电力市场环境下虚拟电厂两阶段能量经济优化调度

赵力航，常伟光，杨敏，杨强，秦刚华

(1. 浙江省太阳能利用及节能技术重点实验室，浙江 杭州 311121；2. 浙江浙能技术研究院有限公司，浙江 杭州311121；3. 浙江大学 电气工程学院，浙江 杭州 310027)

0 引言

近年来，化石燃料的大量使用和其导致的环境污染问题使得可再生能源发电技术引起了广泛的关注[1-2]。大规模的分布式能源(distributed energy resource, DER)接入电网给电网的运行带来了一定的影响[3-4]，因此为了更好地管理较大范围的内的DER，虚拟电厂（virtual power plant, VPP）的概念逐渐出现并被应用[5]。本质上来说，虚拟电厂是一种管理一定范围内DER 的技术，他聚合了一定区域内的地域分散、种类多样的分布式电源、储能设备（energy storage system, ESS）、可控发电机（如柴油发电机）和负荷，作为一个整体接入电网，参与电网的运行。通常来说，VPP 内部设有能量管理系统（energy management system, EMS），来实现VPP 内部的能量调度、发电预测和参与电力市场的功能[6-7]。

VPP 内部DER 发电的不确定性和波动性使得VPP 需要充分地挖掘各个单元的发电潜力，施以合适的能量协同调控策略，提高VPP 内部的资源利用率。近年来，针对VPP 的能量管理调度已有很多学者做出了大量的的研究。文献[8]考虑了包含电价、风电出力和需求响应等不确定性因素，基于工程博弈思想进行模型的构建和简化，最后使用粒子群优化算法求得了鲁棒最优解。文献[9]在考虑风光出力不确定性的基础上，核算单位环境外部性成本并将其计入VPP 的单位发电成本，通过算例仿真验证了模型的鲁棒性和计算简便性。文献[10] 综合考虑了VPP 中负荷聚合商、储能设备和用户的效益，在3 种不同的需求响应参与场景下开展了不同对象的经济收益变化的研究，通过算例仿真验证了所提出模型的经济性。此外，随着VPP 概念的不断推广，更多的能源载体形式也被并入VPP 的范畴之中。文献[11]考虑了将抽水蓄能电站纳入VPP 的能量调度中，并使用一种改进的快速非支配排序遗传算法（NSGA）对所提出模型进行了求解，结果表明VPP 中的级联水电-光伏-抽水蓄能混合发电的联合调度可以根据节能、航运和生态的需要做出灵活的决策。文献[12]考虑大规模DER、电动汽车接入的情况，提出了面向VPP 的负荷均衡管理策略，提出了一种分层电力调度系统完成对用电负荷的调度。最后，通过算例验证所提出方案可以实现多类资源的有效互补。随着中国电力市场的改革，各种类型的区域供电系统如微电网、虚拟电厂及其集群需要逐步纳入市场交易中，国内外学者已针对虚拟电厂参与电力市场交易开展了广泛研究。文献[13]基于惩罚机制，以VPP 收益最大为目标建立了VPP 参与多类电力市场的模型，通过算例仿真验证了所建模型的合理性，兼顾了VPP 经济性和安全性。文献[14]考虑到VPP 运营商与外部市场、内部资源具有双侧互动的特点，提出了一种VPP 运营商对外参与电能量市场和调峰市场、对内与各成员协作配合的内外协调竞标策略，建立运营商与内部成员的多主体双层竞标模型，最后通过算例分析证明了所提策略的有效性和合理性。目前多数的文献并没有考虑VPP 与电力市场的交互，且未考虑电力市场的运行机制对于VPP 自身调度决策的影响，对于考虑不同电力市场规则下的VPP 调度也缺乏研究，且在实际中，VPP 的日前调度计划制定的必要性未被充分考虑，因此本文开展的非管制电力市场环境下的VPP 能量经济调度具有一定的现实价值和工程意义。

VPP 中存在多种不确定性源，单一的日前计划或日内实时调度方法无法很好地兼顾虚拟电厂调度的经济性与实时性，因此本文将VPP 的能量调度问题设置在非管制电力市场的环境下，通过电力市场交易的规则来引导VPP 进行需求响应，以VPP 的调度成本最低为目标函数，构建日前-日内两阶段的VPP 能量调度模型，使用商业求解器Gurobi 对模型进行求解，最后通过算例仿真验证所提出模型的经济性和可行性。

1 模型预测控制与电力市场模型

1.1 模型预测控制

VPP 的典型结构如图1 所示。根据本文提出的模型，VPP 需要在日前依据预测信息制定次日的调度计划，并在次日的实时调度阶段跟踪前日的计划曲线。由于分布式能源的出力很难提前进行准确预测，在日内调度阶段需要采用某种调度策略来尽可能地减少供需侧不确定性对优化问题的影响。本文中所采用的日内调整策略基于模型预测控制（model predict control, MPC）。MPC 是有限时域内闭环最优控制的算法，它能够克服一般的优化方法所难以解决的诸如参数、环境具有的时变性、非线性这样的难题。MPC 是基于模型的，但是对于模型的要求并不高，因此在工业控制过程中得到了较好的应用[14-16]。MPC 的核心思想为：在每一个优化采样的时刻，系统将使用当前时刻的预测值及实际测量值，基于约束条件的限制和目标函数，优化得到将来时刻的一系列最优控制决策变量。随着采样优化时刻的推进，更新初始状态，采用相同的方法来重复上述的滚动优化过程。采用基于MPC的实时调度策略，能够较好地达到策略调整的实时性和最优性。图2 展示了MPC 方法的一般性框架。

图1 VPP 结构示意Fig. 1 Diagram of virtual power plant

图2 模型预测控制框架Fig. 2 Framework of model predict control

1.2 电力市场模型

非管制电力市场即放松管制的电力市场，由供需平衡来决定市场价格。国际上比较成熟的非管制电力市场案例是美国的PJM（宾夕法尼亚州-新泽西州-马里兰州互联电网）电力市场，该市场保证电力服务提供商受政府监管，但他们仍然可以在自身组织的市场上出售电力。PJM 市场的组织者认为随着发电公司的增多，购买力的批发率将下降。同时，这类市场可以为客户提供更多选择，让他们选择电力公司提供服务，将在服务提供商之间创造良性竞争，从而降低整体消费价格。在监管方面，PJM 除了受联邦能源管理委员会（FERC）、各州公共事业管理委员会的监督外，还有独立市场监管机构负责每年发布监管报告以改进市场设计、提高市场表现。在2016 年度报告中，该机构认为PJM 能量市场中电力批发价格基本接近边际成本，整体上实现了有效竞争。

此外在欧洲，比利时和英国是唯一成功地完全解除对电力行业管制的国家。欧洲其他国家则维持着公私合营的混合模式，政府负责对用户的电力监管，而私营部门则负责发电。

本文中VPP 的能量调度模型是设置在非管制电力市场环境下的，其中包括日前市场（dayahead market, DM）和日内平衡市场（intra-day balancing market, IBM）[17]。在日前市场中，市场的组织者使用受安全性约束的经济调度模型来生成清算电价并下发给市场的参与者。市场的参与者需要在日前阶段进行自身的电量-价格报价。在日前市场清算完成后，市场的参与者和组织者之间将会签订购/售电合同。因此，在日内实时调度阶段，如果实时交易的电量与日前的不符，那么市场参与者需要承担相应的罚款[18]。相较于日前购/售电计划，如果临时购买更多的电量或出售更少的电量，那么这部分电量会以高于实时电价的价格进行额外收费，否则将以低于实时电价的价格进行额外收费[19]。

2 两阶段虚拟电厂能量优化调度模型

2.1 长短期记忆神经网络预测

VPP 需要基于预测信息在日前制定次日的最优调度计划，因此需要对次日的风力、光伏发电和负荷数据进行预测。本文将采用长短期记忆神经网络（long-short term memory, LSTM）对上述数据进行较高精度的预测。LSTM 是循环神经网络（recurrent neural network, RNN）的一种，其特殊的长短期记忆选择单元，可以用来解决“普通RNN 无法捕捉长期记忆中隐含规律”的问题[20]。因此，LSTM 很适合出力连续的时间序列，在电力系统中的应用广泛[21-23]。

在本文的工作中，输入到LSTM 中的数据为两天前的真实历史数据，输出数据为次日一整天的出力数据，其时间分辨率为15 min。考虑到风力发电固有的随机性和波动性，其预测精度很难保证，因此本文假设风力发电的预测误差满足正态分布[24]。本文使用某地区一年的历史数据（时间间隔为5 min）训练网络使其学习时间序列的内在规律，为了方便网络学习，数据在使用前进行了归一化处理。预测结果如图3 所示。

图3 预测数据Fig. 3 Forecasting data

2.2 数学模型

2.2.1 日前阶段

在日前阶段，VPP 需要根据预测信息来进行本地的能量优化调度，制定出次日的最优运行计划，并将次日的购/售电计划上报给市场组织者。

（2）约束条件。

在日前阶段，约束条件主要包括功率平衡约束、设备出力上下限约束、DG 爬坡约束、ESS 荷电状态（state of charge, SoC）约束、联络线功率上下限约束。

①功率平衡约束为

④ESS 的SoC 约束为

2.2.2 日内阶段

在日内阶段，VPP 需要根据当前的实时信息和预测信息，针对日前计划进行实时调整，消除预测误差的同时，尽可能地跟踪日前计划曲线以减少来自电力市场的罚款。

（1）目标函数为

日内平衡市场会对超出日前购电计划或低于日前售电计划的电量以高于实时电价的价格进行罚款，φ为控制罚款价格的参数；对低于日前购电计划或超出日前售电的电量以低于实时电价的价格进行罚款，ω为控制罚款价格的参数。

（2）约束条件。

与日前阶段相似，约束主要包括功率平衡约束、设备的出力上下限约束、DG 爬坡约束、ESS 的荷电状态约束、联络线功率上下限约束。需要指出的是，在日内阶段，在一个优化时间窗口[t,t+M-1]内，在t时刻的负荷、光伏发电、风力发电的出力值采用的是真实值，其余时刻则采用的是预测值。

①功率平衡约束为其中SoC 的计算方式参照式（8）。

⑤联络线功率上下限约束为

本文所建立的模型的求解流程如图4 所示。

图4 所提出模型的流程Fig. 4 Flow chart of the proposed model

3 算例仿真分析

3.1 相关数据

本文考虑的虚拟电厂由1 个700 kW 的风电场、1 个1 000 kW 的光伏电站、1 个500 kW 的柴油发电机、1 个容量为5 000 kW·h 的储能设备和总额为1 800 kW 的负荷组成[25]。

3.2 虚拟电厂日前最优调度计划

日前阶段，虚拟电厂各个设备运行计划如图5 a)所示，日内电价和储能设备SoC 变化如图5 b)所示。

图5 中光伏发电和风力发电之间的部分是净负荷。对于虚拟电厂来讲，其日前最优调度计划的制定主要取决于市场电价和净负荷的大小。如果当前时刻的电价较低，如10:00—12:00，此时虚拟电厂对比柴油发电机组和储能设备出力成本与电网电价，倾向于从电网购电，否则储能设备和柴油发电机将会出力来维持虚拟电厂内部的功率平衡（如20:00—22:00）。此外，当电价较高的时刻，虚拟电厂会选择将多余的电量包括储能中储存的电量出售以降低整体的运行成本（如04:00—08:00）。观察储能设备的SoC 曲线也可以看出，储能设备所起的作用是将多余的发电量进行时间上的平移，即将过剩的电量存储起来，在新能源发电量不足的时候对外放电，降低了购电成本。从图5 b)中也可以看出其变化趋势较为平缓，说明虚拟电厂内部的各个单元能够达到协同互补的效果，其管辖范围内的分布式资源得到了很好的利用。

图5 虚拟电厂日前调度结果Fig. 5 Day-ahead scheduling solution for VPP

3.3 虚拟电厂日内调整计划

图6 展示了日内阶段虚拟电厂各个单元的出力相较于日前计划的调整，从图6 a) 可以看出，日内的交易计划大致上完成了对日前计划的跟踪。在日内阶段，实际的风电出力、光伏出力和负荷的数值与日前预测结果存在偏差，因此虚拟电厂需要协同调节内部储能设备和可控柴油发电机的出力来消除出现的净负荷波动，同时尽可能跟踪日前交易计划以减少IBM 的罚款。虚拟电厂对日前计划的调整和当前时刻的IBM 电价和净负荷波动有着直接的联系，08:00—12:00，虚拟电厂对于交易计划的调整较大，因为此时的IBM 电价较低，直接承担罚款相较于调节设备出力更为划算。而在IBM 电价较高的0 5:0 0—06:00 和18:00—20:00，虚拟电厂对于交易计划的调整较少，而是由储能设备和柴油发电机协调弥补净负荷出现的波动，以减少整体运行成本。

图6 日内调整计划结果Fig. 6 Results of the intra-day redispatch

此外，对于储能设备的调整并没有完全呈现出与调整交易计划相似的趋势，在某些时刻其调整幅度较大（如12:00、12:15、12:30、12:45、16:00），出现这种现象的原因是储能设备受式（15）（16）的约束，需要在一天的始末保持相同的SoC，因此会在某些时刻选择充/放电来维持自身电量，从而能够满足其电量约束。

3.4 经济性评估

为评估所提出方法的经济性，本文随机抽取了一年中10 天的运行数据进行仿真，并与以下2 种方法的总调度成本进行对比。

（1）假设虚拟电厂知晓次日分布式能源出力和负荷的真实数据，并制定全局最优调度计划。

（2）虚拟电厂只根据日前预测信息制定日前最优调度计划，日内针对储能设备和柴油发电机的出力不做任何调整，只调整与电网的交易计划来满足日内出现的净负荷波动，承担IBM 的罚款。

图7 展示了在所抽取的10 天中3 种方法运行成本的对比。总的成本包含4 个部分：DG 成本、ESS 成本、IBM 罚款和DM 交易费用。整体的调度成本可以理解为设备成本（DG 和ESS 成本）和电力市场交易成本（IBM 罚款和DM 交易成本）。DG 和ESS 成本指的是在经过日前和日内阶段的调度之后两种设备实际所产生的成本。VPP 与电力市场的交易结算是两阶段的，其中IBM 罚款指的是在日内阶段因为与电网的交易电量与日前计划不符所产生的相关罚款；DM 交易费用是指在日前阶段与电力市场签订的次日购/售电合约中的电量所产生的交易费用。

图7 经济性评估Fig. 7 Economic performance

总体来看，方法1 对应的运行成本是最低的，这是因为方法1 中无预测信息的误差，所制定的运行调度计划是全局最优的，方法2 的成本是最高的。对比本文提出的方法和方法2 可以看出，本文方法对应的储能设备和柴油发电机对应的成本要高于方法2，而IBM 罚款一般低于方法2，这是因为方法2 在日内阶段没有主动的调整，而本文所提出的方法通过日内阶段使用模型预测控制策略来协同虚拟电厂内部的设备，依据IBM 电价和净负荷波动的大小，在必要的时刻调整储能设备和柴油发电机的出力，尽可能地降低IBM 的罚款，减少总体的运行成本。然而需要指出的是，在某些天（如第1 天、第7 天）本文提出的方法对应的总体运行成本反而高于方法2 对应的成本，出现这种现象的原因是本文提出的方法在日内阶段的调整仍然是基于日内预测信息的，因此在某些天如果可再生能源出力波动过大会造成算法无法求得最优结果，即运行成本反而在日内调整过后不减反增。

4 结论

本文针对虚拟电厂提出了一种非管制电力市场环境下的两阶段能量经济优化调度方法。该方法分为日前计划和日内调整2 部分。在日前阶段，基于对次日可再生能源出力和负荷的预测，虚拟电厂制定次日最优运行计划并与电力市场签订协议作为次日的运行计划参考。在日内阶段，以日前提交的运行计划为基准，基于模型预测控制调控策略，协调虚拟电厂内部的设备以平衡预测误差导致的净负荷波动，同时尽可能降低IBM 罚款和总体的运行成本。仿真实验表明了通过日前计划和日内调控，虚拟电厂能够很好地管理管辖范围内的可再生能源，提高其利用效率，降低总体的运行成本。与2 种其他方法的对比实验显示出本文所提出算法的经济性和实用性，此外本文考虑了实际的电力市场背景下虚拟电厂的调度问题，具备一定的工程实际意义。本文所考虑的虚拟电厂规模较小，涵盖的能源形式略显不足，将更多的能源形式（氢能、水能、天然气等）纳入虚拟电厂的范畴中并参与电网调度，是需要进一步研究的内容。