劉華鋒，文福拴

（1.國網(wǎng)襄陽供電公司，湖北襄陽 441000；2.浙江大學(xué)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(wǎng)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(tǒng)的節(jié)能減排技術(shù)成為研究熱點[1-5]。而虛擬電廠通過智能信息系統(tǒng)集合多個分布式電源、儲能系統(tǒng)和不同類型客戶的信息，在可再生能源發(fā)電與需求側(cè)管理之間進行耦合中，發(fā)揮能源的合理調(diào)配來有效實現(xiàn)能源的高效利用[6-9]。由于系統(tǒng)面臨著可再生能源出力、負荷預(yù)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(diào)度決策帶來風(fēng)險，研究風(fēng)險約束下的虛擬電廠最優(yōu)調(diào)度策略對于提升電力系統(tǒng)穩(wěn)定性、低碳發(fā)展具有重要意義。

針對虛擬電廠的調(diào)度問題，國內(nèi)外已有較多的研究報道[10-17]。在能源互聯(lián)網(wǎng)環(huán)境中，用戶資源主要以需求響應(yīng)的形式參與電力系統(tǒng)來改變或重塑負荷曲線，以緩解可再生能源發(fā)電等不確定資源帶來的挑戰(zhàn)[18-19]。文獻[20]整合了熱電聯(lián)產(chǎn)機組、分布式電源及需求側(cè)資源，建立的VPP 調(diào)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(diào)度的影響。文獻[21]在VPP 調(diào)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(shù)量不確定性，實現(xiàn)了能源的高效利用。文獻[22]在電力市場環(huán)境下構(gòu)建了VPP 與獨立系統(tǒng)運營商（Independent System Operator，ISO）之間的能源交易框架，同時采用條件風(fēng)險價值解決了可再生能源中的不確定性，將發(fā)電量嚴重短缺的風(fēng)險限制在一定的置信水平內(nèi)。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(guī)劃的VPP 調(diào)度模型，通過條件風(fēng)險價值衡量了交易的風(fēng)險。文獻[24]考慮用戶的需求響應(yīng)，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(fēng)險尚未得到解決。文獻[25]建立了日前市場的能源價格預(yù)測模型，提出的VPP 優(yōu)化調(diào)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(fēng)險未得到描述。

本文提出一種計及風(fēng)險約束的虛擬電廠二階段最優(yōu)調(diào)度策略，以優(yōu)化VPP 的能源和備用服務(wù)調(diào)度。在第1 階段，VPP 提交日前電能市場和旋轉(zhuǎn)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(zhuǎn)備用市場的清算結(jié)果，VPP 與主電網(wǎng)進行交易，針對每個交易時段對分布式發(fā)電機組、儲能裝置和需求側(cè)靈活資源進行實時調(diào)度。利用條件風(fēng)險價值（Conditional Value-at-Risk，CVaR）量化不確定性對虛擬電廠造成的風(fēng)險，引入風(fēng)險規(guī)避加權(quán)參數(shù)β對虛擬電廠收益與風(fēng)險進行權(quán)衡，以模擬VPP 運營商在不同條件下的風(fēng)險規(guī)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(jié)構(gòu)及調(diào)度策略

本文VPP 結(jié)構(gòu)由可調(diào)度分布式電源機組、風(fēng)力發(fā)電機組、儲能裝置及參與需求響應(yīng)的用戶組成。VPP 運營商根據(jù)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(xiàn)自身利益最大化，同時參與需求響應(yīng)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(diào)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(zhuǎn)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(fā)電量之前的非預(yù)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(zhuǎn)備用市場的清算結(jié)果，在第2 階段，VPP 決定與主電網(wǎng)進行交易決策，針對每個交易時段對分布式發(fā)電機組、儲能裝置和需求側(cè)靈活資源進行實時調(diào)度決策。包括分布式電源機組（Distributed Generators，DGs）的狀態(tài)、DGs 的最佳輸出功率、實施需求響應(yīng)（Demand Response，DR）后的負荷需求、DGs 和供需資源的旋轉(zhuǎn)儲備。由于隨機變量導(dǎo)致的不確定性，VPP 在決策過程中存在一定風(fēng)險。因此，本文利用CVaR 來量化不確定性對虛擬電廠造成的風(fēng)險，引入風(fēng)險規(guī)避的加權(quán)參數(shù)β對虛擬電廠收益與風(fēng)險之間的權(quán)衡進行建模，以研究VPP 運營商在不同條件下的風(fēng)險規(guī)避行為。

2 計及風(fēng)險約束的VPP 二階段調(diào)度模型

2.1 目標函數(shù)

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

VPP 的收益fpro包括VPP 與日前市場主電網(wǎng)之間的電量交換收入、向用戶售電的收入及為電網(wǎng)提供備用服務(wù)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(fā)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(yīng)后的負荷需求為轉(zhuǎn)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(zhuǎn)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(tǒng)的運營成本；fco2為用戶參與DR 與主電網(wǎng)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(fēng)險，引入風(fēng)險規(guī)避的加權(quán)參數(shù)β對虛擬電廠收益與風(fēng)險之間的權(quán)衡進行建模，保守型運營商會選擇較大的β值來增加風(fēng)險權(quán)重，而風(fēng)險中立型運營商則偏好較高的風(fēng)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(fēng)險值；α為虛擬電廠的置信水平。

2.2 需求響應(yīng)模型

用戶通過負荷轉(zhuǎn)移與負荷削減來參與虛擬電廠的需求響應(yīng)以最小化自身的用電成本，分別采用自彈性系數(shù)和交叉彈性系數(shù)來表示可轉(zhuǎn)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(yīng)時的經(jīng)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(wǎng)購買的電力與虛擬電廠發(fā)電機組產(chǎn)生的電力能夠滿足客戶的需求，節(jié)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(wǎng)進行交易，其約束為：

3 算例與結(jié)果

為驗證本文所提調(diào)度策略的有效性，利用文獻[26]中的15 節(jié)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(shù)線性規(guī)劃模型進行求解。虛擬電廠風(fēng)力發(fā)電機組輸出功率的預(yù)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(zhuǎn)備用價格為日前電價的15%，需求響應(yīng)的彈性系數(shù)如表1 所示；DG和ESS 裝置的參數(shù)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(yīng)的彈性系數(shù)Table 1 Elastic coefficient of demand response

表2 分布式電源機組的相關(guān)參數(shù)Table 2 Relevant parameters of DGs

表3 儲能裝置的相關(guān)參數(shù)Table 3 Relevant parameters of energy storage devices

為了研究不同風(fēng)險條件下不同用戶需求響應(yīng)對VPP 調(diào)度決策的影響，考慮4 種場景進行數(shù)據(jù)分析。場景1：未考慮用戶需求響應(yīng)的虛擬電廠最優(yōu)調(diào)度；場景2：考慮用戶負荷削減的虛擬電廠最優(yōu)調(diào)度；場景3：考慮用戶負荷轉(zhuǎn)移的虛擬電廠最優(yōu)調(diào)度；場景4：同時考慮客戶用戶負荷削減與轉(zhuǎn)移的虛擬電廠最優(yōu)調(diào)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(zhuǎn)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(zhuǎn)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(shù)β對應(yīng)的VPP 的收益和VCaR值如圖3 和圖4 所示。

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

圖4 參數(shù)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(fēng)險規(guī)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(diào)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(yīng)，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(diào)度經(jīng)濟性。風(fēng)險厭惡導(dǎo)致日前市場中買賣能源交易的減少，在風(fēng)險規(guī)避情況下，相對于主網(wǎng)，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(fēng)險規(guī)避情況下的能源交易小于風(fēng)險中性情況下的能源交易，由于VPP表現(xiàn)出更為規(guī)避風(fēng)險的行為，它傾向于從DG 機組供應(yīng)負荷，以消除市場價格的波動。

設(shè)置4 個不同的β值來分析風(fēng)險規(guī)避對VPP儲量調(diào)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(zhuǎn)備用。

表4 VPP調(diào)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(yīng)會導(dǎo)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(zhuǎn)移與負荷削減來參與備用服務(wù)，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(diào)度備用增加，以減少意外情況下的切負荷，并保證系統(tǒng)可靠運行。通過增加β值，系統(tǒng)面臨的惡劣情節(jié)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(jié)語

本文提出一種計及風(fēng)險約束的虛擬電廠二階段最優(yōu)調(diào)度策略，并利用CVaR 量化了不確定性對虛擬電廠造成的風(fēng)險，同時，引入風(fēng)險規(guī)避的加權(quán)參數(shù)β對虛擬電廠收益與風(fēng)險之間的權(quán)衡進行建模，以研究VPP 運營商在不同條件下的風(fēng)險規(guī)避行為。仿真結(jié)果表明：用戶參與需求響應(yīng)可以有效提成虛擬電廠參與主網(wǎng)的市場收益，且不同類型的需求響應(yīng)行為可提高VPP 的利潤。在風(fēng)險規(guī)避的加權(quán)參數(shù)β值較低時，風(fēng)險規(guī)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(diào)度方案收益降幅增大，基于不同加權(quán)參數(shù)可為不同風(fēng)險偏好的VPP 運營商提供調(diào)度參考。