CN103971181A - 一种用于虚拟电厂的日前经济调度方法 - Google Patents

Abstract

本发明提供了一种用于虚拟电厂的日前经济调度方法，包括以下步骤：1)建立使虚拟电厂的利润最大的日前经济调度混合整数线性规划数学模型，在目标函数中，采用随机规划法处理电价的不确定性；2)建立约束条件使电力系统满足功率约束、机组运行约束、合同电量约束，在约束条件中，采用鲁棒优化法处理可再生能源发电出力的不确定性；3)设定预测误差系数和鲁棒系数；4)使用计算软件求解得到最优的日前经济调度结果。与现有技术相比，本发明具有计算结果好、计算效率高等优点。

Description

一种用于虚拟电厂的日前经济调度方法

技术领域

本发明涉及一种用于虚拟电厂的日前经济调度方法，属于电力系统电源调度领域。

背景技术

近年来，化石燃料日益紧缺，环境污染不断加剧，为了解决上述问题，可再生能源发电，尤其是风力和光伏发电迅速发展。尽管可再生能源发电储量巨大、干净清洁，但往往具有很强的随机性，单独并网会对电网造成很大的冲击，不利于电网的稳定运行。在电力市场环境下，风电场的市场活动具有很大的风险性，其实际发电量往往与竞标电量存在偏差，从而遭受不平衡惩罚，因而在与传统发电厂的竞争中处于劣势。然而，可再生能源发电联合传统发电及储能形式，以虚拟电厂(virtual power plant，VPP)的形式参与大电网和电力市场的运行，可有效克服上述缺点，提高可再生能源发电的利用率和整体的经济收益。

然而，由于电价和可再生能源出力的不确定性以及不平衡惩罚的存在，VPP的优化调度需要考虑不确定性的影响。目前，电力系统的规划调度中应对不确定性的数学处理方法主要有两种：(1)随机规划(2)鲁棒优化。随机规划法显式考虑不确定因素的概率分布，选择出具有代表性的方案，并基于这些方案进行优化决策。该方法提高了决策结果的适应性，但不确定因素的概率分布规律很难准确描述，且需要考虑大量的方案样本的采集，计算负担较重。鲁棒优化法将不确定性的所有可能划定在一个确定性的集合内，鲁棒优化的最优解对集合内每一元素可能造成的不良影响具有一定的抑制性，抑制程度取决于事先设定的鲁棒系数，因而，调节鲁棒系数即可决策出不同程度上抑制不确定性影响的优化调度方案。该方法无需考虑大量的随机方案，因而计算负担大为减小。

事实上，电价的预测结果较为准确，分布规律可以较为准确地描述，采用随机规划法可以很好地处理电价的不确定性问题，若采用鲁棒优化法处理电价的不确定性问题，则会使计算结果偏保守。但风机出力的预测精度一般较低，实际出力与预测出力之间的波动较大，这种不确定性问题较为适合采用鲁棒优化法进行处理，若采用随机规划法进行处理，需要考虑大量的方案样本，计算负担较重，且决策方案并不能很好地保证系统的安全性。

发明内容

本发明提供了一种用于虚拟电厂的鲁棒随机经济调度方法，能够更快的得出调度方案，使虚拟电厂运作更为高效。

本发明所采用的技术方案是一种用于虚拟电厂的日前经济调度方法，包括：

建立以利润最大化为目标函数的虚拟电厂混合整数线性规划模型，该模型的目标函数为：

$\max \underset{s=1}{\overset{n_s}{\mathrm{\Σ}}}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\mathrm{\π}\left(s\right)(R_t-C_t)$

$R_t=H_t\·h+D_t\·{\mathrm{\λ}}_t^s$

$C_t=B_t\·\mathrm{\α}\·{\mathrm{\λ}}_t^s+\underset{i=1}{\overset{n_i}{\mathrm{\Σ}}}(K_{t,i}\·k_i+p_i+\underset{j=1}{\overset{n_j}{\mathrm{\Σ}}}{q}_i^j\·{\mathrm{gt}}_{t,i}^j)$

${\mathrm{gt}}_{t,i}=\underset{j=1}{\overset{n_j}{\mathrm{\Σ}}}{\mathrm{gt}}_{t,i}^j$

式中：T为总时段数，n_s为电价的总方案数，π(s)为第s组电价方案的概率，R_t为t时段的收益，C_t为t时段的成本，H_t、D_t分别为t时段按合约要求输送的电能和向日前市场计划输送的电能，为决策变量，h为合约电价，为第s组方案中t时段的电价，B_t为购电量，即购电价格按计，n_i为可分配发电机组数，k_i为机组i的动作成本，布尔变量K_t,i表示t时刻机组i是否动作，若是则置1，否则置0，将分布式电源常用的机组二次成本函数分段线性化，n_j为分段数，p_i为机组i的固定成本，为机组i第j段的斜率，为第j段的发电量，gt_t,i为t时段机组i的发电量，为决策变量；

建立约束条件使电力系统满足功率约束、机组运行约束、合同电量约束以及鲁棒优化辅助约束；

设定预测误差系数和鲁棒系数，并使用计算软件求解得到最优的日前经济调度方法。

优选地，所述功率约束包括：

1)传统能源发电形式的最大/最小出力约束：

gt_i,min·work_t,i≤gt_t,i≤gt_i,max·work_t,i

式中gt_i,max/gt_i,min表示机组i的最大/小发电量，布尔变量work_t,i表示t时刻机组i是否工作，若是则置1，否则置0；

2)传统能源发电形式的爬坡率约束：

$-\mathrm{ram}{p}_i^d\≤{\mathrm{gt}}_{t,i}-{\mathrm{gt}}_{t-1,i}\≤{\mathrm{ramp}}_i^u$

式中：为机组i的向上爬坡率，为机组i的向下爬坡率。

优选地，所述机组运行约束包括：

1)传统能源发电形式的最大/最小启停时间约束：

${\mathrm{on}}_{i,\min }\·{\mathrm{on}}_{x,i}\≤\underset{y=1}{\overset{{\mathrm{on}}_{\min }-1}{\mathrm{\Σ}}}{\mathrm{work}}_{x+y,i},y\∈N$

$\∀x\∈\{1...(T-{\mathrm{on}}_{\min }+1)\},x\∈N$

${\mathrm{off}}_{i,\min }\·{\mathrm{off}}_{x^{\′},i}\≤\underset{y^{\′}=1}{\overset{{\mathrm{off}}_{\min }-1}{\mathrm{\Σ}}}{\mathrm{work}}_{x^{\′}+y^{\′},i},y^{\′}\∈N$

$\∀x^{\′}\∈\{1...(T-{\mathrm{off}}_{\min }+1)\},x\∈N$

式中：on_i,min/off_i,min表示机组i的最小开/关时间，布尔变量on_t,i表示t时刻机组i是否启动，若是则置1，否则置0，off_t,i表示t时刻机组i是否关闭，若是则置1，否则置0；

2)传统能源发电形式的启停标志位约束：

on_t,i+off_t,i＝K_t,i

K_t,i＝|work_t,i-work_t-1,i|

3)储能形式的最大充放电功率约束：

E_t+in_t≤E_max

out_t≤E_t-1

in_t≤E_c

out_t≤E_d

式中将PHSP内部的水量变化等效为电量变化来看待，则t时段PHSP的蓄水量即等效为蓄电量E_t，in_t和out_t为决策变量，分别表示t时段蓄入水量所等效的蓄入电量和放出水量所等效的放电量，E_max表示最大蓄电量，E_c表示最大蓄入电量，E_d表示最大发出电量；

4)储能形式的功率守恒约束：

E_t-E_t-1＝in_t-out_t。

优选地，所述合同电量约束包括：

1)中期合同电量约束：

实际输电量与合同要求电量可以有一定的偏差，但保证一天的输电总量相同，即有：

(1-z)·H_t≤H_t′≤(1+z)·H_t

$\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{H}_t=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{H}_t^{\′}$

式中z为合约允许的偏差系数，z∈[0,1]，H_t′表示满足合约要求输送的实际电量，为决策变量；

2)虚拟电厂整体的功率约束：

W_t+gt_t+B_t+out_t·μ₁≥H_t′+D_t+in_t/μ₂

式中：W_t为风机出力的预测值，μ₁、μ₂分别表示PHSP的发电效率和蓄能效率。

优选地，所述鲁棒优化辅助约束包括：

1)鲁棒优化的辅助约束条件：

$\begin{array}{cc}-W_t+\mathrm{\Γ}\·{\mathrm{\ρ}}_t\·y_t\≤F_t& \∀t\\ {-y}_t\≤W_t\≤y_t& \∀t\\ y_t\≥0& \∀t\end{array}$

式中：Γ为鲁棒系数，Γ∈[0,1]，辅助变量y_t，ρ_t为估计误差系数或经验误差系数，即认为风机出力的预测值在[(1-ρ_t)W_t,(1+ρ_t)W_t]内波动。

优选地，按下式设定所述的预测误差系数ρt和鲁棒系数Γ：

$\left\{\begin{array}{cc}\mathrm{\&Gamma;}=0& {\mathrm{\&rho;}}_t>0.4\\ \mathrm{\&Gamma;}+{\mathrm{\&rho;}}_t=0.75& 0.1\&le;{\mathrm{\&rho;}}_t\&le;0.4\\ \mathrm{\&Gamma;}=1& {\mathrm{\&rho;}}_t<0.1\end{array}\right..$

本发明提供的一种用于虚拟电厂的日前经济调度方法的有益效果包括：

1.本发明提供的一种用于虚拟电厂的日前经济调度方法，采用随机规划法处理电价的不确定性，采用鲁棒优化法处理可再生能源发电出力的不确定性，建立了虚拟电厂日前经济调度模型，克服了确定性条件下计算结果差、同时采用随机规划出力电价和可再生能源发电出力不确定性条件下计算时间长、同时采用鲁棒优化法处理电价和可再生能源发电出力不确定性条件下计算结果不理想的缺点，计算效率高，计算结果好。

2.本发明提供的一种用于虚拟电厂的日前经济调度方法，将传统发电机组的二次发电成本曲线分段线性化，建立了混合整数线性规划模型，方便于采用CPLEX等计算软件直接建模求解，简化了建模过程，大大减少了计算时间。

附图说明

图1为本发明的流程图；

图2为风机出力的预测值和实际值的示意图；

图3为电价的预测值和实际值的示意图；

图4为合约要求每一时段的输电量的示意图；

图5为虚拟电厂市场竞标计划优化运行方案的示意图；

图6为虚拟电厂DG调度计划优化运行方案的示意图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明一种用于虚拟电厂的日前经济调度方法包括：

步骤1)，建立虚拟电厂的日前经济调度混合整数线性规划数学模型，在目标函数中，采用随机规划法处理电价的不确定性，该数学模型的目标函数为：

$\max \underset{s=1}{\overset{n_s}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\mathrm{\&pi;}\left(s\right)(R_t-C_t)$

$R_t=H_t\&CenterDot;h+D_t\&CenterDot;{\mathrm{\&lambda;}}_t^s$

$C_t=B_t\&CenterDot;\mathrm{\&alpha;}\&CenterDot;{\mathrm{\&lambda;}}_t^s+\underset{i=1}{\overset{n_i}{\mathrm{\&Sigma;}}}(K_{t,i}\&CenterDot;k_i+p_i+\underset{j=1}{\overset{n_j}{\mathrm{\&Sigma;}}}{q}_i^j\&CenterDot;{\mathrm{gt}}_{t,i}^j)$

${\mathrm{gt}}_{t,i}=\underset{j=1}{\overset{n_j}{\mathrm{\&Sigma;}}}{\mathrm{gt}}_{t,i}^j$

式中T为总时段数，n_s为电价的总方案数，π(s)为第s组电价方案的概率，R_t为t时段的收益，C_t为t时段的成本。H_t、D_t分别为t时段按合约要求输送的电能和向日前市场计划输送的电能，为决策变量。h为合约电价，为第s组方案中t时段的电价。B_t为购电量，即购电价格按计。n_i为可分配发电机组数，k_i为机组i的动作(启动或关闭)成本，布尔变量K_t,i表示t时刻机组i是否动作，若是则置1，否则置0。将分布式电源(distributed generation，DG)常用的机组二次成本函数分段线性化，n_j为分段数，p_i为机组i的固定成本，为机组i第j段的斜率，为第j段的发电量，gt_t,i为t时段机组i的发电量，为决策变量。

步骤2)，建立约束条件使电力系统满足功率约束、机组运行约束、合同电量约束。考虑到虚拟电厂一般由可再生能源发电形式(如风电场和光伏电站)、传统能源发电形式(如火电厂和水电站)、储能形式(如蓄电池储能和抽水蓄能电站)三种不同形式的电源组成，因此针对三种不同的电源形式，将约束条件进行细化。此外，考虑可再生能源发电形式所具有的不确定性的影响，在约束条件中，采用鲁棒优化法处理可再生能源发电形式的不确定性。约束条件包括：

(1)传统能源发电形式的最大/最小出力约束：

gt_i,min·work_t,i≤gt_t,i≤gt_i,max·work_t,i

式中：gt_i,max/gt_i,min表示机组i的最大/小发电量，布尔变量work_t,i表示t时刻机组i是否工作，若是则置1，否则置0。

(2)传统能源发电形式的爬坡率约束：

$-\mathrm{ram}{p}_i^d\&le;{\mathrm{gt}}_{t,i}-{\mathrm{gt}}_{t-1,i}\&le;{\mathrm{ramp}}_i^u$

式中：为机组i的向上爬坡率，为机组i的向下爬坡率。

(3)传统能源发电形式的最大/最小启停时间约束：

${\mathrm{on}}_{i,\min }\&CenterDot;{\mathrm{on}}_{x,i}\&le;\underset{y=1}{\overset{{\mathrm{on}}_{\min }-1}{\mathrm{\&Sigma;}}}{\mathrm{work}}_{x+y,i},y\&Element;N$

$\&ForAll;x\&Element;\{1...(T-{\mathrm{on}}_{\min }+1)\},x\&Element;N$

${\mathrm{off}}_{i,\min }\&CenterDot;{\mathrm{off}}_{x^{\&prime;},i}\&le;\underset{y^{\&prime;}=1}{\overset{{\mathrm{off}}_{\min }-1}{\mathrm{\&Sigma;}}}{\mathrm{work}}_{x^{\&prime;}+y^{\&prime;},i},y^{\&prime;}\&Element;N$

$\&ForAll;x^{\&prime;}\&Element;\{1...(T-{\mathrm{off}}_{\min }+1)\},x\&Element;N$

式中：on_i,min/off_i,min表示机组i的最小开/关时间。布尔变量on_t,i表示t时刻机组i是否启动，若是则置1，否则置0；off_t,i表示t时刻机组i是否关闭，若是则置1，否则置0。(4)传统能源发电形式的启停标志位约束：

on_t,i+off_t,i＝K_t,i

K_t,i＝|work_t,i-work_t-1,i|

(5)储能形式的最大充放电功率约束：

E_t+in_t≤E_max

out_t≤E_t-1

in_t≤E_c

out_t≤E_d

式中将PHSP内部的水量变化等效为电量变化来看待，则t时段PHSP的蓄水量即等效为蓄电量E_t，in_t和out_t为决策变量，分别表示t时段蓄入水量所等效的蓄入电量和放出水量所等效的放电量，E_max表示最大蓄电量，E_c表示最大蓄入电量，E_d表示最大发出电量。

(6)储能形式的功率守恒约束：

E_t-E_t-1＝in_t-out_t

(7)中期合同电量约束：

实际输电量与合同要求电量可以有一定的偏差，但保证一天的输电总量相同，即有：(1-z)·H_t≤H_t′≤(1+z)·H_t

$\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{H}_t=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{H}_t^{\&prime;}$

式中：z为合约允许的偏差系数，z∈[0,1]，H_t′表示满足合约要求输送的实际电量，为决策变量。

(8)虚拟电厂整体的功率约束：

W_t+gt_t+B_t+out_t·μ₁≥H_t′+D_t+in_t/μ₂

式中：W_t为风机出力的预测值，μ₁、μ₂分别表示PHSP的发电效率和蓄能效率。

(9)鲁棒优化的辅助约束条件：

$\begin{array}{cc}-W_t+\mathrm{\&Gamma;}\&CenterDot;{\mathrm{\&rho;}}_t\&CenterDot;y_t\&le;F_t& \&ForAll;t\\ {-y}_t\&le;W_t\&le;y_t& \&ForAll;t\\ y_t\&GreaterEqual;0& \&ForAll;t\end{array}$

式中：Γ为鲁棒系数，Γ∈[0,1]，辅助变量y_t，ρ_t为估计误差系数或经验误差系数，即认为风机出力的预测值在[(1-ρ_t)W_t,(1+ρ_t)W_t]内波动。

步骤3)，设定预测误差系数和鲁棒系数。所述的预测误差系数ρ_t和鲁棒系数Γ，按下式取值：

$\left\{\begin{array}{cc}\mathrm{\&Gamma;}=0& {\mathrm{\&rho;}}_t>0.4\\ \mathrm{\&Gamma;}+{\mathrm{\&rho;}}_t=0.75& 0.1\&le;{\mathrm{\&rho;}}_t\&le;0.4\\ \mathrm{\&Gamma;}=1& {\mathrm{\&rho;}}_t<0.1\end{array}\right..$

4)使用IBM CPLEX软件求解得到最优的日前经济调度结果。

下面以一座虚拟电厂为例介绍本发明：

虚拟电厂中可再生能源发电形式选定为一座小型风电场，传统能源发电形式选定为三台不同型号的燃气轮机，储能形式选定为一座抽水蓄能电站。抽水蓄能电站的设抽水效率和发电效率均为87％，燃气轮机采用TAURUS60、CENTAUR40、CENTAUR50三种型号,并将其成本曲线分两段线性化，其发电参数如表1。基于新疆某小型风电场和欧洲电能交易中心(European energy exchange，EEX)2013年6月14日前两周的风电和电价历史数据，采用人工神经网络算法，预测2013年6月14日的风机出力和电价数据。风机出力的预测值及实际值如图2所示，电价的预测值和实际值如图3所示。设定风机出力和电价的预测相对误差均为±20％，则按式 $\left\{\begin{array}{cc}\mathrm{\&Gamma;}=0& {\mathrm{\&rho;}}_t>0.4\\ \mathrm{\&Gamma;}+{\mathrm{\&rho;}}_t=0.75& 0.1\&le;{\mathrm{\&rho;}}_t\&le;0.4\\ \mathrm{\&Gamma;}=1& {\mathrm{\&rho;}}_t<0.1\end{array}\right..$ 可得鲁棒系数为0.55。在电价偏差范围内，采用蒙特卡洛模拟，随机生成50组等概率电价方案。中期合约中，取合约电价为45欧元，允许某一时刻供电量与合约要求电量有±10％的偏差，下一交易日每一时刻合约要求输电量如图4所示。

表1燃气轮机的参数

采用IBM公司的优化软件CPLEX12.5在四核3.30GHzCPU和4GB内存的个人计算机上对上述混合整数线性规划问题进行求解，得到市场竞标计划和DG调度计划分别如图5和图6所示。

(1)确定性；(2)采用随机规划法处理电价不确定性(3)；采用鲁棒优化法处理风电不确定性；(4)同时采用随机规划法处理电价和风机的不确定性；(5)同时采用鲁棒优化法处理电价和风机的不确定性；(6)采用本发明方法，对上述六种方法的计算结果进行比较，得到下一交易日的实际利润和计算时间如表2所示。

表2四种模型的利润比较

从仿真结果可以看出，本发明的方法具有计算效率高、计算结果好的优势，克服了确定性条件下规划结果计算结果差、同时采用随机规划处理电价和可再生能源发电出力不确定性条件下计算时间长、同时采用鲁棒优化法处理电价和可再生能源发电出力不确定性条件下计算结果不理想的缺点。

Claims (6)

1.一种用于虚拟电厂的日前经济调度方法，其特征在于，包括：

建立以利润最大化为目标函数的虚拟电厂混合整数线性规划模型，该模型的目标函数为：

$\max \underset{s=1}{\overset{n_s}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\mathrm{\&pi;}\left(s\right)(R_t-C_t)$

$R_t=H_t\&CenterDot;h+D_t\&CenterDot;{\mathrm{\&lambda;}}_t^s$

$C_t=B_t\&CenterDot;\mathrm{\&alpha;}\&CenterDot;{\mathrm{\&lambda;}}_t^s+\underset{i=1}{\overset{n_i}{\mathrm{\&Sigma;}}}(K_{t,i}\&CenterDot;k_i+p_i+\underset{j=1}{\overset{n_j}{\mathrm{\&Sigma;}}}{q}_i^j\&CenterDot;{\mathrm{gt}}_{t,i}^j)$

${\mathrm{gt}}_{t,i}=\underset{j=1}{\overset{n_j}{\mathrm{\&Sigma;}}}{\mathrm{gt}}_{t,i}^j$

式中：T为总时段数，n_s为电价的总方案数，π(s)为第s组电价方案的概率，R_t为t时段的收益，C_t为t时段的成本，H_t、D_t分别为t时段按合约要求输送的电能和向日前市场计划输送的电能，为决策变量，h为合约电价，为第s组方案中t时段的电价，B_t为购电量，即购电价格按计，n_i为可分配发电机组数，k_i为机组i的动作成本，布尔变量K_t,i表示t时刻机组i是否动作，若是则置1，否则置0，将分布式电源常用的机组二次成本函数分段线性化，n_j为分段数，p_i为机组i的固定成本，为机组i第j段的斜率，为第j段的发电量，gt_t,i为t时段机组i的发电量，为决策变量；

建立约束条件使电力系统满足功率约束、机组运行约束、合同电量约束以及鲁棒优化辅助约束；

设定预测误差系数和鲁棒系数，并使用计算软件求解得到最优的日前经济调度方法。

2.根据权利要求1所述的方法，其特征在于，所述功率约束包括：

1)传统能源发电形式的最大/最小出力约束：

gt_i,min·work_t,i≤gt_t,i≤gt_i,max·work_t,i

式中gt_i,max/gt_i,min表示机组i的最大/小发电量，布尔变量work_t,i表示t时刻机组i是否工作，若是则置1，否则置0；

2)传统能源发电形式的爬坡率约束：

$-\mathrm{ram}{p}_i^d\&le;{\mathrm{gt}}_{t,i}-{\mathrm{gt}}_{t-1,i}\&le;{\mathrm{ramp}}_i^u$

式中：为机组i的向上爬坡率，为机组i的向下爬坡率。

3.根据权利要求1所述的方法，其特征在于，所述机组运行约束包括：

1)传统能源发电形式的最大/最小启停时间约束：

${\mathrm{on}}_{i,\min }\&CenterDot;{\mathrm{on}}_{x,i}\&le;\underset{y=1}{\overset{{\mathrm{on}}_{\min }-1}{\mathrm{\&Sigma;}}}{\mathrm{work}}_{x+y,i},y\&Element;N$

$\&ForAll;x\&Element;\{1...(T-{\mathrm{on}}_{\min }+1)\},x\&Element;N$

${\mathrm{off}}_{i,\min }\&CenterDot;{\mathrm{off}}_{x^{\&prime;},i}\&le;\underset{y^{\&prime;}=1}{\overset{{\mathrm{off}}_{\min }-1}{\mathrm{\&Sigma;}}}{\mathrm{work}}_{x^{\&prime;}+y^{\&prime;},i},y^{\&prime;}\&Element;N$

$\&ForAll;x^{\&prime;}\&Element;\{1...(T-{\mathrm{off}}_{\min }+1)\},x\&Element;N$

式中：on_i,min/off_i,min表示机组i的最小开/关时间，布尔变量on_t,i表示t时刻机组i是否启动，若是则置1，否则置0，off_t,i表示t时刻机组i是否关闭，若是则置1，否则置0；

2)传统能源发电形式的启停标志位约束：

on_t,i+off_t,i＝K_t,i

K_t,i＝|work_t,i-work_t-1,i|

3)储能形式的最大充放电功率约束：

E_t+in_t≤E_max

out_t≤E_t-1

in_t≤E_c

out_t≤E_d

式中将PHSP内部的水量变化等效为电量变化来看待，则t时段PHSP的蓄水量即等效为蓄电量E_t，in_t和out_t为决策变量，分别表示t时段蓄入水量所等效的蓄入电量和放出水量所等效的放电量，E_max表示最大蓄电量，E_c表示最大蓄入电量，E_d表示最大发出电量；

4)储能形式的功率守恒约束：

E_t-E_t-1＝in_t-out_t。

4.根据权利要求1所述的方法，其特征在于，所述合同电量约束包括：

1)中期合同电量约束：

实际输电量与合同要求电量可以有一定的偏差，但保证一天的输电总量相同，即有：

(1-z)·H_t≤H_t′≤(1+z)·H_t

$\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{H}_t=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{H}_t^{\&prime;}$

式中z为合约允许的偏差系数，z∈[0,1]，H_t′表示满足合约要求输送的实际电量，为决策变量；

2)虚拟电厂整体的功率约束：

W_t+gt_t+B_t+out_t·μ₁≥H_t′+D_t+in_t/μ₂

式中：W_t为风机出力的预测值，μ₁、μ₂分别表示PHSP的发电效率和蓄能效率。

5.根据权利要求1所述的方法，其特征在于，所述鲁棒优化辅助约束包括：

1)鲁棒优化的辅助约束条件：

$\begin{array}{cc}-W_t+\mathrm{\&Gamma;}\&CenterDot;{\mathrm{\&rho;}}_t\&CenterDot;y_t\&le;F_t& \&ForAll;t\\ {-y}_t\&le;W_t\&le;y_t& \&ForAll;t\\ y_t\&GreaterEqual;0& \&ForAll;t\end{array}$

式中：Γ为鲁棒系数，Γ∈[0,1]，辅助变量y_t，ρ_t为估计误差系数或经验误差系数，即认为风机出力的预测值在[(1-ρ_t)W_t,(1+ρ_t)W_t]内波动。

6.根据权利要求1所述的方法，其特征在于，按下式设定所述的预测误差系数ρ_t和鲁

棒系数Γ：

$\left\{\begin{array}{cc}\mathrm{\&Gamma;}=0& {\mathrm{\&rho;}}_t>0.4\\ \mathrm{\&Gamma;}+{\mathrm{\&rho;}}_t=0.75& 0.1\&le;{\mathrm{\&rho;}}_t\&le;0.4\\ \mathrm{\&Gamma;}=1& {\mathrm{\&rho;}}_t<0.1\end{array}\right..$