CN108875992B - 一种考虑需求响应的虚拟电厂日前优化调度方法 - Google Patents

Abstract

本发明公开了一种考虑需求响应的虚拟电厂日前优化调度方法。包括以下步骤：1)根据历史信息估计可再生分布式电源出力的概率密度参数；2)以虚拟电厂进行需求响应前后的收益变化量计算两种需求响应的响应成本；3)采用概率形式的机会约束描述可再生分布式电源和需求响应的不确定性，以最大化虚拟电厂收益为目标建立基于机会约束条件的优化调度模型并利用一种基于微生物行为机制的粒子群优化算法进行求解。以将分布式电源以虚拟电厂的形式整合起来接入电网，能突破微电网的地理位置局限，实现不同地区、不同种类、不同容量的分布式电源协调调度；采用基于微生物共生机制的粒子群优化算法对优化模型进行求解，显著提高算法的全局收敛性和收敛速度。

Description

一种考虑需求响应的虚拟电厂日前优化调度方法

技术领域

本发明属于智能电网领域，特别涉及一种考虑需求响应的虚拟电厂日前优化调度方法。

背景技术

如今，分布式电源因其良好的环保性、可靠性、灵活性等特点受到了广泛的关注，配电网中分布式电源的接入量日渐增多。然而，分布式电源在具有以上优点的同时，还需面对容量小、数量多、接入位置分散、发电不确定性等缺点，大量分布式电源的接入为配电网的优化运行带来了新的挑战。现阶段，分布式电源通常以微电网的形式接入配电网来实现对分布式电源出力的有效管理，而微电网会受到地理位置的限制，对规模大、分散广泛的分布式电源的有效利用存在一定的局限性。虚拟电厂作为基于先进通信技术和协调控制技术的另一种整合分布式电源的方式，能够打破地理位置的限制，实现不同地区、不同种类、不同容量的分布式电源协调调度。

虚拟电厂被定义为一种由众多分布式能源组成的集成性电厂，其中，分布式能源包括分布式电源、分布式储能装置、分布式需求响应资源。一方面，由于需求侧用户负荷会受生产生活、突发事件等诸多不确定因素的影响，需求侧响应会表现出不确定的情况，另一方面，分布式电源中的可再生分布式电源出力受到环境因素的影响，也会存在出力的随机性和不确定性。如何平衡虚拟电厂中分布式电源和需求响应的不确定性，整合分布式电源的出力以及需求侧管理，提高虚拟电厂的经济效益，是虚拟电厂优化调度需要解决的重要问题。

发明内容

本发明所解决的技术问题是提供了一种考虑需求响应的虚拟电厂日前优化调度方法。

实现本发明目的的技术解决方案为：一种考虑需求响应的虚拟电厂日前优化调度方法，包括以下步骤：

步骤一、虚拟电厂控制中心根据其内部各可再生分布式电源所在地区风速、光照强度、温度等历史数据信息，估计风力分布式电源、光伏分布式电源出力的概率密度函数模型参数，得到概率密度模型；

以二参数的Weibull分布拟合风速概率密度，进一步得到风力分布式电源出力概率密度，以二参数的Beta分布拟合光照强度概率密度，进一步得到风力分布式电源出力概率密度。

步骤二、将虚拟电厂中的需求侧资源分为基于激励的需求响应和基于价格的需求响应，以虚拟电厂进行需求响应前后的收益变化量计算两种需求响应成本；对于基于激励的需求响应成本的计算，首先根据历史负荷信息，预测出基于激励的需求响应的总负荷量，以此为需求响应前的基准负荷，得到进行需求响应前的售电收益，再由虚拟电厂控制中心给定的需求响应负荷削减量计算需求响应后的售电收益，最后得到基于激励的需求响应成本，考虑到基于激励的需求响应是由用户在接收到虚拟电厂控制中心的中断命令后进行切负荷动作，在这个过程中，由于用户的主观因素，使得最终的负荷削减量存在不确定性，需要根据历史数据，估计出需求响应偏差的概率密度函数，负荷实际削减量为控制中心确定削减量与负荷削减偏差量之和。

对于基于价格的需求响应成本的计算，首先根据历史负荷信息，预测出基于价格的需求响应的总负荷量，以此为需求响应前的基准负荷，再由虚拟电厂控制中心确定售电价格的变化量，通过需求价格弹性系数得到需求响应的负荷变化量，由负荷变化量得到基于价格的需求响应成本，同样考虑在基于价格的需求响应过程中存在不确定性，根据历史数据，估计出基于价格的需求响应偏差的概率密度函数，负荷实际削减量为由虚拟电厂控制中心电价变化量引起的负荷削减量与负荷削减偏差量之和。

步骤三、考虑需求响应负荷削减量及可再生分布式能源出力的不确定性，以最大化虚拟电厂收益为目标建立优化模型，进行虚拟电厂日前经济优化调度；

建立以虚拟电厂收益最大为目标的优化模型，控制变量包括可控分布式电源出力、储能装置充放电功率、基于激励的需求响应负荷削减量和基于价格的需求响应电价变化量为主的决策变量，以及可再生分布式电源出力和需求响应负荷削减偏差量为主的随机变量，并采用概率形式的机会约束描述可再生分布式电源和需求响应的不确定性，利用蒙特卡洛随机模拟方法对机会约束进行处理。

采用一种基于微生物共生机制的粒子群优化算法对所建立的模型进行求解，该算法将微生物中的兼性共生行为引入粒子群优化算法中，将粒子分为寄生粒子群和宿主粒子群两类，通过两种群间的兼性共生行为算子提高粒子群算法的全局收敛能力和收敛速度。

本发明与现有技术相比，其显著优点为：(1)本发明以将分布式电源以虚拟电厂的形式整合起来接入电网，能够突破微电网的地理位置局限，实现不同地区、不同种类、不同容量的分布式电源协调调度；(2)在虚拟电厂优化调度中，将需求侧资源分为基于激励的需求响应和基于价格的需求响应，并考虑可再生分布式电源和负荷削减偏差量的随机性，对分布式电源出力、储能装置充放电功率、基于激励的需求响应的负荷削减量和基于价格的需求响应电价变化量进行优化，得到以最大收益为目标的虚拟电厂日前优化调度方案，对虚拟电厂的实际应用提供参考；(3)本发明采用基于微生物共生机制的粒子群优化算法对优化模型进行求解，与传统粒子群优化算法相比，能够显著提高算法的全局收敛性和收敛速度；将分布式电源、储能装置以及需求侧资源以虚拟电厂的方式接入配电网，考虑可再生分布式电源出力和需求响应的随机性和不确定性，以最大化虚拟电厂收益为目标建立优化模型，实现虚拟电厂的经济优化调度。

附图说明

图1为考虑需求响应的虚拟电厂日前优化调度方法实现流程图。

图2为基于微生物共生机制的粒子群优化算法实现流程图。

图中编号所代表的含义为：1利用历史数据信息估计风力、光伏分布式电源出力的概率密度函数参数，2计算需求响应成本，3建立优化调度模型并求解。

具体实施方式

结合附图，本发明的一种考虑需求响应的虚拟电厂日前优化调度方法，包括以下步骤：

步骤1、根据虚拟电厂内部各可再生分布式电源所在地区风速、光照强度、温度这些历史数据信息，估计风力分布式电源、光伏分布式电源出力的概率密度函数模型参数，得到概率密度模型；

以二参数的Weibull分布拟合风速概率密度，得到风力分布式电源出力概率密度，以二参数的Beta分布拟合光照强度概率密度，得到风力分布式电源出力概率密度，以正态分布拟合负荷概率密度。

步骤2、将虚拟电厂中的需求侧资源分为基于激励的需求响应资源和基于价格的需求响应资源，以虚拟电厂进行需求响应前后收益变化量确定两种需求响应的响应成本；

基于激励的需求响应成本确定时，首先根据历史负荷信息，预测出基于激励的需求响应的总负荷量，以此为需求响应前的基准负荷，得到进行需求响应前的售电收益，再由虚拟电厂控制中心给定的需求响应负荷削减量确定需求响应后的售电收益，最后得到基于激励的需求响应成本，基于激励的需求响应成本计算表达式为：

式中，C′_inc,n,t为第t时间段第n个基于激励的需求响应的成本，λ_com,n,t、

P_IL,n,t分别为第t时间段第n个基于激励需求响应的负荷削减补偿价格、需求响应负荷削减量以及需求响应前的负荷量，λ_t为第t时间段虚拟电厂向内部负荷的售电电价，ξ_IL,n,t＜0时，表示用户欠响应，λ_L表示单位停电造成的损失；ξ_IL,n,t≥0时，表示用户过响应。

基于价格的需求响应成本确定时，首先根据历史负荷信息，预测出基于价格的需求响应的总负荷量，再由虚拟电厂控制中心确定售电价格的变化量，由负荷变化量得到基于价格的需求响应成本，估计出基于价格的需求响应偏差的概率密度函数，所述负荷实际削减量为由虚拟电厂控制中心电价变化量引起的负荷削减量与负荷削减偏差量之和；

所述基于价格的需求响应成本计算表达式为：

式中，ξ_PL,n,t＜0时，表示用户欠响应，ξ_PL,n,t≥0时，表示用户过响应，C′_pri,m,t为第t时间段第m个基于价格的需求响应的成本，k为虚拟电厂为提高用户积极性而设置的优惠电价比例，P_PL,m,t为第t时间段第m个基于价格的需求响应前的负荷量，Δλ_t虚拟电厂控制中心决定的售电价格调整量，e_m为第m个基于价格的需求响应的价格自弹性系数。

步骤3、以最大化虚拟电厂收益为目标建立优化模型，进行虚拟电厂日前经济优化调度。

建立以虚拟电厂收益最大为目标的优化模型，控制变量包括可控分布式电源出力、储能装置充放电功率、基于激励的需求响应负荷削减量和基于价格的需求响应电价变化量为主的决策变量，以及可再生分布式电源出力和需求响应负荷削减偏差量为主的随机变量，并采用概率形式的机会约束描述可再生分布式电源和需求响应的不确定性，利用蒙特卡洛随机模拟方法对机会约束进行处理；

所述虚拟电厂收益表达式为：

式中，λ_m,t、P_t分别为第t时刻虚拟电厂与外部电网的交互电价和交互功率，P_L,t为第t时刻虚拟电厂内部售电电量；N、M表示虚拟电厂内部基于激励和基于价格的需求响应数；N_DG为虚拟电厂中包含的分布式电源数和储能装置总数，r为利息率，n_i、C_ins,i、P_r,i、τ_g,i分别为第i种分布式电源的折旧年限、安装成本、额定发电功率和年利用小时数，P_DG,i,t为t时间段分布式电源i的有功出力，K_OM,i为第i种分布式电源的单位发电量维护成本，C_gas和L分别为燃料单价和热值，η_i、Q_gas,i分别为第i种分布式电源的发电效率和单位发电量消耗的燃料量；

在计算虚拟电厂收益时引入风险成本，其计算表达式为：

式中，当出现虚拟电厂实际发电量不能满足内部负荷和向外部售电时，表达式不为零，λ_p,t为第t时间段虚拟电厂失负荷产生的单位罚金；

虚拟电厂收益最大目标函数为：

max F＝f₁-f₂

将虚拟电厂失负荷风险采用机会约束的形式描述：

式中，ω_t为第t时间段失负荷量的允许值，α_r,t为置信水平；

可控分布式电源出力和爬坡约束：

式中，

和

分别为分布式电源i出力上下限，

和

分别为分布式电源i的最大向上爬坡功率和最大向下爬坡功率；

储能装置充放电功率约束：

式中，

和

分别为储能能量的最低、最高限值，P_BSi,t为第t时间段储能的输出功率；要使储能装置各个调度周期内能够持续的发挥作用，需要满足首末时间段的储能容量相等，即E_BS(0)＝E_BS(24)，表示为：

式中，η_D和η_C为储能装置充、放电效率，P_BSi,t＞0，表示储能装置放电，P_BSi,t＜0，表示储能装置充电。

采用一种基于微生物共生机制的粒子群优化算法对所建立的模型进行求解，该算法将微生物中的兼性共生行为引入粒子群优化算法中，将粒子分为寄生粒子群和宿主粒子群两类，通过两种群间的兼性共生行为算子提高粒子群算法的全局收敛能力和收敛速度；具体为：

将微生物的兼性寄生行为引入粒子群优化算法中，并把粒子群分为寄生种群Swarm_p和宿主种群Swarm_h两类；微生物的兼性寄生行为描述为间隔一定的迭代数k_i，将Swarm_p和Swarm_h进行粒子个体交换，即发生寄生行为后，Swarm_p从Swarm_h中获取适应度较好的粒子，Swarm_h将从Swarm_p得到同样数量的适应度较差的粒子；Swarm_h和Swarm_p交换粒子后，将Swarm_h中适应度较差的粒子以一定的比率γ淘汰，为维持Swarm_h的规模不变，将淘汰的粒子用重新初始化的粒子代替；兼性寄生行为所交换的粒子数量有下式确定：

式中，iter_max和iter分别为最大迭代次数和当前迭代次数，μ_start，μ_end为预先设定值；

寄生种群Swarm_p中粒子速度更新公式为：

式中，

分别为粒子在第t次迭代过程中的个体粒子历史最优分量和全局历史最优分量；w为惯性权重；c₁、c₂为粒子学习因子；r₁、r₂为[0,1]均匀分布随机数；

对于宿主种群Swarm_h的速度更新，当Swarm_h的种群最优位置比Swarm_p的种群最优位置的适应值差时，Swarm_h中的粒子同时向个体最优位置、宿主种群最优位置和Swarm_p最优位置三个方向飞行，其更新公式为：

式中，

和

分别为Swarm_h中粒子在第t次迭代过程中的个体粒子历史最优分量和全局历史最优分量，

和

分别为第t次迭代时，Swarm_h和Swarm_p最优位置的函数值。

本发明以将分布式电源以虚拟电厂的形式整合起来接入电网，能够突破微电网的地理位置局限，实现不同地区、不同种类、不同容量的分布式电源协调调度。

下面结合实施例对本发明做进一步详细的描述。

实施例

本发明的一种考虑需求响应的虚拟电厂日前优化调度方法，包括以下步骤：

步骤一、虚拟电厂控制中心根据其内部各可再生分布式电源所在地区风速、光照强度、温度等历史数据信息，估计风力分布式电源、光伏分布式电源的出力概率密度函数模型参数，得到概率密度模型；以二参数的Weibull分布拟合风速概率密度，进一步得到风力分布式电源出力概率密度，以二参数的Beta分布拟合光照强度概率密度，进一步得到风力分布式电源出力概率密度，以正态分布拟合负荷概率密度。

步骤二、将虚拟电厂中的需求资源分为基于激励的需求响应和基于价格的需求响应，以虚拟电厂进行需求响应前后的收益变化量计算两种需求响应成本；

对于基于激励的需求响应成本的计算，首先根据历史负荷信息，预测出基于激励的需求响应的总负荷量，得到进行需求响应前的售电收益，再由虚拟电厂控制中心确定需求响应负荷削减量，进而计算需求响应后的售电收益，最后得到基于激励的需求响应成本。

在计算需求响应后的售电收益时，需要对参与需求响应所削减的负荷进行补偿，考虑到负荷削减对用户的影响，将负荷削减补偿价格与负荷削减量联系起来，负荷削减量越大，补偿力度也越大，负荷削减补偿价格用下式表示：

式(1)中，λ_com,n,t、ΔP_IL,n,t、P_IL,n,t分别为第t时间段第n个基于激励的需求响应的负荷削减补偿价格、需求响应负荷削减量以及需求响应前的负荷量，λ_t为第t时间段虚拟电厂向内部负荷的售电电价。

基于激励的需求响应成本计算表达式为：

C_inc,n,t＝λ_t·P_IL,n,t-[λ_t·(P_IL,n,t-ΔP_IL,n,t)-λ_com,n,t·ΔP_IL,n,t] (2)

式(2)中，表示式分为两个部分，第一部分为需求响应前的虚拟电厂售电收益，第二个部分为需求响应后的虚拟电厂售电收益，C_inc,n,t为第t时间段第n个基于激励的需求响应的成本。

考虑到负荷削减量的不确定性，将负荷削减量ΔP_IL,n,t表示成负荷削减量均值与削减量偏差之和

可以根据历史数据，对ξ_IL,n,t的概率密度函数进行估计，则基于激励的需求响应成本计算表达式更新为：

式(3)中，ξ_IL,n,t＜0时，表示用户欠响应，此时虚拟电厂按照实际的负荷削减量对用户进行补偿，λ_L表示单位停电造成的损失；ξ_IL,n,t≥0时，表示用户过响应，为防止用户通过增加负荷削减量来获得高额补偿，过响应时虚拟电厂按照规定的负荷削减量均值对用户进行补偿。

对于基于价格的需求响应成本的计算，首先根据历史负荷信息，预测出基于价格的需求响应的总负荷量，以此为需求响应前的基准负荷，再由虚拟电厂控制中心确定售电价格的变化量，通过需求价格弹性系数得到需求响应的负荷变化量，最后得到基于价格的需求响应成本。

其中，电价变化量和需求响应的负荷变化量的关系可以表示为：

式(4)中，ΔP_PL,m,t、P_PL,m,t分别为第t时间段第m个基于价格的需求响应的负荷削减量以及需求响应前的负荷量，Δλ_t虚拟电厂控制中心决定的售电价格调整量，e_m为第m个基于价格的需求响应的价格自弹性系数。

基于价格的需求响应成本计算表达式为：

C_pri,m,t＝λ_t·P_PL,m,t-k·(λ_t+Δλ_t)·(P_PL,m,t-ΔP_PL,m,t) (5)

式(5)中，第一部分表示需求响应前的虚拟电厂售电收益，第二个部分为需求响应后的虚拟电厂售电收益；C_pri,m,t为第t时间段第m个基于价格的需求响应的成本，k为虚拟电厂为提高用户积极性而设置的优惠电价比例。

将式(4)带入式(5)中，得：

同样考虑在基于价格的需求响应过程中存在响应的不确定性，需要根据历史数据，估计出需求响应偏差ξ_PL,n,t的概率密度函数，更新式(6)得：

式(7)中，ξ_PL,n,t＜0时，表示用户欠响应，此时虚拟电厂按照实际的负荷削减量对用户进行补偿；ξ_PL,n,t≥0时，表示用户过响应，为防止用户通过增加负荷削减量来获得高额补偿，过响应时虚拟电厂按照公式(4)确定的负荷削减量均值对用户进行补偿。

步骤三、考虑需求响应成本及可再生分布式能源出力的不确定性，以最大化虚拟电厂收益为目标建立优化调度模型，优化各可控分布式电源、储能装置的出力；

建立以虚拟电厂收益最大为目标的优化模型，控制变量包括可控分布式电源出力、储能装置充放电功率、基于激励的需求响应的负荷削减量和基于价格的需求响应的价格变化量为主的决策变量，以及可再生分布式电源出力和需求响应削减负荷偏差量为主的随机变量。

其中，虚拟电厂收益表达式为：

式(8)中，表达式分为三个部分，第一部分为虚拟电厂售电收益，其中，λ_m,t、P_t分别为第t时刻虚拟电厂与外部电网的交互电价和交互功率，P_L,t为第t时刻虚拟电厂内部售电电量；第二部分为虚拟电厂需求响应成本，其中，N、M表示虚拟电厂内部基于激励和基于价格的需求响应数；第三部分为虚拟电厂内部各分布式电源的发电成本，由分布电源发电折旧成本、运行维护成本以及燃料消耗成本组成，其中，N_DG为虚拟电厂中包含的分布式电源数和储能装置总数，r为利息率，n_i、C_ins,i、P_r,i、τ_g,i分别为第i种分布式电源的折旧年限、安装成本、额定发电功率和年利用小时数，P_DG,i,t为t时间段分布式电源i的有功出力，K_OM,i为第i种分布式电源的单位发电量维护成本，C_gas和L分别为燃料单价和热值，η_i、Q_gas,i分别为第i种分布式电源的发电效率和单位发电量消耗的燃料量。

由于可再生分布式电源出力和需求响应削减负荷偏差量为随机变量，使得虚拟电厂在对内部负荷和外部电网售电时可能存在一定的失负荷风险。为了在优化调度中更好的平衡虚拟电厂的经济性和风险性，在计算虚拟电厂收益时引入风险成本，其计算表达式为：

式(9)中，当出现虚拟电厂实际发电量不能满足内部负荷和向外部售电是，表达式不为零，λ_p,t为第t时间段虚拟电厂失负荷产生的单位罚金。

虚拟电厂收益最大目标函数为：

max F＝f₁-f₂ (10)

采用概率形式的机会约束描述目标函数中随机变量的不确定性，并利用蒙特卡洛随机模拟方法对机会约束进行处理。首先定目标函数需要满足概率约束条件：

式(11)中，Pr{ }表示括号中时间的发生概率，X为决策变量向量，ζ_i为第i次随机变量模特卡罗模拟样本向量，α_F为置信水平，

为F(X,ζ_i)在置信水平至少为α_F时的最大目标函数值。

将虚拟电厂失负荷风险采用机会约束的形式描述：

公式(12)中，ω_t为第t时间段失负荷量的允许值，α_r,t为置信水平。

其他约束条件还包括虚拟电厂与外部电网交互容量约束：

S_t≤S_max (13)

式(13)中，S_t为第t时间段虚拟电厂与外部电网的传输容量，S_max为虚拟电厂与外部电网的允许传输的最大容量。

可控分布式电源出力和爬坡约束：

公式(14)中，

和

分别为分布式电源i出力上下限，

和

分别为分布式电源i的最大向上爬坡功率和最大向下爬坡功率。

储能装置充放电功率约束：

式(15)中，

和

分别为储能能量的最低、最高限值，P_BSi,t为第t时间段储能的输出功率。要使储能装置各个调度周期内能够持续的发挥作用，需要满足首末时间段的储能容量相等，即E_BS(0)＝E_BS(24)，表示为：

式(16)中，η_D和η_C为储能装置充、放电效率，P_BSi,t＞0，表示储能装置放电，P_BSi,t＜0，表示储能装置充电。

在利用蒙特卡洛随机模拟方式对上述随机变量抽样的基础上，利用一种基于微生物共生机制的粒子群优化算法对所提的优化模型进行求解。

该算法将微生物的兼性寄生行为引入粒子群优化算法中，并把粒子群分为寄生种群Swarm_p和宿主种群Swarm_h两类。微生物的兼性寄生行为描述为间隔一定的迭代数k_i，将Swarm_p和Swarm_h进行粒子个体交换，即发生寄生行为后，Swarm_p从Swarm_h中获取适应度较好的粒子，Swarm_h将从Swarm_p得到同样数量的适应度较差的粒子。Swarm_h和Swarm_p交换粒子后，将Swarm_h中适应度较差的粒子以一定的比率γ淘汰，为维持Swarm_h的规模不变，将淘汰的粒子用重新初始化的粒子代替。兼性寄生行为所交换的粒子数量有下式确定：

式(17)中，iter_max和iter分别为最大迭代次数和当前迭代次数，μ_start，μ_end为预先设定值。

寄生种群Swarm_p中粒子速度更新公式为：

式(18)中，

分别为粒子在第t次迭代过程中的个体粒子历史最优分量和全局历史最优分量；w为惯性权重；c₁、c₂为粒子学习因子；r₁、r₂为[0,1]均匀分布随机数。

对于宿主种群Swarm_h的速度更新，当Swarm_h的种群最优位置比Swarm_p的种群最优位置的适应值差时，Swarm_h中的粒子同时向个体最优位置、宿主种群最优位置和Swarm_p最优位置三个方向飞行，其更新公式为：

式(19)中，

和

分别为Swarm_h中粒子在第t次迭代过程中的个体粒子历史最优分量和全局历史最优分量，

和

分别为第t次迭代时，Swarm_h和Swarm_p最优位置的函数值。

基于微生物共生机制的粒子群优化算法的流程图如图2所示。

由上可知，本发明将分布式电源、储能装置以及需求侧资源以虚拟电厂的方式接入配电网，考虑可再生分布式电源出力和需求响应的随机性和不确定性，以最大化虚拟电厂收益为目标建立优化模型，实现虚拟电厂的经济优化调度。

Claims (4)

1.一种考虑需求响应的虚拟电厂日前优化调度方法，其特征在于，包括以下步骤：

步骤1、根据虚拟电厂内部各可再生分布式电源所在地区风速、光照强度、温度这些历史数据信息，估计风力分布式电源、光伏分布式电源出力的概率密度函数模型参数，得到概率密度模型；

步骤2、将虚拟电厂中的需求侧资源分为基于激励的需求响应资源和基于价格的需求响应资源，以虚拟电厂进行需求响应前后收益变化量确定两种需求响应的响应成本；所述基于激励的需求响应成本确定时，首先根据历史负荷信息，预测出基于激励的需求响应的总负荷量，以此为需求响应前的基准负荷，得到进行需求响应前的售电收益，再由虚拟电厂控制中心给定的需求响应负荷削减量确定需求响应后的售电收益，最后得到基于激励的需求响应成本，基于激励的需求响应成本计算表达式为：

式中，C′_inc,n,t为第t时间段第n个基于激励的需求响应的成本，λ_com,n,t、

P_IL,n,t分别为第t时间段第n个基于激励需求响应的负荷削减补偿价格、需求响应负荷削减量以及需求响应前的负荷量，λ_t为第t时间段虚拟电厂向内部负荷的售电电价，ξ_IL,n,t＜0时，表示用户欠响应，λ_L表示单位停电造成的损失；ξ_IL,n,t≥0时，表示用户过响应；

步骤3、以最大化虚拟电厂收益为目标建立优化模型，进行虚拟电厂日前经济优化调度。

2.如权利要求1所述考虑需求响应的虚拟电厂日前优化调度方法，其特征在于，步骤1中以二参数的Weibull分布拟合风速概率密度，得到风力分布式电源出力概率密度，以二参数的Beta分布拟合光照强度概率密度，得到风力分布式电源出力概率密度，以正态分布拟合负荷概率密度。

3.如权利要求1所述考虑需求响应的虚拟电厂日前优化调度方法，其特征在于，步骤2中，基于价格的需求响应成本确定时，首先根据历史负荷信息，预测出基于价格的需求响应的总负荷量，再由虚拟电厂控制中心确定售电价格的变化量，由负荷变化量得到基于价格的需求响应成本，估计出基于价格的需求响应偏差的概率密度函数，负荷实际削减量为由虚拟电厂控制中心电价变化量引起的负荷削减量与负荷削减偏差量之和；

所述基于价格的需求响应成本计算表达式为：

式中，ξ_PL,n,t＜0时，表示用户欠响应，ξ_PL,n,t≥0时，表示用户过响应，C′_pri,m,t为第t时间段第m个基于价格的需求响应的成本，k为虚拟电厂为提高用户积极性而设置的优惠电价比例，P_PL,m,t为第t时间段第m个基于价格的需求响应前的负荷量，Δλ_t虚拟电厂控制中心决定的售电价格调整量，e_m为第m个基于价格的需求响应的价格自弹性系数。

4.如权利要求1所述考虑需求响应的虚拟电厂日前优化调度方法，其特征在于，步骤3中，建立以虚拟电厂收益最大为目标的优化模型，控制变量包括可控分布式电源出力、储能装置充放电功率、基于激励的需求响应负荷削减量和基于价格的需求响应电价变化量为主的决策变量，以及可再生分布式电源出力和需求响应负荷削减偏差量为主的随机变量，并采用概率形式的机会约束描述可再生分布式电源和需求响应的不确定性，利用蒙特卡洛随机模拟方法对机会约束进行处理；

所述虚拟电厂收益表达式为：

式中，λ_m,t、P_t分别为第t时刻虚拟电厂与外部电网的交互电价和交互功率，P_L,t为第t时刻虚拟电厂内部售电电量；N、M表示虚拟电厂内部基于激励和基于价格的需求响应数；N_DG为虚拟电厂中包含的分布式电源数和储能装置总数，r为利息率，n_i、C_ins,i、P_r,i、τ_g,i分别为第i种分布式电源的折旧年限、安装成本、额定发电功率和年利用小时数，P_DG,i,t为t时间段分布式电源i的有功出力，K_OM,i为第i种分布式电源的单位发电量维护成本，C_gas和L分别为燃料单价和热值，η_i、Q_gas,i分别为第i种分布式电源的发电效率和单位发电量消耗的燃料量；

在计算虚拟电厂收益时引入风险成本，其计算表达式为：

式中，当出现虚拟电厂实际发电量不能满足内部负荷和向外部售电时，表达式不为零，λ_p,t为第t时间段虚拟电厂失负荷产生的单位罚金；

虚拟电厂收益最大目标函数为：

max F＝f₁-f₂

将虚拟电厂失负荷风险采用机会约束的形式描述：

式中，ω_t为第t时间段失负荷量的允许值，α_r,t为置信水平；

可控分布式电源出力和爬坡约束：

式中，

和

分别为分布式电源i出力上下限，

和

分别为分布式电源i的最大向上爬坡功率和最大向下爬坡功率；

储能装置充放电功率约束：

式中，

和

分别为储能能量的最低、最高限值，P_BSi,t为第t时间段储能的输出功率；要使储能装置各个调度周期内能够持续的发挥作用，需要满足首末时间段的储能容量相等，即E_BS(0)＝E_BS(24)，表示为：

式中，η_D和η_C为储能装置充、放电效率，P_BSi,t＞0，表示储能装置放电，P_BSi,t＜0，表示储能装置充电。

Images