彭思佳, 邢海軍, 成明洋

(上海電力大學(xué) 電氣工程學(xué)院,上海 200090)

近年來,能源危機和環(huán)境污染威脅著現(xiàn)代社會的可持續(xù)發(fā)展.分布式電源(Distributed Generator, DG)的高效利用和電動汽車(Electric Vehicle, EV)的快速發(fā)展為解決這兩個問題提供了機會[1].虛擬電廠(Virtual Power Plant, VPP)作為分布式能源的載體,通過能量管理系統(tǒng)優(yōu)化調(diào)度各類分布式能源,提高新能源消納及供電可靠性.伴隨“雙碳”目標的提出,電力行業(yè)面臨巨大的碳減排壓力.同時VPP內(nèi)的分布式電源、負荷和電動汽車都具有一定的不確定性,靈活協(xié)調(diào)VPP系統(tǒng)內(nèi)多重不確定性是實現(xiàn)VPP低碳運行的關(guān)鍵前提.因此,在多重不確定環(huán)境下,如何實現(xiàn)VPP低碳、經(jīng)濟、高效的運行是一個具有挑戰(zhàn)性的問題.

目前,考慮不確定性的VPP優(yōu)化調(diào)度已有較多研究.文獻[2]中考慮可再生能源的不確定性,提出了含風(fēng)力發(fā)電(簡稱風(fēng)電)、光伏、電動汽車和常規(guī)發(fā)電廠的VPP隨機調(diào)度模型.文獻[3-4]中考慮了風(fēng)電和電動汽車的不確定性,構(gòu)建了VPP隨機優(yōu)化調(diào)度模型;文獻[5]中基于風(fēng)電、電動汽車和電力市場價格的不確定性影響,構(gòu)建了VPP參與電力市場的隨機優(yōu)化模型;文獻[6]中涵蓋了調(diào)度輸入、電力生產(chǎn)和負荷需求的不確定性,建立了包含電動汽車和需求響應(yīng)的VPP多階段隨機框架.上述文獻對不確定性的來源考慮較為單一,同時考慮風(fēng)電、光伏、負荷和電動汽車的不確定性較少.

此外,關(guān)于VPP參與碳交易的低碳經(jīng)濟調(diào)度研究也有了一些進展.文獻[7-8]中構(gòu)建了包含需求響應(yīng)、燃氣輪機、風(fēng)電和光伏的VPP參與碳交易,提出VPP的最優(yōu)調(diào)度模型.文獻[9]中研究了包括風(fēng)電、電動汽車、燃氣輪機的VPP,提出參與碳電一體化市場投標的VPP聯(lián)合投標策略模型.文獻[10]中將可再生能源能參與到碳交易中,建立了碳交易機制下計及用電行為的VPP經(jīng)濟調(diào)度模型.但在上述文獻中,VPP參與碳交易時往往只考慮單一價格的碳交易,未考慮到階梯型碳交易對碳排放量有更好的制約效果.

將碳捕集系統(tǒng)與VPP相結(jié)合能起到碳減排的作用.文獻[11]中將捕集系統(tǒng)正在處理的CO2量細化為再生塔正在處理的CO2量和吸收塔正在處理的CO2量,可以更好地完成碳減排目標.文獻[12-13]中將碳捕集系統(tǒng)納入VPP中,提升了可再生能源的消納量,減少了碳排量.在上述文獻中,碳捕集系統(tǒng)往往和燃煤機組結(jié)合,未涉及燃氣輪機在燃燒過程中的碳排放.

綜上,不確定性在VPP的優(yōu)化調(diào)度研究中一直廣受關(guān)注,并且在“雙碳”背景下,如何實現(xiàn)碳減排也是重點研究方向.在以往文獻中,不確定性來源考慮較為單一,且階梯型碳交易和碳捕集系統(tǒng)更有利于碳減排.由此提出一種考慮多重不確定性和階梯型碳交易的VPP低碳經(jīng)濟調(diào)度模型,并加入碳捕集系統(tǒng)進一步控制碳排放量.針對VPP內(nèi)風(fēng)電、光伏、負荷的不確定性,采用機會約束規(guī)劃法,使系統(tǒng)內(nèi)的備用容量滿足一定置信水平;采用可調(diào)魯棒優(yōu)化法處理電動汽車充放電的隨機性.重點討論是否考慮需求響應(yīng)、是否加裝碳捕集系統(tǒng)以及不同的碳交易機制、最優(yōu)置信水平的選取、不同的魯棒系數(shù)對VPP調(diào)度的影響,在實際VPP算例中驗證所提模型的有效性.

1 含碳捕集系統(tǒng)的VPP模型

含碳捕集系統(tǒng)的VPP結(jié)構(gòu)如圖1所示,包括風(fēng)電、光伏、碳捕集系統(tǒng)、燃氣輪機(Gas Turbine, GT)、儲能系統(tǒng)(Energy Storage System, ESS)以及電動汽車.

1.1 碳捕集系統(tǒng)原理

碳捕集的捕集流程[12]為:發(fā)電系統(tǒng)的煙氣首先被捕捉,然后到達CO2可再生塔,最后通過CO2壓縮機進行封存處理.本文主要考慮碳捕集的過程,未考慮碳封存的過程.

碳捕集系統(tǒng)的捕集能耗[14]Pc分為基本能耗Pf和運行能耗Po:

Pc=Pf+Po

(1)

Po=eGλGEηcPGT

(2)

式中:eG為正在處理CO2的排放強度;λGE為處理單位CO2所需的運行能耗,可視為常數(shù);ηc為碳捕集率;PGT為燃氣輪機的總出力.

1.2 碳交易機制

1.2.1碳排放配額 碳交易也叫碳排放權(quán)交易,出現(xiàn)于《京都議定書》發(fā)布后,它將碳排放權(quán)看作一種能夠自由交易的商品[15].

政府部門通過免費分配的方式,將碳配額分配給碳交易市場內(nèi)需要減排的企業(yè).企業(yè)如果成功減排,則可以出售多余的碳配額;相反則要在碳交易市場上購買碳配額.

目前碳排放配額的分配方法有3種:基準線法、歷史法和拍賣法.基準線法是根據(jù)企業(yè)的排放情況,免費分配一定量的初始碳排放配額,且碳排放配額量與系統(tǒng)發(fā)電量成正比[15].因此本文采用基準線法確定VPP的碳排放配額量:

(3)

1.2.2階梯型碳交易成本 根據(jù)碳交易價格可以將碳交易分成單一價格型、階梯價格型(簡稱階梯型)和出清碳價型,目前大部分研究[7-10, 14-16]采用單一價格型碳交易.

階梯型碳交易將碳排放量分為多個區(qū)間,碳排放量越多,則單位碳排放價格越高.根據(jù)文獻[17]中的結(jié)果,在保證一定經(jīng)濟性條件下,階梯型碳交易可以更好地抑制系統(tǒng)碳排量,對碳減排更有利.

階梯型碳交易成本可表示為

(4)

式中:λc為碳交易基價;p為碳排放區(qū)間長度;δ為碳交易價格的增幅;EC為實際碳排放量,且

EC=EG+EU-EP

(5)

(6)

EU=ψCO2Pgird

(7)

(8)

式中:EG、EU分別為燃氣輪機和電網(wǎng)交互產(chǎn)生的碳排放量;EP為碳捕集系統(tǒng)捕集的碳排放量;QG為燃氣輪機的單位電量碳排放強度;ψCO2為電網(wǎng)的單位功率碳排放系數(shù).

1.3 需求響應(yīng)

電力負荷分為固定負荷和柔性負荷,柔性負荷又分為可轉(zhuǎn)移負荷和可中斷負荷兩類.

1.3.1可轉(zhuǎn)移負荷 可轉(zhuǎn)移負荷的總耗電量不變,時間可以靈活改變,其約束條件表示為

(9)

(10)

1.3.2可中斷負荷 可中斷負荷在供電不足或電價高的期間中斷,可以緩解供電壓力,相關(guān)約束如下:

(11)

2 VPP內(nèi)不確定性因素建模

VPP內(nèi)的不確定性包括風(fēng)電、光伏的隨機性和波動性,以及負荷的波動性、電動汽車充放電的隨機性.

2.1 風(fēng)電出力的概率模型

根據(jù)研究[18]顯示,可以利用韋布爾分布概率密度函數(shù)模擬風(fēng)速:

(12)

式中:v為風(fēng)速;k為形狀參數(shù);C為速度參數(shù).

風(fēng)電的輸出功率與風(fēng)速之間的函數(shù)關(guān)系可以用以下分段函數(shù)表示:

(13)

式中:vci為切入風(fēng)速;vco為切出風(fēng)速;vR為額定風(fēng)速;PR為額定功率.

根據(jù)式(12)和(13),推導(dǎo)出風(fēng)電出力概率密度函數(shù)為

(14)

式中:h=vR-vci-1;ρ=(PR+hPWP)vci.

2.2 光伏出力的概率模型

大量統(tǒng)計研究結(jié)果[18]表明,β分布可用來模擬短時間段內(nèi)太陽輻照強度的概率:

(15)

式中:r為實際的光照強度;rmax為最大光照強度;a、b分別為β分布的位置參數(shù)和形狀參數(shù).

光伏的輸出功率與太陽輻照強度的關(guān)系為

PPV=ξAη

(16)

式中:A為光伏板的面積;η為能量轉(zhuǎn)換系數(shù);ξ為太陽輻照強度.

由式(16)可知,光伏輸出功率與太陽輻照強度呈線性關(guān)系,從而認為光伏輸出功率服從β分布.因此,光伏輸出功率的概率密度函數(shù)可以表示為

fP(PPV)=

(17)

2.3 負荷的概率模型

負荷功率波動可近似認為服從正態(tài)分布,因此負荷功率概率密度函數(shù)[18]為

(18)

式中:PL為負荷有功功率;μL和σL是負荷功率概率密度函數(shù)的期望值和方差.

3 考慮階梯型碳交易成本的VPP低碳經(jīng)濟調(diào)度模型

3.1 目標函數(shù)

VPP低碳經(jīng)濟調(diào)度以總收益F最大為目標函數(shù),包括VPP與電網(wǎng)的交互成本(收益)FC、需求響應(yīng)的補償成本FDR,燃氣輪機的運行成本FW、碳交易成本ECO2、碳捕集系統(tǒng)的運行成本FT,以及系統(tǒng)備用容量的成本FRE,出售捕集的CO2產(chǎn)生的收益FCO2,具體如下:

maxF=FC-FDR-FW-ECO2-

FT-FRE+FCO2

(19)

(1) VPP與電網(wǎng)的交互成本(收益).

(20)

(2) 需求響應(yīng)的補償成本.

(21)

式中:wel,t和wtl,t分別為t時刻中斷負荷以及轉(zhuǎn)移負荷的補償價格.

(3) 燃氣輪機的運行成本.

(22)

(4) 碳捕集系統(tǒng)運行成本.

FT=wTPo

(23)

式中:wT為碳捕集設(shè)備運行成本系數(shù).

(5) 系統(tǒng)備用的成本.

FRE=

(24)

(6) 出售捕集的碳排放產(chǎn)生的收益.

FCO2=wpEp

(25)

式中:wp為出售CO2的價格.

3.2 約束條件

(1) 系統(tǒng)供需平衡約束:

(26)

(27)

(2) 燃氣輪機運行約束:

(28)

(3) ESS運行約束:

(29)

CESS,min≤CESS≤CESS,max

(30)

(31)

(32)

ESS提供的備用容量滿足如下約束:

(33)

(4) EV運行約束:

(34)

EV的備用不能超過其可用容量:

(35)

(36)

CEV,min≤CEV≤CEV,max

(37)

(38)

式中:Prob為以概率形式表示的系統(tǒng)的備用.

3.3 系統(tǒng)的風(fēng)險成本

上述備用容量約束為概率形式,因而會造成一定的失負荷風(fēng)險:

(39)

風(fēng)險成本為

(40)

(41)

將風(fēng)險成本加入式(19)的目標函數(shù)中,當收益最大時所對應(yīng)的置信水平即為VPP機會約束規(guī)劃所應(yīng)選擇的最佳置信水平.

3.4 模型求解

3.4.1序列運算理論 為了求解風(fēng)電光伏和負荷的出力,需要得到不確定性變量的概率分布及其逆函數(shù),但對逆函數(shù)的求解比較困難.因此需要引入序列運算理論[19]對不確定性變量的概率分布進行離散化.

以風(fēng)電的概率序列a(ia,t)為例,概率序列的長度為

(42)

a(ia,t)=

(43)

式中:q為離散化步長;PWP,max為最大風(fēng)電出力.

由于隨機變量較多,所以引入等效負荷,使其滿足下式:

PEL=PL-PWP-PPV

(44)

類似可以得到光伏概率序列b(ib,t)和負荷概率序列c(ic,t),等效負荷概率序列e(ie,t)由c(ic,t)和d(id,t)卷差得到,其中風(fēng)光聯(lián)合出力d(id,t)由a(ia,t)和b(ib,t)卷和得到,計算公式如下:

e(ie,t)=c(ic,t)?d(id,t)=

(45)

(46)

(47)

(48)

(49)

從而得到等效負荷出力的期望值為

(50)

表1為等效負荷出力及其概率序列,共有Ne,t個狀態(tài),第ue個狀態(tài)對應(yīng)的出力為ueq,對應(yīng)的概率為e(ue).

表1 等效負荷概率序列Tab.1 Equivalent load probability sequence

為了將機會約束規(guī)劃轉(zhuǎn)化成混合整數(shù)線性規(guī)劃,利用線性化方法,引入一個0-1變量,令

(51)

式中:?t,ue,t=0,1,…,Ne,t.

式(51)可以改寫成如下所示:

(52)

但是式(52)不能和混合整數(shù)線性規(guī)劃兼容,則將其寫成如下形式:

(53)

3.4.2EV的可調(diào)魯棒優(yōu)化模型 調(diào)度模型的整體求解流程如圖2所示.電動汽車的可調(diào)魯棒優(yōu)化模型將不確定性參數(shù)的波動形成一個不確定性區(qū)間,根據(jù)不確定性區(qū)間的邊界在最惡劣情況下求出最優(yōu)解:

圖2 調(diào)度模型的整體求解流程Fig.2 Overall solution process of scheduling model

(54)

(55)

為了在電動汽車出力不確定的條件下依然存在最優(yōu)解,需將式(26)約束改寫為

(56)

令

(57)

則式(57)可以改寫為

(58)

將式(55)代入式(58)得:

(59)

(60)

為了能夠調(diào)節(jié)結(jié)果的魯棒性,引入魯棒系數(shù)Γ,?！蔥0,1],則式(60)轉(zhuǎn)化為

(61)

4 算例分析

4.1 算例簡介

選取的分時電價和燃氣輪機參數(shù)[20]如表2和3所示.電動汽車參數(shù)參考文獻[21],碳捕集系統(tǒng)參數(shù)參考文獻[22],階梯型碳交易價格參考文獻[23],出售CO2的價格參考文獻[24],其余參數(shù)如下.

表2 分時電價Tab.2 Time-of-use electricity price

表3 燃氣輪機參數(shù)Tab.3 Parameters of gas turbine

(1) 電網(wǎng)參數(shù):VPP與電網(wǎng)交互的最大功率為500 kW,備用價格為0.04元/(kW·h),電網(wǎng)的單位功率碳排放系數(shù)為0.928 kg/(kW·h),碳排放配額為0.877 kg/(kW·h).

(2) ESS參數(shù):最大充電容量為200 kW·h,備用價格為0.02元/(kW·h),充放電功率最大值為60 kW,充放電效率為0.9.

(3) 風(fēng)力發(fā)電機參數(shù):vci=3 m/s,vR=15 m/s,vco=25 m/s,額定功率為500 kW.

(4) 光伏參數(shù):光伏板面積為 2 400 m2,轉(zhuǎn)化效率為0.093,最大功率為260 kW.

(5) 可轉(zhuǎn)移負荷、可中斷負荷均設(shè)為總負荷的10%,可轉(zhuǎn)移負荷、可中斷負荷的補償價格[25]分別設(shè)為0.08和0.3元/(kW·h).

VPP內(nèi)光伏風(fēng)電出力的預(yù)測和電力負荷需求圖如圖3所示.

圖3 光伏風(fēng)電負荷預(yù)測出力Fig.3 Forecasting output of photovoltaic, wind power, and load

4.2 優(yōu)化結(jié)果分析

4.2.1離散化步長的影響分析 離散化步長的大小影響序列的長度,從而影響調(diào)度結(jié)果.圖4為不同離散化步長對VPP收益的影響在相同的置信水平下,當離散化步長大于4 kW且小于5 kW時,VPP的收益差距較小,這說明離散化步長對VPP收益的影響較小,但是離散化步長越小,VPP進行優(yōu)化的時間越長.因此,選擇5 kW作為本文的離散化步長進行研究.

圖4 離散化步長對VPP收益的影響Fig.4 Effect of discretization step size on VPP returns

4.2.2置信水平和風(fēng)險系數(shù)對VPP的影響分析 表4為不同置信水平和風(fēng)險系數(shù)下VPP的收益以及計及風(fēng)險成本后VPP的收益.當VPP收益計及風(fēng)險成本時,VPP的收益呈現(xiàn)先增大后減小的趨勢;當VPP收益不計及風(fēng)險成本時,隨著置信水平的不斷減小,VPP的收益不斷增大,這是由于置信水平的減小導(dǎo)致備用容量隨之減小,從而備用成本減少.由此可見,置信水平的合理選取使得VPP在收益和風(fēng)險之間達到平衡.

圖5為不同風(fēng)險系數(shù)下計及風(fēng)險成本的VPP收益.可知,當置信區(qū)間為98%～99%時,風(fēng)險系數(shù)為2、3、5的VPP收益曲線呈上升趨勢;當置信水平為98%時,VPP的收益達到最高點,之后開始下降,因此選擇置信水平為98%作為最佳置信水平.但是,該處未考慮魯棒系數(shù)和誤差系數(shù)的影響,并且區(qū)間的選取也較粗糙,將在后續(xù)研究中更精細地分析.

圖5 不同風(fēng)險系數(shù)下計及風(fēng)險成本的VPP收益Fig.5 VPP benefits including risk cost at different risk factors

4.2.3電動汽車不確定性和需求響應(yīng)的影響分析 為驗證考慮電動汽車不確定性和需求響應(yīng)的優(yōu)勢,設(shè)置3種場景:場景一考慮電動汽車不確定性、不考慮需求響應(yīng)的低碳經(jīng)濟調(diào)度;場景二考慮需求響應(yīng)、不考慮電動汽車不確定性的低碳經(jīng)濟調(diào)度;場景三考慮需求響應(yīng)和電動汽車不確定性的低碳經(jīng)濟調(diào)度.

給定置信水平為98%,圖6為3種場景下VPP內(nèi)燃氣輪機的出力,圖7為3種場景下VPP的購售電功率,正值表示向電網(wǎng)售電,負值表示從電網(wǎng)購電.8:00—16:00時,與場景一相比,場景三的售電量多,而燃氣輪機功率少,是由于場景三考慮了需求響應(yīng),中斷了部分負荷,使得VPP有更多的電能可以出售.1:00—3:00時,與場景三相比,場景二的售電量高,是由于場景二的EV充電量在此時間段較少,綜合考慮需求響應(yīng)和EV不確定性可以提升VPP的經(jīng)濟性.

圖6 3種場景下VPP內(nèi)燃氣輪機的出力Fig.6 Output of gas turbine in VPP in three scenarios

圖7 3種場景下VPP內(nèi)購售電功率Fig.7 Power purchased and sold in VPP in three scenarios

圖8為3種場景下EV的充放電情況,正值表示電動汽車放電,負值表示EV充電;圖9為需求響應(yīng)前后電負荷需求圖.綜合圖8和圖9,可知電動汽車在1:00—5:00、23:00—24:00等負荷需求低時進行充電,在6:00和14:00的高峰時段進行放電,給電網(wǎng)補給出力;并且可轉(zhuǎn)移負荷在0:00—7:00的低峰時期移入,在9:00—11:00以及21:00移出,可中斷負荷在9:00—17:00中高峰時期中斷.這說明同時考慮需求響應(yīng)和EV不確定性可以輔助電力系統(tǒng)的穩(wěn)定運行,并且起到削峰填谷的作用,使得負荷曲線的峰谷差減小.場景二電動汽車不放電,是由于當不考慮EV的不確定性時,電動汽車相當于儲能,而場景一電動汽車充電量在1:00—5:00時比場景二高是由于場景二考慮了需求響應(yīng),可轉(zhuǎn)移負荷的移入會消耗一部分電能.

圖8 3種場景下EV的充放電情況Fig.8 EV charging and discharging in three scenarios

圖9 需求響應(yīng)前后電負荷需求Fig.9 Electric load demand before and after demand response

4.2.4碳交易機制和碳捕集系統(tǒng)對調(diào)度結(jié)果的影響 為了說明碳捕集系統(tǒng)以及階梯型碳交易的優(yōu)勢,給定置信水平為98%,不考慮魯棒系數(shù)和誤差系數(shù)的影響.設(shè)置4個模式:模式一在階梯型碳交易機制下,不考慮碳捕集系統(tǒng);模式二在階梯型碳交易機制下,考慮碳捕集系統(tǒng);模式三在單一價格型碳交易機制下,考慮碳捕集系統(tǒng);模式四在單一價格型碳交易機制下,不考慮碳捕集系統(tǒng).4種模式下的調(diào)度結(jié)果如表5所示.

表5 4種模式下的調(diào)度結(jié)果Tab.5 Benefits and risk costs of VPP at different confidence levels and risk factors

由表5可知,模式二的碳排放量比模式一少 4 310.84 kg,模式三碳排放量比模式四少 4 296.24 kg;而模式二的碳交易收益比模式一高 3 145.8 元,模式三比模式四高 3 071.2元.由此說明,考慮碳捕集系統(tǒng)可以降低VPP的碳排放量,加入碳捕集系統(tǒng)后,燃氣輪機的碳排放量低于碳配額,因而可以出售碳排放權(quán)來獲得收益,同時碳捕集捕集的CO2也可以通過出售的方式來增加VPP收益.此外,模式二的碳排放量比模式三少78.6 kg,模式一的碳排放量比模式四少64 kg.由此可見,相對于單一價格型碳交易,階梯型碳交易對碳排放量的制約更好,并且能提高VPP收益,如果VPP規(guī)模擴大,差距將更明顯.

4.2.5魯棒系數(shù)以及預(yù)測誤差系數(shù)對優(yōu)化結(jié)果的影響分析 在電動汽車可調(diào)魯棒模型下,魯棒系數(shù)以及預(yù)測誤差系數(shù)對VPP的優(yōu)化調(diào)度有一定影響.給定置信水平為98%,圖10為不同魯棒系數(shù)以及預(yù)測誤差系數(shù)下VPP的收益,圖11為不同魯棒系數(shù)以及預(yù)測誤差系數(shù)下電動汽車充放電情況,PEV為電動汽車充放電功率.

圖10 不同魯棒系數(shù)以及預(yù)測誤差系數(shù)下VPP的收益Fig.10 Profit graph of VPP at different robustness coefficients and prediction error coefficients

圖11 不同魯棒系數(shù)以及預(yù)測誤差系數(shù)下EV充放電情況Fig.11 EV charging and discharging at different robustness coefficients and prediction error coefficients

綜合圖10和圖11,魯棒系數(shù)和誤差系數(shù)的增大使得電動汽車的出力范圍變大.當預(yù)測誤差系數(shù)一定時,隨著魯棒系數(shù)的增大,VPP的收益減少.但當預(yù)測誤差系數(shù)較小時,魯棒系數(shù)的變化對優(yōu)化結(jié)果的影響并不明顯,所得結(jié)果較為保守;當魯棒系數(shù)一定時,預(yù)測誤差系數(shù)越大,VPP收益下降越快,這是由于電動汽車的出力范圍增大導(dǎo)致VPP的成本增加從而收益降低,但如何在魯棒性和經(jīng)濟性中獲得平衡將在下一步研究中深入探討.

5 結(jié)論

提出一種在多種不確定性環(huán)境下考慮階梯型碳交易的VPP低碳經(jīng)濟調(diào)度模型,綜合考慮VPP內(nèi)多重不確定性,分析研究機會約束最佳置信水平的選取、魯棒系數(shù)和誤差系數(shù)對VPP調(diào)度的影響,并在VPP內(nèi)引入碳捕集系統(tǒng)和階梯型碳交易,發(fā)揮其組合優(yōu)勢降低碳排放量、增加收益,實現(xiàn)低碳性和經(jīng)濟性的結(jié)合.通過算例分析驗證,得到以下結(jié)論:

(1) 針對VPP內(nèi)多樣化的不確定性,采用機會約束規(guī)劃處理風(fēng)、光、負荷的不確定性,并運用可調(diào)魯棒處理電動汽車的不確定性,分析不同置信水平下VPP的收益,并將風(fēng)險成本納入目標函數(shù)中,得出風(fēng)險-收益最佳的置信水平為98%,但區(qū)間的選取較粗糙且未考慮魯棒系數(shù)以及誤差系數(shù)的影響,因而后續(xù)研究將進行更精細的分析.

(2) 同時考慮需求響應(yīng)和電動汽車的不確定性比單獨考慮其中之一更顯優(yōu)勢,降低了高峰時段的用電壓力,更能減少負荷曲線的峰谷差.

(3) 碳捕集系統(tǒng)的加入能夠減少VPP碳排放量 4 310.84 kg,并且使得VPP的碳排放量小于碳配額,可以通過碳交易、出售碳捕集的CO2獲得收益.階梯型碳交易相比單一價格型碳交易能較好抑制碳排放,若VPP規(guī)模增大,效果將更明顯.由于沒有考慮魯棒系數(shù)和誤差系數(shù)的影響,所以所得結(jié)論不夠精細,后續(xù)將對此問題進行更具體研究.

(4) 魯棒系數(shù)和誤差系數(shù)的增大使得電動汽車的出力范圍變大.當誤差系數(shù)一定時,隨著魯棒系數(shù)的增大,VPP的收益減少;當魯棒系數(shù)一定時,誤差系數(shù)越大,VPP收益下降越快.后續(xù)將展開如何在魯棒性和經(jīng)濟性中獲得平衡的深入研究.