虚拟电厂参与电力市场和碳交易市场的协同竞价方法与流程

1.本发明属于电力市场技术领域，尤其涉及一种虚拟电厂参与电力市场和碳交易市场的协同竞价方法。


背景技术：

2.负荷的多样性和高渗透率可再生能源接入给传统电力系统的经济运行、安全稳定带来了新的挑战。虚拟电厂(vpp)作为一种新型分布式电源协调控制和能源管理技术，可以基于互联网通信技术，将区域内的各种分布式电源聚合成一个整体，统一参与电力市场和碳交易市场的竞价。多区域虚拟电厂还可以实现区域间的能量流互补，降低电网调度难度，提高可再生能源的利用效率和消纳水平，推动电网由单一能源消费结构向多元化能源消费结构转变。
3.各种分布式电源、可控负荷和储能设备都可聚合在虚拟电厂中。结合各种市场价格信息和各类机组的输出特性，虚拟电厂在电力市场中具有多重作用。它不仅可以作为电能供应商参与市场竞价出售电能，还可以作为负荷从市场上购买电能以满足自身的电能需求。虚拟电厂凭借多样化的能源结构、灵活的供能形式和各类储能装置，通过调度分布式电源、可控负荷和储能装置，参与调节市场竞价，为电力系统提供备用容量。
4.目前，对风电机组参与电力市场的竞价策略研究较多，并提出了考虑风电机组和固定式储能装置的协同竞价方法。电动汽车具有通勤和储能功能，这使得电动汽车作为一种储能设备具有一定的成本优势。利用电动汽车的储能功能为电力系统提供备用容量是一种很有前途的商业运营服务模式，即电动汽车入网(v2g)模式。然而，鲜有考虑电动汽车和风电机组的联合竞价研究。
5.由于可再生能源发电的间歇性和随机性，具有高渗透率可再生能源的虚拟电厂将在电力市场面临高交易风险。国内外研究表明，利用需求响应资源作为供电侧的替代资源是缓解电力市场中虚拟电厂交易风险的重要手段。近年来，需求响应市场也被认为是未来电力市场的重要组成部分，并引起了广泛关注。鉴于需求响应交易能够稳定可再生电源出力的不确定性，降低交易风险，提高经济效益。国内外已有研究将需求响应作为虚拟电厂供电侧的替代资源，建立了虚拟电厂双层随机调度优化模型。申请公布号为cn 112465248a的专利文献公开了一种考虑碳交易的虚拟电厂优化运行及收益分配方法及系统。该方法包括：以虚拟电厂在碳市场收益和电力市场收益之和最大为目标建立虚拟电厂优化模型；求解虚拟电厂优化模型，得到日前市场的竞标量；根据日前市场的竞标量，采用沙普利值计算方法确定虚拟电厂成员的收益分配；其中虚拟电厂成员包括燃气轮机组、储能装置、风电机组和光伏机组。该发明的方法及系统，能够为多元需求响应资源参与电量市场和碳市场的行为决策提供理论指导。
6.此外，虚拟电厂还可以参与碳交易市场的竞价。目前，国内外对虚拟电厂参与碳交易市场的竞价策略进行了研究，提出了考虑碳交易机制的虚拟电厂经济调度模型，旨在最大化虚拟电厂的收入。
7.通过上述分析可知，虚拟电厂的出力、负荷和市场价格是不确定的，这三个方面的不确定性是不可避免的。在研究虚拟电厂参与电力市场竞价策略时，有必要考虑可调度电动车辆数量和风电机组输出的不确定性。鲁棒优化作为一种处理不确定因素的方法，近年来在自然科学、工程技术、经济管理等领域引起了广泛关注，其应用领域也越来越广泛。目前，虚拟电厂的竞价策略大多基于电力市场的电力交易分析模型，没有将碳排放权引入电力市场一同考虑。随着分布式电源渗透率的增加和负荷可控能力的提高，充分挖掘虚拟电厂的可控资源，构建虚拟电厂参与电力市场和碳交易市场的协同竞价策略模型，对于提高虚拟电厂的运行经济性具有重要意义。此外，需求响应资源在虚拟电厂中的应用研究主要集中在虚拟电厂的经济运行和优化调度方面，缺乏考虑需求响应市场对虚拟电厂竞价策略影响的研究。


技术实现要素：

8.本发明的目的在于克服上述技术的不足，而提供一种虚拟电厂参与电力市场和碳交易市场的协同竞价方法，能够同时参与日前电力市场、日内需求响应市场、调节市场、实时电力市场和碳交易市场，有效提升虚拟电厂利润，降低可再生能源发电、负荷、电价不确定性造成的风险，满足不同风险偏好的虚拟电厂协同竞价策略。
9.本发明为实现上述目的，采用以下技术方案：一种虚拟电厂参与电力市场和碳交易市场的协同竞价方法，其特征是：包括四个步骤，
10.1、虚拟电厂运营机理与结构分析：以含有运行结构为发电单元、储能单元和需求响应单元的虚拟电厂为对象，提出了虚拟电厂参与日前电力市场、日内需求响应市场、调节市场、实时电力市场和碳交易市场时的鲁棒优化竞价策略；通过分析虚拟电厂商业模式、参与电力市场竞价规划、电力市场和碳交易市场一体化特征，明确虚拟电厂参与电力市场和碳交易市场协同竞价的多元收入和成本构成；
11.2、虚拟电厂在日前市场和调节市场的竞价策略：通过建立风电机组、电动汽车和燃气机组收益成本模型，明确虚拟电厂参与日前电力市场和调节市场的竞价策略；建立虚拟电厂不确定性的量化模型，通过需求响应市场降低可再生能源发电的不确定性造成的虚拟电厂竞价风险；
12.3、虚拟电厂竞价模型：引入碳交易机制，以虚拟电厂利润最大化为目标，优化虚拟电厂参与电力市场和碳交易市场协同竞价策略；
13.4、虚拟电厂鲁棒优化竞价模型：考虑虚拟电厂竞价的不同风险偏好，建立虚拟电厂参与电力市场和碳交易市场协同竞价策略的鲁棒优化模型，进一步提升不同风险偏好的虚拟电厂参与电力市场和碳交易市场协同竞价利润。
14.进一步的，所述虚拟电厂运营机理与结构分析的具体步骤如下：
15.(1)虚拟电厂的配电市场商业模式
16.虚拟电厂的配电市场商业模式包括四个阶段，
17.①
根据分布式可再生能源的预测信息，虚拟电厂根据输出范围和运行成本对其内部资源进行聚合，得到聚合灵活性资源的输出曲线和成本特征；
18.②
虚拟电厂向配电网运营商提交多种电力商品的竞价价格和数量；
19.③
配电网运营商收集各个运营商的竞价信息，考虑各类机组的竞价出力和成本特
征，根据各种电力商品需求和系统安全运行约束，提出市场出清策略并确定虚拟电厂的中标价格和中标数量；
20.④
虚拟电厂根据市场出清结果优化内部资源调度计划，并遵循配电网运营商发布的调度指令，虚拟电厂根据配电网运营商发布的调度计划曲线和多种电力商品价格，设计其内部灵活性资源的调度计划，并跟踪配电网运营商发布的调度指令，
21.(2)虚拟电厂参与电力市场的竞价规则
22.虚拟电厂竞价规则为：基于含高渗透可再生能源的虚拟电厂参与日前市场、日内需求响应市场、调节市场和实时市场为基础，
23.虚拟电厂需要提前12～36小时预测其实际发电量，并在日前市场关闭前向配电网运营商提交未来24小时的竞价信息，即发电价格
‑
发电容量曲线；将虚拟电厂竞价价格设置为0，只根据预测的市场结算价格优化其竞价电量；调节市场在实时市场开放前一小时关闭，在此期间，虚拟电厂向配电网运营商提交调节备用和旋转备用的竞价，当天电力市场交易结束后，将根据实时电价结算虚拟电厂的实际发电量偏差，采用竞价发电功率来研究虚拟电厂的竞价策略，虚拟电厂发电的每小时发电功率和每小时发电量具有相同的数据，即，每小时发电量＝每小时发电功率
×
1小时；
24.(3)虚拟电厂参与的电力市场和碳交易市场一体化特征
25.虚拟电厂的运行结构中：发电单元主要由风电机组和燃气机组组成，储能单元为电动汽车，需求响应单元为本地负荷和外部需求响应提供商，各个单元通过数据层将日常运行数据传输到虚拟电厂的控制中心，控制中心根据当前利润和碳排放目标对发电单元设备出力、储能单元和需求响应单元的响应容量统一制定策略并进行调度，虚拟电厂聚合区域内的发电单元、储能单元和需求响应单元是构建电力市场和碳交易市场一体化的基础，虚拟电厂中的各个单元参与市场交易的过程，也是用电权和碳排放权同时转移的过程；
26.2)虚拟电厂在日前市场和调节市场的竞价策略
27.(1)风电机组的收入函数
28.在日前市场中标后，风电机组在实时市场被调度发电时，在t时段间，日前市场风电机组竞标收入r
wt,da
，如方程(1)所示
[0029][0030]
式中，i是配电网节点编号；b是配电网节点集合；λ
da,e,t
是日前电价；是接入节点i的风电机组集合；p
i,wt,t
是时刻t的风电机组日前竞标出力；δt表示时间间隔；
[0031]
(2)电动汽车为配电网提供备用容量
[0032]
第一，收入函数
[0033]
电动汽车参与调节市场竞价时，上调备用、下调备用和旋转备用的竞价容量分别表示为和
[0034]
当电动汽车提供备用容量时通过历史调度数据对备用容量的调度比率进行统计分析，电动汽车上调备用容量、下调备用容量和旋转备用容量的预期调度比率分别表示为和如方程(6
‑
8)所示
[0035][0036][0037]
式中，和分别为在时间t接入节点i的电动汽车的上调备用容量、下调备用容量和旋转备用容量在实时市场的实际调度输出；和分别为在时间t接入节点i的第ev辆电动汽车的上调备用容量、下调备用容量和旋转备用容量；e(
·
)表示期望值；
[0038]
电动汽车和配电网之间的交换功率p
ev,t
，如方程(9)所示
[0039][0040][0041]
式中，为满足电动汽车行驶需求的充电功率；和分别为电动汽车的总充放电功率；
[0042]
虚拟电厂按电价λ
ev,sub
向可调度电动汽车收取充电费用，t时段内电动汽车在调节市场的总收入r
ev,rg
，
[0043]
如方程(11)所示，
[0044][0045]
式中，为满足时刻t接入节点i的第ev量电动汽车行驶需求的充电功率；λ
rd,t
，λ
ru,t
，λ
rr,t
分别为调节市场的下调备用、上调备用、旋转备用的容量价格；
[0046]
第二，成本函数
[0047]
电动汽车参与调节市场竞价的成本包括两部分，如方程(12)所示，
[0048]
c
ev
＝c
ev,pur
c
ev,los
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0049]
首先，虚拟电厂为电动汽车充电的购电成本c
ev,pur
，如方程(13)所示
[0050][0051]
式中，λ
rt,e,t
为实时电价。
[0052]
其次，虚拟电厂的可调度电动汽车采用相同类型的电池，电动汽车电池的损耗成本如方程(14)所示。
[0053][0054]
式中，p
ev,bat
是电动汽车电池的额定容量；c
bat
是电动汽车电池的购买成本系数，元/kwh。η
dc
是电动汽车电池的放电效率；
[0055]
(3)燃气机组
[0056]
第一，收入函数
[0057]
日前市场中标后的燃气机组在实时市场将被调度发电，在t时段内，燃气机组在日前市场的竞价收入r
gt,da
，如方程(16)所示
[0058][0059]
式中，是接入节点i的燃气机组集合；p
i,gt,t
是各个时段t的燃气机组日前竞标出力；
[0060]
燃气机组参与调节市场竞价时，上调备用、下调备用和旋转备用的竞标出力分别用和表示，和分别是燃气机组上调备用实际调度值、下调备用实际调度值和旋转备用实际调度值，
[0061]
燃气机组在调节市场中标后，燃气机组在调节市场获得的总收入r
gt,rg
，如方程(17)所示
[0062][0063]
第二，成本函数
[0064]
虚拟电厂为燃气机组从燃气市场购买天然气的费用c
gt,pur
，如方程(18)所示。
[0065][0066]
式中，λ
gas
是天然气价格；η
i,gt,t
是燃气机组发电效率；lhv是天然气低位热值，kwh/m3；
[0067]
3)虚拟电厂竞价模型
[0068]
(1)不确定因素建模
[0069]
不确定性因素包括风电机组出力、本地用户负荷需求和市场价格，其中市场价格包括日前市场电价、调节市场价格、日内需求响应市场价格和实时市场电价，
[0070]
②
风机出力
[0071]
在日前市场中，使用区间约束法设定风电机组的出力上下限，时刻t时的风电机组竞价输出p
wt,t
的上下限分别由不确定参数p
up,wt,t
和p
low,wt,t
表示；在任意时刻t，风电机组竞价输出的上下限约束中只有一个不确定参数，分别为p
up,wt,t
和p
low,wt,t
；风电机组输出的上下限遵循正态分布，如方程(19
‑
21)所示
[0072][0073][0074]
σ
wind
＝{σ
up,wt,t
,σ
low,wt,t
}μ
wind
＝{μ
up,wt,t
,μ
low,wt,t
}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0075]
式中，μ
up,wt,t
，σ
up,wt,t
是p
up,wt,t
的期望值和标准差；μ
low,wt,t
，σ
low,wt,t
是p
low,wt,t
的期望值和标准差；
[0076]
机会约束可用于将风电机组竞价输出约束转换为不等式约束，如方程(22
‑
23)所示
[0077]
pr{p
wt,t
≤p
up,wt,t
}≥ε
up,wt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0078]
pr{p
wt,t
≥p
low,wt,t
}≥ε
low,wt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0079]
式中，ε
up,wt
和ε
low,wt
满足机会约束的概率；
[0080]
②
本地用户负荷需求
[0081]
虚拟电厂需要满足本地用户的负荷需求，通过历史负荷数据进行预测，如方程(24)所示
[0082][0083]
式中，是基于历史负荷数据，通过差分自回归移动平均模型预测本地用户负荷；分别为预测误差上下限，遵循正态分布；
[0084]
③
市场交易价格
[0085]
根据历史数据预测每小时的日前电价、需求响应市场价格、备用容量价格、实时电价均在区间内变化，其中，表示价格的预测值；表示价格波动区间半径；
[0086]
(2)目标函数
[0087]
虚拟电厂竞价策略的目标是使虚拟电厂利润i最大化，如方程(25)所示
[0088]
maxi＝r
rev
‑
c
wt,pl
‑
c
ev
‑
c
gt,pur
‑
c
dr
ꢀꢀꢀꢀꢀꢀꢀ
(25)
[0089]
r
rev
＝r
wt,da
r
gt,da
r
ev,rg
r
gt,rg
r
lu
r
ct
ꢀꢀꢀꢀꢀ
(26)
[0090]
式中，r
rev
是虚拟电厂获得的收入，包括：方程(1)和方程(16)的日前市场中的风电机组和燃气机组收入，方程(11)和方程(17)的调节市场中的电动汽车和燃气机组的收入，方程(27)的向本地用户售电的收入，以及方程(28)的碳交易市场中的碳排放权收入；c
wt,pl
是方程(2)的风电机组实际输出和竞价输出之间的偏差而造成的经济处罚，c
ev
是方程(12)的电动汽车成本，c
gt,pur
是方程(18)的燃气机组的购买天然气成本，c
dr
是方程(30)的日内需求响应市场中负荷削减量的购买成本；
[0091]
(3)约束条件
[0092]
第一，风电机组运行约束
[0093]
风电机组的竞价输出和实际输出应在其最小和最大输出功率之间，如方程(39
‑
40)所示
[0094][0095][0096]
式中，和分别为风电机组的最小和最大输出功率；
[0097]
第二，电动汽车运行约束
[0098]
电动汽车的状态包括充电、放电和待机，需要满足方程(41)的约束条件
[0099][0100]
式中，u
dc,t
是电动汽车放电状态。u
c,t
是电动汽车充电状态
[0101]
时刻t的电动汽车soc，如方程(42)所示，电动汽车soc需要满足容量上下限约束，如方程(43)所示
[0102][0103][0104]
式中：soc
i,ev,t
为接入节点i的第ev辆电动汽车在时段t的soc值，soc
i,ev,0
为电动汽车初始soc，分别是电动汽车soc的上下限，p
i,ev,bat
为接入节点i的第ev辆电动汽车电池的额定容量；
[0105]
电动汽车还需要满足最大充放电功率pev,max约束，如方程(44
‑
45)所示
[0106][0107][0108]
第三，燃气机组运行约束
[0109]
燃气机组竞标出力应满足其输出功率上下限和最大爬坡率约束，如方程(46
‑
49)所示
[0110][0111][0112][0113][0114]
式中，是燃气机组最大输出功率；是燃气机组下调备用的竞标容量；和分别是燃气机组最大向上/向下爬坡率；
[0115]
第四，线路约束
[0116][0117][0118]
式中，是t时刻节点i的注入功率；p
ij,max
、p
ij,min
分别是线路ij的功率上下限；h
ij
是线路ij功率分布变化系数；
[0119]
4)虚拟电厂鲁棒优化竞价模型
[0120]
首先将虚拟电厂竞价模型转化为线性规划问题，然后转化为鲁棒线性规划模型；通过引入决策变量修改约束方程(3、4、9)，形成新的约束方程(52
‑
55)
[0121][0122][0123][0124][0125]
将方程(42)转换为线性函数方程(56)，用于计算电动汽车soc，
[0126][0127][0128]
根据鲁棒优化原理，将线性规划模型转化为虚拟电厂鲁棒优化竞价模型，详述如下
[0129]
max i
rom
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(58)
[0130][0131][0132][0133][0134][0135][0136][0137][0138]
[0139][0140][0141][0142][0143][0144]
‑
y≤p≤y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(73)
[0145][0146][0147][0148][0149][0150][0151][0152]
式中，p是决策变量向量；y是对偶变换引入的辅助决策变量向量；z
ε
是标准正态分布的上侧分位点；μ
a,w,t
和σ
a,w,t
分别是的期望值和标准差，服从正态分布，
[0153]
在虚拟电厂竞价鲁棒优化竞价模型中，电动汽车的充放电功率约束满足方程(54)和方程(55)，电动汽车soc约束满足方程(56)；方程(77)和方程(78)是风电机组竞标出力的上下限约束，方程(79)和方程(80)是风电机组竞标出力的正负偏差约束；其它约束条件，如等方程(43～51)所示。
[0154]
进一步的，所述虚拟电厂的配电市场商业模式中风电机组的成本函数
[0155]
当竞价出力与风电机组实际出力存在偏差时将受到经济处罚，如方程(2)所示，当时，风电机组优先为电动汽车充电，剩余电量在实时市场上出售，当时，通过控制电动汽车放电和从需求响应交易市场购买负荷削减量，降低风电机组竞价出力与实际出力的偏差，稳定风电机组出力波动，
[0156][0157][0158]
[0159][0160]
式中，和分别为实际出力大于/小于风电机组竞价出力的偏差；u
ec,t
、u
bl,t
分别为风机输出正偏差/负偏差的状态变量；和分别是为降低风电机组输出偏差的电动汽车充放电功率；ω
wt,ec
是风机输出正偏差的惩罚系数，ω
wt,ec
<1；ω
wt,bl
是风机输出负偏差的惩罚系数，ω
wt,bl
>1是风机的实际输出；是接入节点i的电动汽车集合；γ
dr
是需求响应供应商的集合；p
dr,t
是从第dr个需求响应供应商购买的负荷削减量。
[0161]
进一步的，所述虚拟电厂的配电市场商业模式中电动汽车无法按计划调度时，需要增加其它电动汽车的充放电功率，以弥补容量损失。对于某一辆电动汽车，当其它电动汽车在时刻t无法按计划调度时，其充放电功率调整系数如方程(15)所示。
[0162][0163]
式中，为调整系数，当电动汽车总量达到10000辆或以上时，可将其视为常数；是在t时刻接入节点i的第ev辆电动汽车无法按计划被调度的概率。
[0164]
进一步的，所述虚拟电厂竞价模型的目标函数具体收入
[0165]
①
向本地用户售电的收入
[0166]
本地用户用电量与电价之间的关系：t时段内，向当地本地用户售电的收入是用电量和电价的乘积，如方程(27)所示
[0167][0168]
式中，u
lu,t
是本地用户电价占实时电价的比例，0≤u
i,lu,t
≤1；是接入节点i的本地用户的集合；为t时刻第lu个用户的用电功率；
[0169]
②
碳交易市场的收入
[0170]
虚拟电厂在碳交易市场出售碳排放权的收入，如方程(28)所示
[0171][0172][0173]
式中，λ
c,t
是t时刻碳排放权的价格系数，元/mw；p
i,c,t
是t时刻接入节点i的风电机组和燃气机组在碳交易市场的竞标出力；
[0174]
③
需求响应市场的负荷削减量购买成本
[0175]
在需求响应市场中，虚拟电厂通过需求响应供应商采用双边协商和集中竞价的模式购买负荷削减量，其购买成本如方程(30)所示
[0176][0177]
式中，γ
dr
是需求响应供应商的集合；c
dr,cen
是通过集中竞价交易购买负荷削减量
的成本；c
dr,bi
是通过双边协商交易购买负荷削减量的成本；
[0178]
集中竞价方式负荷削减量的购买成本，如方程(31)所示
[0179][0180]
λ
cen,dr,t
＝θ
cen,dr
λ
rt,e,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0181][0182][0183]
式中，γ
dr
是需求响应供应商的集合；λ
cen,dr,t
是t时刻第dr个需求响应供应商的竞标价格；p
cen,dr,t
是需求响应竞标价格对应的需求响应竞标量；θ
cen,dr
为调节系数，可由配电网运营商进行调整；q
dr,cen,t
是t时刻通过集中竞价模式提供的总需求响应量；是第dr个需求响应供应商竞标量的最大值；
[0184]
通过双边协商模式购买负荷削减量的成本，如方程(35)所示
[0185][0186][0187]
式中，λbi,dr,t为需求响应双边协商价格，可由供需双方事先商定并确定；pbi,dr,t是需求响应双边协商价格对应的需求响应购买量；qdr,bi,t是t时刻通过双边协商模式提供的总需求响应量，
[0188]
虚拟电厂购买的总负荷削减量应满足需求响应供应商能提供的需求响应能力drcap约束，如方程(37)所示
[0189][0190][0191]
式中，dr
cap
为需求响应供应商能提供的需求响应能力；p
dr,t
是从第dr个需求响应供应商购买的负荷削减量。
[0192]
进一步的，所述虚拟电厂鲁棒优化竞价模型中，当电动汽车充电时，方程(56)与方程(42)相同，当电动汽车放电时，由方程(56)计算的电动汽车放电量小于实际放电量，用δerr
i,ev,t
表示放电量的偏差，当电动汽车的充放电效率η
c
＝η
dc
＝0.95时，δerr
i,ev,t
仅占实际放电量的9.75％，当η
c
＝η
dc
＝1.0时，，δerr
i,ev,t
＝0，用方程(56)替代方程(42)。
[0193]
进一步的，所述虚拟电厂鲁棒优化竞价模型中，为了使约束违反概率不超过κ，鲁棒控制系数γ1需要满足约束方程(81)
[0194][0195]
式中，φ
‑1为标准正态分布的累积分布函数的逆函数；n
np
为约束方程(59)中所含
不确定参数的个数。
[0196]
进一步的，所述虚拟电厂参与电力市场和碳交易市场的协同竞价策略将在cpu为inter(r)core(tm)i7
‑
8250u，主频为1.8ghz的环境下，基于matlab r2018b平台采用ampl/cplex构建虚拟电厂参与电力市场和碳交易市场协同竞价的鲁棒优化模型，并进行求解。
[0197]
有益效果：本发明能够为虚拟电厂参与电力市场和碳交易市场协同竞价提供技术支撑，解决了虚拟电厂协同竞价需要面对的成本收益结构和风险偏好不明确的问题，满足风险
‑
收益权衡原则，适用于多风险偏好虚拟电厂参与电力市场和碳交易市场协同竞价场景，具有广泛的实用性；能够充分虚拟电厂商业模式、参与电力市场竞价规划、电力市场和碳交易市场一体化特征，提出虚拟电厂参与电力市场和碳交易市场协同竞价的多元收入和成本构成，为虚拟电厂竞价策略指明方向；通过电动汽车储能和需求响应市场缓解可再生能源发电引起的竞价风险，明确虚拟电厂参与日前电力市场、日内需求响应市场和调节市场的竞价策略；引入碳交易机制，考虑虚拟电厂竞价的不同风险偏好，以虚拟电厂利润最大化为目标，搭建虚拟电厂参与电力市场和碳交易市场协同竞价策略的鲁棒优化模型，最终得到的虚拟电厂参与电力市场和碳交易市场协同竞价策略普适性高，经济社会效益好，鲁棒性强，能够较好地平衡风险与利润，降低可再生能源发电、负荷和电价不确定性带来的投资风险，促进可再生能源消纳，减少发电二氧化碳排放量，推动能源结构低碳化转型，助力碳达峰早日实现，更具学术意义和工程价值。
附图说明
[0198]
图1虚拟电厂参与电力市场和碳交易市场协同竞价的逻辑架构；
[0199]
图2a含虚拟电厂的配电市场商业模式架构；
[0200]
图2b是虚拟电厂内部运营模式；
[0201]
图3是含虚拟电厂的配电市场结构及交易时间范围；
[0202]
图4是虚拟电厂参与的电力市场和碳交易市场一体化运行特征；
[0203]
图5是风电出力约束和实际出力期望值；
[0204]
图6a是电力市场价格预测曲线；
[0205]
图6b是电力市场调度比例期望值曲线；
[0206]
图7a是本地用户负荷预测曲线；
[0207]
图7b是本地用户用电价格
‑
用电功率的阶梯曲线；
[0208]
图8a是需求响应供应商双边协商价格图；
[0209]
图8b是集中竞价模式的需求响应供应商的竞标价格
‑
竞标量图；
[0210]
图9是风机竞标出力变化曲线；
[0211]
图10a是平抑风机功率输出波动的电动汽车充放电功率曲线图；
[0212]
图10b是电动汽车在调节市场的旋转备用竞标容量曲线图；
[0213]
图10c是电动汽车在调节市场的上调备用竞标容量曲线图；
[0214]
图10d是电动汽车在调节市场的下调备用竞标容量曲线图；
[0215]
图11a是σ
wind
＝0.1μ
wind
风电机组出力标准差和需求响应容量drcap对风电机组日前市场竞标电量的影响曲线图；
[0216]
图11b是σ
wind
＝0.2μ
wind
风电机组出力标准差和需求响应容量drcap对风电机组日
前市场竞标电量的影响曲线图；
[0217]
图12a是风电机组出力标准差和需求响应容量drcap对风电机组竞标发电量的影响曲线图；
[0218]
图12b是风电机组出力标准差和需求响应容量drcap对虚拟电厂利润的影响曲线图；
[0219]
图13是不同风电机组出力标准差条件下，drcap对本地用户用电收入的影响曲线图；
[0220]
图14a是无碳交易约束时，燃气机组竞价出力情况图(日前市场的竞标输出功率)；
[0221]
图14b是无碳交易约束时，燃气机组竞价出力情况图(调节市场的竞标输出功率)；
[0222]
图15a是有碳交易约束时，燃气机组竞价出力情况(日前市场的竞标输出功率时)；
[0223]
图15b是有碳交易约束时，燃气机组竞价出力情况(调节市场的竞标输出功率时)
具体实施方式
[0224]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施方式及实施方式中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。
[0225]
实施例和附图对本发明的虚拟电厂参与电力市场和碳交易市场的协同竞价策略做出详细说明。
[0226]
目前，虚拟电厂的出力、负荷和市场价格具有不确定性，且这三个方面的不确定性是不可避免的。在研究虚拟电厂参与电力市场竞价策略时，有必要考虑可调度电动车辆数量和风电机组输出的不确定性。而且，虚拟电厂的竞价策略大多基于电力市场的电力交易分析模型，没有将碳排放权引入电力市场一同考虑。随着分布式电源渗透率的增加和负荷可控能力的提高，充分挖掘虚拟电厂的可控资源，构建虚拟电厂参与电力市场和碳交易市场的协同竞价策略模型，对于提高虚拟电厂的运行经济性具有重要意义。此外，需求响应资源在虚拟电厂中的应用研究主要集中在虚拟电厂的经济运行和优化调度方面，缺乏考虑需求响应市场对虚拟电厂竞价策略影响的研究。为此，本发明以含有风电机组、电动汽车、燃气机组和需求响应负荷的虚拟电厂为研究对象，通过分析电力市场和碳交易市场一体化特征，进一步考虑可再生能源发电、负荷和市场价格的不确定性，构建了虚拟电厂参与日前市场、日内需求响应交易市场、调节市场、实时市场和碳交易市场时的竞价策略鲁棒优化模型。使得虚拟电厂参与电力市场和碳交易市场的协同竞价策略更加实用，降低了可再生能源发电的出力波动，促进了可再生能源的利用，显著降低了高碳排发电机组的竞价出力，提高了虚拟电厂的经济社会效益。
[0227]
本发明的虚拟电厂参与电力市场和碳交易市场的协同竞价策略分为四个步骤，如附图1所示。包括：1)虚拟电厂运营机理与结构分析、2)虚拟电厂在日前市场和调节市场的
竞价策略、3)虚拟电厂竞价模型、4)虚拟电厂鲁棒优化竞价模型四个步骤，详述如下。
[0228]
1)虚拟电厂运营机理与结构分析
[0229]
(1)考虑虚拟电厂的配电市场商业模式
[0230]
考虑虚拟电厂的配电市场商业模式结构如图2所示。商业模式包括三类主体和两个交互层。三类主体包括配电网运营商、虚拟电厂和灵活性资源设备管理商。三类主体可分为两个交互层。第一个交互层是虚拟电厂与灵活性资源设备管理商之间的信息交互和管理控制层。第二个交互层是配电网运营商与虚拟电厂之间的市场竞价和交易层。
[0231]
考虑虚拟电厂的配电市场商业模式可分为以下四个阶段。第一，根据分布式可再生能源的预测信息，虚拟电厂根据输出范围和运行成本对其内部资源进行聚合，得到聚合灵活性资源的输出曲线和成本特征。第二，虚拟电厂向配电网运营商提交多种电力商品的竞价价格和数量。第三，配电网运营商收集各个运营商的竞价信息，考虑各类机组的竞价出力和成本特征，根据各种电力商品需求和系统安全运行约束，提出市场出清策略并确定虚拟电厂的中标价格和中标数量。第四，虚拟电厂根据市场出清结果优化内部资源调度计划，并遵循配电网运营商发布的调度指令。
[0232]
此外，虚拟电厂的内部运营模式在整个配电市场中占有重要地位。虚拟电厂具有多种灵活性资源，能够为电网提供多种辅助服务。虚拟电厂应根据内部各种需求侧和电源侧灵活性资源的特点，考虑其之间的耦合关系进行聚合，并制定竞价方案从而在电力市场中获利。市场出清后，虚拟电厂将根据配电网运营商发布的调度计划曲线和多种电力商品价格，设计其内部灵活性资源的调度计划，并跟踪配电网运营商发布的调度指令。
[0233]
(2)虚拟电厂参与电力市场的竞价规则
[0234]
考虑到虚拟电厂普遍含有大量的分布式可再生能源，本发明的研究工作是在基于含高渗透可再生能源的虚拟电厂参与日前市场、日内需求响应市场、调节市场和实时市场的基础上开展的，含虚拟电厂的配电市场组成架构如图3所示。虚拟电厂竞价规则详述如下。
[0235]
虚拟电厂需要提前12～36小时预测其实际发电量，并在日前市场关闭前向配电网运营商提交未来24小时的竞价信息，即发电价格
‑
发电容量曲线。由于可再生能源发电出力的不确定性，虚拟电厂难以控制日前市场中竞价输出与实际输出之间的偏差。假设虚拟电厂的竞价策略基本上不影响市场价格，即虚拟电厂是价格接受者。为了保证竞价电量能够中标，虚拟电厂可以将竞价价格设置为0，只根据预测的市场结算价格优化其竞价电量。
[0236]
随着时间的推移，相关预测将逐渐变得更加准确，虚拟电厂可以更新其预测发电量。根据更新后的发电量预测值，虚拟电厂可以重新安排其调度计划，并参与日内需求响应市场，以确保其不会因实际输出与竞价输出之间的偏差而受到罚款。即，通过从日内需求响应市场购买负荷削减量，稳定可再生能源发电的输出波动。日内需求响应市场在实时市场前一小时关闭。虽然，此时的输出功率预测比日前市场预测更准确，但预测误差仍然不可避免。因此，虚拟电厂还可以利用自身的储能装置来稳定可再生能源发电的出力波动。
[0237]
调节市场在实时市场开放前一小时关闭。在此期间，虚拟电厂可向配电网运营商提交调节备用和旋转备用的竞价。为保证竞价备用容量能够中标，虚拟电厂可以将相关竞价设定为0。当天电力市场交易结束后，将根据实时电价结算虚拟电厂的实际发电量偏差。
[0238]
考虑到日前电力市场和调节市场中虚拟电厂竞价均为1小时竞价模式，所以虚拟
电厂发电的每小时发电功率和每小时发电量具有相同的数据。即，每小时发电量＝每小时发电功率
×
1小时。因此，本发明采用竞价发电功率来研究虚拟电厂的竞价策略。
[0239]
(3)虚拟电厂参与的电力市场和碳交易市场一体化特征
[0240]
本发明中虚拟电厂的运行结构，如图4所示。发电单元主要由风电机组和燃气机组组成，储能单元为电动汽车，需求响应单元为本地负荷和外部需求响应提供商。近年来，电动汽车发展迅速。尽管电动汽车主要负责交通运输，但电动汽车仍具有储能功能。电动汽车可以作为一种储能装置，稳定可再生能源发电的输出波动，参与调节市场竞价。各个单元通过数据层将日常运行数据传输到虚拟电厂的控制中心，然后控制中心根据当前利润和碳排放目标对发电单元设备出力、储能单元和需求响应单元的响应容量统一制定策略并进行调度。因此，虚拟电厂聚合区域内的发电单元、储能单元和需求响应单元是构建电力市场和碳交易市场一体化的基础。
[0241]
在碳交易市场上，碳排放权作为商品参与市场交易。如何计量碳排放权是关键环节，避免碳排放权的重复使用是实施难点。电力市场和碳交易市场一体化不仅是电能的流通和交易中心，也是碳排放权的汇集和交易中心。为了有效计量碳排放权，用户在电力交易过程中同时交易其碳排放权，并获得相应的收入。
[0242]
虚拟电厂参与电力市场和碳交易市场一体化交易，如图4所示。虚拟电厂中的各个单元参与市场交易的过程，也是用电权和碳排放权同时转移的过程，具有以下交易特征。第一，虚拟电厂在调度燃气机组发电的同时需要为燃气机组购买相应的碳排放权。第二，风电机组发电不会产生碳排放，虚拟电厂可以获得相应的碳排放权。虚拟电厂可以将碳排放权分配给燃气机组，或者在碳交易市场上出售以获取收入。第三，储能单元的碳排放权可以与电能同时交易。
[0243]
2)虚拟电厂在日前市场和调节市场的竞价策略
[0244]
为了实现利润最大化，虚拟电厂聚合风电机组、电动汽车和燃气机组参与日前市场和调节市场的竞价，相应的竞价策略详述如下。
[0245]
(1)风电机组
[0246]
第一，收入函数
[0247]
在日前市场中标后，风电机组在实时市场将被调度发电。在t时段间，日前市场风电机组竞标收入r
wt,da
，如方程(1)所示。
[0248][0249]
式中，i是配电网节点编号；b是配电网节点集合；λ
da,e,t
是日前电价；是接入节点i的风电机组集合；p
i,wt,t
是时刻t的风电机组日前竞标出力；δt表示时间间隔。
[0250]
第二，成本函数
[0251]
当竞价出力p
wt,t
与风电机组实际出力存在偏差时将受到经济处罚，如方程(2)所示。随着可调度电动汽车数量的增加，电动汽车可作为虚拟电厂的储能装置。当时，风电机组可优先为电动汽车充电，剩余电量在实时市场上出售。当时，通过控制电动汽车放电和从需求响应交易市场购买负荷削减量，可以有效降低风电机组竞价出力与实际出力的偏差，稳定风电机组出力波动。
[0252][0253][0254][0255][0256]
式中，和分别为实际出力大于/小于风电机组竞价出力的偏差；u
ec,t
、u
bl,t
分别为风机输出正偏差/负偏差的状态变量；和分别是为降低风电机组输出偏差的电动汽车充放电功率；ω
wt,ec
是风机输出正偏差的惩罚系数，ω
wt,ec
<1；ω
wt,bl
是风机输出负偏差的惩罚系数，ω
wt,bl
>1；是风机的实际输出；是接入节点i的电动汽车集合；γ
dr
是需求响应供应商的集合；p
dr,t
是从第dr个需求响应供应商购买的负荷削减量。
[0257]
(2)电动汽车
[0258]
作为一种可控负荷和电源，电动汽车可以在满足电动汽车出行需求的基础上，通过调整自身充放电功率为配电网提供备用容量。
[0259]
第一，收入函数
[0260]
电动汽车参与调节市场竞价时，上调备用、下调备用和旋转备用的竞价容量分别表示为和
[0261]
当电动汽车提供备用容量时，它们无法提前预测将在实时市场中被实际调度的输出。因此，有必要通过历史调度数据对备用容量的调度比率进行统计分析。电动汽车上调备用容量、下调备用容量和旋转备用容量的预期调度比率分别表示为和如方程(6
‑
8)所示。
[0262][0263][0264][0265]
式中，和分别为在时间t接入节点i的电动汽车的上调备用容量、下调备用容量和旋转备用容量在实时市场的实际调度输出；和分别为在时间t接入节点i的第ev辆电动汽车的上调备用容量、下调备用容量和旋转备用容量；e(
·
)表示期望值。
[0266]
电动汽车和配电网之间的交换功率p
ev,t
，如方程(9)所示。
[0267][0268][0269]
式中，为满足电动汽车行驶需求的充电功率；和分别为电动汽车的总充放电功率。
[0270]
为了吸引用户在指定时间将电动汽车接入充电设施，并服从虚拟电厂的调度，需要给予用户充电费用折扣。即，虚拟电厂按电价λ
ev,sub
向可调度电动汽车收取充电费用。在调节市场中标后，t时段内电动汽车在调节市场的总收入r
ev,rg
，如方程(11)所示。
[0271][0272]
式中，为满足时刻t接入节点i的第ev量电动汽车行驶需求的充电功率；λ
rd,t
，λ
ru,t
，λ
rr,t
分别为调节市场的下调备用、上调备用、旋转备用的容量价格。
[0273]
第二，成本函数
[0274]
电动汽车参与调节市场竞价的成本包括两部分，如方程(12)所示。
[0275]
c
ev
＝c
ev,pur
c
ev,los
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0276]
首先，虚拟发厂为电动汽车充电的购电成本c
ev,pur
，如方程(13)所示。
[0277][0278]
式中，λ
rt,e,t
为实时电价。
[0279]
其次，根据相关实验数据，电动汽车的电池损耗成本和电池购买成本之间有如下关系：电动汽车电池购买成本为3万元的电池损耗成本是0.252元/kwh。本发明中虚拟电厂的可调度电动汽车采用相同类型的电池，电动汽车电池的损耗成本如方程(14)所示。
[0280][0281]
式中，p
ev,bat
是电动汽车电池的额定容量；c
bat
是电动汽车电池的购买成本系数，元/kwh。η
dc
是电动汽车电池的放电效率。
[0282]
尽管虚拟电厂可以在日前确定可调度电动汽车的数量，但某些原因会改变可调度电动汽车的数量。当电动汽车无法按计划调度时，需要增加其它电动汽车的充放电功率，以弥补容量损失。对于某一辆电动汽车，当其它电动汽车在时刻t无法按计划调度时，其充放电功率调整系数如方程(15)所示。
[0283][0284]
式中，为调整系数，当电动汽车总量达到10000辆或以上时，可将其视为常数；是在t时刻接入节点i的第ev辆电动汽车无法按计划被调度的概率。
[0285]
(3)燃气机组
[0286]
第一，收入函数
[0287]
在日前市场中标后，燃气机组在实时市场将被调度发电。在t时段内，燃气机组在日前市场的竞价收入r
gt,da
，如方程(16)所示。
[0288][0289]
式中，是接入节点i的燃气机组集合；p
i,gt,t
是各个时段t的燃气机组日前竞标出力。
[0290]
与电动汽车类似，燃气机组参与调节市场竞价时，上调备用、下调备用和旋转备用的竞标出力分别用和表示。和分别是燃气机组上调备用实际调度值、下调备用实际调度值和旋转备用实际调度值。
[0291]
燃气机组在调节市场中标后，燃气机组在调节市场获得的总收入r
gt,rg
，如方程(17)所示。
[0292][0293]
第二，成本函数
[0294]
虚拟电厂为燃气机组从燃气市场购买天然气的费用c
gt,pur
，如方程(18)所示。
[0295][0296]
式中，λ
gas
是天然气价格；η
i,gt,t
是燃气机组发电效率；lhv是天然气低位热值，kwh/m3。
[0297]
3)虚拟电厂竞价模型
[0298]
(1)不确定因素建模
[0299]
本发明主要考虑了风电机组出力、本地用户负荷需求和市场价格三种不确定性因素。市场价格包括日前市场电价、调节市场价格、日内需求响应市场价格和实时市场电价。
[0300]
第一，风机出力
[0301]
尽管国内外已经开发了多种风电机组出力预测软件，但由于数值天气预报(nwp)的误差等因素，短期风电机组出力的预测误差仍为10％～15％，难以实现准确预测。在日前市场中，可以使用区间约束法给出风电机组出力的上下限，以表示风电机组出力的不确定性。时刻t时的风电机组竞价输出p
wt,t
的上下限分别由不确定参数p
up,wt,t
和p
low,wt,t
表示。鲁棒优化方法适用于约束条件下参数不确定的优化问题。在任意时刻t，风电机组竞价输出的上下限约束中只有一个不确定参数，分别为p
up,wt,t
和p
low,wt,t
。风电机组输出的上下限遵循正态分布，如方程(19
‑
20)所示。
[0302][0303][0304]
σ
wind
＝{σ
up,wt,t
,σ
low,wt,t
}μ
wind
＝{μ
up,wt,t
,μ
low,wt,t
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0305]
式中，μ
up,wt,t
，σ
up,wt,t
是p
up,wt,t
的期望值和标准差；μ
low,wt,t
，σ
low,wt,t
是p
low,wt,t
的期望值和标准差。
[0306]
机会约束可用于将风电机组竞价输出约束转换为不等式约束，如方程(22
‑
23)所示。
[0307]
pr{p
wt,t
≤p
up,wt,t
}≥ε
up,wt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0308]
pr{p
wt,t
≥p
low,wt,t
}≥ε
low,wt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0309]
式中，ε
up,wt
和ε
low,wt
满足机会约束的概率。
[0310]
第二，本地用户负荷需求
[0311]
假设虚拟电厂需要满足本地用户的负荷需求，可通过历史负荷数据进行预测，如方程(24)所示。
[0312][0313]
式中，是基于历史负荷数据，通过差分自回归移动平均模型预测本地用户负荷；分别为预测误差上下限，遵循正态分布。
[0314]
第三，市场交易价格
[0315]
可根据历史数据预测每小时的日前电价、需求响应市场价格、备用容量价格、实时电价均在区间内变化。其中，表示价格的预测值；表示价格波动区间半径。
[0316]
(2)目标函数
[0317]
本发明中虚拟电厂竞价策略的目标是使虚拟电厂利润i最大化，如方程(25)所示。
[0318]
maxi＝r
rev
‑
c
wt,pl
‑
c
ev
‑
c
gt,pur
‑
c
dr
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0319]
r
rev
＝r
wt,da
r
gt,da
r
ev,rg
r
gt,rg
r
lu
r
ct
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0320]
式中，r
rev
是虚拟电厂获得的收入，包括：方程(1)和方程(16)的日前市场中的风电机组和燃气机组收入，方程(11)和方程(17)的调节市场中的电动汽车和燃气机组的收入，方程(27)的向本地用户售电的收入，以及方程(28)的碳交易市场中的碳排放权收入。c
wt,pl
是方程(2)的风电机组实际输出和竞价输出之间的偏差而造成的经济处罚。c
ev
是方程(12)的电动汽车成本。c
gt,pur
是方程(18)的燃气机组的购买天然气成本。c
dr
是方程(30)的日内需求响应市场中负荷削减量的购买成本。
[0321]
第一，向本地用户售电的收入
[0322]
由于本地用户的负荷需求对电价表现出弹性响应，本地用户用电量与电价之间的关系可以近似地用阶梯价格
‑
需求曲线来描述，如图7(b)所示。t时段内，向当地本地用户售电的收入是用电量和电价的乘积，如方程(27)所示。
[0323][0324]
式中，u
lu,t
是本地用户电价占实时电价的比例，0≤u
i,lu,t
≤1；是接入节点i的本地用户的集合；为t时刻第lu个用户的用电功率。
[0325]
第二，碳交易市场的收入
[0326]
碳交易机制的引入实现了碳排放权的量化，使碳排放权作为商品参与市场交易。碳交易成本的引入将改变燃气机组的运行成本。当燃气机组的碳排放过高时，有必要从碳交易市场购买碳排放权，这增加了燃气机组的运营成本。当过高的燃气机组运行成本影响虚拟电厂利润时，虚拟电厂将调整运行策略以限制燃气机组的竞标出力。因此，依靠市场机
制可以限制碳排放，改善能源消费结构。高碳排企业在碳交易市场上购买碳排放权需要付出高昂的成本，低碳排企业可以在碳交易市场上出售碳排放权获得一定的收益。引入碳交易机制可以促进发电企业向绿色低碳转型。虚拟电厂在碳交易市场出售碳排放权的收入，如方程(28)所示。
[0327][0328][0329]
式中，λ
c,t
是t时刻碳排放权的价格系数，元/mw；p
i,c,t
是t时刻接入节点i的风电机组和燃气机组在碳交易市场的竞标出力。
[0330]
第三，需求响应市场的负荷削减量购买成本
[0331]
在需求响应市场中，虚拟电厂可通过需求响应供应商采用双边协商和集中竞价的模式购买负荷削减量，其购买成本如方程(30)所示。
[0332][0333]
式中，γ
dr
是需求响应供应商的集合；c
dr,cen
是通过集中竞价交易购买负荷削减量的成本；c
dr,bi
是通过双边协商交易购买负荷削减量的成本。
[0334]
在集中竞价模式下，需求响应供应商的竞标价格
‑
竞标量曲线如图8(b)所示。集中竞价方式负荷削减量的购买成本，如方程(31)所示。
[0335][0336]
λ
cen,dr,t
＝θ
cen,dr
λ
rt,e,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0337][0338][0339]
式中，γ
dr
是需求响应供应商的集合；λ
cen,dr,t
是t时刻第dr个需求响应供应商的竞标价格；p
cen,dr,t
是需求响应竞标价格对应的需求响应竞标量；θ
cen,dr
为调节系数，可由配电网运营商进行调整；q
dr,cen,t
是t时刻通过集中竞价模式提供的总需求响应量；是第dr个需求响应供应商竞标量的最大值。
[0340]
通过双边协商模式购买负荷削减量的成本，如方程(35)所示。
[0341][0342][0343]
式中，λ
bi,dr,t
为需求响应双边协商价格，可由供需双方事先商定并确定；p
bi,dr,t
是需求响应双边协商价格对应的需求响应购买量；q
dr,bi,t
是t时刻通过双边协商模式提供的总需求响应量。
[0344]
虚拟电厂购买的总负荷削减量应满足需求响应供应商能提供的需求响应能力dr
cap
约束，如方程(37)所示。
[0345][0346][0347]
式中，dr
cap
为需求响应供应商能提供的需求响应能力；p
dr,t
是从第dr个需求响应供应商购买的负荷削减量。
[0348]
(3)约束条件
[0349]
第一，风电机组运行约束
[0350]
风电机组的竞价输出和实际输出应在其最小和最大输出功率之间，如方程(39
‑
40)所示。
[0351][0352][0353]
式中，和分别为风电机组的最小和最大输出功率。
[0354]
第二，电动汽车运行约束
[0355]
电动汽车的状态可分为充电、放电和待机三种，需要满足方程(41)的约束条件。
[0356][0357]
式中，u
dc,t
是电动汽车放电状态。u
c,t
是电动汽车充电状态。
[0358]
时刻t的电动汽车soc，如方程(42)所示。为了尽可能延长电动汽车的电池寿命，应避免电池完全放电。由于电动汽车电池老化等原因，会有一定的额定容量损失。因此，电动汽车soc需要满足容量上下限约束，如方程(43)所示。
[0359][0360][0361]
式中：soc
i,ev,t
为接入节点i的第ev辆电动汽车在时段t的soc值。soc
i,ev,0
为电动汽车初始soc。分别是电动汽车soc的上下限。p
i,ev,bat
为接入节点i的第ev辆电动汽车电池的额定容量。
[0362]
电动汽车还需要满足最大充放电功率p
ev,max
约束，如方程(44
‑
45)所示。
[0363][0364][0365]
第三，燃气机组运行约束
[0366]
燃气机组竞标出力应满足其输出功率上下限和最大爬坡率约束，如方程(46
‑
49)
所示。
[0367][0368][0369][0370][0371]
式中，是燃气机组最大输出功率；是燃气机组下调备用的竞标容量；和分别是燃气机组最大向上/向下爬坡率。
[0372]
第四，线路约束
[0373][0374][0375]
式中，是t时刻节点i的注入功率；p
ij,max
、p
ij,min
分别是线路ij的功率上下限；h
ij
是线路ij功率分布变化系数。
[0376]
4)虚拟电厂鲁棒优化竞价模型
[0377]
虚拟电厂竞价模型是一个混合整数规划模型。本节首先将其转化为线性规划问题，然后转化为鲁棒线性规划模型。为了将虚拟电厂的竞价模型转化为线性规划问题，需要消除模型中的0
‑
1变量。考虑引入决策变量修改约束方程(3
‑
4，9)，形成新的约束方程(52
‑
55)。
[0378][0379][0380][0381][0382]
根据方程(42)可知，电动汽车充放电效率存在差异，使得电池充放电过程中的能量损失也不同。将方程(42)转换为线性函数方程(56)，用于计算电动汽车soc。
[0383][0384][0385]
当电动汽车充电时，方程(56)与方程(42)相同。当电动汽车放电时，由于线性化导
致由方程(56)计算的电动汽车放电量小于实际放电量，用δerr
i,ev,t
表示放电量的偏差。当电动汽车的充放电效率η
c
＝η
dc
＝0.95时，δerr
i,ev,t
仅占实际放电量的9.75％。当η
c
＝η
dc
＝1.0时，δerr
i,ev,t
＝0。因此，用方程(56)替代方程(42)是可行的。
[0386]
根据鲁棒优化原理，将线性规划模型转化为虚拟电厂鲁棒优化竞价模型，详述如下。
[0387]
max i
rom
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(58)
[0388][0389][0390][0391][0392][0393][0394][0395][0396][0397][0398][0399][0400][0401][0402]
‑
y≤p≤y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(73)
[0403]
[0404][0405][0406][0407][0408][0409][0410]
式中，p是决策变量向量；y是对偶变换引入的辅助决策变量向量；z
ε
是标准正态分布的上侧分位点；μ
a,w,t
和σ
a,w,t
分别是的期望值和标准差，服从正态分布。
[0411]
在虚拟电厂竞价鲁棒优化竞价模型中，电动汽车的充放电功率约束满足方程(54)和方程(55)，电动汽车soc约束满足方程(56)。方程(77)和方程(78)是风电机组竞标出力的上下限约束，方程(79)和方程(80)是风电机组竞标出力的正负偏差约束。其它约束条件，如等方程(43～51)所示。
[0412]
为了使约束违反概率不超过κ，鲁棒控制系数γ1需要满足约束方程(81)。
[0413][0414]
式中，φ
‑1为标准正态分布的累积分布函数的逆函数；n
np
为约束方程(59)中所含不确定参数的个数。
[0415]
5)作为描述和求解大规模优化问题的建模语言，ampl不直接求解优化问题，而是通过调用适当的外部解算器(如cplex、minos、ipopt、snopt、knitro等)来获得最优解。ibm ilog cplex12.2作为求解二次规划和混合整数线性规划的商业求解器，在优化领域得到了广泛的应用。本发明的虚拟电厂参与电力市场和碳交易市场的协同竞价策略将在cpu为inter(r)core(tm)i7
‑
8250u，主频为1.8ghz的环境下，基于matlab r2018b平台采用ampl/cplex构建虚拟电厂参与电力市场和碳交易市场协同竞价的鲁棒优化模型，并进行求解。
[0416]
最佳实施例
[0417]
最佳实施例以我国某地虚拟电厂示范区为算例，建立虚拟电厂参与电力市场和碳交易市场协同竞价的鲁棒优化模型，得到本发明提出的虚拟电厂参与电力市场和碳交易市场的协同竞价策略。
[0418]
1)基础数据
[0419]
本发明以虚拟电厂示范区为例开展算例分析，以小时为时段，每天共有24个时段且δt＝1h。虚拟电厂主要包括两台燃气机组、两台风电机组和两万辆电动汽车。本地电力用户分为居民、商业和工业三类。为最大限度地降低实际发电量偏差的罚款，虚拟电厂会从日内需求响应市场购买负荷削减量，且负荷削减量不超过需求响应供应商的需求响应能力dr
cap
。
[0420]
风电机组出力约束的期望值和实际出力，如图5所示。风机输出正偏差的惩罚系数为0.95。风机输出负偏差的惩罚系数为1.05。燃气机组功率参数，如表1所示。电动汽车的充放电参数和可调度特性如表2和表3所示。日前市场、调节市场和实时市场的价格信息，如图6(a)所示。实时市场调节/旋转备用容量调度比率的期望值，如图6(b)所示。碳排放权的交
易价格为148.41元/mw。本地用户负荷需求预测曲线，如图7(a)所示。本地用户负荷需求与电价之间关系的阶梯曲线，如图7(b)所示。图6(a)和图7(a)的预测偏差均设定为
±
15％。在需求响应市场中，需求响应供应商提供负荷削减量的双边协商曲线，如图8(a)所示；集中竞价曲线如图8(b)所示。需求响应供应商的需求响应能力dr
cap
的变化范围为[0,25wm]。
[0421]
表1燃气机组电力参数
[0422][0423]
表2电动汽车充放电参数
[0424][0425]
表3电动汽车非计划离开概率和充电功率
[0426][0427]
2)鲁棒控制系数变化对竞价结果的影响分析
[0428]
当需求响应能力dr
cap
＝10mw，风机出力上限/下限和实际出力的标准差σ
wind
取期望值μ
wind
的10％时，分析虚拟电厂竞价结果受鲁棒控制系数γ1变化的影响。由虚拟电厂鲁棒优化模型可知，约束违反概率可通过γ1来调整。不同的约束违反概率对应着各种决策的经济风险，约束违反概率越小，表示决策者承担的经济风险也越小。不同约束违反概率对应的相关参数取值和虚拟电厂利润最优值，如表4所示。其中，机会约束成立的概率ε
up,wt
，ε
low,wt
，ε
pl,ec
，ε
pl,bl
取值相同，且均为ε。
[0429]
表4不同约束违反概率下的相关参数取值及优化结果
[0430][0431]
表4中的8个场景对应于决策者不同的风险偏好。从场景1到场景8，鲁棒控制系数逐渐增加，约束违反概率逐渐减小。同时，机会约束成立的概率随之增加，虚拟电厂竞价结果违反约束的风险也逐渐降低，说明决策者风险厌恶程度不断提升，虚拟电厂利润最优值也随之减少。8个场景中，虚拟电厂风电机组和电动汽车参与市场竞价的结果，如图9和图10所示。
[0432]
由图9可知，随着决策者风险厌恶程度的提高，风电机组竞标出力减小。相应地，电动汽车为平抑风电机组出力波动提供的充放电功率也随之减小，如图10(a)所示。虚拟电厂中的电动汽车参与调节市场竞价时，可同时提供调节备用和旋转备用。受调节备用和旋转
备用价格的影响，电动汽车参与调节市场竞价时需要协调各种备用，以实现收益最大化。因此，尽管从图10中可以发现不同场景下电动汽车竞价策略的变化，但是并没有呈现出一定的变化趋势。
[0433]
3)电动汽车数量和风电机组出力变化对竞价结果的影响分析
[0434]
在虚拟电厂竞价问题中，电动汽车数量和风机出力的变化会影响虚拟电厂竞价策略。当需求响应能力dr
cap
＝10mw，σ
wind
＝0.1μ
wind
，鲁棒控制系数γ1＝20，ε＝98.09％，其它参数与“2)鲁棒控制系数变化对竞价结果的影响分析”相同时，分析电动汽车数量和风电机组出力的变化对竞价结果的影响。电动汽车数量和风电机组出力变化时，虚拟电厂竞价结果如表5所示。其中，n
ev
是电动汽车数量，万辆。μ
up,wt,t
和μ
low,wt,t
分别是风电机组竞标出力上限/下限的期望值。相对变化量是指相对于原始情况n
ev
＝2时的变化情况，即表4中的场景7。
[0435]
表5电动汽车和风机出力变化时的竞价策略结果
[0436][0437]
由表5可知，当电动汽车数量和风电机组出力的相对变化量相同时，电动汽车数量变化对虚拟电厂竞价结果的影响更大。即，虚拟电厂竞价策略对电动汽车数量的灵敏度要大于对风电机组出力的灵敏度。当系统中电动汽车数量增加时，电动汽车既能够为风电机组提供备用，又可作为储能装置参与调节市场竞价而获得收益。当系统中风电机组数量增加时，风电机组的多余出力是否能够参与电力市场竞价取决于电动汽车储能能否为风电机组出力波动提供备用，这制约了风电机组出力对虚拟电厂竞价结果的影响。因此，虚拟电厂竞价策略对风电机组出力的变化相对不太灵敏。
[0438]
结果表明，本发明提出的虚拟电厂竞价策略模型可以合理地反映决策者在不同场景下决策的经济风险，以及电动汽车和风电机组在虚拟电厂竞价中的协调关系，能够相应地给出电动汽车在调节市场、风机在日前市场的竞价策略。值得注意的是，利用本发明建立的虚拟电厂鲁棒优化竞价模型制定决策时，应根据决策者的风险偏好适当地选定鲁棒控制系数和机会约束的参数值。
[0439]
4)风电机组出力标准差和需求响应容量变化对竞价结果的影响分析
[0440]
当鲁棒控制系数γ1＝20，ε＝98.09％时，分析风电机组出力标准差和需求响应容量dr
cap
变化对竞价结果的影响，如图11和图12所示。
[0441]
由图11可知，风电机组日前市场竞标出力与dr
cap
和风电机组出力标准差有关。当风电机组出力标准差相同时，dr
cap
越高，风电机组竞标出力越大。由图11和图12(a)可知，当dr
cap
相同时，随着风电机组出力标准差的增加，风电机组在日前市场的竞标总电量也随之增加。归其原因在于购买负荷削减量成本较低，当需求响应供应商的需求响应能力足够弥补风电机组的出力波动性时，虚拟电厂为有效利用风电机组会在日前市场增加风电机组的
竞标出力。
[0442]
由图12(b)可知，通过从需求响应市场购买负荷削减量，能够显著提高虚拟电厂利润。然而，当dr
cap
达到某一水平后，随着dr
cap
的增加，虚拟电厂利润开始降低。此时，与购买负荷削减量相比，虚拟电厂按实时电价结算实际发电量偏差获得的利润更大。虽然风电机组出力标准差变化时，随着dr
cap
的增加，虚拟电厂利润均逐步递增。但在dr
cap
较小时，虚拟电厂利润随着风电机组出力标准差的减小而增加。当dr
cap
较大时(如dr
cap
＝25mwh)，风电机组出力标准差越大，虚拟电厂利润越多。
[0443]
当风电机组出力标准差变化时，本地用户用电收入受dr
cap
的影响，如图13所示。由于虚拟电厂的日前市场竞价效率随着dr
cap
增加而提高，所以虚拟电厂为增加本地用户用电收入而降低了本地用户的用电价格。本地用户用电价格的相对变化情况，如表6所示。同时，本地用户接入位置也会对用户用电价格产生影响。由于用户1直接与燃气机组连接，而不是通过风电机组供电，所以表6中用户1的商业用电价格最高。
[0444]
表6本地用户用电价格相对变化比例
[0445][0446]
5)引入碳交易对竞价结果的影响
[0447]
当需求响应能力鲁棒控制系数γ1＝20，ε＝98.09％，σ
wind
＝0.1μ
wind
，dr
cap
＝10mw时，分析引入碳交易对虚拟电厂竞价结果的影响。与风电机组相比，燃气机组具有出力稳定、波动小等特征，具有良好的经济性。不考虑碳排放权成本时，为满足负荷需求和提升经济性，虚拟电厂会充分调用燃气机组参与市场竞价出力。此时，虚拟电厂利润最优值为316806.6元。不考虑碳排放权成本时，燃气机组参与电力市场竞价出力情况，如图14所示。
[0448]
由图14可知，由于燃气机组具有良好的经济性及出力稳定性，其24h的竞价出力几乎均处于满载状态。但是在碳交易市场日益完善的背景下，燃气机组发电需要支付高额的碳排放权购买成本，不利于虚拟电厂经济性的提升。因此，引入碳交易机制对虚拟电厂竞价策略的制定与能源结构的调整起到了关键的作用。考虑碳排放权成本时，燃气机组参与电力市场竞价出力情况，如图15所示。
[0449]
由表4中的场景7可知，考虑碳排放权成本时的虚拟电厂利润最优值为318442.7元。与不考虑碳排放权成本时的虚拟电厂利润最优值相比，利润略有增加。通过对比图14和图15，可得如下结论。
[0450]
第一，在01:00～10:00时，风电机组竞价出力较低，虚拟电厂调用燃气机组满足用电负荷。在11:00～24:00时，风电机组出力逐渐增加，能够较大程度的满足用户负荷需求。引入碳交易机制增加了燃气机组的运行成本，为降低碳排放权购买成本，虚拟电厂降低燃气机组竞价出力。燃气机组竞价总发电量由921.12mwh下降至758.88mwh。
[0451]
第二，购买碳排放权使得燃气机组经济性明显下滑，为提升虚拟电厂利润最优值，需要加大风电机组的出力。该算例中，风电机组出力已经达到饱和。因此，引入碳交易机制
并未对风电机组竞价出力造成很大影响。
[0452]
第三，该算例中可再生能源渗透率较高，虚拟电厂出售碳排放权所获收益大于燃气机组购买碳排放权成本，使得虚拟电厂利润最优值增加了1636.1元。
[0453]
因此，引入碳交易机制使得虚拟电厂竞价收入更加多元化，通过合理地调整风电机组和燃气机组竞价出力，虚拟电厂可获得较大的经济收益。同时，引入碳交易机制有效地降低了区域内污染物以及温室气体的排放量，具有经济与社会的双重意义。
[0454]
上述参照实施例对该一种虚拟电厂参与电力市场和碳交易市场的协同竞价方法进行的详细描述，是说明性的而不是限定性的，可按照所限定范围列举出若干个实施例，因此在不脱离本发明总体构思下的变化和修改，应属本发明的保护范围之内。