CN110322056A - 一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法 - Google Patents

Abstract

本发明公开一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，步骤是：基于预测平均投票数指标确定人体舒适度范围，由公共楼宇中央空调系统的热力学方程推得公共楼宇的室温时变方程，进行中央空调系统的建模分析；根据原始数据以VPP利润最大为目标函数，构造虚拟电厂(VPP)确定性模型，构建约束条件；采用随机规划法处理市场电价不确定性，采用自适应鲁棒方法处理光伏出力不确定性，建立虚拟电厂随机自适应鲁棒模型，并采用标准场景算法进行求解。本发明方法可使VPP根据市场电价进行灵活调度，提高了VPP利润，并且能够缓解夏季负荷高峰期的用电尖峰问题，起到削峰填谷的作用。

Description

一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度 方法

技术领域

本发明属于电力系统电源调度领域，尤其涉及一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法。

背景技术

虚拟电厂(virtual power plant，VPP)通过先进的通信、计量和控制技术聚合可再生能源、储能、需求响应(demand response,DR)等多种分布式能源，作为一个整体参与电网运行，能够减小分布式能源单独并网对公网造成的冲击，并提高其市场竞争力。近年来，空调负荷在夏季高峰期所占尖峰负荷的比例已达30％～40％，因此空调负荷可作为一种潜力巨大的DR资源参与VPP优化调度。

目前对于VPP的相关研究中，仅将DR视为可中断/转移负荷进行建模，缺乏对DR的具体建模分析。因此，在考虑人体舒适度指标的基础上进行了中央空调系统建模，提出了计及中央空调系统的VPP模型，并采用标准场景算法进行求解。

发明内容

发明目的：针对以上问题，本发明提出一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，可提高VPP利润，并且能够缓解夏季负荷高峰期的用电尖峰问题，起到削峰填谷的作用。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，包括如下步骤：

步骤1：基于预测平均投票数指标(PMV)确定人体舒适度范围，由中央空调系统的热力学方程推得公共楼宇的室温时变方程，进行中央空调系统的建模分析；

步骤2：根据原始数据构建以VPP利润最大为优化目标的VPP确定性模型；构建模型的约束条件；所述原始数据包括：VPP各聚合单元的数据，日前市场、实时市场以及碳交易市场数据；所述约束条件包括：燃气轮机约束、ESS约束、可中断负荷约束、中央空调系统约束、日前能量市场(day-ahead energy market,DAM)/实时能量市场(real-time energymarket,RTM)交易量约束、功率平衡约束；

步骤3：由于市场电价和光伏出力的不确定性以及不平衡惩罚的存在，VPP目标利润与实际利润之间存在偏差，为了提高整体收益，降低不平衡惩罚，VPP的优化调度需要考虑不确定性的影响；因此，在VPP确定性模型的基础上，采用随机规划法处理市场电价的不确定性，采用自适应鲁棒方法处理光伏出力的不确定性，从而建立VPP随机自适应鲁棒模型，并采用标准场景算法对该模型进行求解，输出最优调度结果。

进一步，所述VPP各聚合单元的数据包括：光伏出力的预测数据以及燃气轮机、电储能系统、可中断负荷、中央空调系统的参数；所述日前市场、实时市场数据是指市场电价；所述碳交易市场数据是指碳交易价格。

进一步，通过GAMS软件编程实现标准场景算法。

进一步，所述步骤1基于PMV指标确定人体舒适度范围，由中央空调系统的热力学方程推得公共楼宇的室温时变方程，并进行了中央空调系统的建模分析，包括以下步骤：

保证人体舒适度在预期范围内，PMV指标应满足：

-0.5≤σ_PMV≤0.5 (1)

PMV指标和室内温度之间应满足关系：

其中，σ_PMV为PMV指标；Tⁱⁿ为室内温度；

根据式(1)和式(2)即可确定合适的室内温度范围，该室内温度范围即为人体的舒适温度范围，中央空调系统在调控过程中需满足该约束，即满足式(1)和(2)；

根据能量守恒原理，公共楼宇在某时段内实际获得的热量等于该时段内传入的热量与中央空调带走的热量之差，由此可以得到公共楼宇中央空调系统的热力学方程：

其中，参量α、β、γ由建筑参数与空调参数决定；Q为中央空调系统的制冷量；

由上述热力学方程，可推得公共楼宇的室温时变方程：

其中，T_t ⁱⁿ和分别为t时段和t-1时段的室内温度，Δt为时间间隔，α_t为t时段的参量α，Q_t为t时段的中央空调系统制冷量；α_t、β、γ表达式如下：

β＝ΣK_wallA_wall+∑K_winA_win+1.01Gⁿ (6)

γ＝C_aVρ_a+S_hA_in (7)

其中，K_wall,A_wall,T_cl分别为外墙或屋面的传热系数、面积以及冷负荷计算温度的逐时值；T_d为冷负荷计算温度T_cl关于地区的修正值；q_win,A_win,F_d,F_s,F_cl,K_win分别为外窗的日射得热量最大值、面积、玻璃类型修正系数、内遮阳的遮阳系数、玻璃冷负荷系数以及传热系数；T_t ^out为室外温度；k₁,k₂,k₃,P_he分别为电热设备的安装系数、负荷系数、同时使用率以及安装功率；k₄,k₅,k₆,k₇,P_le分别为照明设备的同时使用率、蓄热系数、整流器消耗功率的系数、安装系数以及安装功率；C_cl为人体显热散热冷负荷系数；n为公共楼宇中的总人数；φ为群集系数，即女子和儿童折合成成年男子的散热比例；q_sh,q_lh分别为每名成年男子的显热散热量和潜热散热量；Gⁿ为新风量；C_a为空气定压重量比热容；V为公共楼宇的制冷空间体积；ρ_a为空气密度；S_h为墙面的蓄热系数；A_in为内墙面积；

中央空调系统的总制冷量表示如下：

其中，Q_t为中央空调系统的总制冷量；为制冷机制冷量；分别为蓄冷槽的蓄、释冷量；

中央空调系统的运行约束表示为：

其中，Q^ch,max为制冷机的最大制冷量；Q^st,max、Q^re,max分别为蓄冷槽的最大蓄、释冷量；分别为t时段和t-1时段蓄冷槽储存的冷量；S^c,max为蓄冷槽储存冷量的上限；η_st、η_re为蓄、释冷效率；

中央空调系统的耗电量分为三部分：制冷机制冷、蓄冷槽蓄/释冷，表示为：

其中，P_t ^cold为中央空调耗电量；μ_ch为制冷机的能量转化效率；μ_st、μ_re分别为蓄冷槽储冷时和释冷时的能量转化效率。

进一步，所述步骤2建立了VPP确定性模型，包括以下步骤：

步骤2.1：以VPP利润最大为目标函数，则目标函数可表示为：

其中，T为一天的总时段数，取值为24；分别为DAM和RTM电价；P_t ^DA、为VPP在DAM的购售电量；P_t ^RT、为VPP在RTM的购售电量；k^p为购电系数，表示购电价格与售电价格之比；为燃气轮机的运行成本；为中断负荷成本；C^c为VPP的碳交易成本；

燃气轮机的运行成本、中断负荷成本、碳交易成本计算方法如下：

采用分段线性函数描述燃气轮机的运行成本：

其中，a为燃气轮机的固定成本；布尔变量表示燃气轮机是否工作；K_l为燃气轮机第l段发电成本斜率；g_l,t为燃气轮机第l段出力，N_l为燃气轮机成本曲线的线性分段数；λ^su、λ^sd分别为燃气轮机启停成本；布尔变量分别表示燃气轮机是否启动、停止；为燃气轮机总出力；

根据中断负荷的等级对用户进行补偿，其中断负荷成本表示为：

其中，n_m为中断等级数；为第m级中断负荷的补偿价格；为t时段第m级负荷中断量；

根据VPP的碳排放量和碳排放配额确定模型中的碳交易成本；方法如下：

VPP中的碳排放来源于燃气轮机机组，其碳排放量表示为：

其中，E^C为VPP实际碳排放量；σ_i为第i台燃气轮机机组的碳排放强度；为第i台燃气轮机总出力；N为燃气轮机的机组数；

采用基准线法确定VPP的碳排放配额：

其中，E^D为VPP碳排放配额；ε为负荷率修正系数；η为单位电量碳排放基准；P_t ^D为VPP总发电量；

因此，VPP的碳交易成本表示为：

C^c＝λ^c(E^C-E^D) (21)

其中，C^c为VPP碳交易成本；λ^c为碳交易价格；

步骤2.2：构建VPP确定性模型的约束条件，所述约束条件包括：

(1)燃气轮机约束条件，表示如下：

其中，g^GT,max、g^GT,min分别为燃气轮机的最大、最小输出功率；r^U、r^D为燃气轮机的向上、向下爬坡率；为燃气轮机第l段出力上限；t^su、t^sd分别为燃气轮机的最小开关机时间；t^su，0、t^sd，0分别为燃气轮机的初始开关机时间；分别为t时段和t-1时段燃气轮机的总出力；布尔变量表示燃气轮机在t时段和t-1时段是否工作；

(2)电储能系统(ESS)约束条件，表示如下：

其中，分别为电储能系统(electric energy storage system,ESS)t时段和t-1时段的蓄电量；η_c、η_d分别为ESS的充放电效率；分别为ESS的充放电量；S^{es ,max}、S^es,min分别为ESS蓄电量的上下限；g^esc,max、g^esd,max分别为ESS的最大充放电功率；

(3)可中断负荷约束条件，表示如下：

其中，为第m级负荷中断系数；为t时段第m级负荷中断量；为t时段电负荷；分别为t时段和t-1时段的负荷中断量；L^curt,max为连续时间内的最大负荷中断量，避免了连续时间内负荷中断量过大导致的用户满意度下降问题；

(4)中央空调系统约束条件：式(1)～(2)，式(9)～(13)；

(5)DAM/RTM交易量约束条件，表示如下：

0≤P_t ^DA≤P^DA,max (39)

0≤P_t ^RT≤P^RT,max (41)

其中，P_t ^DA、分别为t时段VPP在DAM的购售电量；P_t ^RT、分别为t时段VPP在RTM的购售电量；P^DA,max、S^DA,max为VPP在DAM的最大购售电量；P^RT,max、S^RT,max为VPP在RTM的最大购售电量；

(6)功率平衡约束条件，表示如下：

其中，P_t ^RES为光伏电站出力。

进一步，所述步骤3建立了虚拟电厂随机自适应鲁棒模型，并采用标准场景算法进行求解，包括以下步骤：

步骤3.1：考虑VPP同时参与DAM和RTM，在DAM阶段，VPP在光伏不确定参数实现之前进行决策；在RTM阶段，VPP在光伏不确定参数和日前市场决策实现后进行决策；虚拟电厂随机自适应鲁棒模型的目标函数表示为：

其中，n_p为电价场景数；π(p)为电价场景概率；下标p、s分别表示第p组电价场景和第s组光伏出力场景；Ω为原始光伏场景集；

步骤3.2：随机自适应鲁棒模型在DAM阶段考虑了电价场景，日前决策变量特征为均含有下标p、t，下标p表示第p组电价场景；在RTM阶段考虑了电价场景和光伏场景，实时决策变量特征为均含有下标p、t、s，下标s表示第s组光伏出力场景；所述随机自适应鲁棒模型的约束条件为：

(1)日前运行约束条件：

(2)实时运行约束条件：

-0.5≤σ_PMV≤0.5 (61)

步骤3.3：采用标准场景算法求解虚拟电厂随机自适应鲁棒模型，引入辅助变量τ表示VPP在RTM所获得的最低利润，从而将原优化模型式(43)转化为如下优化模型：

(1)随机自适应鲁棒模型的目标函数转化为：

(2)日前运行约束条件：式(44)～(51)；

(3)实时运行约束条件：式(52)～(80)。

有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：本发明方法可使VPP根据市场电价进行灵活调度，提高VPP利润，并且能够缓解夏季负荷高峰期的用电尖峰问题，起到削峰填谷的作用。

附图说明

图1是VPP一天内的负荷需求量图；

图2是光伏机组出力数据图；

图3是DAM电价和RTM电价场景图；

图4是各聚合单元的具体优化结果以及VPP在DAM和RTM的购售电量图；

图5是本发明的流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

如图5所示，本发明所述的一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，包括如下步骤：

步骤1：基于预测平均投票数指标(predicted mean vote,PMV)确定人体舒适度范围，由中央空调系统的热力学方程推得公共楼宇的室温时变方程，进行中央空调系统的建模分析；

步骤2：根据原始数据构建以VPP利润最大为优化目标的VPP确定性模型；构建模型的约束条件；所述原始数据包括：VPP各聚合单元的数据，日前市场、实时市场以及碳交易市场数据；所述约束条件包括：燃气轮机约束、ESS约束、可中断负荷约束、中央空调系统约束、日前能量市场(day-ahead energy market,DAM)/实时能量市场(real-time energymarket,RTM)交易量约束、功率平衡约束；

步骤3：由于市场电价和光伏出力的不确定性以及不平衡惩罚的存在，VPP目标利润与实际利润之间存在偏差，为了提高整体收益，降低不平衡惩罚，VPP的优化调度需要考虑不确定性的影响；因此，在VPP确定性模型的基础上，采用随机规划法处理市场电价的不确定性，采用自适应鲁棒方法处理光伏出力的不确定性，从而建立VPP随机自适应鲁棒模型，并采用标准场景算法对该模型进行求解，输出最优调度结果。

所述VPP各聚合单元的数据包括：光伏出力的预测数据以及燃气轮机、电储能系统、可中断负荷、中央空调系统的参数；所述日前市场、实时市场数据是指市场电价；所述碳交易市场数据是指碳交易价格。

通过GAMS软件编程实现标准场景算法，求解该虚拟电厂随机自适应鲁棒模型，输出最优调度结果；结果表明：VPP根据市场电价进行灵活调度，可以有效提高VPP利润，并且能够缓解夏季负荷高峰期的用电尖峰问题，起到削峰填谷的作用。

所述步骤1基于PMV指标确定人体舒适度范围，由中央空调系统的热力学方程推得公共楼宇的室温时变方程，并进行了中央空调系统的建模分析，包括以下步骤：

为了保证人体舒适度在预期范围内，PMV指标应满足：

-0.5≤σ_PMV≤0.5 (1)

PMV指标和室内温度之间应满足关系：

其中，σ_PMV为PMV指标；Tⁱⁿ为室内温度；

根据式(1)和式(2)即可确定合适的室内温度范围，该室内温度范围即为人体的舒适温度范围，中央空调系统在调控过程中需满足该约束，即满足式(1)和(2)；

根据能量守恒原理，公共楼宇在某时段内实际获得的热量等于该时段内传入的热量与中央空调带走的热量之差，由此可以得到公共楼宇中央空调系统的热力学方程：

其中，参量α、β、γ由建筑参数与空调参数决定；Q为中央空调系统的制冷量；

由上述热力学方程，可推得公共楼宇的室温时变方程：

其中，T_t ⁱⁿ和分别为t时段和t-1时段的室内温度，Δt为时间间隔，α_t为t时段的参量α，Q_t为t时段的中央空调系统制冷量；α_t、β、γ表达式如下：

β＝∑K_wallA_wall+∑K_winA_win+1.01Gⁿ (6)

γ＝C_aVρ_a+S_hA_in (7)

其中，K_wall,A_wall,T_cl分别为外墙或屋面的传热系数、面积以及冷负荷计算温度的逐时值；T_d为冷负荷计算温度T_cl关于地区的修正值；q_win,A_win,F_d,F_s,F_cl,K_win分别为外窗的日射得热量最大值、面积、玻璃类型修正系数、内遮阳的遮阳系数、玻璃冷负荷系数以及传热系数；T_t ^out为室外温度；k₁,k₂,k₃,P_he分别为电热设备的安装系数、负荷系数、同时使用率以及安装功率；k₄,k₅,k₆,k₇,P_le分别为照明设备的同时使用率、蓄热系数、整流器消耗功率的系数、安装系数以及安装功率；C_cl为人体显热散热冷负荷系数；n为公共楼宇中的总人数；φ为群集系数，即女子和儿童折合成成年男子的散热比例；q_sh,q_lh分别为每名成年男子的显热散热量和潜热散热量；Gⁿ为新风量；C_a为空气定压重量比热容，取0.28J/kg·℃；V为公共楼宇的制冷空间体积；ρ_a为空气密度，取1.29kg/m³；S_h为墙面的蓄热系数；A_in为内墙面积；

中央空调系统一般由制冷机组、水泵、蓄冷槽以及其他辅助设备组成，可由制冷机组制冷或蓄冷槽进行蓄/释冷，中央空调系统的总制冷量表示如下：

其中，Q_t为中央空调系统的总制冷量；为制冷机制冷量；分别为蓄冷槽的蓄、释冷量；

中央空调系统的运行约束表示为：

其中，Q^ch,max为制冷机的最大制冷量；Q^st,max、Q^re,max分别为蓄冷槽的最大蓄、释冷量；分别为t时段和t-1时段蓄冷槽储存的冷量；S^c,max为蓄冷槽储存冷量的上限；η_st、η_re为蓄、释冷效率；

中央空调系统的耗电量分为三部分：制冷机制冷、蓄冷槽蓄/释冷，表示为：

其中，P_t ^cold为中央空调耗电量；μ_ch为制冷机的能量转化效率；μ_st、μ_re分别为蓄冷槽储冷时和释冷时的能量转化效率。

所述步骤2建立了VPP确定性模型，包括以下步骤：

步骤2.1：以VPP利润最大为目标函数，则目标函数可表示为：

其中，T为一天的总时段数，取值为24；分别为DAM和RTM电价；P_t ^DA、为VPP在DAM的购售电量；P_t ^RT、为VPP在RTM的购售电量；k^p为购电系数，表示购电价格与售电价格之比；为燃气轮机的运行成本；为中断负荷成本；C^c为VPP的碳交易成本。

采用分段线性函数描述燃气轮机的运行成本：

其中，a为燃气轮机的固定成本；布尔变量表示燃气轮机是否工作；K_l为燃气轮机第l段发电成本斜率；g_l,t为燃气轮机第l段出力，N_l为燃气轮机成本曲线的线性分段数；λ^su、λ^sd分别为燃气轮机启停成本；布尔变量分别表示燃气轮机是否启动、停止；为燃气轮机总出力。

可中断负荷成本为VPP向用户支付的中断负荷补偿费用，由于不同中断程度对用户的影响程度不同，因此根据中断负荷的等级对用户进行补偿，其中断负荷成本表示为：

其中，n_m为中断等级数；为第m级中断负荷的补偿价格；为t时段第m级负荷中断量。

根据VPP的碳排放量和碳排放配额确定模型中的碳交易成本；方法如下：

VPP中的碳排放来源于燃气轮机机组，其碳排放量表示为：

其中，E^C为VPP实际碳排放量；σ_i为第i台燃气轮机机组的碳排放强度；为第i台燃气轮机总出力；N为燃气轮机的机组数。

基于上海市发改委出台的有关碳排放配额分配方案，采用基准线法确定VPP的碳排放配额：

其中，E^D为VPP碳排放配额；ε为负荷率修正系数；η为单位电量碳排放基准；P_t ^D为VPP总发电量；

因此，VPP的碳交易成本表示为：

C^c＝λ^c(E^C-E^D) (21)

其中，C^c为VPP碳交易成本；λ^c为碳交易价格。

步骤2.2：构建VPP确定性模型的约束条件，所述约束条件包括：

(1)燃气轮机约束条件，表示如下：

其中，g^GT,max、g^GT,min分别为燃气轮机的最大、最小输出功率；r^U、r^D为燃气轮机的向上、向下爬坡率；为燃气轮机第l段出力上限；t^su、t^sd分别为燃气轮机的最小开关机时间；t^su，0、t^sd，0分别为燃气轮机的初始开关机时间；分别为t时段和t-1时段燃气轮机的总出力；布尔变量表示燃气轮机在t时段和t-1时段是否工作。

(2)电储能系统(ESS)约束条件，表示如下：

其中，分别为电储能系统(electric energy storage system, ESS)t时段和t-1时段的蓄电量；η_c、η_d分别为ESS的充放电效率；分别为ESS的充放电量；S^{es ,max}、S^es,min分别为ESS蓄电量的上下限；g^esc,max、g^esd,max分别为ESS的最大充放电功率。

(3)可中断负荷约束条件，表示如下：

其中，为第m级负荷中断系数；为t时段第m级负荷中断量；为t时段电负荷；分别为t时段和t-1时段的负荷中断量；L^curt,max为连续时间内的最大负荷中断量，避免了连续时间内负荷中断量过大导致的用户满意度下降问题。

(4)中央空调系统约束条件：式(1)～(2)，式(9)～(13)。

(5)DAM/RTM交易量约束条件，表示如下：

0≤P_t ^DA≤P^DA,max (39)

0≤P_t ^RT≤P^RT,max (41)

其中，P_t ^DA、分别为t时段VPP在DAM的购售电量；P_t ^RT、分别为t时段VPP在RTM的购售电量；P^DA,max、S^DA,max为VPP在DAM的最大购售电量；P^RT,max、S^RT,max为VPP在RTM的最大购售电量。

(6)功率平衡约束条件，表示如下：

其中，P_t ^RES为光伏电站出力。

所述步骤3建立了虚拟电厂随机自适应鲁棒模型，并采用标准场景算法进行求解，包括以下步骤：

步骤3.1：考虑VPP同时参与DAM和RTM的情况。在DAM阶段，VPP在光伏不确定参数实现之前进行决策；在RTM阶段，VPP在光伏不确定参数和日前市场决策实现后进行决策。因此，虚拟电厂随机自适应鲁棒模型可以采用三层结构max-min-max形式，由两阶段组成，其目标函数表示为：

其中，n_p为电价场景数；π(p)为电价场景概率；下标p、s分别表示第p组电价场景和第s组光伏出力场景；Ω为原始光伏场景集。

步骤3.2：与确定性模型相比，随机自适应鲁棒模型在DAM阶段考虑了电价场景，日前决策变量特征为均含有下标p、t，下标p表示第p组电价场景；在RTM阶段考虑了电价场景和光伏场景，实时决策变量特征为均含有下标p、t、s，下标s表示第s组光伏出力场景；所述随机自适应鲁棒模型的约束条件为：

(1)日前运行约束条件：

(2)实时运行约束条件：

-0.5≤σ_PMV≤0.5 (61)

步骤3.3：采用标准场景算法求解虚拟电厂随机自适应鲁棒模型，引入辅助变量τ代替随机自适应鲁棒模型第二阶段的min-max问题，表示VPP在RTM所获得的最低利润，从而将原三层优化模型(三层结构mim-max-min形式)转化为单层优化模型，表示如下：

(1)随机自适应鲁棒模型的目标函数转化为：

(2)日前运行约束条件：式(44)～(51)；

(3)实时运行约束条件：式(52)～(80)。

本实施例以燃气轮机机组、光伏机组、ESS、中央空调系统以及可中断负荷构成VPP。考虑VPP参与DAM、RTM以及碳交易市场(carbon trading market,CTM)的情况，调度周期设置为1天，分为24个时段。燃气轮机采用TAU5670型号，具体参数见表1，中央空调系统以及电储能系统的具体参数见表2、表3，公共楼宇的各建筑参数见表4，VPP一天内的负荷需求见图1，可中断负荷分为3级，均设为总负荷的10％，每级补偿价格分别为40€/MWh、45€/MWh、50€/MWh。光伏机组出力历史数据见图2，采用蒙特卡罗法随机生成50组光伏场景；DAM电价和RTM电价见图3；碳交易价格取6.569€/t。。

表1 TAU5670燃气轮机参数

表2 中央空调系统参数

表3 电储能系统参数

表4 智能楼宇建筑参数

本发明提出的VPP模型同时参与DAM、RTM以及CTM，并且聚合了中央空调系统等单元。对这些因素对VPP利润的影响进行分析，设置5种组合方案如表5所示。

表5 不同影响因素下的VPP利润比较

由表5可知，对方案1、2、3、5进行对比，方案1中VPP仅参与了DAM，VPP利润最低，而方案5中VPP同时参与了DAM、RTM与CTM，所获得的利润最高。方案1与方案2中均不涉及RTM，VPP参与电力市场的方式单一，无法根据日前电价与实时电价的高低选择合适的电力市场进行购售电，因此利润较方案5降低。

同样，方案1与方案3中均不涉及CTM，VPP的利润低于方案5，这是由于一方面VPP中聚合的TAU5670型号燃气轮机碳排放强度低于碳排放基准，另一方面VPP中聚合了含清洁能源的光伏机组。使得VPP的碳排放量低于碳排放配额，从而可将多余的碳排放配额出售到CTM，因此方案5的利润较高。方案5与方案4相比，VPP对中央空调系统进行协调控制，通过蓄冷槽在电价较低时段蓄冷，电价较高时段释冷，节省了VPP成本。

VPP中各聚合单元的具体优化结果以及VPP在DAM和RTM的购售电量如图4所示。

在图4(a)中，当市场电价高于发电成本时，燃气轮机启动，否则停机；而ESS在低电价时段充电，高电价时段放电，以获取利润，实现削峰填谷的作用。图4(b)中VPP在DAM和RTM的购售电行为在上文中已有分析，此处不再赘述。各级负荷中断量如图4(c)所示，在高电价时段，VPP在不影响用户舒适度的前提下，中断部分可中断负荷，并且优先中断第一级负荷。通过可中断负荷的共同作用，VPP在高电价时段能够出售更多的电量，从而获得更大的收益。

中央空调系统的调度结果如图4(d)所示。在低电价时段即1～6h，制冷机制冷量最大，利用蓄冷槽储存冷量。而在7、8h，由于储存冷量已达蓄冷槽上限，制冷机仅需满足室内温度要求，减少制冷功率。在高电价时段，由于制冷机的耗电量远大于蓄冷槽，中央空调尽量选择由蓄冷槽释冷提供冷量，不足部分由制冷机补充。在16～24h，中央空调根据峰谷电价差额转移制冷时段所获得的利润不足以弥补蓄冷槽储存冷量过程中的损耗，因此蓄冷槽停止运行。

以上仿真结果验证了本发明的有效性和实用性。该发明能使VPP在获得较大利润的同时，也能够缓解夏季负荷高峰期的用电尖峰问题，起到削峰填谷的作用。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，其特征在于：该方法包括如下步骤：

步骤1：基于预测平均投票数指标(PMV)确定人体舒适度范围，由中央空调系统的热力学方程推得公共楼宇的室温时变方程，进行中央空调系统的建模分析；

步骤2：根据原始数据构建以虚拟电厂(VPP)利润最大为优化目标的VPP确定性模型；构建模型的约束条件；所述原始数据包括：VPP各聚合单元的数据，日前市场、实时市场以及碳交易市场数据；所述约束条件包括：燃气轮机约束、ESS约束、可中断负荷约束、中央空调系统约束、日前能量市场(DAM)/实时能量市场(RTM)交易量约束、功率平衡约束；

步骤3：在VPP确定性模型的基础上，采用随机规划法处理市场电价的不确定性，采用自适应鲁棒方法处理光伏出力的不确定性，从而建立VPP随机自适应鲁棒模型，并采用标准场景算法对该模型进行求解，输出最优调度结果。

2.根据权利要求1所述的一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，其特征在于：所述VPP各聚合单元的数据包括：光伏出力的预测数据以及燃气轮机、电储能系统、可中断负荷、中央空调系统的参数；所述日前市场、实时市场数据是指市场电价；所述碳交易市场数据是指碳交易价格。

3.根据权利要求1所述的一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，其特征在于：所述步骤1基于PMV指标确定人体舒适度范围，由中央空调系统的热力学方程推得公共楼宇的室温时变方程，并进行了中央空调系统的建模分析，包括以下步骤：

保证人体舒适度在预期范围内，PMV指标应满足：

-0.5≤σ_PMV≤0.5 (1)

PMV指标和室内温度之间应满足关系：

其中，σ_PMV为PMV指标；Tⁱⁿ为室内温度；

根据式(1)和式(2)即可确定合适的室内温度范围，该室内温度范围即为人体的舒适温度范围，中央空调系统在调控过程中需满足该约束，即满足式(1)和(2)；

根据能量守恒原理，公共楼宇在某时段内实际获得的热量等于该时段内传入的热量与中央空调带走的热量之差，由此可以得到公共楼宇中央空调系统的热力学方程：

其中，参量α、β、γ由建筑参数与空调参数决定；Q为中央空调系统的制冷量；

由上述热力学方程，可推得公共楼宇的室温时变方程：

其中，T_t ⁱⁿ和分别为t时段和t-1时段的室内温度，Δt为时间间隔，α_t为t时段的参量α，Q_t为t时段的中央空调系统制冷量；α_t、β、γ表达式如下：

β＝∑K_wallA_wall+∑K_winA_win+1.01Gⁿ (6)

γ＝C_aVρ_a+S_hA_in (7)

其中，K_wall,A_wall,T_cl分别为外墙或屋面的传热系数、面积以及冷负荷计算温度的逐时值；T_d为冷负荷计算温度T_cl关于地区的修正值；q_win,A_win,F_d,F_s,F_cl,K_win分别为外窗的日射得热量最大值、面积、玻璃类型修正系数、内遮阳的遮阳系数、玻璃冷负荷系数以及传热系数；T_t ^out为室外温度；k₁,k₂,k₃,P_he分别为电热设备的安装系数、负荷系数、同时使用率以及安装功率；k₄,k₅,k₆,k₇,P_le分别为照明设备的同时使用率、蓄热系数、整流器消耗功率的系数、安装系数以及安装功率；C_cl为人体显热散热冷负荷系数；n为公共楼宇中的总人数；φ为群集系数，即女子和儿童折合成成年男子的散热比例；q_sh,q_lh分别为每名成年男子的显热散热量和潜热散热量；Gⁿ为新风量；C_a为空气定压重量比热容；V为公共楼宇的制冷空间体积；ρ_a为空气密度；S_h为墙面的蓄热系数；A_in为内墙面积；

中央空调系统的总制冷量表示如下：

其中，Q_t为中央空调系统的总制冷量；为制冷机制冷量；分别为蓄冷槽的蓄、释冷量；

中央空调系统的运行约束表示为：

其中，Q^ch,max为制冷机的最大制冷量；Q^st,max、Q^re,max分别为蓄冷槽的最大蓄、释冷量；分别为t时段和t-1时段蓄冷槽储存的冷量；S^c,max为蓄冷槽储存冷量的上限；η_st、η_re为蓄、释冷效率；

中央空调系统的耗电量分为三部分：制冷机制冷、蓄冷槽蓄/释冷，表示为：

其中，P_t ^cold为中央空调耗电量；μ_ch为制冷机的能量转化效率；μ_st、μ_re分别为蓄冷槽储冷时和释冷时的能量转化效率。

4.根据权利要求3所述的一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，其特征在于：所述步骤2建立了VPP确定性模型，包括以下步骤：

步骤2.1：以VPP利润最大为目标函数，则目标函数可表示为：

其中，T为一天的总时段数，取值为24；分别为DAM和RTM电价；P_t ^DA、为VPP在DAM的购售电量；P_t ^RT、为VPP在RTM的购售电量；k^p为购电系数，表示购电价格与售电价格之比；为燃气轮机的运行成本；为中断负荷成本；C^c为VPP的碳交易成本；

步骤2.2：构建VPP确定性模型的约束条件，所述约束条件包括：

(1)燃气轮机约束条件，表示如下：

其中，g^GT,max、g^GT,min分别为燃气轮机的最大、最小输出功率；r^U、r^D为燃气轮机的向上、向下爬坡率；为燃气轮机第l段出力上限；t^su、t^sd分别为燃气轮机的最小开关机时间；t^{su ，0}、t^sd，0分别为燃气轮机的初始开关机时间；分别为t时段和t-1时段燃气轮机的总出力；布尔变量表示燃气轮机在t时段和t-1时段是否工作；

(2)电储能系统(ESS)约束条件，表示如下：

其中，分别为电储能系统(electric energy storage system,ESS)t时段和t-1时段的蓄电量；η_c、η_d分别为ESS的充放电效率；分别为ESS的充放电量；S^es,max、S^{es ,min}分别为ESS蓄电量的上下限；g^esc,max、g^esd,max分别为ESS的最大充放电功率；

(3)可中断负荷约束条件，表示如下：

其中，为第m级负荷中断系数；为t时段第m级负荷中断量；为t时段电负荷；分别为t时段和t-1时段的负荷中断量；L^curt,max为连续时间内的最大负荷中断量；

(4)中央空调系统约束条件：式(1)～(2)，式(9)～(13)；

(5)DAM/RTM交易量约束条件，表示如下：

0≤P_t ^DA≤P^DA,max (39)

0≤P_t ^RT≤P^RT,max (41)

其中，P_t ^DA、分别为t时段VPP在DAM的购售电量；P_t ^RT、分别为t时段VPP在RTM的购售电量；P^DA,max、S^DA,max为VPP在DAM的最大购售电量；P^RT,max、S^RT,max为VPP在RTM的最大购售电量；

(6)功率平衡约束条件，表示如下：

其中，P_t ^RES为光伏电站出力。

5.根据权利要求4所述的一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，其特征在于：在步骤2.1中，燃气轮机的运行成本、中断负荷成本、碳交易成本计算方法如下：

采用分段线性函数描述燃气轮机的运行成本：

其中，a为燃气轮机的固定成本；布尔变量表示燃气轮机是否工作；K_l为燃气轮机第l段发电成本斜率；g_l,t为燃气轮机第l段出力，N_l为燃气轮机成本曲线的线性分段数；λ^su、λ^sd分别为燃气轮机启停成本；布尔变量分别表示燃气轮机是否启动、停止；为燃气轮机总出力；

根据中断负荷的等级对用户进行补偿，其中断负荷成本表示为：

其中，n_m为中断等级数；为第m级中断负荷的补偿价格；为t时段第m级负荷中断量；

根据VPP的碳排放量和碳排放配额确定模型中的碳交易成本；方法如下：

VPP中的碳排放来源于燃气轮机机组，其碳排放量表示为：

其中，E^C为VPP实际碳排放量；σ_i为第i台燃气轮机机组的碳排放强度；为第i台燃气轮机总出力；N为燃气轮机的机组数；

采用基准线法确定VPP的碳排放配额：

其中，E^D为VPP碳排放配额；ε为负荷率修正系数；η为单位电量碳排放基准；P_t ^D为VPP总发电量；

因此，VPP的碳交易成本表示为：

C^c＝λ^c(E^C-E^D) (21)

其中，C^c为VPP碳交易成本；λ^c为碳交易价格。

6.根据权利要求5所述的一种计及中央空调系统的虚拟电厂随机自适应鲁棒优化调度方法，其特征在于：所述步骤3建立了虚拟电厂随机自适应鲁棒模型，并采用标准场景算法进行求解，包括以下步骤：

步骤3.1：考虑VPP同时参与DAM和RTM，在DAM阶段，VPP在光伏不确定参数实现之前进行决策；在RTM阶段，VPP在光伏不确定参数和日前市场决策实现后进行决策；虚拟电厂随机自适应鲁棒模型的目标函数表示为：

其中，n_p为电价场景数；π(p)为电价场景概率；下标p、s分别表示第p组电价场景和第s组光伏出力场景；Ω为原始光伏场景集；

步骤3.2：随机自适应鲁棒模型在DAM阶段考虑了电价场景，日前决策变量特征为均含有下标p、t；下标p表示第p组电价场景；在RTM阶段考虑了电价场景和光伏场景，实时决策变量特征为均含有下标p、t、s；下标s表示第s组光伏出力场景；所述随机自适应鲁棒模型的约束条件为：

(1)日前运行约束条件：

(2)实时运行约束条件：

-0.5≤σ_PMV≤0.5 (61)

步骤3.3：采用标准场景算法求解虚拟电厂随机自适应鲁棒模型，引入辅助变量τ表示VPP在RTM所获得的最低利润，从而将原优化模型式(43)转化为如下优化模型：

(1)随机自适应鲁棒模型的目标函数转化为：

(2)日前运行约束条件：式(44)～(51)；

(3)实时运行约束条件：式(52)～(80)。