CN114037191A - 基于大数据的虚拟电厂优化调度方法、装置、设备及介质 - Google Patents

基于大数据的虚拟电厂优化调度方法、装置、设备及介质 Download PDF

Info

Publication number
CN114037191A
CN114037191A CN202210012969.5A CN202210012969A CN114037191A CN 114037191 A CN114037191 A CN 114037191A CN 202210012969 A CN202210012969 A CN 202210012969A CN 114037191 A CN114037191 A CN 114037191A
Authority
CN
China
Prior art keywords
power plant
virtual power
scheduling
power
virtual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210012969.5A
Other languages
English (en)
Inventor
邵俊松
庞海天
宋丹阳
樊小毅
张聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jianghang Lianjia Intelligent Technology Co ltd
Original Assignee
Shenzhen Jianghang Lianjia Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Jianghang Lianjia Intelligent Technology Co ltd filed Critical Shenzhen Jianghang Lianjia Intelligent Technology Co ltd
Priority to CN202210012969.5A priority Critical patent/CN114037191A/zh
Publication of CN114037191A publication Critical patent/CN114037191A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于大数据的虚拟电厂优化调度方法、装置、设备及介质，所述基于大数据的虚拟电厂优化调度方法包括：以虚拟电厂最大化利润为目标，构建虚拟电厂经济调度的目标函数，并将目标函数结合虚拟电厂的运行约束条件，生成各虚拟电厂对应联合系统的日前调度计划；根据日前调度计划确定日内调度阶段对应的风电预测出力，将风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差；根据出力预测误差对预测域步长的步长时间进行迭代优化调整，并对日前调度计划对应的控制变量进行迭代优化修正。本发明在提高虚拟电厂优化调度经济性的同时，还提高了虚拟电厂优化调度的安全性。

Description

基于大数据的虚拟电厂优化调度方法、装置、设备及介质
技术领域
本发明涉及虚拟电厂领域，尤其涉及一种基于大数据的虚拟电厂优化调度方法、装置、设备及介质。
背景技术
近年来，化石燃料日益紧缺，环境污染不断加剧，为了解决上述问题，可再生能源发电，尤其是风力和光伏发电迅速发展。尽管可再生能源发电储量巨大、干净清洁，但往往具有很强的随机性，单独并网会对电网造成很大的冲击，不利于电网的稳定运行。在电力市场环境下，风电场的市场活动具有很大的风险性，其实际发电量往往与竞标电量存在偏差，从而遭受不平衡惩罚，因而在与传统发电厂的竞争中处于劣势。然而，可再生能源发电联合传统发电及储能形式，以虚拟电厂的形式参与大电网和电力市场的运行，可有效克服上述缺点，提高可再生能源发电的利用率和整体的经济收益。
目前，虚拟电厂的优化调度并未考虑电网的潮流约束，仅仅是在不考虑具体潮流约束的情况下求得经济上的最优解，实现各虚拟电厂整体利润的最大化。但是，事实上，各虚拟电厂优化调度的最优解很有可能违反电网的潮流约束，给线路带来过负荷、节点电压越界等问题，给电网的安全运行造成危害。因此，在虚拟电厂的调度过程中，需要考虑电网的安全约束，在提高经济性的同时保证电网能够安全、稳定运行。
发明内容
本发明的主要目的在于提供一种基于大数据的虚拟电厂优化调度方法、装置、设备及介质，旨在提高虚拟电厂优化调度经济性的同时，提高虚拟电厂优化调度的安全性。
为实现上述目的，本发明提供一种基于大数据的虚拟电厂优化调度方法，所述基于大数据的虚拟电厂优化调度方法包括：
以虚拟电厂最大化利润为目标，构建虚拟电厂经济调度的目标函数，并将所述目标函数结合虚拟电厂的运行约束条件，生成各虚拟电厂对应联合系统的日前调度计划；
根据所述日前调度计划确定日内调度阶段对应的风电预测出力，在日内调度阶段各时间步的调度步长内，将所述风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差，其中，所述控制域步长为当前时间步的调度步长；
根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整，并根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正，其中，所述预测域步长为所述控制域步长对应下一时间步的调度步长，所述控制变量包括储能设备出力状态、燃气轮机出力、虚拟电厂与大电网间联络线交互功率、各虚拟电厂间联络线交互功率，以及参与需求响应的可中断负荷；
根据迭代优化调整的步长时间和迭代优化修正的控制变量，对所述虚拟电厂对应的优化调度策略进行滚动更新。
可选地，所述根据所述日前调度计划确定日内调度阶段对应的风电预测出力的步骤包括：
根据所述日前调度计划确定日内调度阶段的基础调度策略；
根据所述基础调度策略，确定日内调度阶段各时间步对应的风电预测出力。
可选地，所述目标函数为：
Figure 797129DEST_PATH_IMAGE001
；
其中，C=Ct,L,i+Ct,E,i+Ct,ES,i；
S=St,WPP,i+St,PV,i+St,GT,i；
其中，F为各虚拟电厂对应联合系统的运行利润，C和S分别为收益和成本，N为联合系统中虚拟电网的个数，T为调度的时间段，Ct,L,i为t时段第i个虚拟电厂的负荷收益，Ct,E,i为电力交易收益，Ct,ES,i为储能充放电收益，St,GT,i为t时段第i个虚拟电厂中燃气轮机运维成本，St,WPP,i为t时段第i个虚拟电厂中风机运维成本，St,PV,i为t时段第i个虚拟电厂中储能设备运维成本；
其中，所述负荷收益Ct,L,i的表达函数为:
Figure 141523DEST_PATH_IMAGE002
其中，Pt,L,i为t时段第i个虚拟电厂总负荷，Pt,IL,i为t时段第i个可中断负荷功率，
Figure DEST_PATH_IMAGE003
为可中断负荷补偿成本的二次系数，
Figure 577183DEST_PATH_IMAGE004
为可中断负荷补偿成本的一次系数；
所述电力交易收益Ct,E,i的表达函数为:
Figure DEST_PATH_IMAGE005
其中，Pt,e,i为t时段第i个虚拟电厂与大电网之间的交易功率，Pt,m,i为t时段第i个虚拟电厂与其他虚拟电厂之间的交易功率，λse、λbe分别第i个虚拟电厂与大电网之间的售电、购电交易电量，λsm、λbm分别第i个虚拟电厂与其他虚拟电厂之间的售电、购电交易电量，μe为表征第i个虚拟电厂与大电网之间售购电状态的变量，第i个虚拟电厂与大电网之间售购电状态为售电时，μe等于1，第i个虚拟电厂与大电网之间售购电状态为购电时，μe等于0，μm为表征第i个虚拟电厂与其他虚拟电厂之间售购电状态的变量，第i个虚拟电厂与其他虚拟电厂之间售购电状态为售电时，μm等于1，第i个虚拟电厂与其他虚拟电厂之间售购电状态为购电时，μm等于0；
所述储能充放电收益Ct,ES,i的表达函数为:
Figure 83251DEST_PATH_IMAGE006
其中，Pt,ES,i为t时段第i个虚拟电厂中储能设备的充放电功率，λd为充电电价，λc为放电电价，λES为储能设备折旧补偿系数，μES为表征充放电状态的变量，所述充放电状态为充电时，μES等于1，所述充放电状态为放电时，μES等于0；
所述燃气轮机运维成本St,GT,i的表达函数为:
Figure DEST_PATH_IMAGE007
其中，λGT为燃气轮机运维成本系数，Pt,GT,i为t时段第i个虚拟电厂中燃气轮机出力，Sq为启机成本，St为停机成本，μGT为表征燃气轮机出力状态的变量，所述燃气轮机出力状态为启机时，μGT等于1，所述燃气轮机出力状态为停机时，μGT等于0；
所述风机运维成本St,WPP,i的表达函数为:
Figure 237152DEST_PATH_IMAGE008
；
其中，Pt,WPP,i为t时段第i个虚拟电厂中风机功率，λWPP为风机运维成本系数。
可选地，所述运行约束条件包括各虚拟电厂功率平衡约束、燃气轮机约束、可中断负荷约束和储能设备约束，其中，
所述各虚拟电厂功率平衡约束的表达函数为:
Figure DEST_PATH_IMAGE009
Figure 119657DEST_PATH_IMAGE010
；
其中，
Figure DEST_PATH_IMAGE011
为t时段第i个虚拟电厂的可中断负荷，
Figure 409824DEST_PATH_IMAGE012
为储能设备的充电功率，
Figure DEST_PATH_IMAGE013
为储能设备的放电功率，
Figure 86793DEST_PATH_IMAGE014
为t时段第i个虚拟电厂从大电网购入功率，
Figure DEST_PATH_IMAGE015
为t时段第i个虚拟电厂从大电网出售功率，
Figure 462411DEST_PATH_IMAGE016
为t时段第i个虚拟电厂从大电网购入功率，
Figure DEST_PATH_IMAGE017
为t时段第i个虚拟电厂从大电网出售功率；
所述燃气轮机约束的表达函数为:
Figure 148607DEST_PATH_IMAGE018
；
其中，
Figure DEST_PATH_IMAGE019
为燃气轮机功率上升的爬坡率，
Figure 290351DEST_PATH_IMAGE020
为燃气轮机功率下降的爬坡率，
Figure DEST_PATH_IMAGE021
为t-1时段第i个虚拟电厂中燃气轮机出力；
所述可中断负荷约束的表达函数为:
Figure 341483DEST_PATH_IMAGE022
；
其中，
Figure DEST_PATH_IMAGE023
为可中断负荷最大调用率，
Figure 266714DEST_PATH_IMAGE024
为t时段第i个虚拟电厂的最大可中断负荷；
所述储能设备约束的表达函数为:
Figure DEST_PATH_IMAGE025
式中，
Figure 428705DEST_PATH_IMAGE026
为t时段第i个虚拟电厂储能设备最大充电功率，
Figure DEST_PATH_IMAGE027
为储能设备t时段的电力值，
Figure 755781DEST_PATH_IMAGE028
为t时段第i个虚拟电厂储能设备最大放电功率，
Figure DEST_PATH_IMAGE029
为表征储能设备充电状态的变量，
Figure 977815DEST_PATH_IMAGE030
为表征储能设备放电状态的变量，
Figure DEST_PATH_IMAGE031
为荷电状态的上限，
Figure 124763DEST_PATH_IMAGE032
为荷电状态的下限，
Figure DEST_PATH_IMAGE033
为储能设备一天中的起始值，
Figure 90445DEST_PATH_IMAGE034
为储能设备一天中的结束值。
可选地，所述根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整的步骤包括：
根据所述出力预测误差，结合自适应步长调整算法，对预测域步长的步长时间进行自适应调整；
其中，所述自适应步长调整算法为:
Figure DEST_PATH_IMAGE035
；
其中，
Figure 209711DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE037
；
Figure 664963DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
；
式中，Pt,WPP,i为t时段第i个虚拟电厂的风机功率，r为出力预测误差与风电预测出力的比值，Z（r）为关于r的分段函数，通过r所处的区间确定函数z的取值，r1、r2、…、rn为r的区间划分界值，
Figure 502469DEST_PATH_IMAGE040
为预测域步长的步长时间，
Figure DEST_PATH_IMAGE041
为控制域步长的步长时间，Pt,WPP为各虚拟电厂对应联合系统的总风机功率，△Pt,WPP,i为t时段第i个虚拟电厂的出力预测误差，△Pt,WPP为各虚拟电厂对应联合系统的出力预测误差，
Figure 68579DEST_PATH_IMAGE042
为t时段第i个虚拟电厂的预测误差带的下限的极值，
Figure DEST_PATH_IMAGE043
为t时段第i个虚拟电厂的预测误差带的上限的极值。
可选地，所述根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正的步骤包括：
根据所述出力预测误差，结合非合作博弈的模型算法进行迭代求解，收敛得到各虚拟电厂的纳什最优决策；
基于所述纳什最优决策，对所述日前调度计划对应的控制变量进行迭代优化修正。
可选地，所述基于所述纳什最优决策，对所述日前调度计划对应的控制变量进行迭代优化修正的步骤包括：
基于所述纳什最优决策，结合日内调度结果利益最大化的修正函数，对所述日前调度计划对应的控制变量进行迭代优化修正；
其中，所述修正函数为：
Figure 42351DEST_PATH_IMAGE044
式中，
Figure DEST_PATH_IMAGE045
为日内利益最大化的运行费用，wES、wGT、we和wm分别为储能设备功率的调整惩罚成本系数、燃气轮机功率的调整惩罚成本系数、与大电网交互功率的调整惩罚成本系数，以及与其他虚拟电厂交互功率的调整惩罚成本系数，△Pt,ES,i、△Pt,GT,i、△Pt,e,i和△Pt,m,i分别为第i个虚拟电厂中储能设备功率的调整值、第i个虚拟电厂中燃气轮机功率的调整值、第i个虚拟电厂与大电网交互功率的调整值，以及第i个虚拟电厂与其他虚拟电厂交互功率的调整值，△t为调整时长。
本发明还提供一种基于大数据的虚拟电厂优化调度装置，所述基于大数据的虚拟电厂优化调度装置包括：
生成模块，用于以虚拟电厂最大化利润为目标，构建虚拟电厂经济调度的目标函数，并将所述目标函数结合虚拟电厂的运行约束条件，生成各虚拟电厂对应联合系统的日前调度计划；
比较模块，用于根据所述日前调度计划确定日内调度阶段对应的风电预测出力，在日内调度阶段各时间步的调度步长内，将所述风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差，其中，所述控制域步长为当前时间步的调度步长；
调整模块，用于根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整，并根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正，其中，所述预测域步长为所述控制域步长对应下一时间步的调度步长，所述控制变量包括储能设备出力状态、燃气轮机出力、虚拟电厂与大电网间联络线交互功率、各虚拟电厂间联络线交互功率，以及参与需求响应的可中断负荷；
更新模块，用于根据迭代优化调整的步长时间和迭代优化修正的控制变量，对所述虚拟电厂对应的优化调度策略进行滚动更新。
本发明还提供一种基于大数据的虚拟电厂优化调度设备，所述基于大数据的虚拟电厂优化调度设备为实体设备，所述基于大数据的虚拟电厂优化调度设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于大数据的虚拟电厂优化调度程序，所述基于大数据的虚拟电厂优化调度程序被处理器执行时可实现如上述的基于大数据的虚拟电厂优化调度方法的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质为计算机计算机可读存储介质，所述计算机计算机可读存储介质上存储有基于大数据的虚拟电厂优化调度程序，所述基于大数据的虚拟电厂优化调度程序被处理器执行时实现如上述的基于大数据的虚拟电厂优化调度方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于大数据的虚拟电厂优化调度方法的步骤。
本发明基于多虚拟电厂联合系统的协同调度，构建联合系统的协同调度模型，相较于单个虚拟电网的孤立调度方法，本发明高了联合系统的经济性和运行稳定性。本发明通过根据日前调度计划确定日内调度阶段对应的风电预测出力，在日内调度阶段各时间步的调度步长内，将风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差，根据出力预测误差对预测域步长的步长时间进行自适应调整，从而实现滚动优化预测域步长的步长时间，提高电网优化调度的灵活性，避免调度步长的步长时间过短而降低预测精度，以及调度步长的步长时间过长，而使调度灵敏度降低导致无法收敛的情况发生，同时规避了各虚拟电厂间联络线功率频繁波动问题，提高了联合系统整体运行的经济性。由于各虚拟电厂接入了大量的具有不确定性的风电能源出力的问题，而稳定的运行电网是所有问题的前提，风电出力的确定性因素严重影响了导致联合系统的不稳定。本发明通过根据风电能源的出力预测误差，对日前调度计划对应的控制变量进行自适应修正，有效促进风电能源的消纳，日内调度考虑风电功率与系统净负荷变化的一致性指标，既满足本地负荷需求，又减小与电网间交换功率波动，从而提高了多虚拟电厂联合系统整体运行的安全性。本发明还通过根据不断迭代优化的步长时间和控制变量，对所述虚拟电厂对应的优化调度策略进行滚动更新，既考虑到了预测域步长的预测响应时间，又考虑了预测域步长的运行状态信息，从而既能快速灵敏的进行能量调度优化，又能满足电网潮流指标要求，实现全局时间尺度上的最优调度。本发明基于对模型预测控制不断进行滚动优化和反馈校正，有效避免预测误差对优化结果的不确定性干扰，进而实现了在提高虚拟电厂优化调度经济性的同时，提高虚拟电厂优化调度的安全性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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。
图1为本发明基于大数据的虚拟电厂优化调度方法第一实施例的流程示意图；
图2为本发明实施例中基于大数据的虚拟电厂优化调度设备的模块结构示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
电力调度的基本任务是维持电能的平衡，即总发电等于总负荷，随着可再生能源渗透率的不断提高，电力系统从以往的静态平衡发展为动态平衡，即在发电等于负荷的基础上，还需满足系统调节能力大于净负荷的波动范围〔创，其中既包含电力系统本身的调节能力，在能源互联的格局下，还包含供热、供气等其他能源系统的调节能力。为了从不同时间尺度上满足以上要求，电力调度可分为中长期计划(年度、月度)、日前调度(未来24小时)、日内调度(分钟级一小时级)、自动发电控制(秒级)等。本实施例的虚拟电厂优化调度方法，属于日前及日内调度的范畴。
实施例一
对此，本发明实施例提供一种基于大数据的虚拟电厂优化调度方法，在本发明基于大数据的虚拟电厂优化调度方法的第一实施例中，请参照图1，所述基于大数据的虚拟电厂优化调度方法包括：
步骤S100，以虚拟电厂最大化利润为目标，构建虚拟电厂经济调度的目标函数，并将所述目标函数结合虚拟电厂的运行约束条件，生成各虚拟电厂对应联合系统的日前调度计划；
在本实施例中，基于多虚拟电厂进行并网的联合系统，构建该联合系统中各虚拟电厂的日前调度计划。其中，该联合系统的主要组成部分可包括各虚拟电厂的燃气轮机（常规能源发电机）、风机（再生能源发电机）和储能设备等。通过联合系统的能源调度，最大限度地降低虚拟发电厂的成本，并满足基本要求负荷用户对电力的需求。本实施例通过描述联合系统各虚拟调电厂的目标函数和约束条件，确保联合系统的稳定运行。
步骤S200，根据所述日前调度计划确定日内调度阶段对应的风电预测出力，在日内调度阶段各时间步的调度步长内，将所述风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差；
其中，所述控制域步长为当前时间步的调度步长。
步骤S300，根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整，并根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正
在本实施例中，所述预测域步长为所述控制域步长对应下一时间步的调度步长，所述控制变量包括储能设备出力状态、燃气轮机出力、虚拟电厂与大电网间联络线交互功率、各虚拟电厂间联络线交互功率，以及参与需求响应的可中断负荷。
本领域技术人员可知的是，目前日内调度阶段中调度步长的步长时间通常采用1小时左右的固定时间窗口，这样可能显得过于短视。同时，受到预测精度的制约，一味增加固定时间窗口的长度对于优化调度模型的提升有限。因此，仅靠标定调度步长的步长时间，来提升预测精度和预测效率很难取得成效。而本实施例通过根据控制域步长的出力预测误差对预测域步长的步长时间进行自适应调整，从而不断迭代优化调度步长的步长时间，提高电网优化调度的灵活性，避免调度步长的步长时间过短而降低预测精度，以及调度步长的步长时间过长，而使调度灵敏度降低导致无法收敛的情况发生。
步骤S400，根据迭代优化调整的步长时间和迭代优化修正的控制变量，对所述虚拟电厂对应的优化调度策略进行滚动更新。
在本实施例中，由于调度步长的步长时间根据出力预测误差进行实时调节，从而实现对预测域步长的步长时间的滚动优化，规避了各虚拟电厂间联络线功率频繁波动问题，提高了多虚拟电厂联合系统整体运行的经济性。
本实施例基于多虚拟电厂联合系统的协同调度，构建联合系统的协同调度模型，相较于单个虚拟电网的孤立调度方法，本实施例提高了联合系统的经济性和运行稳定性。本实施例通过根据日前调度计划确定日内调度阶段对应的风电预测出力，在日内调度阶段各时间步的调度步长内，将风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差，根据出力预测误差对预测域步长的步长时间进行自适应调整，从而实现滚动优化预测域步长的步长时间，提高电网优化调度的灵活性，避免调度步长的步长时间过短而降低预测精度，以及调度步长的步长时间过长，而使调度灵敏度降低导致无法收敛的情况发生，同时规避了各虚拟电厂间联络线功率频繁波动问题，提高了联合系统整体运行的经济性。由于各虚拟电厂接入了大量的具有不确定性的风电能源出力的问题，而稳定的运行电网是所有问题的前提，风电出力的确定性因素严重影响了导致联合系统的不稳定。本实施例通过根据风电能源的出力预测误差，对日前调度计划对应的控制变量进行自适应修正，有效促进风电能源的消纳，日内调度考虑风电功率与系统净负荷变化的一致性指标，既满足本地负荷需求，又减小与电网间交换功率波动，从而提高了多虚拟电厂联合系统整体运行的安全性。本实施例还通过根据不断迭代优化的步长时间和控制变量，对所述虚拟电厂对应的优化调度策略进行滚动更新，既考虑到了预测域步长的预测响应时间，又考虑了预测域步长的运行状态信息，从而既能快速灵敏的进行能量调度优化，又能满足电网潮流指标要求，实现全局时间尺度上的最优调度。本实施例基于对模型预测控制不断进行滚动优化和反馈校正，有效避免预测误差对优化结果的不确定性干扰，进而实现了在提高虚拟电厂优化调度经济性的同时，提高虚拟电厂优化调度的安全性。
在一种可实施的方式中，所述目标函数为：
Figure 603258DEST_PATH_IMAGE001
；
其中，C=Ct,L,i+Ct,E,i+Ct,ES,i；
S=St,WPP,i+St,PV,i+St,GT,i；
其中，F为各虚拟电厂对应联合系统的运行利润，C和S分别为收益和成本，N为联合系统中虚拟电网的个数，T为调度的时间段，Ct,L,i为t时段第i个虚拟电厂的负荷收益，Ct,E,i为电力交易收益，Ct,ES,i为储能充放电收益，St,GT,i为t时段第i个虚拟电厂中燃气轮机运维成本，St,WPP,i为t时段第i个虚拟电厂中风机运维成本，St,PV,i为t时段第i个虚拟电厂中储能设备运维成本；
其中，所述负荷收益Ct,L,i的表达函数为:
Figure 724798DEST_PATH_IMAGE002
其中，Pt,L,i为t时段第i个虚拟电厂总负荷，Pt,IL,i为t时段第i个可中断负荷功率，
Figure 94599DEST_PATH_IMAGE003
为可中断负荷补偿成本的二次系数，
Figure 188457DEST_PATH_IMAGE004
为可中断负荷补偿成本的一次系数；
所述电力交易收益Ct,E,i的表达函数为:
Figure 985512DEST_PATH_IMAGE005
其中，Pt,e,i为t时段第i个虚拟电厂与大电网之间的交易功率，Pt,m,i为t时段第i个虚拟电厂与其他虚拟电厂之间的交易功率，λse、λbe分别第i个虚拟电厂与大电网之间的售电、购电交易电量，λsm、λbm分别第i个虚拟电厂与其他虚拟电厂之间的售电、购电交易电量，μe为表征第i个虚拟电厂与大电网之间售购电状态的变量，第i个虚拟电厂与大电网之间售购电状态为售电时，μe等于1，第i个虚拟电厂与大电网之间售购电状态为购电时，μe等于0，μm为表征第i个虚拟电厂与其他虚拟电厂之间售购电状态的变量，第i个虚拟电厂与其他虚拟电厂之间售购电状态为售电时，μm等于1，第i个虚拟电厂与其他虚拟电厂之间售购电状态为购电时，μm等于0；
所述储能充放电收益Ct,ES,i的表达函数为:
Figure 594348DEST_PATH_IMAGE006
其中，Pt,ES,i为t时段第i个虚拟电厂中储能设备的充放电功率，λd为充电电价，λc为放电电价，λES为储能设备折旧补偿系数，μES为表征充放电状态的变量，所述充放电状态为充电时，μES等于1，所述充放电状态为放电时，μES等于0；
所述燃气轮机运维成本St,GT,i的表达函数为:
Figure 502261DEST_PATH_IMAGE007
其中，λGT为燃气轮机运维成本系数，Pt,GT,i为t时段第i个虚拟电厂中燃气轮机出力，Sq为启机成本，St为停机成本，μGT为表征燃气轮机出力状态的变量，所述燃气轮机出力状态为启机时，μGT等于1，所述燃气轮机出力状态为停机时，μGT等于0；
所述风机运维成本St,WPP,i的表达函数为:
Figure 450626DEST_PATH_IMAGE008
；
其中，Pt,WPP,i为t时段第i个虚拟电厂中风机功率，λWPP为风机运维成本系数。
在本实施例中，联合系统的每个虚拟电厂内均包含风机、燃气轮机和储能设备，电负荷包括基础负荷及可中断负荷，用电高峰时，虚拟电荷在向用户提供一定补偿的前提下，切除可中断负荷达到削峰的效果。
在本实施例中，需要说明的是，风力发电固有的间歇性和波动性，极易打破虚拟电厂内部电力供需平衡，即单个虚拟电厂不同时间段存在一定的电量盈余或缺额。通过合理的优化调度策略，并在联合系统的各虚拟电厂间签订双边交易合同，可将联合系统内缺电虚拟电厂和多电虚拟电厂进行整合，优化各虚拟电厂间的交易电量，提高多虚拟电厂联合系统的调度灵活性，从而实现多虚拟电厂的整体收益最大化。
在一种可能的实施方式中，所述运行约束条件包括各虚拟电厂功率平衡约束、燃气轮机约束、可中断负荷约束和储能设备约束，其中，
所述各虚拟电厂功率平衡约束的表达函数为:
Figure 418582DEST_PATH_IMAGE009
Figure 452397DEST_PATH_IMAGE010
；
其中，
Figure 164001DEST_PATH_IMAGE011
为t时段第i个虚拟电厂的可中断负荷，
Figure 294768DEST_PATH_IMAGE012
为储能设备的充电功率，
Figure 371308DEST_PATH_IMAGE013
为储能设备的放电功率，
Figure 689157DEST_PATH_IMAGE014
为t时段第i个虚拟电厂从大电网购入功率，
Figure 204452DEST_PATH_IMAGE015
为t时段第i个虚拟电厂从大电网出售功率，
Figure 127409DEST_PATH_IMAGE016
为t时段第i个虚拟电厂从大电网购入功率，
Figure 437167DEST_PATH_IMAGE017
为t时段第i个虚拟电厂从大电网出售功率；
所述燃气轮机约束的表达函数为:
Figure 242312DEST_PATH_IMAGE018
；
其中，
Figure 233402DEST_PATH_IMAGE019
为燃气轮机功率上升的爬坡率，
Figure 73182DEST_PATH_IMAGE020
为燃气轮机功率下降的爬坡率，
Figure 553842DEST_PATH_IMAGE021
为t-1时段第i个虚拟电厂中燃气轮机出力；
所述可中断负荷约束的表达函数为:
Figure 111862DEST_PATH_IMAGE022
；
其中，
Figure 641064DEST_PATH_IMAGE023
为可中断负荷最大调用率，
Figure 600929DEST_PATH_IMAGE024
为t时段第i个虚拟电厂的最大可中断负荷；
所述储能设备约束的表达函数为:
Figure 252491DEST_PATH_IMAGE025
式中，
Figure 966981DEST_PATH_IMAGE026
为t时段第i个虚拟电厂储能设备最大充电功率，
Figure 362190DEST_PATH_IMAGE027
为储能设备t时段的电力值，
Figure 176563DEST_PATH_IMAGE028
为t时段第i个虚拟电厂储能设备最大放电功率，
Figure 999025DEST_PATH_IMAGE029
为表征储能设备充电状态的变量，
Figure 203742DEST_PATH_IMAGE030
为表征储能设备放电状态的变量，
Figure 402642DEST_PATH_IMAGE031
为荷电状态的上限，
Figure 71521DEST_PATH_IMAGE032
为荷电状态的下限，
Figure 2567DEST_PATH_IMAGE033
为储能设备一天中的起始值，
Figure 756897DEST_PATH_IMAGE034
为储能设备一天中的结束值。
本实施例考虑了各虚拟电厂功率平衡约束、燃气轮机约束、可中断负荷约束和储能设备约束的运行约束条件，对各虚拟电厂的负荷运行进行风险管控，确保联合系统的稳定运行，进而提高了虚拟电厂优化调度的安全性。
在一种可实施的方式中，所述根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整的步骤包括：
步骤A10，根据所述出力预测误差，结合自适应步长调整算法，对预测域步长的步长时间进行自适应调整；
其中，所述自适应步长调整算法为:
Figure 759488DEST_PATH_IMAGE035
；
其中，
Figure 282873DEST_PATH_IMAGE036
；
Figure 384821DEST_PATH_IMAGE037
；
Figure 626447DEST_PATH_IMAGE038
，
Figure 167150DEST_PATH_IMAGE039
；
式中，Pt,WPP,i为t时段第i个虚拟电厂的风机功率，r为出力预测误差与风电预测出力的比值，Z（r）为关于r的分段函数，通过r所处的区间确定函数z的取值，r1、r2、…、rn为r的区间划分界值，
Figure 482724DEST_PATH_IMAGE040
为预测域步长的步长时间，
Figure 83470DEST_PATH_IMAGE041
为控制域步长的步长时间，Pt,WPP为各虚拟电厂对应联合系统的总风机功率，△Pt,WPP,i为t时段第i个虚拟电厂的出力预测误差，△Pt,WPP为各虚拟电厂对应联合系统的出力预测误差，
Figure 546812DEST_PATH_IMAGE042
为t时段第i个虚拟电厂的预测误差带的下限的极值，
Figure 828889DEST_PATH_IMAGE043
为t时段第i个虚拟电厂的预测误差带的上限的极值。
在本实施例中，对于区间划分界值r1、r2、…、rn，它们的大小与出力预测误差直接相关，当出力预测误差较小时，预测域选择相对较大，反之则相对较小。采用本实施例确定的预测域步长的步长时间，由于直接使用了风电出力区间预测结果，避免了选用相似日和相似场景的繁杂过程，确定区间误差的客观性也更强。
在本实施例中，由于传统调度步长的步长时间是固定的，对于固定的调度步长，如果步长选取过大，影响联合系统准确性的同时增加寻优时间，步长过短，则会陷入局部最优而不能兼顾全局。为此，本实施例基于自适应调整预测域步长的步长时间，当风电预测误差偏大时，将自适应缩短预测域步长，从而降低预测误差对于优化结果的影响，同时也能提高控制性能。另外，对于本实施例的多虚拟电厂的联合系统，为方便系统协同调度和处理，各虚拟电厂均采用一致的调度步长的步长时间。
实施例二
进一步地，基于本发明第一实施例和第二实施例，在本发明另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，所述根据所述日前调度计划确定日内调度阶段对应的风电预测出力的步骤包括：
步骤B10，根据所述日前调度计划确定日内调度阶段的基础调度策略；
在本实施例中，本领域技术人员可以理解的是，该日前调度计划中包括日前对虚拟电厂的调度策略，该日前对虚拟电厂的调度策略即为日内调度阶段的基础调度策略。
步骤B20，根据所述基础调度策略，确定日内调度阶段各时间步对应的风电预测出力。
本实施例中，在日内调度阶段，基于该基础调度策略对各虚拟电厂进行调度的过程中，由于联合系统的运行状态会因各虚拟电厂的风电出力波动，而实时发生改变，因此本实施例需要根据基础调度策略，确定日内调度阶段各时间步对应的风电预测出力，从而便于后续将该风电预测出力与风电实际出力进行比较，得到风电出力的出力预测误差。
在一种可能的实施方式中，所述根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正的步骤包括：
步骤C10，根据所述出力预测误差，结合非合作博弈的模型算法进行迭代求解，收敛得到各虚拟电厂的纳什最优决策；
在本实施例中，所述非合作博弈的模型算法包括：
Figure 61287DEST_PATH_IMAGE046
，（j=1，2…，N）（1）
其中，
Figure 832934DEST_PATH_IMAGE047
，
式中，
Figure 783573DEST_PATH_IMAGE048
为各虚拟电厂对应联合系统的预测运行状态，
Figure 603761DEST_PATH_IMAGE049
为第i个虚拟电厂的预测运行状态，
Figure 956245DEST_PATH_IMAGE050
为第i个虚拟电厂以外的其他虚拟电厂的预测运行状态，
Figure 898793DEST_PATH_IMAGE051
为第i个虚拟电厂控制域步长对应的控制变量，
Figure 274411DEST_PATH_IMAGE052
为第i个虚拟电厂预测域步长对应的控制变量，
Figure 960607DEST_PATH_IMAGE053
为除第i个虚拟电厂以外的其他虚拟电厂预测域步长对应的控制变量，
Figure 167598DEST_PATH_IMAGE054
为除第i个虚拟电厂以外的其他虚拟电厂控制域步长对应的控制变量，对于任意一组控制序列
Figure 692415DEST_PATH_IMAGE056
，如果对于任意虚拟电厂对于的子系统
Figure 648870DEST_PATH_IMAGE057
都满足上式1，则确定非合作博弈的模型算法已收敛，此时
Figure 61397DEST_PATH_IMAGE058
则为各虚拟电厂的纳什最优决策。
步骤C20，基于所述纳什最优决策，对所述日前调度计划对应的控制变量进行迭代优化修正。
在本实施例中，纳什最优决策隐含一个问题，即要达到整体系统最优，每个虚拟电厂优化自身各自子目标前需获得其他虚拟电厂子系统的最优解。本实施例引入分布式结构，使得各个虚拟电厂可有效利用网络通信互传信息，为非合作博弈的模型算法的迭代求解提供条件。首先，每个虚拟电厂预先估计其t时刻对应的初始解，并将预估解发送给联合系统内所有的虚拟电厂，联合系统内每个虚拟电厂利用其他虚拟电厂的预估解来求其最优解，然后，每个虚拟电厂比较运算出的最优解和上次计算的最优解，并将计算的最优解和比较结果传送给其他虚拟电厂，如果两次迭代结果满足给定精度，则迭代结束，否则，整个联合系统未达到纳什最优条件，需进行进一步地调整。t时刻迭代结束后，进行t+1时刻求解，重复上述过程。
本实施例在消纳风电的前提下，通过构建多虚拟电厂参与的非合作博弈优化调度模型，对联合系统日前日内两阶段进行优化调度，弥补日前预测的偏差。该非合作博弈优化调度模型通过日内调度实时反馈校正各虚拟电厂预测域步长对应的控制变量，考虑了经济性，弥补了传统日内调度仅关注功率偏差而忽略经济性的不足，使得日内优化经济性更强。本实施例通过对控制变量的自适应滚动优化，保证了多虚拟电厂联合系统的运行经济性，消除了风电出力不确定性的影响。
在一种可实施的方式中，所述步骤B20，所述基于所述纳什最优决策，对所述日前调度计划对应的控制变量进行迭代优化修正的步骤包括：
基于所述纳什最优决策，结合日内调度结果利益最大化的修正函数，对所述日前调度计划对应的控制变量进行迭代优化修正；
其中，所述修正函数为：
Figure 89396DEST_PATH_IMAGE044
式中，
Figure 208661DEST_PATH_IMAGE045
为日内利益最大化的运行费用，wES、wGT、we和wm分别为储能设备功率的调整惩罚成本系数、燃气轮机功率的调整惩罚成本系数、与大电网交互功率的调整惩罚成本系数，以及与其他虚拟电厂交互功率的调整惩罚成本系数，△Pt,ES,i、△Pt,GT,i、△Pt,e,i和△Pt,m,i分别为第i个虚拟电厂中储能设备功率的调整值、第i个虚拟电厂中燃气轮机功率的调整值、第i个虚拟电厂与大电网交互功率的调整值，以及第i个虚拟电厂与其他虚拟电厂交互功率的调整值，△t为调整时长。
在本实施例中，由于风电预测误差不可避免，在日前调度阶段每个调度步长内使用的风电出力，应用于日内阶段时一般都会发生改变，故日内调度只在各个虚拟电厂内部进行实时反馈校正，将日前调度阶段的执行间隔∆T分割为等长度的m个更小时间间隔。日内阶段是根据日前计划结合风电更短时间尺度的预测值去调整包括燃气轮机、储能设备、VPP 与大电网和VPP 间联络线交互功率等在内的控制变量。当对应大间隔∆T 内的m个小间隔都调整完成后，就返回日前调度进入下一时域的滚动优化。
传统日内调度一般只考虑弥补与日前计划值的偏差，日内调度结果的经济性往往难以评估。为此，本实施例通过将各虚拟电厂的纳什最优决策结合日内调度结果利益最大化的修正函数，实现在考虑弥补日前调度计划偏差的同时，还计及了经济性，即对于每个执行间隔∆t，优化目标为每个执行间隔内弥补日前计划值偏差，同时运行费用最小。
实施例三
本发明实施例还提供一种基于大数据的虚拟电厂优化调度装置，所述基于大数据的虚拟电厂优化调度装置包括：
生成模块，用于以虚拟电厂最大化利润为目标，构建虚拟电厂经济调度的目标函数，并将所述目标函数结合虚拟电厂的运行约束条件，生成各虚拟电厂对应联合系统的日前调度计划；
比较模块，用于根据所述日前调度计划确定日内调度阶段对应的风电预测出力，在日内调度阶段各时间步的调度步长内，将所述风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差，其中，所述控制域步长为当前时间步的调度步长；
调整模块，用于根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整，并根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正，其中，所述预测域步长为所述控制域步长对应下一时间步的调度步长，所述控制变量包括储能设备出力状态、燃气轮机出力、虚拟电厂与大电网间联络线交互功率、各虚拟电厂间联络线交互功率，以及参与需求响应的可中断负荷；
更新模块，用于根据迭代优化调整的步长时间和迭代优化修正的控制变量，对所述虚拟电厂对应的优化调度策略进行滚动更新。
可选地，所述比较模块还用于：
根据所述日前调度计划确定日内调度阶段的基础调度策略；
根据所述基础调度策略，确定日内调度阶段各时间步对应的风电预测出力。
可选地，所述生成模块中，所述目标函数为：
Figure 663914DEST_PATH_IMAGE001
；
其中，C=Ct,L,i+Ct,E,i+Ct,ES,i；
S=St,WPP,i+St,PV,i+St,GT,i；
其中，F为各虚拟电厂对应联合系统的运行利润，C和S分别为收益和成本，N为联合系统中虚拟电网的个数，T为调度的时间段，Ct,L,i为t时段第i个虚拟电厂的负荷收益，Ct,E,i为电力交易收益，Ct,ES,i为储能充放电收益，St,GT,i为t时段第i个虚拟电厂中燃气轮机运维成本，St,WPP,i为t时段第i个虚拟电厂中风机运维成本，St,PV,i为t时段第i个虚拟电厂中储能设备运维成本；
其中，所述负荷收益Ct,L,i的表达函数为:
Figure 298157DEST_PATH_IMAGE002
其中，Pt,L,i为t时段第i个虚拟电厂总负荷，Pt,IL,i为t时段第i个可中断负荷功率，
Figure 864268DEST_PATH_IMAGE003
为可中断负荷补偿成本的二次系数，
Figure 103619DEST_PATH_IMAGE004
为可中断负荷补偿成本的一次系数；
所述电力交易收益Ct,E,i的表达函数为:
Figure 729773DEST_PATH_IMAGE005
其中，Pt,e,i为t时段第i个虚拟电厂与大电网之间的交易功率，Pt,m,i为t时段第i个虚拟电厂与其他虚拟电厂之间的交易功率，λse、λbe分别第i个虚拟电厂与大电网之间的售电、购电交易电量，λsm、λbm分别第i个虚拟电厂与其他虚拟电厂之间的售电、购电交易电量，μe为表征第i个虚拟电厂与大电网之间售购电状态的变量，第i个虚拟电厂与大电网之间售购电状态为售电时，μe等于1，第i个虚拟电厂与大电网之间售购电状态为购电时，μe等于0，μm为表征第i个虚拟电厂与其他虚拟电厂之间售购电状态的变量，第i个虚拟电厂与其他虚拟电厂之间售购电状态为售电时，μm等于1，第i个虚拟电厂与其他虚拟电厂之间售购电状态为购电时，μm等于0；
所述储能充放电收益Ct,ES,i的表达函数为:
Figure 851312DEST_PATH_IMAGE006
其中，Pt,ES,i为t时段第i个虚拟电厂中储能设备的充放电功率，λd为充电电价，λc为放电电价，λES为储能设备折旧补偿系数，μES为表征充放电状态的变量，所述充放电状态为充电时，μES等于1，所述充放电状态为放电时，μES等于0；
所述燃气轮机运维成本St,GT,i的表达函数为:
Figure 158797DEST_PATH_IMAGE007
其中，λGT为燃气轮机运维成本系数，Pt,GT,i为t时段第i个虚拟电厂中燃气轮机出力，Sq为启机成本，St为停机成本，μGT为表征燃气轮机出力状态的变量，所述燃气轮机出力状态为启机时，μGT等于1，所述燃气轮机出力状态为停机时，μGT等于0；
所述风机运维成本St,WPP,i的表达函数为:
Figure 314972DEST_PATH_IMAGE008
；
其中，Pt,WPP,i为t时段第i个虚拟电厂中风机功率，λWPP为风机运维成本系数。
可选地，所述生成模块中，所述运行约束条件包括各虚拟电厂功率平衡约束、燃气轮机约束、可中断负荷约束和储能设备约束，其中，
所述各虚拟电厂功率平衡约束的表达函数为:
Figure 112027DEST_PATH_IMAGE009
Figure 658546DEST_PATH_IMAGE010
；
其中，
Figure 566459DEST_PATH_IMAGE011
为t时段第i个虚拟电厂的可中断负荷，
Figure 577140DEST_PATH_IMAGE012
为储能设备的充电功率，
Figure 545096DEST_PATH_IMAGE013
为储能设备的放电功率，
Figure 578911DEST_PATH_IMAGE014
为t时段第i个虚拟电厂从大电网购入功率，
Figure 290515DEST_PATH_IMAGE015
为t时段第i个虚拟电厂从大电网出售功率，
Figure 155703DEST_PATH_IMAGE016
为t时段第i个虚拟电厂从大电网购入功率，
Figure 232243DEST_PATH_IMAGE017
为t时段第i个虚拟电厂从大电网出售功率；
所述燃气轮机约束的表达函数为:
Figure 815672DEST_PATH_IMAGE018
；
其中，
Figure 330966DEST_PATH_IMAGE019
为燃气轮机功率上升的爬坡率，
Figure 985414DEST_PATH_IMAGE020
为燃气轮机功率下降的爬坡率，
Figure 295173DEST_PATH_IMAGE021
为t-1时段第i个虚拟电厂中燃气轮机出力；
所述可中断负荷约束的表达函数为:
Figure 365897DEST_PATH_IMAGE022
；
其中，
Figure 419304DEST_PATH_IMAGE023
为可中断负荷最大调用率，
Figure 196767DEST_PATH_IMAGE024
为t时段第i个虚拟电厂的最大可中断负荷；
所述储能设备约束的表达函数为:
Figure 677427DEST_PATH_IMAGE025
式中，
Figure 235447DEST_PATH_IMAGE026
为t时段第i个虚拟电厂储能设备最大充电功率，
Figure 764648DEST_PATH_IMAGE027
为储能设备t时段的电力值，
Figure 458935DEST_PATH_IMAGE028
为t时段第i个虚拟电厂储能设备最大放电功率，
Figure 376075DEST_PATH_IMAGE029
为表征储能设备充电状态的变量，
Figure 155813DEST_PATH_IMAGE030
为表征储能设备放电状态的变量，
Figure 488705DEST_PATH_IMAGE031
为荷电状态的上限，
Figure 303077DEST_PATH_IMAGE032
为荷电状态的下限，
Figure 125540DEST_PATH_IMAGE033
为储能设备一天中的起始值，
Figure 330256DEST_PATH_IMAGE034
为储能设备一天中的结束值。
可选地，所述调整模块还用于：
根据所述出力预测误差，结合自适应步长调整算法，对预测域步长的步长时间进行自适应调整；
其中，所述自适应步长调整算法为:
Figure 529156DEST_PATH_IMAGE035
；
其中，
Figure 198035DEST_PATH_IMAGE036
；
Figure 191399DEST_PATH_IMAGE037
；
Figure 883411DEST_PATH_IMAGE038
，
Figure 620423DEST_PATH_IMAGE039
；
式中，Pt,WPP,i为t时段第i个虚拟电厂的风机功率，r为出力预测误差与风电预测出力的比值，Z（r）为关于r的分段函数，通过r所处的区间确定函数z的取值，r1、r2、…、rn为r的区间划分界值，
Figure 143808DEST_PATH_IMAGE040
为预测域步长的步长时间，
Figure 511336DEST_PATH_IMAGE041
为控制域步长的步长时间，Pt,WPP为各虚拟电厂对应联合系统的总风机功率，△Pt,WPP,i为t时段第i个虚拟电厂的出力预测误差，△Pt,WPP为各虚拟电厂对应联合系统的出力预测误差，
Figure 752961DEST_PATH_IMAGE042
为t时段第i个虚拟电厂的预测误差带的下限的极值，
Figure 28085DEST_PATH_IMAGE043
为t时段第i个虚拟电厂的预测误差带的上限的极值。
可选地，所述调整模块还用于：
根据所述出力预测误差，结合非合作博弈的模型算法进行迭代求解，收敛得到各虚拟电厂的纳什最优决策；
基于所述纳什最优决策，对所述日前调度计划对应的控制变量进行迭代优化修正。
可选地，所述调整模块还用于：
基于所述纳什最优决策，结合日内调度结果利益最大化的修正函数，对所述日前调度计划对应的控制变量进行迭代优化修正；
其中，所述修正函数为：
Figure 671556DEST_PATH_IMAGE044
式中，
Figure 944405DEST_PATH_IMAGE045
为日内利益最大化的运行费用，wES、wGT、we和wm分别为储能设备功率的调整惩罚成本系数、燃气轮机功率的调整惩罚成本系数、与大电网交互功率的调整惩罚成本系数，以及与其他虚拟电厂交互功率的调整惩罚成本系数，△Pt,ES,i、△Pt,GT,i、△Pt,e,i和△Pt,m,i分别为第i个虚拟电厂中储能设备功率的调整值、第i个虚拟电厂中燃气轮机功率的调整值、第i个虚拟电厂与大电网交互功率的调整值，以及第i个虚拟电厂与其他虚拟电厂交互功率的调整值，△t为调整时长。
本发明提供的基于大数据的虚拟电厂优化调度装置，采用上述实施例一或实施例二中的基于大数据的虚拟电厂优化调度方法，本实施例在提高虚拟电厂优化调度经济性的同时，还提高虚拟电厂优化调度的安全性。与现有技术相比，本发明实施例提供的基于大数据的虚拟电厂优化调度装置的有益效果与上述实施例提供的基于大数据的虚拟电厂优化调度方法的有益效果相同，且该基于大数据的虚拟电厂优化调度装置中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
实施例四
本发明实施例提供一种基于大数据的虚拟电厂优化调度设备，基于大数据的虚拟电厂优化调度设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的基于大数据的虚拟电厂优化调度方法。
请参照图2，图2为本发明各个实施例中所提供的基于大数据的虚拟电厂优化调度设备的模块结构示意图。所述基于大数据的虚拟电厂优化调度设备包括通信模块01、存储器02及处理器03等部件。本领域技术人员可以理解，图2中所示出的基于大数据的虚拟电厂优化调度设备还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中，所述处理器03分别与所述存储器02和所述通信模块01连接，所述存储器02上存储有基于大数据的虚拟电厂优化调度程序，所述基于大数据的虚拟电厂优化调度程序同时被处理器03执行。
通信模块01，可通过网络与外部设备连接。通信模块01可以接收外部设备发出的数据，还可发送数据、指令及信息至所述外部设备，所述外部设备可以是数据管理终端、手机、平板电脑、笔记本电脑和台式电脑等电子设备。
存储器02，可用于存储软件程序以及各种数据。存储器02可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储被控基于大数据的虚拟电厂优化调度设备的运行情况和行驶环境以及信号机的相位变化所创建的数据或信息等。此外，存储器02可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器03，是基于大数据的虚拟电厂优化调度设备的控制中心，利用各种接口和线路连接整个基于大数据的虚拟电厂优化调度设备的各个部分，通过运行或执行存储在存储器02内的软件程序和/或模块，以及调用存储在存储器02内的数据，执行基于大数据的虚拟电厂优化调度设备的各种功能和处理数据。处理器03可包括一个或多个处理单元；优选的，处理器03可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器03中。
本领域技术人员可以理解，图2中示出的基于大数据的虚拟电厂优化调度设备模块结构并不构成对基于大数据的虚拟电厂优化调度设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
根据上述模块结构，提出本发明方法各个实施例。
实施例五
本实施例提供一种计算机计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例中基于大数据的虚拟电厂优化调度方法。
本发明实施例提供的计算机计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机计算机可读存储介质可以是设备中所包含的；也可以是单独存在，而未装配入设备中。上述计算机计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被设备执行时，使得设备：以虚拟电厂最大化利润为目标，构建虚拟电厂经济调度的目标函数，并将所述目标函数结合虚拟电厂的运行约束条件，生成各虚拟电厂对应联合系统的日前调度计划；根据所述日前调度计划确定日内调度阶段对应的风电预测出力，在日内调度阶段各时间步的调度步长内，将所述风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差，其中，所述控制域步长为当前时间步的调度步长；根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整，并根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正，其中，所述预测域步长为所述控制域步长对应下一时间步的调度步长，所述控制变量包括储能设备出力状态、燃气轮机出力、虚拟电厂与大电网间联络线交互功率、各虚拟电厂间联络线交互功率，以及参与需求响应的可中断负荷；根据迭代优化调整的步长时间和迭代优化修正的控制变量，对所述虚拟电厂对应的优化调度策略进行滚动更新。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本发明提供的计算机计算机可读存储介质，存储有用于执行上述基于大数据的虚拟电厂优化调度方法的计算机可读程序指令，在提高虚拟电厂优化调度经济性的同时，还提高了虚拟电厂优化调度的安全性。与现有技术相比，本发明实施例提供的计算机计算机可读存储介质的有益效果与上述实施例一或实施例二提供的基于大数据的虚拟电厂优化调度方法的有益效果相同，在此不做赘述。
实施例六
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于大数据的虚拟电厂优化调度方法的步骤。
本发明提供的计算机程序产品在提高虚拟电厂优化调度经济性的同时，还提高了虚拟电厂优化调度的安全性。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例一或实施例二提供的基于大数据的虚拟电厂优化调度方法的有益效果相同，在此不做赘述。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利处理范围内。

Claims (10)

1.一种基于大数据的虚拟电厂优化调度方法，其特征在于，所述基于大数据的虚拟电厂优化调度方法包括：
以虚拟电厂最大化利润为目标，构建虚拟电厂经济调度的目标函数，并将所述目标函数结合虚拟电厂的运行约束条件，生成各虚拟电厂对应联合系统的日前调度计划；
根据所述日前调度计划确定日内调度阶段对应的风电预测出力，在日内调度阶段各时间步的调度步长内，将所述风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差，其中，所述控制域步长为当前时间步的调度步长；
根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整，并根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正，其中，所述预测域步长为所述控制域步长对应下一时间步的调度步长，所述控制变量包括储能设备出力状态、燃气轮机出力、虚拟电厂与大电网间联络线交互功率、各虚拟电厂间联络线交互功率，以及参与需求响应的可中断负荷；
根据迭代优化调整的步长时间和迭代优化修正的控制变量，对所述虚拟电厂对应的优化调度策略进行滚动更新。
2.如权利要求1所述基于大数据的虚拟电厂优化调度方法，其特征在于，所述根据所述日前调度计划确定日内调度阶段对应的风电预测出力的步骤包括：
根据所述日前调度计划确定日内调度阶段的基础调度策略；
根据所述基础调度策略，确定日内调度阶段各时间步对应的风电预测出力。
3.如权利要求1所述基于大数据的虚拟电厂优化调度方法，其特征在于，所述目标函数为：
Figure 133227DEST_PATH_IMAGE001
；
其中，C=Ct,L,i+Ct,E,i+Ct,ES,i；
S=St,WPP,i+St,PV,i+St,GT,i；
其中，F为各虚拟电厂对应联合系统的运行利润，C和S分别为收益和成本，N为联合系统中虚拟电网的个数，T为调度的时间段，Ct,L,i为t时段第i个虚拟电厂的负荷收益，Ct,E,i为电力交易收益，Ct,ES,i为储能充放电收益，St,GT,i为t时段第i个虚拟电厂中燃气轮机运维成本，St,WPP,i为t时段第i个虚拟电厂中风机运维成本，St,PV,i为t时段第i个虚拟电厂中储能设备运维成本；
其中，所述负荷收益Ct,L,i的表达函数为:
Figure 212041DEST_PATH_IMAGE002
其中，Pt,L,i为t时段第i个虚拟电厂总负荷，Pt,IL,i为t时段第i个可中断负荷功率，
Figure 647702DEST_PATH_IMAGE003
为可中断负荷补偿成本的二次系数，
Figure 419349DEST_PATH_IMAGE004
为可中断负荷补偿成本的一次系数；
所述电力交易收益Ct,E,i的表达函数为:
Figure 369987DEST_PATH_IMAGE005
其中，Pt,e,i为t时段第i个虚拟电厂与大电网之间的交易功率，Pt,m,i为t时段第i个虚拟电厂与其他虚拟电厂之间的交易功率，λse、λbe分别第i个虚拟电厂与大电网之间的售电、购电交易电量，λsm、λbm分别第i个虚拟电厂与其他虚拟电厂之间的售电、购电交易电量，μe为表征第i个虚拟电厂与大电网之间售购电状态的变量，第i个虚拟电厂与大电网之间售购电状态为售电时，μe等于1，第i个虚拟电厂与大电网之间售购电状态为购电时，μe等于0，μm为表征第i个虚拟电厂与其他虚拟电厂之间售购电状态的变量，第i个虚拟电厂与其他虚拟电厂之间售购电状态为售电时，μm等于1，第i个虚拟电厂与其他虚拟电厂之间售购电状态为购电时，μm等于0；
所述储能充放电收益Ct,ES,i的表达函数为:
Figure 190176DEST_PATH_IMAGE006
其中，Pt,ES,i为t时段第i个虚拟电厂中储能设备的充放电功率，λd为充电电价，λc为放电电价，λES为储能设备折旧补偿系数，μES为表征充放电状态的变量，所述充放电状态为充电时，μES等于1，所述充放电状态为放电时，μES等于0；
所述燃气轮机运维成本St,GT,i的表达函数为:
Figure 542659DEST_PATH_IMAGE007
其中，λGT为燃气轮机运维成本系数，Pt,GT,i为t时段第i个虚拟电厂中燃气轮机出力，Sq为启机成本，St为停机成本，μGT为表征燃气轮机出力状态的变量，所述燃气轮机出力状态为启机时，μGT等于1，所述燃气轮机出力状态为停机时，μGT等于0；
所述风机运维成本St,WPP,i的表达函数为:
Figure 485208DEST_PATH_IMAGE008
；
其中，Pt,WPP,i为t时段第i个虚拟电厂中风机功率，λWPP为风机运维成本系数。
4.如权利要求3所述基于大数据的虚拟电厂优化调度方法，其特征在于，所述运行约束条件包括各虚拟电厂功率平衡约束、燃气轮机约束、可中断负荷约束和储能设备约束，其中，
所述各虚拟电厂功率平衡约束的表达函数为:
Figure 923142DEST_PATH_IMAGE009
Figure 281442DEST_PATH_IMAGE010
；
其中，
Figure 754012DEST_PATH_IMAGE011
为t时段第i个虚拟电厂的可中断负荷，
Figure 867462DEST_PATH_IMAGE012
为储能设备的充电功率，
Figure 727446DEST_PATH_IMAGE013
为储能设备的放电功率，
Figure 951754DEST_PATH_IMAGE014
为t时段第i个虚拟电厂从大电网购入功率，
Figure 13251DEST_PATH_IMAGE015
为t时段第i个虚拟电厂从大电网出售功率，
Figure 235284DEST_PATH_IMAGE016
为t时段第i个虚拟电厂从大电网购入功率，
Figure 647811DEST_PATH_IMAGE017
为t时段第i个虚拟电厂从大电网出售功率；
所述燃气轮机约束的表达函数为:
Figure 675810DEST_PATH_IMAGE018
；
其中，
Figure 795076DEST_PATH_IMAGE019
为燃气轮机功率上升的爬坡率，
Figure 984749DEST_PATH_IMAGE020
为燃气轮机功率下降的爬坡率，
Figure 884572DEST_PATH_IMAGE021
为t-1时段第i个虚拟电厂中燃气轮机出力；
所述可中断负荷约束的表达函数为:
Figure 388365DEST_PATH_IMAGE022
；
其中，
Figure 690034DEST_PATH_IMAGE023
为可中断负荷最大调用率，
Figure 50608DEST_PATH_IMAGE024
为t时段第i个虚拟电厂的最大可中断负荷；
所述储能设备约束的表达函数为:
Figure 375410DEST_PATH_IMAGE025
式中，
Figure 745211DEST_PATH_IMAGE026
为t时段第i个虚拟电厂储能设备最大充电功率，
Figure 635807DEST_PATH_IMAGE027
为储能设备t时段的电力值，
Figure 370545DEST_PATH_IMAGE028
为t时段第i个虚拟电厂储能设备最大放电功率，
Figure 979381DEST_PATH_IMAGE029
为表征储能设备充电状态的变量，
Figure 152873DEST_PATH_IMAGE030
为表征储能设备放电状态的变量，
Figure 101237DEST_PATH_IMAGE031
为荷电状态的上限，
Figure 69193DEST_PATH_IMAGE032
为荷电状态的下限，
Figure 165325DEST_PATH_IMAGE033
为储能设备一天中的起始值，
Figure 814613DEST_PATH_IMAGE034
为储能设备一天中的结束值。
5.如权利要求1所述基于大数据的虚拟电厂优化调度方法，其特征在于，所述根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整的步骤包括：
根据所述出力预测误差，结合自适应步长调整算法，对预测域步长的步长时间进行自适应调整；
其中，所述自适应步长调整算法为:
Figure 679800DEST_PATH_IMAGE035
；
其中，
Figure 818658DEST_PATH_IMAGE036
；
Figure 336839DEST_PATH_IMAGE037
；
Figure 586555DEST_PATH_IMAGE038
，
Figure 571829DEST_PATH_IMAGE039
；
式中，Pt,WPP,i为t时段第i个虚拟电厂的风机功率，r为出力预测误差与风电预测出力的比值，Z（r）为关于r的分段函数，通过r所处的区间确定函数z的取值，r1、r2、…、rn为r的区间划分界值，
Figure 819270DEST_PATH_IMAGE040
为预测域步长的步长时间，
Figure 889994DEST_PATH_IMAGE041
为控制域步长的步长时间，Pt,WPP为各虚拟电厂对应联合系统的总风机功率，△Pt,WPP,i为t时段第i个虚拟电厂的出力预测误差，△Pt,WPP为各虚拟电厂对应联合系统的出力预测误差，
Figure 943401DEST_PATH_IMAGE042
为t时段第i个虚拟电厂的预测误差带的下限的极值，
Figure 783181DEST_PATH_IMAGE043
为t时段第i个虚拟电厂的预测误差带的上限的极值。
6.如权利要求1所述基于大数据的虚拟电厂优化调度方法，其特征在于，所述根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正的步骤包括：
根据所述出力预测误差，结合非合作博弈的模型算法进行迭代求解，收敛得到各虚拟电厂的纳什最优决策；
基于所述纳什最优决策，对所述日前调度计划对应的控制变量进行迭代优化修正。
7.如权利要求6所述基于大数据的虚拟电厂优化调度方法，其特征在于，所述基于所述纳什最优决策，对所述日前调度计划对应的控制变量进行迭代优化修正的步骤包括：
基于所述纳什最优决策，结合日内调度结果利益最大化的修正函数，对所述日前调度计划对应的控制变量进行迭代优化修正；
其中，所述修正函数为：
Figure 201524DEST_PATH_IMAGE044
式中，
Figure 493965DEST_PATH_IMAGE045
为日内利益最大化的运行费用，wES、wGT、we和wm分别为储能设备功率的调整惩罚成本系数、燃气轮机功率的调整惩罚成本系数、与大电网交互功率的调整惩罚成本系数，以及与其他虚拟电厂交互功率的调整惩罚成本系数，△Pt,ES,i、△Pt,GT,i、△Pt,e,i和△Pt,m,i分别为第i个虚拟电厂中储能设备功率的调整值、第i个虚拟电厂中燃气轮机功率的调整值、第i个虚拟电厂与大电网交互功率的调整值，以及第i个虚拟电厂与其他虚拟电厂交互功率的调整值，△t为调整时长。
8.一种基于大数据的虚拟电厂优化调度装置，其特征在于，所述基于大数据的虚拟电厂优化调度装置包括：
生成模块，用于以虚拟电厂最大化利润为目标，构建虚拟电厂经济调度的目标函数，并将所述目标函数结合虚拟电厂的运行约束条件，生成各虚拟电厂对应联合系统的日前调度计划；
比较模块，用于根据所述日前调度计划确定日内调度阶段对应的风电预测出力，在日内调度阶段各时间步的调度步长内，将所述风电预测出力与控制域步长的风电实际出力进行比较，得到控制域步长的出力预测误差，其中，所述控制域步长为当前时间步的调度步长；
调整模块，用于根据所述出力预测误差对预测域步长的步长时间进行迭代优化调整，并根据所述出力预测误差，对所述日前调度计划对应的控制变量进行迭代优化修正，其中，所述预测域步长为所述控制域步长对应下一时间步的调度步长，所述控制变量包括储能设备出力状态、燃气轮机出力、虚拟电厂与大电网间联络线交互功率、各虚拟电厂间联络线交互功率，以及参与需求响应的可中断负荷；
更新模块，用于根据迭代优化调整的步长时间和迭代优化修正的控制变量，对所述虚拟电厂对应的优化调度策略进行滚动更新。
9.一种基于大数据的虚拟电厂优化调度设备，其特征在于，所述基于大数据的虚拟电厂优化调度设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述基于大数据的虚拟电厂优化调度方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于大数据的虚拟电厂优化调度程序，所述基于大数据的虚拟电厂优化调度程序被处理器执行以实现如权利要求1至7中任一项所述基于大数据的虚拟电厂优化调度方法的步骤。
CN202210012969.5A 2022-01-07 2022-01-07 基于大数据的虚拟电厂优化调度方法、装置、设备及介质 Pending CN114037191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210012969.5A CN114037191A (zh) 2022-01-07 2022-01-07 基于大数据的虚拟电厂优化调度方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210012969.5A CN114037191A (zh) 2022-01-07 2022-01-07 基于大数据的虚拟电厂优化调度方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114037191A true CN114037191A (zh) 2022-02-11

Family

ID=80141410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210012969.5A Pending CN114037191A (zh) 2022-01-07 2022-01-07 基于大数据的虚拟电厂优化调度方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114037191A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345389A (zh) * 2022-10-19 2022-11-15 广东电网有限责任公司佛山供电局 一种集群对虚拟电厂多时间尺度优化调度方法
CN115995850A (zh) * 2023-03-06 2023-04-21 华北电力大学 一种虚拟电厂群的协同调度优化方法和装置
CN116523193A (zh) * 2023-03-08 2023-08-01 上海电享信息科技有限公司 一种虚拟电厂储能调度方法、装置、电子设备及存储介质
CN116596286A (zh) * 2023-07-18 2023-08-15 深圳市中科云科技开发有限公司 虚拟电厂的优化调度方法、装置、设备及存储介质
CN117477667A (zh) * 2023-10-30 2024-01-30 深圳市明成售电有限公司 一种基于虚拟电厂的在线调控优化方法、系统及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN113629781A (zh) * 2021-09-16 2021-11-09 广西电网有限责任公司电力科学研究院 一种基于empc的多vpp日前日内协调优化方法及装置
CN113688567A (zh) * 2021-08-10 2021-11-23 华北电力大学（保定） 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960510A (zh) * 2018-07-04 2018-12-07 四川大学 一种基于两阶段随机规划的虚拟电厂优化交易策略模型
CN113688567A (zh) * 2021-08-10 2021-11-23 华北电力大学（保定） 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法
CN113629781A (zh) * 2021-09-16 2021-11-09 广西电网有限责任公司电力科学研究院 一种基于empc的多vpp日前日内协调优化方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙乐平等: "基于经济模型预测控制的多虚拟电厂两阶段协调优化调度", 《储能科学与技术》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345389A (zh) * 2022-10-19 2022-11-15 广东电网有限责任公司佛山供电局 一种集群对虚拟电厂多时间尺度优化调度方法
CN115345389B (zh) * 2022-10-19 2023-01-24 广东电网有限责任公司佛山供电局 一种集群对虚拟电厂多时间尺度优化调度方法
CN115995850A (zh) * 2023-03-06 2023-04-21 华北电力大学 一种虚拟电厂群的协同调度优化方法和装置
CN116523193A (zh) * 2023-03-08 2023-08-01 上海电享信息科技有限公司 一种虚拟电厂储能调度方法、装置、电子设备及存储介质
CN116523193B (zh) * 2023-03-08 2024-01-26 上海电享信息科技有限公司 一种虚拟电厂储能调度方法、装置、电子设备及存储介质
CN116596286A (zh) * 2023-07-18 2023-08-15 深圳市中科云科技开发有限公司 虚拟电厂的优化调度方法、装置、设备及存储介质
CN116596286B (zh) * 2023-07-18 2024-04-16 深圳市中科云科技开发有限公司 虚拟电厂的优化调度方法、装置、设备及存储介质
CN117477667A (zh) * 2023-10-30 2024-01-30 深圳市明成售电有限公司 一种基于虚拟电厂的在线调控优化方法、系统及存储介质

Similar Documents

Publication Publication Date Title
Li et al. A coordinated dispatch method with pumped-storage and battery-storage for compensating the variation of wind power
CN114037191A (zh) 基于大数据的虚拟电厂优化调度方法、装置、设备及介质
Cao et al. Battery energy storage sizing based on a model predictive control strategy with operational constraints to smooth the wind power
CN111882111A (zh) 一种源网荷储协同互动的电力现货市场出清方法
WO2019093009A1 (ja) 電力計画装置、電力需給制御システム、および、電力計画方法
CN111311012A (zh) 基于多智能体的微电网电力市场双层竞价优化方法
WO2023167631A1 (en) An electrical power system and a multi-timescale coordinated optimization scheduling method therefor
CN111210079A (zh) 一种分布式能源虚拟电厂运行优化方法及系统
Gao et al. Bounded rationality based multi-VPP trading in local energy markets: a dynamic game approach with different trading targets
Elkazaz et al. Microgrid energy management using a two stage rolling horizon technique for controlling an energy storage system
CN116050637A (zh) 基于分时电价的综合能源虚拟电厂优化调度方法及系统
Saranyaa et al. A comprehensive survey on the current trends in improvising the renewable energy incorporated global power system market
CN111008463A (zh) 一种考虑发电侧储能的容量配置优化方法、装置及设备
Zhou et al. A linear chance constrained model for a virtual power plant in day-ahead, real-time and spinning reserve markets
CN116720690A (zh) 多虚拟电厂电-碳联合优化运行方法、设备及存储介质
CN116961008A (zh) 计及电力弹簧与负荷需求响应的微电网容量双层优化方法
CN116432862A (zh) 一种面向可再生能源微电网的多主体博弈优化方法及装置
CN116131356A (zh) 一种风光储并网型微电网优化调度方法
CN113629781A (zh) 一种基于empc的多vpp日前日内协调优化方法及装置
CN114336739A (zh) 基于云边协同的光储电站储能功率配置方法和系统
Zhang et al. Real-time active power dispatch for virtual power plant via a multi-agent leader-follower game approach
Sage et al. Economic Battery Storage Dispatch with Deep Reinforcement Learning from Rule-Based Demonstrations
CN117937617A (zh) 一种用于能源站的运行状态控制方法、装置、介质及设备
CN117013582A (zh) 一种基于滚动优化的风储联合系统充放电优化决策方法
CN117856355A (zh) 一种风光储场站发电控制方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220211