技术领域
[0001] 本
发明属于电
力系统运行与规划领域，尤其涉及一种虚拟电厂容量优化配置方法。
背景技术
[0002] 随着世界范围内化石
能源的日益消耗，环境问题日益突出。利用
可再生能源(renewable energy source,RES)发电的分布式电源(distributed generator,DG)以其经济、高效、环保等特点得到了越来越广泛的关注，逐渐成为了未来全球能源发展的主要方向。然而，可再生能源发电具有很强的随机性和间歇性，管理困难且接入后会对
电网的安全稳定运行带来更大的威胁。
[0003] 为了有效解决上述分布式电源并网所带来的困难，实现分布式电源的协调控制与
能量管理，目前广泛采用微网和虚拟电厂(virtual power plant，VPP)的形式实现对大量分布式电源的灵活控制与管理。其中，VPP通过将各类分布式电源、储能系统及可控负荷聚合成一个有机整体参与电力市场的竞标和运营，一方面有利于缓解可再生能源对电网造成的
波动，另一方面实现了资源的优化利用，从而有望获得规模化的经济效益。
[0004] 虚拟电厂中
风、光等可再生能源出力及市场电价的不确定性会导致其收益具有一定的风险性。合理配置虚拟电厂中风电、光伏、储能以及常规机组的容量，能够降低系统成本，使投资者的利益最大化。
[0005] 在规划含有可再生能源发电的微网和虚拟电厂时，要充分考虑分布式电源发电的间歇性、互补性等因素。如何平衡投资与收益、合理配置可再生能源、常规发
电机组及储能的容量问题引起了国内外学者关注。
[0006] 投资组合理论可用于权衡资产风险和收益的关系，已在电力建设规划、发电商电量分配以及装机容量优化等领域得到了广泛的应用。不确定因素影响下的多电源容量配置问题也正是投资组合理论中典型的资产配置问题。CVaR作为一种有效的风险度量手段已经被广泛应用于电力系统的风险管理中，该方法有效解决了均值-方差理论在衡量风险时的缺点。
[0007] 目前容量配置研究主要集中在微网，而VPP作为一个整体参与市场运营，在运行方式上可以更加灵活地通过向市场售购电来平抑可再生能源出力的波动。并且，目前对于VPP的研究大多集中在调度运行方面，鲜有研究考虑VPP规划运行一体化。此外，大多数针对规划的研究并没有考虑投资商在收益上面临的不确定性风险。
发明内容
[0008] 发明目的：为克服
现有技术不足，本发明旨于提供一种考虑条件风险价值、能够更好的为决策者提供最优策略方案的虚拟电厂容量优化配置方法，
[0009] 技术方案：为解决上述技术问题，本发明采用如下技术方案：
[0010] 一种虚拟电厂容量优化配置方法，包括以下步骤：
[0011] 步骤1：对VPP中典型结构组成与功能进行分析及建模；
[0012] 步骤2：以场景技术模拟VPP中不确定性因素；
[0013] 步骤3：建立只考虑系统成本的VPP多电源容量配置模型目标函数；
[0014] 步骤4：以投资组合理论及风险度量方法为理论
基础，在上述VPP多电源容量配置模型目标函数中加入条件风险价值以衡量风险，并对应不同风险偏好
水平的投资商，对风险系数进行分级；
[0015] 步骤5：根据上述步骤得到的目标函数，结合VPP实际运行中各种约束条件，建立VPP规划运行一体化模型。
[0016] 所述步骤1中VPP中典型结构包括以下几部分结构与功能：
[0017] 1)
光伏发电系统：
光伏发电系统的发电功率与光照强度密切相关，因此光伏发电也具有强随机性，太阳光照强度可以近似看成服从Beta分布；假设给定一组光伏
电池阵列，其面积和光电转换效率分别为A和η，则这组光伏电池阵列的输出功率为：
[0018] Ppv＝rAη
[0019] 式中：r为这一时间段内的实际光照强度；
[0020] 2)
风力发电系统：一般认为风速服从威布尔分布，可通过下式得到风力发电机的输出功率：
[0021]
[0022] 式中：Pr为风力发电机的额定功率；vci,vr,vco分别为同型号风力发电机的
切入风速、额定风速和
切出风速，v为当前待测风速；
[0023] 3)柴油发电机：在VPP中通过配置常规机组平抑可再生能源出力的波动性，从而对外输出一个较稳定的
电能以参与电力市场运营；
[0024] 4)储能系统：储能系统不仅起到
削峰填谷的作用，还能够根据电力市场价格的波动，灵活地调整VPP在日前市场的电力竞标量；考虑到VPP建设成本的限制，使用寿命较长、功率容量高、价格较便宜的铅酸
蓄电池作为储能设备；
[0025] 5)
电力负荷：通常在规划VPP时，需要将对某地区的负荷供应纳入VPP的功能之一；电力负荷又分为固定负荷和可中断负荷，对于可中断负荷，在中断时VPP要向用户支付一定的补偿
费用。
[0026] 本发明中负荷为可中断负荷。
[0027] 所述步骤2中，在规划和运行VPP时存在3种不确定性因素：
[0028] 1)、风速不确定性导致风电出力波动；
[0029] 2)、光照强度不确定性导致光伏出力波动；
[0030] 3)、市场因素导致电价波动；
[0031] 以场景技术模拟VPP中使用场景集的方法将随机优化问题转化为确定性优化问题处理，分别选取风电出力、光伏出力及电价场景集w、s、p个，各场景概率分别为π(w)、π(s)、π(p)，则VPP在实时运行中的变量均为在各场景下的形式。
[0032] 所述步骤3中只考虑系统成本的VPP多电源容量配置模型目标函数如下：
[0033] 1)等年值初始投资建设成本
[0034] Co＝(NPV·Cpv+Nwind·Cwind+Nb·Cb+Nc·Cc)·CRF
[0035]
[0036] 式中：Cpv、Cwind、Cb、Cc分别为单组光伏阵列、单台风力发电机、单组
铅酸蓄电池和单台柴油发电机的造价成本；NPV为光伏阵列的并联个数，Nwind为风力发电机的台数，Nb为铅酸蓄
电池组的并联个数，Nc为柴油发电机的台数，CRF为将初始投资化为等年值的系数因子，m为系统使用年限，r为贴现率；
[0037] 2)系统年运行维护成本
[0038]
[0039] 式中： 分别表示单组光伏阵列、单台风力发电机、单组铅酸蓄电池和单台柴油发电机的年运行和维护成本；
[0040] 3)系统置换成本(当某单元的寿命小于系统使用年限时考虑)
[0041]
[0042] 式中： 分别表示光伏阵列、风力发电机、铅酸蓄电池和柴油发电机的更新置换成本；
[0044]
[0045] 式中： 为单台柴油发电机年燃料成本，可通过下式计算得到：
[0046]
[0047] 式中：pf为柴油的单价； 为t时刻柴油机出力；Q为柴油机的燃油消耗率；
[0048] 5)可中断负荷补偿成本
[0049]
[0050] 式中：λcurt为VPP中断用户负荷时给予的中断补偿费用； 表示t时刻VPP中断负荷功率；
[0051] 6)VPP运行收益
[0052]
[0053] 式中： 分别为t时刻向电网售电量和购电量；λp(t)表示t时刻在场景p下日前能量市场统一出清价格(MCP)；kpurchase表示购电价格在原电价基础上乘以的比例系数；
[0054] VPP的运行收益主要来自于在日前市场的收益。
[0055] 综上，系统的等年值总建设运行成本为：
[0056]
[0057] 所述步骤4包括以下步骤：
[0058] 1)投资组合理论
[0059] 投资组合问题即投资者如何通过配置各种资产以权衡风险和收益的过程；有效的投资组合必须达到或接近资产收益最大化与风险最小化的均衡状态；在收益一定的条件下，选择风险最小的投资组合；在风险一定的条件下，选择收益最大的投资组合，同时满足这2个条件的投资组合集合就是有效集，又称为有效边界或有效前沿；
[0060] 在投资建设虚拟电厂时，如何选择配置各机组的装机容量以及在运行时段内合理地向市场售购电等均为典型投资组合理论中的资产配置问题；因此，在规划建设VPP时，可应用投资组合理论，合理权衡风险与收益，从而使VPP的配置方案具有更强的鲁棒性；
[0061] 2)基于VaR和CVAR的风险度量
[0062] 风险度量是指对特定风险发生的可能性或损失的范围与程度进行估计和度量；VaR和CVaR是当前金融领域比较常用的风险管理技术，有效弥补了传统的均值-方差模型在度量风险时的局限性；风险价值的计算方法有历史模拟法和随机模拟法等，由于风速、光照强度及电价的概率分布难以准确获得，本
申请采用历史模拟法来计算风险价值。
[0063] VaR反映投资组合在给定的
置信度β上潜在的最大损失；设f(x,y)为损失函数，x为决策变量，y为随机变量，假设ρ(y)是y的概率
密度函数，则损失函数f(x,y)不大于边界值α的分布函数为：
[0064]
[0065] 对于给定的置信度β，VaR可由下式得到：
[0066] VaRβ＝min{α∈R:ψ(x,α)≥β}
[0067] 式中，R为实数域；
[0068] 而VaR只是某个置信度下的分位点，而分位点以后的风险信息未被考虑，即存在“尾部风险”；因此美国学者Rockafell和Uryas于1999年提出了条件风险价值CVaR含义为超过VaR部分的平均损失，其作为VaR的一种补充风险度量能够更好地反映“尾部风险”：
[0069]
[0070] 由于VaRβ(x)解析式难以求出，所以推导出变换函数Fβ(x,α)：
[0071]
[0072] 式中：[f(x,y)-α]+表示max{f(x,y)-α,0}；α即为VaR的值；
[0073] 通常用以下估计式来计算变换函数Fβ(x,α)：
[0074]
[0075] 式中：y1,...,yq为y的q个样本，k为求和的计步器，表示k从1取到q；
[0076] 易得
[0077] 3)根据上述投资组合理论及风险管理方法，将条件风险价值CVaR以乘以一个风险偏好系数L的形式加入到VPP多电源容量配置模型的目标函数中，则目标函数包含两个部分，形式如下：
[0078]
[0079] 第一部分为等年值总建设运行成本，第二部分为CVaR和一个权重系数的乘积；权重系数L为风险偏好系数，表示投资者对于风险的态度，其取值范围为L≥0，当L取值小于0.1时，表示投资者为风险偏好型，投资者希望以较大的风险换取较高的收益；当L取值大于
0.5时，表示投资者为风险规避型，投资策略较保守；投资者应根据自身风险偏好程度，恰当地选取风险系数L。
[0080] 所述步骤5包括以下步骤：
[0081] 1)常规机组出力约束
[0082]
[0083]
[0084] 式中：Pc.max为柴油机输出额定功率；ramp为柴油机的爬坡率； 为t时段各场景下柴油机组的总出力， 为t-1时段各场景下柴油机组的总出力，为决策变量；
[0085] 2)蓄电池电量及充放电约束
[0086]
[0087]
[0088]
[0089]
[0090] 式中： 分别为t时段各场景下储电量和充、放电量，为t-1时段各场景下储电量，为决策变量；Wb.max为单组铅酸蓄电池的额定容量；CDOD为蓄电池的最大放电深度；Pbc.max、Pbd.max分别表示单组铅酸蓄电池的最大充、放电功率；
[0091] 3)可中断负荷约束
[0092]
[0093] 式中： 表示t时段各场景下中断负荷量，为决策变量；kcurt为中断系数；Pel(t)表示t时段下的电负荷；
[0094] 4)功率平衡约束
[0095]
[0096] 式中： 分别表示t时刻在场景w和场景s下单台风力发电机和单组光伏阵列出力；
[0097] 5)CVaR风险约束
[0098] 为便于求解引入虚拟变量 令 表示超过VaR的损失，损失函数f(x,y)取收益的负值；为了便于计算将其松弛为下面两个不等式；
[0099]
[0100]
[0101] 则
[0102] 式中：α即为VaR的值；β为投资商设定的置信度；
[0103] 优化问题的决策变量包括：
[0104]
[0105] 本发明风力发电机简称风机。
[0106] 本发明未提及的技术均为现有技术。
[0107] 有益效果：与现有技术相比，本发明的有益效果是：
[0108] (1)能提供一种考虑条件风险价值的虚拟电厂容量优化配置方法，CVaR的引入能够直观地度量投资者在规划和运行VPP时面临的风险；通过对风险系数的设定能够更好地衡量规划建设VPP的经济性与风险性之间的关系；为不同风险偏好的投资商在决策时提供了定量的依据。
[0109] (2)在不同风险系数下配置柴油发电机及储能所发挥的功能侧重不同；当投资策略保守时配置柴油机及储能以平抑可再生能源出力波动，降低风险性；当投资策略激进时灵活调度柴油机及储能从而增加售电收益，提高经济性。
附图说明
[0110] 图1为本发明虚拟电厂容量优化配置方法
流程图；
[0111] 图2为系统总成本关于CVaR的有效边界示意图；
[0112] 图3为风力发电机台数、光伏电池板并联数、铅酸蓄电池组并联数和柴油机台数四个不同风险系数下的优化结果示意图；
[0113] 图4为风力发电机总出力、柴油发电机总出力和总售电量三种不同风险系数下的优化结果示意图；
[0114] 图5为光伏发电系统总出力、铅酸蓄电池总输出、总购电量和总中断负荷四种不同风险系数下的优化结果示意图；
[0115] 其中，图3-图5中，每个风险系数从左到右依次为激进型、较激进型、较保守型和保守型。
具体实施方式
[0116] 为了更好地理解本发明，下面结合
实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。
[0117] 实施例1
[0118] 如图1-5所示，一种虚拟电厂容量优化配置方法，包括以下步骤：
[0119] 步骤1：对VPP中典型结构组成与功能进行分析及建模；
[0120] 步骤2：以场景技术模拟VPP中不确定性因素；
[0121] 步骤3：建立只考虑系统成本的VPP多电源容量配置模型目标函数；
[0122] 步骤4：以投资组合理论及风险度量方法为理论基础，在上述VPP多电源容量配置模型目标函数中加入条件风险价值以衡量风险，并对应不同风险偏好水平的投资商，对风险系数进行分级；
[0123] 步骤5：根据上述步骤得到的目标函数，结合VPP实际运行中各种约束条件，建立VPP规划运行一体化模型。
[0124] 步骤1中VPP中典型结构包括以下几部分结构与功能：
[0125] 1)光伏发电系统：光伏发电系统的发电功率与光照强度密切相关，光伏发电具有强随机性，太阳光照强度看成服从Beta分布；假设给定一组光伏电池阵列，其面积和光电转换效率分别为A和η，则这组光伏电池阵列的输出功率为：
[0126] Ppv＝rAη
[0127] 式中：r为这一时间段内的实际光照强度；
[0128] 2)风力发电系统：一般认为风速服从威布尔分布，可通过下式得到风力发电机的输出功率：
[0129]
[0130] 式中：Pr为风力发电机的额定功率；vci,vr,vco分别为同型号风力发电机的切入风速、额定风速和切出风速，v为当前待测风速；
[0131] 3)柴油发电机：在VPP中通过配置常规机组平抑可再生能源出力的波动性，从而对外输出一个较稳定的电能以参与电力市场运营；
[0132] 4)储能系统：储能系统不仅起到削峰填谷的作用，还能够根据电力市场价格的波动，灵活地调整VPP在日前市场的电力竞标量；考虑到VPP建设成本的限制，使用寿命较长、功率容量高、价格较便宜的铅酸蓄电池作为储能设备；
[0133] 5)电力负荷：通常在规划VPP时，需要将对某地区的负荷供应纳入VPP的功能之一；电力负荷又分为固定负荷和可中断负荷，对于可中断负荷，在中断时VPP要向用户支付一定的补偿费用。
[0134] 步骤2中，在规划和运行VPP时存在3种不确定性因素：
[0135] 1)、风速不确定性导致风电出力波动；
[0136] 2)、光照强度不确定性导致光伏出力波动；
[0137] 3)、市场因素导致电价波动；
[0138] 以场景技术模拟VPP中使用场景集的方法将随机优化问题转化为确定性优化问题处理，分别选取风电出力、光伏出力及电价场景集w、s、p个，各场景概率分别为π(w)、π(s)、π(p)，则VPP在实时运行中的变量均为在各场景下的形式。
[0139] 步骤3中只考虑系统成本的VPP多电源容量配置模型目标函数如下：
[0140] 1)等年值初始投资建设成本
[0141] Co＝(NPV·Cpv+Nwind·Cwind+Nb·Cb+Nc·Cc)·CRF
[0142]
[0143] 式中：Cpv、Cwind、Cb、Cc分别为单组光伏阵列、单台风力发电机、单组铅酸蓄电池和单台柴油发电机的造价成本；NPV为光伏阵列的并联个数，Nwind为风力发电机的台数，Nb为铅酸蓄电池组的并联个数，Nc为柴油发电机的台数，CRF为将初始投资化为等年值的系数因子，m为系统使用年限，r为贴现率；
[0144] 2)系统年运行维护成本
[0145]
[0146] 式中： 分别表示单组光伏阵列、单台风力发电机、单组铅酸蓄电池和单台柴油发电机的年运行和维护成本；
[0147] 3)系统置换成本
[0148]
[0149] 式中： 分别表示光伏阵列、风力发电机、铅酸蓄电池和柴油发电机的更新置换成本；
[0150] 4)柴油机燃料成本
[0151]
[0152] 式中： 为单台柴油发电机年燃料成本，可通过下式计算得到：
[0153]
[0154] 式中：pf为柴油的单价； 为t时刻柴油机出力；Q为柴油机的燃油消耗率；
[0155] 5)可中断负荷补偿成本
[0156]
[0157] 式中：λcurt为VPP中断用户负荷时给予的中断补偿费用； 表示t时刻VPP中断负荷功率；
[0158] 6)VPP运行收益
[0159]
[0160] 式中： 分别为t时刻向电网售电量和购电量；λp(t)表示t时刻在场景p下日前能量市场统一出清价格(MCP)；kpurchase表示购电价格在原电价基础上乘以的比例系数；
[0161] 综上，系统的等年值总建设运行成本为：
[0162]
[0163] 步骤4包括以下步骤：
[0164] 1)投资组合理论
[0165] 投资组合问题即投资者如何通过配置各种资产以权衡风险和收益的过程；有效的投资组合必须达到或接近资产收益最大化与风险最小化的均衡状态；在收益一定的条件下，选择风险最小的投资组合；在风险一定的条件下，选择收益最大的投资组合，同时满足这2个条件的投资组合集合就是有效集，又称为有效边界或有效前沿；
[0166] 2)基于VaR和CVAR的风险度量
[0167] VaR反映投资组合在给定的置信度β上潜在的最大损失；设f(x,y)为损失函数，x为决策变量，y为随机变量，假设ρ(y)是y的概率密度函数，则损失函数f(x,y)不大于边界值α的分布函数为：
[0168]
[0169] 对于给定的置信度β，VaR可由下式得到：
[0170] VaRβ＝min{α∈R:ψ(x,α)≥β}
[0171] 式中，R为实数域；
[0172] 而VaR只是某个置信度下的分位点，而分位点以后的风险信息未被考虑，即存在“尾部风险”；条件风险价值CVaR含义为超过VaR部分的平均损失，其作为VaR的一种补充风险度量能够更好地反映“尾部风险”：
[0173]
[0174] 由于VaRβ(x)解析式难以求出，所以推导出变换函数Fβ(x,α)：
[0175]
[0176] 式中：[f(x,y)-α]+表示max{f(x,y)-α,0}；α即为VaR的值；
[0177] 通常用以下估计式来计算变换函数Fβ(x,α)：
[0178]
[0179] 式中：y1,...,yq为y的q个样本；k为求和的计步器，表示从1取到q；
[0180] 易得
[0181] 3)根据上述投资组合理论及风险管理方法，将条件风险价值CVaR以乘以一个风险偏好系数L的形式加入到VPP多电源容量配置模型的目标函数中，则目标函数包含两个部分，形式如下：
[0182]
[0183] 第一部分为等年值总建设运行成本，第二部分为CVaR和一个权重系数的乘积；权重系数L为风险偏好系数，表示投资者对于风险的态度，其取值范围为L≥0，当L取值小于0.1时，表示投资者为风险偏好型，投资者希望以较大的风险换取较高的收益；当L取值大于
0.5时，表示投资者为风险规避型，投资策略较保守；投资者应根据自身风险偏好程度，恰当地选取风险系数L。
[0184] 步骤5包括以下步骤：
[0185] 1)常规机组出力约束
[0186]
[0187]
[0188] 式中：Pc.max为柴油机输出额定功率；ramp为柴油机的爬坡率； 为t时段各场景下柴油机组的总出力， 为t-1时段各场景下柴油机组的总出力，为决策变量；
[0189] 2)蓄电池电量及充放电约束
[0190]
[0191]
[0192]
[0193]
[0194] 式中： 分别为t时段各场景下储电量和充、放电量，为t-1时段各场景下储电量，为决策变量；Wb.max为单组铅酸蓄电池的额定容量；
CDOD为蓄电池的最大放电深度；Pbc.max、Pbd.max分别表示单组铅酸蓄电池的最大充、放电功率；
[0195] 3)可中断负荷约束
[0196]
[0197] 式中： 表示t时段各场景下中断负荷量，为决策变量；kcurt为中断系数；Pel(t)表示t时段下的电负荷；
[0198] 4)功率平衡约束
[0199]
[0200] 式中： 分别表示t时刻在场景w和场景s下单台风力发电机和单组光伏阵列出力；
[0201] 5)CVaR风险约束
[0202] 为便于求解引入虚拟变量 令 表示超过VaR的损失，损失函数f(x,y)取收益的负值；为了便于计算将其松弛为下面两个不等式；
[0203]
[0204]
[0205] 则
[0206] 式中：α即为VaR的值；β为投资商设定的置信度；
[0207] 优化问题的决策变量包括：
[0208]
[0209] 以规划一个VPP为例：
[0210] 选取美国德克萨斯州某地区的风、光资源及电价、负荷数据，采用本发明中的模型进行计算，时间步长取为1h，计算时间为全年8760h。选取过去四年的风、光、电价历史数据作为不同场景，每个场景的概率均为25％；选取四年平均历史负荷作为负荷数据。考虑到该地区年平均负荷为300kW，选择额定功率为200kW的风力发电机；单
块最大功率为200W的光伏电池板，根据系统功率等级要求将14块光伏电池板
串联构成一组光伏阵列；采用
单体容量为800Ah的铅酸蓄电池作为储能单元，根据并网
电压输入允许范围，将240节电池串联构成一个蓄电池组。所选风力发电机、光伏电池板、柴油机及铅酸蓄电池的具体参数见表1：
[0211] 表1风光柴储各电源的相关参数
[0212]
[0213] 为了给不同风险偏好的投资商规划建设VPP提供有价值的依据，根据本发明模型计算不同风险系数下的VPP多电源容量配置结果，并分析建设总成本与CVaR之间的关系以及不同风险偏好水平对于规划策略的具体影响。
[0214] 表2列出了不同风险系数下，VPP的容量配置及目标函数各部分的计算结果：
[0215] 表2容量配置结果表
[0216]
[0217] 从表中可以看出，随着风险系数的增大，VPP的等年值总建设运行成本增加，而CVaR逐渐减小，说明投资者对风险的厌恶程度加深，规划策略趋于保守，风电、光伏、柴油机的装机容量也相应减小，而蓄电池由于技术尚未成熟、造价成本较高，因此所规划出的蓄电池数量较少。根据上表结果可以得到总成本关于CVaR的有效边界，如图2所示。
[0218] 可将风险系数水平划分为四部分：分别代表投资商为保守型、较保守型、较激进型和激进型。在风险系数较小时，投资商倾向于获得收益，投资策略比较激进，随着CVaR的减小总成本增加缓慢；在风险系数较大时，投资商极力规避风险，投资策略趋向保守，总成本迅速增加。
[0219] 下面分别选取代表四种不同投资策略的风险系数：L＝0.05代表投资商为激进型；L＝0.1代表投资商为较激进型；L＝0.5代表投资商为较保守型；L＝2代表投资商为保守型，下面具体分析不同风险偏好对于VPP配置和运行策略的影响，结果见图3-图5。
[0220] 当投资商从激进型转为较激进型时，风力发电机和光伏电池板的数量有所下降，其中风力发电机数量下降得更快，这是因为相对于光照强度的波动性来说风速不确定性更强，这说明投资商为风险偏好型时，主要通过减少风电装机容量来规避风险。
[0221] 当投资商从较激进型转为较保守型时，柴油机的数量急剧减小，这是因为当投资商偏好风险时，柴油机出力不仅用于平抑可再生能源出力的波动和负荷供应，还用于将剩余的柴发出力在电价合适的时候向市场出售，以此获得更高的收益，而由于电价波动也会带来一定的风险，因此当投资商风险厌恶程度加深时，柴油机的作用更多地用于平抑可再生能源出力波动及满足负荷需求，因而VPP向市场售电量急剧减小，导致配置柴油机的数量突然下降。
[0222] 当投资商从较保守型转为保守型时，此时风力发电机数量已经较小，主要通过减小光伏电池板的数量来规避风险，虽然柴油机的数量没有改变，但是为了满足负荷需求，柴发总出力有所上升。相比于风险系数较小时主要依靠柴油机出力及蓄电池充放电来平抑可再生能源出力波动，当风险系数较大时，为了规避风险，主要依靠从电网购电及中断负荷来维持VPP各部分相对稳定地运作，因此总购电量、总中断负荷量有所上升。显然这种配置策略的风险性很小而经济性也相对较差。
[0223] 以上仿真结果验证了本发明所构模型有效性和实用性。该模型能给决策者提供了更大的抉择空间，使投资商能够在更多情况下做出最优规划决策，从而提高所建VPP的利润。并且，条件风险价值的引入降低了不确定性决策的盲目性，且明确衡量了风险与收益，为投资者选择最佳策略提供有效参考。
[0224] 以上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，还可以对各设施
位置进行调整，这些调整也应视为本发明的保护范围。
