文章解读与仿真程序复现思路——电力系统保护与控制EI\CSCD\北大核心《考虑需求响应及调频性能变化的虚拟电厂日前投标策略》

本专栏栏目提供文章与程序复现思路，具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》

这个标题涉及虚拟电厂的投标策略，主要关注两个方面：需求响应和调频性能变化。

1. 需求响应： 虚拟电厂显然考虑了能源市场中的需求响应。这意味着该电厂有能力根据市场需求的变化来调整其发电或能源输出，以更好地满足电力市场的需求。这可能包括高需求时提供更多电力，低需求时减少产能，以确保经济高效运行。

2. 调频性能变化： 虚拟电厂关注调频性能的变化，表明它可能在调整频率方面有一定的灵活性。调频是电力系统中用于维持电网频率平衡的重要过程，而虚拟电厂可能采用一些策略来适应频率的变化，以维持系统的稳定性。

总体而言，这个标题表明虚拟电厂在其投标策略中将重点放在了灵活应对市场需求和维持电力系统频率平衡上。这反映了电力行业对于可再生能源和电力系统灵活性的不断关注，以确保可持续能源的有效集成和电网的稳定运行。

摘要：随着分布式可再生能源装机容量在电力系统中占比的增大，新能源发电应当承担相应的二次调频任务，而虚拟电厂是分布式电源参与电力市场的重要途径。首先，提出了由分布式风电和电动汽车、空调负荷等广义储能组成的虚拟电厂参与能量-调频联合市场的运行机制。然后，建立广义储能受价格驱动的需求响应模型。为了提前对虚拟电厂调频性能进行预估，引入虚拟电厂调频性能指标。提出考虑需求响应及虚拟电厂调频性能指标的日前投标鲁棒优化策略。最后，通过算例探讨了需求响应模型参数变化对用户及虚拟电厂收益的影响。结果表明，所提虚拟电厂运行机制不仅可以有效提高虚拟电厂综合收益，而且使得虚拟电厂提供优质的调频服务。

这段摘要讨论了随着分布式可再生能源在电力系统中的装机容量增加，新能源发电需要承担二次调频任务，而虚拟电厂是分布式电源参与电力市场的关键途径。以下是摘要的主要内容解读：

1. 虚拟电厂参与能量-调频联合市场： 摘要提出了一种由分布式风电、电动汽车、空调负荷等广义储能组成的虚拟电厂参与能量-调频联合市场的运行机制。这意味着虚拟电厂通过整合不同的分布式能源和负荷，参与电力市场并承担调频任务。

2. 广义储能需求响应模型： 文中建立了广义储能受价格驱动的需求响应模型。这表明虚拟电厂可以通过根据电力市场价格调整其能源产出或消耗，以响应市场需求。

3. 虚拟电厂调频性能指标： 引入了虚拟电厂调频性能指标，以提前对虚拟电厂调频性能进行预估。这可能有助于优化虚拟电厂的运行策略。

4. 日前投标鲁棒优化策略： 提出了考虑需求响应和虚拟电厂调频性能指标的日前投标鲁棒优化策略。这意味着虚拟电厂在参与市场时会考虑电力需求响应和调频性能，以优化其投标策略。

5. 算例探讨： 通过算例，研究了需求响应模型参数变化对用户和虚拟电厂收益的影响。结果显示，提出的虚拟电厂运行机制可以有效提高综合收益，并提供高质量的调频服务。

总体而言，这项研究强调了虚拟电厂在电力系统中的重要性，以及如何通过考虑需求响应和调频性能来优化其参与能源市场的策略。这有助于实现更高效、可持续的电力系统运行。

关键词:虚拟电厂 ;广义储能;需求响应;调频性能指标;动态估值;鲁棒优化;

解读这些关键词有助于理解涉及虚拟电厂和电力系统管理的复杂概念。下面是每个关键词的详细解读：

1. 虚拟电厂（Virtual Power Plant, VPP）： 虚拟电厂是一种通过软件和智能技术将多个分布式能源资源（如风电、太阳能、储能设备等）集成在一起的系统。虚拟电厂能够协调和优化这些资源的运行，以更高效地参与电力市场，提供能量供应，参与调频和负荷平衡等。

2. 广义储能（Generalized Energy Storage）： 广义储能不仅指传统的电池储能，还包括任何可以存储能量并在需要时释放的资源，例如电动汽车（作为电池使用）和需求侧管理（调整能源使用以储存潜在能量）。

3. 需求响应（Demand Response）： 需求响应是一种电力系统管理策略，旨在通过调整用户对电力的使用来响应电力供需平衡的变化。这可能涉及在电力需求高峰时减少用电，或在电力充裕时增加用电。

4. 调频性能指标（Frequency Regulation Performance Metrics）： 这是衡量虚拟电厂或其他电力资源参与调节电网频率的能力的指标。电网频率的维持是电力系统稳定运行的关键，调频性能指标反映了资源在响应频率变化时的效率和可靠性。

5. 动态估值（Dynamic Valuation）： 在电力市场中，动态估值指的是对电力资源（如发电能力、调频服务等）价值的实时或近实时评估。这种评估方法考虑到市场条件、系统需求和资源可用性的不断变化。

6. 鲁棒优化（Robust Optimization）： 鲁棒优化是一种面对不确定性时优化决策的方法。在电力市场和虚拟电厂的应用中，鲁棒优化旨在制定能在各种可能的未来情景下都表现良好的策略。这种方法特别重要，因为电力市场经常面临需求波动、价格变化和资源可用性的不确定性。

总结来说，这些关键词共同涉及虚拟电厂在电力系统中的运营和管理，特别是如何高效地整合多种分布式能源资源，响应市场需求，参与调频，同时对复杂、不确定的市场环境进行鲁棒优化。这些概念反映了现代电力系统管理中的高度复杂性和技术创新。

仿真算例：

本算例包含总装机容量为 50 MW 的分布式风 机，200 辆型号一致的 EVs 以及 300 台型号一致的 ACLs。假设分布式风机向上调频、向下调频各为额 定容量的 20%。由于受到风机爬坡率的限制和避免 爬坡事件的发生，风机标准调节速率为每分钟 3% 的额定容量。风机控制误差满足均值为 0、方差为 0.000 013 的正态分布[4]，机组允许的响应延迟时间 为 1 min。 当 EVs 及 ACLs 参与调频服务时，EVs 功率调 节速率很快，可以达到毫秒级，不存在爬坡率问题， 也不存在禁止频繁充放电的问题。ACLs 的运行机 理与 EVs 不同，当 ACLs 启动时，将会产生较大的 启动电流，缩短压缩机的寿命，频繁启停会对 ACL 产生严重的不良影响，设置每个启停周期至少为30 s。 从比利时 Elia 官网获取 2022 年 2 月 1 日瓦隆 地区陆上风机日前预测功率以及当日实时出力，根 据该地区装机容量，将获得的数据转化为总额定容 量为 50 MW 的分布式风机的日前预测功率和实时 出力，如图 5(a)所示。日前预测功率用于日前投标 策略的制定，实时出力用于收益的事后结算，相应 的能量-调频市场预测价格如图 5(b)所示。 由历史统计数据可知，分布式风机实时出力一 般小于日前功率预测，偏差一般在 15%以内，假设 风机实时出力波动在[-15%, +5%]内，也即 re PRT,i ∈ re re DA, DA, [0.85 ,1.05 ] P P i i ，并假设市场出清价格的波动幅 度为±10%。本文依据日前功率预测及典型日的出清价格进行鲁棒优化，求取最优投标策略，依据 VPP 实时出力计算 VPP 实际利润。

仿真程序复现思路：

为了复现这个仿真案例，我们可以使用一种编程语言，例如Python，结合数学建模和仿真技术。以下是一个简化的示例代码，演示如何使用Python来模拟上述场景：

import numpy as np

# 模拟参数
total_capacity = 50  # 总装机容量，单位MW
num_wind_turbines = 1  # 风机数量
num_evs = 200  # EV数量
num_acls = 300  # ACL数量

# 风机调频参数
upward_regulation = 0.2  # 向上调频容量比例
downward_regulation = 0.2  # 向下调频容量比例
regulation_speed = 0.03  # 调节速率，每分钟3%的额定容量
response_delay = 1  # 响应延迟时间，单位分钟
control_error_mean = 0  # 控制误差均值
control_error_variance = 0.000013  # 控制误差方差

# EV调频参数
ev_regulation_speed = 0.001  # EV功率调节速率，毫秒级
ev_no_ramp_issue = True  # EV是否存在爬坡率问题

# ACL调频参数
acl_startup_interval = 30  # ACL启停周期，单位秒

# 风机实时出力波动范围
wind_output_deviation = np.random.uniform(-0.15, 0.05, num_wind_turbines)

# 模拟仿真
for time_step in range(simulation_time_steps):
    # 模拟风机实时出力
    wind_power_forecast = get_wind_power_forecast()  # 从数据源获取风机日前预测功率
    wind_power_realtime = wind_power_forecast * (1 + wind_output_deviation)
    
    # 模拟调频服务参与
    participate_in_regulation(wind_power_realtime, ev_regulation_speed, ev_no_ramp_issue, acl_startup_interval)
    
    # 模拟市场预测和鲁棒优化
    market_forecast_price = get_market_forecast_price()  # 获取市场预测价格
    optimal_bid_strategy = robust_optimization(wind_power_forecast, market_forecast_price)
    
    # 模拟VPP实时出力和利润计算
    vpp_realtime_output = calculate_vpp_realtime_output(optimal_bid_strategy, wind_power_realtime)
    vpp_profit = calculate_vpp_profit(vpp_realtime_output, market_forecast_price)

请注意，上述代码仅为简化示例，实际复现可能需要更详细和复杂的模型和算法。在代码中，你需要编写函数来模拟风机实时出力、调频服务参与、市场预测和鲁棒优化、VPP实时出力以及利润计算等操作。此外，你可能需要使用一些数学库和数据处理库，例如NumPy和Pandas。在实际仿真中，你还需要考虑更多的细节和实际数据输入。