一种分布式灵活资源聚合控制装置及控制方法

摘要

本发明公开了一种分布式灵活资源聚合控制装置及控制方法，控制装置包括：处理控制单元通过通信单元实现上行连接与下行连接，并且处理控制单元通过通信单元与其它分布式灵活资源聚合控制装置的处理控制单元连接，实现边缘自组网，从而在边端实现分布式灵活资源的区域级协调自治，可以有效屏蔽海量分布式资源接入网络异构、协议混杂、响应能力各异所带来的复杂差异性；处理控制单元通过能流调控方法，统一聚合与精细化处理多类型分布式资源，有效提高分布式灵活资源的规模化接入能力，提升聚合调控的边缘响应能力，改善高比例新能源接入下电网的平衡调节能力。

权利要求

1.一种分布式灵活资源聚合控制装置，其特征在于，包括：通信单元，处理控制单元，其中，

所述处理控制单元通过所述通信单元实现上行连接与下行连接，并且所述处理控制单元通过所述通信单元与其它所述分布式灵活资源聚合控制装置的处理控制单元连接，实现边缘自组网；

所述处理控制单元用于支撑调度控制类业务实现实时需求响应、低功耗海量规模化部署及微网智能并/退网；

所述处理控制单元还用于对所连接的海量的所述分布式灵活资源进行聚类，得到多种类型的分布式灵活资源，并以微元的方式对每种分布式灵活资源进行建模，得到每种分布式灵活资源的模型，结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于所述功率实时平衡约束和资源响应量约束条件，对所述综合目标函数进行优化求解，得到各响应时段功率调度结果，并基于所述调度结果对分布式灵活资源进行调度；

综合性目标函数的建立的过程，包括：将向大电网购电成本、储能充放电成本、向微网购电成本以及可调负荷参与需求响应激励的补偿成本之和，再减去向微网售电成本之差的最小值作为经济性目标函数；将向微网购电时的碳排放成本与向大电网购电时的碳排放成本之和的最小值作为低碳性目标函数；基于调度周期的向大电网的平均购电量、向微网的平均购电量、向微网的平均售电量，以及调度周期每个时刻的向大电网购电量、向微网购电量、向微网售电量，计算得到低波动性目标函数；将加权后的经济性目标函数、低碳性目标函数及低波动性目标函数之和作为综合目标函数；

低波动性目标函数为：

其中， 为低波动性目标函数， 为各时段向大电网的购电量， 为各时段向大电网的平均购电量，即 ； 为各时段向微网的购电量， 为各时段平均向微网的平均购电量，即 ； 为各时段向微网的售电量，

为各时段平均向微网的平均售电量 ；

功率实时平衡约束条件建立过程，包括：将每个时刻的向大电网购电量、风光联合出力功率、储能微元的放电功率、向微网购电量的四者之和，与向微网售电量、储能微元的充电功率两者之和作差，将差值作为第一计算值；将预测的负荷需求总量与可调负荷的需求响应功率的差值作为第二计算值；控制第一计算值与第二计算值相等，作为所述功率实时平衡约束条件；

以微元的方式对每种分布式灵活资源进行建模，得到每种分布式灵活资源的模型的过程，包括：将多种类型的分布式灵活资源分为源特性微元及荷特性微元；对于类型为储能微元的分布式灵活资源，参照分布式电源或分布式负荷进行建模；对于类型为风、光微元的分布式灵活资源，构建分布式电源数字孪生模型，得出风光联合出力分布曲线；对于类型为微网微元的分布式灵活资源，建立基于虚拟电量的微网外特性模型；对于类型为可调负荷微元的分布式灵活资源，建立可调负荷中空调负荷响应量预测评估模型。

2.根据权利要求1所述的分布式灵活资源聚合控制装置，其特征在于，所述通信单元包括多种类型通信模块，其中，分布式灵活资源本体直接与对应类型的通信模块连接，或者通过执行终端与对应类型的通信模块连接，或者通过本地局域自治系统与对应类型的通信模块连接；所述通信模块均与所述处理控制单元连接。

3.根据权利要求2所述的分布式灵活资源聚合控制装置，其特征在于，所述处理控制单元包括：能流调控模组及通信控制模组，其中，所述能流调控模组与分布式灵活资源直接或间接连接、与上行业务系统平台及装置管理系统连接，所述能流调控模组用于建立每种分布式灵活资源的模型，结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于所述功率实时平衡约束和资源响应量约束条件，对所述综合目标函数进行优化求解，得到各响应时段功率调度结果；

所述通信控制模组与分布式灵活资源直接或间接连接、与所述能流调控模组连接，所述通信控制模组用于支撑调度控制类业务需求实时响应、低功耗海量规模化部署及微网智能并/退网，以及根据所述调度结果对分布式灵活资源进行调度。

4.根据权利要求3所述的分布式灵活资源聚合控制装置，其特征在于，所述能流调控模组包括：分布式电源孪生模型模块、资源聚类模型模块、多目标能流调控策略模块及外部参数输入模块，其中，所述分布式电源孪生模型模块用于基于外部参数输入的天气信息、季节信息，为所连接的风、光微元的分布式灵活资源，构建分布式电源数字孪生模型，得出风光联合出力分布曲线；

所述资源聚类模型模块用于对所连接的海量的所述分布式灵活资源进行聚类，得到多种类型的分布式灵活资源；

所述多目标能流调控策略模块用于结合每种分布式灵活资源的模型、外部参数输入模块输入的电价信息，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于所述功率实时平衡约束和资源响应量约束条件，对所述综合目标函数进行优化求解，得到各响应时段功率调度结果。

5.根据权利要求4所述的分布式灵活资源聚合控制装置，其特征在于，所述通信控制模组包括：时延量控模块、智能休眠模块、自学习智慧决策组网模块及硬件双通道主备分离控制通信模块，其中，所述时延量控模块用于实时抓取数据链路层数据包，并对数据包进行逐层的报头解析操作，并将数据包发送至应用层进行处理，以得到处理后的数据包；在网络层和应用层对处理后的数据包进行协议分析、IP地址分析、端口分析；针对特定控制报文，设置最高控制权限，优先处理和转发，构建时延精准控制测量算法，测算时延信息，并打印到数据包上，重新计算分析后的数据包报头的校验值，输出至目标设备；

所述智能休眠模块用于实时建立通信单元耗电模型，并基于通信单元耗电模型，依据业务交互频率，通过智能休眠算法，实时调度通信模块，达到能耗消耗的最优化；

所述自学习智慧决策组网模块用于定时感知、监测、发布装置状态报文，当有并/退网需求时，选举出主网关设备，当主网关设备选举成功后，对网络内的所有处理控制单元进行身份标记；以网络特征值为判断依据，通过智慧决策算法，实现主网关设备自选举，动态控制区域内的分布式灵活资源的投入或投出；进行设备并/退网管理，依据智慧决策算法输出结果，主网关设备重新计算并修改微网特征值，其它的从设备则执行从设备策略；

所述硬件双通道主备分离控制通信模块用于与主站及其它处理控制单元间高速大数据及低速控制指令交换；监测主数据通道速率及异常情况，以及控制通道相应请求，并下发通信资源调度控制指令进行通信资源调度，由网关侧进行响应和主备控制/数据传输通道动态切换；分析板载各模块真实耗电量，建立对应模型，用于调度控制，保持终端与服务端控制通道长连接，通过控制通道传送能耗控制需求，服务端根据业务传输需要，定时或动态调整终端各耗电模块或整机设备的工作或休眠状态。

6.根据权利要求5所述的分布式灵活资源聚合控制装置，其特征在于，还包括：

时钟模块，用于为智能休眠模块提供时钟信号，以定时叫醒相应通信模块；

存储模块，用于存储处理控制单元的操作指令、数据信息；

供电模块，用于为所述处理控制单元、通信单元、存储模块、时钟模块供电。

7.一种分布式灵活资源聚合控制方法，其特征在于，基于权利要求6所述的分布式灵活资源聚合控制装置，所述控制方法包括：对所连接的海量的所述分布式灵活资源进行聚类，得到多种类型的分布式灵活资源，并以微元的方式对每种分布式灵活资源进行建模，得到每种分布式灵活资源的模型；

结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；

基于所述功率实时平衡约束和资源响应量约束条件，对所述综合目标函数进行优化求解，得到各响应时段功率调度结果；

综合性目标函数的建立的过程，包括：将向大电网购电成本、储能充放电成本、向微网购电成本以及可调负荷参与需求响应激励的补偿成本之和，再减去向微网售电成本之差的最小值作为经济性目标函数；将向微网购电时的碳排放成本与向大电网购电时的碳排放成本之和的最小值作为低碳性目标函数；基于调度周期的向大电网的平均购电量、向微网的平均购电量、向微网的平均售电量，以及调度周期每个时刻的向大电网购电量、向微网购电量、向微网售电量，计算得到低波动性目标函数；将加权后的经济性目标函数、低碳性目标函数及低波动性目标函数之和作为综合目标函数；

低波动性目标函数为：

其中， 为低波动性目标函数， 为各时段向大电网的购电量， 为各时段向大电网的平均购电量，即 ； 为各时段向微网的购电量， 为各时段平均向微网的平均购电量，即 ； 为各时段向微网的售电量，

为各时段平均向微网的平均售电量 ；

功率实时平衡约束条件建立过程，包括：将每个时刻的向大电网购电量、风光联合出力功率、储能微元的放电功率、向微网购电量的四者之和，与向微网售电量、储能微元的充电功率两者之和作差，将差值作为第一计算值；将预测的负荷需求总量与可调负荷的需求响应功率的差值作为第二计算值；控制第一计算值与第二计算值相等，作为所述功率实时平衡约束条件；

以微元的方式对每种分布式灵活资源进行建模，得到每种分布式灵活资源的模型的过程，包括：将多种类型的分布式灵活资源分为源特性微元及荷特性微元；对于类型为储能微元的分布式灵活资源，参照分布式电源或分布式负荷进行建模；对于类型为风、光微元的分布式灵活资源，构建分布式电源数字孪生模型，得出风光联合出力分布曲线；对于类型为微网微元的分布式灵活资源，建立基于虚拟电量的微网外特性模型；对于类型为可调负荷微元的分布式灵活资源，建立可调负荷中空调负荷响应量预测评估模型。

8.根据权利要求7所述的分布式灵活资源聚合控制方法，其特征在于，所述构建分布式电源数字孪生模型，得出风光联合出力分布曲线的过程，包括：基于采集的风电出力样本及光伏出力样本，并利用核密度估计法分别对风电出力模型和光伏出力模型进行描述，计算得到风电出力的分布函数及光伏出力的分布函数；

引入季节修正因子对风电出力的分布函数进行修正，引入天气修正因子对光伏出力的分布函数进行修正；

基于修正后的风电出力的分布函数、光伏出力的分布函数，对风光联合出力相关性进行建模，计算得到风力和光伏联合出力分布函数；

将所述风力和光伏联合出力分布函数求的反函数，作为风光联合出力分布曲线对应的函数。

9.根据权利要求8所述的分布式灵活资源聚合控制方法，其特征在于，资源响应量约束条件建立过程，包括：将基于虚拟电量的微网外特性模型作为微网响应量约束条件；

利用储能微元的额定功率设置储能微元的充/放电功率约束条件，利用储能微元荷电状态的上下限值设置储能微元的荷电量约束条件；

控制可调负荷的需求响应功率小于等于可调负荷响应潜力的总预测量，并且控制可调负荷的需求响应功率大于等于零，作为可调负荷响应量约束条件。

10.根据权利要求9所述的分布式灵活资源聚合控制方法，其特征在于，采用融合麻雀搜索和天牛须搜索的改进粒子群优化求解算法，结合基于所述功率实时平衡约束和资源响应量约束条件，对所述综合目标函数进行优化求解。

说明书

一种分布式灵活资源聚合控制装置及控制方法

技术领域

[0001] 本发明涉及电网数字化领域，具体涉及一种分布式灵活资源聚合控制装置及控制方法。

背景技术

[0002] 能源生产清洁化、能源消费电气化、能源利用高效化呈现加速发展态势，大规模分布式灵活资源参与电网互动调控的需求愈发迫切。一方面，由于新型电力系统运行呈现“双高、双峰”特征，构建满足电力系统“紧急控制、常规调频、灵活调峰”等多时间尺度调控需求的虚拟灵活调节电源，是支撑以新能源为主体的新型电力系统安全稳定运行的重要手段，迫切需要利用先进技术把分布式灵活资源进行整合协同，开展运行控制优化和市场交易，实现电源侧的多能互补和负荷侧的灵活互动；另一方面，物联网的发展使得越来越多的负荷成为可控负荷，如智能家电、电动汽车、可控工业负荷等。智能家电正朝着可通过互联网远程控制的方向发展，电动汽车充放电、可控工业负荷的控制终端可能被用户物理接触，同时，负荷侧安全防护措施薄弱或缺失，使得可控负荷极易被攻击者恶意控制以达到影响电网安全稳定运行的目的。如果大量负荷被恶意控制而同投同退或频繁投退，配电网负荷将异常波动，不仅对供电可靠性与供电质量造成威胁，还可能影响输电网的安全稳定运行，特别是在分布式能源高度渗透的主动配电网中。

[0003] 随着用户侧电能替代迅猛发展，由于缺乏灵活资源柔性接入与聚合调控能力，导致电网难以充分挖掘海量用户侧零散资源的潜力，以满足新型电力系统对调节电源的多时间尺度灵活备用需求，具体表现在：（1）用户侧资源通信方式异构，离散化海量资源接入复杂，部分资源并未实现通信全覆盖，接入及受管理程度不高，造成这部分资源并未真正被“唤醒”，参与到与电网的实时互动；（2）大部分的需求侧可调节资源资产归属用户，其接入大多租用公众运营商的通信链路，由于运营商网络管理接口开放程度低，造成通信网络、链路的“可观、可测、可控”程度低；（3）由于缺乏考虑通信时延的分布式资源聚合模型，目前聚合上报的出力大多基于注册时提供的静态数据，没有考虑资源的实时运行状态，调度中心难以掌握下属资源的实时可调能力，难以实现分布式资源的精准控制。

发明内容

[0004] 因此，本发明要解决的技术问题在于克服现有技术中的由于缺乏灵活资源柔性接入与聚合调控能力，导致电网难以充分挖掘海量用户侧零散资源的潜力的缺陷，从而提供一种分布式灵活资源聚合控制装置及控制方法。

[0005] 为达到上述目的，本发明提供如下技术方案：

[0006] 第一方面，本发明实施例提供一种分布式灵活资源聚合控制装置，包括：通信单元，处理控制单元，其中，处理控制单元通过通信单元实现上行连接与下行连接，并且处理控制单元通过通信单元与其它分布式灵活资源聚合控制装置的处理控制单元连接，实现边缘自组网；处理控制单元用于支撑调度控制类业务实现实时需求响应、低功耗海量规模化部署及微网智能并/退网；处理控制单元还用于建立每种分布式灵活资源的模型，结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解，得到各响应时段功率调度结果，并基于调度结果对分布式灵活资源进行调度。

[0007] 在一实施例中，通信单元包括多种类型通信模块，其中，分布式灵活资源本体直接与对应类型的通信模块连接，或者通过执行终端与对应类型的通信模块连接，或者通过本地局域自治系统与对应类型的通信模块连接；通信模块均与处理控制单元连接。

[0008] 在一实施例中，处理控制单元包括：能流调控模组及通信控制模组，其中，能流调控模组与分布式灵活资源直接或间接连接、与上行业务系统平台及装置管理系统连接，能流调控模组用于建立每种分布式灵活资源的模型，结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解，得到各响应时段功率调度结果；通信控制模组与分布式灵活资源直接或间接连接、与能流调控模组连接，通信控制模组用于支撑调度控制类业务需求实时响应、低功耗海量规模化部署及微网智能并/退网，以及根据调度结果对分布式灵活资源进行调度。

[0009] 在一实施例中，能流调控模组包括：分布式电源孪生模型模块、资源聚类模型模块、多目标能流调控策略模块及外部参数输入模块，其中，分布式电源孪生模型模块用于基于外部参数输入的天气信息、季节信息，为所连接的风、光微元的分布式灵活资源，构建分布式电源数字孪生模型，得出风光联合出力分布曲线；资源聚类模型模块用于对所连接的海量的分布式灵活资源进行聚类，得到多种类型的分布式灵活资源；多目标能流调控策略模块用于结合每种分布式灵活资源的模型、外部参数输入模块输入的电价信息，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解，得到各响应时段功率调度结果。

[0010] 在一实施例中，通信控制模组包括：时延量控模块、智能休眠模块、自学习智慧决策组网模块及硬件双通道主备分离控制通信模块，其中，时延量控模块用于实时抓取数据链路层数据包，并对数据包进行逐层的报头解析操作，并将数据包发送至应用层进行处理，以得到处理后的数据包；在网络层和应用层对处理后的数据包进行协议分析、IP地址分析、端口分析；针对特定控制报文，设置最高控制权限，优先处理和转发，构建时延精准控制测量算法，测算时延信息，并打印到数据包上，重新计算分析后的数据包报头的校验值，输出至目标设备；智能休眠模块用于实时建立通信单元耗电模型，并基于通信单元耗电模型，依据业务交互频率，通过智能休眠算法，实时调度通信模块，达到能耗消耗的最优化；自学习智慧决策组网模块用于定时感知、监测、发布装置状态报文，当有并/退网需求时，选举出主网关设备，当主网关设备选举成功后，对网络内的所有处理控制单元进行身份标记；以网络特征值为判断依据，通过智慧决策算法，实现主网关设备自选举，动态控制区域内的分布式灵活资源的投入或投出；进行设备并/退网管理，依据智慧决策算法输出结果，主网关设备重新计算并修改微网特征值，其它的从设备则执行从设备策略；硬件双通道主备分离控制通信模块用于与主站及其它处理控制单元间高速大数据及低速控制指令交换；监测主数据通道速率及异常情况，以及控制通道相应请求，并下发通信资源调度控制指令进行通信资源调度，由网关侧进行响应和主备控制/数据传输通道动态切换；分析板载各模块真实耗电量，建立对应模型，用于调度控制，保持终端与服务端控制通道长连接，通过控制通道传送能耗控制需求，服务端根据业务传输需要，定时或动态调整终端各耗电模块或整机设备的工作或休眠状态。

[0011] 在一实施例中，分布式灵活资源聚合控制装置还包括：时钟模块，用于为智能休眠模块提供时钟信号，以定时叫醒相应通信模块；存储模块，用于存储处理控制单元的操作指令、数据信息；供电模块，用于为处理控制单元、通信单元、存储模块、时钟模块供电。

[0012] 第二方面，本发明实施例提供一种分布式灵活资源聚合控制方法，其基于第一方面的分布式灵活资源聚合控制装置，控制方法包括：对所连接的海量的分布式灵活资源进行聚类，得到多种类型的分布式灵活资源，并以微元的方式对每种分布式灵活资源进行建模，得到每种分布式灵活资源的模型；结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解，得到各响应时段功率调度结果。

[0013] 在一实施例中，以微元的方式对每种分布式灵活资源进行建模，得到每种分布式灵活资源的模型的过程，包括：将多种类型的分布式灵活资源分为源特性微元及荷特性微元；对于类型为储能微元的分布式灵活资源，参照分布式电源或分布式负荷进行建模；对于类型为风、光微元的分布式灵活资源，构建分布式电源数字孪生模型，得出风光联合出力分布曲线；对于类型为微网微元的分布式灵活资源，建立基于虚拟电量的微网外特性模型；对于类型为可调负荷微元的分布式灵活资源，建立可调负荷中空调负荷响应量预测评估模型。

[0014] 在一实施例中，构建分布式电源数字孪生模型，得出风光联合出力分布曲线的过程，包括：基于采集的风电出力样本及光伏出力样本，并利用核密度估计法分别对风电出力模型和光伏出力模型进行描述，计算得到风电出力的分布函数及光伏出力的分布函数；引入季节修正因子对风电出力的分布函数进行修正，引入天气修正因子对光伏出力的分布函数进行修正；基于修正后的风电出力的分布函数、光伏出力的分布函数，对风光联合出力相关性进行建模，计算得到风力和光伏联合出力分布函数；将风力和光伏联合出力分布函数求的反函数，作为风光联合出力分布曲线对应的函数。

[0015] 在一实施例中，综合性目标函数的建立的过程，包括：将向大电网购电成本、储能充放电成本、向微网购电成本以及可调负荷参与需求响应激励的补偿成本之和的最小值作为经济性目标函数；将向微网购电时的碳排放成本与向大电网购电时的碳排放成本之和，再减去向微网售电成本之差的最小值作为低碳性目标函数；基于调度周期的向大电网的平均购电量、向微网的平均购电量、向微网的平均售电量，以及调度周期每个时刻的向大电网购电量、向微网购电量、向微网售电量，计算得到低波动性目标函数；将加权后的经济性目标函数、低碳性目标函数及低波动性目标函数之和作为综合目标函数。

[0016] 在一实施例中，功率实时平衡约束条件建立过程，包括：将每个时刻的向大电网购电量、风光联合出力功率、储能微元的放电功率、向微网购电量的四者之和，与向微网售电量、储能微元的充电功率两者之和作差，将该差值作为第一计算值；将预测的负荷需求总量与可调负荷的需求响应功率的差值作为第二计算值；控制第一计算值与第二计算值相等，作为功率实时平衡约束条件。

[0017] 在一实施例中，资源响应量约束条件建立过程，包括：将基于虚拟电量的微网外特性模型作为微网响应量约束条件；利用储能微元的额定功率设置储能微元的充/放电功率约束条件，利用储能微元荷电状态的上下限值设置储能微元的荷电量约束条件；控制可调负荷的需求响应功率小于等于可调负荷响应潜力的总预测量，并且控制可调负荷的需求响应功率大于等于零，作为可调负荷响应量约束条件。

[0018] 在一实施例中，采用融合麻雀搜索和天牛须搜索的改进粒子群优化求解算法，结合基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解。

[0019] 本发明技术方案，具有如下优点：

[0020] 1.本发明提供的分布式灵活资源聚合控制装置，处理控制单元通过通信单元实现上行连接与下行连接，并且处理控制单元通过通信单元与其它分布式灵活资源聚合控制装置的处理控制单元连接，实现边缘自组网，从而在边端实现分布式灵活资源的区域级协调自治，可以有效屏蔽海量分布式资源接入网络异构、协议混杂、响应能力各异所带来的复杂差异性；处理控制单元通过能流调控方法，统一聚合与精细化处理多类型分布式资源，有效提高分布式灵活资源的规模化接入能力，提升聚合调控的边缘响应能力，改善高比例新能源接入下电网的平衡调节能力。

[0021] 2. 本发明提供的分布式灵活资源聚合控制方法，对所连接的海量的所述分布式灵活资源进行聚类，得到多种类型的分布式灵活资源，并以微元的方式对每种分布式灵活资源进行建模，得到每种分布式灵活资源的模型；结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于所述功率实时平衡约束和资源响应量约束条件，对所述综合目标函数进行优化求解，得到各响应时段功率调度结果。本发明通过能流调控方法，统一聚合与精细化处理多类型分布式资源，有效提高分布式灵活资源的规模化接入能力，提升聚合容量的边缘响应能力，改善高比例新能源接入下电网的平衡调节能力。

附图说明

[0022] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

[0023] 图1为本发明实施例提供的聚合控制装置的一个具体示例的组成图；

[0024] 图2为本发明实施例提供的聚合控制装置的另一个具体示例的组成图；

[0025] 图3为本发明实施例提供的聚合控制装置的部署模式及上下行接口示意图；

[0026] 图4为本发明实施例提供的时延量控模块的处理逻辑图；

[0027] 图5为本发明实施例提供的智能休眠模块的处理逻辑图；

[0028] 图6为本发明实施例提供的自学习智慧决策组网模块的处理逻辑图；

[0029] 图7为本发明实施例提供的硬件双通道主备分离控制通信模块的处理逻辑图；

[0030] 图8为本发明实施例提供的能流调控模组处理逻辑图；

[0031] 图9为本发明实施例提供的聚合控制方法的一个具体示例的流程图；

[0032] 图10为本发明实施例提供的分布式电源数字孪生建模方法的一个具体示例的流程图；

[0033] 图11为本发明实施例提供的分布式电源数字孪生建模方法的另一个具体示例的流程图；

[0034] 图12为本发明实施例提供的建立综合目标函数的一个具体示例的流程图。

具体实施方式

[0035] 下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

[0036] 在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0037] 在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

[0038] 此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

[0039] 实施例1

[0040] 本发明实施例提供一种分布式灵活资源聚合控制装置，如图1所示，包括：通信单元，处理控制单元，其中，处理控制单元通过通信单元实现上行连接与下行连接，并且处理控制单元通过通信单元与其它分布式灵活资源聚合控制装置的处理控制单元连接，实现边缘自组网。

[0041] 具体地，如图2所示，通信单元包括多种类型通信模块，例如：5G通信模块、4G通信模块、以太网通信模块、RS232/485模块、Lpwa模块、I/O总线模块，其中，分布式灵活资源本体直接与对应类型的通信模块连接，或者通过执行终端与对应类型的通信模块连接，或者通过本地局域自治系统与对应类型的通信模块连接；通信模块均与处理控制单元连接。

[0042] 进一步地，本发明实施例提供的聚合控制装置支持丰富的接口形态，装置支持4G/5G、GE（千兆以太网）、FE（百兆以太网）、RS232/485、I/O及Lpwa接口。如图3所示，当分布式灵活资源本体接入装置时，装置与资源本体进行交互，采用I/O或RS232/485方式直连；当分布式灵活资源通过执行终端接入装置时，装置与执行终端进行交互，采用FE或RS232/485方式直连；分布式灵活资源由本地局域自治系统控制，并由自治系统接入装置时，聚合控制装置与自治系统进行交互，采用FE方式直连；聚合控制装置之间通过Lpwa方式长连接实现边缘自组网；聚合控制装置上行采用4G/5G或GE方式对接上层系统平台，采用4G/5G或FE方式对接装置管理系统。

[0043] 具体地，处理控制单元用于支撑调度控制类业务实现实时需求响应、低功耗海量规模化部署及微网智能并/退网；处理控制单元还用于建立每种分布式灵活资源的模型，结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解，得到各响应时段功率调度结果，并基于调度结果对分布式灵活资源进行调度。

[0044] 进一步地，如图2所示，处理控制单元包括：能流调控模组及通信控制模组。

[0045] 具体地，通信控制模组与分布式灵活资源直接或间接连接、与能流调控模组连接，通信控制模组用于支撑调度控制类业务需求实时响应、低功耗海量规模化部署及微网智能并/退网，以及根据调度结果对分布式灵活资源进行调度。

[0046] 进一步地，如图2所示，通信控制模组包括：时延量控模块、智能休眠模块、自学习智慧决策组网模块及硬件双通道主备分离控制通信模块，通过时延精准控制算法、秒级智能休眠算法、智慧决策算法、硬件双通道切换，支撑调度控制类业务需求实时响应、低功耗海量规模化部署及微网智能并/退网。

[0047] 具体地，时延量控模块用于实时抓取数据链路层数据包，并对数据包进行逐层的报头解析操作，并将数据包发送至应用层进行处理，以得到处理后的数据包；在网络层和应用层对处理后的数据包进行协议分析、IP地址分析、端口分析；针对特定控制报文，设置最高控制权限，优先处理和转发，构建时延精准控制测量算法，测算时延信息，并打印到数据包上，重新计算分析后的数据包报头的校验值，输出至目标设备。

[0048] 具体地，本发明实施例的时延量控模块包括网络数据包捕获模块、协议分析模块、时延控制模块。网络数据包捕获模块，用于实时抓取数据链路层数据包，并对数据包进行逐层的报头解析操作，并将数据包发送至应用层进行处理，以得到处理后的数据包；协议分析模块，用于在网络层和应用层对处理后的数据包进行协议分析、IP地址分析、端口分析；时延控制测算模块，针对特定控制报文，设置最高控制权限，优先处理和转发，构建时延精准控制测量算法，测算时延信息，并打印到数据包上，重新计算分析后的数据包报头的校验值，输出至目标设备。时延精准控制测量算法具体在数据帧中添加标记位，记录数据包进入设备时间，在经过内部业务应用处理后，开始转发出设备的链路中，利用标志位时间信息，测算报文在设备内部的时延，同时根据业务属性，判断该时延是否可以满足业务高时延敏感性要求，满足情况下则正常转发，不满足则反馈至发端。该装置可以实时监测网络，将特定报文授权特殊级别，以最快的方式、最短的时延，进行处理并转发至目标设备，并通过带内时延测量，使得网络时延具有确定性，确保业务控制的可用性。如图4所示。

[0049] 具体地，智能休眠模块用于实时建立通信单元耗电模型，并基于通信单元耗电模型，依据业务交互频率，通过智能休眠算法，实时调度通信模块，达到能耗消耗的最优化。

[0050] 具体地，本发明实施例的智能休眠模块包括组件耗电模型分析模块和低功耗控制模块。耗电模型分析模块，建立5G通信模组耗电模型、以太网通信模组耗电模型，模型内容包括对应的能耗信息。低功耗控制模块依据业务交互频率，通过智能休眠算法，实时调度通信模块，达到能耗消耗的最优化。

[0051] 以图2所示的结构为例，智能休眠模块的处理逻辑如图5所示，本发明实施例的耗电模型分析模块，通过硬件选型阶段评估出可电能优化组件，本装置能耗可优化组件有5G通信模块（休眠状态功耗0.03W，全速率工作功耗2.4W）、以太网通信模块（挂起状态功耗0.07W，全线速功耗0.7W）。智能休眠模块，综合考虑业务交互频率，在业务空闲时休眠相应的业务通信端口，结合板载高精度实时时钟功能，在业务应用时进行定时唤醒，节能计算公式为：能耗（P）=（5G休眠功耗*业务空闲相对时间（T5）+5G满载功耗*业务应用相对时间（T5w））+（以太网挂起功耗*业务空闲相对时间（Te）+以太网满载功耗*业务应用相对时间（Tew））*4=（0.03* T5+2.4*T5w）+（0.07* Te+0.7* Tew）*4。时间参数依据具体业务应用带入即可。

[0052] 具体地，自学习智慧决策组网模块用于定时感知、监测、发布装置状态报文，当有并/退网需求时，选举出主网关设备，当主网关设备选举成功后，对网络内的所有处理控制单元进行身份标记；以网络特征值为判断依据，通过智慧决策算法，实现主网关设备自选举，动态控制区域内的分布式灵活资源的投入或投出；进行设备并/退网管理，依据智慧决策模块输出结果，主网关设备重新计算并修改微网特征值，其它的从设备则执行从设备策略。

[0053] 具体地，自学习智慧决策组网模块包括状态感知模块、智慧决策模块、策略执行模块，用以实现通信网络的区域自治及弹性组网，从而实现微网自治、动态扩容以及智能并网。其中，状态感知模块以分钟级时间间隔，定时对外发布本装置状态报文，报文长度为64字节，带宽消耗小，报文格式为标准IP报文，报文内容指示该设备当前状态，如是第一次加入已有网络或新建网络，则内容显示为“独立设备”+“微网特征值”，同时实时监听网络中其它设备发出的状态感知报文。当未监测到来自其它设备的状态报文时，当前设备即为主设备；当监测到其它设备的状态感知报文时，表示有两个独立网络需要并网需求，则两个网络中的主网关装置（如果只有一台网关则该网关默认为主装置）同时启用智慧决策模块，重新选举出主网关设备，当主设备选举成功后，对网络内的所有设备进行身份标记；智慧决策模块，以“网络特征值”为判断依据，通过自选举算法，实现智慧决策，自选举出主设备，用于控制该区域内的电源、储能、负荷的投入或投出。其中，微网特征值包括电源的装机容量、负荷功率、可调负荷容量、储能容量、已有网关设备数量（默认是1）等。微网特征值算法公式可表示为：微网特征值=（装机容量+负荷功率+可调负荷容量+储能容量）×（1+已有网关设备数量×0.01）。

[0054] 通过微网特征值的比较，选举值较大者为主设备。策略执行模块则依据智慧决策算法输出结果，在主设备上重新计算并修改微网特征值，其它的从设备则执行从设备策略。自此完成一次自选举组网过程。当设备需要断网时，即主设备检测到网络中的从设备数量减少或者网络中无主设备时，将重新启动自选举组网功能，选举出新的主设备。如图6所示。

[0055] 进一步地，硬件双通道主备分离控制通信模块用于与主站及其它处理控制单元间高速大数据及低速控制指令交换；监测主数据通道速率及异常情况，以及控制通道相应请求，并下发通信资源调度控制指令进行通信资源调度，由网关侧进行响应和主备控制/数据传输通道动态切换；分析板载各模块真实耗电量，建立对应模型，用于调度控制，保持终端与服务端控制通道长连接，通过控制通道传送能耗控制需求，服务端根据业务传输需要，定时或动态调整终端各耗电模块或整机设备的工作或休眠状态。

[0056] 具体地，硬件双通道主备分离控制通信模块以公网4G/5G做为高速主数据通道，以低速Lora做为控制通道及数据备选通道，控制通道连接云端控制系统，实现双通道物理隔离，保障系统安全运行。正常情况下通过主数据通道传输数据，当控制系统监测主数据通道出现异常时，通过下发通信资源调度指令，告知网关将数据通道切换至低速备用通道；当有节能需求时，通过控制系统下发休眠指令，休眠对应通道或网关本身，在需求完成时，恢复至正常状态。该模块包括资源调度模块和节能控制模块。

[0057] 进一步地，硬件双通道主备分离控制通信模块包括资源调度模块和节能控制模块。

[0058] 具体地，资源调度模块包括主备数据控制通道模块、服务端通信资源控制模块、网关侧控制响应模块。

[0059] 其中，主备数据控制通道模块，包括4G/5G通信模块和Lpwa（广域低功耗无线技术）通信模块，4G/5G通信模块为设备数据通信主要传输通道，用于与主站及设备间大数据高速交换，具有时延小、带宽高、速度快等特点；Lpwa通信模块为设备控制通道，保持长连接状态，用于传输设备控制报文和心跳报文，具有功耗小、低速率等特点。

[0060] 服务端通信资源控制模块，负责监测主数据通道速率及异常情况，以及控制通道相应请求，当主数据通道速率下降到一定阈值或通信出现中断或相应中断有具体通信资源切换需求时，则进行通信资源调度，下发通信资源调度控制指令，由网关侧控制相应模块进行快速相应。

[0061] 网关侧控制响应模块，负责接收主站服务端下发的通信资源调度控制指令，进行解析，并根据指令内容动态切换上报数据通道，实现主备控制/数据传输通道动态切换。

[0062] 具体地，节能控制模块包括设备能耗模型建立模块、能耗需求调度控制模块。

[0063] 其中，设备能耗模型建立模块，分析板载各模块真实耗电量，包括4G/5G通信模块、以太网通信模块、串口通信模块、处理器模块及整机（不包括低速Lpwa模块）功耗，建立对应模型，并设置模型编号，用于调度控制。

[0064] 能耗需求调度控制模块，保持终端与服务端控制通道长连接，通过控制通道传送能耗控制需求，服务端根据业务传输需要，定时或动态调整终端各耗电模块或整机设备（不包括低速Lpwa模块）的工作或休眠状态，以到达实时动态实现不同程度的省电模式设置。如图7所示。

[0065] 具体地，能流调控模组与分布式灵活资源直接或间接连接、与上行业务系统平台及装置管理系统连接，能流调控模组用于建立每种分布式灵活资源的模型，结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解，得到各响应时段功率调度结果。

[0066] 进一步地，如图2所示，能流调控模组包括：分布式电源孪生模型模块、资源聚类模型模块、多目标能流调控策略模块及外部参数输入模块。其中，能流调控模组处理逻辑如图8所示。

[0067] 分布式电源孪生模型模块用于基于外部参数输入的天气信息、季节信息，为所连接的风、光微元的分布式灵活资源，构建分布式电源数字孪生模型，得出风光联合出力分布曲线。

[0068] 具体地，本发明实施例的分布式电源孪生模型模块会实施以下步骤：基于采集的风电出力样本及光伏出力样本，并利用核密度估计法分别对风电出力模型和光伏出力模型进行描述，计算得到风电出力的分布函数及光伏出力的分布函数；引入季节修正因子对风电出力的分布函数进行修正，引入天气修正因子对光伏出力的分布函数进行修正；基于修正后的风电出力的分布函数、光伏出力的分布函数，对风光联合出力相关性进行建模，计算得到风力和光伏联合出力分布函数；将风力和光伏联合出力分布函数求的反函数，作为风光联合出力分布曲线对应的函数。

[0069] 资源聚类模型模块用于对所连接的海量的分布式灵活资源进行聚类，得到多种类型的分布式灵活资源；具体地，当装置聚合海量资源时，所需数据量大，存在大量冗余和重复计算，通过对资源进行聚类，同一类的资源可近似采用相同的模型，可以大大简化计算量。本发明实施例采用切比雪夫距离和欧式距离相结合的聚类中心选取方法，可以保证每次取到的新的聚类中心离已有的聚类中心的距离都较远，从而使得聚类中心初值稳定，聚类结果更合理。

[0070] 多目标能流调控策略模块用于结合每种分布式灵活资源的模型、外部参数输入模块输入的电价信息，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解，得到各响应时段功率调度结果。多目标能流调控策略模块将实施以下步骤：结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件；基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解，得到各响应时段功率调度结果。

[0071] 需要说明的是，本发明实施例的处理控制单元将会实施实施例2中所提供的分布式灵活资源聚合控制方法，具体参见实施例2部分，在此不再赘述。

[0072] 在一具体实施例中，如图2所示，分布式灵活资源聚合控制装置还包括：

[0073] 时钟模块，用于为智能休眠模块提供时钟信号，以定时叫醒相应通信模块；

[0074] 存储模块，用于存储处理控制单元的操作指令、数据信息；

[0075] 供电模块，用于为处理控制单元、通信单元、存储模块、时钟模块供电。

[0076] 实施例2

[0077] 本发明实施例提供一种分布式灵活资源聚合控制方法，基于实施例1的分布式灵活资源聚合控制装置，如图9所示，控制方法包括：

[0078] 步骤S11：对所连接的海量的分布式灵活资源进行聚类，得到多种类型的分布式灵活资源，并以微元的方式对每种分布式灵活资源进行建模，得到每种分布式灵活资源的模型。

[0079] 具体地，本发明实施例对所连接的海量的分布式灵活资源进行聚类，得到多种类型的分布式灵活资源的步骤由实施例1的资源聚类模型模块实施。资源聚类模型模块基于切比雪夫距离和欧式距离相结合的聚类中心选取方法，其基本原则是尽可能选取相互距离较远的数据对象作为聚类初值，从而避免选取的初值过多出现在同一簇中。

[0080] 资源聚类模型的建模步骤如下：

[0081] ①设所控资源功率数据集矩阵为D，聚类个数为k，随机选取数据集中一行功率数据xi作为首个聚类中心，记为G1；

[0082] ②定义功率数据集矩阵为D中，定义切比雪夫距离和欧式距离相结合的综合距离为两个数据之间的距离，

[0083]           (1)

[0084] 其中，第一项为切比雪夫距离、第二项为欧式距离，由于其量纲不同，故而引入权重系数a、b，由于欧式距离所涵盖距离信息多，因而以欧式距离计算为主、比雪夫距离作为修正，本发明中选取a取80%、b取20%。

[0085] 在资源功率数据集矩阵D中，寻找与xi距离最远的数据xj，记为G2；

[0086] ③计算剩余数据集Dl中任意一行数据与G1和G2的综合距离，记为di1，di2；令di=min{di1,di2}，i=1,2,…,l。选取max{d1,d2,…,dl}对应的数据点作为第三个聚类中心，记为G3。

[0087] ④重复步骤③，继续选取聚类中心，直至选出第k个聚类中心，记为Gk。

[0088] ⑤聚类中心选取后，根据所设定的综合距离函数，计算所有样本数据与各个聚类中心之间的距离，如果某一点距离第n个聚类中心距离最近，则该点属于第n个聚类簇，计算同一个聚类簇中所有向量的平均值作为新的聚类中心。

[0089] 基于切比雪夫距离和欧式距离相结合的聚类中心选取方法可以保证每次取到的新的聚类中心离已有的聚类中心的距离都比较远，从而使得聚类中心初值稳定，不易陷入局部最优解。

[0090] 具体地，本发明实施例以微元的方式对每种分布式灵活资源进行建模，得到每种分布式灵活资源的模型的过程，包括：①将多种类型的分布式灵活资源分为源特性微元及荷特性微元；②对于类型为储能微元的分布式灵活资源，参照分布式电源或分布式负荷进行建模；③对于类型为风、光微元的分布式灵活资源，构建分布式电源数字孪生模型，得出风光联合出力分布曲线；④对于类型为微网微元的分布式灵活资源，建立基于虚拟电量的微网外特性模型；⑤对于类型为可调负荷微元的分布式灵活资源，建立可调负荷中空调负荷响应量预测评估模型。

[0091] 具体地，本发明实施例将分布式灵活资源本体的分类定义进行了重构，将分布式灵活资源划分为源特性微元与荷特性微元（如图8所示），将储能、微网这种在特定条件下既可以做电源又可以做负荷的资源进行了重新划分，储能作为单体资源在微元这种划分下可以参考分布式电源或分布式负荷进行建模，而微网本身含有多种灵活资源，本发明在多目标能流调控策略中将含多种灵活资源的微网，以微元的方式进行了外特性建模。

[0092] 具体地，上述“构建分布式电源数字孪生模型，得出风光联合出力分布曲线”步骤由实施例1的分布式电源孪生模型模块实施，如图10所示，实施过程由步骤S21 步骤S24执~行，具体如下：

[0093] 风力和光伏发电作为间歇性分布式电源，容易受到自然条件影响，输出功率带有很强波动性和反调峰特性，但又存在功率和调节能力上的互补性。充分利用风力和光伏出力之间的互补性进行联合调度，可有效缓解单一风机和光伏并网的不确定性影响。本发明实施例提出一种基于非参数核密度估计、Copula函数及季节天气修正因子的风光联合出力场景生成方法，构建分布式电源数字孪生模型，能够得到接近真实情况的风光联合出力分布曲线，从而为虚拟电厂削峰填谷、调峰、调频提供基础数据。

[0094] 步骤S21：基于采集的风电出力样本及光伏出力样本，并利用核密度估计法分别对风电出力模型和光伏出力模型进行描述，计算得到风电出力的分布函数及光伏出力的分布函数。

[0095] 具体地，对于风力和光伏出力特性描述，通常采用参数估计法和非参数估计法进行计算。参数估计法要事先假定样本集符合某一概率分布，但忽略了风速曲线和光照强度的间歇性和不确定性，导致概率分布模型拟合结果与真实分布曲线有较大偏差。非参数估计法不需要提前知道样本的分布模型，结合历史样本及其特点构建样本概率分布，能得出与真实情况更接近数学模型。

[0096] 选用非参数核密度估计法对风力和光伏发电出力进行建模，已知随机变量x的N个观测样本值x1,x2,...,xn，则样本集的概率密度函数p(x)公式为：

[0097] (2)

[0098] 其中，h为带宽；N为样本个数；K(·)为核密度估计的核函数，选用高斯核函数，高斯核函数是一种经典的鲁棒径向基核函数。K(·)是以原点对称的单峰分布密度函数：

[0099] (3)

[0100] K(u)满足条件：

[0101]                          (4)

[0102] ①风力发电出力分布函数

[0103] 风电机组出力受到实际风速的制约，在发电过程中应当据实际条件预测风速的分布情况，建立风力发电模型上对发电功率进行估算。基于历史N天风力发电出力数据（采样周期为1h），采用核密度估计法可以建立24h内每个时段（采样周期可以为1h）的风机出力概率密度函数估计值，如下公式所示：

[0104]                  (5)

[0105] 其中，h为带宽；Xd,t为第d天t时段风机出力；核函数K(·)为高斯核函数，则风电出力分布函数：

[0106]                  (6)

[0107] ②光伏发电出力分布函数

[0108] 光伏发电的输出功率和效率与天气因素和光照强度有关。在发电过程中应当据时间和气象等条件数据预测光照强度的分布。基于历史N天光伏发电出力数据，采用核密度估计法建立24h内每个时段（采样周期为1h）的光伏出力概率密度函数估计值，如下公式所示：

[0109]                     (7)

[0110] 其中，h为带宽；Yd,t为第d天t时段风机出力；核函数K(·)为高斯核函数，则光伏出力分布函数:

[0111]                    (8)

[0112] 步骤S22：引入季节修正因子对风电出力的分布函数进行修正，引入天气修正因子对光伏出力的分布函数进行修正。

[0113] 步骤S23：基于修正后的风电出力的分布函数、光伏出力的分布函数，对风光联合出力相关性进行建模，计算得到风力和光伏联合出力分布函数。

[0114] 具体地，风电机组出力主要受到实际风速的影响，而风速的大小主要与季节有关，季节不同其风速的大小差异很大。光伏出力主要受到光照强度的影响，而天气类型与光照强度具有密切的关系。

[0115] 根据季节和天气情况采用K‑means法分别对历史风力和光伏出力的样本数据进行归类。风电出力按照季节分类：春季（3月‑5月）、夏季（6月‑8月）、秋季（9月‑11月）、冬季（12月‑2月）；光伏出力按照四种典型天气分类：晴天、多云、降水（包含阴天、降雨、降雪）、特殊天气（如沙尘暴等）。

[0116] 采用Kendall秩相关系数R来表示风电和光伏出力的预测值与实际值的拟合程度，R(‑1≦R≦1)越大，则预测值与实际测量数据越接近。

[0117] 根据核函数估计法得出的风电出力四个季节预测值与实际测量数据的Kendall秩相关系数R如下表：

[0118] 表1

[0119]

[0120] 大量实验数据表明，在风电比较多的地域（如内蒙古、张家口等地），夏季和秋季预测精度较高，冬季和春季由于风不确定性大，预测精度下降很多。通过引入季节修正因子Ri，对风电出力分布预测模型进行修正：

[0121]                          (9)

[0122] 其中，t=1,2,3,...,24，i=1,2,3,4，Ri为季节修正因子，风机之间出力成正相关，0≦Ri≦1，F(x)风电出力分布，F′(x)为修正后的风电出力分布，通过引入季节修正因子提高了风电出力预测值与实际值的拟合度。

[0123] 根据核函数估计法得出的光伏出力四种典型类型天气的预测值与实际测量数据的Kendall秩相关系数R如下表：

[0124] 表2

[0125]

[0126] 大量实验数据表明，晴天预测精度较高，多云、降水和特殊天气时预测误差较高。通过引入天气修正因子Rj，对光伏出力分布模型进行修正：

[0127] (10)

[0128] 其中，t=1,2,3,...,24，j=1,2,3,4，Rj为天气修正因子，光伏阵列之间的出力成正相关，0≦Rj≦1，F(y)为光伏出力分布，F′(y)为修正后的光伏出力分布，通过引入天气修正因子提高了光伏出力预测值与实际值的拟合度。

[0129] ④风光联合出力分布曲线

[0130] 分布式风电、光伏出力具有不确定性和相关性，Copula函数能够精准地描述风光联合出力的相关性，采用Copula函数对风光联合出力相关性进行建模，Coplua函数表达式为：

[0131] F(x1,x2,...,xN)=C[F1(x1) ,F2(x2),...,FN(xN)]           (11)

[0132] 其中，N为变量个数；F1(x1)  ,F2(x2),...,FN(xN)表示单个随机变量x1,x2,...,xN的概率分布函数；F(x1,x2,...,xN)表示随机变量(x1,x2,...,xN)的联合概率分布函数；C(·)表示Coplua连接函数。

[0133] 根据不同的生成元函数能够得到不同的Copula函数,常见的Copula函数有两个族，分别为阿基米德Copula与椭圆 Copula。椭圆Copula 函数主要包括正态Copula和t‑Copula两种，阿基米德Copula函数主要包括：Gumbel Copula、Clayton Copula和Frank Copula。如表3所示。

[0134] 表3

[0135]

[0136] 不同类型的Copula函数对描述不同尾部相关性的刻画精度不同，由于风力、光伏发电之间同时存在正相关和负相关性，且极端情况出现的频率较高，Frank‑Copula函数是可以描述变量之间正相关和负相关性的厚尾分布函数，本文选用Frank‑Copula函数描述风光出力之间的相关性。

[0137] 二元Frank‑Copula函数的分布函数为：

[0138] (12)

[0139] 其中，α、u、v为相关参数。0<α≤1则u和v正相关；‑1<α≤0则u和v负相关，α→0则u和v趋向于独立。

[0140] 风光出力联合分布函数为：

[0141] F′(x,y)=C(F′(x)F′(y))                        (13)

[0142] 对风光出力联合分布函数求反函数，得出风光联合出力分布:

[0143] P(x,y)=F′‑1(x,y)                          (14)

[0144] 步骤S24：将风力和光伏联合出力分布函数求的反函数，作为风光联合出力分布曲线对应的函数。

[0145] 具体地，根据风光联合出力分布，得出分布式电源数字孪生模型：

[0146] Ptall=Pt(x,y)                         (15)

[0147] 其中，t=1,2,...,T,取值表示T小时内间隔为1小时的每个时段，Ptall每个时段可min max输出功率，分布式电源数字孪生模型出力范围Pall ≤Pall≤Pall 。

[0148] 综合上述，本发明实施例分布式电源数字孪生建模流程如图11所示。

[0149] 具体地，上述“对于为可调负荷微元的分布式灵活资源，建立可调负荷中空调负荷响应量预测评估模型”由实施例1的多目标能流调控策略模块实施，具体如下：

[0150] 使用热力学等值模型来描述单体空调的数学模型。假定调度周期内环境温度Tout为恒温值，当空调关闭时，室内外温度的关系式如下：

[0151]               (16)

[0152] 其中，Tin,t+1为下一时刻室内温度，∆t为时间间隔，R为建筑的等效热阻，C为建筑的等效热容。

[0153] 当空调开启时，室内温度与空调功率的关系式如下：

[0154]              (17)

[0155] 其中，为空调能效比，P为空调功率。

[0156] 假定室内温度变化限制为δ，室内温度下限为Tmin，上限为Tmax，空调设定的温度值Tset，三者的关系如下：

[0157]                        (18)

[0158]                         (19)

[0159] 设空调打开时间为t1，关断时间为t0，将温度上下限代入式（16）和（17），迭代后得：

[0160] （20）

[0161] （21）

[0162] 将式（18）（19）代入（20）（21）可得：

[0163] （22）

[0164] （23）

[0165] 设空调处于开机状态的概率用Pon表示，则：

[0166] （24）

[0167] 将（22）（23）代入上式，不等式变化可得：

[0168] （25）

[0169] 则聚合空调的功率上下限为：

[0170] （26）

[0171] 其中，N为空调台数，其中Tset,eq为设定温度的平均值、ηeq为空调能效比的平均值，Req为等值热阻的平均值。

[0172] 实际应用中，近似聚合功率在上下界的中值附近时误差相对较小，则N台空调的聚合总功率为：

[0173] （27）

[0174] 采用响应时间内的功率削减值乘以需求响应时间来量化负荷削减的响应潜力，如下式：

[0175] （28）

[0176] 其中，Pt为削减时负荷功率，tbegin为调温开始时刻；tover为调温结束时刻。

[0177] 具体地，上述“对于为微网微元的分布式灵活资源，建立基于虚拟电量的微网外特性模型”由实施例1的多目标能流调控策略模块实施，具体如下：

[0178] 微网通常只有一个并网点，可以通过控制并网点联络线来进行能量交换，从微网的外特性来看类似于储能电池，向其进行购售电类似于微网充放电，因此用微网的虚拟电量表征其外特性模型。

[0179] （29）

[0180] 其中，WMG(t+1)为微网购售电后的虚拟电量，WMG(t)为微网购售电前的虚拟电量，ηMG为联络线的电能损耗率。

[0181] 在调度过程中，微网的电能储备量即虚拟电量不是无限制的，受微网自身资源参与响应能力的影响，因此存在限制：

[0182] （30）

[0183] （31）

[0184] 其中， 和 为微网虚拟电量下限和上限，其由微网内的微源及可调负荷决定， 为联络线传输功率上限。

[0185] 并且需保持任意时刻不能向微网即购电又售电，即

[0186] （32）

[0187] 步骤S12：结合每种分布式灵活资源的模型，建立包含经济性、低碳性和低波动性的综合目标函数、以及功率实时平衡约束条件和资源响应量约束条件。

[0188] 具体地，本发明实施例的步骤S12及步骤S13由实施例1的多目标能流调控策略模块实施。在多目标能流调控策略中将含多种灵活资源的微网，以微元的方式进行了外特性建模，增加了向微网进行购售电途径，建立了基于虚拟电量的微网外特性模型，并考虑引入经济性、低碳性和低波动性形成综合目标函数，约束条件包括功率实时约束和资源响应量约束，通过融合麻雀搜索和天牛须搜索的改进粒子群算法进行优化求解，得到最终能流调控结果。该策略聚合资源种类多、目标函数复杂、求解算法快速高效，可对实现海量资源高效快速地进行经济低碳稳定调控。

[0189] 具体地，如图12所示，综合性目标函数的建立的过程由步骤S31 步骤S34实施，具~体如下：

[0190] 步骤S31：将向大电网购电成本、储能充放电成本、向微网购电成本、可调负荷参与需求响应激励的补偿成本之和，再减去向微网售电成本之差的最小值作为经济性目标函数。

[0191] 具体地，经济性目标函数具体表示为最小化用电成本，忽略分布式电源运行成本，用电成本包括向大电网购电成本CL、储能充放电成本CES，向微网购电成本CMG,b，向微网售电成本CMG,s以及可调负荷参与需求响应激励的补偿成本CDR。

[0192] （33）

[0193] 1）向大电网购电的成本如下：

[0194] （34）

[0195] 其中，PC(t)为t时刻从大电网购买电量，c(t)为t时刻购电电价，是动态变化的，T为调度周期。

[0196] 2）令储能的充放电成本与t时刻充放电功率PES(t)存在线性关系，则储能充放电成本如下：

[0197] （35）

[0198] 其中， CES为储能充放电成本系数。

[0199] 3）向微网购电成本：

[0200] （36）

[0201] 其中，CMG,b为向微网购电成本系数，PMG,b(t)为t时刻向微网购电功率。

[0202] 4）向微网售电成本：

[0203] （37）

[0204] 其中，CMG,s为向微网售电成本系数，PMG,s(t)为t时刻向微网售电功率。

[0205] 5）需求响应激励补偿成本如下：

[0206] （38）

[0207] 式中， CDR为需求响应单位激励补偿费用，PDR (t)为可调负荷的需求响应功率。

[0208] 步骤S32：将向微网购电时的碳排放成本与向大电网购电时的碳排放成本之和的最小值作为低碳性目标函数。

[0209] 具体地，由于碳排放主要来源于向大电网的购电电量，因而从减碳角度考虑，应适量减少向大电网购电，使得增加内部能源利用率的同时，减少总体的碳排放量，此外，考虑到有部分微网含有微燃机机组和燃气锅炉等设备，因而向微网购电时将其所排放的污染物的因素考虑进低碳性目标函数中：

[0210] （39）

[0211] 其中，fMG为微网中微燃机机组、燃气锅炉等设备造成的微网碳排放成本系数、fC为大电网的碳排放成本系数。

[0212] 大电网碳排放成本系数不是一个定参数，其值在调度周期内是动态变化的，即fC(t)，其变化规律与大电网电价有一定关联。

[0213] 从大电网的购得的电功率，可看做由风光为主的新能源和火电机组为主的传统发电减去大电网负荷功率而来，由于风力和光伏的互补性，由风光发电为主的新能源发电功率在调度周期内总体变化不大，而大电网负荷在调度周期内存在较大波动，电价变化正是大电网负荷变化的具象表示，因而从总体来看，调度时向大电网购电电量可等效为主要由产生主要碳排放的传统机组提供，故采用关联系数表示大电网电价与其由产生碳排放的发电机组功率。

[0214] （40）

[0215] δ为大电网电价c(t)与大电网碳排放成本系数fC(t)的关联系数。

[0216] 步骤S33：基于调度周期的向大电网的平均购电量、向微网的平均购电量、向微网的平均售电量，以及调度周期每个时刻的向大电网购电量、向微网购电量、向微网售电量，计算得到低波动性目标函数。

[0217] 低波动性是指尽量保证所调资源的自平衡，而减少向大电网进行购电和向微网进行购售电，降低所调资源总体功率的波动性，从而提高资源利用效率，用最小化购售电量的标准方差来表示：

[0218] （41）

[0219] 其中， 为各时段向大电网的平均购电量，即 ； 为各时段平均向微网的平均购电量，即 ； 为各时段平均向微网的平均售电量
。

[0220] 步骤S34：将加权后的经济性目标函数、低碳性目标函数及低波动性目标函数之和作为综合目标函数。

[0221] 具体地，将经济性、低碳性和低波动性三个指标综合考虑进调控目标中，通过惩罚因子将三者结合形成多目标函数，相对于传统的单目标和双目标调控，本专利的调控目标兼顾调控成本、碳排放量和波动性，可实现稳定运行的前提下，提高资源利用率、调控成本和环境效益。计及电价与碳排放量关联系数的低碳性目标函数，将原本作为定值的碳排放量成本系数动态化，利用关联系数使得其与大电网动态电价结合起来，增加调控结果的低碳性，使得环境效益更优。

[0222] 综合目标函数为：

[0223] （42）

[0224] 式中，α1、α2、α3为惩罚因子（权值）。

[0225] 具体地，功率实时平衡约束条件建立过程，包括：将每个时刻的向大电网购电量、风光联合出力功率、储能微元的放电功率、向微网购电量的四者之和，与向微网售电量、储能微元的充电功率两者之和作差，将该差值作为第一计算值；将预测的负荷需求总量与可调负荷的需求响应功率的差值作为第二计算值；控制第一计算值与第二计算值相等，作为功率实时平衡约束条件。基于上述，功率实时平衡约束条件为：

[0226] （43）

[0227] 其中，PL(t)为预测的负荷需求总量；PAll(t)为t时刻风光联合出力功率；PES,c(t)为t时刻储能微元放电功率；PES,d(t)为t时刻储能微元充电功率。

[0228] 具体地，资源响应量约束条件建立过程，包括：

[0229] ①将基于虚拟电量的微网外特性模型作为微网响应量约束条件；具体见式(29)~式(31)。

[0230] ②利用储能微元的额定功率设置储能微元的充/放电功率约束条件，利用储能微元荷电状态的上下限值设置储能微元的荷电量约束条件，具体如下：

[0231] 储能装置的充/放电功率约束：

[0232] （44）

[0233] 式中，PES_rat为储能装置的额定功率。

[0234] 储能荷电量QES(t)应满足的约束为：

[0235] （45）

[0236] 式中，QES_rat为储能装置的额定荷电量；SOCES_min、SOCES_max为储能系统荷电状态的上下限。为保证周期调度的连续性，应使每个调度周期的储能初始荷电状态保持一致，即有：

[0237] （46）

[0238] ③控制可调负荷的需求响应功率小于等于可调负荷响应潜力的总预测量，并且控制可调负荷的需求响应功率大于等于零，作为可调负荷响应量约束条件。可调负荷响应量约束为：

[0239] （47）

[0240] 式中，PDR,sum(t)为t时刻可调负荷响应潜力的总预测量。

[0241] 步骤S13：基于功率实时平衡约束和资源响应量约束条件，对综合目标函数进行优化求解，得到各响应时段功率调度结果。

[0242] 具体地，传统粒子算法中存在局部搜索能力和精度不足的问题，引入麻雀搜索的思想，利用探索者麻雀搜索范围大，可快速更新的特点，将探索者麻雀的搜索能力赋予部分粒子，以实现引导粒子种群，快速收敛。此外，粒子群算法寻优过程中侧重于群体对单个粒子的影响，而忽略了粒子自身的判断，因而粒子更新位置时不仅仅依赖于历史最佳和种群最佳解，而是每次迭代中引入天牛须搜索的思想。即通过比较粒子左右适应度函数值，用于更新位置信息，可以克服粒子群寻优易于陷入局部最优的不足，增强全局寻优能力。

[0243] 本发明实施例采用融合麻雀搜索和天牛须搜索的改进粒子群优化求解算法对优化模型进行求解，利用麻雀算法中探索者麻雀搜索范围大的优点，将该搜索能力赋予探索者粒子，对跟随者粒子产生的影响因子代入到粒子速度更新机制中，同时跟随者粒子具有天牛须搜素中天牛的自判断能力，通过对左须右须的比较，将表征该能力的天牛须速度更新机制也代入到粒子速度更新机制中，可在扩大搜索范围的基础上，避免过于依赖个体最优和全局最优结果，改进传统粒子群算法易于陷入局部最优的不足。

[0244] 算法寻优步骤如下：

[0245] ①初始化算法参数，利用麻雀搜索思想，将粒子分为探索者粒子和跟随者粒子，据比例系数a确定两类粒子的比例。

[0246] （48）

[0247] 其中，Xbest为种群中位置较好的PN只麻雀，即探索者粒子，Xworst为种群中位置较差的N‑PN只麻雀，即跟随者粒子。

[0248] ②设探索者粒子的预警值恒小于安全值，此时探索者粒子等同于探索者麻雀进行大范围跳跃式搜索，根据探索者麻雀在预警值恒小于安全值时的位置更新公式，更新探索者粒子的位置更新表达式。

[0249] （49）

[0250] 其中， 为第t次迭代中第i个粒子在第j维度的位置，α为(0,1]间的随机数，iterMAX为最大迭代次数。

[0251] ③根据探索者粒子的引导，对于其它跟随者粒子生成影响因子r，改变粒子过去位置和速度对现在的影响。

[0252] （50）

[0253] ④引入天牛须搜索思想，计算每个粒子的左侧距离和左侧适应度函数，以及右侧距离和右侧适应度函数，利用天牛须搜索中的速度更新规则，应用于具有天牛须搜索能力的粒子速度更新公式中：

[0254] （51）

[0255] 其中，vbi为具有天牛须搜索能力粒子的更新速度，δt为第t次迭代的步长， 为标准化后的随机向量，表示粒子随机朝向，sign为符号函数，f(xrt)为粒子的右须适应度函数值，f(xlt)为粒子的右须适应度函数值。

[0256] ⑤结合上述两种搜索和粒子群算法本身的速度更新规则，得到每种跟随者粒子的当前速度更新规则：

[0257] （52）

[0258] 其中， 为i个粒子第t次迭代后的速度，ω为惯性权重，c1、c2、c3为加速因子，rand为随机函数， 是第i个粒子的个体适应度极值、 是当前种群的群体适应度极值。

[0259] 进而对跟随者粒子的位置进行更新：

[0260] （53）

[0261] ⑥判断是否达到最大迭代次数，若是则输出结果，否则重复步骤5，直至达到最大迭代次数。

[0262] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。