基于兩階段隨機規劃的虛擬電廠優化交易策略

2018-09-26 06:57:46周博呂林高紅均譚心怡吳泓灝

電力建設 2018年9期

周博，呂林，高紅均，譚心怡，吳泓灝

(四川大學電氣信息學院，成都市 610065)

0 引言

近年來，環境問題使得可再生能源(renewable energy sources，RES)在電網中的滲透率不斷增加[1]，但是由于風電、太陽能發電等RES出力的隨機性給電網的運行帶來極大的挑戰[2]，同時也降低了其參與市場交易的自主性[3]。虛擬電廠(virtual power plant，VPP)[4]能夠將RES、分布式儲能以及需求響應高效整合在一起，有效降低間歇性RES出力的不確定性，從而提高VPP進入電力市場時的競爭力以及整體上網時的穩定性。隨著我國售電側的放開，電力市場競爭日益激烈，市場電價也存在一定的不確定性，綜合VPP內部可再生能源機組出力和負荷需求的不確定性因素，展開在多重不確定性因素下，VPP參與市場競價策略以及內部優化運行研究尤為迫切。

虛擬電廠整合多種分布式能源參與電力市場運行，能夠平抑可再生能源的波動，提升VPP的整體收益。文獻[5-6]構建了由燃氣輪機(gas turbine，GT)和可再生能源構成的虛擬電廠參與能量和備用市場的競價策略問題，燃氣輪機作為可控發電資源，能夠彌補風電出力的不足、減少負荷的損失，但是在風電富余時卻不能進行有效消納。文獻[7]在此基礎上整合了電池儲能系統(battery storage systems，BSS)，能夠在風電富余時段充電蓄能，在風電不足時放電，滿足負荷需求，有效地平抑風電出力的正負波動，但是大量增加儲能設備會給虛擬電廠帶來額外的成本，而需求響應能夠提升VPP整體出力的穩定性且不需要額外增加投資成本。文獻[8]中VPP聚合了風電場、燃氣輪機以及需求響應，建立了虛擬發電廠優化調度模型。文獻[9]進一步將需求響應分為基于價格和基于激勵2種類型，構建了虛擬電廠參與日前市場的調度模型。隨著電動汽車入網(vehicle to grid，V2G)技術的成熟，文獻[10]已經驗證了V2G技術能夠通過合理分配閑置電動汽車(electric vehicle，EV)進行充放電，來實現削峰填谷以及提高對風電的消納水平。因此，綜合考慮儲能系統、需求響應和電動汽車對波動性可再生能源的調節作用，有利于提升VPP出力的穩定性和交易競爭力。

同時，VPP在競標和調度過程中存在著多維度的不確定性，主要分布在源、荷以及電價領域。文獻[11-12]基于兩階段隨機規劃方法，以日前市場和平衡市場為背景，建立了VPP的最優競價策略模型，考慮了風電、光伏等可再生能源的不確定性，但未考慮市場出清價格的不確定性，忽略了競爭激烈的電力市場對虛擬電廠競價策略的影響。文獻[13]建立了VPP混合整數線性規劃調度模型，考慮了日前市場電價的不確定性。文獻[14-15]以最大化VPP進行市場交易的期望收益為目標，建立了市場短期優化交易模型，并采用多場景法來模擬日前市場出清電價的不確定性。但是上述文獻都只是對VPP面臨的不確定性進行單獨分析，而在VPP實際參與市場過程中勢必會同時面臨源、荷以及電價的多重不確定性的影響，并且上述文獻對VPP交易風險度量問題尚無深入研究。條件風險價值(conditional value at risk，CVaR)[16-18]是目前廣泛使用的風險度量方法，反映了損失的尾部信息，是具有凸性的一致性風險度量指標。

綜上研究和分析，本文在已有研究的基礎上整合需求響應資源和電動汽車，充分考慮VPP在參與市場競價過程中面臨的多重不確定性，基于兩階段隨機規劃建立VPP參與日前市場和平衡市場的最優競價策略模型。首先，概述多場景法、VPP競標流程等理論基礎；其次，以虛擬電廠收益最大為目標，采用多場景法對市場電價及風電出力進行模擬，并利用CVaR評估不確定性給VPP收益帶來的風險，建立VPP收益-風險模型；最后通過算例分析不確定性和風險偏好對虛擬電廠收益以及風險損失的影響，為不同風險偏好主體提供參考。

1 虛擬電廠理論基礎

VPP能夠通過高效的通訊技術整合分散的不同容量等級的分布式能源，利用各分布式能源的時空互補性，可有效削弱RES出力的間歇性，提升VPP市場交易的穩定性和競爭力。本文主要考慮以風電為主的可再生能源、以燃氣輪機作為可控發電機組、電動汽車和可中斷負荷作為需求響應資源以及儲能系統來構成虛擬電廠。VPP模型架構如圖1所示。

圖1 虛擬電廠模型Fig.1 Model of virtual power plant

虛擬電廠作為整體協調調度內部資源參與市場運行，可將富余的電量出售給電力市場，也可選擇從市場購電滿足負荷需求，實現經濟性最優。具體交易流程為：在日前階段，虛擬電廠運營商預測內部機組的可用出力情況以及負荷信息，決策并提交日前市場24個時段競標電量信息。一旦確定和市場的電量交換，VPP優化調度內部資源(需求響應、電動汽車等)出力適應隨機發電機組的實時波動，消除實際出力與競標出力的偏差，實現風電的最大化消納。因此，市場電價和風電出力不確定性影響VPP的實際運行過程。

2 虛擬電廠決策模型

2.1 多場景法

本文采用多場景法處理市場電價及風電出力的不確定性，通過對可能出現的場景進行模擬將模型中的不確定性因素轉變成多個確定性場景問題。

(1)場景的生成。主要通過蒙特卡洛法或者歷史數據生成大量場景，對隨機變量T個時段可能運行狀態進行模擬，即s=[P1(s),P2(s),…,Pt(s),…,PT(s)]T,?s∈S，Pt(s)為某一具體場景s下t時刻的數據，S為所有可能場景的集合。

(2)場景的削減。為確保模擬的多樣性，需要生成大量的可能場景，但這無疑增加了計算負擔，兼顧模擬的可信性與計算負擔，基于概率距離思想對場景進行削減。

2.2 目標函數

以虛擬電廠期望收益最大化為目標，基于兩階段隨機規劃建立虛擬電廠最優購售電策略模型。階段1：VPP制定日前市場競標策略。階段2：編制內部機組出力計劃，平抑風電出力波動，并利用CVaR量化不確定性給VPP收益帶來的風險。目標函數由VPP期望收益和CvaR 2個部分構成。

(1)

(1)燃氣輪機成本。燃氣輪機成本由燃氣輪機的生產和啟停成本及碳排放懲罰函數組成。

(2)

(3)

(2)電動汽車收益。電動汽車作為移動負荷，當電動汽車并網時，車主充電儲備下一時段出行所需的電量，也可以選擇放電對VPP進行反哺，獲得售電收益。因此，本文利用虛擬電廠模式對其進行有序管理，優化充放電時間，實現削峰填谷以及提高對風電的消納。

(4)

(3)需求響應成本。需求響應能為VPP提供虛擬出力，平抑可再生能源出力波動，本文選用基于激勵的可中斷負荷作為響應資源，需求響應的成本為負荷響應前后VPP售電收入的差額。負荷響應前后，VPP的售電收益分別為：

(5)

(6)

(7)

2.3 約束條件

2.3.1階段1約束

(8)

(9)

(10)

(11)

2.3.2階段2約束

(1)燃氣輪機約束：

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(2)電動汽車約束：

(21)

(22)

(23)

(24)

(25)

(3)需求響應約束。需求響應約束[19]主要包括中斷量約束、中斷持續時間、最小中斷間隔時間及中斷爬坡率約束。分別與燃氣輪機的出力上下限、最小啟停時間以及爬坡約束類似，在此就不做贅述。

(4)功率平衡約束。VPP運行中需要保持每個場景下每個研究時段內的電量供需平衡，在這里忽略網絡損耗。

(26)

(5)風險約束。本文選擇CVaR評估考慮不確定性下，虛擬電廠交易策略的風險損失，式(27)、(28)為風險約束。

(27)

emn≥0,?m∈M,?n∈N

(28)

3 算例分析

3.1 算例參數

算例中利用上文所述的虛擬電廠來驗證所提模型的實效性，采用CPLEX12.6.0算法包，在Matlab R2015a環境下進行求解。虛擬電廠中各元件參數如下：燃氣輪機采用TAU5670型號，主要參數見表1，碳排放懲罰相關參數取自文獻[13]。VPP內部負荷預測數據和供電電價詳見文獻[8]，補償費用[20]中的a和b分別為1和90。儲能系統的容量為 15 MW·h，充電和放電功率的最大限值分別為3.5、4.0 MW，初始儲能功率為5 MW，效率系數為80%。電動汽車考慮由1 000輛電池容量為24 kW·h的家用尼桑LEAF[21]構成；電池蓄電量下限以及上限分別設為電池容量的15%和95%，每輛電動汽車的始末蓄電量在上下限范圍內隨機生成；為鼓勵電動汽車在風電出力不足時配合電網調度，設定放電電價比充電電價多15%；文獻[22]指出電動汽車出行和返回時刻服從正態分布，行駛距離服從對數正態分布；本文采用蒙特卡羅方法對每輛電動汽車的行駛距離和并網時間進行模擬，生成圖2所示的單一時刻駛入和駛離的電動汽車數量，選取出行、返回時刻的均值和方差分別為(17.47, 3.41)，(8.92, 3.24)。

根據文獻[8]提供的風機時序出力模型，采用序貫蒙特卡羅抽樣方法生成全年365天8 760 h的風電出力數據，利用K-means聚類算法[23]對風電出力數據進行削減，生成12組階段2風電出力場景。日前市場電價場景采用Mainland Spain市場的真實歷史電價數據生成并削減，最終得到6組階段1電價場景。

表1 燃氣輪機參數Table 1 Parameters of CGT

圖2 駛入和駛離的電動汽車數量Fig.2 Numbers of electric vehicles entering and leaving

3.2 結果及討論

3.2.1不同風險系數對VPP收益的影響分析

本文采用CVaR度量VPP風險水平，為分析不同風險偏好主體的收益情況，在上述兩階段隨機規劃模型中選取不同風險系數進行優化，置信水平?=0.9。圖3給出了風險系數β分別等于0、0.1、0.8情況下VPP日前市場24個時段的競標電量。橫向對比可以看出VPP在日前市場的競標策略與市場電價具有緊密的關聯關系，在02:00—05:00低電價時段，以購電為主；在其余較高電價時段以售電為主。縱向對比可以看出隨著β的增加，VPP逐漸減少了在較高電價時段的售電量，增加了在較低電價時段的購電量，交易策略越發保守。

圖3 VPP各時段競標值Fig.3 Hourly bidding values of VPP

表2給出了不同風險系數β取值對VPP期望收益與CVaR的影響，置信水平?=0.9。由表2可以看出，隨著β取值的增加，CVaR隨之減小，VPP的期望收益也逐漸降低。這是因為β越大，VPP越希望規避風險(風險主要是由波動的市場電價以及風電出力產生)，一方面VPP會減少市場冒險行為，逐步降低購售電量；另一方面為應對極端不確定場景帶來的風險，VPP需要預備足夠的動態備用容量，導致燃氣輪機等機組無法處于最優經濟出力點，增加運行成本。這2個方面的因素使得VPP實際出力與競標電量偏差減少，風險損失逐漸降低，但運行成本也隨之增加，市場競標收益降低。從目標函數式(1)可以看出，VPP期望收益主要來源于市場的售電收入，隨著售電收益的降低以及運行成本的增加，期望收益呈下降趨勢。由此可以得出太過于保守的競標策略反而不利于VPP整體收益的提升，以此為VPP權衡收益與風險提供參考。

表2 VPP期望收益與CVaRTable 2 VPP expected profit versus CVaR

3.2.2不同場景下VPP內部優化運行策略

從2.2節描述可以看出，內部機組出力的優化主要是為了平抑風電出力波動，降低實際出力與競標電量之間的偏差，與風電及電價場景密切相關。本小節選擇4種不確定場景進行優化對比。

場景1低電價-低風電出力場景。

場景2低電價-高風電出力場景。

場景3高電價-低風電出力場景。

場景4高電價-高風電出力場景。

圖4為低電價-低風電出力場景下VPP的優化運行曲線。儲能設備在01：00—05:00時段內充電蓄能，且調用初始儲能在雙高峰電價時段放電，以滿足用電需求。燃氣輪機只在10：00—14:00、19：00—21：00時段內有少量的出力，其余時段均處于關停狀態；可中斷負荷只有在11：00和20：00時被調用。該場景下由于電動汽車的充電價格要高于市場電價，VPP傾向于將電量用于給電動汽車充電以獲取收益，所以在雙高峰電價時段，充電汽車仍能進行充電量較小的充電行為。由于日前市場電價較低，導致平衡市場的負不平衡懲罰也較低，而調用燃氣輪機和可中斷負荷則會付出較高的成本，所以VPP傾向于維持較低出力水平。

圖4 低電價-低風電出力場景下的VPP優化運行曲線Fig.4 Optimization curve of VPP in low price-low wind scenario

低電價-高風電出力場景下的VPP優化運行曲線如圖5所示。對比圖4可以看出，電動汽車充電時長和充電量都有較大的提升，這是因為風電出力增大，而且日前市場價格低于電動汽車的充電價格，為了實現VPP利潤的最大化和對風電的有效消納，將更多的風電用于電動汽車充電；同時儲能系統在前 5 h低電價時段充電蓄能，在12：00、18：00—21：00雙高峰時段發電用于日前市場售電；由于較低的市場電價和較高的風電出力，所以燃氣輪機以及可中斷負荷在全天24個時段均未被調用。

圖5 低電價-高風電下的VPP 優化運行曲線Fig.5 Optimization curve of VPP in low price-high wind scenario

圖6為高電價-低風電出力場景下VPP的優化運行曲線。對比圖4、5，該場景下的VPP內部出力發生了較大的變化，電動汽車在01:00—06:00時段內進行充電，以滿足車主的日常使用需求；在18：00—21：00時段進行放電，這是因為在晚高峰電價時段，日前市場的電價遠高于電動汽車的充電電價，且風電出力較低，所以調用電動汽車轉充電為發電，彌補低風電出力的不足，減少平衡市場中較高的不平衡電量懲罰，增加VPP的收益。同樣由于低風電出力，調用可中斷負荷以滿足市場的售電需求，燃氣輪機在 06：00之后，全天均處于滿發狀態。

圖6 高電價-低風電出力場景下的VPP優化運行曲線Fig.6 Optimization curve of VPP in high price-low wind scenario

高電價-高風電出力場景下VPP的優化運行曲線如圖7所示。與低電價-高風電出力場景相比，電動汽車不是一直處于充電狀態，在日前市場高于充電電價的雙高峰電價時段，電動汽車會把多余的電量賣給電網，以獲得更高的收益，所以在12：00—13：00、19：00—22：00時段電動汽車出力為正。因為風電出力較高，且調用了電動汽車放電，所以儲能系統所起到的作用相應地有所下降。考慮到燃氣輪機的發電成本以及凌晨風電出力最大，所以在02:00—06：00時段內燃氣輪機出力幾乎為0，在07:00之后處于滿發狀態。值得注意的是，該場景下VPP的實際出力要高于競標值，在平衡市場中只能以低于市場電價的正不平衡價格售出，但是由于較高的市場出清電價使得正不平衡電價仍然高于燃氣輪機的成本，所以VPP處于較高的出力狀態。需要指出的是，以上4個不同場景下的VPP優化運行曲線都是在β=0的情況下得出的。