基于对偶变量在线更新风储虚拟电站实时调度方法及系统

技术领域

本发明涉及电力调度技术领域，尤其涉及一种基于对偶变量在线更新风储虚拟电站实时调度方法及系统。

背景技术

随着能源使用和化石燃料消耗的不断增长，环境污染和温室效应问题已引起世界范围的关注。近年来，风能、太阳能等可再生能源发电的发展规模逐步扩大。虚拟电厂是一种通过先进信息通信技术和软件系统，实现可再生能源和灵活资源的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。虚拟电厂能够聚合可再生能源及灵活资源参与电力市场和辅助服务市场运行，为配电网和输电网提供管理和辅助服务。

由于风电的随机性、波动性和间歇性，给电力系统运行带来了巨大挑战，并可能引发安全问题。作为提供系统备份和平滑风电出力的重要手段，储能技术可以部署在风电场，与风力发电协同运行。风电出力的随机性会增大发电计划制定难度，灵活资源及输电资源的有限性导致风电难以完全消纳，从而产生弃风问题；风电预测技术具有复杂性，得到精确的风电出力预测结果较为困难。因此，在风电出力预测结果难以获得时，需要相应制定风储虚拟电站发电计划，以实现虚拟电站在线调度并保证较优的经济效益。

但是现有的虚拟电站通过容量有限的输电线路连接到输电电网。风电出力和储能充放电功率以实时方式进行调度控制。储能系统可以通过风电机组充电，也可以通过输电线路将电能放至输电电网。进行风储虚拟电站实时调度控制时，风电的发电能力及实时电价是不确定性变量，对调度计划的制定带来挑战。现有技术多采用风电出力及电价的预测结果或统计信息，以离线模型为基础进行风储联合调度，促进风电消纳，增加输电收益。然而，对于风电出力能力和电价的预测往往存在一定误差，使得相应调度策略在数学上没有明确的性能保障。当预测数据存在较大误差时，通过预测控制方法无法带来显著较优的经济效益。

发明内容

本发明提供一种基于对偶变量在线更新风储虚拟电站实时调度方法及系统，用以解决现有风储虚拟电站调度策略难以准确制定的缺陷，实现风储虚拟电站调度准确贴合实际发电需求，提升经济收益。

本发明提供一种基于对偶变量在线更新风储虚拟电站实时调度方法，包括：

对预构建的风储虚拟电站调度模型进行转化，得到单时段优化调度模型；

基于含期望的约束对单时段优化调度模型求取对应的偏拉格朗日对偶问题式；

利用预估的对偶变量求解偏拉格朗日对偶问题式，获取单时段下最优调度策略；

其中，所述风储虚拟电站调度模型是基于离线调度模型引入惩罚项，通过求和放缩松弛得到的。

根据本发明提供的一种基于对偶变量在线更新风储虚拟电站实时调度方法，所述风储虚拟电站调度模型是基于离线调度模型引入惩罚项，通过求和放缩松弛得到，具体包括：

建立风储虚拟电站调度模型，具体公式为：

其中，

通过求和放缩，将

根据本发明提供的一种基于对偶变量在线更新风储虚拟电站实时调度方法，所述对预构建的风储虚拟电站调度模型进行转化，得到单时段优化调度模型，具体包括：

针对变量松弛的稳态对各时段约束进行解耦，生成以系统此时段状态

根据本发明提供的一种基于对偶变量在线更新风储虚拟电站实时调度方法，所述基于含期望的约束对单时段优化调度模型求取对应的偏拉格朗日对偶问题式，具体包括：

基于含期望的约束

/>

s.t.Power Constraints

其中，λ

根据本发明提供的一种基于对偶变量在线更新风储虚拟电站实时调度方法，所述利用预估的对偶变量求解偏拉格朗日对偶问题式，获取单时段下最优调度策略，具体包括：

采用随机对偶变量

随机对偶变量

其中，μ为权重系数，β是用于调节最优性的参数，对经验对偶变量

根据本发明提供的一种基于对偶变量在线更新风储虚拟电站实时调度方法，所述对经验对偶变量

在每个时段t观测系统状态

s.t.Power Constraints

限制充放电功率避免SoC越界，下一时间段的SoC数值更新为：

对经验对偶变量

其中经验策略

s.t.Power Constraints

选取

本发明还提供一种基于对偶变量在线更新风储虚拟电站实时调度系统，所述系统包括：

调度模型优化模块，用于对预构建的风储虚拟电站调度模型进行转化，得到单时段优化调度模型；

对偶变量预估模块，用于对基于含期望的约束对单时段优化调度模型求取对应的偏拉格朗日对偶问题式；

最优策略输出模块，用于利用预估的对偶变量求解偏拉格朗日对偶问题式，获取单时段下最优调度策略。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于对偶变量在线更新风储虚拟电站实时调度方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于对偶变量在线更新风储虚拟电站实时调度方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于对偶变量在线更新风储虚拟电站实时调度方法。

本发明提供的基于对偶变量在线更新风储虚拟电站实时调度方法及系统，针对风储虚拟电站中风力发电实时预测困难的特点，结合风储联合发电调度模型的特性，提出了结合对偶特性的风储一体化电场实时调度策略生成方法。在制定实时调度策略时只考虑当前时刻及历史时段观察到的信息，避免依赖未来时段不确定性变量的预测信息。

结合实际风储虚拟电站的数据，开展了仿真和分析，确定出接近最优的对偶变量，能够生成可行的风储虚拟电站调度策略，且调度的经济性与不确定性变量信息已知的离线模型十分接近；可对未来风储联合虚拟电站的构建、规划与运行具有一定的借鉴和参考意义。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于对偶变量在线更新风储虚拟电站实时调度方法的流程示意图；

图2是本发明提供的某虚拟电站48小时实时数据；

图3是本发明提供的在线及离线荷电状态变化图；

图4是本发明提供的在线及离线平均收益变化图；

图5是本发明提供的在线方法荷电状态情况示意图；

图6是本发明提供的基于对偶变量在线更新风储虚拟电站实时调度系统模块连接示意图；

图7是本发明提供的电子设备的结构示意图。

附图标记：

110：调度模型优化模块；120：对偶变量预估模块；130：最优策略输出模块；

710：处理器；720：通信接口；730：存储器；740：通信总线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1描述本发明的基于对偶变量在线更新风储虚拟电站实时调度方法，包括：

对预构建的风储虚拟电站调度模型进行转化，得到单时段优化调度模型；

基于含期望的约束对单时段优化调度模型求取对应的偏拉格朗日对偶问题式；

利用预估的对偶变量求解偏拉格朗日对偶问题式，获取单时段下最优调度策略；

其中，所述风储虚拟电站调度模型是基于离线调度模型引入惩罚项，通过求和放缩松弛得到的。

结合实际风储虚拟电站的数据，开展了仿真和分析，确定出接近最优的对偶变量，能够生成可行的风储虚拟电站调度策略，且调度的经济性与不确定性变量信息已知的离线模型十分接近，实现对电力调度策略的优化，提升经济效益。

风储虚拟电站调度模型是基于离线调度模型引入惩罚项，通过求和放缩松弛得到，具体包括：

建立风储虚拟电站调度模型，具体公式为：

其中，

通过求和放缩，将

通过引入惩罚项能够避免频繁的充放电，对系统形成保护，属于充放电功率的二次凸函数。

对预构建的风储虚拟电站调度模型进行转化，得到单时段优化调度模型，具体包括：

针对变量松弛的稳态对各时段约束进行解耦，生成以系统此时段状态

在生成某个时间段的风储虚拟电站调度模型后，通过对偶问题和对偶变量的估计虚拟电站调度策略的求取，使实际的调度情况更加符合风力发电状态，减少废电，提升经济效益。

基于含期望的约束对单时段优化调度模型求取对应的偏拉格朗日对偶问题式，具体包括：

基于含期望的约束

s.t.Power Constraints

其中，λ

在每个决策时刻，若已知对偶变量的精确取值，首先获取该时刻的系统状态

s.t.Power Constraints

即可得到该时段在全局意义下的最优调度策略。但由于系统精确状态无法提前得知，最优对偶变量取值无法获得，可以基于系统历史运行情况对λ

利用预估的对偶变量求解偏拉格朗日对偶问题式，获取单时段下最优调度策略，具体包括：

采用随机对偶变量

随机对偶变量

其中，μ为权重系数，β是用于调节最优性的参数，对经验对偶变量

由于最优的可行调度策略难以提前准确获取，只能通过根据系统历史运行状态对经验对偶变量进行预估，从而确定出最接近的最优可行调度策略。

对经验对偶变量

在每个时段t观测系统状态

s.t.Power Constraints

为了保证得到的策略可行，需要限制充放电功率避免SoC越界，下一时间段的SoC数值更新为：

SoC数值表示储能电量值、荷电状态，电池荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余可放电电量与其完全充电状态的电量的比值，常用百分数表示。

SoC主要估算方法解析：

1、内阻法，内阻测量法是用不同频率的交流电激励电池，测量电池内部交流电阻，并通过建立的计算模型得到SoC估计值。该方法测量得到的电池荷电状态反映了电池在某特定恒流放电条件下的SoC值。

2、线性模型法，线性模型法原理是基于SoC的变化量、电流、电压和上一个时间点SoC值，建立的线性模型，这种模型适用于低电流、SoC缓变的情况，对测量误差和错误的初始条件，有很高的鲁棒性。

根据SoC数值，相应修改初步调度策略中的充放电功率：

若E

若E

若E

对经验对偶变量

其中经验策略

s.t.Power Constraints

选取

中的α为与系统规模有关的权重系数，H为对偶变量的最大变化范围，M为储能电池能流的最大变化范围。同时，若参数β和μ的选取满足以下条件：

则按本发明所述在线方法调度的平均收益与离线调度的最优收益的差值仅为O(μ)，即在线调度方法最优性存在数值保障。

在一个具体例子中，选取某风储虚拟电站作为研究对象，基本数据如表1所示。

表1系统配置及参量取值

选取了该风储虚拟电站48小时的风能资源，并选取相应时长的实时电价作为参考，所选时长对应的数据如图2所示。

分别采用本发明所提在线算法和离线算法式风储虚拟电站调度模型对风储虚拟电站进行48小时的实时调度，SoC变化的结果如图3所示。可见，利用在线算法进行调度时，SoC没有违反储能荷电状态上下限，说明调度是有效可行的。在线和离线调度时的SoC变化图之间存在充电/放电区域的偏移，这是因为在信息完备的情况下，离线策略可以检测全时段电价的峰谷，并据此做出充放电决策。然而，在线调度相对离线调度的总收益差距仅为2.73％(如表2所示)，因此本发明所提方法为实时调度问题提供了有效的次优解。

表2不同算法配置下虚拟电站收益情况

图4展示了每小时平均收入随调度时间轴的变化曲线。可以看到，在线算法的长期平均收入十分接近线下收入。两条曲线之间的差距反映了完全信息所提供的价值。

当权重系数μ分别更改为0.06和0.07时，在线调度算法进行虚拟电站调度，得到的SoC变化图如图5所示。当μ选取较大数值时，目标函数中对应对偶部分的权重增加，系统倾向于缩减充放电功率以保证调度策略的可行性。

参考图6，本发明还公开了基于对偶变量在线更新风储虚拟电站实时调度系统，所述系统包括：

调度模型优化模块110，用于对预构建的风储虚拟电站调度模型进行转化，得到单时段优化调度模型；

对偶变量预估模块120，用于对基于含期望的约束对单时段优化调度模型求取对应的偏拉格朗日对偶问题式；

最优策略输出模块130，用于利用预估的对偶变量求解偏拉格朗日对偶问题式，获取单时段下最优调度策略。

调度模型优化模块，先构建的风储虚拟电站调度模型，具体公式为：

其中，

通过求和放缩，将

针对变量松弛的稳态对各时段约束进行解耦，生成以系统此时段状态

Power Constraints

对偶变量预估模块，基于含期望的约束

s.t.Power Constraints

其中，λ

最优策略输出模块，采用随机对偶变量

随机对偶变量

其中，μ为权重系数，β是用于调节最优性的参数，对经验对偶变量

对经验对偶变量

在每个时段t观测系统状态

s.t.Power Constraints

限制充放电功率避免SoC越界，下一时间段的SoC数值更新为：

对经验对偶变量

其中经验策略

s.t.Power Constraints

选取

本发明公开的基于对偶变量在线更新风储虚拟电站实时调度系统，针对风储虚拟电站中风力发电实时预测困难的特点，结合风储联合发电调度模型的特性，提出了结合对偶特性的风储一体化电场实时调度策略生成方法。在制定实时调度策略时只考虑当前时刻及历史时段观察到的信息，避免依赖未来时段不确定性变量的预测信息。

结合实际风储虚拟电站的数据，开展了仿真和分析，确定出接近最优的对偶变量，能够生成可行的风储虚拟电站调度策略，且调度的经济性与不确定性变量信息已知的离线模型十分接近；可对未来风储联合虚拟电站的构建、规划与运行具有一定的借鉴和参考意义。

图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(Processor)710、通信接口(Communications Interface)720、存储器(Memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行基于对偶变量在线更新风储虚拟电站实时调度方法，该方法包括：对预构建的风储虚拟电站调度模型进行转化，得到单时段优化调度模型；

基于含期望的约束对单时段优化调度模型求取对应的偏拉格朗日对偶问题式；

利用预估的对偶变量求解偏拉格朗日对偶问题式，获取单时段下最优调度策略；

其中，所述风储虚拟电站调度模型是基于离线调度模型引入惩罚项，通过求和放缩松弛得到的。

此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于对偶变量在线更新风储虚拟电站实时调度方法，该方法包括：对预构建的风储虚拟电站调度模型进行转化，得到单时段优化调度模型；

基于含期望的约束对单时段优化调度模型求取对应的偏拉格朗日对偶问题式；

利用预估的对偶变量求解偏拉格朗日对偶问题式，获取单时段下最优调度策略；

其中，所述风储虚拟电站调度模型是基于离线调度模型引入惩罚项，通过求和放缩松弛得到的。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于对偶变量在线更新风储虚拟电站实时调度方法，该方法包括：对预构建的风储虚拟电站调度模型进行转化，得到单时段优化调度模型；

基于含期望的约束对单时段优化调度模型求取对应的偏拉格朗日对偶问题式；

利用预估的对偶变量求解偏拉格朗日对偶问题式，获取单时段下最优调度策略；

其中，所述风储虚拟电站调度模型是基于离线调度模型引入惩罚项，通过求和放缩松弛得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。