【技术实现步骤摘要】
本专利技术属于虚拟电厂，尤其涉及一种虚拟电厂优化调度方法。
技术介绍
1、随着能源危机和环境污染的日益严重，清洁能源的开发和利用已受到各国的高度重视。然而风能的随机性和波动性使得大规模风电场并网下的电力系统运行中不确定因素增多。近年来，中国风光装机容量不断增加，但因其具有单机容量小、地域分散、并网具有较大的随机性和波动性的特性，大规模接入会给电网的可靠性带来巨大的挑战。为了有效解决利用可再生能源所带来的威胁，虚拟电厂(virtual power plant，vpp)应运而生。vpp是通过将各种分布式电源、储能系统营，缓解了可再生能源接入电网造成波动的同时，还增加了vpp各组成部分的经济效益。
2、国内外对于含风电场电力系统调度模型方面做了大量研究。虚拟电厂存在源荷不确定性的问题会导致虚拟电厂在获取收益同时也要面对一定的风险损失。随着风电并网容量的不断增加，传统的确定性优化调度方法已难以满足电力系统安全运行要求。且因调节能力不足会导致大量的弃风、弃光问题。
技术实现思路
1、本专利技术目的在于提供一种虚拟电厂优化调度方法，以解决虚拟电厂存在源荷不确定性的问题会导致虚拟电厂在获取收益同时也要面对一定的风险损失的技术问题。
2、为实现上述目的，本专利技术的一种虚拟电厂优化调度方法的具体技术方案如下：
3、一种虚拟电厂优化调度方法，包括以下步骤：
4、步骤s1、虚拟电厂(virtual power plant，vpp)机组建模：
6、风电机组的输出功率为：
7、
8、式中，pwpp(t)为风电机组在t时刻的输出功率；rt为在t时刻的自然风风速；ri为风电机组的切入风速；ro为风电机组的切出风速；rq为风电机组的额定风速；pq为风电机组的额定输出功率。
9、步骤s1-2、光伏机组
10、光伏机组的输出功率为：
11、ppv(t)＝ηpvspvθt (2)
12、式中，ppv(t)为光伏机组在t时刻的输出功率；ηpv为光伏板的转换效率；spv为光伏板的面积；θt为在t时刻的光照强度；
13、步骤s1-3、微型燃气轮机
14、微型燃气轮机发电成本为：
15、
16、式中，cmgt(t)为微型燃气轮机在t时段的发电成本；pmgt,t为微型燃气轮机在t时段的输出功率；a为微型燃气轮机发电成本的二次项系数；b为微型燃气轮机发电成本的一次项系数；c为微型燃气轮机发电成本的常数项；
17、步骤s1-4、储能系统
18、储能系统的充放电双向特性如下：
19、-pes,max≤pes,e,t≤pes,man (4)
20、其中，pes,e,t为储能系统在t时段的充放电功率；pes,man为储能系统充放电功率的最大值；
21、步骤s2、vpp的收益与成本建模：
22、步骤s2-1、虚拟电厂的购售电收益
23、
24、其中，εo(t)和εt(t)分别为虚拟电厂在t时刻的售电价格和购电价格；pvpp,o(t)和pvpp,t(t)分别为虚拟电厂在t时刻的售电量和购电量；
25、步骤s2-2、虚拟电厂的环境惩罚成本
26、
27、其中，xor,n为数值取0或1的变量，在值为1时，n机组开启，在值为0时，n机组关闭；ep(m)为机组在功率p下m类污染物的排放量；f(m)为m类排放物的罚款金额；por,n(t)为t时刻机组的功率；
28、步骤s2-3、虚拟电厂所选机组的租赁成本
29、
30、其中，xpv,i、xwpp,j、xor,k、xes,e分别为光伏机组i、风电机组j、微燃机组k、第e台储能系统的0/1变量，该机组被虚拟电厂租赁取值为1，该机组未被虚拟电厂租赁取值为0；pes,e,ec(t)、pes,e,ed(t)分别为第e台储能系统在时刻的充电、放电功率；pil(t)电厂中可中断负荷在t时刻的功率；cil为可中断负荷单位电量的补偿成本；lppv,i、lpwpp,j、oces,e,op、lpes,e分别为光伏机组i、风电机组j、微燃机组k、第e台储能系统的单位输出功率的租赁费用；
31、步骤s2-4、虚拟电厂所选机组的运行维护成本
32、
33、其中，ocmgt,k,op、oces,e,op分别为微燃机组k、第e台储能系统的单位输出功率的运行费用；
34、步骤s2-5、虚拟电厂的条件风险价值(conditional value-at-risk，cvar)
35、
36、其中，v为边界值；b为提前给定的置信度，取0.5；dv为决策向量；lf为损失函数，其值取虚拟电厂的收益负值；
37、步骤s3、虚拟电厂vpp的运行约束条件：
38、步骤s3-1、微燃机运行约束
39、pmgt,i,min≤pmgt,i(t)≤pmgt,i,max (10)
40、
41、其中，pmgt,i(t)、pmgt,i(t-1)分别为微燃机组i在t时刻和t-1时刻的功率；pmgt,i,min、pmgt,i,max分别为微燃机组i的最小、最大输出功率；分别为微燃机组i的向下、向上爬坡功率；
42、步骤s3-2、储能系统的荷电状态和充、放电约束
43、
44、(1-cd,max)si,man≤si(t)≤si,man (13)
45、0≤pes,i,ec(t)≤cec(t)pes,i,ec,max (14)
46、0≤pes,i,ed(t)≤ced(t)pes,i,ed,max (15)
47、cec(t)+ced(t)≤1 (16)
48、其中，si(t)、si(t-1)分别为第i台储能系统在t时刻、t-1时刻的荷电状态；γec、γed分别为储能系统的充电、放电效率系数；si,man为第i台储能系统荷电状态的上限值；cd,max为储能系统的最大放电深度；pes,i,ec(t)、pes,i,ed(t)分别为第i台储能系统在t时刻的充电、放电功率；pes,i,ec,max、pes,i,ed,max分别为第i台储能系统的最大允许充电、最大允许放电功率：cec(t)、ced(t)分别为储能系统在t时刻是否处于充电、放电的状态值，是则取1，否则取0，两者不可以同时为1；
49、步骤s3-3、可中断负荷约束
50、0≤pil(t)≤sfilpl本文档来自技高网...
【技术保护点】
1.一种虚拟电厂优化调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的虚拟电厂优化调度方法，其特征在于，所述步骤S4中，利用抽样算法获得大量概率预测场景，拉丁超立方抽样主要包括区间抽样和样本相关性排序：
3.根据权利要求1所述的虚拟电厂优化调度方法，其特征在于，所述步骤S4中K-均值算法包括以下步骤：首先在某一数据集中随机选取K个样本作为初始聚类中心；然后计算所有样本点与聚类中心的距离，按照距离最近原则，将样本点划分到相应的簇中；在每次迭代过程中重新计算得到新的聚类中心：当聚类中心不再变化或者达到指定条件时，输出聚类结果；
【技术特征摘要】
1.一种虚拟电厂优化调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的虚拟电厂优化调度方法，其特征在于，所述步骤s4中，利用抽样算法获得大量概率预测场景，拉丁超立方抽样主要包括区间抽样和样本相关性排序：
3.根据权利要求1所述的虚拟电厂优化调度方...
【专利技术属性】
技术研发人员：田浩杰，金宇坤，李齐，由佳桐，张迪，段奇志，李伊炎，韩一品，黄楚乔，徐丽莎，
申请(专利权)人：国网辽宁省电力有限公司鞍山供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。