一种虚拟电厂优化调度方法及装置与流程

1.本发明属于源
‑
网
‑
荷互动运行调度与控制技术领域，更具体地说，涉及一种虚拟电厂优化调度方法及装置。


背景技术：

2.近年来，虚拟电厂通过大规模减少用户需求，实现节约电能规模化，进而完成与新建电厂发出同样电量的目标，虚拟电厂在分布式电源的并网消纳和用户侧需求响应方面都有巨大的应用前景。
3.但虚拟电厂内部各物理实体的功率协调管理以及其作为一个整体参与电力系统调度存在一些难以解决的问题，因此研究虚拟电厂分层调度策略，具有显著的研究意义和应用价值。


技术实现要素：

4.针对现有技术中存在的问题，本发明的目的在于提供一种虚拟电厂优化调度方法及装置，本发明针对多物理实体的虚拟电厂参与日前
‑
实时市场的优化调度问题，为提升优化求解时间，提出双层分布式优化调度框架，上层基于日前预测数据建立以虚拟电厂收益最大为目标的分布式日前优化调度模型；对于可再生能源出力的波动性，下层基于短时预测数据建立以遵循日前调度方案为目标的实时调度模型，采用所引入的admm算法，将集中式优化问题转换为分布式优化问题，通信要求低、计算速度快，解决了集中式优化出现计算负担大的问题。
5.为解决上述问题，本发明采用如下的技术方案：
6.第一方面，本发明提供一种虚拟电厂优化调度方法，包括如下步骤：
7.获取日前预测数据以及短时预测数据；
8.基于所述日前预测数据以及所述短时预测数据构建日前
‑
实时市场的双层优化调度框架；
9.采用日前
‑
实时市场的双层优化调度框架建立分布式日前优化调度模型；
10.采用日前
‑
实时市场的双层优化调度框架建立实时调度模型；
11.求解所述分布式日前优化调度模型以及所述实时调度模型，输出和显示虚拟电厂分布式优化调度数据。
12.本发明进一步的改进在于：所述日前
‑
实时市场的双层优化调度框架包括：
13.日前调度层，所述日前调度层基于所述日前预测数据建立分布式日前优化调度模型；以及
14.实时调整层，所述实时调整层基于所述短时预测数据建立实时调度模型。
15.本发明进一步的改进在于：所述分布式日前优化调度模型具体为：
16.17.其中：
18.λ
tda
表示第t个时步的能量价格，其为输入量；
19.p
tda
表示第t个时步虚拟电厂的日前投标量，其为决策变量；
20.λ
tl
表示第t个时步虚拟电厂对内部负荷的供电电价，其为输入量；
21.p
tload
表示第t个时步虚拟电厂内部负荷量，其为输入量；
22.p
til
表示第t个时步可中断负荷的中断功率，其为决策变量；
23.表示第t个时步的不平衡惩罚；
24.表示第t个时步储能运行成本；
25.表示第t个时步可中断负荷的成本；
26.表示第t个时步微型燃气轮机的成本；
27.δt为日前调度时间间隔；
28.t为日前调度时段。
29.本发明进一步的改进在于：所述实时调度模型具体为：
30.min|p
trt
‑
p
tda
|
ꢀꢀꢀ
(2)
[0031][0032]
其中：
[0033]“^”用于区别实时阶段与日前阶段的变量；p
trt
表示虚拟电厂各子区域的实际出力值；表示风机在实时调度阶段的出力；表示储能在实时调度阶段的发电功率；表示微型燃气轮机在实时调度阶段的出力；表示可中断负荷在实时调度阶段的可中断功率；表示虚拟电厂在实时调度阶段的负荷功率；表示储能在实时调度阶段的充电功率。
[0034]
本发明进一步的改进在于：所述求解所述分布式日前优化调度模型以及所述实时调度模型，输出和显示虚拟电厂分布式优化调度数据的步骤，具体包括：
[0035]
对包含虚拟电厂的电力系统网络进行分解，获得若干子区域；
[0036]
每个子区域中，基于admm算法求解日前调度模型和实时调度模型；各子区域的求解结果为虚拟电厂分布式优化调度数据。
[0037]
本发明进一步的改进在于：所述对包含虚拟电厂的电力系统网络进行分解，获得若干子区域的步骤，具体包括：
[0038]
将一个包含虚拟电厂的电力系统网络撕裂成若干个子区域；每个子区域包含虚拟电厂的物理实体。对每一个子网络单独分析求解，最终将若干子网络的解相互联接构成原网络的整体解。
[0039]
本发明进一步的改进在于：所述对包含虚拟电厂的电力系统网络进行分解，获得若干子区域的步骤，还包括：
[0040]
引入全局变量，以实现各子区域边界变量与全局变量耦合。
[0041]
本发明进一步的改进在于：所述每个子区域中，基于admm算法求解日前调度模型和实时调度模型；各子区域的求解结果为虚拟电厂分布式优化调度数据的步骤，具体包括：
[0042]
初始化子区域内物理实体的输入参数、代求变量；初始化admm算法的算法参数以
及确定收敛精度；
[0043]
区域a和区域b控制器分别求解本子区域的日前调度模型和实时调度模型，并行计算求得使目标函数最小的本子区域决策变量值，同时获得各子区域耦合变量值；
[0044]
区域a和区域b控制器交互耦合支路功率和并分别计算得到耦合支路功率的平均值，作为下一次迭代的固定参考值；
[0045]
区域a和区域b控制器分别更新本子区域的变量；
[0046]
收敛判断；若计算结果满足收敛精度，结束迭代，输出虚拟电厂分布式优化调度数据；若不满足收敛精度，则转区域a和区域b控制器分别求解本子区域的日前调度模型和实时调度模型，并行计算求得使目标函数最小的本子区域决策变量值，同时获得各子区域耦合变量值的步骤。
[0047]
本发明进一步的改进在于：根据实际情况和优化需求将虚拟电厂分解为若干子区域，确定各子区域的目标函数和约束条件。
[0048]
第二方面，本发明提供一种虚拟电厂优化调度装置，包括：
[0049]
获取模块，用于获取日前预测数据以及短时预测数据；
[0050]
日前优化调度模型建立模块，用于采用日前
‑
实时市场的双层优化调度框架建立分布式日前优化调度模型；
[0051]
实时调度模型建立模块，用于采用日前
‑
实时市场的双层优化调度框架建立实时调度模型；
[0052]
求解输出模块，用于求解所述分布式日前优化调度模型以及所述实时调度模型，输出和显示虚拟电厂分布式优化调度数据。
[0053]
本发明进一步的改进在于：所述调度框架构建模块的日前
‑
实时市场的双层优化调度框架包括：
[0054]
日前调度层，所述日前调度层基于所述日前预测数据建立分布式日前优化调度模型；以及
[0055]
实时调整层，所述实时调整层基于所述短时预测数据建立实时调度模型；
[0056]
所述分布式日前优化调度模型具体为：
[0057][0058]
其中：
[0059]
λ
tda
表示第t个时步的能量价格，其为输入量；
[0060]
p
tda
表示第t个时步虚拟电厂的日前投标量，其为决策变量；
[0061]
λ
tl
表示第t个时步虚拟电厂对内部负荷的供电电价，其为输入量；
[0062]
p
tload
表示第t个时步虚拟电厂内部负荷量，其为输入量；
[0063]
p
til
表示第t个时步可中断负荷的中断功率，其为决策变量；
[0064]
表示第t个时步的不平衡惩罚；
[0065]
表示第t个时步储能运行成本；
[0066]
表示第t个时步可中断负荷的成本；
[0067]
表示第t个时步微型燃气轮机的成本；
[0068]
δt为日前调度时间间隔；
[0069]
t为日前调度时段；
[0070]
所述实时调度模型具体为：
[0071]
min|p
trt
‑
p
tda
|
ꢀꢀꢀꢀꢀ
(2)
[0072][0073]
其中：
[0074]“^”用于区别实时阶段与日前阶段的变量；p
trt
表示虚拟电厂各子区域的实际出力值；表示风机在实时调度阶段的出力；表示储能在实时调度阶段的发电功率；表示微型燃气轮机在实时调度阶段的出力；表示可中断负荷在实时调度阶段的可中断功率；表示虚拟电厂在实时调度阶段的负荷功率；表示储能在实时调度阶段的充电功率。
[0075]
本发明进一步的改进在于：所述求解输出模块求解所述分布式日前优化调度模型以及所述实时调度模型，输出和显示虚拟电厂分布式优化调度数据，具体包括：对包含虚拟电厂的电力系统网络进行分解，获得若干子区域；每个子区域中，基于admm算法求解日前调度模型和实时调度模型；各子区域的求解结果为虚拟电厂分布式优化调度数据；
[0076]
所述初始化子区域内物理实体的输入参数、代求变量；初始化admm算法的算法参数以及确定收敛精度的步骤包括：
[0077]
区域a和区域b控制器分别求解本子区域的日前调度模型和实时调度模型，并行计算求得使目标函数最小的本子区域决策变量值，同时获得各子区域耦合变量值；
[0078]
区域a和区域b控制器交互耦合支路功率和并分别计算得到耦合支路功率的平均值，作为下一次迭代的固定参考值；
[0079]
区域a和区域b控制器分别更新本子区域的变量；
[0080]
收敛判断；若计算结果满足收敛精度，结束迭代，输出虚拟电厂分布式优化调度数据；若不满足收敛精度，则转区域a和区域b控制器分别求解本子区域的日前调度模型和实时调度模型，并行计算求得使目标函数最小的本子区域决策变量值，同时获得各子区域耦合变量值的步骤。
[0081]
相比于现有技术，本发明的优点在于：
[0082]
(1)本发明首先将风电场、燃气轮机机组、储能和需求响应聚合在虚拟电厂中，针对vpp内部调度对象较多，集中式的日前96时段优化求解时间较慢，引入admm，建立基于admm的虚拟电厂参与日前
‑
实时市场的优化调度模型，设计相应的admm算法迭代求解，采用所引入的admm算法，将集中式优化问题转换为分布式优化问题，通信要求低、计算速度快，解决了集中式优化出现计算负担大的问题，admm算法各子问题的求解可并行计算，在计算机组足够大的情况下几乎不受虚拟电厂内部设备规模的影响，更加适用于大型虚拟电厂调度决策。
[0083]
(2)本发明采用基于admm的求解算法，将集中式优化问题转换为分布式优化问题，通信要求低、计算速度快，解决了集中式优化运行时间过长的问题。
[0084]
(3)本发明可以适用于含多物理实体的虚拟电厂参与电力市场运行的过程中，具
有一定的理论价值和工程价值。
附图说明
[0085]
图1为本发明一种虚拟电厂优化调度方法的流程图；
[0086]
图2为本发明一种虚拟电厂优化调度方法中步骤s5处的流程图；
[0087]
图3为本发明一种虚拟电厂优化调度方法中日前
‑
实时市场的双层优化调度框架图；
[0088]
图4为本发明一种虚拟电厂优化调度方法中区域耦合系统分解图；
[0089]
图5为本发明一种虚拟电厂优化调度方法中步骤s52处的流程图；
[0090]
图6为区域耦合分解过程示意图。
[0091]
图7为本发明一种虚拟电厂优化调度装置的结构框图。
具体实施方式
[0092]
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，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0093]
实施例1
[0094]
请参阅图1
‑
5，一种虚拟电厂优化调度方法，包括如下步骤：
[0095]
s1、获取日前预测数据以及短时预测数据；
[0096]
s2、基于日前预测数据以及短时预测数据构建日前
‑
实时市场的双层优化调度框架，上述日前
‑
实时市场的双层优化调度框架包括：
[0097]
日前调度层，其基于日前预测数据建立以虚拟电厂收益最大为目标的分布式日前优化调度模型；
[0098]
实时调整层，其基于短时预测数据建立以遵循日前调度方案为目标的实时调度模型；
[0099]
s3、日前
‑
实时市场的双层优化调度框架基于日前预测数据建立分布式日前优化调度模型，分布式日前优化调度模型具体为：
[0100][0101]
其中：
[0102]
λ
tda
表示第t个时步的能量价格，其为输入量；
[0103]
p
tda
表示第t个时步虚拟电厂的日前投标量，其为决策变量；
[0104]
λ
tl
表示第t个时步虚拟电厂对内部负荷的供电电价，其为输入量；
[0105]
p
tload
表示第t个时步虚拟电厂内部负荷量，其为输入量；
[0106]
p
til
表示第t个时步可中断负荷的中断功率，其为决策变量；
[0107]
表示第t个时步的不平衡惩罚；
[0108]
表示第t个时步储能运行成本；
[0109]
表示第t个时步可中断负荷的成本；
[0110]
表示第t个时步微型燃气轮机的成本；
[0111]
δt为日前调度时间间隔，其取值为15min；
[0112]
t为日前调度时段，一共96个时段；
[0113]
需要进行说明的是：上述所有的成本均由相应的成本函数计算得到；
[0114]
其中，虚拟电厂中各设备的优化出力结果为待求输出量，各设备的电量价格、补偿率等参数为输入变量；
[0115]
本发明设定虚拟电厂在市场交易中作为价格接受者。因虚拟电厂规模较小，假定其在日前市场的竞标价格不会影响最终的出清价格，因此将其竞标价格设为0，以保证竞标容量可被完全调用，实际结算价格与市场的出清价格相同。为简化处理，将正、负不平衡价格设为日前电价的一定比例。目标函数的意义在于在调度周期内将虚拟电厂利润最大化，虚拟电厂的利润可以分成三部分：第一部分为虚拟电厂对市场售电的收益；第二部分为虚拟电厂向内部负荷供电的收益；第三部分为偏差惩罚以及各设备的成本；
[0116]
s4、日前
‑
实时市场的双层优化调度框架基于短时预测数据建立实时调度模型，由于分布式日前优化调度模型中的可再生能源出力预测存在较大的误差，其优化调度方案与系统实际运行出现较大的偏差，使系统的运行成本增加，因此实时调整层基于短时的可再生能源出力预测数据建立实时优化调度模型，其中，保持上层中vpp各区域的调度结果不变，对虚拟电厂内部各类单元进行能量管理，以虚拟电厂各子区域的实际出力值和日前投标量偏差最小为目标建立下层目标函数，实时调度模型具体为：
[0117]
min|p
trt
‑
p
tda
|
ꢀꢀꢀꢀ
公式(2)
[0118][0119]
其中：
[0120]“^”用于区别实时阶段与日前阶段的变量；p
trt
表示虚拟电厂各子区域的实际出力值；表示风机在实时调度阶段的出力；表示储能在实时调度阶段的发电功率；表示微型燃气轮机在实时调度阶段的出力；表示可中断负荷在实时调度阶段的可中断功率；表示虚拟电厂在实时调度阶段的负荷功率；表示储能在实时调度阶段的充电功率；
[0121]
s5、调用分布式日前优化调度模型以及实时调度模型，并基于admm算法求解分布式日前优化调度模型以及实时调度模型，输出和显示虚拟电厂分布式优化调度数据，其具体包括如下步骤：
[0122]
s51、对包含虚拟电厂的电力系统网络进行分解，获得若干子区域：把一个大型网络撕裂成若干个较小的子网络，对每一个子网络单独分析求解，不必考虑其他部分的存在，最后把各个子网络的解“相互联接”构成原网络的整体解，在对大型网络区域进行分解过程中，为了使得各区域变量相互独立，可通过引入全局变量，使各区域边界变量仅与全局变量之间存在耦合关系。结合电力系统网络特点，对以支路为耦合边界的系统需要对支路进行撕裂，如图4所示，为保证系统分解前与分解后在电气上等值，一般在耦合支路中间点设置“虚拟”节点，再引入相应一致性约束；通过s51将一个大型网络分解为多个子区域，即将大
型网络分解为一个分布式的系统；各虚拟电厂分区内的物理实体，如风机、储能、燃气轮机、可中断负荷等分布在各个分解后的子区域，每个子区域在求解过程中根据前述的日前调度模型和实时调度模型进行求解，各子区域的求解结果即为虚拟电厂分布式的优化调度结果。
[0123]
s52、每个子区域中，基于admm算法求解日前调度模型和实时调度模型；各子区域的求解结果为虚拟电厂分布式优化调度数据，其具体包括如下步骤：
[0124]
s521、初始化子区域内物理实体的输入参数、代求变量；初始化admm算法的算法参数以及确定收敛精度；
[0125]
s522、区域a和区域b控制器分别求解本子区域的日前调度模型和实时调度模型，并行计算求得使目标函数最小的本子区域决策变量值，同时获得各子区域耦合变量值；
[0126]
s523、区域a和区域b控制器交互耦合支路功率和并分别计算得到耦合支路功率的平均值，作为下一次迭代的固定参考值；
[0127]
s524、区域a和区域b控制器分别更新本子区域的变量；
[0128]
s525、收敛判断：若计算结果满足收敛精度，结束迭代，输出虚拟电厂分布式优化调度数据；若不满足收敛精度，则转步骤s522。
[0129]
基于admm的求解策略
[0130]
区域分解的基本思想是：把一个大型网络被撕裂成若干个较小的子网络，对每一个子网络单独分析求解，不必考虑其他部分的存在，最后把各个子网络的解“相互联接”构成原网络的整体解。经上节中稳定连接区域划分后，子区域之间耦合方式包括节点耦合和支路耦合，图6中(a)和(c)所示，对这两类耦合方式可采用撕裂法实现区域分解。在区域分解过程中，为了使得各区域变量相互独立，可通过引入全局变量，使各区域边界变量仅与全局变量之间存在耦合关系。
[0131]
对区域间不同的耦合方式对应的解耦方法也是不相同的。三种区域分解后对于区域间边界参数的处理方法，分别为节点撕裂法、支路撕裂法和支路复制法：
[0132]
(1)节点撕裂法：对以节点为耦合边界的系统可对节点进行撕裂，如图6中(b)所示，为保证系统分解前与分解后在电气上等值，需添加相应的一致性约束。
[0133]
(2)支路撕裂法：对以支路为耦合边界的系统需要对支路进行撕裂，如图6中(d)所示，为保证系统分解前与分解后在电气上等值，一般在耦合支路中间点设置“虚拟”节点，再引入相应一致性约束。
[0134]
(3)支路复制法：区域之间以共用同一条支路为耦合边界的系统需要对支路进行复制，如图6中(f)所示，为保证系统分解前与分解后在电气上等值，只需添加节点电压一致性约束。
[0135]
当虚拟电厂实现区域分解后，集中式数学模型也实现了分解，可表示成区域内部优化形式和全局(边界优化)形式。
[0136]
分布式优化问题的模型应具有如下特点：
[0137]
1)、集中式模型的目标函数可分解为各区域目标函数之和，且各区域目标函数仅包含本区域自身所包含的变量，以及虚拟边界变量；
[0138]
2)、集中式模型的约束可根据目标函数分解为区域内部约束以及边界约束；
[0139]
3)、各区域变量仅通过新增的虚拟边界变量联系在一起。根据分布式模型的特点，
在虚拟边界约束从子问题中消除后，各区域可在本地调度控制中心独立计算，无需将大量的数据传递给上层调度中心，减少了调度中心的计算压力。
[0140]
实施例2
[0141]
请参阅图7所示，本发明提供一种虚拟电厂优化调度装置，包括：
[0142]
获取模块，用于获取日前预测数据以及短时预测数据；
[0143]
调度框架构建模块，用于基于所述日前预测数据以及所述短时预测数据构建日前
‑
实时市场的双层优化调度框架；
[0144]
日前优化调度模型建立模块，用于采用日前
‑
实时市场的双层优化调度框架建立分布式日前优化调度模型；
[0145]
实时调度模型建立模块，用于采用日前
‑
实时市场的双层优化调度框架建立实时调度模型；
[0146]
求解输出模块，用于求解所述分布式日前优化调度模型以及所述实时调度模型，输出和显示虚拟电厂分布式优化调度数据。
[0147]
日前
‑
实时市场的双层优化调度框架包括：
[0148]
日前调度层，基于日前预测数据建立以虚拟电厂收益最大为目标的分布式日前优化调度模型；
[0149]
实时调整层，其基于短时预测数据建立以遵循日前调度方案为目标的实时调度模型。
[0150]
日前
‑
实时市场的双层优化调度框架基于日前预测数据建立分布式日前优化调度模型，分布式日前优化调度模型具体为：
[0151][0152]
其中：
[0153]
λ
tda
表示第t个时步的能量价格，其为输入量；
[0154]
p
tda
表示第t个时步虚拟电厂的日前投标量，其为决策变量；
[0155]
λ
tl
表示第t个时步虚拟电厂对内部负荷的供电电价，其为输入量；
[0156]
p
tload
表示第t个时步虚拟电厂内部负荷量，其为输入量；
[0157]
p
til
表示第t个时步可中断负荷的中断功率，其为决策变量；
[0158]
表示第t个时步的不平衡惩罚；
[0159]
表示第t个时步储能运行成本；
[0160]
表示第t个时步可中断负荷的成本；
[0161]
表示第t个时步微型燃气轮机的成本；
[0162]
δt为日前调度时间间隔，其取值为15min；
[0163]
t为日前调度时段，一共96个时段；
[0164]
需要进行说明的是：上述所有的成本均由相应的成本函数计算得到；
[0165]
其中，虚拟电厂中各设备的优化出力结果为待求输出量，各设备的电量价格、补偿率等参数为输入变量。
[0166]
本发明设定虚拟电厂在市场交易中作为价格接受者。因虚拟电厂规模较小，假定
其在日前市场的竞标价格不会影响最终的出清价格，因此将其竞标价格设为0，以保证竞标容量可被完全调用，实际结算价格与市场的出清价格相同。为简化处理，将正、负不平衡价格设为日前电价的一定比例。目标函数的意义在于在调度周期内将虚拟电厂利润最大化，虚拟电厂的利润可以分成三部分：第一部分为虚拟电厂对市场售电的收益；第二部分为虚拟电厂向内部负荷供电的收益；第三部分为偏差惩罚以及各设备的成本；
[0167]
日前
‑
实时市场的双层优化调度框架基于短时预测数据建立实时调度模型，由于分布式日前优化调度模型中的可再生能源出力预测存在较大的误差，其优化调度方案与系统实际运行出现较大的偏差，使系统的运行成本增加，因此实时调整层基于短时的可再生能源出力预测数据建立实时优化调度模型，其中，保持上层中vpp各区域的调度结果不变，对虚拟电厂内部各类单元进行能量管理，以虚拟电厂各子区域的实际出力值和日前投标量偏差最小为目标建立下层目标函数，实时调度模型具体为：
[0168]
min|p
trt
‑
p
tda
|
ꢀꢀꢀꢀ
公式(2)
[0169][0170]
其中：
[0171]“^”用于区别实时阶段与日前阶段的变量；p
trt
表示虚拟电厂各子区域的实际出力值；表示风机在实时调度阶段的出力；表示储能在实时调度阶段的发电功率；表示微型燃气轮机在实时调度阶段的出力；表示可中断负荷在实时调度阶段的可中断功率；表示虚拟电厂在实时调度阶段的负荷功率；表示储能在实时调度阶段的充电功率；
[0172]
本发明中，所述求解输出模块求解所述分布式日前优化调度模型以及所述实时调度模型，输出和显示虚拟电厂分布式优化调度数据，具体包括：
[0173]
s51、对包含虚拟电厂的电力系统网络进行分解，获得若干子区域：把一个大型网络撕裂成若干个较小的子网络，对每一个子网络单独分析求解，不必考虑其他部分的存在，最后把各个子网络的解“相互联接”构成原网络的整体解，在对大型网络区域进行分解过程中，为了使得各区域变量相互独立，可通过引入全局变量，使各区域边界变量仅与全局变量之间存在耦合关系。结合电力系统网络特点，对以支路为耦合边界的系统需要对支路进行撕裂，如图4所示，为保证系统分解前与分解后在电气上等值，一般在耦合支路中间点设置“虚拟”节点，再引入相应一致性约束；
[0174]
s52、每个子区域中，基于admm算法求解日前调度模型和实时调度模型；各子区域的求解结果为虚拟电厂分布式优化调度数据，其具体包括如下步骤：
[0175]
s521、初始化子区域内物理实体的输入参数、代求变量；初始化admm算法的算法参数以及确定收敛精度；
[0176]
s522、区域a和区域b控制器分别求解本子区域的日前调度模型和实时调度模型，并行计算求得使目标函数最小的本子区域决策变量值，同时获得各子区域耦合变量值；
[0177]
s523、区域a和区域b控制器交互耦合支路功率和并分别计算得到耦合支路功率的平均值，作为下一次迭代的固定参考值；
[0178]
s524、区域a和区域b控制器分别更新本子区域的变量；
[0179]
s525、收敛判断：若计算结果满足收敛精度，结束迭代，输出虚拟电厂分布式优化调度数据；若不满足收敛精度，则转步骤s522。
[0180]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0181]
本发明是参照根据本发明实施例的方法、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。
[0182]
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。
[0183]
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。
[0184]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。