CN113837449B - 虚拟电厂参与的电网系统集中优化调度方法 - Google Patents

Abstract

本发明涉及一种虚拟电厂参与的电网系统集中优化调度方法，属于交流配电网络调度技术领域。该方法针对多种分布式能源的技术特性和经济特性，建立了虚拟电厂多源优化调度模型；同时建立了考虑功率以及成本耦合的虚拟电厂参与电网系统双层优化调度模型，通过发电量约束与成本传导实现了电网系统集中优化调度模型与虚拟电厂多源优化模型的双重耦合；从而提高整个电网系统集中优化调度的准确度，并最终实现社会发用电成本与虚拟电厂经济效益的共赢。

Description

虚拟电厂参与的电网系统集中优化调度方法

技术领域

本发明涉及一种虚拟电厂与电力系统的优化调度方法，属于交流配电网络调度技术领域。

背景技术

随着智能电网技术的飞速发展，虚拟电厂利用先进智能控制技术整合协调分布式能源、储能系统以及可控负荷参与电网的优化调度运行，有效处理了风电和光伏发电的出力不确定性问题，提高电网的经济性、稳定性、可靠性。在虚拟电厂的整合下，风电、光伏及储能等低容量的分布式能源可以有效整合为一个大容量、高可靠性的灵活电源，降低了分布式电源独立参加市场的风险，同时虚拟电厂对分布式电源的协调优化可以有效减小分布式电源并网对主网的冲击，提高系统运行稳定性，从而更具竞争力的参与电力系统调度中心(ISO)的集中优化调度。

目前，虚拟电厂参与电力系统集中优化调度仍存在诸多难点。通过虚拟电厂内部优化调度，虚拟电厂可以在满足对外输出功率的要求下，实现虚拟电厂内部发电资源的最优配置，但虚拟电厂参与电网整个电力系统集中优化调度是一个复杂的动态迭代过程，因此该最优配置方案不能满足电网整个电力系统调度的优化。

公开号CN112311017A的中国专利申请公开了一种虚拟电厂与主网最优协同调度方法，该方法建立了下层模型和上层模型，两层模型是基于运行成本的目标函数进行协同优化。但该方法忽略了在虚拟电厂内部优化调度时不可控分布式电源的功率波动性带来的功率偏差所造成的影响，导致上下两层模型之间的耦合度不够，优化调度的准确度降低。

发明内容

本发明要解决的技术问题是：改进现有的涵盖虚拟电厂的电网系统集中优化调度时上下层之间的耦合度，以提高整个电网系统集中优化调度的准确度。

本发明为解决上述技术问题提出的技术方案是：一种虚拟电厂参与的电网系统集中优化调度方法，以整个电网系统为上层，以虚拟电厂为下层，包括以下步骤：A、构建以发电成本最低目标的电网系统上层集中优化调度模型，A1、构建所述电网系统上层集中优化调度模型的目标函数如下式(1)，

式(1)中，C_G、C_W、C_PV分别是除虚拟电厂以外的常规火电机组、风电机组和光伏电站的发电成本，P_G,i,t、P_W,j,t、P_PV,k,t分别是除虚拟电厂以外的常规第i台火电机组、第j台风电机组和第k个光伏电站在第t时刻的发电功率，I、J、K、T分别是除虚拟电厂以外火电机组、风电机组、光伏电站的数量集合和调度周期，C_VPP是虚拟电厂的耗量成本，P_VPP,t是t时刻虚拟电厂的计划发电功率，R_VPP,t是虚拟电厂在t时刻提供的备用发电功率容量，R_G,i,t是虚拟电厂第i台火电机组在t时刻的备用发电功率容量，C_R是相应R_G,i,t的成本，λ_R,t是t时刻虚拟电厂备用发电功率容量的补偿价格；

A2、构建电网系统各发电机组的输出功率、负荷-电网系统供需平衡和线路潮流的约束条件

各发电机组的输出功率约束如下式(8)-(11)，

式(8)-(11)中，和/>分别是除虚拟电厂以外第i台火电机组的最小输出功率和最大输出功率，/>和/>分别是除虚拟电厂以外第i台火电机组的最大功率下降和提升的调整速率，/>和/>分别是除虚拟电厂以外第j台风电机组的最小输出功率和最大输出功率,/>和/>分别是除虚拟电厂以外第k个光伏电站的最小输出功率和最大输出功率；

负荷-电网系统供需平衡约束如下式(12)-(13)，

式(12)-(13)中，L_R,t是t时刻电网系统备用发电功率容量的总需求量；L_t是t时刻电网系统总负荷的预测值；

线路潮流约束如下式(14)-(15)，

式(14)-(15)中，为线路的最大传输电功率容量；/>和/>分别是线路节点i的电压幅值下限和上限；

B、以负荷预测作为输入数据，代入到步骤A的式(1)中，求解得到初始的发电计划和备用容量计划并下达给电力系统各发电厂商和虚拟电厂，所述发电计划是指各机组的发电功率，所述备用容量计划是指各机组的备用发电功率；

B1、输入所在地区未来24小时电网系统总负荷预测值L_t、分布式风电机组未来24小时功率负荷预测值P_W,j,t和所在地区的峰谷分时交易电价λ_t；

B2、电网系统预估虚拟电厂发电成本和备用容量成本之和，表达如下式(16)，

C_VPP(P_VPP,t+R_VPP,t) (16)；

B3、将虚拟电厂发电成本C_VPP(P_VPP,t+R_VPP,t)代入上式(1)，通过量子遗传算法迭代求解式(1)，得到初始的电网系统和虚拟电厂的发电计划和备用容量计划，表达如式(17)，并向电网系统的各发电厂商和虚拟电厂公布,

{P_G,i,t,R_G,i,t,P_VPP,t,R_VPP,t} (17)；

步骤C、虚拟电厂以接收到的发电计划和备用容量计划为约束，构建下层内部分布式电源优化调度模型；

C1、虚拟电厂进行内部风电光伏发电功率预报，表达如下式(18)，

C2、建立虚拟电厂的发电功率耦合模型

以代表分布式风电机组与光伏机组的实际输出功率，虚拟电厂的发电功率耦合模型表达如下(19)，

式(19)中，是弃风/光惩罚费用，/>是弃风/光量，/>是风场/光伏电站实际出力，/>是VPP内负荷售电电价，γ是壁垒系数，γ表达如下式(20)，

C3、构建下层虚拟电厂优化调度目标函数如下式(21)，

式(21)中，λ_tP_vpp,t是虚拟电厂的发电功率结算收益，λ_R,tR_VPP,t是虚拟电厂的备用容量结算收益，式(21)和式(1)通过C_VPP(P_VPP,t+R_VPP,t)实现运行成本的耦合；

C4、构建考虑功率平衡、各分布式机组运行特性、储能充放电的下层虚拟电厂调度约束：

功率平衡约束的表达如下式(22)，

式(22)中，P_DG,i,t、P_W,j,t、P_PV,k,t、P_ES,l,t分别为虚拟电厂内部第i台火电机组、第j台风电机组和第k个光伏电站、第i台火电机组在第t时刻的发电功率；

虚拟电厂中分布式发电机组、风电机组与光伏机组的运行特性约束条件的表达式与式(8)-(11)相同；

储能设备容量约束的表达如下式(23)-(24)，

式(22)-(23)中，E_l,t是t时刻储能设备l的存储电量，E_l,0是储能设备的初始电量，和/>分别是储能设备l的容量下限和上限；

储能设备充放电速率约束的表达如下式(25)-(26)，

式(24)-(25)中，和/>分别是储能设备l的最大放电和充电速率；步骤D、将步骤C得到更新的虚拟电厂发电成本作为步骤B3中式(16)表达的虚拟电厂发电成本，通过量子遗传算法迭代求解式(1)，得到式(17)表达的更新的电网系统和虚拟电厂的发电计划和备用容量计划；

比较更新前后的虚拟电厂发电成本、发电计划和备用容量计划，1)如果更新后的虚拟电厂发电成本、发电计划和备用容量计划优于更新前的，则重复本步骤D，如此循环往复直至上层集中优化调度模型与下层内部分布式电源优化调度模型同时达到最优解，得到最优的虚拟电厂发电成本、发电计划和备用容量计划2)如果更新前的虚拟电厂发电成本、发电计划和备用容量计划优于更新后的，则停止本步骤，以更新前的虚拟电厂发电成本、发电计划和备用容量计划作为最优的虚拟电厂发电成本、发电计划和备用容量计划，电网系统的各发电厂商和虚拟电厂按照该最优的发电计划和备用容量计划执行。

本发明的有益效果是：针对多种分布式能源的技术特性和经济特性，建立了以多源优化聚合和协调互补运行为目标的虚拟电厂多源(内部分布式电源)优化调度模型；同时建立了虚拟电厂参与电网系统双层之间的功率和成本双重耦合的双层优化调度模型，通过发电量(发电功率)约束与经济成本传导实现了电网系统集中优化调度模型与虚拟电厂多源优化调度模型之间的双重耦合。一方面，虚拟电厂可以通过多源互补形成多源协调的内部优化调度方案；另一方面，虚拟电厂代表内部分布式能源参与电力系统的集中优化调度，通过响应电网调度中心的调度指令并动态调整各分布式能源输出功率，从而提高整个电网系统集中优化调度的准确度，并最终实现社会发用电成本与虚拟电厂经济效益的共赢。

进一步，所述C_G、C_W、C_PV、C_VPP、C_R和λ_R,t分别满足下式(2)-(7)：

C_W(P_W,j,t)＝a_W,jP_W,j,t (3)，

C_PV(P_PV,k,t)＝a_PV,kP_PV,k,t (4)，

式(2)-(7)中，a_G,i、b_G,i、c_G,i是除虚拟电厂以外第i台火电机组的耗量特性参数；a_W,j是除虚拟电厂以外第j台风电机组的耗量特性参数；a_PV,k是除虚拟电厂以外第k个光伏电站的耗量特性参数；π_R/G、π_R/VPP分别是是虚拟电厂外部的火电机组备用容量成本与发电成本的相关性系数，虚拟电厂备用容量成本与发电成本的相关性系数；π_R是虚拟电厂的备用容量补偿价格λ_R,t与峰谷分时交易电价λ_t的相关性系数。

附图说明

下面结合附图对本发明的虚拟电厂参与的电网系统集中优化调度方法作进一步说明。

图1是实施例虚拟电厂参与的电网系统集中优化调度方法针对的某电网系统拓扑图。

图2是实施例中两种调度场景下虚拟电厂在一个节点的输出功率时间曲线图。

图3是实施例中两种调度场景下虚拟电厂在另一个节点的输出功率时间曲线图。

具体实施方式

实施例

本实施例针对某电网系统，该电网系统的拓扑图如图1所示，本实施例的虚拟电厂参与的电网系统集中优化调度方法，以整个电网系统为上层，以虚拟电厂为下层，其流程包括以下步骤：

A、构建以发电成本最低目标的电网系统上层集中优化调度模型

A1、构建电网系统上层集中优化调度模型的目标函数如下式(1)，

式(1)中，C_G、C_W、C_PV分别是除虚拟电厂以外的常规火电机组、风电机组和光伏电站的发电成本，P_G,i,t、P_W,j,t、P_PV,k,t分别是除虚拟电厂以外的常规第i台火电机组、第j台风电机组和第k个光伏电站在第t时刻的发电功率，I、J、K、T分别是除虚拟电厂以外火电机组、风电机组、光伏电站的数量集合和调度周期，C_VPP是虚拟电厂的耗量成本，P_VPP,t是t时刻虚拟电厂的计划发电功率，R_VPP,t是虚拟电厂在t时刻提供的备用发电功率容量，R_G,i,t是虚拟电厂第i台火电机组在t时刻的备用发电功率容量，C_R是相应R_G,i,t的成本，λ_R,t是t时刻虚拟电厂备用发电功率容量的补偿价格。

各成本或价格C_G、C_W、C_PV、C_VPP、C_R和λ_R,t分别满足下式(2)-(7)：

C_W(P_W,j,t)＝a_W,jP_W,j,t (3)，

C_PV(P_PV,k,t)＝a_PV,kP_PV,k,t (4)，

式(2)-(7)中，a_G,i、b_G,i、c_G,i是除虚拟电厂以外第i台火电机组的耗量特性参数；a_W,j是除虚拟电厂以外第j台风电机组的耗量特性参数；a_PV ^,k是除虚拟电厂以外第k个光伏电站的耗量特性参数；π_R/G、π_R/VPP分别是是虚拟电厂外部的火电机组备用容量成本与发电成本的相关性系数，虚拟电厂备用容量成本与发电成本的相关性系数；π_R是虚拟电厂的备用容量补偿价格λ_R,t与峰谷分时交易电价λ_t的相关性系数。

A2、构建电网系统各发电机组的输出功率、负荷-电网系统供需平衡和线路潮流的约束条件

各发电机组的输出功率约束如下式(8)-(11)，

式(8)-(11)中，和/>分别是除虚拟电厂以外第i台火电机组的最小输出功率和最大输出功率，/>和/>分别是除虚拟电厂以外第i台火电机组的最大功率下降和提升的调整速率，/>和/>分别是除虚拟电厂以外第j台风电机组的最小输出功率和最大输出功率,/>和/>分别是除虚拟电厂以外第k个光伏电站的最小输出功率和最大输出功率。

负荷-电网系统供需平衡约束如下式(12)-(13)，

式(12)-(13)中，L_R,t是t时刻电网系统备用发电功率容量的总需求量；L_t是t时刻电网系统总负荷的预测值。

线路潮流约束如下式(14)-(15)，

式(14)-(15)中，为线路的最大传输电功率容量；/>和/>分别是线路节点i的电压幅值下限和上限。

B、以负荷预测作为输入数据，代入到步骤A的式(1)中，求解得到初始的发电计划和备用容量计划并下达给电力系统各发电厂商和虚拟电厂，所述发电计划是指各机组的发电功率，所述备用容量计划是指各机组的备用发电功率。

B1、输入所在地区未来24小时电网系统总负荷预测值L_t、分布式风电机组未来24小时功率负荷预测值P_W,j,t和所在地区的峰谷分时交易电价λ_t；例如某地区L_t、P_W,j,t和λ_t分别如下表1、2、3所示：

表1未来24小时负荷预测预测值L_t

表2分布式风电机组未来24小时功率预测值P_W,j,t

表3峰谷交易电价λ_t

B2、电网系统预估虚拟电厂发电成本和备用容量成本之和，表达如下式(16)，

C_VPP(P_VPP,t+R_VPP,t) (16)。

B3、将虚拟电厂发电成本C_VPP(P_VPP,t+R_VPP,t)代入上式(1)，通过量子遗传算法迭代求解式(1)，得到初始的上层电网系统和下层虚拟电厂的发电计划和备用容量计划，表达如式(17)，并向电网系统的各发电厂商和虚拟电厂公布,

{P_G,i,t,R_G,i,t,P_VPP,t,R_VPP,t} (17)。

步骤C、虚拟电厂以接收到的发电计划和备用容量计划为约束，构建虚拟电厂下层多源(内部分布式电源)优化调度模型；

C1、虚拟电厂进行内部风电光伏发电功率预报，表达如下式(18)，

本实施例中，以代表分布式风电机组与光伏机组的实际输出功率。

C2、建立虚拟电厂的发电功率耦合模型

以代表分布式风电机组与光伏机组的实际输出功率，虚拟电厂的发电功率耦合模型表达如下(19)，

式(19)中，是弃风/光惩罚费用，/>是弃风/光量，/>是风场/光伏电站实际出力，/>是VPP内负荷售电电价，γ是壁垒系数，γ表达如下式(20)，

本实施例中，引入弃风弃光惩罚来减轻风电光伏申报与实际出力间的偏差，降低虚拟电厂运行承担的风险，以责任的方式将风险均摊在各随机发电机组运营方。为更好地对预报值进行消纳，避免严重弃风弃光，采用“壁垒电价”对偏差量进行约束。弃风/弃光量越大，风场/光伏电站实际出力越小，则系数越大，惩罚电价就越高，对弃风弃光惩罚越严厉。通过功率耦合模型，可以实现上层发电计划申报对于下层实际发电出力的调节作用。

C3、构建下层虚拟电厂优化调度目标函数如下式(21)，

式(21)中，λ_tP_vpp,t是虚拟电厂的发电功率结算收益，λ_R,tR_VPP,t是虚拟电厂的备用容量结算收益，式(21)和式(1)通过C_VPP(P_VPP,t+R_VPP,t)实现运行成本的耦合；

虚拟电厂的经济收益由发电功率结算收益p_tP_VPP,t和备用容量结算收益p_R,tR_VPP,t两部分组成，上下两层模型通过发电成本和备用容量成本之和实现运行成本的耦合，当上下两层模型计算的运行成本一致时达到电网运行经济上的最优。

C4、构建考虑功率平衡、各分布式机组运行特性、储能充放电的下层虚拟电厂调度约束：

功率平衡约束的表达如下式(22)，

式(22)中，P_DG,i,t、P_W,j,t、P_PV,k,t、P_ES,l,t分别为虚拟电厂内部第i台火电机组、第j台风电机组和第k个光伏电站、第i台火电机组在第t时刻的发电功率；虚拟电厂中分布式发电机组、风电机组与光伏机组的运行特性约束条件的表达式与式(8)-(11)相同；此处不再赘述。

储能设备容量约束的表达如下式(23)-(24)，

式(22)-(23)中，E_l,t是t时刻储能设备l的存储电量，E_l,0是储能设备的初始电量，和/>分别是储能设备l的容量下限和上限；

储能设备充放电速率约束的表达如下式(25)-(26)，

式(24)-(25)中，和/>分别是储能设备l的最大放电和充电速率；步骤D、通过量子遗传算法求解步骤C构建的虚拟电厂下层多源优化调度模型，得到更新的虚拟电厂发电成本；再将更新的虚拟电厂发电成本更新步骤B3中式(16)表达的虚拟电厂发电成本，再通过量子遗传算法迭代求解式(1)，得到式(17)表达的更新的上层电网系统和下层虚拟电厂的发电计划和备用容量计划；

比较更新前后的虚拟电厂发电成本、发电计划和备用容量计划，

1)如果更新后的虚拟电厂发电成本、发电计划和备用容量计划优于更新前的，则重复本步骤，如此循环往复直至上层电网系统集中优化调度模型与下层虚拟电厂多源优化调度模型同时达到最优解，得到最优的虚拟电厂发电成本、发电计划和备用容量计划

2)如果更新前的虚拟电厂发电成本、发电计划和备用容量计划优于更新后的，则停止本步骤，以更新前的虚拟电厂发电成本、发电计划和备用容量计划作为最优的虚拟电厂发电成本、发电计划和备用容量计划，电网系统的各发电厂商和虚拟电厂按照最优的发电计划和备用容量计划执行。

本实施例的虚拟电厂参与的电网系统集中优化调度方法在实施中，其中利用量子遗传算法对双层优化调度模型进行求解时，需要分别对步骤B3中上层电网系统集中优化调度模型和步骤C中下层虚拟电厂多源优化模型进行求解，并对上下层模型的求解结果进行收敛性分析，当且仅当二者优化结果趋于一致时得到最优解，并形成最终发电计划和备用容量计划。为提高双层调度模型的求解速度和收敛性，在求解计算过程中引入求解变量的绝对值变化程度作为目标函数惩罚项，以减小上下层输出结果的偏差程度直至收敛。同时，为了求取双层优化调度的最优解，通过对上下两层模型间引入惩罚系数和限制变量变异速率等辅助手段提升求解精度和求解速率。

对采用本实施例的虚拟电厂参与的电网系统集中优化调度方法进行调度的经济性，进行对比如下：

设置2种调度场景：(1)在调度场景1中，电网系统中所有的电源机组均直接参与电力系统调度中心的集中优化调度并执行电力系统调度中心发布的发电计划；此时，电网系统优化调度模型仅仅按照上层电网系统集中优化调度模型进行求解。(2)在调度场景2中则考虑引入虚拟电厂对分布式风电机组、可控分布式电源和储能设备进行多源优化后再与电网系统调度中心形成双层优化调度模型。

在上述两种场景下，虚拟电厂的可控分布式电源在图1中的5号节点和8号节点的输出功率如图2和图3所示。

两种场景下可控分布式电源在5号节点和8号节点经济收益对比如表4所示：

表4两种场景下可控分布式发电机组经济收益对比

如图2和图3所示，从发电量角度，在场景1中5号和8号节点发电机组共承担4795.9MWh发电量，而场景2中所承担的发电量之和上升至4821.9MWh。同时，对于备用容量而言，通过虚拟电厂对备用容量计划的二次分配，使得5号和8号节点机组在两种场景下的所承担的备用容量之和基本保持一致。

如表4所示，从经济收益来看，5号节点机组与8号节点机组在场景2中的净收益都高于场景1，即通过虚拟电厂的参与，使得分布式能源机组实现了机组利用率提升与经济收益提升的双赢。

以上所述仅为本发明的较佳实施例而已，但本发明并不局限于此，比如，。所有根据本发明的构思及其技术方案加以等同替换或等同改变均应涵盖在本发明的保护范围之内。

Claims (2)

1.一种虚拟电厂参与的电网系统集中优化调度方法，以整个电网系统为上层，以虚拟电厂为下层，其特征在于包括以下步骤：

A、构建以发电成本最低目标的电网系统上层集中优化调度模型，

A1、构建所述电网系统上层集中优化调度模型的目标函数如下式(1)，

式(1)中，C_G、C_W、C_PV分别是除虚拟电厂以外的常规火电机组、风电机组和光伏电站的发电成本，P_G,i,t、P_W,j,t、P_PV,k,t分别是除虚拟电厂以外的常规第i台火电机组、第j台风电机组和第k个光伏电站在第t时刻的发电功率，I、J、K、T分别是除虚拟电厂以外火电机组、风电机组、光伏电站的数量集合和调度周期，C_VPP是虚拟电厂的耗量成本，P_VPP,t是t时刻虚拟电厂的计划发电功率，R_VPP,t是虚拟电厂在t时刻提供的备用发电功率容量，R_G,i,t是虚拟电厂第i台火电机组在t时刻的备用发电功率容量，C_R是相应R_G,i,t的成本，λ_R,t是t时刻虚拟电厂备用发电功率容量的补偿价格；

A2、构建电网系统各发电机组的输出功率、负荷-电网系统供需平衡和线路潮流的约束条件

各发电机组的输出功率约束如下式(8)-(11)，

式(8)-(11)中，和/>分别是除虚拟电厂以外第i台火电机组的最小输出功率和最大输出功率，/>和/>分别是除虚拟电厂以外第i台火电机组的最大功率下降和提升的调整速率，/>和/>分别是除虚拟电厂以外第j台风电机组的最小输出功率和最大输出功率,/>和/>分别是除虚拟电厂以外第k个光伏电站的最小输出功率和最大输出功率；

负荷-电网系统供需平衡约束如下式(12)-(13)，

式(12)-(13)中，L_R,t是t时刻电网系统备用发电功率容量的总需求量；L_t是t时刻电网系统总负荷的预测值；

线路潮流约束如下式(14)-(15)，

式(14)-(15)中，为线路的最大传输电功率容量；/>和/>分别是线路节点i的电压幅值下限和上限；

B、以负荷预测作为输入数据，代入到步骤A的式(1)中，求解得到初始的发电计划和备用容量计划并下达给电力系统各发电厂商和虚拟电厂，所述发电计划是指各机组的发电功率，所述备用容量计划是指各机组的备用发电功率；

B1、输入所在地区未来24小时电网系统总负荷预测值L_t、分布式风电机组未来24小时功率负荷预测值P_W,j,t和所在地区的峰谷分时交易电价λ_t；

B2、电网系统预估虚拟电厂发电成本和备用容量成本之和，表达如下式(16)，

C_VPP(P_VPP,t+R_VPP,t) (16)；

B3、将虚拟电厂发电成本C_VPP(P_VPP,t+R_VPP,t)代入上式(1)，通过量子遗传算法迭代求解式(1)，得到初始的电网系统和虚拟电厂的发电计划和备用容量计划，表达如式(17)，并向电网系统的各发电厂商和虚拟电厂公布,

{P_G,i,t,R_G,i,t,P_VPP,t,R_VPP,t} (17)；

步骤C、虚拟电厂以接收到的发电计划和备用容量计划为约束，构建下层内部分布式电源优化调度模型；

C1、虚拟电厂进行内部风电光伏发电功率预报，表达如下式(18)，

C2、建立虚拟电厂的发电功率耦合模型

以代表分布式风电机组与光伏机组的实际输出功率，虚拟电厂的发电功率耦合模型表达如下(19)，

式(19)中，是弃风/光惩罚费用，/>是弃风/光量，/>是风场/光伏电站实际出力，/>是VPP内负荷售电电价，γ是壁垒系数，γ表达如下式(20)，

C3、构建下层虚拟电厂优化调度目标函数如下式(21)，

式(21)中，λ_tP_vpp,t是虚拟电厂的发电功率结算收益，λ_R,tR_VPP,t是虚拟电厂的备用容量结算收益，式(21)和式(1)通过C_VPP(P_VPP,t+R_VPP,t)实现运行成本的耦合；

C4、构建考虑功率平衡、各分布式机组运行特性、储能充放电的下层虚拟电厂调度约束：

功率平衡约束的表达如下式(22)，

式(22)中，P_DG,i,t、P_W,j,t、P_PV,k,t、P_ES,l,t分别为虚拟电厂内部第i台火电机组、第j台风电机组和第k个光伏电站、第i台火电机组在第t时刻的发电功率；

虚拟电厂中分布式发电机组、风电机组与光伏机组的运行特性约束条件的表达式与式(8)-(11)相同；

储能设备容量约束的表达如下式(23)-(24)，

式(22)-(23)中，E_l,t是t时刻储能设备l的存储电量，E_l,0是储能设备的初始电量，和/>分别是储能设备l的容量下限和上限；

储能设备充放电速率约束的表达如下式(25)-(26)，

式(24)-(25)中，和/>分别是储能设备l的最大放电和充电速率；

步骤D、将步骤C得到更新的虚拟电厂发电成本作为步骤B3中式(16)表达的虚拟电厂发电成本，通过量子遗传算法迭代求解式(1)，得到式(17)表达的更新的电网系统和虚拟电厂的发电计划和备用容量计划；

比较更新前后的虚拟电厂发电成本、发电计划和备用容量计划，

1)如果更新后的虚拟电厂发电成本、发电计划和备用容量计划优于更新前的，则重复本步骤D，如此循环往复直至上层集中优化调度模型与下层内部分布式电源优化调度模型同时达到最优解，得到最优的虚拟电厂发电成本、发电计划和备用容量计划

2)如果更新前的虚拟电厂发电成本、发电计划和备用容量计划优于更新后的，则停止本步骤，以更新前的虚拟电厂发电成本、发电计划和备用容量计划作为最优的虚拟电厂发电成本、发电计划和备用容量计划，电网系统的各发电厂商和虚拟电厂按照该最优的发电计划和备用容量计划执行。

2.根据权利要求1所述虚拟电厂参与的电网系统集中优化调度方法，其特征在于：所述C_G、C_W、C_PV、C_VPP、C_R和λ_R,t分别满足下式(2)-(7)：

C_W(P_W,j,t)＝a_W,jP_W,j,t (3)，

C_PV(P_PV,k,t)＝a_PV,kP_PV,k,t (4)，

式(2)-(7)中，a_G,i、b_G,i、c_G,i是除虚拟电厂以外第i台火电机组的耗量特性参数；a_W,j是除虚拟电厂以外第j台风电机组的耗量特性参数；a_PV,k是除虚拟电厂以外第k个光伏电站的耗量特性参数；π_R/G、π_R/VPP分别是是虚拟电厂外部的火电机组备用容量成本与发电成本的相关性系数，虚拟电厂备用容量成本与发电成本的相关性系数；π_R是虚拟电厂的备用容量补偿价格λ_R,t与峰谷分时交易电价λ_t的相关性系数。