考虑碳排放权价格随机性的虚拟电厂双阶段优化调度方法与流程

1.本发明涉及虚拟电厂技术领域，具体涉及一种考虑碳排放权价格随机性的虚拟电厂双阶段优化调度方法。


背景技术：

[0002]“碳达峰”和“碳中和”背景下，实现电力系统低碳经济运行意义重大，虚拟电厂通过聚合多种可调度资源，是解决新能源消纳问题与提高能源利用率的有效途径之一，而在碳排放权市场化交易背景下，综合考虑碳排放权价格、新能源出力随机性等碳排放权价格随机性对虚拟电厂运营的经济效益具有重要意义。
[0003]
现有的虚拟电厂双阶段优化调度通常分为确定性模型和随机模型，确定性模型通常根据事先对风电出力和负荷的预测值对系统内的设备进行出力调度，调度计划没有考虑风电出力等随机因素的波动，使得实际运行时机组出力与计划出力安排有较大出入。而目前的随机模型通常仅考虑风电出力随机或者负荷的随机性，未考虑碳排放权市场化交易背景下碳排放权价格的随机性。


技术实现要素：

[0004]
为较为全面的考虑碳排放权价格及新能源出力的不确定性对虚拟电厂调度所造成的影响，使调度结果所得运行成本更加贴近实际情况，本发明结合风
‑
光
‑
碳捕集虚拟电厂联合运行和鲁棒优化的优点，充分考虑碳排放权市场化交易背景下碳排放权价格的随机性，提出一种考虑碳排放权价格随机性的虚拟电厂双阶段优化调度方法。构建不确定性碳排放价格和风电出力的不确定集，并应用鲁棒优化方法进行求解。降低了由于不确定性因素的随机变动而造成的系统运行风险。增强系统的鲁棒性，提升风电消纳能力的同时大幅降低了碳排放水平；与确定性模型相比运行收益虽有所降低，但充分考虑了碳排放价格和风电出力的不确定性给系统运行带来的风险问题，为决策人员在权衡收益和风险过程中提供参考依据。
[0005]
为了解决上述问题，本发明采用下述技术方案：一种考虑碳排放权价格随机性的虚拟电厂双阶段优化调度方法，主要包括以下步骤：s1、分别获取目标电力系统在运行过程中对应用户总负荷曲线、新能源电源出力曲线以及光照强度曲线的时间序列；s2、构建碳排放权价格和风电出力的不确定集；s3、建立考虑碳排放权价格随机性的风
‑
光
‑
碳捕集虚拟电厂双阶段优化调度模型；第一阶段确定碳排放权价格、风电日前预测场景下，碳捕集机组、光热电站出力、风电机组出力状态；第二阶段基于第一阶段的优化结果，以碳交易成本最小为目标，通过再调节能够使碳捕集机组、光热电站出力快速响应，考虑当前调度方案中预测误差最大的极端实时风电和碳排放权价格波动场景，然后返回给第一阶段，计算得到的最优日前调度策
略将包含各种极端场景；最终，得到不影响日前调度模型；s4、调整目标电力系统的新能源电源出力、碳捕集机组出力以及光热电站出力，实现风
‑
光
‑
碳捕集虚拟电厂协调优化运行。
[0006]
进一步优选，步骤s2中，采用随机变量的期望和协方差矩阵分别对碳排放权价格和风电出力的不确定集进行刻画；碳排放权价格的不确定集刻画见表达式(1)，式中，d
c
为碳排放权价格不确定集，为碳排放权价格变量，为碳排放权价格期望值列向量，为碳排放权价格期望的不确定集限定参数，为碳排放权价格协方差的不确定集限制参数，为随机变量空间，f为变量集，p
r
为概率分布，e(k
c
)为对碳排放权价格变量求期望，t为转置，代表对求逆，为预估的碳排放权价格协方差矩阵，无需考虑碳排放权价格之间的相关性，故其表达式如下:δ为碳排放权价格的方差，、为碳排放权价格协方差矩阵的第行、列；风电出力的不确定集d
w
刻画如下：式中，为风电出力期望的不确定集限定参数，为风电出力协方差的不确定集限制参数， p
w
为风电出力变量，为风电出力的均值，e(p
w
)为对风电出力变量求期望，t为转置，代表对求逆，是风电出力变量的协方差矩阵，综合考虑多个风电之间关系，故其表达式如下：式中，为第个风电出力方差、为第个风电出力方差；为第 个风电出力与 第 个风电出力的相关系数。
[0007]
进一步优选，步骤s3包括以下两个阶段：s31.第一阶段以虚拟电厂运行成本最小为目标，目标函数为：s31.第一阶段以虚拟电厂运行成本最小为目标，目标函数为：
式中，为碳捕集机组发电成本、为风电运行成本、为csp机组运行成本、为碳排放成本，f1为第一阶段目标函数，f2为第二阶段目标函数， 为对第二阶段目标函数求期望，a、b、c 为碳捕集机组的单位耗能系数，、、分别为t时段碳捕集组出力、风电机组出力、csp机组出力，为风电运行维护成本系数，为单位发电功率碳排放系数，为t时段碳排放权价格，为t时段碳排放权配额，为火电机组的单位产能运行维护成本系数，分别为光热电站的单位产能运行维护成本系数，为时段数， d为随机变量的不确定集，d为上文d
c
与d
w
的统称；s32.第二阶段模型以碳交易成本最小为目标, 碳交易成本最小目标函数；式中，为修正后的碳捕集机组净出力。
[0008]
进一步优选，步骤s4利用拉格朗日对偶原理将模型进行对偶动态转换，并进行求解，具体步骤如下：s41、采用拉格朗日对偶原理将模型转换为一个确定性的规划问题，便于求解，式中，为对偶变量，为随机变量的测度函数，为所取的测度函数个数，k为迭代次数，初值为0，为随机变量抽样维度，为模型中的决策变量集，为碳捕集组出力变量，为csp机组出力变量，为第k次迭代计算求得的决策变量集，为对应约束条件的拉格朗日乘子，为动态函数，为对偶转化后的第二阶段目标函数；s42、初始化数据，给定碳排放价格预测值、风电功率预测值、决策变量集初值、
动态函数初值、停止阈值及迭代次数；s43、根据已知数据求解式（11），得到决策变量集和模型上界值；s44、根据步骤s43求得的决策变量集，求解第二阶段目标函数式（10），得到决策变量集，并代入式（12）、（13）求得动态函数；s45、将步骤s44求得的动态函数，代入式（11）求解，得到决策变量集和模型下界值；s46、判断模型上界值与模型下界值的差值是否小于阀值，如果否，则返回步骤s43；如果是，则结束计算，输出机组出力优化调度结果。
[0009]
与现有技术相比，本发明具有如下有益效果：1）本发明使得调度方案能够有效应对实时阶段的碳风双重不确定性，增强系统的鲁棒性，提升风电消纳能力的同时大幅降低了碳排放水平；2）所建立的优化模型，在仅知风电出力和碳排放权价格出力边界信息的情形下，通过两阶段优化模型的迭代求解，既克服了调度策略的保守性，又保证了其鲁棒性，降低了由于不确定性因素的随机变动而造成的系统运行风险。
[0010]
3）可通过改变不确定集范围参数，可以灵活调节系统调度结果的保守性，可为实际调度中权衡系统运行鲁棒性和经济性提供参考。
附图说明
[0011]
图1为用户总负荷曲线。
[0012]
图2为风电出力曲线图。
[0013]
图3为光照强度曲线图。
[0014]
图4为碳捕集机组出力情况图。
[0015]
图5为光热电站出力情况。
[0016]
图6为碳净碳排放量曲线图。
具体实施方式
[0017]
下面结合附图进一步详细阐明本发明。
[0018]
一种考虑碳排放权价格随机性的虚拟电厂双阶段优化调度方法，主要包括以下步骤：s1、分别获取目标电力系统在运行过程中对应用户总负荷曲线、新能源电源出力曲线以及光照强度曲线的时间序列；s2、构建碳排放权价格和风电出力的不确定集；碳捕集水平会随碳排放权价格波动，碳排放权价格具有不确定性，采用随机变量的期望和协方差矩阵分别对碳排放权价格和风电出力的不确定集进行刻画；碳排放权价格的不确定集刻画见表达式(1)，
式中，d
c
为碳排放权价格不确定集，为碳排放权价格变量，为碳排放权价格期望值列向量，为碳排放权价格期望的不确定集限定参数，为碳排放权价格协方差的不确定集限制参数，为随机变量空间，f为变量集，p
r
为概率分布，e(k
c
)为对碳排放权价格变量求期望，t为转置，代表对求逆，为预估的碳排放权价格协方差矩阵，无需考虑碳排放权价格之间的相关性，故其表达式如下:δ为碳排放权价格的方差，、为碳排放权价格协方差矩阵的第行、列。
[0019]
与碳排放权价格不确定方法相似，风电出力的不确定集d
w
刻画如下：式中，为风电出力期望的不确定集限定参数，为风电出力协方差的不确定集限制参数，为随机变量空间，f为变量集，p
w
为风电出力变量，为风电出力的均值，e(p
w
)为对风电出力变量求期望，t为转置，代表对求逆，是风电出力变量的协方差矩阵，综合考虑多个风电之间关系，故其表达式如下：式中，为第个风电出力方差、为第个风电出力方差；为第 个风电出力与 第 个风电出力的相关系数。
[0020]
s3、建立考虑碳排放权价格随机性的风
‑
光
‑
碳捕集虚拟电厂双阶段优化调度模型；第一阶段旨在确定碳排放权价格、风电日前预测场景下，碳捕集机组、光热电站出力、风电机组出力状态。第二阶段基于第一阶段的优化结果，以碳交易成本最小为目标，通过再调节能够使碳捕集机组、光热电站出力快速响应，需要考虑当前调度方案中预测误差最大的极端实时风电和碳排放权价格波动场景，然后返回给第一阶段，计算得到的最优日前调度策略将包含各种极端场景。最终，得到不影响日前调度模型，尽可能考虑风
‑
光
‑
碳捕集虚拟电厂应对系统中的不确定因素，同时更大程度地消纳风电，减少碳排放水平。
[0021]
s31.第一阶段以虚拟电厂运行成本最小为目标，目标函数为：
式中，为碳捕集机组发电成本、为风电运行成本、为csp机组运行成本、为碳排放成本，f1为第一阶段目标函数，f2为第二阶段目标函数， 为对第二阶段目标函数求期望，a、b、c 为碳捕集机组的单位耗能系数，、、分别为t时段碳捕集组出力、风电机组出力、csp机组出力，为风电运行维护成本系数，为单位发电功率碳排放系数，为t时段碳排放权价格，为t时段碳排放权配额，为火电机组的单位产能运行维护成本系数，分别为光热电站的单位产能运行维护成本系数，为时段数， d为随机变量的不确定集，d为上文d
c
与d
w
的统称；s32.第二阶段模型以碳交易成本最小为目标, 碳交易成本最小目标函数；式中，为修正后的碳捕集机组净出力。
[0022]
s4、调整目标电力系统的新能源电源出力、碳捕集机组出力以及光热电站出力，实现风
‑
光
‑
碳捕集虚拟电厂协调优化运行。
[0023]
利用拉格朗日对偶原理将模型进行对偶动态转换，并进行求解，具体步骤如下：s41、采用拉格朗日对偶原理将模型转换为一个确定性的规划问题，便于求解，式中，为对偶变量，为随机变量的测度函数，为所取的测度函数个数，k为迭代次数，初值为0，为随机变量抽样维度，为模型中的决策变量集，为碳捕集组出力变量，为csp机组出力变量，为第k次迭代计算求得的决策变量集，为对应约束条件的拉格朗日乘子，为动态函数，为对偶转化后的第二阶段
目标函数。
[0024]
s42、初始化数据，给定碳排放价格预测值、风电功率预测值、决策变量集初值、动态函数初值、停止阈值及迭代次数。
[0025]
s43、根据已知数据求解式（11），得到决策变量集和模型上界值。
[0026]
s44、根据步骤s43求得的决策变量集，求解第二阶段目标函数式（10），得到决策变量集，并代入式（12）、（13）求得动态函数。
[0027]
s45、将步骤s44求得的动态函数，代入式（11）求解，得到决策变量集和模型下界值。
[0028]
s46、判断模型上界值与模型下界值的差值是否小于阀值，如果否，则返回步骤s43；如果是，则结束计算，输出机组出力优化调度结果。
[0029]
为验证本发明的有效性，选取某风
‑
光
‑
火虚拟电厂作为分析对象对本发明上述方法进行试验，装机容量为400mw的火电厂、200mw的风电、100mw的光热电站。典型日用电负荷曲线如图1所示，风电出力曲线如图2所示，光照强度曲线如图3所示。
[0030]
以系统总运行成本最小为目标，选取两种不同优化运行方式进行对比分析，方式一：光热电站、风电厂以及碳捕集电厂火虚拟电厂独立运行；方式二：将风电、光热电站、碳捕集机组聚合为光
‑
风
‑
火虚拟电厂协调优化运行。
[0031]
系统的碳捕集机组出力、光热电站出力以及净碳排放量情况如图 4、图5、图6所示。通过对图4
‑
6进行分析，方式二比方式一的碳捕集机组出力大且光热电站随着系统运行状态的变化其出力均有较大幅度的调整；同时方式二运行方式下，净碳排放量较方式一有较大幅度下降。这是由于风
‑
光
‑
碳捕集虚拟电厂通过的碳捕集、光热电厂的灵活控制，极大提高了系统的抗风险能力和调节能力，能大程度的平抑碳排放权价格和新能源波动带来的影响，更多的消纳新能源。
[0032]
不同运行方式下的优化结果如表1所示。
[0033]
分析表1可知，虽然方式二中的碳捕集发电成本、风电运行成本以及csp机组运行成本均高于方式一，但方式二的总成本、碳捕集发电成本、碳交易成本均低于方式一。这说明风
‑
光
‑
碳捕集联合运行系统较各自单独运行系统具有更高的新能源消纳能力及更低的碳排放水平，具有良好的经济效益，且更加经济环保。
[0034]
本实施例进一步分别比较碳排放权价格和新能源的波动性对系统运行的影响，选
取两种情景进行分析：情景一：完全不考虑随机性，情景二：考虑新能源、碳排放权价格多随机性。
[0035]
以上情景下的系统运行收益如表2所示：由表2看出完全不考虑随机性的情景一所得系统总成本远小于情景二。这是因为确定性情景完全依据预测值对碳捕集机组、光热机组等的发电计划进行安排，调度计划未考虑风电出力和碳排放权价格的波动，但现实系统运行中，往往不能完全准确预测新能源的出力情况，从而导致实际成本总是大于该情景下的成本。而本发明采用矩不确定性表示了风电出力和碳排放权价的随机性，使得最后得到的调度方案更符合实际情况。
[0036]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。