虛擬電廠市場化交易中的挑戰、策略與關鍵技術

許星原，陳皓勇，*，黃宇翔，吳曉彬，王宇紳，廉俊豪，張健彬

（1.華南理工大學電力學院，廣東省 廣州市 510610；2.廣東博慎智庫能源科技發展有限公司，廣東省 廣州市 511458）

0 引言

當前，面對嚴重的環境污染和能源短缺問題，可再生能源的利用逐漸成為了全球能源轉型以及應對氣候變化的重要舉措。隨著可再生能源發電的發展，美、歐以及我國等多個國家和地區將新型電力系統的建設上升到戰略地位[1-4]。高比例可再生能源接入系統將對電網的穩定運行帶來一定程度的挑戰[5-7]，這需要更多靈活性資源參與到電力系統的調節范圍[8]。近年來，通信、智能測量、智能控制等技術不斷發展，新型電網逐步能獲取海量運行數據并快速接收調度指令[9]。在此背景下，基于通信與控制技術，聚合靈活性資源并表現出傳統電廠特性的虛擬電廠(virtual power plant，VPP)[10-15]成為重要發展方向。

虛擬電廠在國外起步較早，具有較好的基礎[16]。歐洲的虛擬電廠主要聚合“源”側資源，以消納可再生能源為主，而美國的工程項目多以需求側靈活資源管理為主[17]。我國關于虛擬電廠的研究與運行起步較晚，但大有后來居上的勢頭，2019年我國第一個能夠市場化運營的商業性虛擬電廠在冀北啟動，2021年廣州地區提出《廣州市虛擬電廠實施細則》，促使虛擬電廠參與需求響應市場。虛擬電廠的運行可以分為耦合的內外2 個過程：對內，其優化調度是一個典型的經濟學命題，本質上是在維系電網穩定運行的前提下，盡可能提升資源的利用效率與經濟效益；對外，虛擬電廠可以從電網獲得調度指令，以獲取補貼或通過參與電力市場賺取利潤[18]。

我國電力改革的進程逐步推進，虛擬電廠發展的同時也面臨多方面的挑戰。一方面，我國電力市場化進程迅速推進，新型市場主體參與電力市場的機制逐步提出，虛擬電廠需要依賴新的市場機制以制定更為優質的投標策略；另一方面，分布式可再生能源、電動汽車等具有強不確定性的可調度資源逐漸增多，虛擬電廠將面臨更加困難的資源聚合與管理，經濟優化調度也更難以展開。

本文從虛擬電廠的市場化交易入手，分析了虛擬電廠參與市場交易所遇到的阻力與挑戰，總結虛擬電廠為擴大利潤而采取的投標策略，并對虛擬電廠投標中的不確定性處理、決策分析、資源管理方法等關鍵技術進行分析，為未來虛擬電廠參與市場的投標策略制定提供借鑒與思路。

1 市場化交易中面臨的挑戰

虛擬電廠參與市場交易，首要的任務是實現內部的實時平衡，而后基于所聚合資源的特性與可調節能力，參與市場報量或報價的交易。簡而言之，其市場化交易所面臨的挑戰來源于內部與外部兩方面。對于外部，虛擬電廠需要順應市場體系，一方面需要滿足市場準入條件，另一方面需要充分契合市場機制，制定合適的交易策略；而對于內部，虛擬電廠需要充分了解各資源的特性，并對不確定性進行合理的處理，進一步展開，市場化交易中面臨的挑戰通常為以下4個方面。

1.1 多時間尺度決策

近年來，國內外電力市場逐步發展，在許多國家已經形成了完整的電能量市場與輔助服務市場相結合的市場框架[19-23]，而在我國，市場化進程也逐步推進，各省份正進行現貨市場與各種輔助服務市場的嘗試與建設[24-25]。

隨著現貨市場建設的推進，逐步開放了日內市場與平衡市場的交易。虛擬電廠參與日前投標時，需要充分依賴預測等技術，而隨著時間的推進，實時階段的風光出力預測、負荷預測將更精確，實時市場的價格也更具有保障[26]。作為資源聚合商，虛擬電廠參與市場的策略問題屬于典型的投資組合管理問題，目前，其面臨的主要挑戰之一是如何有效地規劃與不同時間范圍相關的決策[27]。在多時間尺度的決策規劃中，虛擬電廠需要充分權衡日前市場上的報量信息，并在實時市場上進行進一步的修正，一方面盡可能減小預測誤差帶來的考核成本，另一方面則需要盡可能最大化日前市場與實時市場電價差帶來的潛在收益。

1.2 多類型市場決策規劃

國外虛擬電廠的商業模式相對豐富。德國虛擬電廠能參與平衡市場獲利，同時，調頻備用容量市場時間減少促進了虛擬電廠提供備用服務[28]。美國加州市場設計了替代性輔助服務以降低總成本[29]，虛擬電廠可參與旋轉備用、非旋轉備用市場。當前，我國虛擬電廠的發展主要以“荷”側資源為主，主要通過邀約型需求響應的方式參與市場，未來將進一步開展負荷、儲能、新能源等各類資源聚合，虛擬電廠也將通過逐步參與輔助服務市場獲利[30]。

輔助服務市場的建設為虛擬電廠獲取收益提供了更多有效的途徑，但同時，虛擬電廠參與多類型市場的投標策略也將發生巨大的改變。在虛擬電廠參與電能量市場與輔助服務市場時，在處理好不確定性的同時，主要難點在于制定好的投標策略，最大化其潛在利潤[31]。在參與輔助服務投標的過程中，虛擬電廠需要充分平衡所聚合資源的性能特性，在滿足輔助服務性能需求的情況下進行投標。與此同時，虛擬電廠需要充分處理各類型市場之間的耦合關系，需要綜合考量如何分配可調節容量參與不同市場[32]。

1.3 內部指令分解與利益分配

虛擬電廠在市場參與的過程，也是對內部資源的利用進行優化的過程，即投標的過程中需要充分考慮可調節資源的調用量。當輔助服務市場開放后，虛擬電廠可以通過參與調頻輔助服務市場獲取一定的收益。而調頻輔助服務市場對市場參與者的性能要求相對較高[33-34]，這對虛擬電廠的內部調度指令分解提出了更為嚴苛的要求。

同時，虛擬電廠作為一個經濟主體，其參與市場調度將獲得一定程度的收益，其每一個組成成分都有自己的優化目標，其必然存在一定的利益沖突[35]。為確保所聚合資源充分接受聚合與調度，虛擬電廠需要制定公平、公正且合適的收益分配體系，體現各組成成分的貢獻[36]，以維系虛擬電廠的穩定運行。

1.4 投標不確定性

虛擬電廠參與市場投標時，其部分資源具有一定的確定性，如微型燃氣機等，而部分資源具有相當的不確定性，如風電、光伏發電的輸出顯著受到天氣因素的影響。同時，用戶負荷、電動汽車等儲能資源、市場電價也具有一定的不確定性。由于參與市場時具有較高的偏差考核成本，不確定性因素的出現將可能使該成本擴大，而巨大的偏差考核成本會對虛擬電廠的經濟效益產生顯著影響。而過于保守的策略會使虛擬電廠內部棄風棄光量顯著增加[37]，故制定VPP 的優化投標策略時需要充分考慮不確定因素[38-39]。綜上，虛擬電廠參與市場投標的關鍵是有效地處理各種不確定性，而確定性和不確定性能源的聯合協調是相當復雜的問題[26]。

2 市場交易策略與優化調度技術

針對市場機制與資源聚合帶來的交易挑戰與難點，目前主要通過建立完備、合適的數學模型來描述市場投標策略，以經濟性最優為目標，通過混合整數線性/非線性優化等方式求解數學模型。

2.1 多時間尺度現貨市場策略

2.1.1 現貨市場流程分析

一般而言，現貨市場可以分為3個典型階段，分別為：日前現貨市場、實時現貨市場與平衡市場。在日前市場上，虛擬電廠依賴電價預測，風、光發電日前預測，以及負荷預測等技術，制定適當的市場參與策略。在實時市場上，虛擬電廠需要縮小實際出力與日前預測之間的差距，并進一步平衡發電預測與負荷預測之間的不匹配。虛擬電廠參與現貨市場的流程如圖1所示。

圖1 虛擬電廠參與現貨市場流程Fig.1 Process of virtual power plant participating in spot market

對于虛擬電廠參與現貨市場投標的策略研究，當前主要的研究方向分為2 類：單一時間尺度投標策略與多階段投標策略。對于單一時間尺度投標策略，主要針對虛擬電廠參與日前現貨市場的投標策略[40-44]進行探究，通過處理虛擬電廠投標過程中的不確定性，對內部資源進行合理調度以提升虛擬電廠的收益。對于多階段現貨市場的投標策略，則需要充分解決不同范圍內決策的沖突。文獻[45]考慮了多種類型的負荷聚合；文獻[46]進一步考慮了風力發電廠與儲能設施；文獻[47]則考慮了一個較為完善的多資源聚合體，并提出了參與日前與實時市場的競標策略；文獻[48-49]對時間尺度進一步擴大，研究了包含日前、實時和平衡市場的三階段市場優化問題；文獻[50]研究了多時間尺度下多虛擬電廠的管理問題，基于交替方向乘子法(alternating direction method of multipliers，ADMM)實現了多VPP 分布式協調優化。

2.1.2 現貨市場策略優化模型搭建

虛擬電廠參與多階段現貨市場，一般而言，其目標為最大化在日前市場上的交易能量收益和向零售客戶出售能量的預期利潤，最小化在實時市場、平衡市場中產生的不平衡成本[51]。

1）階段1：日前市場

一般而言，日前市場的投標策略為：在基于對不確定資源的日前判斷下，使VPP 的收益最大化，即售電收益與購電成本之間的差值最大化。其公式為：

式中：RG，t，DA為t時刻虛擬電廠的售電收益，其中的發電資源可以為風力發電、光伏發電等多種類型的資源；λsell，t，DA為t時刻預測的日前市場售電電價；Cload，t，DA為t時刻虛擬電廠在日前市場的購電成本；λbuy，t，DA為t時刻預測的日前市場購電電價；PG，t，DA為t時刻預測的日前市場售電電量；Pload，t，DA為t時刻預測的日前市場購電電量。

式(1)描述了日前市場中虛擬電廠的投標目標，式(2)、(3)則分別描述了虛擬電廠日前市場的收益與支出。若虛擬電廠中包含儲能、電動汽車等可進行雙向電能傳輸的設備，則可將其歸納為發電資源或負荷資源，并以負數作為其另一方面的特性。

2）階段2：實時市場

實時市場的目標同樣是實現虛擬電廠收益最大化，在這一階段，已知虛擬電廠日前市場中的市場資源的投標與日前出清價格，實時市場中VPP的競價模型可以用如下表達式描述：

式中：RG，t，RT為t時刻虛擬電廠參與實時市場的售電收益；Cload，t為t時刻兩階段市場的總運營成本；PG，t，RT、λsell，t，RT分別為在已知日前市場出清電價時，t時刻預測的實時市場中標電量與出清售電電價；Cload，t，RT為t時刻實時市場環境下的預計購電成本；R'G，t，DA為t時刻虛擬電廠的售電收益；同時，在參與實時市場時，已知日前市場的結算價格，則目標式中的R'G，t，DA、C'load，t，DA分別代表實際日前市場的售電收益與購電成本，均為已知量，可以根據日前結算價格確定。

式(4)描述了實時市場上虛擬電廠的運營目標，為參與兩階段市場時整體收益最大化，Cload代表了兩階段市場的總運營成本。

3）階段3：平衡市場

在這一階段，虛擬電廠無需參與投標，這一階段的所有機組出力與負荷出力均為實際值，難免與日前、實時的預測值之間存在些許誤差。由于該誤差需要通過系統進行修正，具有一定的偏差考核成本，應盡量縮小此成本，故目標函數為

式中：α為偏差成本系數；PBA，t為t時刻實際運行時電量與預測電量之間的偏差，當PBA，t＞0 時，取1.3[52]，當PBA，t＜0時，取-0.9[49]；λbuy，t，RT為t時刻實時市場的出清購電電價。

2.2 多類型市場耦合投標策略

針對虛擬電廠參與輔助服務市場的投標策略，當前研究主要集中在虛擬電廠參與調頻、需求響應與旋轉備用等市場的投標策略。參與多種類型市場的協調問題，不僅僅是虛擬電廠需要解決的問題，也是市場成員需要解決的共性問題。

近年來，由于碳排放權市場的運行，虛擬電廠在調度過程中需要針對電、碳市場電價波動制定合適的市場策略，以獲取最優的收益。文獻[53]給出了分時碳價的制定策略并制定了虛擬電廠參與調峰市場、電能量市場與碳市場的耦合市場框架；而文獻[54]則分析了能量市場、備用市場與碳市場耦合的碳電一體化交易策略。引入碳交易市場規則后，總體來說，虛擬電廠需要減少燃氣機組輸出比例，增加清潔能源的發電輸出。

對于電能量與輔助服務市場的耦合投標，文獻[31,40]制定了虛擬電廠參與電能量市場與旋轉備用市場的聯合競價策略；文獻[55-57]則建立了能源套利與調頻輔助服務相結合的優化框架。需求響應市場參與策略也是重要研究方向，文獻[58]設計了虛擬電廠參與需求響應交換市場與電能量市場的策略框架，以利用需求響應資源的靈活性彌補虛擬電廠實時電力供應的偏差。

總體而言，虛擬電廠參與多類型耦合市場時，以總體利益最大化為目標，同時，應當充分考慮不確定性，以最大化虛擬電廠可能獲得的潛在收益。其目標函數如下：

式中：Rm為VPP 參與多類型市場的總收益；Rpower為VPP 參與電能量市場的售電收益；Raux為VPP參與碳市場或各類型輔助服務市場的收益；Call為虛擬電廠運營的成本，包含市場購電成本Cm與發電機組運行成本CG。式(8)描述了虛擬電廠的總體潛在利潤。

2.3 調頻市場策略與調頻指令分解

虛擬電廠日前調度技術發展較為完備，而隨著調頻輔助服務市場的建設，其作為目前需求量較大、可獲利性較高的市場類型，虛擬電廠如何參與調頻市場并通過一定的調頻指令分解技術使其能夠響應AGC調頻的需求至關重要。

傳統的頻率調節服務由大型火力發電機組等提供[59]，傳統的調頻功率指令分解方法根據裝機容量比例或既定的分配系數進行分配[60]，而在虛擬電廠管理時，需要對所管理的不同資源的動態特性與運行模式進行建模，使得虛擬電廠提供調頻等服務的優化問題更復雜[61]。

當前，部分學者針對調頻指令分解的問題進行了相關研究。文獻[60]中虛擬電廠綜合調頻性能最大為目標，并引入了反饋校正模型，基于量子遺傳算法求解虛擬電廠內部功率分配情況，凈利潤與調頻效果獲得了一定程度的提升；文獻[62]則引入了自適應權重因子對調頻信號進行分配；文獻[61]基于深度學習進行建模，展示了深度學習在調頻指令分解中的作用，提出了離線-在線兩階段的深度學習方法，以使虛擬電廠能為電力系統提供高精度的調頻服務；文獻[63]對智能樓宇進行了建模，將智能樓宇中的可調節資源建模為虛擬儲能參與調頻服務；文獻[64]開發了一種風電與儲能合作參與調頻市場的方法。

整體而言，虛擬電廠參與調頻，需要充分發揮所管轄范圍內儲能資源的靈活性。儲能資源具有相當優異的調節能力，響應速度極快，且在調節過程中，不同時段有不同的調度策略，日前市場應當以收益最大化為目標，而日內市場則更應當側重于調頻效果。

3 虛擬電廠市場決策關鍵技術

通過以上分析可知，虛擬電廠市場投標的關鍵在于不確定性處理，故虛擬電廠市場決策首要的關鍵技術為不確定性處理相關技術。同時，市場投標策略的制定過程屬于典型的博弈過程，近年來，博弈論被逐漸應用到虛擬電廠的投標策略與資源管理的研究中。

3.1 投標不確定性處理

3.1.1 隨機優化

針對不確定性因素，最常見的方式便是隨機優化方法。隨機優化的求解一般可以分為3 種方式：期望值替代、概率意義下優化與概率分布離散化。

1）期望值替代

對于不確定性因素，在已知概率分布的條件下，最簡單的方法便是采用其期望值代替概率分布，由于期望值代表了所有數據的加權平均，采用其代表概率分布具有一定的借鑒意義。將其融合到虛擬電廠的投標策略中，表現為確定性條件下的經濟優化調度的研究[32,65-67]。其中：文獻[66]采用歷史數據或預測值作為確定性經濟優化調度的輸入數據；文獻[68]借助長短時記憶神經網絡對風力、光伏發電的出力進行預測；文獻[69]則依賴數學期望對不確定性進行了轉化。另外，部分文獻考慮了預測偏差，如文獻[65]利用多時間尺度的滾動報價與調度，不斷縮小風光預測之間的誤差。

該方法針對不確定性的處理過于簡單，實際應用過程中難以衡量風險。

2）概率意義下優化

對于在概率意義下的問題轉化，可以通過在置信區間內考慮優化問題或引入風險價值(value at risk，VaR)、條件風險價值(condition value at risk，CVaR)等參數量化風險，以幫助實現不確定性條件下的優化。文獻[70]充分考慮了風力發電的不確定性；文獻[42]又進一步考慮了競價對手報價的隨機性，均利用CVaR 在一定的置信水平下對VPP 的經濟調度問題進行優化求解；文獻[71]則采用CVaR量化了VPP購售電價格的風險。

這類方法能夠量化虛擬電廠運營過程中需要承擔的風險，但仍需大量數據對不確定性因素進行量化，在實際應用的過程中，需要與建模技術等方式進行聯合使用。

3）概率分布離散化

連續的概率分布求解，對于部分簡單的概率分布特征尚且可行，而在VPP 經濟優化調度的過程中，受到了多種不確定性的影響，其概率分布呈現相當復雜的特征。因此，采用蒙特卡洛采樣等離散隨機過程的研究方法，生成大量場景來實現對不確定性因素的轉化[44,72]。

該方法較簡單易行，但效率較低，在不確定性種類較多的場景應用能較好求解，但對計算能力要求較高[73]，計算時間較長。

3.1.2 精細化建模

隨機優化模型中最重要的部分便是概率分布函數的構建。而概率分布函數的構建可以進一步理解為虛擬電廠內部資源的精細化建模。對于內部資源的建模，當前針對發電側的風光資源建模主要有2種：1）直接對風光出力進行建模，針對風光出力的隨機性，通常選用風電隨機出力或風速分布符合Weibull分布，光伏隨機出力符合Beta分布[74]；2）針對風光出力預測的誤差進行建模。常用的預測誤差模型為正態分布N(0,δ2)[75]。

發電側的不確定性主要來源于風、光等易受到氣候影響的發電資源，其模型搭建可以從歷史數據出發，進行規律尋找或擬合。而與發電側的不確定性相比，用戶側負荷、電動汽車的使用等資源的調度將與用戶直接掛鉤，其不確定性因素更為復雜。目前，針對用戶側負荷，已經有部分研究關注了用戶的行為不確定性[76-77]，如：文獻[76]考慮了用戶參與需求響應的可能性，建立了需求響應可靠性模型；文獻[77]通過實地調查了家庭用戶參與澳大利亞某公司需求響應的意愿，并分析了影響意愿的相關因素；在此基礎上，文獻[78]進一步考慮消費者面對風險的態度，基于前景理論(prospect theory，PT)描述了消費者面對需求響應市場中風險的態度；而文獻[79]則采用累積前景理論量化虛擬電廠內消費者對電子支付返利的主觀態度。作為虛擬電廠中的常見資源，針對電動汽車的建模也是至關重要。文獻[49]針對不同類型的電動汽車進行了分類并建模；文獻[80]探究了用戶的出行規律，并搭建了電動汽車的出行模型與充電時長模型；而文獻[81]基于韋伯費希納定律，建立了電動汽車參與自動發電控制調頻的不確定性響應曲線。

同時，隨著神經網絡(neural network，NN)與強化學習(reinforcement learning，RL)的快速發展，無模型算法在決策過程中的建模獲得了一定程度的應用[82-83]。文獻[84]將電動汽車充電表述為馬爾可夫決策過程(Markov decision process，MDP)，并利用強化學習進行求解，實現了自適應學習最優策略及電動汽車最優充電導航。進一步地，該技術被應用到傳統虛擬電廠的管理中，文獻[78]則將消費者參與需求響應的決策表述為MDP，同樣利用深度學習的無模型算法，在無需任何系統信息的條件下為DR 計劃確定最優的定價策略。

精細化建模的方法主要為隨機優化、魯棒優化提供更精確的概率模型，以便進行更精細的不確定性分析。

3.1.3 魯棒優化

電力系統運行中的隨機變量往往難以通過概率密度函數對其進行準確的描述。而作為處理不確定性的另一種手段，魯棒優化(robust optimization，RO)逐漸應用到電力系統的相關研究中。魯棒優化中，通常不需要給出隨機參數的概率分布，只需要掌握不確定參數所屬的不確定集合即可。與隨機優化相比，魯棒優化的思路相對更加保守[85]，其目標為：找到最惡劣場景下的確定性模型解[86]，當最差的場景下可以滿足時，其余場景定可滿足。

近年來，許多學者將魯棒優化、自適應魯棒優化等技術運用到虛擬電廠投標策略的不確定性處理中。文獻[34,85,87]利用自適應魯棒優化方法處理了風力發電的隨機性；而文獻[88]同時考慮了風電與負荷的不確定性，建立了兩階段魯棒優化模型，實現了電動汽車與儲能參與電網削峰填谷；文獻[89]則利用魯棒對電動汽車充放電功率的不確定性進行了處理，提高了VPP運行的利潤。

該方法具有較強的實用性，計算壓力相對較小[90]。但所選的策略往往過于保守，難以最大化潛在利潤。

3.2 基于博弈論的虛擬電廠投標策略分析

市場投標的過程屬于典型的博弈過程，故大量學者基于博弈論對虛擬電廠的投標、管理等策略進行了詳細的分析。

部分學者基于合作博弈理論對虛擬電廠的收益分配進行了探究，通過Shapley 值法、核仁法、核心法等方式進行收益分配[91,35]。也有學者認為，虛擬電廠與內部所管理資源之間具有主從與領導關系，故基于Stackelberg 博弈模型對其內部資源管理進行分析[74,79]。文獻[92]通過主從博弈管理虛擬電廠所聚合的發電企業；文獻[93]則進一步考慮電動汽車、儲能系統等資源，建立了虛擬電廠內部通過主從博弈管理參與電力市場的模型；而文獻[94]基于Stackelberg 博弈制定了虛擬電廠對內部用戶的返利機制，并開發了一種基于交叉學習模型的強化學習方法以求解該雙層模型。還有部分學者通過其他類型的博弈來分析虛擬電廠的投標與管理過程；如：文獻[95]基于貝葉斯模型制定了虛擬電廠內部資源的能源交易模型；而文獻[56]基于納什均衡提出了討價還價的內部資源收益分配方式。

多虛擬電廠投標的過程同樣可以采用博弈論來進行分析。文獻[65]利用無限次重復博弈模型，分析了多虛擬電廠互動模型；文獻[96]基于非合作博弈分析了多虛擬電廠之間的競標過程；而文獻[97]基于動態博弈分析了虛擬電廠3種不同風格的投標目標的合理性。

4 結論

虛擬電廠參與各類型電力市場時，目前最需要解決的問題仍然是充分處理所聚合資源的不確定性。未來，隨著分布式可控設備的迅速增多，虛擬電廠的運行、管理、優化調度與市場投標將更加復雜?？偟膩碚f，未來隨著電力市場化進程的不斷深入，虛擬電廠的技術也需要隨之跟進。未來的研究可以從以下3方向深入開展：

1）引入虛擬電廠報量、報價機制，并充分發揮博弈論在投標研究中的作用。當前的研究中，大部分研究者都將虛擬電廠作為價格接收者參與電力市場，而隨著大量分布式電源并網、可調度負荷側資源的接入，虛擬電廠的規模將進一步擴大，顯然，作為價格接收者參與市場并不滿足市場發展需要。因此，應當充分考慮虛擬電廠的報量、報價策略對電力市場的影響，探究虛擬電廠的主動報量、報價策略。

2）充分考慮電動汽車等資源的接入。未來，電動汽車將逐步替代燃油車，成為市場的主流。而大量的電動汽車在閑暇時段接入電網，將成為電網優質的可調節儲能資源，因此，可以從用戶行為、電動汽車電池健康管理、虛擬電廠對電動汽車資源的主動調控等多方面入手，以充分發揮儲能資源的調節作用。

3）開發更高效的優化調度求解算法。在投標策略數學建模的過程中，通常采用雙層模型進行優化，且需要對大量的優化變量進行求解。當前，主要利用KKT定理轉化、遺傳算法、粒子群算法等求解雙層模型。未來，當虛擬電廠參與實時市場時，將需要更迅速、效率更高的求解優化算法。