CN113191625A - 计及综合效率评价的虚拟电厂组建方法 - Google Patents

Abstract

本发明涉及电气设备及电气工程、发电和供电，为能够确定出使得虚拟电厂整体势函数最大的虚拟电厂成员选择方案，既有利于优化虚拟电厂成员整体素质，提高服务水平和供电能力，同时可以让各成员获得满意的经济收益。本发明，计及综合效率评价的虚拟电厂组建方法，在CCR模型、交叉效率CCR模型基础上，通过博弈交叉效率CCR模型，利用增加二级约束对平均交叉效率模型进行修正，建立虚拟电厂成员评价指标体系，建立计及综合效率评价的虚拟电厂成员数学模型，最终建立基于势博弈的虚拟电厂成员选择模型，实现高效的虚拟电厂组建，本发明主要应用于虚拟电厂组建场合。

Description

计及综合效率评价的虚拟电厂组建方法

技术领域

本发明涉及电气设备及电气工程、发电和供电等，具体涉及计及综合效率评价的虚拟电厂组建方法。

背景技术

1、虚拟电厂

虚拟电厂(virtual power plant,VPP)是解决新能源消纳受限、电源规模过剩以及电能供过于求等问题的一种有效技术手段。虚拟电厂通过先进的通信技术和网络技术聚合发电机组、储能设施和可控负荷等多种类型的电力资源，形成一个虚拟主体参与电网管理和电力市场，从而实现资源的优化配置和高效利用。通过建立电力系统中各类主体的多元互补合作关系，虚拟电厂使得多种发电形式以及可调节负荷在同一控制中心的协调下进行合作，既可以平抑新能源电力的波动性和不确定性，提高风电和光电的消纳比例，合理安排电源的利用，同时也可以灵活调节负荷产能，使电源出力和负荷曲线高峰、低谷时段尽可能重合，促进负荷侧高效用电，实现供给和需求的平衡。

2、数据包络分析法

数据包络分析法(data envelopment analysis,DEA)是用来计算一组决策单元(decision making unit,DMU)的相对效率，为决策者提供决策依据的综合评价方法。它突破了传统效率评价方法中评价对象只能由单个输入指标和单个输出指标描述的局限性，将效率评价问题推广到了更复杂的多输入、多输出的应用场景中，可以应用于数学、工程科学等诸多领域，具有广泛的适用性。DEA的研究对象是一组同质的DMU，根据各DMU的综合效率值判断其是否位于生产前沿面上，在避免主观因素、简化算法流程和降低误差方面有着巨大的优势。

3、势博弈

势博弈(potential game)理论由Monderer和Shapley在1996年提出，包括序数势博弈、加权势博弈和完全势博弈三种类型。完全势博弈的性质说明，求策略博弈的纳什均衡解与求势函数最大值的最优化问题等价，通过构造合理的势函数，可以将完全势博弈转化为最优化问题进行求解。虚拟电厂的成员选择过程可以看作是一个多方参与，相互作用，在保证参与者利益的前提下使整体效用最大化的策略博弈过程。此外，虚拟电厂具有成员效益提高会使整体效益得到改善的特点。因此可以基于势博弈理论，以虚拟电厂整体效用为主体构建势函数，建立虚拟电厂成员选择模型，求解使虚拟电厂整体效用最大化的成员选择方案。

发明内容

为克服现有技术的不足，本发明旨在提出计及综合效率评价的虚拟电厂成员选择模型，在综合考虑了候选电力企业综合评价结果和各成员经济效益的基础上，能够确定出使得虚拟电厂整体势函数最大的虚拟电厂成员选择方案，既有利于优化虚拟电厂成员整体素质，提高服务水平和供电能力，同时可以让各成员获得满意的经济收益。模型对虚拟电厂成员进行选择的过程客观、有效，算法原理简单，易于转化为编程语言，从而可以利用此方法合理有效地进行虚拟电厂的规划。为此，本发明采取的技术方案是，计及综合效率评价的虚拟电厂组建方法，步骤如下：

CCR模型

对于k个DMU，每个DMU用m个输入指标和n个输出指标进行评价，则称DMU_i，的所有输入指标组成的向量为其输入向量：

X_i＝(x_1i,x_2i，…,x_mi)^T i＝1,2,…，k (1)

称DMU_i的所有输出指标组成的向量为其输出向量，右上角的角标T代表转置：

Y_i＝(y_1i,y_2i，…，y_ni)^T (2)

式中，T为向量转置符号。

CCR模型的具体数学表达式如公式(3)所示：

U^T,V^T≥0 (3)

式中，U和V分别为DMU_i的输出指标权重向量和输入指标权重向量；E_d为当前被评价决策单元DMU_d的CCR效率，其含义为：当E_d＝1时，DMU_d位于生产前沿面上，此时称DMU_d相对于其他DMU是有效的；当E_d<1时，DMU_d位于生产前沿面之内，则DMU_d是相对无效的；

交叉效率CCR模型

基于CCR模型求各DMU平均交叉效率的步骤为：首先求解CCR模型得到各DMU的最优权重向量

和

然后计算DMU_d各项指标在DMU_i最优权重下的交叉效率E_id，如公式(4)所示；最后求DMU_d的k个交叉效率的平均值得到其平均交叉效率

d＝1,2,k，如公式(5)所示：

博弈交叉效率CCR模型

博弈交叉效率CCR模型的二级约束为：当前被评价的DMU所选择的指标权重除了要使自身效率值尽可能优秀，还应该保证所选择的权重不会使其他DMU的交叉效率低于其期望交叉效率，改进后的博弈交叉效率CCR模型如公式(6)所示：

max E_dj＝μ^TY_d

s.t.μ^TY_i≤ω^TX_i,i＝1,2，…，k

ω^TX_d＝1

μ^T≥0，ω^T≥0 (6)

式中，e_j为DMU_j的期望交叉效率，E_dj为DMU_d对应于e_j的博弈交叉效率，公式(6)可以在保证DMU_d效率值最大的同时使DMU_j的交叉效率不低于给定的期望效率e_j，将这一计算过程重复进行k次可求得DMU_d与其他所有决策单元相对应的博弈交叉效率，求平均值得到DMU_d的平均博弈交叉效率e_d；

定义设

为求解模型(6)得到的DMU_d对应e_j的最优权重向量。则对于每个DMU_d，定义

为该DMU的平均博弈交叉效率；

在公式(6)和(7)的基础上进一步求解各DMU平均博弈交叉效率最优值的过程为：

第一步：求DMU_j的平均交叉效率，令迭代次数t＝1，并且令

第二步：求解DMU_d的平均博弈交叉效率：

表示成更一般的形式为：

第三步：在求出

之后，将其作为DMU_d新的期望交叉效率，再次求解DMU_d的平均博弈交叉效率，如果对于决策单元DMU_d，

其中ε为某一很小的正数，令

并跳转到第二步，如果

说明DMU_d的平均博弈交叉效率不再显著改进，则停止计算。此时，

即为DMU_d最终的平均博弈交叉效率；

建立计及综合效率评价的虚拟电厂成员数学模型，包括确定目标函数和约束条件；

基于势博弈的虚拟电厂成员选择模型

对应策略博弈的局中人、策略集以及效用函数三要素，将各候选电力企业和高载能企业视为局中人，电源企业的出力、储能电站的充放电功率以及CAIL生产用电决策为各自的策略集，并以各局中人目标函数为主体构造各局中人效用函数如下。

u_i(a_i,a_-i)＝F_i(a_i，a_-i)-F_p(a_i,a_-i) (32)

式中，F_i(a_i,a_-i)为局中人i的目标函数，F_p(a_i，a_-i)为功率平衡罚函数，用来表示虚拟电厂运行过程中必须满足的功率平衡约束，其表达式为：

式中，P_i为各局中人功率，P为高载能企业不可调负荷与民用负荷之和，σ为一个很大的系数，当其取值增大到一定程度后，求解得到的结果中罚函数项为0，代表满足了功率平衡约束；

以局中人目标函数为主体构造势函数φ来代表虚拟电厂的整体效用：

对于

有：

Δu_i＝u_i(a_i′，a_-i)-u_i(a_i″，a_-i)

＝(F_i(a_i′，a_-i)-F_p(a_i′，a_-i))-(F_i(a_i″，a_-i)-F_p(a_i″，a_-i) (35)

ΔΦ＝Δu_i (37)

公式(35)—(37)表明，虚拟电厂成员选择模型是一个以Φ为势函数的完全势博弈。

虚拟电厂成员评价指标体系

电力企业评价指标：

火电厂评价指标：输入指标-烟气污染物浓度、输入指标-设备噪声最大值、输出指标-计划检修实施率、输出指标-关键设备完好率；

风电场评价指标：输入指标-电压偏差越限次数、输入指标-功率因数越限比例、输出指标-高频率穿越比例、输出指标-低频率穿越比例、输出指标-低电压穿越比例；

储能电站评价指标：输入指标电池失效率、输入指标电池相对故障次数、输出指标充放电循环次数；

计及综合效率评价的虚拟电厂成员数学模型

(1)火电厂

①目标函数

火电厂的目标函数F_cf由净收益和效率函数两部分构成，为了使效率更高的企业能更多地参与到虚拟电厂生产过程中，将博弈交叉效率和总出力的乘积定义为效率函数，

F_cf＝α_cf[ω_cfR_cf+(1-ω_cf)E_cf] (10)

式中，α_cf为是否选择火电厂作为成员的0-1决策变量，ω_cf为权重系数，R_cf为火电厂收益函数，E_cf为火电厂效率函数，T_total为根据实际情况划分的时间段总数，ρ_vpp(t)为虚拟电厂中电力企业的电能交易价格，P_cf(t)为火电厂出力，ρ_coal为煤价，D_coal为火电厂煤耗，γ_cf为火电厂单位运维成本，P_cf,cap为火电厂容量，e_cf为火电厂博弈交叉效率；

②约束条件

α_cfP_cf,min≤P_cf(t)≤α_cfP_cf,cap (13)

ΔP_cf,min≤P_cf(t)-P_cf(t-1)≤ΔP_cf，max (14)

式中，P_cf,min为火电厂最小出力，ΔP_cf,max和ΔP_cf,min分别为火电厂爬坡功率上、下限；

(2)风电场

①目标函数

F_w＝α_w[ω_wR_w+(1-ω_w)E_w] (15)

式中，α_w为风电场成员选择决策变量，P_w(t)为风电场实际出力，γ_w为风电场单位运维成本，P_w,cap为风电场容量，e_w为风电场博弈交叉效率；

②约束条件

0≤P_w(t)≤α_wP_pre(t) (18)

式中，P_pre(t)为风电场预测出力；

(3)储能电站

①目标函数

F_es＝α_es[ω_esR_es+(1-ω_es)E_es] (19)

式中，α_es为储能电站成员选择决策变量，P_es(t)为t时段电站功率，P_es(t)>0电站放电，P_es(t)<0电站充电，δ_es为电站电池损耗成本,γ_es为电站单位运维成本，P_es,cap为电站容量，e_es为电站博弈交叉效率；

②约束条件

E(t+1)＝E(t)(1-γ_loss)-P_es(t)Δt (22)

α_esE_min≤E(t)≤α_esE_max (23)

-α_esP_chmax≤P_es(t)≤α_esP_dismax (24)

式中：E(t)为储能电站t时段储存的电能，γ_loss为储能电站的能量损耗率，E_max和E_min为储能电站存储能量的上、下限，P_chmax和P_dismax分别为储能电站最大充、放电功率；

(4)高载能企业

①目标函数

高载能企业中不可调负荷部分效益为固定值，因此其目标函数只考虑CAIL的收益和成本，包括销售产品的收益、提供旋转备用的收益、设备启停成本、用电成本以及环境成本；

式中，π_L为产品价格，c_L为产品产量，ρ_u和ρ_d为上、下旋转备用的价格，P_u(t)和P_d(t)为CAIL在t时段提供的上、下旋转备用功率，U和D为CAIL启、停成本，u和v为启、停状态变量，ρ_tou(t)为工业负荷用电电价，P_L(t)为t时段CAIL有功功率，ρ_env为环境成本；

②约束条件

P_L(t)-P_u(t)≥x(t)P_Lmin (26)

P_L(t)+P_d(t)≤x(t)P_Lmax (27)

P_u(t)≥0 (28)

P_d(t)≥0 (29)

c_order≤c_L≤c_max (31)

式中，x(t)为CAIL运行状态0-1变量，P_Lmin为CAIL最小运行功率，P_Lmax为CAIL最大运行功率，η_L为生产单位产品的用电量，c_order为日订单产量，c_max为日最大产量。

本发明的特点及有益效果是：

计及综合效率评价的虚拟电厂成员选择模型在综合考虑了候选电力企业综合评价结果和各成员经济效益的基础上，能够确定出使得虚拟电厂整体势函数最大的虚拟电厂成员选择方案，既有利于优化虚拟电厂成员整体素质，提高服务水平和供电能力，同时可以让各成员获得满意的经济收益。模型对虚拟电厂成员进行选择的过程客观、有效，算法原理简单，易于转化为编程语言，从而可以利用此方法合理有效地进行虚拟电厂的规划。

附图说明：

图1秋、冬季火电厂和储能电站功率。图中，(a)秋季，(b)冬季。

图2本发明流程图。

具体实施方式

目前电力系统面临着新能源消纳不充分、电能供给大于需求和负荷能源利用效率低的矛盾，虚拟电厂作为一种通过先进通信技术聚合各种资源的技术手段，是缓解上述矛盾的有效方式。然而，电力系统经过多年建设和发展，同一地区内会有多个同类型的电力企业存在，虚拟电厂组织者在组建虚拟电厂时就没有必要对各成员的选址、定容和建设问题进行规划，而是需要在现有电力企业中选择优质的成员直接组成虚拟电厂。基于此，在综合考虑候选电力企业的综合效率评价结果和各成员经济效益的基础上，本发明提出了一种虚拟电厂的成员选择模型，能够确定使虚拟电厂整体效用最大的成员选择方案。

本发明采取的技术方案如下：

1、CCR模型

最经典的DEA模型是1978年提出的CCR模型。假设存在k个DMU，每个DMU用m个输入指标和n个输出指标进行评价，则称DMU_i(i＝1,2,,k)的所有输入指标组成的向量为其输入向量：

X_i＝(x_1i,x_2i,…,x_mi)^T (1)

类似的，称DMU_i的所有输出指标组成的向量为其输出向量，右上角的角标T确实代表转置：

Y_i＝(y_1i,y_2i，…,y_ni)^T (2)

输入和输出是系统科学的术语，应用于具体的生产过程中可以看成是一个系统的投入和产出。一般来说，系统希望在生产过程中，投入的值尽可能小，而产出的值尽可能大，因此也可以根据这一规则将其他类型的不同量纲的指标归类成输入指标或者是输出指标。

CCR模型的具体数学表达式如公式(3)所示：

U^T,V^T≥0 (3)

式中，U和V分别为DMU_i的输出指标权重向量和输入指标权重向量；E_d为当前被评价决策单元DMU_d的CCR效率，其含义为：当E_d＝1时，DMU_d位于生产前沿面上，此时称DMU_d相对于其他DMU是有效的；当E_d<1时，DMU_d位于生产前沿面之内，则DMU_d是相对无效的。

2、交叉效率CCR模型

由CCR模型可知，每个DMU求得的指标权重都是使自身效率值最大的一组值，因此各DMU评价指标权重体系一般不同，所以只能根据CCR效率值判断决策单元是否有效，无法直接对不同DMU的效率值大小进行比较。为了达到对DMU效率进行排序的目的，Sexton等学者使用交叉效率对传统CCR模型进行了改进。

基于CCR模型求各DMU平均交叉效率的步骤为：首先求解CCR模型得到各DMU的最优权重向量

和

然后计算DMU_d各项指标在DMU_i最优权重下的交叉效率E_id，如公式(4)所示；最后求DMU_d的k个交叉效率的平均值得到其平均交叉效率

如公式(5)所示。

平均交叉效率包括了用所有DMU的权重对其进行评价的结果，所以实际上采用平均交叉效率对DMU进行评价是一个将自评与互评相结合的过程，使得所有DMU最终的评价结果都建立在一个共同的权重体系上，各DMU之间可以进行效率值的比较和排序。

3、博弈交叉效率CCR模型

使用不同的算法求解交叉效率CCR模型，得到的最优权重和最终的平均交叉效率值可能不统一，因此需要增加二级约束对平均交叉效率模型进行修正，本发明采用的博弈交叉效率CCR模型就是基于交叉效率CCR模型的一种修正模型。

采用如下博弈策略作为二级约束对交叉效率求解过程进行改进可以得到DMU的博弈交叉效率：当前被评价的DMU所选择的指标权重除了要使自身效率值尽可能优秀，还应该保证所选择的权重不会使其他DMU的交叉效率低于其期望交叉效率。

改进后的博弈交叉效率CCR模型如公式(6)所示：

max E_dj＝μ^TY_d

s.t.μ^TY_i≤ω^TX_i,i＝1，2,，k

ω^TX_d＝1

μ^T≥0,ω^T≥0 (6)

式中，e_j为DMU_j的期望交叉效率，E_dj为DMU_d对应于e_j的博弈交叉效率。公式(6)可以在保证DMU_d效率值最大的同时使DMU_j的交叉效率不低于给定的期望效率e_j。将这一计算过程重复进行k次可求得DMU_d与其他所有决策单元相对应的博弈交叉效率，求平均值得到DMU_d的平均博弈交叉效率e_d。

定义设

为求解模型(6)得到的DMU_d对应e_j的最优权重向量。则对于每个DMU_d，定义

为该DMU的平均博弈交叉效率。

在公式(6)和(7)的基础上进一步求解各DMU平均博弈交叉效率最优值的过程为：

第一步：求DMU_j的平均交叉效率，令迭代次数t＝1，并且令

第二步：求解DMU_d的平均博弈交叉效率：

表示成更一般的形式为：

第三步：在求出

之后，将其作为DMU_d新的期望交叉效率，再次求解DMU_d的平均博弈交叉效率。如果对于决策单元DMU_d，

其中ε为某一很小的正数，令

并跳转到第二步。如果

说明DMU_d的平均博弈交叉效率不再显著改进，则停止计算。此时，

即为DMU_d最终的平均博弈交叉效率。

交叉效率CCR针对传统CCR评价指标权重体系不统一，无法进行DMU排序的不足进行了改进；博弈交叉效率CCR则弥补了交叉效率CCR所得出的结果可能不唯一的缺点。三种效率评价是逐步对前者进行改进的关系，本发明最终采用的效率评价模型为博弈交叉效率CCR模型。

4、虚拟电厂成员评价指标体系

表1电力企业评价指标

Tab.1 Evaluation indexes of power enterprises

火电厂评价指标的选取主要从环境保护和供电稳定的角度考虑，风电场评价指标体系的建立主要从稳定性、可靠性的角度考虑，而储能电站的评价指标选取则从可靠性和持续性的方面考虑。

5、计及综合效率评价的虚拟电厂成员数学模型

(1)火电厂

①目标函数

火电厂的目标函数F_cf由净收益和效率函数两部分构成。为了使效率更高的企业能更多地参与到虚拟电厂生产过程中，将博弈交叉效率和总出力的乘积定义为效率函数。

F_cf＝α_cf[ω_cfR_cf+(1-ω_cf)E_cf] (10)

式中，α_cf为是否选择火电厂作为成员的0-1决策变量，ω_cf为权重系数，R_cf为火电厂收益函数，E_cf为火电厂效率函数，ρ_vpp(t)为虚拟电厂中电力企业的电能交易价格，P_cf(t)为火电厂出力，ρ_coal为煤价，D_co_al为火电厂煤耗，γ_cf为火电厂单位运维成本，P_cf,cap为火电厂容量，e_cf为火电厂博弈交叉效率。

②约束条件

α_cfP_cf,min≤P_cf(t)≤α_cfP_cf,cap (13)

ΔP_cf,min≤P_cf(t)-P_cf(t-1)≤ΔP_cf,max (14)

式中，P_cf,min为火电厂最小出力，ΔP_cf，max和ΔP_cf,min分别为火电厂爬坡功率上、下限。

(2)风电场

①目标函数

F_w＝α_w[ω_wR_w+(1-ω_w)E_w] (15)

式中，α_w为风电场成员选择决策变量，P_w(t)为风电场实际出力，γ_w为风电场单位运维成本，P_w,cap为风电场容量，e_w为风电场博弈交叉效率。

②约束条件

0≤P_w(t)≤α_wP_pre(t) (18)

式中，P_pre(t)为风电场预测出力。

(3)储能电站

①目标函数

F_es＝α_es[ω_esR_es+(1-ω_es)E_es] (19)

式中，α_es为储能电站成员选择决策变量，P_es(t)为t时段电站功率，P_es(t)>0电站放电，P_es(t)<0电站充电，δ_es为电站电池损耗成本,γ_es为电站单位运维成本，P_es，cap为电站容量，e_es为电站博弈交叉效率。

②约束条件

E(t+1)＝E(t)(1-γ_loss)-P_es(t)Δt (22)

α_esE_min≤E(t)≤α_esE_max (23)

-α_esP_chmax≤P_es(t)≤α_esP_dismax (24)

式中：E(t)为储能电站t时段储存的电能，γ_loss为储能电站的能量损耗率，E_max和E_min为储能电站存储能量的上、下限，P_chmax和P_dismax分别为储能电站最大充、放电功率。

(4)高载能企业

①目标函数

高载能企业中不可调负荷部分效益为固定值，因此其目标函数只考虑CAIL的收益和成本，包括销售产品的收益、提供旋转备用的收益、设备启停成本、用电成本以及环境成本。

式中，π_L为产品价格，c_L为产品产量，ρ_u和ρ_d为上、下旋转备用的价格，P_u(t)和P_d(t)为CAIL在t时段提供的上、下旋转备用功率，U和D为CAIL启、停成本，u和v为启、停状态变量，ρ_tou(t)为工业负荷用电电价，P_L(t)为t时段CAIL有功功率，ρ_env为环境成本。

②约束条件

P_L(t)-P_u(t)≥x(t)P_Lmin (26)

P_L(t)+P_d(t)≤x(t)P_Lmax (27)

P_u(t)≥0 (28)

P_d(t)≥0 (29)

c_order≤c_L≤c_max (31)

式中，x(t)为CAIL运行状态0-1变量，P_Lmin为CAIL最小运行功率，P_Lmax为CAIL最大运行功率，η_L为生产单位产品的用电量，co_rder为日订单产量，c_max为日最大产量。

6、基于势博弈的虚拟电厂成员选择模型

对应策略博弈的局中人、策略集以及效用函数三要素，将各候选电力企业和高载能企业视为局中人，电源企业的出力、储能电站的充放电功率以及CAIL生产用电决策为各自的策略集，并以各局中人目标函数为主体构造各局中人效用函数如下。

u_i(a_i,a_-i)＝F_i(a_i,a_-i)-F_p(a_i,a_-i) (32)

式中，F_i(a_i,a_-i)为局中人i的目标函数，F_p(a_i,a_-i)为功率平衡罚函数，用来表示虚拟电厂运行过程中必须满足的功率平衡约束，其表达式为：

式中，P_i为各局中人功率，P为高载能企业不可调负荷与民用负荷之和。σ为一个很大的系数，当其取值增大到一定程度后，求解得到的结果中罚函数项为0，代表满足了功率平衡约束。

以局中人目标函数为主体构造势函数φ来代表虚拟电厂的整体效用：

对于

有：

Δu_i＝u_i(a_i',a_-i)-u_i(a_i″,a_-i)

＝(F_i(a_i',a_-i)-F_p(a_i',a_-i))-(F_i(a_i″,a_-i)-F_p(a_i″,a_-i)) (35)

ΔΦ＝Δu_i (37)

公式(35)—(37)的推导结果表明，虚拟电厂成员选择模型是一个以Φ为势函数的完全势博弈。

本发明可以编写成一个软件，用于在组建虚拟电厂时对各类电力企业成员进行优选，为虚拟电厂组织者提供最优的虚拟电厂成员组成方案，实施过程分为两步：第一步输入各候选电力企业的评价指标数值，得到候选企业的综合效率评价结果；第二步输入各成员的运行参数，对虚拟电厂运行情况进行仿真，得到最优的成员选择方案。

下面以某虚拟电厂的成员方案确定过程为例，对本发明做进一步说明。有3个火电厂、3个风电场和3个储能电站作为候选企业，并安排高载能企业参与虚拟电厂的协调调度，针对不同季节风电场出力和负荷需求情况的差异，对四个季节的虚拟电厂成员选择方案分别进行求解。3个火电厂的容量分别为300MW、200MW、200MW；3个风电场的容量分别为150MW、120MW、120MW；3个储能电站的容量分别为10MWh、15MWh、12MWh；CAIL的有功功率上下限分别为100MW和40MW。算例中涉及的其余参数取值见表2，根据实际负荷情况和虚拟电厂候选企业数目的不同，还可以对各类候选企业的具体参数进行调整。

表2虚拟电厂运行参数

Tab.2 Operating parameters of VPP

成员选择方案分析

表3虚拟电厂四季成员选择方案

Tab.3 Member selection plans of VPP in four seasons

表3为用成员选择变量表示的虚拟电厂成员选择方案。由表中成员选择方案可知，春季、夏季和冬季均选择风电场1、3参与虚拟电厂。虽然风电场2与风电场3容量相同，两者在不同季节的出力也比较接近，甚至前者运维成本还略低于后者，但是在考虑两个风电场综合评价的基础上，效率值更高的风电场3参与虚拟电厂可以使虚拟电厂的整体效用更高。

表4为不同季节风电场成员发电量消纳情况。除了风电场3在春冬两季的发电量有剩余，其余情况下风电场成员的出力均可以全部被消纳。这说明虚拟电厂会尽量增加风电场成员的出力机会，不仅促进了对风能的利用，平抑了风电场出力的波动幅度，也促进了虚拟电厂的电能供给清洁化，降低了供电过程中产生的环境污染。

虽然风力发电与传统燃煤发电相比有诸多优点，但这并不意味着虚拟电厂的最优成员选择方案必须包括所有候选风电场。春夏两季风电场出力较低，即使3个风电场全部参加虚拟电厂，仍然不足以满足负荷需求，还是需要火电厂成员加入，供给其余电能；冬季虽然是一年中风能最充沛的季节，但由于风能资源具有随机性和波动性，风电场某些时段出力仍然很小，需要火电厂的稳定出力作为基础。因此，要满足负荷对于稳定可靠供电的需求，就必须有火电厂参与虚拟电厂。从火电厂的角度考虑，要保证正常生产首先要稳定输出一定的功率，其次，在负荷情况基本确定的情况下，增加风电场必然会瓜分出力机会，减少其获利；从整个虚拟电厂的角度看，选择火电厂成员就必须承担其运维成本，这就需要火电厂出力达到一定规模才可以使其单位出力创造足够的效益。所以，春、夏、冬三季只选择2个风电场成员的方案既可以使被选中的火电厂稳定出力，保障供电的可靠性，又促进了对风电的消纳，从而实现对电源的最优化利用，提高整体效用。可见，虚拟电厂不应盲目选择更清洁、利润更高的成员，而是需要根据实际情况综合考虑。

表4四季风电场成员电能消纳比例

Tab.4 Energy consumption proportion of wind farm members in fourseasons

图1为秋冬两季火电厂和储能电站成员功率。火电厂功率能够始终保持在最低允许出力水平以上，具有可观的利用小时数。储能电站只在秋季和冬季参与虚拟电厂，而且基本在火电厂接近或达到满发状态时段放电，起到了在电能富裕时段储存电能，在电能短缺时段补足电能供给缺口的作用。但是现阶段储能设备造价和运行维护成本高，能量转换效率低，建造规模和创造的效益有限，还难以完全发挥自身优势。

从上述分析可以看出，所建立的计及综合效率评价的虚拟电厂成员选择模型所得出的方案有明显的季节差异，能够选择综合效率更高的企业，合理配置成员构成，得到使整体效用最高的不同类型电力企业的最优组合，在稳定供电的前提下，改善风电消纳情况，同时也创造了更多利润。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种计及综合效率评价的虚拟电厂组建方法，其特征是，步骤如下：

CCR模型

对于k个DMU，每个DMU用m个输入指标和n个输出指标进行评价，则称DMU_i，的所有输入指标组成的向量为其输入向量：

X_i＝(x_1i,x_2i,…,x_mi)^Ti＝1,2,…,k (1)

称DMU_i的所有输出指标组成的向量为其输出向量，右上角的角标T代表转置：

Y_i＝(y_1i,y_2i,…,y_ni)^T (2)

式中，T为向量转置符号；

CCR模型的具体数学表达式如公式(3)所示：

U^T,V^T≥0 (3)

式中，U和V分别为DMU_i的输出指标权重向量和输入指标权重向量；E_d为当前被评价决策单元DMU_d的CCR效率，其含义为：当E_d＝1时，DMU_d位于生产前沿面上，此时称DMU_d相对于其他DMU是有效的；当E_d<1时，DMU_d位于生产前沿面之内，则DMU_d是相对无效的；

交叉效率CCR模型

基于CCR模型求各DMU平均交叉效率的步骤为：首先求解CCR模型得到各DMU的最优权重向量

和

然后计算DMU_d各项指标在DMU_i最优权重下的交叉效率E_id，如公式(4)所示；最后求DMU_d的k个交叉效率的平均值得到其平均交叉效率

d＝1,2,…k，如公式(5)所示：

博弈交叉效率CCR模型

博弈交叉效率CCR模型的二级约束为：当前被评价的DMU所选择的指标权重除了要使自身效率值尽可能优秀，还应该保证所选择的权重不会使其他DMU的交叉效率低于其期望交叉效率，改进后的博弈交叉效率CCR模型如公式(6)所示：

max E_dj＝μ^TY_d

s.t.μ^TY_i≤ω^TX_i,i＝1,2,…,k

ω^TX_d＝1

μ^T≥0,ω^T≥0 (6)

式中，e_j为DMU_j的期望交叉效率，E_dj为DMU_d对应于e_j的博弈交叉效率，公式(6)可以在保证DMU_d效率值最大的同时使DMU_j的交叉效率不低于给定的期望效率e_j，将这一计算过程重复进行k次可求得DMU_d与其他所有决策单元相对应的博弈交叉效率，求平均值得到DMU_d的平均博弈交叉效率e_d；

定义设

为求解模型(6)得到的DMU_d对应e_j的最优权重向量，则对于每个DMU_d，定义

为该DMU的平均博弈交叉效率；

在公式(6)和(7)的基础上进一步求解各DMU平均博弈交叉效率最优值的过程为：

第一步：求DMU_j的平均交叉效率，令迭代次数t＝1，并且令

第二步：求解DMU_d的平均博弈交叉效率：

表示成更一般的形式为：

第三步：在求出

之后，将其作为DMU_d新的期望交叉效率，再次求解DMU_d的平均博弈交叉效率，如果对于决策单元DMU_d，

其中ε为某一很小的正数，令

并跳转到第二步，如果

说明DMU_d的平均博弈交叉效率不再显著改进，则停止计算，此时，

即为DMU_d最终的平均博弈交叉效率；

建立计及综合效率评价的虚拟电厂成员数学模型，包括确定目标函数和约束条件；

基于势博弈的虚拟电厂成员选择模型

对应策略博弈的局中人、策略集以及效用函数三要素，将各候选电力企业和高载能企业视为局中人，电源企业的出力、储能电站的充放电功率以及CAIL生产用电决策为各自的策略集，并以各局中人目标函数为主体构造各局中人效用函数如下：

u_i(a_i,a_-i)＝F_i(a_i,a_-i)-F_p(a_i,a_-i) (32)

式中，F_i(a_i,a_-i)为局中人i的目标函数，F_p(a_i,a_-i)为功率平衡罚函数，用来表示虚拟电厂运行过程中必须满足的功率平衡约束，其表达式为：

式中，P_i为各局中人功率，P为高载能企业不可调负荷与民用负荷之和，σ为一个很大的系数，当其取值增大到一定程度后，求解得到的结果中罚函数项为0，代表满足了功率平衡约束；

以局中人目标函数为主体构造势函数φ来代表虚拟电厂的整体效用：

对于

有：

Δu_i＝u_i(a_i',a_-i)-u_i(a_i”,a_-i)

＝(F_i(a_i',a_-i)-F_p(a_i',a_-i))-(F_i(a_i”,a_-i)-F_p(a_i”,a_-i)) (35)

ΔΦ＝Δu_i (37)

公式(35)—(37)表明，虚拟电厂成员选择模型是一个以Φ为势函数的完全势博弈。

2.如权利要求1所述的计及综合效率评价的虚拟电厂组建方法，其特征是，建立虚拟电厂成员评价指标体系如下：

电力企业评价指标：

火电厂评价指标：输入指标-烟气污染物浓度、输入指标-设备噪声最大值、输出指标-计划检修实施率、输出指标-关键设备完好率；

风电场评价指标：输入指标-电压偏差越限次数、输入指标-功率因数越限比例、输出指标-高频率穿越比例、输出指标-低频率穿越比例、输出指标-低电压穿越比例；

储能电站评价指标：输入指标电池失效率、输入指标电池相对故障次数、输出指标充放电循环次数；

计及综合效率评价的虚拟电厂成员数学模型

(1)火电厂

①目标函数

火电厂的目标函数F_cf由净收益和效率函数两部分构成，为了使效率更高的企业能更多地参与到虚拟电厂生产过程中，将博弈交叉效率和总出力的乘积定义为效率函数，

F_cf＝α_cf[ω_cfR_cf+(1-ω_cf)E_cf] (10)

式中，α_cf为是否选择火电厂作为成员的0-1决策变量，ω_cf为权重系数，R_cf为火电厂收益函数，E_cf为火电厂效率函数，T_total为根据实际情况划分的时间段总数，ρ_vpp(t)为虚拟电厂中电力企业的电能交易价格，P_cf(t)为火电厂出力，ρ_coal为煤价，D_coal为火电厂煤耗，γ_cf为火电厂单位运维成本，P_cf,cap为火电厂容量，e_cf为火电厂博弈交叉效率；

②约束条件

α_cfP_cf,min≤P_cf(t)≤α_cfP_cf,cap (13)

ΔP_cf,min≤P_cf(t)-P_cf(t-1)≤ΔP_cf,max (14)

式中，P_cf,min为火电厂最小出力，ΔP_cf,max和ΔP_cf,min分别为火电厂爬坡功率上、下限；

(2)风电场

①目标函数

F_w＝α_w[ω_wR_w+(1-ω_w)E_w] (15)

式中，α_w为风电场成员选择决策变量，P_w(t)为风电场实际出力，γ_w为风电场单位运维成本，P_w,cap为风电场容量，e_w为风电场博弈交叉效率；

②约束条件

0≤P_w(t)≤α_wP_pre(t) (18)

式中，P_pre(t)为风电场预测出力；

(3)储能电站

①目标函数

F_es＝α_es[ω_esR_es+(1-ω_es)E_es] (19)

式中，α_es为储能电站成员选择决策变量，P_es(t)为t时段电站功率，P_es(t)>0电站放电，P_es(t)<0电站充电，δ_es为电站电池损耗成本,γ_es为电站单位运维成本，P_es,cap为电站容量，e_es为电站博弈交叉效率；

②约束条件

E(t+1)＝E(t)(1-γ_loss)-P_es(t)Δt (22)

α_esE_min≤E(t)≤α_esE_max (23)

-α_esP_chmax≤P_es(t)≤α_esP_dismax (24)

式中：E(t)为储能电站t时段储存的电能，γ_loss为储能电站的能量损耗率，E_max和E_min为储能电站存储能量的上、下限，P_chmax和P_dismax分别为储能电站最大充、放电功率；

(4)高载能企业

①目标函数

高载能企业中不可调负荷部分效益为固定值，因此其目标函数只考虑CAIL的收益和成本，包括销售产品的收益、提供旋转备用的收益、设备启停成本、用电成本以及环境成本；

式中，π_L为产品价格，c_L为产品产量，ρ_u和ρ_d为上、下旋转备用的价格，P_u(t)和P_d(t)为CAIL在t时段提供的上、下旋转备用功率，U和D为CAIL启、停成本，u和v为启、停状态变量，ρ_tou(t)为工业负荷用电电价，P_L(t)为t时段CAIL有功功率，ρ_env为环境成本；

②约束条件

P_L(t)-P_u(t)≥x(t)P_Lmin (26)

P_L(t)+P_d(t)≤x(t)P_Lmax (27)

P_u(t)≥0 (28)

P_d(t)≥0 (29)

c_order≤c_L≤c_max (31)

式中，x(t)为CAIL运行状态0-1变量，P_Lmin为CAIL最小运行功率，P_Lmax为CAIL最大运行功率，η_L为生产单位产品的用电量，c_order为日订单产量，c_max为日最大产量。

Images