虛擬電廠自組織聚合運行調度方法

2021-04-09 06:14:28王芬李志勇邵潔周歡范帥何光宇

電力建設 2021年4期

王芬，李志勇，邵潔，周歡，范帥，何光宇

(1. 電力傳輸與功率變換教育部重點實驗室(上海交通大學)，上海市 200240；2. 海南省電力學校，海口市 571100)

0 引言

虛擬電廠(virtual power plant，VPP)將一定區域內分布式發電機組、可控負荷以及分布式儲能設施、電動汽車等進行聚合，作為一個特殊的電廠參與電力市場和電網的運行，為電網調控提供了一種有效的手段[1]。作為泛在電力物聯網建設的重要內容，國家電網公司已率先在冀北、上海等地開展了若干虛擬電廠示范項目。

目前國內外關于VPP的研究主要圍繞VPP經濟調度、協調運行以及容量優化配置等方面展開。在協調調度方面，文獻[2]討論了海上風場與小型靈活核電站組成的VPP的協調調度問題，研究了VPP追隨負荷曲線時各電源的出力情況。文獻[3-5]研究了計及風電、光伏和儲能系統的VPP的協調調度問題，表明多種能源的協調出力，能夠有效增強系統調節能力，從而獲取更高的經濟效益。文獻[6]以分布式風力發電與電動汽車形成VPP，分析了有無電動汽車參與時，虛擬電廠的效益表現。文獻[7-10]考慮多種能源之間的互補特性，建立了需求響應互動優化模型以實現VPP內部的協調互動。文獻[11]基于多代理結構形式建立了VPP內部分布式能源(distributed energy resources，DER)的均衡調度模型，利用模仿者動態算法處理VPP內部調度資源分配問題，提出了多方共贏的調度策略。

在容量優化配置方面，文獻[12]以某風-光-水分布式發電示范工程為例，將可再生能源出力隨機性映射到投資組合模型中的價格隨機性，建立了考慮可再生能源發電不確定性的容量配置模型。文獻[13]基于投資組合理論，建立了一種計及風險度量的VPP容量優化配置模型。文獻[14]提出了“靈活性可調資源-聚合調節特性-優化目標建模”的VPP多級優化配置體系，建立了包含VPP建設、運維、電力市場獲利在內的凈現值模型，以獲得VPP優化配置。但以上方法優化配置模型所得的VPP均為靜態的，隨著可再生能源、分布式儲能、可控負荷數量的日益增多，系統的可擴展性受到了限制。

VPP的優化配置、協調調度均有賴于不同DER資源的互補特性。受用戶用電習慣、負荷變化規律以及可調資源能力等方面限制，單一DER直接參與調度難免出現一定的偏差和風險，因此DER之間聯合運行成為更加合理的選擇，已有諸多文獻參與研究。文獻[15]研究了分布式電采暖負荷的協同優化運行策略。而事實上，不同DER之間的互補效益不同，聯合運行相對單獨運行并非一定能讓DER的運行效益得到提升。另一方面，隨著新能源數量的日益增多，若將所有DER形成集合整體進行優化調控，將涉及到多方信息上報、收集、處理等問題，集中式調度還存在全局最優值求解困難的問題。除此之外，由于各DER分屬不同的利益主體，將所有個體捆綁成一個整體，甚至可能對某些主體的經濟效益產生損害，因此難以調動各利益主體的參與積極性。多DER的聯合屬于DER的自主行為，即如何尋找合適的合作伙伴并協作這一過程是DER依據自身特性開展的。而現有文獻中涉及的聯合行為，在容量配置問題里，最終產出為靜態結構，難以發揮系統靈活性；而在調度問題中則作為支撐背景，一般缺少詳細描述。

針對上述所提多DER聯合所存在的問題，本文提出一種VPP自組織聚合運行調度方法，通過DER間自發聚合形成動態VPP的行為提升負荷跟蹤水平，以分散集中式調度中的計算壓力，同時減小調度過程中的調控量，增強DER個體的適應能力。以聚合后相關指標的量化評估結果為依據，作為DER之間“聚合”和“分裂”的判定條件，從而促進各類分布式能源以與負荷更一致的出力特性參與調度，促進聯合出力以較小代價向理想出力逼近。

1 負荷跟蹤模型

本文所研究的DER泛指一切需求側的分布式電源及可控負荷，是對DER為電力系統提供服務的統一描述，重點關注其靈活性的聚合過程，而未考慮具體的個體運行特性及其對聚合效果的影響，面向DER個體研究其靈活性的建模方式將作為后續重要的研究方向。

考察某網絡節點中，在電網給定負荷曲線情況下DER進行負荷跟蹤的優化調控策略，曲線跟蹤的應用場景對于提升新能源消納水平、提升系統經濟效益具有重要的意義[16]。以給定負荷減去該網絡節點下不可調出力(或疊加上不可調負荷)所得到的凈負荷曲線作為DER的理想出力曲線，采用負荷跟蹤系數量化評估調度期內的預測出力水平與負荷水平的一致性，并給出相應的負荷跟蹤策略。

1.1 負荷跟蹤系數

針對DER出力水平與負荷的一致性，定義負荷跟蹤系數。調度期內DER的出力標幺值為：

(1)

式中：δi,t為個體i在t時段的出力標幺值；Pi,t為t時段個體i的出力取值；PC,i為個體i的功率最大值，一般可取作裝機容量。

對個體i的功率信號、負荷信號l，定義t時段的一致性指標為：

αi,t=δl,t-δi,t,t=1,2,…,n

(2)

式中：αi,t為負荷信號l的功率標幺值與個體i的功率標幺值的差值，表征著二者在t時段的一致性；δl,t為t時段負荷信號l的功率標幺值。

進而可以定義負荷跟蹤系數IT,i來衡量n個時段內個體i的功率與負荷信號l之間的一致性，定義為：

(3)

IT,i越接近1表明考察時窗內個體i的功率與負荷信號l越一致，反之則不一致性越高。

1.2 負荷跟蹤策略

在每個調度周期開始階段，個體i將基于出力預測值計算其負荷跟蹤系數IT,i，如果該值低于某一特定閾值ICR，則啟動優化調控決策過程。調控目標為通過較少次數或少量的調節，降低其出力水平與給定曲線不一致的程度，提高跟隨能力。為簡化模型，本文假定DER所能提供的可調容量能夠滿足調度需求。對于調控量的計算，其優化模型為：

(4)

式中：γi,t為t時段個體i所需承擔的相對調控量(標幺值)；ICR為一致性閾值，可依據功率不平衡量閾值與該節點總負荷水平比值進行整定。目標函數為該時段內出力調控總量最小，約束條件為調控后個體i出力跟隨負荷變化能力滿足系統要求。

由于DER自組織聚合所形成的動態VPP將以VPP的形式響應調度、傳統意義上將所有DER集合形成的靜態VPP以整體的形式響應調度，因此上文描述的負荷跟蹤模型除了適用于個體獨立調度模式(獨立模式)，也適用于自組織聯合調度(自組織模式)和整體統一調度模式(統一優化模式)，算例中也將對這3種情況進行討論分析。

統一優化模式將需要收集所有DER的預測出力信息，這往往難以做到，且集中式優化模型的求解也存在著諸多困難。自組織模式在形成的動態VPP之間能夠發揮分布式計算的優勢，分散計算壓力。而相較于獨立模式，自組織模式則能夠利用DER之間的功率互補特性。如果聯合運行相較于獨立運行使得負荷跟蹤系數得到了提升，則采用上述優化模型得到的優化結果必然優于獨立運行的結果，證明過程參見附錄A。

2 自組織聚合運行調度流程及個體基礎智能

對于負荷跟蹤模型和自組織聚合運行調度方法而言，調度時段內對DER的高精度預測、DER之間的信息交互成為其實現的必要條件，而近年來智能用電網絡的發展使其成為可能，可將部署在用戶側的發用電設備進行組網互聯，從而實現協同優化運行[17-19]。

本文主要研究內容為DER如何聯合運行，也即如何根據系統要求自發組織形成動態VPP，由于采用了聯盟博弈的框架來研究，下文對聯盟、VPP的說法不加以區分。

2.1 自組織聚合運行調度流程

在每個控制周期內，整個自組織聚合響應流程如圖1所示。流程分為3步：

圖1 VPP自組織聚合響應流程Fig.1 Self-organizing aggregation response process of VPP

步驟1：針對系統發布的負荷信號，DER進行自組織聚合形成VPP；

步驟2：各DER按調度計劃執行，并依據聚合出力與負荷一致性情況，調度可控資源以滿足系統要求；

步驟3：根據VPP實際調度情況對內部成員完成利益分配。

步驟2、3分別屬于有功實時調度、利益分配問題，已有眾多文獻參與研究。本文研究的重點在于步驟1，即DER個體之間如何產生聚合行為。該部分又可分為以下3步：

1)感知。各DER獲知調度中心下發的負荷曲線，并跟相鄰DER進行信息交互，包含該周期內的計劃出力、調度容量、調控成本等情況。

2)預判。各DER根據預先確立好的準則，預判聚合是否能提升運行效用。

3)決策。各DER綜合與其他個體的聚合效益，選擇組建VPP。

因此，本文描述的VPP自組織聚合方法所形成的VPP是動態的，隨著系統要求(負荷信號)變化而變化的，并且在完成調度要求后VPP解散，各DER進入下一時段的聚合行為。另外考慮到系統拓撲的影響，分屬不同配網節點下的DER之間相互配合需要滿足眾多的網絡約束，聯合運行的難度大大提升。本文僅考慮同一配網節點下DER的自組織聚合行為。

2.2 DER基礎智能

單一DER很難感知或者獲取系統中所有其他個體的資源情況及調度計劃，即使存在一個虛擬中心能夠廣播所有個體信息，DER在考慮與其他所有個體是否聚合時也會存在指數爆炸的組合問題；且地理位置相隔較遠的2個DER之間，在實際情況中由于網絡約束，配合響應難度大大增加。本文假定單一DER是具有有限理性的智能個體，并對其行為作如下假定：

1)DER在考慮自組織聚合時，僅考慮與之相鄰的個體或VPP進行通信交流；

2)忽略DER之間的(短距離)通信成本及通信延遲問題；

3)DER具備高精度的出力預測能力。

3 虛擬電廠自組織聚合模型與進化機制

DER之間是否聚合是一個聯盟博弈(coalition formation games，CFG)問題，可使用聯盟博弈論的框架[20]來研究VPP的自組織聚合行為。聯盟博弈的突出特點是競爭與合作共存。競爭反映在各主體在追求各自利益最大化時所表現出的利益沖突，合作則反映在各主體對共同利益的認知與追求。

3.1 聯盟博弈基本概念

定義1：對于一個有轉移效益的聯盟博弈(N,v)，其中N為所有成員集合，v:2N→是對于N中任一聯盟S的效用函數。聯盟集合S由N中任意不相交的聯盟Si構成，即S={S1,…,Sl}。如果S覆蓋了N中所有人則S被稱為N的一個分割。

定義2：對于任意2個互不相交的聯盟(或個體)S1和S2而言，聯盟形成的條件是它們聯合起來的效益(群體總效益或個體效益)至少不低于S1和S2單獨行動時各自所得效益，即?S1?N,S2?N，S1∩S2=?，v(S1∪S2)≥v(S1)+v(S2)。對于多個聯盟而言，則對應的聚合條件為

(5)

(6)

(7)

式(6)為個體理性條件，即每個主體所獲得的效用至少與單獨行動時所得一樣多；式(7)為集體理性條件，即該收益分配方式能夠使主體最大程度地獲得合作帶來的好處。

定義4：集合S={S1,…,Sl}和R={R1,…,Rk}是N的2種分割方式，如果S分割N的方式優于R分割N的方式，稱S優于R，記為S?R。?為優先操作或比較關系的標志。

本文采用Pareto規則，通過個體的收益來實現比較。如果S和R中個體相同，且個體j在S和R中得到的收益分別為φj(S)和φj(R)；則根據Pareto規則，有S?R?φj(S)≥φj(R)，?j∈S,R且?k∈S,R，φk(S)>φk(R)。從Pareto規則得出，分割結構由R轉變為S時，在不損害其他個體利益的前提下，如果至少有一個個體k的利益得到了提高，認為S優于R。

3.2 自組織聚合基本原則

針對負荷跟蹤系數IT低于閾值ICR的DER個體，以調度期內聯合運行時該個體所需承擔的出力調整量最小為最終目標，自組織聚合的聯盟效用函數采用1.2節中負荷跟蹤策略中的目標函數，定義如下：

(8)

(9)

式(8)中的負號是希望變IA,S的最小值為v(S)的最大值。從聚合條件來看，只有當聯合運行的效用函數大于獨立運行的效用函數時，聚合行為才會發生，即：

(10)

如果直接使用該效用函數，則在各DER預判聚合可能性的迭代過程中要不斷去計算優化模型，整個過程費時且繁瑣。而從1.1節可以得出，如果聯合運行相較獨立運行時的IT能夠提升，那么最終的優化結果(也即聯盟效用函數值)一定更優，即各DER所需承擔的出力調整量更小。即：若?k∈{1,2,…,l}，滿足以下條件：

(11)

則有

(12)

因此定義聚合過程如下：對于聯盟Si、Sj，i≠j，i,j∈{1,2,…,l}，如果IT,Si∪Sj大于IT,Si、IT,Sj則Si、Sj將合并形成S′=Si∪Sj；接下來S′將作為一個新的聯盟參與聚合過程(個體也可看成是單成員的聯盟)。

需要說明的是，該聚合條件并非為式(10)成立的充要條件，但是由于式(12)更加簡明高效，對于各DER而言易于量化評估，因此更加適用。

由于聯盟效用值表征VPP的出力調整量，因此聯盟效用的劃分實際是將出力調整量分配到組建該VPP的DER中。為簡單起見，以VPP內部各DER裝機容量為權重完成效用分配，定義如下：

(13)

3.3 自組織聚合進化機制

基于以上所提出的博弈聯盟的基本概念，本文提出一種基于merge-split規則的自組織聚合進化算法，允許迭代改進N的分割形式。規則如下：

可以看出，若聚合(分裂)操作能夠產生基于?的優先集合，則聯盟將發生聚合(分裂)。在不降低其他個體利益的基礎上，如果至少存在一個個體通過聚合機制能夠提升自身利益，則聯盟之間將會聚合。同樣地，聯盟分裂發生的條件是在不損害其他用戶利益的情況下，至少存在一個個體能通過從當前聯盟中分裂出去以提高自身利益。因此，聚合(分裂)的發生依賴于所有個體從該決策導致的收益提升或不降低。在連續的聚合和分裂迭代之后，系統將收斂到一個固定狀態，即系統由多個不相交的聯盟組成，其中沒有任何聯盟有進一步聚合或分裂的動機，該算法的迭代收斂性證明過程參見文獻[21]。所以，通過聚合-分裂的方式設計一個聯盟博弈算法是可行的。

整個算法的復雜性取決于聚合-分裂操作。對于一次迭代過程中的聚合操作，每個聯盟都將對與其鄰近的其他聯盟進行通信交互，并預判是否有進一步聚合的可能。所以對于一個含有N個個體的系統而言，最復雜的情形為每個個體之間的距離足夠接近，這時每個個體都將嘗試去與其他的用戶交互，因此總的聚合嘗試次數為N(N-1)/2；而實際情況中，嘗試的次數會顯著減少。例如，第一次聚合操作過程，初始化的N個個體將自組織形成多個聯盟，隨后的聚合操作將在多個聯盟之間進行，聯盟的數量比N小得多，因此后續的聚合嘗試操作次數將逐步下降。另外，為了進一步限制所形成聯盟的大小，僅考慮相鄰的個體/聯盟之間的交互行為。而對于分裂操作，對應的是尋找每個聯盟可能形成的所有分割形式，在集合論中這個數量為有名的貝爾數，將隨著集合中的元素個數指數型增加。但實際上，由于個體之間距離的限制以及聚合原則所呈現的非超可加性，每個聯盟的大小都是受限制的，另外分裂操作也不需要搜索所有可能的分裂，因此分裂操作的復雜度還可以進一步減小。例如，只要聯盟發現一個滿足Pareto規則的分裂并執行，所得的聯盟將不再需要繼續分裂嘗試操作。

顯然，聚合或分裂操作是一個分布式決策，個體/聯盟可以獨立決策執行，而不依賴于主電網或其他實體。

這里需要說明的是，對于聚合形成的VPP，當各DER經過自組織聚合并完成出力調整后，所有VPP的整體出力(也即所有DER的整體出力)是滿足系統要求的。即若對于?i=1,2,…,l，

(14)

(15)

證明過程參見附錄B。除此之外，本文所提的VPP自組織聚合方法不僅適用于日前調度場景，也適用于時間尺度更短的有功調度場景。

3.4 自組織聚合流程

VPP自組織聚合流程如圖2所示。其中自組織形成及進化過程主要步驟為：

圖2 VPP自組織聚合流程Fig.2 Flow chart of VPP self-organizing aggregation

步驟1：初始化，以個體獨立形式為初始系統劃分狀態T=N={1,2,…,M}，計算各DER的非合作效用。

步驟2：根據聚合條件，對于系統T中任意聯盟Si和Sj，計算聚合時各自所能得到的效用，如果至少有一個效用得到了提升，則聚合成功；否則聚合失敗。如果任何2個聯盟都不能發生聚合，則聚合過程完成，此時對應的系統劃分狀態為T′。

步驟3：對于聚合過程形成的T′，依次檢測對應的每個聯盟Si是否滿足分裂條件，如果分裂能夠使得Si中至少一個成員的效用得到提升，則分裂成功。如果任意聯盟都不能發生分裂，則分裂過程完成，此時對應的系統劃分狀態為T″。

步驟4：重復步驟2和3，直到任意聯盟都不能發生聚合和分裂，形成最終的系統劃分狀態。

步驟5：輸出系統劃分狀態(各聯盟成員情況)以及各DER的效用值。

4 算例分析

4.1 算例及參數

為驗證本文所提VPP自組織聚合方法的有效性，構建測試系統如下。為不失一般性，考慮日前調度場景，采用1.1節中的優化調度模型進行計算。選擇某配網節點作為分析對象，所包含的14個DER編號為1—14。設一個調度周期為24 h，每個調度時段為1 h。風電、光伏、負荷數據來自PJM開源數據集[22]。為進行對比分析，計算了DER以獨立模式、自組織模式、統一優化模式3種模式參與運行的結果。

4.2 結果對比

本文對ICR=1的情況進行分析，即要求經過調整的負荷與負荷完全一致；當ICR不為1時，可按照相同方法進行分析。首先對DER個體按照本文方法進行自組織聚合過程，自組織聚合過程采用3.2節中定義的聚合過程，以負荷跟蹤系數的提升作為聚合依據，得到該方法的最終迭代結果。接著計算各DER分別以3種模式進行負荷跟蹤過程，并將對應模式中各DER應當承擔的出力調整量進行分析。

1)自組織聚合結果。

在最終的自組織聚合情況中，以個體1、4、8、13形成VPP1，個體2、8、12形成VPP2，個體3、14形成VPP3，個體5、7形成VPP4，個體6、10、11形成VPP5。

2)3種模式下負荷跟蹤情況。

表1展示了3種模式下的負荷跟蹤系數。統一優化模式與自組織模式相對比，可以看出自組織所形成的VPP1、VPP2、VPP4的負荷跟蹤系數均超過統一優化模式，即這些VPP中的成員通過自組織能進一步提升負荷跟蹤水平，由附錄A中的證明過程可知，可對應減少調控量，因此這些個體更加傾向于自組織模式而非統一優化模式；也從側面證明了從個體利益角度出發，所有個體集合統一優化并非符合所有個體的利益期待。

表1 3種模式的負荷跟蹤系數Table 1 Load tracking coefficients in three patterns

而自組織模式與獨立優化模式對比，可以看出通過聚合形成動態VPP，可使各DER的負荷跟蹤系數有不同幅度的提升。例如對于DER1，獨立運行的IT僅為0.729，而聯合后的IT為0.895，相對提升了22.6%；DER8的IT提升了10.9%、DER13的IT提升了4.4%，而DER4的IT僅提升了0.17%。一般而言，IT提升幅度越大，說明DER之間的互補效應發揮的越充分。

圖3展示了該場景中VPP1以及所包含各成員的負荷跟蹤效果。可以看出自組織模式相對于獨立模式，聚合的出力曲線與負荷信號之間的一致性得到了提高，這也將導致后續的負荷調節量大大下降。而自組織模式和統一優化模式相比，二者在不同時段有不同的表現，但從負荷跟蹤系數來看，自組織模式稍高一些，也更加貼近負荷曲線。

圖3 VPP1負荷跟蹤情況Fig.3 Aggregate load tracking of VPP1

3)負荷調節量分析。

表2展示了ICR=1時，3種模式下各DER在該調度期內所需的出力調整總量ΔP(相對于其裝機容量的標幺值)。可以看出以自組織模式參與調度時，所有DER的出力調整總量相對獨立模式都有所下降。個體1、2、3、6、8下降水平等均超過了30%，最高水平達到了61%。而自組織模式與統一優化模式對比，表現為：若自組織模式下負荷跟蹤系數更低，則統一優化對應的出力調整量更小；反之，自組織模式的出力調整量更小，這也是和理論分析一致的。但需要指出的是，自組織模式下，以多個動態VPP參與調度，優化模型的求解在VPP內部開展，而根據附錄B可知，多個VPP的整體出力也能滿足系統需求，因此分布式計算的優勢得以發揮。

表2 3種模式的出力調整量Table 2 Adjustment in three patterns

以DER1為例，圖4展示了3種模式下在各時段所需承擔的出力調整量。結合圖3可以看出，3種模式在大多時刻的出力標幺值均低于負荷，調控策略過程中對應地表現為正的出力調整量。而在某些時刻，獨立模式下DER1的出力超過負荷，則對應減小出力。

圖4 聯合/獨立3種模式下DER1的出力調整量Fig.4 Load adjustments of DER1 in three patterns

自組織模式與統一優化模式相比，兩者在不同時段的出力調整量幅值和負荷曲線與出力曲線的差值呈正相關。而對于自組織模式和獨立模式，在大多數時段內，例如在2～15 h，聯合模式形式的出力曲線和負荷更加一致，因此在圖4中表現為該時段內聯合運行可大幅減小個體所需承擔的出力調整量。而在16～18 h，個體出力相對聯合出力更加貼近負荷，獨立運行對應的出力調整量更小。但是，以全天的出力調整量加和來看，個體所要付出的出力調整量還是下降了61%。

4)計算時間分析。

表3展示了3種模式下優化模型的運行時長，每種模式取10次運行時長均值。可以看出自組織模式對應的計算效率介于統一優化與獨立模式之間，計算時長較獨立模式稍有增長，較統一優化模式卻有所下降。而由于本文采用的優化模型較為簡單，實際運行中如果考慮諸多約束條件，則模型極為復雜，自組織模式相較于統一優化模式，在計算效率方面的提升將更為顯著。

表3 3種模式下模型計算效率Table 3 Computational efficiency in three patterns

5 結論

本文針對DER聯合運行問題，考慮分布式能源的互補作用，旨在通過自底向上方法尋求DER的組合優化運行。以聚合后負荷跟蹤效果的量化評估為依據，作為DER之間“聚合”和“分裂”的判定條件，最終形成的VPP能以與調度要求更一致的出力特性參與調度，并最終通過算例驗證了所提模型的有效性和優越性，所提方法能夠克服集中式優化過程中數據收集以及模型求解的困難，減輕計算壓力，同時驅動虛擬電廠根據自然資源分布規律合理的組合，在響應調度過程中相對于獨立模式能夠顯著降低調控量。在一致性閾值ICR=1時，自組織模式相較于獨立模式，DER的平均出力調整量下降了27.4%；而與統一優化模式相比，雖然并非所有個體都能通過自組織獲得更優的結果，但從整體上來看兩者差距不大，算例中自組織模式相對統一優化模式，平均出力調整量增加了9.43%。從優化模型的計算效率來看，自組織模式相比獨立模式稍有下降，但較統一優化模式有一定提升。因此，綜合以上情況，可以得知自組織模式相較獨立模式，能使出力調整量有所下降；而相較統一優化模式，能提升模型計算效率。

由于各DER的逐利心理，能通過自組織提升效益的個體更傾向于選擇自組織而非統一優化或獨立調度模式。另外，為簡化問題，本文中的負荷跟蹤模型沒有考慮其他的約束條件。實際中的優化調度模型更為復雜，若考慮到DER數量的日益增加，統一優化的實現將十分困難，且對于優化調度管理者而言，獲取各DER出力信息的過程也十分困難。自組織介于獨立和統一優化2種模式之間，既能夠發揮DER之間的互補性，又能避免繁重的集中式計算壓力和管理壓力。

值得說明的是，本文所提出的自組織聚合模式還較為粗糙，其中很多內容還值得進一步研究，如面向DER個體研究其靈活性的建模方式、個體在自組織聚合過程中偏好的建模、自組織聚合方式下的利益分配機制、精細化的調控策略等等。隨著虛擬電廠實施案例的逐步豐富以及行業標準的逐步完善，虛擬電廠精細化的控制策略將作為日后工作的研究重點。

附錄A