计及风光不确定性的虚拟电厂多目标随机调度优化模型

计及风光不确定性的虚拟电厂多目标随机调度优化模型
王冠;李鹏;焦扬;何楠;张玮;谭忠富
【摘要】为缓解风电和光伏发电不确定性对虚拟电厂稳定运行的影响,引入鲁棒随机优化理论,建立了计及不确定性和需求响应的虚拟电厂随机调度优化模型.首先,风力发电、光伏发电、燃气轮机发电,以及储能系统和需求响应集成为虚拟电厂,然后最大化虚拟电厂运营收益、最小化系统运行成本和弃能成本被作为目标函数,建立虚拟电厂调度优化模型.再应用鲁棒随机优化理论来转换光伏发电以及风力发电不确定性变量的约束条件,建立了虚拟电厂随机调度模型.最后,选择中国国电云南分布式电源示范工程为实例分析对象.分析结果显示:所提模型能够降低系统运行成本,双重鲁棒系数的引入能够为不同风险态度决策者提供灵活的虚拟电厂调度决策工具,协助应对风电和光伏发电的随机特性.储能系统能够借助自身充放电特性,替代燃气轮机发电机组为风电和光伏发电提供备用服务,促进风电和光伏发电并网.将需求响应纳入虚拟电厂能够实现发电侧与用电侧联动优化目标,平缓化用电负荷曲线,系统整体运营效益达到最佳.%In order to mitigate wind and photovoltaic power generation uncertainty on stable operation of virtual power plant,a multiobjective stochastic scheduling optimization model with consideration of uncertainty and demand response is proposed with robust stochastic optimization theory.Firstly,wind power,photovoltaic power generation,gas turbine (GT) power generation,energy storage systems (ESS) and demand response are integrated into a virtual power plant.Secondly,maximize operational benefits of virtual power plant and minimize system operating cost and abandoned energy costs are selected as objective functions.Then by application of robust stochastic
optimization theory,a virtual power plant (VPP) scheduling optimization model is established.The proposed method is applied to distributed power demonstration project in Yunnan,China as an example.The results show that the proposed model can reduce system power shortage penalty cost.The introduction of dual Robust coefficients can provide flexible VPP scheduling decision tools for different risk attitudes of decision makers and respond to wind power and photovoltaic power generation stochastic characteristics effectively.ESS can replace GT unit to provide backup services for wind power and photovoltaic power generation because of its charge and discharge characteristics.It can also smooth VPP output power curve and promote grid connection between wind power and photovoltaic power generation.Demand response is incorporate into VPP to realize power generation side and power side linkage optimization,smooth electric load curve and improve overall operational effectiveness.
【期刊名称】《中国电力》
【年(卷),期】2017(050)005
【总页数】7页(P107-113)
【关键词】鲁棒随机优化理论;虚拟电厂;随机调度优化模型;风电;光伏发电
【作者】王冠;李鹏;焦扬;何楠;张玮;谭忠富
【作者单位】华北电力大学能源经济与环境研究所,北京 102206;国网河南省电力公司经济技术研究院,河南郑州450052;华北电力大学能源经济与环境研究所,北京
102206;国网节能服务有限公司北京 100191;华北电力大学能源经济与环境研究所,北京 102206;华北电力大学能源经济与环境研究所,北京 102206
【正文语种】中文
【中图分类】TM732
能源危机和环境污染日渐严峻，以风能、太阳能为代表的分布式可再生能源在能源格局中的角色日益重要。

然而受制于分布式能源（distribution energy resource，DER）自身容量小、间歇性、分散性等特性，很难独立地加入电力市场参与运营［1］。

虚拟电厂（virtual power plant，VPP）能够协助分布式能源加入电力市
场运营［2］。

VPP能够在不改变分布式电源的并网方式的同时，通过控制、计量、通信等先进的技术集合储能、DER及可控负荷等不同类型的分布式电源，并且运
用更灵活的软件构架来实现多种DER协调的优化运行［3］。

特别是智能电网技
术的快速发展为虚拟电厂的发展提供了坚实的基础。

国内外陆续开展了VPP的试点项目，2007年德国的太阳能系统、风力涡轮机、水电站和沼气电站被卡塞尔大学组成了最大的VPP试点项目［4］。

2009年，丹麦的电动汽车智能并网项目采用虚拟电厂技术，考虑大规模风电出力的不确定性，来管理电动汽车的智能充放电［5］。

2008年，中国广东大学城内的分布式能源站
投产运行，主要用燃气-蒸汽联合循环机组发电来满足大学城内的用电和用热需求［6］。

2014年，中国国电集团公司云南小中甸风光水分布式电源示范工程成功
并网，进行商业运行［7］。

智能电网下双向互动技术的推广也使用电模式得到改善，这为需求响应参与系统调度提供了条件［8］。

一般来说，需求响应主要包括价格型需求响应（price-based demand response，PBDR）［9］和激励型需求响应（incentive-based demand response，IBDR）［10］。

由于需求响应能够引导用户侧优化用电行
为，参与系统发电调度，常被用作虚拟电厂的重要组件。

文献［11］以风电、光伏发电、燃气轮机和IBDR组成虚拟电厂，讨论IBDR对虚拟电厂运行的影响。

如何优化分配IBDR在备用市场和能源市场出力对实现VPP优化运营有着重要的意义［12］。

虚拟电厂的研究主要包括配置容量［13］和协调运行［14］，为克服风、光波动性问题，可控机组、储能系统和可控负荷等常被用来配合VPP发电出力，保证VPP输出功率的稳定性［15］。

上述文献深入讨论了虚拟电厂的优化运营问题，但鲜有文献分析PBDR对VPP运行的影响。

同时，VPP运行目标主要围绕经济效益最优，未能考虑减少弃能方面的重要作用。

因此，以最大化虚拟电厂运营收益、最小化系统运行成本和弃能成本被作为目标函数，建立了基于鲁棒随机优化理论的虚拟电厂调度优化模型，并以中国国电云南分布式电源示范工程作为实例对象，验证了所提模型方法的有效性。

1.1 虚拟电厂基本结构
本文所提虚拟电厂主要由风电（wind power plant，WPP），光伏发电机组（photovoltaic power generation，PV），储能系统（energy storage systems，ESSs）和燃气发电机组（gas turbine，GT）以及需求响应（demand response，DR）构成（见图1）。

本节以日前调度市场作为分析市场，PV、WPP主要用于满足客户负荷需求，GT 和ESSs用来为风电和光伏发电提供备用。

ESSs能够运用自身充放电特性来平滑VPP的输出功率，提高VPP发电并网量。

当GT和ESSs无法提供足够备用，或者VPP不能满足系统负荷时，ISO可以临时从公共电网购买，以保证系统的安全稳定运行［16］。

1.2 虚拟电厂输出功率模型
1.2.1 需求响应模型
需求响应主要通过实施峰谷分时电价优化用户用电行为，有利于实现负荷曲线的削
峰填谷，需求响应后负荷变动计算公式为
式中：Lt0、Lt和Pt0、Pt分别为需求响应前后的负荷需求、电价；s，t代表时间，s，t=1，2，…，T；est为电力价格弹性，其中当s=t，est被称为自弹性；当
s≠t，est被称为交叉弹性。

1.2.2 风电输出功率模型
来风情况决定了风电输出功率，运用Weibull分布［17］描述风速分布的特性。

其概率密度函数可表示为
式中：v为自然来风速度；φ和ϑ分别为形状和尺度参数。

自然来风和风电出力相互间的关系可表示为
式中：gR表示风力发电机组的额定出力；vin、vout和vrated分别表示切入、切出和额定风速。

1.2.3 PV发电输出功率模型
PV发电功率取决于太阳能辐射强度，Beta分布可描述太阳能辐射强度，其概率密度函数为
式中：gPV，t为t时刻的PV出力；a、b分别为Beta分布的形状参数。

1.2.4 GT发电模型
GT发电的启停速度快，发电出力可控，发电能耗一般服从二次函数，即
式中：f（·）为GT的能耗函数，主要包含燃气成本和启停燃气成本；aGT，bGT，cGT为GT发电能耗参数；uGT，t表示GT的发电状态，为0-1变量，当uGT，
t=1时，GT处于运行状态，反之GT则是停机状态；gGT，t为GT发电功率；DGT，t为GT启停能耗成本，可表示为
式中：NGTcold为GT冷启动时产生的成本；TGThot为GT热启动时产生的成本；TGTmin为GT所需要t的最小允许停机时间。

TGT，toff为GT在时刻t的持续
停机时间；TGTcold为GT所需的冷启动时间。

1.2.5 ESSs输出功率模型
ESSs输出功率包含充电功率和放电功率。

为保持ESSs稳定运行，设定ESSs不可以同时进行充电和放电行为，故ESSs的输出功率为
式中： udisESS，t和 uchrESS，t为时刻 t储能系统的放电状态和充电状态，为
0-1变量；gdisESS，t和gchrESS，t分别为时刻t储能系统的放电和充电功率。

虚拟电厂发电调度主要以最小化系统整体的发电成本、最低化VPP弃能成本和最
大化VPP运行收益为目标函数。

系统整体发电成本函数为
式中：ρUG，t和ΔLUG，t分别为时刻t系统向公共电网购电的购电价格和购电量。

VPP弃能成本指WPP弃风和PV发电弃光的机会成本，具体目标函数为
式中：f2代表VPP弃能成本的最小目标函数；ρW和ρPV分别为WPP和PV的
发电上网价格；gW*和gPV*分别为WPP和PV发电的实际可用出力。

VPP运行收益指扣除发电运行成本后的VPP的发电净收益，具体目标函数为
式中：f3为VPP运行收益最大化的目标函数；πW，t、πPV，t、πEV，t和πGT，t分别为WPP、PV、ESSs和GT机组的发电上网收益；ρdisESS，t和ρchrESS，t分别为 ESSs的放、充电价格；πDR，t为需求响应后的收益。

（1）负荷供需平衡约束为
式中：φW、φPV和φGT分别为WPP、PV和GT的厂用电率；Lt为需求响应后用户在时刻t的需求电量。

（2）燃气轮机运行约束为
式中： gGTmax、 gGTmin分别为 GT的输出功率极限；Δg+GT、Δg-GT分别
为GT的爬坡功率极限；MonGT为GT的最短启动时间；TonGT，t-1为 GT在
t-1时刻的持续运行时间；MoffGT，t代表GT的最短停机时间；ToffGT，t-1为
t-1时刻GT连续停机时间。

（3）ESSs充放电功率约束。

为了确保 ESSs安全稳定运行，ESSs在调度周期内
不能同时进行充电和放电，具体约束为
在整个调度周期之内，ESSs所含的蓄电池充放电需满足固定约束条件，即：
（4）需求响应约束。

为避免负荷曲线的峰谷倒挂，需求响应前后负荷变动量不应超过预定值，主要约束条件为
式中：ΔLtmax为t时刻负荷最大波动量；vt为需求响应实施状态变量；和分别为时刻t负荷波动量的上下限；ΔLmax为调度周期内负荷最大可波动量。

（5）系统备用约束为
式中：GtVPP，max为WPP的最大输出功率；RtVPP为VPP的备用容量的需求；r1、r2、r3分别为负荷、PV发电和WP发电的备用系数。

虚拟电厂发电调度需考虑风光不确定性对系统运行的影响。

本文引入鲁棒随机优化理论，设定了考虑不确定性之后的风光发电功率约束条件。

设风光发电误差系数为和，则功率波动区间为
式中：eWPP，t和ePV，t分别为风电和光伏出力的经验误差系数。

为确保可行解存在，需将约束条件式（16）转换为不等式约束条件，如下：
根据式（32）可以转换约束条件式（16），转换后约束条件为
式（33）分析了系统运行受风光不确定性的影响。

该约束条件有很强的不确定性
约束，在实际运行中，难以达到该极端情形，因此，引入辅助变量θWPP，t，
θPV，t（θ≥0）来分析当实际输出的功率达到预测误差值的边界时，约束条件依
然满足的情形。

设定θWPP，t≥|gWPP，t（1-φWPP）±eWPP，tgWPP，t|并
且θPV，t≥|gPV，t（1-φPV）±ePV，tgPV，t|，则式（35）可以转换为
考虑式（34）～（35）和式（16）～（28），可建立有最强约束的随机调度模型，然而实际运行中，这种情形发生的概率极小，因此为了使得所建随机调度模型具有可控特性，引入鲁棒系数ΓWPP和ΓPV，Γ∈［0，1］来转换式（34）～（35），
转换后约束条件为
根据式（36）～（37），建立有可调节特性的VPP随机调度模型。

其中，运用鲁棒系数控制系统调度受到WPP和PV发电的不确定性的影响。

4.1 基础数据
本节选取中国国电云南分布式电源示范工程作实例对象，主要分析DR对VPP的
优化效应，并对所提模型开展实例分析。

该示范工程主要有1×2 MW的储能系统、1×6.5 MW风电发电机组、1×4.5 MW光伏发电机组以及18 MW硕多岗河小中
甸水电机组。

GT机组有发电污染物低和启停速度快的特性，因此本文选用GT机
组替代水电机组［18］。

燃气发电机组主要包括1台CENTAUR50燃气轮机，1
台TAURUS60燃气轮机，和1台CENTAUR40燃气轮机组成，表1为各型号燃
气轮机运行参数。

4.2 算例结果
为分析不确定性对系统调度结果影响，分别讨论鲁棒系数为0和0.8时系统调度结果。

图2、3分别为考虑不确定性前后VPP调度优化结果。

如果考虑发电出力不确定性，系统运行成本将从16 555.71元降至6 419.59元，弃能成本增加。

这表明系统为了降低由不确定性产生的风险，会相应减少WP和PV的发电出力，导致VPP运行收益的减少。

GT机组发电量从310.61 MW·h增
至319.55 MW·h，弃风电量由9.90 MW·h增至15.82 MW·h，弃光电量从3.61 MW·h增至6.15 MW·h。

表明系统为了降低不确定性造成的缺电补偿，风电和光
伏发电并网电量会被减少，系统选择调用GT发电机组满足负荷的需求。

VPP在不同的鲁棒系数下的调度结果如表2所示。

由表2可以看出，系统对不确
定性风电的承受能力随着鲁棒系数的增加而逐渐降低，系统会降低VPP发电量来
规避风险，由441.00 MW·h降低至429.48 MW·h，导致弃能的成本逐步增加，VPP的运行收益逐步降低。

表明引入鲁棒随机优化理论能为决策者提出灵活的决
策依据，决策者可以依据自身的风险偏好来设置鲁棒系数，实现VPP最优调度结果。

图4、5分别为需求响应前后的虚拟电厂运行结果。

在引入DR前，弃能成本、系统运行成本和VPP运行收益分别是154 905元、6 989元和178 439元。

如果不引入需求响应，VPP备用主要由ESSs来提供，进行谷时段充电和峰时段放电。

由于GT机组出力较稳定，在低谷时段会减少发电出力，来促进WP和PV发电并网。

在8点-0点时段，GT主要来满足系统负荷需求，剩余时段WP发电出力较高，GT发电出力下降。

WP和GT发电出力呈互补关系。

引入DR后，弃能成本、系
统运行成本和VPP的运行收益分别是5 578元、6 850元和184 541元。

WP和PV发电量分别为94.39 MW·h和45.24 MW·h，GT发电量为308.49 MW·h。

相比DR前，WPP和PV发电分别增加了5.32 MW·h和2.55 MW·h，GT发电量降低4.67 MW·h，表明VPP降低了对GT的备用需求，DR对降低系统备用成本有利。

实施DR可以使VPP发电并网电量最大化。

可见，虽然系统运行成本在引入DR后增加，但VPP运行效益和弃能成本达到最优，VPP发电量最大，约为448.12 MW·h，高出需求响应前444.92 MW·h，负
荷曲线峰谷比达到最低 1.43，降低了0.28。

与引入DR前进行对比可见，DR的
引入可以平滑用电负荷曲线，引导客户群进行合理用电，扩大VPP并网空间，缓
解VPP的不确定性对系统调度造成的影响，降低系统运行的成本，实现发电侧和
用电侧联动的目标。

本文将风电、光伏发电、储能系统、燃气轮机和需求响应被整合为虚拟电厂，以系统运行成本最小化、弃能成本最小化和VPP运行收益最大化作为优化目标，建立
了虚拟电厂鲁棒随机调度优化模型，并以中国国电云南分布式电源示范工程作为实例对象，进行了实例分析，有以下结论。

（1）考虑不确定性后，系统为降低缺电惩罚成本，控制风电、光伏发电不确定性
给系统带来的风险，会减少VPP发电并网电量。

鲁棒随机优化理论能够通过设置不同的鲁棒系数，为不同风险偏好型决策者提供调度决策依据。

（2）DR能够引导用户侧配合VPP发电调度，能够实现发电侧与用户侧联动优化的目标，具有显著的削峰填谷效应，ESSs能够利用自身充放电特性配合VPP内部风电和光伏发电出力，在峰时段进行放电，在谷时段进行充电，在平时段仅进行少量充电.储能系统替代CGT机组为风电和光伏发电提供备用服务，也具有平缓系统净负荷曲线的效应。

（3）当VPP组件中同时含有ESSs和IBDR，并在用户侧实施PBDR时，风电和光伏发电上网电量达到最大，弃能电量达到最低，VPP运营收益达到最高，表明ESSs和DR具有协同优化效应，同时引入ESSs和DR能够促进发电侧和用户侧互动优化，系统运营结果达到最佳。

This work is supported by National Natural Science Foundation of
China(No.71273090),Project of Beijing Municipal Philosophy and Social Science Planning(No.12JGC080).
【相关文献】
［1］马晓博.考虑配电网电流保护约束的分布式电源准入容量研究［J］.中国电力，2016，49（4）：88-92.
MA Xiaobo.Study on maximum penetration level of distributed generation in distribution network by considering current protection［J］.Electric Power,2016,49(4):88-92.
［2］陈春武，李娜，钟朋园，等.虚拟电厂发展的国际经验及启示［J］.电网技术，2013，37（8）：2258-2263.
CHEN Chunwu,LI Na,ZHONG Pengyuan,et al.Review of virtual power plant technology abroad and enlightenment to China［J］.Power System Technology,2013,37(8):2258-2265. ［3］袁沔齐，邹振宇，孙凯祺，等.基于遗传算法和微分进化算法的分布式电源优化配置［J］.中国电力，2013，46（1）：16-20.
YUAN Mianqi,ZOU Zhenyu,SUN Kaiqi,et al.Optimal allocation of distributed generation
based on genetic algorithms and differential evolution algorithm［J］.Electric
Power,2013,46 (1):16-20
［4］董文略，王群，杨莉.含风光水的虚拟电厂与配电公司协调调度模型［J］.电力系统自动化，2015，39（9）：75-81，207
DONG Wenlue,WANG Qun,YANG Li.A Coordinated dispatching model for a distribution utility and virtual power plants with wing/photovolatic/hydro generators
［J］.Automation of Electric Power Systems,2015,39(9):75-81,207.
［5］叶季蕾，薛金花，王伟，等.储能技术在电力系统中的应用现状与前景［J］.中国电力，2014，47（3）：1-5.
YE Jilei,XUE Jinhua,WANG Wei,et al.Application of energy storage technology and its prospect in power system ［J］.Electric Power,2014,47(3):1-5
［6］TAN Zhongfu,ZHANG Huijuan,SHI Quansheng,et al.Multiobjective operation optimization and evaluation of large-scale NG distributed energy system driven by gas-steam combined cycle in China［J］.Energy and Buildings,2014,76:572-587.
［7］余爽，卫志农，孙国强，等.考虑不确定性因素的虚拟电厂竞标模型［J］.电力系统自动化，2014，38（22）：43-49.
YU Shuang,WEI Zhinong,SUN Yonghui,et al.A bidding model for a virtual power plant considering uncertainties［J］.Automation of Electric Power Systems,2014,38(22):44-49. ［8］赵婷，高昆仑，郑晓崑，等.智能电网物联网技术架构及信息安全防护体系研究［J］.中国电力，2012，45（5）：87-90.
ZHAO Ting,GAO Kunlun,ZHENG Xiaokun,et al.Research on technical framework and cyber security protection system of IOT in smart grid［J］.Electric Power,2012,45(5):87-90.
［9］WANG J H,LIU C,TON D,et al.Impact of plug-in hybrid electric vehicles on power systems with demand response and wind power［J］.Energy Policy,2011,39(7):4016-4021. ［10］邹云阳，杨莉.基于经典场景集的风光水虚拟电厂协同调度模型［J］.电网技术，2015，39（7）：1855-1860.
ZOU Yunyang,YANG Li.Synergetic dispatch models of a wind/ PV/hydro virtual power plant based on representative scenario set［J］.Power System
Technology,2015,39(7):1855-1860.
［11］易德鑫.计及风电出力不确定性的虚拟电厂随机优化调度［D］.长沙：长沙理工大学，2013. ［12］段翩，朱建全，刘明波.基于双层模糊机会约束规划的虚拟电厂优化调度［J］.电工技术学报，2016，31（9）：58-67.
DUAN Dexin,ZHU Jianquan,LIU Mingbo.Optimal dispatch of virtual power plant based on
bi-level fuzzy chance constrained programming［J］.Transaction of China Electrotechnical Society, 2016,31(9):58-67.
［13］范松丽，艾芊，贺兴.基于机会约束规划的虚拟电厂调度风险分析［J］.中国电机工程学报，2015，35（16）：4025-4034.
FAN Songli,AI Qian,HE Xing.Risk analysis on dispatch of virtual power plant based on chance constrained programming［J］. Proceedings of the CSEE,2015,35(16):4025-4034. ［14］李明炜.考虑新能源及虚拟电厂的电力系统随机优化调度［D］.上海：上海交通大学，2015. ［15］杨甲甲，赵俊华，文福拴，等.含电动汽车和风电机组的虚拟发电厂竞价策略［J］.电力系统自动化，2014，38（22）：92-102.
YANG Jiajia,ZHAO Junhua,WEN Fushuan,et al.Development of bidding strategies for virtual power plants considering uncertain outputs from plug-in electric vehicles and wind generators ［J］.Automation of Electric Power Systems,2014,38 (22):92-102.
［16］TAN Z F,JU L W,LI H H,et al.A two-stage scheduling optimization model and solution algorithm for wind power and energy storage system considering uncertainty
and demand response［J］.International Journal of Electrical Power&Energy
Systems,2014:1057-1069.
［17］刘开俊.风电并网对电网的影响分析及解决方案［J］.中国电力，2012，45（9）：7-10. LIU Kaijun.Impacts and solutions of wind power integration on girds［J］.Electric Power,2012,45(9):7-10.
［18］姜海洋，谭忠富，胡庆辉，等.用户侧虚拟电厂对发电产业节能减排影响分析［J］.中国电力，2010，43（6）：37-40.
JIANG Haiyang,TAN Zhongfu,HU Qinghui,et al.Action analysis of nominal power plants on energy saving and emission controlling of power industry［J］.Electric
Power,2010,43(6):37-40.。