[0001] 本发明涉及电力系统优化调度技术领域，涉及一种虚拟电厂优化调度方法，特别是涉及一种能够适应风电、光伏等分布式能源出力不确定性的虚拟电厂优化调度方法。

[0002] 虚拟电厂(Virtual Power Plant,VPP)作为一种新兴的电力资源管理形式，通过信息通信技术将分散的发电单元、储能设备、可控负荷等资源整合起来，作为一个整体参与电网的运行和调度，以提高电网的运行效率。

[0003] 虚拟电厂的核心优势在于其灵活性和可扩展性，能够适应不断变化的电力市场需求和供应条件。然而，虚拟电厂中的分布式发电资源，尤其是风电和光伏等可再生能源，具有显著的随机性和波动性。

[0004] 这些特性使得虚拟电厂在实际运营中面临诸多不确定性挑战。例如，风速和太阳辐射的不可预测性导致风力和光伏发电的出力不稳定；负荷需求的变化和发电设备的运行状态也存在不确定性。这些不确定性因素对虚拟电厂的稳定运行构成了重大影响。

[0005] 在现有技术中，虚拟电厂的优化调度方法往往依赖于确定性模型，这些模型假设所有输入参数都是已知的，或者采用简化的概率模型来描述不确定性。然而，这种方法在面对复杂多变的电力市场和高度不确定的可生能源出力时，往往不能提供足够灵活和鲁棒的调度策略。

[0006] 因此，本发明提供一种能够全面考虑各种不确定性因素的虚拟电厂优化调度方法，对于提高虚拟电厂的系统稳定性具有重要意义。

[0007] 经检索，未发现与本发明相同或相似的现有技术的公开文献。

[0036] 以下结合附图对本发明实施例作进一步详述：

[0037] 一种计及不确定因素的虚拟电厂优化调度方法，如图1所示，包括以下步骤：

[0038] 步骤1、采用基于拉丁超立方采样的蒙特卡洛模拟法生成风光不确定性场景，用于刻画虚拟电厂运行中分布式风电、光伏出力的不确定性特征；

[0039] 采用拉丁超立方抽样方法对累积概率曲线分层抽样后，进行样本数据求取，以保证样本整体空间全覆盖，对风光不确定性通过多场景生成方法进行处理。

[0040] 拉丁超立方抽样法是一种能够处理随机变量的方法，本发明假设作为随机变量的分布式风电、光伏出力都服从历史分布，因此本发明采用拉丁超立方抽样方法模拟生成场景，来刻画描述虚拟电厂运行中分布式风电、光伏出力的不确定性特征，并且利用基于概率的快速前代消除技术，得到以风机为例的典型场景及对应概率。

[0041] 所述步骤1的具体步骤包括：

[0042] (1)首先收集风电场景采样数据，即确定风电场景生成所需的风速、风向等在不同时刻的随机变量，确定风电和光伏出力的不确定性参数，例如风速、太阳辐射强度等，为每个参数定义一个合理的参数范围；

[0043] (2)根据步骤(1)中定义的参数范围，划分为若干个等概率的自控年间或“层”，并生成样本点，即根据风电场景采样数据的特性，根据蒙特卡洛法依次生成随机数、采样值概率和变量空间的矩阵，并根据拉丁超立方抽样法进行采样，确保每个层都被均匀地抽样，用于构建风电场景；

[0044] (3)对步骤(2)中生成的随机数、采样值概率和变量空间的矩阵进行相关性验证，以确保生成数据符合实际风电数据的相关性；若满足相关性条件，则进行步骤(4)；若不满足，则返回步骤(2)重新生成；

[0045] (4)将经过相关性验证的新生成的步骤(3)中的数据集合形成风电场景采样值矩阵，此矩阵为经过拉丁超立方抽样方法生成的一系列样本点的集合，矩阵的每一行代表一个完整的风电出力场景，每一列代表一个特定的参数，并与已有的风电场景采样值矩阵进行合并，以丰富风电场景的多样性。

[0046] (5)检查合并后的风电场景采样值矩阵是否满足收敛条件,；若满足，则进行步骤(6)；若不满足，则返回步骤(3)继续扩展采样，说明样本点的分布和多样性还不够充分地覆盖整个参数空间，需要重新进行样本点的生成和相关性验证，直到满足收敛条件为止。

[0047] (6)停止扩展生成风电场景采样值矩阵，完成风光不确定性场景模拟生成，并整理风光不确定性场景数据。

[0048] 步骤2、采用基于概率距离的快速前代消除技术对步骤1模拟生成的风光不确定性场景进行削减。

[0049] 场景集规模的增大会加大优化模型求解的计算量。从计算精度和计算量间折中考虑，采用基于概率距离的快速前代消除技术进行场景削减。

[0050] 所述步骤2的具体步骤包括：

[0051] (1)设定步骤1中模拟生成风光不确定性场景集合为Y，并计算风机出力、光伏出力的大规模场景集合Y中每对场景之间的几何距离；

[0052] (2)比较场景之间的几何距离，选定与剩余场景概率距离之和最小的风光不确定性出力场景y；

[0053] (3)选取Y中与场景y几何距离最近的场景，设定为r，使其替代场景y，将y的概率加到场景r的概率上，消除d，形成新的s'；

[0054] (4)判断风光不确定性出力剩余场景数目是否满足要求，满足则结束场景削减，不满足则重复步骤(1)至步骤(3)，最终达到场景削减的目的。

[0055] 步骤3、基于步骤2的削减后的风光不确定性场景，构建考虑不确定性因素的虚拟电厂优化调度模型；

[0056] 步骤3主要探讨考虑不确定性因素的虚拟电厂优化调度问题，虚拟电厂积极鼓励风光等新能源优化出力，可调资源灵活辅助运行，用户根据动态化电价来调控电能的消耗，通过削峰填谷来减轻电力系统可能面临的不确定性压力。

[0057] 所述步骤3的具体步骤包括：

[0058] (1)设定目标函数

[0059] 在虚拟电厂中，设定24小时为1个计算周期，将某时段内虚拟电厂所运行的最小综合成本作为当前模型的目标函数，包括风电运行维护费用、光电运行维护费用、燃气轮机所需费用、储能设备所需费用、购电与售电的总费用和可控负荷成本，除此之外，每个设定场景下的运行条件也包括在内，具体包括电价，风光出力预测值等。

[0060] 计及不确定性因素的虚拟电厂优化调度问题的目标函数如下：

[0061]

[0062] 式中,CTotal是虚拟电厂某时段运行的综合成本，T是整个调度周期的总时段数，CWP,n(t)、CPV,n(t)、CGT,n(t)、CES,n(t)、Cbuy(t)分别为t时段风机运行维修费用、光伏运行维修费用、燃气轮机运维费、储能运维费和购电费用。

[0063] a.风机运行维护成本

[0064] CWP,n(t)表示t时段虚拟电厂调用风电运行维护所需的成本，计算公式为：

[0065] CWP,n(t)＝ηWP×PWP,n(t) (2)

[0066] 式中，ηWP为风电运行系数，PWP,n(t)为风电场t时刻n台机组的出力预测值；同时，由于每一时刻的新能源出力受到天气等不确定性因素的影响，会呈现一定的出力不确定性，本发明用均值和随机量偏差来表示新能源出力的不确定性，表示为：

[0067]

[0068] 式中， 为风电的出力均值，ξWP,t为风电和光伏出力的随机量偏差。

[0069] 结合式(3)可得，风电运行所需成本为：

[0070]

[0071] b.光伏运行维护成本

[0072] CPV,n(t)表示t时段虚拟电厂调用光伏运行所需的成本，计算公式为：

[0073] CPV,n(t)＝δPV×PPV,n(t)  (5)

[0074] 式中，δPV为光伏运行系数，PPV,n(t)为光伏场站t时刻n台机组的出力预测值。此外，还需考虑不确定性因素导致的波动性，结合式(6)可得，

[0075]

[0076] 式中， 为光伏的出力均值，ξPV,t为光伏出力的随机量偏差。

[0077] 光伏运行所需成本为

[0078]

[0079] c.燃气轮机所需费用

[0080] CGT表示t时段虚拟电厂的燃气轮机所需费用，计算公式为：

[0081]

[0082] 式中，γ为固定开机费用，sGT,open为t时段VPP燃气轮机开机状态， 为分段线性化费用，PGT,t为t时段燃机出力，sGT,close为关机状态，CGT,stop为启停费用；n为接入设备数。还需考虑不确定性因素导致的波动性。

[0083]

[0084] 式中， 为发电机的出力均值，ξGT,t为发电机出力的随机量偏差。

[0085] 结合式(9)可得，燃气轮机运行所需成本为

[0086]

[0087] d.储能设备所需费用

[0088] CES,n(t)表示t时段虚拟电厂调用储能设备所需的费用，计算公式为：

[0089]

[0090] 式中，pES,sell(t)为储能设备t时刻的售电电价，λout是储能设备的放电效率，μ(t)表示储能设备充放电状态，为0‑1变量，μ(t)＝0表示储能设备充电，此时成本为0；μ(t)＝1表示储能设备放电，此时 为放电功率。

[0091] e.购售电总费用

[0092] Cbuy(t)表示t时段虚拟电厂参与日前市场的购电售电总费用，计算公式为：

[0093] Cbuy(t)＝Cbuy,tPbuy,t (12)

[0094] 式中，Cbuy,t代表t时段的虚拟电厂的购售电电价，Pbuy,t代表t时段的购电量。

[0095] f.可控负荷成本

[0096] CRL(t)和CTF(t)表示t时段可削减负荷和可转移负荷的成本，计算公式为：

[0097] CRL(t)＝CRL,tPRL,t (13)

[0098] CTF(t)＝CTF,tPTF,t  (14)

[0099] 式中，CRL,t和CTF,t代表t时刻可削减负荷和可转移负荷的单位成本，PRL,t和PTF,t代表t时刻可削减负荷和可转移负荷的量。考虑不确定性因素导致的波动性，可削减负荷出力2
和可转移负荷出力 满足以下条件均值为μ、标准差为σ的正态分布，即

[0100]

[0101] (2)构建约束条件

[0102] a.电能平衡约束

[0103] 本发明模型的电能平衡约束计算公式为：

[0104]

[0105] 式中，PPV(t)、Pwp(t)、Pbuy(t)、PGT(t)均涵盖不确定区间，L(t)是t时刻的电负荷功率，具体计算公式为：

[0106] L(t)＝Fload(t)+LRL(t)+LTF(t) (18)

[0107] 式中，负荷功率L(t)由3个部分构成，分别为不可控负荷Fload(t)，可削减负荷LRL(t)和可转移负荷LTF(t)，后两者考虑了可控负荷的不确定性。

[0108] b.风机出力相关约束

[0109] PWP(t)是风电出力功率，前期研究工作中对风电出力采用蒙特卡洛法生成场景，并用基于概率距离的快速前代消除技术进行场景削减。

[0110] 风机相关约束条件为：

[0111] PWP(t)min≤PWP(t)≤PWP(t)max  (19)

[0112] 式中，PWP(t)max、PWP(t)min分别是风电机组的相应的功率最大值与最小值。

[0113] c.光伏出力相关约束

[0114] PPV(t)是光伏出力功率，前期研究工作中对光伏出力采用蒙特卡洛法生成场景，并用基于概率距离的快速前代消除技术进行场景削减。

[0115] 光伏机组相关约束条件为：

[0116] PPV(t)min≤PPV(t)≤PPV(t)max  (20)

[0117] 式中，PPV(t)max、PPV(t)min分别是光伏机组的相应的功率最大值与最小值。

[0118] d.燃气轮机相关约束

[0119] i)运行约束

[0120] 燃气轮机的运行约束为：

[0121]

[0122] 式中， 和PGT,t分别是燃气轮机的相应的功率最大值与最小值，TonGT,t‑1为燃气轮机的持续运作时间，tonGT为最短启动时间，ToffGT,t‑1为连续停机时间，toffGT为最短停机时间。

[0123] ii)爬坡约束

[0124] 燃气轮机组还受到爬坡功率的约束，计算公式为

[0125]

[0126] 式中， 分别为燃气轮机组的向上、向下爬坡速率。

[0127] e.储能充放电约束

[0128] 储能充放电相关约束为：

[0129]

[0130] 式中，PES,t、 分别为是储能电池容量的最小值、最大值；

[0131] 为放电功率， 为充电功率；

[0132] rmin、rmax是储电的充放能量时相应的爬坡功率最小值和最大值；

[0133] μ(t)表示储能设备充放电状态，为0‑1变量，μ(t)＝0表示储能设备充电，μ(t)＝1表示储能设备放电。

[0134] f.可控负荷约束

[0135] PRL,min≤PRL,t≤PRL,max  (24)

[0136] PTF,min≤PTF,t≤PTF,max (25)

[0137] 式中，PRL,min、PRL,max分别为是可削减负荷的最小值、最大值；

[0138] PTF,min、PTF,max分别为是可转移负荷的最小值、最大值。

[0139] 步骤4、基于步骤3建立的考虑不确定性因素的虚拟电厂优化调度模型，并设计多种考虑不确定性因素的虚拟电厂优化调度模型的求解场景，进行求解，最终选出虚拟电厂优化调度的最佳方案；

[0140] 所述步骤4的具体方法为：

[0141] 考虑不确定性因素的虚拟电厂优化调度模型的优化问题为0‑1型的混合整数线性规划问题，其求解模型的标准形式为：

[0142]

[0143] 式中，优化变量x包括计及不确定性因素的负荷预测量、分布式新能源发电量、发电机出力、电力市场的电价、购售电量、负荷响应和元件运行状态；等式约束为电能平衡约束；不等式约束为各个设备的运行约束；p表示规划问题中受到各个不等式约束的变量，包括风机出力约束、光伏出力约束、燃气轮机的运行和爬坡约束、储能充放电约束。可控负荷约束；q表示规划问题中部分未知数为整数的约束条件，包括各机组的启停机。基于此，本发明采用Gurobi求解器在MATLAB中进行求解。

[0144] 设计6种计及不确定性的模式场景，如表1所示。通过比较6种场景下虚拟电厂综合成本的多少，可体现虚拟电厂削峰填谷的效果优劣，最终选出虚拟电厂优化调度的最佳方案。

[0145] 表1场景设置

[0146]

[0147] 所述步骤4的多种考虑不确定性因素的虚拟电厂优化调度模型的求解场景包括：

[0148] 场景1：考虑风电不确定性的虚拟电厂优化调度

[0149] 在本场景，考虑风电不确定性的虚拟电厂优化调度情况，以200kW至900kW的不同风电容量值输入。

[0150] 场景2：考虑光伏不确定性的虚拟电厂优化调度

[0151] 在本场景，考虑光伏不确定性的虚拟电厂优化调度情况，以200kW至900kW的不同光伏容量值输入。

[0152] 场景3：考虑风电和光伏不确定性及风电光伏不同配比的虚拟电厂优化调度[0153] 在本场景，综合考虑风电、光伏不确定性的虚拟电厂优化调度情况，以200kW至800kW的风电和光伏的不同容量、不同配比输入。

[0154] 场景4：考虑风光不确定性及风电接入个数差异的虚拟电厂优化调度

[0155] 在本场景，综合考虑风光不确定性的虚拟电厂优化调度情况，以1～50个相同容量的分布式风电机组输入，研究风电接入个数差异对虚拟电厂经济性的影响。

[0156] 场景5：考虑风光不确定性及风光接入个数差异的虚拟电厂优化调度

[0157] 在本场景，综合考虑风光不确定性和风电机组接入个数的虚拟电厂优化调度情况，以1～50个相同容量的分布式光伏机组输入，研究光伏接入个数差异对虚拟电厂经济性的影响。

[0158] 场景6：考虑风光及可控负荷不确定性的虚拟电厂优化调度

[0159] 在本场景，综合考虑风电、光伏不确定性(含容量和个数)的虚拟电厂优化调度情况，将包含可削减负荷和可转移负荷的可控负荷输入。

[0160] 本发明的工作原理为：

[0161] 首先，基于采用拉丁超立方采样的蒙特卡洛法生成新能源出力场景，其次，基于概率距离的快速前代消除技术进行场景削减，得到虚拟电厂次日风、光预测出力。此外，结合风电、光电、燃气轮机、储能设备和可控负荷等设备的运行特性，设置虚拟电厂最优的目标函数，输入各设备计及不确定性因素的约束条件，并分析不同条件下风光运行和可调资源的不同运行策略可能带来的不同影响，设计6个计及不确定性的模式场景；最后，将虚拟电厂优化调度问题转化为混合整数线性规划模型，对6个模式场景分别运用Gurobi求解器求解，最终得到虚拟电厂次日优化调度最佳结果。

[0162] 下面通过具体算例对本发明作进一步说明：

[0163] 本算例采用Matlab R2019b版本编写程序，计算器处理器型号为AMD Ryzen 7 4800Hwith Radeon Graphics，机带RAM是16GB，采用Gurobi Optimizer version 
10.0.2build v10.0.2rc0(win64)。针对风光新能源出力的不确定性导致的不稳定问题，本事例采用了储能、燃气轮机和可控负荷作为可调资源，以确保虚拟电厂的安全、稳定和可靠性。

[0164] 1.仿真参数设定

[0165] 虚拟电厂的组成包含分布式风电机组、分布式光伏机组、小型燃气轮机发电站、分布式储能设备和可控负荷，具体接入容量和个数参考上述六个场景设计。分布式风电机组的装机总容量区间为200‑900kW，分布式光伏机组的装机总容量区间为200‑900kW，燃气轮机的供电范围设置区间为50‑120kW，分布式储能设备的最大充电功率是‑1000kW，最大放电功率是1000kW。虚拟电厂购电的分时电价设置为0.63元/kW、1.02元/kW、1.52元/kW，售电的相应的分时电价为购电对应分时电价的1.5倍。风电和光电的运行成本系数均为360和300，单个风电出力的上限设置为600kW，单个光伏出力的上限设置为2200kW。

[0166] 本算例所采用的分时电价时段划分及电价信息如表2，机组参数信息如表3，风电、光伏相关信息如下表4，储能电池的运行参数如表5。

[0167] 表2分时电价时段划分及电价信息

[0168]

[0169] 表3风电光伏参数信息

[0170]

[0171]

[0172] 表4燃气机组参数信息

[0173]

[0174] 表5储能机组参数信息

[0175]

[0176] 基于历史数据，虚拟电厂调度范围内次日负荷的日前预测结果如图2所示。

[0177] 由图2可看出，次日用电负荷出现两次小高峰，第一次是上午10时，第二次是19:00至20:00；谷时段为23:00至次日5:00，用电负荷最低。

[0178] 此外，不可调度机组中分布式风电和分布式光伏出力具有较强的波动性和不确定性，在本发明中可作为随机变量。对风电、光伏出力的不确定性使用场景分析法进行处理。

[0179] 拉丁超立方抽样法是一种能够处理随机变量的方法，本发明假设作为随机变量的分布式风电、光伏出力都服从历史分布，因此本发明采用拉丁超立方抽样方法模拟生成场景，来刻画描述虚拟电厂运行中分布式风电、光伏出力的不确定性特征，并且利用基于概率的快速前代消除技术，得到分布式风电、光伏出力的典型场景及对应概率。

[0180] 虚拟电厂预测，风电白天风速维持在波动区间，高峰主要在傍晚到次日日出前；对于光伏，在10时‑14时光电出力预测最高，此时正值中午，光照的能量最大，因此光伏出力也最大；在18时到次日6时期间，太阳落山后没有光照，此时无光伏出力。

[0181] 2.不同场景下仿真结果分析

[0182] 本发明将虚拟电厂的优化调度模式场景设定分为6种，比较6种场景下虚拟电厂综合成本的多少，最终确定虚拟电厂内部资源最为经济的优化调度方案。

[0183] (1)场景1：考虑风电不确定性的虚拟电厂优化调度

[0184] 将光伏、储能和燃气轮机三个DG的额定功率分别设置为200、50和50kW。接入200kW至900kW的不同容量的风电，以100kW为采样间隔，分为8个不同场景，考虑风电不确定性的场景的情况如表6所示。

[0185] 表6考虑风电不确定性的场景

[0186]

[0187]

[0188] 针对8个不同情景求解所建模型，目标是虚拟电厂成本最小。考虑风电不确定性的虚拟电厂优化结果成本对比如图3所示。

[0189] 优化结果显示，随着虚拟电厂内部接入的风电容量增大，整体成本降低，并且整体成本下降的趋势逐步减缓。在场景8中，即当风光资源的配比为900:200的时候，虚拟电厂整体成本最低，为15260.3799元，比场景1，即当风光资源的配比为200:200时，成本下降37.46％。

[0190] 模型考虑风电不确定性的虚拟电厂的优化调度，以虚拟电厂在相应时段内的综合成本最小为目标函数，最终的目的是使虚拟电厂利益最大化。针对场景8，电能优化调度结果如图4所示，考虑风电不确定性的储能优化调度结果如图5所示。

[0191] 从结果中可以看出，峰时段出现了两次。第一次出现在9:00‑11:00，光伏开始发挥作用，但此时风光资源不足，因此储能开始放电，缓和上午上班时间用电量增加的问题。中午由于光伏发电开始达到顶峰，储能会转变为充电状态。第二次出现在14:00‑21:00，此时光伏处在出力减少的状态，购电价格也相对较高。由于风电接入量高达900kW，该阶段风电出力可以满足虚拟电厂用电需求，甚至还能够将电量进行储存，如17～20点时段。

[0192] 谷时段主要由风力发电、燃气轮机进行发电产生电负荷，并且多余的电负荷通过蓄电池进行存储，消纳多余风电。由于购电成本较发电低，可以选择购电代替发电，并进行多余电量储存，以迎接峰时段的用电需求。

[0193] 平时段风机持续出力，900kW的风电出力足够维持基本用电需求，燃气轮机出力可进行补充，且多余的电能可以进行储存。

[0194] (2)场景2：考虑光伏不确定性的虚拟电厂优化调度

[0195] 将风电、储能和燃气轮机三个DG的额定功率分别设置为200、50和50kW。接入200kW至900kW的不同容量的光伏，以100kW为采样间隔，分为8个不同场景，考虑光伏不确定性的场景如表7所示。

[0196] 表7考虑光伏不确定性的场景

[0197]

[0198]

[0199] 针对8个不同情境求解所建模型，目标是虚拟电厂成本最小。考虑光伏不确定性的虚拟电厂优化结果成本对比如图6所示。

[0200] 优化结果显示，随着虚拟电厂内部接入的光伏容量增大，整体成本降低，并且整体成本下降的趋势逐步减缓。在场景8中，即当风光资源的配比为200:900的时候，虚拟电厂整体成本最低，为24424.3825元，比场景1，即当风光资源的配比为200:200时，成本下降8.10％。

[0201] 模型考虑光伏不确定性的虚拟电厂的优化调度，以虚拟电厂在相应时段内的综合成本最小为目标函数，最终的目的是使虚拟电厂利益最大化。针对场景8，电能优化调度结果如图7所示，考虑光伏不确定性的储能优化调度结果如图8所示。

[0202] 从结果中可以看出，峰时段出现了两次。第一次出现在9:00‑11:00，光伏发电逐渐达到峰值。当天8:00进入上班时段，用电负荷增高，此时光伏出力不明显，因此，在风电正常波动出力的情况下，出现储能放电维持符合平衡，燃气轮机满负荷运行。直到9:00时，900kW的光伏接入，大大缓和用电压力，虚拟电厂暂停购电，开始调用光伏资源。同时，由于分时电价的缘故，此阶段电网价格高，在用电高峰期蓄电池处在放电状态，并将释放的电量向电网进行售卖，可以节约一定成本。第二次出现在18:00‑20:00，光伏几乎不工作，电价相对较高，此时燃气轮机等均已最大功率运行，蓄电池处于放能状态，如果此时风光出力不能满足系统需要，则不足的电能需要从电网购买来满足，购电量达到最大值。

[0203] 谷时段主要由风力发电、燃气轮机进行发电产生电负荷，并且多余的电负荷通过蓄电池进行存储，消纳多余风电。由于购电成本较发电低，可以选择购电代替发电，并进行多余电量储存，以迎接峰时段的用电需求。

[0204] 平时段光伏出力较大，燃气轮机出力足以满足电负荷需求，且多余的电能可以进行储存。

[0205] (3)场景3：考虑风光不确定性和风光不同配比的虚拟电厂优化调度

[0206] 在保持储能、燃气轮机与风光资源配比在15％、25％的情况下，场景3研究风电机组和光伏机组的接入容量配比的优化调度问题。将储能和燃气轮机的额定功率分别设置为150kW和250kW，在确保风光资源总和1000kW的情况下，接入100kW至900kW的不同容量配比的风光机组，以100kW为采样间隔，分为6个子场景，考虑风光不确定性的场景如表8所示。

[0207] 表8考虑风光不确定性的场景

[0208]

[0209] 针对6个不同情景求解所建模型，目标是虚拟电厂成本最小。考虑风光不确定性和风光不同配比的虚拟电厂优化结果成本对比如图9所示。

[0210] 优化结果显示，场景5的整体成本最低，即风电接入量为700kW，光伏接入量为300kW时，此时虚拟电厂整体成本为15073.1307元，比场景1，即当风光资源的配比为200:
800时，成本下降32.81％。

[0211] 模型考虑风电和光伏不确定性的虚拟电厂的优化调度，以虚拟电厂在相应时段内的综合成本最小为目标函数，最终的目的是使虚拟电厂利益最大化。针对场景5，电能优化调度结果如图10所示，考虑风光不确定性和风光不同配比的储能优化调度结果如图11所示。

[0212] 从结果中可以看出，峰时段出现了两次。第一次出现在9:00‑11:00，光伏开始发挥作用，当风光联合出力时，产生的负荷不仅满足了工作时间高峰用电需求，还在9时进行了短暂的储能充电，在10时进行了储能放电，大大减少了购电产生的成本。第二次出现在18:00‑20:00，该时段光伏出力逐步降为0。由于场景4接入的风电出力达到700kW，风机这段时间的出力能够满足夜间的用电高峰需求，同时白天光伏的出力进行了储能充电，因而夜间高峰还可以通过储能放电来缓解用电压力，无需通过购电来满足用电需求。

[0213] 谷时段主要由风力发电、燃气轮机进行发电产生电负荷，当谷时段出现缺电情况时，储能会进行放电；当出现多余风电时，储能会实时消纳。由于谷时段购电成本低，在此场景下，虚拟电厂也仅在清晨3个时间段进行购电并加以储存，以降低高峰用电时段的用电成本。

[0214] 平时段风机和光伏持续出力，夜间700kW的风电出力足够维持基本用电需求，日间300kW的光伏配合700kW的风机出力足够维持基本用电需求，燃气轮机出力可进行补充，且多余的电能可以进行储存。

[0215] (4)场景4：考虑风光不确定性及风电接入个数差异的虚拟电厂优化调度[0216] 基于场景3的结果，风电接入量为700kW，光伏接入量为300kW时虚拟电厂优化调度最经济。当风电机组接入个数为10时，虚拟电厂需要承受的来自风电机组的不确定性最低。因此，在风电机组接入容量不变的情况下，还应当研究接入1个700kW风电机组(情况1)和接入10个70kW的分布式风电机组(情况2)的经济性。

[0217] 由MATLAB仿真结果可得，情况1的成本为15073.1307元，情况2的成本为14905.5639元，接入10个70kW的分布式风电机组的虚拟电厂更为经济，考虑风光不确定性及风电接入个数差异的电能优化调度结果如图12所示。

[0218] 由于分布式风电接入个数越多，虚拟电厂需要承担的来自风电机组的不确定性更弱。考虑风光不确定性及风电接入个数差异的储能优化调度结果如图13所示。

[0219] 从结果中可以看出，图13与图11相比，峰时段的风力发电量能够被更加充分的调度，在6:00‑10:00和18:00‑20:00两个时间段，风电机组的出力更多，但由于风电出力存在波动性，储能在本场景中需要发挥更大的作用，在T时段内放电的时间和容量更多。

[0220] (5)场景5：考虑风光不确定性及风光接入个数差异的虚拟电厂优化调度[0221] 基于场景3的结果，风电接入量为700kW，光伏接入量为300kW时最经济；基于场景4的结果，当风电机组接入个数为10时，虚拟电厂需要承受的来自风电机组的不确定性最低；当500kW光伏机组接入个数为10和50时，虚拟电厂需要承受的来自光伏机组的不确定性较低。因此，在风光机组接入容量和风电个数不变的情况下，还应当研究接入10个30kW光伏机组(情况3)和接入50个6kW的分布式风电机组(情况4)的经济性。

[0222] 由MATLAB仿真结果可得，情况3的成本为14816.8444元，情况4的成本为14815.7005元，说明接入50个6kW的分布式光伏机组的虚拟电厂更经济。考虑风光不确定性及风光接入个数差异的电能优化调度结果如图14所示，考虑风光不确定性及风光接入个数差异的储能优化调度结果如图15所示。

[0223] 由于分布式光伏接入个数越多，虚拟电厂需要承担的来自光伏机组的不确定性更弱。从结果中可以看出，图15与图13相比，午间的光伏发电量能够被更加充分的调度，即11:00‑12:00和13:00‑14:00两个时间段，光伏机组参与虚拟电厂调度的积极性更高。和情景4类似，由于光伏出力存在波动性，储能在本场景中同样需要发挥很大作用，在T时段内储电频率降低，而放电频率更高。

[0224] (6)场景6：考虑风光及可控负荷不确定性的虚拟电厂优化调度

[0225] 基于子场景3‑5的结果，当虚拟电厂接入10个70KW分布式风电设备和50个6kW的分布式光伏机组时，虚拟电厂综合成本最低，最为经济。本场景在保持风光机组接入容量和风光个数不变的情况下，进一步研究负荷侧不确定性对虚拟电厂经济性的影响。本场景的可控负荷包括可削减负荷和可转移负荷，可削减负荷包括但不限于居民家中的空调、热水器等温控负荷，可转移负荷包括但不限于电动汽车等具有储能性质的负荷。虚拟电厂对可控负荷采取激励措施，用户在谷时段用电将得到用电折扣，而在峰时段用电则将承担高电价。在这种模式下，研究考虑风光及可控负荷不确定性的虚拟电厂优化调度。由仿真结果可得，虚拟电厂的综合成本为14406.3538元，说明对可控负荷进行激励能够调节用户用电习惯，错峰用电，同时虚拟电厂能够实现更加经济的运行，考虑风光及可控负荷不确定性的电能优化调度结果如图16所示，储能优化调度结果如图17所示。

[0226] 从结果上看，由于激励政策的存在，可转移负荷和可削减负荷主要在夜间22:00至次日6时接入，其余时间维持在平稳出力阶段。与前5个场景相比，本场景的夜间负荷需求增加，加上夜间缺乏光伏出力，该时段储能放电量更多，同时需要外购更多电量进行补充。峰时段一天出现两次，第二个高峰发生在17:00‑21:00，该时段在风电出力爬升的情况下进行储能充电，以迎接夜间可控负荷的用电需求。

[0227] 综上所述，本发明中针对不同资源出力不确定性问题，虚拟电厂计及各单元的不确定性因素，设计风光资源及可调资源相结合的相关策略。首先，基于拉丁超立方抽样的蒙特卡洛模拟方法和场景距离消减技术法，保证风光样本整体空间的全覆盖，在此基础上研究风光除了自身出力波动性的其他不确定性问题。其次，以虚拟电厂运行综合成本最小为目标函数，建立了计及负荷预测、分布式新能源及发电机发电、元件状态运行、电力市场电价以及负荷响应等不确定性因素的优化调度模型，并设计6种模式场景，研究不同内部资源的接入容量和个数差异对虚拟电厂的影响。仿真结果显示，在考虑上述不确定性因素的条件下，虚拟电厂接入10个70KW分布式风电设备和50个6kW的分布式光伏机组，并保持储能、燃气轮机与风光资源配比在15％、25％的情况下时，可实现虚拟电厂综合成本最小，从而得到虚拟电厂优化调度的最佳方案。

[0228] 需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。