数据驱动下风电–抽蓄联合参与日前–实时市场随机鲁棒竞价策略

风电出力不确定性和波动性导致其市场竞争力较弱,且电价的预测偏差可能进一步加大其市场风险。为减少不确定性因素对风电-抽蓄联合系统收益的不良影响,由对抗变分贝叶斯神经网络生成以风电为代表的可再生能源出力场景,基于数据驱动方法对实时电价进行模糊不确定性建模。通过随机鲁棒优化建立风电-抽蓄联合参与日前和实时电力市场的三阶段模型,相较于常规的两阶段随机优化,增加了第三阶段鲁棒改进过程,保证了竞价方案能够既有经济性又能够有效应对极端场景、既有鲁棒性又不过分保守。结果表明,所提方法比传统不确定性分析方法具有明显优势,能够在避免人为假设的前提下,高效且真实反映可再生能源出力场景以及表征电价不确定性,可有效减少风电实时出力波动和电价预测偏差带来的较高不平衡惩罚。     

考虑夏普比率的虚拟电厂日前投标策略

由于风电、光伏机组出力不确定性及负荷等预测误差的存在，虚拟电厂日前投标行为面临风险，而目前应用于日前投标的风险–收益多目标优化方法仍需主观决策风险厌恶系数。夏普比率能够同时衡量收益与风险，可在无需决策风险厌恶系数的同时实现风险和收益的帕累托最优，目前已被广泛地用于评价投资组合的业绩、评判资本市场的运行效率等方面。该文将虚拟电厂日前投标行为类比于投资组合，以最大夏普比率为目标，采用场景生成法刻画风电光伏出力、负荷及电价的不确定性，并引入场景评价指标，提出考虑夏普比率的虚拟电厂日前–实时随机优化投标策略。结果表明，以最大夏普比率为目标的投标策略能够降低决策的主观性，在设备参数改变时自主修正风险厌恶系数，与传统风险管理方法的计算结果对比验证了模型有效性。