多協同市場下含電動汽車虛擬電廠的優化調度

王瑞東，吳杰康，蔡志宏，劉國新，張宏業，蔡錦建

(廣東工業大學自動化學院，廣州510006)

0 引言

隨著“十四五”我國正式將碳達峰、碳中和納入生態文明整體建設布局，作為能源消耗的重要行業，電力系統的節能減排已成為勢不可擋的趨勢[1]；而虛擬電廠(virtual power plant，VPP)作為一種新型的分布式能源協調管理技術，在聚合規模效益驅動下，利用通信、控制、計算機等技術將獨立的分布式能源(distributed energy resource，DER)聚合統一，讓它們有效率地參與各級市場[2]，一方面提高了虛擬電廠組成各部分的經濟效益，另一方面增強了電網新能源的消納能力與電網運行可靠性[3]，可以大大減少二氧化碳排放，這對于實現低碳電力以及可持續發展具有重要意義。

相較于微電網，VPP更強調通過聚合多區域、大規模的分布式能源、儲能、負荷參與系統調度進而參與到市場獲得收益[4]，關于虛擬電廠參在各級市場中的交易，國內外已經有許多學者對其做出了研究，有學者對虛擬電廠內可轉移負荷進行研究，構建可轉移負荷模型，將其融入日前電力市場調度中，提高調度的靈活性[5]；一些研究通過碳捕集設備將燃氣輪機排放的二氧化碳進行捕集，設置虛擬電廠碳排放超額懲罰，以虛擬電廠在市場中的凈收益最大為目標，構建含碳捕集虛擬電廠環保經濟調度模型[6]；一些學者在虛擬電廠中引進儲氣罐以及電轉氣設備，提出電氣互聯虛擬電廠的概念，以電轉氣設備所產生天然氣供給一部分VPP所需量，并引入最大碳排放限額指標，考慮虛擬電廠在電力市場中近零碳運營方案的可行性[7]；而有些學者在其基礎上進行研究，提出氣電虛擬電廠參與多能源市場，電轉氣設備所產生的天然氣不僅供應給虛擬電廠內的燃氣輪機，同時參與天然氣市場的競標，通過兩個市場同一時段的氣電價格差異，協調優化電轉氣和燃氣輪機的出力，靈活參與兩個市場[8]；

目前的這些研究中大多只是對虛擬電產單市場或氣-電市場中的調度進行研究，對于VPP碳排放大多是采用超額懲罰機制，設置環境成本，未考慮到參與碳交易系統中，對于虛擬電廠在碳交易市場下的優化調度研究較少，但隨著我國2021年起《碳排放權交易管理辦法》的施行，建立全國碳排放權注冊登記和全國碳排放交易機構和系統已逐步走上正軌，碳排放交易市場將成為虛擬電廠的主要交易市場之一，碳交易市場與原有各類市場的協同聯系以及在此背景下虛擬電廠下的調度優化將成為研究的熱點問題。

電動汽車作為一種新型交通工具，其大規模的運用對于緩解環境壓力，解決不可再生能源帶來的污染問題有著巨大的作用[9]，同時考慮到電動汽車具有電源以及負荷的雙重特性可以將電動汽車聚合到虛擬電廠中，近年來，針對含電動汽車虛擬電廠的運行產生了大量研究，文獻資料表明，虛擬電廠可以利用電動汽車的充放電特性，有效平抑風光出力的波動，促進新能源的消納[10]，增加虛擬電廠在電力市場的經濟效益[11]，同時由于聚合電動汽車帶來的儲能特性，虛擬電廠可以減少內部固定儲能配置容量，節省初期投入成本；另外，電動汽車整合在虛擬電廠內管理也可以大大降低電動汽無序充電對電網造成的不良影響[12]。

綜上，為進一步提高VPP的運行經濟收益以及降低碳排放量，研究風光不確定性、電動汽車管理策略對VPP的影響，本文將風光分布式能源、燃氣輪機、電儲能、電轉氣、碳捕集設備以及電動汽車聚合成虛擬電廠，針對電動汽車提出先抽樣再聚類的充放電管理策略，采用SCK魯棒算法處理風光可再生能源出力的不確定性，通過電轉氣與碳捕集設備的協同運行，實現電-氣-碳三級市場的聯合調度。分析比較了虛擬電廠在不同運行場景下的經濟收益與碳排放量，驗證了本文所提出模型的經濟性與環保性，最后分析了電動汽車不同管理策略以及魯棒系數對虛擬電廠在多市場下收益的影響。

1 電動汽車充放電管理與多市場交易框架

1.1 電動汽車充放電管理

本研究利用虛擬電廠先進的調控技術、智能計量技術和信息通信技術聚合電動汽車(electric vechicle，EV)，可以有效地克服大量電動汽車無序充放電給電網帶來的負面影響，為了積極引導用戶注冊電動汽車成為VPP可調度使用的虛擬儲能，VPP會向用戶提供相應的補貼，當用戶電動汽車成為VPP內參與調度運行的一部分后，VPP通過集中控制器對注冊電動汽車進行充放電的管理，根據歷史數據得到電動汽車的使用信息，包括EV入網和離網時段、EV離網時期望的電池荷電狀態(state of charge，SOC)、預期的行駛里程等，通過歷史數據得到電動汽車各項指標近似的概率分布函數后，通過拉丁超立方抽樣得到電動汽車離并網時間等各項數據；但由于簽約電動汽車數量較多，若單獨考慮每個電動汽車在虛擬電廠中的充放電管理，其求解會很復雜，所以本研究擬采用NJW頻譜聚類對具有相似離并網時間，充放電功率以及充電結束后荷電量的電動汽車進行聚類，方便將大部分電動汽車進行統一的調度管理，其流程如下。

1)通過拉丁超立方抽樣獲得每輛電動汽車的參數：入網時間Tstart,j、離網時間Tend,j、結束荷電狀態SOCend,j，得到所有電動汽車數據集X={x1,x2,…,xn}，這些代表了電動汽車的需求信息，將數據進行極值歸一化，根據式(1)計算數據點間的歐氏距離，再根據式(2)計算兩點間的高斯距離，進而構成相似矩陣K。

(1)

(2)

式中：Dij為樣本點之間的歐氏距離；xi、xj代表不同的電動汽車個體；ζ為決定樣本點之間衰減速度的尺度參數。

2)根據相似矩陣K構造拉普拉斯矩陣L，進一步構造正則化拉普拉斯矩陣Lsym。

3)計算Lsym的前i個最大特征值對應的特征集合{u1,u2,u3,…,ui}，將其作為各列構造矩陣,將矩陣的行向量轉化為單位向量，得到矩陣B，將矩陣的每一行看做一個點，使用k-means算法將其劃分為i個類簇。

聚類完成后，具有相似特征的電動汽車被歸為一類，同一組的電動汽車由聚合器統一管理，聚合器的出力限制，離并網時間以及結束時荷電狀態以聚合器內所有電動汽車的幾何中心表示。

本文對電動汽車的研究集電動汽車單個建模管理以及集群管理的優點于一體，綜合考慮不同電動車在VPP中的不同表現以及對每個電動汽車進行單獨管理優化的復雜性，先通過抽樣獲得不同電動汽車個體的不同特性，再將具有相同特性的電動汽車進行聚類進行統一調度管理，這種處理調度比電動汽車單個建模處理更易于管理優化，得到的結果也比普通的集中電動汽車充放電管理結果更加精確。

1.2 虛擬電廠多市場調度框架

本文虛擬電廠由燃氣輪機、電動汽車、風電機組、光電機組、電儲能、電轉氣設備以及碳捕集設備組成，基于VPP自身容量限制，假定虛擬電廠在電力市場、碳交易市場、天然氣市場中均為價格接受者，只需根據預測風光出力、各市場交易價格優化虛擬電廠在電-氣-碳協同市場中的調度策略，VPP多市場運營框架如圖1所示。

圖1 含電動汽車虛擬電廠多市場運營框架

本文碳交易市場機制確定采用CDM機制，在CDM機制中，需要預先對參與碳交易的經濟主體分配碳排放量標準，即碳交易配額。如果VPP在某時段的實際碳排放量低于其在該時段所分得的碳交易配額，則可將剩余碳排放權在碳交易市場上出售獲利；如果VPP在該時段的實際碳排放量高于碳排放配額，則必須購買超額部分的碳排放權。

由圖1可以得到，在每個時刻，VPP根據3個市場的氣電碳價格差異，協調優化電轉氣、燃氣輪機以及碳捕集設備的出力，在售電價格較高時，VPP將生產的多余電力出售給電網，而當售電價格低于電轉氣設備以及碳捕集聯合效益時，VPP則將電力供應給電轉氣以及碳捕集設備，參與天然氣以及碳交易市場進行獲益，此時VPP通過碳捕集設備捕捉燃氣輪機所釋放的二氧化碳，使得VPP擁有更多的碳排放配額用于出售獲利，而電轉氣設備利用VPP所生產電力以及碳捕集設備捕獲的二氧化碳轉化生成甲烷，可以減少VPP的購氣成本以及向天然氣市場售氣獲得收益。

2 含電動汽車虛擬電廠的多市場調度模型

2.1 目標函數

虛擬電廠的利潤為其在電-氣-碳協同市場中的收益與各構成單元設備成本或補償差值，以日前預測情況下虛擬電廠利潤最大為目標，構建考慮風光不確定和含電動汽車、電轉氣、碳捕集、燃氣輪機的虛擬電廠調度模型，其目標函數為：

maxfel+fc+fgas-fev-fCO2-fP2G

(3)

式中：fel為VPP日售電收益；fgas為天然氣市場日收益；fc為碳交易市場日收益；fev為電動汽車補償成本；fCO2為碳捕集設備日運行成本；fP2G為電轉氣設備日運行成本；總體收益由6個部分組成，每部分具體表達如下。

1)電力市場日收益

(4)

2)碳交易市場日收益

fc=ecΔM

(5)

ΔMt=MD,t-MC,t

(6)

MD,t=εPGT,t

(7)

MC,t=PGT,tQg

(8)

式中：ec為單位碳排放價格；ΔMt為t時刻VPP碳排放配額與碳排放總量之差；MD,t為t時刻VPP所分配到的碳排放額度，單位為噸；ε為燃氣輪機碳排放單位排放配額；PGT,t為燃氣輪機時段t的發電功率；MC,t為t時刻VPP排放的二氧化碳質量，單位為噸；Qg為燃氣輪機g的單位電量碳排放強度，單位為t/MWh。

3)天然氣市場日收益

(9)

式中：egas為單位體積天然氣價格，取2.4元/m3；Vsell,t為虛擬電廠時段t的售氣體積；Vbuy,t為虛擬電廠時段t的購氣體積。

4)電動汽車補償成本

顯然虛擬電廠調控電動汽車放電最終會縮短電池的壽命，并且會給車主帶來額外的成本，一般稱之為降級成本。最近許多研究通過研究不同電池的充電和放電對其電池壽命的影響，但是，為了避免進一步的復雜性和增加非線性性，在本文模型中，對于每一次電池放電，考慮一個懲罰系數對VPP進行懲罰[13]，如式(10)所示。

(10)

式中：eev為電動汽車進行放電時VPP對其的補償成本；Pdisc,t為電動汽車時段t的放電功率；N為NJW頻譜聚類形成的電動汽車聚類數量。

5)碳捕集設備日運行成本

(11)

PCO2,t=λGEMabs,t/ηCO2

(12)

式中：eCO2為單位功率碳捕集設備的運行成本；PCO2,t為碳捕集設備時段t的功率；λGE為碳捕集設備出力單位CO2所需的運行能耗；Mabs,t為碳捕集設備捕捉到的CO2質量；ηCO2為碳捕集設備的碳捕集率，即碳捕集設備的效率系數。

6)電轉氣設備日運行成本

(13)

式中：fP2G為電轉氣設備日運行成本；eP2G為單位功率碳捕集設備的運行成本；eb為電轉氣設備單位質量碳購買成本；MCO2,t為電轉氣設備時段t購買的碳原料質量。

2.2 約束條件

含電動汽車虛擬電廠需滿足如下的約束條件。

1)燃氣輪機約束

(14)

(15)

2)電動汽車約束

(16)

(17)

(18)

(19)

(20)

3)電轉氣設備約束

(21)

(22)

4)碳捕集設備約束[6]

(23)

(24)

5)各市場下虛擬電廠內部平衡約束

(1)虛擬電廠電力供需平衡約束

(25)

式中Psell,t為VPP在時刻t向電網售電量大小。

(2)虛擬電廠天然氣供需平衡約束

Vsell,t+VGT,t=Vbuy,t+VP2G,t

(26)

(27)

(28)

式中：VGT,t為燃氣輪機t時刻耗氣量；VP2G,t為電轉氣設備t時刻轉換生成的天然氣體積；ηG為燃氣輪機的電效率；HL為天然氣的低位熱值，取9.7kWh/m3；λ為電轉氣設備的轉化系數，一般取3.6；ηP2G為電轉氣設備的工作效率。

(3)虛擬電廠內碳供需平衡約束

MD,t+Mabs,t=MC,t+Msell,t

(29)

MP2G,t=Mabs,t+MCO2,t

(30)

由電轉氣轉化原理可知，參與反應的二氧化碳與最后生成的甲烷體積是相等的，因此有：

MP2G,t=ρCO2VP2G,t

(31)

式中：Msell,t為虛擬電廠t時刻出售的碳排放額度；MP2G,t為電轉氣設備所消耗的CO2的質量；ρCO2為二氧化碳氣體密度。

2.3 不確定因素的處理

2.3.1 風光不確定集構建

本文構建風-光不確定集來描述風光預測的不確定性，將風光出力合并為可再生能源出力，采用一個不確定集來描述其的不確定性，減少不確定優化時的計算量，具體表達式如下；

PNER(t)=PWIN(t)+PPV(t)

(32)

式中：PWIN(t)、PPV(t)為t時刻風力發電與光伏發電的功率值。

(33)

(34)

構建不確定集后，VPP內部各部分出力分為日前預測出力以及考慮風光波動的調整出力，如式(35)所示。

(35)

本文引入燃氣輪機、電轉氣以及碳捕集設備的調節系數，并按線性分配策略來對應可再生能源功率波動，減少對主網穩定運行的影響[14]。

(36)

(37)

C(t)+P(t)+G(t)=1

(38)

式中:C(t)、P(t)、G(t)分別為燃氣輪機出力、電轉氣以及碳捕集設備在t時段的功率分配系數。

2.3.2 SCK魯棒模型

本文采用基于隨機變量分布信息的魯棒線性優化方法來求解含風光不確定性的調度優化模型，該方法由Seng-Cheol Kang于2008年提出，改進了不確定性參數的取值問題，并提出魯棒性指標來平衡優化模型的經濟性和魯棒性。對于含隨機變量參數的調度模型，可以表示成式(39)所示的數學簡式。

(39)

式中：x,u,l∈Rn分別為優化模型的優化變量及其上、下限取值；c∈Rn為優化模型的目標函數系數向量；A∈Rmn、b∈Rm分別為模型的約束條件系數矩陣和系數向量。

設隨機變量參數出現在約束條件的系數矩陣中，記Ji表示A的第i行隨機變量集合，|Ji|表示集合的個數。引入魯棒性指標Γi(Γi≤|Ji|)，表示第i個不等式約束的不確定性測度，根據SCK型魯棒優化方法的思想，對于A中含隨機變量的第i行矢量ai，與Γi之間的關系可以表示為：

(40)

(41)

式中：zi、pik分別為變換時引入對偶變量。

2.2.3 魯棒對等轉換

計及隨機變量后，燃氣輪機出力不等式約束右不等式變為：

(42)

將可調變量代入后，變形可得：

(43)

引入魯棒性指標Γt表示微電網運行周期的各個時段魯棒性強度。根據魯棒轉換模型轉化為SCK型魯棒對等模型，表達式子如下：

(44)

通過類似方法可將含不確定性變量的電轉氣及碳捕集設備約束轉化為SCK型魯棒對等模型，由此，含不確定性變量調度規劃問題轉化為確定性的混合整數線性規劃問題。

3 算例分析

3.1 模型參數

本文虛擬電廠整合了風電機組、光伏機組、燃氣輪機、電轉氣、碳捕集設備以及300輛電動汽車。風電機組以及光伏機組預測出力如圖2所示。各時段電價如圖3所示。

圖2 風力發電、光伏發電預測數據

圖3 購電與售電實時電價

300輛電動汽車的初始SOCev,i統一設定為0.5，充電時結束的SOC取[0.8，0.95]，之間均勻分布的隨機數，假設電動汽車的電池為統一型號，充放電最大功率為6 kW，電池最大容量為23 kWh，電動汽車離并網時間服從下式(45)—(46)描述的概率密度函數[17]。

(45)

(46)

式中：μdep=8.92；σdep=3.24；μarr=17.47；σarr=3.41。

通過拉丁超立方抽樣后，本文利用NJW頻譜聚類將300輛電動汽車聚類為10類，電動車聚類的離并網時間以及結束時荷電狀態如表1所示。

表1 聚類后電動汽車各項特征

燃氣輪機采用最小最大運行功率為1.5 MW/5MW，上下爬坡功率為1.6 MWh，電轉化效率為40%；燃氣輪機碳排放強度為0.065t/GJ，配額系數為0.102t/GJ，碳交易市場中碳配額交易價格為190元/t[18]；電轉氣設備運行成本為138元/MWh，碳原料價格為50元/t，碳捕集設備成本為234元/t，碳捕集設備的碳捕捉效率為90%[19]。

3.2 場景分析

3.2.1 場景設置

本節分析電轉氣設備、碳捕集設備對于VPP參與多市場調度中協同調度優化的影響，并且考慮電動汽車管理策略不同對虛擬電廠調度的影響，設置4種虛擬電廠運行模式進行分析。

1)采用優化充電策略管理電動汽車，不包含電轉氣、碳捕集設備的虛擬電廠參與電-氣-碳三者獨立市場。

2)采用優化充電策略管理電動汽車，包含電轉氣設備，不包含碳捕集設備的虛擬電廠參與電-氣協同市場以及碳交易市場。

3)采用優化充電策略管理電動汽車，包含電轉氣和碳捕集的虛擬電廠參與電-氣-碳協同市場。

4)采用本文優化充放電策略管理電動汽車，包含電轉氣和碳捕集設備的虛擬電廠參與電-氣-碳協同市場。

3.2.2 不同場景下虛擬電廠各部分運行功率以及各市場收益分析

本文采用MATLAB中Yalmip+Cplex求解器進行求解運算,系統以24 h為周期，1 h為步長進行仿真，此時設置魯棒性指標Γ=0，得到4種場景下虛擬電廠在多市場種運行優化結果如圖4—8所示。

圖4 各場景下虛擬電廠燃氣輪機功率與購售電功率

圖4為各場景下燃氣輪機出力功率以及虛擬電廠購售電功率，值為正表示向電網售電，值為負表示從電網購電。圖5中值為正表示出售天然氣，值為負表示購買天然氣，圖6為不同場景下碳捕集設備功率以及VPP凈碳排放量大小數據，綜合圖4—6可得，場景一在電價低谷時刻，售電收益低于燃氣輪機成本，燃氣輪機以最小功率進行工作，在電價高峰時刻，燃氣輪機以最高功率進行出力，此時虛擬電廠在電力市場中全為售電，在天然氣市場中全為購氣，碳交易市場收益為剩余碳排放額度的售賣；在場景二中，加入電轉氣設備后，電轉氣設備將電能轉化為天然氣，將其供應給燃氣輪機發電或者在天然氣市場進行售賣，通過電轉氣設備將電力市場與天然氣市場聯系起來，在電價低谷時刻，電轉氣設備帶來收益高于購電成本但低于燃氣輪機的發電成本，虛擬電廠在電價低谷時刻向電網購電滿足電轉氣設備的用電需求，在電價高峰時刻，由于售電收益遠大于電轉氣設備帶來收益，燃氣輪機以及風力發電、光伏發電功率全部向由網售賣，電轉氣設備功率為0，由圖5虛擬電廠購售天然氣體積曲線可得，加入電轉氣設備后，大部分時候虛擬電廠仍需在天然氣市場進行購氣，但在0:00—7:00電價低谷時刻，電轉氣設備產生的天然氣供燃氣輪機使用后還有剩余在天然氣市場進行出售，減少了虛擬電廠的購氣成本。

圖5 各場景下電轉氣設備功率以及購售天然氣體積

圖6 不同場景下碳捕集設備功率以及凈碳排放質量

在場景三中，加入碳捕集設備后，碳捕集設備可以捕捉燃氣輪機發電時產生的二氧化碳并供應給電轉氣設備進行反應，即節省了一部分電轉氣設備所需碳原料成本，又增加了虛擬電廠在碳交易市場中可出售的碳排放額度，由于電轉氣設備以及碳捕集設備聯合運行的綜合收益大于燃氣輪機的發電成本，在電價低谷時刻，燃氣輪機的出力高于場景二中燃氣輪機出力，在18：00-20：00時刻，此時虛擬電廠售電收益低于電轉氣與碳捕集設備聯合運行收益，虛擬電廠在此時段內提升電轉氣設備以及碳捕集運行水平，以期在天然氣市場與碳交易市場獲得更高的收益，在其他非電價高峰時刻電轉氣設備的功率也普遍高于場景二中出力功率，虛擬電廠在天然氣市場的收益得到提升，由圖6可得，在0:00-7:00電價低谷時刻，通過電轉氣設備以及碳捕集裝置的聯合運行，虛擬電廠實現了凈碳排放為0，在其他時刻凈碳排放量也有所下降，大幅度提升了虛擬電廠在碳交易市場中的收益。

圖7為4個場景下電儲能充放電功率，值為正時表示充電功率，值為負時表示放電功率，由圖可得，在電價低谷時期，由于此時售電電價較低，VPP對外售電收益小于發電成本，場景一中儲能基本都為充電操作，而在其他場景中VPP此時可以在天然氣市場以及碳交易市場中獲得收益，VPP將電力供應給電轉氣以及碳捕集設備，以期在協同市場中獲得更大利益，因此相較于場景一，其他場景下電儲能在這些時刻進行放電操作；在場景四中，電動汽車優化充電策略轉化為優化充放電策略，如圖8所示，值為正時表示充電，值為負時表示放電，優化充電策略通過轉移電動汽車充電時間，在電價低谷時刻對電動汽車進行充電，增加虛擬電廠在電價高峰時刻的售電功率，提高其在電力市場中的收益，而在優化充放電策略中，虛擬電廠通過對電動汽車進行充放電管理，在電價高峰時對電動汽車進行充電，在電價低谷時對電動汽車進行充電，從而使得虛擬電廠在電力市場中獲得更大收益。

圖7 各場景下電儲能充放電功率

圖8 電動汽車優化充電與優化充放電策略比較

同時，電動汽車優化充放電策略使得電動汽車具有儲能的特性，使得固定儲能配置具有更大的靈活性，可以避免一次性投入大量資金進行固定儲能的配置，優化充電策略與優化充放電策略下，固定儲能容量不同時虛擬電廠的收益如表2所示。

由表2可得，在相同的儲能容量下，對電動汽車采取優化充放電策略都高于采取優化充電策略下虛擬電廠的收益，并且當對電動汽車采用優化充放電策略進行管理時，由于其充放帶來的儲能特性，虛擬電廠中固定儲能容量可以得到較大的減少，當固定儲能配置為3 MW時，優化充放電策略下虛擬電廠收益基本與5 MW固定儲能容量下采取優化充電策略虛擬電廠收益持平，這些結果表明，對電動汽車采用優化充放電策略進行管理不僅可以增加虛擬電廠收益，還可以將電動汽車視為靈活儲能配置，減少虛擬電廠中固定儲能配置，避免一次性投入大量資金，減少初期的建設成本。

表2 不同儲能容量下虛擬電廠收益

各個場景下虛擬電廠在各市場收益以及各項成本如表3所示。

表3 虛擬電廠各市場收益及成本

由綜合表3可得，場景一的電力市場收益最高，因為此時虛擬電網各時段均為售電，而由于未加入電轉氣設備，虛擬電廠在天然氣市場中為一個消費者的角色，其在天然氣市場的收益最低。相比于場景一，場景二中加入電轉氣設備，通過電轉氣設備使電力市場與天然氣市場聯系更加緊密，虛擬電廠在低價低谷時期向電網購電，向天然氣市場售氣，其電力市場收益減少了14.91%，但天然氣市場收益提高了52.17%，總體收益得到極大的提升。在場景三中，增加碳捕集設備，通過捕捉燃氣輪機排放的二氧化碳，既可以增加虛擬電廠在碳交易市場的交易配額，還可以減少電轉氣設備所需的碳原料成本，相比于未裝設碳捕集設備的場景一與場景二，碳交易市場收益由5 599.39元提高到了8 577.25元，碳交易市場收益漲幅較大，天然氣市場收益也得到進一步提升，虛擬電廠的凈收益增加了。而在場景四中，相較于優化充電策略，電動汽車優化充放電策略使得虛擬電廠在電價高峰時售電量增加，虛擬電廠在電力市場中得收益相較于場景三有所增加,由74 440.72升至76 029.2元。而在天然氣市場以及碳交易市場，采用電動汽車優化充放電管理策略后，因為電動汽車在電價低谷時進行充電，這些時刻燃氣輪機出力增大，VPP在天然氣市場出售天然氣量降低，收益減少了一部分，但同時碳捕集設備功率大大提高，碳交易市場收益得到顯著提升，由8 577.25升至8 910.94元。

圖9和圖10展示了不同魯棒系數下VPP與電網電力交易功率的變化情況以及虛擬電廠總體收益情況，可以看出，隨著魯棒系數Γ的增大，風光的實際出力與預測出力的偏差逐漸增大，風光出力不確定集的范圍隨之變大，會擾亂虛擬電廠根據自身資源條件制定的多協同市場下的優化調度策略，為了保證虛擬電廠對外能輸出較穩定的電力功率，當偏差越大時，各部分出力功率以及VPP電力市場購售電策略就更保守，VPP在多協同市場下的收益也逐步降低。

圖9 不同魯棒系數下虛擬電廠電力市場交易功率

圖10 不同魯棒系數下虛擬電廠收益

4 結論

本文提出一種含電動汽車虛擬電廠在電-氣-碳三協同市場中優化調度模型，通過加入電轉氣與碳捕集設備，增加了3個市場間的聯系緊密程度，增強了虛擬電廠在這3個市場間調度的靈活性，虛擬電廠在3個市場中即作為消費者又可作為出售者，在協同市場中取得的收益大為增加；電動汽車優化充放電策略相對于優化充電策略，使得電動汽車具有儲能的特性，使虛擬電廠調度更為靈活，在電價低谷時充電，高峰時放電，即減少了電動汽車無序充電帶來的不良影響，對虛擬電廠的收益也具有一定的增幅作用，同時還可以減少虛擬電廠內部固定儲能配置容量大小，避免一次性投入大量資金，減少初期建設成本。同時采用魯棒優化的方式考慮了風光出力的不確定性，增加虛擬電廠在電力市場交易的穩定性與可靠性。

本文提出的多協同市場調度模型主要考慮的是日前預測情況，負荷側柔性負荷只考慮了電動汽車，比較單一，在后續研究中可考慮實時平衡市場偏差懲罰，同時負荷側虛擬儲能與實際電儲能組成的廣義儲能對虛擬電廠調度經濟性影響也是后續研究的重點。