CN117239810B - 虚拟电厂电能调度方案获取方法、装置和设备 - Google Patents
虚拟电厂电能调度方案获取方法、装置和设备 Download PDFInfo
- Publication number
- CN117239810B CN117239810B CN202311485598.3A CN202311485598A CN117239810B CN 117239810 B CN117239810 B CN 117239810B CN 202311485598 A CN202311485598 A CN 202311485598A CN 117239810 B CN117239810 B CN 117239810B
- Authority
- CN
- China
- Prior art keywords
- power plant
- resource
- target virtual
- virtual power
- amount
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000007599 discharging Methods 0.000 claims abstract description 61
- 230000004044 response Effects 0.000 claims description 97
- 238000010248 power generation Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Abstract
本申请涉及一种虚拟电厂电能调度方案获取方法。所述方法包括：根据预先构建的电动汽车的充电约束条件和放电约束条件，获取目标虚拟电厂对电动汽车的最小充电量和最大放电量；基于最小充电量、最大放电量，以及目标虚拟电厂对负载提供的最小负载电量，得到目标虚拟电厂从电动汽车获取的充电资源、目标虚拟电厂对电动汽车提供的放电资源，以及目标虚拟电厂从负载获取的负载资源；利用充电资源、放电资源和负载资源，构建目标虚拟电厂的资源获取量预测模型，以及约束条件；据约束条件，通过资源获取量预测模型，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂的电能调度方案。采用本方法能够获得更加合理的虚拟电厂电能调度方案。
Description
技术领域
本申请涉及虚拟电厂技术领域，特别是涉及一种虚拟电厂电能调度方案获取方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着虚拟电厂技术领域的发展，出现了虚拟电厂最大资源获取量预测技术，该技术通过虚拟电厂输出电能与输入电能的历史数据，来预测虚拟电厂未来时间的最大资源获取量。
然而上述技术方案中，没有考虑外部因素，仅仅考虑了虚拟电厂本身的因素和数据预测虚拟电厂未来时间的最大资源获取量，并基于该最大资源获取量来制定虚拟电厂的电能调度方案，这样会使得虚拟电厂的电能调度方案制定地不合理。
发明内容
基于此，有必要针对上述技术问题，提供一种能够得到更加合理的电能调度方案的虚拟电厂电能调度方案获取方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种虚拟电厂电能调度方案获取方法。所述方法包括：
根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对所述电动汽车的最小充电量；根据预先构建的所述电动汽车的放电约束条件，获取所述电动汽车对所述目标虚拟电厂的最大放电量；
基于所述最小充电量、所述最大放电量，以及预先得到的所述目标虚拟电厂对负载提供的最小负载电量，分别得到所述目标虚拟电厂从所述电动汽车获取的充电资源、所述目标虚拟电厂对所述电动汽车提供的放电资源，以及所述目标虚拟电厂从所述负载获取的负载资源；
利用所述充电资源、所述放电资源和所述负载资源，构建所述目标虚拟电厂的资源获取量预测模型，以及所述资源获取量预测模型的约束条件；
根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案。
在其中一个实施例中，所述基于所述最小充电量、所述最大放电量，以及预先得到的所述目标虚拟电厂对负载提供的最小负载电量，分别得到所述目标虚拟电厂从所述电动汽车获取的充电资源、所述目标虚拟电厂对所述电动汽车提供的放电资源，以及所述目标虚拟电厂从所述负载获取的负载资源，包括：构建所述目标虚拟电厂的需求响应对应的需求响应资源输出模型； 将所述最小充电量、所述最大放电量，以及所述最小负载电量输入至所述需求响应资源输出模型中；通过所述需求响应资源输出模型，得到所述充电资源、所述放电资源以及所述负载资源。
在其中一个实施例中，所述构建所述目标虚拟电厂的需求响应对应的需求响应资源输出模型，包括：获取在预设时间段内，所述目标虚拟电厂对所述负载提供的负载电量、所述目标虚拟电厂对所述电动汽车提供的充电量、所述目标虚拟电厂从所述电动汽车获取的放电量；获取所述需求响应对应的需求响应参与量的最大值；所述需求响应参与量用于表征所述需求响应在制定所述目标虚拟电厂电能调度方案时的参与程度；根据所述负载电量、所述充电量、所述放电量，以及所述需求响应参与量的最大值，构建所述需求响应资源输出模型。
在其中一个实施例中，所述根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案，包括：根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂从日前电力平台获取的日前电力平台资源、所述目标虚拟电厂从实时电力平台获取的实时电力平台资源，以及所述目标虚拟电厂向发电机组提供的发电资源；基于日前电力平台资源、实时电力平台资源、所述充电资源、所述负载资源、所述放电资源和所述发电资源，得到所述目标虚拟电厂的电能调度方案。
在其中一个实施例中，所述获取所述目标虚拟电厂向发电机组提供的发电资源，包括：获取所述发电机组的输出功率上限，以及输出功率下限；基于所述输出功率上限，以及所述输出功率下限，得到所述发电机组对应的发电约束条件；根据所述发电约束条件，得到所述目标虚拟电厂向所述发电机组提供的发电资源。
在其中一个实施例中，所述根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对所述电动汽车的最小充电量之前，还包括：获取所述电动汽车的最佳充电状态、所述电动汽车的充电效率，以及电动汽车的电池容量；基于所述最佳充电状态、所述充电效率，以及所述电池容量，得到所述电动汽车的充电约束条件；获取所述电动汽车的放电效率，以及所述电动汽车上一时间段的充电状态；基于所述放电效率以及所述充电状态，得到所述电动汽车的放电约束条件。
在其中一个实施例中，所述目标虚拟电厂包含有多个电能调度场景下的多个电能调度方案；所述根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案之后，还包括：获取所述目标虚拟电厂各个电能调度场景分别对应的各个最大资源获取量，并获取所述各个最大资源获取量分别对应的各个权重；基于所述各个最大资源获取量，以及所述各个权重，得到所述目标虚拟电厂的最大资源获取量的预测值。
第二方面，本申请还提供了一种虚拟电厂电能调度方案获取装置。所述装置包括：
充放电量获取模块，用于根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对所述电动汽车的最小充电量；根据预先构建的所述电动汽车的放电约束条件，获取所述电动汽车对所述目标虚拟电厂的最大放电量；
资源获取模块，用于基于所述最小充电量、所述最大放电量，以及预先得到的所述目标虚拟电厂对负载提供的最小负载电量，分别得到所述目标虚拟电厂从所述电动汽车获取的充电资源、所述目标虚拟电厂对所述电动汽车提供的放电资源，以及所述目标虚拟电厂从所述负载获取的负载资源；
预测模型构建模块，用于利用所述充电资源、所述放电资源和所述负载资源，构建所述目标虚拟电厂的资源获取量预测模型，以及所述资源获取量预测模型的约束条件；
调度方案获取模块，用于根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案。
第三方面，本申请还提供了一种计算机设备。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以下步骤：
根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对所述电动汽车的最小充电量；根据预先构建的所述电动汽车的放电约束条件，获取所述电动汽车对所述目标虚拟电厂的最大放电量；
基于所述最小充电量、所述最大放电量，以及预先得到的所述目标虚拟电厂对负载提供的最小负载电量，分别得到所述目标虚拟电厂从所述电动汽车获取的充电资源、所述目标虚拟电厂对所述电动汽车提供的放电资源，以及所述目标虚拟电厂从所述负载获取的负载资源；
利用所述充电资源、所述放电资源和所述负载资源，构建所述目标虚拟电厂的资源获取量预测模型，以及所述资源获取量预测模型的约束条件；
根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其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以下步骤：
根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对所述电动汽车的最小充电量；根据预先构建的所述电动汽车的放电约束条件，获取所述电动汽车对所述目标虚拟电厂的最大放电量；
基于所述最小充电量、所述最大放电量，以及预先得到的所述目标虚拟电厂对负载提供的最小负载电量，分别得到所述目标虚拟电厂从所述电动汽车获取的充电资源、所述目标虚拟电厂对所述电动汽车提供的放电资源，以及所述目标虚拟电厂从所述负载获取的负载资源；
利用所述充电资源、所述放电资源和所述负载资源，构建所述目标虚拟电厂的资源获取量预测模型，以及所述资源获取量预测模型的约束条件；
根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对所述电动汽车的最小充电量；根据预先构建的所述电动汽车的放电约束条件，获取所述电动汽车对所述目标虚拟电厂的最大放电量；
基于所述最小充电量、所述最大放电量，以及预先得到的所述目标虚拟电厂对负载提供的最小负载电量，分别得到所述目标虚拟电厂从所述电动汽车获取的充电资源、所述目标虚拟电厂对所述电动汽车提供的放电资源，以及所述目标虚拟电厂从所述负载获取的负载资源；
利用所述充电资源、所述放电资源和所述负载资源，构建所述目标虚拟电厂的资源获取量预测模型，以及所述资源获取量预测模型的约束条件；
根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案。
上述虚拟电厂电能调度方案获取方法、装置、计算机设备、存储介质和计算机程序产品，通过根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对电动汽车的最小充电量；根据预先构建的电动汽车的放电约束条件，获取电动汽车对目标虚拟电厂的最大放电量；基于最小充电量、最大放电量，以及预先得到的目标虚拟电厂对负载提供的最小负载电量，分别得到目标虚拟电厂从电动汽车获取的充电资源、目标虚拟电厂对电动汽车提供的放电资源，以及目标虚拟电厂从负载获取的负载资源；利用充电资源、放电资源和负载资源，构建目标虚拟电厂的资源获取量预测模型，以及资源获取量预测模型的约束条件；据约束条件，通过资源获取量预测模型，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂的电能调度方案。本申请通过将需求响应中的最小充电量、最大放电量和最小负载电量加入目标虚拟电厂的最大资源获取量的预测计算中，使得上述最大资源获取量的预测值更加准确，进一步地，能够获得更加合理的虚拟电厂电能调度方案。
附图说明
图1为一个实施例中虚拟电厂电能调度方案获取方法的流程示意图；
图2为一个实施例中获取充电资源、放电资源以及负载资源的流程示意图；
图3为一个实施例中构建需求响应资源输出模型的流程示意图；
图4为一个实施例中需求响应参与量与虚拟电厂利润的关系图；
图5为一个实施例中获取虚拟电厂电能调度方案的流程示意图；
图6为一个实施例中虚拟电厂调度电能的框架图；
图7为一个实施例中虚拟电厂电能调度方案获取装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本发明实施例所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
在一个实施例中，如图1所示，提供了一种虚拟电厂电能调度方案方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S101，根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对电动汽车的最小充电量；根据预先构建的电动汽车的放电约束条件，获取电动汽车对目标虚拟电厂的最大放电量。
其中，目标虚拟电厂是一种通过先进信息通信技术和软件系统，实现DG、储能系统、可控负荷、电动汽车等DER的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。然后，充电约束条件为电动汽车的电池在充电时，该电池的电容量和充电效率对上述电池充电的约束条件，而最小充电量是目标虚拟电厂对上述电动汽车所充的最小电能量。最后，放电约束条件为电动汽车的电池在对目标虚拟电厂放电时，该电池的电容量和充电效率对上述电池放电的约束条件，而最大放电量为电动汽车对目标虚拟电厂所放出的最大电量。
具体地，获取上述充电约束条件下，目标虚拟电厂对电动汽车的最小充电量，并获取上述放电约束条件下，电动汽车对目标虚拟电厂的最大放电量。
步骤S102，基于最小充电量、最大放电量，以及预先得到的目标虚拟电厂对负载提供的最小负载电量，分别得到目标虚拟电厂从电动汽车获取的充电资源、目标虚拟电厂对电动汽车提供的放电资源，以及目标虚拟电厂从负载获取的负载资源。
其中，最小负载电量为目标虚拟电厂对负载提供的最小电能，其实，上述最小充电量加上最小负载电量，再减去最大充电量，得到用户的最小获取电量，也就代表了用户需求响应的最小用电成本，而需求响应参与量指的是用户需求响应对虚拟电厂电能调度方案的参与度，需求响应参与量也可以理解为用户的电量需求对电能调度方案的影响度，实践中发现，需求响应参与量最大时，获得的电能调度方案会使得虚拟电厂获得最大利润。然后，上述充电资源为在需求响应参与量最大时，目标虚拟电厂从电动汽车获取的充电资源，而上述放电资源为在需求响应参与量最大时，目标虚拟电厂对电动汽车提供的放电资源，上述负载资源为在需求响应参与量最大时，目标虚拟电厂从负载获取的负载资源。
具体地，将最小充电量、最大放电量，以及预先得到的目标虚拟电厂对负载提供的最小负载电量带入预先构建的需求响应资源输出模型，将该模型中的需求响应参与量设置为当前场景下的最大值，最后通上述模型计算得到目标虚拟电厂从电动汽车获取的充电资源、目标虚拟电厂对电动汽车提供的放电资源，以及目标虚拟电厂从负载获取的负载资源。
步骤S103，利用充电资源、放电资源和负载资源，构建目标虚拟电厂的资源获取量预测模型，以及资源获取量预测模型的约束条件。
其中，资源获取量预测模型为上述需求响应参与量最大时，目标虚拟电厂获取资源总量的预测模型，而约束条件为当前场景下，约束目标虚拟电厂获取资源总量的条件。
具体地，将预先得到的原始资源获取量预测模型和预先得到的约束条件中的初始充电资源、初始放电资源和初始负载资源替换为上述充电资源、放电资源和负载资源，即可得到目标虚拟电厂的资源获取量预测模型，以及资源获取量预测模型的约束条件。
步骤S104，根据约束条件，通过资源获取量预测模型，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂的电能调度方案。
其中，目标虚拟电厂的资源获取量最大即为目标虚拟电厂的利润最大，而电能调度方案为目标虚拟电厂预测利润最大时的具体的电能调度方案。
具体地，通过资源获取量预测模型，在约束条件下，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂的电能调度方案，具体电能调度方案为：虚拟电厂对负载供应的电能、对电动汽车的充电量、在日前电力市场输出的电能、在平衡市场输出的电能，电动汽车对虚拟电厂放出的电能、日前电力市场输入虚拟电厂的电能、平衡市场输入虚拟电厂的电能。
上述虚拟电厂电能调度方案获取方法中，通过根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对电动汽车的最小充电量；根据预先构建的电动汽车的放电约束条件，获取电动汽车对目标虚拟电厂的最大放电量；基于最小充电量、最大放电量，以及预先得到的目标虚拟电厂对负载提供的最小负载电量，分别得到目标虚拟电厂从电动汽车获取的充电资源、目标虚拟电厂对电动汽车提供的放电资源，以及目标虚拟电厂从负载获取的负载资源；利用充电资源、放电资源和负载资源，构建目标虚拟电厂的资源获取量预测模型，以及资源获取量预测模型的约束条件；据约束条件，通过资源获取量预测模型，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂的电能调度方案。本申请通过将需求响应中的最小充电量、最大放电量和最小负载电量加入目标虚拟电厂的最大资源获取量的预测计算中，使得上述最大资源获取量的预测值更加准确，进一步地，能够获得更加合理的虚拟电厂电能调度方案。
在一个实施例中，如图2所示，基于最小充电量、最大放电量，以及预先得到的目标虚拟电厂对负载提供的最小负载电量，分别得到目标虚拟电厂从电动汽车获取的充电资源、目标虚拟电厂对电动汽车提供的放电资源，以及目标虚拟电厂从负载获取的负载资源，包括以下步骤：
步骤S201，构建目标虚拟电厂的需求响应对应的需求响应资源输出模型。
其中，需求响应即电力需求响应，是指当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。至于需求响应资源输出模型为需求响应的影响下，同于基于最小充电量、最大放电量和最小负载电量，计算目标虚拟电厂从电动汽车获取的充电资源、目标虚拟电厂对电动汽车提供的放电资源，以及目标虚拟电厂从负载获取的负载资源的模型。
具体地，基于历史数据，构建如下需求响应资源输出模型：
式中，表示需求响应参与量，/>表示某负载资源，/>表示充电资源，表示放电资源，/>表示最小负载电量，/>表示最小充电量，/>表示最大放电量，，/>，/>为下层问题的拉格朗日乘数。
步骤S202，将最小充电量、最大放电量，以及最小负载电量输入至需求响应资源输出模型中。
具体地，将最小充电量、最大放电量，以及最小负载电量输入至上述需求响应资源输出模型中，并将需求响应参与量调节至最大值。
步骤S203，通过需求响应资源输出模型，得到充电资源、放电资源以及负载资源。
具体地，通过需求响应资源输出模型，计算得到充电资源、放电资源以及负载资源。
本实施例中，通过构建目标虚拟电厂的需求响应对应的需求响应资源输出模型，基于需求响应对应的最小充电量、最大放电量，以及最小负载电量，能够在需求响应参与量最大值时，准确地计算得到充电资源、放电资源以及负载资源。
在一个实施例中，如图3所示，构建目标虚拟电厂的需求响应对应的需求响应资源输出模型，包括以下步骤：
步骤S301，获取在预设时间段内，目标虚拟电厂对负载提供的负载电量、目标虚拟电厂对电动汽车提供的充电量、目标虚拟电厂从电动汽车获取的放电量。
其中，预设时间段为预先设定的时间值，负载电量为该预设时间内，负载获取的平均电量，充电量为该预设时间内，电动汽车获取的平均电量，放电量为该预设时间内，虚拟电厂从电动汽车获取的平均电量。
具体地，基于历史数据，获取在预设时间段内，目标虚拟电厂对负载提供的平均电量、目标虚拟电厂对电动汽车提供的平均电量、目标虚拟电厂从电动汽车获取的平均电量。
步骤S302，获取需求响应对应的需求响应参与量的最大值；需求响应参与量用于表征需求响应在制定目标虚拟电厂电能调度方案时的参与程度。
其中，需求响应参与量为需求响应在制定目标虚拟电厂电能调度方案时的参与程度，如图4所示，由历史数据可知，需求响应参与量的大小与目标虚拟电厂的利润成正比，且需求响应参与量理论上上的最大值为1，不同的场景中需求响应参与量的最大值不一样。
具体地，在当前场景下，基于历史数据，计算出需求响应参与量的最大值。
步骤S303，根据负载电量、充电量、放电量，以及需求响应参与量的最大值，构建需求响应资源输出模型。
具体地，基于负载电量、充电量、放电量，以及需求响应参与量的最大值，构建需求响应资源输出模型。
本实施例中，通过历史数据获取负载电量、充电量、放电量，以及需求响应参与量的最大值，再基于负载电量、充电量、放电量，以及需求响应参与量的最大值，能够构建出准确获取充电资源、放电资源以及负载资源的需求响应资源输出模型。
在一个实施例中，如图5所示，根据约束条件，通过资源获取量预测模型，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂的电能调度方案，包括以下步骤：
步骤S501，根据约束条件，通过资源获取量预测模型，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂从日前电力平台获取的日前电力平台资源、目标虚拟电厂从实时电力平台获取的实时电力平台资源，以及目标虚拟电厂向发电机组提供的发电资源。
其中，日前电力平台为以前一日电力价格交易电能的电力平台，而实时电力平台为实时电力价格交易电能的电力平台，发电机组为向虚拟电厂提供电能的分布式发电机组和风力发电机组，然后，日前电力平台资源为目标虚拟电厂从日前电力平台获取的电能金额，实时电力平台资源为目标虚拟电厂从实时电力平台获取的电能金额，发电资源为目标虚拟电厂支付给发电机组的电能金额。
具体地，在约束条件下，通过资源获取量预测模型，当目标虚拟电厂的资源获取量最大时，计算得到目标虚拟电厂从日前电力平台获取的日前电力平台资源、目标虚拟电厂从实时电力平台获取的实时电力平台资源，以及目标虚拟电厂向发电机组提供的发电资源。
步骤S502，基于日前电力平台资源、实时电力平台资源、充电资源、负载资源、放电资源和发电资源，得到目标虚拟电厂的电能调度方案。
具体地，当目标虚拟电厂的资源获取量最大时，基于日前电力平台资源、实时电力平台资源、充电资源、负载资源、放电资源和发电资源，得到目标虚拟电厂的具体电能调度方案。
本实施例中，通过获取当目标虚拟电厂的资源获取量最大时，日前电力平台资源、实时电力平台资源、充电资源、负载资源、放电资源和发电资源，能够得到目标虚拟电厂的具体电能调度方案。
在一个实施例中，获取目标虚拟电厂向发电机组提供的发电资源，包括：以下步骤：
获取发电机组的输出功率上限，以及输出功率下限；基于输出功率上限，以及输出功率下限，得到发电机组对应的发电约束条件；根据发电约束条件，得到目标虚拟电厂向发电机组提供的发电资源。
其中，输出功率上限为发电机组的最大发电功率，而输出功率下限为发电机组的最小发电功率，至于发电约束条件，指的是发电机组向虚拟电厂提供的电能的约束条件。
具体地，基于预先得到的发电机组的输出功率上限，以及输出功率下限，得到发电机组对应的发电约束条件，进一步在当前场景中，基于发电约束条件，得到目标虚拟电厂向发电机组提供的发电资源。
本实施例中，通过预先得到的发电机组的输出功率上限，以及输出功率下限，得到发电机组对应的发电约束条件，能够准确地得到目标虚拟电厂向发电机组提供的发电资源。
在一个实施例中，根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对电动汽车的最小充电量之前，还包括以下步骤：
获取电动汽车的最佳充电状态、电动汽车的充电效率，以及电动汽车的电池容量；基于最佳充电状态、充电效率，以及电池容量，得到电动汽车的充电约束条件；获取电动汽车的放电效率，以及电动汽车上一时间段的充电状态；基于放电效率以及充电状态，得到电动汽车的放电约束条件。
其中，最佳充电状态为电动汽车的最佳电量占比，例如目标电动汽车的最佳充电状态为电量40%到80%的时候，而充电效率为电动汽车充电的快慢，至于电池容量为电动汽车电池的总容量。然后，放电效率为电动汽车放电的快慢，充电状态为电动汽车上一时间段的充电量。
具体地，基于实时获取电动汽车的最佳充电状态、充电效率，以及电池容量，得到电动汽车的充电约束条件，然后基于实时获取的电动汽车的放电效率，以及电动汽车上一时间段的充电状态，得到电动汽车的放电约束条件。
本实施例中，通过实时获取电动汽车的最佳充电状态、充电效率，以及电池容量，能够准确计算出电动汽车的充电约束条件，然后通过实时获取电动汽车的放电效率，以及电动汽车上一时间段的充电状态，能够准确计算出电动汽车的放电约束条件。
在一个实施例中，目标虚拟电厂包含有多个电能调度场景下的多个电能调度方案；根据约束条件，通过资源获取量预测模型，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂的电能调度方案之后，还包括以下步骤：
获取目标虚拟电厂各个电能调度场景分别对应的各个最大资源获取量，并获取各个最大资源获取量分别对应的各个权重；基于各个最大资源获取量，以及各个权重，得到目标虚拟电厂的最大资源获取量的预测值。
其中，电能调度场景指的是，不同的时间段的电能调度场景，权重为每个场景对应的资源获取量权重。
具体地，基于各个场景下得到的电能调度方案，得到目标虚拟电厂各个电能调度场景分别对应的各个最大资源获取量，然后让各个最大资源获取量乘以各自对应的权重，再相加，得到目标虚拟电厂的最大资源获取量的预测值。
本实施例中，通过获取目标虚拟电厂各个电能调度场景分别对应的各个最大资源获取量，以及分别对应的各个权重，能够准确地计算出目标虚拟电厂的最大资源获取量的预测值。
在一个应用实施例中，本申请提供了一种虚拟电厂电能调度方案获取方法，图6为虚拟电厂调度电能的框架图，具体步骤如下所示：
1、构建考虑需求响应的虚拟电厂优化调度框架
考虑虚拟电厂优化调度框架的主体为虚拟电厂运营商和需求响应供应商。由风力发电厂、分布式发电机组和电动汽车组成的虚拟电厂充当聚合器，虚拟电厂运营商通过向需求响应供应商出售电能，最大化其预期利润，其中，虚拟电厂运营商调度分布式发电机组、风力发电厂等可控设备，向电力市场出售电能或购买电能，以优化电能资源、决定最优投标策略，实现利润最大化，需求响应供应商通过向响应负载和电动汽车放出电能，实现成本最小化。
2、构建出虚拟电厂优化调度模型的目标函数
以虚拟电厂产生的最大利润为上层问题，以需求响应所需的最小成本为下层问题，构建出虚拟电厂优化调度模型的目标函数。
2.1、上层问题的目标函数构建如下：；式中，/>表示为某一情景，为发生在情景/>下的概率，/>表示发生在情景/>下虚拟电厂产生的利润；其中，可定义为：
式中，T表示在情景下发生的时间、/>为虚拟电厂对负载供应的电能、/>为虚拟电厂对负载提供电能的报价、/>为虚拟电厂对电动汽车的充电量、/>为虚拟电厂对电动汽车充电过程中的电能报价、/>为日前电力市场售卖的电能、/>为日前电力市场中电能的售卖价格、/>为在平衡市场售卖的电能、/>为在平衡市场中售卖电能的价格、为电动汽车对虚拟电厂放出的电能、/>为电动汽车对虚拟电厂放电过程中的电能报价、/>为分布式发电机组的启动成本、/>为分布式发电机组的关闭成本、/>为分布式发电机组的发电成本、/>为日前电力市场购买的电能、/>为日前电力市场中电能的购买价格、/>为在平衡市场购买的电能、/>为在平衡市场中购买电能价格。
2.2、下层问题的目标函数，构建如下：
；
式中，为虚拟电厂对负载提供的最低电能、/>为虚拟电厂对电动汽车的最小充电量、/>为电动汽车对虚拟电厂的最大放电量。
3、构建虚拟电厂优化调度模型的约束条件
3.1、上层问题受以下式子约束：
；
式中，为从分布式发电机组产生的电能、/>为风力发电厂产生的电能、/>为负平衡市场交易的电能、/>为正平衡市场交易的电能；
其中，分布式发电机组产生的电能约束为：；式中，/>为分布式发电机组输出有功功率的上限、/>为分布式发电机组输出有功功率的下限；
风力发电厂产生的电能约束为：；式中，/>为风力发电厂输出的能量上限；
3.2、下层问题受以下式子约束：
；
其中，电动汽车充电状态的约束为：；
电动汽车充电效率的约束为：；
电动汽车放电效率的约束为：；
式中，为电动汽车的充电状态、/>为电动汽车上一时间段的充电状态、/>为电动汽车的充电效率、/>为电动汽车的放电效率、/>为电动汽车的最差充电状态、/>为电动汽车的最佳充电状态、/>为电动汽车的电池容量。
4、将下层问题转化为上层问题
在考虑需求响应的虚拟电厂优化调度的框架下，由分布式发电机组产生的电能约束、风力发电厂产生的电能约束、电动汽车充电状态的约束、电动汽车充电效率约束以及电动汽车放电效率约束等约束条件，和虚拟电厂产生的最大利润和需求响应的最小成本，通过KKT条件和对偶理论，将下层问题转化为上层问题，得到等效的混合整数线性公式，等效的混合整数线性公式如下：
式中，表示需求响应参与量，/>表示某一时间段虚拟电厂对负载供应的电能，/>表示某一时间段虚拟电厂对电动汽车的充电量，/>表示某一时间段虚拟电厂对电动汽车的放电量，/>，/>，/>为下层问题的拉格朗日乘数。
5、在考虑需求响应的虚拟电厂优化调度的框架下，运用CPLEX求解虚拟电厂优化调度模型，得到虚拟电厂产生的最大利润，并根据最大利润得到虚拟电厂的电能调度方案。
本实施例中，通过将用户的需求响应加入至虚拟电厂最大利润的计算，能够更加合理地得到虚拟电厂的电能调度方案。
应该理解的是，虽然如上所述的各实施例所涉及的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，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的虚拟电厂电能调度方案获取方法的虚拟电厂电能调度方案获取装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个虚拟电厂电能调度方案获取装置实施例中的具体限定可以参见上文中对于虚拟电厂电能调度方案获取方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种虚拟电厂电能调度方案获取装置，包括：充放电量获取模块701、资源获取模块702、预测模型构建模块703和调度方案获取模块704，其中：
充放电量获取模块701，用于根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对电动汽车的最小充电量；根据预先构建的电动汽车的放电约束条件，获取电动汽车对目标虚拟电厂的最大放电量；
资源获取模块702，用于基于最小充电量、最大放电量，以及预先得到的目标虚拟电厂对负载提供的最小负载电量，分别得到目标虚拟电厂从电动汽车获取的充电资源、目标虚拟电厂对电动汽车提供的放电资源，以及目标虚拟电厂从负载获取的负载资源；
预测模型构建模块703，用于利用充电资源、放电资源和负载资源，构建目标虚拟电厂的资源获取量预测模型，以及资源获取量预测模型的约束条件；
调度方案获取模块704，用于根据约束条件，通过资源获取量预测模型，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂的电能调度方案。
在其中一个实施例中，资源获取模块702，进一步用于构建目标虚拟电厂的需求响应对应的需求响应资源输出模型； 将最小充电量、最大放电量，以及最小负载电量输入至需求响应资源输出模型中；通过需求响应资源输出模型，得到充电资源、放电资源以及负载资源。
在其中一个实施例中，资源获取模块702，进一步用于获取在预设时间段内，目标虚拟电厂对负载提供的负载电量、目标虚拟电厂对电动汽车提供的充电量、目标虚拟电厂从电动汽车获取的放电量；获取需求响应对应的需求响应参与量的最大值；需求响应参与量用于表征需求响应在制定目标虚拟电厂电能调度方案时的参与程度；根据负载电量、充电量、放电量，以及需求响应参与量的最大值，构建需求响应资源输出模型。
在其中一个实施例中，调度方案获取模块704，进一步用于根据约束条件，通过资源获取量预测模型，获取当目标虚拟电厂的资源获取量最大时，目标虚拟电厂从日前电力平台获取的日前电力平台资源、目标虚拟电厂从实时电力平台获取的实时电力平台资源，以及目标虚拟电厂向发电机组提供的发电资源；基于日前电力平台资源、实时电力平台资源、充电资源、负载资源、放电资源和发电资源，得到目标虚拟电厂的电能调度方案。
在其中一个实施例中，调度方案获取模块704，进一步用于获取发电机组的输出功率上限，以及输出功率下限；基于输出功率上限，以及输出功率下限，得到发电机组对应的发电约束条件；根据发电约束条件，得到目标虚拟电厂向发电机组提供的发电资源。
在其中一个实施例中，充放电量获取模块701，进一步用于获取电动汽车的最佳充电状态、电动汽车的充电效率，以及电动汽车的电池容量；基于最佳充电状态、充电效率，以及电池容量，得到电动汽车的充电约束条件；获取电动汽车的放电效率，以及电动汽车上一时间段的充电状态；基于放电效率以及充电状态，得到电动汽车的放电约束条件。
在其中一个实施例中，调度方案获取模块704，进一步用于获取目标虚拟电厂各个电能调度场景分别对应的各个最大资源获取量，并获取各个最大资源获取量分别对应的各个权重；基于各个最大资源获取量，以及各个权重，得到目标虚拟电厂的最大资源获取量的预测值。
上述虚拟电厂电能调度方案获取装置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。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种虚拟电厂电能调度方案获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。
在一个实施例中，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各方法实施例中的步骤。
在一个实施例中，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各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
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，本申请所提供的各实施例中所使用的对存储器、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-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（MagnetoresistiveRandom Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。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等。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 RandomAccessMemory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种虚拟电厂电能调度方案获取方法，其特征在于，所述方法包括：
根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对所述电动汽车的最小充电量；根据预先构建的所述电动汽车的放电约束条件，获取所述电动汽车对所述目标虚拟电厂的最大放电量；
基于所述最小充电量、所述最大放电量，以及预先得到的所述目标虚拟电厂对负载提供的最小负载电量，分别得到所述目标虚拟电厂从所述电动汽车获取的充电资源、所述目标虚拟电厂对所述电动汽车提供的放电资源，以及所述目标虚拟电厂从所述负载获取的负载资源；包括：获取在预设时间段内，所述目标虚拟电厂对所述负载提供的负载电量、所述目标虚拟电厂对所述电动汽车提供的充电量、所述目标虚拟电厂从所述电动汽车获取的放电量；获取所述目标虚拟电厂的需求响应对应的需求响应参与量的最大值；所述需求响应参与量用于表征所述需求响应在制定所述目标虚拟电厂电能调度方案时的参与程度；根据所述负载电量、所述充电量、所述放电量，以及所述需求响应参与量的最大值，构建所述需求响应资源输出模型；将所述最小充电量、所述最大放电量，以及所述最小负载电量输入至所述需求响应资源输出模型中；通过所述需求响应资源输出模型，得到所述充电资源、所述放电资源以及所述负载资源；利用所述充电资源、所述放电资源和所述负载资源，构建所述目标虚拟电厂的资源获取量预测模型，以及所述资源获取量预测模型的约束条件；
根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案。
2.根据权利要求1所述的方法，其特征在于，所述根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案，包括：
根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂从日前电力平台获取的日前电力平台资源、所述目标虚拟电厂从实时电力平台获取的实时电力平台资源，以及所述目标虚拟电厂向发电机组提供的发电资源；
基于日前电力平台资源、实时电力平台资源、所述充电资源、所述负载资源、所述放电资源和所述发电资源，得到所述目标虚拟电厂的电能调度方案。
3.根据权利要求2所述的方法，其特征在于，获取所述目标虚拟电厂向发电机组提供的发电资源，包括：
获取所述发电机组的输出功率上限，以及输出功率下限；
基于所述输出功率上限，以及所述输出功率下限，得到所述发电机组对应的发电约束条件；
根据所述发电约束条件，得到所述目标虚拟电厂向所述发电机组提供的发电资源。
4.根据权利要求1所述的方法，其特征在于，所述根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对所述电动汽车的最小充电量之前，还包括：
获取所述电动汽车的最佳充电状态、所述电动汽车的充电效率，以及电动汽车的电池容量；
基于所述最佳充电状态、所述充电效率，以及所述电池容量，得到所述电动汽车的充电约束条件；
获取所述电动汽车的放电效率，以及所述电动汽车上一时间段的充电状态；
基于所述放电效率以及所述充电状态，得到所述电动汽车的放电约束条件。
5.根据权利要求1所述的方法，其特征在于，所述目标虚拟电厂包含有多个电能调度场景下的多个电能调度方案；所述根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案之后，还包括：
获取所述目标虚拟电厂各个电能调度场景分别对应的各个最大资源获取量，并获取所述各个最大资源获取量分别对应的各个权重；
基于所述各个最大资源获取量，以及所述各个权重，得到所述目标虚拟电厂的最大资源获取量的预测值。
6.一种虚拟电厂电能调度方案获取装置，其特征在于，所述装置包括：
充放电量获取模块，用于根据预先构建的电动汽车的充电约束条件，获取目标虚拟电厂对所述电动汽车的最小充电量；根据预先构建的所述电动汽车的放电约束条件，获取所述电动汽车对所述目标虚拟电厂的最大放电量；
资源获取模块，用于基于所述最小充电量、所述最大放电量，以及预先得到的所述目标虚拟电厂对负载提供的最小负载电量，分别得到所述目标虚拟电厂从所述电动汽车获取的充电资源、所述目标虚拟电厂对所述电动汽车提供的放电资源，以及所述目标虚拟电厂从所述负载获取的负载资源；进一步用于获取在预设时间段内，所述目标虚拟电厂对所述负载提供的负载电量、所述目标虚拟电厂对所述电动汽车提供的充电量、所述目标虚拟电厂从所述电动汽车获取的放电量；获取所述目标虚拟电厂的需求响应对应的需求响应参与量的最大值；所述需求响应参与量用于表征所述需求响应在制定所述目标虚拟电厂电能调度方案时的参与程度；根据所述负载电量、所述充电量、所述放电量，以及所述需求响应参与量的最大值，构建所述需求响应资源输出模型；将所述最小充电量、所述最大放电量，以及所述最小负载电量输入至所述需求响应资源输出模型中；通过所述需求响应资源输出模型，得到所述充电资源、所述放电资源以及所述负载资源；
预测模型构建模块，用于利用所述充电资源、所述放电资源和所述负载资源，构建所述目标虚拟电厂的资源获取量预测模型，以及所述资源获取量预测模型的约束条件；
调度方案获取模块，用于根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂的电能调度方案。
7.根据权利要求6所述的装置，其特征在于，调度方案获取模块，进一步用于根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂从日前电力平台获取的日前电力平台资源、所述目标虚拟电厂从实时电力平台获取的实时电力平台资源，以及所述目标虚拟电厂向发电机组提供的发电资源；基于日前电力平台资源、实时电力平台资源、所述充电资源、所述负载资源、所述放电资源和所述发电资源，得到所述目标虚拟电厂的电能调度方案。
8.根据权利要求7所述的装置，其特征在于，调度方案获取模块，进一步用于根据所述约束条件，通过所述资源获取量预测模型，获取当所述目标虚拟电厂的资源获取量最大时，所述目标虚拟电厂从日前电力平台获取的日前电力平台资源、所述目标虚拟电厂从实时电力平台获取的实时电力平台资源，以及所述目标虚拟电厂向发电机组提供的发电资源；基于日前电力平台资源、实时电力平台资源、所述充电资源、所述负载资源、所述放电资源和所述发电资源，得到所述目标虚拟电厂的电能调度方案。
9.一种计算机设备，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5中任一项所述的方法的步骤。
10.一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5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485598.3A CN117239810B (zh) | 2023-11-09 | 2023-11-09 | 虚拟电厂电能调度方案获取方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485598.3A CN117239810B (zh) | 2023-11-09 | 2023-11-09 | 虚拟电厂电能调度方案获取方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117239810A CN117239810A (zh) | 2023-12-15 |
| CN117239810B true CN117239810B (zh) | 2024-03-26 |
Family
ID=89095054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311485598.3A Active CN117239810B (zh) | 2023-11-09 | 2023-11-09 | 虚拟电厂电能调度方案获取方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117239810B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117498469A (zh) * | 2024-01-03 | 2024-02-02 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂能源管控方法、装置、计算机设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523052A (zh) * | 2018-09-18 | 2019-03-26 | 国网浙江省电力有限公司经济技术研究院 | 一种考虑需求响应和碳交易的虚拟电厂优化调度方法 |
| CN109902884A (zh) * | 2019-03-27 | 2019-06-18 | 合肥工业大学 | 一种基于主从博弈策略的虚拟电厂优化调度方法 |
| KR20210050672A (ko) * | 2019-10-29 | 2021-05-10 | 한국전력공사 | 가상발전소 운영을 위한 소규모 전력자원 통합 운영 장치 및 방법 |
| CN113013929A (zh) * | 2021-04-20 | 2021-06-22 | 天津大学 | 面向负荷曲线调节的有源配电网模拟优化运行方法 |
| CN115663804A (zh) * | 2022-11-02 | 2023-01-31 | 深圳先进技术研究院 | 基于深度强化学习的电力系统调控方法 |
| KR20230103799A (ko) * | 2021-12-31 | 2023-07-07 | 인하대학교 산학협력단 | 가상 발전소 운영 시스템 및 방법 |
| CN116436096A (zh) * | 2023-05-18 | 2023-07-14 | 西安交通大学 | 耦合于虚拟电厂的电动公交车储能收益最大化的控制方法 |
| CN116454903A (zh) * | 2023-02-07 | 2023-07-18 | 江苏省电力试验研究院有限公司 | 一种考虑电动汽车充电站在虚拟电厂运行的优化调度方法 |
| CN117010625A (zh) * | 2023-06-30 | 2023-11-07 | 贵州电网有限责任公司 | 一种需求响应与预测误差的虚拟电厂优化调度方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112531790B (zh) * | 2020-11-25 | 2022-11-25 | 清华大学 | 一种虚拟电厂动态灵活性评估方法 |
-
2023
- 2023-11-09 CN CN202311485598.3A patent/CN117239810B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523052A (zh) * | 2018-09-18 | 2019-03-26 | 国网浙江省电力有限公司经济技术研究院 | 一种考虑需求响应和碳交易的虚拟电厂优化调度方法 |
| CN109902884A (zh) * | 2019-03-27 | 2019-06-18 | 合肥工业大学 | 一种基于主从博弈策略的虚拟电厂优化调度方法 |
| KR20210050672A (ko) * | 2019-10-29 | 2021-05-10 | 한국전력공사 | 가상발전소 운영을 위한 소규모 전력자원 통합 운영 장치 및 방법 |
| CN113013929A (zh) * | 2021-04-20 | 2021-06-22 | 天津大学 | 面向负荷曲线调节的有源配电网模拟优化运行方法 |
| KR20230103799A (ko) * | 2021-12-31 | 2023-07-07 | 인하대학교 산학협력단 | 가상 발전소 운영 시스템 및 방법 |
| CN115663804A (zh) * | 2022-11-02 | 2023-01-31 | 深圳先进技术研究院 | 基于深度强化学习的电力系统调控方法 |
| CN116454903A (zh) * | 2023-02-07 | 2023-07-18 | 江苏省电力试验研究院有限公司 | 一种考虑电动汽车充电站在虚拟电厂运行的优化调度方法 |
| CN116436096A (zh) * | 2023-05-18 | 2023-07-14 | 西安交通大学 | 耦合于虚拟电厂的电动公交车储能收益最大化的控制方法 |
| CN117010625A (zh) * | 2023-06-30 | 2023-11-07 | 贵州电网有限责任公司 | 一种需求响应与预测误差的虚拟电厂优化调度方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 计及电动汽车和需求响应的多类电力市场下虚拟电厂竞标模型;周亦洲;孙国强;黄文进;胥峥;卫志农;臧海祥;楚云飞;;电网技术;第41卷(第06期);第1759页-1766页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117239810A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
| Vykhodtsev et al. | A review of modelling approaches to characterize lithium-ion battery energy storage systems in techno-economic analyses of power systems | |
| JP5480216B2 (ja) | 蓄電池貸出容量決定装置および蓄電池貸出容量決定方法 | |
| CN117239810B (zh) | 虚拟电厂电能调度方案获取方法、装置和设备 | |
| CN109493184B (zh) | 基于绿证交易的电力出清方法、装置、设备和存储介质 | |
| CN112070301B (zh) | 一种用户用电量调整方法、系统及设备 | |
| JP2020115704A (ja) | 送受電管理装置及びプログラム | |
| Shi et al. | Multistage robust energy management for microgrids considering uncertainty | |
| Angizeh et al. | Stochastic risk‐based flexibility scheduling for large customers with onsite solar generation | |
| Vasiyullah et al. | Profit based unit commitment of thermal units with renewable energy and electric vehicles in power market | |
| Khazali et al. | Spinning reserve quantification by a stochastic–probabilistic scheme for smart power systems with high wind penetration | |
| CN107316152A (zh) | 电动汽车参与需求侧响应的规划方法、装置及计算设备 | |
| CN111126703A (zh) | 一种企业最大用电需量预测方法和装置 | |
| CN114784882A (zh) | 机组组合优化处理方法及装置 | |
| Zhao et al. | Day-ahead dispatch of novel battery charging and swapping station based on distributionally robust optimization | |
| CN114202229A (zh) | 能量管理策略的确定方法、装置、计算机设备和存储介质 | |
| Xing et al. | Optimal coordinated energy management in active distribution system with battery energy storage and price-responsive demand | |
| CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
| Jalali et al. | Undisruptive load curtailment scheme to ensure voltage stability margin | |
| CN112671022A (zh) | 光储充电站容量优化配置方法、系统、终端及存储介质 | |
| CN112633771B (zh) | 电力资源数值计算方法、装置、计算机设备和存储介质 | |
| CN115189409A (zh) | 电力系统生产模拟方法、装置、计算机设备及存储介质 | |
| CN115456425A (zh) | 电压调整方法、装置、设备、存储介质和计算机程序产品 | |
| CN114154793A (zh) | 基于可再生能源的盈余资源分析方法、装置和计算机设备 | |
| Duarte et al. | Operations of data centers with onsite renewables considering greenhouse gas emissions |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |