用户侧虚拟电厂灵活调节服务交易策略优化实现方法

技术领域

本发明涉及的是一种虚拟电厂控制领域的技术，具体是一种基于随机排序的代理模型进化算法求解考虑灵活调节服务交易的用户侧虚拟电厂灵活调节服务交易策略优化实现方法。

背景技术

由于新能源的高比重，使得电网的供给具有很大的随机性和波动性，使得电网很容易发生有功供求失衡，需要加强新型电网的适应性调整。为应对净负荷的大幅波动，系统需要有足够的灵活爬坡能力，因此，美国两大区域输电机构CAISO和MISO设计了灵活爬坡产品(flexible ramping products，FRPs)以应对系统可能出现的爬坡容量缺额。现有虚拟电厂灵活性爬坡产品服务交易策略的缺点和不足包括：目前FRP的研究主要集中在系统层面的灵活爬坡备用调用方法和风光、电动汽车提供FRP可行性分析及建模，针对需求侧及其聚合体的FRP交易策略的研究较少；或其过程需要引导用户披露私有信息与参数，随着用户对私有信息的逐渐重视，现有方法在实际应用上存在一定的难度。

发明内容

本发明针对现有技术计算复杂度较高未考虑到主体隐私问题且单一模型无法全面提取数据的各项特征的不足，提出一种用户侧虚拟电厂灵活调节服务交易策略优化实现方法，能够实现用户侧虚拟电厂对灵活调节服务的非侵入式管理和调度，从而为新型电力系统进行源侧、荷侧灵活性资源优化、源网荷储协同运行提供理论依据和工程实施辅助。

本发明是通过以下技术方案实现的：

本发明涉及一种用户侧虚拟电厂灵活调节服务交易策略优化实现方法，根据采样数据拟合得到的用户对不同电力价格水平的响应情况，建立基于用户端虚拟电厂外部提供各类电力产品、内部向用户购买/出售各类电力服务的用户侧虚拟电厂能源交互双层优化模型，通过采集用户负荷数据和风光预测数据后对，考虑预测不确定性并对用户侧虚拟电厂能源交互双层优化模型进行优化，再利用基于随机排序的代理模型进化算法，对优化后用户侧虚拟电厂能源交互双层优化模型进行求解，得到优化服务交易策略。

技术效果

本发明通过基于随机排序的代理模型进化算法解决用户侧虚拟电厂开展灵活调节业务交易策略问题，相比现有技术不需要对用户的个人信息进行直接的收集，一定程度上提升了用户对于隐私保护的需求；并且使用了随机排序的方法，以减小单个模型带来的错误，使得计算结果更加准确。

附图说明

图1为本发明所提基于代理模型进化算法用户侧虚拟电厂灵活调节方法流程示意图；

图2为本发明用户侧虚拟电厂聚合框架；

图3为本发明SRK-DDEA流程图；

图4为实施例输入输出数据来源示意图；

图5为实施例效果示意图。

具体实施方式

如图1所示，为本实施例涉及一种基于随机排序的代理模型进化算法的用户侧虚拟电厂灵活调节服务交易策略，包括：

步骤1)根据采样数据拟合得到的用户对不同电力价格水平的响应情况，建立基于用户端虚拟电厂外部提供各类电力产品、内部向用户购买/出售各类电力服务的用户侧虚拟电厂能源交互双层优化模型；

所述的用户侧虚拟电厂能源交互双层优化模型中：上层优化模型为用户侧虚拟电厂(DS-VPP)以用户端的各种电力资源代理的形式参与电力市场，以自身收益最大为目标购/售各类电力商品，以与内部各客户签订的电力商品价格为决策变量；下层优化模型为用户以最低费用向DS-VPP购电，而有意愿提供调节向上/下灵活性调节服务(FRP)的用户也可以与DS-VPP签订合约，决策变量为电力需求量和FRP供应量。

所述的上层优化模型包括：DS-VPP最大化收益函数

所述的上层优化模型中DS-VPP与用户签订各种电力产品价格的上下限约束包括：

λ

所述的下层优化模型包括：用户购电成本最小目标函数

所述的下层优化模型的约束包括：P

如图1所示，以向上FRP为例，用户侧虚拟电厂从时刻t的用电需求P

如图2所示，所述的用户侧虚拟电厂能源交互双层优化模型将终端中心聚合之后形成虚拟电厂内部向上和向下爬坡产品的总和

一般而言，不可控负荷不存在自主调整空间，但用户可以根据用电习惯或电价差异自由选择其他售电商，因此不可控负荷总用电量固定，而从DS-VPP购买的电量存在一定变化范围。

步骤2)采集用户负荷数据和风光预测数据后对，考虑预测不确定性并对用户侧虚拟电厂能源交互双层优化模型进行优化，具体为：

步骤3)利用基于随机排序的代理模型进化算法，对步骤2得到的优化后用户侧虚拟电厂能源交互双层优化模型进行求解，得到服务交易策略，具体包括：

3.1)如图3所示，使用径向基函数网络(RBFN，radial basis function network)建立代理模型，利用隐藏层使用径向基函数作为激活函数并利用Kmeans聚类方法对其进行求解。

所述的径向基函数网络包括：输入层、隐藏层和输出层，在此基础上，每个神经元

所述的径向基函数采用但不限于以下任意一种：

如图3所示，基于四种不同的RBFNs形成M1，M2，M3，M4四种代理模型。由于不同的拟合模型会导致不同的误差，因此用平均法进行代理模型的适应性评估是不合理的。随机排序是一种常用的多目标优化问题，它采用一种基于随机排序的多个代理模型来实现多个模型的均衡，从而避免由于单个代理模型的错误而产生的最优偏差。基于以上思路，得到DS-VPP动态定价决策算法筛选最优种群的过程，具体包括：

i)采用拉工超立方采样技术生成m组价格集合λ

ii)将训练数据集Tr带入不同核函数构成的径向基函数网络获得K组代理模型M1…Mk；

iii)随机生成初始种群P：

iv)判断是否满足收敛条件，如果满足，则跳至步骤xv，否则进入步骤v；

v)交叉遗传生成子代Q；

vi)将子代Q并入父代P，计算当前种群规模N；

vii)分别采用K种代理模型计算当前种群的适应度函数

viii)对i∈[1，N]：

ix)对j∈[1，N-1]：

x)随机选择一个[1，K]之间的整数k；

xi)如

xii)步骤ix循环结束；

xiii)步骤viii循环结束；

xiv)选择种群集合中最上层个体作为最优解，回到步骤iv；

xv)输出最优解与对应适应度函数。

在每次重复的迭代中，父代P杂交产生后代Q，通过把这些个体引入四类拟合模型，得到相应的适应性函数，然后用随机排序方法对群体进行排序。

3.2)根据聚类得到的结果得到缩减后的风电出力预测不确定性场景和负荷用电不确定性场景，进行后续考虑不确定性的优化模型处理。

经过具体实际实验，在PJM2020市场的具体环境设置下，以价格下限系数δ

如图4所示，本实施例以代理模式的结构为例得到的代理模型的输入和输出数据，并将其与客户签订的电力销售价格和FRP购买价格作为代理模型的输入数据，并将其以当前价格决定的购售电收入作为代理模型的输出数据。

为验证多种代理模型能够提高拟合模型的精确性、减小计算成本的理论，对比GP和RBFN两种方法的计算成本；采用随机排序法和平均值法两种方法进行仿真拟合，对比两种方法的计算成本和计算精确性。

如图5所示，图中测试时段为优化过程中考虑的时段，在数量较少的测试时段案例中，GP相较RBFN具有较好的优势，说明GP在低决策变量环境下计算成本较低，而随着测试时段的增加，决策变量逐步增多，GP所需计算时间显著增加且超过RBFN的计算时间。随着测试时段的增加，GP拟合的模型也逐渐偏离理论最优点，RBFN则保持较为良好的拟合效果。

随机排序法相较于平均值法，更加贴合KKT理论值曲线，具体而言，平均值法在八个时段的平均误差为1.898％，随机排序法则为0.099％。在计算成本上，可以看出两种方法的计算成本不分伯仲，具体而言，平均值法在八个时段的平均计算时间为83.006秒，随机排序法的平均计算时间为81.451秒。通过该算法可以发现，随机排序法在与平均值法类似的计算时间下，可以实现更优的精确度。

与现有技术相比，本发明针对用户端的能源供应、购买灵活调节服务等业务模式，并明确用户和虚拟电厂在灵活调节服务市场中的定位，采用基于随机排序的代理模型进化算法来解决该问题，不需要对用户的个人信息进行直接的收集，并且使用随机排序的方法，以减小单个模型带来的错误，使得计算结果更加准确。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。