一种包含多类型资源的虚拟电厂闭环直控方法与流程

1.本发明涉及电网运行规划技术领域，具体为一种包含多类型资源的虚拟电厂闭环直控方法。


背景技术：

2.智能电网的存在使得负荷在电网中的地位越来越重要。智能电网作为承载分布式可再生能源并网和电网向用户供电的平台，其改变了传统单一方向的电能输送过程，解决了现在分布式能源参与到电力市场竞争的难题。尽管可再生能源并网发电存在多种优势，然而也存在其特有的缺陷，其具有的随机性和间歇性等特点，使其输出功率具有很强的不稳定性，与常规火力发电同步机组不同，将其直接接入电网将会给系统带来负面效应，如并网点电压功率的波动将会造成并网电压和频率呈现低频振荡的现象、进而会影响并网电流的电能质量，更加严重的是，可能会因波动过大而造成系统局部运行的不稳定性，同时也加剧了系统整体运行的不稳定性。为了解决这一问题，提出了微电网的概念。微电网是指将分布式发电单元、储能单元、并网接口变换器以及负载单元组成一个既可以并网又可以自治的系统，通过储能单元来平抑分布式发电单元输出功率的波动以改善系统的电能质量，因此采用微电网的形式并入主网是一种有效的选择。
3.根据上述分析，将分布式可再生能源以微电网的形式并入主网尽管解决了分布式电源接入的问题，但是微电网的目标主要是即插即用，也就是使得分布式发电单元能够就地消纳，尽量减小分布式发电单元传输引起损耗问题，因此将会受到区域的限制，无法对大规模、多区域的分布式发电系统进行有效的利用，而且也没有考虑到电力市场中的规模化效益。除了微电网之外，近年来又提出了主动配电网的概念。主动配电网是指可以综合控制分布式电源、可控负荷以及储能系统的配电网，可以使用灵活的网络技术实现潮流的有效控制，对分布式发电单元进行主动控制和管理。与微电网相比，主动配电网对微电网进行了一定程度的扩展，能够主动进行管理，但是仍然没有考虑到电力市场效益和需求侧响应问题。
4.为了克服上述问题，提出了虚拟电厂这一概念。虚拟电厂能够通过高级量测技术、控制技术、通信技术等手段将多种分布式发电单元、可控负荷以及储能单元聚合在一起，使其参与电网的调度和控制，使其具有真实电厂的功能，并且能够通过虚拟电厂参与到电力市场和电网运行的协调控制和管理。使用虚拟电厂能够实现多能互补，同时也满足了电力市场快速发展的需求；通过虚拟电厂来聚合可控负荷、聚合分布式发电单元以及储能单元，通过协调控制能够实现可削减减负荷目标、减小分布式发电单元的接入对电网的冲击；根据分时电价来调整不同单元的控制策略同时能够获得一定的收益。对虚拟电厂进行闭环直控是虚拟电厂未来的发展方向，也会成为很多地区电力市场对虚拟电厂参与交易的要求。但是实际场景中能够真正直控的资源非常少，大部分资源对虚拟电厂来讲也是非直控的，只能在一定的时间尺度和概率分布上部分响应虚拟电厂的指令。如果虚拟电厂只对直控资源进行闭环控制，那么可控能力就会非常受限。因此，我们需要通过直控资源和非直控资源
协同的方式来实现闭环控制，从而提高虚拟电厂整体的直控能力。所以就需要一种包含多类型资源的虚拟电厂闭环直控方法。


技术实现要素：

5.本发明的目的在于提供一种包含多类型资源的虚拟电厂闭环直控方法，本发明侧重于从虚拟电厂运行控制的角度，研究虚拟电厂下分布式能源参与电力系统调度时，通过储能系统减小负荷偏差。本发明是这样实现的：
6.具体按以下步骤执行：
7.s1：对直控资源建模，根据直控资源的响应时间、调节精度和调节速率限制，以及响应成本，建立风电、光伏的概率分布模型；
8.s2：采用长短期记忆协同优化模型，将风电、光伏的当前实测值输入长短期记忆模型，建立预测模型式；
9.s3：将虚拟电厂发电参考轨迹作为参考值，以虚拟电厂实际出力与参考轨迹偏差最小为目标函数，用序列二次规划法求解未来n个时段的控制变量序列式；
10.s4：反馈校正，风电、光伏根据算法修改模型参数，将储能实际测量值作为下一时刻初始值，并进行新一轮优化，实现整体的闭环控制。
11.进一步，对直控资源建模还包括非直控资源建模，其中直控资源建模具体包括可连续调节负荷、可离散调节负荷和可时移负荷，非直控资源建模包括对风电机组不确定性出力建模和光伏机组不确定性出力建模。可连续调节负荷能够连续调节，其调节容量与调节比例有关，调节范围受最小技术出力和最大可用出力制约，启停时间长，出力增减速率小，出力频繁变化会增加额外的燃料消耗。没有最小连续运行时间或最大可中断时间的限制，调节方便灵活。
12.对于可连续调节负荷k，其在时刻t的用电负荷具体如式(1)；
[0013][0014]
式中，为可连续调节负荷k中的基础不可调功率；为可连续调节负荷k的可调节功率；为可连续调节负荷调节量系数，即可连续调节负荷k在t时刻参与调节的功率百分比；为可连续调节负荷k在t时刻是否参与调节的决策变量，参与调节时，否则
[0015]
可离散调节负荷对功率稳定时长有要求，无法响应频繁调节需求，但具有良好的负荷调节潜力。对于可离散调节负荷m，其在时刻t的用电负荷如式(2)；
[0016][0017]
式中，为可离散调节负荷m中的不可调功率；为可离散调节负荷m的可调节功率；为可离散调节负荷调节量系数，即可离散调节负荷m在t时刻参与调节的功率百分比；为可离散调节负荷m在t时刻是否参与调节的决策变量，参与调节时，否则
[0018]
负荷功率分别如式(3)-式(4)；
[0019][0020][0021]
式中，p0为可离散调节负荷的额定值；δ
up
为负荷上调节速率；δ
down
为负荷下调节速率；t1为初始调节时间；t2为初始调节时间。
[0022]
进一步，可时移负荷根据电网负荷情况能够在一定程度上改变负荷用电时间，其时移调节容量较大，具有较好调节能力。对于可时移负荷h，其在时刻t的用电负荷如式(5)；
[0023][0024]
式中，为可时移负荷h中的转移功率；为可时移负荷功率转移量系数，即可时移负荷h在t时刻时移功率占比；为可时移负荷h在t时刻是否参与时移的决策变量，参与调节时，否则
[0025]
可时移负荷的负荷功率如式(6)；
[0026][0027]
式中，为可时移负荷的用电负荷；t
l,h
为可时移负荷的启动时段；t
l,h
为可时移负荷的持续工作时段数。
[0028]
进一步，非直控资源响应能力建模；风电机组不确定性出力建模，对风力发电机组输出不确定性取决于风速的随机特性，用weibull分布进行描述，风速测算模型具体如式(7)；
[0029][0030]
式中，v为风速，c为威布尔分布的尺度参数，k为状态参数。基于式(7)对风速概率
密度的计算，得风力发电机的输出和实时风速之间的关系，如式(8)；
[0031][0032]
式中，p
twt
为风机在t时的输出功率；c
p
为风能利用系数；ρ表示空气密度；aw为风速在机组叶片扫过区域上垂直投影面积；为机组的额定功率；v
in
、v
rated
和v
out
为风电机组切入、额定和切出风速。
[0033]
进一步，光伏机组不确定性出力建模，光伏发电机组输出不确定性取决于太阳辐射强度的随机特性，用beta分布进行描述，太阳辐射强度模型如式(9)；
[0034][0035]
式中，γ是t时段太阳辐射照度；γ
max
是t时段太阳最大辐射照度；α和β是beta分布的形状参数，其变化将导致beta分布概率密度曲线形状的变化，α和β可以根据该段时间内太阳辐射强度的数学期望μ和方差δ计算得到如式(10)-式(11)；
[0036][0037][0038]
对f
pv
(γ)积分，可以近似得到输出功率p
tpv
和光照强度γ呈正比关系如式(12)；
[0039]
p
tpv
＝a
·
γ
·
η
ꢀꢀꢀ
式(12)
[0040]
式中，a为光照面积；η为光电转换效率。
[0041]
进一步，虚拟电厂中风电、光伏为不可控单元，无法通过下发控制指令实现对出力的调节，因此需要使用优化模型对其未来出力进行预测，具体通过滚动预测模型；
[0042]
首先，进行数据预处理，对优化模型各门限结构激活函数的输入、输出变量值域，应对要训练的风电、光伏历史数据进行预处理。实际运行时，每次输入的实时检测功率也需要经过下面的min-max归一化过程；具体如式(13)；
[0043][0044]
式中，x
max
为历史数据的极大值。经过归算后，训练数据在区间[0，1]内波动。经过预测模型得到未来出力后，还需要进行反归一化处理，如式(14)；
[0045]
x＝x
′
·
(x
max-x
min
)+x
min
ꢀꢀꢀ
式(14)
[0046]
虚拟电厂中储能为可控单元，其控制变量通过滚动优化求解，进而实现虚拟电厂有功调度，预测模型如式(15)；
[0047][0048]
式中，用于储能的功率输出的初始值po(k)是从实际测量值获得的；δp(k+t|k)表
示k时刻预测得到未来(k+t-1,k+t]时段内有功出力增量，为优化的控制变量；p(k+i|k)表示k时刻预测未来k+i时刻有功出力值；n表示预测步长。
[0049]
建立虚拟电厂有功优化性能指标如式(16)；
[0050][0051]
其中约束条件包括功率平衡约束，如式(17)；
[0052][0053]
式中，为虚拟电厂总发电参考轨迹在第k+i个采样点的值，为k+i时刻的可控单元有功出力参考值向量，向量维数为虚拟电厂中可控单元的个数；p(k+i|k)表示k时刻预测未来k+i时刻各可控单元有功出力向量，即调控后的出力值；
[0054]
各可控单元有功出力预测值约束如式(18)，
[0055][0056]
式中，p
max
(k+i)、p
min
(k+i)分别为各单元有功出力上下限。
[0057]
进一步，对储能蓄电池电荷量预测值约束；如式(19)-式(20)
[0058][0059]
soc
min
≤soc(k+i|k)≤soc
max
ꢀꢀꢀ
式(20)
[0060]
式中，soc(k+i|k)为k时刻预测未来k+i时刻储能电池的荷电状态，亦即其当前时刻电量与储能额定电量比值，soc
min
、soc
max
分别为其上下限；σ为其自放电率；η为其充电效率；p
dg
(k+i|k)为k+i时刻各不可控分布式电源预测出力总和；
[0061]
其中，δp
t
(k+i|k)为k时刻预测k+i时刻各储能单元功率输出变化量列向量，用序列二次规划法优化求解出未来n个时刻有功变化量如式(21)
[0062]
{δp
t
(k+1|k),δp
t
(k+2|k)，...，δp
t
(k+n|k)}
ꢀꢀꢀ
式(21)
[0063]
发出控制变量序列中的第一个控制变量列向量，并获得k+l时刻可控单元的有功功率输出如式(22)；
[0064]
p(k+1|k)＝po(k)+δp
t
(k+1|k)
ꢀꢀꢀ
式(22)
[0065]
进一步，反馈校正，风电、光伏出力的预测存在不可避免的预测误差，储能的控制精度亦不可能达到百分之百。因此，为提高控制精度，引入反馈环节，进而完成闭环优化。对于分布式电源，通过算法实现反馈校正，用于误差反向传播；对于可控的储能单元，反馈校正过程如式(23)；
[0066]
po(k+1)＝p
real
(k+1)
ꢀꢀꢀ
式(23)
[0067]
式中：p
real
(k+1)为在k预测到功率输出之后通过实际测量系统获得的soc在k+1时刻储能实际有功输出值。po(k+1)表示k+1时刻有功出力初始值。
[0068]
进一步，基于长短期记忆(lstm)的虚拟电厂闭环直控方法具体按以下步骤执行；
[0069]
s1:将风电、光伏的当前实测值输入长短期记忆模型，并与历史数据组成输入向量，进而得到其未来n个时刻的有功出力预测值；
[0070]
s2:以当前时刻储能的实际出力作为初始值po(k)，建立预测模型式(15)；
[0071]
s3:将虚拟电厂发电参考轨迹作为参考值，以虚拟电厂实际出力与参考轨迹偏差最小为目标函数，用序列二次规划法求解未来n个时段的控制变量序列式(21)；
[0072]
s4:将求得的第一个控制变量下发，根据式(22)求出下一时刻储能有功出力；
[0073]
s5:反馈校正，风电、光伏根据算法修改模型参数，将储能实际测量值作为下一时刻初始值，并进行新一轮优化。
[0074]
与现有技术相比，本发明的有益效果是：
[0075]
本发明首先对直控资源建模，考虑直控资源的响应时间、调节精度和调节速率限制，以及响应成本。建立了风电、光伏的概率分布模型。然后采用长短期记忆协同优化模型，将风电、光伏的当前实测值输入长短期记忆模型，建立预测模型式。将虚拟电厂发电参考轨迹作为参考值，以虚拟电厂实际出力与参考轨迹偏差最小为目标函数，用序列二次规划法求解未来n个时段的控制变量序列式。最后反馈校正，风电、光伏根据算法修改模型参数，将储能实际测量值作为下一时刻初始值，并进行新一轮优化，实现整体的闭环控制。本发明侧重于从虚拟电厂运行控制的角度，研究虚拟电厂下分布式能源参与电力系统调度时，通过储能系统减小负荷偏差。
附图说明
[0076]
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0077]
图1是本发明的方法流程示意图；
[0078]
图2是本发明的某段时间光伏出力变化曲线；
[0079]
图3是本发明的某段时间风电出力变化曲线；
[0080]
图4是本发明的光伏样本的自相关系数；
[0081]
图5是本发明的风电样本的自相关系数；
[0082]
图6是本发明的光伏1预测结果；
[0083]
图7是本发明的光伏2预测结果；
[0084]
图8是本发明的风电预测结果；
[0085]
图9是本发明的风电方均根误差对比；
[0086]
图10是本发明的风电绝对平均误差对比；
[0087]
图11是本发明的光伏1方均根误差对比；
[0088]
图12是本发明的光伏1绝对平均误差对比；
[0089]
图13是本发明的单独预测与联合预测方均根误差对比；
[0090]
图14是本发明的各储能及虚拟电厂计划有功出力；
[0091]
图15是本发明的储能优化结果；
[0092]
图16是本发明的虚拟电厂优化结果。
具体实施方式
[0093]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
[0094]
请参阅图1-16，一种包含多类型资源的虚拟电厂闭环直控方法，
[0095]
本发明具体按以下步骤执行：
[0096]
s1：对直控资源建模，根据直控资源的响应时间、调节精度和调节速率限制，以及响应成本，建立风电、光伏的概率分布模型；
[0097]
s2：采用长短期记忆协同优化模型，将风电、光伏的当前实测值输入长短期记忆模型，建立预测模型式；
[0098]
s3：将虚拟电厂发电参考轨迹作为参考值，以虚拟电厂实际出力与参考轨迹偏差最小为目标函数，用序列二次规划法求解未来n个时段的控制变量序列式；
[0099]
s4：反馈校正，风电、光伏根据算法修改模型参数，将储能实际测量值作为下一时刻初始值，并进行新一轮优化，实现整体的闭环控制。
[0100]
本实施例中，对直控资源建模还包括非直控资源建模，其中直控资源建模具体包括可连续调节负荷、可离散调节负荷和可时移负荷，非直控资源建模包括对风电机组不确定性出力建模和光伏机组不确定性出力建模。可连续调节负荷能够连续调节，其调节容量与调节比例有关，调节范围受最小技术出力和最大可用出力制约，启停时间长，出力增减速率小，出力频繁变化会增加额外的燃料消耗。没有最小连续运行时间或最大可中断时间的限制，调节方便灵活。
[0101]
对于可连续调节负荷k，其在时刻t的用电负荷具体如式(1)；
[0102][0103]
式中，为可连续调节负荷k中的基础不可调功率；为可连续调节负荷k的可调节功率；为可连续调节负荷调节量系数，即可连续调节负荷k在t时刻参与调节的功率百分比；为可连续调节负荷k在t时刻是否参与调节的决策变量，参与调节时，否则
[0104]
可离散调节负荷对功率稳定时长有要求，无法响应频繁调节需求，但具有良好的负荷调节潜力。对于可离散调节负荷m，其在时刻t的用电负荷如式(2)；
[0105][0106]
式中，为可离散调节负荷m中的不可调功率；为可离散调节负荷m的可调节功率；为可离散调节负荷调节量系数，即可离散调节负荷m在t时刻参与调节的功率百分比；为可离散调节负荷m在t时刻是否参与调节的决策变量，参与调节时，否则
[0107]
负荷功率分别如式(3)-式(4)；
[0108][0109][0110]
式中，p0为可离散调节负荷的额定值；δ
up
为负荷上调节速率；δ
down
为负荷下调节速率；t1为初始调节时间；t2为初始调节时间。
[0111]
本实施例中，可时移负荷根据电网负荷情况能够在一定程度上改变负荷用电时间，其时移调节容量较大，具有较好调节能力。对于可时移负荷h，其在时刻t的用电负荷如式(5)；
[0112][0113]
式中，为可时移负荷h中的转移功率；为可时移负荷功率转移量系数，即可时移负荷h在t时刻时移功率占比；为可时移负荷h在t时刻是否参与时移的决策变量，参与调节时，否则
[0114]
可时移负荷的负荷功率如式(6)；
[0115][0116]
式中，为可时移负荷的用电负荷；t
l,h
为可时移负荷的启动时段；t
l,h
为可时移负荷的持续工作时段数。
[0117]
本实施例中，非直控资源响应能力建模；风电机组不确定性出力建模，对风力发电
机组输出不确定性取决于风速的随机特性，用weibull分布进行描述，风速测算模型具体如式(7)；
[0118][0119]
式中，v为风速，c为威布尔分布的尺度参数，k为状态参数。基于式(7)对风速概率密度的计算，得风力发电机的输出和实时风速之间的关系，如式(8)；
[0120][0121]
式中，p
twt
为风机在t时的输出功率；c
p
为风能利用系数；ρ表示空气密度；aw为风速在机组叶片扫过区域上垂直投影面积；为机组的额定功率；v
in
、v
rated
和v
out
为风电机组切入、额定和切出风速。
[0122]
本实施例中，光伏机组不确定性出力建模，光伏发电机组输出不确定性取决于太阳辐射强度的随机特性，用beta分布进行描述，太阳辐射强度模型如式(9)；
[0123][0124]
式中，γ是t时段太阳辐射照度；γ
max
是t时段太阳最大辐射照度；α和β是beta分布的形状参数，其变化将导致beta分布概率密度曲线形状的变化，α和β可以根据该段时间内太阳辐射强度的数学期望μ和方差δ计算得到如式(10)-式(11)；
[0125][0126][0127]
对f
pv
(γ)积分，可以近似得到输出功率p
tpv
和光照强度γ呈正比关系如式(12)；
[0128]
p
tpv
＝a
·
γ
·
η
ꢀꢀꢀ
式(12)
[0129]
式中，a为光照面积；η为光电转换效率。
[0130]
本实施例中，虚拟电厂中风电、光伏为不可控单元，无法通过下发控制指令实现对出力的调节，因此需要使用优化模型对其未来出力进行预测，具体通过滚动预测模型；
[0131]
首先，进行数据预处理，对优化模型各门限结构激活函数的输入、输出变量值域，应对要训练的风电、光伏历史数据进行预处理。实际运行时，每次输入的实时检测功率也需要经过下面的min-max归一化过程；具体如式(13)；
[0132][0133]
式中，x
max
为历史数据的极大值。经过归算后，训练数据在区间[0，1]内波动。经过预测模型得到未来出力后，还需要进行反归一化处理，如式(14)；
[0134]
x＝x
′
·
(x
max-x
min
)+x
min
ꢀꢀꢀ
式(14)
[0135]
虚拟电厂中储能为可控单元，其控制变量通过滚动优化求解，进而实现虚拟电厂有功调度，预测模型如式(15)；
[0136][0137]
式中，用于储能的功率输出的初始值po(k)是从实际测量值获得的；δp(k+t|k)表示k时刻预测得到未来(k+t-1,k+t]时段内有功出力增量，为优化的控制变量；p(k+i|k)表示k时刻预测未来k+i时刻有功出力值；n表示预测步长。
[0138]
建立虚拟电厂有功优化性能指标如式(16)；
[0139][0140]
其中约束条件包括功率平衡约束，如式(17)；
[0141][0142]
式中，为虚拟电厂总发电参考轨迹在第k+i个采样点的值，为k+i时刻的可控单元有功出力参考值向量，向量维数为虚拟电厂中可控单元的个数；p(k+i|k)表示k时刻预测未来k+i时刻各可控单元有功出力向量，即调控后的出力值；
[0143]
各可控单元有功出力预测值约束如式(18)，
[0144][0145]
式中，p
max
(k+i)、p
min
(k+i)分别为各单元有功出力上下限。
[0146]
本实施例中，对储能蓄电池电荷量预测值约束；如式(19)-式(20)
[0147][0148]
soc
min
≤soc(k+i|k)≤soc
max
ꢀꢀꢀ
式(20)
[0149]
式中，soc(k+i|k)为k时刻预测未来k+i时刻储能电池的荷电状态，亦即其当前时刻电量与储能额定电量比值，soc
min
、soc
max
分别为其上下限；σ为其自放电率；η为其充电效率；p
dg
(k+i|k)为k+i时刻各不可控分布式电源预测出力总和；
[0150]
其中，δp
t
(k+i|k)为k时刻预测k+i时刻各储能单元功率输出变化量列向量，用序列二次规划法优化求解出未来n个时刻有功变化量如式(21)
[0151]
{δp
t
(k+1|k),δp
t
(k+2|k)，...，δp
t
(k+n|k)}
ꢀꢀꢀ
式(21)
[0152]
发出控制变量序列中的第一个控制变量列向量，并获得k+l时刻可控单元的有功功率输出如式(22)；
[0153]
p(k+1|k)＝po(k)+δp
t
(k+1|k)
ꢀꢀꢀ
式(22)
[0154]
本实施例中，反馈校正，风电、光伏出力的预测存在不可避免的预测误差，储能的控制精度亦不可能达到百分之百。因此，为提高控制精度，引入反馈环节，进而完成闭环优
化。对于分布式电源，通过算法实现反馈校正，用于误差反向传播；对于可控的储能单元，反馈校正过程如式(23)；
[0155]
po(k+1)＝p
real
(k+1)
ꢀꢀꢀ
式(23)
[0156]
式中：p
real
(k+1)为在k预测到功率输出之后通过实际测量系统获得的soc在k+1时刻储能实际有功输出值。po(k+1)表示k+1时刻有功出力初始值。
[0157]
本实施例中，基于长短期记忆(lstm)的虚拟电厂闭环直控方法具体按以下步骤执行；
[0158]
s1:将风电、光伏的当前实测值输入长短期记忆模型，并与历史数据组成输入向量，进而得到其未来n个时刻的有功出力预测值；
[0159]
s2:以当前时刻储能的实际出力作为初始值po(k)，建立预测模型式(15)；
[0160]
s3:将虚拟电厂发电参考轨迹作为参考值，以虚拟电厂实际出力与参考轨迹偏差最小为目标函数，用序列二次规划法求解未来n个时段的控制变量序列式(21)；
[0161]
s4:将求得的第一个控制变量下发，根据式(22)求出下一时刻储能有功出力；
[0162]
s5:反馈校正，风电、光伏根据算法修改模型参数，将储能实际测量值作为下一时刻初始值，并进行新一轮优化。
[0163]
本实施例中，选取的虚拟电厂系统包括一个风力发电系统，两个光伏发电系统和两个储能系统。储能参数见表1，soc
min
、soc
max
分别为其荷电状态上下限；σ为其自放电率；η为其充电效率；光伏参数见表2；风电参数见表3。其中样本数据为河南某地区2016年9月至2017年9月的部分历史数据，共15096个时间断面，采样间隔为5min。系统以5min为控制时间间隔，且m＝n＝3，即每五分钟预测未来十五分钟的风、光出力。发电参考轨迹来自该系统运行的历史数据。考虑预测精度和模型的复杂程度，并结合相关性分析，进行反复试验，将光伏、风电的时间步数分别定为50、75，隐藏层维数为100。根据模型预测控制的参数要求，输出层维数应与预测步长相同，本发明取为3；储能单元参如表1；光伏单元参数如表2；风电单元参数如表3；
[0164]
表1 储能单元参数
[0165][0166]
表2 光伏单元参数
[0167]
编号出力下限/mw出力上限/mw1035209
[0168]
表3 风电单元参数
[0169]
编号出力下限/mw出力上限/mw1055
[0170]
如图2-图3，风电、光伏出力具有很大的随机性，为研究随机过程的平稳性，验证新能源历史出力与未来出力之间的因果关系，判断采用长短期记忆方法以历史数据作为输入，预测未来输出的合理性，并对其模型阶数的选择提供参考，选择部分连续历史数据进行自相关分析；
[0171]
其中，图2和图3是一段时间内的光伏和风力输出曲线，其中采样间隔为5分钟，省略了输出为0的时刻。在随机波动的同时，不难看出数据具有一定的周期性。以图中数据为样本，计算不同延时的自相关系数，并将结果绘制成曲线，如图4和图5所示
[0172]
本实施例中，光伏、风电的出力均与自身历史数据相关，相关性随延时增加呈减小趋势，其中光伏数据的相关性更为明显。优化系统运行的实时性要求，本发明采用单维度数据建立预测模型的方法。为保证预测的准确性，结合自相关系数变化趋势，选取光伏、风电的初始模型阶数分别为130和260，即分别利用前130和260个数据作为每次滚动预测的输入。
[0173]
风光输出功率的预测精度与其自身数据的波动特征显着相关。数据的波动性越大，随机性越强，预测效果越差。而利用风电、光伏存在互补的特点，可对风电、光伏出力进行联合预测，在降低数据波动性的基础上提升预测精度。为此，提出互补系数ic以衡量出力数据叠加后的波动性。定义如式(24)-式(25);
[0174][0175][0176][0177]
式中，ck为k时刻互补程度，可为第i个分布式电源第k-1时刻到k时刻的波动量。ic为互补系数。
[0178]
由于算例包含一个风电系统和两个光伏系统(光伏1、光伏2)，从风电与两个光伏系统分别互补和三者互补的方式分别分析，结果如表4所示；
[0179]
表4风光互补特性分析结果
[0180][0181][0182]
风电与光伏1的互补性最强，风电与光伏2的互补性相对较弱，而三者结合并不总能达到良好的互补效果。因此，将风电与光伏1的功率进行联合预测，即将二者历史数据相加而重新训练长短期记忆网络，实时预测结果则为二者功率的加和。在实验之后，联介预测模型的时间步长仍然设置为75，并且隐藏层维度仍然是100。
[0183]
本实施例中，对长短期记忆预测结果分析；将前10000个数据用于长短期记忆模型的训练，并在后5096个数据中选取典型时间段(8:20-14:30)进行整个系统的仿真。光伏、风电在该时段的预测结果见图6、图7和图8。为验证所提方法的有效性和优越性，将基于传统的持续法预测应用于本算例，并与本发明所提方法的预测结果进行比较。持续法以连续性和渐变性为假设，使用最近采样时刻的采样值作为新一轮的预测值。图9、图10、图11、图12以风电和光伏1为例，给出了两种预测方法的两种标准值与样本数之间的关系。可以看到，采用长短期记忆预测模型的精度明显强于持续法。图13比较了风电、光伏1单独预测与联合预测的方均根误差，可以看到，随样本数量的增加，联合预测误差在风电和光伏1误差的中间，且明显小于风电、光伏1单独预测的总误差。
[0184]
以跟踪发电参考轨迹为目标，采用序列二次规划法进行求解。图14为根据虚拟电厂发电参考轨迹得到的各储能及虚拟电厂该时段总有功计划出力。为验证所提方法的优越性，将基于持续法预测的滚动优化方法应用于本算例作为对照。从上面的预测结果与调度结果可以看出，长短期记忆模型的预测精度明显高于持续方法，而这显然也直接导致了相对于基于传统预测方法的功率跟踪策略，基于长短期记忆的虚拟发电厂的实时控制结果更接近发电参考轨迹。用同样的方均根误差和绝对平均误差指标比较两种方法的优化结果，如表5所示。因此，本发明提出的基于改进模型预测控制的虚拟电厂有功优化调度方法是解决虚拟电厂有功优化问题的有效手段。
[0185]
表5虚拟电厂优化结果比较
[0186][0187][0188]
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种包含多类型资源的虚拟电厂闭环直控方法，其特征在于：具体按以下步骤执行：s1：对直控资源建模，根据直控资源的响应时间、调节精度和调节速率限制，以及响应成本，建立风电、光伏的概率分布模型；s2：采用长短期记忆协同优化模型，将风电、光伏的当前实测值输入长短期记忆模型，建立预测模型式；s3：将虚拟电厂发电参考轨迹作为参考值，以虚拟电厂实际出力与参考轨迹偏差最小为目标函数，用序列二次规划法求解未来n个时段的控制变量序列式；s4：反馈校正，风电、光伏根据算法修改模型参数，将储能实际测量值作为下一时刻初始值，并进行新一轮优化，实现整体的闭环控制。2.根据权利要求1所述的一种包含多类型资源的虚拟电厂闭环直控方法，其特征在于，所述风电概率分布模型为weibull分布模型，所述光伏概率分布模型为beta分布模型。3.根据权利要求1所述的一种包含多类型资源的虚拟电厂闭环直控方法，其特征在于，所述虚拟电厂系统包括一个风力发电系统，两个光伏发电系统和两个储能系统。4.根据权利要求1所述的一种包含多类型资源的虚拟电厂闭环直控方法，其特征在于，在步骤s1中，对直控资源建模还包括非直控资源建模，其中直控资源建模具体包括可连续调节负荷、可离散调节负荷和可时移负荷，非直控资源建模包括对风电机组不确定性出力建模和光伏机组不确定性出力建模。5.根据权利要求1所述的一种包含多类型资源的虚拟电厂闭环直控方法，其特征在于，在步骤s2中，进行要训练的风电、光伏历史数据进行预处理，首先确定优化模型的输入层时间步数、输入层维度、隐藏层数目、隐含层维度和输出层维度进行风电、光伏的出力预测。6.根据权利要求1所述的一种包含多类型资源的虚拟电厂闭环直控方法，其特征在于，在步骤s4中，进行优化具体包括建立虚拟电厂有功优化性能指标，由上级调度模块根据经济性、安全性因素优化得到的调度指令。7.根据权利要求1所述的一种包含多类型资源的虚拟电厂闭环直控方法，其特征在于，步骤s4具体按以下步骤执行；s
7。1
：将风电、光伏的当前实测值输入长短期记忆模型，并与历史数据组成输入向量，进而得到其未来n个时刻的有功出力预测值；s
7。2
：以当前时刻储能的实际出力作为初始值，建立预测模型式；s
7。3
：将虚拟电厂发电参考轨迹作为参考值，以虚拟电厂实际出力与参考轨迹偏差最小为目标函数，用序列二次规划法求解未来n个时段的控制变量序列；s
7。4
：将求得的第一个控制变量下发，根据控制变量序列求出下一时刻储能有功出力；s
7。5
反馈校正，风电、光伏根据算法修改模型参数，将储能实际测量值作为下一时刻初始值，并进行新一轮优化。

技术总结
本发明涉及电网控制技术领域，公开了一种包含多类型资源的虚拟电厂闭环直控方法，首先对直控资源建模，根据直控资源的响应时间、调节精度和调节速率限制，以及响应成本，建立风电、光伏的概率分布模型；采用长短期记忆协同优化模型，将风电、光伏的当前实测值输入长短期记忆模型，建立预测模型式；将虚拟电厂发电参考轨迹作为参考值，以虚拟电厂实际出力与参考轨迹偏差最小为目标函数，用序列二次规划法求解未来N个时段的控制变量序列式；反馈校正，风电、光伏根据算法修改模型参数，将储能实际测量值作为下一时刻初始值，实现整体的闭环控制。本发明研究虚拟电厂下分布式能源参与电力系统调度时，通过储能系统减小负荷偏差。通过储能系统减小负荷偏差。通过储能系统减小负荷偏差。


技术研发人员：杨丽娟 荆贝 张旭
受保护的技术使用者：北京兆瓦云数据科技有限公司
技术研发日：2022.10.25
技术公布日：2023/1/6