针对高比例分布式能源和灵活可调负荷接入下，虚拟电厂(virtualpowerplant,VPP)调度特性复杂、各主体隐私数据保护困难的问题，本文提出一种基于联邦强化学习的多VPP安全协同隐私数据保护方法，实现多VPP可调资源协同优化与敏感数据的可用不可见．首先，通过分析VPP内部可调资源的时空耦合性和时变性，构建了多VPP协同的全网调频备用资源调度模型和VPP内部可调资源物理模型．其次，将VPP可调资源的响应行为转化为一个时序马尔可夫决策过程，建立VPP内部深度Q网络(deepQ-network,DQN)优化调度模型，以经济优化为目标响应调度需求．然后，提出了基于改进横向联邦平均算法的多个DQN模型协同训练方法，通过联邦平均优化全局模型训练参数，并设计全局模型更新间隔自适应调整机制，提升DQN模型训练效率与精度．整个训练过程各VPP无需向上层调度中心上报详细物理模型，无需在训练过程中对等交互信息．最后，结合某地区调频辅助服务市场数据与IEEE-39节点网络算例，对提出算法进行仿真验证，并讨论了不同调度策略对不确定性调节资源的适应能力．与同类算法的对比结果表明，所提算法隐私泄露方差为0.11，调度成本最大可降低22.5%，在各调节时段，能够保护VPP运行和物理模型数据并实现可调资源高效低成本参与电力市场．