1.基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于包括以下步骤：步骤1：初始化系统参数，输入原始数据；

步骤2：基于拉丁超立方采样，生成初始数据样本集，每个样本点代表一组交易电价，记为分别表示数据样本集中T个时段的售电价；分别表示数据样本集中T个时段的购电价；

步骤3：将每组交易电价带入上层DNO模型以及下层VPP的能量管理模型，计算得到每组交易电价对应的各VPP交易电量步骤4：将初始样本数据集带入步骤3中上层DNO求解模型中，然后计算每组交易电价对应的上层目标函数值CDNO，根据上层目标函数值CDNO确定关键区域，将上层DNO模型的优化策略空间划分成Nl个关键区域，各个关键区域最优值为在每个关键区域中，采用遗传算法求解局部最优电价步骤5：调用步骤3中下层VPP能量管理模型计算真实交易电量，作为优异采样点更新到当前的采样点集中，从而计算得出上层DNO模型中的真实值，通过反复迭代、比较得到全局最优解；

步骤6：判断输出的全局最优解是否满足收敛条件，若满足停止迭代，输出纳什均衡解，若不满足，则重回步骤2。

2.根据权利要求1所述基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于：所述步骤1中，原始数据包括电力市场的上网电价和电网电价虚拟电厂中多源相关参数、Kriging元模型相关参数，遗传算法的相关参数；

多源相关参数具体包括：风电、光伏、负荷预测数据，风电机组和光伏发电机组输出功率上下限，燃气轮机的最大输出功率、下爬坡速率下限和上爬坡速率上限，储能充放电功率上下限，储能荷电状态上下限，需求侧可中断负荷的最大中断量；

Kriging元模型相关参数具体包括：dacefit函数中theta、lob和upb的初始值；

遗传算法相关参数具体包括：种群规模大小、交叉率、变异率以及迭代次数。

3.根据权利要求1所述基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于：所述步骤2中，交易电价包括售电价和购电价，初始样本点的个数一般取变量数的9-10倍。

4.根据权利要求1所述基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于：所述步骤3中，上层DNO以最大化经济效益制定与VPP的各个时段购电价和售电价，以电价约束、购售电量约束为约束条件；

所述上层DNO模型的目标函数表达式如下：

式中：表示t时刻电力市场的上网电价，表示t时刻电力市场的电网电价；表示DNO为VPP制定的各个时段的购电价，表示DNO为VPP制定的各个时段的售电价；PtDNO,s表示DNO向电力市场售电量，PtDNO,b表示DNO向电力市场购电量；表示第i个VPP向DNO售电量，表示第i个VPP向DNO购电量；Num表示VPP的总数；

所述上层DNO模型的约束条件具体表示为：

(1)、电价约束：

式中：表示t时刻电力市场的上网电价；表示t时刻电力市场的电网电价；表示配电网运营商为虚拟电厂制定的各个时段的购电价，表示配电网运营商为虚拟电厂制定的各个时段的售电价；

(2)、购售电量约束：

式中：PtDNO为各VPP上报购售电电量以后，DNO进行汇总再与电力市场进行交易的总电能，大于0表示DNO向电力市场购入电量，小于0表示DNO向电力市场售出电量；

表示第i个VPP在时段t时向DNO购电量，表示第i个VPP在时段t时向DNO售电量；

PtDNO,b表示DNO在时段t向电力市场购电量，PtDNO,s表示DNO在时段t向电力市场售电量。

5.根据权利要求4所述基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于：所述步骤3中，下层VPP以运行成本最小化为目的，综合考虑了多项成本，包括购电成本燃气轮机成本储能电站的运行成本风光发电机组运行成本以及需求侧的可中断负荷成本以电量约束、功率平衡约束和内部出力约束为约束条件；

下层VPP能量管理模型的目标函数表达式如下：

其中:

其中：M1,n表示燃气轮机成本模型二次项系数；M2,n表示燃气轮机成本模型一次项系数；M3,n表示燃气轮机成本模型常数项系数；

T表示调度周期；t表示时段；

表示配电网运营商为虚拟电厂制定的各个时段的购电价，表示配电网运营商为虚拟电厂制定的各个时段的售电价；

表示燃气轮机的输出功率；表示储能电站的充放电功率；表示储能的调度成本系数；表示储能的充放电功率；an表示风电机组运行成本系数；为风电机组的输出功率；bn表示光伏发电机组运行成本系数；表示光伏发电机组的输出功率；表示需求侧中断补偿电价；表示需求侧可中断负荷的中断功率；

下层VPP能量管理模型的约束条件具体表示为：

①电量约束：

式中：表示第i个VPP与运营商的交易电量；表示第i个VPP在时段t时向DNO购电量；表示第i个VPP在时段t时向DNO售电量；表示第i个VPP与DNO交易的最大电量；

θi,t表示布尔变量，取值为1时表t时刻第i个VPP向DNO售电，取值为0时表示t时刻第i个VPP向DNO购电；

②功率平衡约束：

式中：表示t时刻负荷的预测值；N表示第i个VPP所包含的分布式电源集合；j∈N，表示第j个分布式电源；

③内部出力约束：

式中：表示燃气轮机的最大输出功率；

表示燃气轮机向下爬坡率；表示燃气轮机向上爬坡率；

表示t-1时刻燃气轮机的输出功率；

表示储能充放电功率的上限；表示储能充放电功率的下限；

表示t时刻储能的荷电状态；表示t-1时刻储能的荷电状态；

△t表示时刻差值；En,max表示储能的最大能量容量值；

表示储能荷电状态的上限；表示储能荷电状态的下限；

表示t时刻风电机组最大输出功率；表示t时刻光伏发电机组的最大输出功率；为激励型需求侧可中断负荷的最大中断量；表示激励型需求侧可中断负荷的中断功率。

6.根据权利要求5所述基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于：所述步骤3中，交易电价和虚拟电厂交易电量构成初始样本数据集：表示初始数据样本集；表示虚拟电厂中任意分布式电源；n表示VPP中所包含的分布式电源数量；

i＝1,...,N，N表示系统框图中虚拟电厂具有N个。

7.根据权利要求1所述基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于：所述步骤4中，根据上层目标函数值CDNO确定关键区域，关键区域在此指的是：根据划分步骤，剔除含最优解概率低的区域。

8.根据权利要求1所述基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于：所述步骤4中，划分成Nl个关键区域，包括如下步骤：步骤a:令l＝1，l表示划分区域编号，编号越小，表面该区域包含最优解的概率越大；

令F表示所有电价样本点及对应的上层目标函数值集；

其中，表示当前电价所有采样点，表示对应的DNO的目标函数最优值，并将所有电价样本点集放入集合X中；

步骤b:取F中最大目标函数值yl，表示式如下：

其中，为区域l中最大目标函数值对应的电价样本点；

步骤c:将放入Fl中，放入Xl中；

Fl表示划分区域l中所有电价样本点及对应的上层目标函数值集；Xl表示区域l中当前所有电价样本点集；

以为中心，以r为半径，将集合X中距离小于等于r的电价样本点放入集合Xl，并将对应的放入Fl中，其中，r的表达式如下：其中，表示最高交易电价；表示最低交易电价；k表示当前博弈模型的迭代次数；kmax表示最大迭代次数；

步骤d:令F＝F\Fl，X＝X\Xl，如果则令l＝l+1，返回到步骤b；

其中：表示当前的所有电价样本点集为空集。

9.根据权利要求1所述基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于：所述步骤4中，采用遗传算法求解局部最优电价包括以下步骤：步骤①：针对所划分的关键区域，将每个区域Kriging模型的最终最优收益值在MATLAB程序中设置为一行一列零矩阵，对应的最优解MATLAB程序中设置为一行四十八列的零矩阵；

步骤②：设置种群规模大小、交叉率、变异率以及最大迭代次数；

步骤③：计算群体中各个个体的适应度，然后求解博弈模型G；

G＝{(γD,s,γD,b),{PiVPP}，{minfiVPP}{maxCDNO}}     (11)；

步骤④：将交叉、变异算子作用于群体，产生出代表新的解集的群体；对新种群的个体适应度进行计算；

步骤⑤：判断步骤④得到的新种群是否满足收敛条件，满足输出局部最优电价，否则返回步骤④。

10.根据权利要求1所述基于改进的Kriging算法的虚拟电厂动态定价优化方法，其特征在于：所述步骤5中，计算出上层DNO模型的目标函数实际值与进行对比，如果则令通过比较所有区域最优解，取其中最大值作为当前迭代的全局最优解其中：l表示划分的区域编号；Nl表示划分区域总数。