計及多種需求響應(yīng)資源的虛擬電廠運行機制及控制策略優(yōu)化

杜宏宇, 張宏宇, 陳 波, 李 瑛, 梁惠施, 馮 楠, 袁志昌

(1. 北京電力經(jīng)濟技術(shù)研究院有限公司, 北京 100055; 2. 清華四川能源互聯(lián)網(wǎng)研究院, 四川 成都 610000; 3. 清華大學(xué)電機工程與應(yīng)用電子技術(shù)系, 北京 100084)

1 引言

隨著以新能源為主體的新型電力系統(tǒng)建設(shè)的推進,以風(fēng)光等為代表的新能源高比例接入會導(dǎo)致電力系統(tǒng)面臨的不確定性進一步增加,電力、電量平衡壓力增大,電網(wǎng)運行控制更加復(fù)雜和多變。虛擬電廠(Virtual Power Plant,VPP)因能聚合需求側(cè)靈活性資源而受到廣泛關(guān)注[1-3],是支持即將到來的高滲透可再生能源(Renewable Energy Sources,RES)的有效解決方案,在電力市場中,VPP可聚合負(fù)荷、分布式電源、儲能、充換電站、微電網(wǎng)等各類分布式資源,形成一個統(tǒng)一的集體參與電力市場交易。然而,虛擬電廠內(nèi)部分布式新能源與負(fù)荷的隨機性,會導(dǎo)致日前計劃和實時能量交易之間的不匹配,導(dǎo)致VPP的預(yù)期利潤下降。因此,VPP需要通過需求響應(yīng)(Demand Response,DR)等靈活性資源來優(yōu)化其日前計劃及運行控制策略。

目前,國內(nèi)外學(xué)者對虛擬電廠運行控制技術(shù)開展了一定的研究。在虛擬電廠運行策略方面,文獻[4]提出了考慮日前計劃與日內(nèi)滾動優(yōu)化的兩階段聯(lián)合優(yōu)化模型,形成多VPP間電能共享交互的多時間尺度調(diào)度策略。文獻[5]在考慮可再生能源使用效率和電動汽車充電需求的基礎(chǔ)上,提出分層調(diào)度模型對VPP內(nèi)部的分布式資源進行優(yōu)化調(diào)度。文獻[6]針對市場電價以及可再生能源出力的不確定性,構(gòu)建了基于兩階段隨機規(guī)劃的虛擬電廠最優(yōu)交易策略模型。文獻[7]針對虛擬電廠在市場交易中的多種不確定性及風(fēng)險,提出了一種考慮虛擬電廠參與各子市場的交易策略。

近年來有一些學(xué)者將需求響應(yīng)作為可供VPP靈活調(diào)度的資源。文獻[8]提出了一個考慮風(fēng)機和直接可控負(fù)荷DR的VPP日前交易策略優(yōu)化模型。文獻[9]建立了一個考慮儲能、價格型DR資源和新能源分布式發(fā)電的VPP參與能量市場和輔助服務(wù)市場的優(yōu)化運行策略模型。文獻[10]考慮需求響應(yīng)負(fù)荷提出VPP參與電力市場的調(diào)度模型。文獻[11]建立了含風(fēng)光儲系統(tǒng)的VPP雙層隨機調(diào)度模型,其中采用需求響應(yīng)資源和儲能來應(yīng)對風(fēng)力和光伏發(fā)電的不確定性。文獻[12]建立了考慮不確定性的需求響應(yīng)模型,提出了虛擬電廠與傳統(tǒng)發(fā)電機組共同參與系統(tǒng)調(diào)度的優(yōu)化模型。文獻[13]基于隨機規(guī)劃理論,提出考慮需求響應(yīng)交易市場的多階段競價優(yōu)化策略。上述研究在VPP運行控制策略中大多只考慮了單一類型的DR資源。然而不同類型的DR資源,其響應(yīng)特性和經(jīng)濟性各有不同,目前尚少見在VPP運行策略中考慮多種類型DR資源的研究報道?，F(xiàn)有研究對DR資源不確定性進行了建模,但并未在VPP的運行優(yōu)化模型中考慮DR資源不確定性所帶來的風(fēng)險。

鑒于此,本文提出一種計及多種DR資源的虛擬電廠運行機制及運行控制策略?？紤]來自VPP內(nèi)部的可控DR負(fù)荷以及來自外部需求響應(yīng)交易市場的DR資源的不同技術(shù)經(jīng)濟特性,基于多階段隨機規(guī)劃框架,以預(yù)期利潤最大化以及可再生能源未消納率最小化為目標(biāo),構(gòu)建VPP競價策略優(yōu)化模型。本文考慮了VPP運行過程中新能源出力、負(fù)荷出力、日前市場價格、需求響應(yīng)交易市場價格、實時市場價格等的不確定性所帶來的風(fēng)險,采用自回歸移動平均方法對這五種不確定量的日前預(yù)測誤差進行典型場景生成,同時引入風(fēng)險控制量(Conditional Value at Risk,CVaR)來衡量VPP利潤損失風(fēng)險。最后,采用算例分析驗證了所提出模型的有效性。

2 考慮多種DR資源的VPP運行架構(gòu)

2.1 虛擬電廠基本架構(gòu)

虛擬電廠由各種類型的分布式電源、可控負(fù)荷以及不可控負(fù)荷組成,通過先進的通信技術(shù)和控制技術(shù)將這些分散的資源聚合成一個虛擬的發(fā)電廠參與電力市場。本文所研究的VPP基本框架如圖1所示。

圖1 虛擬電廠基本架構(gòu)Fig.1 Basic architecture of VPP

由于VPP在參與電力市場時存在多種不確定性因素,可再生能源出力和負(fù)荷的不確定性會增加日前計劃和實時運行之間的電量偏差,而電力市場價格的波動更增加了VPP收益的不確定性,進而降低VPP的總體收益,因此VPP需要通過調(diào)節(jié)靈活性資源來抵消這些不確定性因素的影響。DR資源是一種重要的靈活性資源,與儲能相比,DR資源具有價格低、無需前期投資和設(shè)備維護等優(yōu)點。本文考慮兩種DR資源參與VPP的運行,即VPP從外部需求響應(yīng)交易市場購得的DR資源(記為DRX)以及從VPP內(nèi)部的直接可控負(fù)荷(即本地DR資源,記為DRL)。DRX是價格型DR,其價格根據(jù)需求響應(yīng)交易市場上的供求關(guān)系決定;DRL為激勵型DR,VPP可對負(fù)荷進行直接控制,并根據(jù)事先約定好的價格按照所削減的負(fù)荷量來向用戶支付費用。DRX和DRL資源的區(qū)別有三點: ①激勵方式不同,DRX為價格型DR,DRL為激勵型DR,因此在模型中的成本計算方式不同; ②DRX的價格是不確定的,DRL的價格是事先約定的;③DRX是準(zhǔn)實時DR資源,VPP需要在實時市場進行能量平衡前一段時間購買,而DRL是實時DR資源,VPP可以在實時市場進行能量平衡的時候使用。

2.2 DRX資源

本文中考慮的需求響應(yīng)交易市場是一種可交易DR資源的市場模式[14]。在需求響應(yīng)交易市場中,DR資源的提供者包括負(fù)荷聚集商、大用戶、儲能所有者等,他們通過負(fù)荷轉(zhuǎn)移、負(fù)荷削減、電池和本地發(fā)電機等方式來實現(xiàn)靈活性資源的供應(yīng)。DR提供者將其在未來一段時間內(nèi)所能提供的負(fù)荷削減或增加量作為一種虛擬商品在市場上出售。需求響應(yīng)交易市場是日內(nèi)市場,在實時市場進行能量平衡前一段時間(例如3 h)關(guān)閉。需求響應(yīng)交易市場的價格由市場中DR資源的供需關(guān)系決定,具有不確定性。

隨著實時運行時間的臨近,VPP的日前計劃和實時運行之間的偏差電量變得越來越確定,VPP可在需求響應(yīng)交易市場上通過購買日內(nèi)未來一個時間段內(nèi)的DR資源來糾正日前計劃與實時市場之間的偏差。

2.3 DRL資源

由于需求響應(yīng)交易市場在VPP進行實時能量平衡前一段時間關(guān)閉,因而VPP在需求響應(yīng)交易市場中獲得的DR資源為準(zhǔn)實時資源。為了進一步提高VPP在實時市場中的靈活性,本文考慮VPP還可以從本地直接可控負(fù)荷中獲得一部分實時的靈活性資源,即DRL。DRL是一種激勵型的對用戶空調(diào)進行直接控制的DR資源。VPP在用戶的空調(diào)系統(tǒng)上安裝具有通信和遠(yuǎn)控功能的恒溫器。VPP與用戶提前商定好,VPP可在一定溫度范圍內(nèi)遠(yuǎn)程控制用戶空調(diào)的溫度設(shè)定值來調(diào)整空調(diào)的出力。作為補償,VPP向用戶支付一定的費用。目前,這種空調(diào)直接控制的DR項目已經(jīng)在國外多地得到成功的實際應(yīng)用,例如美國的“Smart AC”項目和澳大利亞的“Cool Saver”項目[15]。DRL是一種實時的靈活性資源,可用于在實時市場中進行能量平衡,可視為DRX資源的一種補充。

3 多階段隨機規(guī)劃框架及不確定性因素多階段場景生成

3.1 基于多階段隨機規(guī)劃的VPP競價策略優(yōu)化框架

VPP在參與電力市場時會面臨多種不確定因素,例如可再生能源出力、電力市場價格、負(fù)荷、DR市場價格等。本文考慮用DR資源來對沖VPP在電力市場交易中面臨的不確定性,提出了一個多階段隨機規(guī)劃框架來對VPP的競價策略優(yōu)化問題進行建模。

第一階段:VPP提前1天對自身其內(nèi)部可再生能源出力曲線、負(fù)荷曲線、電力市場價格、DR價格等進行預(yù)測,在日前市場中提交報價曲線。

第二階段:日前市場關(guān)閉后,現(xiàn)貨市場公布日前成交價格。在日內(nèi)市場,VPP在實時運行前預(yù)測需要購買的DR資源數(shù)量,并在需求響應(yīng)交易市場中進行提報購買量。

第三階段:在實時市場中,VPP內(nèi)部負(fù)荷、可再生能源出力和DRX交易價格確認(rèn),VPP通過控制DRL和在實時市場中的購售電來保持供需平衡。實時市場關(guān)閉后,實時市場價格確定進行不平衡電量的交易結(jié)算。

3.2 不確定量預(yù)測及場景生成

VPP在進行日前報價之前,需要對未來1日內(nèi)可再生能源出力曲線、負(fù)荷曲線、電力市場價格、DR價格等進行預(yù)測。但是預(yù)測不可能完全精準(zhǔn),這就存在不確定性的問題。在隨機規(guī)劃的概念中,不確定性變量的隨機性通過有限的場景集合所描述,這些場景集合即為不確定變量概率分布的離散近似。本文應(yīng)用v型支持向量回歸機(v-Support Vector Regression,v-SVR)對這些不確定量進行日前預(yù)測,然后用自回歸移動平均 (AutoRegressive Integrated Moving Average, ARIMA) 方法[16]對預(yù)測誤差進行典型場景生成。

3.2.1 不確定量預(yù)測

考慮負(fù)荷、可再生能源、日前市場價格、實時市場價格、需求響應(yīng)交易市場價格等不確定量,基于歷史數(shù)據(jù)輸入,通過v-SVR來建立預(yù)測模型,實現(xiàn)對不確定因素的短期預(yù)測。給定樣本集{(xi,yi)}(i=1,…,n),其中xi為第i個輸入樣本,yi為對應(yīng)的輸出標(biāo)量,n為訓(xùn)練樣本數(shù)。v-SVR先將樣本點通過非線性函數(shù)映射到高維特征空間,然后在特征空間進行線性回歸。回歸估計函數(shù)如下[17]:

(1)

k(xi,x)=e-σ‖xi-x‖2

(2)

s.t.

(3)

(4)

(5)

3.2.2 預(yù)測場景生成

基于預(yù)測的曲線基線,利用ARIMA模型中包含的誤差項進行抽樣[21]來模擬預(yù)測誤差。

(6)

式中,yt為生成的場景;ηj為第j個自回歸參數(shù),j=1,2,…,p(p為自回歸階數(shù));?j為第j個移動平均參數(shù),j=1,2,…,q(q為移動平均階數(shù));εt為均值、方差為0的與y不相關(guān)的白噪聲序列,用來模擬所生成預(yù)測場景的誤差水平,取值為所用的預(yù)測算法的預(yù)測誤差。預(yù)測場景的生成方法具體如下:

階段一:生成N1個日前(Day Ahead,DA)市場價格場景(N1=100)。

階段二:對于每一個日前市場價格場景,分別生成N2個需求響應(yīng)交易市場價格場景(N2=100)。

階段三:針對每個需求響應(yīng)交易市場價格場景,分別生N3個DRL出力、RES出力、實時(Real Time,RT)市場價格場景(N3=100)。

因此,生成的場景總數(shù)為NS′=N1×N2×N3=106。如此大的場景數(shù)量會對優(yōu)化問題的求解帶來巨大的計算負(fù)擔(dān),本文采用k-means聚類算法[22-24]來對場景數(shù)量進行削減,如圖2所示,對生成的場景進行聚類,然后通過計算聚類中心來提取典型場景曲線,將場景歸類削減到NS個。記削減后三個階段的場景數(shù)分別為NS1,NS2和NS3,則有NS=NS1×NS2×NS3。

圖2 不確定量預(yù)測及場景生成Fig.2 Uncertainty prediction and scenario generation

4 考慮多種DR資源的VPP多階段競價優(yōu)化模型

4.1 不考慮風(fēng)險控制的VPP多階段競價模型

將VPP參與電力市場競價優(yōu)化的三個階段放在一個多階段隨機規(guī)劃框架下進行建模。如圖3所示,決策框架通過情景樹的形式在每一階段生成足夠數(shù)量的情景充分描述隨機規(guī)劃過程,對場景進行聚類削減后,通過構(gòu)建一個VPP多階段的優(yōu)化問題來進行優(yōu)化求解,保證三個階段決策的整體最優(yōu)。

圖3 三階段隨機規(guī)劃框架Fig.3 Three-stage stochastic programming framework

在不考慮風(fēng)險控制的情況下,VPP競價模型的優(yōu)化目標(biāo):①最大化VPP的期望利潤;②最小化可再生資源未消納率。不考慮風(fēng)險控制的VPP多階段競價模型如下。

4.1.1 目標(biāo)函數(shù)

maxF={f1,-f2}

(7)

(8)

(9)

4.1.2 約束條件

s.t.

?t,?ω,?s,?γ

(10)

(11)

?t,?ω,?s,?γ

(12)

(13)

(14)

4.2 考慮風(fēng)險控制的VPP多階段競價模型

在3.1節(jié)的模型中,VPP競價優(yōu)化的目標(biāo)是在不考慮風(fēng)險控制的情況下使其期望利潤最大化。然而,在現(xiàn)實中運行決策往往需要考慮風(fēng)險控制。在某些情況下,決策的失誤可能會導(dǎo)致巨額損失。例如,當(dāng)實時市場出現(xiàn)未被預(yù)見到的高價格時,從實時市場購買電量就會帶來很大的損失。為此,本文在優(yōu)化模型中加入一種稱為條件風(fēng)險價值的風(fēng)險控制量,以控制由不確定性所引起的利潤損失風(fēng)險。對于給定的置信水平α∈(0,1),CVaR定義為對最差的1-α分位數(shù)的場景所求得的期望值。關(guān)于CVaR的詳細(xì)解釋可參考文獻[25]。

考慮風(fēng)險控制的VPP競價優(yōu)化模型在式(8)基礎(chǔ)上通過引入一個風(fēng)險控制CVaR[26]項來重新定義目標(biāo)函數(shù)。引入CVaR項后,風(fēng)險控制模型的優(yōu)化目標(biāo)變?yōu)樵诳傮w期望利潤和最差的(1-α)×100%場景下的期望利潤之間尋找最優(yōu)的平衡?？紤]風(fēng)險控制的VPP競價優(yōu)化模型目標(biāo)函數(shù)如下:

maxF={f1,-f2}

(15)

(16)

s.t.

(17)

φ-PRκ≤εκ

(18)

εκ≥0

(19)

式中,目標(biāo)函數(shù)f2同4.1.1節(jié)式(9)一致;PRκ為場景κ下的利潤;ρκ為生成場景κ的概率;φ和εκ均為輔助變量;β為風(fēng)險控制參數(shù),表示VPP對風(fēng)險的規(guī)避程度。β值越高,表示VPP對風(fēng)險規(guī)避程度越高。值得注意的是,β和α是預(yù)先設(shè)定的參數(shù),φ和εκ的值通過優(yōu)化模型求解確定。

4.3 多目標(biāo)處理

本文所提出的VPP競價模型存在兩個優(yōu)化目標(biāo),即最大化VPP的期望利潤和最小化可再生資源未消納率,兩個目標(biāo)之間相互沖突,導(dǎo)致多目標(biāo)優(yōu)化問題沒有唯一全局最優(yōu)解。本文采用基于非支配排序策略的粒子群優(yōu)化算法[27]求取多目標(biāo)優(yōu)化模型的Pareto最優(yōu)前沿面,再依賴決策者或?qū)嶋H需求選出最終方案?；诜侵渑判虿呗缘牧Ｗ尤簝?yōu)化算法的步驟如圖4所示,首先計算目標(biāo)優(yōu)化模型的Pareto解集,確定所有解之間的支配關(guān)系,找出其中的非支配解,然后確定其他剩余解之間的相互支配關(guān)系,重復(fù)上述步驟將種群全部分層,最終找出最優(yōu)的非支配解。

圖4 基于非支配排序策略的粒子群優(yōu)化算法的多目標(biāo)優(yōu)化流程Fig.4 Multi-objective optimization process of article warm optimization algorithm based on non-dominated sorting strategy

求出Pareto最優(yōu)前沿面之后,為了輔助決策者選出最終方案,對各目標(biāo)函數(shù)在最優(yōu)前沿面上的解進行max-min歸一化處理[28],轉(zhuǎn)化為無量綱數(shù)值,表達式如下:

(20)

(21)

式中,μ1,z,μ2,z和f1,z,f2,z分別為第1、第2個目標(biāo)函數(shù)在最優(yōu)前沿面上第z個解的歸一化值和實際值;f1,max,f2,max和f1,min,f2,min分別為第1、第2個目標(biāo)函數(shù)在Pareto最優(yōu)前沿面上的最大值和最小值。兩個目標(biāo)函數(shù)引入權(quán)重因子ω1、ω2,對最優(yōu)前沿面上的各個解計算隸屬度:

(22)

式中,c為Pareto最優(yōu)前沿面上解的個數(shù);ω1、ω2分別為目標(biāo)函數(shù)f1和f2的權(quán)重因子,由決策者根據(jù)實際需求選擇設(shè)定。μz最大時對應(yīng)的Pareto解為符合決策者要求的最優(yōu)解。

5 算例分析

為了驗證本文所提出的VPP多階段競價優(yōu)化模型的有效性,在Matlab R2016a環(huán)境下采用線性規(guī)劃工具箱進行了仿真,并用Matlab線性規(guī)劃工具箱進行求解。本節(jié)所研究的虛擬電廠內(nèi)部有14個2.5 MW小型風(fēng)電場,最大負(fù)荷為58 MW,其中來自VPP內(nèi)部直接可控負(fù)荷的DRL資源最大可削減量為8 MW。日前市場和實時市場的電價數(shù)據(jù)來自美國賓夕法尼亞、新澤西和馬里蘭(PJM)電力交易所的歷史數(shù)據(jù)[29]。負(fù)荷及DRL數(shù)據(jù)來自參考文獻[30],DRL價格為2元/(kW·h);風(fēng)機出力數(shù)據(jù)通過使用參考文獻[31]中所示的風(fēng)力發(fā)電機功率曲線,將風(fēng)速數(shù)據(jù)[32]轉(zhuǎn)化為風(fēng)力功率得到,需求響應(yīng)交易市場價格數(shù)據(jù)生成方法參考文獻[33]。其中,SVR模型學(xué)習(xí)參數(shù)C=4、v=0.5、γ=0.9。

5.1 日前競價及運行優(yōu)化結(jié)果

采用v-SVR對負(fù)荷、風(fēng)機出力、日前電價、實時電價和需求響應(yīng)交易市場價格進行預(yù)測,平均預(yù)測誤差分別為3%、10%、12%、15%、12%。日前24 h預(yù)測結(jié)果如圖5所示?；陬A(yù)測曲線和預(yù)測誤差水平,采用ARIMA對負(fù)荷、風(fēng)機出力、日前電價、實時電價和需求響應(yīng)交易市場價格生成場景(N1=100,N2=100,N3=100,ε按相應(yīng)的預(yù)測誤差水平設(shè)置),并采用基于聚類的方法將所生成的場景進行削減,削減后的總場景數(shù)NS為100。

圖5 日前預(yù)測曲線Fig.5 Day ahead forecast curves

5.2 多目標(biāo)優(yōu)化結(jié)果

采用Pareto多目標(biāo)優(yōu)化方法求解優(yōu)化模型目標(biāo)函數(shù)f1和f2的Pareto最優(yōu)解。圖6給出了求解出的Pareto最優(yōu)前沿面,給出了可供選擇的最優(yōu)解集?？梢钥闯瞿繕?biāo)函數(shù)f1和f2不存在同時最優(yōu)解,兩個目標(biāo)函數(shù)呈此消彼長關(guān)系。

圖6 多目標(biāo)優(yōu)化的Pareto前沿解Fig.6 Pareto frontier solution of multiobjective optimization

在虛擬電廠多階段運行調(diào)度時,運行人員可以根據(jù)對f1和f2兩個目標(biāo)函數(shù)的重要性來確定最終方案。假設(shè)可再生能源未消納率比預(yù)期利潤目標(biāo)比更為重要,設(shè)運行人員給f1和f2定的權(quán)重因子分別為0.3和0.7,表1給出了在這種權(quán)重設(shè)定下目標(biāo)函數(shù)值以及μz值。運行人員可選擇μz最大的方案(A1方案)作為最終選擇方案,其預(yù)期利潤63.95萬元,可再生能源未消納率為3.99%。

表1 最終選擇方案對比Tab.1 Comparison of final options

在A1方案下的VPP日前計劃和日內(nèi)調(diào)度策略結(jié)果如圖7所示。圖7展示了VPP在日前市場購電量、在需求響應(yīng)交易市場購買的DR資源、在本地調(diào)用的DRL資源以及實時市場購電量的24 h曲線?？梢钥闯?VPP在實時市場的購電量趨近于0,說明通過DRX資源以及DRL資源可以很好地平衡電力供需,運行優(yōu)化效果顯著。

圖7 VPP運行優(yōu)化曲線Fig.7 VPP operation optimization curve

5.3 考慮多種DR資源優(yōu)化的影響分析

對不考慮DR資源、考慮單一DR資源、考慮多種DR資源情況下VPP的預(yù)期利潤和可再生能源未消納率進行分析計算,結(jié)果見表2。可以看出,在不考慮DR資源時,由于VPP缺乏靈活性資源,預(yù)期利潤是四種場景中最低的,并且可再生能源未消納率也是最高的。在考慮了一種DR資源之后,VPP利潤和可再生能源消納率指標(biāo)均有所改善。DRX資源在降低VPP可再生能源未消納率方面有更好的表現(xiàn),但成本相對DRL更高。DRL資源具有更高的性價比,可為VPP帶來更高的預(yù)期利潤,但受限于用戶對空調(diào)系統(tǒng)的使用具有季節(jié)性,在非空調(diào)使用季節(jié)時,在降低可再生能源未消納率方面優(yōu)化運行效果不顯著。在綜合考慮兩種DR資源的情況下,VPP的預(yù)期利潤達到最高,可再生能源未消納率達到最低,證明了所提方法的有效性和合理性。

表2 VPP預(yù)期利潤及可再生能源未消納率結(jié)果對比Tab.2 Results comparison of VPP expected profit and renewable energy unavailability

5.4 風(fēng)險規(guī)避程度的影響分析

在考慮風(fēng)險控制的VPP多階段競價模型中,β為表示風(fēng)險規(guī)避程度的控制參數(shù)。為了研究風(fēng)險規(guī)避程度與預(yù)期收益的聯(lián)系。圖8給出了不同風(fēng)險控制參數(shù)β取值下VPP的預(yù)期收益和CVaR項的值,可以看出β越大,VPP的總預(yù)期收益越大,但VPP在不利場景下的損失期望值也會相應(yīng)地降低。在考慮風(fēng)險的情況下,該曲線可幫助VPP運行人員在收益和風(fēng)險之間找到符合自身風(fēng)險偏好的平衡點。

圖8 不同風(fēng)險控制參數(shù)下的CVaR與預(yù)期收益Fig.8 CVaR and expected profit under different risk-aversion levels

6 結(jié)論

本文提出了一種計及多種DR資源的虛擬電廠運行機制及控制策略。文中考慮了來自VPP外部的DRX資源和內(nèi)部的DRL資源,通過v型支持向量機對五種不確定量進行預(yù)測,并采用場景生成技術(shù)對預(yù)測誤差進行模擬。在不考慮風(fēng)險控制和考慮風(fēng)險控制兩種情況下,以預(yù)期收益最大化以及可再生能源未消納率最小化為目標(biāo),建立了基于多階段隨機規(guī)劃的VPP競價優(yōu)化模型,并采用基于非支配排序策略的粒子群優(yōu)化算法求取多目標(biāo)優(yōu)化模型的Pareto最優(yōu)前沿面,最后采用決策者設(shè)置權(quán)重的方式選出最終方案。算例研究表明,本文提出的計及多種DR資源的虛擬電廠競價優(yōu)化策略可提升VPP預(yù)期收益,降低可再生能源的未消納率。此外,引入條件風(fēng)險價值CVaR度量交易策略風(fēng)險,輔助VPP運行人員在收益和風(fēng)險之間找到符合自身風(fēng)險偏好的平衡點。