CN115483718A - 计及储能与需求响应的电-气虚拟电厂双层优化调度方法 - Google Patents

Abstract

本申请公开计及储能与需求响应的电‑气虚拟电厂双层优化调度方法，包括：构建常规机组、燃气轮机、风电、电制氢设备、储能装置、柔性负荷的电气虚拟电厂双层调度模型；上层模型以电‑气虚拟电厂常规机组、储能、主网购电成本最低为目标，下层模型以电‑气虚拟电厂日前调度成本最低为目标；对双层模型目标函数设约束条件；基于拉丁超立方抽样生成典型新能源出力场景；根据KKT条件将下层模型转变为上层模型约束条件，利用Big‑M法将非线性条件线性化，将混合整数非线性双层模型变为混合整数线性单层模型进行求解得到电‑气虚拟电厂优化后的调度结果。本发明考虑各部分对风电的消纳作用，提高虚拟电厂新能源消纳水平，降低运行成本。

Description

计及储能与需求响应的电-气虚拟电厂双层优化调度方法

技术领域

本发明涉及综合能源优化调度技术领域，特别涉及计及储能与需求响应的电-气虚拟电厂双层优化调度方法。

背景技术

随着经济的不断发展，社会对负荷的需求大大增加，为了降低传统化石能源带来的环境污染，风电可再生新能源蓬勃发展。然而风电可再生新能源单机容量小、地理位置较为分散，同时具有波动性和随机性，这给电网的稳定运行带来了巨大的挑战。

虚拟电厂通过现代化的通信、控制技术，将离散的分布式能源、储能装置、可调控的柔性负荷聚合为一个整体参与电网的统一调控。虚拟电厂是一种新型电力系统，可对大规模新能源电力进行高效利用，在满足负荷需求的条件下，虚拟电厂投资相较于传统火电厂更小。在目前虚拟电厂已经成为现在学者研究的热点问题。

然而，随着电转气等耦合装置发展迅速，气网与电网的耦合逐渐加深，目前虚拟电厂大多还是仅对电网进行调控，没有挖掘气网参与到虚拟电厂的调控潜力。

发明内容

本发明针对现有技术中的不足，提供计及储能与需求响应的电-气虚拟电厂双层优化调度方法；在电-气虚拟电厂双层优化调度模型的基础上，考虑了风电出力的不确定性，同时，基于拉丁超立方抽样生成典型新能源出力场景，构建计及储能与需求响应的电-气虚拟电厂双层优化调度模型，在降低虚拟电厂运行成本的同时提高虚拟电厂的新能源消纳水平。

为实现上述目的，本发明采用以下技术方案：

一种计及储能与需求响应的电-气虚拟电厂双层优化调度方法，其特征在于，包括以下步骤：

S1：建立电-气虚拟电厂双层优化调度模型，以及双层优化调度模型的优化目标和约束条件；其中，所述双层优化调度模型由上层模型和下层模型构成，上层模型包括有常规机组和储能装置，其是以电-气虚拟电厂常规机组发电成本、储能成本、主网购电成本为优化目标，下层模型包括有燃气轮机、风电机组、电制氢设备、柔性负荷，其是以电-气虚拟电厂日前调度成本为优化目标；

S2：基于拉丁超立方抽样生成典型风电机组新能源的出力场景；

S3：结合步骤S1的内容，根据KKT条件将下层模型转变为上层模型的约束条件；

S4：基于步骤S3的内容将原属于混合整数非线性的双层优化调度模型转换为混合整数线性的单层优化调度模型，同时利用Big-M法将原属于非线性的约束条件线性化，然后将单层优化调度模型、线性化约束条件、步骤S2中生成的风电机组新能源出力场景放置到matlab平台上，利用Yalmip工具箱调用CPLEX求解器求解相应的风电机组新能源和由常规机组发电的调度结果、运行成本和弃风量。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S1中所述双层优化调度模型的优化目标和约束条件的具体内容为：

(1)、建立上层模型目标函数，该目标函数是以电-气虚拟电厂常规机组发电成本、储能成本、主网购电成本最小化为目标：

min F¹＝(F₁+F₂+F₃)

式中，F¹表示上层模型目标函数值；F₁表示常规机组的发电成本函数；F₂表示储能成本函数；F₃表示主网购电成本函数；T表示时段总数；N_G表示常规机组的数量；a_i、b_i、c_i均表示常规机组i的成本函数系数；

表示t时段第i个常规机组出力；c^ESS表示储能装置充放电成本系数；P_t ^ESC、P_t ^ESD分别表示储能装置t时刻充、放电量，且储能装置不能同时充放电；

表示t时刻虚拟电厂从主网购电电价；P_t ^grid表示t时刻虚拟电厂从主网购电电量；

(2)、建立上层模型约束条件：

功率平衡约束

P^w+P^grid+P^cu+P^ESD-P^ESC

-P^load＝0

式中，P^w表示风电机组预测出力，P^grid表示虚拟电厂从主网购入电量，P^cu表示常规机组出力，P^ESD表示储能装置放出电量，P^ESC表示储能装置充入电量，P^load表示电负荷；

常规机组约束

式中，P_i,t表示第i台常规机组出力；

分别表示第i台常规机组出力上下限；R_Ui、 R_Di分别表示常规机组i的爬坡速率上下限；

储能装置约束

式中，ES(t)表示储能装置t时刻所存储的电量；η^ESC、η^ESD分别表示储能装置的充放电效率；

分别表示t时段i区域储能装置的充放电功率；ES_i,0表示i区域储能装置日前调度初始存储量；

表示i区域储能装置的最大容量；ES_i,t表示i区域储能装置日前调度 t时刻存储量；

分别表示t时段i区域储能装置的充放电状态标志，是为1，否则为 0；P_i ^ES-max表示i区域储能装置的最大充放电功率；

(3)、建立下层模型目标函数，该目标函数是以电-气虚拟电厂日前调度成本最小化为目标：

min F＝(F₁+F₂+F₃+F₄+F₅+F₆)

式中，F表示下层模型目标函数值；F₄表示燃气轮机发电成本函数；F₅表示需求响应成本函数；F₆表示弃风惩罚成本函数；N_gt表示燃气轮机的数量；

均表示燃气轮机 i的成本函数系数；

表示t时段第i个燃气轮机出力；k表示用户可中断负荷等级；ε_k表示 k级可中断负荷补偿价格；

表示t时刻第k级可中断负荷功率；N_w分别表示风电机组数量；λ_w表示弃风惩罚系数；

分别表示t时刻第i台风电机组的预测出力和实际出力；

(4)、建立下层模型约束条件：

功率平衡约束

P^w+P^cu+P^gt+P^grid+P^ESD-P^ESC

-P^load-P^P2G+P_t ^IL＝0

式中，P^gt表示燃气轮机出力，P^P2G表示P2G电功率；P_t ^IL表示中断负荷量；G^s表示从气源s处购气量，

表示P2G设备的制气量，G^load表示气负荷；

燃气轮机约束

式中，

表示第i台燃气轮机出力；

分别表示第i台燃气轮机出力上下限；

分别表示燃气轮机i的爬坡速率上下限；

P2G约束

式中，

表示t时刻第i个P2G电转气后的天然气量；η^P2G表示P2G的电转气系数；

表示t时段第i个P2G出力；

表示第i个P2G的电功率上下限；

表示P2G 装置运行状态变量，0表示关停，1表示运行；

风电机组出力约束

需求响应约束，其中需求响应的负荷为可中断负荷

式中，

表示第k级可中断电负荷系数；P_t ^load表示t时刻电负荷功率；P_t ^IL表示t时刻可中断负荷功率。

进一步地，步骤S2的具体内容为：

S2.1：设定风速的概率分布函数为F(x)，并将其概率分布值均匀分成K个区间，设采样数为K；

S2.2：对上述K个区间随机生成K个数，每个概率区间[i/K,(i+1)/K](0≤i≤K-1)生成一个随机数x，x∈U(0,1)，同时生成该概率区间的一个随机概率值P_i＝(x+i)/K；

S2.3：根据概率分布的反函数计算各区间的采样值X_i＝F^-1(P_i)，根据各区间采样值生成初始场景集。

进一步地，步骤S2.3中由于生成的初始场景数量大，其中有些场景存在相似性，进而增大计算量，因此需要对生成的场景进行削减，具体步骤如下：

S2.3.1：生成初始场景集ψ＝{ξ₁,ξ₂,…,ξ_N}，初始化场景概率P(ξ_i)＝P(ξ_j)＝1/N，式中N表示初始场景集的总数；

S2.3.2：计算场景距离d(ξ_i,ξ_j)＝|ξ_i-ξ_j|；

S2.3.3：筛选相似场景，对于场景i，寻找相似场景j使得d(ξ_i,ξ_j)＝min{d(ξ_i,ξ_m),i≠m}， D_i＝min{d(ξ_i，ξ_j)，i≠m}·P_i，更新场景数目及概率场景；式中D_i表示与场景i几何距离最小的场景j与场景i概率的乘积；m表示场景集中除去场景i以外的其他场景；

S2.3.4：若剩余场景数满足，则结束场景削减，否则针对削减后场景数再次重复步骤 S2.3.2和步骤S2.3.3。

进一步地，步骤S3的具体内容为：

由于上层模型与下层模型之间存在变量耦合关系，难以直接求解，因此构建下层模型的拉格朗日函数，利用KKT条件将下层模型转变为上层模型的约束条件：

首先将下层模型的约束条件转换为如下形式，包括不等式约束和等式约束：

G(x，y)≤0

H(x，y)＝0

式中，x，y表示下层模型中的决策变量；构造下层模型的拉格朗日函数，形式如下：

式中，μ、λ分别为不等式约束和等式约束的拉格朗日乘子；μ_i、λ_j分别表示第i和j个不等式约束和等式约束的拉格朗日乘子；G_i(x，y)、H_j(x，y)分别表示第i和j个不等式约束和等式约束；

根据KKT互补松弛条件，对L(x,y,μ,λ)中的变量分别求偏导，将下层模型转化为上层模型的约束条件，具体形式如下：

H(x，y)＝0

G(x，y)≤0

λ_j≥0

μ_iG_i(x，y)

进一步地，步骤S4的具体内容为：

基于步骤S3的处理后，将原属于混合整数非线性的双层优化调度模型转换为混合整数线性的单层优化调度模型，利用Big-M法将原属于非线性的约束条件线性化，转化后的形式如下：

不等式约束

式中，M为常数；μ_i,t、

为0-1变量；

非线性约束：

0≤μ_i≤M·υ_i

0≤G_i≤M·(1-υ_i)

式中，μ_i表示第i个不等式约束的拉格朗日乘子；G_i即G_i(x，y)，表示第i个不等式约束；υ_i为0-1变量；

将单层优化调度模型、线性化约束条件、步骤S2中生成的风电机组新能源出力场景放置到matlab平台上，利用Yalmip工具箱调用CPLEX求解器求解相应的风电机组新能源和由常规机组发电的调度结果、运行成本和弃风量。

本发明的有益效果是：本申请考虑了气网对风电的消纳作用，利用P2G设备，对电网、气网进行耦合，建立电-气虚拟电厂双层优化调度模型；提高了虚拟电厂的风电消纳水平，降低了弃风量；利用风速历史数据，基于拉丁超立方抽样生成典型新能源出力场景，来应对电- 气虚拟电厂双层优化调度模型中风电出力的不确定性问题；根据KKT条件将下层模型转变为上层模型的约束条件，利用Big-M法将非线性条件线性化，将混合整数非线性双层模型变为混合整数线性单层模型进行求解得到电-气虚拟电厂优化后的调度结果，实施算例也表明采用本申请提出的电-气虚拟电厂双层优化调度模型能降低虚拟电厂的运行成本，进一步提高虚拟电厂的新能源消纳水平。

附图说明

图1是本发明整体方案流程示意图。

图2是本发明实施例中的电负荷、气负荷、预测风电数据示意图。

图3是本发明实施例中的场景2、3储电装置充放电结果对比示意图。

图4是本发明实施例中的场景3P2G出力示意图。

图5是本发明实施例中的场景2、3中断负荷量及购电量对比示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图1-图5所示，本发明提供了一种计及储能与需求响应的电-气虚拟电厂双层优化调度方法，包括如下步骤：

S1、建立包含常规机组、燃气轮机、风电、电制氢设备、储能装置、柔性负荷的电-气虚拟电厂双层优化调度模型；上层模型中以电-气虚拟电厂常规机组、储能、主网购电成本最低为目标，下层模型以电-气虚拟电厂日前调度成本最低为目标；对双层模型目标函数设置虚拟电厂运行的约束条件；

具体步骤为：

S11、根据常规机组、储能装置，建立上层模型目标函数：

以电-气虚拟电厂常规机组、储能、主网购电成本最低为目标：

min F¹＝(F₁+F₂+F₃)

式中，F¹表示上层模型目标函数值；F₁表示常规机组的发电成本函数；F₂表示储能成本函数；F₃表示主网购电成本；T表示时段总数；N_G表示常规机组的数量；a_i、b_i、c_i分别表示常规机组i的成本函数系数；

表示t时段第i个常规机组出力；c^ESS表示储能装置充放电成本系数；P_t ^ESC、P_t ^ESD分别表示储能装置t时刻充、放电量，储能装置不能同时充放电；

表示虚拟电厂从主网购电电价；P_t ^grid表示t时刻虚拟电厂从主网购电电量。

S12、建立上层模型约束条件：

功率平衡约束

P^w+P^grid+P^cu+P^ESD-P^ESC

-P^load＝0

式中，P^w表示风电预测出力，P^cu表示常规机组出力，P^load表示电负荷。

常规机组约束

式中，

表示第i台常规机组出力上下限；R_Ui、R_Di分别表示常规机组i的爬坡速率上下限。

储能装置约束

式中，ES(t)表示储能装置存储的电量；η^ESC、η^ESD分别表示储能装置的充放电效率；

分别表示t时段i区域储电装置的充放电功率；

表示i区域储电装置的最大容量；ES_i,0表示i区域储电装置日前调度初始存储量；

分别表示t时段i区域储电装置的充放电状态标志，是为1，否则为0；P_i ^ES-max表示i区域储电装置的最大充放电功率。

S13、建立电-气虚拟电厂下层模型目标函数：

min F＝(F₁+F₂+F₃+F₄+F₅+F₆)

式中，F表示下层模型目标函数值；F₄表示燃气轮机发电成本函数；F₅表示需求响应成本； F₆表示弃风惩罚成本；N_gt表示燃气轮机的数量；

分别表示燃气轮机i的成本函数系数；

表示t时段第i个燃气轮机出力；k表示用户可中断负荷等级；ε_k表示k级可中断负荷补偿价格；

表示t时刻第k级可中断负荷功率；N_w表示风电机组数量；λ_w表示弃风惩罚系数；

分别表示t时刻第i台风机的预测出力和实际出力。

S14、建立下层模型约束条件：

功率平衡约束

P^w+P^cu+P^gt+P^grid+P^ESD-P^ESC

-P^load-P^P2G+P_t ^IL＝0

式中，P^gt表示燃气轮机出力，P^P2G表示P2G电功率；P_t ^IL表示中断负荷量；G^s表示从气源s处购气量，

表示P2G设备的制气量，G^load表示气负荷。

燃气轮机约束

式中，

表示第i台燃气轮机出力；

分别表示第i台燃气轮机出力上下限；

分别表示燃气轮机i的爬坡速率上下限；

P2G约束

式中，

表示t时刻第i个P2G电转气后的天然气量；η^P2G表示P2G的电转气系数；

表示第i个P2G的电功率上下限；

表示P2G装置运行状态变量，0表示关停， 1表示运行。

风电出力约束

需求响应约束(本文参加需求响应的负荷主要为可中断负荷)

式中，

表示第k级可中断电负荷系数；P_t ^load表示t时刻电负荷功率。

S2、基于拉丁超立方抽样生成典型新能源出力场景；

具体步骤为：

S21、根据拉丁超立方抽样，生成符合要求的的风电出力场景；

拉丁超立方抽样方法如下：

步骤1：设定风速的概率分布函数为F(x)，并将其概率分布值均匀分成K个区间，设采样数为K；

步骤2：对上述K个区间随机生成K个数，每个概率区间[i/K,(i+1)/K](0≤i≤K-1)生成一个随机数x，x∈U(0,1)，同时生成该概率区间的一个随机概率值P_i＝(x+i)/K；

步骤3：根据概率分布的反函数计算各区间的采样值X_i＝F^-1(P_i)，根据各区间采样值生成初始场景集。

由于生成的初始场景数量过多，其中有些场景存在相似性，这会带来大量的计算量，降低模型的求解效率。因此需要对生成的场景进行削减，本文采用向后削减法，其具体步骤如下：

步骤1：生成初始场景集ψ＝{ξ₁,ξ₂,…,ξ_N}，初始化场景概率P(ξ_i)＝P(ξ_j)＝1/N。

步骤2：计算场景距离d(ξ_i,ξ_j)＝|ξ_i-ξ_j|。

步骤3：筛选相似场景，对于场景i，寻找相似场景j使得d(ξ_i,ξ_j)＝min{d(ξ_i,ξ_m),i≠m}， D_i＝min{d(ξ_i,ξ_j),i≠m}·P_i，更新场景数目及概率场景；式中D_i表示与场景i几何距离最小的场 景j与场景i概率的乘积；m表示场景集中除去场景i以外的其他场景。

步骤4：若剩余场景数满足，则的结束场景削减，否则重复步骤2、3。

S3、根据KKT条件将下层模型转变为上层模型的约束条件；

具体步骤为：

由于上层模型与下层模型之间存在变量耦合关系，难以直接求解，因此构建下层模型的拉格朗日函数，利用KKT条件将下层模型转变为上层模型的约束条件：

首先将下层模型的约束条件转换为如下形式：

G(x，y)≤0

H(x，y)＝0

式中，x，y表示下层模型中的决策变量；构造下层模型的拉格朗日函数，形式如下：

式中，μ_i、λ_j分别为不等式约束和等式约束的拉格朗日乘子。根据KKT互补松弛条件，对L(x,y,μ,λ)中的变量分别求偏导，将下层模型转化为上层模型的约束条件，具体形式如下：

H(x，y)＝0

G(x，y)≤0

λ_j≥0

μ_iG_i(x，y)

S4、利用Big-M法将非线性条件线性化，将混合整数非线性双层模型变为混合整数线性单层模型；求解出计及储能与需求响应的电-气虚拟电厂双层优化调度模型的调度结果、运行成本和弃风量；

具体步骤为：

此时双层模型已经转化为单层的混合整数非线性规划问题，利用Big-M法将非线性条件线性化，转化后的形式如下：

不等式约束：

式中，M表示一个足够大的常数；μ_i,t、

为0-1变量；

非线性约束：

0≤μ_i≤M·υ_i

0≤G_i≤M·(1-υ_i)

式中，μ_i表示第i个不等式约束的拉格朗日乘子；G_i即G_i(x，y)，表示第i个不等式约束；υ_i表示二进制变量为0-1变量；

根据以上方法，在matlab平台上利用Yalmip工具箱调用CPLEX求解器对建立的电-气虚拟电厂双层优化调度模型进行求解即可解出相应调度结果、运行成本和弃风量。

下面以应用本发明的计及储能与需求响应的电-气虚拟电厂双层优化调度方法的一个具体实施例进行说明：

设置如下验证场景：

场景1：电-气虚拟电厂不含储能，不进行需求响应。

场景2：在场景1的基础上，加入储能装置、电负荷参与需求响应。

场景3：在场景2的基础上，加入P2G装置，电负荷、气负荷都参与需求响应，构成电-气虚拟电厂。

表1部分设备参数及购电电价

表2各场景运行成本以及弃风量

表2给出了不同场景下电-气虚拟电厂运行成本以及新能源消纳率。可以看到，随着储能装置和柔性负荷介入虚拟电厂的运行成本不断减少，新能源消纳率也在不断提高。

图3-图5给出了场景仿真图，从图3、图4中可以看出，场景3相较于场景2，在0-8时多存储5682kwh，由于场景3中存在P2G装置，在0-8时，风电出力较大，P2G对风电进行消纳来满足气负荷需求，在6-20时的气负荷高峰时，储电装置将存储的电能释放，同时P2G 装置进行出力，减少从上级电网购电的成本，提高了虚拟电厂对风电的消纳能力；图5给出了两个场景中断负荷量及购电量对比图，场景3相较于场景2的购电量减少了610kwh，中断负荷减少了109kwh，减少了虚拟电厂292元的中断负荷成本，结果表明引入可中断气负荷降低了整体的可中断负荷量以及虚拟电厂购电量。

综上，本发明考虑了气网对风电的消纳作用，利用P2G设备，对电网、气网进行耦合，建立电-气虚拟电厂双层优化调度模型；提高了虚拟电厂的风电消纳水平，降低了弃风量；利用风速历史数据，基于拉丁超立方抽样生成典型新能源出力场景，来应对电-气虚拟电厂双层优化调度模型中风电出力的不确定性问题；根据KKT条件将下层模型转变为上层模型的约束条件，利用Big-M法将非线性条件线性化，将混合整数非线性双层模型变为混合整数线性单层模型进行求解得到电-气虚拟电厂优化后的调度结果，算例表明采用本文提出的电-气虚拟电厂双层优化调度模型能降低虚拟电厂的运行成本，进一步提高虚拟电厂的新能源消纳水平。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种计及储能与需求响应的电-气虚拟电厂双层优化调度方法，其特征在于，包括以下步骤：

S1：建立电-气虚拟电厂双层优化调度模型，以及双层优化调度模型的优化目标和约束条件；其中，所述双层优化调度模型由上层模型和下层模型构成，上层模型包括有常规机组和储能装置，其是以电-气虚拟电厂常规机组发电成本、储能成本、主网购电成本为优化目标，下层模型包括有燃气轮机、风电机组、电制氢设备、柔性负荷，其是以电-气虚拟电厂日前调度成本为优化目标；

S2：基于拉丁超立方抽样生成典型风电机组新能源的出力场景；

S3：结合步骤S1的内容，根据KKT条件将下层模型转变为上层模型的约束条件；

S4：基于步骤S3的内容将原属于混合整数非线性的双层优化调度模型转换为混合整数线性的单层优化调度模型，同时利用Big-M法将原属于非线性的约束条件线性化，然后将单层优化调度模型、线性化约束条件、步骤S2中生成的风电机组新能源出力场景放置到matlab平台上，利用Yalmip工具箱调用CPLEX求解器求解相应的风电机组新能源和由常规机组发电的调度结果、运行成本和弃风量。

2.根据权利要求1所述的一种计及储能与需求响应的电-气虚拟电厂双层优化调度方法，其特征在于，步骤S1中所述双层优化调度模型的优化目标和约束条件的具体内容为：

(1)、建立上层模型目标函数，该目标函数是以电-气虚拟电厂常规机组发电成本、储能成本、主网购电成本最小化为目标：

min F¹＝(F₁+F₂+F₃)

式中，F¹表示上层模型目标函数值；F₁表示常规机组的发电成本函数；F₂表示储能成本函数；F₃表示主网购电成本函数；T表示时段总数；N_G表示常规机组的数量；a_i、b_i、c_i均表示常规机组i的成本函数系数；

表示t时段第i个常规机组出力；c^ESS表示储能装置充放电成本系数；P_t ^ESC、P_t ^ESD分别表示储能装置t时刻充、放电量，且储能装置不能同时充放电；

表示t时刻虚拟电厂从主网购电电价；P_t ^grid表示t时刻虚拟电厂从主网购电电量；

(2)、建立上层模型约束条件：

功率平衡约束

P^w+P^grid+P^cu+P^ESD-P^ESC

-P^load＝0

式中，P^w表示风电机组预测出力，P^grid表示虚拟电厂从主网购入电量，P^cu表示常规机组出力，P^ESD表示储能装置放出电量，P^ESC表示储能装置充入电量，P^load表示电负荷；

常规机组约束

式中，

表示第i台常规机组出力；

分别表示第i台常规机组出力上下限；R_Ui、R_Di分别表示常规机组i的爬坡速率上下限；

储能装置约束

式中，ES(t)表示储能装置t时刻所存储的电量；η^ESC、η^ESD分别表示储能装置的充放电效率；

分别表示t时段i区域储能装置的充放电功率；ES_i,0表示i区域储能装置日前调度初始存储量；

表示i区域储能装置的最大容量；ES_i,t表示i区域储能装置日前调度t时刻存储量；

分别表示t时段i区域储能装置的充放电状态标志，是为1，否则为0；P_i ^ES-max表示i区域储能装置的最大充放电功率；

(3)、建立下层模型目标函数，该目标函数是以电-气虚拟电厂日前调度成本最小化为目标：

min F＝(F₁+F₂+F₃+F₄+F₅+F₆)

式中，F表示下层模型目标函数值；F₄表示燃气轮机发电成本函数；F₅表示需求响应成本函数；F₆表示弃风惩罚成本函数；N_gt表示燃气轮机的数量；

均表示燃气轮机i的成本函数系数；

表示t时段第i个燃气轮机出力；k表示用户可中断负荷等级；ε_k表示k级可中断负荷补偿价格；

表示t时刻第k级可中断负荷功率；N_w分别表示风电机组数量；λ_w表示弃风惩罚系数；

分别表示t时刻第i台风电机组的预测出力和实际出力；

(4)、建立下层模型约束条件：

功率平衡约束

式中，P^gt表示燃气轮机出力，P^P2G表示P2G电功率；P_t ^IL表示中断负荷量；G^s表示从气源s处购气量，

表示P2G设备的制气量，G^load表示气负荷；

燃气轮机约束

式中，

表示第i台燃气轮机出力；

分别表示第i台燃气轮机出力上下限；

分别表示燃气轮机i的爬坡速率上下限；

P2G约束

式中，

表示t时刻第i个P2G电转气后的天然气量；η^P2G表示P2G的电转气系数；

表示t时段第i个P2G出力；

表示第i个P2G的电功率上下限；

表示P2G装置运行状态变量，0表示关停，1表示运行；

风电机组出力约束

需求响应约束，其中需求响应的负荷为可中断负荷

式中，

表示第k级可中断电负荷系数；P_t ^load表示t时刻电负荷功率；P_t ^IL表示t时刻可中断负荷功率。

3.根据权利要求2所述的一种计及储能与需求响应的电-气虚拟电厂双层优化调度方法，其特征在于，步骤S2的具体内容为：

S2.1：设定风速的概率分布函数为F(x)，并将其概率分布值均匀分成K个区间，设采样数为K；

S2.2：对上述K个区间随机生成K个数，每个概率区间[i/K,(i+1)/K](0≤i≤K-1)生成一个随机数x，x∈U(0,1)，同时生成该概率区间的一个随机概率值P_i＝(x+i)/K；

S2.3：根据概率分布的反函数计算各区间的采样值X_i＝F^-1(P_i)，根据各区间采样值生成初始场景集。

4.根据权利要求3所述的一种计及储能与需求响应的电-气虚拟电厂双层优化调度方法，其特征在于，步骤S2.3中由于生成的初始场景数量大，其中有些场景存在相似性，进而增大计算量，因此需要对生成的场景进行削减，具体步骤如下：

S2.3.1：生成初始场景集ψ＝{ξ₁,ξ₂,...,ξ_N}，初始化场景概率P(ξ_i)＝P(ξ_j)＝1/N，式中N表示初始场景集的总数；

S2.3.2：计算场景距离d(ξ_i,ξ_j)＝|ξ_i-ξ_j|；

S2.3.3：筛选相似场景，对于场景i，寻找相似场景j使得d(ξ_i,ξ_j)＝min{d(ξ_i,ξ_m),i≠m}，D_i＝min{d(ξ_i，ξ_j)，i≠m}·P_i，更新场景数目及概率场景；式中D_i表示与场景i几何距离最小的场景j与场景i概率的乘积；m表示场景集中除去场景i以外的其他场景；

S2.3.4：若剩余场景数满足，则结束场景削减，否则针对削减后场景数再次重复步骤S2.3.2和步骤S2.3.3。

5.根据权利要求4所述的一种计及储能与需求响应的电-气虚拟电厂双层优化调度方法，其特征在于，步骤S3的具体内容为：

由于上层模型与下层模型之间存在变量耦合关系，难以直接求解，因此构建下层模型的拉格朗日函数，利用KKT条件将下层模型转变为上层模型的约束条件：

首先将下层模型的约束条件转换为如下形式，包括不等式约束和等式约束：

G(x，y)≤0

H(x，y)＝0

式中，x，y表示下层模型中的决策变量；构造下层模型的拉格朗日函数，形式如下：

式中，μ、λ分别为不等式约束和等式约束的拉格朗日乘子；μ_i、λ_j分别表示第i和j个不等式约束和等式约束的拉格朗日乘子；G_i(x，y)、H_j(x，y)分别表示第i和j个不等式约束和等式约束；

根据KKT互补松弛条件，对L(x,y,μ,λ)中的变量分别求偏导，将下层模型转化为上层模型的约束条件，具体形式如下：

H(x，y)＝0

G(x，y)≤0

λ_j≥0

μ_iG_i(x，y)

6.根据权利要求5所述的一种计及储能与需求响应的电-气虚拟电厂双层优化调度方法，其特征在于，步骤S4的具体内容为：

基于步骤S3的处理后，将原属于混合整数非线性的双层优化调度模型转换为混合整数线性的单层优化调度模型，利用Big-M法将原属于非线性的约束条件线性化，转化后的形式如下：

不等式约束

式中，M为常数；μ_i,t、

为0-1变量；

非线性约束：

0≤μ_i≤M·υ_i

0≤G_i≤M·(1-υ_i)

式中，μ_i表示第i个不等式约束的拉格朗日乘子；G_i即G_i(x，y)，表示第i个不等式约束；υ_i为0-1变量；

将单层优化调度模型、线性化约束条件、步骤S2中生成的风电机组新能源出力场景放置到matlab平台上，利用Yalmip工具箱调用CPLEX求解器求解相应的风电机组新能源和由常规机组发电的调度结果、运行成本和弃风量。

Images