计及风险约束的虚拟电厂二阶段最优调度策略研究

刘华锋，文福拴

（1.国网襄阳供电公司，湖北襄阳 441000；2.浙江大学海南研究院，海南三亚 572000）

0 引言

随着“双碳”目标的提出，可再生能源在电网的渗透率将不断增加以降低缓解能源危机、降低碳排放，电力系统的节能减排技术成为研究热点[1-5]。而虚拟电厂通过智能信息系统集合多个分布式电源、储能系统和不同类型客户的信息，在可再生能源发电与需求侧管理之间进行耦合中，发挥能源的合理调配来有效实现能源的高效利用[6-9]。由于系统面临着可再生能源出力、负荷预测误差及能源价格等多重不确定性，参与电力市场会给虚拟电厂（Virtual Power Plant，VPP）的调度决策带来风险，研究风险约束下的虚拟电厂最优调度策略对于提升电力系统稳定性、低碳发展具有重要意义。

针对虚拟电厂的调度问题，国内外已有较多的研究报道[10-17]。在能源互联网环境中，用户资源主要以需求响应的形式参与电力系统来改变或重塑负荷曲线，以缓解可再生能源发电等不确定资源带来的挑战[18-19]。文献[20]整合了热电联产机组、分布式电源及需求侧资源，建立的VPP 调度模型以最大收益为目标，分析了不确定性因素下用户对VPP 调度的影响。文献[21]在VPP 调度策略中考虑了电动汽车的分布式移动电源作用，将电动汽车的充电和放电功率整合到电力市场、日前能量和储备中，考虑了电动汽车的到达和离开时间、电池可用时剩余的电量及电动汽车数量不确定性，实现了能源的高效利用。文献[22]在电力市场环境下构建了VPP 与独立系统运营商（Independent System Operator，ISO）之间的能源交易框架，同时采用条件风险价值解决了可再生能源中的不确定性，将发电量严重短缺的风险限制在一定的置信水平内。文献[23]利用场景法模拟了分布式电源出力和电价的不确定性，提出一种两阶段随机规划的VPP 调度模型，通过条件风险价值衡量了交易的风险。文献[24]考虑用户的需求响应，提出VPP 的能源管理策略，描述了电价和分布式电源的不确定性，但能源管理问题中的不确定性风险尚未得到解决。文献[25]建立了日前市场的能源价格预测模型，提出的VPP 优化调度模型有效解决了能源价格和负荷需求的不确定性，但虚拟电厂运营商决策的不确定风险未得到描述。

本文提出一种计及风险约束的虚拟电厂二阶段最优调度策略，以优化VPP 的能源和备用服务调度。在第1 阶段，VPP 提交日前电能市场和旋转备用市场中每个交易时段的投标参量；在第2 阶段，基于日前电能市场和旋转备用市场的清算结果，VPP 与主电网进行交易，针对每个交易时段对分布式发电机组、储能装置和需求侧灵活资源进行实时调度。利用条件风险价值（Conditional Value-at-Risk，CVaR）量化不确定性对虚拟电厂造成的风险，引入风险规避加权参数β对虚拟电厂收益与风险进行权衡，以模拟VPP 运营商在不同条件下的风险规避行为。最后通过算例仿真验证了本文所提方法的有效性。

1 VPP结构及调度策略

本文VPP 结构由可调度分布式电源机组、风力发电机组、储能装置及参与需求响应的用户组成。VPP 运营商根据能源供需信息、电价及可再生能源出力等信息进行交易决策以实现自身利益最大化，同时参与需求响应的用户能够通过管理智能家用电器的使用来减少电费，在VPP 运营商决策时需进行考虑。

本文所提出的调度策略分2 个阶段进行，在第1 阶段，VPP 提交第2 日日前市场和旋转备用市场能源和储备的每小时投标决策。这一阶段，在了解未来市场价格、负荷需求和可再生能源发电量之前的非预期下做出决策，得出日前每个交易时段的投标参量。基于日前电能市场和旋转备用市场的清算结果，在第2 阶段，VPP 决定与主电网进行交易决策，针对每个交易时段对分布式发电机组、储能装置和需求侧灵活资源进行实时调度决策。包括分布式电源机组（Distributed Generators，DGs）的状态、DGs 的最佳输出功率、实施需求响应（Demand Response，DR）后的负荷需求、DGs 和供需资源的旋转储备。由于随机变量导致的不确定性，VPP 在决策过程中存在一定风险。因此，本文利用CVaR 来量化不确定性对虚拟电厂造成的风险，引入风险规避的加权参数β对虚拟电厂收益与风险之间的权衡进行建模，以研究VPP 运营商在不同条件下的风险规避行为。

2 计及风险约束的VPP 二阶段调度模型

2.1 目标函数

本文以VPP 的收益最大化为目标，目标函数F包括VPP 的收益fpro、运营成本fco和不确定性对VPP 造成的风险fris，表示为：

VPP 的收益fpro包括VPP 与日前市场主电网之间的电量交换收入、向用户售电的收入及为电网提供备用服务的收入，可以表示为：

式中:NT,NJ,NS,NG分别为时段、用户、场景和分布式电源机组的集合；ξs为情景s的发生概率；为时段t在日前市场中虚拟电厂出售的总有功功率；为时段t在日前市场中VPP 售电电价；为时段t用户j在情景s下参与需求响应后的负荷需求为转移的有功功率；ρj,t,s为时段t用户j在情景s下的电价；为时段t分布式电源i向上/向下旋转的售电竞标电价；为时段t分布式电源i提供的上旋/下旋备用电量。

VPP 的运营成本fco由2 部分组成，即fco=fco1+fco2。其中，fco1为分布式电源及储能系统的运营成本；fco2为用户参与DR 与主电网提供的备用成本，表示为：

本文利用CVaR 量值为VCaR来量化不确定性对虚拟电厂造成的风险，引入风险规避的加权参数β对虚拟电厂收益与风险之间的权衡进行建模，保守型运营商会选择较大的β值来增加风险权重，而风险中立型运营商则偏好较高的风险以获得更高的利润。可以表示为：

式中：ηs,ζ分别为计算VCaR的辅助变量和风险值；α为虚拟电厂的置信水平。

2.2 需求响应模型

用户通过负荷转移与负荷削减来参与虚拟电厂的需求响应以最小化自身的用电成本，分别采用自弹性系数和交叉弹性系数来表示可转移负荷和可削减负荷对价格的敏感性，即：

用户通过负荷削减与负荷削减参与需求响应时的经济模型可以表示为：

2.3 约束条件

1）功率平衡约束：

为确保从主电网购买的电力与虚拟电厂发电机组产生的电力能够满足客户的需求，节点n处功率平衡约束可描述为：

3）分布式电源运行约束：

5）虚拟电厂电量交易约束：

虚拟电厂可将自身剩余/短缺电力通过出售和购买电力与主电网进行交易，其约束为：

3 算例与结果

为验证本文所提调度策略的有效性，利用文献[26]中的15 节点虚拟电厂拓扑进行仿真分析，并采用Matlab+Yalmip/Cplex 对本文所提混合整数线性规划模型进行求解。虚拟电厂风力发电机组输出功率的预测值详见文献[20]。日前电价及负荷需求如图1 所示。将日负荷曲线分为3 个不同的时段，即谷底时段（00:00—5:00）、平时段（5:00—10:00，16:00—19:00 和22:00—24:00）和高峰时段（11:00—15:00和20:00—22:00），上升和下降旋转备用价格为日前电价的15%，需求响应的弹性系数如表1 所示；DG和ESS 装置的参数分别如表2 和表3 所示。

图1 日前电价及负荷需求Fig.1 Day-ahead electricity price and load demand

表1 需求响应的弹性系数Table 1 Elastic coefficient of demand response

表2 分布式电源机组的相关参数Table 2 Relevant parameters of DGs

表3 储能装置的相关参数Table 3 Relevant parameters of energy storage devices

为了研究不同风险条件下不同用户需求响应对VPP 调度决策的影响，考虑4 种场景进行数据分析。场景1：未考虑用户需求响应的虚拟电厂最优调度；场景2：考虑用户负荷削减的虚拟电厂最优调度；场景3：考虑用户负荷转移的虚拟电厂最优调度；场景4：同时考虑客户用户负荷削减与转移的虚拟电厂最优调度。

4 种场景下虚拟电厂用户的负荷需求分布如图2 所示。

图2 4种场景下的负荷需求分布Fig.2 Load demand distribution in four scenarios

从图2 可知，场景2 中用户在高峰时段的负荷需求减少，以减少电费，但其他时段没有变化；场景3 中用户在高峰时段减少用电量，并将部分消费转移到其他时段，尤其是低谷时段。由于用户每日的能源需求不变，通过负荷转移来改变能源消耗模式，从而可以降低用电成本。

不同场景下参数β对应的VPP 的收益和VCaR值如图3 和图4 所示。

图3 参数β 下的VPP收益情况Fig.3 VPP revenue corresponding to β in four scenarios

图4 参数β 下的VCaR 值Fig.4 VCaR value corresponding to β in four scenarios

从图3 和图4 可知，VPP 的收益在随着β的增加而减少。在β值较低时，风险规避对VPP 的收益和VCaR的影响较小，而在β值较高的情况下，所有场景下的调度方案收益降幅增大。相对于其他场景，在场景4 中，由于综合考虑了用户的需求响应，所以该场景相对于其他场景的收益最高，且VCaR值最低，具有较好的调度经济性。风险厌恶导致日前市场中买卖能源交易的减少，在风险规避情况下，相对于主网，VPP 倾向于从其本地DG 机组购电来满足更多的负荷需求。因此，风险规避情况下的能源交易小于风险中性情况下的能源交易，由于VPP表现出更为规避风险的行为，它倾向于从DG 机组供应负荷，以消除市场价格的波动。

设置4 个不同的β值来分析风险规避对VPP储量调度的影响，表4 为4 种场景下DG 和用户DR提供的总上升和下降旋转备用。

表4 VPP调度的能源备用情况Table 4 Energy reserves with VPP

从表4 可知，在所有场景下，用户通过参与需求响应会导致分布式机组备用的减少。然而，在场景4 中，用户可通过负荷转移与负荷削减来参与备用服务，从而对备用供电的影响大于其他场景。此外，在β值较大的情况下，整个调度备用增加，以减少意外情况下的切负荷，并保证系统可靠运行。通过增加β值，系统面临的恶劣情节将减少，从而缓解虚拟电厂所面临的多重不确定性影响。

4 结语

本文提出一种计及风险约束的虚拟电厂二阶段最优调度策略，并利用CVaR 量化了不确定性对虚拟电厂造成的风险，同时，引入风险规避的加权参数β对虚拟电厂收益与风险之间的权衡进行建模，以研究VPP 运营商在不同条件下的风险规避行为。仿真结果表明：用户参与需求响应可以有效提成虚拟电厂参与主网的市场收益，且不同类型的需求响应行为可提高VPP 的利润。在风险规避的加权参数β值较低时，风险规避对VPP 的收益和CVaR 的影响较小，而在β值较高的情况下，所有场景下的调度方案收益降幅增大，基于不同加权参数可为不同风险偏好的VPP 运营商提供调度参考。