CN106169102A - 一种虚拟电厂日前调度优化模型 - Google Patents

Abstract

本发明提供了一种虚拟电厂日前调度优化模型，该模型聚合单元包括燃气轮机、风电机组、光伏机组、抽水蓄能电站和负荷，针对电价概率分布描述较为准确、预测精度较高的特点，采用随机规划处理电价的不确定性；针对风电和光伏出力概率分布难以精确刻画、预测精度较低的特点，采用信息间隙决策理论(IGDT)处理风光出力的不确定性，并通过赋予风电和光伏出力偏差系数不同的权重，解决了IGDT同时处理风光出力不确定性的问题。此外，针对不确定性决策的盲目性和不同策略面临风险程度的不同，引入风险成本，量化不同决策方案对应的风险。本发明能给决策者提供了更大的抉择空间，使VPP能够在更多情况下做出最优决策，从而提高虚拟电厂(VPP)利润。

Description

一种虚拟电厂日前调度优化模型

技术领域

本发明属于电力系统电源调度领域，特别涉及一种虚拟电厂日前调度优化模型。

背景技术

近年来，以可再生能源发电的分布式电源迅速发展，然而，分布式电源容量小、数量多、接入分散、出力间歇性的特点限制了其大规模的发展。以虚拟电厂(virtual powerplant，VPP)形式聚合可再生能源，参与大电网和电力市场，不但能克服上述缺点，而且能提高可再生能源上网时的稳定性和进入电力市场时的竞争力，从而获得规模经济的效益。VPP在调度优化的过程中面临电力市场电价、可再生能源出力等多种不确定因素，给决策和系统安全运行带来一定的困难。而信息间隙决策理论(information gap decision theory，IGDT)为处理不确定性问题提供了新思路。IGDT可以在概率分布和波动范围均未知的情况下量化不确定性，具有适用性强、使用方便、计算效率高等优点。IGDT分为风险规避策略(risk averse strategy，RAS)和风险偏好策略(risk seeker strategy，RSS)，给决策者提供了更大的抉择空间。就目前而言，未见采用的IGDT同时处理VPP内风电和光伏出力不确定性的研究报道。

IGDT是一种处理不确定性的非概率且非模糊方法，可在概率分布和波动范围均未知的情况下量化不确定性，因此克服了基于概率方法的缺点，该方法在保证目标值处于可接受范围内的同时，最大化不确定变量的波动区间，从而使得达到目标值的可能性最大。

事实上，小时电价呈现周期波动的特点，因而概率分布规律描述较为准确，预测精度较高，采用随机规划能很好的处理电价的不确定性。然而，风光出力概率分布刻画困难、预测精度较低，不宜采用基于概率的分析方法处理该类不确定性。并且，不确定性决策具有一定的盲目性，依照经验做出决策难免会造成方案的保守或冒进。

发明内容

发明目的：本发明提供了一种虚拟电厂日期调度优化模型，解决现有的电厂调度风光出力概率分布刻画困难、预测精度较低，不宜采用基于概率的分析方法处理该类不确定性的问题，能够更好的为决策者提供最优策略方案。

技术方案：本发明提供一种虚拟电厂日前调度优化模型，包括以下步骤：

步骤1：采用随机规划处理电价的不确定性，建立电价随机规划模型；

步骤2：分析和改进IGDT模型，采用IGDT处理风电和光伏出力的不确定性；

步骤3：建立混合随机规划和IGDT的VPP日前调度优化模型；

步骤4：建立合理的指标，量化VPP面临的风险；

进一步，步骤1包括以下步骤：

采用随机规划处理电价的不确定性，假设在电价波动范围内随机生成p组电价数据，在考虑p组电价的情况下所得的最优解即为电价随机规划的最优方案，目标函数模型为：

$max\underset{t=1}{\overset{T}{\Σ}}\underset{p=1}{\overset{n_p}{\Σ}}\mathrm{\π}\left(p\right)\×({\mathrm{\λ}}_{p,t}{P}_t+{\mathrm{\λ}}_t^1{L}_t-C_t^{gt})$

式中：T为总时段数；n_p为电价方案数；π(p)为第p组电价方案概率；λ_p,t为第p组方案t时段电力市场电价；P_t为t时段VPP在电力市场的交易量，为正表示售电量，为负表示购电量；为t时段负荷电价，表示VPP供给负荷所收取的费用；L_t为t时段负荷；为t时段燃气轮机成本，包括燃气轮机的运行、启停和环境成本，表示如下：

$C_t^{gt}=\underset{i}{\overset{n_i}{\Σ}}\left(\begin{array}{c}{k}_i{\mathrm{\μ}}_{i,t}^o+\underset{j=1}{\overset{n_j}{\mathrm{\Σ}}}{k}_{i,j}{g}_{i,j,t}+{\mathrm{\λ}}_i^{su}{\mathrm{\μ}}_{i,t}^{su}+{\mathrm{\λ}}_i^{sd}{\mathrm{\μ}}_{i,t}^{sd}\\ +g_{i,t}\underset{l=1}{\overset{n_l}{\mathrm{\Σ}}}{Q}_{i,l}(V_l+Y_l)\end{array}\right)$

$g_{i,t}=\underset{j=1}{\overset{n_j}{\Σ}}{k}_{i,j}{g}_{i,j,t}$

式中：n_i为燃气轮机数；k_i为燃气轮机i的固定成本；布尔变量分别表示t时段燃气轮机i是否工作、启动、停止，是则置1，否则置0，为决策变量；n_j为燃气轮机i二次成本函数分段线性化后的段数；k_i,j为燃气轮机i第j段发电成本斜率；g_i,j,t为t时段燃气轮机i第j段出力，为决策变量；分别为燃气轮机i的启、停成本；g_i,t为t时段燃气轮机i出力；n_l为污染物数量；Q_i,l为燃气轮机i第l项污染物排放量；V_l、Y_l分别为第l项污染物环境价值、罚款数量级。

建立约束条件使电力系统满足燃气轮机约束、抽水蓄能电站约束和VPP内部功率平衡约束

1)燃气轮机约束。

${\mathrm{\μ}}_{i,t}^o-{\mathrm{\μ}}_{i,t-1}^o\≤{\mathrm{\μ}}_{i,t}^{su}$

${\mathrm{\μ}}_{i,t-1}^o-{\mathrm{\μ}}_{i,t}^o\≤{\mathrm{\μ}}_{i,t}^{sd}$

$0\≤g_{i,j,t}\≤g_{i,j}^{\max }{\mathrm{\μ}}_{i,t}^o$

$g_i^{\min }{\mathrm{\μ}}_{i,t}^o\≤g_{i,t}\≤g_i^{\max }{\mathrm{\μ}}_{i,t}^o$

$-r_i^d\≤g_{i,t}-g_{i,t-1}\≤r_i^u$

式中：分别为燃气轮机i最大、最小输出功率；为燃气轮机i第j段出力上限；分别为燃气轮机i向上、向下爬坡率。

2)抽水蓄能电站约束。

抽水蓄能电站由水泵和水轮机构成，现使用的抽水蓄能电站多数为可逆水泵水轮机，将上游水库的蓄水量等效成相应的蓄电量，则抽水蓄能电站的约束条件如下：

$0\≤g_t^c\≤g^{c,\max }{\mathrm{\μ}}_t^c$

$0\≤g_t^d\≤g^{d,\max }{\mathrm{\μ}}_t^d$

${\mathrm{\μ}}_t^c+{\mathrm{\μ}}_t^d=1$

0≤S_t≤S^max

S₀＝S_i

S_T＝S_f

$S_t=S_{t-1}+{\mathrm{\η}}^c{g}_t^c-\frac{g_t^d}{{\mathrm{\η}}^d}$

式中：分别为t时段水泵和水轮机输出功率，为决策变量；g^c,max、g^d,max分别为水泵和水轮机的最大输出功率；布尔变量分别表示t时段水泵、水轮机是否工作，是则置1，否则置0；S_t为t时段抽水蓄能电站等效储电量；S^max为抽水蓄能电站等效储电量上限；S_i、S_f分别为抽水蓄能电站始、末等效储电量；η^c、η^d分别为水泵和水轮机效率。

3)VPP内部功率平衡约束。

$\underset{w=1}{\overset{n_w}{\Σ}}{g}_{w,t}+\underset{s=1}{\overset{n_s}{\Σ}}{g}_{s,t}+\underset{i=1}{\overset{n_i}{\Σ}}{g}_{i,t}+g_t^d=L_t+P_t+g_t^c$

式中：n_w、n_s分别为风电机组和光伏机组数量；g_w,t、g_s,t分别为t时段风电机组w、光伏机组s输出功率。

进一步，步骤2包括以下步骤：

IGDT是一种处理不确定性的非概率且非模糊方法，可在概率分布和波动范围均未知的情况下量化不确定性，因此克服了基于概率方法的缺点。该方法在保证目标值处于可接受范围内的同时，最大化不确定变量的波动区间，从而使得达到目标值的可能性最大。

对于优化问题：

$\underset{x}{max}f(x,\mathrm{\γ})$

h(x,γ)＝0

$\underset{\‾}{g}\≤g(x,\mathrm{\γ})\≤\stackrel{\‾}{g}$

γ∈Γ

式中：f为目标函数；γ为不确定量；x为决策变量；h、g分别为等式和不等式约束；Г为不确定量的集合，可以表示为：

$\∀\mathrm{\γ}\∈\mathrm{\Γ}(\stackrel{\‾}{\mathrm{\γ}},\mathrm{\ζ})=\{\mathrm{\γ}:|\frac{\mathrm{\γ}-\stackrel{\‾}{\mathrm{\γ}}}{\stackrel{\‾}{\mathrm{\γ}}}|\≤\mathrm{\ζ}\}$

式中：为不确定量的预测值；ζ为不确定量的偏差系数。

将不确定量用预测值替代，即：

$\underset{x}{max}{f}^b(x,\stackrel{\‾}{\mathrm{\γ}})$

$h(x,\stackrel{\‾}{\mathrm{\γ}})=0$

$\underset{\‾}{g}\≤g(x,\stackrel{\‾}{\mathrm{\γ}})\≤\stackrel{\‾}{g}$

将所得的目标函数最优值设为基准值。若不确定量的实际值偏离预测值，所得到的优化结果也会偏离基准值。

根据决策方案的不同，IGDT分为RAS和RSS，决策者可根据实际情况选择所需策略。

RAS旨在最大化规避不确定性对优化结果的影响，在RAS中，决策者设定低于基准值的目标函数阈值，并以偏差系数最大为优化目标：

$\underset{x}{max}\widehat{\mathrm{\ζ}}$

h(x,γ)＝0

$\underset{\‾}{g}\≤g(x,\mathrm{\γ})\≤\stackrel{\‾}{g}$

式中：为最大不确定半径；Λ^c为目标函数的阈值，通常取为一定比例的基准值；为规避系数。

RSS倾向于在不确定性风险中寻找可能获得的最大收益，其以偏差系数最小为优化目标：

$\underset{x}{min}\widehat{\mathrm{\ζ}}$

h(x,γ)＝0

$\underset{\‾}{g}\≤g(x,\mathrm{\γ})\≤\stackrel{\‾}{g}$

式中：Λ^o为目标函数的阈值；为偏好系数

IGDT以单个不确定量的偏差系数为目标函数，因此无法适用于同时处理风电和光伏出力不确定性的情况，本文通过赋予风光出力偏差系数不同的权重，解决了上述问题：

ζ^w＝μ^wζ

ζ^s＝μ^sζ

μ^w+μ^s＝1

式中：ζ^w、ζ^s分别为风电和光伏出力偏差系数；μ^w、μ^s为偏差系数的权重。

进一步，步骤3包括以下步骤：

将电价随机规划模型所得的目标函数最优值设为基准值F^b，采用IGDT处理风光出力的不确定性，表示如下：

1)基于混合随机规划和RAS的VPP模型。

maxζ

$\underset{t=1}{\overset{T}{\Σ}}\underset{p=1}{\overset{n_p}{\Σ}}\mathrm{\π}\left(p\right)\×({\mathrm{\λ}}_{p,t}{P}_t+{\mathrm{\λ}}_t^1{L}_t-C_t^{gt})\≥{\mathrm{\Λ}}^c$

$g_{w,t}=g_{w,t}^f(1-{\mathrm{\ζ}}^w)$

$g_{s,t}=g_{s,t}^f(1-{\mathrm{\ζ}}^s)$

式中：F^c为RAS模型目标利润，亦为目标函数阈值；分别为风电和光伏出力预测值。

2)基于混合随机规划和RSS的VPP模型。

minζ

$g_{s,t}=g_{s,t}^f(1+{\mathrm{\ζ}}^s)\underset{t=1}{\overset{T}{\Σ}}\underset{p=1}{\overset{n_p}{\Σ}}\mathrm{\π}\left(p\right)\×({\mathrm{\λ}}_{p,t}{P}_t+{\mathrm{\λ}}_t^1{L}_t-C_t^{gt})\≥{\mathrm{\Λ}}^o$

$g_{w,t}=g_{w,t}^f(1+{\mathrm{\ζ}}^w)$

式中：F^o为RSS模型目标利润，即目标函数阈值。

为统一化RAS和RSS，方便后续分析，定义目标系数当所选策略为RAS时，当所选策略为RSS时，

进一步，步骤4包括以下步骤：

在IGDT模型中，决策者需设定风光出力权重、选择RAS或RSS策略以及对应的规避系数和偏好系数。决策方案不同，VPP面临的风险也不同。RAS能很好的规避不确定性带来的风险，规避系数越大，目标利润越小，VPP面临的风险也越小；RSS以面临更大的风险为代价寻求更多的获益，偏好系数越大，目标利润越大，风险性也越大。因此，建立合理的指标，量化VPP面临的风险，能更好的比较不同决策方案对应的风险程度，从而为决策者提供有效参考。系统风险的度量指标一般与失负荷量、失负荷持续时间等挂钩，本文主要考虑失负荷量，其对应的风险成本为：

$C_t^{ens}={\mathrm{\λ}}_t^{ens}{P}_t^{ens}$

式中：为t时段失负荷量，当VPP内供应电量大于需求电量时，相反，若VPP供电量不足以满足负荷和电力市场需求，则

$P_t^{ens}=L_t+P_t+g_t^c-\underset{w=1}{\overset{n_w}{\mathrm{\Σ}}}{g}_{w,t}-\underset{s=1}{\overset{n_s}{\mathrm{\Σ}}}{g}_{s,t}-\underset{i=1}{\overset{n_i}{\mathrm{\Σ}}}{g}_{i,t}-g_t^d$

式中：为t时段失负荷罚金，当VPP无法供给系统内负荷，需强制切除负荷时，需给予相应的补偿。由于不同时段失负荷对用户的影响程度不同，本文将失负荷罚金和电力市场电价挂钩：

${\mathrm{\λ}}_t^{ens}={\mathrm{\ω\λ}}_t^p$

式中：ω为风险系数，即失负荷罚金与电力市场电价的比值，视实际情况而定。

目标利润减去风险成本，即为考虑风险时VPP利润。

为计算VPP风险成本，采用蒙特卡罗方法模拟风光出力情况。由于每次蒙特卡罗模拟产生的场景不同，失负荷量也并不相同，选择任一场景来表征失负荷量都不尽合理。因此，本文采用期望值表示t时段VPP失负荷量，所得表达式如下：

$E\left(P_t^{ens}\right)=\underset{d=1}{\overset{n_d}{\Σ}}\left(\frac{1}{n_d}{P}_{d,t}^{ens}\right)$

式中：n_d为场景数；为t时段d场景失负荷量。

有益效果：本发明具有如下优点和技术效果：

(1)提供了一种虚拟电厂日前调度优化模型，通过赋予风电和光伏出力偏差系数不同的权重，解决了IGDT同时处理风光出力不确定性的问题，建立了混合随机规划和IGDT的VPP调度优化模型，该模型给决策者提供了更大的抉择空间，使VPP能够在更多情况下做出最优决策，从而提高VPP的利润；

(2)风险成本的引入量化了不同决策方案对应的风险，从而降低了不确定性决策的盲目性，为决策者选择最佳策略提供有效参考。

附图说明

图1为风电出力、光伏出力和负荷预测数据示意图；

图2为目标系数对VPP利润和风险成本的影响示意图；

图3为风险系数对VPP利润的影响示意图。

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。

下面以一个VPP为例，介绍本发明：

该VPP包括一台燃气轮机、一台风电机组、一台光伏机组、一座抽水蓄能电站和负荷。VPP调度周期为1天，分为24时段。燃气轮机采用TAU5670型号，具体数据如表1。电力市场电价和负荷电价见表2，风电出力、光伏出力和负荷预测数据见图1，风电和光伏出力预测误差均取为10％。

表1TAU5670燃气轮机参数

表2电力市场和负荷电价

风电和光伏出力权重的设定会影响到风光出力的区间范围，进而影响到VPP面临的风险。为探究风光出力偏差系数权重对风险成本的影响，选定风险系数ω＝1.5，将权重比μ^w/μ^s依次取为3:1、2:1、1:1、1:2、1:3，求解不同目标系数下VPP风险成本($)，所得结果如表3所示。

表3不同风光出力权重比下VPP风险成本

可以看出，相同的目标系数下，风光权重比取为1:1时，VPP的风险成本最小，并且，风光权重比偏离1:1越大，风险成本越大。因此，下文算例分析中，风光权重比均取为1:1。

目标系数的选取会影响到VPP目标利润和面临的风险，当风险成本ω＝1.5时，IGDT模型目标利润、风险成本和考虑风险时VPP利润随目标系数的变化情况如图2所示。可以看出，VPP目标利润随着目标系数的增大呈线性增加，而风险成本增速随目标系数的增大呈先慢后快趋势。当风险成本增速小于目标利润时，考虑风险时VPP利润增加；当风险成本增速大于目标利润时，考虑风险时VPP利润下降，当目标系数取为0.02时，即RSS偏好系数取为0.02时，考虑风险时VPP利润取到最大值11979.75$。这是由于目标系数的增大提高了VPP的经济性，因而目标利润增大，考虑风险时VPP利润有所提高，但同时也增加了VPP的风险性，表现为风险成本不断增大，当目标利润的增大不足以弥补风险带来的损失时，考虑风险时VPP利润降低。此外，图中目标系数为0点即电价随机规划模型结果，说明考虑VPP面临风险时，IGDT模型能有效提高VPP利润。

目标利润和风险成本存在平衡点，然而，风险成本与风险系数极为相关，本节给出了风险系数ω＝1.5，3，6时，考虑风险时VPP利润随目标系数的变化情况，如图3所示。可以看出，当风险系数ω＝1.5时，考虑风险时VPP利润在目标系数为0.02，即RSS偏好系数取为0.02时，取得最大值11979.75$；当风险系数ω＝3时，考虑风险时VPP利润在目标系数为-0.02，即RAS规避系数取为0.02时，达到最高点11621.06$；当风险系数ω＝6时，考虑风险时VPP利润在目标系数为-0.05，即RAS规避系数为0.05时，达到最高点11353.45$。这是由于风险系数越大，相同目标系数下VPP面临的风险也越大，表现为风险成本的增速更大，因此平衡点对应的目标系数更小。这也说明风险系数小时，RSS的适用性更强；风险系数大时，RAS的适用性更强。IGDT模型给决策者提供了更大的抉择空间，从而能够在不同风险系数下做出最优决策。

以上仿真结果验证了本发明所构模型有效性和实用性。该模型能给决策者提供了更大的抉择空间，使VPP能够在更多情况下做出最优决策，从而提高VPP的利润。并且，风险成本的引入降低了不确定性决策的盲目性，为决策者选择最佳策略提供有效参考。

Claims (5)

1.一种虚拟电厂日前调度优化模型，其特征在于：包括以下步骤：

步骤1：采用随机规划处理电价的不确定性，建立电价随机规划模型；

步骤2：分析和改进IGDT模型，采用IGDT处理风电和光伏出力的不确定性；

步骤3：建立混合随机规划和IGDT的VPP日前调度优化模型；

步骤4：建立合理的指标，量化VPP面临的风险。

2.根据权利要求1所述的虚拟电厂日前调度优化模型，其特征在于：所述步骤1包括以下步骤：

采用随机规划处理电价的不确定性，假设在电价波动范围内随机生成p组电价数据，在考虑p组电价的情况下所得的最优解即为电价随机规划的最优方案，目标函数模型为：

$max\underset{t=1}{\overset{T}{\Σ}}\underset{p=1}{\overset{n_p}{\Σ}}\mathrm{\π}\left(p\right)\×({\mathrm{\λ}}_{p,t}{P}_t+{\mathrm{\λ}}_t^1{L}_t-C_t^{gt})$

式中：T为总时段数；n_p为电价方案数；π(p)为第p组电价方案概率；λ_p,t为第p组方案t时段电力市场电价；P_t为t时段VPP在电力市场的交易量，为正表示售电量，为负表示购电量；为t时段负荷电价，表示VPP供给负荷所收取的费用；L_t为t时段负荷；为t时段燃气轮机成本，包括燃气轮机的运行、启停和环境成本，表示如下：

$C_t^{gt}=\underset{i}{\overset{n_i}{\Σ}}\left(\begin{array}{c}{k}_i{\mathrm{\μ}}_{i,t}^o+\underset{j=1}{\overset{n_j}{\mathrm{\Σ}}}{k}_{i,j}{g}_{i,j,t}+{\mathrm{\λ}}_i^{su}{\mathrm{\μ}}_{i,t}^{su}+{\mathrm{\λ}}_i^{sd}{\mathrm{\μ}}_{i,t}^{sd}\\ +g_{i,t}\underset{l=1}{\overset{n_l}{\mathrm{\Σ}}}{Q}_{i,l}(V_l+Y_l)\end{array}\right)$

$g_{i,t}=\underset{j=1}{\overset{n_j}{\Σ}}{k}_{i,j}{g}_{i,j,t}$

式中：n_i为燃气轮机数；k_i为燃气轮机i的固定成本；布尔变量分别表示t时段燃气轮机i是否工作、启动、停止，是则置1，否则置0，为决策变量；n_j为燃气轮机i二次成本函数分段线性化后的段数；k_i,j为燃气轮机i第j段发电成本斜率；g_i,j,t为t时段燃气轮机i第j段出力，为决策变量；分别为燃气轮机i的启、停成本；g_i,t为t时段燃气轮机i出力；n_l为污染物数量；Q_i,l为燃气轮机i第l项污染物排放量；V_l、Y_l分别为第l项污染物环境价值、罚款数量级；

建立约束条件使电力系统满足燃气轮机约束、抽水蓄能电站约束和VPP内部功率平衡约束

1)燃气轮机约束：

${\mathrm{\μ}}_{i,t}^o-{\mathrm{\μ}}_{i,t-1}^o\≤{\mathrm{\μ}}_{i,t}^{su}$

${\mathrm{\μ}}_{i,t-1}^o-{\mathrm{\μ}}_{i,t}^o\≤{\mathrm{\μ}}_{i,t}^{sd}$

$0\≤g_{i,j,t}\≤g_{i,j}^{\max }{\mathrm{\μ}}_{i,t}^o$

$g_i^{\min }{\mathrm{\μ}}_{i,t}^o\≤g_{i,t}\≤g_i^{\max }{\mathrm{\μ}}_{i,t}^o$

-r_i ^d≤g_i,t-g_i,t-1≤r_i ^u

式中：分别为燃气轮机i最大、最小输出功率；为燃气轮机i第j段出力上限；r_i ^u、r_i ^d分别为燃气轮机i向上、向下爬坡率；

2)抽水蓄能电站约束：

抽水蓄能电站由水泵和水轮机构成，现使用的抽水蓄能电站多数为可逆水泵水轮机，将上游水库的蓄水量等效成相应的蓄电量，则抽水蓄能电站的约束条件如下：

$0\≤g_t^c\≤g^{c,\max }{\mathrm{\μ}}_t^c$

$0\≤g_t^d\≤g^{d,\max }{\mathrm{\μ}}_t^d$

${\mathrm{\μ}}_t^c+{\mathrm{\μ}}_t^d=1$

0≤S_t≤S^max

S₀＝S_i

S_T＝S_f

$S_t=S_{t-1}+{\mathrm{\η}}^c{g}_t^c-\frac{g_t^d}{{\mathrm{\η}}^d}$

式中：分别为t时段水泵和水轮机输出功率，为决策变量；g^c,max、g^d,max分别为水泵和水轮机的最大输出功率；布尔变量分别表示t时段水泵、水轮机是否工作，是则置1，否则置0；S_t为t时段抽水蓄能电站等效储电量；S^max为抽水蓄能电站等效储电量上限；S_i、S_f分别为抽水蓄能电站始、末等效储电量；η^c、η^d分别为水泵和水轮机效率；

3)VPP内部功率平衡约束：

$\underset{w=1}{\overset{n_w}{\Σ}}{g}_{w,t}+\underset{s=1}{\overset{n_s}{\Σ}}{g}_{s,t}+\underset{i=1}{\overset{n_i}{\Σ}}{g}_{i,t}+g_t^d=L_t+P_t+g_t^c$

式中：n_w、n_s分别为风电机组和光伏机组数量；g_w,t、g_s,t分别为t时段风电机组w、光伏机组s输出功率。

3.根据权利要求1所述的虚拟电厂日前调度优化模型，其特征在于：所述步骤2包括以下步骤：

对于优化问题：

$\underset{x}{max}f(x,\mathrm{\γ})$

h(x,γ)＝0

$\underset{\‾}{g}\≤g(x,\mathrm{\γ})\≤\stackrel{\‾}{g}$

γ∈Γ

式中：f为目标函数；γ为不确定量；x为决策变量；h、g分别为等式和不等式约束；Г为不确定量的集合，可以表示为：

$\∀\mathrm{\γ}\∈\mathrm{\Γ}(\stackrel{\‾}{\mathrm{\γ}},\mathrm{\ζ})=\{\mathrm{\γ}:|\frac{\mathrm{\γ}-\stackrel{\‾}{\mathrm{\γ}}}{\stackrel{\‾}{\mathrm{\γ}}}|\≤\mathrm{\ζ}\}$

式中：为不确定量的预测值；ζ为不确定量的偏差系数；

将不确定量用预测值替代，即：

$\underset{x}{max}{f}^b(x,\stackrel{\‾}{\mathrm{\γ}})$

$h(x,\stackrel{\‾}{\mathrm{\γ}})=0$

$\underset{\‾}{g}\≤g(x,\stackrel{\‾}{\mathrm{\γ}})\≤\stackrel{\‾}{g}$

将所得的目标函数最优值设为基准值，若不确定量的实际值偏离预测值，所得到的优化结果也会偏离基准值；

根据决策方案的不同，IGDT分为RAS和RSS，决策者可根据实际情况选择所需策略；

RAS旨在最大化规避不确定性对优化结果的影响，在RAS中，决策者设定低于基准值的目标函数阈值，并以偏差系数最大为优化目标：

$\underset{x}{max}\widehat{\mathrm{\ζ}}$

h(x,γ)＝0

$\underset{\‾}{g}\≤g(x,\mathrm{\γ})\≤\stackrel{\‾}{g}$

式中：为最大不确定半径；Λ^c为目标函数的阈值，通常取为一定比例的基准值；为规避系数；

RSS倾向于在不确定性风险中寻找可能获得的最大收益，其以偏差系数最小为优化目标：

$\underset{x}{min}\widehat{\mathrm{\ζ}}$

h(x,γ)＝0

$\underset{\‾}{g}\≤g(x,\mathrm{\γ})\≤\stackrel{\‾}{g}$

式中：Λ^o为目标函数的阈值；为偏好系数；

IGDT以单个不确定量的偏差系数为目标函数，因此无法适用于同时处理风电和光伏出力不确定性的情况，本文通过赋予风光出力偏差系数不同的权重，解决了上述问题：

ζ^w＝μ^wζ

ζ^s＝μ^sζ

μ^w+μ^s＝1

式中：ζ^w、ζ^s分别为风电和光伏出力偏差系数；μ^w、μ^s为偏差系数的权重。

4.根据权利要求1所述的虚拟电厂日前调度优化模型，其特征在于：所述步骤3包括以下步骤：

将电价随机规划模型所得的目标函数最优值设为基准值F^b，采用IGDT处理风光出力的不确定性，表示如下：

1)基于混合随机规划和RAS的VPP模型：

maxζ

$\underset{t=1}{\overset{T}{\Σ}}\underset{p=1}{\overset{n_p}{\Σ}}\mathrm{\π}\left(p\right)\×({\mathrm{\λ}}_{p,t}{P}_t+{\mathrm{\λ}}_t^1{L}_t-C_t^{gt})\≥{\mathrm{\Λ}}^c$

$g_{w,t}=g_{w,t}^f(1-{\mathrm{\ζ}}^w)$

$g_{s,t}=g_{s,t}^f(1-{\mathrm{\ζ}}^s)$

式中：F^c为RAS模型目标利润，亦为目标函数阈值；分别为风电和光伏出力预测值；

2)基于混合随机规划和RSS的VPP模型：

minζ

$\underset{t=1}{\overset{T}{\Σ}}\underset{p=1}{\overset{n_p}{\Σ}}\mathrm{\π}\left(p\right)\×({\mathrm{\λ}}_{p,t}{P}_t+{\mathrm{\λ}}_t^1{L}_t-C_t^{gt})\≥{\mathrm{\Λ}}^o$

$g_{w,t}=g_{w,t}^f(1+{\mathrm{\ζ}}^w)$

$g_{s,t}=g_{s,t}^f(1+{\mathrm{\ζ}}^s)$

式中：F^o为RSS模型目标利润，即目标函数阈值；

为统一化RAS和RSS，方便后续分析，定义目标系数当所选策略为RAS时，当所选策略为RSS时，

5.根据权利要求1所述的虚拟电厂日前调度优化模型，其特征在于：所述步骤4包括以下步骤：

在IGDT模型中，决策者需设定风光出力权重、选择RAS或RSS策略以及对应的规避系数和偏好系数。决策方案不同，VPP面临的风险也不同。RAS能很好的规避不确定性带来的风险，规避系数越大，目标利润越小，VPP面临的风险也越小；RSS以面临更大的风险为代价寻求更多的获益，偏好系数越大，目标利润越大，风险性也越大；因此，建立合理的指标，量化VPP面临的风险，能更好的比较不同决策方案对应的风险程度，从而为决策者提供有效参考；系统风险的度量指标一般与失负荷量、失负荷持续时间等挂钩，本文主要考虑失负荷量，其对应的风险成本为：

$C_t^{ens}={\mathrm{\λ}}_t^{ens}{P}_t^{ens}$

式中：为t时段失负荷量，当VPP内供应电量大于需求电量时，相反，若VPP供电量不足以满足负荷和电力市场需求，则

$P_t^{ens}=L_t+P_t+g_t^c-\underset{w=1}{\overset{n_w}{\Σ}}{g}_{w,t}-\underset{s=1}{\overset{n_s}{\Σ}}{g}_{s,t}-\underset{i=1}{\overset{n_i}{\Σ}}{g}_{i,t}-g_t^d$

式中：为t时段失负荷罚金，当VPP无法供给系统内负荷，需强制切除负荷时，需给予相应的补偿。由于不同时段失负荷对用户的影响程度不同，本文将失负荷罚金和电力市场电价挂钩：

${\mathrm{\λ}}_t^{ens}={\mathrm{\ω\λ}}_t^p$

式中：ω为风险系数，即失负荷罚金与电力市场电价的比值；

目标利润减去风险成本，即为考虑风险时VPP利润；

为计算VPP风险成本，采用蒙特卡罗方法模拟风光出力情况，由于每次蒙特卡罗模拟产生的场景不同，失负荷量也并不相同，选择任一场景来表征失负荷量都不尽合理，因此，本文采用期望值表示t时段VPP失负荷量，所得表达式如下：

$E\left(P_t^{ens}\right)=\underset{d=1}{\overset{n_d}{\Σ}}\left(\frac{1}{n_d}{P}_{d,t}^{ens}\right)$

式中：n_d为场景数；为t时段d场景失负荷量。