虚拟电厂协同管理方法、系统、存储介质及电子设备与流程

1.本发明涉及电力系统运行优化调度技术领域，特别是涉及一种虚拟电厂协同管理方法、系统、存储介质及电子设备。


背景技术：

2.传统的虚拟电厂调度策略往往是在日前预留足够的调峰机组和备用机组，以保证电力系统的稳定可靠运行，但这种调度策略会导致系统运行成本高及发电容量利用效率低的问题。随着经济技术的发展、物联网的建设，增加了用电需求侧参与电网调度的可行性，用电需求侧参与电网调度能够有效改善电网负荷功率曲线，减少系统峰值负荷和运行成本。
3.现有技术中，关于需求侧资源的优化管理策略大多为各类资源整体出力优化，未能计及各负荷及储能设备单元自身调控能力的差异性，而计及设备调控能力差异的调度策略大多基于设备运行状态的控制策略，其有序响应依据均为设备短时或实时运行状态，未考虑资源参与响应时所具有的多时间尺度的特性。因此，针对现有技术难以实现虚拟电厂分布式需求侧资源的有效协调和管理问题，无法保证虚拟电厂对需求侧资源优化管理的协调性、经济性，资源难以充分发挥各自差异化的响应能力，同时导致虚拟电厂对资源的优化管理成本的提高。


技术实现要素：

4.本发明的目的在于克服现有技术中存在的不足，并提供一种虚拟电厂协同管理方法、系统、存储介质及电子设备，以解决现有技术中存在的大规模分布式需求侧资源无法得到有效协调和管理的问题，使需求侧资源充分发挥各自差异化的响应能力，从而降低优化管理的成本。
5.为实现上述目的，第一方面本发明提供一种面向虚拟电厂需求侧资源聚类的两阶段协同管理方法；包括以下步骤：
6.从虚拟电厂设备层获取需求侧资源的调控信息；
7.根据所述需求侧资源的调控信息构建需求侧资源聚类整合方案，得到需求侧资源聚类整合结果；
8.根据所述需求侧资源聚类整合结果建立需求侧资源的日前阶段全局优化模型；对所述日前阶段全局优化模型进行求解得到日前阶段全局优化结果，所述日前阶段全局优化结果包括需日前告知资源的优化结果和可日内告知资源的优化结果；
9.根据所述需求侧资源聚类整合结果和所述可日内告知资源的优化结果建立日内阶段短期—全局协同优化模型；对所述日内阶段短期—全局协同优化模型求解得到日内阶段短期—全局协同优化结果。
10.进一步地，所述需求侧资源的调控信息包括需求侧资源参与调控的功率上下限、参与调控的时间、初始荷电状态和原额定运行功率。
11.进一步地，所述需求侧资源聚类整合方案包括：根据需求侧资源的不同利用方式分别建立各类资源的调度模型，提取各类资源的聚类特征，基于改进k-means聚类方法对各类资源进行聚类整合。
12.进一步地，所述调度模型包括：
13.可削减负荷调度模型：
14.其中，t1、t2分别代表可削减负荷的开始使用时刻、结束使用时刻；为可削减负荷的可削减功率上限；为可削减负荷原设定运行功率；
15.可转移负荷调度模型：
16.其中，t1、t2分别代表可转移负荷的入网时刻、离网时刻；δt为可转移负荷的原计划用电时长；为可转移负荷的可转移功率上限；为可转移负荷的原设定运行功率；
17.储能装置调度模型：
18.其中，c
ess
、soc0、分别为储能装置的储能容量、初始荷电状态、充放电功率；soc
t
、soc
t
分别表示t时刻储能装置荷电状态、调度周期结束t时刻的荷电状态；p
tch
、p
tdis
为t时刻储能装置的充放电功率；η为储能装置充放电效率；δt为仿真时长；soc
t-1
为t-1时刻储能装置荷电状态。
19.进一步地，所述聚类特征包括：
20.可削减负荷的聚类特征向量：
21.其中，t1、t2为可削减负荷的开始使用时刻、结束使用时刻，为可削减负荷的可削减功率上限；
22.可转移负荷的聚类特征向量：
23.其中，t1、t2为可转移负荷的入网时刻、离网时刻，δt、为可转移负荷的原计划用电时长、可转移功率上限；
24.储能装置的聚类特征向量：
25.其中，c
ess
、soc0、分别为储能装置的储能容量、初始荷电状态、充放电功率。
26.进一步地，所述改进k-means聚类方法包括以下模型：
[0027][0028]
其中，d代表类内部各点距离之和，p为类内任意一点，mi为类中所有点距离的均值即类的中心点；
[0029][0030]
其中，l代表各个类的中心点mi到全局中心点m距离之和；
[0031]
sum(s,k)＝d+l
[0032]
其中，k为聚类体个数；sum(s,k)为距离代价函数。
[0033]
进一步地，所述日前阶段全局优化模型以虚拟电厂补偿的激励成本最小为目标函数，建立约束条件；
[0034]
所述日前阶段全局优化模型的目标函数如下：
[0035][0036][0037][0038]
其中，ni为第i种资源的聚类体个数；ki为第i种资源的第ki个聚类体；i＝1、2、3分别表示日前可削减负荷、日前可转移负荷、以及日内可削减负荷；ω
ki
为第ki个聚类体中的资源数量；分别为t时刻第ki个聚类体的下调功率需支付的激励补偿成本、下调功率需支付的激励补偿成本；分别为t时刻储能聚类体k4的放电功率的虚拟调度费用、充电功率的虚拟调度费用；α
t
、β
t
为t时刻调节信号标识；ai、bi分别为各类负荷的激励补偿成本参数；di为储能装置的调度成本参数；
[0039]
所述日内阶段短期—全局协同优化模型以日内阶段短期激励成本最小及日内阶段全局协同相似度最大为目标函数，建立约束条件；
[0040]
所述日内阶段短期—全局协同优化模型的目标函数为：
[0041]
minf＝fc+f
ε
[0042][0043][0044]
其中，fc为日内阶段短期激励成本函数；f
ε
为日内阶段全局协同相似度函数；ε为一个滚动周期内日内阶段短期—全局协同优化结果和可日内告知资源的优化结果的相似度；c为一个滚动周期内的激励成本函数；
[0045]
其中，所述一个滚动周期内的激励成本函数c为：
[0046][0047]
式中，c为一个滚动周期内的激励成本函数；t＝16为滚动周期内时段数；为第k3个日内负荷聚类体下调功率为时需支付的激励补偿成本；为t时刻储能聚类体k4放电功率为时的虚拟调度费用；为t时刻储能聚类体k4充电功率为时的虚拟调度费用；α
t
、β
t
为t时刻调节信号标识；
[0048]
所述一个滚动周期内日内阶段短期—全局协同优化结果和可日内告知资源的优化结果的相似度函数ε为：
[0049][0050][0051][0052][0053][0054]
其中，δ
t
为t时刻聚类体日前预调度调节量向量，其中为t时刻日内可削减负荷聚类体i的预调度调节量(i＝1,2
…
,n1)，为t时刻储能聚类体i的预调度调节量(i＝n1+1,n1+2
…
,n1+n2)；为t时刻聚类体日内实际调节量向量；为t时刻各聚类体实际调节量与预调度安排的相似度；为权值；
[0055]
所述约束条件包括上级电网目标功率约束、各类资源响应状态约束、可削减负荷调节约束、可转移负荷调节约束和储能装置调节约束；
[0056]
所述上级电网目标功率约束为：
[0057][0058]
其中，为日前阶段云端对该虚拟电厂的发布的各时刻的总调节任务量；为虚拟电厂对各聚类体的优化调节功率；
[0059]
所述各类资源响应状态约束为：
[0060]
α
t
β
t
＝0
[0061]
其中，α
t
＝1且β
t
＝0时各聚类体响应功率上调指令，下调功率α
t
＝0且β
t
＝1时各聚类体响应功率上调指令，下调功率
[0062]
所述可削减负荷调节约束为：
[0063][0064]
其中，ω
ki
为聚类体ki内部资源数量；为聚类体ki开始与结束使用时间、为聚类体最大可削减容量；
[0065]
所述可转移负荷调节约束为：
[0066][0067][0068][0069]
式中，为聚类体ki于在网时段范围内的转出功率范围内的转出功率为聚类体ki于在网时段范围内的转入功率范围内的转入功率为原预计用电时段范围内聚类体ki的转出功率；为内部资源的最大总转移功率；为在网且未用电时段范围内聚类体ki的转入功率；
[0070]
所述储能装置调节约束为:
[0071][0072][0073][0074][0075][0076]
其中,分别为储能聚类体ki的充、放电功率；为储能聚类体ki的最大充放电功率；ω
kicki
为储能聚类体ki的等效总容量；η为储能聚类体ki的充放电效率。
[0077]
第二方面，本发明提供一种面向虚拟电厂需求侧资源聚类的两阶段协同管理系统，包括：
[0078]
获取模块，用于从虚拟电厂设备层获取需求侧资源的调控信息；
[0079]
处理模块，用于根据所述需求侧资源的调控信息构建需求侧资源聚类整合方案，得到需求侧资源聚类整合结果；
[0080]
第一优化调度模块，用于根据所述需求侧资源聚类整合结果建立需求侧资源的日前阶段全局优化模型；对所述日前阶段全局优化模型进行求解得到日前阶段全局优化结果，所述日前阶段全局优化结果包括需日前告知资源的优化结果和可日内告知资源的优化结果；
[0081]
第二优化调度模块，用于根据所述需求侧资源聚类整合结果和所述可日内告知资源的优化结果建立日内阶段短期—全局协同优化模型；对所述日内阶段短期—全局协同优
化模型求解得到日内阶段短期—全局协同优化结果。
[0082]
第三方面，本发明提供一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现上述的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法。
[0083]
第四方面，本发明提供一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令，所述处理器执行所述存储器存储的所述程序指令时实现上述的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法。
[0084]
根据本发明的技术方案可知，本发明的虚拟电厂需求侧资源聚类的两阶段协同管理方法，利用激励型需求响应中用户申报参与调控信息的特点，从虚拟电厂设备层获取资源参与的调控信息，针对大规模需求侧资源构建虚拟电厂需求侧资源多维聚类整合方案，建立日前阶段全局优化模型和日内阶段短期—全局协同优化模型，其中，日内阶段短期—全局协同优化模型分别以需求侧资源聚类整合结果和所述可日内告知资源的优化结果为基础建立，据此给出需求侧资源的最佳响应方案。本发明通过资源间协同、阶段间协同，在虚拟电厂对需求侧资源的优化环境中给出最佳需求侧资源响应方案，综合考虑，实现了资源协调管理，可使各资源充分发挥各自差异化的响应能力，资源差异化的响应特性得到有效利用，提高了虚拟电厂需求侧资源优化管理的经济性，以满足未来负荷增长的需要。
附图说明
[0085]
图1为本发明实施例的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法的流程示意图。
[0086]
图2为本发明实施例的面向虚拟电厂需求侧资源聚类的两阶段协同管理系统的结构示意图。
[0087]
图3为本发明实施例的存储介质的结构示意图。
[0088]
图4为本发明实施例的电子设备的结构示意图。
[0089]
图5为本发明实施例的某虚拟电厂及需求侧资源拓扑示意图。
具体实施方式
[0090]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
[0091]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0092]
如图1所示，在本发明的一些实施例中，提供一种面向虚拟电厂需求侧资源聚类的两阶段协同管理方法，包括以下步骤：
[0093]
s1、从虚拟电厂设备层获取需求侧资源的调控信息。
[0094]
所述需求侧资源的调控信息包括需求侧资源参与调控的功率上下限、参与调控的时间、初始荷电状态和原额定运行功率。
[0095]
虚拟电厂对需求侧资源的优化管理是在激励型需求响应管理模式下，由用户申报
各资源参与响应的容量及时间，并且虚拟电厂设备层的各个数据具有差异化、碎片化的特点，将所有资源一视同仁进行粗放式调控不能满足用户用电需求，因此从虚拟电厂设备层获取各个资源具有差异化的调控信息能够针对各个资源的特点进行精细化调控，充分发挥各个资源的差异化的响应能力。
[0096]
s2、根据所述需求侧资源的调控信息构建需求侧资源聚类整合方案，得到需求侧资源聚类整合结果。
[0097]
具体地，根据需求侧资源的不同利用方式分别建立各类资源的调度模型，提取各类资源的聚类特征，基于改进k-means聚类方法对各类资源进行聚类整合，得到需求侧资源聚类整合结果。
[0098]
s2.1、根据需求侧资源的不同利用方式分别建立可削减负荷调度模型、可转移负荷调度模型和储能装置调度模型；
[0099]
所述可削减负荷调度模型为：
[0100]
其中，t1、t2分别代表可削减负荷的开始使用时刻、结束使用时刻；为可削减负荷的可削减功率上限；为可削减负荷原设定运行功率；
[0101]
所述可转移负荷调度模型为：
[0102]
其中，t1、t2分别代表可转移负荷的入网时刻、离网时刻；δt为可转移负荷的原计划用电时长；为可转移负荷的可转移功率上限；为可转移负荷的原设定运行功率；
[0103]
所述储能装置调度模型为：
[0104]
其中，c
ess
、soc0、分别为储能装置的储能容量、初始荷电状态、充放电功率；soc
t
、soc
t
分别表示t时刻储能装置荷电状态、调度周期结束t时刻的荷电状态；p
tch
、p
tdis
为t时刻储能装置的充放电功率；η为储能装置充放电效率；δt为仿真时长；soc
t-1
为t-1时刻储能装置荷电状态。
[0105]
s2.2、提取各类资源的多维的聚类特征，所述聚类特征包括可削减负荷的聚类特征向量、可转移负荷的聚类特征向量和储能装置的聚类特征向量；
[0106]
所述可削减负荷的聚类特征向量为：
[0107]
其中，t1、t2为可削减负荷的开始使用时刻、结束使用时刻，是削减负荷的可控时间特征；为可削减负荷的可削减功率上限，是可削减负荷的可控容量特征；
[0108]
所述可转移负荷的聚类特征向量为：
[0109]
其中，t1、t2为可转移负荷的入网时刻、离网时刻，是可转移负荷的可控时间特征；δt、为可转移负荷的原计划用电时长、可转移功率上限，是可转移负荷的可控容量特征；
[0110]
所述储能装置的聚类特征向量为：
[0111]
其中，c
ess
、soc0、分别为储能装置的储能容量、初始荷电状态、充放电功率，是储能装置的可控容量特征。
[0112]
s2.3、根据各类资源的多维的聚类特征，基于改进k-means聚类方法对各类资源进行聚类整合，得到需求侧资源聚类整合结果；
[0113]
所述改进k-means聚类方法包括以下模型：
[0114][0115]
其中，d代表类内部各点距离之和，p为类内任意一点，mi为类中所有点距离的均值即类的中心点；
[0116][0117]
其中，l代表各个类的中心点mi到全局中心点m距离之和；
[0118]
sum(s,k)＝d+l
[0119]
其中，k为聚类体个数；sum(s,k)为距离代价函数。
[0120]
sum(s,k)作为评价指标，其值越小说明聚类效果越好，其中s为总样本集；确定聚类体最优聚类簇数后进一步通过密度法确定各聚类体的聚类质心。
[0121]
需求侧资源经聚类整合后形成若干个聚类体，所述聚类体包括可控负荷聚类体和储能聚类体，其中可控负荷聚类体包括日前可削减负荷聚类体、日前可转移负荷聚类体、以及日内可削减负荷聚类体。
[0122]
为降低虚拟电厂对大规模需求侧资源的管理难度，本实施例根据各类资源的聚类特征对资源进行聚类整合，使具有相似用电特征的资源整合后统一参与虚拟电厂的优化管理，计及资源差异化调控能力的同时缩小了了大规模分布式资源的空间管理维度。
[0123]
s3、根据所述需求侧资源聚类整合结果建立需求侧资源的日前阶段全局优化模型；对所述日前阶段全局优化模型进行求解得到日前阶段全局优化结果，所述日前阶段全局优化结果包括需日前告知资源的优化结果和可日内告知资源的优化结果。
[0124]
s3.1、建立以虚拟电厂补偿的激励成本最小为目的的目标函数；
[0125]
所述日前阶段全局优化模型的目标函数如下：
[0126][0127]
[0128][0129]
其中，ni为第i种资源的聚类体个数；ki为第i种资源的第ki个聚类体；i＝1、2、3分别表示日前可削减负荷、日前可转移负荷、以及日内可削减负荷；ω
ki
为第ki个聚类体中的资源数量；分别为t时刻第ki个聚类体的下调功率需支付的激励补偿成本、下调功率需支付的激励补偿成本；分别为t时刻储能聚类体k4的放电功率的虚拟调度费用、充电功率的虚拟调度费用；α
t
、β
t
为t时刻调节信号标识，α
t
为1时分别表示响应上级下调、上调指令；ai、bi分别为各类负荷的激励补偿成本参数；di为储能装置的调度成本参数。
[0130]
s3.2、建立约束条件，所述约束条件包括上级电网目标功率约束、各类资源响应状态约束、可削减负荷调节约束、可转移负荷调节约束和储能装置调节约束；
[0131]
所述上级电网目标功率约束为：
[0132][0133]
其中，为日前阶段云端对该虚拟电厂的发布的各时刻的总调节任务量；为虚拟电厂对各聚类体的优化调节功率；
[0134]
所述各类资源响应状态约束为：
[0135]
α
t
β
t
＝0
[0136]
其中，α
t
＝1且β
t
＝0时各聚类体响应功率上调指令，下调功率α
t
＝0且β
t
＝1时各聚类体响应功率上调指令，下调功率该约束保证了相同时刻下不同资源调度状态的同步性；
[0137]
所述可削减负荷调节约束为：
[0138][0139]
其中，ω
ki
为聚类体ki内部资源数量；为聚类体ki开始与结束使用时间、为聚类体最大可削减容量；该约束表示了各个可削减负荷聚类体的可调时间范围及可调容量限制；
[0140]
所述可转移负荷调节约束为：
[0141][0142][0143][0144]
式中，为聚类体ki于在网时段范围内的转出功率范围内的转出功率为聚类
体ki于在网时段范围内的转入功率范围内的转入功率为原预计用电时段范围内聚类体ki的转出功率；为内部资源的最大总转移功率；为在网且未用电时段范围内聚类体ki的转入功率；该约束为聚类体ki于在网时段范围内转出功率与转入功率的总量守恒约束；原预计用电时段范围内聚类体ki最大转出功率为内部资源的最大总转移功率在网且未用电时段范围内聚类体ki最大转入功率同样为内部资源的最大总转移功率
[0145]
所述储能装置调节约束为:
[0146][0147][0148][0149][0150][0151]
其中,分别为储能聚类体ki的充、放电功率；为储能聚类体ki的最大充放电功率；ω
kicki
为储能聚类体ki的等效总容量；η为储能聚类体ki的充放电效率；该约束为储能聚类体ki的充、放电功率需满足调度周期内的充放电功率守恒的约束。
[0152]
s3.3、根据载荷评价目标函数、线损评价目标函数、经济评价目标函数以及约束条件，采用粒子群算法求解日前阶段全局优化模型的目标函数。
[0153]
s3.3.1、选取需求侧资源优化调度对象目标响应功率作为粒子，其初始值在其调控范围内确定；
[0154]
s3.3.2、设置初始迭代次数k＝1，最大迭代次数k
max
＝500；
[0155]
s3.3.3、根据日前阶段全局优化模型的目标函数对应的公式计算各粒子数值并进行限定，使其满足上述各个约束条件；
[0156]
s3.3.4、更新粒子的速度和位置：
[0157][0158]
其中：k为迭代次数；xk表示迭代次数为k时粒子的空间位置；x
k+1
表示迭代次数为k+1时粒子的空间位置；vk表示迭代次数为k时粒子的速度；v
k+1
表示迭代次数为k+1时粒子的速度；c1、c2为学习因子，取值在0～4之间；r1、r2为(0，1)之间均匀分布的随机数；ω为惯性因子；ω
min
、ω
max
分别为惯性因子最小值、最大值；pbestk为粒子在第k次迭代时的自身最优解；gbestk为粒子在第k次迭代时的全局最优解；
[0159]
s3.3.5、若k》k
max
，则输出日前阶段全局优化模型的目标函数的计算结果，即最终
值；否则，令k＝k+1，返回步骤s3.3.4，直至k》k
max
，得到日前阶段全局优化模型的目标函数的计算结果。
[0160]
日前阶段的全局优化模型，以虚拟电厂补偿的激励成本最少为目标构建全局优化目标函数，将虚拟电厂总调节任务优化分配至所有需求侧资源，其中需日前告知资源的优化结果将作为其实际响应计划下达需求侧设备；对于可日内告知资源的优化结果将作为全局优化的预调度计划。
[0161]
s4、根据所述需求侧资源聚类整合结果和所述可日内告知资源的优化结果建立日内阶段短期—全局协同优化模型；对所述日内阶段短期—全局协同优化模型求解得到日内阶段短期—全局协同优化结果。
[0162]
s4.1、建立以日内阶段短期激励成本最小及日内阶段全局协同相似度最大为目的的目标函数；
[0163]
所述日内阶段短期—全局协同优化模型的目标函数为：
[0164]
minf＝fc+f
ε
[0165][0166][0167]
其中，fc为日内阶段短期激励成本函数；f
ε
为日内阶段全局协同相似度函数；ε为一个滚动周期内日内阶段短期—全局协同优化结果和可日内告知资源的优化结果的相似度；c为一个滚动周期内的激励成本函数；
[0168]
其中，所述一个滚动周期内的激励成本函数c为：
[0169][0170]
式中，c为一个滚动周期内的激励成本函数；t＝16为滚动周期内时段数；为第k3个日内负荷聚类体下调功率为时需支付的激励补偿成本；为t时刻储能聚类体k4放电功率为时的虚拟调度费用；为t时刻储能聚类体k4充电功率为时的虚拟调度费用；α
t
、β
t
为t时刻调节信号标识，α
t
、β
t
为1时分别表示响应上级下调、上调指令；
[0171]
所述一个滚动周期内日内阶段短期—全局协同优化结果和可日内告知资源的优化结果的相似度函数ε为：
[0172][0173][0174][0175]
[0176][0177]
其中，δ
t
为t时刻聚类体日前预调度调节量向量，其中为t时刻日内可削减负荷聚类体i的预调度调节量(i＝1,2
…
,n1)，为t时刻储能聚类体i的预调度调节量(i＝n1+1,n1+2
…
,n1+n2)，即该时刻具有调节任务的日内可削减负荷聚类体、储能聚类体数量分别为n1、n2；为t时刻聚类体日内实际调节量向量；为t时刻各聚类体实际调节量与预调度安排的相似度；为权值；
[0178]
s4.2、建立约束条件，所述约束条件包括上级电网目标功率约束、各类资源响应状态约束、可削减负荷调节约束、可转移负荷调节约束和储能装置调节约束。具体的各调节的表达示与步骤s3.2中的表达式相同。
[0179]
s4.3、根据载荷评价目标函数、线损评价目标函数、经济评价目标函数以及约束条件，采用粒子群算法求解日内阶段短期—全局协同优化模型的目标函数。
[0180]
具体计算方法与s3.3相同，在此不再赘述。
[0181]
本实施例的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法，在日内阶段，为保证日内短期激励成本最优与日前阶段全局优化结果的协同，以日前全局优化的预调度计划为基线制定日内实际调度计划，使日内实际调度计划的制定在满足短期激励成本优化的同时与日前全局优化的预调度计划具有较高相似度。
[0182]
本发明的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法，利用激励型需求侧资源响应中用户申报参与调控信息的特点，从虚拟电厂设备层获取资源参与调控信息，针对大规模需求侧资源构建虚拟电厂需求侧资源多维聚类整合方案；并构建需求侧资源的日前阶段全局优化模型和日内阶段短期—全局协同优化模型，据此给出需求侧资源的最佳响应方案。本发明通过资源间协同、阶段间协同，在虚拟电厂对需求侧资源的优化环境中给出最佳需求侧资源响应方案，综合考虑了需求侧资源的可调控差异(即不同资源的响应特征提取和聚类整合)和需求侧资源优化管理的经济型(即日前阶段全局优化模型的目标函数和日内阶段短期—全局协同优化模型的目标函数)，应用粒子群算法求解获得各资源的最佳响应计划，实现了资源协调管理，可使各资源充分发挥各自差异化的响应能力，资源差异化的响应特性得到有效利用，提高了虚拟电厂需求侧资源优化管理的经济性，以满足未来负荷增长的需要。
[0183]
如图5所示，具体地，比如通过本发明实施例的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法对某虚拟电厂用户申报的需求侧资源进行优化，具体步骤如下：
[0184]
s1、从虚拟电厂设备层获取需求侧资源的调控信息，所述调控信息如表1所示：
[0185]
表1
[0186][0187][0188]
各类资源的响应激励补偿成本系数如表2所示：
[0189]
表2
[0190][0191]
s2、根据需求侧资源的不同利用方式分别建立各类资源的调度模型，提取各类资源的聚类特征，基于改进k-means聚类方法对各类资源进行聚类整合；聚类整合后确定的聚类体最优聚类簇数如表3所示：
[0192]
表3
[0193][0194]
聚类整合后确定的各个聚类体的聚类质心的结果如表4至表7所示：
[0195]
表4
[0196][0197]
表5
[0198][0199][0200]
表6
[0201][0202]
表7
[0203][0204]
s3、根据步骤s2得到的所述需求侧资源聚类整合结果建立需求侧资源的日前阶段全局优化模型；以虚拟电厂补偿的激励成本最小为目标函数，建立约束条件，采用粒子群算法求解，得到日前阶段全局优化结果，所述日前阶段全局优化结果包括需日前告知资源的优化结果和可日内告知资源的优化结果；其中需日前告知资源的优化结果将作为其实际响应计划下达需求侧设备；对于可日内告知资源的优化结果将作为全局优化的预调度计划。
[0205]
s4、根据步骤s2得到的所述需求侧资源聚类整合结果和步骤s3得到的可日内告知资源的优化结果建立日内阶段短期—全局协同优化模型，以日内阶段短期激励成本最小及日内阶段全局协同相似度最大为目标函数，建立约束条件，采用粒子群算法求解，得到日内阶段短期—全局协同优化结果，作为日内阶段优化的实际调度计划。
[0206]
在上述资源申报信息及聚类结果下，对比如下三种不同的调度模型的场景中虚拟电厂需支付的总激励费用，其中，场景1为未计及日前日内阶段储能参与的优化；场景2为未计及日内阶段负荷参与的优化；场景3为采用本实施例的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法进行的日前日内两阶段各资源聚类体协同优化。
[0207]
表8
[0208][0209]
由表8可知，采用本实施例的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法进行的计及日前日内两阶段资源协同参与的优化策略，实现了全局经济优化的效果，总
激励成本较场景1和场景2分别节约9.33％、4.78％。
[0210]
如图2所示，在一些实施例中，还提供一种面向虚拟电厂需求侧资源聚类的两阶段协同管理系统，包括：
[0211]
获取模块31，用于从虚拟电厂设备层获取需求侧资源的调控信息；
[0212]
处理模块32，用于根据所述需求侧资源的调控信息构建需求侧资源聚类整合方案，得到需求侧资源聚类整合结果；
[0213]
第一优化调度模块33，用于根据所述需求侧资源聚类整合结果建立需求侧资源的日前阶段全局优化模型；对所述日前阶段全局优化模型进行求解得到日前阶段全局优化结果，所述日前阶段全局优化结果包括需日前告知资源的优化结果和可日内告知资源的优化结果；
[0214]
第二优化调度模块34，用于根据所述需求侧资源聚类整合结果和所述可日内告知资源的优化结果建立日内阶段短期—全局协同优化模型；对所述日内阶段短期—全局协同优化模型求解得到日内阶段短期—全局协同优化结果。
[0215]
如图4所示，在一些实施例中，还提供一种存储介质60，所述存储介质60内存储有程序指令61，所述程序指令61被处理器执行时实现上所述的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法。
[0216]
如图3所示，在一些实施例中，还提供一种电子设备40，包括处理器41、以及与所述处理器41耦接的存储器42，所述存储器42存储有可被所述处理器41执行的程序指令，所述处理器41执行所述存储器42存储的所述程序指令时实现上述的面向虚拟电厂需求侧资源聚类的两阶段协同管理方法。
[0217]
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。
[0218]
以上实施例仅表达了本发明的优选的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。