本发明基于电动汽车充放电对电力负荷峰谷差率和虚拟电厂收益的影响，利用先进的信息通信技术，提出一种聚合风电、光伏、电动汽车、碳捕集和燃气轮机的虚拟电厂优化运营策略，具体涉及一种聚合电动汽车与碳捕集的虚拟电厂优化运营方法。
背景技术：
1、虚拟电厂(virtual power plant,简称vpp)作为一种新兴的电力系统管理方式，正在快速发展并在全球范围内得到广泛应用，尤其是为分布式清洁能源和电动汽车(electric vehicle,简称ev)的发展为解决生态和资源问题提供了新思路。分布式清洁能源具有能源利用效率高、供能灵活、经济等特点。电动汽车有零污染、零排放的天然优势。在各种清洁能源发电注入电网和电动汽车数量与日俱增的背景下，虚拟电厂协同控制将新电源、储能、负荷集合在一起，提升了电力系统的安全性与稳定性以及新能源消纳能力，与电网保持协调联系，从而获得一定收益。但新能源发电具有不确定性与随机性，并且ev无序充放电，会导致用电峰值累加，使电网峰谷差异更明显，同时，电源承担负荷也会产生大量的碳排放。vpp不仅可以解决上述问题，还能参与相关市场获得经济效益。因此，vpp优化运营，保证经济收益和成本成为当前热点研究方向。
2、目前针对vpp优化调度的方法主要选用风光典型日拟合出力，没有考虑短期预测，这对于参与电网调度的vpp不具有真实性；且预测偏差还会有偏差惩罚，以及一定的碳排放。对此，本文提出的vpp优化运营策略考虑到风电和光伏出力的季节性，并对其做季节性的预测，还通过补偿来避免预测偏差惩罚；同时，考虑了碳捕集设备的加入；且该策略的运营在通过协调vpp内的各个部分从售电市场和碳市场获取收益的同时，还考虑了负荷的峰谷差率，保证了电网运行的稳定性。最后通过对比实验证明本文所提策略的有效性和可行性。
技术实现思路
1、本发明要解决的技术问题在于：针对现有的研究和技术中存在的不足，本发明为虚拟电厂聚合风电、光伏、电动汽车且考虑碳捕集和燃气轮机的优化运营策略，解决原有研究和方法之中对于聚合风电、光伏、电动汽车的vpp调度策略中的不足，提出一种聚合电动汽车与碳捕集的虚拟电厂优化运营方法，利用混沌理论集合经验模态分解峰值频段和ga(genetic algorithm)优化反向传播神经网络bp(backpropagation neural networks)即：gabp(genetic algorithm optimization of backpropagation neural networks)，对其做季节性的预测，其次采用碳捕集系统减少碳排放，参与碳市场交易，本发明实现方简单，优化了vpp的运行效率和稳定行，增强有效性和实用性。
2、上述的目的通过以下技术方案实现：
3、本发明的一种聚合电动汽车与碳捕集的虚拟电厂优化运营方法，该方法包括如下步骤：
4、s1.通过分析电动汽车用户行为，研究电动汽车的充电规律，日行驶里程、充电时段、充电概率分布，并采用蒙特卡洛方法模拟电动汽车的充电功率；
5、s2.基于步骤s1所研究的内容，制定vpp优化运营策略，从电动汽车用户出行规律出发，以峰谷差率和vpp的收益为目标，并考虑相关的约束；然后，对风电和光伏做出季节性的出力预测，与通过k-means聚类后的相应季节进行对比；最后，对于基础负荷、风光预测偏差、ev充电和碳捕集能耗使用燃气轮机供能，并且将风光出力与ev放电清算到售电市场出售，同时考虑碳捕集的减排作用，并参与碳市场出售碳配额进行再获益；
6、s3.考虑到风电和光伏出力的季节性，通过补偿来避免预测偏差惩罚，利用混沌理论集合经验模态分解峰值频段和ga(genetic algorithm)优化反向传播神经网络bp(backpropagation neural networks)即：gabp(genetic algorithm optimization ofbackpropagation neural networks)，对其做季节性的预测，其次采用碳捕集系统减少碳排放，参与碳市场交易；
7、s4.最后通过算例对有序和无序充放电对比仿真，验证所提策略的有效性和实用性。
8、进一步地，步骤s1具体包括如下：
9、s1-1.ev日行驶时间t服从对数正态分布，ev开始的充电时间服从分段正态分布，返回时刻服从正态分布，即为其概率密度函数f(t)为：
10、
11、式中：μt为ev日行驶时间的均值，μt取17.6，σt为ev日行驶时间的方差，σt取3.4；
12、s1-2.ev日行驶里程s服从对数正态分布，即：其概率密度f(s)为：
13、
14、式中：μs为日行驶距离的均值，μs取3.2，σs为日行驶距离的方差，σs取0.88；
15、s1-3.针对电动汽车充电时段的研究，把充电区域划分为居民区、办公区、工业区、商业区这四个典型区域，再选取有序充电、无序充电、延迟充电、削峰充电作为研究场景，以无序充电场景下的居民区为研究对象为例，对该模型下的分时电价峰谷时间段进行分析，确定居民区的各时间段的峰谷关系，确定方法如下所示：
16、
17、式中：x为所选取时间点的负荷需求；p(x)为峰谷状态；m、n分别表示在该区域中，一天内负荷曲线上的最高点和最低点；
18、s1-4.ev的使用电量与行驶里程成正比，根据行驶里程确定ev的耗电量，即原始电量减耗电量得到ev刚开始充电的电量，由初始电量得到充电时长t，计算如下，
19、
20、式中：esoc为电动汽车开始充电时的电量；为电动汽车原始的电量；xd为行驶的里程；a为电动汽车的电池容量；w100为电动汽车每100千米的能耗；为ev充电目标值；φ为充电效率；pcharge为充电功率；
21、s1-5.ev的充电行为通过概率分布进行预测：首先，确定ev数量、电池容量、充电功率；然后根据行驶里程计算出ev开始充电的剩余电量；再根据ev开始充电概率分布确定开始充电时刻；最后，计算出每台ev的充电负荷，累计并输出所有ev的充电负荷曲线。
22、进一步地，步骤s2具体包括：
23、vpp的收益来源于参与售电市场的风光机组与ev放电以及参与碳市场出售碳配额，vpp需要燃气轮机承担基础负荷、预测偏差、ev充电需求、碳捕集运行，以及ev放电的电池损耗，运营策略模型的目标函数如下：
24、
25、式中：rwt、rpv、rev,dis、rc分别为风电售电收益、光伏售电收益、ev放电收益、碳排放收益；rbase、rbias、rcharge、rev,batter、rfc、rec分别为基础负荷、燃气轮机承担的风光预测和真实值的偏差补偿、燃气轮机承担ev充电需求的成本、ev电池损耗成本、二氧化碳封存成本、碳捕集能耗成本；
26、其中，风电售电收益、光伏售电收益、ev放电收益按分时电价计算：
27、
28、式中：qwt、qpv、qev,dis分为风电预测发电量、光伏预测发电量、电动汽车放电量，p为分时电价；
29、碳排放收益计算如下：
30、
31、式中：kc、e、ec、ep分别为碳交易价格、碳配额量、碳捕捉量、碳排放量；q、b、f分别为机组的供电量、所属类别的供电基准值、机组热量修正系数；
32、风光预测偏差和ev充电使用燃气轮机补偿和承担：
33、
34、式中，qbias、qcharge、qgas分别为偏差补偿电量、ev充电量、燃气轮机度电成本；
35、ev电池损耗费用为：
36、
37、式中：b为电池的寿命和循环次数的线性关系；γ_t为ev在充电时间t内的循环电量；c为电池更换成本；和为t和t-1时间的ev电量；在电动汽车放电时会产生电池寿命的消耗，若没有放电则不产生寿命消耗；
38、碳封存的成本以及碳捕集能耗为：
39、
40、式中：kcq为碳捕集设备封存系数；pb、pc、wc分别为碳捕集设备的基准能耗、运行能耗、处理单位二氧化碳所需的运行能耗；
41、vpp中的ev充放电会改变负荷的峰谷差，为了避免峰上加峰的现象，并做到削峰填谷，则必须要考虑到负荷的波动和峰谷时的电量消耗，将峰谷差率的变化值f2设定为目标函数，则目标函数f2负荷的峰谷差率η如下：
42、
43、式中：f2表示峰谷差率的变化值；psum,min、psum,max为原始负荷和ev的充放电功率总和的最大值和最小值；psum为原始负荷和ev的充放电功率总和；pinitial为原始负荷；pi,ev为第i辆ev的充放电功率；ev总量为n；
44、在保证虚拟电厂收益，又兼顾稳定电网的负荷变化的情况下。将两个目标函数利用线性加权法进行规范化处理：
45、
46、式中：f为多目标优化函数；其中的和为两目标函数最大值；α1和α2分别为目标函数f1和f2的优化权重；
47、其次需要考虑有关约束条件，具体如下：
48、1)风电机组、光伏机组约束
49、
50、式中：分别代表风电和光伏发电机组的出力上限和下限；pwt、ppv为风电、光伏功率输出；
51、2)电动汽车约束
52、0≤pcharge≤pev,max
53、0≤pdis≤pev,max
54、式中：pcharge和pdis为ev的充电和放电功率；pev,max为充放电功率的最大值；
55、3)电池可用容量约束
56、
57、式中：eev为电池剩余可用电量；erated为电池额定容量；socev为电池可用量与额定容量的比值；echarge,dis为ev的充放电量；soccharge,dis为ev充放电量与额定容量的比值；socev,last为充放电后的电量占比；socmin和socmax分别为电池容量的最小与最大值。
58、4)用户期望电量约束
59、ei，min≤ei，ev≤ei,max
60、式中：ei，ev为第i辆ev用户期望电量；ei,min和ei,max为第i辆ev用户期望电量的最大值和最小值。
61、进一步地，步骤s3的具体过程是：
62、当输入为(x＝x1,x2…xj…xm)时，bp神经网络风电功率模型的输出y为：
63、
64、上式中wjk是输入层节点j和隐含层节点k的权值，θj为隐含层节点j的阈值；wj为隐含层节点j与输出层节点之间的阈值；θ为输出层节点的阈值；输入层节点总数为m，隐含层节点总数为np；
65、bp在预测时有两个阶段：模型训练和预测，训练时，不断调整权值和阈值，实现参数映射；预测时，将预测样本代到训练好的预测模型中输出结果，按照以下步骤进行：
66、1)信号的正向传输
67、隐节点j在第p个样本下的输入和输出为：
68、
69、输出节点在第p个样本下的输入输出yp为：
70、
71、2)误差反向传输：
72、通过梯度下降，对其权值和阈值进行调节，使误差达到精度要求。误差计算公式为：
73、
74、式中:dp和yp为在样本p下的实际值和输出值；
75、而bp神经网络训练的过程中，通过前向传播数据与误差反向传递，更新权重阈值，在选定初始参数后，梯度下降将其作为起点，进行参数优化与更新，但收敛值并非是全局最优，因为可靠性和稳定性受初始值影响，而遗传算法ga具体很好的全局搜索能力，所以引入ga用来解决此问题，即将参数作为问题的决策变量，模型的精度作为问题的目标函数，具体流程如下：
76、⑦设置种群规模大小sp、交叉概率pc、变异概率pc、遗传进化代数gmax参数；
77、⑧初始化种群，进行编码，初始化个体；
78、⑨确定适应度函数对给个体评估，将均方误差的倒数作为适应度函数h；
79、
80、式中：n为训练样本总数；yp为预测输出；dp为实际输出；
81、⑩选择，其中节点j选择概率pj为：
82、
83、式中：n0为个体数目；hi为第i个个体的适应度函数；
84、交叉，按交叉概率对两个体交叉：
85、
86、式中：apq表示p个体的第q位基因；azx表示z个体的第x位基因；γ0在0到1之间；
87、变异，按照变异概率对个体变异：
88、
89、式中：amin和amax为aij的下限和上限；g为进化次数；γ1为0到1间的随机数；γ2为随机数；
90、判断是否满足终止的条件，若满足则解码并输出权值、阈值；若不满足则自适应调整交叉概率和变异概率则从④再次执行。
91、与现有的技术相比，本发明的优点在于：
92、1)从电动汽车用户的行为规律出发，基于电动汽车每日行驶里程、起始充电时刻、充电时间等参数，利用蒙特卡洛方法对电动汽车充电负载进行仿真。并以此为基础考虑到了电动汽车无序充电所带来的峰上加峰以及相关成本问题。
93、2)考虑到风光的出力的季节性，利用gabp模型做出季节性预测，并且通过k-means对季节进行聚类作为预测结果的参考,表明预测模型的可行性和准确性。避免了虚拟电厂中分布式清洁能源使用拟合预测不具有真实和实用意义的情况。
94、3)以虚拟电厂收益和负荷峰谷差率两个目标，考虑到电动汽车的充放电成本与收益和电池损耗，以及相关的约束，利用有序和无序对比进行实验，突出表明所提方法既可以参与售电市场增大vpp的经济收益，又能有效降低了电网的峰谷差，还提高了电网的经济性和安全性，并且通过碳捕集减少了碳排放，还参与了碳市场交易。通过仿真验证了所提策略的有效性。
1.一种聚合电动汽车与碳捕集的虚拟电厂优化运营方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的聚合电动汽车与碳捕集的虚拟电厂优化运营方法，其特征在于：步骤s1具体包括如下：
3.根据权利要求2所述的聚合电动汽车与碳捕集的虚拟电厂优化运营方法，其特征在于：步骤s2具体包括：
4.根据权利要求3所述的聚合电动汽车与碳捕集的虚拟电厂优化运营方法，其特征在于：步骤s3的具体过程是：
