CN105391092A - 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法 - Google Patents

Abstract

本发明公开了一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，包括以下步骤：确定虚拟电厂的管理指标，根据环境指标、用户满意度指标和经济指标构建虚拟电厂模型；基于相关机会规划方法，将换电站充放电功率作为决策量，以风电场实际出力、电动汽车用户的实际换电需求为随机变量构建虚拟电厂竞价模型；结合换电站充放电功率约束、换电站存储电量约束、周期末电量约束，对虚拟电厂竞价模型进行多目标优化，确定优化后的电动汽车换电站计划充放电功率和虚拟电厂的计划出力。本发明针对风电出力和换电需求的不确定性，可以有效考虑管理者对管理指标的重视程度和对风险的承受水平，制定尽可能满足其预期的发电计划。

Description

基于相关机会规划的虚拟电厂多目标竞价的调控优化方法

技术领域

本发明涉及一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法。

背景技术

风电、光伏等可再生能源一定程度上缓解了人类的能源危机，然而随着可再生能源并网容量的逐年增长，其间歇性、波动性和不确定性对电网造成的冲击也日益严峻，限制了其大规模并网应用。

电动汽车作为一种资源节约型和环境友好型的新型交通工具日益兴起，且随着电池等相关技术的不断发展将有广阔的市场前景。电动汽车除了作为运输工具这一固有属性外，还可以作为大量分散的廉价的储能装置。然而单台电动汽车电池容量较小，不足以参与电网调控。电动汽车换电站通过电池租赁的形式为电动汽车用户提供更换电服务，操作简便快捷，而且可以对电池进行统一的充放电管理，更有利于参与电网调控，发挥规模化效益。

将可再生能源与电动汽车换电站等储能装置打捆，以虚拟电厂的形式参与电网调控是解决可再生能源大规模并网瓶颈的有效途径。虚拟电厂通过对储能装置的充放电进行控制来配合可再生能源发电，可以平滑可再生能源的输出功率，使虚拟电厂更好的跟踪其发电计划。

目前将储能和可再生能源打捆并网的调控研究，目标往往聚焦在虚拟电厂的收益上，却忽略了环境因素和电网供电的效率等因素，无法达到节能减排目标，提高用户的满意程度，而这些目标难以以定量的收益的形式在目标函数中予以体现。

发明内容

本发明为了解决上述问题，提出了一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，本方法针对风电场和电动汽车换电站构成的虚拟电厂运行特点，建立了三个可以量化的管理运行指标：弃风量指标、未被满足换电量指标和收益指标，并以此为目标，基于相关机会规划思想，构建了虚拟电厂的多目标竞价模型。模型兼顾了虚拟电厂的环境目标、用户满意度目标和经济目标，同时考虑了风电和换电需求的不确定性以及管理者的风险偏好程度。

为了实现上述目的，本发明采用如下技术方案：

一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，包括以下步骤：

(1)确定虚拟电厂的管理指标，根据环境指标、用户满意度指标和经济指标构建虚拟电厂模型；

(2)基于相关机会规划方法，将换电站充放电功率作为决策量，以风电场实际出力、电动汽车用户的实际换电需求为随机变量构建虚拟电厂竞价模型；

(3)结合换电站充放电功率约束、换电站存储电量约束、周期末电量约束，对虚拟电厂竞价模型进行多目标优化；

(4)计算各个场景下三个管理指标满足的概率，确定最优的换电站计划充放电功率和虚拟电厂的计划出力。

所述步骤(1)中，虚拟电厂包括风电场和电动汽车换电站，风电场为电动汽车换电站提供能源，电动汽车换电站利用风电为电动汽车用户提供更换电池服务，还为风电提供备用。

所述步骤(1)中，虚拟电厂的管理指标，按照各自优先级由高到低排序为：环境指标、用户满意度指标和经济指标。

所述步骤(1)中，环境指标量化为弃风量指标Q_ws。

${\mathrm{\Σ}}_{t=1}^{N_t}{P}_{wq}\left(t\right)\·\mathrm{\Δ}t\≤Q_{ws}---\left(3\right)$

其中，N_t为时段数，Δt为单位时段长度，P_wq(t)为t时段的弃风功率。

用户满意度指标量化为未被满足换电量指标Q_ds：

${\mathrm{\Σ}}_{t=1}^{N_t}{Q}_q\left(t\right)\≤Q_{ds}---\left(4\right)$

Q_q(t)为t时段未被满足的换电量。

经济指标为收益指标B_s，虚拟电厂的收益为卖电收入B_sold和换电收入B_ev之和减去经济惩罚B_pen：

$B_{ev}\left(\mathrm{\ω}\right)={\mathrm{\Σ}}_{t=1}^{N_t}{Q}_{dt}(t,\mathrm{\ω})\·{\mathrm{\ω}}_{ev}---\left(6\right)$

ω为考虑风电功率和换电量需求不确定性的随机情景，P_Plan(t，ω)和Q_dt(t，ω)为情景ω下，在t时段的虚拟电厂实际出力和实际满足的换电量，P_Plan(t)为t时段的计划出力，为t时段电网向虚拟电厂的购电价格，ω_ev为单位换电量的价格，α为功率偏差惩罚系数。

所述步骤(2)中，基于相关机会规划的虚拟电厂竞价模型为：

$lexmin\left\{\begin{array}{ccc}{d}_1^{-},& d_2^{-},& d_3^{-}\end{array}\right\}---\left(8\right)$

s.t.

$\mathrm{Pr}\{h_1(x,y)\≤Q_{ws}\}+d_1^{-}-d_1^{+}={\mathrm{Pr}}_{Q_{ws}}---\left(9\right)$

$\mathrm{Pr}\{h_2(x,y)\≤Q_{ds}\}+d_2^{-}-d_2^{+}={\mathrm{Pr}}_{Q_{ds}}---\left(10\right)$

$\mathrm{Pr}\{h_3(x,y)\≥B_s\}+d_3^{-}-d_3^{+}={\mathrm{Pr}}_{B_s}---\left(11\right)$

g(x，y)≤0(12)

$d_i^{-},d_i^{+}\≥0,i=1,2,3---\left(13\right)$

lexmin{·}为按照字典序最小化目标向量，决策量x为换电站充放电功率P_ev(t)，正值表示充电，负值表示放电，随机变量y包括风电场实际出力P_wn(t，ω)和电动汽车用户的实际换电需求Q_dn(t，ω)；式(9)-(11)中等式左侧第一项依次表示符合弃风量指标、未被满足换电量指标和收益指标的概率值，分别为管理者结合自己的风险偏好制定的达到三个指标的概率的目标值，分别为目标i偏离目标值的负偏差和正偏差，均为非负数。

所述步骤(3)中，约束条件具体包括：

$-p_d^{\max }\≤P_{ev}\left(t\right)\≤p_c^{\max }---\left(14\right)$

Q^min≤Q(t)≤Q^max(15)

Q(N_t)≥Q^end(16)

式(14)表示换电站充放电功率约束，和分别为最大充电和放电功率；式(15)为换电站存储电量约束，Q(t)为t时段的换电站电量，Q^max和Q^min为换电站电量的最大值和最小值，式(16)为换电站在一个决策周期后的电量约束，Q^end为决策周期末要求的最低电量。

所述步骤(4)中，情景ω下t时段换电站实际满足的换电量Q_dt(t，ω)和未被满足的换电量Q_q(t，ω)的表达式分别为：

Q_dt(t，ω)＝min(Q(t，ω）-Q^min，Q_dn(t，ω))(17)

Q_q(t，ω)＝Q_dn(t，ω)-Q_dt(t，ω)(18)

其中Q(t，ω)为情景ω下t时段换电站实际存储电量，其表达式为：

Q(t，ω)＝Ｑ(t-1，ω)-Q_dt(t-1，ω)+P_c(t-1，ω)·Δt·η_c-P_d(t-1，ω)·Δt/η_d(19)

η_c和η_d分别为换电站充放电效率，P_c(t，ω)和P_d(t，ω)为情景ω下t时段的实际充电和放电功率，表达式分别为：

$P_c(t,\mathrm{\&omega;})=\left\{\begin{array}{cc}{P}_{ev}(t,\mathrm{\&omega;}),& P_{ev}(t,\mathrm{\&omega;})\&GreaterEqual;0\\ 0,& P_{ev}(t,\mathrm{\&omega;})<0\end{array}\right.---\left(20\right)$

$P_d(t,\mathrm{\&omega;})=\left\{\begin{array}{cc}-P_{ev}(t,\mathrm{\&omega;}),& P_{ev}(t,\mathrm{\&omega;})<0\\ 0,& P_{ev}(t,\mathrm{\&omega;})\&GreaterEqual;0\end{array}\right.---\left(21\right)$

P_ev(t，ω)为情景ω下t时段换电站的实际充放电功率。

所述步骤(4)中，情景ω下t时段虚拟电厂的实际出力P_Plan(t，ω)的表达式为：

$P_{plan}(t,\mathrm{\&omega;})=min\left\{\begin{array}{cc}{P}_{plan}\left(t\right),& P_{wn}(t,\mathrm{\&omega;})-P_{ev}^{\min }(t,\mathrm{\&omega;})\end{array}\right\}---\left(22\right)$

其中，P_wn(t，ω)为情景ω下t时段风电的实际出力，为情景ω下t时段换电站实际可充放功率的最小值，其表达式为：

$P_{ev}^{\min }(t,\mathrm{\&omega;})=max\left\{\begin{array}{cc}-p_d^{\max },& \frac{Q^{min}-\left(Q\right(t,\mathrm{\&omega;})-Q_{dt}(t,\mathrm{\&omega;}\left)\right)}{\mathrm{\&Delta;}t}\&CenterDot;{\mathrm{\&eta;}}_d\end{array}\right\}---\left(23\right).$

所述步骤(4)中，情景ω下t时段的弃风量P_wq(t，ω)表达式为：

$P_{wq}(t,\mathrm{\&omega;})=max\left\{\begin{array}{cc}{P}_{wn}(t,\mathrm{\&omega;})-P_{ev}^{\max }(t,\mathrm{\&omega;})-P_{plan}\left(t\right),& 0\end{array}\right\}---\left(24\right)$

为情景ω下t时段换电站充放电功率的最大值，其表达式为：

$P_{ev}^{\max }(t,\mathrm{\&omega;})=min\left\{\begin{array}{cc}{p}_c^{\max },& \frac{Q^{max}-\left(Q\right(t,\mathrm{\&omega;})-Q_{dt}(t,\mathrm{\&omega;}\left)\right)}{\mathrm{\&Delta;}t\&CenterDot;{\mathrm{\&eta;}}_c}\end{array}\right\}---\left(25\right)$

情景ω下t时段换电站的充放电功率P_ev(t，ω)表达式为：

P_ev(t，ω)＝P_wn(t，ω)-P_wq(t，ω)-P_plan(t，ω)(26)

所述步骤(4)中，随机情景ω下，风电场弃风量h₁(x，y，ω)的表达式为：

$h_1(x,y,\mathrm{\&omega;})={\mathrm{\&Sigma;}}_{t=1}^{Nt}{P}_{wq}(t,\mathrm{\&omega;})\&CenterDot;\mathrm{\&Delta;}t---\left(27\right)$

换电站未被满足的换电量h₂(x，y，ω)的表达式为：

$h_2(x,y,\mathrm{\&omega;})={\mathrm{\&Sigma;}}_{t=1}^{Nt}{Q}_q(t,\mathrm{\&omega;})---\left(28\right)$

虚拟电厂的收益h₃(x，y，ω)的表达式为：

h₃(x，y，ω)＝B_sold(ω)+B_ev(ω)-B_pen(ω)(29)。

本发明的有益效果为：

(1)以往解决方案往往聚焦于收益问题上，无法体现虚拟电厂在环境效益、用户满意度等其它方面的管理指标的问题，本发明结合虚拟电厂运行特点，构建了可以量化的管理指标；

(2)基于相关规划思想，以满足虚拟电厂管理指标的概率为目标函数，建立了虚拟电厂的相关机会目标规划竞价模型；

(3)模型针对风电出力和换电需求的不确定性，可以有效考虑各个电厂具体管理指标的重视程度和对风险的承受水平，制定尽可能满足其预期的发电计划；

(4)风电场和电动汽车换电站构成的虚拟电厂能够实现两者的互补，发挥协同效应，风电可以为换电站提供廉价的电能，降低换电成本；而换电站一方面可以为风电提供备用，使其更好的跟踪发电计划，另一方面还可以通过“低充高放”来提高收益。

附图说明

图1为风电功率预测值示意图；

图2为换电需求预测值示意图；

图3为购电价格示意图；

图4为发电计划及充放电功率示意图；

图5为换电站剩余电量示意图；

图6为三种场景下换电站的剩余电量曲线示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

1相关机会规划

相关机会规划最初由刘宝碇教授提出，它是在不确定性环境中最大化事件成立机会的一种理论，与期望值规划和机会约束规划共同构成了随机规划的三个分支。

相关机会规划的模型为：

maxPr{h_j(x，y)≤0，j＝1，2，…p}(1)

s.t.

g_k(x，y)≤0，k＝1，2，…q(2)

其中，x为决策变量，y为随机变量。式(1)表示最大化事件{h_j(x，y)≤0，j＝1，2，…p}成立的机会；式(2)表示事件所处的不确定性环境。

相关机会规划与期望值规划和机会约束规划有本质上的不同。后两种方法在模型建立之后，可行解集合本质上已经确定，这时给出的最优解在现实中可能根本无法执行。而相关机会规划打破了可行集的概念，直接进入不确定性环境，虽然它也给出一组确定的解，但是只要求在实际系统中尽可能地执行。

2虚拟电厂建模

虚拟电厂在日前需要向调控中心申报次日的发电计划，待调控中心认可后重新下发给虚拟电厂，然后调控中心结合虚拟电厂申报的发电计划安排其它火电机组的发电。虚拟电厂需要跟踪其发电曲线，如果出现偏差，会按照偏差的大小和出现的时段受到经济惩罚。

虚拟电厂由风电场和电动汽车换电站构成。风电场是其能量来源，由于风电预测精度低，虚拟电厂的出力也具有不确定性。换电站除了利用廉价的风电为电动汽车用户提供更换电池服务外，也作为储能装置：一方面为风电提供备用，缓解虚拟电厂出力的不确定性，减小虚拟电厂实际出力与其发电计划之间的偏差，降低由于出力偏差导致的经济惩罚；另一方面起到“移峰填谷”的作用，将低电价时段的电量储存起来，在高电价时段再释放出来，提高虚拟电厂的售电收益。

虚拟电厂的管理指标包括以下三部分，按照其优先级排序为：

(1)环境指标

虽然换电站能够为虚拟电厂出力波动提供一定缓冲，但是容量毕竟有限，当风电预测精度低或者发电计划制定不合理导致换电站无法吸纳过多的风电时，就会出现弃风。过多的弃风会导致无法完成政府下达的节能减排指标，因此环境指标可以量化为弃风量指标Q_ws。

${\mathrm{\&Sigma;}}_{t=1}^{N_t}{P}_{wq}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t\&le;Q_{ws}---\left(3\right)$

其中，N_t为时段数，Δt为单位时段长度，P_wq(t)为t时段的弃风功率。

(2)用户满意度指标

电动汽车换电需求也具有一定随机性，当预测精度低或者因为为风电提供了过多的备用导致换电站剩余电量不足时，就会导致不能满足用户换电需求的现象，因此用户满意度指标可以量化为未被满足换电量指标Q_ds。

${\mathrm{\&Sigma;}}_{t=1}^{N_t}{Q}_q\left(t\right)\&le;Q_{ds}---\left(4\right)$

Q_q(t)为t时段未被满足的换电量。

(3)经济指标

虚拟电厂的经济指标可以通过其收益指标B_s进行量化。

虚拟电厂的收入包括向电网卖电的收入B_sold和向电动汽车用户提供换电服务的收入B_ev；不考虑风场发电的成本，虚拟电厂的运行成本为出力偏差导致的经济惩罚B_pen。虚拟电厂的收益为卖电收入和换电收入之和减去经济惩罚。

$B_{ev}\left(\mathrm{\&omega;}\right)={\mathrm{\&Sigma;}}_{t=1}^{N_t}{Q}_{dt}(t,\mathrm{\&omega;})\&CenterDot;{\mathrm{\&omega;}}_{ev}---\left(6\right)$

ω为考虑风电功率和换电量需求不确定性的随机情景，P_Plan(t，ω)和Q_dt(t，ω)为情景ω下，在t时段的虚拟电厂实际出力和实际满足的换电量。P_Plan(t)为t时段的计划出力。为t时段电网向虚拟电厂的购电价格，ω_ev为单位换电量的价格，α为功率偏差惩罚系数。

虚拟电厂管理者结合风电出力预测值，决策换电站各时段的充放电功率，从而申报次日的发电计划。发电计划的制定需要统筹考虑风电出力的不确定性和换电需求的不确定性，按照优先级顺序依次满足虚拟电厂的三个管理指标。

3虚拟电厂竞价模型

虚拟电厂发电计划决策属于多目标随机规划问题。由于不确定性因素的存在，管理者决策的发电计划在实际运行时可能并不完全可行，相关机会目标规划模型正好符合该场景，虽然给出确定性的一组解，但只要求这个解在实际问题中尽可能去执行。

基于相关机会规划的虚拟电厂竞价模型为：

$lexmin\left\{\begin{array}{ccc}{d}_1^{-},& d_2^{-},& d_3^{-}\end{array}\right\}---\left(8\right)$

s.t.

$\mathrm{Pr}\{h_1(x,y)\&le;Q_{ws}\}+d_1^{-}-d_1^{+}={\mathrm{Pr}}_{Q_{ws}}---\left(9\right)$

$\mathrm{Pr}\{h_2(x,y)\&le;Q_{ds}\}+d_2^{-}-d_2^{+}={\mathrm{Pr}}_{Q_{ds}}---\left(10\right)$

$\mathrm{Pr}\{h_3(x,y)\&GreaterEqual;B_s\}+d_3^{-}-d_3^{+}={\mathrm{Pr}}_{B_s}---\left(11\right)$

g(x，y)≤0(12)

$d_i^{-},d_i^{+}\&GreaterEqual;0,i=1,2,3---\left(13\right)$

lexmin{·}为按照字典序最小化目标向量。决策量x为换电站充放电功率P_ev(t)，正值表示充电，负值表示放电。随机变量y包括风电场实际出力P_wn(t，ω)和电动汽车用户的实际换电需求Q_dn(t，ω)。

式(9)-(11)中等式左侧第一项依次表示符合弃风量指标、未被满足换电量指标和收益指标的概率值，分别为管理者结合自己的风险偏好制定的达到三个指标的概率的目标值。分别为目标i偏离目标值的负偏差和正偏差，均为非负数。

式(12)为其不确定性环境，包括式(14)-(29)：

$-p_d^{\max }\&le;P_{ev}\left(t\right)\&le;p_c^{\max }---\left(14\right)$

Q^min≤Q(t)≤Q^max(15)

Q(N_t)≥Q^end(16)

式(14)表示换电站充放电功率约束，和分别为最大充电和放电功率；式(15)为换电站存储电量约束，Q(t)为t时段的换电站电量，Q^max和Q^min为换电站电量的最大值和最小值，为了避免过度放电缩短电池寿命，通常取Q^min为换电站最大电量的10％-30％。式(16)为换电站在一个决策周期后的电量约束，Q^end为决策周期末要求的最低电量，一般要求与初始电量相同。

情景ω下t时段换电站实际满足的换电量Q_dt(t，ω)和未被满足的换电量Q_q(t，ω)的表达式分别为：

Q_dt(t，ω)＝min(Q(t，ω)-Q^min，Q_dn(t，ω））(17)

Q_q(t，ω)＝Q_dn(t，ω)-Q_dt(t，ω)(18)

其中Q(t，ω)为情景ω下t时段换电站实际存储电量，其表达式为：

Q(t，ω)＝Q(t-1，ω)-Q_dt(t-1，ω)+P_c(t-1，ω)·Δt·η_c-P_d(t-1，ω)·Δt/η_d(19)

η_c和η_d分别为换电站充放电效率，P_c(t，ω)和P_d(t，ω)为情景ω下t时段的实际充电和放电功率，表达式分别为：

$P_c(t,\mathrm{\&omega;})=\left\{\begin{array}{cc}{P}_{ev}(t,\mathrm{\&omega;}),& P_{ev}(t,\mathrm{\&omega;})\&GreaterEqual;0\\ 0,& P_{ev}(t,\mathrm{\&omega;})<0\end{array}\right.---\left(20\right)$

$P_d(t,\mathrm{\&omega;})=\left\{\begin{array}{cc}-P_{ev}(t,\mathrm{\&omega;}),& P_{ev}(t,\mathrm{\&omega;})<0\\ 0,& P_{ev}(t,\mathrm{\&omega;})\&GreaterEqual;0\end{array}\right.---\left(21\right)$

P_ev(t，ω)为情景ω下t时段换电站的实际充放电功率。

情景ω下t时段虚拟电厂的实际出力P_plan(t，ω)的表达式为：

$P_{plan}(t,\mathrm{\&omega;})=min\left\{\begin{array}{cc}{P}_{plan}\left(t\right),& P_{wn}(t,\mathrm{\&omega;})-\end{array}{P}_{ev}^{\min }(t,\mathrm{\&omega;})\right\}---\left(22\right)$

其中，P_wn(t，ω)为情景ω下t时段风电的实际出力，为情景ω下t时段换电站实际可充放功率的最小值，其表达式为：

$P_{ev}^{\min }(t,\mathrm{\&omega;})=max\left\{\begin{array}{cc}-p_d^{\max },& \frac{Q^{min}-\left(Q\right(t,\mathrm{\&omega;})-Q_{dt}(t,\mathrm{\&omega;}\left)\right)}{\mathrm{\&Delta;}t}\&CenterDot;{\mathrm{\&eta;}}_d\end{array}\right\}---\left(23\right)$

情景ω下t时段的弃风量P_wq(t，ω)表达式为：

$P_{wq}(t,\mathrm{\&omega;})=max\left\{\begin{array}{cc}{P}_{wn}(t,\mathrm{\&omega;})-P_{ev}^{\max }(t,\mathrm{\&omega;})-P_{plan}\left(t\right),& 0\end{array}\right\}---\left(24\right)$

为情景ω下t时段换电站充放电功率的最大值，其表达式为：

$P_{ev}^{\max }(t,\mathrm{\&omega;})=min\left\{\begin{array}{cc}{p}_c^{\max },& \frac{Q^{max}-\left(Q\right(t,\mathrm{\&omega;})-Q_{dt}(t,\mathrm{\&omega;}\left)\right)}{\mathrm{\&Delta;}t\&CenterDot;{\mathrm{\&eta;}}_c}\end{array}\right\}---\left(25\right)$

情景ω下t时段换电站的充放电功率P_ev(t，ω)表达式为：

P_ev(t，ω)＝P_wn(t，ω）-P_wq(t，ω)-P_plan(t，ω)(26)

随机情景ω下：

风电场弃风量h₁(x，y，ω)的表达式为：

$h_1(x,y,\mathrm{\&omega;})={\mathrm{\&Sigma;}}_{t=1}^{Nt}{P}_{wq}(t,\mathrm{\&omega;})\&CenterDot;\mathrm{\&Delta;}t---\left(27\right)$

换电站未被满足的换电量h₂(x，y，ω)的表达式为：

$h_2(x,y,\mathrm{\&omega;})={\mathrm{\&Sigma;}}_{t=1}^{Nt}{Q}_q(t,\mathrm{\&omega;})---\left(28\right)$

虚拟电厂的收益h₃(x，y，ω)的表达式为：

h₃(x，y，ω)＝B_sold(ω)+B_ev(ω)-B_pen(ω)(29)

由于模型中含有随机变量和概率值，难以用常规的解析方法求解，因此本文通过基于蒙特卡罗模拟的遗传算法求解。

4仿真分析

模型中多个风电场和多个换电站均可以等值为一座风电场和一座换电站。假设等值风电场的装机容量为160MW。等值换电站共有8000组容量为20kWh的电池组，最大可存储电量为160MWh，最大充放电功率为±40MW，充放电效率分别为0.95和0.9，初始电量和决策周期末要求的最低电量均为最大可存储电量的30％，最低电量为最大可存储电量的10％，风电功率和换电需求的预测值分别如图1和图2所示。假设它们的相对预测误差分别服从N(0,0.5)和N(0,0.3)的正态分布。

电网的购电价格已知，并且采取分时电价，如图3所示。合理的购电价格有利于引导虚拟电厂在负荷高峰时段多发电，在负荷低谷时段少发电，从而降低电网的备用成本。换电价格ω_ev取315元/MWh，功率偏差的惩罚系数α取0.3。

决策周期为次日24小时共96个时段，即每15min一个时段。虚拟电厂的管理指标及其实现的概率的目标值如表1所示。

表1虚拟电厂的管理指标及概率目标

在上述条件下，利用本文提出模型优化得到的发电曲线和换电站充放电功率如图4所示，图5为换电站剩余电量。

从优化结果可以看出，虚拟电厂通过换电站在低电价时段存储部分风电，再在高电价时段将其释放出来，从而提高卖电收益，起到了“低充高放”的作用。

进一步分析充放电功率曲线可以发现，在充电时段，换电站并未按最大充电功率充电，而是为风电的正波动留有一定的功率备用，减少因风电实际功率高于预测值时可能导致的弃风。同理，在放电阶段，换电站并未按最大放电功率放电，而是为风电的负波动留有一定的功率备用，减少虚拟电厂实际出力低于发电曲线导致的经济惩罚。

换电站的剩余电量也同样为风电和换电需求的波动留有电量上的备用。从图5可以看出，整个时段电量均未达到换电站电量的上下限值。电量未降到最小值有两方面的作用，一个可以为风电负波动留有电量备用，降低经济惩罚成本，另一个作用是为换电需求留有电量备用，防止出现换电量不能得到满足的情况。同理，电量未达到电量上限是为了防止风电正波动时换电站无足够的容量存储过多的风电，从而可能导致的弃风现象。

根据优化结果，虚拟电厂的前两个指标满足的概率达到了管理者设定的目标值99％和98％，收益指标满足的概率为67.3％，虽然未达到目标值85％，但是，这已经是优先满足前两个目标后，收益指标概率能够达到的最大值。这是因为管理者风险偏好低，为了确保满足前两个指标而将其概率目标设定较高，换电站为了留有足够的备用而削弱了其“低充高放”的能力，从而降低了其收益能力。

如果将前两个指标的概率目标适当降低，则可以改善换电站“低充高放”的能力，从而提高收益指标的满足概率，表2给出了不同概率目标场景下的概率优化结果。

表2三种概率目标场景下优化结果比对

从表2可以看出，放宽前两个指标之后，场景2和场景3的收益指标满足的概率均有所增加。

图6为三种场景下换电站的剩余电量曲线。相对于场景1，场景2中管理者降低了弃风量指标的概率目标值后，它不再需要为弃风配置过多的电量备用，换电站存储的最高电量达到了151MWh，换电站可以在低电价时段存储更多的电量，即其“低充”的能力提高了，因而场景2的收益指标满足的概率提高到了85％，满足了管理者设定的目标。

由于场景3和场景1的弃风量指标的概率目标值相同，因此从图6中可以发现，二者在0:00-8:00这一低电价时段存储电量基本一致。场景3中管理者降低了未满足换电量指标的概率目标值，因此它不再需要为换电需求配置过多的电量备用，换电站在高电价时段可以释放更多的电量，即其“高放”能力提高了，因而场景3的收益指标满足的概率也提高了，但仍未满足管理者设定的目标值85％。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：包括以下步骤：

(1)确定虚拟电厂的管理指标，根据环境指标、用户满意度指标和经济指标构建虚拟电厂模型；

(2)基于相关机会规划方法，将换电站充放电功率作为决策量，以风电场实际出力、电动汽车用户的实际换电需求为随机变量构建虚拟电厂竞价模型；

(5)结合换电站充放电功率约束、换电站存储电量约束、周期末电量约束，对虚拟电厂竞价模型进行多目标优化；

(3)计算各个场景下三个管理指标满足的概率，确定最优的换电站计划充放电功率和虚拟电厂的计划出力。

2.如权利要求1所述的一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：所述步骤(1)中，虚拟电厂包括风电场和电动汽车换电站，风电场为电动汽车换电站提供能源，电动汽车换电站利用风电为电动汽车用户提供更换电池服务，还为风电提供备用。

3.如权利要求1所述的一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：所述步骤(1)中，虚拟电厂的管理指标，按照各自优先级由高到低排序为：环境指标、用户满意度指标和经济指标。

4.如权利要求1所述的一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：所述步骤(1)中，环境指标量化为弃风量指标Q_ws：

其中，N_t为时段数，Δt为单位时段长度，P_wq(t)为t时段的弃风功率；

用户满意度指标量化为未被满足换电量指标Q_ds：

Q_q(t)为t时段未被满足的换电量；

经济指标为收益指标B_s，虚拟电厂的收益为卖电收入B_sold和换电收入B_ev之和减去经济惩罚B_pen：

ω为考虑风电功率和换电量需求不确定性的随机情景，P_Plan(t，ω)和Q_dt(t，ω)为情景ω下，在t时段的虚拟电厂实际出力和实际满足的换电量，P_Plan(t)为t时段的计划出力，为t时段电网向虚拟电厂的购电价格，ω_ev为单位换电量的价格，α为功率偏差惩罚系数。

5.如权利要求1所述的一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：所述步骤(2)中，基于相关机会规划的虚拟电厂竞价模型为：

s.t.

g(x，y)≤0(12)

lexmin{·}为按照字典序最小化目标向量，决策量x为换电站充放电功率P_ev(t)，正值表示充电，负值表示放电，随机变量y包括风电场实际出力P_wn(t，ω)和电动汽车用户的实际换电需求Q_dn(t，ω)；式(9)-(11)中等式左侧第一项依次表示符合弃风量指标、未被满足换电量指标和收益指标的概率值，分别为管理者结合自己的风险偏好制定的达到三个指标的概率的目标值，分别为目标i偏离目标值的负偏差和正偏差，均为非负数。

6.如权利要求1所述的一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：所述步骤(3)中，约束条件具体包括：

Q^min≤Q(t)≤Q^max(15)

Q(N_t)≥Q^end(16)

式(14)表示换电站充放电功率约束，和分别为最大充电和放电功率；式(15)为换电站存储电量约束，Q(t)为t时段的换电站电量，Q^max和Q^min为换电站电量的最大值和最小值，式(16)为换电站在一个决策周期后的电量约束，Q^end为决策周期末要求的最低电量。

7.如权利要求1所述的一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：所述步骤(4)中，情景ω下t时段换电站实际满足的换电量Q_dt(t，ω)和未被满足的换电量Q_q(t，ω)的表达式分别为：

Q_dt(t，ω)＝min(Q(t，ω)-Q^min，Q_dn(t，ω))(17)

Q_q(t，ω)＝Q_dn(t，ω)-Q_dt(t，ω)(18)

其中Q(t，ω)为情景ω下t时段换电站实际存储电量，其表达式为：

Q(t，ω)＝Q(t-1，ω)-Q_dt(t-1，ω)+P_c(t-1，ω)·Δt·η_c-P_d(t-1，ω)·Δt/η_d(19)

η_c和η_d分别为换电站充放电效率，P_c(t，ω)和P_d(t，ω)为情景ω下t时段的实际充电和放电功率，表达式分别为：

P_ev(t，ω)为情景ω下t时段换电站的实际充放电功率。

8.如权利要求1所述的一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：所述步骤(4)中，情景ω下t时段虚拟电厂的实际出力P_plan(t，ω)的表达式为：

其中，P_wn(t，ω)为情景ω下t时段风电的实际出力，为情景ω下t时段换电站实际可充放功率的最小值，其表达式为：

9.如权利要求1所述的一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：所述步骤(4)中，情景ω下t时段的弃风量P_wq(t，ω)表达式为：

为情景ω下t时段换电站充放电功率的最大值，其表达式为：

情景ω下t时段换电站的充放电功率P_ev(t，ω)表达式为：

P_ev(t，ω)＝P_wn(t，ω)-P_wq(t，ω)-P_plan(t，ω)(26)。

10.如权利要求1所述的一种基于相关机会规划的虚拟电厂多目标竞价的调控优化方法，其特征是：所述步骤(4)中，随机情景ω下，风电场弃风量h₁(x，y，ω)的表达式为：

换电站未被满足的换电量h₂(x，y，ω)的表达式为：

虚拟电厂的收益h₃(x，y，ω)的表达式为：

h₃(x，y，ω)＝B_sold(ω)+B_ev(ω)-B_pen(ω)(29)。