一种分布式电源、储能与柔性负荷联合调度方法及装置与流程

本发明涉及一种分布式电源、储能与柔性负荷联合调度方法及装置，属于电网优化运行技术领域。

背景技术：

长期以来，电网主要通过调度电源侧(集中式发电厂)来满足调峰、调频等要求。随着新能源的大量接入，传统电厂年利用小时数被迫下降，承担的电网调节压力陡增。电网陷入了不确定性不断增大、调节能力却不断减弱的怪圈。解决这一困局的一个有效手段是协同海量分布式资源主动参与电网调控，使其从电网的“沉重负担”转变为支撑电网安全高效运行的海量“参与者”。

配电网未来将包含大量的分布式电源、储能和柔性负荷等资源，均具备参与电网调节的能力，通过合理的方式聚合调度，不仅能够平抑间歇性能源波动、降低系统峰谷差，而且与增加装机容量相比，投资成本低，具有良好的社会效益和经济效益。因此，客观上需要将数量庞大的分布式资源整合为一个或多个调度方式灵活的聚合体。然而分布式资源数量众多、容量不均、布局分散，通过电网调度中心直接调度成本过高，无法被直接调度。本专利提供一种资源聚合商模式下的分布式电源、储能与柔性负荷联合调度方法。

电网公司以电网调节为目的，向资源聚合商发布调度指令，资源聚合商通过内部整合各类分布式资源执行电网调度指令，实现各类分布式资源的联合调度。当前的大容量资源调度方式为计及购电成本、损耗成本和管理成本的经济调度方式，未能考虑各类分布式资源供电能力的影响，特别是对于储能等存在容量限制的资源而言，易出现特定时刻调度能力不足的状况。针对小容量资源调度过程中的不确定性问题通过蒙特卡洛算法解决，通过大量模拟数据得出调度值，但计算时间相对较长，不适合运用在实时调度过程。

技术实现要素：

目的：为了克服现有技术中存在的不足，本发明提供一种分布式电源、储能与柔性负荷联合调度方法及装置，有效调度数量庞大的分布式资源，支撑电网安全高效运行。

技术方案：为解决上述技术问题，本发明采用的技术方案为：一种分布式电源、储能与柔性负荷联合调度方法及装置，包括如下步骤：

一种分布式电源、储能与柔性负荷联合调度方法，包括如下步骤：

步骤1：基于资源聚合商运营模式，以利润最大为目标构建结合大容量资源的直接调度与小容量资源的电价响应间接调度的联合调度模型，并设置运行约束条件；

步骤2：综合考虑大容量资源的经济性、信用度及供电能力，设置动态综合调度优先级，实时判断大容量资源的优先级顺序，依次进行直接调度；

步骤3：针对小容量资源的间接调度不确定性，设置小容量资源的模糊机会约束，用于表征不确定因素；

步骤4：将模糊机会约束清晰化，并应用改进的粒子群算法并求解联合调度模型，结合相应资源的调度价格，以资源聚合商收益最大为目标，获得大容量资源和小容量资源的调度分配量。

作为优选方案，所述资源聚合商运营模式：电网公司以电网调节为目的，向资源聚合商发布调度指令，资源聚合商通过内部优选，联合调度各类分布式资源完成调度指令，调度方式为直接调度和电价响应间接调度。

作为优选方案，功率大于等于100kw的分布式资源定义为大容量资源，功率小于100kw的分布式资源定义为小容量资源，所述分布式资源包括：分布式电源、储能以及柔性负荷。

作为优选方案，所述直接调度包括：依据各类大容量资源的调度量计算的调度激励，与实时调度量成正比；或者各类大容量资源的调度权订购激励，按资源容量计算，为固定值，计入资源聚合商固定运行成本

作为优选方案，所述电价响应间接调度：在小容量资源调度过程中，资源聚合商通过改变小容量资源电价的形式间接调度资源，资源响应度随电价变化而变化，资源聚合商根据实际资源响应值向小容量资源持有者付出经济激励。

作为优选方案，所述联合调度模型：将一天24小时划分为96个时间段，以日利润最大建立目标函数：

式中：f表示资源聚合商收益值；fin(t)为t时段资源聚合商依据电网公司调度指令的完成情况获取的收入；fout(t)为资源聚合商为调度资源给予各类资源持有者的支出；k1为已完成调度的结算单价；pdone(t)为t时段资源聚合商完成的调度值；k2为未完成调度的赔偿单价；plack(t)为t时段资源聚合商未完成的调度值，其中pdone(t)+plack(t)＝pall(t)，pall(t)为t时段电网公司下达的调度指令值；fb(t)为t时段调度大容量资源调度量成本；fs(t)为t时段调度小容量资源调度量成本；f0为资源聚合商固定运行总成本；k3m为大容量资源m的调度成本单价；pcm(t)为t时段调度大容量资源m的调度量，m为大容量资源的总数；k4n(t)为t时段节点n小容量资源调度成本单价；ξln(t)为t时段节点n小容量资源的响应度，为实际响应值与最大响应量之间的比值；pln(t)为t时段按节点n分类的小容量资源的最大响应量，n为小容量资源节点的总数，其中k5m表示大容量资源m的调度权订购成本；ccm表示大容量资源m的容量；fra表示资源聚合商固定运行成本；

所述运行约束条件包括：

1)潮流约束

式中：pi和qi分别表示电网母线节点i的有功和无功功率；vi和vj分别为电网母线节点i和j的电压；gij和bij分别表示电网母线节点i和j之间的电导和电纳；cosθij和sinθij分别为相角差θij的余弦和正弦；

2)节点电压约束

uimin≤ui≤uimax(3)

式中：ui表示电网母线节点i电压，uimax和uimin分别表示电压上下限；

3)各类分布式资源功率约束

实际调度资源总量不能超过资源最大容量；分布式电源、储能以及柔性负荷存在调度功率极限约束：

式中：pdg,x为分布式电源x的有功出力；和分别表示分布式电源x出力上下限；pess,y为储能y的有功出力；和分别表示储能y的充放电功率上下限；pfl,z为柔性负荷z的有功出力；和分别表示柔性负荷z的出力上下限；

4)储能荷电状态约束及能量平衡约束

socmin≤soc≤socmax(5)

式中：socmax和socmin分别为储能电池充放电深度上下限；soc的定义为：

式中：e为储能电池当前能量值；erate为额定能量值；在整个调度日，要保证储能装置的能量守恒；

eess,y(0)＝eess,y(96)(7)

式中：eess,y(0)为储能装置储备的初始能量：eess,y(96)为调度周期结束时储能的剩余能量。

作为优选方案，所述设置动态综合调度优先级，包括如下步骤：

1)引入经济性评估指标来衡量资源调度成本差异，经济性用于判断优先级，直接通过大容量资源持有者与电网公司签订的合同获得：

式中，dm,1(t)表示t时段大容量资源m的调度经济性的评估指标；a为某一常数，使得调度成本最低的资源经济性为1；由于k3m为为大容量资源m的调度成本单价；设置为定值，所以调度经济性为常量；

2)引入信用度的概念用于表征一定时段内大容量资源参与调度的完成情况；该指标以历史信息作为计算数据来源：

式中，dm,2(t)表示t时段大容量资源m信用度的评估指标；gm为一定时间段大容量资源参与调度的次数；为大容量资源m实际调度量；为大容量资源m预期调度量；对于储能以及柔性负荷直接调度而言，不存在不确定问题，调度值与预期值相等，故设其信用度为1；

3)引入供电能力评估指标来量化大容量资源的可调度潜力；影响供电能力的因素有剩余并网时间及当前时刻可调度功率，具体表示为：

式中，dm,3(t)为t时段某个大容量资源m的供电能力的评估指标；tm,re(t)、tm,all(t)分别为其剩余并网时间及总的并网时间；pm,max(t)、pmax(t)分别为当前时刻大容量资源m的可调度功率、大容量资源中的最大可调度功率；

确定各项指标的综合权重为：

式中，λcm,q为第q个的指标综合权重、λahp,q、λem,q分别为第q个dm,q(t)的ahp权重及熵权法权重，q取1，2，3；

根据各项指标值及综合权重确立综合指标值，进一步确立各类大容量资源调度优先级，大容量资源m在t时段的综合指标值可表示为：

式中，dm,q(t)为t时段大容量资源m的第q个评估指标，综合指标值从大到小排序，排在前面的大容量资源m优先级高，优先参与调度。

作为优选方案，所述模糊机会约束包括：根据历史电价实施前后虚拟柔性负荷实测数据拟合小容量资源响应度ξln(t)与实时电价k(t)的关系，得出两端响应度存在截止上下限，中间段近似线性的响应度曲线：

实际调度过程只考虑线性部分，电价与响应量之间存在相关性，但响应量是基于资源持有者的自愿原则开展，具有较大不确定性，故设置模糊参数表征调度不确定性，利用模糊参数拟合虚拟柔性负荷表达式：

式中：pln(t)表示模糊预测后的虚拟柔性负荷可调度值，λ为模糊参数，可推导出资源聚合商完成的调度指令为：

模糊参数三角形隶属度函数为：

式中，μ(λ)为λ的隶属度函数，λ1和λ2为隶属度参数。

资源聚合商提供的调度量需要满足与电网公司签订的合约调度量，允许在一定程度上不满足服务水平条件，但满足的概率必须大于某一置信度，由此产生机会约束：

γ{pdone(t)∈[pall(t)-ε,pall(t)+ε]}≥α(17)

式中：γ表示概率，ε为备用功率，α表示置信度，由聚合商与电网公司签订的合约所定。

作为优选方案，所述模糊机会约束清晰化包括：当置信度α＞1/2时，结合式(15)将机会约束式(17)清晰化：

作为优选方案，所述改进的粒子群算法包括：将模糊机会约束清晰化形成清晰等价类，结合粒子群算法，建立改进的粒子群算法，在形成粒子群和求解最优策略的过程中随时判断粒子的可行性，所有不满足清晰等价类约束的粒子都被舍弃并重新生成粒子，粒子的位置与速度更新公式如下：

式中，表示粒子i在第k次迭代中的速度，对表示粒子i在第k次迭代中的位置；记录粒子i的历史最优位置，记录全局粒子的历史最优位置；c1、c2为加速系数，分别表示个体和全局最优位置方向对粒子速度的影响程度；rand会产生一个[0，1]之间的随机数；ω为惯性权重。

一种分布式电源、储能与柔性负荷联合调度装置，调度模型构建单元、大容量资源调度单元、小容量资源调度单元、调度量计算单元；

调度模型构建单元：用于基于资源聚合商运营模式，以利润最大为目标构建结合大容量资源的直接调度与小容量资源的电价响应间接调度的联合调度模型，并设置运行约束条件；

大容量资源调度单元：用于综合考虑大容量资源的经济性、信用度及供电能力，设置动态综合调度优先级，实时判断大容量资源的优先级顺序，依次进行直接调度；

小容量资源调度单元：用于针对小容量资源的间接调度不确定性，设置小容量资源的模糊机会约束，用于表征不确定因素；

调度量计算单元：用于将模糊机会约束清晰化，并应用改进的粒子群算法并求解联合调度模型，结合相应资源的调度价格，以资源聚合商收益最大为目标，获得大容量资源和小容量资源的调度分配量。

一种计算机存储介质，所述计算机存储介质存储有分布式电源、储能与柔性负荷联合调度的程序，所述分布式电源、储能与柔性负荷联合调度的程序被至少一个处理器执行时实现权利要求1至10任一项所述分布式电源、储能与柔性负荷联合调度方法的步骤。

有益效果：本发明提供的一种分布式电源、储能与柔性负荷联合调度方法及装置，针对大容量资源的经济性、信用度以及供电能力进行评估，确立其综合调度优先级并对各类资源进行有序调度，能够兼顾调度模型的经济性和科学性，有效完成电网公司下达的调度指令。利用模糊机会约束处理小容量资源的间接调度不确定性速度较快，将其清晰化并结合粒子群算法，可有效解决小容量资源调度过程中的不确定问题并实现资源聚合商联合调度模型的求解。实现了资源聚合商利润最大，为资源聚合商提供了一种切实可行的经营模式。同时完成了调度指令，有效支撑了电网安全高效运行。

本发明相较于传统电网直接调度方法更具有现实意义，为资源聚合商提供了一种切实可行的经营模式。同时完成了调度指令，有效支撑了电网安全高效运行。

附图说明

图1为本发明方法的流程示意图；

图2为本发明实施例中资源聚合商运营模式图；

图3为本发明实施例中改进的粒子群算法流程图；

图4为本发明实施例中资源聚合区线路结构图；

图5为本发明实施例中光伏和风电出力预测图；

图6为本发明实施例中调度指令曲线图；

图7为本发明实施例中调度指令及资源聚合商调度曲线图；

图8为本发明实施例中储能剩余容量曲线图；

图9为本发明实施例中算法收敛曲线图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种分布式电源、储能与柔性负荷联合调度方法，包括如下步骤：

步骤1：基于资源聚合商运营模式，以利润最大为目标构建结合大容量资源的直接调度与小容量资源的电价响应间接调度的联合调度模型，并设置运行约束条件；

步骤2：综合考虑大容量资源的经济性、信用度及供电能力，设置动态综合调度优先级，实时判断大容量资源的优先级顺序，依次进行直接调度；

步骤3：针对小容量资源的间接调度不确定性，设置小容量资源的模糊机会约束，用于表征不确定因素；

步骤4：将模糊机会约束清晰化，并应用改进的粒子群算法并求解联合调度模型，结合相应资源的调度价格，以资源聚合商收益最大为目标，获得大容量资源和小容量资源的调度分配量。

实施例1：

本发明实施例中以资源聚合商运营模式为例进行本发明的模型与算法的说明。

(1)资源聚合商运营模式

电网公司以电网调节为目的，向资源聚合商发布调度指令，资源聚合商通过内部优选，联合调度各类分布式资源完成调度指令，主要调度方式为直接调度和电价响应的间接调度，运营模式如图2所示：

1)聚合商接受电网调度模式：电网公司依据调峰、调频、调压、缓解网络阻塞等为目的，直接向资源聚合商发布调度指令，并根据指令值给予相应的经济激励。资源聚合商通过内部决策各资源调度量完成调度指令，若未完成调度指令，则根据未完成量付出相应的经济赔偿。资源聚合商作为受控节点，接受电网调度指令方面研究较多，不作为本专利发明内容。

2)聚合商内部调度模式：

资源聚合商可调度分布式资源主要分为三种：分布式电源、储能以及柔性负荷。功率大于等于100kw的分布式资源定义为大容量资源，功率小于100kw的分布式资源定义为小容量资源。

大容量储能以及柔性负荷调度准确性较高，可视作精确调度；大容量分布式电源的调度准确性与资源预测精度有关，现有的日内15min出力预测误差在7％左右，已能保证新能源出力预测的精确度，因此假定对调度结果影响较小。鉴于大容量资源调度相对精确，并且资源数目少，采取直接调度的形式。资源聚合商与相关资源持有者签订合约，给予一定的经济激励，建立大容量资源的直接调度模型。大容量资源的经济激励包括两部分，一是依据各类大容量资源的调度量计算的调度激励，与实时调度量成正比；二是各类资源的调度权订购激励，按资源容量计算，为固定值，计入资源聚合商固定运行成本。

小容量资源数量众多，响应行为具有较大分散性和不确定性，难以被直接调度，可以通过改变电价使其自愿响应，以达到资源间接调度的目的。按节点对小容量资源进行整合间接调度，将其视作“虚拟柔性负荷”，即类似于柔性负荷作为负荷的一部分考虑。在小容量资源调度过程中，资源聚合商通过改变小容量资源电价的形式间接调度资源，资源响应度随电价变化而变化，资源聚合商根据实际资源响应值向小容量资源持有者付出经济激励。

(2)联合调度模型

以资源聚合商收益最大为目标，计及聚合区内的潮流、电压、各类分布式资源的调度容量、储能剩余电量等运行约束条件，建立资源聚合商模式下的各类分布式资源联合调度模型。

将一天24小时划分为96个时间段，以日利润最大建立目标函数：

式中：f表示资源聚合商收益值；fin(t)为t时段资源聚合商依据电网公司调度指令的完成情况获取的收入；fout(t)为资源聚合商为调度资源给予各类资源持有者的支出；k1为已完成调度的结算单价；pdone(t)为t时段资源聚合商完成的调度值；k2为未完成调度的赔偿单价；plack(t)为t时段资源聚合商未完成的调度值，其中pdone(t)+plack(t)＝pall(t)，pall(t)为t时段电网公司下达的调度指令值；fb(t)为t时段调度大容量资源调度量成本；fs(t)为t时段调度小容量资源调度量成本；f0为资源聚合商固定运行总成本；k3m为大容量资源m的调度成本单价；pcm(t)为t时段调度大容量资源m的调度量，m为大容量资源的总数；k4n(t)为t时段节点n小容量资源调度成本单价；ξln(t)为t时段节点n小容量资源的响应度，为实际响应值与最大响应量之间的比值；pln(t)为t时段按节点n分类的小容量资源的最大响应量，n为小容量资源节点的总数，其中k5m表示大容量资源m的调度权订购成本；ccm表示大容量资源m的容量；fra表示资源聚合商固定运行成本。运行约束条件

1)潮流约束

式中：pi和qi分别表示电网母线节点i的有功和无功功率；vi和vj分别为电网母线节点i和j的电压；gij和bij分别表示电网母线节点i和j之间的电导和电纳；cosθij和sinθij分别为相角差θij的余弦和正弦。

2)节点电压约束

uimin≤ui≤uimax(3)

式中：ui表示电网母线节点i电压，uimax和uimin分别表示电压上下限。

3)各类分布式资源功率约束

实际调度资源总量不能超过资源最大容量。分布式电源、储能以及柔性负荷存在调度功率极限约束：

式中：pdg,x为分布式电源x的有功出力；和分别表示分布式电源x出力上下限；pess,y为储能y的有功出力；和分别表示储能y的充放电功率上下限；pfl,z为柔性负荷z的有功出力；和分别表示柔性负荷z的出力上下限。

4)储能荷电状态约束及能量平衡约束

socmin≤soc≤socmax(5)

式中：socmax和socmin分别为储能电池充放电深度上下限。soc的定义为：

式中：e为储能电池当前能量值；erate为额定能量值。在整个调度日，要保证储能装置的能量守恒。

eess,y(0)＝eess,y(96)(7)

式中：eess,y(0)为储能装置储备的初始能量：eess,y(96)为调度周期结束时储能的剩余能量。

(3)设置动态综合调度优先级

本发明设置动态综合调度优先级的调度方式，分时段针对调度经济性、信用度以及供电能力建立评估指标，结合形成综合指标并确立综合调度优先级。

1)引入经济性评估指标来衡量资源调度成本差异。经济性是判断优先级的主要方面，可以直接通过大容量资源持有者与电网公司签订的合同获得(不计调度权订购成本)：

式中，dm,1(t)表示t时段大容量资源m的调度经济性的评估指标；a为某一常数，使得调度成本最低的资源经济性为1；由于k3m为为大容量资源m的调度成本单价；设置为定值，所以调度经济性为常量。

2)引入信用度的概念用于表征一定时段内资源参与调度的完成情况。该指标以历史信息作为计算数据来源。

式中，dm,2(t)表示t时段大容量资源m信用度的评估指标；gm为一定时间段大容量资源参与调度的次数；为大容量资源m实际调度量；为大容量资源m预期调度量。对于储能以及柔性负荷直接调度而言，不存在不确定问题，调度值与预期值相等，故设其信用度为1。

3)引入供电能力评估指标来量化大容量资源的可调度潜力。影响供电能力的主要因素有剩余并网时间及当前时刻可调度功率，具体表示为：

式中，dm,3(t)为t时段某个大容量资源m的供电能力的评估指标；tm,re(t)、tm,all(t)分别为其剩余并网时间及总的并网时间；pm,max(t)、pmax(t)分别为当前时刻大容量资源m的可调度功率、大容量资源中的最大可调度功率。

为了使动态综合调度优先级评估结果更加合理，基于层次分析(analytichierarchyprocess，ahp)——熵权法，融合了层次分析法以及熵权法，从主观和客观两个方面确定各项指标的综合权重为：

式中，λcm,q为第q个的指标综合权重、λahp,q、λem,q分别为第q个dm,q(t)的ahp权重及熵权法权重，q取1，2，3。

根据各项指标值及综合权重确立综合指标值，进一步确立各类资源调度优先级，大容量资源m在t时段的综合指标值可表示为：

式中，dm,q(t)为t时段大容量资源m的第q个评估指标，综合指标值从大到小排序，排在前面的大容量资源m优先级高，优先参与调度。

(4)模糊机会约束

在实时电价的激励下，小容量资源持有者自发调度资源，调度过程考虑式(4～7)的功率以及储能状态约束。根据历史电价实施前后虚拟柔性负荷实测数据拟合小容量资源响应度ξln(t)与实时电价k(t)的关系，得出两端响应度存在截止上下限，中间段近似线性的响应度曲线：

实际调度过程只考虑线性部分，电价与响应量之间存在相关性，但响应量是基于资源持有者的自愿原则开展，具有较大不确定性，故设置模糊参数表征调度不确定性，利用模糊参数拟合虚拟柔性负荷表达式：

式中：pln(t)表示模糊预测后的虚拟柔性负荷可调度值，λ为模糊参数，可推导出资源聚合商完成的调度指令为：

模糊参数三角形隶属度函数为：

式中，μ(λ)为λ的隶属度函数，λ1和λ2为隶属度参数。

由于小容量资源的调度存在较大不确定性，不能追求功率的绝对平衡。对于不满足平衡的情况，可调用上级电网部分备用功率来应对。资源聚合商提供的调度量需要满足与电网公司签订的合约调度量，允许在一定程度上不满足服务水平条件，但满足的概率必须大于某一置信度，由此产生机会约束：

γ{pdone(t)∈[pall(t)-ε,pall(t)+ε]}≥α(17)

式中：γ表示概率，ε为备用功率，α表示置信度，由聚合商与电网公司签订的合约所定。

(5)模糊机会约束清晰化

模型的求解本质是模糊机会约束的最优化问题，根据不确定规划理论将模糊机会约束转化为相应的清晰等价类。当置信度α＞1/2时，结合式(15)将机会约束式(17)清晰化：

(6)改进的粒子群算法

本发明需要解决的问题是长时间尺度最优化问题，智能算法中的粒子群算法(particleswarmoptimization，pso)在求解最优化问题方面具有易实现和收敛速度快的优点。考虑到资源调度的不确定性以及机会约束导致粒子的可行域不断变化，常规的粒子群算法已不能满足要求。将模糊机会约束清晰化形成清晰等价类，结合粒子群算法，建立改进的粒子群算法，在形成粒子群和求解最优策略的过程中随时判断粒子的可行性，所有不满足清晰等价类约束的粒子都被舍弃并重新生成粒子，粒子的位置与速度更新公式如下：

式中，表示粒子i在第k次迭代中的速度，对表示粒子i在第k次迭代中的位置。记录粒子i的历史最优位置，记录全局粒子的历史最优位置。c1、c2为加速系数，分别表示个体和全局最优位置方向对粒子速度的影响程度；rand会产生一个[0，1]之间的随机数。ω为惯性权重，既要能保证较快的收敛速度，又要能防止种群的过早收敛。算法流程图如图3所示：

实施例2

选取改进的ieee33节点配电范围作为资源聚合区，线路结构如图4所示。系统额定电压为10kv，基准视在功率为10mva，节点1为平衡节点，母线的电压为10.5∠0°kv资源聚合区内大容量资源配置参数及调度成本如表1所示，其中光伏和风电出力预测曲线如图5所示。各节点小容量资源最大功率及节点参数如表2所示。设置k1和k2分别为800和1600元/mwh，fra为1000元，置信度α＝0.98，备用功率ε＝0.2mw。求解算法采用改进的粒子群法，算法参数设置为：粒子数50，迭代次数100，加速系数c1＝c2＝2，通过多次试验得出ω的取值范围在[0.5，1.1]，算法具有较强的全局搜索能力，令npso和npso分别为当前循环次数和总次数。实施例分析资源聚合商的典型运行场景，场景中资源聚合商接受电网的调度指令如图6所示。

表1大容量资源配置参数与调度成本

表2小容量资源最大功率及节点参数数据

为验证所提模型及算法的有效性和科学性，针对大容量资源的直接调度方式和小容量资源的不确定性问题处理两方面，分别进行对比分析。

1)直接调度方式对比分析

将本发明基于综合调度优先级的调度方式与传统单纯经济调度方式，在典型场景下进行了仿真对比，整个调度周期中调度指令及资源聚合商调度曲线如图7所示。

从图7可以看出，基于综合调度优先级的调度曲线与调度指令曲线契合度较高，完成了调度指令，资源聚合商收益为1034.2元；而单纯经济调度方式下资源聚合商收益为893.4元，主要是由于在20:15～21:30时段未能完成调度指令，需向电网付出相应经济赔偿，并且由于该时段电量缺额达到0.57mwh，严重影响了电网稳定运行。说明基于综合调度优先级的调度方式能够实现资源聚合商利润最大，并且有效完成电网的调度指令。

针对经济调度方式未能完成调度指令的时间段，选取20:15～20:30以及20:45～21:00时段对两种调度方式进行进一步分析，资源调度的评估指标及调度情况如表2所示。从表3可以看出，在不同时刻，各类资源经济调度评估指标固定不变，其调度次序也固定不变；综合调度优先级评估指标随时间变化而变化，其调度次序也随之改变。在20:15～20:30时段，储能资源2在综合调度优先级的调度方式下的调度量为0.2mwh，而在经济调度方式下的调度量为0.03mwh，参与调度量较少。在20:45～21:00时段，储能资源在综合调度优先级的调度方式下的调度量为0.32mwh，而在经济调度方式下的调度量为0。说明经济调度方式未完成调度指令的原因在于储能参与调度量较少，两种调度方式下储能的剩余容量曲线如图8所示。

表3两种调度方式评估指标及调度情况

从图8可以看出，在经济调度方式下，储能资源1在整个调度周期均未参与调度，储能资源2和3剩余容量分别于20:30和21:00时刻左右下降至0。储能资源因剩余容量不足而无法参与调度，导致20:15～21:30时段无法完成调度指令。综合调度优先级的调度方式下，资源调度综合考虑经济性、信用度以及供电能力，储能等资源在剩余调度量较少的情况下综合调度指标下降，转而调用可调度量较多的储能或者其他资源，能够有效完成电网下达的调度指令。

2)不确定性问题的处理及求解

由于小容量资源不确定性问题的处理方法没有统一的差异判断准则，故将其与求解算法结合在实施例中进行比较分析。将本发明模糊机会约束清晰化与蒙特卡洛模拟分别结合粒子群算法，对典型场景进行仿真运算20次。仿真计算机处理器为intelcorei7-7700，主频为2.8ghz，内存为8gb。将仿真结果取平均值，得出两种算法的收敛曲线以及性能统计结果，如图9和表4所示。

从图9可以看出，模糊机会约束清晰化的粒子群算法收敛值为1034.2元，蒙特卡洛粒子群算法收敛值为1032.9元，两种算法计算出的资源聚合商利润最大值相近，说明两种处理方法在表征小容量资源调度不确定性能力上基本一致。在寻优过程中，基于模糊机会约束清晰化的粒子群算法在15次左右收敛至最大值，蒙特卡洛粒子群算法在循环11次左右收敛至最大值，收敛次数相对较少。

表4两种算法性能统计表

从表4可以看出，虽然蒙特卡洛粒子群算法平均收敛次数较少，但单次循环时间较长，收敛时间比基于模糊机会约束清晰化的粒子群算法更长。模糊机会约束转变为清晰等价类，以约束的形式参与运算，具有较快的运行速度，而蒙特卡洛模拟需要大量模拟数据，通过大数定律得出概率分布函数，需要较长计算时间，并且由于实际聚合区内v2g汽车等小容量资源具有流动性，聚合区内资源量不断变化，蒙特卡洛模拟的运算时间将会进一步增加，不适合运用在实时调度过程。

结合实施例可说明：针对大容量资源的经济性、信用度以及供电能力进行评估，确立其综合调度优先级并对各类资源进行有序调度，能够兼顾调度模型的经济性和科学性，有效完成电网公司下达的调度指令。利用模糊机会约束处理小容量资源的间接调度不确定性速度较快，将其清晰化并结合粒子群算法，可有效解决小容量资源调度过程中的不确定问题并实现资源聚合商联合调度模型的求解。实现了资源聚合商利润最大，为资源聚合商提供了一种切实可行的经营模式。同时完成了调度指令，有效支撑了电网安全高效运行。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。