一种考虑温控负荷聚合体的虚拟电厂滚动调度技术的制作方法

1.本发明涉及虚拟电厂调度控制技术领域，特别涉及一种考虑温控负荷聚合商的虚拟电厂滚动调度方法。


背景技术：

2.温控负荷对提升电力系统运行效率和经济性具有巨大潜力。然而，温控负荷数量大、规模小、种类多，对电力系统的集中管理和优化调度带来了挑战。利用虚拟电厂技术可以对海量温控负荷进行聚合管理，充分挖掘电力系统中海量温控负荷的调度潜力，解决海量温控负荷给电力系统管理者带来的“维度灾”问题。鉴于此，本发明提出了一种考虑海量温控负荷集群聚合的虚拟电厂滚动调度方法，可以用于制定虚拟电厂向内部可控设备的滚动调度计划。
3.目前，学术界已经针对虚拟电厂的优化调度问题已经展开了大量研究。例如，在一个现有技术中，提出了一种考虑热力供应环节动态特性的虚拟电厂双阶段优化调度模型，利用热负荷的灵活性提升电力系统的调节能力。另外，在另一个现有技术中，通过考虑储能系统和激励型需求响应，并兼顾分布式能源发电的不确定性，提出了考虑运行风险的虚拟电厂随机调度优化模型。但是，现有研究和技术主要存在以下不足之处：
4.在上述现有技术中，仅对少量灵活性设备进行逐一建模，然而，在实际系统中，温控负荷具有数量大、容量小、和参数各异的特点，若对温控负荷进行逐一管理，虚拟电厂管理者会面临“维度灾”难题。因此，虚拟电厂调度方法需要和有效的集群聚合管理方法相结合，提升系统优化运行效率。
5.在上述现有技术中，主要关注虚拟电厂内部的优化调度问题，然而，随着电力市场技术的发展，虚拟电厂代理需考虑与上级电力市场的交互，因此，虚拟电厂的内部调度计划和外部交互方案需协同优化。


技术实现要素：

6.本发明的目的是为克服已有技术的不足之处，提出一种考虑温控负荷聚合商的虚拟电厂滚动调度方法，本发明可实现虚拟电厂中海量温控负荷协调调度，具有计算效率高、兼容性广、实用性强的优点。
7.为解决上述技术问题，本发明的一方面提供一种考虑温控负荷聚合体的虚拟电厂滚动调度方法，其包括：
8.步骤s1，对虚拟电厂内部每条母线上各节点下的温控负荷数据，根据各温控负荷的需求信息进行聚类分群，形成多个温控负荷聚合商，并计算各温控负荷聚合商的参数；
9.步骤s2，在每一调度时刻，根据温控负荷聚类聚合结果，可再生能源和各类电价的预测信息，建立虚拟电厂滚动调度优化模型并求解，得到滚动调度的预优化结果，根据预优化结果获得各温控负荷聚合商的参考功率；
10.步骤s3，对各聚合商的参考功率进行解聚合，分解给其内部的各温控负荷，获得各
温控负荷的实际功率需求；
11.步骤s4，根据所有温控负荷的实际功率需求，完成虚拟电厂滚动调度终优化，得到最终的滚动调度计划方案。
12.优选地，所述步骤s1进一步包括：
13.步骤s10，确定所有节点的温控负荷参数；
14.步骤s11，采用njw谱聚类算法，根据温控负荷的特点，将具有相似特征的温控负荷节点聚类划分为同一组，形成多个温控负荷聚合商；
15.步骤s12，根据温控负荷聚类分群结果，对于每个温控负荷聚合商，根据其内部所有温控负荷参数，获得每一聚合商的等效需求参数信息。
16.优选地，所述步骤s10具体为：
17.对于每个温控负荷来说，确定其关键参数包括对于每个温控负荷来说，确定其关键参数包括以反映其需求信息；
18.根据下述公式建立温控负荷的一般模型：
[0019][0020][0021][0022]
其中，和分别为温控负荷j的功率需求下限和上限；和分别为温控负荷j的能量需求下限和上限；和为温控负荷j的转换系数；为温控负荷j的初始温度；为外界环境在t时刻的温度；和分别为温控负荷j在t时刻的有功功率需求和温度；温控负荷j在t-1时刻的温度；δt为调度时间间隔，为外界环境在t时刻的温度。
[0023]
优选地，所述步骤s11进一步包括：
[0024]
步骤s110，输入各温控负荷参数和虚拟电厂各节点期望获得的聚合商数目，节点i处聚合商的数目记为n
agg,i
；
[0025]
步骤s111，将各温控负荷参数进行极值归一化，归一化方法如下：
[0026][0027]
其中，n
l,i
为节点i处温控负荷的数目；为节点i处温控负荷的数目；为温控负荷j的原始需求参数；为温控负荷j的原始需求参数；为经过归一化之后温控负荷j的需求参数；
[0028]
步骤s112，采用欧式距离来衡量每个节点下不同温控负荷之间的差异，采用如下的定义获得每一节点下的温控负荷l和j之间的差异矩阵d：
[0029][0030]
其中，d(l,j)矩阵d中第l行第j列的元素；α1,α2,α3,α4,α5,α6,α7,α8为权重系数，取值范围为[0,1]，其参考值设置为：α1＝α2＝0.2，α3＝α4＝0.5，α5＝α6＝0.8，α7＝α8＝0.95；分别为分别为经过归一化处理后参数；
[0031]
步骤s113，利用高斯核函数将差异矩阵d转换成邻接矩阵k如下：
[0032][0033]
其中，k(l,j)矩阵k中第l行第j列的元素；为高斯核函数参数；
[0034]
步骤s114，将邻接矩阵k归一化，计算归一化后矩阵k前n
agg,i
个最大特征值及其对应的特征向量，将得到的特征向量分别记为u1,u2,
…
,利用这些特征向量构建特征向量空间矩阵
[0035]
步骤s115，利用k-means算法对所特征向量空间矩阵u进行聚类，获得各节点下温控负荷聚类分群结果。
[0036]
优选地，所述步骤s12具体为：
[0037]
根据温控负荷聚类分群结果，对于每个温控负荷聚合商，根据其内部所有温控负荷参数，获取聚合商的等效需求参数信息如下：
[0038][0039][0040][0041]
其中，n
l,k,i
为节点i处聚合商k内部温控负荷的数目；聚合商的等效参数为为节点i处聚合商k内部温控负荷的数目；聚合商的等效参数为为节点i处聚合商k内部温控负荷的数目；聚合商的等效参数为和分别为节点i处聚合商k的等效功率需求下限和上限；和分别为节点i处聚合商k的等效能量需求下限和上限；和为节点i处聚合商k的等效转换系数；为节点i处聚合商k的等效初始温度。
[0042]
优选地，所述步骤s2进一步包括：
[0043]
步骤s20，对于每一调度时刻，采用基于典型场景集的随机优化方法来对虚拟电厂运营优化中可再生能源及电价不确定性进行建模，建立滚动调度预优化模型，其优化目标函数如下：
[0044][0045]
其中，ns和ρs分别为场景数目和各场景权重；t为虚拟电厂运营总时段数；τ为当前运行时间点；为t时刻场景s下能量市场预测电价；为t时刻场景s下旋转备用市场预测电价；为t时刻场景s下虚拟电厂与能量市场的交互有功功率；为t时刻场景s下在虚拟电厂与辅助服务市场的交互备用容量；为t时刻上级能量市场出清的有功功率；为t时刻上级辅助服务市场出清的备用容量；为发电机组i在t时刻场景s中的有功出力；为发电机组i在t时刻场景s中的备用容量；和分别为储能设备i在t时刻场景s中的有功功率输出和有功功率输入；为储能设备i在t时刻场景s中的备用容量；为聚合体有功功率偏离能量市场调度计划对应的偏差惩罚系数；为聚合体备用容量偏离备用市场调度计划对应的偏差惩罚系数；n
dg
和n
ess
分别是聚合体中分布式发电机组和储能设备数目；
[0046]
其中，和分别为发电机组i和储能设备i的运行成本，采用如下的公式进行表示：
[0047][0048][0049]
其中，为t时刻旋转备用的调用概率；ai、bi和ci为发电机的运行成本系数；api为储能设备的运行成本系数；
[0050]
所述优化模型中决策变量包所述优化模型中决策变量包
[0051]
步骤s21，采用潮流方程模型约束、分布式发电机组模型约束、可再生能源出力约束、储能模型约束、系统旋转备用平衡约束模型、温控负荷聚合商模型约束对所述滚动调度预优化模型进行约束，并对所述滚动调度预优化模型进行求解，获得各温控负荷聚合商的参考功率
[0052]
优选地，在所述步骤s21中，进一步包括：
[0053]
步骤s210，采用如下的公式实现潮流方程模型约束，其采用一种线性化的潮流模型来描述虚拟电厂内部的有功和无功潮流平衡：
[0054][0055]
[0056][0057][0058][0059][0060]
其中，nb为虚拟电厂中的节点总数；r
ij
和x
ij
分别为线路i和线路j之间的电阻和电抗；θi、vi、pi、qi分别为节点i处的相位、电压幅值、注入有功功率和注入无功功率；θj、vj分别为节点j处的相位和电压幅值；和分别为风电场i和光伏电站i在t时刻场景s中的有功出力；和分别为风电场i、光伏电站i和发电机组i在t时刻场景s中的无功出力；为节点i处聚合商k在t时刻场景s中的参考功率；和分别为节点i处t时刻的有功负荷和无功负荷；p
ij
和q
ij
分别为节点i和节点j之间的支路潮流有功功率和支路潮流无功功率；为节点i处聚合商k在t时刻场景s中的参考有功功率；
[0061]
并将各支路潮流和节点电压限制在一定的范围内：
[0062][0063]
其中，p
ij
和q
ij
分别为节点i和节点j之间的有功潮流和无功潮流；s
ij,n
为节点i和节点j之间传输线额定容量；v
i,max
和v
i,min
分别为节点电压幅值上下限；
[0064]
步骤s211，采用如下的公式实现分布式发电机组模型约束，其至少包括：机组出力、爬坡出力、启停机时长：
[0065][0066][0067][0068][0069]
其中，和分别为发电机组i的出力上下限；为发电机组i的最大爬坡速率；为发电机组i的额定容量；
[0070]
步骤s212，采用如下的公式实现可再生能源出力约束：
[0071][0072][0073]
其中，和分别为风电场i和光伏电站i的额定容量；为风电场i在场景s中t时刻的预测值；为光伏电站i在场景s中t时刻的预测值；
[0074]
步骤s213，采用如下的公式实现储能模型约束如下：
[0075][0076][0077][0078][0079]
其中，和分别为储能设备i的最大输入/输出功率和最小输入/输出功率；和分别为储能设备i的储能上限和储能下限；η
in
和η
out
分别为功率输入和输出能量转换系数；λ为储能的能量耗散系数；
[0080]
步骤s214，采用如下的公式实现系统旋转备用平衡约束：
[0081][0082]
其中，|δr
l
|、和分别为聚合体内部负荷、风电场i和光伏电站i的备用需求；
[0083]
步骤s215，采用如下的公式实现温控负荷聚合商模型约束：
[0084][0085][0086][0087]
其中，为节点i处聚合商k在t时刻场景s中的参考室内温度状态。
[0088]
优选地，所述步骤s3进一步包括：
[0089]
各聚合商根据虚拟电厂预优化步骤获取的参考功率制定内部温控负荷的运行计划；
[0090]
对于某一特定的聚合商k，其解聚合目标使整体输出功率跟随预优化步骤获取的参考功率轨迹，并减小每个温控负荷的启停次数，具体目标函数如下；
[0091][0092]
其中，通过设置目标函数中系数m的取值用于调整不同优化目标之间的权重；
[0093]
每个温控负荷在各时刻的功率消耗需满足如下需求模型，具体如下；
[0094][0095][0096][0097]
对所述解聚合模型求解，按下述公式获取温控负荷的实际功率需求：
[0098]
[0099]
其中，为节点i处聚合商k在t时刻的实际功率需求；n
agg,i
为节点i处聚合商数目。
[0100]
优选地，所述步骤s4进一步包括：
[0101]
将虚拟电厂滚动调度优化模型中决策变量替换为固定值将模型的决策变量更新为再次求解该虚拟电厂滚动调度优化模型，得到各决策变量的最优解，并根据各场景的权重进行计算完成虚拟电厂滚动调度终优化，得到最终的滚动调度计划方案，包括可再生能源机组、分布式发电机组及储能设备的分时调度计划和向上级电力市场投标计划。
[0102]
实施本发明实施例，具有如下的有益效果：
[0103]
本发明提供一种考虑温控负荷聚合商的虚拟电厂滚动调度方法，通过考虑温控负荷聚合和解聚合过程，本发明可以实现虚拟电厂中海量温控负荷协调调度，具有高效的计算效率，能够充分挖掘负荷侧的灵活性，同时，解决了海量小规模的温控负荷给系统优化调度带来的“维度灾”问题；
[0104]
本发明所提的虚拟电厂优化调度模型兼顾了虚拟电厂与上级电力市场的交互，可以实现内部调度计划和外部交互方案亟需协同优化，提升了方法在电力市场背景下普适性，具有很高的实用价值。
附图说明
[0105]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
[0106]
图1为本发明一种考虑温控负荷聚合体的虚拟电厂滚动调度技术的一个实施例的主流程示意图。
具体实施方式
[0107]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0108]
如图1所示，示出了本发明的提供的一种考虑温控负荷聚合体的虚拟电厂滚动调度方法的一个实施例的主流程示意图。在本实施例中，所述方法包括如下步骤：
[0109]
步骤s1，对虚拟电厂内部每条母线上各节点下的温控负荷数据，根据各温控负荷的需求信息进行聚类分群，形成多个温控负荷聚合商，并计算各温控负荷聚合商的参数；
[0110]
在一个具体的例子中，所述步骤s1进一步包括：
[0111]
步骤s10，确定所有节点的温控负荷参数；
[0112]
具体地，所述步骤s10具体为：
[0113]
对于每个温控负荷来说，确定其关键参数包括
以反映其需求信息；
[0114]
根据下述公式建立温控负荷的一般模型：
[0115][0116][0117][0118]
其中，和分别为温控负荷j的功率需求下限和上限；和分别为温控负荷j的能量需求下限和上限；和为温控负荷j的转换系数；为温控负荷j的初始温度；为外界环境在t时刻的温度；和分别为温控负荷j在t时刻的有功功率需求和温度；温控负荷j在t-1时刻的温度；δt为调度时间间隔；为外界环境在t时刻的温度。
[0119]
步骤s11，采用njw谱聚类算法，根据温控负荷的特点，将具有相似特征的温控负荷节点聚类划分为同一组，形成多个温控负荷聚合商；其中，njw(ng-jordan-weiss)谱聚类算法是一种经典的谱聚类算法，在本发明中，可以通过将njw谱聚类算法，将具有相似特征的温控负荷聚类划分为同一组，形成一个聚合商统一管理，更加便利地接受上级虚拟电厂调度。
[0120]
具体地，所述步骤s11进一步包括：
[0121]
步骤s110，输入各温控负荷参数和虚拟电厂各节点期望获得的聚合商数目，节点i处聚合商的数目记为n
agg,i
；
[0122]
步骤s111，将各温控负荷参数进行极值归一化，归一化方法如下：
[0123][0124]
其中，n
l,i
为节点i处温控负荷的数目；为节点i处温控负荷的数目；为温控负荷j的原始需求参数；为温控负荷j的原始需求参数；为经过归一化之后温控负荷j的需求参数；
[0125]
步骤s112，采用欧式距离来衡量每个节点下不同温控负荷之间的差异，采用如下的定义获得每一节点下的温控负荷l和j之间的差异矩阵d：
[0126][0127]
其中，d(l,j)矩阵d中第l行第j列的元素；α1,α2,α3,α4,α5,α6,α7,α8为权重系数，取值范围为[0,1]，其参考值设置为：α1＝α2＝0.2，α3＝α4＝0.5，α5＝α6＝0.8，α7＝α8＝0.95；
分别为分别为经过归一化处理后参数；
[0128]
步骤s113，利用高斯核函数将差异矩阵d转换成邻接矩阵k如下：
[0129][0130]
其中，k(l,j)矩阵k中第l行第j列的元素；为高斯核函数参数；
[0131]
步骤s114，将邻接矩阵k归一化，计算归一化后矩阵k前n
agg,i
个最大特征值及其对应的特征向量，将得到的特征向量分别记为u1,u2,
…
,利用这些特征向量构建特征向量空间矩阵
[0132]
步骤s115，利用k-means算法对所特征向量空间矩阵u进行聚类，获得各节点下温控负荷聚类分群结果。
[0133]
步骤s12，根据温控负荷聚类分群结果，对于每个温控负荷聚合商，根据其内部所有温控负荷参数，获得每一聚合商的等效需求参数信息。
[0134]
具体地，所述步骤s12具体为：
[0135]
根据温控负荷聚类分群结果，对于每个温控负荷聚合商，根据其内部所有温控负荷参数，获取聚合商的等效需求参数信息如下：
[0136][0137][0138][0139]
其中，n
l,k,i
为节点i处聚合商k内部温控负荷的数目；聚合商的等效参数为为节点i处聚合商k内部温控负荷的数目；聚合商的等效参数为为节点i处聚合商k内部温控负荷的数目；聚合商的等效参数为和分别为节点i处聚合商k的等效功率需求下限和上限；和分别为节点i处聚合商k的等效能量需求下限和上限；和为节点i处聚合商k的等效转换系数；为节点i处聚合商k的等效初始温度。
[0140]
值得注意的是，在滚动调度过程中，由于温控负荷的关键参数和当前状态会不断发生改变，该集群聚合过程在每个调度时刻都应重新进行。因此，在虚拟电厂滚动调度过程中，温控负荷聚合是一个分时动态更新过程。
[0141]
步骤s2，根据温控负荷聚类聚合结果，可再生能源和各类电价的预测信息，建立虚拟电厂滚动调度优化模型并求解，得到滚动调度的预优化结果，根据预优化结果获得各温控负荷聚合商的参考功率；
[0142]
在一个具体的例子中，所述步骤s2进一步包括：
[0143]
步骤s20，对于每一调度时刻，虚拟电厂代理都需要进行一系列的滚动优化来获取分布式发电机组、可再生能源、储能设备和温控负荷调度计划，以及虚拟电厂与电力市场交
互计划。采用基于典型场景集的随机优化方法来对虚拟电厂运营优化中可再生能源及电价不确定性进行建模，建立滚动调度预优化模型，其中，虚拟电厂滚动调度预优化模型以虚拟电厂代理的总运营成本最低为目标，模型中考虑的运营成本应包括以下五项：虚拟电厂从上层能量市场的电能购买成本，从旋转备用市场的备用购买成本，虚拟电厂内部分布式发电机组运行成本，储能运行成本，与上级电力市场的能量和备用交互偏差造成的惩罚，故其优化目标函数如下：
[0144][0145]
其中，ns和ρs分别为场景数目和各场景权重；t为虚拟电厂运营总时段数；τ为当前运行时间点；为t时刻场景s下能量市场预测电价；为t时刻场景s下旋转备用市场预测电价；为t时刻场景s下虚拟电厂与能量市场的交互有功功率；为t时刻场景s下在虚拟电厂与辅助服务市场的交互备用容量；为t时刻上级能量市场出清的有功功率；为t时刻上级辅助服务市场出清的备用容量；为发电机组i在t时刻场景s中的有功出力；为发电机组i在t时刻场景s中的备用容量；和分别为储能设备i在t时刻场景s中的有功功率输出和有功功率输入；为储能设备i在t时刻场景s中的备用容量；为聚合体有功功率偏离能量市场调度计划对应的偏差惩罚系数；为聚合体备用容量偏离备用市场调度计划对应的偏差惩罚系数；n
dg
和n
ess
分别是聚合体中分布式发电机组和储能设备数目；
[0146]
其中，和分别为发电机组i和储能设备i的运行成本采用如下的公式进行表示：
[0147][0148][0149]
其中，为t时刻旋转备用的调用概率；ai，bi和ci为发电机的运行成本系数；api为储能设备的运行成本系数；
[0150]
所述优化模型中决策变量包所述优化模型中决策变量包
[0151]
步骤s21，采用潮流方程模型约束、分布式发电机组模型约束、可再生能源出力约束、储能模型约束、系统旋转备用平衡约束模型、温控负荷聚合商模型约束对所述滚动调度预优化模型进行约束，并对所述滚动调度预优化模型进行求解，获得各温控负荷聚合商的参考功率
[0152]
具体地，在所述步骤s21中，进一步包括：
[0153]
步骤s210，采用如下的公式实现潮流方程模型约束，其采用一种线性化的潮流模
型来描述虚拟电厂内部的有功和无功潮流平衡：
[0154][0155][0156][0157][0158][0159][0160]
其中，nb为虚拟电厂中的节点总数；r
ij
和x
ij
分别为线路i和线路j之间的电阻和电抗；θi、vi、pi、qi分别为节点i处的相位、电压幅值、注入有功功率和注入无功功率；θj、vj分别为节点j处的相位和电压幅值；和分别为风电场i和光伏电站i在t时刻场景s中的有功出力；和分别为风电场i、光伏电站i和发电机组i在t时刻场景s中的无功出力；为节点i处聚合商k在t时刻场景s中的参考功率；和分别为节点i处t时刻的有功负荷和无功负荷；p
ij
和q
ij
分别为节点i和节点j之间的支路潮流有功功率和支路潮流无功功率；为节点i处聚合商k在t时刻场景s中的参考有功功率；
[0161]
并将各支路潮流和节点电压限制在一定的范围内：
[0162][0163]
其中，p
ij
和q
ij
分别为节点i和节点j之间的有功潮流和无功潮流；s
ij,n
为节点i和节点j之间传输线额定容量；v
i,max
和v
i,min
分别为节点电压幅值上下限；
[0164]
步骤s211，采用如下的公式实现分布式发电机组模型约束，其至少包括：机组出力、爬坡出力、启停机时长：
[0165][0166][0167][0168][0169]
其中，和分别为发电机组i的出力上下限；为发电机组i的最大爬坡速率；为发电机组i的额定容量；
[0170]
步骤s212，采用如下的公式实现可再生能源出力约束：
[0171]
[0172][0173]
其中，和分别为风电场i和光伏电站i的额定容量；为风电场i在场景s中t时刻的预测值；为光伏电站i在场景s中t时刻的预测值；
[0174]
步骤s213，采用如下的公式实现储能模型约束如下：
[0175][0176][0177][0178][0179]
其中，和和分别为储能设备i的最大输入/输出功率和最小输入/输出功率；和分别为储能设备i的储能上限和储能下限；η
in
和η
out
分别为功率输入和输出能量转换系数；λ为储能的能量耗散系数；
[0180]
步骤s214，采用如下的公式实现系统旋转备用平衡约束：
[0181][0182]
其中，|δr
l
|，和分别为聚合体内部负荷、风电场i和光伏电站i的备用需求；
[0183]
步骤s215，采用如下的公式实现温控负荷聚合商模型约束：
[0184][0185][0186][0187]
其中，为节点i处聚合商k在t时刻场景s中的参考室内温度状态。
[0188]
可以理解的是，求解上述虑温控负荷聚合商的虚拟电厂滚动调度预优化模型中的公式(10)-(33)，就可以获得各温控负荷聚合商的参考功率
[0189]
步骤s3，对各聚合商的参考功率进行解聚合，分解给其内部的各温控负荷，获得各温控负荷的实际功率需求；
[0190]
在一个具体的例子中，所述步骤s3进一步包括：
[0191]
各聚合商根据虚拟电厂预优化步骤获取的参考功率制定内部温控负荷的运行计划；
[0192]
对于某一特定的聚合商k，其解聚合目标使整体输出功率跟随预优化步骤获取的参考功率轨迹，并减小每个温控负荷的启停次数，具体目标函数如下；
[0193][0194]
其中，通过设置目标函数中系数m的取值用于调整不同优化目标之间的权重；一般
来说，分解模型应优先保证聚合商的功率追踪精度，因此m可以取一个较大数值，参考取值范围为1000～10000；
[0195]
每个温控负荷在各时刻的功率消耗需满足如下需求模型，具体如下；
[0196][0197][0198][0199]
解聚合模型为典型的二次规划问题，对所述解聚合模型求解，即可按下述公式获取温控负荷的实际功率需求：
[0200][0201]
其中，为节点i处聚合商k在t时刻的实际功率需求；n
agg,i
为节点i处聚合商数目。
[0202]
值得注意的是，每个聚合商的参考功率轨迹和实际功率轨迹之间可能会存在一定的偏差，因此需要后续步骤中的终优化过程来确定最终的优化调度方案。
[0203]
步骤s4，根据所有温控负荷的实际功率需求，完成虚拟电厂滚动调度终优化，得到最终的滚动调度计划方案。
[0204]
在一个具体的例子中，所述步骤s4进一步包括：
[0205]
虚拟电厂终优化与虚拟电厂预优化的数学建模完全相同，不过，在终优化步骤中，所有温控负荷聚合商的功率需求已经确定，因此，在步骤s4中，需要将虚拟电厂滚动调度优化模型中决策变量替换为固定值将模型的决策变量更新为再次求解该虚拟电厂滚动调度优化模型，得到各决策变量的最优解，并根据各场景的权重进行计算完成虚拟电厂滚动调度终优化，得到最终的滚动调度计划方案，包括可再生能源机组、分布式发电机组及储能设备的分时调度计划和向上级电力市场投标计划。
[0206]
可以理解的是，本发明的所述方法本发明一般通过虚拟电厂的代理装置来实现。在实际应用中，所述方法包括：虚拟电厂代理统计每条母线上温控负荷数量，根据各温控负荷的需求信息对其进行集群聚类，并计算聚合商的参数。根据温控负荷聚类聚合结果，可再生能源和各类电价的预测信息，虚拟电厂代理需要进行滚动调度的预优化，并将优化调度结果下发至聚合商。在预优化步骤结束之后，每个温控负荷聚合商都会收到一系列参考功率。各聚合商将参考功率分解给其内部每个温控负荷，实现温控负荷解聚合，以满足各用户需求并将实际用电功率上报给虚拟电厂代理。根据所有温控负荷的实际用电功率，虚拟电厂代理制定最终的滚动调度终优化计划。
[0207]
实施本发明实施例，具有如下的有益效果：
[0208]
本发明提供一种考虑温控负荷聚合商的虚拟电厂滚动调度方法，通过考虑温控负荷聚合和解聚合过程，本发明可以实现虚拟电厂中海量温控负荷协调调度，具有高效的计
算效率，能够充分挖掘负荷侧的灵活性，同时，解决了海量小规模的温控负荷给系统优化调度带来的“维度灾”问题；
[0209]
本发明所提的虚拟电厂优化调度模型兼顾了虚拟电厂与上级电力市场的交互，可以实现内部调度计划和外部交互方案亟需协同优化，提升了方法在电力市场背景下普适性，具有很高的实用价值。
[0210]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。