基于模糊-概率策略實時反饋的虛擬電廠多時間尺度優(yōu)化調(diào)度

李翔宇 趙冬梅

基于模糊-概率策略實時反饋的虛擬電廠多時間尺度優(yōu)化調(diào)度

李翔宇 趙冬梅

（華北電力大學(xué)電氣與電子工程學(xué)院 北京 102206）

虛擬電廠（VPP）日前計劃和日內(nèi)運行方案是其在內(nèi)、外部隨機性上，實現(xiàn)經(jīng)濟(jì)或技術(shù)效益的有力保證。提出VPP日前計劃-滾動計劃-實時調(diào)度在內(nèi)的全時域優(yōu)化調(diào)度框架，建立不同尺度優(yōu)化模型并通過“多級調(diào)度、逐級細(xì)化”的思想達(dá)到優(yōu)化魯棒性。在日前計劃中，以虛擬電廠最大化市場效益為目標(biāo)建立模型；在日內(nèi)優(yōu)化中，基于馬爾科夫決策過程（MDP）融合30min尺度滾動和5min尺度超短期兩層優(yōu)化以減少建模層級。在MDP模型中，建立熵值回饋函數(shù)表征滾動優(yōu)化過程，用以減少因日前預(yù)測誤差帶來的日內(nèi)運行偏差值；建立模糊-概率策略表征超短期優(yōu)化過程，用以調(diào)節(jié)儲能荷電狀態(tài)、均衡其充電與放電能力，最終實現(xiàn)跟蹤日前計劃的目標(biāo)，最大化經(jīng)濟(jì)效益。最后通過算例計算對所提方案進(jìn)行了驗證。

虛擬電廠 優(yōu)化調(diào)度 多時間尺度 馬爾科夫決策過程 模糊-概率策略

0 引言

當(dāng)前電力系統(tǒng)正處于從集中式發(fā)展過渡到分散式發(fā)展的態(tài)勢，大規(guī)模多元、分散、異構(gòu)的分布式電源無序接入中低壓配電系統(tǒng)給電網(wǎng)的管控帶來了極大的困難[1-2]。在眾多的解決方案中，虛擬電廠（Virtual Power Plant, VPP）技術(shù)相比微電網(wǎng)/微網(wǎng)群[3]、綜合能源[4]、主動配電網(wǎng)[5]、分布式電源集群等技術(shù)[6]，對先進(jìn)通信技術(shù)和電力市場適應(yīng)度更高，更適合電力系統(tǒng)分散式發(fā)展的方向。

站在電力市場角度，VPP多層次優(yōu)化技術(shù)是保證其收益最大化的重要前提[7-9]。當(dāng)前針對VPP優(yōu)化研究，按照VPP前期規(guī)劃、計劃、運行、結(jié)算四個先后時段，可歸為四類：①基于靈活性資源聚合的VPP配置優(yōu)化；②基于日前計劃的VPP對外交易策略優(yōu)化；③基于滾動與實時調(diào)度的VPP日內(nèi)運行方案優(yōu)化；④基于博弈的VPP內(nèi)部多主體利益分配優(yōu)化。其中②和③構(gòu)成了VPP日前-滾動-實時的多時間優(yōu)化調(diào)度框架，在該框架下，文獻(xiàn)[10]基于分時電價建立了VPP日前計劃模型，以各時段內(nèi)獲得收益最大為目標(biāo)進(jìn)行優(yōu)化，同時分析了VPP中隨機性單元對最終經(jīng)濟(jì)效益的影響。文獻(xiàn)[11]在最大化收益的日前計劃模型基礎(chǔ)上，通過VPP運行典型工況的生成和縮減來描述內(nèi)部不確定性，通過源、荷兩端的功率調(diào)整來修正間歇性單元的預(yù)測誤差。文獻(xiàn)[12]從技術(shù)型虛擬電廠運營模式出發(fā)，結(jié)合配電網(wǎng)安全運行約束條件，建立了VPP日前優(yōu)化調(diào)度策略。文獻(xiàn)[13]指出隨著大量資本涌入發(fā)電側(cè)，多個VPP協(xié)同參與市場的格局成為趨勢，構(gòu)建了多虛擬電廠非合作動態(tài)博弈的日前市場優(yōu)化交易模型。

上述研究從不同角度構(gòu)建了VPP日前交易計劃模型，日前計劃有充足的時間進(jìn)行動態(tài)優(yōu)化，實現(xiàn)利益最大化，可稱作最優(yōu)控制。但是隨著預(yù)測時間的增加，預(yù)測誤差會逐漸增大，因此日前功率預(yù)測結(jié)果與實際往往存在較大偏差。為減小這種偏差、保證最優(yōu)目標(biāo)，在日前計劃基礎(chǔ)上，一些研究考慮了日內(nèi)滾動以及超短期調(diào)度模型，通過更短時間尺度預(yù)測調(diào)整出力計劃，消除不確定因素。文獻(xiàn)[14]提出了一種計及需求差異的電動汽車并網(wǎng)滾動時域優(yōu)化策略，用以將并網(wǎng)電動汽車充放電狀態(tài)切換頻次及功率波動最小化。文獻(xiàn)[15]在日前計劃基礎(chǔ)上，設(shè)計了一種VPP滾動調(diào)度策略，以使下一時刻因間歇性電源出力場景變化導(dǎo)致的日前優(yōu)化結(jié)果差異化最小。因此滾動優(yōu)化相對于日前計劃的最優(yōu)控制，又可稱作保優(yōu)控制，起到了承接日前計劃和實時調(diào)度的關(guān)鍵作用。在日前和滾動優(yōu)化基礎(chǔ)上，文獻(xiàn)[16]為提高VPP對間歇性電源消納能力，減少預(yù)測誤差的影響，提出包含日前、日內(nèi)的多時間尺度優(yōu)化策略，通過多VPP的協(xié)調(diào)互動，實現(xiàn)收益最大化和區(qū)域內(nèi)供需平衡。文獻(xiàn)[17]針對燃料機組、風(fēng)電機組以及可控負(fù)荷的虛擬電廠，建立了日前計劃、滾動優(yōu)化、超短期優(yōu)化多級調(diào)度模型來逐級消除因日前預(yù)測誤差導(dǎo)致的實際運行偏差。在上述多時間尺度優(yōu)化中，針對日前、滾動、超短期時間尺度分別建立了三個層級優(yōu)化模型，各層級優(yōu)化相對獨立，依次作為彼此的輸入輸出。

綜上所述，為減小VPP中隨機性單元因預(yù)測誤差而使得實際運行大范圍偏離日前優(yōu)化的情況，將建立VPP包含日前、滾動、實時在內(nèi)的三級優(yōu)化體系。另一方面，為減小優(yōu)化層級，在日內(nèi)優(yōu)化中，以彌科夫決策過程（Markov Decision Process, MDP）模型融合滾動優(yōu)化和實時優(yōu)化兩個層級以簡化建模層級，其中將滾動優(yōu)化寫入MDP的回饋函數(shù)，將超短期調(diào)度寫入MDP策略集中進(jìn)行實時反饋調(diào)節(jié)。最后通過算例計算對所提出的VPP多級優(yōu)化體系進(jìn)行驗證。

1 多時間尺度優(yōu)化調(diào)度框架

VPP多時間尺度調(diào)度框架如圖1所示，分別包含日前計劃層、滾動優(yōu)化層和超短期調(diào)度層。

由圖1可知，VPP在日前計劃中，將根據(jù)短期發(fā)電功率預(yù)測制定日前計劃模型；在滾動優(yōu)化中，根據(jù)擴(kuò)展短期發(fā)電功率預(yù)測及優(yōu)化模型對日前計劃因預(yù)測偏差進(jìn)行修正，并給超短期優(yōu)化中VPP靈活可調(diào)節(jié)性單元留有足夠容量來跟蹤日前計劃；在超短期優(yōu)化中，根據(jù)超短期功率預(yù)測銜接滾動優(yōu)化并對前一級優(yōu)化進(jìn)行實時反饋調(diào)節(jié)形成閉環(huán)，同時將優(yōu)化指令下發(fā)到VPP各單元。每層級優(yōu)化調(diào)度模型建模過程將在后文詳細(xì)介紹。

2 VPP日前計劃建模

本文所提VPP由風(fēng)電、微型燃?xì)廨啓C（Micro Turbine, MT）、儲能系統(tǒng)（Energy Storage System, ESS）及可控負(fù)荷（Controllable Load, CL）構(gòu)成。VPP作為競價者參與電力市場日前交易，同時也可向配電網(wǎng)中的負(fù)荷售電。

2.1 日前計劃建模

VPP日前優(yōu)化調(diào)度的目標(biāo)為其整體利潤最高。VPP的收益包括向日前電力市場和VPP內(nèi)部負(fù)荷售電收益，VPP的成本包括從日前電力市場購電成本、MT成本、ESS成本及CL成本。其目標(biāo)函數(shù)可表示為

圖1 VPP多級優(yōu)化調(diào)度框架

2.2 約束條件

約束條件包括常規(guī)的燃?xì)廨啓C出力上下限約束、爬坡功率約束、啟停時間約束，儲能單元荷電狀態(tài)、最大充放電約束和可控負(fù)荷最大調(diào)節(jié)量約束，以及整個配網(wǎng)系統(tǒng)的潮流約束，這里不再贅述。

3 VPP日內(nèi)運行方案建模

3.1 馬爾科夫決策過程建模

VPP日內(nèi)調(diào)度方案中總體目標(biāo)是運用單元間的協(xié)調(diào)來消除日前預(yù)測的不準(zhǔn)確性，確保日前計劃的跟蹤，因此更注重各時段之間的內(nèi)在聯(lián)系，屬于隨機動態(tài)規(guī)劃問題。而隨機動態(tài)規(guī)劃是馬爾科夫鏈的擴(kuò)展，常將其建模為馬爾科夫決策過程（MDP）[19]。MDP包含六個基本要素如式（8）所示。

式中，表征狀態(tài)合集，文中為VPP中儲能單元荷電狀態(tài)（State of Charge, SOC）值；表征行動合集，文中為VPP中微型燃?xì)廨啓C、風(fēng)電輸出功率值和儲能單元的充放電功率值；表征狀態(tài)轉(zhuǎn)移函數(shù)，用(1,,2)表示狀態(tài)1經(jīng)行動指令∈轉(zhuǎn)移到狀態(tài)2的概率分布，文中為儲能當(dāng)前SOC1經(jīng)指令后到SOC2的概率分布；表征回饋函數(shù)，文中為VPP滾動優(yōu)化的目標(biāo)函數(shù)，具體建模過程見3.2小節(jié)；表征狀態(tài)1經(jīng)行動指令∈轉(zhuǎn)移到狀態(tài)2后所觀測到狀態(tài)的概率分布，文中認(rèn)為在通信正常且不丟包情況下，觀測到的狀態(tài)=2；表征求解回饋函數(shù)結(jié)果的算法，即策略，文中為超短期調(diào)度模型，是集合到集合的映射，對應(yīng)最優(yōu)值的為最優(yōu)策略，具體建模過程見3.3小節(jié)。

3.2 滾動優(yōu)化-熵值回饋函數(shù)建模

滾動優(yōu)化又稱作保優(yōu)控制，即運用VPP中調(diào)節(jié)能力較強的單元來降低因日前計劃不準(zhǔn)而導(dǎo)致最終優(yōu)化結(jié)果偏離日前計劃太多。通過VPP內(nèi)多元之間協(xié)同以對風(fēng)電和負(fù)荷的預(yù)測誤差Δwind和Δload進(jìn)行滾動修正，使兩者疊加功率偏差Δ=(Δwind-Δload)最小。為減小功率偏差及功率波動性，建立熵值模型對其進(jìn)行刻畫。在熵值中，當(dāng)熵值等于0時，表征波動最??；當(dāng)熵值等于1時，表征波動最大。按照滾動優(yōu)化30min時間尺度的設(shè)定，則在第個30min整數(shù)倍時刻，系統(tǒng)熵值()為

式中，為到時刻時，將出現(xiàn)過的功率偏差Δ值分成的個區(qū)間，這里可設(shè)定分成5個區(qū)間，即=5；Δmax_i和Δmin_i分別為區(qū)間內(nèi)出現(xiàn)Δ的最大值與最小值，以表征偏差的幅值；u為Δ值在區(qū)間內(nèi)出現(xiàn)的頻次，以表征偏差的波動率。式（9）將所關(guān)心的誤差功率偏差幅值及波動大小進(jìn)行了整合，最終以熵值表征，當(dāng)值越接近0時，代表誤差功率偏差幅值及波動越小，則在滾動優(yōu)化中保優(yōu)控制越佳；反之則越差。在個整數(shù)倍時刻，系統(tǒng)在狀態(tài)，采取策略()、經(jīng)行動{∈}后，系統(tǒng)獲取的回饋值為

式中，(+1)、()分別為第+1和個30min整數(shù)倍時刻的熵值，分別映射系統(tǒng)由-1時刻狀態(tài)轉(zhuǎn)移到狀態(tài)和從狀態(tài)轉(zhuǎn)移到+1時刻狀態(tài)的熵值。則在策略集下，系統(tǒng)不斷累積值，定義值函數(shù)并寫成遞歸形式為

因此，基于熵值回饋函數(shù)的滾動優(yōu)化目的在于結(jié)合擴(kuò)展短期預(yù)測，對日前預(yù)測誤差功率的波動進(jìn)行度量，同時通過VPP內(nèi)靈活調(diào)節(jié)單元來最大程度地減小這種誤差波動，從而使實際運行曲線偏離日前計劃的偏離量最小。

3.3 超短期模型-模糊概率策略實時反饋建模

超短期優(yōu)化又稱作實時調(diào)度，對VPP中內(nèi)部主要調(diào)節(jié)單元儲能的充放電指令在滾動優(yōu)化基礎(chǔ)上進(jìn)行實時矯正，以保證儲能充放電指令始終維持在合理水平。采用模糊理論對儲能充放電功率進(jìn)行客觀調(diào)節(jié)，考慮到模糊理論中隸屬度并不能表征變量的隨機過程，因此為求得MDP中狀態(tài)轉(zhuǎn)移概率，在模糊理論基礎(chǔ)上引入隨機理論，形成變量-模糊-隨機三位一體的模糊概率策略集，其運行流程如圖2所示。輸入變量，首先對其進(jìn)行隨機、模糊建模，分別輸出概率密度函數(shù)和模糊規(guī)則來進(jìn)行模糊推理，最后經(jīng)過反模糊化和概率計算，輸出轉(zhuǎn)移概率和策略集。因此，基于概率模糊策略集的超短期調(diào)度目的在于對儲能單元充放電功率在分辨率為0.5h的滾動優(yōu)化基礎(chǔ)上，進(jìn)行分辨率為5min的實時調(diào)節(jié)，以保證儲能SOC能夠維持在合理狀態(tài)。

圖2 概率模糊建模流程

首先對輸入變量進(jìn)行建模，這里為表征儲能是否充放電合理的變量，定義儲能充放電能力1和儲能充放電合理度2分別為

式中，SOCref為儲能SOC的參考值；SOC()為時刻儲能SOC值。為保持SOC值能夠盡量處于平衡狀態(tài)，令SOCref=(SOCmax+SOCmin)/2。當(dāng)1()=1時，則儲能有很強的放電能力；當(dāng)1()=-1時，代表儲能有很強的充電能力。ess-c()為時刻儲能待充電功率值；ess.max-c、ess.max-d分別為其最大充電、放電功率。當(dāng)2()=1時，儲能放電能力最大；當(dāng)2()=-1時，儲能充電能力最大。1()、2()作為模糊控制的兩個輸入變量，經(jīng)一定模糊規(guī)則得到模糊輸出變量，定義為儲能充放電修正功率。模糊規(guī)則制定原則如下：①當(dāng)SOC適中時，模糊規(guī)則為空集，即=0；②當(dāng)SOC較高或較低時，且當(dāng)前需要充電或放電時，基于提前設(shè)定的模糊規(guī)則對當(dāng)前功率進(jìn)行校正，模糊原則見表1。

表1 模糊原則

Tab.1 Fuzzy rules

表1中，1、2的模糊詞集同選為{nb, nm, ns, zo, ps, pm, pb}，表征{負(fù)大，負(fù)中，負(fù)小，零，正小，正中，正大}；的模糊詞集選為{vs, s, ms, mb, b, vb}，代表{非常小，小，中小，中大，大，非常大}。編制1、2、的隸屬度函數(shù)如圖3所示。

在模糊建?；A(chǔ)上加入隨機軸，對于輸入變量1、2，其對應(yīng)的隸屬度不再是單個值，而是一個隨機變量[20]。設(shè)該隨機變量服從正態(tài)分布的形式，~N(,2)。包含隨機軸在內(nèi)的三維隸屬度函數(shù)示意圖如圖4所示。由圖4可知，當(dāng)取值較小時，變量的隸屬度取值將大概率落在隸屬度曲線上，以突出邏輯中的模糊調(diào)節(jié)強度；反之，則隨機性占主導(dǎo)地位，即狀態(tài)經(jīng)策略后轉(zhuǎn)換到狀態(tài)隨機性更強。因此可以通過控制參數(shù)實現(xiàn)概率模糊策略中模糊強度和隨機強度。本文將來設(shè)定為一個較小的數(shù)以保證其模糊性，同時較小的隨機性用以產(chǎn)生狀態(tài)轉(zhuǎn)移概率。

圖3 輸入輸出隸屬度函數(shù)

圖4 概率模糊函數(shù)

綜上所述，在超短期優(yōu)化中：①首先根據(jù)儲能當(dāng)前狀態(tài)建立變量1、2，然后先后進(jìn)行模糊化和隨機化；②定義模糊規(guī)則，并根據(jù)變量1、2實際值制定模糊策略集；③經(jīng)概率模糊邏輯系統(tǒng)中模糊策略，得到儲能充放電修正功率來修正儲能行動指令；④經(jīng)概率模糊邏輯系統(tǒng)中概率計算得到概率集，即轉(zhuǎn)移概率(,,)，由于對于確定的行動指令，待轉(zhuǎn)換狀態(tài)與其一一對應(yīng)，因此MDP中(,,)=(,,)；⑤結(jié)合滾動優(yōu)化中建立的回饋函數(shù)。至此完成了MDP{,,,,,}建模過程，通過MDP實現(xiàn)了VPP兩個層級的優(yōu)化過程，即30min滾動優(yōu)化和5min超短期優(yōu)化。綜上所述，本文包含日前計劃和日內(nèi)調(diào)度的多級優(yōu)化計算流程如圖5所示。日前計劃輸出的分辨率為1h的日前計劃作為日內(nèi)調(diào)度的輸入，MDP首先根據(jù)日前計劃以及擴(kuò)展短期預(yù)測，初始化分辨率為0.5h的行動指令并代入熵值回饋值，然后通過特定策略進(jìn)行迭代，在迭代過程中同步更新超短期預(yù)測值，最終輸出日內(nèi)分辨率為5min的行動指令。

圖5 多級優(yōu)化調(diào)度計算流程

4 算例仿真計算

4.1 多級優(yōu)化調(diào)度結(jié)果及分析

VPP算例配置如圖6所示，VPP管控平臺通過不同時間尺度的預(yù)測數(shù)據(jù)及與電網(wǎng)交互信息來進(jìn)行優(yōu)化決策，下發(fā)VPP參與市場交易電量，同時下發(fā)VPP中各聚合單元的優(yōu)化指令。在優(yōu)化決策中，設(shè)定風(fēng)電與負(fù)荷日前、滾動、超短期預(yù)測的誤差分別為25%、15%、5%；=0.05；微燃機MT單位功率調(diào)節(jié)成本0.65元/(kW·h)，儲能調(diào)節(jié)成本0.3元/(kW·h)，可中斷負(fù)荷中斷成本0.2元/(kW·h)；1=0.145+j0.068，2=0.092+j0.021，3=0.051+j0.012，4=0.045+j0.008，5=0.02+j0.003。運行VPP多級調(diào)度優(yōu)化程序，VPP參與市場交易的電價信息及多級優(yōu)化曲線結(jié)果如圖7所示，可控負(fù)荷調(diào)節(jié)量、微燃機優(yōu)化調(diào)度曲線如圖8所示。

圖6 VPP算例示意圖

圖7 VPP多級優(yōu)化調(diào)度結(jié)果

圖8 微燃機及可控負(fù)荷優(yōu)化調(diào)節(jié)曲線

如圖7所示，在多級優(yōu)化中，日前計劃根據(jù)電價信息、結(jié)合VPP中各單元運行及調(diào)節(jié)成本、環(huán)境成本等，在高電價時讓VPP盡量多地參與市場，而在電價較低時，則讓VPP以從市場購電儲存為主。滾動優(yōu)化根據(jù)日內(nèi)預(yù)測對日前計劃做小范圍的修正，而超短期優(yōu)化則在滾動基礎(chǔ)上來實施反饋調(diào)節(jié)以保證VPP雙向可調(diào)節(jié)的靈活性，最終實際曲線與日前計劃接近，能夠很好地按照既定的優(yōu)化指令來執(zhí)行，從而獲得最優(yōu)運行值。圖8中，微燃機因環(huán)境成本，在儲能調(diào)節(jié)能力不足時安排了計劃出力，即在兩個電價高峰時配合VPP向外售電；而可控負(fù)荷由于其雙向調(diào)節(jié)特性，可靈活響應(yīng)電價信息，對自身進(jìn)行多用電、少用電或中斷用電，圖8中可調(diào)節(jié)負(fù)荷日前計劃調(diào)節(jié)量為正時表示少用電的量，為負(fù)表示多用電的量。

儲能單元在MDP中的概率模糊輸出策略如圖9所示。由圖9可知，儲能在超短期調(diào)度中對儲能充放電功率進(jìn)行了不同程度的模糊修正工作，以實現(xiàn)反饋調(diào)節(jié)，達(dá)到優(yōu)化儲能運行工況、平衡儲能充放電能力，最終提高VPP可調(diào)節(jié)靈活性的目標(biāo)。因為取了一個較小的值0.05，所以在概率模糊策略中，隸屬度以大概率落在了隸屬度函數(shù)曲線及鄰域內(nèi)，即保證了策略集的模糊力度。映射到圖10的儲能各級優(yōu)化曲線中，超短期調(diào)度在滾動基礎(chǔ)上進(jìn)行了頻繁的調(diào)整，最終使得實際運行曲線在整個時域內(nèi)充電與放電相對平衡。

圖9 儲能概率模糊輸出結(jié)果

圖10 儲能多級優(yōu)化調(diào)度結(jié)果

基于本文采用的多級優(yōu)化調(diào)度方案的計算結(jié)果，對MDP模型中所采用的熵值回饋函數(shù)和概率-模糊策略進(jìn)行對比討論。

4.2 熵值回饋函數(shù)效果對比分析

在分辨率為0.5h的滾動優(yōu)化中，熵值函數(shù)的目的是通過VPP中靈活可調(diào)節(jié)單位來減小因日前預(yù)測誤差帶來的功率偏差，在一定范圍內(nèi)對日前計劃進(jìn)行修正。當(dāng)回饋函數(shù)不以熵值進(jìn)行建模，而以傳統(tǒng)功率偏差的平均值為模型進(jìn)行優(yōu)化時，兩者對比結(jié)果如圖11所示。

圖11 方案對比結(jié)果

圖11中，由于采用熵值函數(shù)模型中分別計入了峰谷差值和波動性，而傳統(tǒng)平均值模型中并不能刻畫波動性與峰谷差值，因此對比中采用熵值模型一方面在跟蹤日前計劃的跟蹤能力更強，另一方面功率的波動性要小很多，兩者波動性如圖12所示。

圖12 波動性對比曲線

圖12中，采用熵值模型的波動性明顯要小，其方差為3.329，熵值為0.235；而采用傳統(tǒng)平均值模型的方差為15.234，熵值為0.673，明顯大于采用熵值模型來優(yōu)化的結(jié)果。

4.3 概率-模糊策略效果對比分析

在分辨率為5min的超短期優(yōu)化中，概率模糊策略的目的是基于儲能當(dāng)前SOC及待充放電功率大小，通過指定模糊規(guī)則，并加入隨機性，對儲能單元在滾動優(yōu)化中得到的指令進(jìn)行調(diào)整，以使其SOC值在每一次充放電后盡量維持在合理的狀態(tài)，從整個時域長度來均衡其充電和放電的能力。當(dāng)超短期調(diào)度不以概率模糊策略來建模時，兩者對比結(jié)果如圖13所示。

由圖13可知，未采用概率模糊策略對儲能充放電功率進(jìn)行實時調(diào)節(jié)，會導(dǎo)致其在跟蹤日前計劃曲線尖峰時，出現(xiàn)充放電能力不足的情況。兩種方案下儲能單元SOC曲線如圖14所示。

圖13 方案對比結(jié)果

圖14 儲能SOC對比曲線

如圖14所示，在超短期優(yōu)化中通過概率模糊策略集對儲能充放電功率進(jìn)行調(diào)節(jié)后的SOC曲線在整個時域內(nèi)比未調(diào)節(jié)的SOC曲線，整體要居中，表征其充電與放電能力相對均衡。尤其是在SOC值較高、同時需要放電時，表現(xiàn)出一定優(yōu)勢，映射了圖13中在跟蹤日前計劃尖峰功率值時刻，其跟蹤能力更強。

綜上所述，采用本文方案、未采用熵值回饋函數(shù)和未采用概率模糊策略三種方案下，VPP運行收益依次為4 819.5元、4 710.3元和4 546.8元。經(jīng)對比，本文所提出的基于MDP的多級調(diào)度能夠有效跟蹤日前計劃，從而使得VPP根據(jù)電價信息參與市場獲利最多。

5 結(jié)論

本文針對VPP提出了一種包括日前、滾動優(yōu)化和超短期調(diào)度多時間尺度多層級的優(yōu)化調(diào)度方法，具體結(jié)論如下：

1）在日內(nèi)優(yōu)化中，以MDP建模融合了滾動優(yōu)化和超短期調(diào)度兩極優(yōu)化，減小建模層級，同時又能達(dá)到多級協(xié)調(diào)、逐級細(xì)化的目的。

2）在第二級滾動優(yōu)化中，將滾動優(yōu)化目標(biāo)函數(shù)以熵值模型寫入MDP的回饋函數(shù)中，可有效減少因預(yù)測誤差導(dǎo)致的功率偏差峰谷值及波動性。

3）將超短期優(yōu)化寫入MDP的策略集中，利用概率模糊策略進(jìn)行實時反饋調(diào)節(jié)，可有效均衡儲能單元充電和放電能力，最終提升跟蹤日前計劃的能力，確保VPP整體獲益最大化。

[1]叢鵬偉, 唐巍, 婁鋮偉, 等. 含高滲透率可再生能源的主動配電網(wǎng)兩階段柔性軟開關(guān)與聯(lián)絡(luò)開關(guān)協(xié)調(diào)優(yōu)化控制[J]. 電工技術(shù)學(xué)報, 2019, 34(6): 1263-1272. Cong Pengwei, Tang Wei, Lou Chengwei, et al. Two-stage coordination optimization control of soft open point and tie switch in active distribution network with high penetration renewable energy generation[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1263-1272.

[2]潘舒揚, 李勇, 賀悝, 等. 考慮微電網(wǎng)參與的主動配電網(wǎng)分區(qū)自動電壓控制策略[J]. 電工技術(shù)學(xué)報, 2019, 34(21): 4580-4589. Pan Shuyang, Li Yong, He Li, et al. Automatic voltage control strategy based on zone-division for active distribution network with microgrids[J]. Transactions of China Electrotechnical Society, 2019, 34(21): 4580-4589.

[3]肖繁, 夏勇軍, 張侃君, 等. 含新能源接入的配電網(wǎng)網(wǎng)絡(luò)化保護(hù)原理研究[J]. 電工技術(shù)學(xué)報, 2019, 34(增刊2):709-719. Xiao Fan, Xia Yongjun, Zhang Kanjun, et al. Research on a principle of networked protection in distribution network with renewable energy sources[J]. Transactions of China Electrotechnical Society, 2019, 34(S2):709-719.

[4]熊雄, 吳鳴, 季宇, 等. 微網(wǎng)群混合協(xié)調(diào)控制及功率管理策略研究[J]. 中國電機工程學(xué)報, 2018, 38(5): 1419-1427. Xiong Xiong, Wu Ming, Ji Yu, et al. Power management and coordinated control strategy research of multi-microgrids[J]. Proceedings of the CSEE, 2018, 38(5): 1419-1427.

[5]竇曉波, 常莉敏, 倪春花, 等. 面向分布式光伏虛擬集群的有源配電網(wǎng)多級調(diào)控[J]. 電力系統(tǒng)自動化，2018, 42(3): 21-31. Dou Xiaobo, Chang Limin, Ni Chunhua, et al. Multi-level dispatching and control of active distribution network for virtual cluster of distributed photovoltaic[J]. Automation of Electric Power Systems, 2018, 42(3): 21-31.

[6]丁明, 劉先放, 畢銳, 等. 采用綜合性能指標(biāo)的高滲透率分布式電源集群劃分方法[J]. 電力系統(tǒng)自動化, 2018, 42(15): 47-52. Ding Ming, Liu Xianfang, Bi Rui, et al. Method for cluster partition of high-penetration distributed generators based on comprehensive performance index[J]. Automation of Electric Power Systems, 2018, 42(15): 47-52.

[7]麻秀范, 余思雨, 朱思嘉, 等. 基于多因素改進(jìn)Shapley的虛擬電廠利潤分配研究[J]. 電工技術(shù)學(xué)報, 2020, 10.19595/j.cnki.1000-6753.tces.191515. Ma Xiufan, Yu Siyu, Zhu Sijia, et al. Research of profit allocation to virtual power plant members based on improved multifactor shapley value method[J]. Transactions of China Electrotechnical Society, 2020, 10.19595/j.cnki.1000-6753.tces.191515.

[8]王宣元, 劉敦楠, 劉蓁, 等. 泛在電力物聯(lián)網(wǎng)下虛擬電廠運營機制及關(guān)鍵技術(shù)[J]. 電網(wǎng)技術(shù), 2019, 43(9): 3175-3183. Wang Xuanyuan, Liu Dunnan, Liu Zhen, et al. Operation mechanism and key technologies of virtual power plant under ubiquitous internet of things[J]. Power System Technology, 2019, 43(9): 3175-3183.

[9]黃昕穎, 黎建, 楊莉, 等. 基于投資組合的虛擬電廠多電源容量配置[J]. 電力系統(tǒng)自動化, 2015, 39(19): 75-81. Huang Xinying, Li Jian, Yang Li, et al. Investment portfolio based multi energy capacity allocation of virtual power plant[J]. Automation of Electric Power System, 2015, 39(19): 75-81.

[10]袁桂麗, 陳少梁, 劉穎, 等. 基于分時電價的虛擬電廠經(jīng)濟(jì)性優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2016, 40(3): 826-832. Yuan Guili, Chen Shaoliang, Liu Ying, et al. Economic optimal dispatch of virtual power plant based on time-of-use power price[J]. Power System Technology, 2016, 40(3): 826-832.

[11]張高, 王旭, 蔣傳文. 基于主從博弈的含電動汽車虛擬電廠協(xié)調(diào)調(diào)度[J]. 電力系統(tǒng)自動化, 2018, 42(11):48-55. Zhang Gao, Wang Xu, Jiang Chuanwen. Stackelberg game based coordinated dispatch of virtual power plant considering electric vehicle management[J]. Automation of Electric Power Systems, 2018, 42(11): 48-55.

[12]孫國強, 周亦洲, 衛(wèi)志農(nóng), 等. 能量和旋轉(zhuǎn)備用市場下虛擬電廠熱電聯(lián)合調(diào)度魯棒優(yōu)化模型[J]. 中國電機工程學(xué)報, 2017, 37(11): 3118-3128. Sun Guoqiang, Zhou Yizhou, Wei Zhinong, et al. Thermal and electrical scheduling of a virtual power plant for participating in energy and spinning reserve markets based on robust optimization[J]. Proceedings of the CSEE, 2017, 37(11): 3118-3128.

[13]陳妤, 衛(wèi)志農(nóng), 胥崢, 等. 電力體制改革下的多虛擬電廠聯(lián)合優(yōu)化調(diào)度策略[J]. 電力系統(tǒng)自動化, 2019, 43(7): 42-49. Chen Yu, Wwei Zhinong, Yu Zheng, et al. Optimal scheduling strategy of multiple virtual power plants under electricity market reform[J]. Automation of Electric Power Systems, 2019, 43(7): 42-49.

[14]張丙旭, 許剛. 計及需求差異的電動汽車并網(wǎng)滾動時域優(yōu)化[J]. 電力系統(tǒng)自動化, 2020, 44(13): 106-114. Zhang Bingxu, Xu Gang. Rolling horizon optimization for grid-connected electric vehicles considering demand difference[J]. Automation of Electric Power System, 2020, 44(13): 106-114.

[15]車泉輝, 婁素華, 吳耀武, 等. 計及條件風(fēng)險價值的含儲熱光熱電站與風(fēng)電電力系統(tǒng)經(jīng)濟(jì)調(diào)度[J]. 電工技術(shù)學(xué)報, 2019, 34(10): 2047-2055. Che Quanhui, Lou Suhua, Wu Yaowu, et al. Economic dispatching for power system of concentrated solar power plant with thermal energy storage and wind power considering conditional value-risk[J]. Transactions of China Electrotechnical Society, 2019, 34(10): 2047-2055.

[16]劉思源, 艾芊, 鄭建平, 等. 多時間尺度的多虛擬電廠雙層協(xié)調(diào)機制與運行策略[J]. 中國電機工程學(xué)報, 2018, 38(3): 753-761. Liu Siyuan, Ai Qian, Zheng Jianping, et al. Bi-level coordination mechanism and operation strategy of multi-time scale multiple virtual power plants[J]. Proceedings of the CSEE, 2018, 38(3): 753-761.

[17]田立亭, 程林, 郭劍波, 等. 虛擬電廠對分布式電源的管理和互動機制研究綜述[J]. 電網(wǎng)技術(shù), 2020, 44(6): 2097-2108. Tian Liting, Cheng Lin, Gu Jianbo, et al. A review on the study of management and interaction mechanism for distributed energy in virtual power plants[J]. Power System Technology, 2020, 44(6): 2097-2108.

[18]錢科軍, 袁越, 石曉丹, 等. 分布式發(fā)電的環(huán)境效益分析[J]. 中國電機工程學(xué)報, 2008, 28(29): 11-15. Qian Kejun, Yuan Yue, Shi Xiaodan, et al. Environmental benefits analysis of distributed generation[J]. Proceedings of the CSEE, 2008, 28(29): 11-15.

[19]熊雄. 微網(wǎng)群混合協(xié)調(diào)控制及其有功功率優(yōu)化研究[D].北京: 中國農(nóng)業(yè)大學(xué), 2017.

[20]Meghdadi A H, Akbarzadeh-T M R. Probabilistic fuzzy logic and probabilistic fuzzy systems[C]//The 10th IEEE International Conference on Fuzzy Systems, Melbourne, Australia, 2001: 1127-1130.

Research on Multi-Time Scale Optimal Scheduling of Virtual Power Plant Based on Real-Time Feedback of Fuzzy-Probability Strategy

Li Xiangyu Zhao Dongmei

（School of Electrical and Electronic Engineering North China Electric Power University Beijing 102206 China）

The day-ahead plan and operation scheme of virtual power plant (VPP) are the strong guarantee for realizing economic or technical benefits under its internal and external randomness. The multi-level optimization scheduling framework of VPP including day-ahead plan, rolling plan and real-time scheduling is proposed, and optimization models of different scales are established to achieve optimization robustness through the idea of ‘multi-level scheduling and step-by-step refinement’. In the day-ahead plan, a model is established with the goal of maximizing market benefits of virtual power plants. In intra-day optimization, based on the Markov decision process (MDP), the two-layer optimization of 30-min scale rolling plan and 5-min scale real-time scheduling are combined to reduce the modeling level. In the MDP model, the entropy feedback function is established to characterize the rolling optimization process, and the fuzzy-probability strategy is established to characterize the real-time optimization process to adjust the state of charge of energy storage (state of charge, SOC), which are finally effectively track the goals of day-ahead plan to maximize economic benefits. Finally, the proposed scheme was verified by calculation examples.

Virtual power plan (VPP), optimal scheduling, multi-time scale, Markov decision process (MDP), fuzzy-probability strategy

TM62; TM73

10.19595/j.cnki.1000-6753.tces.200929

國家重點研發(fā)計劃資助項目（2017YFB0902600）。

2020-07-31

2020-10-12

李翔宇 男，1988年生，博士研究生，研究方向為新能源并網(wǎng)運行及其控制。E-mail：410489024@qq.com（通信作者）

趙冬梅 女，1968年生，教授，博士生導(dǎo)師，研究方向為電力系統(tǒng)分析、穩(wěn)定和控制、電力市場及新能源并網(wǎng)運行。E-mail：zhao-dm@ncepu. edu. cn

（編輯 赫蕾）