CN117669930A - 协同调度方法、装置、设备、存储介质和程序产品 - Google Patents
协同调度方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117669930A CN117669930A CN202311557984.9A CN202311557984A CN117669930A CN 117669930 A CN117669930 A CN 117669930A CN 202311557984 A CN202311557984 A CN 202311557984A CN 117669930 A CN117669930 A CN 117669930A
- Authority
- CN
- China
- Prior art keywords
- cluster
- power system
- objective function
- solution
- trolley
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 70
- 239000010410 layer Substances 0.000 claims description 108
- 230000006870 function Effects 0.000 claims description 94
- 238000012545 processing Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000009977 dual effect Effects 0.000 claims description 35
- 239000002356 single layer Substances 0.000 claims description 32
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000003672 processing method Methods 0.000 claims description 4
- 238000010129 solution processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000002195 synergetic effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 26
- 230000005611 electricity Effects 0.000 description 22
- 238000010248 power generation Methods 0.000 description 14
- 230000000295 complement effect Effects 0.000 description 7
- 238000007599 discharging Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000000446 fuel Substances 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000000379 polymerizing effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OVSKIKFHRZPJSS-UHFFFAOYSA-N 2,4-D Chemical compound OC(=O)COC1=CC=C(Cl)C=C1Cl OVSKIKFHRZPJSS-UHFFFAOYSA-N 0.000 description 1
- 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
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种协同调度方法、装置、设备、存储介质和程序产品。所述方法包括：获取电力系统中各机组集群的状态初值；基于所述状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，所述三层模型包括所述电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，所述协同调度结果用于协同调度所述电力系统、所述虚拟电厂和所述电车集群。采用本方法能够提高协同优化效果。
Description
技术领域
本申请涉及电力系统资源配置技术领域，特别是涉及一种协同调度方法、装置、设备、存储介质和程序产品。
背景技术
虚拟电厂是一种通过集成和协调多种分散的电力资源来提供电力和系统服务的虚拟能源企业。虚拟电厂通过现代信息技术和智能控制方法，将各种电力资源进行整合和优化，以实现更高效、更可靠和更经济的电力系统运营。
在现有技术中，虚拟电厂采用批发电价的方式从电力系统购买电力，然后以零售电价的方式出售给电动汽车车主。这个过程需要平衡多个关键因素：虚拟电厂的利润需要最大化，电力系统的生产费用需要最小化，同时电车集群的用能费用也需要最小化。
然而，传统技术通常独立地优化这三个目标，从而导致优化效果不佳。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高协同优化效果的协同调度方法、装置、设备、存储介质和程序产品。
第一方面，本申请提供了一种协同调度方法，包括：
获取电力系统中各机组集群的状态初值；
基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
在其中一个实施例中，上述基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果，包括：
基于状态初值，利用非线性规划技术和数值优化算法将三层模型对应的三层问题转化为单层问题；
对单层问题进行求解，得到协同调度结果。
在其中一个实施例中，上述单层问题对应非线性的目标函数和约束条件，对单层问题进行求解，得到协同调度结果，包括：
利用线性化处理方式对非线性的目标函数和约束条件进行等效处理，获得线性的目标函数和约束条件；
利用优化求解器对线性的目标函数和约束条件进行求解处理，得到三层模型的候选解；
采用嵌套迭代算法对候选解进行分析处理得到目标解，并将目标解作为协同调度结果。
在其中一个实施例中，线性化处理方式包括强对偶定理和线性化定理，上述利用线性化处理方式对非线性的目标函数和约束条件进行等效处理，获得线性的目标函数和约束条件，包括：
利用强对偶定理对非线性的目标函数进行处理，获得线性的目标函数；
利用线性化定理对非线性的约束条件进行处理，获得线性的约束条件。
在其中一个实施例中，上述利用优化求解器对线性的目标函数和约束条件进行求解处理，得到三层模型的候选解，包括：
对优化求解器的参数进行一次设置，并进行求解处理得到初始可行解；
在初始可行解的基础上进行参数二次设置，进行求解后得到候选解。
在其中一个实施例中，上述采用嵌套迭代算法对候选解进行分析处理得到目标解，并将目标解作为协同调度结果，包括：
将候选解代入聚类机组组合问题中，得到电力系统中各机组集群的开关机状态；
在电力系统中各机组集群的开关机状态不变的情况下，将候选解确定为目标解，并将目标解作为协同调度结果；
在电力系统中各机组集群的开关机状态发生变化的情况下，采用嵌套迭代算法改进电力系统中各机组集群的状态初值，并返回执行基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的步骤。
第二方面，本申请还提供了一种协同调度装置，包括：
获取模块，用于获取电力系统中各机组集群的状态初值；
确定模块，用于基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取电力系统中各机组集群的状态初值；
基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取电力系统中各机组集群的状态初值；
基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
第五方面，本申请还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以下步骤：
获取电力系统中各机组集群的状态初值；
基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
上述协同调度方法、装置、设备、存储介质和程序产品，先获取电力系统中各机组集群的状态初值；接着基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，该三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群；该方法中，通过初始状态初值，并根据各层的目标和约束条件，计算出协同调度结果，协同调度结果将指导电力系统、虚拟电厂和电车集群的运行，以实现最优的资源利用、成本效益和效率，并且有助于确保电力系统、虚拟电厂和电车集群之间的协同工作，以满足各方的需求和目标。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中协同调度方法的应用环境图；
图2为一个实施例中协同调度方法的流程示意图；
图3为另一个实施例中协同调度方法的流程示意图；
图4为另一个实施例中协同调度方法的流程示意图；
图5为另一个实施例中协同调度方法的流程示意图；
图6为另一个实施例中协同调度方法的流程示意图；
图7为另一个实施例中协同调度方法的流程示意图；
图8为一个实施例中协同调度装置的结构框图；
图9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。
本申请实施例提供的协同调度方法，可以应用于如图1所示的应用环境中。其中，三层模型通过网络与服务器进行通信。该三层模型由三层市场主体构成，分别为电力系统、虚拟电厂以及电车集群。虚拟电厂以批发电价向电力系统购买电力，并以零售电价销售给电动汽车车主，该三层模型中批发电价信号与零售电价信号均为实时电价。在电力系统调度过程中，虚拟电厂的聚合充放电功率决定了电力系统市场出清的优化调度结果，而电力系统根据调度结果发布的批发电力价格信号将反向影响虚拟电厂的运营策略；在虚拟电厂内部运行中，由虚拟电厂向电车集群发布零售电价信号，电车集群根据这一价格信号做出最优响应，调整充放电负荷时间分布以降低充电成本，而电车集群的充电负荷曲线也将反向影响虚拟电厂的零售价格信号设计。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中，如图2所示，提供了一种协同调度方法，以该方法应用于图1中的服务器为例进行说明，包括以下S202至S204。其中：
S202，获取电力系统中各机组集群的状态初值。
其中，电力系统中各机组集群是指一组发电机组的集合，这些发电机组一起协同工作以生成电力。这些机组集群可以包括不同类型的发电机组，如火电、水电、核电、风电、光伏等，它们可以根据需要协同运行，以满足电力系统的电力需求。机组集群的运行和管理对于确保电力系统的稳定和经济运行至关重要。电力系统需要有效地协调和控制机组集群，以应对电力需求的波动和市场变化。
电力系统中各机组集群的状态初值通常指的是这些机组集群的开关机状态的初始设定值。这些开关机状态决定了各机组在特定时刻是否处于运行状态(开机)或非运行状态(停机)。状态初值的选择对电力系统的运行和优化具有重要影响，因为它们会影响发电能力、燃料消耗、电力供应可靠性和成本等方面。
在本申请实施例中，服务器可以通过连接到电力系统的监测和控制系统，获取电力系统中各机组集群的状态初值。
S204，基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
在本申请实施例中，基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果。这三层模型分别涉及电力系统、虚拟电厂以及电车集群。每一层模型都包括一组目标函数和约束条件，用于描述该层的特定优化问题。协同调度的目的是确定这三个层面的最佳协同运行方式，以实现整个系统的最佳性能。
其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
继续参见图1所示中的三层模型，该三层模型可以分解为两个阶段的Stackelberg博弈问题，每个阶段均对应一个双层优化问题。Stackelberg博弈是一种博弈理论中的非合作博弈模型，其中一个参与者被称为领导者，而另一个参与者被称为追随者。领导者首先选择策略，然后追随者在领导者的策略基础上做出自己的决策。在Stackelberg博弈中，领导者的策略选择会影响追随者的最优响应，因此领导者可以通过预测追随者的反应来优化自己的策略。在电力系统调度中，领导者(上层)为虚拟电厂，跟随者(下层)为电力系统；而在虚拟电厂内部运行中，领导者(上层)为虚拟电厂，跟随者(下层)为电车集群。以下分别详述各市场主体对应优化问题的目标函数与约束条件。
一、电车集群用能费用最小化
为简化分析，本申请实施例根据电动汽车的出行特征、电池容量、所属地理区域和耗电功率等参数将考察区域内电动汽车划分为不同电车集群，并针对不同车队的时空特性进行动态等值建模。电车集群能够通过调整充放电功率实现用能费用最小化，其目标函数包括电费支出与电池折旧费用两部分，如下式所示：
1)式中，与/>分别为车队F在t时段的聚合充电功率与聚合放电功率；为由虚拟电厂发布的在t时段的电动汽车充电零售电价；Δt为模型模拟的单位时间间隔；λdeg表示电动汽车向电网放电过程中的单位电量对应的电池折旧成本，该指标将影响电动汽车车主参与车网双向互动的意愿；ηd为电动汽车电池进行放电时的能量转换效率。
车队充放电优化的具体约束条件包括车队能量平衡约束、电量状态上下限约束和充/放电功率限制，如下所示。
式中，为车队F在t时段的聚合电量大小；/>与/>分别为车队F在t时段聚合电量的上限与下限；/>与/>分别为车队F在t时段聚合充电功率的上限与下限；/>与/>分别为车队F在t时段聚合放电功率的上限与下限；ηc为电动汽车电池进行充电时的能量转换效率；/>为车队F在t时段道路行驶过程中的电量消耗总量。
模型利用外逼近法对不同电车集群中各车辆的运行约束进行等值化整合，构造各车队的运行约束参数，如下所示。
式中，和/>分别是电动汽车i在t时段电量的上限与下限；/>和分别是电动汽车i在t时段的最大充电功率和最大放电功率；/>与/>分别为电动汽车i在t时段的基线充电负荷与对应电量，模型中将基线负荷取为电动汽车未参与虚拟电厂调度进行需求响应时的无序充负荷；/>是电动汽车i在t时段道路行驶过程中的电量消耗；vF表示车队F中参与需求响应的车辆比例，模型中假设不参与需求响应的其他车辆遵循基线充电负荷模式；/>表示电动汽车i在t时段的充放电可用性，即是否处于非行驶状态并能够与电网进行双向互动。
二、电力系统调度电力生产费用最小化
本申请实施例采用机组组合模型模拟电力系统调度优化过程，由于后续三层优化问题求解中涉及大量辅助变量的引入，为降低问题复杂度，模型根据火电机组的发电效率、燃料类型、地理位置、燃料价格和单机容量等指标对机组进行聚类，并针对机组集群利用聚类机组组合模型进行建模。该方法的基本思想是利用单个整数变量代替机组集群内表征各机组运行状态的多个0-1变量，在降低机组组合问题复杂性的同时有效模拟火电机组运行约束。电力系统调度的目标函数为电力生产总费用，包括火电机组的运行燃料成本以及启停成本，如下式所示：
式中，PG,t为机组集群G在t时段发电功率总和；与/>分别为t时段系统中风电与光伏实际发电功率；uG,t、yG,t与zG,t均为整数状态变量，分别表示集群G在t时段内运行机组数目、启动机组数目与关停机组数目；bG与cG分别为机组集群G的可变运行能耗系数与固定运行能耗系数；FPG为机组集群G的单位能耗对应燃料价格；CsG与CdG分别为机组集群G的单位启动能耗与单位关停能耗。
聚类机组组合中的状态变量需满足以下约束条件：
yG,t+zG,t≤ng (14)
uG,t-uG,t-1＝yG,t-zG,t (15)
uG,τ,yG,t,zG,t∈{0,1,2,…,nG} (16)
式中，nG为机组集群G中火电机组总数。
火电机组集群的其他运行约束包括最小开关机时间约束(式(17)与(18))、出力上下限约束(式(19))以及爬坡约束(式(20)与(21))。
式中，UTG与DTG分别为机组集群G的最小开机时间与最小关机时间；与/>分别为机组集群G的平均出力下限与平均出力上限；RDG与RUG分别为机组集群G的平均最大功率下降限值与平均最大功率上升限值；SDG与SUG分别为机组集群G的停机阶段平均功率下降限值与启动阶段平均功率上升限值。
系统中风电光伏出力受装机总量与实时资源条件约束，如下所示：
式中，CAw与CAs分别为风力发电与光伏发电装机总量；与/>分别为t时段风力发电容量因子与光伏发电容量因子。
同时，系统整体需满足功率平衡约束与旋转备用约束，如下所示：
式中，Lt为t时段系统常规用电负荷；rL、rW与rS分别为考虑用电负荷、风电出力、光伏出力的不确定性的旋转备用率；rContingency为系统的应急备用需求；为由爬坡约束和出力上下限确定的机组集群G在t时段最大发电功率总和。
三、虚拟电厂利润最大化
根据方案中构建的基于电动汽车聚合的虚拟电厂运行机制，虚拟电厂可通过调整零售电价信号以实现自身利润最大化：
式中，为由电力系统运营商发布的t时段内批发电力价格，其取值由系统边际发电成本通过线性变换得到：
式中，为t时段系统边际发电成本，其取值与机组组合模型在机组状态变量取定值时对应的拉格朗日乘子相同；λfix为电价构成中的固定费用，包括输配电价、可再生能源补贴等等；α为由系统边际发电成本转换为批发电力价格的线性转换系数。
为维持虚拟电厂稳定运行，同时保障电动汽车车主收益，虚拟电厂发布的零售电价信号受上下限约束以及平均电价约束：
式中，Rangeret为零售电力价格相对批发电力价格的最大固定浮动范围；m为研究周期内平均零售电力价格相对平均批发电力价格的最大价格差。
上述协同调度方法中，先获取电力系统中各机组集群的状态初值；接着基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，该三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群；该方法中，通过初始状态初值，并根据各层的目标和约束条件，计算出协同调度结果，协同调度结果将指导电力系统、虚拟电厂和电车集群的运行，以实现最优的资源利用、成本效益和效率，并且有助于确保电力系统、虚拟电厂和电车集群之间的协同工作，以满足各方的需求和目标。
上述实施例中提到了服务器可以基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果，以下实施例就对服务器基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的具体过程进行详细说明。
在一个示例性的实施例中，如图3所示，S204包括S302至S304。其中：
S302，基于状态初值，利用非线性规划技术和数值优化算法将三层模型对应的三层问题转化为单层问题。
S304，对单层问题进行求解，得到协同调度结果。
其中，非线性规划技术主要用于处理目标函数和约束条件的非线性部分。具体来说，非线性规划技术可以帮助将原始三层问题中的非线性目标函数和约束条件转化为等价的单层问题，使得问题的求解更容易。
数值优化算法用于确定给定问题的最优解是否满足必要条件，以采用卡鲁什-库恩-塔克(Karush-Kuhn-Tucker，简称KKT)为例，KKT条件是处理约束条件的一种方法，特别是处理等式和不等式约束条件。在将多层优化问题转化为单层问题时，KKT条件可以用于引入拉格朗日乘子，以确保原始的上下层约束条件在单层问题中得到满足。KKT条件是数学上的必要条件，用于判定一个解是否为约束最优解。这些条件包括梯度条件、互补松弛条件和拉格朗日乘子非负性条件，通常用于描述和管理约束条件。
可选的，KKT条件包括以下几个部分：(1)原始可行性：原始可行性要求决策变量满足问题的约束条件。(2)稳定性：稳定性条件要求问题的目标函数在最优解处的梯度等于零。这表示最优解应该位于目标函数的平坦部分。对偶可行性：对偶可行性条件要求拉格朗日乘子(也称为对偶变量)是非负的。(3)这表示乘子不能取负值。(4)互补松弛条件：互补松弛条件指出，如果某个约束不是严格活跃(也就是说，它对最优解没有影响)，则与该约束对应的拉格朗日乘子必须为零。反之亦然，如果乘子不为零，那么相应的约束必须是严格活跃的。
在本申请实施例中，基于状态初值，利用非线性规划技术和数值优化算法将三层模型对应的三层问题转化为单层问题。接着对单层问题进行求解，得到协同调度结果。可选的，根据上述各市场主体的优化目标，和图1中的三层模型，可以得出的三层优化模型可表述为如下形式：
并满足以下条件：
(1)
(2)
(3)式(27)-式(29)
式中，OFVPP，OFSYS分别为前文所述虚拟电厂运营商、电动汽车车队以及电力系统调度的优化目标函数，决策变量包括虚拟电厂运营商发布的零售电价/>电动汽车充放电功率/>以及电力系统发电单元出力功率PG,t,/>该公式表明虚拟电厂运营商须在电动汽车车队的充放电功率和电力系统发电单元出力功率均实现各自目标函数最优化前提下寻求自身利润最大化。
本申请实施例首先利用无序充电情景下对应的聚类机组组合问题获取各机组集群开关机状态初值，并在该固定的机组集群开关机状态下利用KKT条件将式30)所示三层优化问题转化为单层优化问题，如下所示，包括原始上层优化问题约束(式32))、原始下层优化问题约束(式33))、梯度条件(式34)-式38))、互补松弛条件(式39))以及拉格朗日乘子非负性条件(式40))：
λj≥0 (40)
式中，Gi为上层优化问题中的第i个约束条件，即式(27)至式(29)；gj为下层优化问题中的第j个约束条件，包括式(2)-式(12)及式(19)-式(25)；I与J分别为上层优化与下层优化约束总数；λj为约束gj对应的拉格朗日乘子。
需要说明的是，获取各机组集群开关机状态的初始值的目的是为了简化复杂的三层优化问题。这些初始值提供了一个起点，让优化算法更容易找到问题的最优解。虚拟电厂和电车参数值的选择可能受到更多因素的影响，如充放电功率、电价等。因此，选择并固定这些参数可能会引入更多的复杂性，而获取机组集群的开关机状态则相对简单。
上述实施例中，由于三层模型包含多层次的优化问题，处理复杂。将其合并为单层问题降低了问题的复杂性，简化了数学建模和求解过程。另外，通过将电力系统、虚拟电厂和电车集群的优化问题合并，可以综合考虑多方的利益。这有助于实现资源的协同分配，以满足电力系统的需求、虚拟电厂的利润目标和电车集群的用能需求。
上述实施例提到了服务器可以对单层问题进行求解，得到协同调度结果。实际上，单层问题对应非线性的目标函数和约束条件，在此基础上，以下实施例就对非线性的目标函数和约束条件分别进行求解，得到协同调度结果的具体过程进行详细说明。
在一个示例性的实施例中，如图4所示，S304包括S402至S406。其中：
S402，利用线性化处理方式对非线性的目标函数和非线性的约束条件进行等效处理，获得线性的目标函数和线性的约束条件。
S404，利用优化求解器对线性的目标函数和线性的约束条件进行求解处理，得到三层模型的候选解。
S406，采用嵌套迭代算法对候选解进行分析处理得到目标解，并将目标解作为协同调度结果。
在本申请实施例中，首先，将三层模型中的非线性目标函数和非线性约束条件进行线性化处理，以获得等效的线性目标函数和线性约束条件。例如泰勒级数展开或其他线性化方法。接着，将线性化后的问题传递给优化求解器，通过不断调整决策变量的值来寻找最优解。优化求解器将求解线性化后的问题，并得到候选解，候选解满足线性目标函数和约束条件的解。最后，采用嵌套迭代算法对候选解进行分析和处理。这可以涉及到反复调整决策变量的值，然后将这些新的值代入原始非线性问题中，以检查是否满足非线性目标函数和约束条件。这个迭代过程在多个层次上进行，不断改进决策变量的值。最终，嵌套迭代算法会得到目标解，这是一个满足原始非线性目标函数和约束条件的解。这个目标解被认为是协同调度结果，用于协同调度电力系统、虚拟电厂和电车集群。
上述实施例中，通过充分利用线性化处理和优化求解器的优势，以找到原始非线性问题的最优解或者接近最优解。通过不断迭代和优化，确保协同调度结果能够满足多层次的约束和目标，以实现最优的资源利用、成本效益和效率，并且有助于确保电力系统、虚拟电厂和电车集群之间的协同工作，以满足各方的需求和目标。
上述实施例中提到了服务器可以利用线性化处理方式对非线性的目标函数和非线性的约束条件进行等效处理，获得线性的目标函数和线性的约束条件。实际上，线性化处理方式包括强对偶定理和线性化定理，在此基础上，以下实施例就对利用线性化处理方式对非线性的目标函数和非线性的约束条件进行等效处理，获得线性的目标函数和线性的约束条件的具体过程进行详细说明。
在一个示例性的实施例中，如图5所示，S402包括S502至S504。其中：
S502，利用强对偶定理对非线性的目标函数进行处理，获得线性的目标函数。
S504，利用线性化定理对非线性的约束条件进行处理，获得线性的约束条件。
其中，强对偶定理是线性规划中的一个重要定理，它涉及到原始问题和对偶问题之间的关系。该定理表明，如果原始线性规划问题是有界的(即有可行解)，则其对偶问题也是有界的，而且二者具有相同的最优目标值。可选的，强对偶定理包括以下几个要点：1)原始问题：原始线性规划问题是寻找最小化目标函数的线性组合，同时满足一组线性不等式约束条件的问题。这个问题通常表示为最小化形式，目标是最小化一个线性函数。2)对偶问题：对偶问题是与原始问题相关的另一个线性规划问题。它涉及到寻找一个最大化线性函数的线性组合，同时满足一组对偶线性不等式约束条件。对偶问题通常表示为最大化形式。3)强对偶性：强对偶定理断言，如果原始问题具有有界解(即存在一组可行解)，那么对偶问题也有有界解，并且二者的最优目标值相等。这意味着原始问题和对偶问题之间存在一个对偶性关系，它保证了两者在最优值上的一致性。4)对偶间隙：强对偶定理还表明，任何原始问题和对偶问题之间的差异，即原始问题的最优值和对偶问题的最优值之间的差异，不会大于零。这被称为"对偶间隙"，通常用于衡量原始问题和对偶问题之间的最优性。强对偶定理在线性规划理论和应用中起着重要作用，它确保了线性规划问题的最优性条件，以及在解决这些问题时可以同时考虑原始问题和对偶问题，以便更好地理解和优化线性规划模型。
线性化定理主要采用Fortuny-Amat线性化方法，Fortuny-Amat线性化方法是一种用于线性化非线性问题的数学技术。这种方法通常用于非线性规划或优化问题的求解。Fortuny-Amat线性化方法的核心思想是将非线性问题近似为一个线性问题，从而可以使用线性规划或整数线性规划等常见优化方法来解决它。
在本申请实施例中，利用强对偶定理对非线性的目标函数进行处理，获得线性的目标函数。利用线性化定理对非线性的约束条件进行处理，获得线性的约束条件。可选的，由于目标函数和约束条件中包含非线性项，这些非线性项包括目标函数中的零售电价与充放电功率的乘积以及互补松弛条件中的拉格朗日乘子与决策变量的乘积。这些非线性项使问题难以直接求解。因此利用强对偶定理和Fortuny-Amat线性化方法，来将这些非线性项线性化等效。这可以使原问题转化为混合整数线性规划问题，从而更容易求解。其中，强对偶定理用于处理目标函数中的零售电价与充放电功率的乘积。通过强对偶定理，可以将原问题与对偶问题联系起来，将问题转化为一个线性规划问题。Fortuny-Amat线性化方法用于处理互补松弛条件中的拉格朗日乘子与决策变量的乘积。这就解决了互补松弛条件中的非线性项。
上述实施例中，通过强对偶定理和线性化定理，对非线性项进行线性化处理，将它们近似为线性项，从而将原问题的目标函数线性化。这使得整个问题变为一个混合整数线性规划问题。
上述实施例中提到了服务器可以利用优化求解器对线性的目标函数和线性的约束条件进行求解处理，得到三层模型的候选解。以下实施例就对利用优化求解器对线性的目标函数和线性的约束条件进行求解处理，得到三层模型的候选解的具体过程进行详细说明。
在一个示例性的实施例中，如图6所示，S404包括S602至S604。其中：
S602，对所述优化求解器的参数进行一次设置，并进行求解处理得到初始可行解。
S604，在初始可行解的基础上进行参数二次设置，进行求解后得到候选解。
其中，优化求解器主要利用古罗比优化器(Gurobi Optimizer，简称GUROBI)用于线性规划、整数规划、混合整数规划、二次规划、非线性规划等数学优化问题的求解。
在本申请实施例中，首先对优化求解器的参数进行一次设置，并进行求解处理得到多个初始可行解。接着，对优化求解器的参数进行二次设置，并进行求解处理，从多个初始可行解中确定候选解。
可选的，由于在单层重构和线性化处理过程中引入大量辅助变量，问题计算复杂度较高，具体表现为难以获得初始可行解以及最优解下界收敛过慢。针对这一问题，本申请实施例中采用对GUROBI求解器进行差异化参数设置的两阶段方法进行求解，其中第一阶段求解旨在尽快获取初始可行解；第二阶段旨在寻找最优解，其参数设置以证明最优性为目标。可选的，在使用GUROBI求解器进行优化问题求解时，由于问题的复杂性，会面临难以获得初始可行解和最优解下界收敛缓慢的情况。为了克服这一问题，采用了两阶段方法，其中每个阶段具有不同的参数设置：1)第一阶段求解：这个阶段的主要目标是尽快获取一个初始可行解。在这个阶段，参数设置可能被配置为更宽松，以允许GUROBI求解器更多地探索问题空间，即允许一些变量取非整数值。这一阶段的主要任务是获得一个可行解，即使它不是最优解。2)第二阶段求解：一旦第一阶段获得了一个初始可行解，就进入了第二阶段。这一阶段的参数设置被调整，以便更加专注地搜索最优解，即问题的最佳解决方案。参数设置可能更加严格，以确保算法朝着全局最优解的方向迅速收敛。
上述实施例中，在第一阶段求解中，将非整数变量设置为整数变量的宽松约束有助于获得一个初始可行解。这个初始可行解可能不是最优解，但它有助于启动求解器，使其更快地进入第二阶段。这有益于问题求解的速度和效率，因为从一个良好的初始点开始，求解器更有可能在第二阶段中更快地找到最优解。使用两个阶段求解的方法结合了快速获得初始解和专注于最优解的优点。第一阶段的宽松参数设置允许快速找到一个可行解，而第二阶段的严格参数设置有助于更深入地探索问题空间，以找到最优解。这种两阶段方法结合了快速启动和全局最优解搜索的优势，有助于更有效地解决问题。总之，将非整数变量设置为整数变量以及采用两个阶段的求解方法有助于提高求解器的效率，减少问题求解的时间，并在复杂问题中找到更好的解决方案。
上述实施例中提到了服务器可以采用嵌套迭代算法对候选解进行分析处理得到目标解，并将目标解作为协同调度结果，在此基础上，以下实施例就对采用嵌套迭代算法对候选解进行分析处理得到目标解，并将目标解作为协同调度结果的具体过程进行详细说明。
在一个示例性的实施例中，如图7所示，S406包括S702至S706。其中：
S702，将候选解代入聚类机组组合问题中，得到电力系统中各机组集群的开关机状态。
S704，在电力系统中各机组集群的开关机状态不变的情况下，将候选解确定为目标解，并将目标解作为协同调度结果。
S706，在电力系统中各机组集群的开关机状态发生变化的情况下，采用嵌套迭代算法改进电力系统中各机组集群的状态初值，并返回执行基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的步骤。
其中，聚类机组组合问题是指在电力系统中，将不同的发电机组(通常是火电、风电、太阳能等)进行分组，以便更有效地管理和调度它们的发电能力。这种问题通常出现在电力系统的优化调度中，以确保电力供应的稳定性和可行性。
通常，发电机组可以根据它们的技术特性、燃料类型、发电能力、运行成本等属性进行分类。聚类机组组合问题的目标是将这些机组合理地组合在一起，以最大程度地满足电力需求，同时尽量降低成本、提高效率或满足其他特定的目标。这通常需要考虑各种约束条件，例如电力系统的稳定性、发电机组的启停操作、排放要求等。
解决聚类机组组合问题通常需要应用优化方法，例如数学规划、线性规划、混合整数线性规划(Mixed-Integer Linear Programming，简称MILP)等技术，以找到最佳的机组组合方案。这有助于电力系统运营商在不同条件下有效地管理和调度电力生成资源，以满足电力市场的需求并确保系统的可靠性。
在本申请实施例中，将候选解代入聚类机组组合问题中，得到电力系统中各机组集群的开关机状态。在电力系统中各机组集群的开关机状态不变的情况下，将候选解确定为目标解，并将目标解作为协同调度结果。在电力系统中各机组集群的开关机状态发生变化的情况下，采用嵌套迭代算法改进电力系统中各机组集群的状态初值，并返回执行基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的步骤。
可选的，采用嵌套迭代算法不断改进机组集群的开关机状态。具体而言，本申请实施例首先利用无序充电情景下对应的聚类机组组合问题获取各机组集群开关机状态初值，并在该固定的机组集群开关机状态下完成该三层优化问题求解后，将此时虚拟电厂运营商的聚合充放电功率代入聚类机组组合问题进行最优性检验，若在给定的收敛间隙下机组集群开关机状态不发生改变，则认为已获得原三层优化问题最优解；否则，将新的机组集群开关机状态作为外生变量再次代入三层优化问题求解，形成迭代过程，并在每次迭代中求解上述单层重构和线性化后的MILP问题。当机组集群的开关机状态不再发生变化，或者达到最大迭代次数时，迭代终止，并得到最优解或近似最优解。具体来说，在迭代过程中，首先得到了虚拟电厂运营商的聚合充放电功率。这个功率代表了虚拟电厂运营商的充电和放电行为，是虚拟电厂的核心操作。接下来，将这个聚合充放电功率代入"聚类机组组合问题"中。这个问题可能是一个独立的数学模型，用于考虑机组集群的运行和配置。在代入后，会评估机组集群的开关机状态是否发生了变化。这是通过比较当前的机组集群配置与前一次迭代时的配置来完成的。如果在给定的收敛间隔内，机组集群的开关机状态没有发生改变，那么可以认为当前的机组配置可能已经达到最优状态。这个收敛间隔通常是一个小的数值阈值，用于判断开关机状态的微小变化。如果开关机状态在该间隔内变化幅度很小，那么可以认为已经足够接近最优解。如果满足上述条件，就可以认为已经获得了原三层优化问题的最优解。这意味着在当前虚拟电厂运营商的行为下，机组集群的配置已经是最优的，不需要进一步的迭代。
上述实施例中，通过不断迭代改进机组集群的配置，直到达到最优或接近最优的状态。通过在每次迭代中进行最优性检验，可以及早终止迭代，从而提高计算效率。
以下给出一个详细实施例来对本申请实施例中协同调度方法的过程进行说明，在上述实施例的基础上，该方法的实现过程可以包括以下内容：
S1，获取电力系统中各机组集群的状态初值。
S2，基于状态初值，利用非线性规划技术和数值优化算法将三层模型对应的三层问题转化为单层问题；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件。
S3，利用强对偶定理对非线性的目标函数进行处理，获得线性的目标函数。
S4，利用线性化定理对非线性的约束条件进行处理，获得线性的约束条件。
S5，对优化求解器的参数进行一次设置，并进行求解处理得到初始可行解。
S6，在初始可行解的基础上进行参数二次设置，进行求解后得到候选解。
S7，将候选解代入聚类机组组合问题中，得到电力系统中各机组集群的开关机状态。
S8，在电力系统中各机组集群的开关机状态不变的情况下，将候选解确定为目标解，并将目标解作为协同调度结果，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
S9，在电力系统中各机组集群的开关机状态发生变化的情况下，采用嵌套迭代算法改进电力系统中各机组集群的状态初值，并返回执行基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的步骤。
应该理解的是，虽然如上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协同调度方法的协同调度装置。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协同调度装置实施例中的具体限定可以参见上文中对于协同调度方法的限定，在此不再赘述。
在一个示例性的实施例中，如图8所示，提供了一种协同调度装置，包括：获取模块11和确定模块12，其中：
获取模块11，用于获取电力系统中各机组集群的状态初值；
确定模块12，用于基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
在另一个实施例中，提供了另一种协同调度装置，在上述实施例的基础上，上述确定模块12可以包括：
转化单元，用于基于状态初值，利用非线性规划技术和数值优化算法将三层模型对应的三层问题转化为单层问题；
求解单元，用于对单层问题进行求解，得到协同调度结果。
在另一个实施例中，提供了另一种协同调度装置，在上述实施例的基础上，上述求解单元可以包括：
等效处理子单元，用于利用线性化处理方式对非线性的目标函数和非线性的约束条件进行等效处理，获得线性的目标函数和线性的约束条件；
求解处理子单元，用于利用优化求解器对线性的目标函数和线性的约束条件进行求解处理，得到三层模型的候选解；
分析处理子单元，用于采用嵌套迭代算法对候选解进行分析处理得到目标解，并将目标解作为协同调度结果。
在另一个实施例中，提供了另一种协同调度装置，在上述实施例的基础上，上述等效处理子单元具体用于利用强对偶定理对非线性的目标函数进行处理，获得线性的目标函数；利用线性化定理对非线性的约束条件进行处理，获得线性的约束条件。
在另一个实施例中，提供了另一种协同调度装置，在上述实施例的基础上，上述求解处理子单元具体用于对优化求解器的参数进行一次设置，并进行求解处理得到初始可行解；在初始可行解的基础上进行参数二次设置，进行求解后得到候选解。
在另一个实施例中，提供了另一种协同调度装置，在上述实施例的基础上，上述分析处理子单元具体用于将候选解代入聚类机组组合问题中，得到电力系统中各机组集群的开关机状态；在电力系统中各机组集群的开关机状态不变的情况下，将候选解确定为目标解，并将目标解作为协同调度结果；在电力系统中各机组集群的开关机状态发生变化的情况下，采用嵌套迭代算法改进电力系统中各机组集群的状态初值，并返回执行基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的步骤。
上述协同调度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。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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和内存储器。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协同调度数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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一种协同调度方法。
本领域技术人员可以理解，图9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。
在一个示例性的实施例中，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以下步骤：
获取电力系统中各机组集群的状态初值；
基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于状态初值，利用非线性规划技术和数值优化算法将三层模型对应的三层问题转化为单层问题；
对单层问题进行求解，得到协同调度结果。
在一个实施例中，单层问题对应非线性的目标函数和约束条件，处理器执行计算机程序时还实现以下步骤：
利用线性化处理方式对非线性的目标函数和非线性的约束条件进行等效处理，获得线性的目标函数和线性的约束条件；
利用优化求解器对线性的目标函数和线性的约束条件进行求解处理，得到三层模型的候选解；
采用嵌套迭代算法对候选解进行分析处理得到目标解，并将目标解作为协同调度结果。
在一个实施例中，线性化处理方式包括强对偶定理和线性化定理，处理器执行计算机程序时还实现以下步骤：
利用强对偶定理对非线性的目标函数进行处理，获得线性的目标函数；
利用线性化定理对非线性的约束条件进行处理，获得线性的约束条件。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对优化求解器的参数进行一次设置，并进行求解处理得到初始可行解。
在初始可行解的基础上进行参数二次设置，进行求解后得到候选解。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将候选解代入聚类机组组合问题中，得到电力系统中各机组集群的开关机状态；
在电力系统中各机组集群的开关机状态不变的情况下，将候选解确定为目标解，并将目标解作为协同调度结果；
在电力系统中各机组集群的开关机状态发生变化的情况下，采用嵌套迭代算法改进电力系统中各机组集群的状态初值，并返回执行基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的步骤。
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，计算机程序被处理器执行时实现以下步骤：
获取电力系统中各机组集群的状态初值；
基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于状态初值，利用非线性规划技术和数值优化算法将三层模型对应的三层问题转化为单层问题；
对单层问题进行求解，得到协同调度结果。
在一个实施例中，单层问题对应非线性的目标函数和约束条件，计算机程序被处理器执行时还实现以下步骤：
利用线性化处理方式对非线性的目标函数和非线性的约束条件进行等效处理，获得线性的目标函数和线性的约束条件；
利用优化求解器对线性的目标函数和线性的约束条件进行求解处理，得到三层模型的候选解；
采用嵌套迭代算法对候选解进行分析处理得到目标解，并将目标解作为协同调度结果。
在一个实施例中，线性化处理方式包括强对偶定理和线性化定理，计算机程序被处理器执行时还实现以下步骤：
利用强对偶定理对非线性的目标函数进行处理，获得线性的目标函数；
利用线性化定理对非线性的约束条件进行处理，获得线性的约束条件。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对优化求解器的参数进行一次设置，并进行求解处理得到初始可行解；
在初始可行解的基础上进行参数二次设置，进行求解后得到候选解。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将候选解代入聚类机组组合问题中，得到电力系统中各机组集群的开关机状态；
在电力系统中各机组集群的开关机状态不变的情况下，将候选解确定为目标解，并将目标解作为协同调度结果；
在电力系统中各机组集群的开关机状态发生变化的情况下，采用嵌套迭代算法改进电力系统中各机组集群的状态初值，并返回执行基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的步骤。
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以下步骤：
获取电力系统中各机组集群的状态初值；
基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，三层模型包括电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，协同调度结果用于协同调度电力系统、虚拟电厂和电车集群。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于状态初值，利用非线性规划技术和数值优化算法将三层模型对应的三层问题转化为单层问题；
对单层问题进行求解，得到协同调度结果。
在一个实施例中，单层问题对应非线性的目标函数和约束条件，计算机程序被处理器执行时还实现以下步骤：
利用线性化处理方式对非线性的目标函数和非线性的约束条件进行等效处理，获得线性的目标函数和线性的约束条件；
利用优化求解器对线性的目标函数和线性的约束条件进行求解处理，得到三层模型的候选解；
采用嵌套迭代算法对候选解进行分析处理得到目标解，并将目标解作为协同调度结果。
在一个实施例中，线性化处理方式包括强对偶定理和线性化定理，计算机程序被处理器执行时还实现以下步骤：
利用强对偶定理对非线性的目标函数进行处理，获得线性的目标函数；
利用线性化定理对非线性的约束条件进行处理，获得线性的约束条件。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对优化求解器的参数进行一次设置，并进行求解处理得到初始可行解；
S6，在初始可行解的基础上进行参数二次设置，进行求解后得到候选解。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将候选解代入聚类机组组合问题中，得到电力系统中各机组集群的开关机状态；
在电力系统中各机组集群的开关机状态不变的情况下，将候选解确定为目标解，并将目标解作为协同调度结果；
在电力系统中各机组集群的开关机状态发生变化的情况下，采用嵌套迭代算法改进电力系统中各机组集群的状态初值，并返回执行基于状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的步骤。
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，且相关数据的收集、使用和处理需要符合相关规定。
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(Magnetoresistive Random 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 RandomAccess Memory，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)
1.一种协同调度方法，其特征在于，所述方法包括：
获取电力系统中各机组集群的状态初值；
基于所述状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，所述三层模型包括所述电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，所述协同调度结果用于协同调度所述电力系统、所述虚拟电厂和所述电车集群。
2.根据权利要求1所述的方法，其特征在于，所述基于所述状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果，包括：
基于所述状态初值，利用非线性规划技术和数值优化算法将所述三层模型对应的三层问题转化为单层问题；
对所述单层问题进行求解，得到所述协同调度结果。
3.根据权利要求2所述的方法，其特征在于，所述单层问题对应非线性的目标函数和非线性的约束条件，所述对所述单层问题进行求解，得到所述协同调度结果，包括：
利用线性化处理方式对所述非线性的目标函数和所述非线性的约束条件进行等效处理，获得线性的目标函数和线性的约束条件；
利用优化求解器对所述线性的目标函数和所述线性的约束条件进行求解处理，得到所述三层模型的候选解；
采用嵌套迭代算法对所述候选解进行分析处理得到目标解，并将所述目标解作为所述协同调度结果。
4.根据权利要求3所述的方法，其特征在于，所述线性化处理方式包括强对偶定理和线性化定理，所述利用线性化处理方式对所述非线性的目标函数和所述非线性的约束条件进行等效处理，获得线性的目标函数和线性的约束条件，包括：
利用所述强对偶定理对所述非线性的目标函数进行处理，获得所述线性的目标函数；
利用所述线性化定理对所述非线性的约束条件进行处理，获得所述线性的约束条件。
5.根据权利要求3所述的方法，其特征在于，所述利用优化求解器对所述线性的目标函数和所述线性的约束条件进行求解处理，得到所述三层模型的候选解，包括：
对所述优化求解器的参数进行一次设置，并进行求解处理得到初始可行解；
在所述初始可行解的基础上进行参数二次设置，进行求解后得到所述候选解。
6.根据权利要求3所述的方法，其特征在于，所述采用嵌套迭代算法对所述候选解进行分析处理得到目标解，并将所述目标解作为所述协同调度结果，包括：
将所述候选解代入聚类机组组合问题中，得到所述电力系统中各机组集群的开关机状态；
在所述电力系统中各机组集群的开关机状态不变的情况下，将所述候选解确定为所述目标解，并将所述目标解作为所述协同调度结果；
在所述电力系统中各机组集群的开关机状态发生变化的情况下，采用所述嵌套迭代算法改进所述电力系统中各机组集群的状态初值，并返回执行所述基于所述状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果的步骤。
7.一种协同调度装置，其特征在于，所述装置包括：
获取模块，用于获取电力系统中各机组集群的状态初值；
确定模块，用于基于所述状态初值和预先建立的电力系统、虚拟电厂以及电车集群的三层模型确定协同调度结果；其中，所述三层模型包括所述电力系统、虚拟电厂以及电车集群分别对应的目标函数和约束条件，所述协同调度结果用于协同调度所述电力系统、所述虚拟电厂和所述电车集群。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311557984.9A CN117669930A (zh) | 2023-11-21 | 2023-11-21 | 协同调度方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311557984.9A CN117669930A (zh) | 2023-11-21 | 2023-11-21 | 协同调度方法、装置、设备、存储介质和程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117669930A true CN117669930A (zh) | 2024-03-08 |
Family
ID=90072492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311557984.9A Pending CN117669930A (zh) | 2023-11-21 | 2023-11-21 | 协同调度方法、装置、设备、存储介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117669930A (zh) |
-
2023
- 2023-11-21 CN CN202311557984.9A patent/CN117669930A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492815B (zh) | 一种市场机制下面向电网的储能电站选址定容优化方法 | |
| US11824360B2 (en) | Apparatus and method for optimizing carbon emissions in a power grid | |
| CN114221357A (zh) | 计及调频备用效益的主动配电网分层分布式优化调度方法 | |
| Sang et al. | Electricity price prediction for energy storage system arbitrage: A decision-focused approach | |
| Kong et al. | Refined peak shaving potential assessment and differentiated decision-making method for user load in virtual power plants | |
| Xie et al. | Multi-Agent attention-based deep reinforcement learning for demand response in grid-responsive buildings | |
| Zhang et al. | Real-time adjustment of load frequency control based on controllable energy of electric vehicles | |
| Nair et al. | Exploring blockchain enabled smart community with electric vehicles | |
| Gao et al. | Model predictive control of a building renewable energy system based on a long short-term hybrid model | |
| CN114202229B (zh) | 基于深度强化学习的微电网的能量管理策略的确定方法 | |
| Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
| Chen et al. | Multi-objective robust optimal bidding strategy for a data center operator based on bi-level optimization | |
| Li et al. | Deep reinforcement learning based explainable pricing policy for virtual storage rental service | |
| WO2024056050A1 (zh) | 海量柔性负荷快速聚合控制方法及装置 | |
| Tan et al. | Distributionally robust energy management for multi-microgrids with grid-interactive EVs considering the multi-period coupling effect of user behaviors | |
| Ma et al. | Market-based co-optimization of energy and ancillary services with distributed energy resource flexibilities | |
| CN111008723B (zh) | 一种用于分布式能源pev充电站设计的优化方法 | |
| CN116862068A (zh) | 一种计及激励型响应不确定性的变电站规划分布鲁棒优化方法及系统 | |
| CN117669930A (zh) | 协同调度方法、装置、设备、存储介质和程序产品 | |
| CN115907140A (zh) | 电力现货出清方案优化方法、装置、计算机设备和介质 | |
| Rahman et al. | On efficient operation of a V2G-enabled virtual power plant: when solar power meets bidirectional electric vehicle charging | |
| Chen et al. | Optimal Energy Dispatch of Grid-Connected Electric Vehicle Considering Lithium Battery Electrochemical Model | |
| Wang et al. | A day‐ahead bidding strategy for battery swapping and charging system participating in the regulation market | |
| Hao et al. | Short-term Power Load Forecasting for Larger Consumer based on TensorFlow Deep Learning Framework and Clustering-regression Model | |
| Keyan et al. | Anomaly detection method of distribution network line loss based on hybrid clustering and LSTM |
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 |