风光场景削减及源荷不确定性的虚拟电厂随机优化调度研究（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章讲解

---

💥1 概述

参考文献：

 风力发电厂在运行期间几乎没有边际成本。然而，当试图满足合同规定的电力输送量时，风的变化和不确定性会导致重大问题。因此，风力发电厂和其他不可调度电源与可调度电源组合，形成虚拟发电厂。本文研究了由间歇式可再生能源、存储系统和常规发电厂组成的虚拟发电厂的每周自调度问题。一方面，虚拟电厂需要履行其长期双边合同，而另一方面，它在市场上努力实现其整体利润的最大化。最优调度问题被表述为一个混合整数线性规划模型，该模型在长期双边合同和技术约束下使每周虚拟电厂利润最大化。自调度过程基于随机规划。风力发电和太阳能发电的不确定性是通过使用抽水蓄能来解决的，以便提供灵活的运行，同时也通过使用常规发电厂作为备用。通过一个实际的案例研究，给出了所提出模型的效率，并对结果进行了分析。此外，还分析了抽水蓄能的不同库容和涡轮/泵容量的影响。

由于人们对传统化石燃料发电厂的环境影响日益担忧，在过去的几十年中，可再生能源（RES）一直在经历着显著的增长。由于可再生能源还不能像化石燃料那样提供投资回报水平[1]，因此已出台了各种可再生能源激励计划。其中包括上网电价方案、上网电价方案和配额方案。由于这些重大激励措施，风力发电和光伏发电已成为最具推进力的可再生能源技术。2010年，全球风力发电容量达到196 GW，年增长率为24%[2]，而同年的光伏装机容量达到40 GW，年增速超过60%[3]。

主要原因是RES预测电力输出的不确定性。例如，由于风的随机性，风力发电厂（WPP）本质上是间歇性的，光伏发电厂的输出取决于太阳辐射和云层[4]。因此，无法满足长期和中期电力交付合同的风险是内在的。为了分散这种风险，将不同类型的可再生和不可再生发电机和存储设备组合成一个虚拟电厂（VPP）。VPP使相关的可再生能源能够作为具有规定小时输出的单个发电厂参与电力市场[5]。虚拟电厂，有时称为虚拟公用事业[6]，包含不同发电机的混合物。精心选择的发电技术组合可以抵消可再生能源发电机组固有的不可靠性，从而建立一个可视为常规发电机组的VPP[7]。从任何其他市场代理的角度来看，VPP是一个独特的实体，尽管实际上它代表了多个分布式能源（DER）和传统发电厂的混合[8]。

本文主要做的是一个虚拟电厂或者微网单元的日前优化调度模型，考虑了光伏出力和负荷功率的双重不确定性，采用随机规划法处理不确定性变量，构建了虚拟电厂随机优化调度模型。具体来看，首先是基于蒙特卡洛算法，对预测的光伏以及负荷曲线进行场景生成，然后基于快概率距离快速消除法进行削减，直至削减至5个场景，然后采用随机调度的方法，对多场景下的虚拟电厂调度策略进行优化。

多阶段随机优化模型通常设定日前阶段的光伏出力场景只有一个为日前预测值，日内和实时阶段

的光伏出力场景采用蒙特卡罗抽样和场景削减(同步回代削减技术)的方法获得，若日内光伏出力场景数量为 N1 ，实时光伏出力场景数量为 N2 ，则经过排列组合，多阶段随机优化模型的随机场景总数量 一共为 N1 ×N2 ，可形成如图 1 所示的场景树.

多阶段随机优化模型中含有非预期约束条件，决策变量可随着未来不确定因素的确定化过程不断

调节，根据观察到的实时信息进行调整，但是当前决策只取决于当前所观察到的光伏出力场景，即当前阶段同一光伏出力场景下的决策需保持一致性[21]，如图 2 所示。

📚2 运行结果

负荷削减：

 

 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]裴蕾,卫志农,陈胜等.交直流混合配电网多阶段随机优化调度模型[J].电力系统保护与控制,2022,50(14):23-32.DOI:10.19783/j.cnki.pspc.211212.

[2] Pandzic H ,  Kuzle I ,  Capuder T . Virtual power plant mid-term dispatch optimization[J]. Applied Energy, 2013, 101(JAN.):134-141.

🌈4 Matlab代码、数据、文章讲解