CN105631549A - 主动配电网环境下的虚拟电厂分布式模型预测控制方法 - Google Patents

Abstract

本发明公开了主动配电网环境下的虚拟电厂分布式模型预测控制方法，属于电力系统自动化控制的技术领域。本发明根据各能源资源的分布式特性和随机性等特点建立了虚拟电厂整体动态优化模型，根据各分布式能源地域分布特征将整体动态优化模型转化为以各能源群为主体的子系统模型，采用分布式模型预测控制方法对各子系统模型进行出力过程的动态优化，在减小系统优化复杂度的同时实现了虚拟电厂中的能源资源的动态优化配置。

Description

主动配电网环境下的虚拟电厂分布式模型预测控制方法

技术领域

本发明公开了主动配电网环境下的虚拟电厂分布式模型预测控制方法，属于电力系统自动化控制的技术领域。

背景技术

随着主动配电网环境下的柔性负荷大量而广泛的接入，配电网系统的优化问题呈现出非线性和强随机随机的耦合特性，为了更好地控制分散在不同地域的分布式能源，虚拟电厂的引入将原有的大规模复杂系统划分为若干个子系统，大大减少了其优化控制的复杂度。然而，一般的虚拟电厂优化方法无法充分考虑虚拟电厂内各分布式能源的随机性特征，导致优化结果难以满足实际工程需求。此外，传统的优化方法仅仅只是对虚拟电厂进行静态优化，无法满足虚拟电厂的实时调度优化需求。

申请号为“201410081650.3”、名称为“一种用于虚拟电厂的两阶段优化调度方法”的发明专利申请，将一个大规模复杂的电源调度规划问题分解为两个子调度问题以简化计算复杂性，其涉及的经济性调度模型以经济效益最大化为目标，并未考虑虚拟电厂内各分布式能源的随机性特征，也没有涉及多目标优化。

申请号为“201410822167.6”、名称为“虚拟发电厂的分布式电源组合规划系统和方法”的发明专利申请，根据分布式电源输出功率的特点，根据不可控分布式电源的历史输出功率得到不可控分布式电源输出功率区间集合，并在规划调度周期内以组合分布式电源预测输出功率与虚拟发电厂期望容量偏差最小为目标，建立虚拟发电厂分布式电源组合优化模型，求解优化模型获得分布式电源的最优组合方案，这是一种静态优化方案，无法满足虚拟电厂的实时调度优化需求。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，针对虚拟电厂因存在大量分布式能源资源导致其优化模型呈现出较强的随机性、复杂性及动态变化等特征，提供了主动配电网环境下的虚拟电厂分布式模型预测控制方法，减小了系统优化的复杂度，实现了虚拟电厂的动态优化，解决了未充分考虑分布式能源出力随机性的优化方案难以满足工程需求以及静态优化方案无法满足实时调度需求的技术问题。

本发明为实现上述发明目的采用如下技术方案：

主动配电网环境下的虚拟电厂分布式模型预测控制方法，包括如下步骤：

A、建立考虑了分布式能源出力随机性特征的虚拟电厂整体优化模型；

B、将虚拟电厂整体优化模型转化为虚拟电厂的整体预测控制模型；

C、将虚拟电厂的整体预测控制模型分解为以各类能源群为主体的子系统模型；

D、采用分布式模型预测控制方法并根据各子系统模型初始出力动态优化各子系统模型的控制率和出力过程。

作为所述主动配电网环境下的虚拟电厂分布式模型预测控制方法的进一步优化方案，步骤A中以经济效益最大化和环境污染最小化为目标并考虑负荷平衡约束、能源群中各机组的出力限制以及爬坡率约束，建立考虑了分布式能源出力随机性特征的虚拟电厂整体优化模型：

目标函数：

$\left\{\begin{array}{c}{C}_1={\mathrm{maxf}}_1=\max \underset{t=1}{\overset{T}{\Σ}}\left(P_{wt}\right(\underset{i=1}{\overset{N_w}{\Σ}}{x}_{wit})+P_{pt}(\underset{j=1}{\overset{N_p}{\Σ}}{x}_{pjt})+P_{ct}(\underset{k=1}{\overset{N_c}{\Σ}}{x}_{ckt})-Q_t{P}_{out,t})\\ C_2={\mathrm{minf}}_2=\min \left(\underset{t=1}{\overset{T}{\Σ}}\underset{k=1}{\overset{N_c}{\Σ}}\right(a_k{x_{ckt}}^2+b_k{x}_{ckt}+c_k))\end{array}\right.,$

负荷平衡约束： $\underset{i=1}{\overset{N_w}{\Σ}}{x}_{wit}+\underset{j=1}{\overset{N_p}{\Σ}}{x}_{pjt}+\underset{k=1}{\overset{N_c}{\Σ}}{x}_{ckt}=L_t+P_{out,t},$

能源群中各机组的出力限制： $\left\{\begin{array}{cc}prob(P_{wi\min }\≤x_{wit}\≤P_{wi\max })=0.9,& i=1,2,\mathrm{...},N_w\\ prob(P_{pj\min }\≤x_{pjt}\≤P_{pj\max })=0.9,& j=1,2,\mathrm{...},N_p\\ P_{ck\min }\≤x_{ckt}\≤P_{ck\max },& k=1,2,\mathrm{...},N_c\end{array}\right.,$

能源群中各机组的爬坡率限制： $\left\{\begin{array}{cc}{Z}_{wi\min }\≤x_{wi,t+1}-x_{wit}\≤Z_{wi\max },& i=1,2,\mathrm{...},N_w\\ Z_{pj\min }\≤x_{pj,t+1}-x_{pjt}\≤Z_{pj\max },& j=1,2,\mathrm{...},N_p\\ Z_{ck\min }\≤x_{ck,t+1}-x_{ckt}\≤Z_{ck\max },& k=1,2,\mathrm{...},N_c\end{array}\right.,$

其中，T为时间尺度，x_wit、x_pjt、x_ckt分别为风电、光伏和火电在t时刻的出力，x_wi,t+1、x_pj,t+1、x_ck,t+1分别为风电、光伏和火电在t+1时刻的出力，P_wt,P_pt,P_ct分别为风电、光伏和火电的电价，N_w、N_p、N_c分别为风电群、光伏群、火电群的机组数量，Q_t为外部电网补充电价，P_out,t为外部电网在t时刻的出力，a_k、b_k、c_k为第k个火电机组的环境污染参数，L_t为t时刻负荷总需求量，P_wimin、P_pjmin、P_ckmin分别为第i个风电机组、第j个光伏机组、第k个火电机组的最小出力限制，P_wimax、P_pjmax、P_ckmax分别为第i个风电机组、第j个光伏机组、第k个火电机组的最大出力限制，Z_wimin、Z_pjmin、Z_ckmin分别为第i个风电机组、第j个光伏机组、第k个火电机组的爬坡率下限，Z_wimax、Z_pjmax、Z_ckmax分别为第i个风电机组、第j个光伏机组和第k个火电机组的爬坡率上限，prob(·)为概率函数。

进一步的，所述主动配电网环境下的虚拟电厂分布式模型预测控制方法中，进一步简化目标函数为：

$\begin{array}{c}C=C_1-C_2\\ =\max (\underset{t=1}{\overset{T}{\Σ}}\left(P_{wt}\left(\underset{i=1}{\overset{N_w}{\Σ}}{x}_{wit}\right)+P_{pt}\left(\underset{j=1}{\overset{N_p}{\Σ}}{x}_{pjt}\right)+P_{ct}\left(\underset{k=1}{\overset{N_c}{\Σ}}{x}_{ckt}\right)-Q_t{P}_{out,t}\right)-\underset{t=1}{\overset{T}{\Σ}}\underset{k=1}{\overset{N_c}{\Σ}}(a_k{x_{ckt}}^2+b_k{x}_{ckt}+c_k))\end{array}.$

作为所述主动配电网环境下的虚拟电厂分布式模型预测控制方法的再进一步优化方案，步骤B中以为虚拟电厂整体预测控制模型的预测控制方程，并以为虚拟电厂整体预测控制模型预测控制的性能指标函数，

其中，为系统输出估计值，m为控制时域，分别为t+1时刻、t+2时刻、t+m时刻的系统输出估计值，A为常系数矩阵，n为预测长度，ΔU为系统的控制率，Y₀为系统在没有控制率作用下的输出估计值，W为系统输出参考值，λ为与整体预测控制模型相关的参数。

再进一步的，所述主动配电网环境下的虚拟电厂分布式模型预测控制方法中，骤C中所述采用分布式模型预测控制方法动态优化各子系统模型的控制率和出力过程，具体为：以为以第l种能源群为主体的子系统模型的预测控制方程，以为以第l种能源群为主体的子系统模型预测控制的性能指标函数，由以各种能源群为主体的子系统模型的初始出力得到最佳控制率并优化求解各子系统模型的最佳出力过程，

其中，为以第l种能源群为主体的子系统的输出估计值，A_l为以第l种能源群为主体的子系统预测控制的系数矩阵，ΔU_l为以第l种能源群为主体的子系统的控制率，Y_l0为以第l种能源群为主体的子系统在没有控制率作用下的输出估计值，Y_l0由目标函数对以第l种能源群为主体的子系统模型的初始出力求导获得，W_l、λ_l分别为以第l种能源群为主体的子系统的输出参考值以及与以第l种能源群为主体的子系统模型相关的参数，l＝1,2,3。

作为所述主动配电网环境下的虚拟电厂分布式模型预测控制方法的更进一步优化方案，步骤C采用SVD方法将虚拟电厂的整体预测控制模型分解为以各类能源群为主体的子系统模型。

本发明采用上述技术方案，具有以下有益效果：根据各能源资源的分布式特性和随机性等特点建立了虚拟电厂整体动态优化模型，根据各分布式能源地域分布特征将整体动态优化模型转化为以各能源群为主体的子系统模型，采用分布式模型预测控制方法对各子系统模型进行出力过程的动态优化，在减小系统优化复杂度的同时实现了虚拟电厂中的能源资源的动态优化配置。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为虚拟电厂多种分布式能源联合动态优化框架图。

具体实施方式

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

下面详细描述本发明的实施方式，下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本领域的技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有本发明所属技术领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合图1以包含风电、光伏、火电的虚拟电厂为例做进一步的解释说明。

Step1:首先，建立考虑了分布式能源出力随机性特征的虚拟电厂整体优化模型。

其优化模型如下：

(1)目标函数：

$\left\{\begin{array}{c}{C}_1={\mathrm{maxf}}_1=\max \underset{t=1}{\overset{T}{\Σ}}\left(P_{wt}\right(\underset{i=1}{\overset{N_w}{\Σ}}{x}_{wit})+P_{pt}(\underset{j=1}{\overset{N_p}{\Σ}}{x}_{pjt})+P_{ct}(\underset{k=1}{\overset{N_c}{\Σ}}{x}_{ckt})-Q_t{P}_{out,t})\\ C_2={\mathrm{minf}}_2=\min \left(\underset{t=1}{\overset{T}{\Σ}}\underset{k=1}{\overset{N_c}{\Σ}}\right(a_k{x_{ckt}}^2+b_k{x}_{ckt}+c_k))\end{array}\right.---\left(1\right)$

式(1)中，T为时间尺度，x_wit、x_pjt、x_ckt分别为风电、光伏和火电在t时刻的出力，P_wt,P_pt,P_ct分别为风电、光伏和火电的电价，N_w、N_p、N_c分别为风电群、光伏群、火电群的机组数量，Q_t为外部电网补充电价，P_out,t为外部电网在t时刻的出力，a_k、b_k、c_k为第k个火电机组的环境污染参数。C1表示经济效益最大化，C2表示环境污染最小化。

(2)约束条件：

负荷平衡约束：

$\underset{i=1}{\overset{N_w}{\Σ}}{x}_{wit}+\underset{j=1}{\overset{N_p}{\Σ}}{x}_{pjt}+\underset{k=1}{\overset{N_c}{\Σ}}{x}_{ckt}=L_t+P_{out,t}---\left(2\right)$

风电出力约束：

prob(P_wimin≤x_wit≤P_wimax)＝0.9，i＝1,2,...,N_w(3)

光伏出力约束：

prob(P_pjmin≤x_pjt≤P_pjmax)＝0.9，j＝1,2,...,N_p(4)

火电出力约束：

P_ckmin≤x_ckt≤P_ckmax，k＝1,2,...,N_c(5)

风电爬坡率约束：

Z_wimin≤x_wi,t+1-x_wit≤Z_wimax，i＝1,2,...,N_w(6)

光伏爬坡率约束：

Z_pjmin≤x_pj,t+1-x_pjt≤Z_pjmax，j＝1,2,...,N_p(7)

火电爬坡率约束：

Z_ckmin≤x_ck,t+1-x_ckt≤Z_ckmax，k＝1,2,...,N_c(8)

式(2)至式(8)中，x_wi,t+1、x_pj,t+1、x_ck,t+1分别为风电、光伏和火电在t+1时刻的出力，L_t为t时刻负荷总需求量，P_wimin、P_pjmin、P_ckmin分别为第i个风电机组、第j个光伏机组、第k个火电机组的最小出力限制，P_wimax、P_pjmax、P_ckmax分别为第i个风电机组、第j个光伏机组、第k个火电机组的最大出力限制，Z_wimin、Z_pjmin、Z_ckmin分别为第i个风电机组、第j个光伏机组、第k个火电机组的爬坡率下限，Z_wimax、Z_pjmax、Z_ckmax分别为第i个风电机组、第j个光伏机组和第k个火电机组的爬坡率上限，prob(·)为概率函数。

Step2：为了简化模型，将上述的两个目标函数转为一个目标：

$\begin{array}{c}C=C_1-C_2\\ =\max (\underset{t=1}{\overset{T}{\Σ}}\left(P_{wt}\left(\underset{i=1}{\overset{N_w}{\Σ}}{x}_{wit}\right)+P_{pt}\left(\underset{j=1}{\overset{N_p}{\Σ}}{x}_{pjt}\right)+P_{ct}\left(\underset{k=1}{\overset{N_c}{\Σ}}{x}_{ckt}\right)-Q_t{P}_{out,t}\right)-\underset{t=1}{\overset{T}{\Σ}}\underset{k=1}{\overset{N_c}{\Σ}}(a_k{x_{ckt}}^2+b_k{x}_{ckt}+c_k))\end{array}---\left(9\right)$

令

$\begin{array}{c}\frac{\∂C_1}{\∂x_{wit}}=y_{wit}=\frac{\∂C_2}{\∂x_{wit}},\frac{\∂C_1}{\∂x_{pjt}}=y_{pjt}=\frac{\∂C_2}{\∂x_{pjt}},\frac{\∂C_1}{\∂x_{ckt}}=y_{ckt}=\frac{\∂C_2}{\∂x_{ckt}},\\ y_0\left(t\right)=(y_{wit},y_{pjt},y_{ckt})\end{array}---\left(10\right)$

式(10)中，Y₀＝(y₀(t-m+1),y₀(t-m+2),…,y₀(t))^T，Y₀为系统在没有控制率作用下的输出估计值，y₀(t-m+1)、y₀(t-m+2)、y₀(t)分别为t-m+1时刻、t-m+2时刻、t时刻系统在没有控制率作用下的输出估计值。

Step3：将虚拟电厂整体优化模型转化为虚拟电厂的整体预测控制模型，为后续分布式模型预测控制方法做前期准备工作：

以为虚拟电厂整体预测控制模型的预测控制方程，其中，为常系数矩阵，为系统输出估计值，n为预测长度，m为控制时域，其性能指标函数为：

$J=\underset{j=1}{\overset{n}{\Σ}}{\[y(t+j)-w(t+j)\]}^2-\underset{j=1}{\overset{m}{\Σ}}\mathrm{\λ}{\[\mathrm{\Δ}U(t+j-1)\]}^2={(\hat{Y}-W)}^T(\hat{Y}-W)+{\mathrm{\λ\ΔU}}^T\mathrm{\Δ}U---\left(11\right)$

式(11)中，w(t+j)为系统输出参考值(根据虚拟电厂内部负荷需求变化率确定)w(t+j)＝a^jy(k)+(1-a^j)y_r，a^j为柔化系数，y_r为与虚拟电厂内部负荷需求变化率相关的系统参考值。

Step4：采用SVD分解方法将上述系统模型分解为若干子系统模型：

$\left\{\begin{array}{c}{J}_l={({\hat{Y}}_l-W_l)}^T({\hat{Y}}_l-W_l)+{\mathrm{\λ}}_l{{\mathrm{\ΔU}}_l}^T{\mathrm{\ΔU}}_l\\ {\hat{Y}}_l\∈{\mathrm{\Ω}}_l\end{array}\right.,(l=1,2,3)---\left(12\right)$

式(12)中，为以第l种能源群为主体的子系统的输出估计值，A_l为以第l种能源群为主体的子系统预测控制的系数矩阵，ΔU_l为以第l种能源群为主体的子系统的控制率，Y_l0为以第l种能源群为主体的子系统在没有控制率作用下的输出估计值，Y_l0由目标函数对以第l种能源群为主体的子系统模型的初始出力求导获得，W_l、λ_l分别为以第l种能源群为主体的子系统的输出参考值以及与以第l种能源群为主体的子系统模型相关的参数，Ω_i为可行区域。

Step5：推求以第l种能源群为主体的子系统的最佳控制率为：

ΔU_l＝(A_l ^TA_l+λ_lI)^-1A_l ^T(W_l-Y_l0)(13)

通过下式得到下一个时段的输出值：

${\hat{Y}}_l=A_l{\mathrm{\ΔU}}_l+Y_{l0}---\left(14\right)$

Step6:根据得到的结合式(10)求得各自对应的出力，即为对应各分布式能源的最佳出力过程。

综上所述，本发明根据各能源资源的分布式特性和随机性等特点建立了虚拟电厂整体动态优化模型，根据各分布式能源地域分布特征将整体动态优化模型转化为以各能源群为主体的子系统模型，采用分布式模型预测控制方法对各子系统模型进行出力过程的动态优化，在减小系统优化复杂度的同时实现了虚拟电厂中的能源资源的动态优化配置。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案实质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器，或者网络设备等)执行本发明的实施例或实施例的某些部分所述的方法。

Claims (6)

1.主动配电网环境下的虚拟电厂分布式模型预测控制方法，其特征在于，包括如下步骤：

A、建立考虑了分布式能源出力随机性特征的虚拟电厂整体优化模型；

B、将虚拟电厂整体优化模型转化为虚拟电厂的整体预测控制模型；

C、将虚拟电厂的整体预测控制模型分解为以各类能源群为主体的子系统模型；

D、采用分布式模型预测控制方法并根据各子系统模型初始出力动态优化各子系统模型的控制率和出力过程。

2.根据权利要求1所述主动配电网环境下的虚拟电厂分布式模型预测控制方法，其特征在于，步骤A中以经济效益最大化和环境污染最小化为目标并考虑负荷平衡约束、能源群中各机组的出力限制以及爬坡率约束，建立考虑了分布式能源出力随机性特征的虚拟电厂整体优化模型：

目标函数：

$\left\{\begin{array}{c}{C}_1={\mathrm{maxf}}_1=\max \underset{t=1}{\overset{T}{\Σ}}\left(P_{wt}\right(\underset{i=1}{\overset{N_w}{\Σ}}{x}_{wit})+P_{pt}(\underset{j=1}{\overset{N_p}{\Σ}}{x}_{pjt})+P_{ct}(\underset{k=1}{\overset{N_c}{\Σ}}{x}_{ckt})-Q_t{P}_{out,t})\\ C_2={\mathrm{maxf}}_2=\max \left(\underset{t=1}{\overset{T}{\Σ}}\underset{k=1}{\overset{N_c}{\Σ}}\right(a_k{x_{ckt}}^2+b_k{x}_{ckt}+c_k))\end{array}\right.,$

负荷平衡约束： $\underset{i=1}{\overset{N_w}{\Σ}}{x}_{wit}+\underset{j=1}{\overset{N_p}{\Σ}}{x}_{pjt}+\underset{k=1}{\overset{N_c}{\Σ}}{x}_{ckt}=L_t+P_{out,t},$

能源群中各机组的出力限制： $\left\{\begin{array}{c}prob(P_{wi\min }\≤x_{wit}\≤P_{wi\max })=0.9,i=1,2,\mathrm{...},N_w\\ prob(P_{pj\min }\≤x_{pjt}\≤P_{pj\max })=0.9,j=1,2,\mathrm{...},N_p\\ P_{ck\min }\≤x_{ckt}\≤P_{ck\max },k=1,2,\mathrm{...},N_c\end{array}\right.,$

能源群中各机组的爬坡率限制： $\left\{\begin{array}{c}{Z}_{wi\min }\≤x_{wi,t+1}-x_{wit}\≤Z_{wi\max },i=1,2,\mathrm{...},N_w\\ Z_{pj\min }\≤x_{pj,t+1}-x_{pjt}\≤Z_{pj\max },j=1,2,\mathrm{...},N_p\\ Z_{ck\min }\≤x_{ck,t+1}-x_{ckt}\≤Z_{ck\max },k=1,2,\mathrm{...},N_c\end{array}\right.,$

其中，T为时间尺度，x_wit、x_pjt、x_ckt分别为风电、光伏和火电在t时刻的出力，x_wi,t+1、x_pj,t+1、x_ck,t+1分别为风电、光伏和火电在t+1时刻的出力，P_wt,P_pt,P_ct分别为风电、光伏和火电的电价，N_w、N_p、N_c分别为风电群、光伏群、火电群的机组数量，Q_t为外部电网补充电价，P_out,t为外部电网在t时刻的出力，a_k、b_k、c_k为第k个火电机组的环境污染参数，L_t为t时刻负荷总需求量，P_wimin、P_pjmin、P_ckmin分别为第i个风电机组、第j个光伏机组、第k个火电机组的最小出力限制，P_wimax、P_pjmax、P_ckmax分别为第i个风电机组、第j个光伏机组、第k个火电机组的最大出力限制，Z_wimin、Z_pjmin、Z_ckmin分别为第i个风电机组、第j个光伏机组、第k个火电机组的爬坡率下限，Z_wimax、Z_pjmax、Z_ckmax分别为第i个风电机组、第j个光伏机组和第k个火电机组的爬坡率上限，prob(·)为概率函数。

3.根据权利要求2所述主动配电网环境下的虚拟电厂分布式模型预测控制方法，其特征在于，进一步简化目标函数为：

$\begin{array}{c}C=C_1-C_2\\ =\max \left(\underset{t=1}{\overset{T}{\Σ}}\right(P_{wt}\left(\underset{i=1}{\overset{N_w}{\Σ}}{x}_{wit}\right)+P_{pt}\left(\underset{j=1}{\overset{N_p}{\Σ}}{x}_{pjt}\right)+P_{ct}\left(\underset{k=1}{\overset{N_c}{\Σ}}{x}_{ckt}\right)-Q_t{P}_{out,t})-\underset{t=1}{\overset{T}{\Σ}}\underset{k=1}{\overset{N_c}{\Σ}}(a_k{x_{ckt}}^2+b_k{x}_{ckt}+c_k)).\end{array}$

4.根据权利要求2或3所述主动配电网环境下的虚拟电厂分布式模型预测控制方法，其特征在于，步骤B中以为虚拟电厂整体预测控制模型的预测控制方程，并以为虚拟电厂整体预测控制模型预测控制的性能指标函数，

其中，为系统输出估计值，m为控制时域，分别为t+1时刻、t+2时刻、t+m时刻的系统输出估计值，A为常系数矩阵，n为预测长度，ΔU为系统的控制率，Y₀为系统在没有控制率作用下的输出估计值，W为系统输出参考值，λ为与整体预测控制模型相关的参数。

5.根据权利要求4所述主动配电网环境下的虚拟电厂分布式模型预测控制方法，其特征在于，步骤C中所述采用分布式模型预测控制方法动态优化各子系统模型的控制率和出力过程，具体为：以为以第l种能源群为主体的子系统模型的预测控制方程，以为以第l种能源群为主体的子系统模型预测控制的性能指标函数，由以各种能源群为主体的子系统模型的初始出力得到最佳控制率并优化求解各子系统模型的最佳出力过程，

其中，为以第l种能源群为主体的子系统的输出估计值，A_l为以第l种能源群为主体的子系统预测控制的系数矩阵，ΔU_l为以第l种能源群为主体的子系统的控制率，Y_l0为以第l种能源群为主体的子系统在没有控制率作用下的输出估计值，Y_l0由目标函数对以第l种能源群为主体的子系统模型的初始出力求导获得，W_l、λ_l分别为以第l种能源群为主体的子系统的输出参考值以及与以第l种能源群为主体的子系统模型相关的参数，l＝1,2,3。

6.根据权利要求1所述主动配电网环境下的虚拟电厂分布式模型预测控制方法，其特征在于，步骤C采用SVD方法将虚拟电厂的整体预测控制模型分解为以各类能源群为主体的子系统模型。