[论文解读] Robust Scheduling of Virtual Power Plant under Exogenous and Endogenous Uncertainties

Yunfan Zhang, Feng Liu+4 more|arXiv (Cornell University)|Jan 26, 2021

Smart Grid Energy Management参考文献 21被引用 5

一句话总结

本文提出了一种针对虚拟电厂（VPP）调度的鲁棒自适应优化框架，适用于外生（决策无关）和内生（决策相关）不确定性。通过结合强对偶性、McCormick松弛化以及Benders分解方法，求解混合整数线性规划重构问题，实现在动态备用部署风险下，最优日前能量与备用市场投标，同时确保鲁棒可行性与最优性。

ABSTRACT

Virtual power plant (VPP) provides a flexible solution to distributed energy resources integration by aggregating renewable generation units, conventional power plants, energy storages, and flexible demands. This paper proposes a novel model for determining the optimal offering strategy in the day-ahead energy-reserve market and the optimal self-scheduling plan. It considers exogenous uncertainties (or called decision-independent uncertainties, DIUs) associated with market clearing prices and available wind power generation, as well as the endogenous uncertainties (or called decision-dependent uncertainties, DDUs) pertaining to real-time reserve deployment requests. A tractable solution method based on strong duality theory, McCormick relaxation, and the Benders' decomposition to solve the proposed stochastic adaptive robust optimization with DDUs formulation is developed. Simulation results demonstrate the applicability of the proposed approach.

研究动机与目标

• 开发一种在日前能量与备用市场中，针对双重不确定性类型的虚拟电厂（VPP）鲁棒调度策略。
• 解决实时备用部署中常被传统鲁棒优化模型忽略的决策相关不确定性（DDUs）。
• 确保在市场电价与风电出力最坏实现情况下的VPP调度鲁棒可行性与最优性。
• 提出一种可处理的求解方法，将带有DDUs的自适应鲁棒优化问题转化为混合整数线性规划（MILP）。

提出的方法

• 为VPP调度构建一个包含决策相关不确定性（DDUs）的两阶段自适应鲁棒优化模型。
• 应用强对偶性理论，将内层鲁棒子问题重构为对偶形式，以实现线性化。
• 使用McCormick松弛化方法处理决策变量与不确定参数相互作用所产生的双线性项。
• 采用Benders分解方法，通过子问题的KKT条件生成最优性割，迭代优化主问题。
• 利用大M法结合0-1整数变量，对互补松弛条件进行线性化，以处理DDU约束带来的非凸性。
• 提出一种改进的Benders分解算法，保证在有限次迭代内收敛至ARO-DDU问题的最优解。

实验结果

研究问题

• RQ1 如何在同时存在外生与内生不确定性的情况下，使VPP实现日前能量与备用投标的最优调度？
• RQ2 决策相关备用部署请求对VPP调度的鲁棒性与盈利能力有何影响？
• RQ3 在鲁棒优化框架中，如何有效线性化由决策相关不确定性引入的固有双线性项与非凸性？
• RQ4 所提出的求解方法能否确保自适应鲁棒优化问题在DDUs下的有限次收敛与最优性？
• RQ5 强对偶性与Benders分解的结合如何提升大规模VPP调度问题的计算可处理性？

主要发现

• 所提出的模型成功地将带有决策相关不确定性的自适应鲁棒优化问题转化为可处理的混合整数线性规划（MILP）。
• 改进的Benders分解算法保证在有限次迭代内收敛至ARO-DDU问题的最优解。
• 通过子问题检查给定决策下最坏情况的不确定性实现，确保了鲁棒可行性。
• 强对偶性与KKT条件的结合，实现了对非线性、非凸子问题的精确线性化重构。
• 仿真结果表明，该方法在处理VPP调度中复杂不确定性交互方面具有良好的适用性与有效性。
• 该方法在波动性市场与可再生能源出力条件下，有效平衡了经济性能与鲁棒性。