风光燃储集成虚拟电厂的随机调度优化模型-北极星储能网

投稿

我要投稿

为促进以风光为代表的分布式能源发电并网,集成风电、光伏发电、燃气轮机、储能系统和激励型需求响应为虚拟电厂(virtual power plant,VPP),引入条件风险价值(conditional value at risk,CVaR)理论和置信度方法描述VPP运行不确定性,以运营收益最大化为目标函数,建立VPP常规调度优化模型,确定VPP运行收益的门槛值。然后,应用CVaR理论描述VPP运行目标函数中不确定性因素,应用置信度方法转换含不确定性变量的约束条件,建立考虑运行风险的VPP随机调度优化模型。最后,选择改进IEEE 30 节点系统作为仿真系统,结果表明：价格型需求响应能够平缓用电负荷曲线,储能系统和激励型需求响应能够增加VPP运营收益。VPP常规调度收益为9 550.19元,风光并网电量为12.49 MW•h,风险规避调度收益为8 995.34元,风光并网电量为11.31 MW•h,这意味着CVaR理论和置信度方法能够用于描述VPP运行风险,通过设置门槛值和置信度反映决策者风险态度,为决策者提供风险控制工具。

0 引言

传统能源紧缺和环境污染问题的日益加剧,推动了以分布式能源形式利用风、光、水等可再生能源发电在能源结构中的地位越来越重要。但受制于容量小、数量大和地域分散等特点,分布式电源(distributed generator,DG)接入电网成本高,输出功率波动性影响电网的稳定运行。虚拟电厂(virtual power plant,VPP)通过精细的控制方式和能源管理集成地域分散的DGs、储能系统、可控负荷等,实现DGs的有效聚合和管理。

关于虚拟电厂的研究主要是讨论如何通过配置容量和协调运行,实现VPP最优化运营。为降低风光波动性给系统造成的冲击,燃气轮机、储能系统、电动汽车等可控电源被用来作备用电源。文献[4]选择风、光、生物质等电源组成虚拟电厂,文献[5]选用燃气轮机和电池储能系统作为风光备用电源。智能电网的发展为用户侧参与发电调度提供了平台,激励型需求响应(incentive-based demand response,IBDR)能够利用可控负荷参与市场调度。

价格型需求响应(price-based demand response,PBDR)通过差异化电价引导用户配合VPP发电并网。文献[8]将风电与柔性负荷组合成虚拟电厂,提出电量申报优化策略。上述研究成果已涉及虚拟电厂配置优化问题,但未考虑多种分布式能源集成优化,特别是未考虑到PBDR对VPP运行的优化效应。

就虚拟电厂协调运行来说,主要针对风光不确定性问题。在满足系统约束条件下,削弱不确定因素对调度策略的影响。文献[11]应用鲁棒随机优化方法描绘风电发电机组(wind power plant,WPP)和光伏发电机组(photovoltaic generators,PV)不确定性,建立了VPP双层调度模型。文献[12]引入随机机会约束规划,建立考虑多重不确定性因素的VPP调度模型。文献[13]将风光发电功率描述为多个典型场景下输出功率线性组合,而文献[14-15]应用估计法得到风速和光伏辐射分布参数。上述研究成果主要针对目标函数或约束条件中随机变量开展工作,未能同时考虑两种随机变量对VPP运行的影响及不确定性给VPP带来的潜在经济损失。

综上所述,为促进以风光为代表的分布式能源优化利用,本文以考虑风险损失后的VPP运营净收益最大化为目标,建立随机调度优化模型。首先将风电、光伏发电、燃气轮机、储能系统和激励型需求响应集成为虚拟电厂;然后引入CVaR理论量化和置信度方法,转换目标函数和约束条件中的随机变量,建立随机调度优化模型;最后,以改进IEEE 30节点系统作为仿真系统,验证所提模型有效性和适用性。

1 虚拟电厂基本结构

1.1 虚拟电厂结构

本文将燃气轮机(convention gas turbine,CGT)、WPP、PV、储能系统(energy storage systems,ESSs)和IBDR集成为虚拟电厂。IBDR主要由需求响应集成商(demand response Providers,DRPs)提供,能够用于参与能源市场或备用市场调度。同时,在用户侧实施PBDR,以平缓用电负荷曲线。图1为虚拟电厂的基本结构。