基于风险惩罚机制的虚拟电厂优化调度

2020-12-04施泉生张小彪任洪波王子轩马思源

科学技术与工程 2020年30期

施泉生，张小彪，任洪波，王子轩，马思源

(1.上海电力大学经济与管理学院，上海 200090；2.上海电力大学能源与机械工程学院，上海 200090)

由于将大规模新能源发电直接并入电网会影响系统的运行稳定性。为快速响应新能源发电的出力变化，可引入需求响应(demand response，DR)机制，与用户签署合同，利用价格信号或激励信号使用户主动中断或转移负荷[1]，从而改善负荷曲线。在系统调度中引入需求响应机制，协调控制供电侧与需求侧等分布式能源(distributed energy resources，DER)，可缓解电力供需不平衡的局面。为控制这些DER、促进清洁能源消纳、充分利用需求侧资源，中外学者提出了虚拟电厂(virtual power plant，VPP)管理方案[2]。VPP通过先进的控制与通信技术整合分布式发电(distributed generation，DG)、储能 (energy storage，ES)及用户可控负荷(dispatchable loads，DL)等资源，利用不同DER出力的互补性，降低VPP输出功率的波动，充分发挥DG效益，提高VPP供电可靠性。而VPP内部新能源机组发电功率不确定性及需求响应的不确定性给系统运行带来风险，成为目前亟须解决的问题。

目前中外学者对虚拟电厂的研究集中在机组组合问题及经济优化调度上。文献[3]在电力系统调度中，引入价格型和激励型需求响应，经模型求解验证了引入需求响应资源可改善机组出力计划，降低运行成本；文献[4]将电动汽车作为储能系统资源引入配电网日前优化调度中，运用场景分析法分析电动汽车对主动配电网优化调度造成的影响，结果表明引入储能系统可提高配电网运行的经济效益；文献[5]利用模糊参数来描述VPP功率的不确定性，并运用机会约束将不确定条件转化为确定性条件；文献[6]在考虑多类型需求响应方式的基础上建立了光伏微网储能容量优化配置模型，研究表明在电网优化调度中合理配置储能容量可以有效平抑光伏发电的不确定性，促进新能源电力的消纳；文献[7]利用风险价值理论来描述VPP运行的功率不确定性，然后以置信度将不确定条件进行转换，所建立的VPP优化模型考虑了系统运行风险；文献[8]建立了基于机会约束规划的主动配电网优化调度模型，在调度系统中纳入需求侧资源并考虑负荷不确定性，通过粒子群算法求解，经案例分析验证了在配电网优化调度系统中引入需求响应可促进分布式电源的消纳以及提高系统的经济性；文献[9]运用了场景缩减技术，以各场景发生概率来描述VPP内部新能源机组出力不确定性，从而将不确定因素转换为确定性优化问题进行分析；文献[10-11]在虚拟电厂的调度策略中引入分时电价响应机制，各机组依据电价变化协调配合进行调度计划，经案例分析验证了采用分时电价可激励需求侧用户主动改变自身用电行为，在消峰填谷的同时可促进新能源发电消纳；文献[12-13]虽然在VPP的优化调度模型中引入弃风惩罚函数来计算风机出力偏离预测值的风险成本，但没有考虑需求响应不确定功率给系统带来的风险成本。

为降低VPP的功率不确定性给系统带来的运行风险水平，促进可再生能源的消纳及提高需求响应积极性，通过建模，分析虚拟电厂内部各单元功率不确定因素。分别从用户角度和风光机组运行角度，建立了需求响应风险惩罚机制、弃风弃光风险惩罚机制。基于风险惩罚机制，制定了VPP各机组协调调度策略。以VPP净利润最大化为目标函数，建立了风险惩罚机制下的VPP经济优化调度模型。最后选择IEEE30节点系统进行仿真，通过设置不同场景来衡量本文所建风险惩罚机制对VPP优化调度的效果。

1 虚拟电厂组成及各单元模型

1.1 虚拟电厂组成

VPP主要是通过先进的通信控制技术，将分散在一定区域内的分布式能源进行集中控制，整合成一个发电整体，参与电力市场调度并从市场中获取收益。VPP内部包含不同类型、不同区域的分布式能源，包括燃气轮机等可控机组、风机/光伏等不可控发电机组、储能系统以及众多分布在用户中的需求响应资源，由VPP进行统一控制管理。综合考虑燃气轮机、风机、光伏等分布式电源的出力特性、以及储能系统和可控负荷的消峰填谷特性，构建考虑可控负荷的风光燃储虚拟电厂协调控制系统。

虚拟电厂的控制方式可以分为：集中控制方式、分散控制方式与完全分散控制方式[14]。构建的VPP为集中控制方式，其所控范围内所有DER的状态与信息由协调控制中心(control coordination center，CCC)进行监控与管理，CCC需根据各分布机组的出力特性、市场电价的变化曲线以及供需变化情况，制定可靠的发电计划以实现VPP的经济效益。

1.2 不可控电源出力模型

1.2.1 风电机组出力特性及模型

风速变化具有随机性和间歇性的特点，因此利用风力进行发电具有功率不确定性。中外学者通常采用Weibull分布、正态分布、Rayleigh分布等来拟合风速的概率密度[15]。

采用较为常用的Weibull分布函数来描述风速的概率分布，其函数为

(1)

式(1)中：κ为Weibull分布的形状参数;σ为比例参数；ν为风速；φ(ν)为风速为ν值时的概率分布。

已知风速的分布特性，利用风机出力与风速之间的关系，可计算风电功率的分布。采用分段函数来描述风机功率与风速之间的关系。

(2)

式(2)中：PW(ν)为风速在ν下的风机输出功率；Prated为风机的额定输出功率；νin为切入风速；νr为额定风速；νout为切出风速。

1.2.2 光伏发电机组出力特性及模型

光伏发电的输出功率与太阳光辐射强度相关，由已有研究可知光辐射强度服从Beta分布[16]。其分布函数为

(3)

式(3)中：Γ(·)为Gamma函数；f(θ)为光辐射强度为θ时的概率分布；θ为光辐射强度；ξ、ζ为Beta函数形状参数。光辐射强度的相关参数由天气预测数据统计可得。

已知各时段的光辐射强度，可通过光伏发电功率输出公式计算光伏发电出力：

PPV=ηPVSPVθ

(4)

式(4)中：SPV为太阳能光伏板面积；ηPV为光伏转换电能效率；PPV为光伏发电的输出功率。

1.3 储能系统模型

在虚拟电厂的控制系统中加入储能装置，可与风机/光伏等新能源发电技术相结合[17]。储能系统具有转移电量的特性，可将高峰期的用电量转移至低谷期，从而降低用电峰谷差、缓和负荷曲线，同时增加VPP售电收益。储能系统模型为

(5)

(6)

1.4 需求响应模型

用户侧的可控负荷通过与VPP签订合同参与到电力市场交易之中，在合同约定的相应时段响应VPP调度，进行中断或转移负荷。基于文献[18]对DL的介绍，将可控负荷分为可中断负荷(interruptible load，IL)、可转移负荷(shiftable load，SL)。其中IL是激励型需求响应的一种重要形式，一般适用于大型工商业用户。IL与VPP签订中断响应合同参与VPP集中调度，在负荷高峰期或出现故障时响应VPP发出的中断信号，用户根据中断请求主动削减用电量，同时获得相应的经济补偿。而SL一般是具有储能特性的用电负荷，通常适用于居民用户。在VPP调度中，将高峰期的SL转移至低谷期，使得负荷峰谷差减小，起到了削峰填谷的作用，用户可获得相应的补偿，相对于IL而言，其补偿价格较低。

虚拟电厂在优化调度中，协调发电测与需求侧资源，出于系统经济最优的目标与DL签订需求响应合同，DL根据VPP调度指令以及合同规定完成响应要求，其参与VPP的需求响应成本为

(7)

2 风险惩罚机制及VPP运行策略

2.1 风险惩罚机制

由于VPP内部风电、光伏等分布式发电单元具有随机性和间歇性的特点，且用户参与需求响应存在主观性，这些不确定因素给VPP的运行调度带来诸多功率不确定性问题，包括风电/光伏实际出力偏离预测值、IL/SL响应不足等。VPP输出功率不确定不仅影响系统的安全稳定运行，同时影响其经济效益。为降低内部功率不确定性给VPP控制系统带来的运行风险水平，促进可再生能源的消纳及提高需求响应积极性，分别从风光机组和用户角度，建立了弃风弃光风险惩罚机制、需求响应风险惩罚机制。

2.1.1 弃风弃光风险惩罚机制

为了更好地对风光出力预测值进行消纳，减少其出力偏差，降低系统运行风险，需要对弃风弃光量进行相应的经济惩罚，以经济手段约束风光机组严格执行发电计划。按照VPP内部负荷售电电价来计算弃风弃光风险惩罚费用，其计算公式为

(8)

2.1.2 需求响应风险惩罚机制

为降低需求响应不确定给系统带来的运行风险，VPP不仅需对IL、SL响应量给予经济补偿，还需对其响应不足量予以相应的经济惩罚，以经济手段激励用户积极响应调度计划。对各时段IL、SL响应量和响应不确定量制定如下的需求响应风险惩罚措施.

(1)若IL、SL完全响应，即响应量为VPP向用户下发征调电量，则对用户给予补偿。补偿费用计算公式为

(9)

(2)若IL、SL响应不足，则对响应量予以补偿，未响应量给予风险惩罚，惩罚费用计算公式为

(10)

由式(9)、式(10)可得需求响应总成本费用为

(11)

2.2 VPP协调调度运行策略

基于风险惩罚机制，结合各机组出力特性，制定了VPP内部各单元协调调度策略。其策略如下。

(1)燃气轮机需兼顾能耗成本与售电电价的大小，当分时电价低于能耗成本时，燃气轮机应减少发电，以降低发电成本。

(2)在弃风弃光惩罚机制下，VPP制定发电计划时需优先利用新能源发电，一方面可躲避惩罚，另一方面可促进风光消纳、减少系统发电成本。

(3)在需求响应风险惩罚机制下，对参与需求响应的用户给予经济补偿的同时，对其响应不足量施以相应的风险惩罚，以经济制约的形式加强对用户负荷的控制，降低系统运行风险。

(4)储能系统可将低价电量转移至高价电量以增加VPP收益，同时利用储能系统跟踪VPP计划出力，实时补偿系统出力偏差，降低系统运行风险。

2.3 VPP调度运行流程图

在制定日前调度计划时，VPP协调控制中心需完成以下工作：①VPP预测风光机组次日风速曲线，拟合次日风光出力曲线；②VPP与用户签署响应合同，确定次日IL、SL响应时段与响应量；③VPP综合考虑风光机组预测出力、需求响应量及各单元发电成本与运行成本，制定次日发电计划；④判断VPP次日出力计划的经济性，确认其出力方案。

VPP调度运行流程图如图1所示。在完成以上工作的基础上，基于风险惩罚机制及VPP调度运行策略，VPP进行实时经济性优化调度，在调度周期结束后对结果进行经济结算。

图1 VPP调度运行流程图Fig.1 VPP scheduling operation flowchart

3 虚拟电厂优化调度模型

3.1 目标函数

以调度周期内VPP经济效益最大化为目标，目标函数为

(12)

式(12)中：FVPP为VPP总体净收益；IVPP为VPP从外部电力市场和内部售电所获收益；CVPP为VPP内部各单元机组运行费用之和。

(13)

(14)

VPP各单元运行成本函数如下。

(1)燃料机组能耗成本与备用成本函数：

(15)

式(15)中：CDG为燃料机组运行成本；Cre为燃料机组维持备用容量的经济成本；a、b、c为燃料机组运行成本各项系数；机组备用容量成本与能耗成本成比例关系，取15%。

(2)风电、光伏机组运行维护成本函数：

(16)

式(16)中：CW、CPV分别为风机和光伏机组运行维护成本；KW、KPV分别为风机和光伏机组运行维护成本系数；LW、LPV分别为风机和光伏机组出力。

(3)储能系统运行成本函数：

(17)

式(17)中：LES为储能系统运行功率；CES为储能系统运行成本；aes、bes、ces分别为储能系统运行成各项系数。

3.2 约束条件

(1)功率平衡约束及备用容量约束。

(18)

(2)燃料机组出力及爬坡约束。

(19)

(3)储能系统充放电约束。

(20)

(4)需求响应约束。

IL调用约束：

(21)

(22)

(23)

SL调用约束：

(24)

(25)

(26)

(5)系统潮流及母线电压约束。

为了保证VPP调度时系统的稳定运行，在每个调度间隔须对系统进行潮流校验，以确保各线路电压和母线功率满足系统约束条件。

(27)

(28)

4 案例分析

4.1 相关数据

选取IEEE30节点系统进行仿真，如图2所示。

DG为燃气轮机；W为风电机组；PV为光伏机组；ES为储能电站；IL为可中断负荷；SL为可转移负荷；1～30为系统节点图2 IEEE30节点系统图Fig.2 IEEE30 node system diagram

在节点1和节点2分别接入2台容量100 MW燃气轮机(DG)，启停时间分别为0.1、0.2 h。节点7接入5×10 MW光伏发电机组(PV)，节点3处为最大发电功率50 MW的风电机组(W)。在节点6添加容量50 MW的电池储能电站(ES)。将节点4、节点5分别修改为一智能工业园区和智能小区，它们分别可提供总电量200 MW·h的中断负荷量(IL)和70 MW·h转移负荷量(SL)。

各分布式发电机组出力参数如表1所示。参考文献[12]划分电价峰时段、谷时段、平时段，其各时段分时电价详如表2所示。

表1 VPP内各机组参数Table 1 Parameters of each unit in VPP

表2 各时段内部负荷售电及外部市场电价Table 2 Internal load electricity sales and external market electricity prices by time

依据文献[8]所提机会约束规划，预测风电/光伏机组次日各时段发电功率，利用MATLAB仿真拟合其出力曲线，风光出力曲线如图3所示。

图3 VPP各单元次日计划发电曲线Fig.3 The next-day planned power generation curve of each VPP unit

VPP与用户签订合同，分别征调200 MW·h可中断负荷和 70 MW·h可转移负荷，VPP内部负荷需求曲线如图4所示。

图4 VPP次日计划售电曲线Fig.4 Planned power sale curve of VPP next day

在分时电价的基础上，根据风光出力预测值、负荷预测、DR响应量，制定次日VPP最优出力曲线与各时段主能量市场出力，如图3、图4所示。

4.2 场景设置

为评价本文所建风险惩罚机制对VPP运行收益的影响，按照是否有实际风险惩罚机制的实施，设置4个典型场景来分析VPP的运行效果，场景设置如表3所示。

表3 场景划分Table 3 Scene division

4.3 结果及分析

依据各场景VPP各单元机组出力曲线及负荷需求，参照附录表中各机组运行成本参数及各时段分时电价，来计算VPP运行成本、弃风弃光风险惩罚成本、需求响应成本以及VPP净收益。VPP各场景收益情况如表4所示。

表4 VPP各场景经济结算Table 4 Economic settlement of VPP scenarios

为分析本文中所建风险惩罚机制对VPP调度的影响，分别取场景1(无风险惩罚)、场景4(有风险惩罚)的风光总出力及需求响应量的变化来分析弃风弃光风险惩罚机制及需求响应惩罚机制的实施效果，结果如图5～图7所示。

图5 风光计划总出力及实际风光消纳Fig.5 Total output and actual consumption of scenery plan

图6 IL响应合同电量及实际响应量Fig.6 IL response contract quantity and actual response quantity

图7 SL响应合同电量及实际响应量Fig.7 SL response contract capacity and actual response capacity

对各场景进行分析，场景1中无风险惩罚机制，虽然其净利润最高，但出现较严重的功率不确性，弃风弃光量达114 MW·h，且用户参与需求响应的积极性不高，IL响应合同违约57 MW·h，超出征调电量的40%。且居民用户参与SL响应的积极性更低，相对于调度计划，高峰期移出负荷违约量 39 MW·h、低谷期移入负荷违约量32 MW·h。导致VPP内部负荷峰谷差较大，且需频繁调动储能设备补偿偏差，一定程度上增大了VPP调度计划的困难。

从图5风光计划总出力及实际风光消纳曲线可知，场景1无风险惩罚，在调度周期的5：00—24：00时段，均出现不同程度的弃风弃光。在场景4中为减少弃风弃光惩罚成本，风光机组在电价峰时段严格遵守发电计划，仅在电价平时段及谷时段出现较小违约量。在场景3、场景4中加入弃风弃光风险惩罚机制，可约束风光机组严格执行发电计划。相较于场景1、场景2，其风光出力违约量仅为40、33 MW·h，风光消纳效果较好，VPP向主能量市场售电的风险更低，其外部售电获利更高。可以看出在VPP调度计划中加入弃风弃光风险惩罚机制，可有效促进风光消纳，降低VPP参与主能量市场调度的功率不确定性，增加VPP向主网售电的收益。

由于在场景1、场景3中无需求响应不确定风险惩罚，用户参与VPP调度计划时，只获取收益不承担风险，其参与调度的主观性较强，不能严格遵守合同规定。从图6可以看出，场景1中可中断负荷在各响应时段均存在不同程度的响应合同违约电量，在晚高峰17：00—20：00时段IL未响应量较高，尤其是在18：00时刻，单时段IL未响应量接近合同规定的50%。而从图7可以看出，在场景1中，在合同规定的各响应时段，SL用户存在更严重的违约情况。在电价高峰期SL移出负荷违约量高出合同规定50%。

综合分析图6、图7可知，在场景4中各时段IL、SL未响应量明显减少，用户参与系统调度的积极性得以提高，基本满足VPP内部调度的要求。相较于场景1、场景3，在场景2、场景4中加入需求响应风险惩罚机制，VPP虽然增加了部分需求响应成本，但减少了需求响应不确定量。VPP损失部分内部售电收益，以响应补偿及风险惩罚双重激励的手段，促使用户积极响应调度信号，执行调度计划。验证了在VPP经济调度中，加入需求响应不确定性风险惩罚机制，以经济手段激励用户参与调度计划，可提高用户响应积极性，消峰填谷并改善负荷曲线。