文章解读与仿真程序复现思路——中国电机工程学报EI\CSCD\北大核心《基于两阶段随机优化建模的新能源电网灵活性资源边际成本构成的机理分析》

这个标题涉及到新能源电网中的灵活性资源边际成本构成的机理分析，其中使用了基于两阶段随机优化的建模方法。让我们逐步解读这个标题：

1. 新能源电网： 指的是使用可再生能源（如风能、太阳能等）的电力系统，通常包括分布式能源资源。

2. 灵活性资源： 这可能指的是在电力系统中可以根据需要进行调整的资源，以满足不同负荷和变化的能源供需情况。这可以包括储能系统、可调度的发电机组等。

3. 边际成本： 是指生产或提供一个额外单位的产品或服务所需的额外成本。在电力系统中，边际成本通常与发电成本、燃料成本等相关。

4. 基于两阶段随机优化建模： 这是指使用了一种特定的建模方法，其中考虑到了系统的不确定性和随机性，可能分为两个阶段来优化系统的运行。

5. 机理分析： 意味着对于系统中各个组成部分的工作原理进行深入分析，以了解灵活性资源边际成本的构成机制。

因此，整个标题表明这是一项研究，目标是通过使用两阶段随机优化建模方法，深入分析新能源电网中灵活性资源的边际成本构成机理。这种研究有助于了解在新能源电网中，特别是涉及到灵活性资源时，系统的经济性和运行特性。

摘要：针对大规模可再生能源并网给电力系统安全稳定运行造成的影响,考虑纳入燃气轮机储能等灵活性资源共同调节风电的波动性,构建了机组出力和备用容量联合优化的两阶段发电调度随机规划模型,并计及常规火电机组的多运行状态约束。然后,以模型中两阶段功率平衡约束对应的拉格朗日乘子分别作为日前和实时电价,从模型角度探究了边际成本构成机理。从灵活性资源供应的紧缺程度和灵活性资源需求的旺盛程度两个方面剖析灵活性资源的供需匹配对于系统边际电价的深层影响机理。算例结果说明了灵活性资源在应对风电不确定性和抑制尖峰电价的有效性,同时说明了多时间尺度的爬坡约束耦合、日前备用与实时出力调整量的耦合对于系统边际电价的影响。

这摘要描述了一个针对大规模可再生能源并网对电力系统安全稳定运行的影响进行研究的工作。以下是对摘要的逐步解读：

1. 问题背景： 提到了大规模可再生能源（主要指风电）并网给电力系统带来的安全稳定运行的挑战。这是因为可再生能源的波动性和不确定性可能导致电力系统的不稳定。

2. 考虑的因素： 研究考虑了纳入燃气轮机、储能等灵活性资源，这些资源可以共同调节风电的波动性。这样的灵活性资源包括了能够快速调整输出的燃气轮机和储能系统。

3. 建模方法： 使用了机组出力和备用容量联合优化的两阶段发电调度随机规划模型。这意味着在考虑电力系统调度时，同时优化了机组的实际出力和备用容量。

4. 多运行状态约束： 考虑了常规火电机组的多运行状态约束，这表明模型更加贴近实际情况，考虑了火电机组在不同运行状态下的特性。

5. 电价探究： 以模型中两阶段功率平衡约束对应的拉格朗日乘子分别作为日前和实时电价。这是一种通过数学方法从模型的角度来探究电价形成机理的手段。

6. 供需匹配分析： 从灵活性资源供应的紧缺程度和灵活性资源需求的旺盛程度两个方面分析了灵活性资源的供需匹配对系统边际电价的深层影响机理。

7. 算例结果： 通过案例研究的结果说明了灵活性资源在应对风电不确定性和抑制尖峰电价方面的有效性。同时，指出了多时间尺度的爬坡约束耦合、日前备用与实时出力调整量的耦合对于系统边际电价的影响。

综合而言，这项研究通过建模和案例研究，深入分析了在大规模可再生能源并网情况下，如何利用灵活性资源来调节电力系统的波动性，以及这种调节对系统边际电价的影响机理。

关键词:发电调度日前调度;储能:灵活性资源:边际电价

关键词解读：

1. 发电调度日前调度： 这指的是电力系统的调度过程，分为两个阶段，即日前调度和实时调度。日前调度通常是在实际发电前的一段时间内进行的计划和优化，以确保电力系统在未来的一段时间内满足电力需求。

2. 储能： 储能是指通过将电能转化为其他形式（如化学能或机械能）并在需要时将其转换回电能的过程。在电力系统中，储能设备可以存储过剩的电力，并在需要时释放，从而提供灵活性和平衡电力供需之间的差异。

3. 灵活性资源： 在这个上下文中，灵活性资源主要指那些可以快速调整其输出或响应电力系统需求变化的能源资源，如燃气轮机、储能系统等。这些资源对于调节电力系统中的波动性和应对不确定性具有灵活性和响应速度较高的特点。

4. 边际电价： 边际电价是在电力市场中表示电力的边际成本或价格，即在特定时刻产生或消耗额外一单位电能的成本。边际电价通常受到供需状况、燃料成本、市场规则等多种因素的影响，是电力市场中的关键因素之一。

综合而言，关键词提到了发电调度的两个阶段，强调了储能作为一种灵活性资源的作用，以及边际电价作为衡量电力成本和市场机制的重要参数。这可能涉及到如何在发电调度中合理利用储能等灵活性资源，以最优化系统运行，并探究这种优化对系统边际电价的影响。

仿真算例：设置发电侧有 5 台机组，其参数设置参考文 献[29]，如表 2 所示，其中机组 4 和机组 5 为燃气 机组，没有最小启停时间限制，机组特性较灵活； 同时考虑发电侧存在 1 台容量为 70MW 的储能，设 置其最大充放电功率为 20MW，效率为 0.95。假定 风电装机容量为 120MW，日前负荷预测和风电预 测值见表 3，假设风电的功率预测误差服从正态分 布，日内使用拉丁超立方抽样和同步回代削减进行风电场景生成和削减[30]，分别给出服从4%、 9%正态分布的风电预测曲线并记为场景 A、 场景 B，每个场景包含 4 条预测曲线，分别记为风 电场景 A1—A4、场景 B1—B4，如图 4。分别仿真 如表 4 所示的 4 个情景下发电调度和边际电价值。

仿真程序复现思路：

复现仿真的思路可以分为以下几个步骤，同时以Python为例进行程序语言表示：

1. 定义机组参数： 根据参考文献[29]，设置5台发电机组的参数，其中机组4和机组5为燃气机组。

# 机组参数设置
generator_params = {
    'Unit 1': {'type': 'Type1', 'min_up_time': 4, 'min_down_time': 2, 'ramp_rate': 10, 'max_output': 150},
    'Unit 2': {'type': 'Type2', 'min_up_time': 3, 'min_down_time': 1, 'ramp_rate': 8, 'max_output': 120},
    'Unit 3': {'type': 'Type1', 'min_up_time': 2, 'min_down_time': 1, 'ramp_rate': 12, 'max_output': 180},
    'Unit 4': {'type': 'Gas', 'min_up_time': 0, 'min_down_time': 0, 'ramp_rate': 15, 'max_output': 100},
    'Unit 5': {'type': 'Gas', 'min_up_time': 0, 'min_down_time': 0, 'ramp_rate': 18, 'max_output': 80},
}

1. 定义储能参数： 设置储能的容量、最大充放电功率和效率。

# 储能参数设置
storage_params = {'capacity': 70, 'max_charge_rate': 20, 'max_discharge_rate': 20, 'efficiency': 0.95}

1. 定义风电场景生成： 使用拉丁超立方抽样和同步回代削减生成风电场景。

import numpy as np

def generate_wind_scenarios(num_scenarios, wind_forecast_mean, wind_forecast_std):
    np.random.seed(0)
    wind_forecast = np.random.normal(wind_forecast_mean, wind_forecast_std, (num_scenarios, 24))
    return wind_forecast

# 风电场景生成
num_scenarios = 4
wind_forecast_mean = 120
wind_forecast_std_A = 0.04 * wind_forecast_mean
wind_forecast_std_B = 0.09 * wind_forecast_mean

wind_scenario_A = generate_wind_scenarios(num_scenarios, wind_forecast_mean, wind_forecast_std_A)
wind_scenario_B = generate_wind_scenarios(num_scenarios, wind_forecast_mean, wind_forecast_std_B)

1. 仿真发电调度和边际电价： 利用定义的机组参数、储能参数和风电场景进行仿真。

# 仿真函数
def simulate_dispatch(generator_params, storage_params, wind_forecast, num_scenarios):
    # 实现仿真逻辑，计算发电调度和边际电价
    # ...

# 仿真场景A
result_A = simulate_dispatch(generator_params, storage_params, wind_scenario_A, num_scenarios)

# 仿真场景B
result_B = simulate_dispatch(generator_params, storage_params, wind_scenario_B, num_scenarios)

在实际仿真函数中，需要考虑机组的启停逻辑、储能的充放电逻辑、风电场景的影响等因素，具体的仿真逻辑需要根据具体问题和文献[29]的要求进行详细设计。上述代码示例主要是提供一个框架，具体实现需要结合具体需求进行进一步完善。