CN117196884A - 一种虚拟电厂优化控制方法及系统 - Google Patents

Abstract

本发明涉及电力系统技术领域，公开一种虚拟电厂优化控制方法及系统，该方法包括：确定综合评价指标体系；根据所述综合评价指标体系，构建双尺度距离，所述双尺度距离包括欧氏距离和指标距离；根据双尺度距离和预先确定的轮廓线系数，通过k‑means++聚合算法对分布式源荷进行聚合，得到资源聚合商；基于资源聚合商，构建分布式源荷的上/下层优化调度模型；上层优化调度模型对资源聚合商分配，得到各资源聚合商的最优分配量；下层优化调度模型根据所述最优分配量进行分布式源荷调度控制。本发明既能满足电力系统调度需求、遵守分布式源荷工作约束，还可以实现虚拟电厂成本的最小化，实现了更经济的虚拟电厂分布式源荷运行调度控制。

Description

一种虚拟电厂优化控制方法及系统

技术领域

本发明涉及电力系统技术领域，特别涉及一种虚拟电厂优化控制方法及系统。

背景技术

当前，能源安全和低碳可持续发展受到世界各国广泛关注，新能源出力的比例不断提升，分布式源荷迎来了新的发展机遇。这里的分布式源荷包含分布式光伏、分布式风电、常规发电机组、分布式储能、柔性负荷等资源。然而，分布式源荷容量小、出力间歇等特点给电网的运行控制带来了巨大的挑战，海量、异质、分散、泛在的特性让单一资源应用于电力系统出现了诸多问题。一方面，分布式光伏、分布式风电等可再生新能源由于其固有的波动性和有限的可控性，给电网的运行带来了大量的不确定性；另一方面，分布式源荷替代可控性好的传统发电机组，如核、气、抽水蓄能电站等，降低了电力系统的转动惯量，减少了高可靠性调节电源的供应。

为克服这一问题，虚拟电厂的概念被提出。相比于微网、主动配电网等形式，虚拟电厂能够更加有效地解决不同类型分布式源荷在地理位置、运行特性、响应速度等方面的差异产生的调度控制困难问题。其利用先进的通信和计算技术对分布式源荷进行聚合和控制，降低随机性和波动性的影响，积极参与电网的优化调度，为电力系统提供优质灵活的调节资源。因此，以分布式源荷分类聚合为基础，利用虚拟电厂对分布式源荷进行统一调度控制是解决上述问题的关键点。

然而，现有分类聚合大都仅根据分布式源荷的地理信息或资源特性进行聚类探讨，缺少综合指标聚合研究；与此同时，尽管分布式源荷聚合后能够以聚合商的形式参与电力市场，但是由于每个聚合商都由多个利益个体组成，因此并没有给出如何基于满足电力市场调度需求、分布式源荷出力约束条件下实现聚合商成本最小化，最终实现更经济的虚拟电厂调度控制。

发明内容

本发明实施例提供了一种虚拟电厂优化控制方法及系统，以解决现有技术中的上述技术问题。

为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种虚拟电厂优化控制方法。

在一个实施例中，所述虚拟电厂优化控制方法，包括：

获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系；

根据所述综合评价指标体系，构建双尺度距离，所述双尺度距离包括欧氏距离和指标距离；

根据双尺度距离和预先确定的轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商；

基于资源聚合商，构建分布式源荷的上/下层优化调度模型；上层优化调度模型对资源聚合商分配，得到各资源聚合商的最优分配量；下层优化调度模型根据所述最优分配量进行分布式源荷调度控制。

在一个实施例中，获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系包括：对虚拟电厂的工作区域，根据地理位置进行区域划分，得到最小聚合样本点；获取最小聚合样本点中分布式源荷运行的工作数据；并根据发电特性、负荷特性和灵活特性确定评价指标；所述评价指标包括：每小时平均发电量、发电资源占比、每小时平均负荷响应量、负荷响应资源占比、电源灵活性、储能灵活性和负荷灵活性；利用G1法和熵值法对所述评价指标进行赋值，得到综合指标评价体系。

在一个实施例中，基于所述双尺度距离和轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商包括：根据最小聚合样本点的轮廓线系数，确定最小聚合样本点的最优聚合个数；并根据所述双尺度距离，确定初始聚合中心；根据所述最优聚合个数和所述初始聚合中心，利用k-means++聚合算法对最小聚合样本点中的分布式源荷进行聚类分析，得到资源聚合商。

在一个实施例中，基于资源聚合商，构建分布式源荷的上/下层优化调度模型包括：以资源聚合商发电成本最低为目标函数，以资源聚合商出力和虚拟电厂供需平衡为约束条件，构建上层优化调度模型；以资源聚合商发电成本最低为目标函数，以分布式源荷出力和资源聚合商供需平衡为约束条件，构建下层优化调度模型。

在一个实施例中，在上层优化调度模型中，资源聚合商出力约束包括：同一时刻的资源聚合商出力小于或等于资源聚合商内各分布式源荷最大出力值加和，大于或等于资源聚合商内各分布式源荷最小出力值加和；虚拟电厂的供需平衡约束包括：各资源聚合商出力之和大于或等于虚拟电厂内负荷和电网需求功率的加和。

在一个实施例中，在下层优化调度模型中，所述分布式源荷出力包括：分布式光伏出力、分布式风电出力、发电机组出力、分布式储能出力和柔性负荷出力；资源聚合商供需平衡包括：资源聚合商内的分布式源荷的出力加和大于或等于负荷和资源聚合商的分配功率加和。

在一个实施例中，所述资源聚合商发电成本包括：每个资源聚合商内各分布式源荷额定工作容量与各分布式源荷发电成本的乘积之和与资源聚合商内各分布式源荷额定工作容量之和的比值为第一变量，资源聚合商内各分布式源荷的数量加和与1000的比值为第二变量，第一变量与第一变量和第二变量的乘积之和为各资源聚合商的发电成本。

根据本发明实施例的第二方面，提供了一种虚拟电厂优化控制系统。

在一个实施例中，所述虚拟电厂优化控制系统，包括：

指标评价模块，用于获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系；

距离构建模块，用于根据所述综合评价指标体系，构建双尺度距离，所述双尺度距离包括欧氏距离和指标距离；

资源聚合模块，用于根据双尺度距离和预先确定的轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商；

调度控制模块，用于基于资源聚合商，构建分布式源荷的上/下层优化调度模型；上层优化调度模型对资源聚合商分配，得到各资源聚合商的最优分配量；下层优化调度模型根据所述最优分配量进行分布式源荷调度控制。

在一个实施例中，所述指标评价模块在获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系时，对虚拟电厂的工作区域，根据地理位置进行区域划分，得到最小聚合样本点；获取最小聚合样本点中分布式源荷运行的工作数据；并根据发电特性、负荷特性和灵活特性确定评价指标；利用G1法和熵值法对所述评价指标进行赋值，得到综合指标评价体系，其中，所述评价指标包括：每小时平均发电量、发电资源占比、每小时平均负荷响应量、负荷响应资源占比、电源灵活性、储能灵活性和负荷灵活性。

在一个实施例中，所述资源聚合模块在基于所述双尺度距离和轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商时，根据最小聚合样本点的轮廓线系数，确定最小聚合样本点的最优聚合个数；并根据所述双尺度距离，确定初始聚合中心；根据所述最优聚合个数和所述初始聚合中心，利用k-means++聚合算法对最小聚合样本点中的分布式源荷进行聚类分析，得到资源聚合商。

在一个实施例中，所述调度控制模块在基于资源聚合商，构建分布式源荷的上/下层优化调度模型时，以资源聚合商发电成本最低为目标函数，以资源聚合商出力和虚拟电厂供需平衡为约束条件，构建上层优化调度模型；以资源聚合商发电成本最低为目标函数，以分布式源荷出力和资源聚合商供需平衡为约束条件，构建下层优化调度模型。

在一个实施例中，在上层优化调度模型中，资源聚合商出力约束包括：同一时刻的资源聚合商出力小于或等于资源聚合商内各分布式源荷最大出力值加和，大于或等于资源聚合商内各分布式源荷最小出力值加和；虚拟电厂的供需平衡约束包括：各资源聚合商出力之和大于或等于虚拟电厂内负荷和电网需求功率的加和。

在一个实施例中，在下层优化调度模型中，所述分布式源荷出力包括：分布式光伏出力、分布式风电出力、发电机组出力、分布式储能出力和柔性负荷出力；资源聚合商供需平衡包括：资源聚合商内的分布式源荷的出力加和大于或等于负荷和资源聚合商的分配功率加和。

在一个实施例中，所述资源聚合商发电成本包括：每个资源聚合商内各分布式源荷额定工作容量与各分布式源荷发电成本的乘积之和与资源聚合商内各分布式源荷额定工作容量之和的比值为第一变量，资源聚合商内各分布式源荷的数量加和与1000的比值为第二变量，第一变量与第一变量和第二变量的乘积之和为各资源聚合商的发电成本。

根据本发明实施例的第三方面，提供了一种计算机设备。

在一个实施例中，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

根据本发明实施例的第四方面，提供了一种计算机可读存储介质。

在一个实施例中，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明实施例提供的技术方案可以包括以下有益效果：

1、本发明既能满足电力系统调度需求、遵守分布式源荷工作约束，还可以实现虚拟电厂成本的最小化，根据上层优化调度模型的最优分配量，下层调度模型进行各个分布式源荷的调度控制，实现了更经济的虚拟电厂分布式源荷运行调度控制。

2、本发明给出了虚拟电厂对分布式源荷的聚合机制，促进了各个分布式源荷在调度过程中的相互协作，减少了调度过程的波动性和随机性，满足了电网对可再生能源的要求。

3、本发明通过先聚合分布式源荷以得到不同工作特性的资源聚合商，然后采用虚拟电厂上/下层优化调度模型获得各分布式源荷的调度控制量，并通过聚合商和分布式源荷的信息交互，满足每时刻电网的优化调度，实现虚拟电厂运行数据的实时更新，同时提高了调度控制的运算速度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

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。

图1是根据一示例性实施例示出的一种虚拟电厂优化控制方法的流程示意图；

图2是根据一示例性实施例示出的一种虚拟电厂优化控制系统的结构框图；

图3是根据一示例性实施例示出的r_k的理性赋值表；

图4是根据一示例性实施例示出的k-means++聚合算法流程示意图；

图5是根据一示例性实施例示出的双尺度距离与单尺度距离聚合结果的对比示意图；

图6是根据一示例性实施例示出的双层调度策略流程示意图；

图7是根据一示例性实施例示出的计算机设备的结构示意图。

具体实施方式

以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本文中，除非另有说明，术语“多个”表示两个或两个以上。

本文中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

应该理解的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本申请的装置或系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

图1示出了本发明的一种虚拟电厂优化控制方法的一个实施例。

在该可选实施例中，所述虚拟电厂优化控制方法，包括：

步骤S101，获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系；

步骤S103，根据所述综合评价指标体系，构建双尺度距离，所述双尺度距离包括欧氏距离和指标距离；

步骤S105，根据双尺度距离和预先确定的轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商；

步骤S107，基于资源聚合商，构建分布式源荷的上/下层优化调度模型；上层优化调度模型对资源聚合商分配，得到各资源聚合商的最优分配量；下层优化调度模型根据所述最优分配量进行分布式源荷调度控制。

图2示出了本发明的一种虚拟电厂优化控制系统的一个实施例。

在该可选实施例中，所述虚拟电厂优化控制系统，包括：

指标评价模块201，用于获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系；

距离构建模块203，用于根据所述综合评价指标体系，构建双尺度距离，所述双尺度距离包括欧氏距离和指标距离；

资源聚合模块205，用于根据双尺度距离和预先确定的轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商；

调度控制模块207，用于基于资源聚合商，构建分布式源荷的上/下层优化调度模型；上层优化调度模型对资源聚合商分配，得到各资源聚合商的最优分配量；下层优化调度模型根据所述最优分配量进行分布式源荷调度控制。

在该可选实施例中，在获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系时，对虚拟电厂的工作区域，根据地理位置进行区域划分，得到最小聚合样本点；获取最小聚合样本点中分布式源荷运行的工作数据；并根据发电特性、负荷特性和灵活特性确定评价指标；所述评价指标包括：每小时平均发电量、发电资源占比、每小时平均负荷响应量、负荷响应资源占比、电源灵活性、储能灵活性和负荷灵活性；利用G1法和熵值法对所述评价指标进行赋值，得到综合指标评价体系。

在该可选实施例中，在基于所述双尺度距离和轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商时，根据最小聚合样本点的轮廓线系数，确定最小聚合样本点的最优聚合个数；并根据所述双尺度距离，确定初始聚合中心；根据所述最优聚合个数和所述初始聚合中心，利用k-means++聚合算法对最小聚合样本点中的分布式源荷进行聚类分析，得到资源聚合商。

在该可选实施例中，在基于资源聚合商，构建分布式源荷的上/下层优化调度模型时，以资源聚合商发电成本最低为目标函数，以资源聚合商出力和虚拟电厂供需平衡为约束条件，构建上层优化调度模型；以资源聚合商发电成本最低为目标函数，以分布式源荷出力和资源聚合商供需平衡为约束条件，构建下层优化调度模型。

在该可选实施例中，在上层优化调度模型中，资源聚合商出力约束包括：同一时刻的资源聚合商出力小于或等于资源聚合商内各分布式源荷最大出力值加和，大于或等于资源聚合商内各分布式源荷最小出力值加和；虚拟电厂的供需平衡约束包括：各资源聚合商出力之和大于或等于虚拟电厂内负荷和电网需求功率的加和。

在该可选实施例中，在下层优化调度模型中，所述分布式源荷出力包括：分布式光伏出力、分布式风电出力、发电机组出力、分布式储能出力和柔性负荷出力；资源聚合商供需平衡包括：资源聚合商内的分布式源荷的出力加和大于或等于负荷和资源聚合商的分配功率加和。

在该可选实施例中，所述资源聚合商发电成本包括：每个资源聚合商内各分布式源荷额定工作容量与各分布式源荷发电成本的乘积之和与资源聚合商内各分布式源荷额定工作容量之和的比值为第一变量，资源聚合商内各分布式源荷的数量加和与1000的比值为第二变量，第一变量与第一变量和第二变量的乘积之和为各资源聚合商的发电成本。

为了方便理解本发明的上述技术方案，以下基于基础原理和计算的角度，对本发明的上述技术方案进行进一步说明。

在具体应用时，根据发电特性、负荷特性和灵活特性可确定每小时平均发电量、发电资源占比、每小时平均负荷响应量、负荷响应资源占比、电源灵活性、储能灵活性和负荷灵活性七个评价指标。具体为：

发电特性包括：每小时平均发电量和发电资源占比/>两个二级指标。

以第i个样本点为例，则二级指标和/>如下：

式中，为第i个样本点中的第n个分布式光伏的额定发电容量，/>为第i个样本点中的第n个分布式风电的额定发电容量，/>为第i个样本点中的第n个常规发电机组的额定发电容量，/>为第i个样本点中的第n个分布式储能的额定储能容量，/>为第i个样本点中的第n个柔性负荷的最大变化量；/>为第i个样本点分布式光伏的个数，为第i个样本点分布式风电的个数，/>为第i个样本点常规发电机组的个数，/>为第i个样本点分布式储能的个数，/>为分布式储能每小时平均放电次数，其数值为一天中总的放电次数与24小时的比值，/>为第i个样本点柔性负荷的个数，/>为柔性负荷每小时平均减少负荷需求次数，其数值为一天中总的减少负荷需求次数与24小时的比值。/>为第i个样本点的每时平均用电量，/>为第i个样本点固定负荷的个数。

负荷特性包括：每小时平均负荷响应量和负荷响应资源占比/>两个二级指标。

以第i个样本点为例，则二级指标和/>如下：

式中，为第i个样本点分布式储能的个数，/>为分布式储能每小时平均充电次数，其数值为一天中总的充电次数与24小时的比值，/>为第i个样本点中的第n个分布式储能的额定储能容量，/>为第i个样本点固定负荷的个数，/>为柔性负荷每小时平均增加负荷需求次数，其数值为一天中总的增加负荷需求次数与24小时的比值，为第i个样本点的每时平均用电量。

灵活特性包括：发电灵活性储能灵活特性/>和负荷灵活特性/>三个二级指标。

以第i个样本点为例，则二级指标和/>如下：

式中，为第i个样本点分布式光伏的个数，/>为第i个样本点中的第n个分布式光伏的额定发电容量，/>为第i个样本点分布式风电的个数，/>为第i个样本点常规发电机组的个数，/>为第i个样本点中的第n个常规发电机组的额定发电容量，/>为第i个样本点中的第n个分布式风电的额定发电容量，/>为第i个样本点分布式风电的个数，为第i个样本点分布式储能的个数，/>为第i个样本点固定负荷的个数。

而在利用G1法和熵值法对所述评价指标进行赋值，得到综合指标评价体系时，具体则为：

1、用G1法确定评价指标{Idx₁,Idx₂,…,Idx_m-1,Idx_m}的客观权重向量P：

P＝(p₁，p₂，…，p_m)

指标权重p_m的计算过程具体如下：

首先确定评价指{Idx₁,Idx₂,…,Idx_m-1,Idx_m}的序关系:

式中是按照“>”关系排定顺序后的第j个评价指标(j＝1，2…，m)，为了书写方便，仍记上述公式为：

Idx₁>Idx₂>…>Idx_m-1>Idx_m

然后确定各指标评价相对于某评价指标的权重系数：

式中，w_k为第k个评价指标的值，m为评价指标总数。r_k即为各指标评价相对于某评价指标的权重系数，其理性赋值可如图3所示。

最后，确定指标权重w_m为：

w_k-1＝r_k×w_k，k＝m,m-1,…,3,2

式中，w_m为指标权重，w_k-1为与他相邻的前一个评价指标的值，r_j为第k个权重系数。

2、用熵值法确定评价指标{Idx₁,Idx₂,…,Idx_m-1,Idx_m}的主观权重向量Q：

Q＝(q₁，q₂，…q_m)

其中，指标权重p_m的计算过程具体如下：

首先，设有n个样本点，指标个数为m，设x_ij(i＝1,2,…,n；j＝1,2,…,m)为第i个样本点中的第j项指标数据。计算x_ij的特征比重p_ij：

式中，x_ij为第i个样本点中的第j项指标数据；p_ij为x_ij的特征比重；假定x_ij≥0，且

其次，计算第j项指标Q的熵值：

式中，e_j为第j项指标的熵值，e_j>0。

然后，计算指标x_j的差异性系数：

g_j＝1-e_j

式中，g_j为指标x_j的差异性系数；

最终，确定熵值法权数：

式中，w_j为指标x_j的熵值法权数。

3、最后将主观权重向量和客观权重向量线性组合，得到综合权重向量的线性组合W：

W＝(w₁，w₂，…w_m)＝αP+βQ

式中，P和Q分别为G1法和熵值法给出的权重向量，α和β分别P和Q的系数。

通过构造单目标优化函数Y，求解使得Y最大的权重系数α和β，完成对上述指标的赋值。

而在引入包括欧氏距离和指标距离的双尺度距离，防止同时出现地理位置分散和资源特性相差过大的问题时，其计算公式为：

式中，m为指标个数，D_pq为样本点p和样本点q的双尺度距离，x_p ^′和x^′ _q为样本点p和样本点q几何中心的横坐标，y_p ^′和y_q ^′为样本点p和样本点q几何中心的纵坐标，和/>为样本点p和样本点q的第j个指标值大小，w_j为第j个指标的综合权重；/>和/>分别为归一化后样本点p和样本点q间的欧式距离和指标距离；欧式距离和指标距离的权重之和各为1。

此外，对于轮廓线系数来说，轮廓线系数的计算公式为：

其中，n_c为c簇的总个数，n_p为p簇的总个数，min_p,p≠c指选取与c簇不同的p簇计算得到最小值，s_i为最小聚合样本点的轮廓线系数；a(i)为簇内相似度；b(i)为簇间距离，D(x_i,x_j)为样本点i和样本点j间的双尺度距离；若a(i)＜b(i)，则说明该样本点i更适合被分类到其他簇；若a(i)>b(i)，说明该样本点被分配到正确的簇中。

整体聚合结果的轮廓系数S为所有样本点轮廓系数的平均值，即：

轮廓系数越大，表示聚合结果的质量越好，样本点与自身所处簇内其他点距离较近，同时与其它簇中所有点距离较远。因此，轮廓系数可以用来对聚合算法的参数选择和聚合效果进行评估和优化。

如图4所示，在具体应用时，利用k-means++聚合算法进行资源聚合，得到各源聚合商的具体步骤如下：

1、利用轮廓系数确定聚合商个数；2、以“双尺度足够大原则”确定初始聚合中心；3、利用k-means++算法进行聚类分析；4、将双尺度距离的聚合结果与单尺度距离做对比，验证双尺度距离的优越性(如图5所示)。

以资源聚合商发电成本最小构建上层优化调度模型，包括：

1、建立聚合商出力约束条件：

式中，表示聚合商i在t时刻被分配的的输出功率，/>分别表示聚合商t时刻出力上限和下限。

2、建立虚拟电厂供需平衡约束条件：

式中，Demand-day^t表示t时刻电网对虚拟电厂的功率需求。

3、建立以发电成本最低为目标的上层虚拟电厂功率分配模型：

/>

式中，表示第i聚合商第t时刻的发电成本。

上述模型反映了虚拟电厂上层结构在电网任务下聚合商的功率分配情况。

而以资源聚合商发电成本最小构建下层优化调度模型，则包括：

1、建立分布式光伏、分布式风电出力约束条件：

式中，分别为分布式光伏、分布式风电被分配的出力情况，分别为分布式光伏、分布式风电的0-1变量，代表非可调度电源是否在这一时刻按照预测功率工作。

2、建立常规发电机组出力约束条件：

式中，表示第i聚合商第t时刻第i_bat个常规发电机组设备的功率出力，上述两个规定了常规发电机组爬坡以及出力功率的上下限。

3、建立分布式储能运行约束条件：

式中，为分布式储能设备荷电状态，/>为第i聚合商第t时刻第i_bat个分布式储能设备的充放电值，γ、δ为其充放电功率，E_rate表示储能系统的容量。为第i聚合商第t时刻第i_bat个分布式储能的最大出力，/>为第i聚合商第t时刻第i_bat个分布式储能的最小出力，/>为充电功率，/>为放电功率，为充电功率允许的最小值，/>为充电功率允许的最大值，/>为放电功率允许的最小值，/>为放点功率允许的最大值，/>为SOC，SOC_max为SOC允许的最大值，SOC_min为SOC允许的最小值，/>为分布式储能的0-1变量，代表分布式储能在这一时刻的充放电情况。/>

4、建立柔性负荷运行约束条件：

式中，为柔性负荷被分配的出力情况，/>表示第i聚合商第i_fleload个柔性负荷的额定出力容量。

5、建立聚合商供需平衡约束条件：

式中，为第i聚合商第t时刻的负荷值，/>为第i聚合商第t时刻第i_fieload个固定负荷的预测值。

5、建立以发电成本最低为目标的下层分布式源荷功率分配模型：

式中，指每小时虚拟电厂内部各聚合区域的发电成本最低。

上述模型反映了虚拟电厂下层结构以聚合商为单位的分布式源荷功率分配情况。

图7示出了本发明的一种计算机设备的一个实施例。该计算机设备可以是服务器，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

此外，本发明还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。

另外，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (16)

1.一种虚拟电厂优化控制方法，其特征在于，包括：

获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系；

根据所述综合评价指标体系，构建双尺度距离，所述双尺度距离包括欧氏距离和指标距离；

根据双尺度距离和预先确定的轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商；

基于资源聚合商，构建分布式源荷的上/下层优化调度模型；上层优化调度模型对资源聚合商分配，得到各资源聚合商的最优分配量；下层优化调度模型根据所述最优分配量进行分布式源荷调度控制。

2.根据权利要求1所述的虚拟电厂优化控制方法，其特征在于，获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系包括：

对虚拟电厂的工作区域，根据地理位置进行区域划分，得到最小聚合样本点；

获取最小聚合样本点中分布式源荷运行的工作数据；并根据发电特性、负荷特性和灵活特性确定评价指标；所述评价指标包括：每小时平均发电量、发电资源占比、每小时平均负荷响应量、负荷响应资源占比、电源灵活性、储能灵活性和负荷灵活性；

利用G1法和熵值法对所述评价指标进行赋值，得到综合指标评价体系。

3.根据权利要求1所述的虚拟电厂优化控制方法，其特征在于，基于所述双尺度距离和轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商包括：

根据最小聚合样本点的轮廓线系数，确定最小聚合样本点的最优聚合个数；并根据所述双尺度距离，确定初始聚合中心；

根据所述最优聚合个数和所述初始聚合中心，利用k-means++聚合算法对最小聚合样本点中的分布式源荷进行聚类分析，得到资源聚合商。

4.根据权利要求1所述的虚拟电厂优化控制方法，其特征在于，基于资源聚合商，构建分布式源荷的上/下层优化调度模型包括：

以资源聚合商发电成本最低为目标函数，以资源聚合商出力和虚拟电厂供需平衡为约束条件，构建上层优化调度模型；

以资源聚合商发电成本最低为目标函数，以分布式源荷出力和资源聚合商供需平衡为约束条件，构建下层优化调度模型。

5.根据权利要求4所述的虚拟电厂优化控制方法，其特征在于，在上层优化调度模型中，资源聚合商出力约束包括：同一时刻的资源聚合商出力小于或等于资源聚合商内各分布式源荷最大出力值加和，大于或等于资源聚合商内各分布式源荷最小出力值加和；虚拟电厂的供需平衡约束包括：各资源聚合商出力之和大于或等于虚拟电厂内负荷和电网需求功率的加和。

6.根据权利要求4所述的虚拟电厂优化控制方法，其特征在于，在下层优化调度模型中，所述分布式源荷出力包括：分布式光伏出力、分布式风电出力、发电机组出力、分布式储能出力和柔性负荷出力；资源聚合商供需平衡包括：资源聚合商内的分布式源荷的出力加和大于或等于负荷和资源聚合商的分配功率加和。

7.根据权利要求4所述的虚拟电厂优化控制方法，其特征在于，所述资源聚合商发电成本包括：

每个资源聚合商内各分布式源荷额定工作容量与各分布式源荷发电成本的乘积之和与资源聚合商内各分布式源荷额定工作容量之和的比值为第一变量，资源聚合商内各分布式源荷的数量加和与1000的比值为第二变量，第一变量与第一变量和第二变量的乘积之和为各资源聚合商的发电成本。

8.一种虚拟电厂优化控制系统，其特征在于，包括：

指标评价模块，用于获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系；

距离构建模块，用于根据所述综合评价指标体系，构建双尺度距离，所述双尺度距离包括欧氏距离和指标距离；

资源聚合模块，用于根据双尺度距离和预先确定的轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商；

调度控制模块，用于基于资源聚合商，构建分布式源荷的上/下层优化调度模型；上层优化调度模型对资源聚合商分配，得到各资源聚合商的最优分配量；下层优化调度模型根据所述最优分配量进行分布式源荷调度控制。

9.根据权利要求8所述的虚拟电厂优化控制系统，其特征在于，所述指标评价模块在获取虚拟电厂的各个分布式源荷的工作特性，并根据所述工作特性，确定综合评价指标体系时，对虚拟电厂的工作区域，根据地理位置进行区域划分，得到最小聚合样本点；获取最小聚合样本点中分布式源荷运行的工作数据；并根据发电特性、负荷特性和灵活特性确定评价指标；利用G1法和熵值法对所述评价指标进行赋值，得到综合指标评价体系，

其中，所述评价指标包括：每小时平均发电量、发电资源占比、每小时平均负荷响应量、负荷响应资源占比、电源灵活性、储能灵活性和负荷灵活性。

10.根据权利要求9所述的虚拟电厂优化控制系统，其特征在于，所述资源聚合模块在基于所述双尺度距离和轮廓线系数，通过k-means++聚合算法对分布式源荷进行聚合，得到资源聚合商时，根据最小聚合样本点的轮廓线系数，确定最小聚合样本点的最优聚合个数；并根据所述双尺度距离，确定初始聚合中心；根据所述最优聚合个数和所述初始聚合中心，利用k-means++聚合算法对最小聚合样本点中的分布式源荷进行聚类分析，得到资源聚合商。

11.根据权利要求9所述的虚拟电厂优化控制方法，其特征在于，所述调度控制模块在基于资源聚合商，构建分布式源荷的上/下层优化调度模型时，以资源聚合商发电成本最低为目标函数，以资源聚合商出力和虚拟电厂供需平衡为约束条件，构建上层优化调度模型；以资源聚合商发电成本最低为目标函数，以分布式源荷出力和资源聚合商供需平衡为约束条件，构建下层优化调度模型。

12.根据权利要求11所述的虚拟电厂优化控制系统，其特征在于，在上层优化调度模型中，资源聚合商出力约束包括：同一时刻的资源聚合商出力小于或等于资源聚合商内各分布式源荷最大出力值加和，大于或等于资源聚合商内各分布式源荷最小出力值加和；虚拟电厂的供需平衡约束包括：各资源聚合商出力之和大于或等于虚拟电厂内负荷和电网需求功率的加和。

13.根据权利要求11所述的虚拟电厂优化控制系统，其特征在于，在下层优化调度模型中，所述分布式源荷出力包括：分布式光伏出力、分布式风电出力、发电机组出力、分布式储能出力和柔性负荷出力；资源聚合商供需平衡包括：资源聚合商内的分布式源荷的出力加和大于或等于负荷和资源聚合商的分配功率加和。

14.根据权利要求11所述的虚拟电厂优化控制系统，其特征在于，所述资源聚合商发电成本包括：

每个资源聚合商内各分布式源荷额定工作容量与各分布式源荷发电成本的乘积之和与资源聚合商内各分布式源荷额定工作容量之和的比值为第一变量，资源聚合商内各分布式源荷的数量加和与1000的比值为第二变量，第一变量与第一变量和第二变量的乘积之和为各资源聚合商的发电成本。

15.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项的方法的步骤。