为了实现高渗透率分布式电源的完全消纳和多种资源的协调控制,建设虚拟电厂将不同的分布式电源和储能设备进行聚合,以实现整体的有功协调控制是一个有效的解决方案。然而,新能源出力的随机性和波动性对虚拟电厂的控制过程带来了巨大的挑战。在虚拟发电厂实时控制的过程中,为了实现对发电参考轨迹的准确跟踪,有必要引入反馈环节,进行闭环控制,而模型预测控制正是可以利用的有效工具,而其中预测模型的预测精度无疑是另一个关键。为了应对接入虚拟电厂中间歇性分布式电源出力不确定,解决其预测精度随着时间尺度的增长而下降,造成预测不准确的的问题,本文在多智能体系统的框架下,提出了基于改进模型预测控制的虚拟电厂有功协调优化调度策略,实现了分布式电源的最大化消纳和虚拟电厂发电参考轨迹的准确跟踪。利用基于长短期网络的深度学习模型,分别在历史数据充足和历史数据不足的环境下,实现了对新能源出力的超短期准确预测,以应对其发电功率的随机性和波动性;构建基于模型预测控制的闭环滚动优化调度模型,采用多步动态滚动优化,以相对参考轨迹的修正偏差最小为目标,采用序列二次规划法进行有功出力增量的求解,完成了虚拟电厂内部各资源的协调控制。本文基于国内某些地区的分布式电站以及虚拟电厂的实测数据对所提模型进行了仿真验证。在分布式电源刚刚投入运行,历史数据不足以单独完成模型训练的情况下,通过迁移学习将运行时间较长且出力特性具有强相关性的机组数据加以利用,进而完成模型的训练;将训练好的风光出力预测模型作为模型预测控制方法的预测模块,对虚拟电厂有功功率进行滚动优化求解,并与基于持续法预测的传统模型预测控制方法进行横向比较,算例结果验证了本文所提方法在虚拟电厂有功功率输出参考轨迹跟踪方面的有效性和优越性。