考虑多个虚拟发电厂参与的多阶段市场交易方法

刘继春，唐虎，向月，刘俊勇，张铃珠

(1.四川大学电气信息学院，成都市610065;2.国网宁夏电力公司经济技术研究院，银川市750000)

考虑多个虚拟发电厂参与的多阶段市场交易方法

刘继春1，唐虎1，向月1，刘俊勇1，张铃珠2

(1.四川大学电气信息学院，成都市610065;2.国网宁夏电力公司经济技术研究院，银川市750000)

随着智能电网的发展，分布式电源(distributed generation，DG)广泛接入电力系统。然而以风能和太阳能为代表的单个DG对大电网来说视为不可见，在参与市场交易时存在诸多不利因素。考虑多能源资源的影响，建立了由DG、负荷以及储能组成的虚拟发电厂(virtual power plant，VPP)模型，同时将多个VPP进行互联，在满足各自VPP内部供需平衡的基础上，让盈余电量在VPP集群间进行共享，实现多阶段市场交易。提出的交易方法以VPP内部和网间的交易收益最大化为优化目标函数，以尽可能消纳可再生能源为目的，同时计入需求响应(demand response，DR)策略，得到网内用户科学用电计划、网间合理报价结果，为实现多个VPP健康灵活交易提供参考。

虚拟发电厂(VPP);分布式电源(DG);集群;需求响应(DR);报价策略;交易方法

0 引言

能源枯竭、环境污染等问题使各国电力系统不断寻求新的能量供应资源，逐步增加了对分布式电源(distributed generation，DG)的利用［1］。国际能源署《世界能源展望2015》指出可再生能源和更加高效的终端能源利用技术成本将持续下降，政策会更加优先考虑低碳能源。面对日益严峻的能源、环境、气候变化挑战，必须立足世界能源资源禀赋，加快推动能源革命，实现清洁能源高效开发利用［2］。

虚拟发电厂(virtual power plant，VPP)作为主动配电网的一种体现形式，以DG为主要的能源供应，而DG因其出力间歇性、随机性等特点，通常方法是采用微网对地理位置相同的DG和负荷进行协调管控，来解决主动配电网和DG间的技术问题［3］。正因为微网以就地应用为主要的控制目标，因而受到地理区域的限制，并且对不同地区、不同规模的DG有效利用和参与市场运营也有一定的局限性［4］。DG作为单个实体，因其容量小，对大电网来说是不可见的，甚至是不可控的，其无法有效地参与到电力市场中去。从现阶段我国电力系统的发展历程来看，多样化的风险水平不足以支撑DG的长期市场交易合同，VPP作为DG的并网形式最具创造力和可行性［5］。不少文献对VPP做了研究，文献［6］在考虑VPP的电量平衡和相应网络约束，利用VPP内DG不平衡竞价模型解决了VPP参与主网能量市场和备用市场中的竞价策略。文献［7］提出联合风电机组和电动汽车的VPP参与市场交易，建立基于线性规划的VPP运行模型，通过对风电场、电价和电动汽车的真实数据仿真，分析主网和电动汽车的调度对VPP收益影响。文献［8］中的VPP将能源风险评估考虑到市场交易过程中，为小容量风电机组接入配电网产生的高成本、无法参与市场交易问题提供了解决途径。文献［9］考虑多电力市场和多电力用户之间的关系，建立了双层博弈模型，电力市场间为非合作博弈，电力用户间为演化博弈。以上研究仅考虑VPP直接同外部电力市场交易，未对VPP自身供用电策略以及多个VPP集群之间交易策略进行描述。

基于上述问题，本文考虑在主动配电网交易环境下，不考虑VPP之间的物理连接情况，构造了VPP能源自用、互用和电网交互的不同情况。用户首先直接购用所属VPP电能，同时多余电能在不同VPP间进行共享，最后同外部电力市场交易，如图1所示。对于不同VPP系统而言，其构造形式也各不相同，但基本都包含DG(太阳能或风能等)、负荷及储能。多个VPP的供电策略可分为3个阶段进行描述:第1阶段为VPP为自身负荷供电，如图1中VPP1所示;第2阶段为多个VPP集群之间进行互补供电，如图1中VPP2所示;第3阶段为多VPP聚合成整体同外部电力市场交易，可以实现逆向售电。第3阶段中，VPP在集群间出现供电缺额将直接从外部电力市场购买，同时对于多余的电量直接出售给外部电力市场，本文主要研究多个VPP的内部与交互交易，对于VPP集群整体盈余/缺额电量与外部电力市场的交易策略以及储能充放电运行成本将在以后工作中研究讨论。

图1 多个VPP结构Fig.1 StructureofVPPs

VPP与传统电网的区别在于，前者不再是大型发电机的集合，而是聚合多种不同形式的发电、用电单元，更加趋向于微型化、智能化。对VPP的研究和实施情况主要在欧洲和北美，据国际权威机构Pike Research公布的数据显示，截至2013年底，全球的VPP总产能容量突破3 800 MW，预计到2020年产能将达到15 400 MW［10］，我国对于VPP的研究处于起步阶段。VPP目前没有一个国际普遍通用的定义，但其基本构成元素如图2所示。这些元件运用诸如控制协调技术、信息通信技术、智能计量技术等将DG聚合在一起协调运行，并参与到能量市场和电力辅助服务市场［11］。

图2 VPP组件示意图Fig.2 VPPcomponents

欧洲和北美对VPP的应用研究各有侧重点，以欧盟、荷兰和德国为代表的欧洲示范项目，主要研究DG的并网和电力市场运营，使DG能更安全、更充裕、更可靠地参与到电力市场中;以美国为代表的北美示范项目，主要研究需求响应计划和对可再生能源的利用，实现动态、实时供需平衡是VPP基本运行规则［12］。对于单个太阳能或风能而言，因其容量有限，对大电网而言被视为不可见，导致其参与外部电力市场较为困难。本文进一步将供用电单元组成的VPP系统进行互联，构成的VPP集群由能量管理系统(energy management system，EMS)进行统一协调控制管理［13］。

本文在构建VPP的元件模型基础上，计入需求响应模型，分别建立第1阶段中VPP内部交易以及第2阶段VPP的网间交易模型，提出算法流程并通过算例验证，证明了本文所提模型的正确性，为制定多个VPP供电单元和负荷用户的发用电计划提供了参考。

1 VPP元件模型

1.1 VPP用户模型

用户在电力批发市场或电力系统可靠性受到威胁时，接受供电方发出的诱导性增加或减少负荷的补偿通知或用电价格改变通知信息，做出电力消费形式的变化行为即需求响应(demand response，DR)［14］。DR可以减少电力消耗曲线的峰谷差，同时平衡电力供需，引导和推动用户科学、合理地进行电力消费，不仅可以减少用户的电费，而且可以缓解电网的压力［15］。本文模型考虑基于价格的DR，通过DR将转移部分用电高峰负荷到低谷时期，由此带来的新的需求平衡可以表示为:

1.2 VPP供用电单元模型

对于不同的发电单元都遵循自主发电模式，同时受到EMS的统一协调控制，但是单一的发电单元很难实现稳定的电能输出，VPP聚合风力发电和太阳能发电，可以利用其发电组合在空间和时间上的互补性，加上储能的协同作用，来获得较为经济可靠的电能。VPP根据对历史用电数据的分析和负荷边界约束条件，确定风能、太阳能的发电曲线和储能充放电行为［16］，本文建立VPP的供用电模型如下:

2 多个VPP的交易方法

电力负荷的用电首先从自身所在的VPP中获得，在不能满足的情况下，缺额电量通过报价，从其他VPP的盈余电量中获得，最后，VPP集群的总体盈缺电量由外部电力市场供给。此种供电模式，有助于VPP的自主运行，减少对外部电力市场的依赖。下面分别建立第1阶段VPP内部交易以及第2阶段VPP的网间交易模型。

2.1 VPP内部交易模型

2.1.1 目标函数

内部交易的目标是VPP的内部收益最大化，它为内部负荷的售电收入与电力用户由于DR所造成舒适度下降进行补偿的差额，目标函数可写为:

式中:R1i表示第1阶段VPP i的内部收益;S1i表示第1阶段VPP i的内部负荷售电收入;μi表示VPP i电力负荷对于用电舒适度的敏感系数;为内部负荷的售电电价，本文采用分时电价;表示t时刻DR前后的负荷差值。式(7)右侧的第2项表示VPP对电力用户由于DR所造成的舒适度下降进行补偿的费用。

2.1.2 约束条件

(1)功率约束:

(2)用户需求响应约束:

(3)储能约束:

2.2 VPP的网间交易模型

第2阶段根据第1阶段优化后产生的盈余电量或负荷进行报价，考虑到:一方面，VPP采用获得更大收益的报价可能会增加失去更多售电机会的风险;另一方面，使VPP有更大可能性交易成功的报价反而会降低VPP的收益，因此，好的报价策略是在这2种情况下取得均衡［17］。在完全开放的双边市场环境下，研究在VPP的网间购售电过程中，如何建立有效的报价策略具有重要的理论和实践价值。当第1阶段优化后的 VPP对外表现为输出电能时，将这类VPP归为卖方，对外表现为输入电能时归为买方，本文运用均匀分布建立VPP买卖双方的叫价拍卖模型，求解贝叶斯纳什均衡。

2.2.1 VPP的网间报价模型

假设在某交易时间内，买方需求的电量为E，卖方提供电量为W，若E＞W，则买卖双方决定是否交易W电量，若E＜W，则买卖双方决定是否交易W电量。设定在t时刻，卖方提供电量的价值为Ct，买方需求电量的价值为Vt，有:

式中:At为综合考虑负荷量、电网运行状态、市场电价和各种约束得到的卖方单位电量的价值;为第2阶段卖方的供电电量;Bt为买方单位电量的价值为第2阶段买方的需求电量。

完全开放的电力市场中，VPP买卖双方同时报价，卖方报价为，买方报价为，一般双方报价策略均服从线性分布函数如下:

2.2.2 基于贝叶斯模型的求解方法

对于VPP第2阶段网间交易，卖方期望收益为

买方期望收益为

由非完全信息静态博弈中的贝叶斯定理推导可知: VPP买卖双方的最优报价应使其收益最大，即满足:

卖双方的交易才能成功，否则交易失败。双方的报价不一定在任何时候都满足上述条件，对于第1轮报价失败的情况下，VPP买卖双方进入序贯报价阶段，双方要对自身最大期望利润做出合理的让步。针对VPP第1轮报价策略不能满足交易的情况下，买卖双方均对自己的报价策略设1个价格变动系数(，其中(。若存在买卖双方在第2轮竞价仍不能满足的情况下继续对价格变动系数进行修正，直到交易达成或最终失败。

2.3虚拟发电厂交易流程

综合上述，VPP内部和网间供用电双方的交易通常需经过几个阶段:第1阶段，VPP内部供用电双方根据自身特性，按照利润最大化原则，计入需求响应，确定供用电计划;第2阶段，将VPP第1阶段盈余发电量或负荷量在VPP之间进行交易，通过判断卖方要价和买方出价是否满足贝叶斯均衡条件:若满足，直接交易;若不满足，通过调整修正价格变动系数重新要价和出价，直至满足交易条件，若经过多次价格调整后仍不能满足贝叶斯均衡条件，则交易失败，进入第3阶段，此时，VPP集群向外部电力市场购售电，交易流程如图3所示。

图3 交易流程Fig.3 Flowchartoftrading

3 算例仿真

3.1基础数据

为验证模型的正确性，本文选取某示范园区为例，该示范园区由多个太阳能DG、风能DG、储能以及负荷构成的VPP。

算例中考虑4种不同类型的VPP，并选取某典型日作为研究对象，4种类型的VPP构成如下:VPP1包括太阳能DG(100 MW)、风能DG(80 MW)、负荷(可转移和不可转移总量为80 MW);VPP2包括太阳能DG(90 MW)、负荷(可转移和不可转移总量为90 MW);VPP3包括风能DG(90 MW)、负荷(可转移和不可转移总量为90 MW);VPP4包括太阳能DG(100 MW)。不同VPP的负荷预测及DG出力情况如图4和图5所示，不同VPP内部负荷售电电价如图6所示，其中VPP4不含负荷，故图4、6中没有包括VPP4;取ζmax=10% ，

图4 虚拟发电厂负荷预测值(MW)Fig.4 LoadforecastofVPP(MW)

图5 DG出力预测曲线Fig.5 PredictiveoutputcurvesofDG

图6 虚拟发电厂内部售电电价Fig.6 InternalelectricitysellpriceofVPP

3.2结果及讨论

VPP4内部不存在负荷，所以其直接参与到第2阶段报价过程中，对于不同VPP第1阶段的优化结果和效益分别如图7和表1所示。

图7 不同虚拟发电厂内部优化结果Fig.7 InternaloptimizationresultsofdifferentVPPs

表1 不同虚拟发电厂第1阶段收益Table1 ThefirststageprofitofdifferentVPPs TenThousandYuan 万元

从图7可见，风能DG、太阳能DG联合供电系统(图7(a))，由于风能和太阳能两者出力在时间上存在互补性，优化后负荷波动性比较小;而仅依靠太阳能DG或风能DG的供电系统(图7(b)或图7(c))，优化后负荷波动比较大，此时VPP对负荷用户补偿也较大，同时，负荷用户为实现自身舒适度需求，将部分负荷转移到风能或太阳能DG发电量较多的时段，如图7(b)中的t=10～14时段;储能在VPP中对于负荷参与到DR中起着很重要的作用，整体上在用电量较高时提供缺额能量支撑(如图7中上半轴正功率)，在用电量较低时储存部分电能(如图7中下半轴负功率)。

从表1可以看出，不同VPP第1阶段的内部收益存在较大差别，单独太阳能 DG供电系统(图7 (b))的用户负荷量最小，补偿最大，因此内部收益最小;风能与太阳能DG联合供电系统(图7(a))对于用户的补偿虽然最小，但由于负荷量小于单独风能DG供电系统(图7(c))，故内部收益一般;单独风能DG供电系统的补偿较小，且负荷量最大，因此其内部收益最大;VPP4内部没有负荷，将直接参与到第2阶段交易，故内部收益为0。

从表1可以看出，不同VPP第1阶段的内部收益存在较大差别，单独太阳能 DG供电系统(图7 (b))的用户负荷量最小，补偿最大，因此内部收益最小;风能与太阳能DG联合供电系统(图7(a))对于用户的补偿虽然最小，但由于负荷量小于单独风能DG供电系统(图7(c))，故内部收益一般;单独风能DG供电系统的补偿较小，且负荷量最大，因此其内部收益最大;VPP4内部没有负荷，将直接参与到第2阶段交易，故内部收益为0。

下面对VPP的第2阶段网间报价策略进行分析，可以分为3种典型情形进行讨论。

情形1:选取时刻t=0为研究对象。第1阶段后，VPP2剩余负荷量为59.52 MW，VPP3剩余电量为5.76 MW，其他VPP无剩余电量和负荷量情况。因此，交易的电量最大值为5.76 MW，设买方电量的价值为288.45元/(MW · h)，卖 方 电 量 价 值 为201.78元/(MW·h)，因Ct∈［0，1］，Vt∈［0，1］，将双方电量价值按照折算因子0.903折算到(0，1)区间，可得=0.65元/(kW·h)，=0.66元/(kW·h)，可知，买卖双方符合交易成交条件，直接交易，δ=0.5，第2阶段t=0时刻的最终交易价格为=0.65元/(kW·h)。

情形2:选取时刻t=1为研究对象。第1阶段后，VPP2多余负荷量为60.5 MW，VPP3多余电量为7.65 MW。其他VPP无剩余电量和负荷量情况。因此，交易的电量最大值为7.65 MW。设买方电量价值为 254.32元/(MW·h)，卖方电量价值为229.67元/(MW·h)，可得元/(kW·h)，=0.59元/(kW·h)。因为，买卖双方不满足交易条件，进入序贯谈判报价阶段，双方都希望通过交易获利，对其期望的最大收益做出让步，假设买卖双方都通过对自身报价设定降价为0.995，卖方的要价变更为=0.642元/(kW·h)，同理买方的出价变更为=0.648元/ (kW·h)，计算结果满足交易要求，表明双方在第2轮竞价谈判中达成交易，若在第2轮竞价仍不能满足交易要求进入第3轮竞价，直到交易达成或终止。此时双方交易的最终电价为=0.645元/(kW·h)。

情形3:选取t=11为研究对象。第1阶段后，VPP1剩余电量为75.66 MW，VPP2剩余电量为8.92 MW，VPP3剩余电量为2.15 MW，VPP4电量为98 MW。此时对于VPP集群，不存在负荷用电情况，此时无法达成交易条件，对于这种特殊情况，多余电量直接同外部电力市场进行交易。

其他时段的情况属于上述3种情形之一，这里不再赘述。对于第2阶段的报价情况如图8所示。可以看出，在10:00－14:00未出现VPP网间报价情况，在优化过程中，可以看出这种情况同情形3所描述的一样，每个VPP供电都存在盈余情况，此时多余的电量将直接同外部电力市场进行交易。

图8 虚拟发电厂的网间第2阶段报价Fig.8 ThesecondstageofferbetweennetworksofVPPs

4 结论

本文研究了由太阳能DG、风能DG、负荷以及储能构成的VPP模型，并将多VPP进行互联，在满足内部供需基础上，将盈余电量在VPP之间共享。针对所述的VPP模型，提出适合VPP运行模型，并建立收益函数，为VPP和内部负荷确定合理供用电方案，实现经济效益的最大化;在本文所提的VPP模型中仅依靠太阳能DG为负荷供电，不能很好地体现其效益价值，应配合其他能源供给形式;同时当VPP仅有DG，而没有用电负荷时，只能参与VPP集群或电力市场交易，也不能体现其经济价值，需对供用电双方进行合理配置来组成VPP。本文的工作为制定多个VPP交易下的发用电计划提供了参考，同时对于VPP的多阶段市场交易方法处于初期探究阶段，文中很多情况下假设趋于理想，并未计入储能充放电运行成本，将在后期的VPP交易方法研究中不断完善。

［1］REN21．Renew able energy policy netw ork for the 21stcentury［R］．Paris，France:REN21，2013．

［2］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，2015，16(35):4025-4034．FAN Songli，AIQian，HE Xing．Risk analysis on dispatch of virtual pow er plant based on chance constrained programming［J］．Proceedings of the CSEE，2015，16(35):4025-4034．

［3］YUE Xiang，LIU Junyong，LI Furong，et al．Optimal active distribution network planning:A review［J］．Electric Pow er Components and Systems，2016，44(10):1075-1094．

［4］ASMUS P．Microgrids，virtual pow er plants and our distributed energy future［J］．The Electricity Journal，2010，23(10):72-82．

［5］MASHHOUR E，MOGHADDAS-TAFRESHIS M．Bidding strategy of virtual power plantfor participating in energy and spinning reserve markets—Part II:Numerical analysis［J］．IEEE Transactions on Smart Grid，2011，26(2):949-956．

［6］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 Guoqiang，et al．Abidding model for a virtual pow er plant considering uncertainties［J］．Automation of Electric Pow er Systems，2014，38(22):43-49．

［7］杨甲甲，赵俊华，文福栓，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，2014，13:92-102．YANG Jiajia，ZHAO Junhua，WEN Fushuan，et al．Development of bidding strategies for virtual pow er plants considering uncertain outputs from plug in electric vehicles and w ind generators［J］．Automation of Electric Power Systems，2014，13:92-102．

［8］XIA Yuhang，LIU Junyong．Optimal scheduling of virtual power plant w ith risk management［J］．Journal of Pow er Technologies，2016，96(1):1-8．

［9］CHAI B，Chen J，Yang Z，et al．Demand response management w ith multiple utility companies:A tw o-level game approach［J］．IEEE Transaction on Smart Grid，2014，5(2):722-731．

［10］ASMUS P．Microgrids，virtual power plants and our distributed energy future［J］．The Electricity Journal，2010，23(10):72-82．

［11］田世明，栾文鹏，张东霞，等．能源互联网技术形态与关键技术［J］．中国电机工程学报，2015，14(35):3482-3494．TIAN Shiming，LUAN Wenpeng，ZHANG Dongxia，et al．Technical forms and key technologies on energy internet［J］．Proceedings of the CSEE，2015，14(35):3482-3494．

［12］卫志农，余爽，孙国强，等．虚拟电厂欧洲研究项目述评［J］．电力系统自动化，2013，21(37):196-202．WEI Zhinong，YU Shuang，SUN Guoqiang，et al．Review on European research projects of virtual power plant［J］．Automation of Electric Pow er Systems，2013，21(37):196-202．

［13］张涛，张福兴，张彦．面向能源互联网的能量管理系统研究［J］．电网技术，2016，40(1):146-155．ZHANG Tao，ZHANG Fuxing，ZHANG Yan．Study on energy management system of Energy Internet［J］．Power System Technology，2016，40(1):146-155．

［14］US Department of Energy．Benefits of demand response in electricity and recommendations for achieving them:A report to the united states congress pursuant to section 1252 of Energy Policy Act of200［EB/OL］．(2007-05-21)［2017-02-13］．http://w w w．oe．energy．gov/Documents and Media/congress_1252d．pdf．

［15］张坤，毛承雄，谢俊文，等．风电场复合储能系统容量配置优化设计［J］．中国电机工程学报，2012，32(25):79-87．ZHANG Kun，MAO Chengxiong，XIE Junwen，et al．Optimal design of hybrid energy storage system capacity for w ind farm［J］．Procedings of the CSEE，2012，32(25):79-87．

［16］康重庆，夏清，张伯明．电力系统负荷预测研究综述与发展方法的探讨［J］．电力系统自动化，2004，28(17):1-11． KANG Chongqing，XIA Qing，ZHANG Boming．Review of power system load forecasting and its development［J］．Automation of Electric Pow er Systems，2004，28(17):1-11

［17］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 DONG Wenlue，WANG Qun，YANG Li．A coordinated dispatching model for a distribution utility and virtual pow er plants w ith wind/photovoltaic/hydro generators［J］．Automation of Electric Power Systems，2015，39(9):75-81．

(编辑 张媛媛)

Multi-Stage Market Transaction Method with Participation of Virtual Power Plants

LIU Jichun1，TANG Hu1，XIANG Yue1，LIU Junyong1，ZHANG Lingzhu2

(1.School of Electrical Engineering and Information，Sichuan University，Chengdu 610065，China; 2.State Grid Ningxia Electric Power Eco-tech Research Institute，Yinchuan 750000，China)

With the development of smart grid，distributed generations(DGs)are widely integrated into the power system．However，the single DG represented by wind energy or solar energy is not visible to the large power grid，and there are many unfavorable factors in the power market trading．Considering the impacts of multi-energies，this paper constructs virtual power plant(VPP)model，which includes the DG，electricity load and energy storage system．The VPPs are connected with each other，aiming to meeteach demand inside VPP while sharing the additional power between VPP aggregates to realize multi-stage markets trading．The proposed method is set based on maximizing the benefits inside the VPP and between networks to adopt renewable energy as much as possible，in which the demand response strategy(DR)is considered．Based on the trading method，the scientific electricity plan for each utility inside the VPP can be obtained，so as the reasonable bidding strategies between networks，which can provide reference for healthy and flexible operation and trading of VPP．

virtual power plant(VPP);distributed generation(DG);aggregates;demand response(DR);bidding strategies;transaction method

TM 73

A

1000－7229(2017)03－0137－08

10.3969/j．issn.1000－7229.2017.03.019

2016-12-28

刘继春(1975)，男，博士，教授，主要研究方向为电力系统经济分析及电力市场;

唐虎(1990)，男，硕士，主要研究方向为电力系统调度自动化及电力市场;

向月(1987)，男，博士，副研究员，本文通信作者，主要研究方向为电力系统规划与优化运行;

刘俊勇(1963)，男，教授，博士生导师，主要研究方向为电力市场、电力系统稳定与控制、分布式发电及智能电网;

张铃珠(1988)，女，硕士，主要研究方向为电力系统调度自动化。

国家高技术研究发展计划项目(2014AA051901);四川大学引进人才科研启动项目(1082204112089)

Project supported by National High Technology Research and Development Program of China(2014AA051901)