一种基于虚拟电厂的电力资源优化的方法和电子设备

技术领域

本发明涉及电力资源领域，特别是一种基于虚拟电厂的电力资源优化的方法和电子设备。

背景技术

随着储能在电力系统各环节中越来越多的部署，为虚拟电厂提供了新的参与体和调控手段，使得虚拟电厂在响应速度、调节精度和容量可信度等方面性能得到提升，更具市场竞争力。

面对风电、光伏等分布式可再生能源的规模化接入，以及其出力随机、波动性等特点，传统电力系统在结构、形态以及运行模式上也必然会随之发生变革以适应新需求。

目前的虚拟电厂，多数基于传统的火电、水电资源数据建立模型，而光伏、风电等多种可再生能源，以及各类储能系统(例如：各种电池储能、抽水蓄能等)的大规模接入，导致目前的虚拟电厂并不能很好的调控这些新接入的能源类型，控制效率低下。

发明内容

鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种基于虚拟电厂的电力资源优化的方法和电子设备。

第一方面，提供了一种基于虚拟电厂的电力资源优化的方法，所述方法包括：

获取所述虚拟电厂涉及的电力资源数据；

对所述电力资源数据采用帕累托分群算法构建分类模型，将所述电力资源数据进行校对和分类，划分出多种分类数据；

对多种所述分类数据进行分解，获得帕累托最优解集，并基于所述帕累托最优解集对每种分类数据进行数据采集和电力资源模型构建，每一个电力资源模型对应一种分类数据。

可选地，对所述电力资源数据采用帕累托分群算法构建分类模型，将所述电力资源数据进行校对和分类，划分出多种分类数据，包括：

对所述电力资源数据，以所述帕累托分群算法的目标函数进行运算，将所述电力资源数据按照分类需求进行每一类数据的校对，以保证分类精准；

对每一类数据校正后，划分出每一类数据对应的一种分类数据，多类数据对应多种分类数据。

可选地，所述目标函数的表达式为：

minf(x)＝(f

上式表达f将n维决策空间Ω映射到k维目标空间，所述目标函数包含优化问题的全部优化目标，所述n维决策空间Ω覆盖变量空间的全部；

对于任意两个决策向量x、y，根据所述目标函数的表达式进行运算，得到的结果有：

若f(x)在任意目标上不大于且至少在一个目标上小于(y)，那么决策向量x支配决策向量y，或者决策向量y被决策向量x支配，决策向量x支配决策向量y记为f(x)くf(y)，所述决策向量x、y对应所述电力资源数据中任意两个数据；

若决策向量x和决策向量y存在相互支配关系，则决策向量x和决策向量y进行比较，以确定决策向量x和决策向量y各自对应的数据是否属于同一类数据；

若f(x)和f(y)在所有目标上相等，则决策向量x和决策向量y等价，即决策向量x和决策向量y各自对应的数据属于同一类数据；

若决策向量x和决策向量y既不相互支配也不等价，则决策向量x和决策向量y无法进行比较，即决策向量x和决策向量y各自对应的数据不属于同一类数据。

可选地，对多种所述分类数据进行分解，获得帕累托最优解集，包括：

若决策向量x不被任何决策空间Ω中的向量支配，则决策向量x是一个帕累托最优解，即该决策向量x对应的数据属于一种分类数据；

所有帕累托最优解的集合组成帕累托最优解集，即非劣解集。

可选地，所述电力资源模型包括：可控电源模型；

所述可控电源模型包括：分布式发电装置模型；

所述分布式发电装置模型

上式中，n为所述分布式发电装置的单元数，P为t时段第i个所述分布式发电装置的输出功率，其可作为决策变量，K

所述分布式发电装置的运行成本C(P

式中，α

可选地，所述电力资源模型还包括：不可控电源模型；；

所述不可控电源模型包括：风电模型和光电发电模型；；

所述风电模型f(v)的表达式如下：

上式中，v为风速，k表示形状参数，k>0，c为比例参数c>0；

风电输出功率P

上式中，v

所述光伏发电模型f(I)的表达式如下：

上式中，I

光伏发电功率P

上式中，

可选地，所述电力资源模型还包括：可中断负荷模型；；

所述可中断负荷是指：通过用户与调度之间签订合约，按照需求侧响应机制，在规定时间内或条件下提供负荷中断服务获得中断补偿，不同中断负荷量对用户的影响程度不同，为负荷中断设置等级，中断重要程度越高的负荷所获得的补偿金额也越高；

所述可中断负荷模型

上式中，n

当中断等级分得足够细时，表征补偿价格的曲线会由离散的多段函数变为连续递增的二次函数，则需求侧响应的成本C(P

上式中，α

可选地，所述电力资源模型还包括：储能系统模型；

所述储能系统模型

上式中，n

所述储能系统中电池充电和放电成本近似相同，上式同样表达为：

C(P

上式中，α

可选地，所述电力资源模型还包括：其他资源模型；

所述其他资源模型包括：燃料电池模型、新型储能模型、地源和空气源热泵模型、电动汽车有序充电模型、电动汽车V2G模型、热电耦合的综合能源系统模型。

第二方面，提供了一种电子设备，包括处理器，所述处理器执行时实现如第一方面任一所述基于虚拟电厂的电力资源优化的方法。

第三方面，提供了一种基于虚拟电厂的电力资源优化的装置，所述装置包括：

获取数据模块，用于获取所述虚拟电厂涉及的电力资源数据；

校对分类模块，用于对所述电力资源数据采用帕累托分群算法构建分类模型，将所述电力资源数据进行校对和分类，划分出多种分类数据；

构建模块，用于对多种所述分类数据进行分解，获得帕累托最优解集，并基于所述帕累托最优解集对每种分类数据进行数据采集和电力资源模型构建，每一个电力资源模型对应一种分类数据。

可选地，所述校对分类模块具体用于：

对所述电力资源数据，以所述帕累托分群算法的目标函数进行运算，将所述电力资源数据按照分类需求进行每一类数据的校对，以保证分类精准；

对每一类数据校正后，划分出每一类数据对应的一种分类数据，多类数据对应多种分类数据。

可选地，所述构建模块具体用于：

若决策向量x不被任何决策空间Ω中的向量支配，则决策向量x是一个帕累托最优解，即该决策向量x对应的数据属于一种分类数据；

所有帕累托最优解的集合组成帕累托最优解集，即非劣解集。

本申请具有以下优点：

在本发明中，首先获取虚拟电厂涉及的电力资源数据，这些数据自然包括传统的火电、水电资源数据以及光伏、风电、各类储能系统等多种类型的电力资源数据。对这些数量庞大的电力资源数据采用帕累托分群算法构建分类模型，这样就可以将电力资源数据进行校对和分类，划分出多种分类数据。通过这样的方式，精确了电力资源数据类型的划分，可将各种类型的数据准确的划分在一起，同时还可以发现可能的隐形分类，即发现目前暂时被忽略或者未被发现的数据分类，这样就为后续各种资源类型对应的电力资源模型的构建打好了精准的基础。

最后对多种分类数据进行分解，获得帕累托最优解集，并基于帕累托最优解集对每种分类数据进行数据采集和电力资源模型构建，每一个电力资源模型对应一种分类数据。通过这样的方法，使得虚拟电厂不但可以对传统电力资源进行很好的调控，还能很好的调控新接入的能源类型，极大的提升了控制效率。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明实施例一种基于虚拟电厂的电力资源优化的方法的流程图；

图2是本发明实施例一种基于虚拟电厂的电力资源优化的装置的框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。应当理解，此处所描述的具体实施例仅用以解释本发明，仅仅是本发明一部分实施例，而不是全部的实施例，并不用于限定本发明。

参照图1，示出了本发明实施例一种基于虚拟电厂的电力资源优化的方法的流程图，该方法包括：

步骤101：获取虚拟电厂涉及的电力资源数据。

本发明实施例中，可以对虚拟电厂涉及到的各种类型电力资源数据进行获取，获取的数量越多，自然后续得到的数据越精准，最后构建的电力资源模型就越精确。

获取数据的方法不做具体限定，依照已知方法获取即可。

步骤102：对电力资源数据采用帕累托分群算法构建分类模型，将电力资源数据进行校对和分类，划分出多种分类数据。

本发明实施例中，获取到数量巨大的电力资源数据后，对这些电力资源数据采用帕累托分群算法构建分类模型，即可将电力资源数据进行校对和分类，划分出多种分类数据。

其中，具体可以采用对电力资源数据，以帕累托分群算法的目标函数进行运算，从而将电力资源数据按照分类需求进行每一类数据的校对，以保证分类精准。在对每一类数据校正后，划分出每一类数据对应的一种分类数据，多类数据对应多种分类数据。

在一种可能的实施例中，帕累托分群算法的目标函数的表达式可以为：

minf(x)＝(f

上式表达的含义是：f将n维决策空间Ω映射到k维目标空间，而目标函数包含优化问题的全部优化目标，n维决策空间Ω覆盖变量空间的全部。基于这个目标函数有：

对于任意两个决策向量x、y，根据目标函数的表达式进行运算，得到的结果有：

若f(x)在任意目标上不大于且至少在一个目标上小于(y)，那么决策向量x支配决策向量y，或者决策向量y被决策向量x支配，决策向量x支配决策向量y记为f(x)くf(y)，决策向量x、y对应电力资源数据中任意两个数据。

若决策向量x和决策向量y存在相互支配关系，则决策向量x和决策向量y进行比较，以确定决策向量x和决策向量y各自对应的数据是否属于同一类数据。

若f(x)和f(y)在所有目标上相等，则决策向量x和决策向量y等价，即决策向量x和决策向量y各自对应的数据属于同一类数据。

若决策向量x和决策向量y既不相互支配也不等价，则决策向量x和决策向量y无法进行比较，即决策向量x和决策向量y各自对应的数据不属于同一类数据。

通过上述目标函数就可以精确实现电力资源数据类型的划分，可以将各种类型的数据准确的划分在一起，同时还可以发现可能的隐形分类，即发现目前虚拟电厂中暂时被忽略或者从来就没有被发现的数据分类。为后续各种资源类型对应的电力资源模型的构建打好了精准的基础。

步骤103：对多种分类数据进行分解，获得帕累托最优解集，并基于帕累托最优解集对每种分类数据进行数据采集和电力资源模型构建，每一个电力资源模型对应一种分类数据。

前述步骤将电厂资源数据精准分类之后得到多种分类数据，对多种分类数据进行分解，获得帕累托最优解集。

帕累托最优解集的具体含义为：若决策向量x不被任何决策空间Ω中的向量支配，则决策向量x是一个帕累托最优解，即该决策向量x对应的数据属于一种分类数据，而其它决策向量，例如决策向量y对应的数据就属于另一种分类数据，肯定和决策向量x对应的数据不是同一种分类数据。

而所有帕累托最优解的集合组成帕累托最优解集，也被称为非劣解集。

得到帕累托最优解集之后，即可对每种分类数据进行数据采集和电力资源模型构建。

在一种可能的实施例中，电力资源模型包括：可控电源模型、不可控电源模型、可中断负荷模型、储能系统模型、其他资源模型。需要说明的是，此处以及下文内容，仅是为了更好的解释和说明本发明所提电力资源模型而例举的部分模型及其表达式，并不表示本发明所提方法仅能构建这些模型，也不代表虚拟电厂所包含的所有电力资源模块及其名称。

对于可控电源模型，其可以包括：分布式发电装置模型，这类模型可代表传统的火电、水电等发电类模型。

分布式发电装置模型

上式中，n为分布式发电装置的单元数，P为t时段第i个分布式发电装置的输出功率，其可作为一个决策变量，K

其中，分布式发电装置的运行成本C(P

式中，α

对于不可控电源模型，其可以包括：风电模型和光电发电模型，这类模型可代表新型的能源类型。一般情况下，风电机组的输出功率主要取决于风速，而其输出功率不确定性也来源于风速的不确定性。自然风电模型通常可用威布尔分布函数描述。

风电模型f(v)的表达式如下：

上式中，v为风速，k表示形状参数，k>0，c为比例参数c>0。

风电输出功率P

上式中，v

与风电机组情况类似，光伏发电的输出功率及其不确定性通常取决于太阳辐射强度。太阳辐射强度一般由Beta分布函数表达。

光伏发电模型f(I)的表达式如下：

上式中，I

光伏发电功率P

上式中，

对于可中断负荷模型，其中的可中断负荷是指：通过用户与调度之间签订合约，按照需求侧响应(DR)机制，在规定时间内或条件下提供负荷中断服务获得中断补偿，而电力调度则可以通过切除指定负荷量维持整个电力系统的稳定运行。

虚拟电厂中的DR成本实际就是虚拟电厂向用户支付的可中断负荷补充费用。由于不同中断负荷量对用户的影响程度不同，因此需要为负荷中断设置等级，中断重要程度越高的负荷所获得的补偿金额也越高，所以中断补偿价格一般与中断等级挂钩。

基于上述理由，可中断负荷模型

上式中，n

当中断等级分得足够细时，表征补偿价格的曲线会由离散的多段函数变为连续递增的二次函数，则需求侧响应的成本，即DR成本C(P

上式中，α

对于储能系统模型，其可代表以电化学电池为主的储能系统，这类储能系统的成本主要为充放电过程中对电化学电池寿命的损耗，，在不考虑电化学电池老化对其效率等性能的影响时，其成本与充放电功率近似呈线性关系。

储能系统模型

上式中，n

由于储能系统中电化学电池充电和放电成本近似相同，，上式同样可以被表达为：

C(P

上式中，α

对于其他资源模型，其可以包括：燃料电池模型、新型储能模型、地源和空气源热泵模型、电动汽车有序充电模型、电动汽车V2G模型、热电耦合的综合能源系统模型等等。

另外，在上述步骤103进行电力资源模型构建的过程中，可以采用动态运算、构建的方式。具体方式可以为：

首先为每一类数据分配权重，例如：传统火电、水电目前仍然是发电类型的主力，因此这类数据的权重要高，数据量也较多；新型风电、光伏发展较快，也是未来趋势，因此这类数据的权重也可以高，或者与传统类的权重相等，或者略小，数据量相对来说少于传统类；其它资源类型目前应用较少，有些地区甚至就没有应用，自然其权重要小，数据量也较少。

基于这个考虑，在每一次运算、构建模型时，依照权重高、数据量大的类型数据为最高优先级，优先进行运算、构建模型，而权重高、数据量相对较少的类型数据为次优先级，等权重高、数据量大的类型数据对应的模型构建完之后再进行运算、构建模型；权重较低、但数据量较大的类型数据的优先级在次优先级之后，等权重高、数据量较少的类型数据对应的模型构建完之后再进行运算、构建模型；自然地，权重较低、数据量小的类型数据的优先级最低，最后才进行运算、构建模型。

等该次运算、构建模型全部完成后，将本次的各类数据对应的权重、数据量大小、优先级作为历史数据保存，并更新数据库。当进行新的一次运算、构建模型时，调用数据库，对比这一次需要进行运算、构建模型的各类数据的数据量大小排序，与前一次已经完成的各类数据的数据量大小排序是否相似。若是相似，则按照与前一次相同的优先级进行运算、构建模型。若是这一次某一种类或者多种类数据的数据量大小排序与前一次的不同，则依照预设规则(例如预设规则可以为：权重高且数据量最大对应最高优先级、权重高且数据量次多对应次优先级……权重低且数据量较少对应次最低优先级，权重低且数据量最少对应最低优先级)，重新确定优先级，按照新的优先级进行运算、构建模型。

等这一次运算、构建模型全部完成后，同样将这一次的各类数据对应的权重、数据量大小、优先级作为历史数据保存，并更新数据库。再等新的下一次运算、构建模型。上述过程经过长时间的累计后，可能某一种类或者多种类数据的数据量长期较大，而其对应的权重可能比相对数据量少的数据对应的权重低的情况，那么可以重新调整权重，以使得虚拟电厂更精准的电力资源，提升控制效率。

此外，依托于先进的通信技术与控制技术，以及有效的市场机制，未来虚拟电厂的可调控电力资源可以不断拓展。各类新型分布式发电技术或供能技术所包含的电力资源都可以依照上述步骤101～步骤103的方法进行优化，得到各自对应的资源模型。而统一、开放、扩展性好的虚拟电厂通信与控制架构，以及高效的各类模型，将为这些资源的接入与调控提供重要、优质的基础。

通过上述方法，实现了虚拟电厂对所有涉及到的电力资源进行很好的调控，极大的提升了虚拟电厂的控制效率

基于上述基于虚拟电厂的电力资源优化的方法，本发明实施例还提供一种基于虚拟电厂的电力资源优化的装置，参照图2，所述装置包括：

获取数据模块210，用于获取所述虚拟电厂涉及的电力资源数据；

校对分类模块220，用于对所述电力资源数据采用帕累托分群算法构建分类模型，将所述电力资源数据进行校对和分类，划分出多种分类数据；

构建模块230，用于对多种所述分类数据进行分解，获得帕累托最优解集，并基于所述帕累托最优解集对每种分类数据进行数据采集和电力资源模型构建，每一个电力资源模型对应一种分类数据。

可选地，所述校对分类模块220具体用于：

对所述电力资源数据，以所述帕累托分群算法的目标函数进行运算，将所述电力资源数据按照分类需求进行每一类数据的校对，以保证分类精准；

对每一类数据校正后，划分出每一类数据对应的一种分类数据，多类数据对应多种分类数据。

可选地，所述构建模块230具体用于：

若决策向量x不被任何决策空间Ω中的向量支配，则决策向量x是一个帕累托最优解，即该决策向量x对应的数据属于一种分类数据；

所有帕累托最优解的集合组成帕累托最优解集，即非劣解集。

基于上述基于虚拟电厂的电力资源优化的方法，本发明实施例还提供一种电子设备，包括处理器，所述处理器执行时实现如步骤101～步骤107任一所述的基于虚拟电厂的电力资源优化的方法。

通过上述实施例，本发明的基于虚拟电厂的电力资源优化的方法，首先获取虚拟电厂涉及的电力资源数据，这些数据自然包括传统的火电、水电资源数据以及光伏、风电、各类储能系统等多种类型的电力资源数据。对这些数量庞大的电力资源数据采用帕累托分群算法构建分类模型，这样就可以将电力资源数据进行校对和分类，划分出多种分类数据。通过这样的方式，精确了电力资源数据类型的划分，可将各种类型的数据准确的划分在一起，同时还可以发现可能的隐形分类，即发现目前暂时被忽略或者未被发现的数据分类，这样就为后续各种资源类型对应的电力资源模型的构建打好了精准的基础。

最后对多种分类数据进行分解，获得帕累托最优解集，并基于帕累托最优解集对每种分类数据进行数据采集和电力资源模型构建，每一个电力资源模型对应一种分类数据。通过这样的方法，使得虚拟电厂不但可以对传统电力资源进行很好的调控，还能很好的调控新接入的能源类型，极大的提升了控制效率。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明实施例所提供的技术方案，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。