一种虚拟电厂优化调度方法及系统与流程

1.本发明涉及一种虚拟电厂优化调度方法及系统，属于电力系统优化调度技术领域。


背景技术：

2.面对传统电力生产带来的环境问题，以太阳能、风能和燃料电池为能源的分布式发电已逐渐被公认为是满足未来能源需求的可靠、清洁的发电方式。而随着新能源发电在电网中的渗透率的逐渐增加，新能源发电具备的不确定性和波动性对电力系统带来了很大的干扰，而且由于区域内部消纳能力不足，弃风弃光现象严重。在2019年，泛在电力物联网建设概念被国家电网有限公司提出，重点通过建设虚拟电厂和多能互补等措施，提高分布式新能源的友好并网水平，促进清洁能源消纳。
3.虚拟电厂是指将某一区域内的发电机组、储能系统、分布式能源以及可控柔性负荷有机结合在一起，通过先进的控制、计量以及通信技术，在满足区域内部的电力负荷的前提下，合并为一个整体参与电网的运行。
4.虚拟电厂包含区域内各种分布式能源、储能系统、热电联产机组、电动汽车以及柔性负荷，虚拟电厂通过对其进行调控，获得利润，并对参加激励型需求响应负荷进行经济补偿。因此如何平衡虚拟电厂中分布式能源出力和负荷需求之间的不平衡性，整合分布式能源出力，以及用户侧柔性负荷积极参与激励型需求响应，提高虚拟电厂的经济效益，减少虚拟电厂污染物排放量，是虚拟电厂优化调度需要解决的重要问题。


技术实现要素：

5.本发明所要解决的技术问题是克服现有技术的缺陷，提供一种虚拟电厂优化调度方法及系统。
6.为解决上述技术问题，本发明提供一种虚拟电厂优化调度方法，包括：
7.根据虚拟电厂内部可再生分布式能源所在区域风速、温度、光照辐射强度历史信息，预测次日风力、光伏发电所发功率场景以及概率；
8.统计虚拟电厂内部电动汽车数量、储能系统容量、热电联产机组数量以及参与激励型需求响应柔性负荷数量；
9.将次日风力、光伏发电所发功率场景以及概率和虚拟电厂内部电动汽车数量、储能系统容量、热电联产机组数量以及参与激励型需求响应柔性负荷数量输入到预先构建的满足用户电负荷需求以及热负荷需求的，以最大化虚拟电厂收益为目标的优化调度模型；
10.求解所述优化调度模型，得到虚拟电厂中的各发电资产每小时的出力情况，根据出力情况确定虚拟电厂的优化调度方案。
11.进一步的，所述根据虚拟电厂内部可再生分布式能源所在区域风速、温度、光照辐射强度历史信息，预测次日风力、光伏发电所发功率场景以及概率的过程包括：
12.通过下式建立边缘分布函数的对数似然函数，
[0013][0014]
式中：l(δ)为对数似然函数，f(x
t
,δ)为边缘概率密度函数，x
t
为t时刻的风速/光照强度，δ为边缘概率密度函数参数，t表示为一天总小时数；
[0015]
通过最大化式(1)得到f(x
t
,δ)的边缘分布函数并利用求取边缘概率密度函数估计参数
[0016]
利用最大化式(2)求取copula函数估计参数
[0017][0018]
式中：c为copula概率密度函数，θ表示copula函数参数，根据求取的copula函数估计参数代入到student
‑
t copula生成风速、光照强度场景集；
[0019]
利用同步回代技术，缩减student
‑
t copula生成的风速、光照强度场景的数量，得到缩减后的风速、光照强度场景集；
[0020]
利用下式根据缩减后的风速、光照场景集得到预测的次日的风力功率、光伏功率出力场景；
[0021][0022]
p
pv,t
＝η
pv
s
pv
ε
t
[0023]
式中：g
wpp,t
为风力机组在时刻t的发电功率；v
t
为时刻t的预测风速；v
in
和v
out
为切入风速和切出风速；v
r
为额定风速；g
r
为额定输出功率；p
pv,t
为光伏发电机组在时刻t的出力；η
pv
为光伏转换效率；s
pv
为光伏面积；ε
t
为预测光伏辐射强度。
[0024]
进一步的，所述利用同步回代技术，缩减场景数量的过程包括：
[0025]
s1，将缩减后的风速、光照场景集设置为c，迭代次数k＝1，设迭代过程的场景集为c
k
＝c；
[0026]
s2，确定缩减后的风速、光照场景集中任意两个场景的概率距离，概率距离公式如下
[0027][0028]
式中：
║
·
║2为范数表达式；i，j∈c
k
，且i≠j，对应任意两种情景，其对应的概率分别为π
i
、π
j
；
[0029]
s3，找到最接近场景i的场景，确定该场景与其他场景之间最小距离为然后找到一个与这个最小距离j相匹配的场景；
[0030]
s4，将每个场景的最小距离与其对应的概率相乘，得到一个与上一步中确定的最小值相匹配的场景，然后根据确定场景c1,z
c1
＝minz
i
,i∈c
k
；
[0031]
s5，消除场景c1，同时将场景c1的概率转移到最接近的概率，其余场景设定为c
k 1
＝c
k
‑
c1；
[0032]
s6，记录剩余场景的数量，如果其余剩余场景数量满足计算需求，则继续下一步骤，如果不满足，则返回步骤s2；
[0033]
s7，保留集合c
k 1
的每个场景以及所对应的概率。
[0034]
进一步的，所述激励型需求响应柔性负荷包括可转移负荷和可中断负荷；
[0035]
其中，可转移负荷的模型为
[0036][0037]
式中：分别为d级负荷在时刻t的转移负荷前、后的负荷；p(t,t
′
)为从t时刻转移到t
′
时刻的负荷量；
[0038]
当用户侧可转移负荷参与到虚拟电厂需求响应中，虚拟电厂对转移负荷进行经济补偿，可转移负荷的经济补偿成本表达式为
[0039][0040]
式中：σ1、σ2为可转移负荷补偿费用的基本补偿费用与用户舒适度补偿费用；t
max
为最大转移时间间隔；c
dr1
为可转移负荷总补偿费用；
[0041]
可中断负荷用于直接消减负荷总量，可中断负荷的数学模型以及补偿费用如下式表达
[0042][0043][0044]
式中：p
′
load,d,t
分别为d级负荷中断负荷前、后的负荷总量；c
dr2,d
为中断负荷补偿成本；p
dr,d,t
为第d级负荷中断量；为第d级负荷的中断量补偿电价；n
d
表示电力负荷等级。
[0045]
进一步的，所述优化调度模型的表达式为：
[0046][0047]
式中：π(ω)为场景ω发生的概率；w为总场景个数；f为虚拟电厂的净收益；为虚拟电厂在场景ω下为总负荷供电的收益；为虚拟电厂在场景ω下的售热收益；为热电联产机组发电发热成本；为虚拟电厂运行环保代价；为电动汽车运行成本；为储能系统运行成本；为电锅炉出力成本；为偏离出力计划的惩罚成本；分别为转移负荷补偿成本、中断负荷补偿成本；
[0048]
优化调度模型的约束条件包括：电功率平衡约束、热功率平衡约束、分布式电源出力约束、热电联产系统出力与爬坡约束、储能系统约束、电动汽车荷电状态约束、激励型需
求响应约束。
[0049]
一种虚拟电厂优化调度系统，包括：
[0050]
预测模块，用于根据虚拟电厂内部可再生分布式能源所在区域风速、温度、光照辐射强度历史信息，预测次日风力、光伏发电所发功率场景以及概率；
[0051]
统计模块，用于统计虚拟电厂内部电动汽车数量、储能系统容量、热电联产机组数量以及参与激励型需求响应柔性负荷数量；
[0052]
输入模块，用于将次日风力、光伏发电所发功率场景以及概率和虚拟电厂内部电动汽车数量、储能系统容量、热电联产机组数量以及参与激励型需求响应柔性负荷数量输入到预先构建的满足用户电负荷需求以及热负荷需求的，以最大化虚拟电厂收益为目标的优化调度模型；
[0053]
求解模块，用于求解所述优化调度模型，得到虚拟电厂中的各发电资产每小时的出力情况，根据出力情况确定虚拟电厂的优化调度方案。
[0054]
进一步的，所述预测模块包括：
[0055]
第一计算模块，用于通过下式建立边缘分布函数的对数似然函数，
[0056][0057]
式中：l(δ)为对数似然函数，f(x
t
,δ)为边缘概率密度函数，x
t
为t时刻的风速/光照强度，δ为边缘概率密度函数参数，t表示为一天总小时数；
[0058]
第二计算模块，用于通过最大化式(1)得到f(x
t
,δ)的边缘分布函数并利用求取边缘概率密度函数估计参数
[0059]
第三计算模块，用于利用最大化式(2)求取copula函数估计参数
[0060][0061]
式中：c为copula概率密度函数，θ表示copula函数参数，根据求取的copula函数估计参数代入到student
‑
t copula生成风速、光照强度场景集；
[0062]
缩减模块，用于利用同步回代技术，缩减student
‑
t copula生成的风速、光照强度场景的数量，得到缩减后的风速、光照强度场景集；
[0063]
第四计算模块，用于利用下式根据缩减后的风速、光照场景集得到预测的次日的风力功率、光伏功率出力场景；
[0064][0065]
p
pv,t
＝η
pv
s
pv
ε
t
[0066]
式中：g
wpp,t
为风力机组在时刻t的发电功率；v
t
为时刻t的预测风速；v
in
和v
out
为切入风速和切出风速；v
r
为额定风速；g
r
为额定输出功率；p
pv,t
为光伏发电机组在时刻t的出力；η
pv
为光伏转换效率；s
pv
为光伏面积；ε
t
为预测光伏辐射强度。
[0067]
进一步的，所述缩减模块包括：
[0068]
设置模块，用于将缩减后的风速、光照场景集设置为c，迭代次数k＝1，设迭代过程的场景集为c
k
＝c；
[0069]
第一确定模块，用于确定缩减后的风速、光照场景集中任意两个场景的概率距离，概率距离公式如下
[0070][0071]
式中：
║
·
║2为范数表达式；i,j∈c
k
，且i≠j，对应任意两种情景，其对应的概率分别为π
i
、π
j
；
[0072]
第二确定模块，用于找到最接近场景i的场景，确定该场景与其他场景之间最小距离为然后找到一个与这个最小距离j相匹配的场景；
[0073]
第三确定模块，用于将每个场景的最小距离与其对应的概率相乘，得到一个与上一步中确定的最小值相匹配的场景，然后根据确定场景c1,
[0074]
消除模块，用于消除场景c1，同时将场景c1的概率转移到最接近的概率，其余场景设定为c
k 1
＝c
k
‑
c1；
[0075]
记录模块，用于记录剩余场景的数量，如果其余剩余场景数量满足计算需求，则继续下一步骤，如果不满足，则依次通过第一确定模块、第二确定模块、第三确定模块和消除模块重新确定其余场景；
[0076]
保留模块，用于保留集合c
k 1
的每个场景以及所对应的概率。
[0077]
进一步的，所述统计模块包括：
[0078]
可转移负荷计算模块，用于计算可转移负荷：
[0079][0080]
式中：分别为d级负荷在时刻t的转移负荷前、后的负荷；p(t,t
′
)为从t时刻转移到t
′
时刻的负荷量；
[0081]
当用户侧可转移负荷参与到虚拟电厂需求响应中，虚拟电厂对转移负荷进行经济补偿，可转移负荷的经济补偿成本表达式为
[0082][0083]
式中：σ1、σ2为可转移负荷补偿费用的基本补偿费用与用户舒适度补偿费用；t
max
为最大转移时间间隔；c
dr1
为可转移负荷总补偿费用；
[0084]
可转移负荷计算模块，用于计算可中断负荷以及可中断负荷的补偿费用：
[0085][0086][0087]
式中：p
′
load,d,t
分别为d级负荷中断负荷前、后的负荷总量；c
dr2,d
为中断负
荷补偿成本；p
dr,d,t
为第d级负荷中断量；为第d级负荷的中断量补偿电价；n
d
表示电力负荷等级。
[0088]
进一步的，所述优化调度模型的表达式为：
[0089][0090]
式中：π(ω)为场景ω发生的概率；w为总场景个数；f为虚拟电厂的净收益；为虚拟电厂在场景ω下为总负荷供电的收益；为虚拟电厂在场景ω下的售热收益；为热电联产机组发电发热成本；为虚拟电厂运行环保代价；为电动汽车运行成本；为储能系统运行成本；为电锅炉出力成本；为偏离出力计划的惩罚成本；分别为转移负荷补偿成本、中断负荷补偿成本；
[0091]
优化调度模型的约束条件包括：电功率平衡约束、热功率平衡约束、分布式电源出力约束、热电联产系统出力与爬坡约束、储能系统约束、电动汽车荷电状态约束、激励型需求响应约束。
[0092]
本发明所达到的有益效果：
[0093]
本发明通过将柔性负荷参与到虚拟电厂激励型需求响应中去，充分发挥虚拟电厂中分布式能源、储能系统、电动汽车和柔性负荷的削峰填谷作用，平缓负荷曲线，提升虚拟电厂整体运行经济，减少了热电互联机组的污染物的排放量。
附图说明
[0094]
图1为本发明实例中虚拟电厂优化调度方法的流程图；
[0095]
图2为本发明实例中虚拟电厂整体框架。
具体实施方式
[0096]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0097]
如图1
‑
2所示，本发明提出一种虚拟电厂优化调度方法，实施流程包含如下详细步骤：
[0098]
步骤1、根据虚拟电厂内部可再生分布式能源所在区域风速、温度、光照辐射强度历史信息，预测次日风力、光伏发电所发功率场景以及概率；
[0099]
在已知历史风速，光照强度的前提下，判断历史风速、光照强度在不同时刻具有上下尾依赖性；
[0100]
通过下式建立边缘分布函数的对数似然函数，
[0101][0102]
式中：l(δ)为对数似然函数，f(x
t
,δ)为边缘概率密度函数，x
t
为t时刻的风速/光照强度，δ为边缘概率密度函数参数，t表示为一天总小时数。
[0103]
通过最大化上式得到f(x
t
)的边缘分布函数f(x
t
)，并可以利用求
取边缘概率密度函数估计参数
[0104]
利用最大化下式求取copula函数估计参数
[0105][0106]
式中：c为copula概率密度函数，θ表示copula函数参数。根据求取的copula函数参数代入到student
‑
t copula生成风速、光照强度场景集。
[0107]
利用下式根据上步生成的风速、光照场景得到风力功率、光伏功率出力场景；
[0108][0109]
p
pv,t
＝η
pv
s
pv
ε
t
[0110]
式中：g
wpp,t
为风力发电机组在时刻t的发电；v
t
为时刻t的预测风速；v
in
和v
out
为切入风速和切出风速；v
r
为额定风速；g
r
为额定输出功率；p
pv,t
为光伏发电机组在时刻t的出力；η
pv
为光伏转换效率；s
pv
为光伏面积；ε为预测光伏辐射强度；
[0111]
由于经过student
‑
t copula函数生成场景数据量庞大，各场景之间相似度很高，影响计算速度，因此为更有效的将相近场景合并，加快计算速度，利用同步回代技术，缩减场景数量。
[0112]
步骤2、统计虚拟电厂内部电动汽车数量、储能系统容量、热电联产机组数量以及参与激励型需求响应柔性负荷数量；
[0113]
在虚拟电厂中，电动汽车作为一种移动式储能，不仅可以借助充电桩从电网上获取电能，同时还可以在激励机制下向电网输送电能，实现与电网之间的v2g(vehicle
‑
to
‑
grid)互动，从而达到平抑分布式发电的不确定性以及波动性的作用。电动汽车的荷电状态模型表示为
[0114][0115]
式中：soc
t
为t时刻电动汽车荷电状态；p
ev,t
为电动汽车等效出力值，大于0表示充电，小于0表示放电，等于0表示离网状态；c
ev
为电动汽车电池容量；λ为电动汽车单位里程耗电量；l为该电动汽车行驶里程。
[0116]
柔性负荷包含可转移负荷与可中断负荷，两者均可以参与需求响应调度，根据供需情况进行转移与中断，可控程度较高。
[0117]
可转移负荷是在保证整个调度周期内总负荷量不变的条件下，可以改变其使用时段的负荷。当用户侧的可转移负荷参与到需求响应中时，虚拟电厂需要对转移负荷进行经济补偿。其补偿费用不仅与转移负荷量的大小有关，还应与负荷转移的时间间隔有关，因为优化前后可转移负荷调度间隔越大，则会严重影响用户的用电舒适度。可转移负荷模型与补偿费用表示如下：
[0118]
[0119][0120]
式中，分别为d级负荷在时刻t的转移负荷前、后的负荷；p(t,t
′
)为从t时刻转移到t
′
时刻的负荷量；σ1、σ2为可转移负荷补偿费用的基本补偿费用与用户舒适度补偿费用；t
max
为最大转移时间间隔；c
dr1
为可转移负荷总补偿费用。
[0121]
与可转移负荷不改变负荷总量不同，可中断负荷可以直接消减负荷总量。可中断负荷的数学模型以及补偿费用分别为
[0122][0123][0124]
式中，p
′
load，d，t
分别为d级负荷中断负荷前、后的负荷总量；c
dr2,d
为中断负荷补偿成本；p
dr,d,t
为第d级负荷中断量；为第d级负荷的中断量补偿电价，n
d
表示电力负荷等级。
[0125]
步骤3、在满足用户电负荷需求以及热负荷需求的前提下，以最大化虚拟电厂收益为目标建立优化模型，进行虚拟电厂经济优化调度；
[0126]
3.1虚拟电厂整体框架
[0127]
虚拟电厂在发电侧聚合了热电联产机组、风力、光伏、储能系统、电动汽车、参与电力市场交易，并与电动汽车用户、一级用户和二级用户签订双边交易协议，如附图2所示，其中一级用户由电量需求较大的工业和商业负荷组成，其用电高峰相对分散且电价高，二级用户由电量需求较小的居民负荷组成，用电高峰集中且电价低。一级用户和二级用户均由传统负荷和柔性负荷组成，传统负荷不参与虚拟电厂调度，必须优先满足，柔性负荷可以参与到激励型需求响应中，调整自身用电需求。
[0128]
3.2虚拟电厂调度目标函数
[0129]
虚拟电厂调度目标函数为整体利润最大，目标函数主要分为总收入与运行成本，目标函数表示如下：
[0130][0131]
式中：f为虚拟电厂的净收益；π(ω)为场景ω发生的概率；w为总场景个数；为虚拟电厂在场景ω下为总负荷供电的收益；为虚拟电厂在场景ω下的售热收益；为热电联产机组发电发热成本；为虚拟电厂运行环保代价；为电动汽车运行成本；为储能系统运行成本；为电锅炉出力成本；为偏离出力计划的惩罚成本；c
dr1
为可转移负荷总补偿费用；c
dr2
为中断负荷补偿成本。
[0132]
3.3虚拟电厂调度约束条件
[0133]
(1)电功率平衡约束
[0134]
[0135]
式中：p
chp
为热电联产机组电功率出力；p
′
wpp
、p
′
pv
分别为风力、光伏出力；分别为风力、光伏出力；分别为电动汽车放电、充电功率；p
e1，dis
、p
e1，chr
分别为储能系统放电、充电功率；p
′
load1
、p
′
load2
分别为一级、二级用户电负荷需求；p
eb
为电转热设备消耗功率；
[0136]
(2)热平衡约束
[0137]
h
chp
h
eb
h
e2，dis
＝h
load
h
e2，chr
[0138]
式中：h
chp
为热电联产机组热功率出力；h
eb
为电转热设备输出热功率；h
e2，chr
、h
e2，dis
分别为储热罐充、放热功率；h
load
为用户热负荷需求。
[0139]
(3)电动汽车约束
[0140]
p
ev,t
|≤p
ev,max
[0141]
soc
min
≤soc
t
≤soc
max
[0142]
soc
out,t
≥soc
demand
[0143]
式中：p
ev,max
为电动汽车最大充放电功率；soc
min
、soc
max
为电动汽车最小、最大荷电状态；soc
demand
为电动汽车车主用车期望荷电状态。
[0144]
(4)可转移负荷约束
[0145]
可转移负荷量约束
[0146][0147][0148]
式中：为t时刻最大允许转入负荷量；为t时刻最大允许转出负荷量。
[0149]
可转移负荷转移时间约束
[0150]
p(t,t
′
)＝0
ꢀꢀꢀ
t
′
∈t1[0151]
p(t
′
,t)＝0
ꢀꢀꢀ
t∈t2[0152]
式中：t1、t2分别为不允许转出时间、不允许转入时间。
[0153]
转移前后负荷总量不变约束
[0154][0155]
(5)可中断负荷约束
[0156]
p
dr,d,min,t
≤p
dr,d,t
≤p
dr,d,max,t
[0157]
p
dr,d,t
‑1 p
dr,d,t
≤p
dr,d,max
[0158]
式中：p
dr,d,min,t
为中断负荷功率的最小值；p
dr,d,max,t
为中断负荷功率的最大值；p
dr,d,max
为第d级负荷连续时间内可调控负荷的最大响应功率。
[0159]
步骤4、求解虚拟电厂优化调度模型，得到虚拟电厂的优化调度方案。
[0160]
相应的本发明还提供一种虚拟电厂优化调度系统，包括：
[0161]
预测模块，用于根据虚拟电厂内部可再生分布式能源所在区域风速、温度、光照辐射强度历史信息，预测次日风力、光伏发电所发功率场景以及概率；
[0162]
统计模块，用于统计虚拟电厂内部电动汽车数量、储能系统容量、热电联产机组数量以及参与激励型需求响应柔性负荷数量；
[0163]
输入模块，用于将次日风力、光伏发电所发功率场景以及概率和虚拟电厂内部电动汽车数量、储能系统容量、热电联产机组数量以及参与激励型需求响应柔性负荷数量输入到预先构建的满足用户电负荷需求以及热负荷需求的，以最大化虚拟电厂收益为目标的优化调度模型；
[0164]
求解模块，用于求解所述优化调度模型，得到虚拟电厂中的各发电资产每小时的出力情况，根据出力情况确定虚拟电厂的优化调度方案。
[0165]
进一步的，所述预测模块包括：
[0166]
第一计算模块，用于通过下式建立边缘分布函数的对数似然函数，
[0167][0168]
式中：l(δ)为对数似然函数，f(x
t
,δ)为边缘概率密度函数，x
t
为t时刻的风速/光照强度，δ为边缘概率密度函数参数，t表示为一天总小时数；
[0169]
第二计算模块，用于通过最大化式(1)得到f(x
t
,δ)的边缘分布函数并利用求取边缘概率密度函数估计参数
[0170]
第三计算模块，用于利用最大化式(2)求取copula函数估计参数
[0171][0172]
式中：c为copula概率密度函数，θ表示copula函数参数，根据求取的copula函数估计参数代入到student
‑
t copula生成风速、光照强度场景集；
[0173]
缩减模块，用于利用同步回代技术，缩减student
‑
t copula生成的风速、光照强度场景的数量，得到缩减后的风速、光照强度场景集；
[0174]
第四计算模块，用于利用下式根据缩减后的风速、光照场景集得到预测的次日的风力功率、光伏功率出力场景；
[0175][0176]
p
pv,t
＝η
pv
s
pv
ε
t
[0177]
式中：g
wpp,t
为风力机组在时刻t的发电功率；v
t
为时刻t的预测风速；v
in
和v
out
为切入风速和切出风速；v
r
为额定风速；g
r
为额定输出功率；p
pv,t
为光伏发电机组在时刻t的出力；η
pv
为光伏转换效率；s
pv
为光伏面积；ε
t
为预测光伏辐射强度。
[0178]
进一步的，所述缩减模块包括：
[0179]
设置模块，用于将缩减后的风速、光照场景集设置为c，迭代次数k＝1，设迭代过程的场景集为c
k
＝c；
[0180]
第一确定模块，用于确定缩减后的风速、光照场景集中任意两个场景的概率距离，概率距离公式如下
[0181]
[0182]
式中：
║
·
║2为范数表达式；i,j∈c
k
，且i≠j，对应任意两种情景，其对应的概率分别为π
i
、π
j
；
[0183]
第二确定模块，用于找到最接近场景i的场景，确定该场景与其他场景之间最小距离为然后找到一个与这个最小距离j相匹配的场景；
[0184]
第三确定模块，用于将每个场景的最小距离与其对应的概率相乘，得到一个与上一步中确定的最小值相匹配的场景，然后根据确定场景c1,
[0185]
消除模块，用于消除场景c1，同时将场景c1的概率转移到最接近的概率，其余场景设定为c
k 1
＝c
k
‑
c1；
[0186]
记录模块，用于记录剩余场景的数量，如果其余剩余场景数量满足计算需求，则继续下一步骤，如果不满足，则依次通过第一确定模块、第二确定模块、第三确定模块和消除模块重新确定其余场景；
[0187]
保留模块，用于保留集合c
k 1
的每个场景以及所对应的概率。
[0188]
进一步的，所述统计模块包括：
[0189]
可转移负荷计算模块，用于计算可转移负荷：
[0190][0191]
式中：分别为d级负荷在时刻t的转移负荷前、后的负荷；p(t,t
′
)为从t时刻转移到t
′
时刻的负荷量；
[0192]
当用户侧可转移负荷参与到虚拟电厂需求响应中，虚拟电厂对转移负荷进行经济补偿，可转移负荷的经济补偿成本表达式为
[0193][0194]
式中：σ1、σ2为可转移负荷补偿费用的基本补偿费用与用户舒适度补偿费用；t
max
为最大转移时间间隔；c
dr1
为可转移负荷总补偿费用；
[0195]
可转移负荷计算模块，用于计算可中断负荷以及可中断负荷的补偿费用：
[0196][0197][0198]
式中：p
′
load,d,t
分别为d级负荷中断负荷前、后的负荷总量；c
dr2,d
为中断负荷补偿成本；p
dr,d,t
为第d级负荷中断量；为第d级负荷的中断量补偿电价；n
d
表示电力负荷等级。
[0199]
进一步的，所述优化调度模型的表达式为：
[0200]
[0201]
式中：π(ω)为场景ω发生的概率；w为总场景个数；f为虚拟电厂的净收益；为虚拟电厂在场景ω下为总负荷供电的收益；为虚拟电厂在场景ω下的售热收益；为热电联产机组发电发热成本；为虚拟电厂运行环保代价；为电动汽车运行成本；为储能系统运行成本；为电锅炉出力成本；为偏离出力计划的惩罚成本；分别为转移负荷补偿成本、中断负荷补偿成本；
[0202]
优化调度模型的约束条件包括：电功率平衡约束、热功率平衡约束、分布式电源出力约束、热电联产系统出力与爬坡约束、储能系统约束、电动汽车荷电状态约束、激励型需求响应约束。
[0203]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0204]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0205]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0206]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0207]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。