計及風險約束的虛擬電廠二階段最優調度策略研究

劉華鋒，文福拴

（1.國網襄陽供電公司，湖北襄陽 441000；2.浙江大學海南研究院，海南三亞 572000）

0 引言

隨著“雙碳”目標的提出，可再生能源在電網的滲透率將不斷增加以降低緩解能源危機、降低碳排放，電力系統的節能減排技術成為研究熱點[1-5]。而虛擬電廠通過智能信息系統集合多個分布式電源、儲能系統和不同類型客戶的信息，在可再生能源發電與需求側管理之間進行耦合中，發揮能源的合理調配來有效實現能源的高效利用[6-9]。由于系統面臨著可再生能源出力、負荷預測誤差及能源價格等多重不確定性，參與電力市場會給虛擬電廠（Virtual Power Plant，VPP）的調度決策帶來風險，研究風險約束下的虛擬電廠最優調度策略對于提升電力系統穩定性、低碳發展具有重要意義。

針對虛擬電廠的調度問題，國內外已有較多的研究報道[10-17]。在能源互聯網環境中，用戶資源主要以需求響應的形式參與電力系統來改變或重塑負荷曲線，以緩解可再生能源發電等不確定資源帶來的挑戰[18-19]。文獻[20]整合了熱電聯產機組、分布式電源及需求側資源，建立的VPP 調度模型以最大收益為目標，分析了不確定性因素下用戶對VPP 調度的影響。文獻[21]在VPP 調度策略中考慮了電動汽車的分布式移動電源作用，將電動汽車的充電和放電功率整合到電力市場、日前能量和儲備中，考慮了電動汽車的到達和離開時間、電池可用時剩余的電量及電動汽車數量不確定性，實現了能源的高效利用。文獻[22]在電力市場環境下構建了VPP 與獨立系統運營商（Independent System Operator，ISO）之間的能源交易框架，同時采用條件風險價值解決了可再生能源中的不確定性，將發電量嚴重短缺的風險限制在一定的置信水平內。文獻[23]利用場景法模擬了分布式電源出力和電價的不確定性，提出一種兩階段隨機規劃的VPP 調度模型，通過條件風險價值衡量了交易的風險。文獻[24]考慮用戶的需求響應，提出VPP 的能源管理策略，描述了電價和分布式電源的不確定性，但能源管理問題中的不確定性風險尚未得到解決。文獻[25]建立了日前市場的能源價格預測模型，提出的VPP 優化調度模型有效解決了能源價格和負荷需求的不確定性，但虛擬電廠運營商決策的不確定風險未得到描述。

本文提出一種計及風險約束的虛擬電廠二階段最優調度策略，以優化VPP 的能源和備用服務調度。在第1 階段，VPP 提交日前電能市場和旋轉備用市場中每個交易時段的投標參量；在第2 階段，基于日前電能市場和旋轉備用市場的清算結果，VPP 與主電網進行交易，針對每個交易時段對分布式發電機組、儲能裝置和需求側靈活資源進行實時調度。利用條件風險價值（Conditional Value-at-Risk，CVaR）量化不確定性對虛擬電廠造成的風險，引入風險規避加權參數β對虛擬電廠收益與風險進行權衡，以模擬VPP 運營商在不同條件下的風險規避行為。最后通過算例仿真驗證了本文所提方法的有效性。

1 VPP結構及調度策略

本文VPP 結構由可調度分布式電源機組、風力發電機組、儲能裝置及參與需求響應的用戶組成。VPP 運營商根據能源供需信息、電價及可再生能源出力等信息進行交易決策以實現自身利益最大化，同時參與需求響應的用戶能夠通過管理智能家用電器的使用來減少電費，在VPP 運營商決策時需進行考慮。

本文所提出的調度策略分2 個階段進行，在第1 階段，VPP 提交第2 日日前市場和旋轉備用市場能源和儲備的每小時投標決策。這一階段，在了解未來市場價格、負荷需求和可再生能源發電量之前的非預期下做出決策，得出日前每個交易時段的投標參量?；谌涨半娔苁袌龊托D備用市場的清算結果，在第2 階段，VPP 決定與主電網進行交易決策，針對每個交易時段對分布式發電機組、儲能裝置和需求側靈活資源進行實時調度決策。包括分布式電源機組（Distributed Generators，DGs）的狀態、DGs 的最佳輸出功率、實施需求響應（Demand Response，DR）后的負荷需求、DGs 和供需資源的旋轉儲備。由于隨機變量導致的不確定性，VPP 在決策過程中存在一定風險。因此，本文利用CVaR 來量化不確定性對虛擬電廠造成的風險，引入風險規避的加權參數β對虛擬電廠收益與風險之間的權衡進行建模，以研究VPP 運營商在不同條件下的風險規避行為。

2 計及風險約束的VPP 二階段調度模型

2.1 目標函數

本文以VPP 的收益最大化為目標，目標函數F包括VPP 的收益fpro、運營成本fco和不確定性對VPP 造成的風險fris，表示為：

VPP 的收益fpro包括VPP 與日前市場主電網之間的電量交換收入、向用戶售電的收入及為電網提供備用服務的收入，可以表示為：

式中:NT,NJ,NS,NG分別為時段、用戶、場景和分布式電源機組的集合；ξs為情景s的發生概率；為時段t在日前市場中虛擬電廠出售的總有功功率；為時段t在日前市場中VPP 售電電價；為時段t用戶j在情景s下參與需求響應后的負荷需求為轉移的有功功率；ρj,t,s為時段t用戶j在情景s下的電價；為時段t分布式電源i向上/向下旋轉的售電競標電價；為時段t分布式電源i提供的上旋/下旋備用電量。

VPP 的運營成本fco由2 部分組成，即fco=fco1+fco2。其中，fco1為分布式電源及儲能系統的運營成本；fco2為用戶參與DR 與主電網提供的備用成本，表示為：

本文利用CVaR 量值為VCaR來量化不確定性對虛擬電廠造成的風險，引入風險規避的加權參數β對虛擬電廠收益與風險之間的權衡進行建模，保守型運營商會選擇較大的β值來增加風險權重，而風險中立型運營商則偏好較高的風險以獲得更高的利潤?？梢员硎緸椋?/p>

式中：ηs,ζ分別為計算VCaR的輔助變量和風險值；α為虛擬電廠的置信水平。

2.2 需求響應模型

用戶通過負荷轉移與負荷削減來參與虛擬電廠的需求響應以最小化自身的用電成本，分別采用自彈性系數和交叉彈性系數來表示可轉移負荷和可削減負荷對價格的敏感性，即：

用戶通過負荷削減與負荷削減參與需求響應時的經濟模型可以表示為：

2.3 約束條件

1）功率平衡約束：

為確保從主電網購買的電力與虛擬電廠發電機組產生的電力能夠滿足客戶的需求，節點n處功率平衡約束可描述為：

3）分布式電源運行約束：

5）虛擬電廠電量交易約束：

虛擬電廠可將自身剩余/短缺電力通過出售和購買電力與主電網進行交易，其約束為：

3 算例與結果

為驗證本文所提調度策略的有效性，利用文獻[26]中的15 節點虛擬電廠拓撲進行仿真分析，并采用Matlab+Yalmip/Cplex 對本文所提混合整數線性規劃模型進行求解。虛擬電廠風力發電機組輸出功率的預測值詳見文獻[20]。日前電價及負荷需求如圖1 所示。將日負荷曲線分為3 個不同的時段，即谷底時段（00:00—5:00）、平時段（5:00—10:00，16:00—19:00 和22:00—24:00）和高峰時段（11:00—15:00和20:00—22:00），上升和下降旋轉備用價格為日前電價的15%，需求響應的彈性系數如表1 所示；DG和ESS 裝置的參數分別如表2 和表3 所示。

圖1 日前電價及負荷需求Fig.1 Day-ahead electricity price and load demand

表1 需求響應的彈性系數Table 1 Elastic coefficient of demand response

表2 分布式電源機組的相關參數Table 2 Relevant parameters of DGs

表3 儲能裝置的相關參數Table 3 Relevant parameters of energy storage devices

為了研究不同風險條件下不同用戶需求響應對VPP 調度決策的影響，考慮4 種場景進行數據分析。場景1：未考慮用戶需求響應的虛擬電廠最優調度；場景2：考慮用戶負荷削減的虛擬電廠最優調度；場景3：考慮用戶負荷轉移的虛擬電廠最優調度；場景4：同時考慮客戶用戶負荷削減與轉移的虛擬電廠最優調度。

4 種場景下虛擬電廠用戶的負荷需求分布如圖2 所示。

圖2 4種場景下的負荷需求分布Fig.2 Load demand distribution in four scenarios

從圖2 可知，場景2 中用戶在高峰時段的負荷需求減少，以減少電費，但其他時段沒有變化；場景3 中用戶在高峰時段減少用電量，并將部分消費轉移到其他時段，尤其是低谷時段。由于用戶每日的能源需求不變，通過負荷轉移來改變能源消耗模式，從而可以降低用電成本。

不同場景下參數β對應的VPP 的收益和VCaR值如圖3 和圖4 所示。

圖3 參數β 下的VPP收益情況Fig.3 VPP revenue corresponding to β in four scenarios

圖4 參數β 下的VCaR 值Fig.4 VCaR value corresponding to β in four scenarios

從圖3 和圖4 可知，VPP 的收益在隨著β的增加而減少。在β值較低時，風險規避對VPP 的收益和VCaR的影響較小，而在β值較高的情況下，所有場景下的調度方案收益降幅增大。相對于其他場景，在場景4 中，由于綜合考慮了用戶的需求響應，所以該場景相對于其他場景的收益最高，且VCaR值最低，具有較好的調度經濟性。風險厭惡導致日前市場中買賣能源交易的減少，在風險規避情況下，相對于主網，VPP 傾向于從其本地DG 機組購電來滿足更多的負荷需求。因此，風險規避情況下的能源交易小于風險中性情況下的能源交易，由于VPP表現出更為規避風險的行為，它傾向于從DG 機組供應負荷，以消除市場價格的波動。

設置4 個不同的β值來分析風險規避對VPP儲量調度的影響，表4 為4 種場景下DG 和用戶DR提供的總上升和下降旋轉備用。

表4 VPP調度的能源備用情況Table 4 Energy reserves with VPP

從表4 可知，在所有場景下，用戶通過參與需求響應會導致分布式機組備用的減少。然而，在場景4 中，用戶可通過負荷轉移與負荷削減來參與備用服務，從而對備用供電的影響大于其他場景。此外，在β值較大的情況下，整個調度備用增加，以減少意外情況下的切負荷，并保證系統可靠運行。通過增加β值，系統面臨的惡劣情節將減少，從而緩解虛擬電廠所面臨的多重不確定性影響。

4 結語

本文提出一種計及風險約束的虛擬電廠二階段最優調度策略，并利用CVaR 量化了不確定性對虛擬電廠造成的風險，同時，引入風險規避的加權參數β對虛擬電廠收益與風險之間的權衡進行建模，以研究VPP 運營商在不同條件下的風險規避行為。仿真結果表明：用戶參與需求響應可以有效提成虛擬電廠參與主網的市場收益，且不同類型的需求響應行為可提高VPP 的利潤。在風險規避的加權參數β值較低時，風險規避對VPP 的收益和CVaR 的影響較小，而在β值較高的情況下，所有場景下的調度方案收益降幅增大，基于不同加權參數可為不同風險偏好的VPP 運營商提供調度參考。