基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法
【专利摘要】本发明公开了一种基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法，首先建立变频空调系统模型；引入空调荷电状态参数SOC，建立空调系统当前SOC状态与功率调整量之间的关系，得到最大最小电功率及SOC状态约束下电功率最大调整量的计算公式；对于参数不同的空调群，用聚类分析中的k?means算法将空调群按照参数相似度分为几个组，每个组的空调参数认为相同，并对同一类型的空调群进行聚合建模，则整个空调群的聚合功率为几个组空调群的功率之和。本发明提供的基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法，能够充分考虑空调群的参数差异性对空调群进行统一调度，充分挖掘空调群参与需求响应潜力。
【专利说明】
基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化 调度方法
技术领域
[0001] 本发明涉及一种基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调 度方法，属于需求响应技术在虚拟电厂中的应用技术，具体涉及参数不同的空调群的聚合 建模、控制及虚拟电厂在日前和实时市场中的优化调度。
【背景技术】
[0002] 需求响应技术是智能电网的核心技术之一，通过需求响应缓解供需紧张态势、增 强系统应对潮流波动能力、提高系统运行效率、减少相关企业损失并最大化经济利益已经 成为业界普遍认知。在所有柔性负荷中，热控负荷因其具有热存储能力并能在一定时间内 转移负荷可为系统提供多种辅助服务而受到了广泛关注。空调负荷是一种典型的热控负 荷，其压缩机经历了从定频到变频的发展，目前变频空调因其较高的效率在市场中的份额 正在逐渐增大。本专利采用集中控制方法对空调群进行调控，而空调负荷分布范围广，体量 大，故需要一定的技术手段对其进行聚合建模，方便相关部门的统一调度和控制。因此，研 究变频空调的聚合建模及调控技术具有较好的应用前景。
[0003] 随着大量可再生能源接入电网，电网的安全稳定经济运行受到很大的威胁，虚拟 电厂可以整合各种分布式电源、负荷、储能等资源，通过聚合成一个虚拟可控集合体，参与 电网运行调度和电力市场运营，在协调智能电网与分布式电源间矛盾的同时，提高整体的 经济效益。
【发明内容】
[0004] 发明目的：为了克服现有技术中存在的不足，本发明提供一种基于变频空调虚拟 机组建模的虚拟电厂日前和实时市场优化调度方法，以实现对大规模空调负荷集中调控， 并提高虚拟机组的经济效益。
[0005] 技术方案:为实现上述目的，本发明采用的技术方案为：
[0006] -种基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法，包括 如下步骤：
[0007] (1)根据能量守恒原理和空调运行特性建立单台空调的热力学模型和电气模型， 即建立空调的功率P与空调的制冷量Q之间的关系；
[0008] (2)引入空调的荷电状态参数S0C，建立荷电状态参数S0C与功率调整量之间的关 系，得到空调的最大功率Pm ax值和最小功率Pmin值，以及荷电状态参数S0C约束下的最大上调 功率计算公式和最大下调功率P:. 1?计算公式；以最大功率Pmax、最小功率Pmin、最大上调 功率的计算参数、最大下调功率尸 的计算参数表征单台空调模型，即以参数表征单台 空调t旲型；
[0009] (3)用聚类分析中的k-means算法将空调群按照参数相似度分为个K组，统一各个 分组内空调的参数，对每个分组内的所有空调进行聚合建模；
[0010] (4)建立空调群的虚拟机组模型，根据虚拟电厂的运行特性，构建虚拟机组调度成 本；
[0011] (5)在日前市场中，根据次日风电功率预测情况，以虚拟电厂效益最大化为目标函 数，优化次日虚拟机组出力；
[0012] (6)为进一步减少虚拟电厂在实时市场中的经济损失，根据风电功率和室外温度 预测情况，对虚拟机组出力进行滚动优化，实现虚拟电厂经济效益最大化；
[0013] (7)虚拟机组接收调度指令后，兼顾用户公平性和舒适度，优化负荷调整量在空调 群中的分配。
[0014] 具体的，所述步骤(1)包括如下步骤：
[0015] (11)建立单台空调的热力学模型：
[0017] 其中：Tout为室外温度，Tin为室内温度，Ca为空调的等效热容，心为空调的等效阻 抗，Q为空调的制冷量，Q '为室内物体的散热量，t为时间；
[0018] (12)建立单台空调的电气模型：
[0019] 将空调的功率P和空调的频率f的关系表示为：
[0020] P = kif+li (2)
[0021 ]将空调的制冷量Q和空调的频率f的关系表不为：
[0022] Q = k2f+12 (3)
[0023] 建立空调的功率P和空调的制冷量Q之间的关系为：
[0025] 其中：ki、li、k2和h均为常系数。
[0026]具体的，所述步骤(2)包括如下步骤：
[0027] 空调是将电能以热能的形式存储于所属建筑物中，室内温度越高储能量越小，室 内温度越低储能量越大，记用户的舒适度范围为[T min，Tmax];设室内温度为Tmax时储能量为 〇，则室内温度为!^时储能量'为：
[0028] Oi = Ca(Tmax-Tin) (5)
[0029] 建筑物的储能容量0为：
[0030] 0 = Ca(Tmax-Tmin) (6)
[0031] 定义空调的荷电状态参数S0C为储能量0in与储能容量0的比值：
[0033] 将调控初始时刻记为0时刻；
[0034]将式(7)带入式（1)得到荷电状态参数S0C的时变方程：
[0036]当室内温度维持在1^时，其对应的制冷量与室内温度的关系式为：
[0038]根据式(7)和(9)可得初始时刻制冷量与荷电状态参数的关系为：
[0042] 其中：Q(0)和Q(t)分别为0时刻和t时刻空调的制冷量，S0C(0)和SOC(t)分别为0时 刻和t时刻空调的荷电状态参数；
[0043]结合式(4)，可以得到空调的荷电状态参数S0C与空调的功率P之间的关系为：
[0046] 其中:P(0)和P(t)分别为0时刻和t时刻空调的功率；
[0047] 得到空调的荷电状态参数S0C与空调的功率上调量Pup和功率下调量计算关 系为：
[0049]当空调调控周期为At时，若需要上调空调的功率时，根据变频空调的运行特性， 空调的功率上调量需满足如下约束：
[0053]当空调调控周期为At时，若需要下调空调的功率时，根据变频空调的运行特性， 空调的功率下调量#_需满足如下约束：
[0057]其中：
[0062] 以参数集合{κ ξ χ δ Pmax P-丨表征一台空调。
[0063] 具体的，所述步骤(3)包括如下步骤：
[0064] 首先，用聚类分析中的k-means算法将空调群按照参数相似度分为个K组，统一各 个分组内空调的参数，第k个分组内所有空调均使用{K k Ck xk Pmax,k Pmin,k}表示；
[0065] 然后，将荷电状态参数SOC的变化范围[0，1 ]划分为N个小区间，根据每台空调的荷 电状态参数S0C，将每个分组内的所有空调划分到各个小区间内，统计第k个分组的每个小 区间内的空调数量分别为mki，mk2，…，mki，…，ΠΜ，将第i个小区间内的空调的荷电状态参数 统一为SOCi:
[0067] 计算第k个分组的第i个小区间内的所有空调的最大上调总功率和最大下调 总功率=分别为：
[0068] RKiASOq (24) _ (25)
[0070] 其中： ^4(5·〇?)为第k个分组的第i个小区间内各台空调的最大上调功率， 双}?)为第k个分组的第i个小区间内各台空调的最大下调功率；
[0071] 整个空调群的最大上调总功率巧^」^和最大下调总功率分别为：
[0074] 其中：为整个空调群的最大上调总功率，为整个空调群的最大下调 总功率。
[0075] 具体的，所述步骤(4)包括如下步骤：
[0076] 没调用虚拟机组之前，虚拟电厂获取的负荷电费收入Fah为：
[0077] Fah = AaPL (28)
[0078] 调用虚拟机组之后，虚拟电厂获取的负荷电费收入Faf为：
[0079] Faf = Aa(PL+PG) (29)
[0080] 虚拟电厂给虚拟机组的补偿费用F，为：
[0082] 将虚拟电厂调度虚拟机组前后的收入差定义为为虚拟机组的调度成本Fve:
[0083] FVG = Fah-(Faf-FiVG) (31)
[0084] 计算虚拟机组的单位调度成本λν为：
[0086]其中：λν为虚拟机组的单位调度成本，Ab为虚拟机组支付给用户的负荷补偿单价， 4为用户的用电单价，Pc为虚拟机组的总调度功率，Pl为负荷量。
[0087]具体的，所述步骤(5)包括如下步骤：
[0088]在日前市场中，根据次日风电功率预测情况，以虚拟电厂效益最大化为目标函数， 优化次日虚拟机组出力，目标函数为：
[0090] 其中：
[0091] Fvpp(i)=Ac(i)(PwG(i)+PG(i)-PL(i)) (34)
[0092] FL(i)=AaPL(i) (35)
[0093] FREs(i)=AaPWG(i) (36)
[0094] FvG(i)=AvPG(i) (37)
[0095] 其中：H为每日的总时段数;Fi为虚拟电厂在日前市场的总收益，FVPP(i)为虚拟电 厂在日前市场第i时段的售电收益，FUi)为虚拟电厂在日前市场第i时段的负荷电费收益， FRES(i)为虚拟电厂在日前市场第i时段从风电场购买电量的花费，Fvc(i)为虚拟电厂在日前 市场第i时段支付给虚拟机组的补偿花费，Mi)为预测的次日日前市场第i时段出清价格， Pwc(i)为预测的次日第i时段的风电功率，PUi)为预测的次日第i时段的负荷量，Pc(i)为预 测的次日第i时段虚拟机组的总调度功率，Pc( i)为决策变量；
[0096]约束条件为：
[0098]其中：⑴为预测的次日第i时段虚拟机组的最大下调功率，/^,⑴为 预测的次日第i时段虚拟机组的最大上调功率。
[0099]具体的，所述步骤(6)包括如下步骤：
[0100]在实时市场中，为减少虚拟电厂在实时市场中由于风电预测不确定性带来的经济 损失，根据风电功率和室外温度预测情况对虚拟机组出力进行滚动优化，实现虚拟电厂经 济效益最大化，目标函数为：
[0105] 其中:F2为虚拟电厂在实时市场的总收益，为第i时段虚拟电厂在实时市场 的售电量，/:..(/)为第i时段虚拟电厂在实时市场的日前市场投标量，Art(i)为预测的不平 衡市场第i时段的电价，P up为不平衡市场的上调电价比率，Pd°wn为不平衡市场的下调电价比 率。
[0106] 具体的，所述步骤(7)包括如下步骤：
[0107] 虚拟机组接收调度指令后，兼顾用户公平性和舒适度，优化负荷调整量在空调群 中的分配：
[0110] 其中：当P0O时，Lord.，·当PG<0时，;PG为虚拟机组的总调度功 率，校为第k个分组内所有空调的总调度功率，if'为第k个分组的第i个小区间内所有的空 调的总调度功率。
[0111] 有益效果:本发明提供的基于变频空调虚拟机组建模的虚拟电厂日前和实时市场 优化调度方法，能够充分考虑空调群的参数差异性对空调群进行统一调度，充分挖掘空调 群参与需求响应潜力;为了进一步实现对空调群的有效控制，将空调群等效为一虚拟机组， 构建虚拟机组的成本函数，参与虚拟电厂的日前和实时市场调度。
【附图说明】
[0112] 图1为本发明方法的总流程图；
[0113] 图2为同类型空调群的聚合模型示意图；
[0114] 图3为日前市场虚拟电厂调度框架。
【具体实施方式】
[0115] 下面结合附图对本发明作更进一步的说明。
[0116] 如图1所示为一种基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调 度流程，下面就各个步骤加以具体说明
[0117] 步骤一:根据能量守恒原理和空调运行特性建立单台空调的热力学模型和电气模 型，即建立空调的功率P与空调的制冷量Q之间的关系。
[0118] 建立单台空调的热力学模型：
[0120] 其中：Tcmt为室外温度，Tin为室内温度，Ca为空调的等效热容，心为空调的等效阻 抗，Q为空调的制冷量，Q '为室内物体的散热量，t为时间；
[0121] 建立单台空调的电气模型：
[0122] 将空调的功率P和空调的频率f的关系表示为：
[0123] P = kif+li (2)
[0124]将空调的制冷量Q和空调的频率f的关系表不为：
[0125] Q = k2f+12 (3)
[0126] 建立空调的功率P和空调的制冷量Q之间的关系为：
[0128] 其中:ki、li、k2和h均为常系数。
[0129] 步骤二：引入空调的荷电状态参数S0C，建立荷电状态参数S0C与功率调整量之间 的关系，得到空调的最大功率Pmax值和最小功率P min值，以及荷电状态参数S0C约束下的最大 上调功率计算公式和最大下调功率计算公式；以最大功率pmax、最小功率p min、最大 上调功率ΡΖΧ的计算参数、最大下调功率的计算参数表征单台空调模型，即以参数表征 单台空调t旲型。
[0130] 空调是将电能以热能的形式存储于所属建筑物中，室内温度越高储能量越小，室 内温度越低储能量越大，记用户的舒适度范围为[T min，Tmax];设室内温度为Tmax时储能量为 0，则室内温度为!^时储能量'为：
[0131] Oi = Ca(Tmax-Tin) (5)
[0132] 建筑物的储能容量0为：
[0133] 0 = Ca(Tmax-Tmin) (6)
[0134] 定义空调的荷电状态参数S0C为储能量0in与储能容量0的比值：
[0136] 将调控初始时刻记为0时刻；
[0137] 将式(7)带入式(1)得到荷电状态参数S0C的时变方程：
[0139 ]当室内温度维持在Tin，其相应的制冷量与室内温度的关系式为
[0141]根据式(7)和(9)可得初始时刻制冷量与荷电状态参数的关系为：
[0145] 其中：Q(0)和Q(t)分别为0时刻和t时刻空调的制冷量，S0C(0)和SOC(t)分别为0时 刻和t时刻空调的荷电状态参数；
[0146] 结合式(4)，可以得到空调的荷电状态参数S0C与空调的功率P之间的关系为：
[0149]其中:P(0)和P(t)分别为0时刻和t时刻空调的功率；
[0150] 得到空调的荷电状态参数S0C与空调的功率上调量Pup和功率下调量计算关 系为：
[0152]当空调调控周期为At时，若需要上调空调的功率时，根据变频空调的运行特性， 空调的功率上调量需满足如下约束：
[0156]当空调调控周期为At时，若需要下调空调的功率时，根据变频空调的运行特性， 空调的功率下调量#_需满足如下约束：
[0160]其中：
[0165] 以参数集合{κ ξ χ δ Pmax Pmin}表征一台空调。
[0166] 步骤三：用聚类分析中的k-means算法将空调群按照参数相似度分为个K组，统一 各个分组内空调的参数，对每个分组内的所有空调进行聚合建模。
[0167] 首先，用聚类分析中的k-means算法将空调群按照参数相似度分为个K组，统一各 个分组内空调的参数，第k个分组内所有空调均使用{K k Ck xk Pmax,k Pmin,k}表示；
[0168] 然后，将荷电状态参数SOC的变化范围[0，1 ]划分为N个小区间，根据每台空调的荷 电状态参数S0C，将每个分组内的所有空调划分到各个小区间内，统计第k个分组的每个小 区间内的空调数量分别为mki，m k2，…，mki，…，πμ，将第i个小区间内的空调的荷电状态参数 统一为SOCi:
[0170]计算第k个分组的第i个小区间内的所有空调的最大上调总功率和最大下调 总功率分别为：
[0173] 其中：/^χ?.(：5??)为第k个分组的第i个小区间内各台空调的最大上调功率， = 为第k个分组的第i个小区间内各台空调的最大下调功率；
[0174] 整个空调群的最大上调总功率和最大下调总功率，分别为：
[0177] 其中：为整个空调群的最大上调总功率，为整个空调群的最大下调 总功率。
[0178] 步骤四：建立空调群的虚拟机组模型，根据虚拟电厂的运行特性，构建虚拟机组调 度成本。
[0179] 没调用虚拟机组之前，虚拟电厂获取的负荷电费收入Fah为：
[0180] Fah = AaPL (28)
[0181] 调用虚拟机组之后，虚拟电厂获取的负荷电费收入Faf为：
[0182] Faf = Aa(PL+PG) (29)
[0183] 虚拟电厂给虚拟机组的补偿费用F，为：
[0185] 将虚拟电厂调度虚拟机组前后的收入差定义为为虚拟机组的调度成本Fve:
[0186] FVG = Fah-(Faf_FiVG) (31)
[0187] 计算虚拟机组的单位调度成本λν为：
[0189]其中：λν为虚拟机组的单位调度成本，Ab为虚拟机组支付给用户的负荷补偿单价， 4为用户的用电单价，Pc为虚拟机组的总调度功率，Pl为负荷量。
[0190]步骤五:在日前市场中，根据次日风电功率预测情况，以虚拟电厂效益最大化为目 标函数，优化次日虚拟机组出力。
[0191]在日前市场中，根据次日风电功率预测情况，以虚拟电厂效益最大化为目标函数， 优化次日虚拟机组出力，目标函数为：
[0193] 其中：
[0194] Fvpp(i)=Ac(i)(PwG(i)+PG(i)-PL(i)) (34)
[0195] FL(i)=AaPL(i) (35)
[0196] FREs(i)=AaPWG(i) (36)
[0197] FvG(i)=AvPG(i) (37)
[0198] 其中：H为每日的总时段数;Fi为虚拟电厂在日前市场的总收益，FVPP(i)为虚拟电 厂在日前市场第i时段的售电收益，FUi)为虚拟电厂在日前市场第i时段的负荷电费收益， FRES(i)为虚拟电厂在日前市场第i时段从风电场购买电量的花费，Fvc(i)为虚拟电厂在日前 市场第i时段支付给虚拟机组的补偿花费，Mi)为预测的次日日前市场第i时段出清价格， Pwc(i)为预测的次日第i时段的风电功率，PUi)为预测的次日第i时段的负荷量，Pc(i)为预 测的次日第i时段虚拟机组的总调度功率，Pc( i)为决策变量；
[0199] 约束条件为：
[0200] -?^Τ?οιαΙ (i) < PG (〇 ^ iZ,J〇lal (0 (38)
[0201] 其中⑴为预测的次日第i时段虚拟机组的最大下调功率，^为 预测的次日第i时段虚拟机组的最大上调功率。
[0202] 步骤六:为进一步减少虚拟电厂在实时市场中的经济损失，根据风电功率和室外 温度预测情况，对虚拟机组出力进行滚动优化，实现虚拟电厂经济效益最大化。
[0203] 在实时市场中，为减少虚拟电厂在实时市场中由于风电预测不确定性带来的经济 损失，根据风电功率和室外温度预测情况对虚拟机组出力进行滚动优化，实现虚拟电厂经 济效益最大化，目标函数为：
[0208] 其中：F2为虚拟电厂在实时市场的总收益，为第i时段虚拟电厂在实时市场 的售电量，为第i时段虚拟电厂在实时市场的日前市场投标量，为预测的不平 衡市场第i时段的电价，Pup为不平衡市场的上调电价比率，P d°wn为不平衡市场的下调电价比 率。
[0209] 步骤七:虚拟机组接收调度指令后，兼顾用户公平性和舒适度，优化负荷调整量在 空调群中的分配。
[0210] 虚拟机组接收调度指令后，兼顾用户公平性和舒适度，优化负荷调整量在空调群 中的分配：
[0213] 其中：当P0O时，"当Pg<〇时，;Pg为虚拟机组的总调度功 率，巧为第k个分组内所有空调的总调度功率，If为第k个分组的第i个小区间内所有的空 调的总调度功率。
[0214] 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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应 视为本发明的保护范围。
【主权项】
1. 一种基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化调度方法，其特征 在于:包括如下步骤： (1) 根据能量守恒原理和空调运行特性建立单台空调的热力学模型和电气模型，即建 立至调的功率P与至调的制冷量Q之间的关系； (2) 引入空调的荷电状态参数SOC，建立荷电状态参数SOC与功率调整量之间的关系，得 到空调的最大功率Pmax值和最小功率Pmin值，W及荷电状态参数SOC约束下的最大上调功率 dc计算公式和最大下调功率巧三"'计算公式；W最大功率Pmax、最小功率Pmin、最大上调功率 巧!X的计算参数、最大下调功率巧置I"的计算参数表征单台空调模型，即W参数表征单台空调 模型； (3) 用聚类分析中的k-means算法将空调群按照参数相似度分为个K组，统一各个分组 内空调的参数，对每个分组内的所有空调进行聚合建模； (4) 建立空调群的虚拟机组模型，根据虚拟电厂的运行特性，构建虚拟机组调度成本； (5) 在日前市场中，根据次日风电功率预测情况，W虚拟电厂效益最大化为目标函数， 优化次日虚拟机组出力； (6) 为进一步减少虚拟电厂在实时市场中的经济损失，根据风电功率和室外溫度预测 情况，对虚拟机组出力进行滚动优化，实现虚拟电厂经济效益最大化； (7) 虚拟机组接收调度指令后，兼顾用户公平性和舒适度，优化负荷调整量在空调群中 的分配。2. 根据权利要求1所述的基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化 调度方法，其特征在于:所述步骤(1)包括如下步骤： (11) 建立单台空调的热力学模型：其中：Tout为室外溫度，Tin为室内溫度，Ca为空调的等效热容，R功空调的等效阻抗，Q为 空调的制冷量，Q '为室内物体的散热量，t为时间； (12) 建立单台空调的电气模型： 将空调的功率P和空调的频率f的关系表示为： P=kif+h (2) 将空调的制冷量Q和空调的频率f的关系表示为： Q = k2f+!2 (3) 建立空调的功率P和空调的制冷量Q之间的关系为：其中：ki、h、k沸b均为常系数。3. 根据权利要求2所述的基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化 调度方法，其特征在于:所述步骤(2)包括如下步骤： 空调是将电能W热能的形式存储于所属建筑物中，室内溫度越高储能量越小，室内溫 度越低储能量越大，记用户的舒适度范围为[Tmin，Tmax];设室内溫度为Tmax时储能量为0，则 室内溫度为Tin时储能量Oin为： Oi 二Ca(Tmax-Tin) (5) 建筑物的储能容量Ο为： 0 -Ca(Tmax~Tmin) (6) 定义空调的荷电状态参数SOC为储能量化η与储能容量0的比值：将调控初始时刻记为加寸刻，A t为空调调控周期长度； 空调的荷电状态参数SOC与空调的功率P之间的关系为：其中：SOC(O)和SOC(t)分别为0时刻和t时刻空调的荷电状态参数，P(0)和P(t)分别为0 时刻和t时刻空调的功率;W参数集合{K ξ X δ Pmax Pmin}表征一台空调。4.根据权利要求3所述的基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化 调度方法，其特征在于:所述步骤(3)包括如下步骤： 首先，用聚类分析中的k-means算法将空调群按照参数相似度分为个K组，统一各个分 组内空调的参数，第k个分组内所有空调均使用{Kk Ck Xk Sk Pmax，k Pmin，k}表示； 然后，将荷电状态参数SOC的变化范围[0，1]划分为N个小区间，根据每台空调的荷电状 态参数S0C，将每个分组内的所有空调划分到各个小区间内，统计第k个分组的每个小区间 内的空调数量分别为mki，mk2,…，mki，，mkN，将第i个小区间内的空调的荷电状态参数统一为 SOCi：计算第k个分组的第i个小区间内的所有空调的最大上调总功率P恶φ·和最大下调总功 率巧分别为：其中：巧芯为第k个分组的第i个小区间内各台空调的最大上调功率， 禮：；（5〇?')为第k个分组的第i个小区间内各台空调的最大下调功率； 整个空调群的最大上调总功率巧和最大下调总功率巧己；：.。,。,分别为：其中：巧!己_,。姑为整个空调群的最大上调总功率，巧置为整个空调群的最大下调总功 率。5. 根据权利要求4所述的基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化 调度方法，其特征在于:计算虚拟机组的单位调度成本λν为：其中：λν为虚拟机组的单位调度成本，Ab为虚拟机组支付给用户的负荷补偿单价，λ。为 用户的用电单价，Pg为虚拟机组的总调度功率。6. 根据权利要求5所述的基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化 调度方法，其特征在于:所述步骤(5)包括如下步骤： 在日前市场中，根据次日风电功率预测情况，W虚拟电厂效益最大化为目标函数，优化 次日虚拟机组出力，目标函数为： 其中：Fvpp(i)=Ac(i)(PwG(i)+PG(i)-PL(i)) (22) FL(i)=AaPL(i) (23) FREs(i)=AaPwG(i) (24) Ρνο(?)=λνΡ〇(?) (25) 其中:Η为每日的总时段数;F功虚拟电厂在日前市场的总收益，FvPP(i)为虚拟电厂在日 前市场第i时段的售电收益，FL(i)为虚拟电厂在日前市场第i时段的负荷电费收益，FRES(i) 为虚拟电厂在日前市场第i时段从风电场购买电量的花费，FvG(i)为虚拟电厂在日前市场第 i时段支付给虚拟机组的补偿花费，、(i)为预测的次日日前市场第i时段出清价格，Pwc(i) 为预测的次日第i时段的风电功率，PL(i)为预测的次日第i时段的负荷量，PG(i)为预测的次 日第i时段虚拟机组的总调度功率，PG(i)为决策变量； 约束条件为：其中：-增:";。,。,(0为预测的次日第i时段虚拟机组的最大下调功率，巧至(0为预测的 次日第i时段虚拟机组的最大上调功率。7. 根据权利要求6所述的基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化 调度方法，其特征在于:所述步骤(6)包括如下步骤： 在实时市场中，为减少虚拟电厂在实时市场中由于风电预测不确定性带来的经济损 失，根据风电功率和室外溫度预测情况对虚拟机组出力进行滚动优化，实现虚拟电厂经济 效益最大化，目标函数为：其中：F2为虚拟电厂在实时市场的总收益，巧;p(；〇为第i时段虚拟电厂在实时市场的售 电量，巧^(0为第i时段虚拟电厂在实时市场的日前市场投标量，ATt(i)为预测的不平衡市 场第i时段的电价，pUP为不平衡市场的上调电价比率，pdwn为不平衡市场的下调电价比率。8. 根据权利要求7所述的基于变频空调虚拟机组建模的虚拟电厂日前和实时市场优化 调度方法，其特征在于:所述步骤(7)包括如下步骤： 虚拟机组接收调度指令后，兼顾用户公平性和舒适度，优化负荷调整量在空调群中的 分配：其中：当Pg>〇时，巧;当Pg<〇时，巧1心,=巧为虚拟机组的总调度功率，巧 为第k个分组内所有空调的总调度功率，巧'为第k个分组的第i个小区间内所有的空调的总 调度功率。
【文档编号】G06Q10/04GK106096790SQ201610459712
【公开日】2016年11月9日
【申请日】2016年6月22日
【发明人】宋梦, 高赐威
【申请人】东南大学