一种虚拟电厂交互模型构建方法及相关装置

技术领域

本发明属于虚拟电厂优化调度领域，特别涉及一种虚拟电厂交互模型构建方法及相关装置。

背景技术

新能源装机容量不断提高，然其出力的间歇性和波动性使配电网运行管理面临极大的挑战。虚拟电厂作为解决该问题的方式之一，通过有效聚合分布式电源、可控负荷、储能等作为虚拟整体，为其积极参与配电网调度和电力市场提供了有效途径。当前，在虚拟电厂参与配电网调度中，大多基于虚拟电厂内部各聚合单元的物理模型，构建以运行成本最低或者经济收益最大等为目标的优化调度模型。然而上诉基于物理模型的方法，使得虚拟电厂不得不向配电网调度中心提供其详细物理模型参数，而这一举措易造成虚拟电厂自身重要信息的泄露。同时，对于配电网调度中心而言，考虑到辖区内可能有多个虚拟电厂，若通过物理模型建立配电网优化调度模型，其将面临模型复杂，变量众多，求解困难等挑战。针对上诉问题，有学者提出双层优化方法。尽管双层优化调度方法一定程度上解决了虚拟电厂隐私泄露和变量众多的问题，但由于虚拟电厂组成成员的多元性，时序耦合性，约束条件多等原因，使得VPP的可调度边界不易解析刻画，难以向配电网调度中心提供较为准确的VPP可调度范围。且模型迭代求解中需依赖上下层的信息交互，势必造成求解耗时较长的问题，特别是对于日内实时优化调度模型的求解，其时效性难以满足要求。

发明内容

本发明的目的在于提供一种虚拟电厂交互模型构建方法及相关装置，以解决虚拟电厂参与配电网调度中，存在的自身重要信息泄露、可调度边界不易解析刻画和难以满足配电网日内调度时效性的问题。

为实现上述目的，本发明采用以下技术方案：

第一方面，本发明提供一种虚拟电厂交互模型构建方法，包括：

建立虚拟电厂与配电网的交互物理模型，虚拟电厂根据剩余可调节能力判别是否响应配电网下发的日内新调度指令；

通过均匀生成调度指令获取训练集和随机生成调度指令得到测试集；

对数据集进行归一化处理，对归一化处理后的数据集，建立调度指令可行性模型；

基于调度指令可行性模型构建基于核极限学习机-高斯过程回归KELM-GPR的虚拟电厂交互成本模型。

可选的，建立虚拟电厂与配电网的交互物理模型：

虚拟电厂富足电力资源采用余电上网策略，其与配电网的交互物理模型如下：

目标函数：

式中，F为虚拟电厂日内剩余时段运行成本，k为当前时段，若日前运行该交互模型，则k＝0；T为一天内时段数；F

约束条件：

虚拟电厂功率平衡约束

P

式中，Δp

储能电池运行约束

式中，P

燃气轮机运行约束

式中，u

可削减负荷运行约束

式中，

售电约束

式中，

配电网根据日内调度需要，向虚拟电厂下发新的调度指令，包含调度起始时段ts、调度持续时段tc和调度功率Δp

在此约束下，配电网下达新调度指令时，虚拟电厂运行交互物理模型，若模型有解，则在满足已有调度指令的基础上可响应该指令，即f

可选的，虚拟电厂交互模型采用日前离线训练，日内在线修正的策略：

虚拟电厂根据自身运行状况，模拟未来一定时间内配电网可能下发的新调度指令，并通过交互物理模型求解得到有限数据样本集，最后经数据驱动技术对样本进行学习训练，以表征未来一定时间内虚拟电厂与配电网的交互特性；采用日前离线训练、日内在线修正的策略；具体为：日前离线训练阶段，虚拟电厂通过交互物理模型求解调度指令的可行性及交互成本，生成日内模拟数据，作为数据集；通过机器学习中的WKNN和KELM-GPR对数据集进行学习训练，确定模型结构及超参数，包含WKNN的邻点个数、KELM的正则化系数、核函数、数据集规模；日内在线修正阶段，虚拟电厂根据配电网调度中心的调度需求情况决定是否对数据驱动模型参数进行更新；配电网调度中心提前一个时段告知是否有调度需求，如k1时段需调用数据驱动模型，则在k1-1时段向虚拟电厂发出调度邀约，虚拟电厂在k1时段，基于日前训练已确定的数据驱动模型结构及超参数并结合风光出力超短期预测数据，通过虚拟电厂与配电网交互物理模型生成增量样本作为新数据集，对模型参数进行训练更新，提升模型预测精度，以供配电网调度中心使用；若没有调度需求，则虚拟电厂不对模型参数进行更新。

可选的，通过均匀生成调度指令获取训练集和随机生成调度指令得到测试集：

根据虚拟电厂的可调节能力，分析配电网下发新调度指令的可行域，即需知晓生成新调度指令的参考边界，进而获得数据集，具体为：

1)生成新调度指令的参考边界

配电网下发的日内新调度指令为[ts,tc,Δp

式中，ts

式中，

式中，ts

2)模拟配电网下发的新调度指令

在获取调度指令的参考边界后，生成配电网可能下发的新调度指令，具体如下

(1)调度指令均匀生成

根据设定训练集数目N

式中，b

式中，

(2)调度指令随机生成

由前文获悉的调度指令参考边界及其设定的测试集数目N

式中，U[ts

3)虚拟电厂响应调度指令并生成数据集

在获得式(14)和式(16)的调度指令后，根据虚拟电厂是否响应配电网调度指令的判别方法，通过交互物理模型可求得调度指令的可行性和交互成本，如式(17)-(20)所示；式中，

综上可得模型训练所需数据集为

式中，x

可选的，对数据集进行归一化处理：

对于调度指令可行性模型，对数据集做归一化处理，将数据统一到[-1,1]之间，计算公式为

式中，x为未归一化原始数据，x

式中zeros(ts

可选的，对归一化处理后的数据集，建立调度指令可行性模型：

通过加权K最近邻WKNN算法建立调度指令可行性模型，应用WKNN构建调度指令可行性模型，对于WKNN的关键要素，采用欧式距离作为距离度量，以反距离平方作为距离权重，以模型预测精度为目标函数，采用粒子群算法PSO对其进行优化；选择对样本不均衡不敏感的混淆矩阵中的AUC指标作为模型预测精度的评价标准；调度指令可行性模型训练过程为如下：

日前训练中，原始数据集经数据预处理后，首先通过粒子群算法对模型中邻点个数进行优化，接着对分类模型进行训练并测试，若分类模型预测精度不满足要求，则通过增大数据集规模重复上诉步骤，直到分类模型预测精度到达要求，由此可确定模型的邻点个数和所需数据集规模大小；在实时运行时，基于日前训练得到的模型结构和超参数，结合虚拟电厂实时运行状态以及超短期风光预测，通过交互物理模型生成增量样本作为新数据集，对分类模型参数进行训练更新。训练好的调度指令可行性模型记为

将已获得的调度指令参考边界亦作为一种调度指令是否可行的判别模型，即参考边界外指令不可行，参考边界内指令可行，记为

将

根据该模型，虚拟电厂可知晓模型f

可选的，构建基于核极限学习机-高斯过程回归KELM-GPR的虚拟电厂交互成本模型，具体为：

采用KELM建立交互成本模型，引入GPR作为误差补偿模型，提升交互成本模型预测精度；采用典型的径向基函数、指数型协方差函数分别作为KELM和GPR的核函数，以平均绝对百分比误差MAPE、决定系数R2作为模型预测效果的评价指标；交互成本模型训练过程如下：

日前训练中，原始数据集首先通过数据预处理，然后通过粒子群算法对KELM的正则化系数C、核函数的核参数σ进行优化，最后对交互成本模型进行训练并测试，若模型预测效果不满足要求，则增大数据集规模重复上诉步骤，直到模型预测效果达到要求；日内实时运行时，基于日前训练得到的模型结构和超参数，结合虚拟电厂实时运行状态以及超短期风光预测，通过交互物理模型生成增量样本作为新数据集，对交互成本模型参数进行训练更新；训练好的交互成本模型记为

在满足日前训练指标的前提下，虚拟电厂交互模型日内更新所需数据集规模取调度指令可行性模型和交互成本模型更新所需数据集规模的最大值。

第二方面，本发明提供一种虚拟电厂交互模型构建系统，包括：

交互物理模型构建模块，用于建立虚拟电厂与配电网的交互物理模型，虚拟电厂根据剩余可调节能力判别是否响应配电网下发的日内新调度指令；

数据获取模块，用于通过均匀生成调度指令获取训练集和随机生成调度指令得到测试集；

数据处理模块，用于对数据集进行归一化处理，对归一化处理后的数据集，建立调度指令可行性模型；

交互成本模型构建模块，用于基于调度指令可行性模型构建基于核极限学习机-高斯过程回归KELM-GPR的虚拟电厂交互成本模型。

第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种虚拟电厂交互模型构建方法的步骤。

第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现一种虚拟电厂交互模型构建方法的步骤。

与现有技术相比，本发明有以下技术效果：

本发明首先虚拟电厂交互模型采用数据驱动技术，使其成为一个类似参数确定的函数，外部人员无法知晓其内部各运行单元具体信息，因此可保护虚拟电厂内部信息安全；其次虚拟电厂交互模型中的调度指令可行性模型本质是一种二分类模型，根据其分类边界可获悉虚拟电厂的可调度范围，进而有利于虚拟电厂自身和上级配电网调度中心做出合理调度计划；最后虚拟电厂交互模型由于是数据驱动模型，对配电网下发的日内新调指令无需内部再次优化求解，可在毫秒级响应，因此可满足配电网日内调度的时效性。

附图说明

图1是本发明的虚拟电厂资源构成图。

图2是本发明的虚拟电厂与配电网交互过程图。

图3是本发明的虚拟电厂交模型训练策略图。

图4是本发明的调度指令可行性模型训练图。

图5是本发明的交互成本模型训练图。

图6是本发明的VPP日前典型日的风光出力预测和调度指令负荷曲线图。

图7是本发明的VPP日前调度计划图。

具体实施方式

下面结合附图和具体实施方式，对本发明进一步说明。

步骤1：建立虚拟电厂与配电网的交互物理模型，虚拟电厂根据剩余可调节能力判别是否响应配电网下发的日内新调度指令。

步骤2：考虑到虚拟电厂对外交互特性具有时变性，虚拟电厂交互模型采用日前离线训练，日内在线修正的策略。

步骤3：在考虑调度指令边界的基础上，通过均匀生成调度指令获取训练集和随机生成调度指令得到测试集。

步骤4：对数据集进行归一化处理。

步骤5：对归一化处理后的数据集，通过加权K最近邻(WKNN)算法建立调度指令可行性模型。

步骤6：基于调度指令可行性模型构建基于核极限学习机-高斯过程回归(KELM-GPR)的虚拟电厂交互成本模型。

具体的：

步骤1中，以由风力发电机组、光伏电站、燃气轮机、储能电池以及用户侧可削减负荷构成的虚拟电厂(virtual power plant，VPP)为例，如图1所示。VPP采用集中调控模式，以运行成本最优为目标，通过协调内部聚合资源完成配电网调度指令。其中风电、光伏为不可调节机组，全额出力消纳。VPP自身出力无法满足配电网调度指令时将面临失负荷惩罚，VPP富足电力资源采用余电上网策略，其与配电网的交互物理模型如下。

目标函数：

式中，F为VPP日内剩余时段运行成本，k为当前时段，若日前运行该交互模型，则k＝0；T为一天内时段数；F

约束条件：

1)VPP功率平衡约束

P

式中，Δp

储能电池运行约束

式中，P

燃气轮机运行约束

式中，u

可削减负荷运行约束

式中，

售电约束

式中，

配电网根据日内调度需要，向VPP下发新的调度指令，包含调度起始时段ts、调度持续时段tc和调度功率Δp

在此约束下，配电网下达新调度指令时，VPP运行交互物理模型，若模型有解，则在满足已有调度指令的基础上可响应该指令，即f

进一步的，步骤2中，VPP根据自身运行状况，模拟未来一定时间内配电网可能下发的新调度指令，并通过交互物理模型求解得到有限数据样本集，最后经数据驱动技术对样本进行学习训练，以表征未来一定时间内VPP与配电网的交互特性，如图2(b)所示，且VPP可通过调度指令可行性模型获悉VPP的可调度范围信息，并向配电网提供，如图2(b)中虚线所示。考虑到风光的预测出力具有时变性，使得VPP与配电网的交互特性也具有时变性，因此数据驱动模型应随着VPP的实时运行状态、最新风光出力预测以及配电网的调度需求情况而实时更新。为满足模型更新的时效性，采用日前离线训练、日内在线修正的策略。具体如图3所示：日前离线训练阶段，VPP通过交互物理模型求解调度指令的可行性及交互成本，生成日内模拟数据，作为数据集。通过机器学习中的WKNN和KELM-GPR对数据集进行学习训练，确定模型结构及超参数，包含WKNN的邻点个数、KELM的正则化系数、核函数、数据集规模等。日内在线修正阶段，VPP根据配电网调度中心的调度需求情况决定是否对数据驱动模型参数进行更新。配电网调度中心可提前一个时段告知是否有调度需求，如k1时段需调用数据驱动模型，则在k1-1时段向VPP发出调度邀约，VPP在k1时段，基于日前训练已确定的数据驱动模型结构及超参数并结合风光出力超短期预测数据，通过虚拟电厂与配电网交互物理模型生成增量样本作为新数据集，对模型参数进行训练更新，提升模型预测精度，以供配电网调度中心使用。若没有调度需求，则VPP不对模型参数进行更新。

进一步的，步骤3中，根据VPP的可调节能力，分析配电网下发新调度指令的可行域，即需知晓生成新调度指令的参考边界，进而获得数据集，具体为：

1)生成新调度指令的参考边界

配电网下发的日内新调度指令为[ts,tc,Δp

式中，ts

/>

式中，

式中，ts

2)模拟配电网下发的新调度指令

在获取调度指令的参考边界后，生成配电网可能下发的新调度指令，具体如下。

(1)调度指令均匀生成

根据设定训练集数目N

式中，b

式中，

(2)调度指令随机生成

由前文获悉的调度指令参考边界及其设定的测试集数目N

式中，U[ts

3)VPP响应调度指令并生成数据集

在获得式(14)和式(16)的调度指令后，根据权利要求2所述VPP是否响应配电网调度指令的判别方法，通过交互物理模型可求得调度指令的可行性和交互成本，如式(17)-(20)所示。式中，

综上可得模型训练所需数据集为

/>

式中，x

进一步的，步骤4中，对数据集进行预处理，具体为：

对于调度指令可行性模型：为消除数据集中量纲差异对模型训练的影响，需对数据集做归一化处理，将数据统一到[-1,1]之间，计算公式为

式中，x为未归一化原始数据，x

式中zeros(ts

进一步的，步骤5中，通过加权K最近邻(WKNN)算法建立调度指令可行性模型，具体为：

调度指令可行性的判别属于二分类问题，利用现有机器学习分类模型强大的分类能力可逼近VPP实际出力边界。WKNN是一种易于实现且十分有效的学习分类器，本发明应用WKNN构建调度指令可行性模型。对于WKNN的关键要素，采用欧式距离作为距离度量，以反距离平方作为距离权重，其中邻点个数r对模型的预测精度影响较大，为避免人工选择参数效率低，以模型预测精度为目标函数，采用粒子群算法(PSO)对其进行优化。同时考虑到训练集中调度指令可行的数量较多，使得训练样本不均衡，因此选择对样本不均衡不敏感的混淆矩阵中的AUC指标作为模型预测精度的评价标准。调度指令可行性模型训练过程如图4所示。

日前训练中，原始数据集经数据预处理后，首先通过粒子群算法对模型中邻点个数进行优化，接着对分类模型进行训练并测试，若分类模型预测精度不满足要求，则通过增大数据集规模重复上诉步骤，直到分类模型预测精度到达要求，由此可确定模型的邻点个数和所需数据集规模大小。在实时运行时，基于日前训练得到的模型结构和超参数，结合VPP实时运行状态以及超短期风光预测，通过交互物理模型生成增量样本作为新数据集，对分类模型参数进行训练更新。训练好的调度指令可行性模型记为

考虑到数据集中的调度指令是根据调度指令参考边界而生成的，在某些情况下参考边界上的指令依然可以得到满足，使得在这些情况下的数据集全部为可行数据集，则分类模型通过这些数据集训练后，能有效判别参考边界内部指令是否可行，却极大可能将参考边界外不可执行的指令判别为可行指令。针对该问题，将已获得的调度指令参考边界亦作为一种调度指令是否可行的判别模型，即参考边界外指令不可行，参考边界内指令可行，记为

然而

根据该模型，VPP可知晓模型f

进一步的，步骤6中，构建基于核极限学习机-高斯过程回归(KELM-GPR)的虚拟电厂交互成本模型，具体为：

交互成本模型旨在建立调度指令与交互成本之间复杂的非线性映射关系，属于回归模型。考虑到KELM和GPR强大的非线性拟合能力，同时KELM具有学习快速、良好的泛化性和无需设定隐藏层节点数等优点，而GPR对处理非线性、高维数等复杂问题具有良好的适应性，因此本发明采用KELM建立交互成本模型，为进一步减小模型预测误差，引入GPR作为误差补偿模型，提升交互成本模型预测精度。本发明采用典型的径向基函数、指数型协方差函数分别作为KELM和GPR的核函数，以平均绝对百分比误差(MAPE)、决定系数(R2)作为模型预测效果的评价指标。交互成本模型训练过程如图5所示。

日前训练中，原始数据集首先通过数据预处理，然后通过粒子群算法对KELM的正则化系数C、核函数的核参数σ进行优化，最后对交互成本模型进行训练并测试，若模型预测效果不满足要求，则增大数据集规模重复上诉步骤，直到模型预测效果达到要求。日内实时运行时，基于日前训练得到的模型结构和超参数，结合VPP实时运行状态以及超短期风光预测，通过交互物理模型生成增量样本作为新数据集，对交互成本模型参数进行训练更新。训练好的交互成本模型记为

在满足日前训练指标的前提下，虚拟电厂交互模型日内更新所需数据集规模取调度指令可行性模型和交互成本模型更新所需数据集规模的最大值。

实施例：

实例：建立如附图1所示的资源结构图的VPP为例，VPP日前典型日的风光出力预测和调度指令负荷曲线如图6所示，VPP内设备主要参数示于表A1，分时电价峰时段(11:00-15:00,18:00-21:00)为1390.8元/(MWh)，谷时段(00:00-07:00,23:00-24:00)为347.7元/(MWh)，平时段为869.25元/(MWh)，余电上网电价取200元/(MWh)。可削减负荷最大出力为日前调度指令负荷曲线的10％，调度单位时间间隔为15min。仿真环境为Matlab2021a，CPURyzen7 5800H，RAM16GB，交互物理模型采用cplex优化器求解。VPP日前调度计划如图7所示，调度成本为53007元，即为VPP在没有配电网下发新调度指令下的预调度计划及其调度成本。

表A1 VPP的运行参数

根据说明书中所述技术方案，日前以0:00-4:00为时间段获取数据集并对调度指令可行性模型和交互成本模型进行训练。数据集中训练集与测试集的样本数量按照4：1设置。调度指令可行性模型训练精度目标值为AUC＝0.99，交互成本模型训练目标为MAPE＝0.25％，R2＝0.99，实际应用中可根据需要进行调整。

1)调度指令可行性模型训练

采用WKNN对模型进行训练。其训练和测试结果如表1所示。其中训练时间不包含PSO优化模型参数耗时，表2同理。

表1基于WKNN的调度指令可行性模型训练和测试结果

由表1可知，AUC值随着样本数(数据集规模)逐步增大而提高，AUC值越高表明模型分类效果越好，当样本数为2500个时，模型AUC指标已达到训练目标设定值，训练时间不到3.6s。因此日内在线修正时，增量生成2500个样本作为新数据集对模型参数进行训练更新即可。

2)交互成本模型训练

采用KELM-GPR对交互成本模型进行训练，交互成本模型的训练和测试结果如表2所示。

表2基于KELM-GPR的交互成本模型训练和测试结果

由表2可知，随着样本数量的增加，模型的MAPE呈递减趋势，R2逐渐提高，表明模型的预测效果越来越好。当样本数为3000个时，模型的预测指标已达到训练目标设定值，训练时间仅为3.68s。因此日内在线修正时，采用C＝2.7、σ＝7762的KELM，结合GPR误差补偿模型，增量生成3000个样本作为新数据集对模型参数进行训练更新即可。

综上，数据驱动模型在线更新所需样本数应同时满足调度指令可行性模型和交互成本模型的需求，取值为3000。

3)模型测试

在VPP无配电网下发新调度指令的预调度计划基础上，模拟若干配电网下发的日内新调度指令，分别用训练好的虚拟电厂交互模型与说明书步骤1中的传统交互物理模型对其进行响应，响应结果如表3所示。

表3虚拟电厂交互模型测试结果

表3中，调度指令[1,4,-1.65]表示从0:00(一天共96个时段，0:00-0:15为第1个时段)起，持续4个时段(1h)，令VPP减少1.65MW出力，在该时段期间内，VPP可调度范围对应为表3中的[-0.255,1.956]，其余调度指令依次类推。由表3知，虚拟电厂交互模型具有和传统交互物理相同的交互特性，对单个调度指令的响应时间在毫秒级，大大优于后者，且相对于传统交互物理模型对VPP的可调度边界不易解析刻画，虚拟电厂交互模型可提供对应调度时段的可调度范围信息，从而更好的满足上级配电网调度的时效性。同时由于虚拟电厂交互模型是数据驱动模型，对外等效为“黑箱”，可保护VPP内部的信息安全，适合市场竞争环境下的建模需求。实际使用中，虚拟电厂交互模型更新过程中涉及的生成增量样本，通过并行计算获得，以减少模型更新时间。

本发明再一实施例中，提供一种虚拟电厂交互模型构建系统，能够用于实现上述的一种虚拟电厂交互模型构建方法，具体的，该一种虚拟电厂交互模型构建系统包括：

交互物理模型构建模块，用于建立虚拟电厂与配电网的交互物理模型，虚拟电厂根据剩余可调节能力判别是否响应配电网下发的日内新调度指令；

数据获取模块，用于通过均匀生成调度指令获取训练集和随机生成调度指令得到测试集；

数据处理模块，用于对数据集进行归一化处理，对归一化处理后的数据集，建立调度指令可行性模型；

交互成本模型构建模块，用于基于调度指令可行性模型构建基于核极限学习机-高斯过程回归KELM-GPR的虚拟电厂交互成本模型。

本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种虚拟电厂交互模型构建方法的操作。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关一种虚拟电厂交互模型构建方法的相应步骤。

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。

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。

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。

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。