摘 要：針對(duì)風(fēng)光出力及負(fù)荷預(yù)測的不確定性對(duì)電力系統(tǒng)調(diào)度計(jì)劃產(chǎn)生的影響，提出考慮不確定性的虛擬電廠低碳經(jīng)濟(jì)調(diào)度方法。首先，以虛擬電廠運(yùn)行總成本最小為目標(biāo)，建立優(yōu)化調(diào)度模型；同時(shí)考慮到虛擬電廠的碳排放情況，將階梯型碳交易模型加入目標(biāo)函數(shù)中進(jìn)行調(diào)度；其次，引入模糊機(jī)會(huì)約束算法，對(duì)風(fēng)光出力及負(fù)荷的不確定性進(jìn)行處理；最后，算例結(jié)果表明所提調(diào)度模型的有效性，即綜合考慮模糊機(jī)會(huì)約束和階梯型碳交易的調(diào)度模型可有效提高新能源滲透率并降低系統(tǒng)碳排放。在此基礎(chǔ)上，可通過設(shè)置置信水平來控制風(fēng)險(xiǎn)，保證系統(tǒng)的安全穩(wěn)定運(yùn)行。

關(guān)鍵詞：可再生能源；碳交易；不確定性；虛擬電廠；模糊機(jī)會(huì)約束

中圖分類號(hào)：TM73" " " " " " " 文獻(xiàn)標(biāo)志碼：A

0 引 言

隨著“雙碳”目標(biāo)提出，中國新能源發(fā)電并網(wǎng)規(guī)模不斷擴(kuò)大［1-2］，新能源本身具有的不確定性對(duì)電網(wǎng)的影響也不斷增加，許多學(xué)者通過構(gòu)建不確定性模型來降低其對(duì)調(diào)度的不利影響［3-4］。不確定性模型可分為場景集分析、魯棒優(yōu)化、模糊機(jī)會(huì)約束等。文獻(xiàn)［5］采用多場景法，構(gòu)建了基于隨機(jī)規(guī)劃的調(diào)度模型；文獻(xiàn)［6］通過多場景法對(duì)風(fēng)電、太陽輻照度預(yù)測值的不確定性進(jìn)行了分析；文獻(xiàn)［7］提出計(jì)及風(fēng)險(xiǎn)的兩階段魯棒模型來處理風(fēng)電的不確定性；文獻(xiàn)［8］利用魯棒隨機(jī)優(yōu)化來處理風(fēng)能及太陽能的不確定性；文獻(xiàn)［9］利用三角隸屬度函數(shù)表征了風(fēng)功率不確定性；文獻(xiàn)［10］使用梯形隸屬度函數(shù)處理源荷不確定性；文獻(xiàn)［11］依據(jù)模糊規(guī)劃理論建立了模糊優(yōu)化調(diào)度模型。模糊理論具有較高的準(zhǔn)確性和簡易性，在調(diào)度方面廣泛應(yīng)用［12］。此外，還可將碳交易機(jī)制引入虛擬電廠中［13］。文獻(xiàn)［14］引入碳交易制度，實(shí)現(xiàn)了“源-荷”雙側(cè)互補(bǔ)協(xié)調(diào)優(yōu)化調(diào)度；文獻(xiàn)［15］考慮碳交易機(jī)制，實(shí)現(xiàn)用戶和虛擬電廠的雙贏。

本文提出考慮模糊機(jī)會(huì)約束和階梯型碳交易的優(yōu)化調(diào)度模型。先構(gòu)建以經(jīng)濟(jì)最優(yōu)為目標(biāo)的虛擬電廠調(diào)度模型；再針對(duì)風(fēng)光及負(fù)荷預(yù)測的不確定性，提出利用模糊機(jī)會(huì)約束解決優(yōu)化問題；最后進(jìn)行仿真分析，仿真結(jié)果表明本文所提模型具有良好的經(jīng)濟(jì)性和環(huán)保性。

1 虛擬電廠不確定性分析

1.1 模糊機(jī)會(huì)約束

通常在最優(yōu)化問題中，對(duì)于包含模糊參數(shù)的約束條件，可表述為［16］：

[minfx] （1）

[s.t." gx，?≤0] （2）

式中：[fx]——目標(biāo)函數(shù)；[x]——決策變量向量；[gx， ?]——含有模糊變量的約束條件；[?]——模糊變量向量。

在調(diào)度模型求解過程中，約束條件中包含的模糊參數(shù)會(huì)導(dǎo)致模型難以給出確定解，可通過適當(dāng)處理使約束條件以一定的置信水平[α]成立，表示為：

[Crgx，?≤0≥α] （3）

式中：[Cr{·}]——{·}中事件的可信性。

1.2 模糊參數(shù)的清晰等價(jià)類

當(dāng)約束函數(shù)[gx，?]具有如下形式：

[gx，?=h1x?1+h2x?2+…+htx?t+h0x] （4）

式中：[hkx]——只含有決策向量的函數(shù)；[?k]——模糊變量。

定義如下兩個(gè)函數(shù)：

[h+kx=hkx，" hkx≥00，" "hkxlt;0] （5）

[h-kx=0，" hkx≥0-hkx，" hkxlt;0] （6）

特殊地，當(dāng)[hkx=1]時(shí)，[h+kx=1]，[h-kx=0]；當(dāng)[hkx=-1]時(shí)，[h+kx=0，h-kx=1]。

若置信水平α≥0.5，則可將模糊約束的清晰等價(jià)類表示為：

[2-2αk=1trk3h+kx-rk2h-kx+" " " " 2α-1k=1trk4h+kx-rk1h-kx+h0x≤0] （7）

式中：[rk1～rk4]——模糊變量[?k]的隸屬度參數(shù)，其中[k=1，2，…， t， ][t∈R]。

綜上，通過模糊參數(shù)的清晰等價(jià)類，可實(shí)現(xiàn)對(duì)含模糊參數(shù)的最優(yōu)化問題的求解。

1.3 模糊參數(shù)的隸屬度函數(shù)

本文采用梯形隸屬度函數(shù)描述各不確定量［17］：

[μPx=Px4-PxPx4-Px3，" Px3lt;Px≤Px41，" Px2lt;Px≤Px3Px-Px1Px2-Px1，" Px1lt;Px≤Px20，" 其他] （8）

[Pxn=ωnPx，fc] （9）

式中：[μPx]——[Px]的梯形隸屬度函數(shù)；[Px1～Px4]——梯形隸屬度函數(shù)中的參數(shù)，決定隸屬度函數(shù)的形狀，其中[Px1]、[Px4]為參數(shù)的上下限范圍，[Px2]、[Px3]為參數(shù)最有可能出現(xiàn)的數(shù)值；[Px，fc]——[Px]的預(yù)測值，MW；[ωn]——比例系數(shù)，通常由風(fēng)光及負(fù)荷的歷史數(shù)據(jù)確定。

梯形模糊參數(shù)如圖1所示。

2 虛擬電廠優(yōu)化調(diào)度模型

2.1 目標(biāo)函數(shù)

為保障電廠運(yùn)行的經(jīng)濟(jì)性并保證電力系統(tǒng)的安全運(yùn)行，本文所建立的優(yōu)化調(diào)度模型選擇以虛擬電廠的運(yùn)行成本最小為目標(biāo)函數(shù)。

虛擬電廠運(yùn)行過程中，需綜合考慮風(fēng)電、光伏、火電、儲(chǔ)能電池的運(yùn)行及維護(hù)成本：

[minf=Cw+Cpv+Cth+CES+Cp] （10）

式中：[Cw]——風(fēng)電運(yùn)維成本，元；[Cpv]——光伏運(yùn)維成本，元；[Cth]——常規(guī)火電機(jī)組發(fā)電成本，元；[CES]——儲(chǔ)能電池運(yùn)維成本，元；[Cp]——新能源棄能懲罰成本，元。

[Cw=i=1Nρw·Pwi] （11）

[Cpv=i=1Nρpv·Ppvi] （12）

[Cth=j=1Mi=1Nath，j·P2th，ji+bth，j·Pth，ji+cth，j+γjdPth，jidi+" " " " "uji1-uji-1Nji] （13）

[Nji=Nhot，j，" Moff，jlt;Toff，jilt;Moff，j+Tcold，jNcold，j，" Moff，j+Tcold，jlt;Toff，ji] （14）

[CES=i=1NρES·Pdi+Pci] （15）

[Cp=i=1Nρp·Pw，pi+Ppv，pi] （16）

式中：[i]——時(shí)段；[N]——總時(shí)段數(shù)；[ρw、ρpv、ρES]——風(fēng)電、光伏、儲(chǔ)能的單位運(yùn)行維護(hù)成本，元/MW；[ρp]——新能源發(fā)電的單位棄能成本，元/MW；[Pwi]、[Ppvi]——[i]時(shí)段風(fēng)電、光伏的出力功率，MW；[M]——火電機(jī)組數(shù)量；[ath，j]、[bth，j]、[cth，j]——第[j]臺(tái)火電機(jī)組的煤耗成本系數(shù)；[Pth，ji]——[i]時(shí)段第[j]臺(tái)火電機(jī)組的出力功率，MW；[γj]——第[j]臺(tái)火電機(jī)組的爬坡成本系數(shù)；[uji]——[i]時(shí)段第[j]臺(tái)機(jī)組的啟停狀態(tài)，為0、1變量；[Nji]——[i]時(shí)段第[j]臺(tái)機(jī)組的啟停成本，元；[Nhot，j、Ncold，j]——第[j]臺(tái)機(jī)組的熱啟動(dòng)、冷啟動(dòng)成本，元；[Moff，j]——第[j]臺(tái)機(jī)組的最短允許停機(jī)時(shí)間，h；[Toff，j（i）]——[i]時(shí)段第[j]臺(tái)機(jī)組的連續(xù)停機(jī)時(shí)間，h；[Tcold，j]——第[j]臺(tái)機(jī)組的冷啟動(dòng)時(shí)間，h；[Pci]、[Pdi]——[i]時(shí)段儲(chǔ)能電池的充、放電功率，MW；[Pw，pi]、[Ppv，pi]——[i]時(shí)段的棄風(fēng)、棄光功率，MW。

2.2 階梯型碳交易成本模型

為推動(dòng)電力系統(tǒng)的清潔、低碳化建設(shè)，本文結(jié)合碳交易機(jī)制［18］，將碳交易成本引入虛擬電廠總成本中。為更好地控制系統(tǒng)的碳排放量，文中采用階梯型碳交易成本模型，與傳統(tǒng)碳交易相比，引入階梯型碳交易的調(diào)度模型會(huì)增加算法求解的難度，使得求解時(shí)間大大增加。階梯型碳交易成本模型為：

[Ccarbon=λcMtotal-Mrate，" "Mtotal≤Mrate+dλcd+1+rλcMtotal-Mrate-d，" " "Mrate+dlt;Mtotallt;Mrate+2d2+rλcd+1+2rλcMtotal-Mrate-2d，" " "Mtotal≥Mrate+2d] （17）

式中：[λc]——初始碳交易價(jià)格，元/t；[Mtotal]——虛擬電廠總碳排放量，t；[Mrate]——虛擬電廠初始給定的碳排放配額，t；[d]——碳排放量區(qū)間長度；[r]——碳排放量每上升一個(gè)階梯時(shí)，碳交易價(jià)格的增幅。

采用“基準(zhǔn)線法”對(duì)虛擬電廠的初始碳排放額度進(jìn)行分配，該方法可近似將所有發(fā)電機(jī)組的碳配額與機(jī)組發(fā)出電量看作比例關(guān)系，則虛擬電廠的碳排放配額為：

[Mrate=i=1NθPalli] （18）

[Palli=Pwi+Ppvi+j=1MPth，ji] （19）

式中：[θ]——各發(fā)電機(jī)組單位發(fā)出電量的碳排放額分配系數(shù)，t/MW；[Palli]——[i]時(shí)段虛擬電廠中所有發(fā)電機(jī)組的出力功率之和，MW。

風(fēng)能及太陽能是清潔能源，在發(fā)電過程幾乎不會(huì)產(chǎn)生碳排放，因而在虛擬電廠中，將燃煤火電機(jī)組作為碳排放來源。采用火電機(jī)組碳排放量與出力功率成正比的模型，即：

[Mtotal=j=1Mi=1Nφth，jPth，ji] （20）

式中：[φth，j]——第[j]臺(tái)燃煤火電機(jī)組單位出力功率的碳排放量，t/MW。

綜上，在原有成本的基礎(chǔ)上增加了碳交易成本，則有目標(biāo)函數(shù)：

[minf=Cw+Cpv+Cth+CES+Cp+Ccarbon] （21）

2.3 約束條件

2.3.1 系統(tǒng)功率平衡約束

[Pwi+Ppvi+j=1MPth，ji+PESi=Ploadi] （22）

式中：[PESi]——[i]時(shí)刻儲(chǔ)能電池的功率，MW；[Ploadi]——[i]時(shí)刻的用戶負(fù)荷需求，此處不考慮線損，MW。

2.3.2 火電機(jī)組出力約束

[Pth，jmin≤Pth，ji≤Pth，jmax] （23）

式中：[Pth，jmin]、[Pth，jmax]——第[j]臺(tái)火電機(jī)組出力的下、上限，MW。

2.3.3 火電機(jī)組爬坡約束

[-rdown·Δt≤Pth，ji+1-Pth，ji≤rup·Δt] （24）

式中：[rup，j]、[rdown，j]——第[j]臺(tái)火電機(jī)組的最大上、下爬坡功率，MW/h；[Δt]——兩采樣點(diǎn)間的時(shí)間間隔，s。

2.3.4 火電機(jī)組啟停時(shí)間約束

[Ton，ji-1-Mon，juji-1-uji≥0] （25）

[Toff，ji-1-Moff，juji-uji-1≥0] （26）

式中：[Ton，ji-1]、[Toff，ji-1]——[i-1]時(shí)段第[j]臺(tái)機(jī)組的連續(xù)運(yùn)行、停機(jī)時(shí)間，h；[Mon，j]、[Moff，j]——第[j]臺(tái)機(jī)組的最短允許運(yùn)行、停機(jī)時(shí)間，h。

2.3.5 儲(chǔ)能電池充放電狀態(tài)約束

[udi+uci≤1] （27）

[udi，" uci∈0，1] （28）

式中：[uci]、[udi]——儲(chǔ)能電池在[i]時(shí)刻充、放電狀態(tài)的0～1變量。

該約束可使儲(chǔ)能電池每時(shí)刻的狀態(tài)均處于充電、放電、不發(fā)生動(dòng)作中的一種。

2.3.6 儲(chǔ)能電池充放電功率約束

[0≤Pdi≤Pdmax] （29）

[0≤Pci≤Pcmax] （30）

式中：[Pcmax]、[Pdmax]——儲(chǔ)能電池允許最大充、放電功率，MW。

2.3.7 荷電狀態(tài)約束

[Si+1=1-εSi+uciPciηc-udiPdiηdEs] （31）

[Smin≤Si≤Smax] （32）

式中：[ε]——電池自放電率；[Si]——[i]時(shí)刻的電池荷電狀態(tài)；[ηc]、[ηd]——電池的充、放電效率；[Es]——儲(chǔ)能電池容量，MWh；[Smax]、[Smin]——電池荷電狀態(tài)的允許上、下限值。

8）系統(tǒng)旋轉(zhuǎn)備用約束

[Pwi+Ppvi+j=1MPth，ji+PESi-Ploadi≥Pi] （33）

式中：[Pi]——時(shí)段[i]下的系統(tǒng)旋轉(zhuǎn)備用功率要求；其值根據(jù)可再生能源并網(wǎng)功率進(jìn)行調(diào)整，MW。

2.4 風(fēng)光及負(fù)荷不確定性處理

對(duì)調(diào)度模型中的功率平衡約束、旋轉(zhuǎn)備用約束進(jìn)行處理，即使其均以置信水平α成立，則系統(tǒng)功率平衡的可信性機(jī)會(huì)約束可表示為：

[CrPload，i-Pw，i-Ppv，i-j=1MPth，ji-PESi=0≥α] （34）

旋轉(zhuǎn)備用約束的可信性機(jī)會(huì)約束可表示為：

[CrPload，i-Pw，i-Ppv，i-j=1MPth，ji-PESi≤0≥α] （35）

需注意的是，系統(tǒng)的旋轉(zhuǎn)備用約束處理的是預(yù)測值的不確定性，因此在確定性調(diào)度問題中，通常需加入一個(gè)備用功率[Pi]，而用模糊參數(shù)處理預(yù)測值后，約束中已對(duì)預(yù)測值的不確定性進(jìn)行了處理，因此無需再單獨(dú)設(shè)定備用功率。使用梯形模糊參數(shù)下的清晰等價(jià)類，則功率平衡約束和旋轉(zhuǎn)備用約束的清晰等價(jià)類分別為：

[2-2αPload，i3-Pw，i2-Ppv，i2+" " "2α-1Pload，i4-Pw，i1-Ppv，i1-j=1MPth，ji-PESi=0] （36）

[2-2αPload，i3-Pw，i2-Ppv，i2+" " "2α-1Pload，i4-Pw，i1-Ppv，i1-j=1MPth，ji-PESi≤0] （37）

式中：[Pw，i1]、[Pw，i2]——風(fēng)電隸屬度參數(shù)；[Ppv，i1]、[Ppv，i2]——光伏隸屬度參數(shù)；[Pload，i3]、[Pload，i4]——負(fù)荷隸屬度參數(shù)。

在計(jì)算新能源懲罰成本時(shí)，由于模糊參數(shù)不能直接應(yīng)用于公式計(jì)算中，使用式（38）、式（39）對(duì)[i]時(shí)段風(fēng)電、光伏的出力進(jìn)行等價(jià)：

[Pw，i=1-α2Pw，i1+Pw，i2+α2Pw，i3+Pw，i4] （38）

[Ppv，i=1-α2Ppv，i1+Ppv，i2+α2Ppv，i3+Ppv，i4] （39）

則i時(shí)段的棄風(fēng)、棄光可表示為：

[Pw，pi=Pw，fci-Pw，i] （40）

[Ppv，pi=Ppv，fci-Ppv，i] （41）

式中：[Pw，fci]、[Ppv，fci]——[i]時(shí)刻風(fēng)電、光伏出力的預(yù)測值，MW。

3 算例分析

3.1 基礎(chǔ)數(shù)據(jù)

為驗(yàn)證所建立的調(diào)度模型的可行性及有效性，本文選取某市100 MW風(fēng)電場、50 MW光伏電站進(jìn)行算例分析。常規(guī)火電機(jī)組參數(shù)見表1，其中各機(jī)組爬坡率均按每分鐘3%額定負(fù)荷計(jì)算。

本文中，選取容量為40 MWh的儲(chǔ)能電池，自放電率為1%，最大充、放電功率均為20 MW，充、放電效率均為0.95，電池荷電狀態(tài)的允許上、下限值分別為0.95、0.05。碳交易基準(zhǔn)價(jià)格取200元/t，碳排放量區(qū)間長度為20 t，同時(shí)系統(tǒng)碳排放量每升高一個(gè)階梯，碳交易價(jià)格增長量為基準(zhǔn)價(jià)格的25%。在考慮新能源發(fā)電的造價(jià)成本及運(yùn)行成本等后，風(fēng)電、光伏發(fā)電的單位成本分別折合為120、150元/MWh。風(fēng)光及負(fù)荷預(yù)測如圖2所示。

3.2 結(jié)果分析

為驗(yàn)證本文所提調(diào)度模型對(duì)提高系統(tǒng)經(jīng)濟(jì)性和環(huán)保性的作用，設(shè)置3種調(diào)度場景進(jìn)行對(duì)比。

場景1：采用確定性模型，為應(yīng)對(duì)系統(tǒng)不確定性，將虛擬電廠的旋轉(zhuǎn)備用容量設(shè)置為負(fù)荷的10%和風(fēng)、光預(yù)測值的30%。

場景2：采用模糊機(jī)會(huì)約束模型對(duì)風(fēng)、光及負(fù)荷的不確定性進(jìn)行處理，不考慮碳交易機(jī)制及成本，以運(yùn)行成本最小為目標(biāo)函數(shù)進(jìn)行優(yōu)化調(diào)度。

場景3：采用模糊機(jī)會(huì)約束模型，使用階梯型碳交易成本模型，以總成本最小為目標(biāo)函數(shù)進(jìn)行優(yōu)化調(diào)度。

采用混沌粒子群算法進(jìn)行模型求解，其基本思路是先對(duì)粒子進(jìn)行混沌初始化，即隨機(jī)生成若干解，之后根據(jù)式（21）計(jì)算各粒子的適應(yīng)度值，取其中成本最低的粒子作為當(dāng)前最優(yōu)解，再通過計(jì)算不斷迭代更新粒子的速度及位置，迭代結(jié)束后，得到使虛擬電廠總成本最小的調(diào)度計(jì)劃。設(shè)定場景2、3中的置信水平α=0.95，風(fēng)、光出力及負(fù)荷的梯形模糊參數(shù)取值如表2所示。

由于新能源出力的影響因素較多，使得出力功率的波動(dòng)較為劇烈，因此風(fēng)電、光伏模糊參數(shù)的左右擴(kuò)展幅度均較大。負(fù)荷預(yù)測值與實(shí)際值相比準(zhǔn)確度較高，因此其左右擴(kuò)展幅度較小。3種場景下的模擬調(diào)度結(jié)果如圖3所示。為更直觀地比較各場景的調(diào)度情況，列出3種場景的調(diào)度結(jié)果如表3所示。由表3可知，場景1下虛擬電廠的可再生能源滲透率為36.83%，是3種場景里最低的，其碳排放量為2846.0 t，總成本為883430元，均為3種場景里最高的。其原因在于傳統(tǒng)的確定性模型為保證系統(tǒng)的安全穩(wěn)定運(yùn)行，常需設(shè)置較大的旋轉(zhuǎn)備用容量，使得火電機(jī)組出力增加，進(jìn)而提高了碳排放量和總成本。相較于確定性調(diào)度，當(dāng)采用模糊機(jī)會(huì)約束模型進(jìn)行虛擬電廠調(diào)度時(shí)，調(diào)度結(jié)果中的各指標(biāo)都能得到顯著改善，具體可見場景3。場景3與場景1相比，系統(tǒng)的總調(diào)度成本減少了7.63%，約為67420元；碳排放量減少了6.46%，約為183.8 t；同時(shí)可再生能源的滲透率提高了8.80%。

在模糊機(jī)會(huì)約束中，系統(tǒng)并不要求功率平衡約束和旋轉(zhuǎn)備用約束在每個(gè)時(shí)刻的嚴(yán)格成立，即常規(guī)機(jī)組的出力可不滿足約束條件，但這種不滿足的情況需根據(jù)置信水平進(jìn)行控制，使調(diào)度結(jié)果達(dá)到一定的可信性，即滿足調(diào)度決策者的期望。這給了虛擬電廠更大的可調(diào)度空間，能有效提高系統(tǒng)經(jīng)濟(jì)性，同時(shí)降低碳排放。在本文所提算例中，風(fēng)電及光伏的裝機(jī)容量相對(duì)較大，在虛擬電廠中的出力占比較多，這使得系統(tǒng)所得碳排放配額較多，在火電機(jī)組出力較低時(shí)，虛擬電廠可通過出售部分碳排放配額來獲得收益。場景2中未考慮碳交易機(jī)制，模型對(duì)火電機(jī)組的約束相對(duì)較小，使得火電機(jī)組出力提高，成本增加，碳排放量也隨之增加，同時(shí)由于缺少售出碳排放配額的收益，系統(tǒng)運(yùn)行成本進(jìn)一步增加。

綜上，綜合考慮模糊機(jī)會(huì)約束和階梯型碳交易機(jī)制的優(yōu)化調(diào)度模型能有效減少系統(tǒng)運(yùn)行總成本，降低碳排放量，達(dá)到經(jīng)濟(jì)性和環(huán)保性的相對(duì)最優(yōu)。同時(shí)場景3相較于其他模型，其可再生能源滲透率最高，即系統(tǒng)消納了更多的風(fēng)電和光伏，證明本文所建立的優(yōu)化調(diào)度模型的有效性。

置信水平的選擇對(duì)虛擬電廠的經(jīng)濟(jì)性、環(huán)保性均有重要的影響。以場景3中的調(diào)度模型為基礎(chǔ)，改變系統(tǒng)的置信水平α，使其從0.50開始以0.05步長逐漸增至0.95，所得調(diào)度結(jié)果如圖4。從圖4可看出，隨著置信水平的不斷提高，系統(tǒng)總成本及碳排放量均不斷增大，即系統(tǒng)可靠性的提高使得投入成本增加；置信水平減小時(shí)，系統(tǒng)成本減少，同時(shí)風(fēng)光出力及負(fù)荷不確定性帶來的風(fēng)險(xiǎn)提高，供電的穩(wěn)定性和可靠性受到影響，即較高的回報(bào)會(huì)帶來高風(fēng)險(xiǎn)。置信水平體現(xiàn)的是對(duì)風(fēng)險(xiǎn)的接受程度，決策者在決策時(shí)可根據(jù)具體需要，結(jié)合對(duì)新能源出力及負(fù)荷的分析，選擇可接受的風(fēng)險(xiǎn)下能達(dá)到最小投入成本的調(diào)度方案。

在模糊機(jī)會(huì)約束中，備用容量被定義為火電機(jī)組在模糊參數(shù)下的出力與在精確預(yù)測值下的出力之差值。備用容量的大小由風(fēng)光及負(fù)荷的模糊特性共同決定，是預(yù)測值可信度有限帶來的額外容量，其作用是為風(fēng)光出力負(fù)增長和負(fù)荷正增長提供備用。不同置信水平下的調(diào)度結(jié)果如表4所示。從表4可看出，系統(tǒng)備用容量的大小與置信水平的設(shè)置密切相關(guān)，隨著[α]的增大，系統(tǒng)備用容量不斷增大，總成本也不斷增大，虛擬電廠安全性增加，經(jīng)濟(jì)性降低。在虛擬電廠運(yùn)行過程中，備用容量冗余會(huì)導(dǎo)致系統(tǒng)總成本增加，備用過少則無法滿足系統(tǒng)的供電可靠性要求，因此需根據(jù)實(shí)際情況合理配置系統(tǒng)容量，以提高虛擬電廠的經(jīng)濟(jì)性及運(yùn)行可靠性。

3.3 有效性分析

為證明本文中模糊機(jī)會(huì)約束的有效性，在場景3的基礎(chǔ)上，使用不同方法處理風(fēng)光及負(fù)荷的不確定性，各方法的具體設(shè)置如下：

方法1：模糊機(jī)會(huì)約束（置信度設(shè)置為0.95）；

方法2：隨機(jī)優(yōu)化（縮減場景至5個(gè)）；

方法3：魯棒優(yōu)化（魯棒系數(shù)設(shè)置為0.9）。

調(diào)度結(jié)果如表5所示。由表5可看出，在本文所提調(diào)度模型下，模糊機(jī)會(huì)約束能使虛擬電廠的總成本和碳排放量最低，同時(shí)達(dá)到最高的可再生能源滲透率。比較方法1和方法2的調(diào)度結(jié)果可知，隨機(jī)優(yōu)化法下的調(diào)度結(jié)果比模糊機(jī)會(huì)約束略差，系統(tǒng)的總成本和碳排放量均有所提高，且可再生能源滲透率略微下降。在方法2求解過程中，場景生成和場景削減的步驟會(huì)增加優(yōu)化算法求解的復(fù)雜程度，耗費(fèi)更多的求解時(shí)間；同時(shí)生成場景集后進(jìn)行的場景削減會(huì)造成部分場景集丟失，從而降低了模型的求解精度。方法3中，采用魯棒優(yōu)化后的虛擬電廠總成本和碳排放量均有顯著提高，同時(shí)可再生能源滲透率也明顯降低。出現(xiàn)這種情況的原因在于，魯棒優(yōu)化為保障電力系統(tǒng)具有較高的安全性及可靠性，需系統(tǒng)預(yù)留更多的旋轉(zhuǎn)備用容量，導(dǎo)致其結(jié)果過于保守，降低了系統(tǒng)運(yùn)行的經(jīng)濟(jì)性和環(huán)保性。

為進(jìn)一步分析3種方法在處理不確定性問題上的效果，選取10組（240個(gè)時(shí)段）風(fēng)光出力及負(fù)荷的預(yù)測數(shù)據(jù)，分別使用上述3種方法進(jìn)行優(yōu)化調(diào)度，再與基于實(shí)際數(shù)據(jù)的調(diào)度方案進(jìn)行對(duì)比，得到不滿足負(fù)荷需求的時(shí)段數(shù)及占比如表6所示。根據(jù)表6可看出，方法2中使用預(yù)測數(shù)據(jù)得到的調(diào)度結(jié)果不滿足實(shí)際負(fù)荷需求的時(shí)段數(shù)量最多，即受不確定性影響的程度最高，效果最差。在采用魯棒優(yōu)化方法時(shí)，由于考慮到了系統(tǒng)最惡劣的情況，其結(jié)果中不滿足實(shí)際負(fù)荷需求的時(shí)段數(shù)量與模糊機(jī)會(huì)約束相同，均為3種方法中的最低值，但根據(jù)表5，魯棒優(yōu)化的運(yùn)行成本和碳排放量過高，相較于模糊機(jī)會(huì)約束分別同比增長了3.42%、4.49%，約為27890元、119.5 t，不滿足經(jīng)濟(jì)性和環(huán)保性的要求。采用模糊機(jī)會(huì)約束時(shí)可兼顧系統(tǒng)總成本和負(fù)荷需求，通過設(shè)置不同的置信水平來克服風(fēng)光出力及負(fù)荷預(yù)測不確定性對(duì)調(diào)度的影響。

4 結(jié) 論

針對(duì)大規(guī)模新能源并網(wǎng)，本文對(duì)考慮風(fēng)光出力及負(fù)荷不確定性的虛擬電廠低碳經(jīng)濟(jì)調(diào)度進(jìn)行了研究，得到具體結(jié)論如下：

1）以虛擬電廠優(yōu)化調(diào)度總成本最小為目標(biāo)函數(shù)，建立了綜合考慮虛擬電廠經(jīng)濟(jì)性和環(huán)保性的調(diào)度模型。算例結(jié)果表明，綜合考慮模糊機(jī)會(huì)約束和階梯型碳交易機(jī)制的模型在運(yùn)行總成本最低的同時(shí)能達(dá)到最高的可再生能源滲透率和最低的碳排放量。

2）針對(duì)風(fēng)光出力及負(fù)荷的不確定性，使用模糊機(jī)會(huì)約束方法將不同的不確定性問題轉(zhuǎn)化為各置信水平下的確定優(yōu)化問題，進(jìn)而得到相應(yīng)的調(diào)度結(jié)果。算例結(jié)果表明，高置信度在提高系統(tǒng)供電可靠性的同時(shí)會(huì)帶來更高的成本，在實(shí)際生產(chǎn)中可根據(jù)需進(jìn)行置信水平的選擇。

3）將模糊機(jī)會(huì)約束與隨機(jī)優(yōu)化、魯棒優(yōu)化的效果進(jìn)行對(duì)比，結(jié)果表明模糊機(jī)會(huì)約束可兼顧系統(tǒng)總成本和負(fù)荷需求，更好地克服風(fēng)光出力及負(fù)荷預(yù)測不確定性對(duì)調(diào)度的影響。

［參考文獻(xiàn)］

［1］ 李暉， 劉棟， 姚丹陽. 面向碳達(dá)峰碳中和目標(biāo)的我國電力系統(tǒng)發(fā)展研判［J］. 中國電機(jī)工程學(xué)報(bào)， 2021， 41（18）： 6245-6258.

LI H， LIU D， YAO D Y. Analysis and reflection on the development of power system towards the goal of carbon emission peak and carbon neutrality［J］. Proceedings of the CSEE， 2021， 41（18）： 6245-6258.

［2］ 張大海， 贠韞韻， 王小君， 等. 計(jì)及風(fēng)光不確定性的新能源虛擬電廠多時(shí)間尺度優(yōu)化調(diào)度［J］. 太陽能學(xué)報(bào)， 2022， 43（11）： 529-537.

ZHANG D H， YUN Y Y， WANG X J， et al. Multi-time scale of new energy scheduling optimization for virtual power plant considering uncertainty of wind power and photovoltaic power［J］. Acta energiae solaris sinica， 2022， 43（11）： 529-537.

［3］ 潘華， 梁作放， 薛強(qiáng)中， 等. 基于分時(shí)電價(jià)的含風(fēng)-光-氣-儲(chǔ)虛擬電廠經(jīng)濟(jì)調(diào)度［J］. 太陽能學(xué)報(bào)， 2020， 41（8）： 115-122.

PAN H， LIANG Z F， XUE Q Z， et al. Economic dispatch of wind/PV/gas/storage virtual power plant based on time-of-use power price［J］. Acta energiae solaris sinica， 2020， 41（8）： 115-122.

［4］ 杜剛， 趙冬梅， 劉鑫. 計(jì)及風(fēng)電不確定性優(yōu)化調(diào)度研究綜述［J］. 中國電機(jī)工程學(xué)報(bào)， 2023， 43（7）： 2608-2626.

DU G， ZHAO D M， LIU X. Research review on optimal scheduling" " "considering" " wind" " power" "uncertainty［J］. Proceedings of the CSEE， 2023， 43（7）： 2608-2626.

［5］ 周博， 呂林， 高紅均， 等. 基于兩階段隨機(jī)規(guī)劃的虛擬電廠優(yōu)化交易策略［J］. 電力建設(shè)， 2018， 39（9）： 70-77.

ZHOU B， LYU L， GAO H J， et al. Optimal bidding strategy based on two-stage stochastic programming for virtual power plant［J］. Electric power construction， 2018， 39（9）： 70-77.

［6］ 崔楊， 張家瑞， 仲悟之， 等. 計(jì)及電熱轉(zhuǎn)換的含儲(chǔ)熱光熱電站與風(fēng)電系統(tǒng)優(yōu)化調(diào)度［J］. 中國電機(jī)工程學(xué)報(bào)， 2020， 40（20）： 6482-6493.

CUI Y， ZHANG J R， ZHONG W Z， et al. Optimal scheduling of concentrating solar power plant with thermal energy storage and wind farm considering electric-thermal conversion［J］. Proceedings of the CSEE， 2020， 40（20）： 6482-6493.

［7］ 蔣方帥， 曹俊波， 周志華， 等. 計(jì)及風(fēng)險(xiǎn)的分布式電源與儲(chǔ)能虛擬電廠魯棒優(yōu)化調(diào)度［J］. 現(xiàn)代電力， 2023， 40（4）： 570-576.

JIANG F S， CAO J B， ZHOU Z H， et al. Robust optimal scheduling of distributed power and storage virtual power plants considering risks［J］. Modern electric power， 2023， 40（4）： 570-576.

［8］ TAN Z F， FAN W， LI H F， et al. Dispatching optimization model of gas-electricity virtual power plant considering uncertainty based on robust stochastic optimization theory［J］. Journal of cleaner production， 2020， 247： 119106.

［9］ 邱革非， 何超， 駱釗， 等. 考慮源、荷不確定性的工業(yè)園區(qū)電-氣互聯(lián)綜合能源系統(tǒng)模糊優(yōu)化調(diào)度［J］. 電力自動(dòng)化設(shè)備， 2022， 42（5）： 8-14.

QIU G F， HE C， LUO Z， et al. Fuzzy optimal scheduling of integrated electricity and natural gas system in industrial park considering source-load uncertainty［J］. Electric power automation equipment， 2022， 42（5）： 8-14.

［10］ 張濤， 黃明娟， 劉伉， 等. 計(jì)及源荷不確定性和變工況特性的區(qū)域綜合能源系統(tǒng)優(yōu)化調(diào)度［J］. 智慧電力， 2022， 50（8）： 109-117.

ZHANG T， HUANG M J， LIU K， et al. Optimal scheduling of regional integrated energy system considering source-load uncertainty and variable condition characteristic［J］. Smart power， 2022， 50（8）： 109-117.

［11］ 張通， 劉理峰， 楊才明， 等. 考慮需求響應(yīng)和風(fēng)電不確定性的能源系統(tǒng)調(diào)度［J］. 浙江大學(xué)學(xué)報(bào)（工學(xué)版）， 2020， 54（8）： 1562-1571.

ZHANG T， LIU L F， YANG C M， et al. Energy system scheduling considering demand response and wind power uncertainty［J］. Journal of Zhejiang University （engineering science）， 2020， 54（8）： 1562-1571.

［12］ 仲悟之， 黃思宇， 崔楊， 等. 考慮源荷不確定性的風(fēng)電-光熱-碳捕集虛擬電廠協(xié)調(diào)優(yōu)化調(diào)度［J］. 電網(wǎng)技術(shù)， 2020， 44（9）： 3424-3432.

ZHONG W Z， HUANG S Y， CUI Y， et al. W-S-C capture coordination in virtual power plant considering source-load uncertainty［J］. Power system technology， 2020， 44（9）： 3424-3432.

［13］ 朱建全， 劉海欣， 葉漢芳， 等. 園區(qū)綜合能源系統(tǒng)優(yōu)化運(yùn)行研究綜述［J］. 高電壓技術(shù)， 2022， 48（7）： 2469-2482.

ZHU J Q， LIU H X， YE H F， et al. Review on optimal operation of park-level integrated energy system［J］. High voltage engineering， 2022， 48（7）： 2469-2482.

［14］ 袁桂麗， 劉培德， 唐福斌， 等. 計(jì)及綠色電力證書與碳交易制度的 “源-荷” 協(xié)調(diào)優(yōu)化調(diào)度［J］. 太陽能學(xué)報(bào)， 2022， 43（6）： 190-195.

YUAN G L， LIU P D， TANG F B， et al. Source-load coordination optimal scheduling considering green power certificate and carbon trading mechanisms［J］. Acta energiae solaris sinica， 2022， 43（6）： 190-195.

［15］ 楊柳， 張超， 蔣勃， 等. 考慮用戶滿意度的虛擬電廠熱電聯(lián)合低碳經(jīng)濟(jì)調(diào)度模型［J］. 熱力發(fā)電， 2019， 48（9）： 40-45.

YANG L， ZHANG C， JIANG B， et al. A combined low-carbon economic dispatching model for virtual power plant considering customer satisfaction index［J］. Thermal power generation， 2019， 48（9）： 40-45.

［16］ 崔楊， 周慧娟， 仲悟之， 等. 考慮源荷兩側(cè)不確定性的含風(fēng)電電力系統(tǒng)低碳調(diào)度［J］. 電力自動(dòng)化設(shè)備， 2020， 40（11）： 85-91.

CUI Y， ZHOU H J， ZHONG W Z， et al. Low-carbon scheduling of power system with wind power considering uncertainty of both source and load sides［J］. Electric power automation equipment， 2020， 40（11）： 85-91.

［17］ 李政潔， 于強(qiáng)， 龔文杰， 等. 計(jì)及模糊機(jī)會(huì)約束的電-氣-熱能源樞紐多目標(biāo)優(yōu)化調(diào)度［J］. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2021， 33（9）： 49-56.

LI Z J， YU Q， GONG W J， et al. Multi-objective optimal scheduling of electricity-gas-heat energy hub considering fuzzy chance constraint［J］. Proceedings of the CSU-EPSA， 2021， 33（9）： 49-56.

［18］ 葉浩劼， 謝麗蓉， 鄧佳桐， 等. 考慮碳交易機(jī)制的風(fēng)-火協(xié)調(diào)低碳優(yōu)化調(diào)度［J］. 太陽能學(xué)報(bào)， 2023， 44（6）： 106-112.

YE H J， XIE L R， DENG J T， et al. Wind-fire coordinated low-carbon optimal dispatch considering carbon trading mechanism［J］. Acta energiae solaris sinica， 2023， 44（6）： 106-112.

LOW-CARBON ECONOMIC DISPATCH OF VIRTUAL POWER PLANTS CONSIDERING WIND POWER， PHOTOVOLTAIC AND

LOAD UNCERTAINTY

Lyu You1，Mao Naixin1，Qin Ruijun1，Zhang Qian2，Xin Xiaogang2

（1. School of Control and Computer Engineering， North China Electric Power University， Beijing 102206， China；

2. Inner Mongolia Power（Group） Co.，Ltd.， Inner Mongolia Power Research Institute Branch， Hohhot 010020， China）

Abstract：In view of the influence of uncertainty of wind， solar output and load forecast on power system dispatching， a low-carbon economic dispatching method for virtual power plants considering uncertainty is proposed in this paper. Firstly， the optimal dispatching model is established to minimize the total operating cost of virtual power plants. At the same time， considering the carbon emission of the virtual power plants， the stepped carbon trading model is added to the objective function for dispatching. Secondly， the fuzzy chance constraint algorithm is introduced to deal with the uncertainty of wind， solar output and load. Finally， the results of the example show the effectiveness of the proposed dispatching model， that is， the dispatching model considering fuzzy chance constraints and stepped carbon trading can effectively improve the penetration rate of new energy and reduce the carbon emissions of the system. On this basis， the risk can be controlled by setting the confidence level to ensure the safe and stable operation of the system.

Keywords：renewable energy； carbon trading； uncertainty analysis； virtual power plant； fuzzy chance constraint