CN113919717A - 面向多目标同步优化的虚拟电厂资源调度方法和装置 - Google Patents

Abstract

提出了一种面向多目标同步优化的虚拟电厂资源调度方法和装置，属于电力调度技术领域，所述方法包括：获取区域能源网的日前预测风光出力、日前预测负荷波动、配电网系统网架结构参数、和虚拟电厂可调度设备参数；构建虚拟电厂优化调度模型及所述优化调度模型的约束条件；基于预定调度目标，建立虚拟电厂优化调度分目标；对分目标分别进行优化求解上下限计算，如某一分目标无解，则退回至第一步获取数据阶段修正前述数据；确定各个分目标的权重系数，并对所选分目标进行归一化，得到虚拟电厂优化调度目标函数；最后对虚拟电厂优化调度目标函数求解，并根据求解结果调度虚拟电厂可控资源。本发明提供了一种面向多目标同步优化的虚拟电厂资源调度方法，基于小范围区域高比例新能源的能源结构和多种可调度的灵活性资源配置，得出符合多个运营目标预期的优化结果。

Description

面向多目标同步优化的虚拟电厂资源调度方法和装置

技术领域

本发明涉及电力调度技术领域，尤其是涉及一种面向多目标同步优化的虚拟电厂资源调度方法及装置。

背景技术

随着风电及光伏装置的大规模接入电网，可再生能源出力的“碎片化”的程度将会更高。新能源装置大规模替代传统火电机组出力，将会严重削弱系统转动惯量，直接影响电力系统的稳定性。因此，新形势下的电力系统不仅将分布式的新能源纳入调度范围，更在技术层面尝试纳入新型灵活性的能源资源，形成风光荷储资源集成的友好互动。在电力市场化改革和数字化转型的不断推进的大背景下，能源运营商或者售电公司引入“虚拟电厂”的概念，集成分布式的可控能源资源及负荷，作为区域级能源供应及优化的解决方案。

目前，在电力体制改革尚未完成的情况下，现有的对灵活性资源的调控仍是在电网统一调度的背景下，集中于解决削峰填谷的计划性充放；关于灵活性资源的协调优化调度研究也仅限于单个风光资源与传统电力系统的简单互动，未考虑系统内储能、电动汽车等资源，较少考虑实际的系统潮流分布，尚不足以应用于高比例可再生能源的能源结构的远期电力系统。

发明内容

针对上述技术问题，本发明提供了一种面向多目标同步优化的虚拟电厂资源调度方法、装置及设备，基于高比例可再生能源接入的能源结构，充分利用调控范围内可控资源，优化调度时序及资源配置。所述技术方案如下：

第一方面，本发明提供了一种面向多目标同步优化的虚拟电厂资源调度方法，包括：

步骤S1，获取电力系统的日前预测风光新能源出力参数、日前预测负荷波动参数、系统网架结构参数、可控设备参数。

在步骤S1中获取的各数据包括分布式发电装置的出力上下限和爬坡上下限，储能装置的最大充电功率、最大放电功率，电动汽车的最大充电功率、最大放电功率、及其他约束等。

步骤S2，构建虚拟电厂资源优化调度模型及所述优化调度模型的约束条件。

在步骤S2中，利用日前预测的负荷波动参数构建电力电量平衡约束、利用系统网架结构参数构建潮流分布约束、根据可控设备参数构建单个设备模型约束。

步骤S3，根据预定调度指标或目标建立多个优化调度分目标，并以各个分目标为目标函数求解分目标在前述优化调度模型中变动的上下限，如某一分目标无解，则退回至步骤S1获取数据阶段修正前述数据。

所述上下限例如可包括虚拟电厂运行成本最小、风光消纳量最大、储能/电动汽车车主收益最优等。

步骤S4，根据各分目标的重视程度选择各个分目标的权重系数，并对所述分目标进行归一化，得到虚拟电厂优化调度目标函数。

步骤S5，对虚拟电厂优化调度目标函数开展求解，并根据所得结果调度虚拟电厂可控资源。

根据本发明的一个方面，所述步骤S2构建虚拟电厂资源优化调度模型及约束条件，包括：分布式光伏设备功率约束，上下爬坡约束；分布式光伏设备功率约束，上下爬坡约束；储能装置容量约束，充放电约束；电动汽车容量约束，充放电约束；

其中，构建多目标同步优化的虚拟电厂资源优化调度模型，具体包括：

(1)功率平衡约束

其中，T为调度的时段总数；D为系统内负荷的数量；ES和E分别表示储能装置和电动汽车的数量；G_f、G_w和G_s分别表示常规火电机组、风电机组和光伏装置的数量；Demand_d，t为t时刻第d个负荷的预测功率；Storagein_es，t为t时刻第es个储能装置的充电量；EVin_e，t为t时刻第e个电动汽车集合的充电量；Genfuel_f，t为t时刻第f个常规火电机组的发电量；Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t为t时刻第s个光伏装置的发电量；Storageout_es，t为t时刻第es个储能装置的放电量；EVout_e，t为t时刻第e个电动汽车集合的放电量。

(2)线路容量约束

-Plimit_l≤SF·Map·(Genfuel_f，t+Gensolar_s，t+Genwind_w，t-Demand_d，t-EV_e，t-Storage_es，t)≤Plimit_l (2)

其中，Plimit_l表示第l条线路的线路容量；SF表示系统转移因子矩阵；Map表示对机组、负荷和电动汽车的位置转化矩阵。

(3)小火电机组约束

Genfuel_f，t≤I_f，t·Genfuelub_f (3)

Genfuel_f，t≥L_f，t·Genfuellb_f (4)

Genfuel_f，t-Genfuel_f，t-1≤fuelru_f (5)

-fuelrl_f≤Genfuel_f，t-Genfuel_f，t-1 (6)

其中：Genfuellb_f表示常规火电机组f的出力下限；fuelru_f和feulrl_f分别表示常规火电机组f的上爬坡功率和下爬坡功率限制；

和

分别表示常规火电机组f的启动和停运维持时间要求。

(4)风光出力约束

Genwindlb_w≤Genwind_w，t≤Genwindub_w (9)

Gensolarlb_s≤Gensolar_s，t≤Gensolarub_s (10)

其中：Genwindub_w和Genwind_w表示风电机组w的出力上限与下限；Gensolarub_s和Gensolarlb_s表示光伏装置s的出力上限与下限。

(5)储能装置约束

0≤Storage_es，t≤Capes_es (11)

-ESrplb_es≤Storage_es，t-Storage_es，t-1≤ESrpub_es (12)

Storage_es，t-Storage_es，t-1≤max{0,ches_es·Storagein_es,t} (13)

Storage_es，t-Storage_es，t-1≥min{0，dces_es·Storageout_es，t} (14)

其中：Capes_es表示储能装置es容量上限；ESrpub_es和ESrplb_es分别表示储能装置es的上爬坡功率和下爬坡功率限制；ches_es和dces_es分别表示储能装置es充电和放电的效率因数。

(6)电动汽车约束

0≤EV_e，t≤Capev_e (15)

-EVrplb_e≤EV_e，t-EV_e，t-1≤EXrpub_e (16)

EV_e，t-EV_e，t-1≤max{0，chev_e·EVin_e，t} (17)

EV_e，t-EV_e，t-1≥min{0，dcev_e·EVout_e，t} (18)

根据本发明的一个方面，在步骤S3中，构建所述优化模型的分目标函数F₁，F₂,....F_n，包括：

(1)分目标函数1：虚拟电厂运行成本最优。其中，虚拟电厂运行成本包括小火电机组的边际成本、运行成本、启停成本、风电机组和光伏机组的边际成本、以及电动汽车和储能装置向系统售电所产生的成本之差。

式中：T为调度的时段总数；ES和E分别表示储能装置和电动汽车的数量；G_f、G_w和G_s分别表示常规火电机组、风电机组和光伏装置的数量；Storagein_es，t为t时刻第es个储能装置的充电量；EVin_e，t为t时刻第e个电动汽车集合的充电量；Genfuel_f，t为t时刻第f个常规火电机组的发电量；Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t为t时刻第s个光伏装置的发电量；Storageout_es，t为t时刻第es个储能装置的放电量；EVout_e，t为t时刻第e个电动汽车集合的放电量；C_f为第f个常规火电机组的运行成本；fueloffer_t为t时刻常规火电机组的边际成本；windoffer_t为t时刻风电机组的边际成本；solaroffer_t为t时刻光伏装置的边际成本；esPrice_t为t时刻储能装置的放电价格；evPrice_t为t时刻电动汽车集合的放电价格。

(2)分目标函数2：虚拟电厂风光资源消纳量最优，也即虚拟电厂内风光分布式资源出力最大。

(3)分目标函数3：虚拟电厂储能/电动汽车收益最优。

根据本发明的一个方面，在步骤S3中，分别以F₁，F₂,....F_n为目标函数进行优化求解，并计算各个目标函数的上下限；

根据本发明的一个方面，在步骤S4中，基于min-max标准化法对前述各个分目标进行归一化处理，以权重系数法将上述多目标优化模型转化为单一目标的虚拟电厂优化调度问题：

(1)极小化目标的归一化处理

F′_i＝(F_i-F_i，min)/(F_i，max-F_i，min) (22)

(2)极大化目标的归一化处理

F′_i＝(F_i-F_i，min)/(F_i，max-F_i，min) (23)

式中，F_i和F′_i分别代表目标函数i的实际值和归一化值；F_i，max和F_i，min分别代表目标函数的最大值和最小值。

根据本发明的一个方面，步骤S4中利用权重系数法转换后的单目标优化问题为：

式中，ω_i为多目标优化权重，代表决策者对各个优化目标的重视程度，其中

第二方面，本发明还提供了面向多目标同步优化的虚拟电厂资源调度装置，包括：

采集模块，用于获取区域能源网风光出力预测，电力系统网架结构和负荷预测；

模型生成模块，用于虚拟电厂可参与调度设备模型建模；

计算模块，用于求解虚拟电厂优化分目标模型及虚拟电厂优化调度模型，并根据求解结果调度虚拟电厂可控资源。

本发明提供一种面向多目标同步优化的虚拟电厂资源调度方法，基于区域网高比例新能源的能源结构特点，通过获取电力系统的网架数据和分布式能源设备参数，日前风光资源出力预测、虚拟电厂的灵活性资源的运行特性；基于纳什-古诺均衡模型，立足于分布式能源资源的技术特性，考虑了区域典型风力特性和光照特性，分别构建虚拟电厂优化调度分目标，并采用min-max归一化方法对分目标进行整合，得到虚拟电厂优化调度模型并求解，根据求解结果对虚拟电厂可控资源进行整合和调度，从而在实现虚拟电厂运行系统成本最优的情况下，兼顾风光资源的消纳量最优和储能/电动汽车收益最优，实现分布式资源与传统电力系统的协调统一运行和灵活性负荷资源的最大化收益。

附图说明

图1是根据本发明一实施例的一种面向多目标同步优化的虚拟电厂资源调度方法的流程图；

图2是根据本发明一实施例的一种面向多目标同步优化的虚拟电厂资源调度装置的模块架构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，本发明提供一种示例性实施例，一种面向多目标同步优化的虚拟电厂资源调度方法，步骤包括：

步骤S1，获取电力系统的日前预测风光新能源出力参数、日前预测负荷波动参数、系统网架结构参数、可控设备参数。

在步骤S1中获取的各数据包括分布式发电装置的出力上下限和爬坡上下限，储能装置的最大充电功率、最大放电功率，电动汽车的最大充电功率、最大放电功率、及其他约束等。

步骤S2，构建虚拟电厂资源优化调度模型及所述优化调度模型的约束条件。

在步骤S2中，利用日前预测的负荷波动参数构建电力电量平衡约束、利用系统网架结构参数构建潮流分布约束、根据可控设备参数构建单个设备模型约束。

步骤S3，根据预定调度指标或目标建立多个优化调度分目标，并以各个分目标为目标函数求解分目标在前述优化调度模型中变动的上下限，如某一分目标无解，则退回至步骤S1获取数据阶段修正前述数据。

所述上下限例如可包括虚拟电厂运行成本最小、风光消纳量最大、储能/电动汽车车主收益最优等。

步骤S4，根据各分目标的重视程度选择各个分目标的权重系数，并对所述分目标进行归一化，得到虚拟电厂优化调度目标函数。

步骤S5，对虚拟电厂优化调度目标函数开展求解，并根据所得结果调度虚拟电厂可控资源。

在步骤S2中，构建虚拟电厂资源优化调度模型的约束条件，包括：分布式光伏设备功率约束，上下爬坡约束；分布式光伏设备功率约束，上下爬坡约束；储能装置容量约束，充放电约束；电动汽车容量约束，充放电约束；

具体而言，构建多目标同步优化的虚拟电厂资源调度模型：

(1)功率平衡约束

其中，T为调度的时段总数；D为系统内负荷的数量；ES和E分别表示储能装置和电动汽车的数量；G_f、G_w和G_s分别表示常规火电机组、风电机组和光伏装置的数量；Demand_d，t为t时刻第d个负荷的预测功率；Storagein_es，t为t时刻第es个储能装置的充电量；EVin_e，t为t时刻第e个电动汽车集合的充电量；Genfuel_f，t为t时刻第f个常规火电机组的发电量；Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t为t时刻第s个光伏装置的发电量；Storageout_es，t为t时刻第es个储能装置的放电量；EVout_e，t为t时刻第e个电动汽车集合的放电量。

(2)线路容量约束

-Plimit_l≤SF·Map·(Genfuel_f，t+Gensolar_s，t+Genwind_w，t-Demand_d，t-EV_e，t-Storage_es，t)≤Plimit_l (2)

其中，Plimit_l表示第l条线路的线路容量；SF表示系统转移因子矩阵；Map表示对机组、负荷和电动汽车的位置转化矩阵。；Demand_d，t为t时刻第d个负荷的预测功率；Storage_es，t为t时刻第es个储能装置的电量；EV_e，t为t时刻第e个电动汽车集合的电量；Genfuel_f，t为t时刻第f个常规火电机组的发电量；Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t为t时刻第s个光伏装置的发电量。

(3)小火电机组约束

Genfuel_f，t≤I_f，t·Genfuellb_f (3)

Genfuel_f，t≥I_f，t·Genfuellb_f (4)

Genfuel_f，t-Genfuel_f，t-1≤fuelru_f (5)

-fuelrl_f≤Genfuel_f，t-Genfuel_f，t-1 (6)

其中：Genfuelub_f表示常规火电机组f的出力上限；Genfuellb_f表示常规火电机组f的出力下限；Genfuel_f，t为t时刻第f个常规火电机组的发电量；fuelru_f和fuelrl_f分别表示常规火电机组f的上爬坡功率和下爬坡功率限制；

和

分别表示常规火电机组f的启动和停运维持时间要求；I_f，t表示常规火电机组f在t时段的启停状态。

(4)风光出力约束

Genwindlb_w≤Genwind_w，t≤Genwindub_w (9)

Gensolarlb_s≤Gensolar_s，t≤Gensolarub_s (10)

其中：Genwindub_w和Genwindlb_w表示风电机组w的出力上限与下限；Genwind_w，t为t时刻第w个风电机组的发电量；Gensolarub_S和Gensolarlb_s表示光伏装置s的出力上限与下限；Gensolar_s，t为t时刻第s个光伏装置的发电量。

(5)储能装置约束

0≤Storage_es，t≤Capes_es (11)

-ESrplb_es≤Storage_es，t-Storage_es，t-1≤ESrpub_es (12)

Storage_es，t-Storage_es，t-1≤max{0,ches_es·Storagein_es,t} (13)

Storage_es，t-Storage_es，t-1≥min{0，dces_es·Storageout_es，t} (14)

其中：Capes_es表示储能装置es容量上限；Storagein_es，t为t时刻第es个储能装置的充电量；Storageout_es，t为t时刻第es个储能装置的放电量；ESrpub_es和ESrplb_es分别表示储能装置es的上爬坡功率和下爬坡功率限制；ches_es和dces_es分别表示储能装置es充电和放电的效率因数；Storage_es，t为t时刻第es个储能装置的电量。

(6)电动汽车约束

0≤EV_e，t≤Capev_e (15)

-Evrplb_e≤EV_e，t-EV_e，t-1≤EVrpub_e (16)

EV_e，t-EV_e，t-1≤max{0，chev_e·EVin_e，t} (17)

EV_e，t-EV_e，t-1≥min{0，dcev_e·EVout_e，t} (18)

其中，EVin_e，t为t时刻第e个电动汽车集合的充电量；EVout_e，t为t时刻第e个电动汽车集合的放电量；Capev_e表示电动汽车集合e容量上限；EVrpub_e和EVrplb_e分别表示电动汽车集合e的上爬坡功率和下爬坡功率限制；chev_es和dcev_es分别表示电动汽车集合e充电和放电的效率因数；EV_e，t为t时刻第e个电动汽车集合的电量。

在步骤S3中，构建所述优化模型的分目标函数F₁，F₂,....F_n，包括但不限于如下分目标函数，且可以根据需要选择下列一种或多种分目标函数：

(1)分目标函数1：虚拟电厂运行成本最优。其中，虚拟电厂运行成本包括小火电机组的边际成本、运行成本、启停成本、风电机组和光伏机组的边际成本、以及电动汽车和储能装置向系统售电所产生的成本之差。

式中：T为调度的时段总数；ES和E分别表示储能装置和电动汽车的数量；G_f、G_w和G_s分别表示常规火电机组、风电机组和光伏装置的数量；Storagein_es，t为t时刻第es个储能装置的充电量；EVin_e，t为t时刻第e个电动汽车集合的充电量；Genfuel_f，t为t时刻第f个常规火电机组的发电量；Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t为t时刻第s个光伏装置的发电量；Storageout_es，t为t时刻第es个储能装置的放电量；EVout_e，t为t时刻第e个电动汽车集合的放电量；C_f为第f个常规火电机组的运行成本；fueloffer_t为t时刻常规火电机组的边际成本；windoffer_t为t时刻风电机组的边际成本；solaroffer_t为t时刻光伏装置的边际成本；esPrice_t为t时刻储能装置的放电价格；esPrice_t为t时刻电动汽车集合的放电价格。

(2)分目标函数2：虚拟电厂风光资源消纳量最优，也即虚拟电厂内风光分布式资源出力最大。

其中，Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t为t时刻第s个光伏装置的发电量。

(3)分目标函数3：虚拟电厂储能/电动汽车收益最优。

其中，Storagein_es，t为t时刻第es个储能装置的充电量；EVin_e，t为t时刻第e个电动汽车集合的充电量；Storageout_es，t为t时刻第es个储能装置的放电量；EVout_e，t为t时刻第e个电动汽车集合的放电量；C_f为第f个常规火电机组的运行成本；esPrice_t为t时刻储能装置的放电价格；evPrice_t为t时刻电动汽车集合的放电价格；Price_t为t时刻的系统电价。

分别以F₁，F₂,....F_n为目标函数进行优化求解，并计算各个目标函数的上下限；

在步骤S4中，基于min-max标准化法对前述各个分目标进行归一化处理，以权重系数法将上述多目标优化模型转化为单一目标的虚拟电厂优化调度问题：

(1)极小化目标的归一化处理

F′_i＝(F_i-F_i，min)/(F_i，max-F_i，min) (22)

(2)极大化目标的归一化处理

F′_i＝(F_i-F_i，min)/(F_i，max-F_i，min) (23)

式中，F_i和F′_i分别代表目标函数i的实际值和归一化值；E_i，max和F_i，min分别代表目标函数的最大值和最小值。

步骤S4中，利用权重系数法转换后的单目标优化问题为：

式中，ω_i为多目标优化权重，代表决策者对各个优化目标的重视程度，其中

为了实现上述方法，本发明还提出了一种面向多目标同步优化的虚拟电厂资源调度装置，该装置与该方法对应，包括多个模块用于执行上述方法的各个步骤，所述装置至少包括如下模块。

采集模块，用于执行上述步骤S1，获取区域能源网风光出力预测，电力系统网架结构和负荷预测等参数；

模型生成模块，用于虚拟电厂可参与调度设备模型建模，包括上述步骤S2和S3中优化调度模型和各分目标的构建；

计算模块，用于求解上述优化分目标模型及虚拟电厂优化调度模型，并根据求解结果调度虚拟电厂可控资源，包括执行上述步骤S3-S5中的所有计算。

本发明提出的装置还可以实现为与上述方法一一对应的装置，上述三个模块只是其中一种实施例，还可以实现为包括与上述步骤S1-S5一一对应的六个模块，分别用于执行S1-S5各个步骤，这里不再赘述。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (7)

1.一种面向多目标同步优化的虚拟电厂资源调度方法，包括：

步骤S1，获取电力系统的日前预测风光新能源出力参数、日前预测负荷波动参数、系统网架结构参数、可控设备参数；

步骤S2，构建虚拟电厂资源优化调度模型及所述优化调度模型的约束条件；

步骤S3，根据预定调度指标或目标建立多个优化调度分目标，并以各个分目标为目标函数求解分目标在前述优化调度模型中变动的上下限，如某一分目标无解，则退回至步骤S1获取数据阶段修正前述数据；

步骤S4，根据各分目标的重视程度选择各个分目标的权重系数，并对所述分目标进行归一化，得到虚拟电厂优化调度目标函数；

步骤S5，对虚拟电厂优化调度目标函数开展求解，并根据所得结果调度虚拟电厂可控资源。

2.如权利要求1所述的方法，其特征在于，所述步骤S1中获取的各数据包括分布式发电装置的出力上下限和爬坡上下限，储能装置的最大充电功率、最大放电功率，电动汽车的最大充电功率、最大放电功率。

3.如权利要求1所述的方法，其特征在于，所述步骤S2构建虚拟电厂资源优化调度模型及约束条件，包括：分布式光伏设备功率约束，上下爬坡约束；分布式光伏设备功率约束，上下爬坡约束；储能装置容量约束，充放电约束；电动汽车容量约束，充放电约束；

其中，构建多目标同步优化的虚拟电厂资源优化调度模型，具体包括：

(1)功率平衡约束

其中，D为系统内负荷的数量；ES和E分别表示储能装置和电动汽车的数量；G_f、G_w和G_s分别表示常规火电机组、风电机组和光伏装置的数量；Demand_d，t为t时刻第d个负荷的预测功率；Storagein_es，t为t时刻第es个储能装置的充电量；EVin_e，t为t时刻第e个电动汽车集合的充电量；Genfuel_f，t为t时刻第外常规火电机组的发电量；Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t为t时刻第s个光伏装置的发电量；Storageout_es，t为t时刻第es个储能装置的放电量；EVout_e，t为t时刻第e个电动汽车集合的放电量；

(2)线路容量约束

-Plimit_l≤SF·Mav·(Genfuel_f，t+Gensolar_s，t+Genwind_w，t-Demand_d，t-EV_e，t-Starage_es，t)≤Plimit_l (2)

其中，Plimit_l表示第l条线路的线路容量；SF表示系统转移因子矩阵；Map表示对机组、负荷和电动汽车的位置转化矩阵。；Demand_d，t为t时刻第d个负荷的预测功率；Storage_es，t为t时刻第es个储能装置的电量；EV_e，t为t时刻第e个电动汽车集合的电量；Genfuel_f，t为t时刻第f个常规火电机组的发电量；Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t小为t时刻第s个光伏装置的发电量。

(3)小火电机组约束

Genfuel_f，t≤I_f，t·Genfuelub_f (3)

Genfuel_f，t≥I_f，t·Genfuellb_f (4)

Genfuel_f，t-Genfuel_f，t-1≤fuelru_f (5)

-fuelrl_f≤Genfuel_f，t-Genfuel_f，t-1 (6)

其中：Genfuelub_f表示常规火电机组f的出力上限；Genfuellb_f表示常规火电机组f的出力下限；Genfuel_f，t为t时刻第f个常规火电机组的发电量；fuelru_f和fuelrl_f分别表示常规火电机组f的上爬坡功率和下爬坡功率限制；

和

分别表示常规火电机组f的启动和停运维持时间要求；I_f，t表示常规火电机组f在t时段的启停状态；

(4)风光出力约束

Genwindlb_w≤Genwind_w，t≤Genwindub_w (9)

Gensolarlb_s≤Gensolar_s，t≤Gensolarub_s (10)

其中：Genwindub_w和Genwindlb_w表示风电机组w的出力上限与下限；Gensolarub_s和6ensolarlb_s表示光伏装置s的出力上限与下限；

(5)储能装置约束

0≤Storage_es，t≤Capes_es (11)

-ESrplb_es≤Storage_es，t-Storage_es，t-1≤ESrpub_es (12)

Storage_es，t-Storage_es，t-1≤max{0，ches_es·Storagein_es，t} (13)

Stcrage_es，t-Storage_es，t-1≥min{0，dces_es·Storageout_es，t} (14)

其中：Capes_es表示储能装置es容量上限；Storagein_es，t为t时刻第es个储能装置的充电量；Storageout_es，t为t时刻第es个储能装置的放电量；ESrpub_es和ESrplb_es分别表示储能装置es的上爬坡功率和下爬坡功率限制；ches_es和dces_es分别表示储能装置es充电和放电的效率因数；Storage_es，t为t时刻第es个储能装置的电量；

(6)电动汽车约束

0≤EV_e，t≤Capev_e (15)

-EVrplb_e≤EV_e，t-EV_e，t-1≤EVrpub_e (16)

EV_e，t-EV_e，t-1≤max{0，chev_e·EVin_e，t} (17)

EV_e，t-EV_e，t-1≥min{０，dcev_e·EVout_e，t} (18)

其中，EEVin_e，t为t时刻第e个电动汽车集合的充电量；EVout_e，t为t时刻第e个电动汽车集合的放电量；Capev_e表示电动汽车集合e容量上限；EVrpub_e和EVrplb_e分别表示电动汽车集合e的上爬坡功率和下爬坡功率限制；chev_es和dcev_es分别表示电动汽车集合e充电和放电的效率因数；EV_e，t为t时刻第e个电动汽车集合的电量。

4.根据权利要求1所述的方法，其特征在于，在步骤S3中，构建所述优化模型的分目标函数F₁，F₂，....F_n，包括：

(1)分目标函数F₁：虚拟电厂运行成本最优。其中，虚拟电厂运行成本包括小火电机组的边际成本、运行成本、启停成本、风电机组和光伏机组的边际成本、以及电动汽车和储能装置向系统售电所产生的成本之差。

其中：T为调度的时段总数；ES和E分别表示储能装置和电动汽车的数量；G_f、G_w和G_s分别表示常规火电机组、风电机组和光伏装置的数量；Storagein_es，t为t时刻第es个储能装置的充电量；EVin_e，t为t时刻第e个电动汽车集合的充电量；Genfuel_f，t为t时刻第f个常规火电机组的发电量；Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t为t时刻第s个光伏装置的发电量；Storageout_es，t为t时刻第es个储能装置的放电量；EVout_e，t为t时刻第e个电动汽车集合的放电量；C_f为第f个常规火电机组的运行成本；fueloffer_t为t时刻常规火电机组的边际成本；windoffer_t为t时刻风电机组的边际成本；solaroffer_t为t时刻光伏装置的边际成本；esPrice_t为t时刻储能装置的放电价格；evPrice_t为t时刻电动汽车集合的放电价格；

(2)分目标函数F2：虚拟电厂风光资源消纳量最优，也即虚拟电厂内风光分布式资源出力最大。

其中，Genwind_w，t为t时刻第w个风电机组的发电量；Gensolar_s，t为t时刻第s个光伏装置的发电量；和/或

(3)分目标函数F₃：虚拟电厂储能/电动汽车收益最优

其中，Storageine_s，t为t时刻第es个储能装置的充电量；EVin_e，t为t时刻第e个电动汽车集合的充电量；Storageout_es，t为t时刻第es个储能装置的放电量；EVout_e，t为t时刻第e个电动汽车集合的放电量；cf为第f个常规火电机组的运行成本；esPrice_t为t时刻储能装置的放电价格；evPrice_t为t时刻电动汽车集合的放电价格；Price_t为t时刻的系统电价。

5.根据权利要求4所述的方法，其特征在于，步骤S3中，分别以F₁，F₂，....F_n为目标函数进行优化求解，并计算各个目标函数的上下限，所述上下限包括虚拟电厂运行成本最小、和/或风光消纳量最大、和/或储能/电动汽车车主收益最优。

6.根据权利要求5所述的方法，其特征在于，步骤S4具体包括：

基于min-max标准化法对前述各个分目标进行归一化处理，以权重系数法将上述多目标优化模型转化为单一目标的虚拟电厂优化调度问题：

(1)极小化目标的归一化处理

F_i′＝(F_i-F_i，min)/(F_i，max-F_i，min) (22)

(2)极大化目标的归一化处理

F_i′＝(F_i-P_i，min)/(F_i，max-F_i，min) (23)

式中，F_i和F′_i分别代表目标函数i的实际值和归一化值；F_i，max和F_i，min分别代表目标函数的最大值和最小值；

利用权重系数法转换后的单目标优化间题为：

式中，ω_i为多目标优化权重，代表决策者对各个优化目标的重视程度，其中

7.一种面向多目标同步优化的虚拟电厂资源调度装置，包括：

采集模块，获取电力系统的日前预测风光新能源出力参数、日前预测负荷波动参数、系统网架结构参数、可控设备参数；

模型构建模块，构建虚拟电厂资源优化调度模型及所述优化调度模型的约束条件；

分目标创建及计算模块，根据预定调度指标或目标建立多个优化调度分目标，并以各个分目标为目标函数求解分目标在前述优化调度模型中变动的上下限，如某一分目标无解，则退回至步骤S1获取数据阶段修正前述数据；

加权归一化模块，根据各分目标的重视程度选择各个分目标的权重系数，并对所述分目标进行归一化，得到虚拟电厂优化调度目标函数；

求解模块，对虚拟电厂优化调度目标函数开展求解，并根据所得结果调度虚拟电厂可控资源。

Images