CN117040027B - 一种农村虚拟电厂的协调优化方法和装置 - Google Patents

一种农村虚拟电厂的协调优化方法和装置 Download PDF

Info

Publication number
CN117040027B
CN117040027B CN202311264594.2A CN202311264594A CN117040027B CN 117040027 B CN117040027 B CN 117040027B CN 202311264594 A CN202311264594 A CN 202311264594A CN 117040027 B CN117040027 B CN 117040027B
Authority
CN
China
Prior art keywords
time
output
representing
carbon
cost
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311264594.2A
Other languages
English (en)
Other versions
CN117040027A (zh
Inventor
鞠立伟
吕硕硕
孙杰
汪鹏
路妍
耿鹏云
李红建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xinyuan Smart Internet Technology Co ltd
North China Electric Power University
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
Beijing Xinyuan Smart Internet Technology Co ltd
North China Electric Power University
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Xinyuan Smart Internet Technology Co ltd, North China Electric Power University, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical Beijing Xinyuan Smart Internet Technology Co ltd
Priority to CN202311264594.2A priority Critical patent/CN117040027B/zh
Publication of CN117040027A publication Critical patent/CN117040027A/zh
Application granted granted Critical
Publication of CN117040027B publication Critical patent/CN117040027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种农村虚拟电厂的协调优化方法和装置，属于电力技术领域，解决现有电厂未考虑生物质能发电和垃圾焚烧发电等问题。方法包括：基于BWS、DRE和FLC建立相应的单元出力模型；对分布式可再生能源中的风光出力不确定性进行处理，通过场景消减生成风光预测出力场景集合；基于需求侧碳排放交易机制计算碳交易成本；基于碳交易成本、相应的单元出力模型建立两阶段电碳协调优化模型，两阶段电碳协调优化模型包括用于最小化总调度成本的日前调度优化模型和用于最小化系统偏差调整成本的实时调度优化模型，实时调度优化模型用于平抑日前阶段的风光出力不确定性造成的偏差。加入阶梯型碳交易机制减少碳排放并通过二次场景缩减降低计算量。

Description

一种农村虚拟电厂的协调优化方法和装置
技术领域
本发明涉及电力技术领域，尤其涉及一种农村虚拟电厂的协调优化方法和装置。
背景技术
农村地区存在大量的秸秆，以及较低的人口密度、广阔的土地面积，为屋顶光伏和分散式风电提供了可用的空间资源。分布式能源具有能效高、污染少、灵活性强、系统经济性好等优势，将对未来电力系统的发展起到至关重要的作用。而虚拟电厂（Virtual powerplant，VPP）的提出，给农村分布式资源调度带来了发展契机。
目前针对虚拟电厂协调优化方法主要集中在风电、光伏、储能和用户需求响应的电能量交互方面，去寻求不同类型的机组协调优化的最佳运行策略。但以上研究都未能考虑农村地区特有的生物质能发电和垃圾焚烧发电等主要的发电形式，对于生物质能转换、垃圾焚烧对环境造成的影响有所欠缺，因此亟需提出耦合农村地区特有资源的虚拟电厂结构进行协调优化。
与此同时，风光等分布式资源出力不确定性的特点会导致虚拟电厂运行产生偏差，如何有效应对这种波动因素是保证系统安全稳定运行的重要前提。目前采用的处理方法是随机规划和鲁棒优化。随机优化是基于随机变量的概率分布，将系统约束描述为机会约束，但其训练时间比较长，需要大量的数据作为支撑，代表方法有蒙特卡洛模拟、信息间隙决策等。而鲁棒优化则是采用不确定参数区间来描述不确定性，但预估时参数存在预估风险，代表方法有MILP模型和鲁棒优化。为此亟需结合二者优势，寻求更为精准的刻画风光等分布式资源出力不确定性。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种农村虚拟电厂的协调优化方法和装置，用以解决现有虚拟电厂未考虑农村地区特有的生物质能发电和垃圾焚烧发电，不确定性的随机优化需要大量数据且训练时间长以及鲁棒优化预估时参数存在预估风险的问题。
一方面，本发明实施例提供了一种农村虚拟电厂的协调优化方法，包括：基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型；对所述分布式可再生能源中的风光出力不确定性进行处理，然后通过场景消减生成风光预测出力场景集合；基于需求侧碳排放交易机制计算碳交易成本；基于所述碳交易成本、所述相应的单元出力模型建立两阶段电碳协调优化模型，所述两阶段电碳协调优化模型包括用于最小化总调度成本的日前调度优化模型和用于最小化系统偏差调整成本的实时调度优化模型，其中，所述实时调度优化模型用于平抑日前阶段的所述风光出力不确定性造成的偏差。
上述技术方案的有益效果如下：构建了聚合生物质能、垃圾和风光等分布式可再生资源的农村新型虚拟电厂BDF-VPP，其中，BDF-VPP为包括生物质垃圾转换系统BWS（Biomass Waste conversion System）、分布式可再生能源DRE（Distributed RenewableEnergy）和灵活性负荷集群FLC（Flexible Load Cluster）的虚拟电厂VPP （Virtual powerplant）。考虑灵活性负荷资源，包括电动汽车负荷集群和用户可调节负荷参与调度，并且加入阶梯型碳交易机制来引导发电机组减少碳排放，为BDF-VPP提出了多时间尺度调度优化的求解思路。
基于上述方法的进一步改进，基于需求侧碳排放交易机制计算碳交易成本包括：在所述农村虚拟电厂运行过程中，垃圾和生物质燃烧发电带来的碳排放，通过在需求侧引入碳排放交易机制控制二氧化碳排放；所述需求侧碳排放交易机制包括：当所述虚拟电厂单元的实际碳排放量高于其分配额时，从碳交易市场购买碳排放权同时增加所述虚拟发电厂的碳交易成本；当所述虚拟电厂单元的实际碳排放量低于其分配额时，在所述碳交易市场出售剩余的碳排放权以获得碳交易收益。
基于上述方法的进一步改进，基于需求侧碳排放交易机制计算碳交易成本包括：通过以下公式计算碳交易总成本线性函数：
；
；
通过以下公式计算所述虚拟电厂实际的总排放量：
；
通过以下公式计算所述虚拟电厂的无偿碳排放权分配额度：
；
通过以下公式计算各机组的碳排放权分配额度：
；
通过以下公式计算碳交易价格分段区间：
；
其中，Ec表示虚拟电厂实际的总碳排放量；ES,c、EGT,c、EDRE,c和Egrid,c分别表示烟气处理机组、燃气轮机、可再生发电单元和外购电能的实际碳排放量；Etotal表示整个系统的无偿碳排放权分配额度；ES、EGT、EDRE和Egrid分别表示所述烟气处理机组、所述燃气轮机、所述可再生发电单元和所述外购电能的碳排放权分配额度；μ是初始碳交易价格；α表示碳价增长率，取值为0.25；d为碳排放量区间长度，按照碳排放权差值划分；将Ec-Etotal设置为初始区间E0，En表示第n段碳排放量区间长度，N为区间数目，初始值取5，且E0≤0，0≤En≤d；δe表示单位供电功率的碳排放权分配额，T为一天的24个时段；Pi,t(i=S,GT,DRE,grid)表示各碳排计量单元在第t个时段的电功率。
基于上述方法的进一步改进，对所述分布式可再生能源中的风光出力不确定性进行处理包括：通过韦伯分布表示自然风速的概率密度f(v)和太阳辐射强度f(r)：
；
；
其中，v为任意时刻的风速；k为韦伯分布的尺度参数；c为形状参数；r是t时段太阳辐照度；rmax是t时段太阳最大辐照度；α和β是Beta分布的形状参数，Γ(α)、Γ(β)和Γ(α+β)分别表示自变量为α、β、α+β的伽马函数，所述伽马函数为：
。
基于上述方法的进一步改进，通过场景消减生成风光预测出力场景集合包括：经过拉丁超立方采样从风光初始出力场景D中选择风光预测出力的N个场景并结合Kantorovich距离将所述N个场景消减为n个场景， n≤N≤D，其中，结合Kantorovich距离将N个场景消减为n个场景进一步包括：步骤一：初始化每个预测场景的概率值为Pi=1/N，初始缩减场景数n=N；步骤二：从所述初始缩减场景数N中选取任意两个场景i和j，其中，所述两个场景i和j的场景数据为：Xk,i=[x1,i,…,xk,i];Xk,j=[x1,j,…,xk,j]；
通过以下公式计算所述两个场景i和j的Kantorovich距离S(i,j)，
；
其中，xm,i和xm,j分别表示在场景i和j下时刻m的新能源出力；
步骤三：通过以下公式计算场景i和场景j的Kantorovich距离与场景概率的乘积：；
然后遍历除场景i之外的所有场景，将与场景i的距离PS(i,j)最小的场景记作场景r，并删除该场景，同时更新减少的场景数n=n-1,则场景i的概率值更新为Pi=Pi+Pr。
步骤四：对于每个场景重复步骤三，最终削减后生成n个场景，n个场景所得到的最终样本矩阵为Xk,n，并将最终样本矩阵Xk,n用于计算偏差参与所述实时调度优化模型的实时调度，
。
基于上述方法的进一步改进，所述日前调度优化模型包括：基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC获取所述总调度成本，然后在包括电力供需平衡约束、BWS运行约束、DRE运行约束、FLC运行约束和旋转备用容量约束的约束条件下，将最小化所述总调度成本作为第一目标函数；所述实时调度优化模型，用于调用柔性负荷响应集群及各单元增量出力进行日内修正，使得修正过后的变量值与日前预测的参考值尽量一致，当不同灵活性能量单元改变出力计划时，产生相应的系统偏差调整成本，然后在包括日内负荷供需平衡约束、用户需求响应运行约束的约束条件下，将最小化所述系统偏差调整成本作为第二目标函数。
基于上述方法的进一步改进，通过以下公式表示所述第一目标函数：
；
；
其中，fday-ahead为调度成本；CBWS、CDRE、CFLC分别表示BWS、DRE、FLC模块的调度成本；kGT、kWPP、kPV、kSHS分别表示燃气轮机、风电、光伏、小水电站单位产能运维成本系数；kS表示烟气处理系统单位产能运维成本系数；PS,t为t时刻烟气处理系统的耗电功率；PGT,t为t时刻燃气轮机的发电功率；PWPP,t表示时刻t风力发电的功率；PPV,t表示时刻t光伏的输电功率；PSHS,t表示时刻t小水电站的发电功率；CEVA、CA、CB分别表示电动汽车、PBDR、IBDR的调度成本；Cinv表示风电、光伏的建设投资成本；农村虚拟电厂的总投资成本表示通过等额分配到运行周期中的每一年的成本值，折算到单位时间的公式如下：
；
；
其中，Cinv,WPP、Cinv,PV分别代表风电单位时间的投资成本、光伏单位时间的投资成本；r为折现率；n为全生命周期；uinv,i表示第i种设备的单位数量/面积投资成本；Sinv,i表示第i种设备的安装数量/面积；
所述电力供需平衡约束包括：
；
其中，Pload,t表示总的电负荷需求；表示参与调度的价格型需求响应；、表示由历史数据得到的日前WPP、PV出力；
所述BWS运行约束包括：
在利用生物质能进行发电的过程中，满足发电出力阈值约束和上下爬坡约束：
；
；
；
；
；
；
其中，PGT,N、PW,N、PS,N为燃气轮机、垃圾发电和烟气处理系统的额定电功率，单位为KW；，分别为沼气存储罐和烟气存储罐的最大存储容量，单位为m3；α2,t和α3,t分别表示时刻t进入储气装置的烟气流量和时刻t从储气装置进入反应塔的烟气流量；和分别为时刻t沼气罐供给B2G装置的沼气流量和时刻t沼气存储罐的沼气流出量；
所述沼气存储罐和所述烟气存储罐满足最大存储量约束以及流量平衡约束：
；
；
其中，表示在时刻t-1烟气存储罐的存储容量；
所述DRE运行约束包括：
；
；
；
其中，，，分别表示风电、光伏和小水电机组发电的额定出力；
所述FLC运行约束包括：
通过以下公式表示时段t提供需求响应负荷量的最小最大响应能力约束，以及电动汽车充电功率大小满足最大额定功率约束：
；
；
其中，△PPB,t表示时段t提供价格型需求响应的负荷量，和分别为所述价格型需求响应的最小负荷量和最大负荷量；表示电动汽车在时刻t的充电功率；为电动汽车的最大充电功率。
所述旋转备用容量约束包括：
；
；
其中，和分别表示农村虚拟电厂的最大出力和最小出力；PVPP,t表示所述农村虚拟电厂在时刻t的发电出力；表示柔性负荷的最大需求响应能力；ωDR表示负荷的备用系数，PDR,t表示时刻t参与调度的需求响应总功率；和表示WPP的上下旋转备用系数；和表示光伏的上下旋转备用系数。
基于上述方法的进一步改进，通过以下公式表示所述第二目标函数：
；
；
其中，freal-time为系统偏差调整成本；△CBWS,t、△CELC,t表示风光不确定性引起的生物质能转换发电单元、负荷需求响应单元的出力调整成本；△Cgrid,t表示所述农村虚拟电厂与上级电网的交互成本；△PGT,t为燃气轮机在时段t的增量出力；、表示时刻t提供需求响应的负荷状态，为0-1变量；、表示IBDR在时段t响应输出的上/下响应出力；δ表示向下出力的高价格补偿率，Γ表示向上出力的打折价率；Pg,t和Pgrid,t为所述农村虚拟电厂与上级电网交互时刻的电价和电量，表示上级购电带来的碳交易成本；所述日内负荷供需平衡约束包括：
为应对WPP和PV不确定性，所述日内调度阶段通过调用燃气轮机、激励型用户需求响应以及向外部配网购电来满足能量供需平衡约束：
；
；
其中，△PDRE,t表示风光出力不确定导致的系统偏差量；△PGT,t表示日内负荷集群在时段t接受调度时燃气轮机的增量出力，通过调整沼气罐存储量来实现目的；Pgrid,t表示外部购电量；和分别表示WPP、PV实时阶段出力；
；
；
其中，N表示不确定性抽样得到的场景数量；和分别表示第i个场景下时刻t的WPP、PV出力；αWPP,i和αPV,i分别表示WPP和PV机组在第i个场景的概率值；
所述用户需求响应运行约束包括：
在激励型负荷集群被临时调用以快速响应预测出力偏差时，整个过程考虑负荷提供响应出力的上下爬坡约束和启停次数限制：
；
；
其中，、表示激励型需求响应IBDRs提供的响应输出的上/下爬坡能力；表示响应最大启停次数。
基于上述方法的进一步改进，基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型进一步包括：BWS单元出力模型包括：
；
；
其中，VG,t表示时刻t标准天然气的流量；ηB2G表示水洗沼气转天然气的效率；PGT,t为时刻t燃气轮机发电功率；ηGT为发电效率；γG为热量单位转换系数，kW·h/kJ；LVHG为天然气热值，kJ/m3；VM,t表示时刻t产生的沼气流量；
；
其中，PS,t为时刻t烟气处理系统的耗电功率；γS为烟气处理系统的单位处理能耗系数；α1,t为时刻t进入反应塔的烟气流量；α3,t为时刻t从储气装置进入反应塔的烟气流量；
DRE单元出力模型包括：
；
其中，PWPP,t表示时刻t风力发电的功率；vt表示时刻t的风速，m/s；vin和vout表示风机的切入风速和切出风速；vc为额定风速，达到额定风速且机组安全运行的情况下，机组以大小为gc进行额定出力；
；
其中，STC表示标准测试条件下，以太阳辐度为1000W/m2，光伏电池温度为25°C条件下出力为修正标准；则为光伏在STC下最大输出功率，PPV,t表示时刻t光伏的输电功率；kT表示功率温度系数，%/°C，TPV,t和TSTC分别表示时刻t电池板实际工作温度和电池板额定工作温度；RPV,t和RSTC分别表示时刻t实际太阳辐射强度和电池板额定太阳辐射强度，W/m2;
；
其中，PSHS,t表示时刻t小水电站的发电功率；ηSHS为小水电的发电效率；ρ为重力加速度；表示时刻t的河流径流量；Ht为净水头高度，等于尾水管出口段坝前水位和尾水管出口段水位之差，即Ht=Zu-Zd；
FLC单元出力模型包括：
；
；
其中，表示时刻t的PBDR提供的负荷变动量；表示时刻t的初始负荷；表示时刻t的初始电价；△LS表示时刻t的负荷变化量；△Pt表示时刻t的电价变化量；ett和est分别表示自弹性系数和交叉弹性系数；
；
；
其中，表示IBDR在时刻t提供的负荷变动量；和表示IBDR在时刻t提供的向上、向下负荷响应状态，是0-1变量，1表示提供IBDR负荷需求响应；和表示IBDR在时刻t提供的向上、向下负荷需求量。
另一方面，本发明实施例提供了一种农村虚拟电厂的协调优化装置，包括：出力模型构建模块，用于基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型；不确定性处理及消减模块，用于对所述分布式可再生能源中的风光出力不确定性进行处理，然后通过场景消减生成风光预测出力场景集合；碳交易成本生成模块，用于基于需求侧碳排放交易机制计算碳交易成本；两阶段电碳协调优化模型，用于基于所述碳交易成本、所述相应的单元出力模型建立两阶段电碳协调优化模型，所述两阶段电碳协调优化模型包括用于最小化调度成本的日前调度优化模型和用于最小化系统偏差调整成本的实时调度优化模型，其中，所述实时调度优化模型用于平抑日前阶段的所述风光出力不确定性造成的偏差。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、构建了聚合生物质能、垃圾和风光等分布式可再生资源的农村新型虚拟电厂BDF-VPP，考虑灵活性负荷资源，包括电动汽车负荷集群和用户可调节负荷参与调度，并且加入阶梯型碳交易机制来引导发电机组减少碳排放，为BDF-VPP提出了多时间尺度调度优化的求解思路；
2、日前阶段以系统总调度成本最小运行获得计划出力方案；日内阶段采用拉丁超立方抽样和Kantorovich距离模拟风光的出力场景，计算与日前出力方案的偏差，构建调整偏差成本最小化的目标进行优化，调用机组增量出力和用户需求响应来平抑偏差，最终获得日内最优出力方案；
3、本申请聚合化利用农村分布式能源，更好地促进风电和光伏的消纳，推进我国电力系统转型。拉丁超立方是一种分层采样法，能够保证样本整体空间的覆盖，从而使得采样值能够较好地反映变量的整体分布，相比于简单的蒙特卡洛采样，可以更精确地识别所采样的概率分布特性；结合Kantorovich距离进行二次场景缩减能够进一步降低调度优化的计算量。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为根据本发明实施例的农村虚拟电厂的协调优化方法的流程图；
图2为根据本发明实施例的农村BDF-VPP结构图；
图3为根据本发明实施例的生物质发电结构示意图；
图4为根据本发明实施例的含储气装置的烟气处理系统结构；
图5为根据本发明实施例的拉丁超立方采样生成的1000个场景的曲线图；
图6为根据本发明实施例采用Kantorovich距离削减后的10个场景的曲线图；
图7为根据本发明实施例的Kantorovich距离场景缩减流程图；
图8为根据本发明实施例的阶梯型碳交易运行原理图；
图9为根据本发明实施例的农村BDF-VPP两阶段优化框架图；
图10为根据本发明实施例的农村BDF-VPP两阶段求解流程图；
图11为根据本发明实施例的农村虚拟电厂的协调优化装置的框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
参考图1，本发明的一个具体实施例，公开了一种农村虚拟电厂的协调优化方法，包括：在步骤S101中，基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型；在步骤S102中，对分布式可再生能源中的风光出力不确定性进行处理，然后通过场景消减生成风光预测出力场景集合；在步骤S103中，基于需求侧碳排放交易机制计算碳交易成本；在步骤S104中，基于碳交易成本、相应的单元出力模型建立两阶段电碳协调优化模型，两阶段电碳协调优化模型包括用于最小化总调度成本的日前调度优化模型和用于最小化系统偏差调整成本的实时调度优化模型，其中，实时调度优化模型用于平抑日前阶段的风光出力不确定性造成的偏差。
与现有技术相比，本实施例提供的农村虚拟电厂的协调优化方法中，构建了聚合生物质能、垃圾和风光等分布式可再生资源的农村新型虚拟电厂BDF-VPP，考虑灵活性负荷资源，包括电动汽车负荷集群和用户可调节负荷参与调度，并且加入阶梯型碳交易机制来引导发电机组减少碳排放，为BDF-VPP提出了多时间尺度调度优化的求解思路。
本发明考虑引入需求侧碳交易机制，将农村生物质资源、可再生能源和灵活性负荷集成至传统VPP，提出适用于农村地区的包含生物质垃圾转换系统BWS，分布式可再生能源DRE和灵活性负荷集群FLC的BDF-VPP虚拟电厂新概念，在控制碳排放的同时优化分布式能源的聚合利用。针对风光出力不确定性采用韦伯分布和Beta分布来描述自然风速和太阳辐射强度的概率密度，通过拉丁超立方抽样生成和Kantorovich距离削减生成风光在日内的预测出力场景集合。
下文中，参考图1至图10，对根据本发明实施例的农村虚拟电厂的协调优化方法的各个步骤进行详细说明。
在步骤S101中，基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型。
基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型进一步包括：
BWS单元出力模型包括：
（1）
（2）
其中，VG,t表示时刻t标准天然气的流量；ηB2G表示水洗沼气转天然气的效率；PGT,t为时刻t燃气轮机发电功率；ηGT为发电效率；γG为热量单位转换系数，kW·h/kJ；LVHG为天然气热值，kJ/m3；VM,t表示时刻t产生的沼气流量；
（3）
其中，PS,t为时刻t烟气处理系统的耗电功率；γS为烟气处理系统的单位处理能耗系数；α1,t为时刻t进入反应塔的烟气流量；α3,t为时刻t从储气装置进入反应塔的烟气流量；
DRE单元出力模型包括：
（4）
其中，PWPP,t表示时刻t风力发电的功率；vt表示时刻t的风速，m/s；vin和vout表示风机的切入风速和切出风速；vc为额定风速，达到额定风速且机组安全运行的情况下，机组以大小为gc进行额定出力;
（5）
其中，STC表示标准测试条件下，以太阳辐度为1000W/m2，光伏电池温度为25°C条件下出力为修正标准；则为光伏在STC下最大输出功率。式中其他部分：PPV,t表示时刻t光伏的输电功率；kT表示功率温度系数，%/°C，TPV,t和TSTC分别表示时刻t电池板实际工作温度和电池板额定工作温度；RPV,t和RSTC分别表示时刻t实际太阳辐射强度和电池板额定太阳辐射强度，W/m2;
（6）
其中，PSHS,t表示时刻t小水电站的发电功率；ηSHS为小水电的发电效率；ρ为重力加速度；Qt表示时刻t的河流径流量；Ht为净水头高度，等于尾水管出口段坝前水位和尾水管出口段水位之差，即Ht=Zu-Zd。实际计算时和河流径流量和净水头高度基本不变，属于确定性出力单元。
FLC单元出力模型包括：
（7）
（8）
其中，表示时刻t的PBDR提供的负荷变动量；表示时刻t的初始负荷；表示时刻t的初始电价；△LS表示时刻t的负荷变化量；△Pt表示时刻t的电价变化量；ett和est分别表示自弹性系数和交叉弹性系数；
（9）
（10）
其中，表示IBDR在时刻t提供的负荷变动量；和表示IBDR在时刻t提供的向上、向下负荷响应状态，是0-1变量，1表示提供IBDR负荷需求响应；和表示IBDR在时刻t提供的向上、向下负荷需求量。
在步骤S102中，对分布式可再生能源中的风光出力不确定性进行处理，然后通过场景消减生成风光预测出力场景集合。
具体地，对分布式可再生能源中的风光出力不确定性进行处理包括：
通过韦伯分布表示自然风速的概率密度f(v) 和太阳辐射强度f(r)：
（11）
（12）
其中，v为任意时刻的风速；k为韦伯分布的尺度参数；c为形状参数；r是t时段太阳辐照度；rmax是t时段太阳最大辐照度；α和β是Beta分布的形状参数，具体地，分别是太阳能辐射强度的均值和标准差，Γ(α)、Γ(β)和Γ(α+β)分别表示自变量为α、β、α+β的伽马函数，其中，该伽马函数为：
（13）。
通过场景消减生成风光预测出力场景集合包括：经过拉丁超立方采样从风光初始出力场景D中选择风光预测出力的N个场景并结合Kantorovich距离将N个场景消减为n个场景，n≤N≤D。
参考图7，结合Kantorovich距离将N个场景消减为n个场景进一步包括：
步骤一：初始化每个预测场景的概率值为Pi=1/N，初始缩减场景数n=N；
步骤二：从初始缩减场景数N中选取任意两个场景i和j，其中，两个场景i和j的场景数据为：
Xk,i=[x1,i,…,xk,i]; （14）
Xk,j=[x1,j,…,xk,j]; （15）
通过以下公式计算两个场景i和j的Kantorovich距离S(i,j)：
（16）
其中，xm,i和xm,j分别表示在场景i和j下时刻m的新能源出力；
步骤三：通过以下公式计算场景i和场景j的Kantorovich距离与场景概率的乘积：
（17）
然后遍历除场景i之外的所有场景，将与场景i的距离PS(i,j)最小的场景记作场景r，并删除该场景，同时更新减少的场景数n=n-1,则场景i的概率值更新为Pi=Pi+Pr；
步骤四：对于每个场景重复步骤三，最终削减后生成n个场景，n个场景所得到的最终样本矩阵为Xk,n，并将最终样本矩阵Xk,n用于计算偏差参与实时调度优化模型的实时调度，
（18）
并将最终样本矩阵Xk,n用于计算偏差参与第二阶段调度。
在步骤S103中，基于需求侧碳排放交易机制计算碳交易成本。
具体地，基于需求侧碳排放交易机制计算碳交易成本包括：在农村虚拟电厂运行过程中，垃圾和生物质燃烧发电带来的碳排放，通过在需求侧引入碳排放交易机制控制二氧化碳排放；需求侧碳排放交易机制包括：当虚拟电厂单元的实际碳排放量高于其分配额时，从碳交易市场购买碳排放权同时增加虚拟发电厂的碳交易成本；当虚拟电厂单元的实际碳排放量低于其分配额时，在碳交易市场出售剩余的碳排放权以获得碳交易收益。
基于需求侧碳排放交易机制计算碳交易成本包括：
通过以下公式计算碳交易总成本线性函数：
（19）
（20）
通过以下公式计算虚拟电厂实际的总排放量：
（21）
通过以下公式计算虚拟电厂的无偿碳排放权分配额度：
（22）
通过以下公式计算各机组的碳排放权分配额度：
（23）
通过以下公式计算碳交易价格分段区间：
（24）
其中，Ec表示虚拟电厂实际的总碳排放量；ES,c、EGT,c、EDRE,c和Egrid,c分别表示烟气处理机组、燃气轮机、可再生发电单元和外购电能的实际碳排放量；Etotal表示整个系统的无偿碳排放权分配额度；ES、EGT、EDRE和Egrid分别表示烟气处理机组、燃气轮机、可再生发电单元和外购电能的碳排放权分配额度；公式（24）的基本含义是碳交易价格按照分段区间，超出碳配额部分的价格以一定速率增长，μ是初始碳交易价格；α表示碳价增长率，取值为0.25；d为碳排放量区间长度，按照碳排放权差值划分；将Ec-Etotal设置为初始区间E0，表示初始碳排放量区间长度，En表示第n段碳排放量区间长度，N为区间数目，初始值取5，且E0≤0，0≤En≤d；δe表示单位供电功率的碳排放权分配额，T为一天的24个时段；Pi,t(i=S,GT,DRE,grid)表示各碳排计量单元在第t个时段的电功率。
在步骤S104中，基于碳交易成本、相应的单元出力模型建立两阶段电碳协调优化模型，两阶段电碳协调优化模型包括用于最小化总调度成本的日前调度优化模型和用于最小化系统偏差调整成本的实时调度优化模型，其中，实时调度优化模型用于平抑日前阶段的风光出力不确定性造成的偏差。
具体地，日前调度优化模型包括：基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC获取总调度成本，然后在包括电力供需平衡约束、BWS运行约束、DRE运行约束、FLC运行约束和旋转备用容量约束的约束条件下，将最小化总调度成本作为第一目标函数。
通过以下公式表示第一目标函数：
（25）
（26）
其中，fday-ahead为调度成本；CBWS、CDRE、CFLC分别表示BWS、DRE、FLC模块的调度成本；kGT、kWPP、kPV、kSHS分别表示燃气轮机、风电、光伏、小水电站单位产能运维成本系数；kS表示烟气处理系统单位产能运维成本系数；PS,t为t时刻烟气处理系统的耗电功率；PGT,t为t时刻燃气轮机的发电功率；PWPP,t表示时刻t风力发电的功率；PPV,t表示时刻t光伏的输电功率；PSHS,t表示时刻t小水电站的发电功率；CEVA、CA、CB分别表示电动汽车、PBDR、IBDR的调度成本；Cinv表示风电、光伏的建设投资成本；农村虚拟电厂的总投资成本表示通过等额分配到运行周期中的每一年（365天）的成本值，折算到单位时间的公式如下：
（27）
（28）
其中，Cinv,WPP、Cinv,PV分别代表风电单位时间的投资成本、光伏单位时间的投资成本；r为折现率；n为全生命周期；uinv,i表示第i种设备的单位数量/面积投资成本；Sinv,i表示第i种设备的安装数量/面积；
电力供需平衡约束包括：
（29）
其中，Pload,t表示总的电负荷需求；表示参与调度的价格型需求响应；、表示由历史数据得到的日前WPP、PV出力；
BWS运行约束包括：
在利用生物质能进行发电的过程中，满足发电出力阈值约束和上下爬坡约束：
（30）
（31）
（32）
（33）
（34）
（35）
其中，PGT,N、PW,N、PS,N为燃气轮机、垃圾发电和烟气处理系统的额定电功率，单位为KW；，分别为沼气存储罐和烟气存储罐的最大存储容量，单位为m3；α2,t和α3,t分别表示时刻t进入储气装置的烟气流量和时刻t从储气装置进入反应塔的烟气流量；和分别为时刻t沼气罐供给B2G装置的沼气流量和时刻t沼气存储罐的沼气流出量；
沼气存储罐和烟气存储罐满足最大存储量约束以及流量平衡约束：
（36）
（37）
其中，表示在时刻t-1烟气存储罐的存储容量；
DRE运行约束包括：
（38）
（39）
（40）
其中，，，分别表示风电、光伏和小水电机组发电的额定出力；
FLC运行约束包括：
通过以下公式表示时段t提供需求响应负荷量的最小最大响应能力约束，以及电动汽车充电功率大小满足最大额定功率约束：
（41）
（42）
其中，△PPB,t表示时段t提供价格型需求响应的负荷量，和分别为价格型需求响应的最小负荷量和最大负荷量；表示电动汽车在时刻t的充电功率；为电动汽车的最大充电功率
旋转备用容量约束包括：
（43）
（44）
其中，和分别表示农村虚拟电厂的最大出力和最小出力；PVPP,t表示农村虚拟电厂在时刻t的发电出力；表示柔性负荷的最大需求响应能力；ωDR表示负荷的备用系数，PDR,t表示时刻t参与调度的需求响应总功率；和表示WPP的上下旋转备用系数；和表示光伏的上下旋转备用系数。
实时调度优化模型用于调用柔性负荷响应集群及各单元增量出力进行日内修正，使得修正过后的变量值与日前预测的参考值尽量一致，当不同灵活性能量单元改变出力计划时，产生相应的系统偏差调整成本，然后在包括日内负荷供需平衡约束、用户需求响应运行约束的约束条件下，将最小化系统偏差调整成本作为第二目标函数。
通过以下公式表示第二目标函数：
（45）
（46）
其中，freal-time为系统偏差调整成本；△CBWS,t、△CELC,t表示风光不确定性引起的生物质能转换发电单元、负荷需求响应单元的出力调整成本；△Cgrid,t表示农村虚拟电厂与上级电网的交互成本；△PGT,t为燃气轮机在时段t的增量出力；、表示时刻t提供需求响应的负荷状态，为0-1变量；、表示IBDR在时段t响应输出的上/下响应出力；δ表示向下出力的高价格补偿率，Γ表示向上出力的打折价率；Pg,t和Pgrid,t为农村虚拟电厂与上级电网交互时刻的电价和电量，表示上级购电带来的碳交易成本；
日内负荷供需平衡约束包括：
为应对WPP和PV不确定性，日内调度阶段通过调用燃气轮机、激励型用户需求响应以及向外部配网购电来满足能量供需平衡约束：
（47）
（48）
其中，△PDRE,t表示风光出力不确定导致的系统偏差量；△PGT,t表示日内负荷集群在时段t接受调度时燃气轮机的增量出力，通过调整沼气罐存储量来实现目的；Pgrid,t表示外部购电量；和分别表示WPP、PV实时阶段出力；
（49）
（50）
其中，N表示不确定性抽样得到的场景数量；和分别表示第i个场景下时刻t的WPP、PV出力；αWPP,i和αPV,i分别表示WPP和PV机组在第i个场景的概率值；
用户需求响应运行约束包括：
在激励型负荷集群被临时调用以快速响应预测出力偏差时，整个过程考虑负荷提供响应出力的上下爬坡约束和启停次数限制：
（51）
（52）
其中，、表示激励型需求响应IBDRs提供的响应输出的上/下爬坡能力；表示响应最大启停次数。
参考图11，本发明的一个具体实施例，公开了一种农村虚拟电厂的协调优化装置，包括：出力模型构建模块1101，用于基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型；不确定性处理及消减模块1102，用于对分布式可再生能源中的风光出力不确定性进行处理，然后通过场景消减生成风光预测出力场景集合；碳交易成本生成模块1103，用于基于需求侧碳排放交易机制计算碳交易成本；两阶段电碳协调优化模型1104，用于基于碳交易成本、相应的单元出力模型建立两阶段电碳协调优化模型，两阶段电碳协调优化模型包括用于最小化调度成本的日前调度优化模型和用于最小化系统偏差调整成本的实时调度优化模型，其中，实时调度优化模型用于平抑日前阶段的风光出力不确定性造成的偏差。
下文中，以具体实例的方式，参考图2至图10，对根据本发明实施例的农村虚拟电厂的协调优化方法进行详细说明。该方法主要包含的步骤是a、农村BDF-VPP结构描述及单元建模，b、农村BDF-VPP不确定性处理，c、需求侧碳交易机制刻画，d、两阶段电-碳两阶段调度优化模型，e、两阶段调度优化模型求解。具体内容如下：
a、农村BDF-VPP结构描述及单元建模。BDF-VPP在传统仅考虑电能量交易的VPP结构基础上，打破VPP原有壁垒，引入需求侧碳交易机制，并将生物质能转换系统模块、分布式可再生能源模块、灵活性负荷集群模块考虑纳入VPP。
a1、BDF-VPP结构性描述。参考图2，为了切实解决农村地区生物质能、垃圾资源分散式难以聚合，大面积风光利用率低的问题，本文将生物质能、垃圾资源、风电、光伏、农村小型水电和电动汽车集群进行集成，建立农村新型虚拟电厂，主要包括三个模块：生物质能转换系统模块、分布式可再生能源模块、灵活性负荷集群模块。
就所提出的BDF-VPP而言，当系统运行时，BWS和DRE两个模块承担发电任务，其中，BWS具备增量出力的能力，同时也是主要的碳排放单元，燃气轮机和烟气处理系统需参与碳排放的计量；DRE发电效率高、资源成本低，其零碳排的特性可以帮助BWS分担一部分碳排放责任，但出力不确定性较强；FLC本身不出力、不产生碳排放，作为需求侧其参与调度的灵活性较好，可以在必要时及时响应，调节风光出力不确定的问题，具体来说：
（1）生物质垃圾转换系统（Biomass Waste conversion System，BWS）：由生物质能产沼发电和垃圾直燃发电组成，通过收集秸秆、食物残渣以及人畜粪便等农村常见的生物质材料进行发酵，产生沼气进行发电；垃圾直燃在垃圾焚烧电厂中进行，燃烧产生的烟气进入烟气处理系统，经净化达标后才会被排放；
（2）分布式可再生能源（Distributed Renewable Energy，DRE）：由风电、光伏和水电这类可再生能源组成，其中风电、光伏由于国家政策的推进得到大幅度推广，小水电在农村地区也极为常见，因此将这类分布式资源划分为一类进行调度；
（3）灵活性负荷集群（Flexible Load Cluster，FLC）：考虑用户需求响应的灵活性调节作用，包括农村常见的居民用电负荷、农村生产用电负荷、小工业用电负荷以及电动汽车，组成用户需求负荷共同参与调度，按照参与虚拟电厂调度时间的不同，又分为价格型需求响应和激励型需求响应，在虚拟电厂运行不平稳时发挥作用，以达到“削峰填谷”的效果。
a2、农村BDF-VPP单元出力建模。BDF-VPP系统内所包含的BWS、DRE和FLC的单元出力数学模型如下：
（1）BWS出力模型
1）生物质发电：参考图3，沼气发酵池通过厌氧作用将秸秆、粪便等有机废弃物进行发酵，以一定速率产生沼气，使用沼气发电时，需要达到可燃标准后才能输入到燃气轮机进行燃烧发电，因此需要先经过水洗设备（B2G）设备进行水洗，未使用的沼气存入沼气罐备用。
B2G装置采用水洗法和膜分离法对沼气进行脱硫脱碳，使沼气(天然气含量约60%)满足标准天然气(天然气含量>95%)的要求。在实际运行过程中，沼气流入流出需保持平衡状态，因此流量需满足约束：
（53）
（54）
式中：VM,t为时刻产生沼气流量，m3/h；和分别为时刻沼气池供给B2G装置的沼气流量和沼气罐的沼气流量，m3/h；VB2G,t指B2G装置水洗过后天然气损失量；和分别指水洗前进入水洗设备的天然气流量和经水洗过后满足发电要求的标准天然气流量，数学模型参考公式（1）和（2）。
（2）垃圾发电：垃圾焚烧发电过后，需要妥善处理产生的烟气，处理达标的烟气方可进行排放。参考图4，由于烟气处理系统出力烟气的容量有限制，因此烟气通过排烟管道一部分进入反应塔，另一部分进入储气装置。加入储气装置可灵活调节烟气进入反应塔和储气装置的烟气比例，实现烟气处理与发电之间的解耦，并且烟气处理能耗较大，加装储气装置后的能耗可以视作可时移、可调节负荷功率，使得GNVPP整体调度变得更为灵活。
定义为t时刻烟气分别流入反应塔流量与垃圾焚烧电厂发电侧产生的烟气总量的比值，则有如下烟气流量关系：
（55）
其中，α1,t和α2,t分别是时刻t进入反应塔和储气装置的烟气流量，m3/h；αs,t即为时刻t垃圾焚烧电厂发电产生的烟气总量；PW,t为时刻t垃圾焚烧电厂的发电功率，vα为垃圾焚烧电厂单位出力产生的烟气量，m3/kW·h。当储气装置的容量达到最值时，烟气进入储气装置的管道关闭，之后的烟气只进入反应塔，该过程能耗参考公式（3）。
（2）DRE出力模型
1）风力发电：风力发电的功率输出主要取决于自然风速，因此属于不确定性发电单元。只有当风速不小于切入风速风机才会转动并联网发电，若风速超过切出风速，则风机切断与电网的连接并收桨停机，以保护风机安全。因此有效出力区间是自然风速介于切入风速和切出风速之间，其功率输出过程建模参考公式（4）；
2）光伏发电：光伏发电主要取决于光伏板接收到的太阳光辐射强度、温度等因素，受自然因素条件影响较大，也属于不确定性出力，其出力模型参考公式（5）；
3）农村小水电：农村小水电站具有分散开发、就地成网、就近供电、发供电成本低的特点，是大电网的有益补充，具有不可替代的优势，其功率输出主要取决于河流的径流量和水头高度，表达式公式（6）。
（3）FLC出力模型
1）电动汽车负荷集群：随着电动车技术的快速发展，大规模的电动汽车接入电网，凭借其污染小、零碳排的特点，有效缓解了传统汽车带来的化石能源消耗和环境污染问题。电动汽车会作为单独的个体进行建模，则电动汽车集群的出力如下所示：
（56）
式中，Pt为电动汽车功率出力；SOCt-△t和SOCt分别表示电动汽车蓄电池电池容量，在[0,1]范围内波动，0为电动汽车蓄电池电量为0，1为电动汽车蓄电池满电；△t表示为时间间隔，D表示蓄电池容量。
2）负荷需求响应集群：农村地区存在居民生活用电、小工业用电和农业用电等多种类型，在参与需求响应时，分为价格型需求响应PBDR和激励型需求响应IBDR两种类型，分别在日前和日内提供需求响应出力，下表为不同类型负荷参与需求响应方式，参照该表对两类负荷建模如下：
表1 不同类型负荷参与需求响应方式
PBDR出力建模：PBDR主要通过实施分时电价来优化用户自身用电行为，转移负荷和削减负荷都可以在PBDR模型中发生，PBDR对于用户用电量的影响，可以用电力需求价格弹性来描述参考公式（7）和（8）。
IBDR出力建模：IBDR是在维持系统的供需平衡时通过激励政策鼓励用户参与市场调节，用户可以参与系统的上下游储备。实施IBDR的负荷变化量可以参考公式（9）和（10）。
b、农村BDF-VPP不确定性处理。传统不确定性处理方法有随机优化和鲁棒优化两种方法，随机优化需要大量的数据作为支撑，而鲁棒优化在预估时存在预估风险。因此，本发明结合二者优势，采用韦伯分布和Beta分布来描述自然风速和太阳辐射强度的概率密度，通过拉丁超立方抽样生成和Kantorovich距离削减生成风光在日内的预测出力场景集合。
b1、不确定性分析。
（1）风力发电的不确定性：风气发电机的功率输出主要取决于自然风速的大小，鉴于风速的随机特性，一般通过韦伯分布来描述，其概率密度函数参考公式（11）。得知风速后，可由风力发电机的输出和实时风速之间的关系得到风电输出功率的随机分布，风力发电机的输出和实时风速之间的关系如公式（4）所示。
（2）光伏发电的不确定性：光伏发电机组输出不确定性取决于太阳辐射强度的随机特性，其通常可用Beta分布进行描述，其概率密度函数参考公式（12）。同样地，在我们得到太阳光辐射强度的概率分布后，结合前文光伏出力的计算公式（5），就能得到光伏输出功率的随机分布。
b2、不确定性场景生成。
（1）拉丁超立方采样生成场景：拉丁超立方是一种分层采样法，能够保证样本整体空间的覆盖，从而使得采样值能够较好地反映变量的整体分布，相比于简单的蒙特卡洛采样，可以更精确地识别所采样的概率分布特性，如今在各个领域都得到了广泛应用。以风电为例，具体操作过程如下：
假设风电初始场景出力为D个，设定第m个风电出力场景的随机变量为xm,k,k=1,2,…M（例如若选择一天内24小时的节点数据代表一个典型场景，则M为24），且随机变量的累积概率分布Ym,k数学建模如下：
Ym,k=Fm,k(xm,k) （57）
设采样规模为N，将上式形成的曲线Fm,k(xm,k)纵轴分成N个等间距不重叠的区间，由于累积概率分布的变化范围为[0,1]，故每个举荐的长度为1/N。在此基础上，在每个区间[d-1/N,d/N]（式中d为小于N的任一数值）内进行完全随机抽样，设其抽到的纵坐标值为yk,N，将得到的纵坐标值带入累积概率分布函数Ym,k的反函数，得到xk的第N个采样值：
（58）
将得到的随机变量xk的N个采样值排成一列，所有采样值xk,N构成初始样本矩阵X，X为k×N阶矩阵，表示为：
（59）
参考图5，将上述采样得到的矩阵随机排序各行以后生成N个随机出力场景（例，从全年365个典型日抽样出100个场景，此时N=100），则场景b的出力数据为Xk,N中的第b行数据xk,b，则计算公式如下：
（60）
（2）场景削减：经过拉丁超立方的采样，我们可以获得风光预测出力的个场景，直接利用这些场景计算出力偏差在日内进行调整显然不太合理，因此结合Kantorovich距离进行场景缩减，参考图6，同样以风电为例，具体步骤参考上文所述的结合Kantorovich距离将N个场景消减为10个场景。
c.需求侧碳交易机制刻画。控制温室气体排放已经为能源研究的主流。而传统针对虚拟电厂的研究仅仅停留在电能量层面，因此本发明将需求侧碳交易机制纳入虚拟电厂运行优化中，共分为需求侧碳交易机制概述、碳排放计量、碳排放额度分配、阶梯型碳交易价格四个方面。
c1、需求侧碳交易机制概述。碳交易被认为是控制温室气体排放的有效手段，在节能减排方面表现出巨大潜力。在市场机制的介入下，碳排放权成为具有经济属性的商品，直接影响到整个系统运行的经济性，政府按一定标准给企业分配碳排放权，鼓励企业参与碳排放市场交易。以农村虚拟电厂为例，系统会获得初始的碳排放额度，若系统单元的实际碳排放量高于其分配额，则需要从碳交易市场购买碳排放权，同时增加发电厂的碳交易成本；反之，当碳排放量低于分配额，则可在碳交易市场上出售其剩余的碳排放权，从而获得碳交易收益（参考图8）。
c2、碳排放计量。在农村虚拟电厂运行过程中，垃圾和生物质燃烧发电带来的碳排放不容忽视，分布式资源本身来源于需求侧，因此在需求侧引入碳交易机制是控制二氧化碳等气体排放的有效途径。按照“谁发电谁负责”的逻辑承担碳排放责任，在实际出力过程中，具体的碳排放量计算参考公式（21）和以下公式（61）：
（61）
式中：T为一天的24个时段；Ei,c分别对应各机组总排放量；Pi,t(i=S,GT,DRE,grid)表示各碳排计量单元在第t个时段的电功率；ρc表示单位电量所对应的碳排放量。
c3、碳排放额度分配。在电力行业中，对于碳排放权初始额度的分配，我目前主要采用的方式有：无偿分配、有偿分配以及混合分配，本文采用无偿分配的方式，利用基准线法确定其额度。参照主网的碳配额标准，虚拟电厂各单元按一定比例获得相应碳排放权，生物质能单元承担主要的碳排责任，风光等可再生资源不产生碳排放，其碳配额可进行交易，因此初始碳配额计算方法参考公式（22）和（23）。
c4、阶梯型碳交易价格。目前我国的碳交易市场中主要有传统型碳交易和阶梯型碳交易两种方式，传统碳交易方式就是对于碳排放权差值统一计价，如此一来超过碳配额的部分收费标准相同，对于大型碳排工业难以起到限制作用，其模型计算式如下：
（62）
式中：为所需支付的碳交易费用，μ为单位碳配额的交易价格。因此，相较于传统型交易模式，阶梯型碳交易主要是将实际碳排放量和无偿分配的碳排放额度之间的差值分成若干个区间定价，这样能极大程度约束碳排放量大的发电单元进行碳减排整改，同时提升碳排放量小的发电单元的碳减排积极性，数学模型参考公式（24）。
d、两阶段电-碳协同调度优化模型。现有针对虚拟电厂的研究仅局限于单一尺度的调度优化，而单一尺度优化调度导致形成的调度方案灵活性不足，难以解决风光等新能源出力的不确定性。因此，本发明将虚拟电厂调度阶段分为日前计划和日内修正两个阶段，在日内阶段调用系统增量出力平抑产生的偏差（参考图9）。
在日前调度模型中，综合考虑生物质发电、垃圾发电和小水电，将WPP和PV的计划出力作为随机变量，并且综合考虑不同能源设备运行约束以系统旋转备用容量，确定农村BDF-VPP的日前计划方案，包括各单元的出力计划以及需求响应状态。在日内调度模型中，将WPP和PV的预测出力场景结果作为日前随机变量的实现，并通过调用BWS机组增量出力和用户需求相应修正出力偏差，若无法满足偏差调整需求，则进一步向上级电网购电以实现能量供需平衡，确定农村BDF-VPP的最优运行策略。
d1、日前调度优化模型。在整个农村虚拟电厂运行过程中，收益主要来源于生物质发电和可再生能源发电，其中，发电燃料来源于农村沼气、垃圾、风光和水，可不计入燃料成本，因此发电成本包括运维成本、投资成本、碳交易成本，以及灵活负载集群单元参与调节的成本，目标函数为调度成本fday-ahead最小化，具体描述参考公式（25）和（26）。
同时，日内调度阶段需要满足约束条件如下：
（1）电力供需平衡约束参考公式（29）；
（2）BWS运行约束参考公式（30）-（37）；
（3）DRE运行约束：这一部分主要考虑风电、光伏和小水电机组发电的最大/最小发电功率约束参考公式（38）-（40）；
（4）FLC运行约束：
针对价格型负荷需求的响应特性，可通过转移和削减的方式参与农村虚拟电厂的调度优化，设定实际负荷需求响应集群的出力为，和分别表示实际调度时转移和削减的负荷量，用户需要满足时段提供需求响应负荷量的最小最大响应能力约束，以及电动汽车充电功率大小满足最大额定功率约束参考公式（41）和（42）。
（5）其他约束：
在农村虚拟电厂实际运行过程中，风电、光伏出力受天气因素影响较大，具有较强的不确定性，因此为了保证农村虚拟电厂能够安全稳定运行，需要预留部分空间作为备用，即旋转备用容量约束参考公式（43）和（44）。
d2、实时调度优化模型。在日内调度阶段，主要任务就是平抑日前阶段风光出力不确定造成的偏差，调用柔性负荷响应集群及各单元增量出力，实现日内修正，最终使得修正过后的变量值与日前预测的参考值尽量一致，当不同灵活性能量单元改变出力计划时，则会产生相应的系统偏差调整成本。此时，将系统偏差调整成本fday-ahead最小化作为目标函数参考公式（45）和（46）。
同样地，日内调度阶段需满足相应的约束条件如下：
（1）日内负荷供需平衡约束：为应对WPP和PV不确定性，日内调度阶段会通过调用燃气轮机、激励型用户需求响应以及向外部配网购电来满足能量供需平衡约束参考公式（47）-（50）；
（2）用户需求响应运行约束参考公式（51）和（52）；
（3）其他约束：在日内调度优化模型中，仍需满足日前调度生物质能发电中燃气轮机的相关约束公式(30)、(33)、(34)、(35)，并且由于日内阶段已经对风光不确定性作出了处理，不需要再满足旋转备用容量约束（43）和（44）。
e、两阶段调度优化模型求解。参考图10，基于上述多尺度调度模型，将其中的非线性项进行线性化处理后转化为MILP模型进行求解，同样按照日前调度阶段和日内调度阶段的顺序求解，两阶段调度优化模型求解步骤共分为4步，具体如下：
步骤1：输入农村BDF-VPP系统中各单元的预测数据和参数；
步骤2：在日前调度阶段，根据WPP和PV的率概率分布以及单位时间产沼量、垃圾发电量和水头高度，初始化赋值模型中的变量和参数，作为优化计算的输入数据，满足系统运行成本最小化的目标，确立沼气发电机组、垃圾发电机组、WPP、PV、SHS和PBDR的调度计划；
步骤3：由于日前阶段步入日内阶段时，风光出力为不确定性变量，因此采用拉丁超立方法和K式距离削减方法，计算得到WPP、PV的均值方差通过场景削减得到风光出力预测场景；
步骤4：在日内调度阶段，将日前最优调度计划作为日内修正调度模型的参数，将通过场景削减得到的风光出力预测场景作为日内修正阶段的基础数据，并调整日前调度计划出力偏差，以调整成本最小为目标函数，以单元出力调整约束限制作为约束条件，计算得到两阶段协同调度优化模型。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种农村虚拟电厂的协调优化方法，其特征在于，包括：
基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型；
对所述分布式可再生能源中的风光出力不确定性进行处理，然后通过场景消减生成风光预测出力场景集合；
基于需求侧碳排放交易机制计算碳交易成本；
基于所述碳交易成本、所述相应的单元出力模型建立两阶段电碳协调优化模型，所述两阶段电碳协调优化模型包括用于最小化总调度成本的日前调度优化模型和用于最小化系统偏差调整成本的实时调度优化模型，其中，所述实时调度优化模型用于平抑日前阶段的所述风光出力不确定性造成的偏差；
所述实时调度优化模型，用于调用柔性负荷响应集群及各单元增量出力进行日内修正，使得修正过后的变量值与日前预测的参考值尽量一致，当不同灵活性能量单元改变出力计划时，产生相应的系统偏差调整成本，然后在包括日内负荷供需平衡约束、用户需求响应运行约束的约束条件下，将最小化所述系统偏差调整成本作为第二目标函数，通过以下公式表示所述第二目标函数：
；
其中，freal-time为系统偏差调整成本；△CBWS,t、△CFLC,t表示风光不确定性引起的生物质能转换发电单元、负荷需求响应单元的出力调整成本；△Cgrid,t表示所述农村虚拟电厂与上级电网的交互成本；P t 表示燃气轮机在时刻t的单位出力成本；△P GT,t 表示日内负荷集群在时刻t接受调度时燃气轮机的增量出力，通过调整沼气罐存储量来实现目的；、表示时刻t提供需求响应的负荷状态，为0-1变量；、表示激励型需求响应IBDR在时段t响应输出的上/下响应出力；表示IBDR在时刻t的单位调节成本；δ表示向下出力的高价格补偿率，Γ表示向上出力的打折价率；Pg,t和Pgrid,t为所述农村虚拟电厂与上级电网交互时刻的电价和外部购电量，表示上级购电带来的碳交易成本；
所述日内负荷供需平衡约束包括：
为应对风电机组WPP和光伏发电机组PV不确定性，日内调度阶段通过调用燃气轮机、激励型用户需求响应以及向外部配网购电来满足能量供需平衡约束：
；
；
其中，△PDRE,t表示风光出力不确定导致的系统偏差量；和分别表示WPP、PV实时阶段出力；、表示由历史数据得到的日前WPP、PV出力；
；
；
其中，N表示不确定性抽样得到的场景数量；和分别表示第i个场景下时刻t的WPP、PV出力；αWPP,i和αPV,i分别表示WPP和PV机组在第i个场景的概率值；
所述用户需求响应运行约束包括：
在激励型负荷集群被临时调用以快速响应预测出力偏差时，整个过程考虑负荷提供响应出力的上下爬坡约束和启停次数限制：
；
；
其中，表示响应最大启停次数，和分别表示IBDR所能提供的上调出力空间和下调出力空间，T为一天的24个时段。
2.根据权利要求1所述的农村虚拟电厂的协调优化方法，其特征在于，基于需求侧碳排放交易机制计算碳交易成本包括：
在所述农村虚拟电厂运行过程中，垃圾和生物质燃烧发电带来的碳排放，通过在需求侧引入碳排放交易机制控制二氧化碳排放；
所述需求侧碳排放交易机制包括：当所述虚拟电厂单元的实际碳排放量高于其分配额时，从碳交易市场购买碳排放权同时增加所述农村虚拟电厂的碳交易成本；当所述虚拟电厂单元的实际碳排放量低于其分配额时，在所述碳交易市场出售剩余的碳排放权以获得碳交易收益。
3.根据权利要求2所述的农村虚拟电厂的协调优化方法，其特征在于，基于需求侧碳排放交易机制计算碳交易成本包括：
通过以下公式计算碳交易总成本线性函数：
；
；
通过以下公式计算所述虚拟电厂实际的总排放量：
；
通过以下公式计算所述虚拟电厂的无偿碳排放权分配额度：
；
通过以下公式计算各机组的碳排放权分配额度：
；
通过以下公式计算碳交易价格分段区间：
；
其中，Ec表示虚拟电厂实际的总碳排放量；ES,c、EGT,c、EDRE,c和Egrid,c分别表示烟气处理机组、燃气轮机、可再生发电单元和外购电能的实际碳排放量；Etotal表示整个系统的无偿碳排放权分配额度；ES、EGT、EDRE和Egrid分别表示所述烟气处理机组、所述燃气轮机、所述可再生发电单元和所述外购电能的碳排放权分配额度；μ是初始碳交易价格；α表示碳价增长率，取值为0.25；d为碳排放量区间长度，按照碳排放权差值划分；将Ec-Etotal设置为碳交易的初始区间E0与碳交易的累加区间之和，En表示第n段碳排放量区间长度，Num为区间数目，初始值取5，且E0≤0，0≤En≤d；δe表示单位供电功率的碳排放权分配额，T为一天的24个时段；Pi,t表示各碳排计量单元在第t个时段的电功率，i=S,GT,DRE,grid。
4.根据权利要求2所述的农村虚拟电厂的协调优化方法，其特征在于，对所述分布式可再生能源中的风光出力不确定性进行处理包括：
通过韦伯分布表示自然风速的概率密度f(v) 和太阳辐射强度f(r)：
；
；
其中，v为任意时刻的风速；k为韦伯分布的尺度参数；c为形状参数；r是t时段太阳辐照度；rmax是t时段太阳最大辐照度；α和β是Beta分布的形状参数，Γ(α)、Γ(β)和Γ(α+β)分别表示自变量为α、β、α+β的伽马函数，所述伽马函数为：
。
5.根据权利要求4所述的农村虚拟电厂的协调优化方法，其特征在于，通过场景消减生成风光预测出力场景集合包括：经过拉丁超立方采样从风光初始出力场景D中选择风光预测出力的N个场景并结合Kantorovich距离将所述N个场景消减为n个场景，n≤N≤D，其中，结合Kantorovich距离将N个场景消减为n个场景进一步包括：
步骤一：初始化每个预测场景的概率值为Pi=1/N，初始缩减场景数n=N；
步骤二：从所述初始缩减场景数N中选取任意两个场景i和j，其中，所述两个场景i和j的场景数据为：
Xk,i=[x1,i,…,xk,i]；
Xk,j=[x1,j,…,xk,j]；
通过以下公式计算所述两个场景i和j的Kantorovich距离S(i,j)，
；
其中，xm,i和xm,j分别表示在场景i和j下时刻m的新能源出力；
步骤三：通过以下公式计算场景i和场景j的Kantorovich距离与场景概率的乘积：
；
然后遍历除场景i之外的所有场景，将与场景i的距离PS(i,j)最小的场景记作场景r，并删除该场景，同时更新减少的场景数n=n-1,则场景i的概率值更新为Pi=Pi+Pr；
步骤四：对于每个场景重复步骤三，最终削减后生成n个场景，n个场景所得到的最终样本矩阵为Xk,n，并将最终样本矩阵Xk,n用于计算偏差参与所述实时调度优化模型的实时调度，
，其中k=1,2,…M，当选择一天内24小时的节点数据代表一个典型场景时，M为24。
6.根据权利要求4所述的农村虚拟电厂的协调优化方法，其特征在于，所述日前调度优化模型包括：基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC获取所述总调度成本，然后在包括电力供需平衡约束、BWS运行约束、DRE运行约束、FLC运行约束和旋转备用容量约束的约束条件下，将最小化所述总调度成本作为第一目标函数。
7.根据权利要求6所述的农村虚拟电厂的协调优化方法，其特征在于，通过以下公式表示所述第一目标函数：
；
；
其中，fday-ahead为调度成本；CBWS、CDRE、CFLC分别表示生物质垃圾转换系统BWS、DRE、FLC模块的调度成本；表示碳交易总成本；kGT、kWPP、kPV、kSHS分别表示燃气轮机、风电、光伏、小水电站单位产能运维成本系数；kS表示烟气处理系统单位产能运维成本系数；PS,t为t时刻烟气处理系统的耗电功率；PGT,t为t时刻燃气轮机的发电功率；PWPP,t表示时刻t风力发电的功率；PPV,t表示时刻t光伏的输电功率；PSHS,t表示时刻t小水电站的发电功率；CEVA、CA、CB分别表示电动汽车、价格型需求响应PBDR、激励型需求响应IBDR的调度成本；Cinv表示风电、光伏的建设投资成本；农村虚拟电厂的总投资成本表示通过等额分配到运行周期中的每一年的成本值，折算到单位时间的公式如下：
；
；
其中，Cinv,WPP、Cinv,PV分别代表风电单位时间的投资成本、光伏单位时间的投资成本；d为折现率；n为全生命周期；uinv,i表示第i种设备的单位数量/面积投资成本；Sinv,i表示第i种设备的安装数量/面积；
所述电力供需平衡约束包括：
；
其中，Pload,t表示总的电负荷需求；表示参与调度的价格型需求响应；
所述BWS运行约束包括：
在利用生物质能进行发电的过程中，满足发电出力阈值约束和上下爬坡约束：
；
；
；
；
；
；
其中，PGT,N、PW,N、PS,N为燃气轮机、垃圾发电和烟气处理系统的额定电功率，单位为KW；，分别为沼气存储罐和烟气存储罐的最大存储容量，单位为m3；α2,t和α3,t分别表示时刻t进入储气装置的烟气流量和时刻t从储气装置进入反应塔的烟气流量；和分别为时刻t沼气罐供给水洗设备B2G装置的沼气流量和时刻t沼气存储罐的沼气流出量；为时刻t垃圾发电的输出功率；将和分别表示时刻t燃气轮机的最小发电功率差和最大发电功率差；
所述沼气存储罐和所述烟气存储罐满足最大存储量约束以及流量平衡约束：
；
；
其中，表示在时刻t-1烟气存储罐的存储容量；和分别表示在时刻t和时刻t-1沼气存储罐的存储容量；
所述DRE运行约束包括：
；
；
；
其中，，，分别表示风电、光伏和小水电机组发电的额定出力；
所述FLC运行约束包括：
通过以下公式表示时段t提供需求响应负荷量的最小最大响应能力约束，以及电动汽车充电功率大小满足最大额定功率约束：
；
；
其中，△PPB,t表示时段t提供价格型需求响应的负荷量，和分别为所述价格型需求响应的最小负荷量和最大负荷量；表示电动汽车在时刻t的充电功率；为电动汽车的最大充电功率；
所述旋转备用容量约束包括：
；
；
其中，和分别表示农村虚拟电厂的最大出力和最小出力；PVPP,t表示所述农村虚拟电厂在时刻t的发电出力；表示柔性负荷的最大需求响应能力；ωDR表示负荷的备用系数，PDR,t表示时刻t参与调度的需求响应总功率；和表示WPP的上下旋转备用系数；和表示光伏的上下旋转备用系数，T为一天的24个时段。
8.根据权利要求1所述的农村虚拟电厂的协调优化方法，其特征在于，基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型进一步包括：
BWS单元出力模型包括：
；
；
其中，VG,t表示时刻t标准天然气的流量；ηB2G表示水洗沼气转天然气的效率；PGT,t为时刻t燃气轮机发电功率；ηGT为发电效率；γG为热量单位转换系数，kW·h/kJ；LVHG为天然气热值，kJ/m3；VM,t表示时刻t产生的沼气流量；
；
其中，PS,t为时刻t烟气处理系统的耗电功率；γS为烟气处理系统的单位处理能耗系数；α1,t为时刻t进入反应塔的烟气流量；α3,t为时刻t从储气装置进入反应塔的烟气流量；
DRE单元出力模型包括：
；
其中，PWPP,t表示时刻t风力发电的功率；vt表示时刻t的风速，m/s；vin和vout表示风机的切入风速和切出风速；vc为额定风速，达到额定风速且机组安全运行的情况下，机组以大小为gc进行额定出力；
；
其中，STC表示标准测试条件下，以太阳辐度为1000W/m2，光伏电池温度为25°C条件下出力为修正标准；则为光伏在STC下最大输出功率，PPV,t表示时刻t光伏的输电功率；kT表示功率温度系数，%/°C，TPV,t和TSTC分别表示时刻t电池板实际工作温度和电池板额定工作温度；RPV,t和RSTC分别表示时刻t实际太阳辐射强度和电池板额定太阳辐射强度，W/m2；
；
其中，PSHS,t表示时刻t小水电站的发电功率；ηSHS为小水电的发电效率；ρ为重力加速度；Qt表示时刻t的河流径流量；Ht为净水头高度，等于尾水管出口段坝前水位Zu和尾水管出口段水位Zd之差，即Ht=Zu-Zd；
FLC单元出力模型包括：
；
；
其中，表示时刻t的PBDR提供的负荷变动量；表示时刻t的初始负荷；表示时刻t的初始电价；△LS表示时刻t的负荷变化量；△Pt表示时刻t的电价变化量；ett和est分别表示自弹性系数和交叉弹性系数；
；
；
其中，表示IBDR在时刻t提供的负荷变动量；和表示IBDR在时刻t提供的向上、向下负荷响应状态，是0-1变量，1表示提供IBDR负荷需求响应；和表示IBDR在时刻t提供的向上、向下负荷需求量。
9.一种农村虚拟电厂的协调优化装置，其特征在于，包括：
出力模型构建模块，用于基于农村虚拟电厂的生物质垃圾转换系统BWS、分布式可再生能源DRE和灵活性负荷集群FLC分别建立相应的单元出力模型；
不确定性处理及消减模块，用于对所述分布式可再生能源中的风光出力不确定性进行处理，然后通过场景消减生成风光预测出力场景集合；
碳交易成本生成模块，用于基于需求侧碳排放交易机制计算碳交易成本；
两阶段电碳协调优化模型，用于基于所述碳交易成本、所述相应的单元出力模型建立两阶段电碳协调优化模型，所述两阶段电碳协调优化模型包括用于最小化调度成本的日前调度优化模型和用于最小化系统偏差调整成本的实时调度优化模型，其中，所述实时调度优化模型用于平抑日前阶段的所述风光出力不确定性造成的偏差；
所述实时调度优化模型，用于调用柔性负荷响应集群及各单元增量出力进行日内修正，使得修正过后的变量值与日前预测的参考值尽量一致，当不同灵活性能量单元改变出力计划时，产生相应的系统偏差调整成本，然后在包括日内负荷供需平衡约束、用户需求响应运行约束的约束条件下，将最小化所述系统偏差调整成本作为第二目标函数，通过以下公式表示所述第二目标函数：
；
其中，freal-time为系统偏差调整成本；△CBWS,t、△CELC,t表示风光不确定性引起的生物质能转换发电单元、负荷需求响应单元的出力调整成本；△Cgrid,t表示所述农村虚拟电厂与上级电网的交互成本；P t 表示燃气轮机在时刻t的单位出力成本；△P GT,t 表示日内负荷集群在时刻t接受调度时燃气轮机的增量出力，通过调整沼气罐存储量来实现目的；、表示时刻t提供需求响应的负荷状态，为0-1变量；、表示激励型需求响应IBDR在时段t响应输出的上/下响应出力；P IB,t 表示IBDR在时刻t的单位调节成本；δ表示向下出力的高价格补偿率，Γ表示向上出力的打折价率；Pg,t和Pgrid,t为所述农村虚拟电厂与上级电网交互时刻的电价和外部购电量，表示上级购电带来的碳交易成本；
所述日内负荷供需平衡约束包括：
为应对风电机组WPP和光伏发电机组PV不确定性，日内调度阶段通过调用燃气轮机、激励型用户需求响应以及向外部配网购电来满足能量供需平衡约束：
；
；
其中，△PDRE,t表示风光出力不确定导致的系统偏差量；和分别表示WPP、PV实时阶段出力；、表示由历史数据得到的日前WPP、PV出力；
；
；
其中，N表示不确定性抽样得到的场景数量；和分别表示第i个场景下时刻t的WPP、PV出力；αWPP,i和αPV,i分别表示WPP和PV机组在第i个场景的概率值；
所述用户需求响应运行约束包括：
在激励型负荷集群被临时调用以快速响应预测出力偏差时，整个过程考虑负荷提供响应出力的上下爬坡约束和启停次数限制：
；
；
其中，表示响应最大启停次数，和分别表示IBDR所能提供的上调出力空间和下调出力空间，T为一天的24个时段。
CN202311264594.2A 2023-09-28 2023-09-28 一种农村虚拟电厂的协调优化方法和装置 Active CN117040027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311264594.2A CN117040027B (zh) 2023-09-28 2023-09-28 一种农村虚拟电厂的协调优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311264594.2A CN117040027B (zh) 2023-09-28 2023-09-28 一种农村虚拟电厂的协调优化方法和装置

Publications (2)

Publication Number Publication Date
CN117040027A CN117040027A (zh) 2023-11-10
CN117040027B true CN117040027B (zh) 2024-01-16

Family

ID=88641334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311264594.2A Active CN117040027B (zh) 2023-09-28 2023-09-28 一种农村虚拟电厂的协调优化方法和装置

Country Status (1)

Country Link
CN (1) CN117040027B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933445A (zh) * 2023-11-27 2024-04-26 国网青海省电力公司清洁能源发展研究院 一种农村虚拟电厂售电商系统的双层优化方法和装置
CN117592621B (zh) * 2024-01-19 2024-04-23 华北电力大学 一种虚拟电厂集群两阶段调度优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
CN114676878A (zh) * 2021-12-30 2022-06-28 中国能源建设集团天津电力设计院有限公司 面向多能互补和低碳化的多区域虚拟电厂优化调度方法
CN115549202A (zh) * 2022-09-27 2022-12-30 国网辽宁省电力有限公司沈阳供电公司 一种基于实时电价的虚拟电厂多能源协调低碳优化调度方法、系统及存储介质
CN115660304A (zh) * 2022-07-20 2023-01-31 国网山东省电力公司 一种基于多元产业协同的乡村综合能源系统规划方法
CN116050066A (zh) * 2022-11-29 2023-05-02 国网河南省电力公司经济技术研究院 考虑不确定性的多主体农村虚拟能源系统两阶段模式设计
CN116187019A (zh) * 2022-12-30 2023-05-30 华电电力科学研究院有限公司 一种考虑阶梯碳价的含风光储的虚拟电厂经济调度方法
CN116777054A (zh) * 2023-06-07 2023-09-19 东北电力大学 考虑碳捕集与垃圾焚烧参与的虚拟电厂及其优化运行方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
CN114676878A (zh) * 2021-12-30 2022-06-28 中国能源建设集团天津电力设计院有限公司 面向多能互补和低碳化的多区域虚拟电厂优化调度方法
CN115660304A (zh) * 2022-07-20 2023-01-31 国网山东省电力公司 一种基于多元产业协同的乡村综合能源系统规划方法
CN115549202A (zh) * 2022-09-27 2022-12-30 国网辽宁省电力有限公司沈阳供电公司 一种基于实时电价的虚拟电厂多能源协调低碳优化调度方法、系统及存储介质
CN116050066A (zh) * 2022-11-29 2023-05-02 国网河南省电力公司经济技术研究院 考虑不确定性的多主体农村虚拟能源系统两阶段模式设计
CN116187019A (zh) * 2022-12-30 2023-05-30 华电电力科学研究院有限公司 一种考虑阶梯碳价的含风光储的虚拟电厂经济调度方法
CN116777054A (zh) * 2023-06-07 2023-09-19 东北电力大学 考虑碳捕集与垃圾焚烧参与的虚拟电厂及其优化运行方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
新型电力系统灵活性资源聚合两阶段调度优化模型;樊伟 等;电力建设;第44卷(第2期);第25-37页 *

Also Published As

Publication number Publication date
CN117040027A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
Liu et al. Optimal power peak shaving using hydropower to complement wind and solar power uncertainty
Korpaas et al. Operation and sizing of energy storage for wind power plants in a market system
CN117040027B (zh) 一种农村虚拟电厂的协调优化方法和装置
Wu et al. Modeling and operation optimization of hydrogen-based integrated energy system with refined power-to-gas and carbon-capture-storage technologies under carbon trading
Ju et al. A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator
Fang et al. Look-ahead bidding strategy for concentrating solar power plants with wind farms
CN111210079B (zh) 一种分布式能源虚拟电厂运行优化方法及系统
Chen et al. Robust optimal capacity planning of grid-connected microgrid considering energy management under multi-dimensional uncertainties
Lund et al. EnergyPLAN
Shirizadeh et al. The importance of renewable gas in achieving carbon-neutrality: Insights from an energy system optimization model
Varzaneh et al. Optimal energy management for PV‐integrated residential systems including energy storage system
Bahlawan et al. Optimal management with demand response program for a multi-generation energy system
CN111126675A (zh) 多能互补微网系统优化方法
Yuan et al. The bidding strategies of large-scale battery storage in 100% renewable smart energy systems
CN113298407A (zh) 一种工业园区电-气综合能源系统优化调度模型建立方法
Perković et al. Coupling of cleaner production with a day-ahead electricity market: A hypothetical case study
Qin et al. Multi-timescale hierarchical scheduling of an integrated energy system considering system inertia
Zhang et al. Optimal low-carbon operation of regional integrated energy systems: a data-driven hybrid stochastic-distributionally robust optimization approach
Phan et al. Facilitating high levels of wind penetration in a smart grid through the optimal utilization of battery storage in microgrids: An analysis of the trade-offs between economic performance and wind generation facilitation
Fang et al. Risk-constrained optimal scheduling with combining heat and power for concentrating solar power plants
CN117040000A (zh) 一种耦合碳捕集和电制氢的综合能源系统热电优化方法
Li et al. Two-time-scale coordinated optimal control of building energy systems for demand response considering forecast uncertainties
Yang et al. Two-stage coordinated optimal dispatching model and benefit allocation strategy for rural new energy microgrid
CN115498624A (zh) 基于两阶段鲁棒优化的含灵活互动资源配电网低碳经济调度方法
Gabrielli et al. The role of hydrogen storage in an electricity system with large hydropower resources

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant