CN108711887A - 一种考虑虚拟电厂渗透背景下的电力系统优化调度系统 - Google Patents

Abstract

本发明涉及一种考虑虚拟电厂渗透背景下的电力系统优化调度系统，属于电力系统优化调度技术领域。包括依次相连的数据库模块、输入模块、分析评估模块、输出模块，数据库模块包含风电机组库、虚拟电厂配置库、电价数据库和风险、概率库；输入模块从风电机组库获取单台机组额定功率、机组台数、渗透率、风速参数数据，从虚拟电厂配置库获取充放电功率、充放电速率、储能设备SOC极限数据；分析评估模块通过虚拟电厂内部调度子模块以及电力系统优化调度子模块进行电力系统优化调度；输出模块输出电力系统优化调度结果，包括系统运行成本与CVaR最优前沿集，基于虚拟电厂的分布式可再生能源调度在降低系统风险的同时也提高了系统的经济性。

Description

一种考虑虚拟电厂渗透背景下的电力系统优化调度系统

技术领域

本发明涉及一种考虑虚拟电厂渗透背景下的电力系统优化调度系统，属于电力系统优化调度技术领域。

背景技术

清洁环保的可再生能源在电力系统中的渗透率不断提升。随着智能电网技术的发展，越来越多的分布式可再生能源接入电力系统运行。风电是最具商业潜力及发展前景的可再生能源之一。

近年来，随着化石能源储量的减少及环境保护意识的提高，可再生能源在电力系统中的渗透率不断提高。其中，风电作为技术最为成熟且最具有商业价值的可再生能源，其在电力系统中的应用具有广阔的发展前景。作为可再生能源，风力发电受环境和气候因素影响巨大，其出力具有很强的波动性和不确定性，对电力系统调度和运行带来重要影响。专家和学者对此进行了大量研究，主要包括风电并网后，电力系统的日前能量调度以及调频、备用等辅助服务决策。

相比大规模风电场，分布式风电在系统运行中具有更加灵活且靠近负荷中心的特点，是大电网的有益补充。分布式风电在电力系统中的应用正不断增加。但单个分布式电源容量较小，且往往位于配电网末端而难以对其进行有效地调度。

经对现有文献进行检索发现，现有文献中，薛禹胜、雷兴、薛峰等在《关于风电不确定性对电力系统影响的评述》中探讨了风电出力具波动性和不确定性对电力系统调度和运行带来的影响；李静、韦巍、辛焕海等在《基于概率潮流的风电分布式电源优化配置》中在电源的优化配置方面对分布式风电进行了相关研究主要；邓佳佳在《考虑分布式能源的电力系统优化运营模型研究》探讨了风电出力不确定性对系统安全和电能质量的影响；调度运行方面，吴雄、王秀丽、李骏等在《风电储能混合系统的联合调度模型及求解》中对分布式电源接入电网后系统的有功调度进行了研究，而没有分析分布式风电并网后功率与辅助服务的联合优化调度；许佳佳在《基于虚拟发电厂的分布式电源调度管理模式的研究》对储能设备与分布式风电构成虚拟电厂参与系统优化调度的运行方式进行了分析，并研究了虚拟电厂运行的经济性，但并未计及风电出力的不确定性；李军军、吴政球、谭勋琼等在《风力发电及其技术发展综述》对计及虚拟电厂参与的电力系统能量优化调度进行了分析，但并未将虚拟电厂的辅助服务考虑在内。

发明内容

本发明的目的在于克服现有电力系统优化调度系统存在的上述缺陷，提出了一种考虑虚拟电厂渗透背景下的电力系统优化调度系统。

本发明是采用以下的技术方案实现的：

一种考虑虚拟电厂渗透背景下的电力系统优化调度系统，包括依次相连的数据库模块、输入模块、分析评估模块、输出模块，所述的数据库模块包含风电机组库、虚拟电厂配置库、电价数据库和风险、概率库；所述的输入模块从所述风电机组库获取单台机组额定功率、机组台数、渗透率、风速参数数据，从所述虚拟电厂配置库获取充放电功率、充放电速率、储能设备SOC极限数据；所述的分析评估模块通过虚拟电厂内部调度子模块以及电力系统优化调度子模块进行电力系统优化调度；所述的输出模块输出电力系统优化调度结果，包括系统运行成本与CVaR最优前沿集。

进一步地，所述的虚拟电厂内部调度子模块包含风力发电机组及储能设备子单元和虚拟电厂子单元，所述的电力系统优化调度子模块包括优化调度子单元与风险管理子单元。

进一步地，所述的风力发电机组的出力主要受到风速和风电机组功率特性两方面的影响，所述的风电机组的输出功率：

式中：v_w为风速；P_w为风电机组输出的有功功率；v_ci为风电机组的切入风速；v_co为风电机组的切出风速；v_r为风电机组的额定风速；P_r为风电机组的额定功率；

所述的风速：

v_w,t＝v_wa,t+Δv_w,t

v_wa,t＝v_wf,t+Δv_wf,t

式中：v_w,t是t时刻的实际风速；v_wa,t为平均预测风速；Δv_w,t为平均风速预测误差；v_wf,t为预测风速；Δv_wf,t为风速预测误差；所述的风速预测误差Δv_wf,t服从正态分布N(0,δ²)；平均风速预测误差Δv_w,t服从正态分布N(v_wa,t,δ²)，其中δ_w＝H·v_wa,t，式中H为风速的湍流强度。

进一步地，所述的储能设备子单元的电池荷电状态：

式中：C_SOC,t为t时刻的荷电状态；u_t-1为t-1时刻储能设备的充、放电状态参数，充电时，u_t-1＝1，放电时u_t-1＝0；分别为t-1时刻储能设备的充、放电功率；η^C、ηD分别为储能设备的充、放电效率。

进一步地，所述虚拟电厂子单元的调度目标是其运营效益最大：

式中：f_VPP为虚拟电厂的运行总收益；P_t ^VPP、B_t ^VPP分别为虚拟电厂t时刻的出力及备用容量；分别为系统向虚拟电厂支付的功率及备用容量价格；分别为储能设备充、放电造成的设备损耗成本及虚拟电厂的运行维护成本；T是总时段数。

进一步地，所述的虚拟电厂子单元中，虚拟电厂的功率平衡约束及出力约束为：

式中：为虚拟电厂中分布式风电的装机容量；为虚拟电厂中储能设备的最大放电容量；

为保障电力系统的安全稳定运行，对所述的虚拟电厂进行备用容量限制：

式中：为系统的总备用容量。

进一步地，所述的电力系统优化调度子模块以系统运行成本最小的目标函数为：

minf_sys＝C_Σ＝C_E+C_B+C_L

式中：f_sys为电力系统综合调度模型的目标函数；C_Σ是系统调度运行总成本；C_E为发电成本；C_B为备用购买成本；C_L为系统的停电损失。

所述的发电成本C_E：

所述的备用购买成本C_B：

式中：a_i、b_i为常规发电机组i的发电成本系数；m_i、n_i为常规发电机组i的备用报价系数 (假设系统以发电机组的备用报价向其购买备用容量)；P_i,t、B_i,t分别为常规发电机组i在t时刻的出力及提供的备用容量；N是系统中常规发电机组台数。

所述的系统的停电损失C_L：

其中：

式中：为系统在t时刻的系统功率缺额；为由系统单位功率缺额造成的经济损失；为t时刻系统的总负荷。

进一步地，所述的电力系统优化调度子模块的优化模型的约束条件包括常规机组的运行及备用约束，

所述的机组运行约束为：

P_i,min≤P_i,t≤P_i,max

式中：P_i,min和P_i,max分别为机组i出力的下限和上限；为机组i的爬坡速率。

所述的备用约束为：

B_i,min≤B_i,t≤B_i,max

式中：B_i,min、B_i,max分别为机组备用容量的上、下限。

所述的机组备用容量的上限B_i,min、下限B_i,max由机组实际出力P_i,t及机组出力的上、下限 P_i,_max和P_i,min、机组爬坡速率共同决定：

B_i,min＝max(P_i,t-P_i,max,0)

进一步地，所述风险管理子单元对所述系统调度运行总成本C_Σ利用条件风险价值CVaR 进行衡量和管理，用风险厌恶系数k，所述的电力系统综合调度模型可改写为：

minf_sys＝C_Σ+k·φ_β

选定置信水平c，VaRc和CVaRc的计算公式为：

V_c＝V₀|{prob(C_Σ≤V₀)＝c}

C_βc＝E[C_Σ|C_Σ＞V_c]

式中：

V₀代表VaR，V_c与C_βc分别表示在置信水平c下的VaRc和CVaRc；prob(C_Σ≤V₀)表示系统调度运行总成本C_Σ不高于VaR的概率；CVaRc是高于VaRc的C_Σ的条件均值。

本发明的有益效果是：

本发明同时考虑了功率及备用容量的优化调度，并利用条件风险价值(Conditional Value at Risk，CVaR)对系统运行成本进行风险管理，不需对电网的结构进行改善，虚拟电厂更适用于地理聚集程度较低的可再生分布式能源的调度和管理，相较于常规的风-储联合运行模式，基于虚拟电厂的分布式可再生能源调度在降低系统风险的同时也提高了系统的经济性。

附图说明

图1本发明的系统框图。

图2是实施例1考虑虚拟电厂参与的电力系统调度结构示意图。

图3是本发明的实施例2预测平均风速及负荷曲线图。

图4是本发明的实施例2系统运行成本及CVaR最优前沿集。

图5是本发明的实施例2中常规机组出力。

图6是本发明的实施例2中常规机组提供的备用容量。

图7是本发明的实施例2中不同分布式风电渗透率下的系统运行成本及CVaR。

图8是本发明的实施例2中IEEE30系统接线图。

图中：1数据库模块；2输入模块；3分析评估模块；4输出模块；

11风电机组库；12虚拟电厂配置库；13电价数据库；14风险、概率库；

21单台机组额定功率；22机组台数；23渗透率；24风速参数数据；25充放电效率；26充放电功率；27储能设备SOC极限数据；

31风力发电机组；32虚拟电厂子单元；33优化调度子单元；34风险管理子单元；35虚拟电厂内部调度子模块；36电力系统优化调度子模块；37储能设备子单元。

具体实施方式

下面结合附图对本发明作进一步说明。

实施例1

如附图1所示，本发明所述的考虑虚拟电厂渗透背景下的电力系统优化调度系统，包括数据库模块1、输入模块2、分析评估模块3、输出模块4，所述的数据库模块1、输入模块2、分析评估模块3和输出模块4依次连接；

所述的数据库模块1包含风电机组库11、虚拟电厂配置库12、电价数据库13和风险、概率库14；所述的输入模块2从数据库模块1中风电机组库11获取单台机组额定功率21、机组台数22、渗透率23、风速参数数据24，从虚拟电厂配置库12获取充放电效率25、充放电功率26、储能设备SOC极限数据27，进行电力系统优化调度计算，输出电力系统优化调度结果。

所述的分析评估模块3通过包含风力发电机组31及储能设备子单元37和虚拟电厂子单元32的虚拟电厂内部调度子模块35以及包括优化调度子单元33与风险管理子单元34的电力系统优化调度子模块36进行电力系统优化调度计算。

所述的分析评估模块3中虚拟电厂内部调度子模块35包含风力发电机组31及储能设备子单元37。风力发电机组31的出力主要受到风速和风电机组功率特性两方面的影响。

所述的风电机组的输出功率：

式中：v_w为风速；P_w为风电机组输出的有功功率；v_ci为风电机组的切入风速；v_co为风电机组的切出风速；v_r为风电机组的额定风速；P_r为风电机组的额定功率。

所述的风力发电机组31及储能设备子单元37中，风速受到众多地理、气候等自然因素的影响。考虑风速的不确定性，通过概率模型描述风速波动的短期随机性。

所述的风速模型：

v_w,t＝v_wa,t+Δv_w,t

v_wa,t＝v_wf,t+Δv_wf,t

式中：v_w,t是t时刻的实际风速；v_wa,t为平均预测风速；Δv_w,t为平均风速预测误差；v_wf,t为预测风速；Δv_wf,t为风速预测误差。

所述的风速预测误差Δv_wf,t服从正态分布N(0,δ²)；平均风速预测误差Δv_w,t服从正态分布 N(v_wa,t,δ²)，其中δ_w＝H·v_wa,t。式中H为风速的湍流强度。

所述的风力发电机组31及储能设备子单元37中，储能设备与分布式风力互补运行，可充分弥补风电出力的不确定性和波动性，保障虚拟电厂出力和运行的可靠性。储能设备最重要的特征是电池荷电状态(state of charge，SOC)。

所述的电池荷电状态：

式中：C_SOC,t为t时刻的荷电状态；u_t-1为t-1时刻储能设备的充、放电状态参数，充电时，u_t-1＝1，放电时u_t-1＝0；分别为t-1时刻储能设备的充、放电功率；η^C、η^D分别为储能设备的充、放电效率。

为了保障储能设备的使用寿命，SOC及充放电功率必须维持在一定范围内。

所述的SOC和充放电功率的约束条件为：

0＜C_SOC,min≤C_SOC,t≤C_SOC,max＜1

式中：C_SOC,min、C_SOC,max分别为储能设备SOC的下限及上限；和分别为储能设备的充、放电爬坡速率。

所述的分析评估模块3中虚拟电厂子单元32在参与电力系统调度提供电能的同时，由于储能设备的可控性，允许虚拟电厂同时提供一定的备用容量。

所述的虚拟电厂自身的调度目标是其运营效益最大：

式中：f_VPP为虚拟电厂的运行总收益；P_t ^VPP、B_t ^VPP分别为虚拟电厂t时刻的出力及备用容量；分别为系统向虚拟电厂支付的功率及备用容量价格；分别为储能设备充、放电造成的设备损耗成本及虚拟电厂的运行维护成本；T是总时段数，取T＝24。

所述的虚拟电厂子单元32中，所述的虚拟电厂的功率平衡约束及出力约束：

式中：为虚拟电厂中分布式风电的装机容量；为虚拟电厂中储能设备的最大放电容量。

为保障电力系统的安全稳定运行，对所述的虚拟电厂进行备用容量限制：

式中：为系统的总备用容量。

由此，便在分布式风电机组及储能设备模型的基础上建立了虚拟电厂以自身效益最大化为目标的运行调度模型。

由于电力系统可将虚拟电厂作为常规电厂进行统一调度和管理，因此所述的分析评估模块3中电力系统优化调度子模块36将虚拟电厂作为常规电厂进行统一调度和管理，同时考虑能量及辅助服务(仅考虑向上备用容量)。

所述的以系统运行成本最小的目标函数：

minf_sys＝C_Σ＝C_E+C_B+C_L

式中：f_sys为电力系统综合调度模型的目标函数；C_Σ是系统调度运行总成本；C_E为发电成本；C_B为备用购买成本；C_L为系统的停电损失。

所述的分析评估模块3中电力系统优化调度子模块36以系统运行成本最小的目标函数，包括发电成本C_E、备用购买成本C_B和系统的停电损失C_L。

所述的发电成本：

所述的备用购买成本：

式中：a_i、b_i为常规发电机组i的发电成本系数；m_i、n_i为常规发电机组i的备用报价系数(假设系统以发电机组的备用报价向其购买备用容量)；P_i,t、B_i,t分别为常规发电机组i在t时刻的出力及提供的备用容量；N是系统中常规发电机组台数。

所述的系统的停电损失：

其中：

式中：D_t为系统在t时刻的系统功率缺额；λ_t ^EENS为由系统单位功率缺额造成的经济损失； P_t ^L为t时刻系统的总负荷。

所述的分析评估模块3中电力系统优化调度子模块36以系统运行成本最小的目标函数，由于停电损失被计入目标函数，因此不再对系统运行的可靠性进行约束，而通过系统调度运行的经济性进行自动调节。因此，系统调度优化模型的约束条件仅包括常规机组的运行及备用约束。

所述的机组运行约束：

P_i,min≤P_i,t≤P_i,max

式中：P_i,min和P_i,max分别为机组i出力的下限和上限；为机组i的爬坡速率。

所述的备用约束：

B_i,min≤B_i,t≤B_i,max

式中：B_i,min、B_i,max分别为机组备用容量的上、下限。

所述的机组备用容量的上限B_i,min、下限B_i,max由机组实际出力P_i,t及机组出力的上、下限 P_i,max和P_i,min、机组爬坡速率共同决定：

B_i,min＝max(P_i,t-P_i,max,0)

所述的分析评估模块3中电力系统优化调度子模块36包括风险管理子单元34。由于虚拟电厂的出力受到风电出力不确定性的影响，同时计及系统负荷的波动，电力系统的系统调度运行总成本C_Σ是一个随机量，因此利用条件风险价值CVaR对其进行衡量和管理，CVaR作为优于方差的风险计量指标，具有凸性，可以进行一致性风险测量。

利用风险厌恶系数k，所述的电力系统综合调度模型可改写为：

minf_sys＝C_Σ+k·φ_β

式中：CVaR可由风险价值VaR(Value at Risk)计算得到。

选定置信水平c，所述的VaRc和CVaRc：

V_c＝V₀|{prob(C_Σ≤V₀)＝c}

C_βc＝E[C_Σ|C_Σ＞V_c]

式中：

V₀代表VaR，V_c与C_βc分别表示在置信水平c下的VaR和CVaR，即VaRc和CVaRc；上式prob(C_Σ≤V₀)表示系统调度运行总成本C_Σ不高于VaR的概率；下式表示CVaRc是高于VaRc的系统调度运行总成本C_Σ的条件均值。

建立的考虑虚拟电厂参与的可再生分布式能源渗透背景下电力系统的优化调度模型结构如附图2所示，在模型求解过程中，首先使用蒙特卡洛模拟生成风电及负荷场景，并使用粒子群算法(particle swarm optimization，PSO)进行求解。

实施例2

本实例将考虑虚拟电厂的分布式可再生能源渗透背景下电力系统优化调度平台应用于 IEEE 30系统，系统接线如附图8所示，对考虑虚拟电厂参与的分布式可再生能源渗透背景下电力系统调度模型进行验证。系统中有6台常规发电机组，相关参数见表1。平均预测风速及负荷曲线如附图3所示。

表1常规发电机组参数

虚拟电厂的分布式风电机组单台额定功率为1.5MW，接入台数为50台，渗透率10％。风电机组的切入、切出及额定风速分别是3m/s、25m/s及15m/s。风速预测相关参数δ²及H 均为0.15。虚拟电厂配置与风险机组总容量相等的储能设备，充、放电效率均为80％，充、放电功率是储能安装总容量的20％，储能设备SOC上、下限分别为0.9和0.2。条件风险价值CVaR的置信水平α取为0.95。

调整系统调度的风险厌恶系数k从0开始逐步增大，通过Pareto方法得到的系统运行成本与CVaR最优前沿集如附图4所示。

如附图4所示，调整风险厌恶系数k，系统运行成本及CVaR均具有较大的变化幅度。这说明考虑虚拟电厂的电力系统调度在系统运行成本和条件风险价值的调节上具有较大灵活性。随着风险厌恶系数β的增加，系统运行成本升高，条件风险价值降低。曲线左侧陡度较大，可见在系统运行成本较小时，随着系统运行成本的提高，条件风险价值降低较快，反之亦成立。k＝0.5时，系统中常规机组的出力及备用情况如附图5与附图6所示。

分布式可再生能源接入电力系统时，除单独运行，常配置储能设备以平抑其出力的波动性和不确定性，但此时分布式电源与储能设备独立运行。取β＝0.2，以上两种运营模式与虚拟电厂运营模式下电力系统的运行情况的对比结果如表2所示。

表2中对比了不同风电渗透率下分布式风电独立运行、配置储能设备运行及与储能设备构成虚拟电厂运行三种模式下的系统调度成本及CVaR值。可见，以虚拟电厂模式组织分布式风电与储能设备联合运行与分布式风电的两种常规调度模式相比，可同时降低系统的运行成本及风险。随着风电渗透率的提高，这种效果则更加明显。

表2三种分布式电源运行模式下电力系统运行成本及CVaR

需要注意的是，虽然与储能设备联合运行或采用虚拟电厂模式均可一定程度上降低分布式风电接入带来的风险及成本，为了保持系统的稳定性，风电在系统中的渗透率不可一味提高。

分布式风电在接入电力系统运行时，一方面提升了系统的总装机容量，可替代部分常规机组发电降低系统运行成本；另一方面由于其出力的波动性及不确定性，系统的备用要求被提高从而造成系统运行成本增加。对比附图7中不同风电渗透率下考虑虚拟电厂参与的电力系统运行成本及风险，风电渗透率提高时，保持风险水平不变则需提升系统运行成本；而保持系统运行成本不变，则系统运行的风险会上升。

通过本实施例的验证，可知考虑虚拟电厂的分布式可再生能源渗透背景下电力系统优化调度平台通过考虑虚拟电厂的参与，在分布式可再生能源渗透背景下，建立了计及系统运行中的能量与备用优化调度，以及系统调度的经济性及风险的电力系统调度模型，与风-储常规联合运行相比，以虚拟电厂模式组织分布式风电与储能设备联合运行以及分布式风电的两种常规调度模式相比，可以同时降低系统的运行成本及风险。随着风电渗透率的提高，这种效果则更加明显，通过IEEE 30节点系统对考虑虚拟电厂的分布式可再生能源渗透背景下电力系统优化调度平台中电力系统调度模型进行验证，表明了平台的可行性和有效性。

当然，上述内容仅为本发明的较佳实施例，不能被认为用于限定对本发明的实施例范围。本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的均等变化与改进等，均应归属于本发明的专利涵盖范围内。

Claims (9)

1.一种考虑虚拟电厂渗透背景下的电力系统优化调度系统，其特征在于，包括依次连接的数据库模块(1)、输入模块(2)、分析评估模块(3)、输出模块(4)，所述的数据库模块(1)包含风电机组库(11)、虚拟电厂配置库(12)、电价数据库(13)和风险、概率库(14)；所述的输入模块(2)从所述风电机组库(11)获取单台机组额定功率(21)、机组台数(22)、渗透率(23)、风速参数数据(24)，从所述虚拟电厂配置库(12)获取充放电功率(26)、充放电效率(25)、储能设备SOC极限数据(27)；所述的分析评估模块(3)通过虚拟电厂内部调度子模块(35)以及电力系统优化调度子模块(36)进行电力系统优化调度；所述的输出模块(4)输出电力系统优化调度结果，包括系统运行成本与CVaR最优前沿集。

2.根据权利要求1所述的电力系统优化调度系统，其特征在于：所述的虚拟电厂内部调度子模块(35)包含风力发电机组(31)及储能设备子单元(37)和虚拟电厂子单元(32)，所述的电力系统优化调度子模块(36)包括优化调度子单元(33)与风险管理子单元(34)。

3.根据权利要求2所述的电力系统优化调度系统，其特征在于：所述的风力发电机组(31)的出力主要受到风速和风电机组功率特性两方面的影响，所述的风电机组的输出功率：

式中：v_w为风速；P_w为风电机组输出的有功功率；v_ci为风电机组的切入风速；v_co为风电机组的切出风速；v_r为风电机组的额定风速；P_r为风电机组的额定功率；

所述的风速：

v_w,t＝v_wa,t+Δv_w,t

v_wa,t＝v_wf,t+Δv_wf,t

式中：v_w,t是t时刻的实际风速；v_wa,t为平均预测风速；Δv_w,t为平均风速预测误差；v_wf,t为预测风速；Δv_wf,t为风速预测误差；所述的风速预测误差Δv_wf,t服从正态分布N(0,δ²)；平均风速预测误差Δv_w,t服从正态分布N(v_wa,t,δ²)，其中δ_w＝H·v_wa,t，式中H为风速的湍流强度。

4.根据权利要求2所述的电力系统优化调度系统，其特征在于：所述的储能设备子单元(37)的电池荷电状态：

式中：C_SOC,t为t时刻的荷电状态；u_t-1为t-1时刻储能设备的充、放电状态参数，充电时，u_t-1＝1，放电时u_t-1＝0；分别为t-1t-1时刻储能设备的充、放电功率；η^C、η^D分别为储能设备的充、放电效率。

5.根据权利要求2所述的电力系统优化调度系统，其特征在于：

所述虚拟电厂子单元(32)的调度目标是其运营效益最大：

式中：f_VPP为虚拟电厂的运行总收益；P_t ^VPP、分别为虚拟电厂t时刻的出力及备用容量；分别为系统向虚拟电厂支付的功率及备用容量价格；分别为储能设备充、放电造成的设备损耗成本及虚拟电厂的运行维护成本；T是总时段数。

6.根据权利要求2所述的电力系统优化调度系统，其特征在于：

所述的虚拟电厂子单元(32)中，虚拟电厂的功率平衡约束及出力约束为：

式中：为虚拟电厂中分布式风电的装机容量；为虚拟电厂中储能设备的最大放电容量；

为保障电力系统的安全稳定运行，对所述的虚拟电厂进行备用容量限制：

式中：为系统的总备用容量。

7.根据权利要求2所述的电力系统优化调度系统，其特征在于：

所述的电力系统优化调度子模块(36)以系统运行成本最小的目标函数为：

minf_sys＝C_Σ＝C_E+C_B+C_L

式中：f_sys为电力系统综合调度模型的目标函数；C_Σ是系统调度运行总成本；C_E为发电成本；C_B为备用购买成本；C_L为系统的停电损失。

所述的发电成本C_E：

所述的备用购买成本C_B：

式中：a_i、b_i为常规发电机组i的发电成本系数；m_i、n_i为常规发电机组i的备用报价系数(假设系统以发电机组的备用报价向其购买备用容量)；P_i,t、B_i,t分别为常规发电机组i在t时刻的出力及提供的备用容量；N是系统中常规发电机组台数(22)。

所述的系统的停电损失C_L：

其中：

式中：为系统在t时刻的系统功率缺额；为由系统单位功率缺额造成的经济损失；P_t ^L为t时刻系统的总负荷。

8.根据权利要求2所述的电力系统优化调度系统，其特征在于：

所述的电力系统优化调度子模块(36)的优化模型的约束条件包括常规机组的运行及备用约束，所述的机组运行约束为：

P_i,min≤P_i,t≤P_i,max

式中：P_i,min和P_i,max分别为机组i出力的下限和上限；为机组i的爬坡速率。

所述的备用约束为：

B_i,min≤B_i,t≤B_i,max

式中：B_i,min、B_i,max分别为机组备用容量的上、下限。

所述的机组备用容量的上限B_i,min、下限B_i,max由机组实际出力P_i,t及机组出力的上、下限P_i,max和P_i,min、机组爬坡速率共同决定：

B_i,min＝max(P_i,t-P_i,max,0)

。

9.根据权利要求2所述的电力系统优化调度系统，其特征在于：

所述风险管理子单元(34)对所述系统调度运行总成本C_Σ利用条件风险价值CVaR进行衡量和管理，用风险厌恶系数k，所述的电力系统综合调度模型可改写为：

minf_sys＝C_Σ+k·φ_β

选定置信水平c，VaRc和CVaRc的计算公式为：

V_c＝V₀|{prob(C_Σ≤V₀)＝c}

C_βc＝E[C_Σ|C_Σ＞V_c]

式中：

V₀代表VaR，V_c与C_βc分别表示在置信水平c下的VaRc和CVaRc；prob(C_Σ≤V₀)表示系统调度运行总成本C_Σ不高于VaR的概率；CVaRc是高于VaRc的C_Σ的条件均值。