虚拟电厂供需侧双层协调自适应鲁棒优化调度

Abstract

源荷预测是虚拟电厂（virtual power plant，VPP）制定未来调度计划的重要依据。提出一种基于多频组合短期源荷预测的VPP发电侧和用户侧协同优化调度方法。首先对时间序列的负荷数据进行集合经验模态分解（ensemble empirical mode decomposition，EEMD），并将其重构为高低2种频率，使用图卷积神经网络（graph convolution network，GCN）和长短期记忆网络（long short-term memory，LSTM）相结合的GCN-LSTM算法进行预测，并将多频模型得出的预测结果聚合形成不确定模糊集合。考虑需求响应，建立VPP双层优化调度模型。上层以用户利益最大化为目标，综合利用需求响应调度作用，基于制定的分时电价优化多类型可控负荷。下层以分布式电源出力成本最小为目标，同时兼顾供需两侧利益，实现VPP内部资源的优化，并运用改进列约生成算法将上述模型分解为主、子问题进行求解。通过算例分析对所构建的模型进行经济性、鲁棒性和有效性验证。

Keywords

• 多频组合
• 源荷预测
• 虚拟电厂
• 调度优化
• 长短时记忆
• 模态分解