多协同市场下含电动汽车虚拟电厂的优化调度

王瑞东，吴杰康，蔡志宏，刘国新，张宏业，蔡锦建

(广东工业大学自动化学院，广州510006)

0 引言

随着“十四五”我国正式将碳达峰、碳中和纳入生态文明整体建设布局，作为能源消耗的重要行业，电力系统的节能减排已成为势不可挡的趋势[1]；而虚拟电厂(virtual power plant，VPP)作为一种新型的分布式能源协调管理技术，在聚合规模效益驱动下，利用通信、控制、计算机等技术将独立的分布式能源(distributed energy resource，DER)聚合统一，让它们有效率地参与各级市场[2]，一方面提高了虚拟电厂组成各部分的经济效益，另一方面增强了电网新能源的消纳能力与电网运行可靠性[3]，可以大大减少二氧化碳排放，这对于实现低碳电力以及可持续发展具有重要意义。

相较于微电网，VPP更强调通过聚合多区域、大规模的分布式能源、储能、负荷参与系统调度进而参与到市场获得收益[4]，关于虚拟电厂参在各级市场中的交易，国内外已经有许多学者对其做出了研究，有学者对虚拟电厂内可转移负荷进行研究，构建可转移负荷模型，将其融入日前电力市场调度中，提高调度的灵活性[5]；一些研究通过碳捕集设备将燃气轮机排放的二氧化碳进行捕集，设置虚拟电厂碳排放超额惩罚，以虚拟电厂在市场中的净收益最大为目标，构建含碳捕集虚拟电厂环保经济调度模型[6]；一些学者在虚拟电厂中引进储气罐以及电转气设备，提出电气互联虚拟电厂的概念，以电转气设备所产生天然气供给一部分VPP所需量，并引入最大碳排放限额指标，考虑虚拟电厂在电力市场中近零碳运营方案的可行性[7]；而有些学者在其基础上进行研究，提出气电虚拟电厂参与多能源市场，电转气设备所产生的天然气不仅供应给虚拟电厂内的燃气轮机，同时参与天然气市场的竞标，通过两个市场同一时段的气电价格差异，协调优化电转气和燃气轮机的出力，灵活参与两个市场[8]；

目前的这些研究中大多只是对虚拟电产单市场或气-电市场中的调度进行研究，对于VPP碳排放大多是采用超额惩罚机制，设置环境成本，未考虑到参与碳交易系统中，对于虚拟电厂在碳交易市场下的优化调度研究较少，但随着我国2021年起《碳排放权交易管理办法》的施行，建立全国碳排放权注册登记和全国碳排放交易机构和系统已逐步走上正轨，碳排放交易市场将成为虚拟电厂的主要交易市场之一，碳交易市场与原有各类市场的协同联系以及在此背景下虚拟电厂下的调度优化将成为研究的热点问题。

电动汽车作为一种新型交通工具，其大规模的运用对于缓解环境压力，解决不可再生能源带来的污染问题有着巨大的作用[9]，同时考虑到电动汽车具有电源以及负荷的双重特性可以将电动汽车聚合到虚拟电厂中，近年来，针对含电动汽车虚拟电厂的运行产生了大量研究，文献资料表明，虚拟电厂可以利用电动汽车的充放电特性，有效平抑风光出力的波动，促进新能源的消纳[10]，增加虚拟电厂在电力市场的经济效益[11]，同时由于聚合电动汽车带来的储能特性，虚拟电厂可以减少内部固定储能配置容量，节省初期投入成本；另外，电动汽车整合在虚拟电厂内管理也可以大大降低电动汽无序充电对电网造成的不良影响[12]。

综上，为进一步提高VPP的运行经济收益以及降低碳排放量，研究风光不确定性、电动汽车管理策略对VPP的影响，本文将风光分布式能源、燃气轮机、电储能、电转气、碳捕集设备以及电动汽车聚合成虚拟电厂，针对电动汽车提出先抽样再聚类的充放电管理策略，采用SCK鲁棒算法处理风光可再生能源出力的不确定性，通过电转气与碳捕集设备的协同运行，实现电-气-碳三级市场的联合调度。分析比较了虚拟电厂在不同运行场景下的经济收益与碳排放量，验证了本文所提出模型的经济性与环保性，最后分析了电动汽车不同管理策略以及鲁棒系数对虚拟电厂在多市场下收益的影响。

1 电动汽车充放电管理与多市场交易框架

1.1 电动汽车充放电管理

本研究利用虚拟电厂先进的调控技术、智能计量技术和信息通信技术聚合电动汽车(electric vechicle，EV)，可以有效地克服大量电动汽车无序充放电给电网带来的负面影响，为了积极引导用户注册电动汽车成为VPP可调度使用的虚拟储能，VPP会向用户提供相应的补贴，当用户电动汽车成为VPP内参与调度运行的一部分后，VPP通过集中控制器对注册电动汽车进行充放电的管理，根据历史数据得到电动汽车的使用信息，包括EV入网和离网时段、EV离网时期望的电池荷电状态(state of charge，SOC)、预期的行驶里程等，通过历史数据得到电动汽车各项指标近似的概率分布函数后，通过拉丁超立方抽样得到电动汽车离并网时间等各项数据；但由于签约电动汽车数量较多，若单独考虑每个电动汽车在虚拟电厂中的充放电管理，其求解会很复杂，所以本研究拟采用NJW频谱聚类对具有相似离并网时间，充放电功率以及充电结束后荷电量的电动汽车进行聚类，方便将大部分电动汽车进行统一的调度管理，其流程如下。

1)通过拉丁超立方抽样获得每辆电动汽车的参数：入网时间Tstart,j、离网时间Tend,j、结束荷电状态SOCend,j，得到所有电动汽车数据集X={x1,x2,…,xn}，这些代表了电动汽车的需求信息，将数据进行极值归一化，根据式(1)计算数据点间的欧氏距离，再根据式(2)计算两点间的高斯距离，进而构成相似矩阵K。

(1)

(2)

式中：Dij为样本点之间的欧氏距离；xi、xj代表不同的电动汽车个体；ζ为决定样本点之间衰减速度的尺度参数。

2)根据相似矩阵K构造拉普拉斯矩阵L，进一步构造正则化拉普拉斯矩阵Lsym。

3)计算Lsym的前i个最大特征值对应的特征集合{u1,u2,u3,…,ui}，将其作为各列构造矩阵,将矩阵的行向量转化为单位向量，得到矩阵B，将矩阵的每一行看做一个点，使用k-means算法将其划分为i个类簇。

聚类完成后，具有相似特征的电动汽车被归为一类，同一组的电动汽车由聚合器统一管理，聚合器的出力限制，离并网时间以及结束时荷电状态以聚合器内所有电动汽车的几何中心表示。

本文对电动汽车的研究集电动汽车单个建模管理以及集群管理的优点于一体，综合考虑不同电动车在VPP中的不同表现以及对每个电动汽车进行单独管理优化的复杂性，先通过抽样获得不同电动汽车个体的不同特性，再将具有相同特性的电动汽车进行聚类进行统一调度管理，这种处理调度比电动汽车单个建模处理更易于管理优化，得到的结果也比普通的集中电动汽车充放电管理结果更加精确。

1.2 虚拟电厂多市场调度框架

本文虚拟电厂由燃气轮机、电动汽车、风电机组、光电机组、电储能、电转气设备以及碳捕集设备组成，基于VPP自身容量限制，假定虚拟电厂在电力市场、碳交易市场、天然气市场中均为价格接受者，只需根据预测风光出力、各市场交易价格优化虚拟电厂在电-气-碳协同市场中的调度策略，VPP多市场运营框架如图1所示。

图1 含电动汽车虚拟电厂多市场运营框架

本文碳交易市场机制确定采用CDM机制，在CDM机制中，需要预先对参与碳交易的经济主体分配碳排放量标准，即碳交易配额。如果VPP在某时段的实际碳排放量低于其在该时段所分得的碳交易配额，则可将剩余碳排放权在碳交易市场上出售获利；如果VPP在该时段的实际碳排放量高于碳排放配额，则必须购买超额部分的碳排放权。

由图1可以得到，在每个时刻，VPP根据3个市场的气电碳价格差异，协调优化电转气、燃气轮机以及碳捕集设备的出力，在售电价格较高时，VPP将生产的多余电力出售给电网，而当售电价格低于电转气设备以及碳捕集联合效益时，VPP则将电力供应给电转气以及碳捕集设备，参与天然气以及碳交易市场进行获益，此时VPP通过碳捕集设备捕捉燃气轮机所释放的二氧化碳，使得VPP拥有更多的碳排放配额用于出售获利，而电转气设备利用VPP所生产电力以及碳捕集设备捕获的二氧化碳转化生成甲烷，可以减少VPP的购气成本以及向天然气市场售气获得收益。

2 含电动汽车虚拟电厂的多市场调度模型

2.1 目标函数

虚拟电厂的利润为其在电-气-碳协同市场中的收益与各构成单元设备成本或补偿差值，以日前预测情况下虚拟电厂利润最大为目标，构建考虑风光不确定和含电动汽车、电转气、碳捕集、燃气轮机的虚拟电厂调度模型，其目标函数为：

maxfel+fc+fgas-fev-fCO2-fP2G

(3)

式中：fel为VPP日售电收益；fgas为天然气市场日收益；fc为碳交易市场日收益；fev为电动汽车补偿成本；fCO2为碳捕集设备日运行成本；fP2G为电转气设备日运行成本；总体收益由6个部分组成，每部分具体表达如下。

1)电力市场日收益

(4)

2)碳交易市场日收益

fc=ecΔM

(5)

ΔMt=MD,t-MC,t

(6)

MD,t=εPGT,t

(7)

MC,t=PGT,tQg

(8)

式中：ec为单位碳排放价格；ΔMt为t时刻VPP碳排放配额与碳排放总量之差；MD,t为t时刻VPP所分配到的碳排放额度，单位为吨；ε为燃气轮机碳排放单位排放配额；PGT,t为燃气轮机时段t的发电功率；MC,t为t时刻VPP排放的二氧化碳质量，单位为吨；Qg为燃气轮机g的单位电量碳排放强度，单位为t/MWh。

3)天然气市场日收益

(9)

式中：egas为单位体积天然气价格，取2.4元/m3；Vsell,t为虚拟电厂时段t的售气体积；Vbuy,t为虚拟电厂时段t的购气体积。

4)电动汽车补偿成本

显然虚拟电厂调控电动汽车放电最终会缩短电池的寿命，并且会给车主带来额外的成本，一般称之为降级成本。最近许多研究通过研究不同电池的充电和放电对其电池寿命的影响，但是，为了避免进一步的复杂性和增加非线性性，在本文模型中，对于每一次电池放电，考虑一个惩罚系数对VPP进行惩罚[13]，如式(10)所示。

(10)

式中：eev为电动汽车进行放电时VPP对其的补偿成本；Pdisc,t为电动汽车时段t的放电功率；N为NJW频谱聚类形成的电动汽车聚类数量。

5)碳捕集设备日运行成本

(11)

PCO2,t=λGEMabs,t/ηCO2

(12)

式中：eCO2为单位功率碳捕集设备的运行成本；PCO2,t为碳捕集设备时段t的功率；λGE为碳捕集设备出力单位CO2所需的运行能耗；Mabs,t为碳捕集设备捕捉到的CO2质量；ηCO2为碳捕集设备的碳捕集率，即碳捕集设备的效率系数。

6)电转气设备日运行成本

(13)

式中：fP2G为电转气设备日运行成本；eP2G为单位功率碳捕集设备的运行成本；eb为电转气设备单位质量碳购买成本；MCO2,t为电转气设备时段t购买的碳原料质量。

2.2 约束条件

含电动汽车虚拟电厂需满足如下的约束条件。

1)燃气轮机约束

(14)

(15)

2)电动汽车约束

(16)

(17)

(18)

(19)

(20)

3)电转气设备约束

(21)

(22)

4)碳捕集设备约束[6]

(23)

(24)

5)各市场下虚拟电厂内部平衡约束

(1)虚拟电厂电力供需平衡约束

(25)

式中Psell,t为VPP在时刻t向电网售电量大小。

(2)虚拟电厂天然气供需平衡约束

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

(26)

(27)

(28)

式中：VGT,t为燃气轮机t时刻耗气量；VP2G,t为电转气设备t时刻转换生成的天然气体积；ηG为燃气轮机的电效率；HL为天然气的低位热值，取9.7kWh/m3；λ为电转气设备的转化系数，一般取3.6；ηP2G为电转气设备的工作效率。

(3)虚拟电厂内碳供需平衡约束

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

(29)

MP2G,t=Mabs,t+MCO2,t

(30)

由电转气转化原理可知，参与反应的二氧化碳与最后生成的甲烷体积是相等的，因此有：

MP2G,t=ρCO2VP2G,t

(31)

式中：Msell,t为虚拟电厂t时刻出售的碳排放额度；MP2G,t为电转气设备所消耗的CO2的质量；ρCO2为二氧化碳气体密度。

2.3 不确定因素的处理

2.3.1 风光不确定集构建

本文构建风-光不确定集来描述风光预测的不确定性，将风光出力合并为可再生能源出力，采用一个不确定集来描述其的不确定性，减少不确定优化时的计算量，具体表达式如下；

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

(32)

式中：PWIN(t)、PPV(t)为t时刻风力发电与光伏发电的功率值。

(33)

(34)

构建不确定集后，VPP内部各部分出力分为日前预测出力以及考虑风光波动的调整出力，如式(35)所示。

(35)

本文引入燃气轮机、电转气以及碳捕集设备的调节系数，并按线性分配策略来对应可再生能源功率波动，减少对主网稳定运行的影响[14]。

(36)

(37)

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

(38)

式中:C(t)、P(t)、G(t)分别为燃气轮机出力、电转气以及碳捕集设备在t时段的功率分配系数。

2.3.2 SCK鲁棒模型

本文采用基于随机变量分布信息的鲁棒线性优化方法来求解含风光不确定性的调度优化模型，该方法由Seng-Cheol Kang于2008年提出，改进了不确定性参数的取值问题，并提出鲁棒性指标来平衡优化模型的经济性和鲁棒性。对于含随机变量参数的调度模型，可以表示成式(39)所示的数学简式。

(39)

式中：x,u,l∈Rn分别为优化模型的优化变量及其上、下限取值；c∈Rn为优化模型的目标函数系数向量；A∈Rmn、b∈Rm分别为模型的约束条件系数矩阵和系数向量。

设随机变量参数出现在约束条件的系数矩阵中，记Ji表示A的第i行随机变量集合，|Ji|表示集合的个数。引入鲁棒性指标Γi(Γi≤|Ji|)，表示第i个不等式约束的不确定性测度，根据SCK型鲁棒优化方法的思想，对于A中含随机变量的第i行矢量ai，与Γi之间的关系可以表示为：

(40)

(41)

式中：zi、pik分别为变换时引入对偶变量。

2.2.3 鲁棒对等转换

计及随机变量后，燃气轮机出力不等式约束右不等式变为：

(42)

将可调变量代入后，变形可得：

(43)

引入鲁棒性指标Γt表示微电网运行周期的各个时段鲁棒性强度。根据鲁棒转换模型转化为SCK型鲁棒对等模型，表达式子如下：

(44)

通过类似方法可将含不确定性变量的电转气及碳捕集设备约束转化为SCK型鲁棒对等模型，由此，含不确定性变量调度规划问题转化为确定性的混合整数线性规划问题。

3 算例分析

3.1 模型参数

本文虚拟电厂整合了风电机组、光伏机组、燃气轮机、电转气、碳捕集设备以及300辆电动汽车。风电机组以及光伏机组预测出力如图2所示。各时段电价如图3所示。

图2 风力发电、光伏发电预测数据

图3 购电与售电实时电价

300辆电动汽车的初始SOCev,i统一设定为0.5，充电时结束的SOC取[0.8，0.95]，之间均匀分布的随机数，假设电动汽车的电池为统一型号，充放电最大功率为6 kW，电池最大容量为23 kWh，电动汽车离并网时间服从下式(45)—(46)描述的概率密度函数[17]。

(45)

(46)

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

通过拉丁超立方抽样后，本文利用NJW频谱聚类将300辆电动汽车聚类为10类，电动车聚类的离并网时间以及结束时荷电状态如表1所示。

表1 聚类后电动汽车各项特征

燃气轮机采用最小最大运行功率为1.5 MW/5MW，上下爬坡功率为1.6 MWh，电转化效率为40%；燃气轮机碳排放强度为0.065t/GJ，配额系数为0.102t/GJ，碳交易市场中碳配额交易价格为190元/t[18]；电转气设备运行成本为138元/MWh，碳原料价格为50元/t，碳捕集设备成本为234元/t，碳捕集设备的碳捕捉效率为90%[19]。

3.2 场景分析

3.2.1 场景设置

本节分析电转气设备、碳捕集设备对于VPP参与多市场调度中协同调度优化的影响，并且考虑电动汽车管理策略不同对虚拟电厂调度的影响，设置4种虚拟电厂运行模式进行分析。

1)采用优化充电策略管理电动汽车，不包含电转气、碳捕集设备的虚拟电厂参与电-气-碳三者独立市场。

2)采用优化充电策略管理电动汽车，包含电转气设备，不包含碳捕集设备的虚拟电厂参与电-气协同市场以及碳交易市场。

3)采用优化充电策略管理电动汽车，包含电转气和碳捕集的虚拟电厂参与电-气-碳协同市场。

4)采用本文优化充放电策略管理电动汽车，包含电转气和碳捕集设备的虚拟电厂参与电-气-碳协同市场。

3.2.2 不同场景下虚拟电厂各部分运行功率以及各市场收益分析

本文采用MATLAB中Yalmip+Cplex求解器进行求解运算,系统以24 h为周期，1 h为步长进行仿真，此时设置鲁棒性指标Γ=0，得到4种场景下虚拟电厂在多市场种运行优化结果如图4—8所示。

图4 各场景下虚拟电厂燃气轮机功率与购售电功率

图4为各场景下燃气轮机出力功率以及虚拟电厂购售电功率，值为正表示向电网售电，值为负表示从电网购电。图5中值为正表示出售天然气，值为负表示购买天然气，图6为不同场景下碳捕集设备功率以及VPP净碳排放量大小数据，综合图4—6可得，场景一在电价低谷时刻，售电收益低于燃气轮机成本，燃气轮机以最小功率进行工作，在电价高峰时刻，燃气轮机以最高功率进行出力，此时虚拟电厂在电力市场中全为售电，在天然气市场中全为购气，碳交易市场收益为剩余碳排放额度的售卖；在场景二中，加入电转气设备后，电转气设备将电能转化为天然气，将其供应给燃气轮机发电或者在天然气市场进行售卖，通过电转气设备将电力市场与天然气市场联系起来，在电价低谷时刻，电转气设备带来收益高于购电成本但低于燃气轮机的发电成本，虚拟电厂在电价低谷时刻向电网购电满足电转气设备的用电需求，在电价高峰时刻，由于售电收益远大于电转气设备带来收益，燃气轮机以及风力发电、光伏发电功率全部向由网售卖，电转气设备功率为0，由图5虚拟电厂购售天然气体积曲线可得，加入电转气设备后，大部分时候虚拟电厂仍需在天然气市场进行购气，但在0:00—7:00电价低谷时刻，电转气设备产生的天然气供燃气轮机使用后还有剩余在天然气市场进行出售，减少了虚拟电厂的购气成本。

图5 各场景下电转气设备功率以及购售天然气体积

图6 不同场景下碳捕集设备功率以及净碳排放质量

在场景三中，加入碳捕集设备后，碳捕集设备可以捕捉燃气轮机发电时产生的二氧化碳并供应给电转气设备进行反应，即节省了一部分电转气设备所需碳原料成本，又增加了虚拟电厂在碳交易市场中可出售的碳排放额度，由于电转气设备以及碳捕集设备联合运行的综合收益大于燃气轮机的发电成本，在电价低谷时刻，燃气轮机的出力高于场景二中燃气轮机出力，在18：00-20：00时刻，此时虚拟电厂售电收益低于电转气与碳捕集设备联合运行收益，虚拟电厂在此时段内提升电转气设备以及碳捕集运行水平，以期在天然气市场与碳交易市场获得更高的收益，在其他非电价高峰时刻电转气设备的功率也普遍高于场景二中出力功率，虚拟电厂在天然气市场的收益得到提升，由图6可得，在0:00-7:00电价低谷时刻，通过电转气设备以及碳捕集装置的联合运行，虚拟电厂实现了净碳排放为0，在其他时刻净碳排放量也有所下降，大幅度提升了虚拟电厂在碳交易市场中的收益。

图7为4个场景下电储能充放电功率，值为正时表示充电功率，值为负时表示放电功率，由图可得，在电价低谷时期，由于此时售电电价较低，VPP对外售电收益小于发电成本，场景一中储能基本都为充电操作，而在其他场景中VPP此时可以在天然气市场以及碳交易市场中获得收益，VPP将电力供应给电转气以及碳捕集设备，以期在协同市场中获得更大利益，因此相较于场景一，其他场景下电储能在这些时刻进行放电操作；在场景四中，电动汽车优化充电策略转化为优化充放电策略，如图8所示，值为正时表示充电，值为负时表示放电，优化充电策略通过转移电动汽车充电时间，在电价低谷时刻对电动汽车进行充电，增加虚拟电厂在电价高峰时刻的售电功率，提高其在电力市场中的收益，而在优化充放电策略中，虚拟电厂通过对电动汽车进行充放电管理，在电价高峰时对电动汽车进行充电，在电价低谷时对电动汽车进行充电，从而使得虚拟电厂在电力市场中获得更大收益。

图7 各场景下电储能充放电功率

图8 电动汽车优化充电与优化充放电策略比较

同时，电动汽车优化充放电策略使得电动汽车具有储能的特性，使得固定储能配置具有更大的灵活性，可以避免一次性投入大量资金进行固定储能的配置，优化充电策略与优化充放电策略下，固定储能容量不同时虚拟电厂的收益如表2所示。

由表2可得，在相同的储能容量下，对电动汽车采取优化充放电策略都高于采取优化充电策略下虚拟电厂的收益，并且当对电动汽车采用优化充放电策略进行管理时，由于其充放带来的储能特性，虚拟电厂中固定储能容量可以得到较大的减少，当固定储能配置为3 MW时，优化充放电策略下虚拟电厂收益基本与5 MW固定储能容量下采取优化充电策略虚拟电厂收益持平，这些结果表明，对电动汽车采用优化充放电策略进行管理不仅可以增加虚拟电厂收益，还可以将电动汽车视为灵活储能配置，减少虚拟电厂中固定储能配置，避免一次性投入大量资金，减少初期的建设成本。

表2 不同储能容量下虚拟电厂收益

各个场景下虚拟电厂在各市场收益以及各项成本如表3所示。

表3 虚拟电厂各市场收益及成本

由综合表3可得，场景一的电力市场收益最高，因为此时虚拟电网各时段均为售电，而由于未加入电转气设备，虚拟电厂在天然气市场中为一个消费者的角色，其在天然气市场的收益最低。相比于场景一，场景二中加入电转气设备，通过电转气设备使电力市场与天然气市场联系更加紧密，虚拟电厂在低价低谷时期向电网购电，向天然气市场售气，其电力市场收益减少了14.91%，但天然气市场收益提高了52.17%，总体收益得到极大的提升。在场景三中，增加碳捕集设备，通过捕捉燃气轮机排放的二氧化碳，既可以增加虚拟电厂在碳交易市场的交易配额，还可以减少电转气设备所需的碳原料成本，相比于未装设碳捕集设备的场景一与场景二，碳交易市场收益由5 599.39元提高到了8 577.25元，碳交易市场收益涨幅较大，天然气市场收益也得到进一步提升，虚拟电厂的净收益增加了。而在场景四中，相较于优化充电策略，电动汽车优化充放电策略使得虚拟电厂在电价高峰时售电量增加，虚拟电厂在电力市场中得收益相较于场景三有所增加,由74 440.72升至76 029.2元。而在天然气市场以及碳交易市场，采用电动汽车优化充放电管理策略后，因为电动汽车在电价低谷时进行充电，这些时刻燃气轮机出力增大，VPP在天然气市场出售天然气量降低，收益减少了一部分，但同时碳捕集设备功率大大提高，碳交易市场收益得到显著提升，由8 577.25升至8 910.94元。

图9和图10展示了不同鲁棒系数下VPP与电网电力交易功率的变化情况以及虚拟电厂总体收益情况，可以看出，随着鲁棒系数Γ的增大，风光的实际出力与预测出力的偏差逐渐增大，风光出力不确定集的范围随之变大，会扰乱虚拟电厂根据自身资源条件制定的多协同市场下的优化调度策略，为了保证虚拟电厂对外能输出较稳定的电力功率，当偏差越大时，各部分出力功率以及VPP电力市场购售电策略就更保守，VPP在多协同市场下的收益也逐步降低。

图9 不同鲁棒系数下虚拟电厂电力市场交易功率

图10 不同鲁棒系数下虚拟电厂收益

4 结论

本文提出一种含电动汽车虚拟电厂在电-气-碳三协同市场中优化调度模型，通过加入电转气与碳捕集设备，增加了3个市场间的联系紧密程度，增强了虚拟电厂在这3个市场间调度的灵活性，虚拟电厂在3个市场中即作为消费者又可作为出售者，在协同市场中取得的收益大为增加；电动汽车优化充放电策略相对于优化充电策略，使得电动汽车具有储能的特性，使虚拟电厂调度更为灵活，在电价低谷时充电，高峰时放电，即减少了电动汽车无序充电带来的不良影响，对虚拟电厂的收益也具有一定的增幅作用，同时还可以减少虚拟电厂内部固定储能配置容量大小，避免一次性投入大量资金，减少初期建设成本。同时采用鲁棒优化的方式考虑了风光出力的不确定性，增加虚拟电厂在电力市场交易的稳定性与可靠性。

本文提出的多协同市场调度模型主要考虑的是日前预测情况，负荷侧柔性负荷只考虑了电动汽车，比较单一，在后续研究中可考虑实时平衡市场偏差惩罚，同时负荷侧虚拟储能与实际电储能组成的广义储能对虚拟电厂调度经济性影响也是后续研究的重点。