CN114897346A - 计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法 - Google Patents

Abstract

本发明公开了一种计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，包括：将采集的虚拟电厂信息导入基础模型进行优化调度；其中，基于虚拟电厂信息分别获得虚拟电厂的多项成本和收入并构建虚拟电厂净利润经济优化调度目标函数，对优化调度目标函数设置虚拟电厂安全运行的约束条件；根据鲁棒优化调度模型对经济优化调度目标函数进行优化求解，输出优化调度后的虚拟电厂信息；本发明充分考虑到虚拟电厂电源侧风电、光伏的不确定性因素和用电侧电动汽车、中断负荷需求响应因素，为虚拟电厂不确定性和需求响应细粒度建模提供借鉴、有助于规避净利润风险进而保证经济收益的可靠性。

Description

计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法

技术领域

本发明属于虚拟电厂细粒度建模和不确定性优化调度技术，具体涉及一种计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法。

背景技术

虚拟电厂的优化调度主要是利用先进的通信技术和控制策略，对内部的分布式灵活性资源进行聚合，在满足各种系统网络和物理约束条件时，调节它们的出力，使之参与电力市场、能量市场或辅助服务市场的运行。其目标为在满足用户负荷需求的基础前提下，充分利用虚拟电厂内清洁的分布式电源如风电、光伏等，然后再利用虚拟电厂内运行经济的机组满足负荷需求，以达到发电收益最大、运行成本最低、污染物、碳排放等最小的优化运行目标。

虚拟电厂内分布式可调资源包括大量可再生能源，这些资源本身的随机性导致虚拟电厂出力具有一定的不确定性，这也是虚拟电厂有别于传统电厂的一大特点。具体表现为：当上级调度下达发电指令后，本应执行相应计划的可再生能源发电单元由于不可抗的环境等因素未能按时完成相应发电计划，使得虚拟电厂无法向外输出平稳可靠的电能。因此，影响虚拟电厂优化调度效果的因素主要来源于可再生能源出力的随机性。随着电动汽车的大量接入虚拟电厂和中断负荷的参与度提升，用户侧的需求响应策略更加复杂化，虚拟电厂系统运营商对电动汽车和中断负荷需求响应细粒度模型的需求更加急迫，亟需进一步挖掘用户侧调节潜力。

发明内容

发明目的：为了克服现有技术中的不足，本发明提供一种计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，充分考虑到虚拟电厂电源侧风电、光伏的不确定性因素和用电侧电动汽车、中断负荷需求响应因素，基于信息距离决策理论的鲁棒优化调度模型，提出虚拟电厂不确定性因素和需求响应因素下的细粒度模型，帮助虚拟电厂系统运营商规避净利润风险进而保证经济收益的可靠性，进一步挖掘虚拟电厂中电动汽车、中断负荷参与优化调度的灵活性潜力、进一步提高需求侧响应的积极性，以期虚拟电厂细粒度建模和不确定性优化调度提供借鉴和指导。

技术方案：第一方面本发明提供一种计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，包括：采集虚拟电厂信息，将虚拟电厂信息导入基础模型，输出优化调度后的虚拟电厂信息；

其中，虚拟电厂信息包括：光伏发电系统信息、风机发电系统信息、储能系统信息、电动汽车集群信息、电网接口信息、负荷信息；

基于虚拟电厂信息分别获得虚拟电厂向电网售电收入、向电动汽车售电收入、向常规电力负荷售电收入、储能系统成本、中断负荷需求响应成本、电动汽车需求响应成本；

根据虚拟电厂向电网售电收入、向电动汽车售电收入、向常规电力负荷售电收入、储能系统成本、中断负荷需求响应成本、电动汽车需求响应成本构建经济优化调度目标函数，并对优化调度目标函数设置虚拟电厂安全运行的约束条件；

将虚拟电厂安全运行的约束条件导入鲁棒优化调度模型对经济优化调度目标函数进行优化求解，基础模型根据优化求解后的经济优化调度目标函数实时更新基础模型中的系数，并输出优化调度后的虚拟电厂信息。

在进一步的实施例中，所述基础模型包括：确定性模型、不确定性模型、需求响应模型；

其中，将虚拟电厂信息导入基础模型包括：将负荷信息、储能系统信息导入确定性模型计算，分别获得储能系统模型输出参数、常规电力负荷模型输出参数，将光伏发电系统信息、风机发电系统信息导入不确定性模型计算，分别获得光伏发电出力模型输出参数、风机发电出力的模型输出参数，将电动汽车集群信息、负荷信息导入需求响应模型计算，分别获得电动汽车模型输出参数、中断负荷的模型输出参数；

所述光伏发电系统信息包括：光电出力预测信息、鲁棒系数信息；

所述风机发电系统信息包括：风电出力预测信息、鲁棒系数信息；

所述储能系统信息包括：装机容量信息、充放电功率限度信息、荷电状态限度信息、充放电次数限度信息；

所述电动汽车集群信息包括：每辆电动汽车的最大充电时间信息、额定充电功率信息、习惯性的充电开始时刻信息、充电电价信息；

所述电网接口信息包括：上网电价信息、上网功率限度信息；负荷信息包括：常规电力负荷信息、中断负荷信息。

在进一步的实施例中，储能系统模型的表达式为：

式中：

分别为储能系统在时段t、在时段t+1的储电量；σ_es为储能系统的自放电率；

分别为储能系统在时段t的放电功率、充电功率；η_es,cha、η_es,dis分别为储能系统的充电效率、放电效率；Δt为虚拟电厂仿真设置时间步长；

常规电力负荷模型的表达式为：

P_t ^Ltrad＝ξ_L(P_t ^Ltrad)

式中：P_t ^Ltrad为在时段t的常规电力负荷需求；ξ_L(·)为负荷调研统计样本。

在进一步的实施例中，光伏发电出力模型的表达式为：

式中：P_t ^pva、P_t ^pvf分别为时段t的光伏发电的实际出力、光伏发电的预测出力；τ_pv为光伏发电不确定变量P_t ^pva的波动范围，也即是光伏发电相关的鲁棒系数；Ω(τ_pv,P_t ^pvf)为P_t ^pva的集合关系；

风机发电出力的模型的表达式为：

式中：P_t ^wpa、P_t ^wpf分别为时段t的风机发电的实际出力、风机发电的预测出力；τ_wp为风机发电不确定变量P_t ^pva的波动范围，也即是风机发电相关的鲁棒系数；Ω(τ_wp,P_t ^wpf)为P_t ^wpa的集合关系。

在进一步的实施例中，所述电动汽车模型输出参数包括：电动汽车需求侧响应模型输出参数、充电负荷转移响应模型输出参数、电动汽车响应激励模型输出参数；

电动汽车需求侧响应模型的表达式为：

P_t ^after＝P_t ^before+P_t ⁱⁿ-P_t ^out

式中：P_t ^after、P_t ^before分别为在时段t需求侧响应后的电动汽车充电负荷、需求侧响应前的电动汽车充电负荷；P_t ⁱⁿ、P_t ^out分别为在时段t电动汽车转入充电负荷、电动汽车转出充电负荷；

充电负荷转移响应模型的表达式为：

式中：P_t ⁱⁿ、P_t ^out分别为在时段t电动汽车转入充电负荷、电动汽车转出充电负荷；

为单台电动汽车额定充电功率；k为电动汽车类别；

分别为第k类电动汽车转入时段t充电的数量、第k类电动汽车转出时段t充电的数量；

为第k类电动汽车转出时段t-d充电的数量；d^max为每类别电动汽车所需要的最长充电时间；T为虚拟电厂优化调度周期；

电动汽车响应激励模型包括可用性模型、可行性模型、响应满意度模型、响应激励与响应效果耦合关系模型；

可用性模型的表达式为：

式中：

为电动汽车用户在时段t的可用性；

分别为时段t系统运营商支出的需求侧响应激励补贴价格、系统运营商向电力用户售电价格；

可行性模型的表达式为：

式中：

为电动汽车用户在时段t的可行性；t^before、t^after分别为电动汽车用户需求侧响应前的充电开始时刻、需求侧响应后的充电开始时刻；T为虚拟电厂优化调度周期；

响应满意度模型的表达式为：

式中：

为电动汽车用户在时段t的响应满意度；θ为电动汽车用户对可用性的重视程度因子；

为电动汽车用户在时段t的可用性；

为电动汽车用户在时段t的可行性；

响应激励与响应效果耦合关系模型的表达式为：

式中：

分别为第k类电动汽车转入时段t充电的数量；

为第k类电动汽车中的第i辆电动汽车在时段t是否参与需求侧响应的布尔变量，取值1时表示该辆电动汽车参与时段t的需求响应，取值0时表示该辆电动汽车不参与时段t的需求响应；N_i为第k类电动汽车的总数量；

为电动汽车用户在时段t的响应满意度；

为第k类电动汽车中的第i辆电动汽车响应满意度阈值。

在进一步的实施例中，所述中断负荷模型的表达式为：

式中：

为虚拟电厂在时间t中断负荷的响应成本；Ω_m为中断水平级别；

为第m级别中断水平补偿价格因子；

为在时间t的第m级别中断水平中断负荷量；P_t ^Lcurt为在时间t的所有级别中断水平的中断负荷量。

在进一步的实施例中，所述经济优化调度目标函数的表达式为：

max f_vpp＝C_profit-C_cost

式中：f_vpp为虚拟电厂优化调度周期内的净利润；C_profit为虚拟电厂优化调度周期内售电收入；C_cost为虚拟电厂优化调度周期内正常运行基础成本；

虚拟电厂优化调度周期内售电收入C_profit的表达式为：

式中：C_profit为虚拟电厂优化调度周期内售电收入；

为虚拟电厂在时段t向电网售电的电价；P_t ^sell为虚拟电厂在时段t向电网售电功率；

为时段t系统运营商向电力用户售电价格；

为虚拟电厂在时段t内部除电动汽车充电负荷以外的等效总电力负荷需求；P_t ^after为在时段t需求侧响应后的电动汽车充电负荷；T为虚拟电厂优化调度周期；Δt为虚拟电厂仿真设置时间步长；

虚拟电厂优化调度周期内正常运行基础成本C_cost的表达式为：

C_cost＝C_cult+C_ES+C_DR

式中：C_cost为虚拟电厂优化调度周期内正常运行基础成本；C_cult、C_ES、C_DR分别为虚拟电厂优化调度周期内的中断负荷需求响应成本、储能系统成本、电动汽车需求响应成本；

为虚拟电厂在时间t中断负荷的响应成本；

分别为储能系统单次充电、单次放电成本损耗系数；

为储能系统在时间t的充电状态0-1变量，充电状态时取值1，否则取值为0；

为储能系统在时间t的放电状态0-1变量，放电状态时取值1，否则取值为0；N_i为第k类电动汽车的总数量；

为时段t系统运营商支出的需求侧响应激励补贴价格；

为第k类电动汽车转入时段t充电的数量；

为单台电动汽车额定充电功率；T为虚拟电厂优化调度周期。

在进一步的实施例中，所述安全运行的约束条件包括：储能系统安全运行约束条件、电功率平衡安全运行约束条件、负荷安全运行约束条件、电动汽车安全运行约束条件；

其中，储能系统安全运行约束条件的表达式为：

式中：

分别为储能系统在时段t的放电功率、充电功率；

分别为储能系统放电功率上限、充电功率上限；

为储能系统在时间t的充电状态0-1变量，充电状态时取值1，否则取值为0；

为储能系统在时间t的放电状态0-1变量，放电状态时取值1，否则取值为0；

为储能系统在时段t的储电量；

为储能系统在时段t+T的储电量；

分别为储能系统实时储电量上限度系数、下限度系数；

为储能系统的额定容量；

分别为储能系统初始时的储电量、结束时的储电量；N_ES为虚拟电厂优化调度周期内储能系统充放电次数阈值；T为虚拟电厂优化调度周期；

电功率平衡安全运行约束条件的表达式为：

式中：P_t ^pva为时段t的光伏发电的实际出力；P_t ^wpa为时段t的风机发电的实际出力；

分别为储能系统在时段t的放电功率、充电功率；P_t ^after为在时段t需求侧响应后的电动汽车充电负荷；P_t ^sell为虚拟电厂在时段t向电网售电功率；

为虚拟电厂在时段t内部除电动汽车充电负荷以外的等效总电力负荷需求；P_t ^Ltrad为在时段t的常规电力负荷需求；P_t ^Lcurt为在时间t的所有级别中断水平的中断负荷量；

负荷安全运行约束条件的表达式为：

式中：

为在时间t的第m级别中断水平中断负荷量；

为第m级别中断水平系数；P_t ^Ltrad为在时段t的常规电力负荷需求；P_t ^Lcurt为在时间t的所有级别中断水平的中断负荷量；Ω_m为中断水平级别；P_t ^sell为虚拟电厂在时段t向电网售电功率；

为虚拟电厂在时段t向电网售电功率阈值；

电动汽车安全运行约束条件的表达式为：

式中：k为电动汽车类别；

为第k类电动汽车转出时段t充电、转出时段t-d充电的数量；d^max为每类别电动汽车所需要的最长充电时间；N_i为第k类电动汽车的总数量；T为虚拟电厂优化调度周期。

在进一步的实施例中，将虚拟电厂安全运行的约束条件导入鲁棒优化调度模型对经济优化调度目标函数进行优化求解，基础模型根据优化求解后的经济优化调度目标函数实时更新基础模型中的系数，并输出优化调度后的虚拟电厂信息的方法为：

将储能系统安全运行约束条件、电功率平衡安全运行约束条件、负荷安全运行约束条件、电动汽车安全运行约束条件分别代入鲁棒优化调度模型对经济优化调度目标函数进行优化求解，并根据求解结果选择是否需要调整鲁棒优化调度模型中的偏差系数；

若不调整鲁棒优化调度模型中的偏差系数，则基础模型直接输出优化调度后的虚拟电厂信息；

若需要调整鲁棒优化调度模型中的偏差系数，则将实际应用场景的具体实际数据代入对应的计算模型进行分析，获得各个应用场景的参数信息；

根据各个应用场景的参数信息重新校对鲁棒优化调度模型中的偏差系数，并判断虚拟电厂优化调度的场景是否有调整，根据判断结果选择是否重新采集调整后的虚拟电厂信息，优化基础模型的系数，输出优化调度后的虚拟电厂信息。

在进一步的实施例中，鲁棒优化调度方法的模型表达式为：

maxζ_vpp＝π_RMτ_pv+(1-π_RM)τ_wp

式中：ζ_vpp为综合不确定变量的波动范围；π_RM为不确定性权重系数，其值由调度统计获得；τ_pv为光伏发电不确定变量P_t ^pva的波动范围，也即是光伏发电相关的鲁棒系数；τ_wp为风机发电不确定变量P_t ^pva的波动范围，也即是风机发电相关的鲁棒系数；f_vpp为虚拟电厂优化调度周期内的净利润；

为虚拟电厂运营商根据不确定性因素可接受的最低预期净利润目标值；Δ₀为预期净利润目标值与最优净利润值的偏差程度，称为偏差系数；

为最优净利润值，也即是不考虑不确定性因素时的确定性优化结果；h(·)为所有等式约束关系；g(·)为所有不等式约束关系；U为所有输入变量；d为所有决策变量；P_t ^pva、P_t ^pvf分别为时段t的风机发电的实际出力、风机发电的预测出力；Ω(τ_pv,P_t ^pvf)为P_t ^pva的集合关系；P_t ^wpa、P_t ^wpf分别为时段t的光伏发电的实际出力、光伏发电的预测出力；Ω(τ_wp,P_t ^wpf)为P_t ^wpa的集合关系。

有益效果：本发明与现有技术相比具有以下优点：

(1)本发明充分考虑到了虚拟电厂电源侧风电、光伏的不确定性因素，有助于进一步提升系统优化运行的可靠性和准确性，可以弥补确定性优化调度的不足；

(2)本发明充分考虑到了用电侧电动汽车、中断负荷需求响应因素，构建了需求响应精细化模型，有助于进一步挖掘虚拟电厂中电动汽车、中断负荷参与优化调度的灵活性潜力，可以进一步提高需求侧响应的积极性；

(3)本发明构建了基于信息距离决策理论的鲁棒优化调度模型，有助于虚拟电厂系统运营商规避净利润风险进而保证经济收益的可靠性；

(4)本发明综合考虑了虚拟电厂中不确定性因素和需求响应因素，可以为虚拟电厂细粒度建模和不确定性优化调度提供借鉴和指导。

附图说明

图1是本发明计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法的架构图；

图2是本发明计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法的算例结构图。

具体实施方式

为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。

实施例1：

采集虚拟电厂信息，将虚拟电厂信息导入基础模型，输出优化调度后的虚拟电厂信息；其中虚拟电厂信息包括：光伏发电系统信息、风机发电系统信息、储能系统信息、电动汽车集群信息、电网接口信息、负荷信息；

光伏发电系统信息包括：光电出力预测信息、鲁棒系数信息；

风机发电系统信息包括：风电出力预测信息、鲁棒系数信息；

储能系统信息包括：装机容量信息、充放电功率限度信息、荷电状态限度信息、充放电次数限度信息；

电动汽车集群信息包括：每辆电动汽车的最大充电时间信息、额定充电功率信息、习惯性的充电开始时刻信息、充电电价信息；

电网接口信息包括：上网电价信息、上网功率限度信息；

负荷信息包括：常规电力负荷信息、中断负荷信息。

将虚拟电厂信息导入基础模型包括：将负荷信息、储能系统信息导入确定性模型计算，分别获得储能系统模型输出参数、常规电力负荷模型输出参数，将光伏发电系统信息、风机发电系统信息导入不确定性模型计算，分别获得光伏发电出力模型输出参数、风机发电出力的模型输出参数，将电动汽车集群信息、负荷信息导入需求响应模型计算，分别获得电动汽车模型输出参数、中断负荷的模型输出参数；

其中，储能系统模型的表达式为：

式中：

分别为储能系统在时段t、在时段t+1的储电量；σ_es为储能系统的自放电率；

分别为储能系统在时段t的放电功率、充电功率；η_es,cha、η_es,dis分别为储能系统的充电效率、放电效率；Δt为虚拟电厂仿真设置时间步长；

常规电力负荷模型的表达式为：

P_t ^Ltrad＝ξ_L(P_t ^Ltrad)

式中：P_t ^Ltrad为在时段t的常规电力负荷需求；ξ_L(·)为负荷调研统计样本。

光伏发电出力模型的表达式为：

式中：P_t ^pva、P_t ^pvf分别为时段t的光伏发电的实际出力、光伏发电的预测出力；τ_pv为光伏发电不确定变量P_t ^pva的波动范围，也即是光伏发电相关的鲁棒系数；Ω(τ_pv,P_t ^pvf)为P_t ^pva的集合关系；

风机发电出力的模型的表达式为：

式中：P_t ^wpa、P_t ^wpf分别为时段t的风机发电的实际出力、风机发电的预测出力；τ_wp为风机发电不确定变量P_t ^pva的波动范围，也即是风机发电相关的鲁棒系数；Ω(τ_wp,P_t ^wpf)为P_t ^wpa的集合关系。

电动汽车模型输出参数包括：电动汽车需求侧响应模型输出参数、充电负荷转移响应模型输出参数、电动汽车响应激励模型输出参数；

电动汽车需求侧响应模型的表达式为：

P_t ^after＝P_t ^before+P_t ⁱⁿ-P_t ^out

式中：P_t ^after、P_t ^before分别为在时段t需求侧响应后的电动汽车充电负荷、需求侧响应前的电动汽车充电负荷；P_t ⁱⁿ、P_t ^out分别为在时段t电动汽车转入充电负荷、电动汽车转出充电负荷；

充电负荷转移响应模型的表达式为：

式中：P_t ⁱⁿ、P_t ^out分别为在时段t电动汽车转入充电负荷、电动汽车转出充电负荷；

为单台电动汽车额定充电功率；k为电动汽车类别；

分别为第k类电动汽车转入时段t充电的数量、第k类电动汽车转出时段t充电的数量；

为第k类电动汽车转出时段t-d充电的数量；d^max为每类别电动汽车所需要的最长充电时间；T为虚拟电厂优化调度周期；

电动汽车响应激励模型包括可用性模型、可行性模型、响应满意度模型、响应激励与响应效果耦合关系模型；

可用性模型的表达式为：

式中：

为电动汽车用户在时段t的可用性；

分别为时段t系统运营商支出的需求侧响应激励补贴价格、系统运营商向电力用户售电价格；

可行性模型的表达式为：

式中：

为电动汽车用户在时段t的可行性；t^before、t^after分别为电动汽车用户需求侧响应前的充电开始时刻、需求侧响应后的充电开始时刻；T为虚拟电厂优化调度周期；

响应满意度模型的表达式为：

式中：

为电动汽车用户在时段t的响应满意度；θ为电动汽车用户对可用性的重视程度因子；

为电动汽车用户在时段t的可用性；

为电动汽车用户在时段t的可行性；

响应激励与响应效果耦合关系模型的表达式为：

式中：

分别为第k类电动汽车转入时段t充电的数量；

为第k类电动汽车中的第i辆电动汽车在时段t是否参与需求侧响应的布尔变量，取值1时表示该辆电动汽车参与时段t的需求响应，取值0时表示该辆电动汽车不参与时段t的需求响应；N_i为第k类电动汽车的总数量；

为电动汽车用户在时段t的响应满意度；

为第k类电动汽车中的第i辆电动汽车响应满意度阈值。

中断负荷模型的表达式为：

式中：

为虚拟电厂在时间t中断负荷的响应成本；Ω_m为中断水平级别；

为第m级别中断水平补偿价格因子；

为在时间t的第m级别中断水平中断负荷量；P_t ^Lcurt为在时间t的所有级别中断水平的中断负荷量。

基于采集的虚拟电厂信息分别获得虚拟电厂向电网售电收入、向电动汽车售电收入、向常规电力负荷售电收入、储能系统成本、中断负荷需求响应成本、电动汽车需求响应成本；

基于虚拟电厂向电网售电收入、向电动汽车售电收入、向常规电力负荷售电收入、储能系统成本、中断负荷需求响应成本、电动汽车需求响应成本构建经济优化调度目标函数，并对优化调度目标函数设置虚拟电厂安全运行的约束条件；

其中，经济优化调度目标函数的表达式为：

max f_vpp＝C_profit-C_cost

式中：f_vpp为虚拟电厂优化调度周期内的净利润；C_profit为虚拟电厂优化调度周期内售电收入；C_cost为虚拟电厂优化调度周期内正常运行基础成本；

虚拟电厂优化调度周期内售电收入C_profit的表达式为：

式中：C_profit为虚拟电厂优化调度周期内售电收入；

为虚拟电厂在时段t向电网售电的电价；P_t ^sell为虚拟电厂在时段t向电网售电功率；

为时段t系统运营商向电力用户售电价格；

为虚拟电厂在时段t内部除电动汽车充电负荷以外的等效总电力负荷需求；P_t ^after为在时段t需求侧响应后的电动汽车充电负荷；T为虚拟电厂优化调度周期；Δt为虚拟电厂仿真设置时间步长；

虚拟电厂优化调度周期内正常运行基础成本C_cost的表达式为：

C_cost＝C_cult+C_ES+C_DR

式中：C_cost为虚拟电厂优化调度周期内正常运行基础成本；C_cult、C_ES、C_DR分别为虚拟电厂优化调度周期内的中断负荷需求响应成本、储能系统成本、电动汽车需求响应成本；

为虚拟电厂在时间t中断负荷的响应成本；

分别为储能系统单次充电、单次放电成本损耗系数；

为储能系统在时间t的充电状态0-1变量，充电状态时取值1，否则取值为0；

为储能系统在时间t的放电状态0-1变量，放电状态时取值1，否则取值为0；N_i为第k类电动汽车的总数量；

为时段t系统运营商支出的需求侧响应激励补贴价格；

为第k类电动汽车转入时段t充电的数量；

为单台电动汽车额定充电功率；T为虚拟电厂优化调度周期。

其中，安全运行的约束条件包括：储能系统安全运行约束条件、电功率平衡安全运行约束条件、负荷安全运行约束条件、电动汽车安全运行约束条件；

储能系统安全运行约束条件的表达式为：

式中：

分别为储能系统在时段t的放电功率、充电功率；

分别为储能系统放电功率上限、充电功率上限；

为储能系统在时间t的充电状态0-1变量，充电状态时取值1，否则取值为0；

为储能系统在时间t的放电状态0-1变量，放电状态时取值1，否则取值为0；

为储能系统在时段t的储电量；

为储能系统在时段t+T的储电量；

分别为储能系统实时储电量上限度系数、下限度系数；

为储能系统的额定容量；

分别为储能系统初始时的储电量、结束时的储电量；N_ES为虚拟电厂优化调度周期内储能系统充放电次数阈值；T为虚拟电厂优化调度周期；

电功率平衡安全运行约束条件的表达式为：

式中：P_t ^pva为时段t的光伏发电的实际出力；P_t ^wpa为时段t的风机发电的实际出力；

分别为储能系统在时段t的放电功率、充电功率；P_t ^after为在时段t需求侧响应后的电动汽车充电负荷；P_t ^sell为虚拟电厂在时段t向电网售电功率；

为虚拟电厂在时段t内部除电动汽车充电负荷以外的等效总电力负荷需求；P_t ^Ltrad为在时段t的常规电力负荷需求；P_t ^Lcurt为在时间t的所有级别中断水平的中断负荷量；

负荷安全运行约束条件的表达式为：

式中：

为在时间t的第m级别中断水平中断负荷量；

为第m级别中断水平系数；P_t ^Ltrad为在时段t的常规电力负荷需求；P_t ^Lcurt为在时间t的所有级别中断水平的中断负荷量；Ω_m为中断水平级别；P_t ^sell为虚拟电厂在时段t向电网售电功率；

为虚拟电厂在时段t向电网售电功率阈值；

电动汽车安全运行约束条件的表达式为：

式中：k为电动汽车类别；

为第k类电动汽车转出时段t充电、转出时段t-d充电的数量；d^max为每类别电动汽车所需要的最长充电时间；N_i为第k类电动汽车的总数量；T为虚拟电厂优化调度周期。

将虚拟电厂安全运行的约束条件导入鲁棒优化调度模型对经济优化调度目标函数进行优化求解，基础模型根据优化求解后的经济优化调度目标函数实时更新基础模型中的系数，并输出优化调度后的虚拟电厂信息的方法为：

将储能系统安全运行约束条件、电功率平衡安全运行约束条件、负荷安全运行约束条件、电动汽车安全运行约束条件分别代入鲁棒优化调度模型对经济优化调度目标函数进行优化求解，并根据求解结果选择是否需要调整鲁棒优化调度模型中的偏差系数；

若不调整鲁棒优化调度模型中的偏差系数，则基础模型直接输出优化调度后的虚拟电厂信息；

若需要调整鲁棒优化调度模型中的偏差系数，则将实际应用场景的具体实际数据代入对应的计算模型进行分析，获得各个应用场景的参数信息；

根据各个应用场景的参数信息重新校对鲁棒优化调度模型中的偏差系数，并判断虚拟电厂优化调度的场景是否有调整，根据判断结果选择是否重新采集调整后的虚拟电厂信息，优化基础模型的系数，输出优化调度后的虚拟电厂信息。

鲁棒优化调度方法的模型表达式为：

maxζ_vpp＝π_RMτ_pv+(1-π_RM)τ_wp

式中：ζ_vpp为综合不确定变量的波动范围；π_RM为不确定性权重系数，其值由调度统计获得；τ_pv为光伏发电不确定变量P_t ^pva的波动范围，也即是光伏发电相关的鲁棒系数；τ_wp为风机发电不确定变量P_t ^pva的波动范围，也即是风机发电相关的鲁棒系数；f_vpp为虚拟电厂优化调度周期内的净利润；

为虚拟电厂运营商根据不确定性因素可接受的最低预期净利润目标值；Δ₀为预期净利润目标值与最优净利润值的偏差程度，称为偏差系数；

为最优净利润值，也即是不考虑不确定性因素时的确定性优化结果；h(·)为所有等式约束关系；g(·)为所有不等式约束关系；U为所有输入变量；d为所有决策变量；P_t ^pva、P_t ^pvf分别为时段t的风机发电的实际出力、风机发电的预测出力；Ω(τ_pv,P_t ^pvf)为P_t ^pva的集合关系；P_t ^wpa、P_t ^wpf分别为时段t的光伏发电的实际出力、光伏发电的预测出力；Ω(τ_wp,P_t ^wpf)为P_t ^wpa的集合关系。

本发明中一种计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法实施例架构示意图如图2所示。

实施例说明：在图2中，虚拟电厂内部聚合了发电资源，有储能系统、光伏发电系统、风机发电系统；同时聚合了用电资源，有常规电力负荷、中断电力负荷、电动汽车集群充电负荷；内部资源之间的电能流动方向如图2的箭头所示。虚拟电厂通过电网接口与大电网进行联络，与大电网协调配合，虚拟电厂通过电网接口向大电网售电。

具体实现过程：结合图1和图2说明实施例的基础流程步骤：

步骤1采集虚拟电厂内部资源信息，其中，光伏发电系统信息包括光电出力预测信息、需要设置的鲁棒系数信息、风机发电系统信息包括风电出力预测信息、鲁棒系数信息；其中，储能系统信息包括装机容量信息、充放电功率限度信息、荷电状态限度信息、充放电次数限度信息；其中电动汽车集群信息包括每辆电动汽车的最大充电时间信息、额定充电功率信息、习惯性的充电开始时刻信息、充电电价信息，并将最大充电时间进行近似化整数处理；其中，电网接口信息包括上网电价信息、上网功率限度信息；其中，调度数据集信息包括理想经济成本信息、可容忍损失经济程度信息、储能系统单次充放电损耗信息；其中，负荷信息包括常规电力负荷信息、中断负荷信息。

步骤2将储能系统信息和常规电力负荷信息代入到所建立的确定性模型中，将光伏发电出力信息和风机发电出力信息代入到所建立的不确定性模型中，将电动汽车信息和中断负荷信息代入到所建立的需求响应模型中，完成数据的录入。

步骤3根据所构建的经济优化调度目标函数，将虚拟电厂向电网售电收入、向电动汽车售电收入、向常规电力负荷售电收入、储能系统成本、中断负荷需求响应成本、电动汽车需求响应成本各个部分的参数信息代入。

步骤4逐一设置并核对储能系统安全运行约束条件、电功率平衡安全运行约束条件、负荷安全运行约束条件、电动汽车安全运行约束条件，确证设置的参数可以满足虚拟电厂安全运行要求。

步骤5根据提出的基于信息距离决策理论的鲁棒优化调度模型进行优化调度，输出虚拟电厂优化调度结果，并判断鲁棒优化调度模型中的偏差系数。其中根据步骤5中鲁棒优化调度模型偏差系数的判断结果，确定是否为新的应用场景，若是新的应用场景则重复循环步骤1至步骤5。

通过本实施例的说明及具体实现过程介绍分析可知，本发明所提一种计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法是有效的、易操作的、广泛适用的、合理的，有助于进一步提升系统优化运行的可靠性和准确性；有利于弥补确定性优化调度的不足；有助于进一步挖掘虚拟电厂中电动汽车、中断负荷参与优化调度的灵活性潜力，可以进一步提高需求侧响应的积极性；有助于虚拟电厂系统运营商规避净利润风险进而保证经济收益的可靠性；可以为虚拟电厂考虑不确定性因素和需求响应因素细粒度建模和不确定性鲁棒优化调度提供借鉴和指导。

本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，包括：

采集虚拟电厂信息，将虚拟电厂信息导入基础模型，输出优化调度后的虚拟电厂信息；

其中，虚拟电厂信息包括：光伏发电系统信息、风机发电系统信息、储能系统信息、电动汽车集群信息、电网接口信息、负荷信息；

基于虚拟电厂信息分别获得虚拟电厂向电网售电收入、向电动汽车售电收入、向常规电力负荷售电收入、储能系统成本、中断负荷需求响应成本、电动汽车需求响应成本；

根据虚拟电厂向电网售电收入、向电动汽车售电收入、向常规电力负荷售电收入、储能系统成本、中断负荷需求响应成本、电动汽车需求响应成本构建经济优化调度目标函数，并对优化调度目标函数设置虚拟电厂安全运行的约束条件；

将虚拟电厂安全运行的约束条件导入鲁棒优化调度模型对经济优化调度目标函数进行优化求解，基础模型根据优化求解后的经济优化调度目标函数实时更新基础模型中的系数，并输出优化调度后的虚拟电厂信息。

2.根据权利要求1所述的计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，所述基础模型包括：确定性模型、不确定性模型、需求响应模型；

其中，将虚拟电厂信息导入基础模型包括：将负荷信息、储能系统信息导入确定性模型计算，分别获得储能系统模型输出参数、常规电力负荷模型输出参数，将光伏发电系统信息、风机发电系统信息导入不确定性模型计算，分别获得光伏发电出力模型输出参数、风机发电出力的模型输出参数，将电动汽车集群信息、负荷信息导入需求响应模型计算，分别获得电动汽车模型输出参数、中断负荷的模型输出参数；

所述光伏发电系统信息包括：光电出力预测信息、鲁棒系数信息；

所述风机发电系统信息包括：风电出力预测信息、鲁棒系数信息；

所述储能系统信息包括：装机容量信息、充放电功率限度信息、荷电状态限度信息、充放电次数限度信息；

所述电动汽车集群信息包括：每辆电动汽车的最大充电时间信息、额定充电功率信息、习惯性的充电开始时刻信息、充电电价信息；

所述电网接口信息包括：上网电价信息、上网功率限度信息；

负荷信息包括：常规电力负荷信息、中断负荷信息。

3.根据权利要求2所述的计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，储能系统模型的表达式为：

式中：

分别为储能系统在时段t、在时段t+1的储电量；σ_es为储能系统的自放电率；

分别为储能系统在时段t的放电功率、充电功率；η_es,cha、η_es,dis分别为储能系统的充电效率、放电效率；Δt为虚拟电厂仿真设置时间步长；

常规电力负荷模型的表达式为：

P_t ^Ltrad＝ξ_L(P_t ^Ltrad)

式中：P_t ^Ltrad为在时段t的常规电力负荷需求；ξ_L(·)为负荷调研统计样本。

4.根据权利要求2所述的计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，光伏发电出力模型的表达式为：

式中：P_t ^pva、P_t ^pvf分别为时段t的光伏发电的实际出力、光伏发电的预测出力；τ_pv为光伏发电不确定变量P_t ^pva的波动范围，也即是光伏发电相关的鲁棒系数；Ω(τ_pv,P_t ^pvf)为P_t ^pva的集合关系；

风机发电出力的模型的表达式为：

式中：P_t ^wpa、P_t ^wpf分别为时段t的风机发电的实际出力、风机发电的预测出力；τ_wp为风机发电不确定变量P_t ^pva的波动范围，也即是风机发电相关的鲁棒系数；Ω(τ_wp,P_t ^wpf)为P_t ^wpa的集合关系。

5.根据权利要求2所述的计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，所述电动汽车模型输出参数包括：电动汽车需求侧响应模型输出参数、充电负荷转移响应模型输出参数、电动汽车响应激励模型输出参数；

电动汽车需求侧响应模型的表达式为：

P_t ^after＝P_t ^before+P_t ⁱⁿ-P_t ^out

式中：P_t ^after、P_t ^before分别为在时段t需求侧响应后的电动汽车充电负荷、需求侧响应前的电动汽车充电负荷；P_t ⁱⁿ、P_t ^out分别为在时段t电动汽车转入充电负荷、电动汽车转出充电负荷；

充电负荷转移响应模型的表达式为：

式中：P_t ⁱⁿ、P_t ^out分别为在时段t电动汽车转入充电负荷、电动汽车转出充电负荷；

为单台电动汽车额定充电功率；k为电动汽车类别；

分别为第k类电动汽车转入时段t充电的数量、第k类电动汽车转出时段t充电的数量；

为第k类电动汽车转出时段t-d充电的数量；d^max为每类别电动汽车所需要的最长充电时间；T为虚拟电厂优化调度周期；

电动汽车响应激励模型包括可用性模型、可行性模型、响应满意度模型、响应激励与响应效果耦合关系模型；

可用性模型的表达式为：

式中：

为电动汽车用户在时段t的可用性；

分别为时段t系统运营商支出的需求侧响应激励补贴价格、系统运营商向电力用户售电价格；

可行性模型的表达式为：

式中：

为电动汽车用户在时段t的可行性；t^before、t^after分别为电动汽车用户需求侧响应前的充电开始时刻、需求侧响应后的充电开始时刻；T为虚拟电厂优化调度周期；

响应满意度模型的表达式为：

式中：

为电动汽车用户在时段t的响应满意度；θ为电动汽车用户对可用性的重视程度因子；

为电动汽车用户在时段t的可用性；

为电动汽车用户在时段t的可行性；

响应激励与响应效果耦合关系模型的表达式为：

式中：

分别为第k类电动汽车转入时段t充电的数量；

为第k类电动汽车中的第i辆电动汽车在时段t是否参与需求侧响应的布尔变量，取值1时表示该辆电动汽车参与时段t的需求响应，取值0时表示该辆电动汽车不参与时段t的需求响应；N_i为第k类电动汽车的总数量；

为电动汽车用户在时段t的响应满意度；

为第k类电动汽车中的第i辆电动汽车响应满意度阈值。

6.根据权利要求2所述的计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，所述中断负荷模型的表达式为：

式中：

为虚拟电厂在时间t中断负荷的响应成本；Ω_m为中断水平级别；

为第m级别中断水平补偿价格因子；

为在时间t的第m级别中断水平中断负荷量；P_t ^Lcurt为在时间t的所有级别中断水平的中断负荷量。

7.根据权利要求1所述的计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，所述经济优化调度目标函数的表达式为：

max f_vpp＝C_profit-C_cost

式中：f_vpp为虚拟电厂优化调度周期内的净利润；C_profit为虚拟电厂优化调度周期内售电收入；C_cost为虚拟电厂优化调度周期内正常运行基础成本；

虚拟电厂优化调度周期内售电收入C_profit的表达式为：

式中：C_profit为虚拟电厂优化调度周期内售电收入；

为虚拟电厂在时段t向电网售电的电价；P_t ^sell为虚拟电厂在时段t向电网售电功率；

为时段t系统运营商向电力用户售电价格；

为虚拟电厂在时段t内部除电动汽车充电负荷以外的等效总电力负荷需求；P_t ^after为在时段t需求侧响应后的电动汽车充电负荷；T为虚拟电厂优化调度周期；Δt为虚拟电厂仿真设置时间步长；

虚拟电厂优化调度周期内正常运行基础成本C_cost的表达式为：

C_cost＝C_cult+C_ES+C_DR

式中：C_cost为虚拟电厂优化调度周期内正常运行基础成本；C_cult、C_ES、C_DR分别为虚拟电厂优化调度周期内的中断负荷需求响应成本、储能系统成本、电动汽车需求响应成本；

为虚拟电厂在时间t中断负荷的响应成本；

分别为储能系统单次充电、单次放电成本损耗系数；

为储能系统在时间t的充电状态0-1变量，充电状态时取值1，否则取值为0；

为储能系统在时间t的放电状态0-1变量，放电状态时取值1，否则取值为0；N_i为第k类电动汽车的总数量；

为时段t系统运营商支出的需求侧响应激励补贴价格；

为第k类电动汽车转入时段t充电的数量；

为单台电动汽车额定充电功率；T为虚拟电厂优化调度周期。

8.根据权利要求1所述的计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，所述安全运行的约束条件包括：储能系统安全运行约束条件、电功率平衡安全运行约束条件、负荷安全运行约束条件、电动汽车安全运行约束条件；

其中，储能系统安全运行约束条件的表达式为：

式中：

分别为储能系统在时段t的放电功率、充电功率；

分别为储能系统放电功率上限、充电功率上限；

为储能系统在时间t的充电状态0-1变量，充电状态时取值1，否则取值为0；

为储能系统在时间t的放电状态0-1变量，放电状态时取值1，否则取值为0；

为储能系统在时段t的储电量；

为储能系统在时段t+T的储电量；

分别为储能系统实时储电量上限度系数、下限度系数；

为储能系统的额定容量；

分别为储能系统初始时的储电量、结束时的储电量；N_ES为虚拟电厂优化调度周期内储能系统充放电次数阈值；T为虚拟电厂优化调度周期；

电功率平衡安全运行约束条件的表达式为：

式中：P_t ^pva为时段t的光伏发电的实际出力；P_t ^wpa为时段t的风机发电的实际出力；

分别为储能系统在时段t的放电功率、充电功率；P_t ^after为在时段t需求侧响应后的电动汽车充电负荷；P_t ^sell为虚拟电厂在时段t向电网售电功率；

为虚拟电厂在时段t内部除电动汽车充电负荷以外的等效总电力负荷需求；P_t ^Ltrad为在时段t的常规电力负荷需求；P_t ^Lcurt为在时间t的所有级别中断水平的中断负荷量；

负荷安全运行约束条件的表达式为：

式中：

为在时间t的第m级别中断水平中断负荷量；

为第m级别中断水平系数；P_t ^Ltrad为在时段t的常规电力负荷需求；P_t ^Lcurt为在时间t的所有级别中断水平的中断负荷量；Ω_m为中断水平级别；P_t ^sell为虚拟电厂在时段t向电网售电功率；

为虚拟电厂在时段t向电网售电功率阈值；

电动汽车安全运行约束条件的表达式为：

式中：k为电动汽车类别；

为第k类电动汽车转出时段t充电、转出时段t-d充电的数量；d^max为每类别电动汽车所需要的最长充电时间；N_i为第k类电动汽车的总数量；T为虚拟电厂优化调度周期。

9.根据权利要求1所述的计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，将虚拟电厂安全运行的约束条件导入鲁棒优化调度模型对经济优化调度目标函数进行优化求解，基础模型根据优化求解后的经济优化调度目标函数实时更新基础模型中的系数，并输出优化调度后的虚拟电厂信息的方法为：

将储能系统安全运行约束条件、电功率平衡安全运行约束条件、负荷安全运行约束条件、电动汽车安全运行约束条件分别代入鲁棒优化调度模型对经济优化调度目标函数进行优化求解，并根据求解结果选择是否需要调整鲁棒优化调度模型中的偏差系数；

若不调整鲁棒优化调度模型中的偏差系数，则基础模型直接输出优化调度后的虚拟电厂信息；

若需要调整鲁棒优化调度模型中的偏差系数，则将实际应用场景的具体实际数据代入对应的计算模型进行分析，获得各个应用场景的参数信息；

根据各个应用场景的参数信息重新校对鲁棒优化调度模型中的偏差系数，并判断虚拟电厂优化调度的场景是否有调整，根据判断结果选择是否重新采集调整后的虚拟电厂信息，优化基础模型的系数，输出优化调度后的虚拟电厂信息。

10.根据权利要求9所述的计及不确定性和需求响应的虚拟电厂鲁棒优化调度方法，其特征在于，鲁棒优化调度模型的表达式为：

maxζ_vpp＝π_RMτ_pv+(1-π_RM)τ_wp

式中：ζ_vpp为综合不确定变量的波动范围；π_RM为不确定性权重系数，其值由调度统计获得；τ_pv为光伏发电不确定变量P_t ^pva的波动范围，也即是光伏发电相关的鲁棒系数；τ_wp为风机发电不确定变量P_t ^pva的波动范围，也即是风机发电相关的鲁棒系数；f_vpp为虚拟电厂优化调度周期内的净利润；

为虚拟电厂运营商根据不确定性因素可接受的最低预期净利润目标值；Δ₀为预期净利润目标值与最优净利润值的偏差程度，称为偏差系数；

为最优净利润值，也即是不考虑不确定性因素时的确定性优化结果；h(·)为所有等式约束关系；g(·)为所有不等式约束关系；U为所有输入变量；d为所有决策变量；P_t ^pva、P_t ^pvf分别为时段t的风机发电的实际出力、风机发电的预测出力；Ω(τ_pv,P_t ^pvf)为P_t ^pva的集合关系；P_t ^wpa、P_t ^wpf分别为时段t的光伏发电的实际出力、光伏发电的预测出力；Ω(τ_wp,P_t ^wpf)为P_t ^wpa的集合关系。

Images