[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN104466999A - 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法 - Google Patents

一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法 Download PDF

Info

Publication number
CN104466999A
CN104466999A CN201410737843.XA CN201410737843A CN104466999A CN 104466999 A CN104466999 A CN 104466999A CN 201410737843 A CN201410737843 A CN 201410737843A CN 104466999 A CN104466999 A CN 104466999A
Authority
CN
China
Prior art keywords
mrow
msub
lambda
munder
math
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410737843.XA
Other languages
English (en)
Inventor
郭云鹏
杨甲甲
李梁
文福拴
叶乐燕
陈瑛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
State Grid Zhejiang Electric Vehicle Service Co Ltd
Original Assignee
Zhejiang University ZJU
State Grid Zhejiang Electric Vehicle Service Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, State Grid Zhejiang Electric Vehicle Service Co Ltd filed Critical Zhejiang University ZJU
Priority to CN201410737843.XA priority Critical patent/CN104466999A/zh
Publication of CN104466999A publication Critical patent/CN104466999A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明的公开的一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法，在提出利用可调度充放电的电动汽车电池储能,为风机出力波动提供备用的同时参与调节市场竞价的基础上,构建了以虚拟电厂在电力市场中的竞价总收益最大为目标的电动汽车和风电协同竞价的混合整数规划模型。然后引入了鲁棒优化理论,将所构建的混合整数规划模型转化为了鲁棒线性规划模型,构造了电动汽车和风电协同竞价鲁棒优化模型,给出了求解方法,通过调整鲁棒控制系数来控制虚拟电厂竞价策略的风险水平,获得相应的竞价策略方案。

Description

一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法
技术领域
本发明属于电力市场竞价策略技术领域,涉及一种确定含电动汽车和风电机组的虚拟发电厂竞价策略的方法。
背景技术
对于含电动汽车和风电机组的虚拟发电厂,由于可调度充放电的电动汽车数量和风电出力均存在明显的不确定性,这样虚拟电厂在电力市场中参与竞价时就必须考虑这些不确定性。在此背景下,在计及上述不确定性因素的影响下,如何制定虚拟发电厂的竞价策略就是一个值得研究的重要问题。
发明内容
本发明的目的是提供一种确定含电动汽车和风电机组的虚拟发电厂竞价策略的方法，以实现在虚拟电厂中电动汽车数量、风电出力等不确定性因素的前提下制定虚拟电厂的竞价策略。
本发明的含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法，包括以下步骤:
1)建立混合整数规划模型
提出利用可调度充放电的电动汽车电池储能,为风机出力波动提供备用的同时参与调节市场竞价。基于此,以虚拟电厂在电力市场中的竞价总收益P最大为目标函数,建立电动汽车和风电协同竞价的混合整数规划模型:
目标函数：
max P = Σ t ∈ T λ dag , e , t P W , t B Δt + λ c Σ t ∈ T P EV , dri , t Δt + Σ t ∈ T ( P EV , RU , t λ RU , t + P EV , RD , t λ RD , t + R EV , RR , t λ RR , t ) + Σ t ∈ T [ P EV , RU , t E ( x RU ) + P EV , RR , t E ( x RR ) ] Δt λ up , e , t - Σ t ∈ T λ dag , e , t ( ω imb , ec u ec , t P pl , ec , t + ω imb , bl u bl , t P pl , bl , t ) Δt - [ λ α , e Q c + Σ t ∈ T λ s , e , t E ( P EV , t c ) u c , t Δt ] - Σ t ∈ T c dis e ( P EV , t dc ) η dc u dc , t Δt - - - ( 1 )
约束条件：
udc,t+uc,t＝1  (2)
uec,t+ubl,t＝1  (3)
P pl , ec , t = P W , t a - P EV , W , c , t - P W , t B + P EV , W , dc , t - - - ( 4 )
P pl , bl , t = - ( P W , t a - P EV , W , c , t - P W , t B + P EV , W , dc , t ) - - - ( 5 )
E ( P EV , t c ) = P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t - - - ( 6 )
E ( P EV , t dc ) = - [ P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t ] - - - ( 7 )
Q c = Σ t ∈ T P EV , ctr , t - - - ( 8 )
S t = S 0 + Σ t [ P EV , ctr , t η c - P EV , dri , t η dc ] λ cp , t Δt P bat + Σ t [ E ( P EV , t c ) u c , t η c - E ( P EV , t dc ) u dc , t η dc ] λ cp , t Δt P bat - - - ( 9 )
St,min≤St≤St,max  (10)
(PEV,RD,t+PPOP,t+PEV,ctr,t+PEV,W,c,t-PEV,W,dc,t)λcp,t≤PEV,max  (11)
(PPOP,t+PEV,W,c,t-PEV,RU,t-PEV,RR,t-PEV,W,dc,t)λcp,t≥-PEV,max  (12)
P W , t B , P EV , RU , t , P EV , RR , t P EV , ctr , t P EV , W , c , t , P EV , W , dc , t ≥ 0 - - - ( 13 )
目标函数中收入来源主要包括:风机在电力市场中竞标被选中所提供的电能:其中λdag,e,t表示日前能量市场的价格，为风电参与日前能量市场竞价时在各个时段t提交的日前竞标出力，Δt表示单个时段的长度，T为总的时间长度；为电动汽车电池充电提供服务:其中，λc为虚拟电厂对电动汽车用电进行收费的电价，PEV,dri,t为在时段t内的用户行车耗电功率；电动汽车为系统提供调节备用容量服务，包括上调、下调和旋转备用容量服务:其中，PEV,RU,t,PEV,RD,t,PEV,RR,t分别表示电动汽车参与调节市场竞价时,提供上调备用、下调备用和旋转备用服务的竞标值，λRU,t,λRD,t,λRR,t分别为调节市场的上调备用、下调备用、旋转备用的容量价格；电动汽车的上调和旋转备用被实际调用的电能:其中，E(xRU)、E(xRD)、E(xRR)分别表示电力系统在时段t的上调备用、下调备用及旋转备用的调用比例xRU，xRD和xRR的期望值，λup,e,t为在时段t电动汽车上调备用出力的价格；
目标函数中经济支出项主要包括:风机实际出力和竞标出力偏差导致的罚金:其中，风电实际出力大于和小于竞标出力的偏差分别为Ppl,ec,t和Ppl,bl,t,对应的惩罚系数分别为ωimb,ec和ωimb,bl，uec,t和ubl,t均为0-1变量,当Ppl,ec,t>0时uec,t为1,当Ppl,bl,t>0时ubl,t为1；为电动汽车电池充电的成本，其中，λα,e表示虚拟电厂从双边合同市场的购电价格，Qc表示虚拟电厂为电动汽车充电而从合同市场的购电量，λs,e,t表示虚拟电厂从实时能量市场的购电价，表示电动汽车实际充电功率的期望值，uc,t为0-1变量,当电动汽车为充电状态时取值为1；电动汽车电池放电的损耗成本:其中，电动汽车电池单位电量放电损耗成本为cdis，表示电动汽车实际放电功率的期望值，ηdc为电池放电效率，udc,t为0-1变量,当电动汽车为放电状态时取值为1；
电动汽车状态可分为充电和放电两种,既不充电也不放电的情形作为充放电功率为0的特殊情况，因此需要包括式(2)所表示的约束,同理，在时段t风机的实际出力和竞标出力的偏差Ppl,ec,t和Ppl,bl,t不能同时为正，因此需要包括式(3)所表示的约束；
式(4)、(5)是与风机相关的约束,描述风机实际出力和竞标出力的上下偏差；表示风机的实际出力,PEV,W,c,t和PEV,W,dc,t分别表示电动汽车以充电和放电为风电提供备用的出力。
式(6)-式(12)为与电动汽车相关的约束，式(6)和式(7)分别给出了电动汽车充电和放电功率的期望值，式(8)表示虚拟电厂为了给电动汽车充电而在双边合同市场的购电量；式(7)中PPOP,t表示电动汽车的计划充放电功率。
以St表示电动汽车电池在时段t的SOC值，式(9)用于计算时段t电动汽车的SOC，其中S0表示电池的初始状态，由于电动汽车具有行驶需求，且考虑到为尽可能延长电池寿命而要避免电池完全放电，所以SOC具有最小值St,min约束；由于电池老化等原因，电动汽车电池会无法实现满充，因此SOC也具有最大值St,max约束，式(10)表示不同时段t电动汽车电池的SOC上下限约束；
此外，还要满足电动汽车的最大充放电功率PEV,max约束，见式(11)和式(12)；式(11)中，PEV,ctr,t表示将合约电量分解到时段t的合约电量充电功率；λcp,t表示当某一辆电动汽车而言，在时段t中由于其他电动汽车不能按计划被调度，其出力计划的调整系数。
式(13)限定了模型决策变量的取值均为非负值；
2)引入鲁棒优化理论,将步骤1)构建的混合整数规划模型转化为鲁棒线性规划模型：
目标函数：
max w  (14)
约束条件：
w - Σ t ∈ T λ ‾ dag , e , t P W , t B Δt - λ c Σ t ∈ T P EV , dri , t Δt - Σ t ∈ T ( P EV , RU , t λ ‾ RU , t + P EV , RD , t λ ‾ RD , t + P EV , RR , t λ ‾ RR , t ) - Σ t ∈ T [ P EV , RU , t E ( x RU ) + P EV , RR , t E ( x RR ) ] Δt θ up , e λ ‾ g , e , t + Σ t ∈ T λ ‾ dag , e , t ( ω imb , ec P pl , ec , t + ω imb , bl P pl , bl , t ) Δt + λ α , e Q c + Σ t ∈ T λ ‾ s , e , t E ( P EV , t c ) Δt + Σ t ∈ T c dis E ( P EV , t dc ) η dc Δt + Γ 1 p 1 + Σ t ∈ T ( q W , B , t + q RU , t + q RD , t + q RR , t + q pl , ec , t + q pl , bl , t + q EV , c , t ) ≤ 0 - - - ( 15 )
p 1 + q W , B , t ≥ ( λ ^ dag , e , t Δt ) y W , B , t - - - ( 16 )
p 1 + q RU , t ≥ [ λ ^ RU , t + E ( x RU ) θ up , e λ ^ g , e , t Δt ] y RU , t - - - ( 17 )
p 1 + q RD , t ≥ λ ^ RD , t y RD , t - - - ( 18 )
p 1 + q RR , t ≥ [ λ ^ RR , t + E ( x RR ) θ up , e λ ^ g , e , t Δt ] y RR , t - - - ( 19 )
p 1 + q pl , ec , t ≥ ( ω imb , ec λ ^ dag , e , t Δt ) y pl , ec , t - - - ( 20 )
p 1 + q pl , bl , t ≥ ( ω imb , bl λ ^ dag , e , t Δt ) y pl , bl , t - - - ( 21 )
p 1 + q EV , c , t ≥ λ ^ g , e , t Δty EV , c , t - - - ( 22 )
-y≤P≤y  (23)
P = ( P W , t B , P EV , RU , t , P EV , RD , t P EV , RR , t , P pl , ec , t , P pl . bl . t , E ( P EV , t c ) ) - - - ( 24 )
y＝(yW,B,t,yRU,t,yRD,t,yRR,t,ypl,ec,t,ypl,bl,t,yEV,c,t)  (25)
p1,qW,B,t,qRU,t,qRD,t,qRR,t,qpl,ec,t,qpl,bl,t,qEV,c,t≥0  (26)
E ( P EV , t c ) ≥ P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t - - - ( 27 )
E ( P EV , t dc ) ≥ - [ P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t ] - - - ( 28 )
S t = S 0 + Σ t [ P EV , ctr , t η c - P EV , dri , t η dc ] λ cp , t Δt P bat + Σ t [ E ( P EV , t c ) u c , t η c - E ( P EV , t dc ) u dc , t η dc ] λ cp , t Δt P bat - - - ( 29 )
P W , t B ≤ Z ϵ up , W σ up , W , t + μ up , W , t - - - ( 30 )
P W , t B ≤ Z 1 - ϵ low , W σ low , W , t + μ low , W , t - - - ( 31 )
P pl . ec , t + P EV , W , c , t + P W , t B - P EV , W , dc , t ≥ z 1 - ϵ pl . ec σ a , W , t + μ a , W , t - - - ( 32 )
P EV , W , c , t + P W , t B - P EV , W , dc , t - P pl , bl , t ≤ z ϵϵ pl . ec σ a , W , t + μ a , W , t - - - ( 33 )
式中：w为目标函数，P为决策变量组成的向量；y为由对偶变换所引入的辅助决策变量所组成的向量；θup,e为调节系数；Pbat表示虚拟电厂中所有电动汽车电池的等值容量；μa,W,t和σa,W,t分别为的正态分布的期望值和标准差Plow,W,t；风机竞标出力的上、下限Pup,W,t和Plow,W,t均为随机变量，μup,W,t，σup,W,t和μlow,W,t，σlow,W,t分别为Pup,W,t和的期望值和标准差。εup,W、εlow,W、εpl,ec、εpl,bl表示机会约束成立的概率。zε为标准正态分布的上侧ε分位点，则分别表示标准正态分布的上侧εup,W、1-εlow,W、1-εpl,ec、εpl,bl分为点。日前能量市场价格λdag,e,t、上调备用容量价格λRU,t、下调备用容量价格λRD,t、旋转备用容量价格λRR,t、虚拟电厂从实时能量市场的购电价λs,e,t、发电上网电价λg,e,t可根据历史数据进行预测，且假定其均在区间内变化。其中，表示电价的预测值，表示电价波动区间半径。
在上述鲁棒协同竞价模型中，电动汽车充放电功率约束为式(27)和式(28)，其SOC约束为式(29)，式(30)和式(31)分别为风机竞标出力的上下限约束，式(32)和式(33)为风机竞标出力和实际出力的偏差约束，其他约束即式(10)-式(13)的形式不变；
决策变量包括：风电在日前能量市场中的竞标出力电动汽车在调节市场中的调节备用和旋转备用竞标容量，即PEV,RU,t，PEV,RD,t和PEV,RR,t；电动汽车为平抑风机出力波动提供的备用PEV,W,c,t和PEV,W,dc,t；电动汽车的计划充电功率PPOP,t；电动汽车的合约电量充电功率PEV,ctr,t；模型线性化变换所增加的决策变量Ppl,ec,t，Ppl,bl,t，和对偶变换所引入的辅助决策变量p1，q和y，其中q＝(qW,B,t,qRU,t,qRD,t,qRR,t,qpl,ec,t,qpl,bl,t,qEV,c,t)，y＝(yW,B,t,yRU,t,yRD,t,yRR,t,ypl,ec,t,ypl,bl,t,yEV,c,t)；鲁棒控制系数为Γ1；
3)通过调整鲁棒控制系数来控制虚拟电厂竞价策略的风险水平,获得相应的竞价策略方案。
本发明的有益效果是,算例结果表明,采用所构建的模型和提出的求解方法可以获得一系列不同风险水平的虚拟电厂竞价策略方案,利用电动汽车的电池储能为风电出力参与电力市场时的出力波动问题,提供了一种新的解决途径。
附图说明
图1为风电竞标出力变化曲线
图2为电动汽车为风机提供备用的出力曲线
图3为电动汽车在调节市场的上调备用竞标容量
图4为电动汽车在调节市场的下调备用竞标容量
图5为电动汽车的旋转备用竞标容量
图6为电动汽车数量和风机出力对竞价结果的影响
具体实施方式
针对含电动汽车和风电机组的虚拟发电厂竞价策略问题,本发明在提出利用可调度充放电的电动汽车电池储能,为风机出力波动提供备用的同时参与调节市场竞价的基础上,构建了以虚拟电厂在电力市场中的竞价总收益最大为目标的电动汽车和风电协同竞价的混合整数规划模型。然后引入了鲁棒优化理论,将所构建的混合整数规划模型转化为了鲁棒线性规划模型,构造了电动汽车和风电协同竞价鲁棒优化模型,给出了求解方法,通过调整鲁棒控制系数来控制虚拟电厂竞价策略的风险水平,获得相应的竞价策略方案，具体过程如下：
1)建立混合整数规划模型
提出利用可调度充放电的电动汽车电池储能,为风机出力波动提供备用的同时参与调节市场竞价。基于此,以虚拟电厂在电力市场中的竞价总收益P最大为目标函数,建立电动汽车和风电协同竞价的混合整数规划模型:
max P = Σ t ∈ T λ dag , e , t P W , t B Δt + λ c Σ t ∈ T P EV , dri , t Δt + Σ t ∈ T ( P EV , RU , t λ RU , t + P EV , RD , t λ RD , t + R EV , RR , t λ RR , t ) + Σ t ∈ T [ P EV , RU , t E ( x RU ) + P EV , RR , t E ( x RR ) ] Δt λ up , e , t - Σ t ∈ T λ dag , e , t ( ω imb , ec u ec , t P pl , ec , t + ω imb , bl u bl , t P pl , bl , t ) Δt - [ λ α , e Q c + Σ t ∈ T λ s , e , t E ( P EV , t c ) u c , t Δt ] - Σ t ∈ T c dis e ( P EV , t dc ) η dc u dc , t Δt - - - ( 1 )
s.t.
udc,t+uc,t＝1  (2)
uec,t+ubl,t＝1  (3)
P pl , ec , t = P W , t a - P EV , W , c , t - P W , t B + P EV , W , dc , t - - - ( 4 )
P pl , bl , t = - ( P W , t a - P EV , W , c , t - P W , t B + P EV , W , dc , t ) - - - ( 5 )
E ( P EV , t c ) = P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t - - - ( 6 )
E ( P EV , t dc ) = - [ P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t ] - - - ( 7 )
Q c = Σ t ∈ T P EV , ctr , t - - - ( 8 )
S t = S 0 + Σ t [ P EV , ctr , t η c - P EV , dri , t η dc ] λ cp , t Δt P bat + Σ t [ E ( P EV , t c ) u c , t η c - E ( P EV , t dc ) u dc , t η dc ] λ cp , t Δt P bat - - - ( 9 )
St,min≤St≤St,max  (10)
(PEV,RD,t+PPOP,t+PEV,ctr,t+PEV,W,c,t-PEV,W,dc,t)λcp,t≤PEV,max  (11)
(PPOP,t+PEV,W,c,t-PEV,RU,t-PEV,RR,t-PEV,W,dc,t)λcp,t≥-PEV,max  (12)
P W , t B , P EV , RU , t , P EV , RR , t P EV , ctr , t P EV , W , c , t , P EV , W , dc , t ≥ 0 - - - ( 13 )
目标函数中收入来源主要包括:风机在电力市场中竞标被选中所提供的电能:其中λdag,e,t表示日前能量市场的价格，为风电参与日前能量市场竞价时在各个时段t提交的日前竞标出力，Δt表示单个时段的长度，T为总的时间长度；为电动汽车电池充电提供服务:其中，λc为虚拟电厂对电动汽车用电进行收费的电价，PEV,dri,t为在时段t内的用户行车耗电功率；电动汽车为系统提供调节备用容量服务，包括上调、下调和旋转备用容量服务:其中，PEV,RU,t,PEV,RD,t,PEV,RR,t分别表示电动汽车参与调节市场竞价时,提供上调备用、下调备用和旋转备用服务的竞标值，λRU,t,λRD,t,λRR,t分别为调节市场的上调备用、下调备用、旋转备用的容量价格；电动汽车的上调和旋转备用被实际调用的电能:其中，E(xRU)、E(xRD)、E(xRR)分别表示电力系统在时段t的上调备用、下调备用及旋转备用的调用比例xRU，xRD和xRR的期望值，λup,e,t为在时段t电动汽车上调备用出力的价格；
目标函数中经济支出项主要包括:风机实际出力和竞标出力偏差导致的罚金:其中，风电实际出力大于和小于竞标出力的偏差分别为Ppl,ec,t和Ppl,bl,t,对应的惩罚系数分别为ωimb,ec和ωimb,bl，uec,t和ubl,t均为0-1变量,当Ppl,ec,t>0时uec,t为1,当Ppl,bl,t>0时ubl,t为1；为电动汽车电池充电的成本其中，λα,e表示虚拟电厂从双边合同市场的购电价格，Qc表示虚拟电厂为电动汽车充电而从合同市场的购电量，λs,e,t表示虚拟电厂从实时能量市场的购电价，表示电动汽车实际充电功率的期望值，uc,t为0-1变量,当电动汽车为充电状态时取值为1；电动汽车电池放电的损耗成本:其中，电动汽车电池单位电量放电损耗成本为cdis，表示电动汽车实际放电功率的期望值，ηdc为电池放电效率，udc,t为0-1变量,当电动汽车为放电状态时取值为1；
式中:Pbat表示虚拟电厂中所有电动汽车电池的等值容量。
电动汽车状态可分为充电和放电两种,既不充电也不放电的情形作为充放电功率为0的特殊情况，因此需要包括式(2)所表示的约束,同理，在时段t风机的实际出力和竞标出力的偏差Ppl,ec,t和Ppl,bl,t不能同时为正，因此需要包括式(3)所表示的约束；
式(4)、(5)是与风机相关的约束,描述风机实际出力和竞标出力的上下偏差；
式(6)-式(12)为与电动汽车相关的约束，式(6)和式(7)分别给出了电动汽车充电和放电功率的期望值，式(8)表示虚拟电厂为了给电动汽车充电而在双边合同市场的购电量；
以St表示电动汽车电池在时段t的SOC值，式(9)用于计算时段t电动汽车的SOC，其中S0表示电池的初始状态，由于电动汽车具有行驶需求，且考虑到为尽可能延长电池寿命而要避免电池完全放电，所以SOC具有最小值St,min约束；由于电池老化等原因，电动汽车电池会无法实现满充，因此SOC也具有最大值St,max约束，式(10)表示不同时段t电动汽车电池的SOC上下限约束；
此外，还要满足电动汽车的最大充放电功率PEV,max约束，见式(11)和式(12)；式(13)限定了模型决策变量的取值均为非负值；
2)引入鲁棒优化理论,将步骤1)构建的混合整数规划模型转化为鲁棒线性规划模型：
max w  (14)
s.t.
w - Σ t ∈ T λ ‾ dag , e , t P W , t B Δt - λ c Σ t ∈ T P EV , dri , t Δt - Σ t ∈ T ( P EV , RU , t λ ‾ RU , t + P EV , RD , t λ ‾ RD , t + P EV , RR , t λ ‾ RR , t ) - Σ t ∈ T [ P EV , RU , t E ( x RU ) + P EV , RR , t E ( x RR ) ] Δt θ up , e λ ‾ g , e , t + Σ t ∈ T λ ‾ dag , e , t ( ω imb , ec P pl , ec , t + ω imb , bl P pl , bl , t ) Δt + λ α , e Q c + Σ t ∈ T λ ‾ s , e , t E ( P EV , t c ) Δt + Σ t ∈ T c dis E ( P EV , t dc ) η dc Δt + Γ 1 p 1 + Σ t ∈ T ( q W , B , t + q RU , t + q RD , t + q RR , t + q pl , ec , t + q pl , bl , t + q EV , c , t ) ≤ 0 - - - ( 15 )
p 1 + q W , B , t ≥ ( λ ^ dag , e , t Δt ) y W , B , t - - - ( 16 )
p 1 + q RU , t ≥ [ λ ^ RU , t + E ( x RU ) θ up , e λ ^ g , e , t Δt ] y RU , t - - - ( 17 )
p 1 + q RD , t ≥ λ ^ RD , t y RD , t - - - ( 18 )
p 1 + q RR , t ≥ [ λ ^ RR , t + E ( x RR ) θ up , e λ ^ g , e , t Δt ] y RR , t - - - ( 19 )
p 1 + q pl , ec , t ≥ ( ω imb , ec λ ^ dag , e , t Δt ) y pl , ec , t - - - ( 20 )
p 1 + q pl , bl , t ≥ ( ω imb , bl λ ^ dag , e , t Δt ) y pl , bl , t - - - ( 21 )
p 1 + q EV , c , t ≥ λ ^ g , e , t Δty EV , c , t - - - ( 22 )
-y≤P≤y  (23)
P = ( P W , t B , P EV , RU , t , P EV , RD , t P EV , RR , t , P pl , ec , t , P pl . bl . t , E ( P EV , t c ) ) - - - ( 24 )
y＝(yW,B,t,yRU,t,yRD,t,yRR,t,ypl,ec,t,ypl,bl,t,yEV,c,t)  (25)
p1,qW,B,t,qRU,t,qRD,t,qRR,t,qpl,ec,t,qpl,bl,t,qEV,c,t≥0  (26)
E ( P EV , t c ) ≥ P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t - - - ( 27 )
E ( P EV , t dc ) ≥ - [ P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t ] - - - ( 28 )
S t = S 0 + Σ t [ P EV , ctr , t η c - P EV , dri , t η dc ] λ cp , t Δt P bat + Σ t [ E ( P EV , t c ) u c , t η c - E ( P EV , t dc ) u dc , t η dc ] λ cp , t Δt P bat - - - ( 29 )
P W , t B ≤ Z ϵ up , W σ up , W , t + μ up , W , t - - - ( 30 )
P W , t B ≤ Z 1 - ϵ low , W σ low , W , t + μ low , W , t - - - ( 31 )
P pl . ec , t + P EV , W , c , t + P W , t B - P EV , W , dc , t ≥ z 1 - ϵ pl . ec σ a , W , t + μ a , W , t - - - ( 32 )
P EV , W , c , t + P W , t B - P EV , W , dc , t - P pl , bl , t ≤ z ϵϵ pl . ec σ a , W , t + μ a , W , t - - - ( 33 )
式中：P为决策变量组成的向量；y为由对偶变换所引入的辅助决策变量所组成的向量；zε为标准正态分布的上侧ε分位点；μa,W,t和σa,W,t分别为的正态分布的期望值和标准差；
在上述鲁棒协同竞价模型中，电动汽车充放电功率约束为式(27)和式(28)，其SOC约束为式(29)，式(30)和式(31)分别为风机竞标出力的上下限约束，式(32)和式(33)为风机竞标出力和实际出力的偏差约束，其他约束即式(10)-式(13)的形式不变；
决策变量包括：风电在日前能量市场中的竞标出力电动汽车在调节市场中的调节备用和旋转备用竞标容量，即PEV,RU,t，PEV,RD,t和PEV,RR,t；电动汽车为平抑风机出力波动提供的备用PEV,W,c,t和PEV,W,dc,t；电动汽车的计划充电功率PPOP,t；电动汽车的合约电量充电功率PEV,ctr,t；模型线性化变换所增加的决策变量Ppl,ec,t，Ppl,bl,t，和对偶变换所引入的辅助决策变量p，q和y；鲁棒控制系数为Γ1；
3)通过调整鲁棒控制系数来控制虚拟电厂竞价策略的风险水平,获得相应的竞价策略方案。
具体结合参数：虚拟电厂中电动汽车总数为2万辆；单个电动汽车的电池容量为24kW·h；单位电池容量的购买成本为400美元/(kW·h)；电池最大充放电功率为3kW；电池平均充、放电效率均为0.95；电动汽车充电电价为0.14美元/(kW·h)；风机实际出力高于/低于竞标出力时的惩罚系数为0.95/1.05；输配电价费用为0.07美元/(kW·h)；虚拟电厂通过双边合同购电的发电侧电价为0.06美元/(kW·h)，假定在优化时段(24h)内合同电量为288MW·h；以小时为时段，每天共有24个时段且Δt为1；给定上调和下调容量，以及旋转备用容量在各交易时段被实际调用比例的期望值。给定日前能量市场电价、实时能量市场电价(均为发电侧电价)以及上调和下调容量、旋转备用容量的容量电价，并将这4个价格的预测偏差均设定为±15％；θup,e取值为1.0。
表1中给出了不同约束违反概率水平时的参数取值和目标函数的最优值(即虚拟电厂竞价的总收入)，不同的约束违反概率对应着不同的决策经济风险，约束违反概率越小，表示决策者承担的经济风险也就越小。从表1的计算结果中可以看出，随着约束违反概率的减小，虚拟电厂竞价结果违反约束的风险也变小，虚拟电厂的竞价收入随之减少。
表1
注：εup,W，εlow,W，εpl,ec，εpl,bl取值相同且均为ε。
图1—图5给出了当参数按表1取值时，各场景下虚拟电厂中风机和电动汽车参与市场竞价的竞价策略计算结果。
图6为电动汽车数量和风机出力对竞价结果的影响对比图，从图6中可以看出，当电动汽车数量和风机出力的相对变化量相同时，电动汽车数量变化引起的竞价结果变化更大，即虚拟电厂竞价策略对电动汽车数量的灵敏度要大于对风机出力的灵敏度。这是因为当系统中电动汽车数量增加时，电动汽车除了能为风机提供备用外,还可以将富裕容量参与到调节市场竞价中，作为储能装置为系统提供备用而获得收益。而当系统中风机数量增加时，风机的富裕出力是否能够参与能量市场竞价取决于系统中电动汽车电池储能是否能够为风机出力波动提供备用，这使得风机出力对竞价结果的影响受到了制约。因此，竞价策略对风机出力的变化相对不太灵敏。

Claims (1)

1.一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法，其特征在于包括以下步骤：
1)建立混合整数规划模型
以虚拟电厂在电力市场中的竞价总收益P最大为目标函数,建立电动汽车和风电协同竞价的混合整数规划模型:
目标函数为：
max P = Σ t ∈ T λ dag , e , t P W , t B Δt + λ c Σ t ∈ T P EV , dri , t Δt + Σ t ∈ T ( P EV , RU , t λ RU , t + P EV , RD , t λ RD , t + P EV , RR , t λ RR , t ) + Σ t ∈ T [ P EV , RU , t E ( x RU ) + P EV , RR , t E ( x RR ) ] Δt λ up , e , t - Σ t ∈ T λ dag , e , t ( ω imb , ec u ec , t P pl , ec , t + ω imb , bl u bl , t P pl , bl , t ) Δt - [ λ α , e Q c + Σ t ∈ T λ s , e , t E ( P EV , t c ) u c , t Δt ] - Σ t ∈ T c dis E ( P EV , t dc ) η dc u dc , t Δt - - - ( 1 )
约束条件为：
udc,t+uc,t＝1  (2)
uec,t+ubl,t＝1  (3)
P pl , ec , t = P W , t a - P EV , W , c , t - P W , t B + P EV , W , dc , t - - - ( 4 )
P pl , bl , t = - ( P W , t a - P EV , W , c , t - P W , t B + P EV , W , dc , t ) - - - ( 5 )
E ( P EV , t c ) = P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t - - - ( 6 )
E ( P EV , t dc ) = - [ P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t ] - - - ( 7 )
Q c = Σ t ∈ T P EV , ctr , t - - - ( 8 )
S t = S 0 + Σ t [ P EV , ctr , t η c - P EV , dri , t η dc ] λ cp , t Δt P bat + Σ t [ E ( P EV , t c ) u c , t η c - E ( P EV , t dc ) u dc , t η dc ] λ cp , t Δt P bat - - - ( 9 )
St,min≤St≤St,max  (10)
(PEV,RD,t+PPOP,t+PEV,ctr,t+PEV,W,c,t-PEV,W,dc,t)λcp,t≤PEV,max  (11)
(PPOP,t+PEV,W,c,t-PEV,RU,t-PEV,RR,t-PEV,W,dc,t)λcp,t≥-PEV,max  (12)
P W , t B , P EV , RU , t , P EV , RR , t , P EV , ctr , t , P EV , W , c , t , P EV , W , dc , t ≥ 0 - - - ( 13 )
目标函数中收入来源包括:风机在电力市场中竞标被选中所提供的电能收入:其中λdag,e,t表示日前能量市场的价格，为风电参与日前能量市场竞价时在各个时段t提交的日前竞标出力，Δt表示单个时段的长度，T为总的时间长度；为电动汽车电池充电提供服务收入:其中，λc为虚拟电厂对电动汽车用电进行收费的电价，PEV,dri,t为在时段t内的用户行车耗电功率；电动汽车为系统提供调节备用容量服务收入，包括上调、下调和旋转备用容量服务其中，PEV,RU,t,PEV,RD,t,PEV,RR,t分别表示电动汽车参与调节市场竞价时,提供上调备用、下调备用和旋转备用服务的竞标值，λRU,t,λRD,t,λRR,t分别为调节市场的上调备用、下调备用、旋转备用的容量价格；电动汽车的上调和旋转备用被实际调用的电能:其中，E(xRU)、E(xRR)分别表示电力系统在时段t的上调备用及旋转备用的调用比例xRU、xRR的期望值，λup,e,t为在时段t电动汽车上调备用出力的价格；
目标函数中经济支出项包括:风机实际出力和竞标出力偏差导致的罚金:其中，风电实际出力大于和小于竞标出力的偏差分别为Ppl,ec,t和Ppl,bl,t,对应的惩罚系数分别为ωimb,ec和ωimb,bl，uec,t和ubl,t均为0-1变量,当Ppl,ec,t>0时uec,t为1,当Ppl,bl,t>0时ubl,t为1；为电动汽车电池充电的成本，其中，λα,e表示虚拟电厂从双边合同市场的购电价格，Qc表示虚拟电厂为电动汽车充电而从合同市场的购电量，λs,e,t表示虚拟电厂从实时能量市场的购电价，表示电动汽车实际充电功率的期望值，uc,t为0-1变量,当电动汽车为充电状态时取值为1；电动汽车电池放电的损耗成本:其中，电动汽车电池单位电量放电损耗成本为cdis，表示电动汽车实际放电功率的期望值，ηdc为电池放电效率，udc，t为0-1变量,当电动汽车为放电状态时取值为1；
电动汽车状态可分为充电和放电两种,既不充电也不放电的情形作为充放电功率为0的特殊情况，因此需要包括式(2)所表示的约束,同理，在时段t风机的实际出力和竞标出力的偏差Ppl,ec,t和Ppl,bl,t不能同时为正，因此需要包括式(3)所表示的约束；
式(4)、(5)是与风机相关的约束,描述风机实际出力和竞标出力的上下偏差；表示风机的实际出力,PEV,W,c,t和PEV,W,dc,t分别表示电动汽车以充电和放电为风电提供备用的出力；
式(6)-式(12)为与电动汽车相关的约束，式(6)和式(7)分别给出了电动汽车充电和放电功率的期望值，式(8)表示虚拟电厂为了给电动汽车充电而在双边合同市场的购电量；式(7)中PPOP,t表示电动汽车的计划充放电功率；
以St表示电动汽车电池在时段t的SOC值，式(9)用于计算时段t电动汽车的SOC，其中S0表示电池的初始状态，由于电动汽车具有行驶需求，且考虑到为尽可能延长电池寿命而要避免电池完全放电，所以SOC具有最小值St,min约束；由于电池老化等原因，电动汽车电池会无法实现满充，因此SOC也具有最大值St,max约束，式(10)表示不同时段t电动汽车电池的SOC上下限约束；
此外，还要满足电动汽车的最大充放电功率PEV,max约束，见式(11)和式(12)；式(11)中，PEV,ctr,t表示将合约电量分解到时段t的合约电量充电功率；λcp,t表示当某一辆电动汽车而言，在时段t中由于其他电动汽车不能按计划被调度，其出力计划的调整系数；
式(13)限定了模型决策变量的取值均为非负值；
2)引入鲁棒优化理论,将步骤1)构建的混合整数规划模型转化为鲁棒线性规划模型：
目标函数：
max w  (14)
约束条件：
w - Σ t ∈ T λ ‾ dag , e , t P W , t B Δt - λ c Σ t ∈ T P EV , dri , t Δt - Σ t ∈ T ( P EV , RU , t λ ‾ RU , t + P EV , RD , t λ ‾ RD , t + P EV , RR , t λ ‾ RR , t ) - Σ t ∈ T [ P EV , RU , t E ( x RU ) + P EV , RR , t E ( x RR ) ] Δt θ up , e λ ‾ g , e , t + Σ t ∈ T λ ‾ dag , e , t ( ω imb , ec P pl , ec , t + ω imb , bl P pl , bl , t ) Δt + λ α , e Q c + Σ t ∈ T λ ‾ s , e , t E ( P EV , t c ) Δt + Σ t ∈ T c dis E ( P EV , t dc ) η dc Δt + Γ 1 p 1 + Σ t ∈ T ( q W , B , t + q RU , t + q RD , t + q RR , t + q pl , ec , t + q pl , bl , t + q EV , c , t ) ≤ 0 - - - ( 15 )
p 1 + q W , B , t ≥ ( λ ^ dag , e , t Δt ) y W , B , t - - - ( 16 )
p 1 + q RU , t ≥ [ λ ^ RU , t + E ( x RU ) θ up , e λ ^ g , e , t Δt ] y RU , t - - - ( 17 )
p 1 + q RD , t ≥ λ ^ RD , t y RD , t - - - ( 18 )
p 1 + q RR , t ≥ [ λ ^ RR , t + E ( x RR ) θ up , e λ ^ g , e , t Δt ] y RR , t - - - ( 19 )
p 1 + q pl , ec , t ≥ ( ω imb , ec λ ^ dag , e , t Δt ) y pl , ec , t - - - ( 20 )
p 1 + q pl , bl , t ≥ ( ω imb , bl λ ^ dag , e , t Δt ) y pl , bl , t - - - ( 21 )
p 1 + q EV , c , t ≥ λ ^ g , e , t Δty EV , c , t - - - ( 22 )
-y≤P≤y  (23)
P = ( P W , t B , P EV , RU , t , P EV , RD , t , P EV , RR , t , P pl , ec , t , P pl , bl , t , E ( P EV , t c ) ) - - - ( 24 )
y＝(yW,B,t,yRU,t,yRD,t,yRR,t,ypl,ec,t,ypl,bl,t,yEV,c,t)  (25)
p1,qW,B,t,qRU,t,qRD,t,qRR,t,qpl,ec,t,qpl,bl,t,qEV,c,t≥0  (26)
E ( P EV , t c ) ≥ P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t - - - ( 27 )
E ( P EV , t dc ) ≥ - [ P EV , RD , t E ( x RD ) + P POP , t + P EV , W , c , t - P EV , RU , t E ( x RU ) - P EV , RR , t E ( x RR ) - P EV , W , dc , t ] - - - ( 28 )
S t = S 0 + Σ t [ P EV , ctr , t η c - P EV , dri , t η dc ] λ cp , t Δt P bat + Σ t [ E ( P EV , t ) ] η c λ cp , t 1 P bat Δt - - - ( 29 )
P W , t B ≤ z ϵ up , W σ up , W , t + μ up , W , t - - - ( 30 )
P W , t B ≤ z 1 - ϵ low , W σ low , W , t + μ low , W , t - - - ( 31 )
P pl , ec , t + P EV , W , c , t + P W , t B - P EV , W , dc , t ≥ z 1 - ϵ pl , ec σ a , W , t + μ a , W , t - - - ( 32 )
P EV , W , c , t + P W , t B - P EV , W , dc , t - P pl , bl , t ≤ z ϵ pl , bl σ a , W , t + μ a , W , t - - - ( 33 )
式中：w为目标函数，P为决策变量组成的向量；y为由对偶变换所引入的辅助决策变量所组成的向量；θup,e为调节系数；Pbat表示虚拟电厂中所有电动汽车电池的等值容量；μa,W,t和σa,W,t分别为的正态分布的期望值和标准差Plow,W,t；风机竞标出力的上、下限Pup,W,t和Plow,W,t均为随机变量，μup,W,t，σup,W,t和μlow,W,t，σlow,W,t分别为Pup,W,t和的期望值和标准差。εup,W、εlow,W、εpl,ec、εpl,bl表示机会约束成立的概率；zε为标准正态分布的上侧ε分位点，则分别表示标准正态分布的上侧εup,W、1-εlow,W、1-εpl,ec、εpl,bl分为点；E(xRD)表示电力系统在时段t的下调备用的调用比例xRD的期望值，日前能量市场价格λdag,e,t、上调备用容量价格λRU,t、下调备用容量价格λRD,t、旋转备用容量价格λRR,t、虚拟电厂从实时能量市场的购电价λs,e,t、发电上网电价λg,e,t可根据历史数据进行预测，且假定其均在区间内变化；其中，表示电价的预测值，表示电价波动区间半径；
在上述鲁棒协同竞价模型中，电动汽车充放电功率约束为式(27)和式(28)，其SOC约束为式(29)，式(30)和式(31)分别为风机竞标出力的上下限约束，式(32)和式(33)为风机竞标出力和实际出力的偏差约束，其他约束即式(10)-式(13)的形式不变；
决策变量包括：风电在日前能量市场中的竞标出力电动汽车在调节市场中的调节备用和旋转备用竞标容量，即PEV,RU,t，PEV,RD,t和PEV,RR,t；电动汽车为平抑风机出力波动提供的备用PEV,W,c,t和PEV,W,dc,t；电动汽车的计划充电功率PPOP,t；电动汽车的合约电量充电功率PEV,ctr,t；模型线性化变换所增加的决策变量Ppl,ec,t，和对偶变换所引入的辅助决策变量p1，q和y，其中q＝(qW,B,t,qRU,t,qRD,t,qRR,t,qpl,ec,t,qpl,bl,t,qEV,c,t)，y＝(yW,B,t,yRU,t,yRD,t,yRR,t,ypl,ec,t,ypl,bl,t,yEV,c,t)；鲁棒控制系数为Γ1；
3)通过调整鲁棒控制系数来控制虚拟电厂竞价策略的风险水平,获得相应的竞价策略方案。
CN201410737843.XA 2014-12-06 2014-12-06 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法 Pending CN104466999A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410737843.XA CN104466999A (zh) 2014-12-06 2014-12-06 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410737843.XA CN104466999A (zh) 2014-12-06 2014-12-06 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法

Publications (1)

Publication Number Publication Date
CN104466999A true CN104466999A (zh) 2015-03-25

Family

ID=52912592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410737843.XA Pending CN104466999A (zh) 2014-12-06 2014-12-06 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法

Country Status (1)

Country Link
CN (1) CN104466999A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117805A (zh) * 2015-09-15 2015-12-02 武汉大学 一种利用电动汽车的虚拟发电厂优化调度方法及系统
CN105391092A (zh) * 2015-11-18 2016-03-09 国网山东省电力公司电力科学研究院 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法
CN105958498A (zh) * 2016-04-28 2016-09-21 东南大学 一种考虑电动汽车的机组组合与分时电价联合优化方法
CN107730048A (zh) * 2017-10-26 2018-02-23 华中科技大学 一种风电‑电动汽车联合系统随机鲁棒优化调度方法
CN107867198A (zh) * 2017-11-03 2018-04-03 华北电力大学 调节含风电配电网频率的电动汽车实时充电策略
CN107887932A (zh) * 2017-11-13 2018-04-06 天津大学 虚拟发电厂在日前市场的生产竞价组织方法
CN108808734A (zh) * 2018-07-09 2018-11-13 东北电力大学 一种含虚拟电厂的风电并网系统分布式优化调度建模方法
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN110535183A (zh) * 2018-05-25 2019-12-03 国网河南省电力公司电力科学研究院 一种虚拟电厂的调度方法及系统
CN111523729A (zh) * 2020-04-23 2020-08-11 上海交通大学 基于igdt和需求响应的虚拟电厂竞价的优化控制方法
CN111682536A (zh) * 2020-06-24 2020-09-18 上海电力大学 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
CN113888209A (zh) * 2021-09-17 2022-01-04 中国能源建设集团天津电力设计院有限公司 虚拟电厂参与电力市场和碳交易市场的协同竞价方法
CN115409552A (zh) * 2022-08-29 2022-11-29 南京邮电大学 基于多场景风险预防控制的电动汽车备用申报方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103456099A (zh) * 2013-08-26 2013-12-18 东南大学 一种基于实时电价的插入式电动汽车充电控制方法
WO2014031099A1 (en) * 2012-08-21 2014-02-27 International Truck Intellectual Property Company, Llc Vehicle powertrain and method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014031099A1 (en) * 2012-08-21 2014-02-27 International Truck Intellectual Property Company, Llc Vehicle powertrain and method
CN103456099A (zh) * 2013-08-26 2013-12-18 东南大学 一种基于实时电价的插入式电动汽车充电控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨甲甲等: "含电动汽车和风电机组的虚拟发电厂竞价策略", 《电力系统自动化》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117805A (zh) * 2015-09-15 2015-12-02 武汉大学 一种利用电动汽车的虚拟发电厂优化调度方法及系统
CN105391092A (zh) * 2015-11-18 2016-03-09 国网山东省电力公司电力科学研究院 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法
CN105391092B (zh) * 2015-11-18 2018-05-04 国网山东省电力公司电力科学研究院 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法
CN105958498A (zh) * 2016-04-28 2016-09-21 东南大学 一种考虑电动汽车的机组组合与分时电价联合优化方法
CN107730048A (zh) * 2017-10-26 2018-02-23 华中科技大学 一种风电‑电动汽车联合系统随机鲁棒优化调度方法
CN107867198A (zh) * 2017-11-03 2018-04-03 华北电力大学 调节含风电配电网频率的电动汽车实时充电策略
CN107887932A (zh) * 2017-11-13 2018-04-06 天津大学 虚拟发电厂在日前市场的生产竞价组织方法
CN110535183A (zh) * 2018-05-25 2019-12-03 国网河南省电力公司电力科学研究院 一种虚拟电厂的调度方法及系统
CN110535183B (zh) * 2018-05-25 2022-10-25 国网河南省电力公司电力科学研究院 一种虚拟电厂的调度方法及系统
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN108960510B (zh) * 2018-07-04 2021-11-26 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略装置
CN108808734A (zh) * 2018-07-09 2018-11-13 东北电力大学 一种含虚拟电厂的风电并网系统分布式优化调度建模方法
CN111523729A (zh) * 2020-04-23 2020-08-11 上海交通大学 基于igdt和需求响应的虚拟电厂竞价的优化控制方法
CN111523729B (zh) * 2020-04-23 2022-03-04 上海交通大学 基于igdt和需求响应的虚拟电厂竞价的优化控制方法
CN111682536A (zh) * 2020-06-24 2020-09-18 上海电力大学 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
CN111682536B (zh) * 2020-06-24 2023-08-18 上海电力大学 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
CN113888209A (zh) * 2021-09-17 2022-01-04 中国能源建设集团天津电力设计院有限公司 虚拟电厂参与电力市场和碳交易市场的协同竞价方法
CN113888209B (zh) * 2021-09-17 2025-02-11 中国能源建设集团天津电力设计院有限公司 虚拟电厂参与电力市场和碳交易市场的协同竞价方法
CN115409552A (zh) * 2022-08-29 2022-11-29 南京邮电大学 基于多场景风险预防控制的电动汽车备用申报方法及系统

Similar Documents

Publication Publication Date Title
CN104466999A (zh) 一种含电动汽车和风电机组的虚拟发电厂竞价策略的确定方法
CN108960510B (zh) 一种基于两阶段随机规划的虚拟电厂优化交易策略装置
Tavakoli et al. Energy exchange between unidirectional vehicle-to-grid aggregators, and wind and conventional generating companies in the electricity market
CN111047114B (zh) 抽水蓄能机组在日前电力现货市场的双层竞价优化方法
Zheng et al. Optimal allocation of energy storage system for risk mitigation of DISCOs with high renewable penetrations
CN108875992B (zh) 一种考虑需求响应的虚拟电厂日前优化调度方法
CN110322056B (zh) 一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法
CN108667052A (zh) 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统
CN105356491B (zh) 一种基于储能和虚拟储能最优控制的功率波动平抑方法
CN104734200A (zh) 一种基于虚拟发电的主动配电网优化调度方法
CN112529249B (zh) 一种计及绿证交易的虚拟电厂优化调度及交易管理方法
CN107706932A (zh) 一种基于动态自适应模糊逻辑控制器的能量调度优化方法
CN109872228A (zh) 计及不确定性的柔性负荷聚合商参与电力市场投标方法
CN115659096A (zh) 考虑源荷不确定性的微网多时间尺度能量调度方法及装置
CN106169102A (zh) 一种虚拟电厂日前调度优化模型
CN108832654A (zh) 一种用于光伏发电系统经济效益优化调度的方法及系统
CN105391092B (zh) 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法
CN116108360A (zh) 一种区域综合能源系统优化运行控制方法及装置
CN117592621B (zh) 一种虚拟电厂集群两阶段调度优化方法
CN116957294A (zh) 基于数字孪生的虚拟电厂参与电力市场交易的调度方法
CN107887932A (zh) 虚拟发电厂在日前市场的生产竞价组织方法
CN117458624A (zh) 考虑优先级别的微电网有功功率控制方法及系统
Pilz et al. A practical approach to energy scheduling: A game worth playing?
CN105930919A (zh) 基于两阶段随机规划的虚拟电厂风险规避优化运行方法
CN110826801A (zh) 电动车充电站分布式电能管理方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150325

WD01 Invention patent application deemed withdrawn after publication