考虑需求响应的虚拟电厂双层优化调度

2022-05-13杜楠楠孙改平田英杰

电力科学与技术学报 2022年2期

杨秀，杜楠楠，孙改平，方晨，田英杰

(1.上海电力大学电气工程学院，上海 200082；2.国网上海市电力公司电力科学研究院，上海 200080)

随着人民生活水平的提高，电力需求量不断加大，为缓解化石能源的紧张，可再生能源发电受到了广泛关注。另外，中国大多数地区用电尖峰时间短且峰值高，为短暂的“尖峰”时刻增加发电设备会加大电力系统的发电成本，增添不必要的经济损耗。从需求侧管理用户负荷是一种有效缓解尖峰用电，实现削峰填谷的方法。然而，大部分用户负荷分布分散，难以直接作为需求侧资源参与电网调度，且新能源发电机组出力波动性较大，直接并入电网会影响电力系统的稳定性。虚拟电厂(virtual power plant，VPP)技术可通过先进的通信和控制技术集中管理可控负荷(dispatchable loads，DL)和分布式电源(distributed generation，DG)，并通过合理的优化算法使其作为一个整体参与电力系统的调配，减小峰谷差，同时促进消纳可再生能源，减少化石燃料的使用，提高环境质量[1-3]。

VPP可聚合需求侧资源，通过减小高峰时期用电量，形成虚拟出力，与可再生能源发电机组一起参与电网的削峰填谷，提高VPP的收益。目前，国内外学者从需求侧对VPP的优化调度进行了一定研究。文献[4]提出了含有需求响应VPP的风电并网系统，通过建立激励型需求响应VPP模型增强系统调度的灵活性，有利于促进风电的消纳；文献[5]将风机、光伏和电动汽车等集结成VPP，验证了价格型需求响应能够平缓用电负荷曲线，电动汽车和激励型需求响应能够增加VPP运营收益。

未来，随着大规模可再生能源分散接入，其波动性大且容量小、为电力系统稳定运行带来极大困难。文献[6]通过建立VPP联合调度运行中心，将风机、储能设备和发电机组等效为一个联合发电系统参与电力市场调度，优化协调内部各DG的运行，提高了DG的整体竞争力；文献[7]考虑了电动汽车的充电特性，将电动汽车视为灵活的储能装置，构建了含有电动汽车和风光发电机组的VPP模型，有效减小了它们并网时带来的冲击，但未考虑需求侧资源的调度作用；文献[8]利用碳捕集机组调整出力速率快的特性将碳捕集机组与风电机组聚合成VPP，减小了风电出力的波动性。综上，VPP将不同类型的DG聚合在一起可有效平抑新能源出力的波动，增大新能源发电机组的利用率。

大多数文献只是将需求侧管理作为辅助来促进可再生能源的消纳，对同时考虑需求侧和发电侧利益的研究较少。然而，单纯的发电侧或需求侧的调度已无法满足电力系统稳定运行的需求，本文在上述研究基础上建立需求侧与发电侧相结合的VPP双层优化模型。

1)建立上层商业层虚拟电厂(commercial virtual power plants，CVPP)和下层技术型虚拟电厂(technical virtual power plant，TVPP)的双层调度模型，CVPP管理用户负荷，以用户侧收益最大为目标，下层模型在满足上层调度结果的基础上以DG出力成本最小为目标进行优化，可同时兼顾需求侧和发电侧的利益。

2)CVPP对所辖用户负荷拥有自主定价权，并将所管控的DL分类，在制定的分时电价基础上对各类DL进行优化，制定不同的调度策略，综合利用价格型和激励型需求响应的调度作用。

3)TVPP管理风光燃储联合发电系统，涉及DG类型全面，并引入弃风弃光惩罚，提高风机光伏的利用率。

1 VPP的架构和管理模式的构建

VPP的运营与外部电力市场的价格波动和内部负荷需求以及DG的出力特性息息相关。本文结合国内外VPP的发展趋势和实际运营情况，对VPP的内部结构和管理模式进行合理架构。

1.1 VPP的架构

VPP的架构如图1所示。上层CVPP管控的负荷包括小型工商业和居民负荷，这些负荷可分为基础负荷和DL。基础负荷指不参与控制中心的调度，保持正常用电的负荷；DL指与CVPP控制中心签订合约，可接受控制中心调度的负荷。下层TVPP控制中心所管控的DG包含风电机组、光伏机组、微型燃气轮机和蓄电池。

图1 VPP的架构Figure 1 Architecture of VPP

1.2 VPP的管理模式构建

CVPP的主要作用是管理用户负荷，平衡与电力市场的交易。对于内部签约用户，CVPP将制定分时电价以减小用户负荷峰谷差。由于电力市场竞争激烈，定价过高会导致用户流失，因此，CVPP需综合考虑VPP运行情况、各时段运行成本、用户需求等多个因素，合理制定内部用户售电电价[9]。

为降低VPP的运营成本和新能源并网风险，假设CVPP中50%负荷由CVPP在日前市场与电力供应商签订合同购买，其余50%负荷由TVPP提供。当DG出力成本较高或剩余负荷大于DG出力时，CVPP将在实时市场购买电量，调度DL。当剩余负荷小于DG出力时，VPP中的多余电量由CVPP在实时市场中进行出售。

TVPP负责监控内部DG的运行状态，制定DG出力计划。在优化之前，各DG向TVPP控制中心提交自身的出力信息，并接受控制中心的调度。当TVPP发现DG的运行存在风险或不满足出力计划时，会及时做出调整。

本文采用双层调度模式，首先，上层CVPP结合实时市场电价、日前负荷预测信息和DG的预测出力制定用户售电价，调节DL，并向下层传达TVPP计划发电量。TVPP接收到CVPP的指令后，以CVPP的优化结果为约束制定各DG的发电量，计算发电成本，并将优化后的发电信息传递给上层CVPP。若TVPP难以满足上层CVPP的指令，CVPP将重新进行优化，制定新的优化策略，下达新的指令，以达到新的平衡。上层CVPP与下层TVPP进行信息的交互，确定最终的CVPP调度计划和TVPP的出力计划，实现VPP的收益最大化[10-11]。

2 VPP的优化调度模型

2.1 需求侧响应建模

根据消费者心理学原理，制定合理的分时电价可以改变用户用电行为，用自弹性系数表示电价变化率对负荷变化率的影响[12]：

δΔq.t=εttδΔp.t

(1)

式中εtt为t时段自弹性系数；δΔq.t为t时段负荷响应率；δΔp.t为t时段电价变化率。

制定分时电价后t时段CVPP中用户用电量为

(2)

CVPP所管控的DL分为可平移、可削减和可转移负荷。

1)可削减负荷。在用电高峰时段可减少用电的负荷，该类负荷用电时间稳定，削减量较小，补偿价格较高，如空调、照明设备等。可削减负荷t时段的补偿费用为

(3)

2)可转移负荷。该类负荷可灵活调节用电时间段和该时段的用电量，属于避峰型负荷，如电动汽车可改变它的充电功率和充电时间。可转移负荷t时段的补偿费用为

(4)

3)可平移负荷。可平移负荷的用电特性要求用电时间连续且用电量不变，只能将某段时刻的负荷整体平移到另外一个时段[13-15]，如洗衣机、制冰机。可平移负荷t时段的补偿费用为

(5)

2.2 上层CVPP优化模型

2.2.1 目标函数

(6)

2.2.2 约束条件

1)售电电价约束。

(7)

2)考虑到用户满意度，对可削减负荷的削减量和削减次数进行约束：

(8)

3)可转移负荷约束。

假设可转移负荷的原运行时段为[t1,t2]，转移后的区间为[t1-,t2+]，因某些可转移负荷设备不能频繁启停，为防止用电设备转移为多个分散的时间段，对设备的转移时间和转移功率进行约束。

(9)

4)可平移负荷约束。

设可平移负荷的原用能时间区间为[t3,t4]，转移后的用能区间为[t3-,t4+]，可平移负荷的约束条件为

(10)

5)功率平衡约束。

(11)

2.3 下层TVPP优化模型

2.3.1 目标函数

求解上层调度模型后可以得到以VPP收益最大为目标的优化结果，以满足上层调度结果中的TVPP出力作为约束条件，以TVPP发电成本最小为目标建立目标函数，即

minFTVPP=

(12)

式中FTVPP为整个调度周期内下层TVPP的出力成本；Fge.j.t为t时段第j台微型燃气轮机的运行成本；Fw.t为t时段风电机组的发电成本；Fs.t为t时段光伏机组的发电成本；Fen.t为t时段蓄电池的运行成本。

1)微型燃气轮机的发电成本。

(13)

式中Pge.j.t为t时段第j台燃气轮机的发电功率；age.j、bge.j、cge.j为第j台燃气轮机的发电耗量特性参数，与燃气轮机的性能和能耗有关。

(14)

(15)

4)蓄电池的发电成本。

Fen.t=aen|Pen.t|2+ben|Pen.t|+cen

(16)

式中Pen.t为t时段蓄电池的存放功率，当Pen.t为正时，蓄电池发电，当Pen.t为负时，蓄电池储能；aen、ben、cen为蓄电池功率参数，与蓄电池的耗量特性有关。

2.3.2 约束条件

1)功率平衡约束。

(17)

2)燃气轮机的运行约束。

发电功率约束：

(18)

燃气轮机的爬坡速率约束：

(19)

3)风机和光伏机组的出力约束。

(20)

4)蓄电池约束。

蓄电池的容量约束：

(21)

式中E0为蓄电池的初始容量；Emin、Emax分别为蓄电池容量的下限和上限。

充、放电速率约束：

(22)

蓄电池在运行过程中只能充电或者放电，对蓄电池的运行状态进行约束：

X+Y≤1

(23)

其中，X=1表示蓄电池处于放电状态，Y=1表示处于充电状态。

为保障电池的使用寿命，对充、放电次数进行约束：

(24)

其中，N2、N3分别表示一天中蓄电池放、充电次数的上限。

若使蓄电池在每一个运行周期初始状态相同，则蓄电池一天中的充、放电功率相等，即

(25)

3 VPP模型的求解

为了验证所建立模型的可行性，本文在Matlab环境下使用Yalmip工具箱中的Cplex求解器对模型进行求解。

优化流程如图2所示，优化中终止条件为CVPP的相邻2次优化结果的收敛误差是否在规定范围内，收敛误差定义为

(26)

式中PCV.n+1和PCV.n、FTV.n+1和FTV.n、PTV.n+1和PTV.n分别为第n+1次、第n次优化后的CVPP的用户总负荷、TVPP的总成本、总出力；α为最大收敛误差，本文设定为5%。

当相邻2次优化结果在收敛误差之内时，满足终止条件，调度结束。VPP发布面向用户的售电电价，执行DL的调度计划和各机组的出力计划，并进行经济结算，计算最终VPP总收益[16-18]。

图2 优化流程Figure 2 Optimization flowchart

4 算例分析

4.1 算例数据

本文选取某地区的夏季典型日为算例，设一个调度时段时长为1 h，即ΔT=1 h，T=24，机组的运行周期为24 h。该地区的风机、光伏预测出力以及用户负荷预测如图3所示。

图3 用户负荷、风机和光伏出力预测Figure 3 User load, wind turbine and photovoltaic output forecast

CVPP与实时市场的交易中以实时市场的售电电价为准，设实时市场的电价以1 h为基准进行变动，且与用户负荷大致呈线性关系[10]，即在一定范围内，实时市场的电价与日前预测负荷的关系式为

(27)

式中aL、bL为线性参数。

设制定分时电价前用户用电电价为0.65元/(kW·h)，CVPP的售电电价(元/(kW·h))约束为[0.35，0.95]，平均售电价为0.65元/(kW·h)，各DL的调度参数如表1所示。

表1 可削减、可转移、可平移负荷调度参数Table 1 Cuttable，transferable，shiftable load scheduling parameters

TVPP中设置2台微型燃气轮机，额定功率分别为70、50 kW，爬坡速率均为3 kW/min。蓄电池的额定容量为300 kW，最低容量为额定容量的20%，最大容量为额定容量的95%，最大充放电功率为60 kW，各DG的耗量特性参数如表2所示。

表2 机组的耗量特性参数Table 2 Consumption characteristic parameters of the unit

为验证所建立模型的合理性，本文设置3个场景进行对比分析：①原始用户用电情况；②只考虑分时电价作用的用户用电情况；③在分时电价的基础上对用户侧DL进行调度后的用户用电情况。

4.2 算例分析

实时市场电价曲线以及CVPP为用户侧制定的售电电价曲线如图4所示，可以看出，CVPP的用户售电电价与实时市场电价走势基本一致。在19:00—21:00时段中，CVPP的售电电价最高，达到0.95元/(kW·h)，01:00—04:00时段中，CVPP售电电价最低，为0.35元/(kW·h)。实时市场电价与用户用电负荷相关，CVPP在用电高峰时期提高电价，在低谷时期降低电价既可实现削峰填谷，也保证了在实时市场低电价时段时，维持CVPP所管辖的用户负荷数量的稳定，在实时市场高电价时段时，减小CVPP因购电成本过高而亏损的风险。

图4 CVPP售电电价Figure 4 Electricity sale price of CVPP

3种场景下的用户负荷曲线如图5所示，场景3的负荷波动幅度和峰谷差最小，分时电价虽然可以适当的削峰填谷，平缓用户负荷曲线，效果却不够明显，且由用户自发进行，缺少与CVPP控制中心的信息互动，不能灵活快速的参与电网调度。考虑DL后CVPP控制中心可在用电高峰阶段将DL移出，在用电低谷时段将DL移入，并给予用户适当的经济补偿，可有效调动用户参与电网调度的积极性，减小用户用电的峰谷差。

图5 不同场景下的用户负荷曲线Figure 5 User load curve under different scenarios

DL分为可削减、可转移和可平移负荷，3种负荷调度前、后用电功率分别如图6、7所示，可以看出3种DL的调度方式及调度结果。可削减负荷在11:00—15:00、18:00—21:00时间段中接受调度，减小高峰时段用户用电。可转移负荷从11:00—15:00转移到06:00—10:00、15:00—17:00时段中；可平移负荷从17:00—21:00平移到06:00—10:00中，这2种负荷在调度时都可以从高峰时段转移到低谷时段，只是可转移负荷的调度方式更灵活一些。总体来说，3种DL相结合可有效降低高峰时段用户负荷，减小负荷峰谷差。

图6 优化前的DL曲线Figure 6 DL curve before optimization

图7 优化后的DL曲线Figure 7 DL curve after optimization

在场景3的用户负荷下，TVPP优化后的DG出力和风机、光伏出力对比如图8、9所示，在00:00—03:00时段中，风机弃风成本和实时市场购电成本较低，在0.45～0.48元/(kW·h)范围内波动，风机出力成本为0.49元/(kW·h)，高于购电成本和弃风成本，风机无出力；在04:00—23:00时段中，风机弃风成本和购电成本在0.49～1.48元/(kW·h)范围内，高于风机出力成本，风机出力。当不考虑弃风成本时，风机只在07:00—23:00时段中出力，此时实时市场购电成本在0.56～0.99元/(kW·h)范围内波动。同样，在08:00—19:00时段中，光伏出力成本为0.72元/(kW·h)，高于实时市场电价和弃光成本，光伏出力。不考虑弃光惩罚时，光伏只在12:00—16:00、18:00—19:00时段中出力。所以引入弃风弃光惩罚可促进新能源的消纳，提高风电机组和光伏机组的利用率。

图8 优化后TVPP出力Figure 8 Output of TVPP after optimization

图9 风机、光伏出力对比Figure 9 Output comparison of wind turbine and photovoltaic

在00:00—03:00时段中，TVPP出力为0，CVPP从实时市场中购电，满足用户用电需求；在03:00—07:00时段中，实时市场电价较低，由发电成本较低的燃气轮机发电并利用蓄电池储存起来；在08:00—24:00时段中，CVPP从实时市场购电成本较高，2台燃气轮机同时出力，达到120 kW，在晚上用电高峰时段且光伏无出力时，燃气轮机可与风机、蓄电池一起出力，缓解负荷压力，降低CVPP的购电成本。微型燃气轮机启停迅速，操作方便，在无风或阴天等特殊天气时，可为负荷提供电能，降低CVPP的购电成本和VPP的运行风险。

蓄电池在优化过程中的调度结果表现为为谷时段充电、高峰时段放电。具体结果：在03:00—06:00、15:00—18:00时段中，蓄电池充电，充电功率为60 kW，将系统多余电能储存起来；在11:00—14:00、19:00—22:00时段中，实时市场电价较高，蓄电池持续放电，放电功率60 kW，减小VPP的购电成本，满足峰时用户用电的需求。

事实上，在TVPP的出力确定的情况下，CVPP与实时市场的交易直接影响了VPP的收益，设CVPP从实时市场购电功率为正，售电功率为负。3个场景下CVPP与实时市场各时段的交易电量如图10所示。

图10 不同场景下CVPP与实时市场的交易量Figure 10 Transaction volume of CVPP and real-time market in different scenarios

由图10可知，经过分时电价和DL的调度，在11:00—15:00、17:00—22:00高峰时段中，场景3在实时市场购买的电量较少，甚至在高电价时段还会有富余电量向实时市场出售。场景2与场景3相似，与实时市场的交易多集中在低电价时段；与场景1相比，场景3中CVPP减小了在高电价时段的购电量，降低了VPP的购电成本。不同场景下VPP的成本和收益如表3所示。