摘要
建设新型电力系统需适应大规模、高比例新能源接入，对系统运行灵活性提出更高要求，亟待发掘闲散灵活性资源并进行有效调控。虚拟电厂作为分散资源的高效聚合方式，可为新型电力系统安全运行提供调峰、备用、调频等多种灵活性服务，而如何建设虚拟电厂以充分释放海量分布式资源的可调潜力，是其中关键的技术难点。文中聚焦于虚拟电厂中灵活资源的运行特性、动态构建与可信量化这一关键问题，对虚拟电厂的外特性建模、资源优化组合、服务能力的可信量化等问题进行了详细综述。首先，总结了虚拟电厂灵活资源运行特性对其外特性的差异化支撑能力，并提出了通用的规范化描述方法；然后，立足物理-信息-社会耦合视角，分别分析了虚拟电厂动态构建与可信量化的关键问题及核心技术，并从个体资源和资源集群两个维度分析了不同视角下的耦合关系及关键技术的支撑逻辑；最后，归纳总结了文中主要贡献与虚拟电厂服务新型电力系统的展望与挑战。
“双碳”目标下，需要大规模提升电力系统新能源消纳能力，建成以新能源为主体的新型电力系统。面对高比例可再生能源，新型电力系统将呈现出电力电量平衡概率化、运行方式多样化、电网潮流双向化、稳定机理复杂化、灵活资源稀缺化以及源荷界限模糊化（简称“六化”）的基本特
与传统发电机组相比，虚拟电
虚拟电厂作为商业实体而非分散资源的实际所有者，相关技术挑战应从物理-信息-社会多个角度加以描述。首先，在物理层面，需要厘清设备的运行机理及网络的分层分区特性，考虑到多类异质分布式资源运行特征差异大、预测难，且海量资源的行为模式同时存在规律性和随机性，需要对其进行分解；而分布式资源配置在不同层级的中低压电网中，不同资源对象因线路容量和电压等级等限制对系统其他潮流节点的负荷转移因子可能接近零，调节能力可能随电网层级显著变化。在信息层面，分散泛在的分布式资源信息采集困难、数据种类繁杂而存储量巨大，信息无法在有限的基础通信设施中确保上下行数据的及时性和可靠性，对实际的响应能力、动态性能造成负面影响。在社会层面，在与资源的互动中需要考虑激励的有效性，下层分布式资源隶属于不同利益主体，行为受个体有限理性约束，需要考虑个体决策的随机性和策略性行为；在与上层的电网活动中，需要考虑多层级代理关系与多市场需求。例如，虚拟电厂面向不同物理区域的调峰、调频、惯性支撑等多市场需求，其响应能力量化指标会发生变化。此外，还要分析不同层面的关联关系，从耦合的视角去突破虚拟电厂的时变可行域辨识与外特性动态可信表征。
目前，国内外学者已经围绕虚拟电厂构建与响应能力评估等相关问题形成了一系列技术成果。文献［
综上，本文聚焦虚拟电厂动态构建与可信量化的理论范式，首先，分析了虚拟电厂灵活资源的运行特性及解析方法，实现不同类型分布式资源的定性分类；其次，论述了虚拟电厂聚合分布式资源多视角下的技术难点，并提出动态构建的关键支撑技术，实现虚拟电厂分布式资源的优化组合；随后，针对虚拟电厂服务能力的量化需求，分析了不同视角下的关键影响因素及其核心关键技术，从而在虚拟电厂的动态构建基础上实现精准量化；此外，本文讨论了虚拟电厂物理-信息-社会不同视角的耦合互动关系；最后，总结了本文的主要贡献，并展望了虚拟电厂服务新型电力系统的关键技术挑战。
分布式资源具有可调、可控、难观、难测的特点，类型多元且调节特性迥异。常见的分布式资源按照静态功率特性分类，可分为源（发出电力）、荷（消耗电力）、储（存储电力）3类。同一类资源的功率外特性可由其时间序列进行描述。例如，从历史出力数据出发，分布式光伏与分布式风电均具有规律性和间歇波动特性，其中的规律性表征了设备因为环境条件（如光照、风速）等变化而变化的运行机理，可通过数据驱动的方法对其功率时序特征进行预
除此之外，也需要通过解析的方法对其功率特性的限制进行表征。对于电源，如分布式水电、分布式三联供机组等，其外特性的功率维持时间受到其存储能量的限制，其功率爬坡速度受到其物理设备的限制，需要将物理机理也纳入运行特性的参数化解析
在资源特性刻画技术方面，针对分布式发电，可采用预测模型进行出力特性的刻画，同时，基于设备参数给出爬坡、响应时间等特性描
虚拟电厂的构建触发来自电力系统的调控需求，但调控需求的动态变化是由运行环境动态、市场运营动态、信息网络动态3个维度耦合驱动的。
图1 虚拟电厂动态构建的驱动关系
Fig.1 Driving relationship of dynamic construction for virtual power plant
图2 虚拟电厂动态构建的触发时序
Fig.2 Trigger timing of dynamic construction for virtual power plant
系统运行的动态是基于能量流的状态感知与评估。在资源个体方面，分布式设备在外部条件和内生需求的刺激下，发生行为模式的迁移或者变化，如温度刺激下的空调启动、电动汽车使用时的离桩行为等，这将引起系统供需情况的时空变化，从而激发电力系统的区域调控需求；在资源集群方面，动态构建还需考虑电力网络本身的物理运行限制，包括接入电网的电压等级以及线路、变压器等的功率容量限制，虚拟电厂组合范围应确保资源调节在某一电压等级网络是有效的，并且调控前后配电网的线路容量和变压器容量限制应得到满足。需要说明的是，线路与变压器的容量限制也会随着需求的变化而变化，在考虑线路和变压器老化成本的情况下实现其运行容量动态调整，以确保虚拟电厂构建范围的可行
信息网络的动态主要表现在资源数据接入和上下行传输两个阶段。在资源数据的接入阶段，多址接入方式的性能表现因通信环境差异而不同，通信环境又因海量智能终端的接入方式决策而时变。因此，如何感知通信承载环境并优化接入方式成为虚拟电厂感知资源的前
交易互动对虚拟电厂动态构建的影响主要表现在运营决策变化和策略行为两个方面。虚拟电厂与用户资源的管控方式可分为直控型和代理型，其中代理型也可分为两种：一种是直接委托代理，一种是间接代理（即通过其他聚合商代理后加入虚拟电厂运营）。虚拟电厂的资源优化组合需要考虑多层次代理模式的分层影响，而用户资源的代理决策又因商业模式变化而变化，故需要动态调整代理关系信息。而交易策略对动态构建的影响是，分布式设备在经济激励的刺激下，主动改变自身的运行策略，如在价格激励下改变功率输送方向、用电量和用电时
围绕不同系统调控需求下，虚拟电厂如何组织分布式资源实现优化组合这一关键难点，本节给出了4项核心技术，具体如
图3 虚拟电厂动态构建的关键技术
Fig.3 Key technologies in dynamic construction for virtual power plant
站在虚拟电厂角度，为了强化虚拟电厂与传统机组的特性对标、同台竞争，需要对虚拟电厂动态性能进行规范化的描述。通过统一的外特性刻画，允许调度机构将虚拟电厂统一纳入电力电量平衡的调控体系，以更好地发挥其作用。站在系统运行角度，虚拟电厂外特性刻画的准确程度影响着调度出清结果的有效性和经济性。例如，当刻画区域小于实际可调区域时，可能会使得系统运行于次优解；而当刻画区域大于实际运行可行域时，系统调度可能会出现实际不可行的情况。当前，由于缺乏规范化的性能评价方法来评估虚拟电厂动态构建的准确性，难以支撑虚拟电厂在新型电力系统中的责任分摊与价值认定。
虚拟电厂的可行域是多维的，其外特性是海量分布式资源运行特性的动态包络，不同资源对象因物理属性差异对虚拟电厂外特性的支撑作用也不相同，不同资源对象的物理运行特性通过参数化表征为可量化计算的物理量，这些物理变量协同支撑了虚拟电厂的运行外特性。例如，商业楼宇的可中断负荷容量参数为虚拟电厂的上调能力提供了支撑。因此，需要分析分布式资源解析参数与虚拟电厂响应特征的对应关系，梳理虚拟电厂参与不同业务场景的性能需求。原则上，虚拟电厂的外特性（即虚拟电厂服务能力）可以大致表征为以下7个维度，即调节曲线、最大上调能力、最大下调能力、调节速率、调节精度、响应持续时间、响应时延，具体如
图4 分布式资源的参数化解析及虚拟电厂通用规范化描述
Fig.4 Parametric analysis of distributed energy resources and general standardized description of virtual power plant
灵活资源参数在线动态辨识是虚拟电厂构建的基础，而动态组合优化则是构建的手
物理层面的资源动态组合需要考虑分布式资源所接入的不同电压等级，在考虑电网线路潮流和变压器容量限制的基础上，再根据负荷潮流转移因子进行分区，从而实现对于不同分布式资源的分层分区，明确灵活资源在虚拟电厂中的“层-区”关联。在此基础上，针对不同响应类型的用户分别进行响应特征的辨识和标签化：
1）对于委托控制型用户资源，从分布式资源的实际物理过程出发，结合发用能行为的时序约束、运行条件、刚性约束，计算其在秒级、分钟级、小时级不同时序上提供调频、爬坡、备用、调峰等服务的能力。
2）对于自动响应型用户资源，量化评估考虑主观性影响的资源响应基线值标准，采用过滤式选择等特征提取技术，以实现不同外部因素下分布式资源响应容量和特征的动态标签化。
3）对于独立决策型用户资源，基于专家轨迹最大熵原则，分析资源用户的行为轨迹和影响因素。虚拟电厂针对多独立决策型资源场景，构建多强化学习代理主体的市场均衡模
最后，通过以上标签化过程，不同资源对象所在控制层级及响应容量、响应概率等特性得以刻画，在系统发布特定调控需求时，虚拟电厂基于多维空间的时变可行域投影交集，形成满足不同业务响应要求的资源队列组合优化。
在物理可行域中，分布式资源依托庞大的异构通信网络完成高频信息采集与知识生成。然而，受通信节点数量、数据清洗能力、通信可靠水平和安全防护约束等限制，资源对象的复杂接入环境对虚拟电厂的动态响应性能和资源组合优化具有重要影响。因此，需要研究分布式资源物理-信息耦合运行方法，分析资源多维信息与响应性能的关联关系，评估资源数据的通信时延对其虚拟电厂外特性的影响，从而优化资源组合。
一方面，是在现有基础通信设施下的资源量化，在分布式资源物理参数解析和特性提取的基础上，基于态势感知技术，辨识不同设备数据接入和传输时延，从而形成不同时序下虚拟电厂响应容量的修正。另一方面，则涉及5G通信网络拓展下的资源量
虚拟电厂不拥有分布式资源的实际所有权，其只能通过多样化的商业模式对资源进行激励，从而实现动态构建。因此，需要从经济学、社会学的角度对用户响应决策的影响进行分析。分布式资源的消费形式和分布式资源用户的消费行为成为商业模式设计的关键因素。目前，虚拟电厂主要采用的互动模式是动态激
需要引入非侵入式的辨识技术，基于发用资源的电表数据进行曲线分
虚拟电厂动态构建的目标是，在考虑信息-物理耦合可行域的基础上，辨识市场运营和商业模式对分布式资源用户的参与决策影响，从而实现符合不同系统调控需求的资源组合。然而，如何定量刻画虚拟电厂的外特性仍需从物理-信息-社会耦合视角进行分析、评估与量化，生成描述虚拟电厂响应能力的物理参数值，从而形成虚拟电厂响应电力系统调控和市场交易结果的性能边界。
一方面，在电力系统配电网监测终端不足的情况下，需要研究配电网潮流的辨识与监测技术，强化分布式资源集群的物理边界和潮流贡献，保证量化对象的有效
需要充分考虑信息“感、传、算、用”等实际环节对于虚拟电厂决策、运行的影响。在感知、传输层，需要研究通信网络环境辨识技术，实时优化传输间隔、多址接入、带宽分配等环节，保证数据传输的可靠性和时效性；在应用层，有限的通信基础设施决定了虚拟电厂与交易、调度等多平台的数据流通存在局限性，需要考虑不同业务场景下数据的差异化价值，动态开拓低时延传输路径，确保集群联盟的稳定响应特性。此外，虚拟电厂逐步在调频、备用、爬坡等多市场交易品种中获得主体地位，这些快速响应的业务需求驱动虚拟电厂运营商主动降低通信时延对其响应性能的影响。
灵活资源虚拟电厂作为市场主体参与交易，需要承担履约责任和考核义务。响应能力的可信量化对于虚拟电厂自身来说，有利于其检验核准自身在电力市场中的投标准确性和市场竞争力，从而有效规避因响应能力不达标或有损的情况下的市场运营风险。单个资源的合理利用是系统优化运行的基础。虚拟电厂作为新型市场主体，可以聚合参与不同时间尺度的能量市场，也可以参与辅助服务市场提供调峰、调频、调压、需求响应等服务。然而，分布式资源容量有限，面向多元的市场交易品种，如何科学、有效、经济地分配可调容量是虚拟电厂资源组合优化和经济性提升的重要难题。若通过准入机制对用户资源参与的市场品种进行限制，则会降低用户参与的积极性。若将容量分配责任赋予用户，则用户会因为缺乏市场认知而降低感知易用性。因此，灵活资源虚拟电厂可基于不同资源对象、不同市场环境下的用户资源历史运行数据，引入机理数据融合方法，解构不同资源对象的运行容量与市场收益的映射关系和决策过程，从而智能辨识资源在多元市场交易品种下的容量决策和分配策
围绕动态组建的虚拟电厂聚合分布式资源服务能力量化分析这一关键难点，本节给出了4项核心技术，具体如
图5 虚拟电厂可信量化的关键技术
Fig.5 Key technologies in trustworthy quantification of virtual power plant
针对分布式发电，通过引入鲁棒理论刻画发用能行为的可信区
考虑硬件在环的因素，充分考虑量测、通信等环节在虚拟电厂中所扮演的角色，实现虚拟电厂物理-信息协同优化。该技术需评估时效性、可靠性、连接度等通信指标对于虚拟电厂业务的运行价值，并实现基于此价值的通信优化，形成通信系统为虚拟电厂服务的基本框架。例如，通过设备多址接入优化，权衡不同设备接入对可靠性造成的经济性影响，形成最优接入方案。对于时延要求高的业务场景，如调频、惯性支撑、紧急控制等，实现不同可靠程度和不同时延下虚拟电厂可信调节容量评估，基于评估结果对通信系统有利于新型通信技术（如5G切片）等进行性能改进，在保证虚拟电厂自身收益的同时提升虚拟电厂调节的可信度。
考虑人在环路的因素，实现个体行为动态特性辨识技术。该技术需实现面向不同类型用户主体的行为逻辑解析，采用数据机理融合的方法理解并解释不同类型资源对象的行为特征与有限理性的决策行为，分解出用户的策略性行为、随机性行为等，并能够采用统一框架进行定量描述，解构出对资源对象行为模式有显著影响的相关要素，对资源对象的行为决策偏好进行参数化、解析化表达，形成虚拟电厂用户主体行为特征知识图谱，用于虚拟电厂社会侧因素的分析。除此之外，为了更好地利用交易信息和运行状态进行消费行为逻辑的挖掘，可以引入逆强化学习，逆向解析用户的策略行为，去辨识资源用户决策的过程和目
1）解析-几何等值法。对每一个可调资源的可行域特征进行描述，并辨识出相关的调节特性参数，即调节曲线、最大上调能力、最大下调能力、调节速率、调节精度、响应持续时间、响应时延，形成标准化、类型化的单位可行域，再通过几何加和的方式对所有设备的可行域进行加总，形成总可行域。此种方法具有可解释性强的特征，但需规定标准化的可行域几何形状以及相关参数表征，忽略了分布式设备之间的差异细节，并且当设备数量过多时，存在烦琐、复杂的难题。
2）高拓展性的调控组织法。通过试探的方法不断搜寻系统的运行边界点，如某个运行点可行则加入可行域，不可行则缩小搜索范围，直到找到足够多的临界边界点，形成最终运行边界。此种方法直接明了，但缺乏可解释性，且计算速度不可控，同时也存在疏漏边界的可能。
3）机理-数据融合等值计算。通过数据机理融合，可引入分时段的马尔可夫特性刻画技术，辨识用户资源的行为子模式，在数据驱动的基础上考虑用户设备运行的物理约束，以增加数据驱动模型的可解释性。例如，对于工业负荷识别，可着重考虑其设备的物理运行的工序流程。一方面，有利于用户用能信息的分解存储和高效降维；另一方面，可以通过用户资源不同行为模式切换路径的概率表征，指导资源按照动态特性进行集群分类和响应能力估算。
物理-信息-社会并非3个割裂的独立视角，而是相互依赖、相互影响的。下文将从虚拟电厂中资源的个体行为和集群行为角度详述物理-信息-社会多视角耦合所产生的研究问题，如
图6 虚拟电厂物理-信息-社会耦合关系
Fig.6 Coupling relationship of physics-cyber-society of virtual power plant
在个体行为方面，物理特性的解析需要资源运行数据的支持，终端信息采集、处理和传送能力的可靠程度影响到个体资源响应的可信度。因此，物理性能上响应能力的量化分析需要将资源终端的通信感知与决策能力纳入考量。同样，用户资源的信息获取为确定资源状态和偏好设置提供了认知边界，越来越多的用户将依靠智能管控终端实现局域能量管理，利用边缘智能代行决策，故用户的决策和其信息设备强耦合，影响了资源的响应能力。同时，即使不依赖于信息终端，用户所获取的各种信息（如天气预报信息、电价推销信息等）也将影响用户决策的理性边界，从而改变用户的策略行为和随机行为，这也反向影响到资源个体的行为模式。因此，资源个体行为的精细刻画需要在物理-信息-社会多视角下的局部耦合优化。
在集群性能方面，聚合的总物理特性作为个体设备物理特性的加总，需要整合终端设备所提供的物理信息，若终端设备提供信息不同步或丢失，会造成最终总物理特性的偏移；虚拟电厂为了更好地协同个体资源，需要辨识用户偏好和决策，可能会与用户进行多步谈判与协商。因此，需要处理高频并发的用户诉求和交流信息，而信息传送的及时性、可靠性会对交易结果和运行方案等产生影响；系统控制与市场运行的边界愈加模糊，协商的价格成为迭代的控制信号，频繁地在虚拟电厂和资源之间传递。在不合理的用户策略或在不可靠、不及时的信息传输下，可以预见，市场价格、供需关系会像控制系统的响应特性一样，出现频繁波动甚至不稳定、不收敛的情况，造成量-价关系的大规模变化，对系统稳定运行造成压力。
本文围绕动态构建与可信量化问题，分别总结提炼了4项关键技术，各项关键技术之间通过能量流、信息流与价值流形成关联关系，彼此支撑、相互影响，如
图7 虚拟电厂关键技术支撑关系
Fig.7 Supporting relationship of key technologies for virtual power plant
首先，虚拟电厂的通用规范化描述明确了虚拟电厂的外特性形态，为虚拟电厂的等值量化技术提供了量化指标，反之则为虚拟电厂外特性的刻画提供了量化结果；其次，不同资源对象标签化的有效程度依赖于资源动态特性的准确性表征，而基于配电网潮流辨识的资源分层分区与不确定性的刻画技术为其标签化提供了分类依据；再次，物理-信息的耦合运行考虑了虚拟电厂动态构建过程中的资源组合间信息传输的有效性，而信息传输的可靠性和时效性对虚拟电厂不同时序下的响应容量具有重要影响，需要硬件在环的性能评估来进行量化；最后，考虑人为因素的商业模式设计是激励用户资源响应虚拟电厂调控的重要环节，而如何面向不同类型的发用能主体开发有效的商业互动模型，需要基于用户行为逻辑解析，为虚拟电厂运营商提供用户的决策偏好与影响因素。同时，在不同市场环境下基于用户在环的行为模式提取与行为轨迹辨识，则成为虚拟电厂响应能力量化分析的重要信息。
综上所述，虚拟电厂的动态构建与可信量化分别基于能量流、信息流与价值流形成关联互动，关键技术间彼此牵制、形成约束，形成虚拟电厂动态构建与可信量化理论中的关键技术体系。
本文从分布式资源与电力系统的互动机理出发，讨论了虚拟电厂动态构建与可信量化的理论框架与关键技术，梳理了分布式资源物理特性与虚拟电厂外特性的对应关系，提出了虚拟电厂的通用规范化描述方法。立足于物理-信息-社会耦合视角，分别分析了系统运行状态、信息承载支撑、交易互动关系对虚拟电厂动态构建的影响，并提出虚拟电厂资源优化组合的关键支撑技术。此外，分析了自然分区与行为随机、环境感知与动态路径、多元服务与有限理性对虚拟电厂可信量化的影响，并讨论了突破多重不确定性在虚拟电厂服务量化的核心技术内容。结合上述分析，给出了虚拟电厂资源-集群不同层次的多视角耦合关联关系和关键技术间的支撑逻辑。
此外，结合新型电力系统中系统调控复杂化、通信网络异构化以及市场环境多元化的发展趋势，虚拟电厂仍面临诸多挑战，还应深入考虑高度异构网络下的知识生成、多元业务场景下的信息网络管控，以及复杂调控方式下的协同运行策略和开放共享市场下的形态演进等方面的影响，从而完善虚拟电厂服务新型电力系统的可持续能力。
参 考 文 献
康重庆，姚良忠.高比例可再生能源电力系统的关键科学问题与理论研究框架［J］.电力系统自动化，2017，41（9）：2-11. [百度学术]
KANG Chongqing， YAO Liangzhong. Key scientific issues and theoretical research framework for power systems with high proportion of renewable energy［J］. Automation of Electric Power Systems， 2017， 41（9）： 2-11. [百度学术]
鲁宗相，李海波，乔颖.高比例可再生能源并网的电力系统灵活性评价与平衡机理［J］.中国电机工程学报，2017，37（1）：9-20. [百度学术]
LU Zongxiang， LI Haibo， QIAO Ying. Flexibility evaluation and supply/demand balance principle of power system with high-penetration renewable electricity［J］. Proceedings of the CSEE， 2017， 37（1）： 9-20. [百度学术]
国家能源局.“十四五”现代能源体系规划［EB/OL］.［2022-04-15］.https：//www.ndrc.gov.cn/xxgk/zcfb/ghwb/202203/t20220322_1320016.html. [百度学术]
National Energy Administration. The “14th Five-Year Plan” of modern energy system ［EB/OL］. ［2022-04-15］. https：//www.ndrc.gov.cn/xxgk/zcfb/ghwb/202203/t20220322_1320016.html. [百度学术]
WANG S Y， WU W C. Stochastic flexibility evaluation for virtual power plant by aggregating distributed energy resources［J/OL］. Probability Theory［2022-04-15］. https：//doi.org/10.485 50/arXiv.2006.16170. [百度学术]
HUANG S， YE Y Y， WU D， et al. An assessment of power flexibility from commercial building cooling systems in the United States［J］. Energy， 2021， 221： 119571. [百度学术]
QI N， CHENG L， XU H L， et al. Smart meter data-driven evaluation of operational demand response potential of residential air conditioning loads［J］. Applied Energy， 2020， 279： 115708. [百度学术]
赵本源，熊岑，张沛超，等.信息物理融合的负荷型虚拟电厂聚合方法［J］.电力需求侧管理，2020，22（1）：15-20. [百度学术]
ZHAO Benyuan， XIONG Cen， ZHANG Peichao， et al. Aggregation method of load virtual power plant based on cyber-physical system［J］. Power Demand Side Management， 2020， 22（1）： 15-20. [百度学术]
FANG F， YU S Y， XIN X L. Data-driven-based stochastic robust optimization for a virtual power plant with multiple uncertainties［J］. IEEE Transactions on Power Systems， 2022， 37（1）： 456-466. [百度学术]
RAHIMI M， ARDAKANI F J， ARDAKANI A J. Optimal stochastic scheduling of electrical and thermal renewable and non-renewable resources in virtual power plant［J］. International Journal of Electrical Power & Energy Systems， 2021， 127： 106658. [百度学术]
VAHEDIPOUR-DAHRAIE M， RASHIDIZADEH-KERMANI H， SHAFIE-KHAH M， et al. Risk-averse optimal energy and reserve scheduling for virtual power plants incorporating demand response programs［J］. IEEE Transactions on Smart Grid， 2021， 12（2）： 1405-1415. [百度学术]
YANG X L， NIU D X， SUN L J， et al. Participation of electric vehicles in auxiliary service market to promote renewable energy power consumption： case study on deep peak load regulation of auxiliary thermal power by electric vehicles［J］. Energy Science & Engineering， 2021， 9（9）： 1465-1476. [百度学术]
PAL P， PARVATHY A K， DEVABALAJI K R， et al. IoT-based real time energy management of virtual power plant using PLC for transactive energy framework［J］. IEEE Access， 2021， 9： 97643-97660. [百度学术]
屈尹鹏，孙元章，徐箭，等.基于解析灵敏度的不平衡配电系统分布式发电出力优化［J］.电力系统自动化，2021，45（19）：117-125. [百度学术]
QU Yinpeng， SUN Yuanzhang， XU Jian， et al. Optimization of distributed generation output in unbalanced distribution system based on analytical sensitivity［J］. Automation of Electric Power Systems， 2021， 45（19）： 117-125. [百度学术]
GU Y X， WANG J X， CHEN Y B， et al. A simplified electro-chemical lithium-ion battery model applicable for in-situ monitoring and online controlling［J/OL］. Electrical Engineering and Systems Science［2021-11-05］. https：//doi.org/10.48550/arXiv.2111.03288. [百度学术]
李翔宇，赵冬梅.计及可调资源动态特性的虚拟电厂多级优化配置［J］.电力系统自动化，2020，44（13）：17-24. [百度学术]
LI Xiangyu， ZHAO Dongmei. Multi-level optimal configuration of virtual power plant considering dynamic characteristics of adjustable resources［J］. Automation of Electric Power Systems， 2020， 44（13）： 17-24. [百度学术]
唐庆虎，张银，钱瞳.考虑配电网络重构和楼宇群主动需求响应的集成楼宇群配电网优化控制［J/OL］.中国电机工程学报［2022-04-13］.https：//kns.cnki.net/kcms/detail/11.2107.tm.20220411.1720.002.html. [百度学术]
TANG Qinghu， ZHANG Yin， QIAN Tong. Optimal control of buildings-to-distribution-network integration system considering reconfiguration of distribution network and active demand response of buildings［J/OL］. Proceedings of the CSEE［2022-04-13］. https：//kns.cnki.net/kcms/detail/11.2107.tm.20220411.1720.002.html. [百度学术]
FENG C， WANG Y， WANG X Y， et al. Device access optimization for virtual power plants in heterogeneous networks［J］. IEEE Transactions on Smart Grid， 2022， 13（2）： 1478-1489. [百度学术]
邱兰馨，王彦波，卢杉，等.基于5G电力虚拟专网的秒级可中断负荷快速响应系统［J］.电力信息与通信技术，2021，19（9）：51-56. [百度学术]
QIU Lanxin， WANG Yanbo， LU Shan， et al. A second-level interruptible load fast response system based on 5G power virtual private network［J］. Electric Power Information and Communication Technology， 2021， 19（9）： 51-56. [百度学术]
KONG X Y， KONG D Q， YAO J T， et al. Online pricing of demand response based on long short-term memory and reinforcement learning［J］. Applied Energy， 2020， 271： 114945. [百度学术]
云秋晨，田立亭，齐宁，等.基于投资组合理论的虚拟电厂资源优化组合方法［J］.电力系统自动化，2022，46（1）：146-154. [百度学术]
YUN Qiuchen， TIAN Liting， QI Ning， et al. Optimization method of resource combination for virtual power plant based on modern portfolio theory［J］. Automation of Electric Power Systems， 2022， 46（1）： 146-154. [百度学术]
高宇，李昀，曹蓉蓉，等.基于多代理Double DQN算法模拟发电侧竞价行为［J］.电网技术，2020，44（11）：4175-4183. [百度学术]
GAO Yu， LI Yun， CAO Rongrong， et al. Simulation of generators’ bidding behavior based on multi-agent Double DQN［J］. Power System Technology， 2020， 44（11）： 4175-4183. [百度学术]
王毅，陈启鑫，张宁，等.5G通信与泛在电力物联网的融合：应用分析与研究展望［J］.电网技术，2019，43（5）：1575-1585. [百度学术]
WANG Yi， CHEN Qixin， ZHANG Ning， et al. Fusion of the 5G communication and the ubiquitous electric Internet of Things： application analysis and research prospects［J］. Power System Technology， 2019， 43（5）： 1575-1585. [百度学术]
WANG J X， ZHONG H W， QIN J J， et al. Incentive mechanism for sharing distributed energy resources［J］. Journal of Modern Power Systems and Clean Energy， 2019， 7（4）： 837-850. [百度学术]
武昕，严萌，郭一凡，等.基于结构化特征图谱的组合支持向量机非侵入式负荷辨识［J］.电力系统自动化，2022，46（12）：210-219. [百度学术]
WU Xin， YAN Meng， GUO Yifan， et al. Non-intrusive load identification by combined support vector machine based on structured characteristic spectrum［J］. Automation of Electric Power Systems， 2022， 46（12）： 210-219. [百度学术]
盛裕杰，郭庆来，刘梦洁，等.多源数据融合的用户充电行为分析与充电设施规划实践［J］.电力系统自动化，2022，46（12）：151-162. [百度学术]
SHENG Yujie， GUO Qinglai， LIU Mengjie， et al. User charging behavior analysis and charging facility planning practice based on multi-source data fusion［J］. Automation of Electric Power Systems， 2022， 46（12）： 151-162. [百度学术]
YOUSEFI S， MOGHADDAM M P， MAJD V J. Optimal real time pricing in an agent-based retail market using a comprehensive demand response model［J］. Energy， 2011， 36（9）： 5716-5727. [百度学术]
GUO H Y， CHEN Q X， GU Y X， et al. A data-driven pattern extraction method for analyzing bidding behaviors in power markets［J］. IEEE Transactions on Smart Grid， 2020， 11（4）： 3509-3521. [百度学术]
胡帅，向月，刘俊勇，等.基于参数化隶属度匹配函数的含分布式发电配电网模糊潮流计算［J］.中国电机工程学报，2019，39（18）：5370-5379. [百度学术]
HU Shuai， XIANG Yue， LIU Junyong， et al. Fuzzy power flow calculation in distribution networks with distributed generation based on parameterized membership matching function［J］. Proceedings of the CSEE， 2019， 39（18）： 5370-5379. [百度学术]
方晓涛，严正，王晗，等.考虑源-荷随机-模糊特征的配电网潮流不确定性量化方法［J/OL］.中国电机工程学报［2022-04-27］.http：//kns.cnki.net/kcms/detail/11.2107.TM.20220118.1409.012.html. [百度学术]
FANG Xiaotao， YAN Zheng， WANG Han， et al. Quantification method of distribution network power flow uncertainty considering random-fuzzy characteristics of source and load［J/OL］. Proceedings of the CSEE［2022-04-27］. http：//kns.cnki.net/kcms/detail/11.2107.TM.20220118.1409.012.html. [百度学术]
TANG Q H， GUO H Y， CHEN Q X. Multi-market bidding behavior analysis of energy storage system based on inverse reinforcement learning［J］. IEEE Transactions on Power Systems， 2022， 99： 0518. [百度学术]
凌万水，刘刚.基于鲁棒优化的主动配电网分布式电源优化配置方法［J］.电力系统保护与控制，2020，48（15）：141-148. [百度学术]
LING Wanshui， LIU Gang. Distributed generation optimal configuration method for active distribution networks based on robust optimization［J］. Power System Protection and Control， 2020， 48（15）： 141-148. [百度学术]
GUO H Y， CHEN Q X， XIA Q， et al. Deep inverse reinforcement learning for objective function identification in bidding models［J］. IEEE Transactions on Power Systems， 2021， 36（6）： 5684-5696. [百度学术]
