随着全球能源形势的日趋复杂,以及我国“双碳”目标的提出,大力发展分布式新能源将是我国能源行业的重点。虽然各种类型的分布式新能源在电力系统中的渗透率不断提高,但是也对我国能源结构产生了非常大的影响。由于分布式新能源的出力具有随机性与间歇性,并网时容易对电力系统的性能产生不利影响。并且分布式新能源一般规模较小、地理分布不均,因此对电网调度中心来说是不可见的,难以对其进行优化调度,也就无法充分发挥分布式新能源的发电潜力。而虚拟电厂（Virtual Power Plant,VPP）能够对分布式新能源进行统一的管理与调度,它能把不同类型,不同地理位置的分布式能源聚合为一个整体并入电网接受统一调度。本文的研究内容主要是针对上述问题,在虚拟电厂优化调度模型的基础上,学习大量研究者所提出的经验与成果,探究虚拟电厂聚合特性,并降低虚拟电厂的运行成本,以及配合主网进行全网的优化调度,合理地利用分布式新能源的发电潜力,保障电网运行的稳定与安全。针对上述背景问题,本文展开了三方面的研究工作。首先,研究了包含电动汽车以及分布式风电的虚拟电厂优化调度问题。本文提出了一个两阶段优化框架,第一阶段以整个系统的运行成本最优为目标函数,对下属各个虚拟电厂进行出力分配。第二阶段根据第一阶段的出力分配,以虚拟电厂自身成本最小为目标函数对虚拟电厂内部的电动汽车充放电以及分布式燃气轮机出力进行调度。并基于该框架设置了一个包含两个虚拟电厂的电力系统,并分别用集中式调度和两阶段调度对其进行了求解与对比,分析了两种调度方式对电动汽车充电满意度的影响。其次,对虚拟电厂的聚合特性进行了初步的研究。虚拟电厂的安全运行,及其内部分布式新能源的充分利用都需要对虚拟电厂的聚合特性即虚拟电厂的出力上下限的确定进行研究。因此这一部分主要研究了基于Q学习算法的虚拟电厂聚合参数优化。建立了虚拟电厂聚合特性模型,并且用传统的CPLEX求解器（试用版）求解。把虚拟电厂聚合特性模型嵌入了强化学习的框架,并提取了状态,动作,奖励等参数,改造为适用于强化学习算法的环境模型。该模型用强化学习算法中的Q学习算法进行了求解,与传统方法的求解结果进行了对比,验证了模型框架的可行性。并且本文改进了强化学习算法中奖励和状态的设置,使得在强化学习的优化中降低了聚合出力越界次数,保障了系统的安全性。充分的整合了虚拟电厂内部多种类型分布式新能源的发电特性,也充分挖掘了虚拟电厂内部分布式新能源的发电潜能。最后本文研究了虚拟电厂作为一个整体在电网中的优化调度。首先基于上述对虚拟电厂聚合特性的研究建立了适用于强化学习的虚拟电厂参与电网的优化调度模型。即把虚拟电厂和由其构成的电力系统作为强化学习的环境,把电网调度中心作为智能体。采用了强化学习中能够处理连续动作与状态的深度确定性策略梯度（DDPG）算法,同时设置了 IEEE9节点的包含两个虚拟电厂的电力系统,并采用了 2021年全年乌兰察布地区的实际风电、光伏以及负荷数据作为训练数据对强化学习的Agent进行训练。并以春、夏、秋、冬四个季节中的典型日作为测试数据对模型框架进行测试。同时用CPLEX求解器（试用版）对传统模型进行精确求解,对所提方法的误差进行分析对比。求解结果表明,所提强化学习框架能够在只获取虚拟电厂聚合成、聚合出力等少量信息的情况下,使优化得到的弃风、弃光率以及虚拟电厂运行成本接近于掌握全部信息的传统模型,可以看出所提方法较有可行性。并且相比于传统的两阶段优化法更具优势。