本發(fā)明涉及虛擬電廠，具體涉及一種新能源電力系統(tǒng)中虛擬電廠的優(yōu)化調(diào)度方法。

背景技術(shù)：

1、隨著能源短缺和環(huán)境污染等問(wèn)題日益嚴(yán)峻，大力開(kāi)發(fā)以風(fēng)能和太陽(yáng)能為主的可再生能源，實(shí)現(xiàn)能源的綠色、低碳和循環(huán)發(fā)展已經(jīng)成為全球能源行業(yè)的重要戰(zhàn)略。與傳統(tǒng)能源相比，可再生能源具有可靠、經(jīng)濟(jì)、靈活、環(huán)保等優(yōu)勢(shì)，但由于其容量小、地理位置分散、出力隨機(jī)性等問(wèn)題，導(dǎo)致電網(wǎng)很難對(duì)其進(jìn)行有效利用。虛擬電廠技術(shù)為解決上述問(wèn)題提供了有效途徑，其通過(guò)先進(jìn)的通信、計(jì)量、控制等手段實(shí)現(xiàn)不同類(lèi)型分布式能源的優(yōu)化協(xié)調(diào)控制，已逐漸成為一種靈活性強(qiáng)、適應(yīng)度高、經(jīng)濟(jì)性好的新興運(yùn)營(yíng)模式。

2、然而，由于虛擬電廠集成了多種分布式能源，并且不同種類(lèi)的分布式能源具有不同的生產(chǎn)特性，同時(shí)虛擬電廠還集成了多種負(fù)荷資源，而不同種類(lèi)的負(fù)荷資源也具有不同的用電特性，此外虛擬電廠還集成了很多儲(chǔ)能設(shè)備，而儲(chǔ)能設(shè)備的儲(chǔ)能成本是比較高的，一般需要盡量減少儲(chǔ)能設(shè)備的使用。正是由于上述情況的存在，大大增加了虛擬電廠合理調(diào)度的難度，影響了虛擬電廠的資源整合效率。

3、因此，如何高效地整合和調(diào)度分布式能源，從而優(yōu)化虛擬電廠的調(diào)度，使能源設(shè)備、儲(chǔ)能設(shè)備和負(fù)荷設(shè)備更好地協(xié)同工作，提高能源利用效率，減少能源浪費(fèi)，是目前亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、(一)解決的技術(shù)問(wèn)題

2、針對(duì)現(xiàn)有技術(shù)所存在的上述缺點(diǎn)，本發(fā)明提供了一種新能源電力系統(tǒng)中虛擬電廠的優(yōu)化調(diào)度方法，能夠有效克服現(xiàn)有技術(shù)所存在的難以對(duì)虛擬電廠進(jìn)行有效優(yōu)化調(diào)度的缺陷。

3、(二)技術(shù)方案

4、為實(shí)現(xiàn)以上目的，本發(fā)明通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：

5、一種新能源電力系統(tǒng)中虛擬電廠的優(yōu)化調(diào)度方法，確定虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)，以及相應(yīng)的約束條件，根據(jù)虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)和約束條件構(gòu)建虛擬電廠優(yōu)化調(diào)度模型，采用模擬退火算法對(duì)虛擬電廠優(yōu)化調(diào)度模型進(jìn)行求解，得到虛擬電廠優(yōu)化調(diào)度方案；

6、其中，在確定虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)的過(guò)程中，通過(guò)采用后向縮減法對(duì)風(fēng)—光發(fā)電場(chǎng)景進(jìn)行場(chǎng)景縮減的方式來(lái)建立虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)，以充分考慮風(fēng)、光發(fā)電之間的相關(guān)性影響，同時(shí)降低計(jì)算復(fù)雜度。

7、優(yōu)選地，所述確定虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)，以及相應(yīng)的約束條件，包括：

8、s11、建立風(fēng)—光出力聯(lián)合分布函數(shù)，根據(jù)風(fēng)—光出力聯(lián)合分布函數(shù)生成風(fēng)—光出力初始場(chǎng)景集；

9、s12、采用后向縮減法從風(fēng)—光出力初始場(chǎng)景集中逐步剔除最不重要的場(chǎng)景，最終得到風(fēng)—光出力縮減場(chǎng)景集；

10、s13、根據(jù)風(fēng)—光出力縮減場(chǎng)景集建立虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)；

11、s14、根據(jù)功率平衡關(guān)系建立虛擬電廠優(yōu)化調(diào)度的約束條件。

12、優(yōu)選地，s11中建立風(fēng)—光出力聯(lián)合分布函數(shù)，根據(jù)風(fēng)—光出力聯(lián)合分布函數(shù)生成風(fēng)—光出力初始場(chǎng)景集，包括：

13、s111、建立風(fēng)電輸出概率模型和光電輸出概率模型，根據(jù)風(fēng)電輸出概率模型、光電輸出概率模型分別生成對(duì)應(yīng)的風(fēng)電出力概率密度函數(shù)、光電出力概率密度函數(shù)，并建立風(fēng)—光出力聯(lián)合分布函數(shù)；

14、s112、根據(jù)風(fēng)—光出力聯(lián)合分布函數(shù)采用隨機(jī)抽樣方法生成大量具有隨機(jī)特征的風(fēng)—光出力初始場(chǎng)景集。

15、優(yōu)選地，s12中采用后向縮減法從風(fēng)—光出力初始場(chǎng)景集中逐步剔除最不重要的場(chǎng)景，最終得到風(fēng)—光出力縮減場(chǎng)景集，包括：

16、s121、將場(chǎng)景之間的kantorovich距離作為評(píng)估標(biāo)準(zhǔn)，以衡量場(chǎng)景之間的重要性；

17、s122、在風(fēng)—光出力初始場(chǎng)景集中，根據(jù)場(chǎng)景之間的kantorovich距離剔除最不重要的場(chǎng)景；

18、s123、返回s121，直至風(fēng)—光出力初始場(chǎng)景集達(dá)到預(yù)設(shè)場(chǎng)景數(shù)量，最終得到風(fēng)—光出力縮減場(chǎng)景集及各場(chǎng)景發(fā)生概率；

19、s124、對(duì)風(fēng)—光出力縮減場(chǎng)景集進(jìn)行驗(yàn)證，確保其能夠代表風(fēng)—光出力初始場(chǎng)景集的隨機(jī)性和特征。

20、優(yōu)選地，s121中將場(chǎng)景之間的kantorovich距離作為評(píng)估標(biāo)準(zhǔn)，以衡量場(chǎng)景之間的重要性，包括：

21、采用下式計(jì)算場(chǎng)景之間的kantorovich距離dk(x,y)：

22、

23、其中，dk(x,y)為場(chǎng)景x與場(chǎng)景y之間的kantorovich距離，表示在所有可能的聯(lián)合分布γ中尋找使期望成本最小化的那一個(gè)，e(x,y)～γ||x-y||表示在聯(lián)合分布γ下場(chǎng)景x與場(chǎng)景y之間歐氏距離的期望，pr、pg為聯(lián)合分布γ的邊緣分布。

24、優(yōu)選地，s13中根據(jù)風(fēng)—光出力縮減場(chǎng)景集建立虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)，包括：

25、虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)f采用下式表示：

26、

27、其中，pi為第i組風(fēng)—光出力場(chǎng)景發(fā)生概率，pj為第j組電價(jià)場(chǎng)景發(fā)生概率，pj,t為第j組電價(jià)場(chǎng)景下時(shí)段t的電價(jià)，qi,j,t、ci,j,t分別為第i組風(fēng)—光出力場(chǎng)景中第j組電價(jià)場(chǎng)景下時(shí)段t的電力交易量、運(yùn)行成本，t∈[1,2,…,t]，t為一天內(nèi)總時(shí)段數(shù)，i∈[1,2,...,n1]，n1為風(fēng)—光出力縮減場(chǎng)景集中場(chǎng)景數(shù)量，j∈[1,2,...,n2]，n2為電價(jià)場(chǎng)景數(shù)量。

28、優(yōu)選地，s14中根據(jù)功率平衡關(guān)系建立虛擬電廠優(yōu)化調(diào)度的約束條件，包括：

29、虛擬電廠優(yōu)化調(diào)度的約束條件采用下式表示：

30、pw(t)+pl(t)+ps(t)+pb(t)＝pload(t)；

31、其中，pw(t)、pl(t)為時(shí)段t內(nèi)的風(fēng)力發(fā)電功率、光伏發(fā)電功率，ps(t)為時(shí)段t內(nèi)的儲(chǔ)能系統(tǒng)輸出功率，正值代表儲(chǔ)能系統(tǒng)放電，負(fù)值代表儲(chǔ)能系統(tǒng)充電，pb(t)為時(shí)段t內(nèi)與公共電網(wǎng)之間的交換功率，正值代表從公共電網(wǎng)購(gòu)電，負(fù)值代表向公共電網(wǎng)售電，pload(t)為時(shí)段t內(nèi)的負(fù)載需求功率。

32、優(yōu)選地，所述采用模擬退火算法對(duì)虛擬電廠優(yōu)化調(diào)度模型進(jìn)行求解，得到虛擬電廠優(yōu)化調(diào)度方案，包括：

33、s21、選擇一個(gè)初始解作為當(dāng)前解，并初始化一個(gè)較高的當(dāng)前溫度；

34、s22、在當(dāng)前解的鄰域內(nèi)進(jìn)行局部搜索，通過(guò)對(duì)當(dāng)前解進(jìn)行微小的隨機(jī)擾動(dòng)生成一個(gè)候選解，并計(jì)算候選解的目標(biāo)函數(shù)值；

35、s23、對(duì)當(dāng)前解與候選解進(jìn)行質(zhì)量比較，根據(jù)質(zhì)量比較結(jié)果判斷是否接受候選解，并利用候選解對(duì)當(dāng)前解進(jìn)行更新；

36、s24、對(duì)當(dāng)前溫度進(jìn)行降溫處理；

37、s25、判斷是否滿(mǎn)足迭代終止條件，若不滿(mǎn)足迭代終止條件，則返回s22，否則將當(dāng)前解作為虛擬電廠優(yōu)化調(diào)度方案。

38、優(yōu)選地，s23中對(duì)當(dāng)前解與候選解進(jìn)行質(zhì)量比較，根據(jù)質(zhì)量比較結(jié)果判斷是否接受候選解，并利用候選解對(duì)當(dāng)前解進(jìn)行更新，包括：

39、s231、對(duì)當(dāng)前解與候選解的目標(biāo)函數(shù)值進(jìn)行比較，若候選解的目標(biāo)函數(shù)值較大，則接受該候選解，并利用該候選解對(duì)當(dāng)前解進(jìn)行更新，否則進(jìn)入s232；

40、s232、根據(jù)當(dāng)前溫度計(jì)算接受概率p：

41、

42、其中，f1、f2分別為當(dāng)前解、候選解的目標(biāo)函數(shù)值，tk為第k次迭代時(shí)的溫度，即當(dāng)前溫度，當(dāng)前溫度tk越高，接受候選解的概率越大，當(dāng)前溫度tk越低，接受候選解的概率越?。?/p>

43、s233、基于接受概率p確定是否接受候選解，并利用候選解對(duì)當(dāng)前解進(jìn)行更新，以提高跳出局部最優(yōu)解、探索全局最優(yōu)解的可能性。

44、優(yōu)選地，s24中對(duì)當(dāng)前溫度進(jìn)行降溫處理，包括：

45、采用下式對(duì)當(dāng)前溫度tk進(jìn)行降溫處理：

46、tk+1＝α·tk；

47、其中，tk為第k次迭代時(shí)的溫度，即當(dāng)前溫度，tk+1為第k+1次迭代時(shí)的溫度，α為溫度衰減系數(shù)，為一個(gè)小于1但接近于1的常數(shù)，溫度衰減系數(shù)α越小，溫度下降越快，溫度衰減系數(shù)α越大，溫度下降越慢。

48、(三)有益效果

49、與現(xiàn)有技術(shù)相比，本發(fā)明所提供的一種新能源電力系統(tǒng)中虛擬電廠的優(yōu)化調(diào)度方法，具有以下有益效果：

50、1)在確定虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)的過(guò)程中，通過(guò)采用后向縮減法對(duì)風(fēng)—光發(fā)電場(chǎng)景進(jìn)行場(chǎng)景縮減的方式來(lái)建立虛擬電廠優(yōu)化調(diào)度的目標(biāo)函數(shù)，能夠充分考慮風(fēng)、光發(fā)電之間的相關(guān)性影響，同時(shí)降低計(jì)算復(fù)雜度，為后續(xù)準(zhǔn)確、高效地求解虛擬電廠優(yōu)化調(diào)度模型提供支持；

51、2)采用模擬退火算法對(duì)虛擬電廠優(yōu)化調(diào)度模型進(jìn)行求解，得到虛擬電廠優(yōu)化調(diào)度方案，通過(guò)模擬物質(zhì)在加熱后逐漸冷卻的過(guò)程來(lái)搜索全局最優(yōu)解，在模擬退火算法中，通過(guò)逐漸降低接受較差解的概率來(lái)限制搜索范圍，實(shí)現(xiàn)了搜索空間的收縮，從而能夠更加高效地求解得到虛擬電廠優(yōu)化調(diào)度方案，并且能夠確保解的質(zhì)量。