CN120013201A - 优化虚拟电厂调度模型的方法、装置及可读存储介质 - Google Patents

Abstract

本申请提供了优化虚拟电厂调度模型的方法、装置及可读存储介质，该方法在风电联合出力的场景中，基于用户的综合满意度建立虚拟电厂运行收益目标函数，通过粒子群优化算法获取综合最优决策。其中，该方法对风光出力不确定性进行建模，采用马氏距作为测度，并采用改进的迭代自组织数据分析算法缩减风电联合出力的场景数量，考虑数据的协方差，使得聚类结果更能反映数据的内在联系，提高了对风光出力不确定性建模的准确性和可靠性。同时，该方法从经济性和低碳性两个维度构建用户的综合满意度模型，充分考虑了用户在经济成本和环保理念上的双重需求，提高用户对虚拟电厂服务的认可程度。

Description

优化虚拟电厂调度模型的方法、装置及可读存储介质

技术领域

本申请涉及电厂资源调度技术领域，尤其涉及一种优化虚拟电厂调度模型的方法、装置及可读存储介质。

背景技术

虚拟电厂VPP在实际运行和优化调度中，面临着诸多挑战。其中，风光能源出力受自然条件影响显著，具有高度的不确定性，传统的对风光出力不确定性的处理方法，在精度和效率上难以满足实际需求。

在用户满意度方面，以往虚拟电厂调度研究大多仅从单一维度出发，比如仅关注用户的用电成本，忽视了其他重要因素。单纯从经济性角度出发，无法全面衡量用户的实际满意度，导致虚拟电厂的调度方案与用户的真实需求存在偏差，影响用户参与虚拟电厂的积极性和主动性。

因此，如何在满足用户需求的同时，提高获取风光出力不确定性的精度和效率，获取VPP的最优调度决策成为继续解决的问题。

发明内容

本申请实施例提供了一种优化虚拟电厂调度模型的方法、装置及可读存储介质，可以在考虑经济成本和环保理念的双重需求上，提高了对风光出力不确定性建模的准确性和可靠性，获取VPP调度的综合最优决策，该技术方案如下：

第一方面，提供了一种优化虚拟电厂调度模型的方法，包括：基于风光出力不确定性的特点，建立风光出力不确定性模型，该风光出力不确定性模型用于通过迭代自组织数据分析算法ISODATA获取个风电联合出力场景，该为正整数；基于经济成本和环保理念的需求，建立用户需求模型，该用户需求模型用于获取用户综合满意度；基于该风光出力不确定性模型和该用户需求模型，建立虚拟电厂调度模型，该虚拟电厂调度模型用于求解在该个风电联合出力场景下考虑该用户综合满意度的最优决策；采用粒子群算法计算该虚拟电厂调度模型的最优解，将该最优解确定为虚拟电厂的调度决策。

结合第一方面，该风光出力不确定性模型包括风光出力概率密度函数和风光出力联合分布函数，该的计算公式为：

;

式中：为在采样周期内风光出力采集的样本，为风光出力的第i个样本值，n为风光出力数据的历史天数，为带宽，i为正整数；该的计算公式为：

；

式中：与来自该，该为风电出力在采样周期内采集的样本，为风电出力累积分布函数，该为光电出力在采样周期内采集的样本，为光电出力累积分布函数；为该与该的相关性，该属于-1到1的区间范围且不等于0。

结合第一方面，在第一方面的一些实现方式中，该迭代自组织数据分析算法ISODATA包括以下计算步骤：

步骤(101).获取M个样本，确定初始的聚类中心并记录该预期的最短距离，该i在1到M的取值范围，该M为正整数；

步骤(102).计算该M个被选为下一个该聚类中心的概率，基于该确定出个该聚类中心，记为，该为正整数，该的计算公式为：

；

步骤(103).计算每个该到该聚类中心的马氏距离，将每个该分配到该中最短对应的聚类簇中，该和该的计算公式依次为：

；

；

式中：为权重矩阵，；若该中的样本数量小于最少样本数，则去除该和该对应的该，将该中的分配到剩余聚类中心与该中最短对应的聚类簇中，基于各个该中的重新计算该；

步骤(104).计算该中的最大方差和标准差，当该大于该时，或当前该聚类中的数量满足的数量关系时，或迭代次数为奇数次时，进行分裂运算，该分裂运算将该分裂出新的聚类中心和，对该聚类中心的数量加1，该分裂运算的具体计算公式为：

；

步骤(105).计算该个该之间的该马氏距离，当两个聚类中心之间的马氏距离小于阈值时，或该满足的数量关系时，或迭代次数为偶数次时，进行合并运算，该合并运算将该两个聚类中心合并为新的该聚类中心，对该聚类中心的数量减1,该合并运算的具体计算公式为：()；

式中：等式左侧的该为新的该聚类中心，等式右侧的该与该为该两个聚类中心，该和该均为样本集；

步骤(106).重复执行该步骤(103)到该步骤(105)迭代计算，直到该迭代计算的次数达到最大迭代次数为止停止计算，将该风电联合出力场景的数量确定为当前该聚类中心的数量。

结合第一方面，在第一方面的一些实现方式中，该用户需求模型包括经济性指标和低碳性指标，该用户综合满意度为线性加权该经济性指标和该低碳性指标来构建的。

结合第一方面，在第一方面的一些实现方式中，该经济性指标包括政策补贴收益、响应舒适度损失、响应生产效率损失和用电成本，该低碳性指标包括二氧化碳减排量、二氧化硫减排量和氮氧化物减排量。

结合第一方面，在第一方面的一些实现方式中，该虚拟电厂调度模型包括虚拟电厂运行收益目标函数，该的最优解是在该个风电联合出力场景下考虑该用户综合满意度的最优决策，该的计算公式为：

；

式中，为虚拟电厂的上网购售电收益；为燃气轮机运行成本，包括发电成本、运行成本和停机成本；为在该个风电联合出力场景下储能系统运行成本，包括各时段充放电成本；为需求响应成本；为在第个该风电联合出力场景下风力发电成本，包括运维成本和弃风成本，该为正整数且小于等于该；为在第个该风电联合出力场景下光伏发电成本，包括运维成本和弃光成本。

结合第一方面，在第一方面的一些实现方式中，该虚拟电厂调度模型还包括燃气轮机约束条件、储能系统约束条件、风光出力约束条件和功率平衡约束条件，该燃气轮机约束条件为：；

式中，为t时刻第j台燃气轮机出力的最小功率，为该t时刻该第j台燃气轮机出力最大功率，该j为正整数；

该储能系统约束条件为：

；

式中，和分别为t时刻平时段储能系统的充、放电功率；和分别为平时段储能系统的最大充、放电功率；和分别为t时刻峰谷时段储能系统的充、放电功率；和分别为峰谷时段储能系统的最大充、放电功率；为储能系统的容量状态；和分别为储能系统容量的最小值和最大值；

该风光出力约束条件为：

，；

式中，为t时刻风力发电的应发功率；为t时刻风力发电的最大值；为在第个该风电联合出力场景下风力发电的实际应发功率；为在第个该风电联合出力场景下t时刻风力发电机组的弃风功率；为t时刻光伏发电的应发功率；为t时刻光伏发电的最大值；为在第个该风电联合出力场景下光伏发电的实际应发功率；为在第个该风电联合出力场景下t时刻光伏发电机组的弃风功率；

该功率平衡约束条件为：

；

式中，为虚拟电厂向市场购电功率，为虚拟电厂向市场售电功率；为虚拟电厂内负荷用电功率。

结合第一方面，在第一方面的一些实现方式中，该粒子群算法包括以下计算步骤：

步骤(201).确定计算参数，在搜索空间内随机生成粒子的初始位置和速度，该计算参数包括种群规模和最大迭代次数，每个该粒子代表该搜索空间中的一个候选解，该速度为该粒子移动的方向和步长；

步骤(202).确定适应度函数，计算每个粒子当前位置的适应度值，该适应度值用于判断粒子位置的优劣；

步骤(203).比较该每个粒子当前位置的该适应度值与最优位置的该适应度值，更新该每个粒子的该最优位置；在该每个粒子的该最优位置中确定出该适应度值最优的位置，作为全局最优位置；

步骤(204).基于该每个粒子的该速度和该最优位置更新公式，结合更新参数，更新该每个粒子的该速度和该最优位置，该更新参数包括惯性权重、学习因子以及随机数，该速度基于边界处理位于规定范围内；

步骤(205).基于更新后的该速度和该最优位置重新执行该步骤(202)到该步骤(204)迭代计算，直到该迭代次数达到该最大迭代次数或满足收敛条件时终止计算，该收敛条件包括连续多次迭代的全局最优解变化值小于阈值；

步骤(206).输出该全局最优位置及对应的最优目标值，该最优目标值为该粒子群算法确定的最优解。

第二方面，提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如前述第一方面或第一方面中任一种实施方法。

第三方面，提供了一种计算机程序产品，包括计算机程序指令，当该计算机程序指令在计算机上运行时，使得计算机执行如前述第一方面或第一方面中任一种实施方法。

上述优化虚拟电厂调度模型的方法、装置及可读存储介质，通过考虑数据的协方差，并选取相距较远的数据聚类中心和聚类时采用马氏距离作为测度，可以反映数据的内在联系，提高了对风光出力不确定性建模的准确性和可靠性。同时，该虚拟电厂的调度决策考虑了用户在经济成本和环保理念上的双重需求，能够更好地平衡各方利益，提高用户对虚拟电厂服务的认可程度。

附图说明

图1为本申请实施例提供的虚拟电厂调度模型的及连接关系的示意图；

图2为本申请实施例提供的优化虚拟电厂调度模型的方法流程图；

图3为本申请实施例提供的通过ISODATA算法缩减风电联合出力场景的方法流程图；

图4为本申请实施例提供的建立用户需求模型的方法流程图；

图5为本申请实施例提供的建立虚拟电厂调度模型的方法流程图；

图6为本申请实施例提供的采用PSO算法求解虚拟电厂调度模型的方法流程图；

图7为本申请实施例提供的一种装置的示意图；

图8为本申请实施例提供的一种计算机可读存储介质的内部结构图。

具体实施方式

本申请以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

为了便于理解，首先本申请实施例的一些相关概念进行以下解释：

虚拟电厂(Virtual Power Plant，VPP),是一种通过先进的信息通信技术和能源管理系统，将分散的、小规模的发电资源、储能设备和可控负荷整合成一个统一的、可灵活调控的电力系统。其核心目标是像传统发电厂一样，对外提供稳定的电力供应或调节服务，但无需依赖集中的物理发电设施。在本申请实施例中，VPP通过虚拟电厂调度模型获取最优的调度决策。

迭代自组织数据分析算法(iterative self-organizing data analysisalgorithm，ISODATA)，是一种动态聚类算法，通过自动调整簇的数量和结构来优化数据分组。在本申请实施例中，ISODATA用于缩减需要计算的风电联合出力场景的数量，从而提高虚拟电厂调度模型的计算效率，同时保留风电联合出力场景中的随机性特征。

粒子群优化算法(Particle Swarm Optimization,PSO)，是一种基于群体智能的启发式优化算法，模拟鸟群或鱼群的社会行为，通过粒子间的协作在解空间中搜索最优解。在本申请实施例中，PSO用于对虚拟电厂调度模型计算最优解，该最优解即为VPP的最优调度决策。

以上为本申请实施例涉及的一些主要的相关概念。

本申请提供了优化虚拟电厂调度模型的方法，该方法在风电联合出力的场景中，基于用户的综合满意度建立VPP运行收益目标函数，通过PSO算法获取综合最优决策。其中，该方法对风光出力不确定性进行建模，采用马氏距作为测度，并采用改进的ISODATA算法缩减风电联合出力的场景数量，考虑数据的协方差，使得聚类结果更能反映数据的内在联系，提高了对风光出力不确定性建模的准确性和可靠性。同时，该方法从经济性和低碳性两个维度构建用户的综合满意度模型，充分考虑了用户在经济成本和环保理念上的双重需求，提高用户对VPP服务的认可程度。

以下通过实施例1到实施例3来介绍本申请实施例涉及的优化虚拟电厂调度模型的方法、装置及可读存储介质。其中，实施例1用于描述获取虚拟电厂调度方案涉及的模型；实施例2用于描述优化虚拟电厂调度模型的具体方法；实施例3用于描述优化虚拟电厂调度模型的装置及可读存储介质。

实施例1

示例性地，图1示出了本申请实施例提供的虚拟电厂调度模型的及连接关系的示意图。VPP调度方案涉及的模型包括：风光能不确定性模型、用户需求模型和虚拟电厂调度模型。其中，风光能不确定性模型用于计算VPP中风光出力的不确定性，确定虚拟电厂调度模型中风电联合出力场景；用户需求模型从经济指标和低碳指标两个维度构建，用于计算用户对VPP调度方案的满意度，确定虚拟电厂调度模型中的用户综合不满意度成本；虚拟电厂调度模型基于用户综合不满意度成本和风电联合出力场景构建VPP运行收益目标函数，求解VPP调度方案的综合最优决策。

在本申请实施例中，风光能不确定性模型对风光出力不确定性进行建模，通过选取相距较远的聚类中心和聚类时采用马氏距离作为测度。相较于传统采用简单的概率分布假设来描述风光出力不确定性，以及在聚类分析时采用欧式距离作为测度的处理方法，本申请可以充分考虑数据的协方差，使得聚类结果更能反映数据的内在联系，提高了模型计算风光出力不确定性的准确性和可靠性。

需要说明的是，风光能不确定性模型采用ISODATA算法缩减需要计算的风电联合出力场景，提高了模型的计算效率并保留风电联合出力场景的随机性特征。

在本申请实施例中，用户需求模型包括多个指标，通过线性加权各项指标的方式来构建用户综合满意度，该用户综合满意度即为虚拟电厂调度模型中的用户综合不满意度成本。其中，该多个指标可以分为经济指标和低碳指标两个类别，该经济指标包括用户政策补贴收益指标、用户用电成本指标、用户响应舒适度损失指标和用户响应生产效率损失指标；该低碳指标为用户多种污染物减排量指标，包括二氧化碳减排量指标、二氧化硫减排量指标和氮氧化物减排量指标。

在本申请实施例中，虚拟电厂调度模型构建VPP运行收益目标函数，该VPP运行收益目标函数由VPP上网购售电收益减VPP运行的成本构成，计算该VPP运行收益目标函数的最优解。其中，VPP运行的成本包括燃气轮机运行成本、风电联合出力场景中的储能系统运行成本、用户综合不满意度成本、风电联合出力场景中的风力发电成本和光伏发电成本。

需要说明的是，VPP运行时需要满足多种约束条件，包括燃气轮机约束条件、储能系统约束条件、风光出力约束条件和功率平衡约束条件。虚拟电厂调度模型需要在多种约束条件中计算出VPP运行收益目标函数的最优解。

需要说明的是，虚拟电厂调度模型通过PSO算法计算VPP运行收益目标函数的最优解，该最优解即为VPP的综合最优决策。

在本申请实施例中，基于风光能不确定性模型、用户需求模型和虚拟电厂调度模型，相较于传统风光出力不确定性的处理方法，本申请可以获取到具有更高准确性和可靠性的风光出力不确定性，并且可以考虑用户在经济成本和环保理念上的双重需求，做出VPP的综合最优决策。

实施例2

图2示出了优化虚拟电厂调度模型的方法流程，应用于如图1示出的风光能不确定性模型、用户需求模型和虚拟电厂调度模型，详述如下所示。

S101.建立风光出力不确定性模型。

在本申请实施例中，基于非参数核密度估计方法，将高斯函数作为核函数生成风光出力概率密度函数，该的具体计算公式为：

;

式中：为在采样周期内风光出力采集的样本，为风光出力的第i个样本值，n为风光出力数据的历史天数，为带宽，i为正整数。

在本申请实施例中，基于计算风电出力累积分布函数和光电出力累积分布函数，并基于和求解风光出力联合分布函数，该的具体计算公式为：

;

式中：与来自，为风电出力在采样周期内采集的样本，为光电出力在采样周期内采集的样本；为与的相关性，属于-1到1的区间范围且不等于0，其中，取值为正表示正相关，反之负相关。

需要说明的是，基于上述风光出力联合分布函数计算公式在具体的风电联合出力场景计算时，由于风电联合出力场景的数量较多，需要对风电联合出力场景的数量进行缩减限制。

在本申请实施例中，通过ISODATA算法缩减风电联合出力场景的数量，并保留场景随机性特征，该ISODATA算法包括以下计算步骤：

步骤(101).获取M个样本，确定初始的聚类中心并记录该预期的最短距离，i在1到M的取值范围，M为正整数；

步骤(102).计算该M个被选为下一个该聚类中心的概率，基于该确定出个该聚类中心，记为，其中，为正整数，的计算公式为：

；

步骤(103).计算每个到聚类中心的马氏距离，将每个分配到中最短对应的聚类簇中，和的计算公式依次为：

，；

式中：为权重矩阵，，其中，若中的样本数量小于最少样本数，则去除该和该对应的，将中的分配到剩余聚类中心与中最短对应的聚类簇中，基于各个中的重新计算该；

步骤(104).计算中的最大方差和标准差，当大于，或当前聚类中的数量满足的数量关系时，或迭代次数为奇数次时，进行分裂运算，分裂运算将分裂出新的聚类中心和，对聚类中心的数量加1，该分裂运算的具体计算公式为：

；

步骤(105).计算个之间的马氏距离，当两个聚类中心之间的马氏距离小于阈值时，或满足的数量关系时，或迭代次数为偶数次时，进行合并运算，该合并运算将该两个聚类中心合并为新的聚类中心，对该聚类中心的数量减1,该合并运算的具体计算公式为：；

式中：等式左侧的为新的聚类中心，等式右侧的与为两个聚类中心，和均为样本集；

步骤(106).重复执行步骤(103)到步骤(105)迭代计算，直到迭代计算的次数达到最大迭代次数为止停止计算，将风电联合出力场景的数量确定为当前聚类中心的数量。

需要说明的是，ISODATA算法通过选取相距较远的聚类中心和聚类时采用马氏距离作为测度，考虑数据的协方差，使得聚类结果反映风光出力数据的内在联系，提高了对风光出力不确定性计算的准确性和可靠性。

在本申请实施例中，风光出力不确定性模型基于ISODATA算法缩减风电联合出力场景，并将缩减后的风电联合出力场景输入虚拟电厂调度模型。

S102.建立用户需求模型。

在本申请实施例中，用户需求模型包括经济性指标和低碳性指标，用户需求模型对不同的指标采用线性加权的方式来构建用户综合满意度。其中，经济指标包括用户政策补贴收益、用户响应舒适度损失、用户响应生产效率损失和用户用电成本；低碳性指标包括二氧化碳减排量、二氧化硫减排量和氮氧化物减排量。

在本申请实施例中，用户政策补贴收益为用户i参与需求侧响应后获得的经济补贴，具体计算公式为：

式中，N是用户i在需求侧响应时间段内参与需求侧响应的次数，为用户i第j次响应功率，为用户i第j次参与需求侧响应持续时长，为用户i第j次参与需求侧响应的补贴单价。

在本申请实施例中，用户响应舒适度损失是用于影响用户是否参与VPP调度响应以及响应程度高低的重要因素。当用户不参与VPP调度响应时，用户的用电舒适度最高；当用户参与响应VPP调度响应时，用户的用电舒适度会随着用电方式的改变而降低。其中，用户在参加VPP调度需求响应后，改变了电负荷，具体计算公式为：

式中，为t时段用户i参与VPP调度需求响应后电负荷改变量；的取值范围在0到1之间，值越大，表示用户的用电舒适度越高。

在本申请实施例中，用户响应生产效率损失是指用户因负荷参与VPP调度需求响应而造成的自身效用损失，例如因负荷削减而造成的生产效率降低，导致在VPP调度需求响应的时间段内减少的产品数量。

在本申请实施例中，用户用电成本用于影响用户的用电效用，具体计算公式为：

式中，为用户的用电效用，用户典型的边际用电效用通常与用电量呈反相关；为与用电量紧密相关的成本，包括系统分时电价和实时电价下用户的购电成本；为与用电时段紧密相关的用电成本，包括用户的移峰成本。

在本申请实施例中，二氧化碳减排量、二氧化硫减排量和氮氧化物减排量的具体计算公式依次为：

，，；

式中，为减少发电量，为单位发电量排放的二氧化碳量，为单位发电量排放的二氧化硫量，为单位发电量排放的氮氧化物量。

需要注意的是，由于用户需求模型包括的各指标的量级和单位不同，因此需要对上述指标进行归一化处理，得到各指标的衡量值。

在本申请实施例中，基于各指标的衡量值，通过线性加权的方式计算用户综合满意度，具体计算公式为：

式中：S为各指标的数量，指示一共有S项指标；为第s项指标的权重值，为第s项指标的衡量值；为用户综合满意度，又称为用户综合满意度等效成本。

在本申请实施例中，用户需求模型基于计算公式获取用户综合满意度等效成本，并将其输入虚拟电厂调度模型。

S103.建立虚拟电厂调度模型。

在本申请实施例中，虚拟电厂调度模型基于S101步骤获取的风电联合出力场景和S102步骤获取的用户综合满意度等效成本，构建VPP运行收益目标函数，求解在个风电联合出力场景下的综合最优决策。该的具体计算公式为：

式中：为VPP的上网购售电收益；

为燃气轮机运行成本，包括发电成本、运行成本和停机成本；

为个风电联合出力场景下储能系统运行成本，包括各时段充放电成本；

为S102步骤获取的用户综合满意度等效成本，又称为需求响应成本；

为在第个风电联合出力场景下的风力发电成本，包括运维成本和弃风成本；

为在第个风电联合出力场景下的光伏发电成本，包括运维成本和弃光成本。

在本申请实施例中，购售电收益、燃气轮机运行成本、储能系统运行成本、风力发电成本和光伏发电成本的具体计算公式依次如下所示：

1.购售电收益：

式中：为VPP向市场购电价格，为VPP向市场售电价格；

为VPP向市场购电功率，为VPP向市场售电功率；

2.燃气轮机运行成本：

式中：为t时刻燃气轮机j的出力功率；

为燃气轮机机组数量；

和依次为燃气轮机运行成本的二次项系数和一次项系数；

3.储能系统运行成本：

式中：为充放电成本系数；

为平时段储能系统的充电功率，为平时段储能系统的放电功率；

为峰谷时段的充电功率，为峰谷时段的放电功率；

4.风力发电成本：

式中：为风力发电的运维成本系数，为风力发电的弃风成本系数；

为t时刻风力发电机组的实际功率，为t时刻风力发电机组的弃风功率；

5.光伏发电成本：

式中：为光伏发电的运维成本系数，为光伏发电的弃风成本系数；

为t时刻光伏发电机组的实际功率，为t时刻光伏发电机组的弃风功率。

在本申请实施例中，虚拟电厂调度模型在运行时还需要满足多个约束条件，包括燃气轮机约束条件、储能系统约束条件、风光出力约束条件和功率平衡约束条件，具体约束条件依次如下所示：

1.燃气轮机约束条件：

式中，为t时刻第j台燃气轮机出力的最小功率，为t时刻第j台燃气轮机出力最大功率；

2.储能系统约束条件：

式中，和分别为平时段储能系统的最大充、放电功率；

和分别为峰谷时段储能系统的最大充、放电功率；

为储能系统的容量状态；

和分别为储能系统容量的最小值和最大值；

3.风光出力约束条件：

，；

式中，为t时刻风力发电的最大值；

为在第个风电联合出力场景下风力发电的实际应发功率；

为t时刻光伏发电的最大值；

为在第个风电联合出力场景下光伏发电的实际应发功率；

4.功率平衡约束条件：

式中，为VPP的内负荷用电功率。

在本申请实施例中，虚拟电厂调度模型构造和约束条件，在约束条件下计算的最优解，该最优解为VPP调度的综合最优决策。

S104.采用PSO算法求解虚拟电厂调度模型。

在本申请实施例中，虚拟电厂调度模型中的收益目标函数包括多个风电联合出力场景，参数和约束条件，该可以通过PSO算法计算得到最优解。

在本申请实施例中，该PSO算法包括以下计算步骤：

步骤(201).确定计算参数，在搜索空间内随机生成粒子的初始位置和速度，该计算参数包括种群规模和最大迭代次数，每个该粒子代表该搜索空间中的一个候选解，该速度为该粒子移动的方向和步长；

步骤(202).确定适应度函数，计算每个粒子当前位置的适应度值，该适应度值用于判断粒子位置的优劣；

步骤(203).比较该每个粒子当前位置的该适应度值与最优位置的该适应度值，更新该每个粒子的该最优位置；在该每个粒子的该最优位置中确定出该适应度值最优的位置，作为全局最优位置；

步骤(204).基于该每个粒子的该速度和该最优位置更新公式，结合更新参数，更新该每个粒子的该速度和该最优位置，该更新参数包括惯性权重、学习因子以及随机数，该速度基于边界处理位于规定范围内；

步骤(205).基于更新后的该速度和该最优位置重新执行该步骤(202)到该步骤(204)迭代计算，直到该迭代次数达到该最大迭代次数或满足收敛条件时终止计算，该收敛条件包括连续多次迭代的全局最优解变化值小于阈值；

步骤(206).输出该全局最优位置及对应的最优目标值，该最优目标值为该PSO算法确定的最优解，该最优解为VPP调度的综合最优决策。

在本申请实施例中，虚拟电厂调度模型通过PSO算法获取综合最优决策，VPP可以依据综合最优决策执行调度，使VPP的调度决策能够更好地平衡VPP使用方与供应方的利益，提高用户对VPP服务的认可程度。

图3示出了通过ISODATA算法缩减风电联合出力场景的方法流程，详述如下所示。

S201.获取样本集，确定样本与初始聚类中心的预期最短距离。

在本申请实施例中，ISODATA算法的样本包括风光出力采集的样本，具有M个样本的样本集记为。

在本申请实施例中，可以将样本集中的一个或多个样本作为初始的聚类中心，计算每个样本距离各个聚类中心的距离，确定出与样本距离最短的聚类中心，该最短距离为预期最短距离，记为。

S202.确定聚类中心个数。

在本申请实施例中，需要对聚类中心的个数重新计算，考虑每个样本均可能被选为聚类中心，因此需要计算样本集中的每个样本被选为下一个聚类中心的概率，按照从大到小的顺序依次确定出个样本作为聚类中心，记为。其中，为正整数，可以为风光出力不确定性模型预设的值，的计算公式由S101步骤所示，在此不再赘述。

S203.对样本集分类到最近的聚类中心。

在本申请实施例中，计算样本集中每个样本到每个聚类中心的马氏距离，记为，其中，和的计算公式由S101步骤所示，在此不再赘述。

在本申请实施例中，每个样本基于最短的，加入到该最短中聚类中心对应的聚类簇中，实现对每个样本均分类到最近的聚类中心。

需要说明的是，每个聚类中心都有对应的聚类簇，若聚类簇中的样本数量小于最少样本数，则表明该聚类中心对应的样本数量过少，不适合作为聚类中心。因此，去除该聚类簇和聚类中心，对原聚类簇中包含的样本重新选择最短马氏距离对应的聚类中心，加入到该聚类中心对应的聚类簇中。

S204.对聚类中心进行算迭代计算。

在本申请实施例中，S203步骤获取到个聚类中心以及对应的聚类簇，判断每个聚类中心是否进行分裂运算或合并运算，并迭代运算聚类中心。

在本申请实施例中，判断聚类中心进行分裂运算的条件包括：对聚类中心对应的聚类簇计算最大方差和标准差，若大于，则表示该聚类中心需要进行分裂运算。其中，分裂运算的公式由S101步骤所示，在此不再赘述。

在本申请实施例中，判断聚类中心进行合并运算的条件包括：计算两个聚类中心与之间的马氏距离，若该马氏距离小于预设的阈值，则表示该聚类中心与聚类中心需要进行合并运算。其中，合并运算的公式由S101步骤所示，在此不再赘述。

在本申请实施例中，判断聚类中心进行分裂运算的条件还可以包括：迭代次数为奇数次，或当前聚类中的数量满足的数量关系；判断聚类中心进行合并运算的条件还可以包括：迭代次数为偶数次，或当前聚类中的数量满足的数量关系。

需要说明的是，对聚类中心进行迭代计算，如循环执行S203-S204步骤。具体的，例如在对聚类中心进行一次分裂运算之后，对获取的新聚类中心和重新执行S203-S204步骤。

S205.迭代计算至最大迭代次数时停止运算，确定聚类中心个数为风电联合出力场景个数。

在本申请实施例中，统计迭代计算的次数，直到该迭代计算的次数达到最大迭代次数时停止计算，表示已确定样本集的聚类结果。此时，样本集的聚类结果对应了风电联合出力的场景，风电联合出力场景的数量与当前聚类中心的数量相等。

图4示出了建立用户需求模型的方法流程，详述如下所示。

S301.确定用户政策补贴收益指标。

在本申请实施例中，用户需求模型包括经济性指标和低碳性指标，其中，经济性指标主要影响用户参与VPP调度响应的积极性，包括用户收益指标（如用户政策补贴收益指标）、用户损失指标（如用户响应舒适度损失指标和用户响应生产效率损失指标）和用户成本指标（如用户用电成本指标），需要综合考虑上述多种指标用于建立准确的用户需求模型。

在本申请实施例中，对用户政策补贴收益指标的具体描述可以参考前述图2中S102步骤，在此不再赘述。

S302.确定用户响应舒适度损失指标和用户响应生产效率损失指标。

在本申请实施例中，对用户响应舒适度损失指标和用户响应生产效率损失指标的具体描述可以参考前述图2中S102步骤，在此不再赘述。

S303.确定用户用电成本指标。

在本申请实施例中，理性用户消费电能的目标是获取最大化的用电效用，对用电效用的具体计算公式可以参考前述图2中S102步骤，在此不再赘述。

S304.确定用户多种污染物减排量指标。

在本申请实施例中，对工业负荷需求侧的VPP调度响应可大量减少发电侧的发电量，间接的减少了环境污染。例如火力发电需要大量使用燃烧化石能源，排放如二氧化碳、二氧化硫、氮氧化物（如一氧化氮、二氧化氮等）等多种污染物，对环境造成威胁。以减少的发电量为基础，可计算多种污染物的减排量，构成低碳性指标。

在本申请实施例中，对用户多种污染物减排量指标的具体计算公式可以参考前述图2中S102步骤，在此不再赘述。

S305.基于确定的各项指标，构建用户的综合满意度模型。

在本申请实施例中，对用户的综合满意度模型的具体计算公式可以参考前述图2中S102步骤，在此不再赘述。

图5示出了建立虚拟电厂调度模型的方法流程，详述如下所示。

S401.基于用户综合不满意度成本风电联合出力场景确定VPP运行收益目标函数。

在本申请实施例中，VPP运行收益目标函数，求解在个风电联合出力场景下的综合最优决策。其中，对收益目标函数的具体计算公式可以参考前述图2中S103步骤，在此不再赘述。

S402.确定VPP运行应满足的约束条件。

在本申请实施例中，VPP在运行时会受到设备，环境等客观条件的约束，为避免虚拟电厂调度模型求得的最优解超出设备，环境等客观条件的限制，需要对计算虚拟电厂调度模型的参数进行限制。

在本申请实施例中，虚拟电厂调度模型在运行时需要满足多个约束条件，包括燃气轮机约束条件、储能系统约束条件、风光出力约束条件和功率平衡约束条件，具体约束条件可以参考前述图2中的S103步骤，在此不再赘述。

图6示出了采用PSO算法求解虚拟电厂调度模型的方法流程，详述如下所示。

S501.初始化PSO算法，确定PSO算法所需参数。

在本申请实施例中，对初始化PSO算法并确定PSO算法所需参数的具体描述可以参考前述图2中S104步骤，在此不再赘述。

S502.计算PSO算法中粒子的适应度。

在本申请实施例中，确定适应度函数，计算每个粒子当前位置的适应度值，该适应度值用于判断粒子位置的优劣，例如，粒子在当前位置的适应度值为5，该粒子在最优位置的适应度值为4，则该粒子的当前位置优于记录的最优位置。

S503.更新粒子的最优适应度。

在本申请实施例中，比较该每个粒子当前位置的该适应度值与最优位置的该适应度值，更新该每个粒子的该最优位置，示例性的，粒子在当前位置的适应度值为0.5，该粒子在最优位置的该适应度值为0.4，则更新该粒子的该最优位置为当前位置；在该每个粒子的该最优位置中确定出该适应度值最优的位置，作为全局最优位置，例如，粒子群中包括两个粒子，一个粒子在最优位置的适应度值为0.4，另一个粒子在最优位置的适应度值为0.6，则全局最优位置即为适应度值为0.6的粒子的最优位置。

S504.更新粒子的速度和位置。

在本申请实施例中，对更新粒子的速度和位置的具体描述可以参考前述图2中S104步骤，在此不再赘述。

S505.迭代计算粒子的全局最优位置。

在本申请实施例中，基于更新后的粒子速度和粒子最优位置重新执行S502步骤到S504步骤迭代计算，获取粒子的全局最优位置。例如，粒子群中包括两个粒子，在第一轮迭代中，一个粒子在最优位置的适应度值为0.4，另一个粒子在最优位置的适应度值为0.6，则全局最优位置即为粒子适应度值为0.6所在的位置；在第二轮迭代中，一个粒子在最优位置的适应度值为0.8，另一个粒子在最优位置的适应度值为0.7，则全局最优位置更新为粒子适应度值为0.8所在的位置；在第三轮迭代中，一个粒子在最优位置的适应度值为0.7，另一个粒子在最优位置的适应度值为0.2，则全局最优位置保持在粒子适应度值为0.8所在的位置。

在本申请实施例中，通过多次迭代计算，直到满足收敛条件时终止，该PSO算法即可确定粒子的全局最优位置。其中，收敛条件包括迭代次数达到该最大迭代次数，以及连续多次迭代的全局最优解变化值小于阈值等。

S506.输出最优目标值。

在本申请实施例中，该全局最优位置对应最优目标值，对输出的最优目标值的具体描述可以参考前述图2中S104步骤，在此不再赘述。

实施例3

如图7示出本申请实施例提供的一种装置的结构。装置700包括：处理器701、存储器702以及存储在上述存储器702中并可在上述处理器701上运行的计算机程序703。上述处理器701执行上述计算机程序703时实现上述图1-图6中所示的方法。

示例性的，上述计算机程序703可以被分割成一个或多个单元/模块，上述一个或者多个单元/模块被存储在上述存储器702中，并由上述处理器701执行，以完成本申请。上述一个或多个单元/模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述上述计算机程序703在上述装置700中的执行过程。

例如，上述计算机程序703可以被用于执行前述图2中S101-S104步骤所示的优化虚拟电厂调度模型的方法流程，具体功能或机制在上述实施例中已有描述，在此不再赘述。

上述装置700可包括，但不仅限于，处理器701、存储器702。本领域技术人员可以理解，图7仅仅是装置700的示例，并不构成对装置700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，例如上述装置700还可以包括输入输出设备、网络接入设备、总线等。

所称处理器701可以是CPU，还可以是其它通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

上述存储器702可以是装置700的内部存储单元，例如装置700的硬盘或内存。上述存储器702还可以既包括上述装置700的内部存储单元也包括外部存储设备。

上述存储器702用于存储上述计算机程序以及上述装置700所需的其它程序和数据。上述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

本领域技术人员可以理解，图7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装置的限定，具体的装置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。

应理解，本申请提供的上述方法实施例中的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

在一些实施例中，提供了一种计算机设备，该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，该处理器执行计算机程序时实现前述任一个实施例中的步骤。

本申请还提供一种计算机程序产品，该计算机程序产品包括：计算机程序（也可以称为代码，或指令），当该计算机程序被运行时，使得计算机执行上述任一个实施例中的方法。

如图8所示，本申请还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序（也可以称为代码，或指令）。当该计算机程序被运行时，使得计算机执行前述任一个实施例中的方法。

本申请还提供了一种芯片系统，该芯片系统包括至少一个处理器，用于实现上述任意一个实施例中装置执行的方法中所涉及的功能。

在一种可能的设计中，该芯片系统还包括存储器，该存储器用于保存程序指令和数据，存储器位于处理器之内或处理器之外。

该芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。

在一些实施例中，该芯片系统中的处理器可以为一个或多个。该处理器可以通过硬件实现也可以通过软件实现。当通过硬件实现时，该处理器可以是逻辑电路、集成电路等。当通过软件实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现。

在一些实施例中，该芯片系统中的存储器也可以为一个或多个。该存储器可以与处理器集成在一起，也可以和处理器分离设置，本申请实施例并不限定。示例性地，存储器可以是非瞬时性处理器，例如只读存储器ROM，其可以与处理器集成在同一块芯片上，也可以分别设置在不同的芯片上，本申请实施例对存储器的类型，以及存储器与处理器的设置方式不作具体限定。

示例性地，该芯片系统可以是现场可编程门阵列（field programmable gatearray，FPGA），可以是专用集成芯片（application specific integrated circuit，ASIC），还可以是系统芯片（system on chip，SoC），还可以是中央处理器（central processorunit，CPU），还可以是网络处理器（network processor，NP），还可以是数字信号处理电路（digital signal processor，DSP），还可以是微控制器（micro controller unit，MCU），还可以是可编程控制器（programmable logic device，PLD）或其他集成芯片。

本申请的各实施方式可以任意进行组合，以实现不同的技术效果，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。

本领域普通技术人员可以理解实现前述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如前述各方法实施例的流程。而前述的存储介质包括：只读储存器ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。

总之，以上描述仅为本申请技术方案的实施例而已，并非用于限定本申请的保护范围。凡根据本申请的揭露，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种优化虚拟电厂调度模型的方法，其特征在于，包括：

基于风光出力不确定性的特点，建立风光出力不确定性模型，所述风光出力不确定性模型用于通过迭代自组织数据分析算法ISODATA获取个风电联合出力场景，所述为正整数；

基于经济成本和环保理念的需求，建立用户需求模型，所述用户需求模型用于获取用户综合满意度；

基于所述风光出力不确定性模型和所述用户需求模型，建立虚拟电厂调度模型，所述虚拟电厂调度模型用于求解在所述个风电联合出力场景下考虑所述用户综合满意度的最优决策；

采用粒子群算法计算所述虚拟电厂调度模型的最优解，将所述最优解确定为虚拟电厂的调度决策。

2.根据权利要求1所述方法，其特征在于，所述风光出力不确定性模型包括风光出力概率密度函数和风光出力联合分布函数，所述的计算公式为：

;

式中：为在采样周期内风光出力采集的样本，为风光出力的第i个样本值，n为风光出力数据的历史天数，为带宽，i为正整数；

所述的计算公式为：

；

式中：与来自所述，所述为风电出力在采样周期内采集的样本，为风电出力累积分布函数，所述为光电出力在采样周期内采集的样本，为光电出力累积分布函数；

为所述与所述的相关性，所述属于-1到1的区间范围且不等于0。

3.根据权利要求1所述方法，其特征在于，所述迭代自组织数据分析算法ISODATA包括以下计算步骤：

步骤(101).获取M个样本，确定初始的聚类中心并记录所述预期的最短距离，所述i在1到M的取值范围，所述M为正整数；

步骤(102).计算所述M个被选为下一个所述聚类中心的概率，基于所述确定出个所述聚类中心，记为，所述为正整数，所述的计算公式为：

；

步骤(103).计算每个所述到所述聚类中心的马氏距离，将每个所述分配到所述中最短对应的聚类簇中，所述和所述的计算公式依次为：

；

；

式中：为权重矩阵，；

若所述中的样本数量小于最少样本数，则去除所述和所述对应的所述，将所述中的分配到剩余聚类中心与所述中最短对应的聚类簇中，基于各个所述中的重新计算所述；

步骤(104).计算所述中的最大方差和标准差，当所述大于所述时，或当前所述聚类中的数量满足的数量关系时，或迭代次数为奇数次时，进行分裂运算，所述分裂运算将所述分裂出新的聚类中心和，对所述加1，所述分裂运算的具体计算公式为：

；

步骤(105).计算所述个所述之间的所述马氏距离，当其中两个聚类中心之间的马氏距离小于阈值时，或所述满足的数量关系时，或迭代次数为偶数次时，进行合并运算，所述合并运算将所述两个聚类中心合并为新的所述聚类中心，对所述聚类中心的数量减1，所述合并运算的具体计算公式为：

()；

式中：等式左侧的所述为新的所述聚类中心，等式右侧的所述与所述为所述两个聚类中心，所述和所述均为样本集；

步骤(106).重复执行所述步骤(103)到所述步骤(105)迭代计算，直到所述迭代计算的次数达到最大迭代次数为止停止计算，将所述风电联合出力场景的数量确定为当前所述聚类中心的数量。

4.根据权利要求1所述方法，其特征在于，所述用户需求模型包括经济性指标和低碳性指标，所述用户综合满意度为线性加权所述经济性指标和所述低碳性指标来构建的。

5.根据权利要求4所述方法，其特征在于，所述经济性指标包括政策补贴收益、响应舒适度损失、响应生产效率损失和用电成本，所述低碳性指标包括二氧化碳减排量、二氧化硫减排量和氮氧化物减排量。

6.根据权利要求1所述方法，其特征在于，所述虚拟电厂调度模型包括虚拟电厂运行收益目标函数，所述的最优解是在所述个风电联合出力场景下考虑所述用户综合满意度的最优决策，所述的计算公式为：

；

式中，为虚拟电厂的上网购售电收益；

为燃气轮机运行成本，包括发电成本、运行成本和停机成本；

为在所述个风电联合出力场景下储能系统运行成本，包括各时段充放电成本；

为需求响应成本；

为在第个所述风电联合出力场景下风力发电成本，包括运维成本和弃风成本，所述为正整数且小于等于所述；

为在第个所述风电联合出力场景下光伏发电成本，包括运维成本和弃光成本。

7.根据权利要求6所述方法，其特征在于，所述虚拟电厂调度模型还包括燃气轮机约束条件、储能系统约束条件、风光出力约束条件和功率平衡约束条件，所述燃气轮机约束条件为：

；

式中，为t时刻第j台燃气轮机出力的最小功率，为所述t时刻所述第j台燃气轮机出力最大功率，所述j为正整数；

所述储能系统约束条件为：

；

式中，和分别为t时刻平时段储能系统的充、放电功率；

和分别为平时段储能系统的最大充、放电功率；

和分别为t时刻峰谷时段储能系统的充、放电功率；

和分别为峰谷时段储能系统的最大充、放电功率；

为储能系统的容量状态；

和分别为储能系统容量的最小值和最大值；

所述风光出力约束条件为：

，；

式中，为t时刻风力发电的应发功率；

为t时刻风力发电的最大值；

为在第个所述风电联合出力场景下风力发电的实际应发功率；

为在第个所述风电联合出力场景下t时刻风力发电机组的弃风功率；

为t时刻光伏发电的应发功率；

为t时刻光伏发电的最大值；

为在第个所述风电联合出力场景下光伏发电的实际应发功率；

为在第个所述风电联合出力场景下t时刻光伏发电机组的弃风功率；

所述功率平衡约束条件为：

；

式中，为虚拟电厂向市场购电功率，为虚拟电厂向市场售电功率；

为虚拟电厂内负荷用电功率。

8.根据权利要求1所述方法，其特征在于，所述粒子群算法包括以下计算步骤：

步骤(201).确定计算参数，在搜索空间内随机生成粒子的初始位置和速度，所述计算参数包括种群规模和最大迭代次数，每个所述粒子代表所述搜索空间中的一个候选解，所述速度为所述粒子移动的方向和步长；

步骤(202).确定适应度函数，计算每个粒子当前位置的适应度值，所述适应度值用于判断粒子位置的优劣；

步骤(203).比较所述每个粒子当前位置的所述适应度值与最优位置的所述适应度值，更新所述每个粒子的所述最优位置；在所述每个粒子的所述最优位置中确定出所述适应度值最优的位置，作为全局最优位置；

步骤(204).基于所述每个粒子的所述速度和所述最优位置更新公式，结合更新参数，更新所述每个粒子的所述速度和所述最优位置，所述更新参数包括惯性权重、学习因子以及随机数，所述速度基于边界处理位于规定范围内；

步骤(205).基于更新后的所述速度和所述最优位置重新执行所述步骤(202)到所述步骤(204)迭代计算，直到所述迭代次数达到所述最大迭代次数或满足收敛条件时终止计算，所述收敛条件包括连续多次迭代的全局最优解变化值小于阈值；

步骤(206).输出所述全局最优位置及对应的最优目标值，所述最优目标值为所述粒子群算法确定的最优解。

9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至8中的任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行如权利要求1至8中任一项所述的方法。