电力市场环境下 虚拟电厂两阶段能量经济优化调度

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1,2,3, 常伟光3, 杨敏1,2, 杨强3, 秦刚华1,2

（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）

摘要：随着分布式可再生能源在电网中的渗透率不断增加，虚拟电厂作为一种高效管理分布式可再生能源的技术已经引起国内外学者的广泛关注。提出一种非管制电力市场环境下的虚拟电厂两阶段能量经济优化调度方法，该方法将虚拟电厂的调度分为日前和日内2个阶段。在日前阶段，基于预测信息制定次日的最优调度计划并与日前电力市场签订协议；在日内阶段，以日前计划为参考，采用模型预测控制策略调整日内的运行计划，以消除由于预测误差导致的净负荷波动，同时尽可能减少来自日内平衡市场的罚款，降低总体运行成本。所提出的模型均使用商业求解器Gurobi进行求解。仿真数值结果表明：所提出的算法通过日前计划和日内调控的手段提高了可再生能源设备的利用率，具备一定的经济性和实用性，为虚拟电厂的经济调度提供了新的思路和途径。

引文信息

赵力航, 常伟光, 杨敏, 等. 电力市场环境下虚拟电厂两阶段能量经济优化调度[J]. 中国电力, 2022, 55(10): 14-22.

ZHAO Lihang, CHANG Weiguang, YANG Min, et al. Two-stage energy economic optimal dispatch of virtual power plant in deregulated electricity market[J]. Electric Power, 2022, 55(10): 14-22.

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（day-ahead 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。

（1）目标函数为

式中：T为全天调度时刻数；

为分布式发电（DG）运行发电成本；

为ESS运行成本；

为与市场交易的费用，具体为

式中：

分别为t时刻DG的发电量、ESS的出力值（正值表示放电，负值表示充电）和与电网交易的电量（正值表示购电量，负值表示售电量）； a,b,c 分别为DG的成本系数； α 为ESS的出力成本系数； CRTP(t) 为t时刻的实时电价； Δt 为时间间隔，本文中设置为15 min； λ 为售电时的折扣系数。

（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

图4 所提出模型的流程

Fig.4 Flow chart of the proposed model