電力市場環境下虛擬電廠兩階段能量經濟優化調度

趙力航，常偉光，楊敏，楊強，秦剛華

(1. 浙江省太陽能利用及節能技術重點實驗室，浙江 杭州 311121；2. 浙江浙能技術研究院有限公司，浙江 杭州311121；3. 浙江大學 電氣工程學院，浙江 杭州 310027)

0 引言

近年來，化石燃料的大量使用和其導致的環境污染問題使得可再生能源發電技術引起了廣泛的關注[1-2]。大規模的分布式能源(distributed energy resource, DER)接入電網給電網的運行帶來了一定的影響[3-4]，因此為了更好地管理較大范圍的內的DER，虛擬電廠（virtual power plant, VPP）的概念逐漸出現并被應用[5]。本質上來說，虛擬電廠是一種管理一定范圍內DER 的技術，他聚合了一定區域內的地域分散、種類多樣的分布式電源、儲能設備（energy storage system, ESS）、可控發電機（如柴油發電機）和負荷，作為一個整體接入電網，參與電網的運行。通常來說，VPP 內部設有能量管理系統（energy management system, EMS），來實現VPP 內部的能量調度、發電預測和參與電力市場的功能[6-7]。

VPP 內部DER 發電的不確定性和波動性使得VPP 需要充分地挖掘各個單元的發電潛力，施以合適的能量協同調控策略，提高VPP 內部的資源利用率。近年來，針對VPP 的能量管理調度已有很多學者做出了大量的的研究。文獻[8]考慮了包含電價、風電出力和需求響應等不確定性因素，基于工程博弈思想進行模型的構建和簡化，最后使用粒子群優化算法求得了魯棒最優解。文獻[9]在考慮風光出力不確定性的基礎上，核算單位環境外部性成本并將其計入VPP 的單位發電成本，通過算例仿真驗證了模型的魯棒性和計算簡便性。文獻[10] 綜合考慮了VPP 中負荷聚合商、儲能設備和用戶的效益，在3 種不同的需求響應參與場景下開展了不同對象的經濟收益變化的研究，通過算例仿真驗證了所提出模型的經濟性。此外，隨著VPP 概念的不斷推廣，更多的能源載體形式也被并入VPP 的范疇之中。文獻[11]考慮了將抽水蓄能電站納入VPP 的能量調度中，并使用一種改進的快速非支配排序遺傳算法（NSGA）對所提出模型進行了求解，結果表明VPP 中的級聯水電-光伏-抽水蓄能混合發電的聯合調度可以根據節能、航運和生態的需要做出靈活的決策。文獻[12]考慮大規模DER、電動汽車接入的情況，提出了面向VPP 的負荷均衡管理策略，提出了一種分層電力調度系統完成對用電負荷的調度。最后，通過算例驗證所提出方案可以實現多類資源的有效互補。隨著中國電力市場的改革，各種類型的區域供電系統如微電網、虛擬電廠及其集群需要逐步納入市場交易中，國內外學者已針對虛擬電廠參與電力市場交易開展了廣泛研究。文獻[13]基于懲罰機制，以VPP 收益最大為目標建立了VPP 參與多類電力市場的模型，通過算例仿真驗證了所建模型的合理性，兼顧了VPP 經濟性和安全性。文獻[14]考慮到VPP 運營商與外部市場、內部資源具有雙側互動的特點，提出了一種VPP 運營商對外參與電能量市場和調峰市場、對內與各成員協作配合的內外協調競標策略，建立運營商與內部成員的多主體雙層競標模型，最后通過算例分析證明了所提策略的有效性和合理性。目前多數的文獻并沒有考慮VPP 與電力市場的交互，且未考慮電力市場的運行機制對于VPP 自身調度決策的影響，對于考慮不同電力市場規則下的VPP 調度也缺乏研究，且在實際中，VPP 的日前調度計劃制定的必要性未被充分考慮，因此本文開展的非管制電力市場環境下的VPP 能量經濟調度具有一定的現實價值和工程意義。

VPP 中存在多種不確定性源，單一的日前計劃或日內實時調度方法無法很好地兼顧虛擬電廠調度的經濟性與實時性，因此本文將VPP 的能量調度問題設置在非管制電力市場的環境下，通過電力市場交易的規則來引導VPP 進行需求響應，以VPP 的調度成本最低為目標函數，構建日前-日內兩階段的VPP 能量調度模型，使用商業求解器Gurobi 對模型進行求解，最后通過算例仿真驗證所提出模型的經濟性和可行性。

1 模型預測控制與電力市場模型

1.1 模型預測控制

VPP 的典型結構如圖1 所示。根據本文提出的模型，VPP 需要在日前依據預測信息制定次日的調度計劃，并在次日的實時調度階段跟蹤前日的計劃曲線。由于分布式能源的出力很難提前進行準確預測，在日內調度階段需要采用某種調度策略來盡可能地減少供需側不確定性對優化問題的影響。本文中所采用的日內調整策略基于模型預測控制（model predict control, MPC）。MPC 是有限時域內閉環最優控制的算法，它能夠克服一般的優化方法所難以解決的諸如參數、環境具有的時變性、非線性這樣的難題。MPC 是基于模型的，但是對于模型的要求并不高，因此在工業控制過程中得到了較好的應用[14-16]。MPC 的核心思想為：在每一個優化采樣的時刻，系統將使用當前時刻的預測值及實際測量值，基于約束條件的限制和目標函數，優化得到將來時刻的一系列最優控制決策變量。隨著采樣優化時刻的推進，更新初始狀態，采用相同的方法來重復上述的滾動優化過程。采用基于MPC的實時調度策略，能夠較好地達到策略調整的實時性和最優性。圖2 展示了MPC 方法的一般性框架。

圖1 VPP 結構示意Fig. 1 Diagram of virtual power plant

圖2 模型預測控制框架Fig. 2 Framework of model predict control

1.2 電力市場模型

非管制電力市場即放松管制的電力市場，由供需平衡來決定市場價格。國際上比較成熟的非管制電力市場案例是美國的PJM（賓夕法尼亞州-新澤西州-馬里蘭州互聯電網）電力市場，該市場保證電力服務提供商受政府監管，但他們仍然可以在自身組織的市場上出售電力。PJM 市場的組織者認為隨著發電公司的增多，購買力的批發率將下降。同時，這類市場可以為客戶提供更多選擇，讓他們選擇電力公司提供服務，將在服務提供商之間創造良性競爭，從而降低整體消費價格。在監管方面，PJM 除了受聯邦能源管理委員會（FERC）、各州公共事業管理委員會的監督外，還有獨立市場監管機構負責每年發布監管報告以改進市場設計、提高市場表現。在2016 年度報告中，該機構認為PJM 能量市場中電力批發價格基本接近邊際成本，整體上實現了有效競爭。

此外在歐洲，比利時和英國是唯一成功地完全解除對電力行業管制的國家。歐洲其他國家則維持著公私合營的混合模式，政府負責對用戶的電力監管，而私營部門則負責發電。

本文中VPP 的能量調度模型是設置在非管制電力市場環境下的，其中包括日前市場（dayahead market, DM）和日內平衡市場（intra-day balancing market, IBM）[17]。在日前市場中，市場的組織者使用受安全性約束的經濟調度模型來生成清算電價并下發給市場的參與者。市場的參與者需要在日前階段進行自身的電量-價格報價。在日前市場清算完成后，市場的參與者和組織者之間將會簽訂購/售電合同。因此，在日內實時調度階段，如果實時交易的電量與日前的不符，那么市場參與者需要承擔相應的罰款[18]。相較于日前購/售電計劃，如果臨時購買更多的電量或出售更少的電量，那么這部分電量會以高于實時電價的價格進行額外收費，否則將以低于實時電價的價格進行額外收費[19]。

2 兩階段虛擬電廠能量優化調度模型

2.1 長短期記憶神經網絡預測

VPP 需要基于預測信息在日前制定次日的最優調度計劃，因此需要對次日的風力、光伏發電和負荷數據進行預測。本文將采用長短期記憶神經網絡（long-short term memory, LSTM）對上述數據進行較高精度的預測。LSTM 是循環神經網絡（recurrent neural network, RNN）的一種，其特殊的長短期記憶選擇單元，可以用來解決“普通RNN 無法捕捉長期記憶中隱含規律”的問題[20]。因此，LSTM 很適合出力連續的時間序列，在電力系統中的應用廣泛[21-23]。

在本文的工作中，輸入到LSTM 中的數據為兩天前的真實歷史數據，輸出數據為次日一整天的出力數據，其時間分辨率為15 min?？紤]到風力發電固有的隨機性和波動性，其預測精度很難保證，因此本文假設風力發電的預測誤差滿足正態分布[24]。本文使用某地區一年的歷史數據（時間間隔為5 min）訓練網絡使其學習時間序列的內在規律，為了方便網絡學習，數據在使用前進行了歸一化處理。預測結果如圖3 所示。

圖3 預測數據Fig. 3 Forecasting data

2.2 數學模型

2.2.1 日前階段

在日前階段，VPP 需要根據預測信息來進行本地的能量優化調度，制定出次日的最優運行計劃，并將次日的購/售電計劃上報給市場組織者。

（2）約束條件。

在日前階段，約束條件主要包括功率平衡約束、設備出力上下限約束、DG 爬坡約束、ESS 荷電狀態（state of charge, SoC）約束、聯絡線功率上下限約束。

①功率平衡約束為

④ESS 的SoC 約束為

2.2.2 日內階段

在日內階段，VPP 需要根據當前的實時信息和預測信息，針對日前計劃進行實時調整，消除預測誤差的同時，盡可能地跟蹤日前計劃曲線以減少來自電力市場的罰款。

（1）目標函數為

日內平衡市場會對超出日前購電計劃或低于日前售電計劃的電量以高于實時電價的價格進行罰款，φ為控制罰款價格的參數；對低于日前購電計劃或超出日前售電的電量以低于實時電價的價格進行罰款，ω為控制罰款價格的參數。

（2）約束條件。

與日前階段相似，約束主要包括功率平衡約束、設備的出力上下限約束、DG 爬坡約束、ESS 的荷電狀態約束、聯絡線功率上下限約束。需要指出的是，在日內階段，在一個優化時間窗口[t,t+M-1]內，在t時刻的負荷、光伏發電、風力發電的出力值采用的是真實值，其余時刻則采用的是預測值。

①功率平衡約束為其中SoC 的計算方式參照式（8）。

⑤聯絡線功率上下限約束為

本文所建立的模型的求解流程如圖4 所示。

圖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 相關數據

本文考慮的虛擬電廠由1 個700 kW 的風電場、1 個1 000 kW 的光伏電站、1 個500 kW 的柴油發電機、1 個容量為5 000 kW·h 的儲能設備和總額為1 800 kW 的負荷組成[25]。

3.2 虛擬電廠日前最優調度計劃

日前階段，虛擬電廠各個設備運行計劃如圖5 a)所示，日內電價和儲能設備SoC 變化如圖5 b)所示。

圖5 中光伏發電和風力發電之間的部分是凈負荷。對于虛擬電廠來講，其日前最優調度計劃的制定主要取決于市場電價和凈負荷的大小。如果當前時刻的電價較低，如10:00—12:00，此時虛擬電廠對比柴油發電機組和儲能設備出力成本與電網電價，傾向于從電網購電，否則儲能設備和柴油發電機將會出力來維持虛擬電廠內部的功率平衡（如20:00—22:00）。此外，當電價較高的時刻，虛擬電廠會選擇將多余的電量包括儲能中儲存的電量出售以降低整體的運行成本（如04:00—08:00）。觀察儲能設備的SoC 曲線也可以看出，儲能設備所起的作用是將多余的發電量進行時間上的平移，即將過剩的電量存儲起來，在新能源發電量不足的時候對外放電，降低了購電成本。從圖5 b)中也可以看出其變化趨勢較為平緩，說明虛擬電廠內部的各個單元能夠達到協同互補的效果，其管轄范圍內的分布式資源得到了很好的利用。

圖5 虛擬電廠日前調度結果Fig. 5 Day-ahead scheduling solution for VPP

3.3 虛擬電廠日內調整計劃

圖6 展示了日內階段虛擬電廠各個單元的出力相較于日前計劃的調整，從圖6 a) 可以看出，日內的交易計劃大致上完成了對日前計劃的跟蹤。在日內階段，實際的風電出力、光伏出力和負荷的數值與日前預測結果存在偏差，因此虛擬電廠需要協同調節內部儲能設備和可控柴油發電機的出力來消除出現的凈負荷波動，同時盡可能跟蹤日前交易計劃以減少IBM 的罰款。虛擬電廠對日前計劃的調整和當前時刻的IBM 電價和凈負荷波動有著直接的聯系，08:00—12:00，虛擬電廠對于交易計劃的調整較大，因為此時的IBM 電價較低，直接承擔罰款相較于調節設備出力更為劃算。而在IBM 電價較高的0 5:0 0—06:00 和18:00—20:00，虛擬電廠對于交易計劃的調整較少，而是由儲能設備和柴油發電機協調彌補凈負荷出現的波動，以減少整體運行成本。

圖6 日內調整計劃結果Fig. 6 Results of the intra-day redispatch

此外，對于儲能設備的調整并沒有完全呈現出與調整交易計劃相似的趨勢，在某些時刻其調整幅度較大（如12:00、12:15、12:30、12:45、16:00），出現這種現象的原因是儲能設備受式（15）（16）的約束，需要在一天的始末保持相同的SoC，因此會在某些時刻選擇充/放電來維持自身電量，從而能夠滿足其電量約束。

3.4 經濟性評估

為評估所提出方法的經濟性，本文隨機抽取了一年中10 天的運行數據進行仿真，并與以下2 種方法的總調度成本進行對比。

（1）假設虛擬電廠知曉次日分布式能源出力和負荷的真實數據，并制定全局最優調度計劃。

（2）虛擬電廠只根據日前預測信息制定日前最優調度計劃，日內針對儲能設備和柴油發電機的出力不做任何調整，只調整與電網的交易計劃來滿足日內出現的凈負荷波動，承擔IBM 的罰款。

圖7 展示了在所抽取的10 天中3 種方法運行成本的對比?？偟某杀景? 個部分：DG 成本、ESS 成本、IBM 罰款和DM 交易費用。整體的調度成本可以理解為設備成本（DG 和ESS 成本）和電力市場交易成本（IBM 罰款和DM 交易成本）。DG 和ESS 成本指的是在經過日前和日內階段的調度之后兩種設備實際所產生的成本。VPP 與電力市場的交易結算是兩階段的，其中IBM 罰款指的是在日內階段因為與電網的交易電量與日前計劃不符所產生的相關罰款；DM 交易費用是指在日前階段與電力市場簽訂的次日購/售電合約中的電量所產生的交易費用。

圖7 經濟性評估Fig. 7 Economic performance

總體來看，方法1 對應的運行成本是最低的，這是因為方法1 中無預測信息的誤差，所制定的運行調度計劃是全局最優的，方法2 的成本是最高的。對比本文提出的方法和方法2 可以看出，本文方法對應的儲能設備和柴油發電機對應的成本要高于方法2，而IBM 罰款一般低于方法2，這是因為方法2 在日內階段沒有主動的調整，而本文所提出的方法通過日內階段使用模型預測控制策略來協同虛擬電廠內部的設備，依據IBM 電價和凈負荷波動的大小，在必要的時刻調整儲能設備和柴油發電機的出力，盡可能地降低IBM 的罰款，減少總體的運行成本。然而需要指出的是，在某些天（如第1 天、第7 天）本文提出的方法對應的總體運行成本反而高于方法2 對應的成本，出現這種現象的原因是本文提出的方法在日內階段的調整仍然是基于日內預測信息的，因此在某些天如果可再生能源出力波動過大會造成算法無法求得最優結果，即運行成本反而在日內調整過后不減反增。

4 結論

本文針對虛擬電廠提出了一種非管制電力市場環境下的兩階段能量經濟優化調度方法。該方法分為日前計劃和日內調整2 部分。在日前階段，基于對次日可再生能源出力和負荷的預測，虛擬電廠制定次日最優運行計劃并與電力市場簽訂協議作為次日的運行計劃參考。在日內階段，以日前提交的運行計劃為基準，基于模型預測控制調控策略，協調虛擬電廠內部的設備以平衡預測誤差導致的凈負荷波動，同時盡可能降低IBM 罰款和總體的運行成本。仿真實驗表明了通過日前計劃和日內調控，虛擬電廠能夠很好地管理管轄范圍內的可再生能源，提高其利用效率，降低總體的運行成本。與2 種其他方法的對比實驗顯示出本文所提出算法的經濟性和實用性，此外本文考慮了實際的電力市場背景下虛擬電廠的調度問題，具備一定的工程實際意義。本文所考慮的虛擬電廠規模較小，涵蓋的能源形式略顯不足，將更多的能源形式（氫能、水能、天然氣等）納入虛擬電廠的范疇中并參與電網調度，是需要進一步研究的內容。