虚拟电厂多分布式资源的随机优化调度.pdf

收稿日期：2023-03-04作者简介：于泓维（1976-），女，辽宁沈阳人，高级工程师。虚拟电厂多分布式资源的随机优化调度于泓维a，赵博b（国网辽宁省电力有限公司 a.综合服务中心；b.营销部，辽宁 沈阳 110006）摘要：在分布式能源运行研究中，虚拟电厂是考虑系统不确定性并实现所有参与者利润最大化的有效方法。在考虑网络安全约束，以及电负荷、热负荷、风速、光照辐射与市场电价的不确定性的基础上，对虚拟电厂的随机调度问题进行建模。在IEEE 33母线分布式测试系统中，采用通用代数建模系统（GAMS）对虚拟电厂多分布式资源的优化调度问题进行建模，然后利用CLPEX求解器进行求解。仿真结果表明：光伏光热系统提高了预期系统的利润，降低了虚拟电厂对锅炉和热电联产机组的依赖性。关键词：电热耦合；光伏光热系统；随机优化中图分类号：TP273文献标识码：A文章编号：1673-1603（2023）03-0006-08DOI：10.13888/ki.jsie（ns）.2023.03.002第 19 卷第 3 期2 0 2 3 年 7 月Vol.19 No.3Jul.2023沈阳工程学院学报（自然科学版）Journal of Shenyang Institute of Engineering（Natural Science）根据 NASA 的调查研究，2018 年的全球温度是1880年以来的第四次高温，比1951年1980年的平均温度高0.83 1。此外，由于能源需求逐步增长，化石能源的消耗呈现逐年递增的趋势，化石能源的大量消耗使全球温室气体的排放量快速增加。为应对全球变暖的环境问题，各国政府逐步将注意力转移到能源系统的低碳排放方面2。根据我国资源分布情况，风力发电和光伏发电已经成为新能源发电的主流形式3-4。受天气条件的影响，新能源发电方式的出力存在波动性与不确定性，对现代电力系统的稳定运行具有一定的冲击并存在利用率低、难以消纳等问题5。新能源发电的应用形式可分为集中式与分布式：集中式可令功率较小的发电设备形成集群，有利于协同管理，但受限于地理条件与资源分布情况；分布式通常安装在用户附近的地区，负荷部分与发电部分的距离较近，这给电网的运行带来了诸多好处，例如降低能耗和污染、减少网损及提高电能质量等6-7。然而，在现代电力系统中，高渗透率的分布式发电方式无法协同控制，给电网带来了许多问题，例如增大损耗、电压分布不理想、发电侧与需求侧之间的能量不平衡8。单独利用分布式资源不能产生最大的效益。因此，为了确保电网稳定运行并提高新能源发电的消纳能力，分布式发电的优化问题已成为研究热点9。此外，分布式发电的优化调度有利于完善电力市场的结构，提高用户消纳新能源的积极性。由于分布式资源没有足够的灵活性与自控能力加入电力市场，对于独立系统运营商是不可见的。因此，计及经济因素与环境因素的优化调度策略对于挖掘分布式资源的灵活性具有重要意义10。为了解决分布式资源参与到电力系统中时引起的相关问题，文献 11 提出了虚拟电厂的概念。虚拟电厂是可调度与不可调度资源的集合，由分布式资源、储能系统和可控负荷组成。虚拟电厂可以控制且协调各组成单元，从而实现能耗与污染物排放最少或者效益最大化的目标。虚拟电厂在不用投资建设基础设施的情况下可调整各部分运行状态，减少能源系统供需不平衡的情况并提高系统的整体灵活性3。目前，国内外许多学者提出了多种虚拟电厂的优化调度策略。文献 2 运用二阶随机规划方法来解决包括风能、光伏和传统发电机组等分布式资源的调度问题，在通用代数建模系统（General Algebraic Modeling System，GAMS）中，利用混合整数线性规划方法对调度问题进行建模，但在该模型中不包含热负荷且分布式资源不能与上游电网进行能量交换。为实现虚拟电厂利益的最大化并降低污染物排放量，文献 4 利用粒子群优化（ParticleSwarm Optimization，PSO）算法，在不考虑热负荷的情况下提出了一种日前随机调度方法并基于某种场景对光照辐射、风速、电价进行建模。文献12 针对微电网内不同种类的分布式资源设计了随机调度方法，利用混合整数非线性规划对电负荷和热负荷进行建模，在并网与孤岛运行模式下分别检验了调度结果，研究了需求响应对被测系统调度结果的影响，但是为了简化问题，并未考虑分布式发电系统的实际运行情况。文献 13 对采用光伏光热系统与燃料电池系统供热的虚拟电厂的日前随机规划问题进行了研究，利用回溯优化方法来求解调度结果，但并未对能量流与能量安全约束条件进行建模，仅对比了特定情况与随机情况的调度结果。综上所述，为了简化算法，大部分研究仅考虑电负荷，而在虚拟电厂中电负荷与热负荷是并存的。太阳能光伏光热系统可同时产生热能与电能，而且光伏光热系统比光伏系统和光热系统的效率总和更高。1虚拟电厂的结构虚拟电厂利用分布式资源对系统内的电负荷和热负荷供能，并且系统内的电能与主电网进行能量交换。虚拟电厂能量管理系统如图1所示。在此架构中，热电联产、锅炉和光伏光热系统提供热能，同时展示了电负荷与热负荷之间的联系。图1虚拟电厂能量管理系统结构2虚拟电厂的数学模型本文研究的虚拟电厂由风力发电、光伏发电、热电联产、传统发电机组、光伏光热系统、锅炉与储能系统组成。目标函数是通过对系统内的分布式资源进行优化调度使虚拟电厂的效益最大化。下面对各分布式资源进行数学建模。2.1风力发电风力发电输出功率pt,s,WT取决于风速，如式（1）所示。pt,s,WT=0,Vt,s,w Vco（1）式中，Vt,s,w为在情景sth与时段tth下的风速，Vci与Vco分别为切入风速与切出风速。当风速处于Vci与Vrated之间时，输出功率与风力发电额定功率pr,WT呈比例关系。当风速处于Vrated与Vco之间时，输出功率为额定功率。假定当风速高于Vco时风电机组将被关停并且其输出功率为0。式（2）代表风力发电的运行成本，WT为发电成本系数。Ct,s,WT=WTWT pt,s,WT（2）第 3 期于泓维，等：虚拟电厂多分布式资源的随机优化调度7第 19 卷沈阳工程学院学报（自然科学版）2.2光伏发电光伏发电的输出功率由式（3）式（5）计算，在任意时段和场景中与接收的光照辐射Gt,s成比例。pt,s,PV=nPVAPVGt,st,s,elec,PV（3）式中，nPV、APV与t,s,elec,PV分别代表光伏板的数量、面积与发电效率。光伏板的发电效率可以根据已知的额定发电效率r,PV、功率条件效率pc、温度系数NT,PV、单元温度Tt,s,cell,PV与额定温度Tref计算。t,s,elec,PV=r,PVpc1-NT,PV()Tt,s,cell,PV-Tref（4）Tt,s,cell,PV=Tt,a,PV+(TNOC-20)Gt,s/800（5）式中，Tt,a,PV与TNOC分别代表环境温度与电池标称工作温度。光伏发电输出功率成本可由已知的光伏发电成本系数PV计算，如式（6）所示。Ct,s,PV=PVPV pt,s,PV（6）2.3热电联产热电联产机组可同时产生热能与电能，机组的热能Qt,s,CHP与燃料消耗Ft,s,CHP如式（7）与式（8）所示。Ft,s,CHP=fpt,s,CHP+fIt,s,CHP（7）Qt,s,CHP=hpt,s,CHP+hIt,s,CHP（8）式（9）为热电联产机组输出功率限制条件。It,s,CHP pmin,CHP pt,s,CHP It,s,CHP pmax,CHP（9）式（10）式（14）为机组运行时的模型。yt,s,CHP+zt,s,CHP=It,s,CHP-It-1,s,CHP（10）yt,s,CHP+zt,s,CHP 1（11）yt,s,CHP,zt,s,CHP0,1（12）pt,s,CHP-pt-1,s,CHP()1-yt,s,CHP Rup+yt,s,CHP Sup（13）pt,s,CHP-pt-1,s,CHP()zt,s,CHP-1 Rdown+zt,s,CHP Sdown（14）式中，It,s,CHP代表机组实际运行的状态；yt,s,CHP与zt,s,CHP为二进制变量，分别代表机组停机或运行、启机或关停，若yt,s,CHP与zt,s,CHP的值取 1时，机组则处于运行与启机状态；Rup与Rdown分别代表机组升负荷与甩负荷的功率限制；Sup与Sdown分别代表机组启机与关停的功率限制。如果热电联产机组处于运行状态但并不产生电能，则该机组仅输出热能。通过式（15）可计算热电联产机组的运行成本。Ct,s,CHP=gas Ft,s,CHP（15）2.4传统发电机组传统发电机组的输出功率pt,s,CG由式（16）式（19）计算。pCG,min It,s,CG pt,s,CG pCG,max It,s,CG（16）pt,s,CG-pt-1,s,CG pCG,Rampup（17）pt-1,s,CG-pt,s,CG pCG,Rampdown（18）Ct,s,CG,su=()It,s,CG-It-1,s,CG CG,su,CG,su 0（19）式中，pCG,min与pCG,max分别为发电机组最小输出功率与最大输出功率；pCG,Rampup与pCG,Rampdown分别代表机组升负荷与降负荷的速率限制；It,s,CG代表机组状态的二进制变量；CG,su代表启机成本。发电成本可根据输出功率的二次函数表示，即式（20）。优化问题从混合整数线性规划转变为混合整数非线性规划。为保持混合整数线性规划问题，对式（20）进行线性化研究。Ct,s,CG=CGa()pt,s,CG2+bpt,s,CG+c+Ct,s,CG,su（20）2.5光伏光热系统光伏光热系统是虚拟电厂的组成部分之一，可以满足电负荷与热负荷的平衡，如式（21）式（25）。pt,s,PVT=nPVTAPVTGt,st,s,elec,PVT（21）t,s,elec,PVT=ref,PVT1-ref,PVT()Tt,s,cell,PVT-Tref（22）Tt,s,cell,PVT=30+0.017 5()Gt,s-300+1.14()Tt,amb-25（23）Qt,s,PVT=nPVTAPVTGt,st,s,ther,PVT（24）8t,s,ther,PVT=PVT()1-t,s,elec,PVT-Uloss()Tt,cell,PVT-Tt,amb/Gt,s（25）式中，pt,s,PVT和Qt,s,PVT分别代表光伏光热系统输出的电能和热能；nPVT和APVT分别代表光伏板的数量和面积；t,s,elec,PVT、t,s,ther,PVT与ref,PVT分别为系统的发电效 率、产 热 效 率 与 额 定 发 电 效 率；ref,PVT、Tref、Tt,s,cell,PVT和Tt,amb分别代表能量温度系数、额定温度、单元温度和环境温度；PVT和Uloss分别代表光伏光热系统吸收转化光照辐射效率与热损失系数。基于光伏光热系统的运行维护成本系数PVT，可得出光伏光热系统的运行成本Ct,s,PVT。Ct,s,PVT=wtPVT pt,s,PVT（26）2.6锅炉锅炉作为虚拟电厂中提供热能的后备资源，其模型如式（27）式（29）所示。Ft,s,Boiler=Qt,s,BoilerBoilier（27）Qt,s,min Qt,s,Boiler Qt,s,max（28）式中，Ft,s,Boiler、Qt,s,Boiler与Boilier分别代表锅炉的燃料消耗、热能输出功率与锅炉效率，假定Boilier是恒定的。式（28）代表锅炉输出功率的限制条件，通过天然气的价格gas，利用式（29）可得出锅炉的运行成本。Ct,s,Boiler=gas Ft,s,Boiler（29）2.7储能系统储能系统可用来减少分布式发电输出电能的波动。在本研究中，电池单元被视为储能系统。储能系统的荷电状态约束如式（30）和式（31）所示，充放电限制条件如式（32）和式（33）所示。当储能系统处于充电或放电状态时，系统荷电状态S将会按预期进行变化。式（34）可确保系统不能同时进行充放电。St,s,Battery=St-1,s,Battery+pt,s,ChCh-pt,s,DischDisch（30）Smin St,s,Battery Smax（31）0 pt,s,Ch pBattery,maxYt,s,Ch（32）0 pt,s,Disch pBattery,maxYt,s,Disch（33）Yt,s,Ch+Yt,s,Disch 1（34）式中，St,s,Battery、pt,s,Ch与pt,s,Disch分别代表在情景sth与时段tth下的荷电状态、充电功率与放电功率；Ch与Disch分别代表充放电效率；pBattery,max代表储能系统的最大容量；Yt,s,Ch与Yt,s,Disch为二进制变量，分别代表储能系统的充放电状态。2.8目标函数虚拟电厂优化调度的目标是使系统利益的期望值最大化，如式（35）式（38）所示。OF=s Ss Fs（35）Fs=Rev,s-Cs（36）Rev,s=t=124()eleci=1Nbuspt,s,i,Demand+t,s,market pt,s,sell+theri=1NbusQt,s,i,Demand（37）Cs=t=124()Ct,s,CG+Ct,s,PV+Ct,s,WT+Ct,s,PVT+Ct,s,CHP+Ct,s,Boiler+Ct,s,Buy+Ct,s,Curtail（38）由式（37）可知：虚拟电厂在每种情形下的整体效益取决于向用户或电网售卖的电能与热能。虚拟电厂的总成本包括传统发电机组、光伏、风力发电、光伏光热系统、热电联产、锅炉、从主电网的购电成本以及切负荷补贴成本。值得一提的是虚拟电厂作为一种网络结构，在建模时必须考虑电能与热能的平衡约束。式（39）代表虚拟电厂中的热平衡，热负荷Qt,s,i,Demand与电负荷Pt,s,i,Demand之间的关系如式（40）所示。chpQt,s,CHP+BoilerQt,s,Boiler+PVTQt,s,PVTi=1NbusQt,s,i,Demand（39）Qt,s,i,Demand=PtoQPt,s,i,Demand（40）第 3 期于泓维，等：虚拟电厂多分布式资源的随机优化调度9第 19 卷沈阳工程学院学报（自然科学版）式中，PtoQ代表热负荷与电负荷之间的相互关系。i=1Nbuspi,j,t,s=CG ipt,s,CG+PV ipt,s,PV+wt ipt,s,WT+chp ipt,s,CHP+ess i()pt,s,Disch-pt,s,Ch+()pt,s,Buy-pt,s,Sell-()pt,s,Demand-pt,s,Curtail（41）上述公式组成了一个混合整数线性规划问题。决策变量是虚拟电厂中的发电机组调度。当模型被求解后，所求结果将利用MatPower软件模拟系统交流潮流并在满足电压约束条件的情况下确保结果的可行性。式（42）式（44）代表系统潮流。Vmin Vi,t,s Vmax（42）pi,j,t,s=Vi,t,sVj,t,s|Yijcos()i,t,s-j,t,s+i,j（43）pi,j,t,s pi,j,max（44）式中，pi,j,t,s代表系统线路的有功功率；pi,j,max代表每条线路的潮流容量；|Yij与i,j分别代表导纳矩阵中（i，j）元素的幅值与相角；Vi,t,s与i,t,s分别代表ith母线电压的幅值与相角。在极端情况下，MatPower软件的模拟结果会显示混合整数线性规划的解不满足式（42）式（44），这时可利用过载线路的灵敏度因子来确定使潮流越限的发电机组，通过修正发电机组的输出功率，将会避免过载情况并可得到一个可行解。风力发电与光伏发电的输出功率的不确定性会给系统运营商带来挑战。然而，风电与光伏的预测出力包含不确定性，即使运用最精确的建模工具也不可避免这些已知的不确定性。因此，本文提出一种基于随机规划的场景方法对不确定的变量进行建模，利用带有小时解的长期风速数据来拟合威布尔概率密度函数（Probability Density Function，PDF）。从PDF中提取出来的数据并不能精确表示风速的实际模型，为了克服此缺点并建立更加精确的模型，本文提出了基于削减场景且随机建立的风速概率密度函数模型（Developed Wind PDF ReducedScenario-stochastic，DWP-RSS），对长期的风速数据进行拟合，获得威布尔分布方程的形状参数k与规模参数c，如式（45）所示。PDF()v=k(v/c)k-1e-(v/c)k/c,k=()/k-1,c=/()1+1 k（45）对DWP-RSS模型中的不确定量进行建模，如图2所示。图2对DWP-RSS模型中的不确定量建模在该模型中，常规 PDF将具体概率分配到每个被提取出来的数据中。常规PDF的平均值是每个间隔中具有代表性的值，假定常规PDF的标准偏差是平均值的10%。3仿真分析3.1输入数据在本研究中，以IEEE 33母线的分布式系统作为虚拟电厂的仿真案例。虚拟电厂中包括电负荷与热负荷。每条母线上的电负荷与热负荷的预测结果如图3所示。此外，电力市场价格、风速、天气温度与日前电负荷的预测数据如图4所示。由图4可知：电力市场的电价高峰与电力负荷的高峰相吻合；温度变化趋势与光照辐射的变化趋势一致；在某时段，光照辐射与风速互补，这对满足电力需求具有重要意义。10图3每条母线的电负荷与热负荷的预测数据图4电力市场价格、风速、天气温度与日前电负荷的预测数据预测数据3.2调度结果调度结果如图5图7所示，虚拟电厂与主电网之间的负交换功率代表向主电网售电，储能系统的负值代表储能系统处于充电状态。图5考虑光伏光热系统的虚拟电厂分布式资源电能调度结果图6储能系统与负荷削减调度结果图7考虑光伏光热系统的虚拟电厂分布式资源热能调度结果在1:006:00时段，电力市场的电价最低且光伏发电与光伏光热系统并不产能。在此情况下，从电网购电的成本比利用热电联产与传统发电机组发电的成本低，因此虚拟电厂在此时段会从电网购电。而风力发电输出的电能可以满足部分电负荷，锅炉可以满足热负荷的需求。储能系统在此阶段充满电以便在用电高峰期放电。在6:0011:00时段，主电网电价与电热负荷逐步增长，风速下降导致风力发电的输出功率降低，由于光照辐射的增强，光伏与光伏光热系统的输出逐步增长。此外，在此时段，电力市场的电价比削减负荷的成本高。因此，为了向电网出售更多电能并获取更多的利润，虚拟电厂将尽可能削减负荷并开启传统机组发电，储能系统开始放电，直到最低荷电状态，即40 kWh。由于光伏光热系统的经济性比锅炉满足热负荷需求时的经济性更佳，因第 3 期于泓维，等：虚拟电厂多分布式资源的随机优化调度11第 19 卷沈阳工程学院学报（自然科学版）此，锅炉不提供热能。由于虚拟电厂内的热力管网具有一定的蓄热效果，热负荷变动比电负荷具有更长的时滞性，因此，在不配备储热设备的情况下，通过太阳能光伏光热系统和热电联产机组协调配合可确保热负荷的供给质量。在12:0016:00时段，电力负荷与电价略有下降。由于此阶段的光照辐射强度达到最大值，光伏系统与光伏光热系统的输出功率达到最大值，这使得光伏光热系统的产能经济性更好，所产生的热负荷可以满足需求。因此，锅炉与热电联产机组处于关停状态，热负荷由光伏光热系统供给。另外，电力需求由光伏发电、光伏光热系统、风力发电与传统发电机组满足，由于该阶段的电价相对较低，部分电能由主电网供给。在17:0018:00时段，光伏系统与光伏光热系统的输出随着光照辐射强度的降低而下降，电价与电热负荷逐步增加。因此，开启热电联产机组补偿光伏光热系统输出热能的缺额。随着电价提高，虚拟电厂提高热电联产机组与传统发电机组的输出功率并向电网售电。因此，仍削减负荷。在 18:0022:00 时段出现用电高峰，传统发电机组与热电联产机组的输出功率达到最大，由于电价提高，虚拟电厂向电网出售更多的电能。在此时段内，光照强度逐渐降低，在 20:00时完全消失。在此之后，热负荷由锅炉与热电联产机组供给。在23:0024:00时段，电价、电负荷、热负荷均降低，虚拟电厂从主电网购电，传统发电机组以最低出力运行，为保证储能系统每天的荷电状态相同，储能系统应在0:00前放电。综上所述，在本文提出的调度策略的影响下，火电机组的出力曲线的变化趋势与电负荷需求曲线较为相似。在实际情况下，为满足电力系统的功率平衡，该调度策略可提前为火电机组提供预测计划，火电机组可通过补燃等方式调整机组出力，在降低煤耗的同时确保新能源消纳。4结论本研究分析了虚拟电厂中分布式资源的日前优化调度问题。调度的主要目标是为了使虚拟电厂系统的效益最大化，在考虑系统约束与网络安全的前提下满足电负荷与热负荷。通过对虚拟电厂中的传统发电机组、光伏发电、风力发电、光伏光热系统、热电联产、储能系统与锅炉等分布式资源进行数学建模，在确保系统潮流安全等限制条件下实现虚拟电厂调度的经济性。在仿真部分主要分析光伏光热系统对虚拟电厂的供能影响，调度结果表明：光伏光热系统可供给大部分热负荷与电负荷，可有效提高虚拟电厂的收益。参考文献1 GHAHRAMANI M，NAZARI-HERIS M，ZARE K，etal.Energy and reserve management of a smart distribution system by incorporating responsive-loads/battery/wind turbines considering uncertain parameters J.Energy，2019，183：205-219.2 BAHRAMARA S，SHEIKHAHMADI P，GOLPRA H.Co-optimization of energy and reserve in standalone micro-grid considering uncertainties J.Energy，2019，176：792-804.3TAN Z F，WANG G，JU L W，et al.Application of CVaRrisk aversion approach in the dynamical scheduling optimization model for virtual power plant connected withwind-photovoltaic-energy storage system with uncertainties and demand response J.Energy，2017，124：198-213.4 HADAYEGHPARAST S，FARSANGI A S，SHAYANFAR H.Day-ahead stochastic multi-objective economic/emission operational scheduling of a large scale virtualpower plant J.Energy，2019，172：630-646.5 HEREDIA F J，CUADRADO M D，CORCHERO C.Onoptimal participation in the electricity markets of windpower plants with battery energy storage systemsJ.Computers and Operations Research，2018，96：316-329.6张政斌，叶鹏，张亮，等.面向新型城镇用户侧能源互联网规划研究综述 J.沈阳工程学院学报（自然科学版），2023，19（1）：8-15.7 董香栾，赵琰，王昱日.基于Q学习算法的能源互联网分层优化研究 J.沈阳工程学院学报（自然科学12版），2022，22（2）：8-13.8OTHMAN O O，HEGAZY Y G，ABDELAZIZ AY.A review of virtual power plant definitions，components，framework and optimizationJ.International ElectricalEngineering Journal，2015，6：2 010-2 024.9 MAJIDI M，NOJAVAN S，ESFETANAJ N N，et al.Amulti-objective model for optimal operation of a battery/PV/fuel cell/grid hybrid energy system using weightedsum technique and fuzzy satisfying approach considering responsible load management J.Solar Energy，2017，144：79-89.10RIVEROS J Z，BRUNINX K，PONCELET K，et al.Bidding strategies for virtual power plants consideringCHPs and intermittent renewablesJ.Energy Conversion and Management，2015，103：408-418.11 KASAEI M J，GANDOMAKAR M，NIKOUKAR J.Optimal management of renewable energy sources byvirtual power plant J.Renewable Energy，2017，114：43-53.12 FARSANGI A S，HADAYEGHPARAST S，MEHDINEJAD M，et al.A novel stochastic energy management of a microgrid with various types of distributedenergy resources in presence of demand response programs J.Energy，2018，160：257-274.13 NAJIBI F，NIKNAM T，KAVOUSI-FARD A.Optimalstochastic management of renewable MG（micro-grids）considering electro-thermal model of PV（photovoltaic）J.Energy，2016，97：444-459.Stochastic Optimal Scheduling of Multiple DistributedResources in Virtual Power PlantYU Hongweia,ZHAO Bob（a.Comprehensive Service Center;b.Sales and Marketing Division,State Grid Liaoning Electric Power Supply Co.,Ltd.,Shenyang 110006,Liaoning Province）Abstract：In the study of distributed energy operations,virtual power plant is an effective method to considerthe uncertainty of the system and maximize the profit of all participants in the network.The stochasticscheduling problem of virtual power plant is modeled by considering the constraints of network security and theuncertainties of electric energy thermal load,wind speed,light radiation and market price.In IEEE 33 busdistributed test system,the optimal scheduling problem of multiple distributed resources in virtual power plantis modeled with General Algebraic Modeling System(GAMS)and solved by CLPEX solver.The simulationresults show that the PVT system can improve the expected system profitand reduce the dependence of thevirtual power plant on the boiler and cogeneration unit.Keywords：Electro-thermal coupling;PVT;Stochasticoptimization第 3 期于泓维，等：虚拟电厂多分布式资源的随机优化调度13