为第j个可延迟负荷能量需求的最大值和最小值；δt为调度的时间间隔。
[0077]
步骤1.2：采用ng-jordan-weiss谱聚类算法根据可延迟负荷的特征将其分类为不同的组。输入所有dl的参数数据。
[0078]
(1)使用每条母线上的聚合器总数初始化预期的组数n
agg,i
。
[0079]
(2)使用极值归一化方法将同一母线上可延迟负荷的不同单位的参数归一化到[0,1]的范围内。归一化的主要目的是减少奇异数据对聚类算法的影响，提高收敛速度。
[0080][0081]
其中，x
′
l,j
为x
l,j
经过归一化处理后的参数，x
l,j
为需求参数；n
l,i
为第i组可延迟负荷的总数。
[0082]
(3)计算距离矩阵d，取欧几里得距离来衡量不同可延迟负荷之间的差异。
[0083]
d(i,j)＝α1||t
′
start,l,i-t
′
start,l,j
||2+α2||t
′
end,l,i-t
′
end,l,j
||2+α3||e
′
l,i,max-e
′
l,j,max
||2+α4||e
′
l,i,min-e
′
l,j,min
||2+α5||p
′
l,i,max-p
′
l,j,max
||2+α6||p
′
l,i,min-p
′
l,j,min
||2[0084]
其中，α1,...,α6为可延迟负荷聚类中的权重系数。
[0085]
(4)将距离矩阵d转换为邻接矩阵k，用于描述可延迟负荷之间的相似度。gaussian-kernel函数用于构造邻接矩阵k进行谱聚类，以描述不同可延迟负荷之间的相似性。邻接矩阵的构造方法如下所示：
[0086][0087]
其中，为gaussian-kernel函数中的一个参数；k(i,j)为范围[0,1]的邻接矩阵；k
(i,j)越大，负载i和负载j的相似度越高。
[0088]
(5)对邻接矩阵k进行归一化，计算最大的n
agg,i
个特征值及其对应的特征向量：构造一个矩阵u，其中包含这些特征向量作为列：
[0089]
(6)使用k-means算法对矩阵u的列进行聚类，提高计算效率高、降低复杂度。
[0090]
步骤1.3：可延迟负荷的聚合。根据可延迟负荷聚类，将具有相似特征的可延迟负荷归为同一组。同一组中的可延迟负荷由聚合器管理。对于特定的聚合器k，其内部的可延迟负荷具有近似的工作时间要求，因此聚合器的工作时间限制可以由可延迟负荷的几何中心表示，如下所示。
[0091][0092][0093]
其中，分别为母线i上聚合器的开始和结束时间；n
l,k,i
为母线i上属于聚合器k可延迟负荷总数。
[0094]
此外，功率和能量限制可以由聚合器下的所有可延迟负荷聚合，如下所示。
[0095][0096][0097][0098][0099]
其中，分别为母线i上聚合器k的最大和最小功率消耗；分别为母线i上聚合器k的最大和最小功率需求。
[0100]
在聚合过程之后，在每条母线上生成一系列聚合器，参数为之后，虚拟电厂可以根据聚合信息进行经济调度。
[0101]
步骤2：使用可延迟负荷聚合的虚拟电厂预调度，构建虚拟电厂经济调度目标函数，最小化虚拟电厂的总成本。可延迟负荷聚合器归虚拟电厂所有，虚拟电厂旨在利用可延迟负荷聚合器提供的潜在灵活性来增加其整体收益。此外，假设虚拟电厂作为只提交数量不提交价格的价格接受者参与两结算批发能源市场和旋转备用市场。为了考虑系统的不确定性，假设风电、光伏、能源和储备价格的预测误差服从高斯分布，并使用蒙特卡罗模拟生成它们的预测剖面。大量场景可以很好地对系统不确定性进行建模，但在模型优化过程中
会产生较高的计算负担。因此，采用基于kontorwish距离的快进场景缩减方法来减少场景数量并获得虚拟电厂的典型场景设置，可以合理地逼近随机变量。
[0102]
虚拟电厂经济调度目标函数由以下四项组成：能源批发市场的能源采购成本、分布式发电机的发电成本、旋转备用市场的备用采购成本和储能系统的运行成本。
[0103][0104]
其中，为介于之间的母线i上聚合器k的功率消耗，ns随机场景数；n
dg
分布式发电机数；n
ess
储能数；δs为场景s的权重系数；分别为场景s在时间t的日前能源和储备市场价格；为场景s在时间t虚拟电厂日前能源和储备对电力市场的投标；为分布式发电机的发电成本；为储能系统的运行成本。
[0105]
所提出的模型用于预调度过程和最终调度过程。在预调度过程中，可以获得聚合器的聚合功耗参考轨迹。
[0106]
步骤3：可延迟负荷分解。根据获得的投标前参考轨迹剖面，聚合器应将参考轨迹分解到每个消费者，并对所有满足其要求的可延迟负荷做出调度决策，即分解过程。在分解过程中，聚合器可以同步和独立地进行计算，因此，可以在一定程度上节省计算时间。对于特定聚合器k的分解，建立具有两个目标的分解模型，如下所示。
[0107][0108][0109][0110]
第一个目标函数f
1dis
(p
l,j,t
)是跟踪每个聚合器的参考轨迹第二个目标函数f
2dis
(p
l,j,t
)是减少可延迟负荷的中断。另外，第一个目标的优先级高于第二个目标，因此用一个较大数值m乘以f
1dis
(p
l,j,t
)，其中m∈[10，20]，以实现对调度的精确跟踪。
[0111]
使用提出的聚合方法，聚合器的灵活性是可延迟负荷原始灵活性的近似值，可延迟负荷不能准确地遵循实际情况。因此，在分解过程之后，需要对虚拟电厂进行最终调度优化过程，以便为虚拟电厂制定能源和储备的最终日前招标计划。
[0112]
步骤4：虚拟电厂最终投标优化。在最终调度过程中，识别和固定可延迟负荷的分布。由于优化变量的规模小得多，优化问题得到了简化。在最终调度过程之后，可以得到最终的调度结果，包括分布式发电机、储能系统、可再生能源的日前调度计划、能源和储备招标计划到电力市场。将每个聚合器的可延迟负荷分解过程并行进行，整个过程的计算时间可以计算如下。
[0113]
[0114]
其中，ct
sum
为所提控制策略的总计算时间；ct1、ct2、ct4分别为步骤1、2、4的计算时间；ct
3,i,k
为步骤3母线i第k个聚合器的计算时间。
[0115]
参考图6，本发明还提供了一种考虑大量可延迟负荷的虚拟电厂调度系统，包括，
[0116]
获取单元，用于获得每个可延迟负荷的需求参数，
[0117]
聚合单元，基于该需求参数，采用ng-jordan-weiss谱聚类算法将具有相似特征的可延迟负荷归为同一聚合器，聚合为一个实体参与虚拟电厂调度；
[0118]
调度单元，用于构建虚拟电厂经济调度目标函数，获得聚合器的聚合功耗参考轨迹；
[0119]
分解单元，根据获得的参考轨迹剖面，聚合器将参考轨迹分解到每个消费者，并对所有满足其要求的可延迟负荷做出调度决策。
[0120]
作为方案的改进：该虚拟电厂调度系统，还包括，
[0121]
调度优化单元，用于对虚拟电厂的调度进行优化，将每个聚合器的可延迟负荷分解过程并行进行。
[0122]
一种计算机存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述中任一项所述的方法。
[0123]
虚拟电厂测试系统为24节点系统，配电系统24个节点的模型，每个节点可以接入多个聚合器，nb＝24，如图2所示。包含两台分布式发电机、一座光伏电站、一座水电站、一个储能系统和一个大规模可延迟负荷。储能系统和一个大规模可延迟负荷。节点15和节点19的聚合器数量n
agg,15
＝6,n
agg,19
＝6。
[0124]
根据分解过程中得到的聚合器的实际功耗曲线，如图3所示。采用本发明调度方法，可以得到最终的虚拟电厂投标结果，如图4所示，依据此投标结果去进行可延迟负荷调度，可以极大减少虚拟电厂成本。可以进行最终的调度优化，得到最终的虚拟电厂投标结果，如图5所示。从图3-4中发现两节点分解的可延迟负荷的工作曲线是完全不同的，尽管两节点上这些可延迟负荷的需求参数和数量是相同的。这种现象可以解释如下：对于节点15的可延迟负荷，它们非常靠近主电网节点1，因此它们的用电量取决于电力市场的能源价格。因此，节点15的电动汽车充电时间主要是从3：00到5：00，此时预测的能源价格较低。但是对于靠近风力发电机(节点20)的节点19的可延迟负荷，它们的峰值用电量出现在1：00到3：00，此时预测的最大风能也在峰值时段可用。
[0125]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围。