+

CN118153756A - 基于改进式生成对抗网络gan的vpp调度优化方法及系统 - Google Patents

基于改进式生成对抗网络gan的vpp调度优化方法及系统 Download PDF

Info

Publication number
CN118153756A
CN118153756A CN202410300407.XA CN202410300407A CN118153756A CN 118153756 A CN118153756 A CN 118153756A CN 202410300407 A CN202410300407 A CN 202410300407A CN 118153756 A CN118153756 A CN 118153756A
Authority
CN
China
Prior art keywords
vpp
output
scheduling
expressed
day
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410300407.XA
Other languages
English (en)
Inventor
韩帅
郑耀东
孙思扬
卢健斌
杨再敏
吴宁
蒙文川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Energy Development Research Institute of China Southern Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Energy Development Research Institute of China Southern Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd, Energy Development Research Institute of China Southern Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202410300407.XA priority Critical patent/CN118153756A/zh
Publication of CN118153756A publication Critical patent/CN118153756A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0611—Request for offers or quotes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本发明公开了基于改进式生成对抗网络GAN的VPP调度优化方法及系统，涉及虚拟电厂VPP的自调度技术领域，包括设定VPP的运营情景和市场规则；构建改进的GAN模型，生成情景并进行情景缩减；构建VPP基于不确定性的调度模型，输出最优调度决策。本发明提供的基于改进式生成对抗网络GAN的VPP调度优化方法通过改进的生成式对抗网络GAN预测DER出力偏差，避免了传统仿真模拟方法需要充分信息以获取样本的真实概率分布的缺陷，避免建立概率模型，从而极大提高场景生成的准确性，本发明方法可以提高模型的收敛效果，引入的K‑medoids方法可以大大提高情景缩减的效率，提升了VPP调度决策的经济性，本发明在生成准确性、收敛效果和情景缩减效率方面都取得更加良好的效果。

Description

基于改进式生成对抗网络GAN的VPP调度优化方法及系统
技术领域
本发明涉及虚拟电厂VPP的自调度技术领域，具体为基于改进式生成对抗网络GAN的VPP调度优化方法。
背景技术
在当前的双结算市场框架下，VPP运营主体必须通过日前申报的方式参与市场，随后的结算过程将根据VPP聚合整体满足真实日内需求的结果进行。当VPP聚合整体的实际出力不足，运营主体要么面临惩罚措施，要么从主网购电以补足；当VPP聚体整体的实际出力在满足日前申报量的情况下尚有富余，运营主体可以将多余供给出售给主网或其他运营主体。由于VPP的聚合资源中存在相当比例的DER，其出力方式存在较大的不确定性和间歇性，给VPP的日前调度决策带来了相当的不确定性，这些不确定性在现实的市场规则下导致了运营主体面临着经济效益的具体风险。如果缺乏风险控制手段，VPP在聚合资源参与市场的过程中，可能更倾向于投入热电或其他出力平稳的资源，从而导致DER的利用率低下，造成大量浪费，特别对于抗风险能力较小的小规模VPP运营主体，更会导致“弃风弃光”现象，这在日内负荷需求的峰谷时段表现尤为明显。当前在技术层面，加入储能和可中断负荷可以有效降低DER出力的不确定性，不过在组织规划层面，仍然需要VPP运营主体通过高效有力的日前调度方法降低其风险。对于VPP的日前调度决策，由于当前VPP运营主体在市场体系中是价格接受者，因此可以将申报价格看作是外生变量。当前主流研究都将VPP的日前调度决策目标设定为日内运营成本最小化或日内运营收益最大化，在给定出力资源运营成本的条件下，问题转向为如何降低DER出力的不确定性，也就是如何降低日前调度决策对于DER出力预测的偏差。
在VPP日前调度领域的研究中，DER出力预测技术主要是沿用传统数理统计分析方法，通过仿真样本抽样，然后利用蒙特卡洛和拉丁超立方等方法拟合分析给出预测结果，这种分析方法的实际效果非常依赖于统计假设，在实际操作中经常会缺失大量有效信息，难以准确获取样本的真实概率分布形式。近年来，随着机器学习和人工智能技术的成熟，DER的出力预测技术有了更多的替代解决方案，这种技术无需对数据的分布进行任何统计假设，而是通过训练机器学习生成新的数据样本，避免建立概率模型，从而极大提高场景生成的准确性，生成对抗网络GAN(Generative Adversarial Network)就是一种代表性的技术，经过近十年的发展，GAN已经出现了以条件对抗网络CAN和Wasserstein生成对抗网络WGAN为代表的升级版本，但目前将GAN方法运用于电力系统的研究还比较少，因此开发适用于DER出力情景的预测方法，对于提升VPP的运营改善，具有重要意义，如果要将GAN应用于DER的调度预测，首先要解决传统GAN生成情景数量过多且存在大量相似情景的问题，这些问题会导致计算量巨大和时效性差。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的VPP调度优化方法存在计算量较大，时效性较差，准确性较差，以及如何解决生成情景数量过多且存在大量相似情景的优化问题。
为解决上述技术问题，本发明提供如下技术方案：基于改进式生成对抗网络GAN的VPP调度优化方法，包括设定VPP的运营情景和市场规则；构建改进的GAN模型，生成情景并进行情景缩减；构建VPP基于不确定性的调度模型，输出最优调度决策。
作为本发明所述的基于改进式生成对抗网络GAN的VPP调度优化方法的一种优选方案，其中：所述VPP的运营情景包括VPP聚合系统，VPP由光伏、风电、微型燃气轮机、储能和需求响应单元构成，光伏和风电的出力受日照和气候因素的影响，微型燃气机组稳定输出电力，并平息风力和光伏资源的随机性，储能设备用于平衡VPP中的风力和光伏资源，需求响应单元通过与用户签订协议进行管理，使VPP控制负荷并参与交易，VPP的运营行动分为两个阶段，第一阶段是日前申报阶段，VPP预测DER的功率输出，并提交随后一天每个时段的日前竞价输出，在中标后，每个单元将参与调度发电，在第二阶段，在实时更新后，DER功率输出的实际值与预测值之间存在偏差，VPP使用燃气轮机和储能设备来抑制偏差，并对无法抑制的偏差进行补偿。
作为本发明所述的基于改进式生成对抗网络GAN的VPP调度优化方法的一种优选方案，其中：所述构建改进的GAN模型包括训练模型，将光伏和风电的历史时序输出数据作为真实样本，表示为：
其中，为第i日的日内DER样本数据时间序列，将真实样本序列的噪声记为ε，ε从样本序列的正态分布中取样，分布函数记为f(ε)，则ε将作为生成器的输入数据，输出的生成数据记为G(ε)，生成数据的概率分布记为f(s′)，将真实样本数据s输入判别器，生成器和判别器的损失函数分别表示为：
其中，LG和LD分别为生成器和判别器的损失函数，E为期望，D(G(ε))为将生成器数据输入判别器后判定为真实数据的概率，D(s)为真实样本数据的输出数据，表示判别器判断是真实样本的概率，生成器和判别器的博弈训练模型表示为：
其中，引入均方误差到模型的损失函数中，表示为：
其中，R为样本总数，由于原始的GAN在判别器D中使用Jensen-Shannon作为损失函数，引入Wasserstein距离衡量真实数据和生成数据分布之间的距离，表示为：
其中，sup()为函数值的确定上界，K为Lipschitz常数，||f||L≤K为判别器D的组成函数满足K-Lipschitz连续性，引入惩罚项，训练模型重新表示为：
其中，τ为惩罚系数，为梯度算子，/>为对真实样本的线性处理项，表示为：
其中，ξ为赋值系数，取值为0到1的区间。
作为本发明所述的基于改进式生成对抗网络GAN的VPP调度优化方法的一种优选方案，其中：所述情景缩减包括采用K-medoids方法进行情景缩减，根据相似度将生成的情景划分为组，并选择每组中的一个情景作为典型情景，缩减后的情景概率之和为1，从生成的情景中随机选择m个情景作为初始聚类中心，根据距离聚类中心最近的原则，将对象分配到各个类别中，根据最小距离原则，找到新的聚类中心替代原始聚类中心，表示为：
其中，I为缩减前的情景集合，J为经过缩减形成的经典情景集合，ρi为第i种情景出现的概率，d(χi，χj)为情景集合中任意两个情景之间的距离，判断是否收敛，若没有收敛，重复分配步骤，若收敛，新获得的m个聚类中心即为经过缩减的典型情景。
作为本发明所述的基于改进式生成对抗网络GAN的VPP调度优化方法的一种优选方案，其中：所述构建VPP基于不确定性的调度模型包括目标函数，VPP日内调度的决策目标是实现日内运营利润最大化，利润由收入和成本共同决定，目标函数表示为：
其中，χ为决策需要的分析情景，H为总数，ρχ为响应情景的发生概率，为χ情景下VPP的日前申报分解到第t时段的收入，/>为χ情景下VPP实时出力分解到第t时段的收入，为χ情景下VPP分解到t时段的总体日内运营成本，/>和/>分别表示为：
其中，和/>分别为χ情景下的日前竞标价格和日内实时市场价格，/>为χ情景下VPP的日前竞标量，/>为实时出力超出竞标量的部分，/>为实时出力低于竞标量的部分，θ为惩罚比例系数，为一个负的百分比系数，表示按照市场规则VPP出力不足时按一个比例受到罚款，出力满足时则为补贴，VPP日内运营成本表示为：
CVPP＝Cwt+Cpv+Ces+Cmt+CD
其中，Cwt、Cpv、Ces、Cmt、CD分别表示风电、光伏、储能、微型燃气轮机和可控需求响应的成本，储能成本为充放电成本，表示为：
其中，为储能的运维成本，ηes为储能与主网的交易价格，Qp(t)和Qs(t)分别为储能向主网购电量和售电量，微型燃气轮机的成本Cmt表示为：
其中，αmt、βmt、γmt为微型燃气轮机的成本系数，风电的成本Cwt表示为：
其中，为风电的运行成本，/>为风电设备当日的折旧，ΔPwt为风电实际输出不足时与日前竞标量的差额，光伏的成本Cpv表示为：
其中，为光伏的运行成本，/>为光伏设备当日的折旧，ΔPpv为光伏实际输出不足时与日前竞标量的差额，调整VPP的日内运营成本表示为：
重写目标函数表示为：
其中，目标函数的约束条件包括出力单元的功率约束和市场约束。
作为本发明所述的基于改进式生成对抗网络GAN的VPP调度优化方法的一种优选方案，其中：所述构建VPP基于不确定性的调度模型还包括约束条件，储能的功率约束条件表示为：
其中，和/>分别为储能的充放电功率，/>和/>分别为最大充放电功率，Λes为虚拟变量，当充电状态时取1，放电状态时取0，Emin和Emax分别为储能的最小和最大容量，光伏和风电输出的约束条件表示为：
其中，和/>分别为光伏和储能的最大允许输出功率，模型预测的输出值满足约束条件，表示为：
其中，和/>分别为模型输出的光伏和风电输出预测值，微型燃气轮机的约束条件包括输出约束、爬坡约束和启停约束，表示为：
其中，和/>分别为mt的输出功率下限和上限，/>为虚拟变量，当mt处于运行状态时/>取1，运行状态以外状态取/>与/>相同，分别在机组关机和开机状态时取1，βdown和βup分别为机组的下爬坡速率和上爬坡速率，需求响应调整负荷侧的行为，引导用户根据系统的需求优化VPP的调度，约束条件表示为：
其中，Dt为时刻t对用户施加的需求响应，为t时刻的用户端负荷，δt为t时刻总负荷中参与需求响应的负荷比例，Dmax为施加的最大需求响应，VPP面对的市场约束包括日前市场约束和日内市场约束，在电力市场关闭前，VPP预测次日的日前市场容量，确定日前竞价申报量，日前市场约束条件表示为：
其中，n和m分别为光伏和风电机组总数，和/>分别为第i个光伏机组和第j个风电机组的预测输出，在日内实时市场，VPP通过燃气单元、储能设备和需求响应平衡输出偏差，实时市场约束条件表示为：
其中，B为储能设备的总数，G为微型燃气轮机机组总数，为储能放电功率，为充电功率。
作为本发明所述的基于改进式生成对抗网络GAN的VPP调度优化方法的一种优选方案，其中：所述最优调度决策包括实施流程，在日前阶段，VPP预测聚合资源的次日输出，确定申报购电和售电，在实时阶段，利用燃气单元、储能设备和需求响应资源抑制风力和光伏输出引起的偏差，不能抑制的部分对偏差进行惩罚，若实际输出高于申报价格，以低于实时电价的价格售电，若实际输出低于申报价格，则以高于实时电价的价格购电，调度决策以最大化利益为目标，在满足约束条件的情况下进行模型求解，最后输出结果。
本发明的另外一个目的是提供一种基于改进式生成对抗网络GAN的VPP调度优化系统，其能通过情景缩减模块通过K-medoids方法进行情景缩减，解决了目前的预测技术在准确获取样本真实概率分布上局限的问题。
作为本发明所述的基于改进式生成对抗网络GAN的VPP调度优化系统的一种优选方案，其中：包括运营情景模块、情景缩减模块、调度决策模块；所述运营情景模块用于设定VPP的运营情景和市场规则；所述情景缩减模块用于构建改进的GAN模型，生成情景并进行情景缩减；所述调度决策模块用于构建VPP基于不确定性的调度模型，输出最优调度决策。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序是实现基于改进式生成对抗网络GAN的VPP调度优化方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于改进式生成对抗网络GAN的VPP调度优化方法的步骤。
本发明的有益效果：本发明提供的基于改进式生成对抗网络GAN的VPP调度优化方法通过改进的生成式对抗网络GAN预测DER出力偏差，避免了传统仿真模拟方法需要充分信息以获取样本的真实概率分布的缺陷，作为生成模型，GAN无需对数据的分布进行任何统计假设，可以直接从数据中学习并生成新的数据样本，避免建立概率模型，从而极大提高场景生成的准确性，本发明方法，可以提高模型的收敛效果，引入的K-medoids方法可以大大提高情景缩减的效率，使GAN更贴近VPP聚合资源中DER的实际情景，VPP的调度优化决策由于面对DER出力的不确定性，因此目标函数的构建采用不同情景的期望，在施加约束条件的情况下，决策目标转化为日内经营净收益最大化，训练模型追求预测偏差最小化，这两部分目标充分契合GAN内生的极小化极大值博弈机制，在该机制中，GAN存在全局最优解，本发明方法能够提升VPP调度决策的经济性，本发明在生成准确性、收敛效果和情景缩减效率方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造劳动的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例提供的基于改进式生成对抗网络GAN的VPP调度优化方法的整体流程图。
图2为本发明第三个实施例提供的基于改进式生成对抗网络GAN的VPP调度优化系统的整体流程图。
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，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
实施例1
参照图1，为本发明的一个实施例，提供了基于改进式生成对抗网络GAN的VPP调度优化方法，包括：
S1：设定VPP的运营情景和市场规则。
更进一步的，VPP的运营情景包括VPP聚合系统。
应说明的是，VPP由光伏、风电、微型燃气轮机、储能和需求响应单元构成，光伏和风电的出力受日照和气候因素的影响，微型燃气机组稳定输出电力，并平息风力和光伏资源的随机性，储能设备用于平衡VPP中的风力和光伏资源，需求响应单元通过与用户签订协议进行管理，使VPP控制负荷并参与交易，VPP的运营行动分为两个阶段，第一阶段是日前申报阶段，VPP预测DER的功率输出，并提交随后一天每个时段的日前竞价输出，在中标后，每个单元将参与调度发电，在第二阶段，在实时更新后，DER功率输出的实际值与预测值之间存在偏差，VPP使用燃气轮机和储能设备来抑制偏差，并对无法抑制的偏差进行补偿。
S2：构建改进的GAN模型，生成情景并进行情景缩减。
更进一步的，构建改进的GAN模型包括训练模型。
应说明的是，将光伏和风电的历史时序输出数据作为真实样本，表示为：
其中，为第i日的日内DER样本数据时间序列，将真实样本序列的噪声记为ε，ε从样本序列的正态分布中取样，分布函数记为f(ε)，则ε将作为生成器的输入数据，输出的生成数据记为G(ε)，生成数据的概率分布记为f(s′)，将真实样本数据s输入判别器，生成器和判别器的损失函数分别表示为：
其中，LG和LD分别为生成器和判别器的损失函数，E为期望，D(G(ε))为将生成器数据输入判别器后判定为真实数据的概率，D(s)为真实样本数据的输出数据，表示判别器判断是真实样本的概率，生成器和判别器的博弈训练模型表示为：
其中，引入均方误差到模型的损失函数中，表示为：
其中，R为样本总数，由于原始的GAN在判别器D中使用Jensen-Shannon作为损失函数，引入Wasserstein距离衡量真实数据和生成数据分布之间的距离，表示为：
其中，sup()为函数值的确定上界，K为Lipschitz常数，||f||L≤K为判别器D的组成函数满足K-Lipschitz连续性，引入惩罚项，训练模型重新表示为：
其中，τ为惩罚系数，为梯度算子，/>为对真实样本的线性处理项，表示为：
其中，ξ为赋值系数，取值为0到1的区间。
还应说明的是，在训练初期，生成器生成的数据与真实数据之间存在较大差异，判别器可以轻松区分它们，通过持续的优化和训练，生成器和判别器的生成能力和区分能力不断提高，直到判别器难以区分生成的数据和真实数据，至此模型训练完成，可以进行情景生成。
更进一步的，情景缩减包括采用K-medoids方法进行情景缩减。
应说明的是，根据相似度将生成的情景划分为组，并选择每组中的一个情景作为典型情景，缩减后的情景概率之和为1，从生成的情景中随机选择m个情景作为初始聚类中心，根据距离聚类中心最近的原则，将对象分配到各个类别中，根据最小距离原则，找到新的聚类中心替代原始聚类中心，表示为：
其中，I为缩减前的情景集合，J为经过缩减形成的经典情景集合，ρi为第i种情景出现的概率，d(χi，χj)为情景集合中任意两个情景之间的距离，判断是否收敛，若没有收敛，重复分配步骤，若收敛，新获得的m个聚类中心即为经过缩减的典型情景。
S3：构建VPP基于不确定性的调度模型，输出最优调度决策。
更进一步的，VPP日内调度的决策目标是实现日内运营利润最大化，利润由收入和成本共同决定，目标函数表示为：
其中，χ为决策需要的分析情景，H为总数，ρχ为响应情景的发生概率，为χ情景下VPP的日前申报分解到第t时段的收入，/>为χ情景下VPP实时出力分解到第t时段的收入，/>为χ情景下VPP分解到t时段的总体日内运营成本，/>和/>分别表示为：
其中，和/>分别为χ情景下的日前竞标价格和日内实时市场价格，/>为χ情景下VPP的日前竞标量，/>为实时出力超出竞标量的部分，/>为实时出力低于竞标量的部分，θ为惩罚比例系数，为一个负的百分比系数，表示按照市场规则VPP出力不足时按一个比例受到罚款，出力满足时则为补贴，VPP日内运营成本表示为：
CVPP＝Cwt+Cpv+Ces+Cmt+CD
其中，Cwt、Cpv、Ces、Cmt、CD分别表示风电、光伏、储能、微型燃气轮机和可控需求响应的成本，储能成本为充放电成本，表示为：
其中，为储能的运维成本，ηes为储能与主网的交易价格，Qp(t)和Qs(t)分别为储能向主网购电量和售电量，微型燃气轮机的成本Cmt表示为：
其中，αmt、βmt、γmt为微型燃气轮机的成本系数，风电的成本Cwt表示为：
其中，为风电的运行成本，/>为风电设备当日的折旧，ΔPwt为风电实际输出不足时与日前竞标量的差额，光伏的成本Cpv表示为：
其中，为光伏的运行成本，/>为光伏设备当日的折旧，ΔPpv为光伏实际输出不足时与日前竞标量的差额，调整VPP的日内运营成本表示为：
重写目标函数表示为：
其中，目标函数的约束条件包括出力单元的功率约束和市场约束。
还应说明的是，按照当前的市场规则，VPP的收入包括日前竞标收入和日内实时运营收入，当VPP日内实际出力与竞标出力产生偏差时，会受到罚款或补贴，成本包括光伏、风电、微型燃气轮机和可响应需求五项成本，由于存在不确定性，因此收入和成本都是需要事前决策进行规划的，决策的目标实际上是追求期望净收益最大化。
更进一步的，构建VPP基于不确定性的调度模型还包括约束条件。
应说明的是，储能的功率约束条件表示为：
其中，和/>分别为储能的充放电功率，/>和/>分别为最大充放电功率，Λes为虚拟变量，当充电状态时取1，放电状态时取O，Emin和Emax分别为储能的最小和最大容量，光伏和风电输出的约束条件表示为：
其中，和/>分别为光伏和储能的最大允许输出功率，模型预测的输出值满足约束条件，表示为：
其中，和/>分别为模型输出的光伏和风电输出预测值，微型燃气轮机的约束条件包括输出约束、爬坡约束和启停约束，表示为：
其中，和/>分别为mt的输出功率下限和上限，/>为虚拟变量，当mt处于运行状态时/>取1，运行状态以外状态取0，/>与/>相同，分别在机组关机和开机状态时取1，βdown和βup分别为机组的下爬坡速率和上爬坡速率，需求响应调整负荷侧的行为，引导用户根据系统的需求优化VPP的调度，约束条件表示为：
其中，Dt为时刻t对用户施加的需求响应，为t时刻的用户端负荷，δt为t时刻总负荷中参与需求响应的负荷比例，Dmax为施加的最大需求响应，VPP面对的市场约束包括日前市场约束和日内市场约束，在电力市场关闭前，VPP预测次日的日前市场容量，确定日前竞价申报量，日前市场约束条件表示为：
其中，n和m分别为光伏和风电机组总数，和/>分别为第i个光伏机组和第j个风电机组的预测输出，在日内实时市场，VPP通过燃气单元、储能设备和需求响应平衡输出偏差，实时市场约束条件表示为：
其中，B为储能设备的总数，G为微型燃气轮机机组总数，为储能放电功率，为充电功率。
还应说明的是，CD由VPP运营商进入市场前，即按照市场规则与需求端确定了需求响应的支付方式，因此可以视为一个常数项。
更进一步的，最优调度决策包括实施流程。
应说明的是，在日前阶段，VPP预测聚合资源的次日输出，确定申报购电和售电，在实时阶段，利用燃气单元、储能设备和需求响应资源抑制风力和光伏输出引起的偏差，不能抑制的部分对偏差进行惩罚，若实际输出高于申报价格，以低于实时电价的价格售电，若实际输出低于申报价格，则以高于实时电价的价格购电，调度决策以最大化利益为目标，在满足约束条件的情况下进行模型求解，最后输出结果。
实施例2
本发明的一个实施例，提供了基于改进式生成对抗网络GAN的VPP调度优化方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
首先，收集了包括光伏、风电出力数据、市场价格、负荷需求等历史数据，对这些数据进行预处理，包括清洗、归一化等，以适应模型输入的需要，使用预处理后的数据训练改进的GAN模型，训练过程中，对生成器和判别器的架构进行调整，以优化模型的预测准确性和学习效率，利用训练好的模型生成可能的出力情景，并采用K-medoids算法对生成的情景进行缩减，以确保计算效率的同时，保留情景的多样性和代表性，将缩减后的情景作为输入，利用优化算法，根据不同的运营情景和市场规则，求解最优的调度策略，将本发明的调度结果与现有技术A和B的调度结果在几个关键性能指标上进行比较。
如表1所示本发明通过改进的GAN模型，将准确率提高到95％，远高于现有技术A和B，这表明本发明能够更准确地预测DER的出力情景，为调度决策提供了更可靠的基础，本发明的调度计算时间减少到60秒，是现有技术A和B的一半甚至更低，这一显著的改进提高了调度的响应速度，对于动态变化的市场环境尤为重要，本发明实现了20％的成本节约和20％的资源利用率提升，这不仅减少了运营成本，还优化了资源分配，减少了对传统能源的依赖，系统稳定性提升到30％，环境影响减少到25％，显示了本发明在提高能源系统的可靠性和减少碳排放方面的双重优势。
表1实验对照表
现有技术A 现有技术B 本发明方法
准确率 75％ 80％ 95％
计算时间 150s 120s 60s
成本节约 10％ 12％ 20％
系统稳定性提升 15％ 18％ 30％
资源利用率提升 5％ 10％ 20％
环境影响减少 8％ 12％ 25％
实施例3
参照图2，为本发明的一个实施例，提供了一种基于改进式生成对抗网络GAN的VPP调度优化系统，包括：运营情景模块，情景缩减模块，调度决策模块。
其中运营情景模块用于设定VPP的运营情景和市场规则；情景缩减模块用于构建改进的GAN模型，生成情景并进行情景缩减；调度决策模块用于构建VPP基于不确定性的调度模型，输出最优调度决策。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.基于改进式生成对抗网络GAN的VPP调度优化方法，其特征在于，包括：
设定VPP的运营情景和市场规则；
构建改进的GAN模型，生成情景并进行情景缩减；
构建VPP基于不确定性的调度模型，输出最优调度决策。
2.如权利要求1所述的基于改进式生成对抗网络GAN的VPP调度优化方法，其特征在于：所述VPP的运营情景包括VPP聚合系统，VPP由光伏、风电、微型燃气轮机、储能和需求响应单元构成，光伏和风电的出力受日照和气候因素的影响，微型燃气机组稳定输出电力，并平息风力和光伏资源的随机性，储能设备用于平衡VPP中的风力和光伏资源，需求响应单元通过与用户签订协议进行管理，使VPP控制负荷并参与交易，VPP的运营行动分为两个阶段，第一阶段是日前申报阶段，VPP预测DER的功率输出，并提交随后一天每个时段的日前竞价输出，在中标后，每个单元将参与调度发电，在第二阶段，在实时更新后，DER功率输出的实际值与预测值之间存在偏差，VPP使用燃气轮机和储能设备来抑制偏差，并对无法抑制的偏差进行补偿。
3.如权利要求2所述的基于改进式生成对抗网络GAN的VPP调度优化方法，其特征在于：所述构建改进的GAN模型包括训练模型，将光伏和风电的历史时序输出数据作为真实样本，表示为：
其中，为第i日的日内DER样本数据时间序列，将真实样本序列的噪声记为ε，ε从样本序列的正态分布中取样，分布函数记为f(ε)，则ε将作为生成器的输入数据，输出的生成数据记为G(ε)，生成数据的概率分布记为f(s')，将真实样本数据s输入判别器，生成器和判别器的损失函数分别表示为：
其中，LG和LD分别为生成器和判别器的损失函数，E为期望，D(G(ε))为将生成器数据输入判别器后判定为真实数据的概率，D(s)为真实样本数据的输出数据，表示判别器判断是真实样本的概率，生成器和判别器的博弈训练模型表示为：
其中，引入均方误差到模型的损失函数中，表示为：
其中，R为样本总数，由于原始的GAN在判别器D中使用Jensen–Shannon作为损失函数，引入Wasserstein距离衡量真实数据和生成数据分布之间的距离，表示为：
其中，sup()为函数值的确定上界，K为Lipschitz常数，||f||L≤K为判别器D的组成函数满足K-Lipschitz连续性，引入惩罚项，训练模型重新表示为：
其中，τ为惩罚系数，为梯度算子，/>为对真实样本的线性处理项，表示为：
其中，ξ为赋值系数，取值为0到1的区间。
4.如权利要求3所述的基于改进式生成对抗网络GAN的VPP调度优化方法，其特征在于：所述情景缩减包括采用K-medoids方法进行情景缩减，根据相似度将生成的情景划分为组，并选择每组中的一个情景作为典型情景，缩减后的情景概率之和为1，从生成的情景中随机选择m个情景作为初始聚类中心，根据距离聚类中心最近的原则，将对象分配到各个类别中，根据最小距离原则，找到新的聚类中心替代原始聚类中心，表示为：
其中，I为缩减前的情景集合，J为经过缩减形成的经典情景集合，ρi为第i种情景出现的概率，d(χi,χj)为情景集合中任意两个情景之间的距离，判断是否收敛，若没有收敛，重复分配步骤，若收敛，新获得的m个聚类中心即为经过缩减的典型情景。
5.如权利要求4所述的基于改进式生成对抗网络GAN的VPP调度优化方法，其特征在于：所述构建VPP基于不确定性的调度模型包括目标函数，VPP日内调度的决策目标是实现日内运营利润最大化，利润由收入和成本共同决定，目标函数表示为：
其中，χ为决策需要的分析情景，H为总数，ρχ为响应情景的发生概率，为χ情景下VPP的日前申报分解到第t时段的收入，/>为χ情景下VPP实时出力分解到第t时段的收入，/>为χ情景下VPP分解到t时段的总体日内运营成本，/>和/>分别表示为：
其中，和/>分别为χ情景下的日前竞标价格和日内实时市场价格，/>为χ情景下VPP的日前竞标量，/>为实时出力超出竞标量的部分，/>为实时出力低于竞标量的部分，θ为惩罚比例系数，为一个负的百分比系数，表示按照市场规则VPP出力不足时按一个比例受到罚款，出力满足时则为补贴，VPP日内运营成本表示为：
CVPP＝Cwt+Cpv+Ces+Cmt+CD
其中，Cwt、Cpv、Ces、Cmt、CD分别表示风电、光伏、储能、微型燃气轮机和可控需求响应的成本，储能成本为充放电成本，表示为：
其中，为储能的运维成本，ηes为储能与主网的交易价格，Qp(t)和Qs(t)分别为储能向主网购电量和售电量，微型燃气轮机的成本Cmt表示为：
其中，αmt、βmt、γmt为微型燃气轮机的成本系数，风电的成本Cwt表示为：
其中，为风电的运行成本，/>为风电设备当日的折旧，ΔPwt为风电实际输出不足时与日前竞标量的差额，光伏的成本Cpv表示为：
其中，为光伏的运行成本，/>为光伏设备当日的折旧，ΔPpv为光伏实际输出不足时与日前竞标量的差额，调整VPP的日内运营成本表示为：
重写目标函数表示为：
其中，目标函数的约束条件包括出力单元的功率约束和市场约束。
6.如权利要求5所述的基于改进式生成对抗网络GAN的VPP调度优化方法，其特征在于：所述构建VPP基于不确定性的调度模型还包括约束条件，储能的功率约束条件表示为：
其中，和/>分别为储能的充放电功率，/>和/>分别为最大充放电功率，Λes为虚拟变量，当充电状态时取1，放电状态时取0，Emin和Emax分别为储能的最小和最大容量，光伏和风电输出的约束条件表示为：
其中，和/>分别为光伏和储能的最大允许输出功率，模型预测的输出值满足约束条件，表示为：
其中，和/>分别为模型输出的光伏和风电输出预测值，微型燃气轮机的约束条件包括输出约束、爬坡约束和启停约束，表示为：
其中，和/>分别为mt的输出功率下限和上限，/>为虚拟变量，当mt处于运行状态时/>取1，运行状态以外状态取0，/>与/>相同，分别在机组关机和开机状态时取1，βdown和βup分别为机组的下爬坡速率和上爬坡速率，需求响应调整负荷侧的行为，引导用户根据系统的需求优化VPP的调度，约束条件表示为：
其中，Dt为时刻t对用户施加的需求响应，为t时刻的用户端负荷，δt为t时刻总负荷中参与需求响应的负荷比例，Dmax为施加的最大需求响应，VPP面对的市场约束包括日前市场约束和日内市场约束，在电力市场关闭前，VPP预测次日的日前市场容量，确定日前竞价申报量，日前市场约束条件表示为：
其中，n和m分别为光伏和风电机组总数，和/>分别为第i个光伏机组和第j个风电机组的预测输出，在日内实时市场，VPP通过燃气单元、储能设备和需求响应平衡输出偏差，实时市场约束条件表示为：
其中，B为储能设备的总数，G为微型燃气轮机机组总数，为储能放电功率，/>为充电功率。
7.如权利要求6所述的基于改进式生成对抗网络GAN的VPP调度优化方法，其特征在于：所述最优调度决策包括实施流程，在日前阶段，VPP预测聚合资源的次日输出，确定申报购电和售电，在实时阶段，利用燃气单元、储能设备和需求响应资源抑制风力和光伏输出引起的偏差，不能抑制的部分对偏差进行惩罚，若实际输出高于申报价格，以低于实时电价的价格售电，若实际输出低于申报价格，则以高于实时电价的价格购电，调度决策以最大化利益为目标，在满足约束条件的情况下进行模型求解，最后输出结果。
8.一种采用如权利要求1～7任一所述的基于改进式生成对抗网络GAN的VPP调度优化方法的系统，其特征在于：包括运营情景模块、情景缩减模块、调度决策模块；
所述运营情景模块用于设定VPP的运营情景和市场规则；
所述情景缩减模块用于构建改进的GAN模型，生成情景并进行情景缩减；
所述调度决策模块用于构建VPP基于不确定性的调度模型，输出最优调度决策。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于改进式生成对抗网络GAN的VPP调度优化方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于改进式生成对抗网络GAN的VPP调度优化方法的步骤。
CN202410300407.XA 2024-03-15 2024-03-15 基于改进式生成对抗网络gan的vpp调度优化方法及系统 Pending CN118153756A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410300407.XA CN118153756A (zh) 2024-03-15 2024-03-15 基于改进式生成对抗网络gan的vpp调度优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410300407.XA CN118153756A (zh) 2024-03-15 2024-03-15 基于改进式生成对抗网络gan的vpp调度优化方法及系统

Publications (1)

Publication Number Publication Date
CN118153756A true CN118153756A (zh) 2024-06-07

Family

ID=91300900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410300407.XA Pending CN118153756A (zh) 2024-03-15 2024-03-15 基于改进式生成对抗网络gan的vpp调度优化方法及系统

Country Status (1)

Country Link
CN (1) CN118153756A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119134337A (zh) * 2024-11-12 2024-12-13 江苏鲲游能源技术有限公司 计及新能源接入的配电网线损异常研判及精准追踪方法、装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119134337A (zh) * 2024-11-12 2024-12-13 江苏鲲游能源技术有限公司 计及新能源接入的配电网线损异常研判及精准追踪方法、装置

Similar Documents

Publication Publication Date Title
CN117578409A (zh) 一种电力市场环境下的多能互补优化调度方法及系统
CN113159835B (zh) 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备
CN114169916B (zh) 一种适应新型电力系统的市场成员报价策略制定方法
CN114723230B (zh) 面向新能源发电和储能的微电网双层调度方法及系统
CN113629778B (zh) 一种分布式光伏配电网光储系统设计方法
CN116885799A (zh) 一种微电网能量优化方法、系统、电子设备及介质
CN108964146A (zh) 基于风、火、水、核协调的多电源优化调度方法和装置
CN115936273A (zh) 一种电力系统多阶段演化路径规划运行优化方法和系统
CN108964033A (zh) 一种电力系统调度方法、装置、计算机装置及存储介质
CN112308411A (zh) 基于动态碳交易模型的综合能源站随机规划方法及系统
CN114612001A (zh) 集群电动汽车参与电网削峰的调控指令分解方法和系统
CN119578936A (zh) 一种基于混沌博弈优化算法的虚拟电厂竞价策略优化方法
CN116128543B (zh) 一种售电公司负荷申报与出清的综合模拟运行方法及系统
CN118153756A (zh) 基于改进式生成对抗网络gan的vpp调度优化方法及系统
CN115965158A (zh) 一种面向市场交易的虚拟电厂低风险双层聚合优化方法
Li et al. Forecasting error-aware optimal dispatch of wind-storage integrated power systems: A soft-actor-critic deep reinforcement learning approach
CN118917598B (zh) 一种用于优化区域电力资源供给的数据分析方法及系统
CN119168323A (zh) 虚拟电厂优化调度方法、装置、电子设备和存储介质
CN119721526A (zh) 基于储能参与现货联合市场收益的容量配置方法及系统
CN119359421A (zh) 虚拟电厂的自适应鲁棒竞标方法
Tang et al. Analysis of virtual power plants participating in the optimization operation of the electricity-carbon joint market based on the EEMD–IBA–Markov chain
CN117424204A (zh) 一种计及源-荷不确定性的源-网-荷-储协同规划方法
Shang et al. Grid-side energy storage system day-ahead bidding strategy based on two-level decision in spot market
Katiraee et al. Modelling of microgrids to insure resource adequacy in the capacity market
Zhu et al. Robust optimal offering and operation framework for hybrid power plants in voluntary balancing markets with decision dependent uncertainties

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载