一种流域型虚拟电厂调度方法

摘要

本发明涉及一种流域型虚拟电厂调度方法，包括：基于Frank‑Copula函数对风光出力相关性进行建模，以得到典型日风光场景及对应的概率；以典型日不同风光场景下虚拟电厂的总期望收益作为目标函数，以碳排放限额约束及虚拟电厂中各类电源出力约束作为约束条件，共同构建虚拟电厂的经济调度模型；给定待调度当天的负荷曲线数据，采用遗传算法对经济调度模型进行求解，计算得到最优的调度结果，根据该调度结果对待调度当天虚拟电厂的各类电源出力进行调度。与现有技术相比，本发明充分考虑风光出力相关性和最大碳排放限额，采用Frank‑Copula函数精准有效地描述风光出力的相关性，能够平抑风光出力的不确定性，结合最大碳排放限额约束，使得调度结果能够同时兼顾经济性和环境效益。

说明书

技术领域

本发明涉及电力系统及其自动化技术领域，尤其是涉及一种流域型虚拟电厂调度方法。

背景技术

借助水电与风光之间的天然互补特性，沿着流域广泛分布着水电发电机组、以及分布式风电和光伏发电机组，逐渐形成了流域型的风光水清洁能源综合开发利用的新模式。然而，风电机组和光伏出力具有极大的波动性以及反调峰特性，当大规模的风电机组和光伏并网时，必然会使整个电力系统的电力调度面临巨大挑战。

为此，现有研究利用风光水等多种能源在出力上存在功率和调节能力上的互补性，即充分利用多种能源之间的互补性形成进行联合调度，可有效缓解单一风电和光伏并网的不确定性影响，当前联合调度主要依托现有网架结构以就地控制为目标，无法适应多区域、大规模的分布式电源的有效利用及市场运营。

虚拟电厂(Virtual Power Plant，VPP)是一种可以不改变分布式电源的并网方式，主要通过高级的计量、通信以及控制技术将不同位置、不同类型的多种能源进行有效整合。VPP将可再生能源机组、可控发电机组、储能装置、可中断负荷等整合起来进而实现对系统的稳定电能输出，并参与电网调度获取相关利益。目前对于虚拟电厂的调度大多侧重于实现经济最优，并没有充分考虑风光出力的不确定性，而实现VPP的经济最优并不能适用于新模式下的流域型风光水的运行调度，调度结果无法同时兼顾环境效益与经济性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种流域型虚拟电厂调度方法，能够有效地适用于流域型清洁能源开发新模式，使得调度结果能够同时兼顾环境效益与经济性。

本发明的目的可以通过以下技术方案来实现：一种流域型虚拟电厂调度方法，包括以下步骤：

S1、基于Frank-Copula函数对风光出力相关性进行建模，以得到典型日风光场景及对应的概率；

S2、以典型日不同风光场景下虚拟电厂的总期望收益作为目标函数，以碳排放限额约束及虚拟电厂中各类电源出力约束作为约束条件，共同构建虚拟电厂的经济调度模型；

S3、给定待调度当天的负荷曲线数据，采用遗传算法对虚拟电厂的经济调度模型进行求解，计算得到最优的调度结果，根据该调度结果对待调度当天虚拟电厂的各类电源出力进行调度。

进一步地，所述步骤S1具体包括以下步骤：

S11、获取历史风光出力数据，采用核密度估计法，建立一天24小时内每个时段的风光出力概率密度函数；

S12、基于Frank-Copula函数，联合风光出力概率密度函数，得到风光出力联合概率分布函数；

S13、对一天24小时内每个时段的风光出力联合概率分布函数进行采样，并通过k-means聚类法对多组采样结果进行聚类，得到典型日风光场景及对应的概率。

进一步地，所述步骤S11具体是以1小时作为采样周期，以获取多天的历史风光出力数据。

进一步地，所述步骤S11中风光出力概率密度函数具体为：

其中，f(x

进一步地，所述步骤S12中风光出力联合概率分布函数具体为：

其中，f(x

进一步地，所述步骤S13具体包括以下步骤：

S131、对一天24小时内每个时段的风光出力联合概率分布函数进行采样，并通过反变换得到每个时段风机和光伏的采样出力，得到多组采样结果；

S132、采用k-means聚类法对多组采样结果进行聚类，由戴维斯堡J指数来确定最佳聚类数，最终得到典型日风光场景及对应的概率。

进一步地，所述步骤S2中总期望收益包括风机出力收益、光伏出力收益、水电机组出力收益、燃气轮机出力收益、柔性负荷的需求响应收益以及电网交易收益。

进一步地，所述步骤S2中目标函数具体为：

其中，S

进一步地，所述步骤S2中碳排放限额约束具体为：

其中，a

进一步地，所述含碳电源的平均占比具体为70％，所述度电碳排放系数具体为0.997。

与现有技术相比，本发明同时考虑风光出力相关性和最大碳排放限额，以对流域型虚拟电厂进行调度，基于Frank-Copula函数得到考虑风光出力的相关性和不确定性的不同典型日场景，能够精准有效地描述风光出力的相关性，有效减少风光单独出力的波动性影响，实现源荷的良好互动，降低了弃风弃光量，从而提高了VPP的经济性；

相较于传统的VPP经济调度模型，本方法引入最大碳排放限额作为边界条件，可以有效地将环境效益纳入调度模型中，优化VPP各类机组发电出力比例，当最大碳排放限额较高时，VPP会追逐利益最大化，更多的调用燃气机组发电，反之，受碳排放限额影响，使得燃气机组出力的无法进一步增大，其收益空间被压缩，失去发电优势，风光出力空间则会进一步提高；

因此，本发明提出的流域型虚拟电厂调度方法，使得调度结果能够同时兼顾经济性和环境效益，结合遗传算法对构建的经济调度模型进行求解，最终能够实现能源比例的最优均衡。

附图说明

图1为本发明的方法流程示意图；

图2为实施例中多能互补虚拟电厂调度方法的运行框架图；

图3a为实施例中风机出力场景生成结果图；

图3b为实施例中光伏出力场景生成结果图；

图4为实施例中待调度当日的负荷曲线图；

图5为实施例中待调度当日的优化调度结果示意图；

图6为实施例中不考虑最大碳排放限额以及考虑最大碳排放限额的各类电源出力及购电电量对比示意图；

图7为实施例中虚拟电厂收益与碳排放最大限额的关系示意图；

图8为实施例应用本发明方法求解最优调度结果的过程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种流域型虚拟电厂调度方法，包括以下步骤：

S1、基于Frank-Copula函数对风光出力相关性进行建模，以得到典型日风光场景及对应的概率，具体的：

首先以1小时作为采样周期，获取n天的历史风光出力数据，再采用核密度估计法，建立一天24小时内每个时段的风光出力概率密度函数：

其中，f(x

之后基于Frank-Copula函数，联合风光出力概率密度函数，得到风光出力联合概率分布函数：

其中，f(x

最后对一天24小时内每个时段的风光出力联合概率分布函数进行采样，并通过反变换得到每个时段风机和光伏的采样出力，得到多组采样结果，再采用kmeans聚类法对多组采样结果进行聚类，由戴维斯堡J指数来确定最佳聚类数，最终得到典型日风光场景及对应的概率；

S2、以典型日不同风光场景下虚拟电厂的总期望收益作为目标函数，以碳排放限额约束及虚拟电厂中各类电源出力约束作为约束条件，共同构建虚拟电厂的经济调度模型，其中，总期望收益包括风机出力收益、光伏出力收益、水电机组出力收益、燃气轮机出力收益、柔性负荷的需求响应收益以及电网交易收益，因此，目标函数具体为：

其中，S

碳排放限额约束具体为：

其中，a

S3、给定待调度当天的负荷曲线数据，采用遗传算法对虚拟电厂的经济调度模型进行求解，计算得到最优的调度结果，根据该调度结果对待调度当天虚拟电厂的各类电源出力进行调度。

本发明考虑多种能源之间存在的功率和调节能力互补，建立多能互补虚拟电厂经济调度模型，同时，为充分考虑环境效益，引入最大碳排放限额作为约束，以实现调度模型兼顾经济性和环境效益。

本发明考虑到沿着流域分布且地理位置相近的风电机组和光伏出力之间具有极大相关性，但是，当前研究更多的是不计风光出力之间的相关性影响，仅对风光出力的不确定性进行量化和处理；鲜见在调度模型中同时充分考虑风光出力的相关性和不确定性。若能精准描述风光出力的相关性，必然能够减少风光单独出力的波动性影响、降低弃风弃光量，实现源荷良好互动、保证后续调度的经济性；

而引入最大碳排放限额作为边界条件，则可以有效地将环境效益纳入经济调度模型中，优化VPP各类电源机组发电出力比例。当最大碳排放限额较高时，VPP会追逐利益最大化，更多的调用燃气机组发电，反之，受碳排放限额影响，使得燃气机组出力的无法进一步增大，其收益空间被压缩，失去发电优势，风光出力空间就会进一步提高。

将本发明方法应用于实际，其具体过程为：

1)构建多能互补虚拟电厂运行框架(见图2)，合理假设VPP为市场电价的接受者；

2)基于Frank-Copula函数形成考虑风光出力相关性和不确定性场景方法，生成的风机出力场景和光伏出力场景分别如图3a和图3b所示：

首先，基于历史n天风光出力数据(采样周期为1小时)，采用核密度估计法建立24小时内每个时段的风机和光伏出力概率密度函数，公式如下：

其中，f(x

然后，根据选取的Frank-Copula函数风光出力联合概率分布函数，具体表示如下：

其中，f(x

最后，对每个时段的风光出力联合概率分布函数进行采样，并通过反变换得到每个时段风机和光伏的采样出力，得到M组采样数据。同时为了兼顾计算的精度和速度，采用kmeans对M组采样结果进行聚类，采用戴维斯堡J指数来确定最佳聚类数，最终得到典型日(即待调度当日之前)场景数目S

3)建立虚拟电厂的经济调度模型，引入最大碳排放限额约束，在给定图4待调度当日负荷曲线的情况下，对应的调度结果如图5所示，具体的经济调度目标函数如下：

其中，S

为实现绿色发电与节能减排而引入了最大碳排放量限额C

其中，a

其中，引入最大碳排放限额约束主要是为了兼顾经济性和环境效益，同时优化VPP的各类电源出力比例，未验证本发明的效果，本实施例设定以下俩种方案：

方案I：不考虑最大碳排放限额约束。

方案II：考虑最大碳排放限额约束，并设定调度周期内碳排放量限额为80吨。

分别计算得到方案I和方案II下，各类电源出力大小和VPP购电电量如图6所示，由图6的对比图示结果可知，在考虑最大碳排放限额约束后，燃气机组的出力减小，水电、风电及光伏的出力均有所增加，购电电量也减小，因此，考虑碳排放限额约束后，能够充分考虑环境效益、减小碳排放。

之后对最大碳排放限额的灵敏度进行分析，得到如图7所示的收益与最大碳排放限额的关系示意图，有图7的曲线趋势可知，在实际中，通过合理设置最大碳排放限额可以实现能源比例的最优均衡。

4)采用遗传算法进行调度结果求解，具体的求解流程见图8，其中的场景法即为步骤2)的过程，收益函数即为目标函数，本发明所针对的日前24小时电力调度模型是一个具有复杂约束、高维变量的混合整数二次规划问题，虽然可以通过将非线性化的公式线性化，转化为混合整数线性规划问题，但因考虑实际问题中变量过多，因此采用遗传算法进行求解。

综上所述，本发明提出的方法能够很好地适用于流域型清洁能源开发新模式，能够实现VPP内各类电源实现功率和调节能力上的互补，平抑风光出力的不确定性，提高电能的就地消纳能力，能够同时兼顾调度结果的经济性和环境效益。