李英量，周麗雯，王德明，高兆迪，武曉朦

計及用戶分級的虛擬電廠經(jīng)濟調(diào)度

李英量1，周麗雯1，王德明2，高兆迪1，武曉朦1

(1.西安石油大學(xué)電子工程學(xué)院，陜西 西安 710065；2.陜西鐵路工程職業(yè)技術(shù)學(xué)院，陜西 渭南 714000)

虛擬電廠(Virtual Power Plant, VPP)通過需求響應(yīng)(Demand Response, DR)引導(dǎo)用戶參與電力市場，充分發(fā)揮了分布式電源的調(diào)度靈活性。而傳統(tǒng)的VPP調(diào)度策略局限于單一響應(yīng)用戶類型，為此，提出了一種計及分級用戶邊際停電成本的VPP經(jīng)濟優(yōu)化調(diào)度模型，并綜合考慮風(fēng)、光、DR不確定性影響。首先基于各用戶響應(yīng)的共性及特性，建立了DR激勵模型。其次以激勵相容為約束，建立了兼顧系統(tǒng)運行成本和DR效用的VPP經(jīng)濟優(yōu)化調(diào)度模型。最后通過算例分析驗證了所提模型的可行性。結(jié)果表明，相較傳統(tǒng)需求響應(yīng)激勵策略，計及用戶主動性和多元性可進一步提升VPP內(nèi)供需雙方經(jīng)濟效益，實現(xiàn)供需側(cè)效益均衡。

虛擬電廠；經(jīng)濟調(diào)度；需求響應(yīng)；用戶分級；激勵策略

0 引言

隨著“雙碳”目標(biāo)的提出以及新能源向主力型電源的轉(zhuǎn)變，以風(fēng)、光為代表的新能源大規(guī)模并網(wǎng)問題亟需解決[1-4]。而虛擬電廠(Virtual Power Plant, VPP)依托通信技術(shù)，通過分布式電力管理系統(tǒng)將分布式電源(Distributed Generation, DG)、需求響應(yīng)(Demand Response, DR)、儲能裝置等資源聚合成一個虛擬可控集合體[5-7]，以整體形式加入電力市場，有效解決新能源容量小、位置分散、難以單獨參與電力市場的問題[8-9]。

VPP經(jīng)濟調(diào)度通過協(xié)調(diào)多能互補，在提高系統(tǒng)經(jīng)濟效益的同時，改善新能源消納問題[10-12]。DR技術(shù)是提高VPP經(jīng)濟調(diào)度靈活性的有效手段之一，其通過供需雙側(cè)聯(lián)動，緩解DG出力波動性帶來的影響[13-15]。針對考慮DR的VPP優(yōu)化調(diào)度問題，學(xué)者們主要研究DR對系統(tǒng)峰值負(fù)荷的調(diào)節(jié)能力以及對VPP運營商經(jīng)濟效益優(yōu)化作用，文獻(xiàn)[16]提出考慮電源、負(fù)荷雙重不確定性的VPP參與DR的優(yōu)化調(diào)度方法；文獻(xiàn)[17]建立以VPP經(jīng)濟效益最大為目標(biāo)的調(diào)度模型，并研究風(fēng)險規(guī)避問題；文獻(xiàn)[18]提出一種考慮需求響應(yīng)最優(yōu)VPP能源管理的新框架，制定考慮風(fēng)險約束的兩階段隨機規(guī)劃模型。為進一步分析不同類型需求響應(yīng)輸出特性，文獻(xiàn)[19]構(gòu)建以基于價格的需求響應(yīng)(Price-based Demand Response, PBDR)為主導(dǎo)，基于激勵的需求響應(yīng)(Incentive- based Demand Response, IBDR)為備用的DR模型，實現(xiàn)VPP與能源消費者之間的交互協(xié)調(diào)；文獻(xiàn)[20]建立同時考慮PBDR和IBDR約束的VPP優(yōu)化調(diào)度模型；文獻(xiàn)[21]提出了一個應(yīng)用于工業(yè)環(huán)境的VPP隨機調(diào)度模型，并在應(yīng)急條件下進行了風(fēng)險管理研究，同時應(yīng)用了基于價格彈性的PBDR和IBDR相結(jié)合的DR方案。但上述研究僅從VPP運行商角度尋求經(jīng)濟最優(yōu)，未考慮用戶自身效益。

從用戶側(cè)效益出發(fā)，量化DR為用戶帶來的效用，能更好地評價DR優(yōu)越性，文獻(xiàn)[22]建立了面向居民用戶需求響應(yīng)的VPP優(yōu)化調(diào)度模型，將每個用戶分為基礎(chǔ)負(fù)荷、可調(diào)節(jié)負(fù)荷、電動汽車負(fù)荷，通過長短期記憶網(wǎng)絡(luò)計算其效益系數(shù)；文獻(xiàn)[23]研究了考慮PBDR的VPP經(jīng)濟調(diào)度，建立了以VPP收益最大為上層目標(biāo)，用戶購電成本最小為下層目標(biāo)的雙層優(yōu)化模型；文獻(xiàn)[24]建立一種碳交易機制下計及用電行為的虛擬電廠經(jīng)濟調(diào)度模型，提高了虛擬電廠的減排效益。文獻(xiàn)[25]提出一種考慮需求響應(yīng)和用戶滿意度的主動配電網(wǎng)多時間尺度調(diào)度方法，在保證用戶利益的同時有效改善配電系統(tǒng)的運行狀況。目前，對用戶側(cè)的研究主要針對同一類型用戶，而VPP中DR用戶種類多、分布廣、響應(yīng)復(fù)雜，需要加強對DR用戶類型多樣化以及IBDR激勵策略的研究。

為此，本文研究了計及用戶用能特性的DR模型，并以含風(fēng)光、柴油發(fā)電機、IBDR的VPP為例，建立其經(jīng)濟調(diào)度模型。首先，基于負(fù)荷削減規(guī)律，建立計及需求主動性和用戶多樣性的DR邊際成本模型；然后，量化需求響應(yīng)效用，建立以VPP發(fā)電成本最低、需求響應(yīng)效用最大為目標(biāo)的VPP優(yōu)化調(diào)度模型，在保證VPP經(jīng)濟效益的同時實現(xiàn)供需雙側(cè)效益均衡；最后通過算例分析驗證了本文所建模型的有效性。

1 需求響應(yīng)模型

DR是通過增減用戶用電量來調(diào)節(jié)供需平衡的一種手段，可以有效緩解發(fā)電壓力，實現(xiàn)用戶和發(fā)電商之間的互動。DR主要分為PBDR和IBDR，PBDR是通過采取分時電價來調(diào)節(jié)用戶用電情況，平緩用電負(fù)荷曲線；IBDR是通過激勵補償政策來調(diào)節(jié)用戶響應(yīng)行為，具有很強的削峰效應(yīng)[20]。為優(yōu)化VPP需求響應(yīng)激勵策略，本文主要對IBDR進行研究。

1.1 傳統(tǒng)IBDR模型

常規(guī)的IBDR通過激勵補償政策，引導(dǎo)客戶在系統(tǒng)可靠性降低或負(fù)荷峰谷時參與需求響應(yīng)。其響應(yīng)成本包括用戶因調(diào)整用電需求而造成的損失以及用戶參與響應(yīng)得到的政府補貼，常表示為需求響應(yīng)電量的二次函數(shù)[26]。

1.2 計及用戶響應(yīng)意愿的IBDR模型

為綜合考慮用戶用能特性，本文在設(shè)計IBDR激勵函數(shù)時引入用戶響應(yīng)意愿[27-28]，從而將用戶類型參數(shù)化。用戶分級的方法是以用戶中斷特性為依據(jù)，根據(jù)用戶響應(yīng)意愿對用戶進行分級。把響應(yīng)意愿相同的用戶劃分為一種用戶等級并構(gòu)建其停電成本函數(shù)，該分級方法便于同時調(diào)度多種類型需求響應(yīng)負(fù)荷。最后，該需求響應(yīng)模型從用戶和VPP運營商效益均衡的角度進行考慮。

1.2.1用戶側(cè)

1) 用戶中斷成本

用戶的中斷成本是指當(dāng)用戶參與需求響應(yīng)時，因削減負(fù)荷所造成的停電損失。用戶削減負(fù)荷會改變其原有的用電習(xí)慣，從而造成用電滿意度下降。削減的負(fù)荷越多，用戶中斷成本越高；用戶響應(yīng)意愿越強烈，中斷邊際成本越低，具有越高的邊際效益[27]。

因此，用戶中斷成本函數(shù)構(gòu)建有如下假設(shè)：

(1) 隨著削減負(fù)荷的增加，用戶的停電成本逐漸增加，用戶的邊際效益隨之下降；

(2) 用戶停電成本函數(shù)是凸函數(shù)，即邊際成本的變化率隨著用戶削減負(fù)荷的增加而增加。

同樣，若用戶從響應(yīng)意愿最高到最低進行排序，則滿足式(4)。

當(dāng)用戶削減量為0的時候，削減成本應(yīng)為0。只要保證停電成本函數(shù)不是減函數(shù)，可任選以上其中一種排序方式。本文根據(jù)用戶響應(yīng)意愿由低到高進行排序，即式(3)的情況，用戶停電成本函數(shù)應(yīng)滿足式(5)—式(7)。

因此，用戶停電成本函數(shù)可以表示為

2) 用戶效益

1.2.2 VPP運營商

VPP運營商主要考慮VPP整體效益，在含有IBDR的系統(tǒng)中，VPP應(yīng)在激勵用戶參與響應(yīng)的同時，提高自身收益，從而提高社會福利。

VPP效用是指因?qū)嵤〥R項目而產(chǎn)生的滿足感，具體量化為因減少發(fā)電量而產(chǎn)生的邊際效益減去用戶補貼成本。可以表示為

該模型還應(yīng)滿足消費者利潤保障約束[29]：

式(11)用于保證顧客利益始終為正，以鼓勵用戶參與響應(yīng)，式(12)是激勵相容約束，以確保用戶因削減負(fù)荷而得到合適的補償。

2 VPP協(xié)同優(yōu)化調(diào)度模型

2.1 調(diào)度流程

本文所建立的VPP調(diào)度方式如圖1所示，VPP運營商以最大限度利用可再生能源發(fā)電的原則對其所管轄范圍內(nèi)的所有發(fā)電機組(傳統(tǒng)DG機組和可再生DG機組)、DR單元進行調(diào)度。同時，VPP作為一個整體可以參與電力市場進行電量交易，在電價低的時候向電網(wǎng)購電，減少內(nèi)部發(fā)電以降低成本，在電價高的時候向電網(wǎng)售電，增加內(nèi)部發(fā)電以增加VPP運營商收益。由于風(fēng)力發(fā)電和光伏發(fā)電具有較強的隨機性，本文對風(fēng)速模型用Weibull分布函數(shù)來描述，光伏發(fā)電用Beta分布函數(shù)對其描述[30]。最后該模型以VPP發(fā)電成本最低、需求響應(yīng)效用最大為目標(biāo)函數(shù)進行調(diào)度優(yōu)化。

圖1 VPP調(diào)度流程

2.2 目標(biāo)函數(shù)

1) VPP運行成本1

VPP運行成本主要包括發(fā)電商發(fā)電成本及功率交互成本，其目標(biāo)函數(shù)為

每部分具體表達(dá)式為

加入激勵型需求響應(yīng)后，VPP運營商需要給響應(yīng)用戶支付補貼費，即激勵成本，該成本同時反映了用戶側(cè)效益。此外，VPP內(nèi)DEG因少發(fā)電會獲得成本效用。以VPP需求響應(yīng)效益最大為優(yōu)化目標(biāo)，其表達(dá)式為

3) 模型目標(biāo)函數(shù)

為綜合考慮VPP運行成本最小和VPP需求響應(yīng)效益最大，本文目標(biāo)函數(shù)為

2.3 約束條件

1) 負(fù)荷供需平衡約束

2) DEG出力約束

3) 需求響應(yīng)約束

4) 功率交互約束

5) 風(fēng)光出力約束

2.4 不確定性處理

上述模型沒有考慮風(fēng)、光和DR的不確定性影響，在實際情況中，實時風(fēng)光出力和響應(yīng)行為不能被準(zhǔn)確預(yù)測。為此，本文構(gòu)建了計及不確定性的魯棒隨機優(yōu)化模型[31-33]。魯棒隨機優(yōu)化是一種基于區(qū)間擾動信息的不確定決策方法，通過構(gòu)建不確定集描述不確定性變量的波動范圍。

風(fēng)、光、DR的不確定形式為

令

則式(34)為

將式(31)—式(33)代入式(36)，可得

從而，具有不確定量的線性規(guī)劃轉(zhuǎn)化為確定性規(guī)劃，即在滿足2.2、2.3節(jié)所示目標(biāo)函數(shù)和約束條件的基礎(chǔ)上增加式(38)、(39)所示的約束條件。

3 算例分析

3.1 算例數(shù)據(jù)

為驗證本文所建模型的可行性和經(jīng)濟性，在Matlab構(gòu)建算例模型，并采用粒子群優(yōu)化算法進行求解。VPP由1個風(fēng)電場、1個光伏電場、4個DEG機組和1個IBDR構(gòu)成。風(fēng)電、光伏、DEG參數(shù)如表1所示；IBDR分成3個用戶等級，每類用戶參數(shù)如表2所示；風(fēng)、光、負(fù)荷預(yù)測如圖2所示；日前電價[34]如圖3所示。

表1 虛擬電廠內(nèi)機組參數(shù)

表2 IBDR參數(shù)

圖2 日前預(yù)測曲線

圖3 日前電價

為了對結(jié)果進行對比分析，本文設(shè)置3種運行場景。

場景1：無DR參與，系統(tǒng)內(nèi)由1個風(fēng)電場、1個光伏電場、4個DEG機組參與調(diào)度，可與大電網(wǎng)進行功率交互，以VPP發(fā)電成本最小為目標(biāo)函數(shù)進行優(yōu)化；

場景2：DR選取單一用戶意愿，系統(tǒng)內(nèi)由1個風(fēng)電場、1個光伏電場、4個DEG機組、1個單一用戶響應(yīng)意愿的IBDR參與調(diào)度，可與大電網(wǎng)進行功率交互，以VPP運營商成本最低，DR效用最大為目標(biāo)函數(shù)進行優(yōu)化；

場景3：DR選用分級用戶意愿，考慮用戶用能意愿，對場景2中用戶分成3個等級，其他參數(shù)同場景2。

3.2 結(jié)果分析

3.2.1調(diào)度情況分析

1) 無DR參與

場景1即無DR參與時的調(diào)度結(jié)果如圖4、圖5所示。其中，VPP與大電網(wǎng)交互電量為正，表示VPP向電網(wǎng)購買電量；VPP與大電網(wǎng)交互電量為負(fù)，表示VPP向電網(wǎng)出售電量。圖4為DEG出力曲線，07：00之前和19：00之后DEG出力明顯增加，是由于這段時間內(nèi)沒有光伏發(fā)電，需要DEG發(fā)電保持供需平衡。圖5為VPP與市場功率交互情況?？梢钥闯?，當(dāng)市場電價較高時，VPP向電網(wǎng)出售電量以獲取收益；當(dāng)市場電價較低時，其購電成本低于機組發(fā)電成本，因此增加VPP購電量，減少系統(tǒng)內(nèi)發(fā)電量。

圖4 場景1時DEG出力曲線

圖5 場景1時VPP與主網(wǎng)交互功率

2) DR參與時的出力情況

以場景3為例，設(shè)定DR1—DR3用戶響應(yīng)意愿遞增，分別為0、0.14、0.26。每一級用戶響應(yīng)曲線如圖6所示，響應(yīng)前后總需求變化如圖7所示?？梢钥闯觯?4：00—16：00時段內(nèi)削減較多，這是因為該時段內(nèi)市場電價最高，為了減少購電量，提高VPP效益，削減了用戶電量。07：00時，光伏機組開始出力，VPP發(fā)電量增加，供給充足，DR削減量大幅度降低。01：00—06：00、20：00—24：00時段，負(fù)荷需求量較低，DR削減量也相應(yīng)很低，幾乎為0。19：00時光伏機組退出運行，為了平緩負(fù)荷波動，大幅增加DR削減量。在其他時刻，隨著市場電價、風(fēng)光出力、負(fù)荷需求波動，DR削減量也相應(yīng)變化。

圖6 分級用戶需求響應(yīng)曲線

圖7 需求變化曲線

場景3時DEG出力曲線如圖8所示，從出力趨勢可以看出，為了優(yōu)先保證新能源出力，08：00—18：00時段內(nèi)DEG出力較少，01：00—03：00、21：00—24：00時段，由于電價較低，優(yōu)先向電網(wǎng)購電，所以DEG出力較少。

圖9為VPP與電網(wǎng)交互功率曲線，可以看出，電價低的時候，向電網(wǎng)購電，電價高的時候，向電網(wǎng)售電，從而獲得更大收益。

圖8 場景3時DEG出力曲線

圖9 場景3時VPP與主網(wǎng)交互功率

3.2.2經(jīng)濟性分析

為與3.1節(jié)中場景的經(jīng)濟性進行對比，本文對場景2中的IBDR進行3種試驗，其響應(yīng)意愿分別設(shè)定為0、0.14、0.26，再與場景1和場景3對比。

幾種運行場景的經(jīng)濟效益情況如表3所示，可以看出，未加入DR前，DEG發(fā)電成本為12 662.5081美元；DR加入后DEG發(fā)電成本分別降低了17.3%、18.2%、17.9%、19.0%。DR激勵成本分別增加了1927.1356美元、1580.0170美元、1313.5905美元、1540.8419美元，但低于DEG發(fā)電成本降低部分，且VPP獲得了DR效用，量化后分別為5470.1美元、5747.6美元、6071.8美元、5783.4美元。因此，可中斷負(fù)荷參與響應(yīng)，實現(xiàn)從負(fù)荷側(cè)改變用戶用電習(xí)慣，減少用電需求，可以降低傳統(tǒng)DG機組發(fā)電需求，從而有效緩解環(huán)境污染問題。

僅計及單一用戶等級時，其效益如表3第3～5列所示。當(dāng)系統(tǒng)均使用=0時的激勵策略時，DR的效用為5470.1美元，激勵成本為1927.1356美元，VPP綜合運行成本為8359.2439美元；均使用= 0.14時的激勵策略時，DR的效用為5747.6美元，激勵成本為1580.0170美元，VPP綜合運行成本為8168.6837美元；均使用= 0.26時的激勵策略時，DR的效用為6071.8美元，激勵成本為1313.5905美元，VPP綜合運行成本為7906.4123美元。分析可知，用戶響應(yīng)意愿越強烈，DR效用越大，激勵成本越低，VPP綜合成本越低，但用戶效益更小，這是因為一部分停電成本高的用戶獲得了更少的補貼。所以，僅采用折中的統(tǒng)一激勵政策來激勵用戶響應(yīng)的方式不能實現(xiàn)供需側(cè)利益最大化，不能促進用戶響應(yīng)積極性。

表3 多種場景結(jié)果對比

采用分級用戶策略時，其效益如表3最后一列所示，其DR效用為5783.4美元，激勵成本為1540.8419美元，VPP綜合運行成本為8102.0308美元。相較于均使用= 0.26時的激勵策略，該情況下VPP運營商的DR效用降低了，但用戶側(cè)收益提高了。所以該策略可以較全面地考慮各類用戶的激勵成本，平衡系統(tǒng)總成本，提高用戶效益，從而實現(xiàn)供需效益均衡。該策略可以促進用戶響應(yīng)積極性，提高可中斷負(fù)荷響應(yīng)參與率，進一步降低傳統(tǒng)DG機組發(fā)電需求，提高電力系統(tǒng)可調(diào)度性。

當(dāng)= 0時，可以看作傳統(tǒng)的IBDR優(yōu)化調(diào)度模型，該方法為簡化激勵成本函數(shù)，通常選擇折中的統(tǒng)一參數(shù)計算所有用戶的補貼成本，沒有考慮不同用戶的用能特性。將其與考慮分級用戶意愿的情況進行對比可以看出，當(dāng)系統(tǒng)根據(jù)用戶響應(yīng)意愿對用戶進行分類時，可以合理制定用戶激勵成本方案。在保證VPP經(jīng)濟效益的同時，綜合考慮用戶效益，實現(xiàn)供需側(cè)的雙贏，有效提高用戶參與需求側(cè)管理的積極性。

3.2.3不確定性分析

圖10 風(fēng)、光出力預(yù)測誤差為15%時，DR不確定性對VPP發(fā)電成本和DR效用的影響

4 結(jié)論

本文構(gòu)建了考慮多用戶類型的VPP優(yōu)化調(diào)度模型，對VPP內(nèi)部發(fā)電機組和DR單元進行協(xié)調(diào)優(yōu)化，以獲得經(jīng)濟性更優(yōu)的日前調(diào)度方案。并使用粒子群優(yōu)化算法對模型進行求解，通過算例分析得出以下結(jié)論：

1) 本文所構(gòu)建的需求響應(yīng)模型考慮了用戶響應(yīng)等級，激勵計劃充分考慮用戶用電習(xí)慣，并計及激勵相容約束，模型更符合實際情況，調(diào)度結(jié)果也滿足用電規(guī)律，達(dá)到了預(yù)期效果。

2) 本文所建立的以VPP運行成本最小、DR效用最大為目標(biāo)的優(yōu)化調(diào)度模型，較全面地度量了引入DR所帶來的效益。該模型有效提高了系統(tǒng)的可調(diào)度性，VPP在獲得DR效用的同時降低了發(fā)電成本，提高了VPP運行經(jīng)濟性與穩(wěn)定性。

[1] KORAKI D, STRUNZ K. Wind and solar power integration in electricity markets and distribution networks through service-centric virtual power plants[J]. IEEE Transactions on Power Systems, 2018, 33(1): 473-485.

[2] 徐天奇, 田業(yè), 高鑫, 等. 新能源全消納并網(wǎng)友好型虛擬發(fā)電廠優(yōu)化調(diào)度研究[J]. 電力工程技術(shù), 2021, 40(2): 33-38.

XU Tianqi, TIAN Ye, GAO Xin, et al. Optimal dispatching of virtual power plant with new energy power generation full consumption and friendly integration into power grids[J]. Electric Power Engineering Technology, 2021, 40(2): 33-38.

[3] 楊謙, 劉繼春, 蔣萬梟. 光伏不同滲透率下考慮源網(wǎng)荷儲深度互動的電力系統(tǒng)調(diào)峰策略[J]. 電力建設(shè), 2021, 42(9): 74-84.

YANG Qian, LIU Jichun, JIANG Wanxiao. Peak regulation strategy of power system considering the interaction of source-network-load-storage under different penetration rate of PV[J]. Electric Power Construction, 2021, 42(9): 74-84.

[4] 任景, 薛晨, 馬曉偉, 等. 計及新能源資源分級的柔性調(diào)度模型預(yù)測控制[J]. 智慧電力, 2020, 48(9): 30-36, 88.

REN Jing, XUE Chen, MA Xiaowei, et al. Flexible scheduling model predictive control based on new energy resource classification[J]. Smart Power, 2020, 48(9): 30-36, 88.

[5] 胡健, 秦玉杰, 焦提操, 等. 泛在電力物聯(lián)網(wǎng)環(huán)境下考慮碳排放權(quán)約束的VPP理性調(diào)峰模型[J]. 電力系統(tǒng)保護與控制, 2020, 48(3): 49-57.

HU Jian, QIN Yujie, JIAO Ticao, et al. Rational peak shaving model of VPP considering carbon emission rights constraints in ubiquitous power internet of things environment[J]. Power System Protection and Control, 2020, 48(3): 49-57.

[6] 衛(wèi)志農(nóng), 余爽, 孫國強, 等. 虛擬電廠的概念與發(fā)展[J]. 電力系統(tǒng)自動化, 2013, 37(13): 1-9.

WEI Zhinong, YU Shuang, SUN Guoqiang, et al. Concept and development of virtual power plant[J]. Automation of Electric Power Systems, 2013, 37(13): 1-9.

[7] 孟月, 張宏立. 虛擬電廠配電網(wǎng)復(fù)雜網(wǎng)絡(luò)的能效分析研究[J]. 電測與儀表, 2020, 57(16): 33-38.

MENG Yue, ZHANG Hongli. Study on energy efficiency analysis of complex network of distribution network in virtual power plant[J]. Electrical Measurement & Instrumentation, 2020, 57(16): 33-38.

[8] ZHANG R, HREDZAK B. Distributed dynamic clustering algorithm for formation of heterogeneous virtual power plants based on power requirements[J]. IEEE Transactions on Smart Grid, 2021, 12(1): 192-204.

[9] 張濤, 李逸鴻, 郭玥彤, 等. 考慮虛擬電廠調(diào)度方式的售電公司多時間尺度滾動優(yōu)化[J]. 電力系統(tǒng)保護與控制, 2021, 49(11): 79-87.

ZHANG Tao, LI Yihong, GUO Yuetong, et al. Multi-time scale rolling optimization of electricity retailers considering virtual power plant scheduling[J]. Power System Protection and Control, 2021, 49(11): 79-87.

[10]袁桂麗, 陳少梁, 劉穎, 等. 基于分時電價的虛擬電廠經(jīng)濟性優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2016, 40(3): 826-832.

YUAN Guili, CHEN Shaoliang, LIU Ying, et al. Economic optimal dispatch of virtual power plant based on time-of-use power price[J]. Power System Technology, 2016, 40(3): 826-832.

[11] AI Qian, FAN Songli, PIAO Longjian. Optimal scheduling strategy for virtual power plants based on credibility theory[J]. Protection and Control of Modern Power Systems, 2016, 1(1): 48-55.

[12] 賈德香, 柳占杰, 高騫, 等. 計及碳—電一體化交易的虛擬電廠競價策略[J]. 電力科學(xué)與技術(shù)學(xué)報, 2021, 36(2): 89-97.

JIA Dexiang, LIU Zhanjie, GAO Qian, et al. Bidding strategy of the virtual power plant based on the consideration of carbon-electricity integration trading in auxiliary service market[J]. Journal of Electric Power Science and Technology, 2021, 36(2): 89-97.

[13]南思博, 李庚銀, 周明, 等. 智能小區(qū)可削減柔性負(fù)荷實時需求響應(yīng)策略[J]. 電力系統(tǒng)保護與控制, 2019, 47(10): 42-50.

NAN Sibo, LI Gengyin, ZHOU Ming, et al. Real-time demand response of curtailable flexible load in smart residential community[J]. Power System Protection and Control, 2019, 47(10): 42-50.

[14] MING Hao, XIA Bainan, LEE K Y, et al. Prediction and assessment of demand response potential with coupon incentives in highly renewable power systems[J]. Protection and Control of Modern Power Systems, 2020, 5(2): 124-137.

[15]胡晶, 陳紅坤, 陳磊, 等. 考慮多主體利益與需求響應(yīng)的分布式電源優(yōu)化配置[J]. 電力系統(tǒng)保護與控制, 2021, 49(15): 38-46.

HU Jing, CHEN Hongkun, CHEN Lei, et al. Distributed generation planning in an active distribution network considering multi-agent interests and demand response[J]. Power System Protection and Control, 2021, 49(15): 38-46.

[16]劉井軍, 劉濤, 周旭, 等. 含不確定源荷虛擬電廠參與需求響應(yīng)優(yōu)化控制方法[J]. 電力系統(tǒng)及其自動化學(xué)報, 2021, 33(4): 84-89.

LIU Jingjun, LIU Tao, ZHOU Xu, et al. VPP demand response control method considering uncertainties in source and load[J]. Proceedings of the CSU-EPSA, 2021, 33(4): 84-89.

[17] VAHEDIPOUR-DAHRAIE M, RASHIDIZADEH- KERMANI H, ANVARI-MOGHADDAM A, et al. Risk-averse probabilistic framework for scheduling of virtual power plants considering demand response and uncertainties[J]. International Journal of Electrical Power & Energy Systems, 2020, 121.

[18] LIANG Z, ALSAFASFEH Q, JIN T, et al. Risk- constrained optimal energy management for virtual power plants considering correlated demand response[J]. IEEE Transactions on Smart Grid, 2019, 10(2): 1577-1587.

[19] WANG Y, AI X, TAN Z, et al. Interactive dispatch modes and bidding strategy of multiple virtual power plants based on demand response and game theory[J]. IEEE Transactions on Smart Grid, 2016, 7(1): 510-519.

[20]徐輝, 焦揚, 蒲雷, 等. 計及不確定性和需求響應(yīng)的風(fēng)光燃儲集成虛擬電廠隨機調(diào)度優(yōu)化模型[J]. 電網(wǎng)技術(shù), 2017, 41(11): 3590-3597.

XU Hui, JIAO Yang, PU Lei, et al. Stochastic scheduling optimization model for virtual power plant of integrated wind-photovoltaic-energy storage system considering uncertainty and demand response[J]. Power System Technology, 2017, 41(11): 3590-3597.

[21] NOSRATABADI S M, HOOSHMAND R A. Stochastic electrical energy management of industrial Virtual Power Plant considering time-based and incentive-based Demand Response programs option in contingency condition[J]. International Journal of Emerging Electric Power Systems, 2020, 21(2).

[22] 陳張宇, 劉東, 劉浩文, 等. 基于精細(xì)化需求響應(yīng)的虛擬電廠優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2021, 45(7): 2542-2550. CHEN Zhangyu, LIU Dong, LIU Haowen, et al. Optimal dispatching of virtual power plant based on refined demand response[J]. Power System Technology, 2021, 45(7): 2542-2550.

[23] 劉鑫, 吳紅斌, 王鯨杰, 等. 市場環(huán)境下考慮需求響應(yīng)的虛擬電廠經(jīng)濟調(diào)度[J]. 中國電力, 2020, 53(9): 172-180.

LIU Xin, WU Hongbin, WANG Jingjie, et al. Economic dispatch of a virtual power plant considering demand response in electricity market environment[J]. Electric Power, 2020, 53(9): 172-180.

[24]張立輝, 戴谷禹, 聶青云, 等. 碳交易機制下計及用電行為的虛擬電廠經(jīng)濟調(diào)度模型[J]. 電力系統(tǒng)保護與控制, 2020, 48(24): 154-163.

ZHANG Lihui, DAI Guyu, NIE Qingyun, et al. Economic dispatch model of virtual power plant considering electricity consumption under a carbon trading mechanism[J]. Power System Protection and Control, 2020, 48(24): 154-163.

[25] SHENG H, WANG C, LI B, et al. Multi-timescale active distribution network scheduling considering demand response and user comprehensive satisfaction[J]. IEEE Transactions on Industry Applications, 2021, 57(3): 1995-2005.

[26]何奇琳, 艾芊. 售電側(cè)放開環(huán)境下含需求響應(yīng)虛擬電廠的電力市場競價策略[J]. 電力建設(shè), 2019, 40(2): 1-10.

HE Qilin, AI Qian. Bidding strategy of electricity market including virtual power plant considering demand response under retail power market deregulation[J]. Electric Power Construction, 2019, 40(2): 1-10.

[27] FAHRIOGLU M, ALVARADO F L. Using utility information to calibrate customer demand management behavior models[J]. IEEE Transactions on Power Systems, 2001, 16(2): 317-322.

[28]燕智超, 姚一鳴, 謝開貴, 等. 面向配電網(wǎng)可靠性的微電網(wǎng)最優(yōu)需求響應(yīng)策略[J]. 供用電, 2021, 38(7): 40-44.

YAN Zhichao, YAO Yiming, XIE Kaigui, et al. Optimal demand response strategy of microgrid for distribution network reliability[J]. Distribution & Utilization, 2021, 38(7): 40-44.

[29] FAHRIOGLU M, ALVARADO F L. Designing incentive compatible contracts for effective demand management[J]. IEEE Transactions on Power Systems, 2000, 15(4): 1255-1260.

[30]丁明, 吳義純, 張立軍. 風(fēng)電場風(fēng)速概率分布參數(shù)計算方法的研究[J]. 中國電機工程學(xué)報, 2005, 25(10): 107-110.

DING Ming, WU Yichun, ZHANG Lijun. Study on the algorithm to the probabilistic distribution parameters of wind speed in wind farms[J]. Proceedings of the CSEE, 2005, 25(10): 107-110.

[31]蔡瑤, 盧志剛, 孫可, 等. 計及源荷不確定性的獨立型交直流混合微網(wǎng)多能源協(xié)調(diào)優(yōu)化調(diào)度[J]. 電工技術(shù)學(xué)報, 2021, 36(19): 4107-4120.

CAI Yao, LU Zhigang, SUN Ke, et al. Multi-energy coordinated optimal scheduling of isolated AC-DC hybrid microgrids considering generation and load uncertainties[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4107-4120.

[32]王冠, 李鵬, 焦揚, 等. 計及風(fēng)光不確定性的虛擬電廠多目標(biāo)隨機調(diào)度優(yōu)化模型[J]. 中國電力, 2017, 50(5): 107-113.

WANG Guan, LI Peng, JIAO Yang, et al. Multi-objective stochastic scheduling optimization model for virtual power plant considering uncertainty of wind and photovoltaic power[J]. Electric Power, 2017, 50(5): 107-113.

[33] 宋雪瑩, 陳杰, 刁利, 等. 雙碳目標(biāo)下考慮源荷不確定性多能互補系統(tǒng)優(yōu)化運行模型[J]. 電測與儀表, 2021, 58(11): 8-15.

SONG Xueying, CHEN Jie, DIAO Li, et al. Optimal operation model of multi-energy complementary system considering source-load uncertainty under double carbon target[J]. Electrical Measurement & Instrumentation, 2021, 58(11): 8-15.

[34] NWULU N I, XIA X. Optimal dispatch for a microgrid incorporating renewables and demand response[J]. Renewable Energy, 2017, 101: 16-28.

Virtual power plant economic dispatching considering user classification

LI Yingliang1, ZHOU Liwen1, WANG Deming2, GAO Zhaodi1, WU Xiaomeng1

(1. School of Electronic Engineering, Xi’an Shiyou University, Xi'an 710065, China; 2. Shaanxi Railway Institute, Weinan 714000, China)

A virtual power plant (VPP) guides users to participate in the electricity market through demand response (DR), giving full play to the flexibility of distributed generation dispatching. However, the traditional VPP dispatching strategy has the limitation of single user type. To tackle this limitation, this paper proposes a VPP economic optimization dispatching model which takes into account the marginal blackout cost of hierarchical usersand takes into consideration the uncertainty of wind, solar and DR. First, the DR incentive model is established based on the commonality and characteristics of each user’s response behavior. Then, considering an incentive compatibility constraint, a VPP economic optimization scheduling model is constructed, one which takes into account the system operating cost and DR utility at the same time. Finally, a simulation analysis of a detailed case study verifies the feasibility of the proposed model. Compared with the traditional incentive strategy, the proposed approach, which takes into account the initiative and diversity of users, can enhance and balance the economic benefits of both supply and demand sides.

virtual power plant; economic dispatch; demand response; user classification; incentive strategy

10.19783/j.cnki.pspc.211449

This work is supported by the Natural Science Basic Research Program of Shaanxi Province (No. 2020JM-542).

陜西省自然科學(xué)基礎(chǔ)研究計劃項目資助(2020JM-542)；國家自然科學(xué)基金企業(yè)創(chuàng)新發(fā)展聯(lián)合基金重點項目資助(U20B2029)；陜西省科技計劃基礎(chǔ)研究項目資助(2021JM-404)；西安石油大學(xué)研究生創(chuàng)新與實踐能力培養(yǎng)項目資助(YCS21213199)

2021-10-28；

2022-02-13

李英量(1979—)，男，通信作者，博士，教授，研究方向為電力系統(tǒng)穩(wěn)定控制、配電網(wǎng)規(guī)劃與繼電保護；E-mail：yingliang.li@hotmail.com

周麗雯(1997—)，女，碩士研究生，研究方向為虛擬電廠、分布式發(fā)電技術(shù)。

(編輯 周金梅)