一种考虑不确定性的虚拟电厂参与电力市场最优报价方法技术

本发明专利技术涉及负荷侧动态竞价、虚拟电厂等经济规划和电能管理技术，尤其是一种考虑不确定性的虚拟电厂参与电力市场最优报价方法。其用于处理具有参与能源和辅助服务市场的各种发展领域的虚拟电厂的不确定性。步骤一、采用基于双向长短期记忆网络的鲁棒深度学习方法，预测电能价格、风速及负荷需求。步骤二、使用人工神经网络的粗糙神经元，预测电动汽车需求高度随机充放电曲线。步骤三、建立面向能源和旋转储备市场的VPP综合模型，将未来能源和旋转储备市场的利润最大化作为优化目标。步骤四、输入电能价格、风速、电动汽车及负荷需求，利用混合整数线性规划算法求解优化函数，得到全局最优的报价结果。优的报价结果。优的报价结果。

【技术实现步骤摘要】
一种考虑不确定性的虚拟电厂参与电力市场最优报价方法


[0001]本专利技术涉及负荷侧动态竞价、虚拟电厂等经济规划和电能管理技术，尤其涉及一种考虑不确定性的虚拟电厂参与电力市场最优报价方法。

技术介绍

[0002]传统配电网是被动形式，分布式能源(DERs)不能参与辅助服务市场，但现在，由于环境问题、化石燃料短缺和全球变暖问题，DERs的数量，特别是可再生能源(RESs)和电动汽车(EVs)，在电力系统中显著增加。然而，由于能源的容量有限，仍然不能独立参与能源和频率市场。此外，RESs的发电和EVs的需求具有间歇性和高随机行为，必须谨慎处理。因此，需要一个能够聚集各种分布式能源的能源管理形式，使其能够参与能源和辅助服务市场，并提供一个框架来克服其随机性质。
[0003]虚拟电厂(VPP)是解决这些问题的一个很有前途的解决方案。电力市场有严格的规定，在该市场中对VPP的最优管理高度依赖于对其内部电源的准确估计，包括可再生能源和电动汽车。为了建模这些不确定性，面临一个具有高间歇性电力出力曲线的大数据问题，需要一个有效方法实现对VPP内部电源的可靠估计。对VPP内部电源的精确估计对能源市场中VPP的最优报价策略有显著影响。本专利技术提出了一种新的基于深度学习的方法来处理所研究的具有参与能源和辅助服务市场的各种发展领域的VPP的不确定性。
[0004]在与本专利技术最相关的工作中，存在以下不足：1、没有对不确定性进行建模；2、没有考虑负荷潮流约束，并基于情景生成方法对不确定性进行建模；3、模型中考虑到各种电源和建模的不确定性，进行了更完整的研究，但并没有模拟电动汽车等新来源在问题和排放成本中的影响，此外，不确定性的建模基于场景生成方法(具有高计算成本)。
[0005]在VPP在未来能源和旋转储备市场的最优报价策略研究主要分为以下两大急需解决的关键问题：
[0006]1.具有各种资源的VPP参与电力市场具有高度的不确定性，包括其内部电源的不确定性(如负荷需求、RESs发电和电动汽车行为)，以及电价等市场状况的不确定性，这种高水平的不确定性为VPP运营商参与能源和旋转储备市场带来了主要挑战。因此，需要注意的是，为了对上述所有不确定性进行建模，需要一种基于鲁棒的深度学习方法来实现文献中没有研究过的VPP的最优报价策略。
[0007]2.由于可再生能源和电动汽车的各种好处，在不久的将来，它们在电力系统中的渗透率将显著提高，这样，预计VPP将由不同类型的分布式能源组成。这种多样性使VPP在能源和旋转储备市场中成为一个强大的实体。因此，需要一个全面的VPP模型，考虑到配电网络和配电单位的约束条件，可以有效地参与能源和旋转储备市场。

技术实现思路

[0008]本专利技术就是针对现有技术存在的缺陷，提供一种考虑不确定性的虚拟电厂参与电力市场最优报价方法。其提供了一个适用于VPP的综合MILP模型，本模型考虑了配电网的运
行约束，并评估了当DERs参与能源和旋转储备市场时的VPP利润，考虑了VPP最优报价策略中涉及的各种不确定性，包括RESs、负荷需求、电价，并采用BLSTM网络寻找最优报价策略。
[0009]为实现上述目的，本专利技术采用如下技术方案，包括：
[0010]步骤一、采用基于双向长短期记忆网络的鲁棒深度学习方法，预测电能价格、风速及负荷需求；
[0011]步骤二、考虑电动汽车充放电需求，使用人工神经网络的粗糙神经元，通过实现双水平权重，包括每个神经元的上带和下带权值，预测电动汽车需求高度随机充放电曲线；
[0012]步骤三、建立面向能源和旋转储备市场的VPP综合模型，包括可调度分布式电源机组、可再生能源、储能设备、电动汽车及热电联产装置，将未来能源和旋转储备市场的利润最大化作为优化目标；
[0013]步骤四、输入电能价格、风速、电动汽车及负荷需求，利用混合整数线性规划算法求解优化函数，得到全局最优的报价结果。
[0014]步骤一中，所述双向长短期记忆网络包括：
[0015]基于风速、价格及负荷需求，在时间序列任务中利用了基于LSTM网络的循环神经网络；
[0016]LSTM网络具有不同的操作门，为LSTM网络提供了鲁棒的存储单元；每个LSTM网络由三个主门组成：输入门、输出门和遗忘门；输入门用于记忆不同输入数据的有用信息，遗忘门将消除LSTM块的存储单元的无用信息，输出门用于将记忆单元的有用信息输出到下一LSTM块；
[0017]LSTM网络的公式如下：
[0018][0019][0020][0021][0022]S
t
＝og
t
tanh(cb
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0023]ig
t
，fg
t
和og
t
：t时刻输入、忘记和输出门的数据向量；
[0024]cb
t
：单元块的数据向量；
[0025]σ：s型激活函数；S
t
：电流层的状态向量；
[0026]bc，bf，bi，bo：单元块、忘记、输入和输出门的偏差向量；
[0027]Whi，Whγ，Who：先前状态输入门、忘记门、单元块和输出门的权重向量；
[0028]Wi，Wiγ，Wio：当前状态输入门、忘记门、单元块和输出门的权重向量；
[0029]在LSTM网络中，风速、价格及负荷需求信息从之前的时间步长中以单向的方式传播，而忽略了未来的信息；相比之下，BLSTM网络是双向的，其利用历史数据特性和即将从后面的LSTM网络中收集到的隐藏特性，来预测未来的时间步长输出；
[0030]步骤一采用BLSTM网络预测风速、价格及负荷需求；
[0031]BLSTM网络由两个隐藏层组成；每一层，都有相同的堆叠LSTM块，一个为向后隐藏
层，另一个为转发隐藏层；
[0032][0033][0034]Ofn＝H
t
Wo+bo
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0035]H
t
：隐藏向量层总数；Wo：输出层的权重向量；
[0036]t时刻前向层和后向层的隐藏向量；
[0037]Ofn：最后一层的输出向量；
[0038]bh
(b)
，bh
(f)
：前后隐层的偏置向量；
[0039]Wxh
(b)
，Wxh
(f)
：前后层输入数据的权重向量；
[0040]Whh
(b)
，Whh
(f)
：前后层输出数据的权重向量。
[0041]步骤三中，所述最小化整体目标函数将在以下约束条件下进行优化：
[0042]其中，VPP的目标是在未来能源和旋转储备市场的利润最大化，目标函数计算为：
[0043][0044]和能源市场上的有功和无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑不确定性的虚拟电厂参与电力市场最优报价方法，其特征在于：步骤一、采用基于双向长短期记忆网络的鲁棒深度学习方法，预测电能价格、风速及负荷需求；步骤二、考虑电动汽车充放电需求，使用人工神经网络的粗糙神经元，通过实现双水平权重，包括每个神经元的上带和下带权值，预测电动汽车需求高度随机充放电曲线；步骤三、建立面向能源和旋转储备市场的VPP综合模型，包括可调度分布式电源机组、可再生能源、储能设备、电动汽车及热电联产装置，将未来能源和旋转储备市场的利润最大化作为优化目标；步骤四、输入电能价格、风速、电动汽车及负荷需求，利用混合整数线性规划算法求解优化函数，得到全局最优的报价结果。2.根据权利要求1所述的一种考虑不确定性的虚拟电厂参与电力市场最优报价方法，其特征在于：步骤一中，所述双向长短期记忆网络包括：基于风速、价格及负荷需求，在时间序列任务中利用了基于LSTM网络的循环神经网络；LSTM网络具有不同的操作门，为LSTM网络提供了鲁棒的存储单元；每个LSTM网络由三个主门组成：输入门、输出门和遗忘门；输入门用于记忆不同输入数据的有用信息，遗忘门将消除LSTM块的存储单元的无用信息，输出门用于将记忆单元的有用信息输出到下一LSTM块；LSTM网络的公式如下：LSTM网络的公式如下：LSTM网络的公式如下：LSTM网络的公式如下：S
t
＝og
t
tanh(cb
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)ig
t
，fg
t
和og
t
：t时刻输入、忘记和输出门的数据向量；cb
t
：单元块的数据向量；σ：s型激活函数；S
t
：电流层的状态向量；bc，bf，bi，bo：单元块、忘记、输入和输出门的偏差向量；Whi，Whγ，Who：先前状态输入门、忘记门、单元块和输出门的权重向量；Wi，Wiγ，Wio：当前状态输入门、忘记门、单元块和输出门的权重向量；在LSTM网络中，风速、价格及负荷需求信息从之前的时间步长中以单向的方式传播，而忽略了未来的信息；相比之下，BLSTM网络是双向的，其利用历史数据特性和即将从后面的LSTM网络中收集到的隐藏特性，来预测未来的时间步长输出；步骤一采用BLSTM网络预测风速、价格及负荷需求；BLSTM网络由两个隐藏层组成；每一层，都有相同的堆叠LSTM块，一个为向后隐藏层，另一个为转发隐藏层；
Ofn＝H
t
Wo+bo
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)H
t
：隐藏向量层总数；Wo：输出层的权重向量；t时刻前向层和后向层的隐藏向量；Ofn：最后一层的输出向量；bh
(b)
，bh
(f)
：前后隐层的偏置向量；Wxh
(b)
，Wxh
(f)
：前后层输入数据的权重向量；Whh
(b)
，Whh
(f)
：前后层输出数据的权重向量。3.根据权利要求1所述的一种考虑不确定性的虚拟电厂参与电力市场最优报价方法，其特征在于：步骤三中，所述最小化整体目标函数将在以下约束条件下进行优化：其中，VPP的目标是在未来能源和旋转储备市场的利润最大化，目标函数计算为：其中，VPP的目标是在未来能源和旋转储备市场的利润最大化，目标函数计算为：和能源市场上的有功和无功电价；旋转储备价格；出售给客户的零售价；ρ
RE,MIN
：最低零售价；i,g,w,s,c:EV、DDG、WT、ES和CHP指标；和表示能源市场与上游网络的有功和无功功率交换量，正值表示从上游网络购买的有功功率和无功功率，负值表示卖给上游网络的相应功率；虚拟电厂参与旋转储备市场的功率；电动汽车充电量需求；和总线b的有功和无功住宅负荷需求；DDG、WT和CHP的成本；ES降解成本；等式中的第二项和第三项定义VPP向客户进行零售电力销售中获得的利润；收费成本根据当天的最低零售价计算的；等式中的最后一项涉及不同的VPP成本，包括DDG运营成本、ES退化成本、WT和CHP单元成本。4.根据权利要求1所述的基于无库存策略的一种考虑不确定性的虚拟电厂参与电力市场最优报价方法，其特征在于：步骤三中，VPP综合模型建模过程如下：
VPP综合模型包括DDGs、ESs单元、EVs、WTs和CHP，这些内部电源的模型如下：DDG成本函数使用如下等式进行计算，包括4个组成部分：燃料成本、启动成本、停机成本和排放成本：本和排放成本：DDG燃油成本函数系数；DDG参与能源市场的功率；DDG参与旋转储备市场的功率；u
g,t
，u
′
g,t
：DDG承诺状态的二进制变量；SUC
g
和SDC
g
：启动和关闭DDG的成本；DDG排放成本用如下等式计算：αd
e
：碳排放外部性DDG成本；EFD
e,g
：DDG的碳排放因子；采用分段线性方法对二次燃料...

【专利技术属性】
技术研发人员：田成来，张运贵，江玮，付威，张灵敏，王精，阳昕晓，肖艳紫，崔崔，周梦雅，陈金桥，董政，巴云霖，
申请(专利权)人：国网湖北综合能源服务有限公司，
类型：发明
国别省市：