一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法

摘要

本发明公开了一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法包括：建立计及负荷侧和电源侧协调运行的VPP多目标优化调度模型和对所述计及负荷侧和电源侧协调运行的VPP多目标优化调度模型的求解；所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法综合考虑了负荷侧和电源侧资源对提高新能源消纳的能力，并降低了系统运行的成本和对环境成本的影响。

说明书

技术领域

本发明涉及电力系统的新能源并网调度技术领域，特别是涉及计及负荷侧和电源侧的虚拟电厂多目标优化调度方法。

背景技术

新能源电力正在快速发展，由于我国使用的新能源电力具有随机性、间歇性、分布式和反调峰的特点，并且我国使用的新能源电力面临新能源发电功率预测精度有限、我国以火力发电为主的电源结构不合理、可调峰电源不足和传统的调度运行方式，使得大规模不可控新能源发电基地面临电网新能源消纳水平有限的困境。常规电源调节能力和电力系统传统的调度运行方式，已经不能满足大规模新能源电力的送出需求。在智能电网快速发展的背景下，负荷侧调度资源可以有效的参与电网负荷优化调度。电力系统传统调度运行方式是通过调度电源侧常规电源消纳新能源电力，并未考虑到负荷侧用户需求响应对消纳新能源电力、降低运行成本和环境成本的作用。需求响应可以使需求侧资源成为一种虚拟资源参与电网负荷调度，用户需求响应包括基于价格的需求响应和基于激励的需求响应。综合考虑负荷侧资源和电源侧资源，使负荷侧和电源侧调度相协调，是解决不可控新能源电力消纳问题的有效途径。

虚拟电厂(Virtual Power Plant,VPP)概念的提出为解决上述新能源并网问题提供了全新思路，有助于实现智能电网中电源侧和负荷侧资源的系统集成。虚拟电厂将一定区域内的传统发电厂、分布式发电(distributed generation,DG)、可控负荷和储能系统有机结合，通过一个控制中心的管理，合并为一个整体参与电网运行，能更加充分地发挥DG效益，提高用户供电可靠性。由电源侧和负荷侧调度资源构建成的VPP并未改变每个分布式能源(distributed energy resource,DER)的并网方式，而是通过技术聚合DG、储能系统、可控负荷等不同类型的DER，实现DG的有效聚合和管理，从而具有与常规电厂相似的运行功能，参与电力市场的交易和系统调度。

目前针对VPP的研究主要集中在发电侧或负荷侧，综合考虑负荷侧和发电侧的VPP优化调度非常少，且仅涉及负荷侧的可中断负荷，并未深入的研究可中断负荷对VPP的作用，也未考虑负荷侧基于价格和激励的需求响应对VPP的优化调度的影响，以及负荷侧和发电侧协调调度对新能源电力消纳、系统运行成本和环境的影响。

因此希望有一种涉及计及负荷侧和电源侧的虚拟电厂多目标优化调度方法可以克服或至少减轻现有技术的上述缺陷。

发明内容

本发明的目的在于提供一种涉及计及负荷侧和电源侧的虚拟电厂多目标优化调度方法来克服现有技术中存在的上述问题。

为实现上述目的，本发明提供一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法，包括建立计及负荷侧和电源侧协调运行的VPP多目标优化调度模型，所述建立计及负荷侧和电源侧协调运行的VPP多目标优化调度模型包括以下步骤：

1)优化目标的数学模型，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法以新能源消纳量最大、系统运行成本和环境成本最小为目标，其数学模型分别为：

a)新能源消纳量最大数学表达式为：

>

其中：T为调度期间时段数；N_W、N_P分别是风力发电场、光伏发电场个数；为分别为风电场i和光伏电场j在t时段的有功调度出力；

b)运行成本最小数学表达式为：

>

其中：C_gen为常规电源的发电成本，由常规电源的运行成本组成；C_IL为可中断负荷的投切成本；N_G为常规电源机组台数；为常规电源机组x在t时段的启停状态变量，为常规机组开机状态，为常规机组停机状态；为常规机组x在时段t的有功出力；a_x、b_x、c_x为常规机组x的运行成本参数；N_H为可中断负荷组数；为可中断负荷用户k在时段t的电价折扣；为可中断负荷用户k在时段t的可中断容量；为可中断负荷用户k在时段t的单位中断负荷成本；为可中断负荷用户k在时段t的中断负荷；

c)火电机组的氮氧化物对环境的污染成本最小数学表达式为：

>

式中：α_x、β_x、γ_x、λ_x为常规机组P_Gx排放氮氧化物物特性参数，C_e为单位氮氧化物环境成本；

2)优化调度模型的约束条件：

约束条件包括系统约束、新能源运行约束、常规电源运行约束和可中断负荷约束等；

a)所述系统约束为：

①功率平衡约束为：

$>\underset{i=1}{\overset{N_W}{\Sigma }}{P}_{Wi}^t+\underset{j=1}{\overset{N_P}{\Sigma }}{P}_{Pj}^t+\underset{x=1}{\overset{N_G}{\Sigma }}{U}_{Gx}^t{P}_{Gx}^t=P_L^t$>

$>\underset{i=1}{\overset{N_W}{\Sigma }}{P}_{Wi}^t+\underset{j=1}{\overset{N_P}{\Sigma }}{P}_{Pj}^t+\underset{x=1}{\overset{N_G}{\Sigma }}{U}_{Gx}^t{P}_{Gx}^t+\underset{k=1}{\overset{N_H}{\Sigma }}{Q}_{ILk}^t=P_L^{t*}$>

②系统旋转备用容量约束为：

$>\underset{x=1}{\overset{N_G}{\Sigma }}{U}_{Gx}^t(P_{Gx,up}^t-P_{Gx}^t)\ge R_{L,up}^t+R_{W,up}^t+R_{P,up}^t$>

$>\underset{x=1}{\overset{N_G}{\Sigma }}{U}_{Gx}^t(P_{Gx}^t-P_{Gx,down}^t)\ge R_{L,up}^t+R_{W,down}^t+R_{P,down}^t$>

其中：分别为常规机组x在时段t最大可用出力和最小可用出力入，N_H是可中断负荷组数；和分别为t时段应对负荷预测误差所需正负旋转备用；和分别为t时段应对风电和光伏功率波动所需正负旋转备用；

b)所述新能源运行约束为：

①风力发电约束为：

$>0\le P_{Wi}^t\le P_{Wi,forecast}^t$>

②光伏发电约束为：

$>0\le P_{Pj}^t\le P_{Pj,forecast}^t$>

其中：为别为风电场i、光伏发电场j在t时段的有功预测出力；

c)所述常规电源约束为：

①输出功率上下限约束为：

$>U_{Gx}^t{P}_{Gx,min}\le P_{Gx}^t\le U_{Gx}^t{P}_{Gx,max}$>

其中：P_Gx,min、P_Gx,max为常规机组x的功率上下限；

②最小启停时间约束为：

$>\left(\begin{array}{c}(U_{Gx}^{t-1}-U_{Gx}^t)(T_{Gx,on}^t-T_{Gx,on}^{\min })\ge 0\\ (U_{Gx}^t-U_{Gx}^{t-1})(T_{Gx,off}^t-T_{Gx,off}^{\min })\ge 0\end{array}\right)$>

③爬坡速度约束为：

$>\left(\begin{array}{c}{U}_{Gx}^t{P}_{Gx}^t-U_{Gx}^{t-1}{P}_{Gx}^{t-1}\le P_{Gx,up}\\ U_{Gx}^{t-1}{P}_{Gx}^{t-1}-U_{Gx}^t{P}_{Gx}^t\le P_{Gx,down}\end{array}\right)$>

其中：为别为常规机组x时段t的开机时间和停机时间，分别为常规机组x的最小运行时间和最小停机时间，为常规机组x在时段t-1的出力，P_Gx,up和P_Gx,down分别为常规机组x上升出力限制和下降出力限制；

d)所述可中断负荷约束为：

其中：为可中断负荷k在时段t投入容量上下限，N_H是可中断负荷组数；P_Hk为可中断负荷k在时段t投切组数和投入容量。

优选地，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法还包括对计及负荷侧和电源侧协调运行的VPP多目标优化调度模型的求解，所述求解采用结合分目标乘除法原理的自适应免疫疫苗算法求解上述VPP多目标负荷优化调度；

a)所述分目标乘除法原理是基于单目标思路的多目标求解方法，可以有效的避免决策者的经验，在达到较好的优化效果的同时，提高优化方案的简洁性，其数学表述为：

对于一个同时含有m个目标函数寻求最小化，n个目标函数寻求最大化的多目标优化问题：

>

其中，F(x)＝[f₁(x),f₂(x),L>m(x)]^T，G(x)＝[g₁(x),g₂(x),L>n(x)]^T；求解上述多目标优化问题的分目标乘除法思路为：将模型中各个分目标函数进行相乘或者相

除处理之后，在可行域上进行求解单目标优化问题，具体数学表达式为：

>

目标函数为：minF＝C_GL*E_C/E_WP；

b)所述自适应免疫疫苗算法能有效的克服基本遗传算法的未成熟收敛，局部搜索能力差，多样性降低等缺点，有效防止种群退化，提高收敛稳定性和收敛速度，缩短搜索时间。

优选地，负荷侧对VPP优化调度的影响主要体现在需求响应上，按照响应机制的不同，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法的负荷侧需求响应可以分为基于分时电价的需求响应和基于可中断负荷激励的需求响应；

a)所述基于分时电价的需求响应对VPP优化调度的影响体现在用户可以响应分时电价的变化，并相应的调整用电需求，从而改变用电方式，改善用电结构，VPP通过分时电价主动的引导电力用户参与负荷调节，从而进行负荷削峰填谷，缓解用电高峰期时电网供电压力，研究用户响应并以此预测负荷曲线是制定VPP发电计划的基础，根据消费者心理学原理，用户对不同价格存在不同程度响应，实施分时电价后负荷曲线会相应发生改变，基于消费者心理学的分时电价用户响应原理确定的各时段拟合负荷表示为：

$>L_t=\left(\begin{array}{c}{L}_{t0}+{\lambda }_{pv}\overline{L_p}+{\lambda }_{fv}\overline{L_f},t\in T_v\\ L_{t0}+{\lambda }_{pf}\overline{L_p}-{\lambda }_{fv}\overline{L_f},t\in T_f\\ L_{t0}-{\lambda }_{pv}\overline{L_p}-{\lambda }_{pf}\overline{L_p},t\in T_p\end{array}\right)$>

其中λ为负荷转移率，即实行分时电价后，负荷从高电价时段向低电价时段转移量与高电价时段负荷之比，λ_pv、λ_pf、λ_fv分别为峰时段到谷时段的负荷转移率、峰时段到平时段的负荷转移率、平时段到谷时段的负荷转移率；T_p、T_f、T_v分别为峰时段、平时段、谷时段，t为其中任一时段；L_t0、L_t分别为分时电价实施前t时段的实测负荷、实施后t时段的拟合负荷；分别为实施前峰、平时段总负荷在相应时段内的平均值；

b)所述基于可中断负荷激励的需求响应对VPP优化调度的影响体现在通过激励政策使可中断用户在系统可靠性受到影响或者电价较高时响应并削减负荷，等效于增加了系统备用容量，当用户削减负荷时会得到相应的经济补偿，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法采用负荷功率大、可中断和调节的高载能负荷作为可中断负荷，高载能负荷响应速度能达到ms级，采用多条生产线串联的生产方式，通过投切，能够实现高载能负荷从0％到100％容量范围功率调节，

可中断负荷参与系统运行流程基于以下前提条件：

①可中断负荷用户提前一天向VPP申报次日可削减负荷及经济补偿标准；

②VPP在综合考虑发电机运行状况、负荷情况和用户申报的基础上确定可中断负荷的调用情况，包括是否调用及调用多少；

③可中断负荷用户根据VPP确定的可中断负荷调用情况，修正次日生产计划；

④最后根据VPP实际调用情况对可中断负荷用户进行补偿；

可中断负荷成本包括可中断容量成本和可中断电量成本两部分，可中断容量成本与VPP是否调用无关，是固定成本，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法采用电价折扣的方式，负荷不被中断此部分成本也不会减少，可中断电量成本为可中断负荷实际被调用后所产生的成本，购买第k个可中断负荷用户在t时段可中断容量的成本为：

$>C_{ILLk}^{t*}=C_{ILLk}^t{Q}_{ILLk}^t$>

其中为可中断负荷用户k在t时段电价折扣；为可中断负荷用户k在t时段可中断容量，购买第k个可中断负荷用户在t时段可中断电量成本为：

$>C_{ILk}^t=\Sigma C_{ILk0}^t{I}_k^t{Q}_{ILk}^t$>

其中为可中断负荷用户k在t时段单位削减负荷成本；为用户k的t时段的负荷削减量；为可中断负荷的调用状态，表示可中断负荷被调用，表示未被调用。

优选地，电源侧对VPP优化调度的影响，电源侧资源为常规电源和新能源，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法使用的常规电源为水电机组和火电机组，新能源为风力发电和光伏发电，水电机组调节能力强，调节速度快，但受季节因素影响大，火电机组调整容量一般为装机容量的30％-50％，调节范围较小，且调节速度慢，风力发电和光伏发电是间歇性能源，出力波动会严重威胁电网安全，但是两者出力具有明显的互补性，白天太阳光最强时，风很小，晚上太阳落山后，光照很弱，但由于地表温差变化大而风能加强，在夏季，太阳光强度大而风小，冬季，太阳光强度弱而风大，太阳能和风能在时间上的互补性使风光互补发电在资源上具有最佳的匹配性，可实现连续、稳定发电。

优选地，负荷侧和电源侧协调运行对VPP优化调度影响：所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法主要考虑负荷侧和电源侧协调运行对VPP优化调度在以下3个方面的影响，分别是对VPP新能源消纳方面、系统运行成本方面和环境方面的影响。

a)所述负荷侧和电源侧协调运行对VPP新能源消纳影响：

所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法的发电侧中新能源为风力发电和光伏发电，风力和光伏发电具有波动性和不可准确预测性的特点，当风力、光伏发电比例超出一定程度时，只靠常规电源调节无法满足风力、光伏发电消纳和负荷需求，考虑用户需求响应的作用机理，通过分时电价和可中断负荷激励措施，引导用户调节和改善用电结构和用电方式，进行负荷移峰填谷，增加新能源消纳能力，降低VPP发电成本和对环境的影响；基于新能源出力波动曲线，分析负荷侧和发电侧协调运行模式对VPP优化调度的影响，对于给定的日负荷曲线，在满足其最大、最小值情况下，计及负荷预测误差和风光预测误差所需旋转备用，确定VPP发电机组开机方式，VPP上网发电机组最大输出功率为：

$>P_{g,max}=\underset{i=1}{\overset{n}{\Sigma }}{P}_{peaki}+\underset{j=1}{\overset{m}{\Sigma }}{P}_{forcej}$>

$>P_{g,min}=\underset{i=1}{\overset{n}{\Sigma }}{C}_{gi}{P}_{peaki}+\underset{j=1}{\overset{m}{\Sigma }}{P}_{forcej}$>

其中：P_g,max、P_g,min为VPP上网发电机组最大、最小发电功率；P_peaki为包括水电机组在内的VPP上网发电机组额定出力；P_forcej为不可调上网发电机组的强迫出力；C_gi为可调上网发电机组最小技术出力系数。

在传统只有电源侧电源参与调度模式下，新能源电力接入后系统等效负荷为P_E为

P_E＝P_L-P_W-P_P

P_L为系统原有的有功负荷；P_W为风电出力；P_P为光伏发电出力。

当新能源出力超出可调机组向下调节能力时，如果电网全额接纳此部分新能源电力，可调机组将被迫减小出力至非常规出力状态，甚至停机调峰，这将严重影响电网运行的安全性和经济性，该方式下受限新能源电量E_W,abon为：

$>\left(\begin{array}{c}{E}_{W,abon}=\underset{t=t_1}{\overset{t=t_2}{\Sigma }}(P_{g,\min }-P_E)\Delta T\\ =\underset{t=t_1}{\overset{t=t_2}{\Sigma }}(P_{g,\min }-P_L+P_W+P_P)\Delta T\end{array}\right)$>

其中，ΔT为时段t的持续时间长度；

采用负荷侧和电源侧协调运行方式后，在新能源出力超出可调机组向下调节能力的时段，用户响应分时电价价格引导和可中断负荷激励后，原负荷低谷时段负荷增加，等效负荷和受限的新能源电量为

$>P_E^{*}=P_L^{*}-P_W-P_P$>

$>E_{W,abon}^{*}=\underset{t=t_1}{\overset{t=t_2}{\Sigma }}(P_{g,min}-P_E^{*})\Delta T=\underset{t=t_1}{\overset{t=t_2}{\Sigma }}(P_{g,min}-P_L^{*}+P_W+P_P)\Delta T$>

其中：为系统实施分时电价后的有功负荷，在t₁-t₂时段因此，负荷侧和电源侧协调运行方式下的新能源受限电量要小于传统调度方式下的新能源受限电量，即因此可以通过负荷侧需求响应来消纳受限新能源电量，有效提高了消纳新能源电量能力；

b)所述负荷侧和电源侧协调运行对VPP系统运行成本和环境影响：

传统的负荷优化调度方式通过调度常规电源达到目的，然而常规电源发电成本较高，且其中火力发电还会产生环境污染，由以上分析可知，负荷侧和电源侧协调运行后，负荷曲线改变，因此其必定会对系统运行成本和环境产生影响，负荷曲线改变后，新能源消纳量增加，常规电源的发电量降低，对环境的影响将会降低，负荷侧和电源侧协调运行后系统运行成本包含可中断负荷成本和发电成本，由于常规电源发电量降低，发电成本肯定会降低，再加上合适的可中断负荷成本，系统运行成本也将降低。

本发明提出一种涉及计及负荷侧和电源侧的虚拟电厂多目标优化调度方法，所述调度方法综合考虑了负荷侧和电源侧资源对提高新能源消纳的能力，并降低了系统运行的成本和对环境成本的影响。

附图说明

图1是可中断负荷用户参与系统运行流程图。

图2是负荷侧和电源侧协调运行对新能源消纳影响示意图。

图3是自适应免疫疫苗算法流程图。

图4是分时电价实施前后电网负荷预测曲线。

图5是可中断负荷备用信息。

图6是电网负荷示意图。

图7是新能源消纳情况比较示意图。

图8是常规机组运行情况示意图。

图9是可中断负荷运行情况示意图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。

在本发明一宽泛实施例中：计及负荷侧和电源侧的虚拟电厂多目标优化调度方法，包括建立计及负荷侧和电源侧协调运行的VPP多目标优化调度模型，所述建立计及负荷侧和电源侧协调运行的VPP多目标优化调度模型包括以下步骤：

1)优化目标的数学模型，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法以新能源消纳量最大、系统运行成本和环境成本最小为目标，其数学模型分别为：

a)新能源消纳量最大数学表达式为：

>

其中：T为调度期间时段数；N_W、N_P分别是风力发电场、光伏发电场个数；为分别为风电场i和光伏电场j在t时段的有功调度出力；

b)运行成本最小数学表达式为：

>

其中：C_gen为常规电源的发电成本，由常规电源的运行成本组成；C_IL为可中断负荷的投切成本；N_G为常规电源机组台数；为常规电源机组x在t时段的启停状态变量，为常规机组开机状态，为常规机组停机状态；为常规机组x在时段t的有功出力；a_x、b_x、c_x为常规机组x的运行成本参数；N_H为可中断负荷组数；为可中断负荷用户k在时段t的电价折扣；为可中断负荷用户k在时段t的可中断容量；为可中断负荷用户k在时段t的单位中断负荷成本；为可中断负荷用户k在时段t的中断负荷；

c)火电机组的氮氧化物对环境的污染成本最小数学表达式为：

>

式中：α_x、β_x、γ_x、λ_x为常规机组P_Gx排放氮氧化物物特性参数，C_e为单位氮氧化物环境成本；

2)优化调度模型的约束条件：

约束条件包括系统约束、新能源运行约束、常规电源运行约束和可中断负荷约束等；

a)所述系统约束为：

①功率平衡约束为：

$>\underset{i=1}{\overset{N_W}{\Sigma }}{P}_{Wi}^t+\underset{j=1}{\overset{N_P}{\Sigma }}{P}_{Pj}^t+\underset{x=1}{\overset{N_G}{\Sigma }}{U}_{Gx}^t{P}_{Gx}^t=P_L^t$>

$>\underset{i=1}{\overset{N_W}{\Sigma }}{P}_{Wi}^t+\underset{j=1}{\overset{N_P}{\Sigma }}{P}_{Pj}^t+\underset{x=1}{\overset{N_G}{\Sigma }}{U}_{Gx}^t{P}_{Gx}^t+\underset{k=1}{\overset{N_H}{\Sigma }}{Q}_{ILk}^t=P_L^{t*}$>

②系统旋转备用容量约束为：

$>\underset{x=1}{\overset{N_G}{\Sigma }}{U}_{Gx}^t(P_{Gx,up}^t-P_{Gx}^t)\ge R_{L,up}^t+R_{W,up}^t+R_{P,up}^t$>

$>\underset{x=1}{\overset{N_G}{\Sigma }}{U}_{Gx}^t(P_{Gx}^t-P_{Gx,down}^t)\ge R_{L,up}^t+R_{W,down}^t+R_{P,down}^t$>

其中：分别为常规机组x在时段t最大可用出力和最小可用出力入，N_H是可中断负荷组数；和分别为t时段应对负荷预测误差所需正负旋转备用；和分别为t时段应对风电和光伏功率波动所需正负旋转备用；

b)所述新能源运行约束为：

①风力发电约束为：

$>0\le P_{Wi}^t\le P_{Wi,forecast}^t$>

②光伏发电约束为：

$>0\le P_{Pj}^t\le P_{Pj,forecast}^t$>

其中：为别为风电场i、光伏发电场j在t时段的有功预测出力；

c)所述常规电源约束为：

①输出功率上下限约束为：

$>U_{Gx}^t{P}_{Gx,min}\le P_{Gx}^t\le U_{Gx}^t{P}_{Gx,max}$>

其中：P_Gx,min、P_Gx,max为常规机组x的功率上下限；

②最小启停时间约束为：

$>\left(\begin{array}{c}(U_{Gx}^{t-1}-U_{Gx}^t)(T_{Gx,on}^t-T_{Gx,on}^{\min })\ge 0\\ (U_{Gx}^t-U_{Gx}^{t-1})(T_{Gx,off}^t-T_{Gx,off}^{\min })\ge 0\end{array}\right)$>

③爬坡速度约束为：

$>\left(\begin{array}{c}{U}_{Gx}^t{P}_{Gx}^t-U_{Gx}^{t-1}{P}_{Gx}^{t-1}\le P_{Gx,up}\\ U_{Gx}^{t-1}{P}_{Gx}^{t-1}-U_{Gx}^t{P}_{Gx}^t\le P_{Gx,down}\end{array}\right)$>

其中：为别为常规机组x时段t的开机时间和停机时间，分别为常规机组x的最小运行时间和最小停机时间，为常规机组x在时段t-1的出力，P_Gx,up和P_Gx,down分别为常规机组x上升出力限制和下降出力限制；

d)所述可中断负荷约束为：

$>P_{H,min}^t\le \underset{k=1}{\overset{N_H}{\Sigma }}{S}_{Hk}^t{P}_{Hk}\le P_{H,\max }^t,$>

其中：为可中断负荷k在时段t投入容量上下限，N_H是可中断负荷组数；P_Hk为可中断负荷k在时段t投切组数和投入容量。

所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法还包括对计及负荷侧和电源侧协调运行的VPP多目标优化调度模型的求解，所述求解采用结合分目标乘除法原理的自适应免疫疫苗算法求解上述VPP多目标负荷优化调度；

a)所述分目标乘除法原理是基于单目标思路的多目标求解方法，可以有效的避免决策者的经验，在达到较好的优化效果的同时，提高优化方案的简洁性，其数学表述为：

对于一个同时含有m个目标函数寻求最小化，n个目标函数寻求最大化的多目标优化问题：

>

其中，F(x)＝[f₁(x),f₂(x),L>m(x)]^T，G(x)＝[g₁(x),g₂(x),L>n(x)]^T；求解上述多目标优化问题的分目标乘除法思路为：将模型中各个分目标函数进行相乘或者相除处理之后，在可行域上进行求解单目标优化问题，具体数学表达式为：

>

目标函数为：minF＝C_GL*E_C/E_WP；

b)所述自适应免疫疫苗算法能有效的克服基本遗传算法的未成熟收敛，局部搜索能力差，多样性降低等缺点，有效防止种群退化，提高收敛稳定性和收敛速度，缩短搜索时间，其算法流程图如图3。

负荷侧对VPP优化调度的影响主要体现在需求响应上，按照响应机制的不同，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法的负荷侧需求响应可以分为基于分时电价的需求响应和基于可中断负荷激励的需求响应；

a)所述基于分时电价的需求响应对VPP优化调度的影响体现在用户可以响应分时电价的变化，并相应的调整用电需求，从而改变用电方式，改善用电结构，VPP通过分时电价主动的引导电力用户参与负荷调节，从而进行负荷削峰填谷，缓解用电高峰期时电网供电压力，研究用户响应并以此预测负荷曲线是制定VPP发电计划的基础，根据消费者心理学原理，用户对不同价格存在不同程度响应，实施分时电价后负荷曲线会相应发生改变，基于消费者心理学的分时电价用户响应原理确定的各时段拟合负荷表示为：

$>L_t=\left(\begin{array}{c}{L}_{t0}+{\lambda }_{pv}\overline{L_p}+{\lambda }_{fv}\overline{L_f},t\in T_v\\ L_{t0}+{\lambda }_{pf}\overline{L_p}-{\lambda }_{fv}\overline{L_f},t\in T_f\\ L_{t0}-{\lambda }_{pv}\overline{L_p}-{\lambda }_{pf}\overline{L_p},t\in T_p\end{array}\right)$>

其中λ为负荷转移率，即实行分时电价后，负荷从高电价时段向低电价时段转移量与高电价时段负荷之比，λ_pv、λ_pf、λ_fv分别为峰时段到谷时段的负荷转移率、峰时段到平时段的负荷转移率、平时段到谷时段的负荷转移率；T_p、T_f、T_v分别为峰时段、平时段、谷时段，t为其中任一时段；L_t0、L_t分别为分时电价实施前t时段的实测负荷、实施后t时段的拟合负荷；分别为实施前峰、平时段总负荷在相应时段内的平均值；

b)所述基于可中断负荷激励的需求响应对VPP优化调度的影响体现在通过激励政策使可中断用户在系统可靠性受到影响或者电价较高时响应并削减负荷，等效于增加了系统备用容量，当用户削减负荷时会得到相应的经济补偿，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法采用负荷功率大、可中断和调节的高载能负荷作为可中断负荷，高载能负荷响应速度能达到ms级，采用多条生产线串联的生产方式，通过投切，能够实现高载能负荷从0％到100％容量范围功率调节，

可中断负荷参与系统运行流程如图1所示，并基于以下前提条件：

①可中断负荷用户提前一天向VPP申报次日可削减负荷及经济补偿标准；

②VPP在综合考虑发电机运行状况、负荷情况和用户申报的基础上确定可中断负荷的调用情况，包括是否调用及调用多少；

③可中断负荷用户根据VPP确定的可中断负荷调用情况，修正次日生产计划；

④最后根据VPP实际调用情况对可中断负荷用户进行补偿；

可中断负荷成本包括可中断容量成本和可中断电量成本两部分，可中断容量成本与VPP是否调用无关，是固定成本，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法采用电价折扣的方式，负荷不被中断此部分成本也不会减少，可中断电量成本为可中断负荷实际被调用后所产生的成本，购买第k个可中断负荷用户在t时段可中断容量的成本为：

$>C_{ILLk}^{t*}=C_{ILLk}^t{Q}_{ILLk}^t$>

其中为可中断负荷用户k在t时段电价折扣；为可中断负荷用户k在t时段可中断容量，购买第k个可中断负荷用户在t时段可中断电量成本为：

$>C_{ILk}^t=\Sigma C_{ILk0}^t{I}_k^t{Q}_{ILk}^t$>

其中为可中断负荷用户k在t时段单位削减负荷成本；为用户k的t时段的负荷削减量；为可中断负荷的调用状态，表示可中断负荷被调用，表示未被调用。

电源侧对VPP优化调度的影响，电源侧资源为常规电源和新能源，所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法使用的常规电源为水电机组和火电机组，新能源为风力发电和光伏发电，水电机组调节能力强，调节速度快，但受季节因素影响大，火电机组调整容量一般为装机容量的30％-50％，调节范围较小，且调节速度慢，风力发电和光伏发电是间歇性能源，出力波动会严重威胁电网安全，但是两者出力具有明显的互补性，白天太阳光最强时，风很小，晚上太阳落山后，光照很弱，但由于地表温差变化大而风能加强，在夏季，太阳光强度大而风小，冬季，太阳光强度弱而风大，太阳能和风能在时间上的互补性使风光互补发电在资源上具有最佳的匹配性，可实现连续、稳定发电。

负荷侧和电源侧协调运行对VPP优化调度影响：所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法主要考虑负荷侧和电源侧协调运行对VPP优化调度在以下3个方面的影响，分别是对VPP新能源消纳方面、系统运行成本方面和环境方面的影响。

a)所述负荷侧和电源侧协调运行对VPP新能源消纳影响：

所述计及负荷侧和电源侧的虚拟电厂多目标优化调度方法的发电侧中新能源为风力发电和光伏发电，风力和光伏发电具有波动性和不可准确预测性的特点，当风力、光伏发电比例超出一定程度时，只靠常规电源调节无法满足风力、光伏发电消纳和负荷需求，考虑用户需求响应的作用机理，通过分时电价和可中断负荷激励措施，引导用户调节和改善用电结构和用电方式，进行负荷移峰填谷，增加新能源消纳能力，降低VPP发电成本和对环境的影响；基于新能源出力波动曲线，分析负荷侧和发电侧协调运行模式对VPP优化调度的影响。

如图2所示，对于给定的日负荷曲线，在满足其最大、最小值情况下，计及负荷预测误差和风光预测误差所需旋转备用，确定VPP发电机组开机方式，VPP上网发电机组最大输出功率为：

$>P_{g,max}=\underset{i=1}{\overset{n}{\Sigma }}{P}_{peaki}+\underset{j=1}{\overset{m}{\Sigma }}{P}_{forcej}$>

$>P_{g,min}=\underset{i=1}{\overset{n}{\Sigma }}{C}_{gi}{P}_{peaki}+\underset{j=1}{\overset{m}{\Sigma }}{P}_{forcej}$>

其中：P_g,max、P_g,min为VPP上网发电机组最大、最小发电功率；P_peaki为包括水电机组在内的VPP上网发电机组额定出力；P_forcej为不可调上网发电机组的强迫出力；C_gi为可调上网发电机组最小技术出力系数。

在传统只有电源侧电源参与调度模式下，新能源电力接入后系统等效负荷为P_E为

P_E＝P_L-P_W-P_P

P_L为系统原有的有功负荷；P_W为风电出力；P_P为光伏发电出力。

如图2当新能源出力超出可调机组向下调节能力即t₁至t₂时段，如果电网全额接纳此部分新能源电力，可调机组将被迫减小出力至非常规出力状态，甚至停机调峰，这将严重影响电网运行的安全性和经济性，该方式下受限新能源电量E_W,abon为：

$>\left(\begin{array}{c}{E}_{W,abon}=\underset{t=t_1}{\overset{t=t_2}{\Sigma }}(P_{g,\min }-P_E)\Delta T\\ =\underset{t=t_1}{\overset{t=t_2}{\Sigma }}(P_{g,\min }-P_L+P_W+P_P)\Delta T\end{array}\right)$>

其中，ΔT为时段t的持续时间长度；

采用负荷侧和电源侧协调运行方式后，在t₁-t₂时段，用户响应分时电价价格引导和可中断负荷激励后，原负荷低谷时段负荷增加，等效负荷P_E^*和受限的新能源电量为

$>P_E^{*}=P_L^{*}-P_W-P_P$>

$>E_{W,abon}^{*}=\underset{t=t_1}{\overset{t=t_2}{\Sigma }}(P_{g,min}-P_E^{*})\Delta T=\underset{t=t_1}{\overset{t=t_2}{\Sigma }}(P_{g,min}-P_L^{*}+P_W+P_P)\Delta T$>

其中：为系统实施分时电价后的有功负荷，在t₁-t₂时段因此，负荷侧和电源侧协调运行方式下的新能源受限电量要小于传统调度方式下的新能源受限电量，即因此可以通过负荷侧需求响应来消纳受限新能源电量，有效提高了消纳新能源电量能力；

b)所述负荷侧和电源侧协调运行对VPP系统运行成本和环境影响：

传统的负荷优化调度方式通过调度常规电源达到目的，然而常规电源发电成本较高，且其中火力发电还会产生环境污染，由以上分析可知，负荷侧和电源侧协调运行后，负荷曲线改变，因此其必定会对系统运行成本和环境产生影响，负荷曲线改变后，新能源消纳量增加，常规电源的发电量降低，对环境的影响将会降低，负荷侧和电源侧协调运行后系统运行成本包含可中断负荷成本和发电成本，由于常规电源发电量降低，发电成本肯定会降低，再加上合适的可中断负荷成本，系统运行成本也将降低。

在本发明一实施例中，以某区域电网为实例进行仿真，负荷转移率取λ_pv＝0.08、λ_pf＝0.06、λ_fv＝0.04。图4为实行分时电价后电网负荷预测曲线变化情况。

假设该区域电网含有3台常规火电机组，1台供热火电机组，1台可调节水电机组和1台无调节水电机组，参数信息见表1、表2、图5和图6。

表1常规机组参数

表2可中断负荷参数信息

自适应免疫疫苗算法参数设置为：种群规模size＝50；接种系数ζ＝0.3；进化代数M＝200；交叉概率pc₁＝0.9，pc₂＝0.4；变异概率pm₁＝0.2，pm₂＝0.01；疫苗阀值ψ₁＝0.7，ψ₂＝0.3。将表1、表2参数信息代入到Matlab语言编制的多目标优化算法程序中得到表3、表4的优化结果。

表3新能源消纳量对比

表4运行成本和环境成本对比

表3所示为新能源电力消纳对比结果，传统优化调度方式下，VPP消纳新能源电力为10381MWh。加入分时电价后优化调度方式下，VPP消纳新能源电量为12746MWh。加入分时电价和可中断负荷后优化调度方式下，VPP消纳新能源电力为12662MWh。可知VPP传统优化调度消纳的新能源电量最少，比加入分时电价后的VPP优化调度方式少消纳新能源电量2365MWh，比加入分时电价和可中断负荷后VPP的优化调度方式要少2281MWh。在可中断负荷参与调度之前电网总负荷为55955MW，参与调度之后电网总负荷为55415MW。经比较表3中单位负荷消纳新能源量可知，加入分时电价和可中断负荷后的VPP优化调度方式，单位负荷消纳新能源电力最多，有效提高了新能源消纳水平。图7为各时段新能源消纳情况对比。

表4是运行成本和环境成本对比分析结果：

①VPP传统优化调度运行成本为3861600元、加入分时电价后的VPP优化调度方式运行成本为3071700元，加入分时电价和可中断负荷后的VPP优化调度方式运行成本为3013200元。VPP传统优化调度的运行成本最大，比加入分时电价后VPP优化调度方式多789900元，比加入分时电价和可中断负荷后的VPP优化调度方式要多848400元。经比较可知，加入分时电价和可中断负荷后VPP优化调度方式能有效降低系统运行成本；

②VPP传统优化调度环境成本为187100元、加入分时电价后的VPP优化调度方式环境成本为123330元，加入分时电价和可中断负荷后的VPP优化调度方式环境成本为117190元。可知传统优化调度方式VPP所产生的环境成本最大，比加入分时电价后优化VPP调度方式的环境成本要多63770元，比加入分时电价和可中断负荷后的VPP优化调度方式环境成本要多69910元。从环境成本角度看，加入分时电价和可中断负荷的VPP优化调度方式比其余两种优化调度方式要更好。

VPP各机组运行情况见图8、图9，结合图7、图8、图9分析可知，VPP传统调度模型中，在时段1-8新能源出力较大，而此时系统负荷处于低谷，调节能力不足，VPP新能源电力消纳较少。在时段13-18系统负荷较高，常规机组要承担较高基本负荷，调节能力也不足。而在负荷侧和电源侧协调的VPP运行调度方式下，由图3可知，加入分时电价后，负荷部分转移。此时常规电源出力变动平缓，在时段1-8新能源出力大时，系统负荷相比原系统负荷要高，提升了新能源消纳水平。在时段13-18，加入分时电价后，削掉了原系统负荷的波峰，常规机组承担的基本负荷降低，出力变化平缓，此时可中断负荷也参与调度，增加了新能源电力消纳量。

综上所述，发明通过基于分时电价价格和基于可中断负荷激励的需求响应，将负荷侧资源纳入VPP负荷优化调度模型。相比于VPP传统负荷优化调度，计及负荷侧和电源侧的VPP负荷优化调度，能有效提高新能源消纳能力，降低系统运行成本，减小火力发电对环境的污染。在智能电网快速发展的背景下，负荷侧需求响应参与负荷优化调度，将是缓解常规电源调度压力的重要手段。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。