氣候變化條件下基于智能預測模型的虛擬電廠不確定性運行優化研究

賈曉強，楊永標，杜姣，甘海慶，楊楠

（1.電網安全全國重點實驗室(中國電力科學研究院有限公司)，北京市 海淀區 100192；2.東南大學電氣工程學院，江蘇省 南京市 210096；3.國網江蘇省電力有限公司，江蘇省南京市 210000；4.國網江蘇省電力有限公司南京供電分公司，江蘇省 南京市 210000）

0 引言

隨著“3060”(即“雙碳”)目標的持續推進，我國能源行業正在進行新一輪的綠色低碳化轉型，以新能源為主體、多能互補運行的新型能源體系將成為我國主要的能源供給模式，因此，亟須充分挖掘促進新能源消納潛力、多措并舉實現多能互補高效運行的能源調控管理[1-2]。虛擬電廠(virtual power plant，VPP)可打破空間約束壁壘，將分散分布的多個供能單元進行統一靈活調控，有效提升能源供給效率和新能源的消納率[3-5]。國家發改委在《“十四五”現代能源體系規劃》中也明確提出，要以虛擬電廠等新模式新業態為依托，開展智能調度、能效管理，加快能源產業轉型升級[6]。然而，在實際應用中，虛擬電廠要綜合考慮各供能單元的能源輸出特性、傳輸效率、生產成本及負荷特性，統籌安排各能源之間的協同互補工作[7-9]。因此，如何尋找到各設備之間的最優耦合交互路徑，實現能源的高效、安全、低碳供給，將成為虛擬電廠關注的焦點。

現有的研究多數是運用優化建模技術制定虛擬電廠運行策略，然后生成經濟可行、低污染、高效率的能源供給方案。叢琳等[10]建立了一種綜合考慮儲能設備、能源轉換設備、需求側多能源響應和碳排放的虛擬電廠兩階段優化運行模型，在降低虛擬電廠碳排放成本和總調度成本的同時，也能提升用戶參與綜合需求響應的效益。元志偉等[11]建立了風電出力-光伏出力-電負荷-熱負荷高維數據驅動不確定模糊集，并在此基礎上提出了虛擬電廠兩階段隨機魯棒優化調度策略，該優化方法可以實現經濟性與魯棒性的均衡。Chang等[12]提出一種基于模型預測控制的虛擬電廠協同優化管理模型，利用長短期記憶神經網絡，提前獲取負荷、風電、光伏發電的預測信息，以經濟成本最小化為優化目標，獲得虛擬電廠最優運行策略。Yan等[13]為實現最優能源和運行儲備調度，提出了一種最優虛擬電廠能源管理方法，涵蓋了可再生能源發電和負荷預測模型，得出了最優運行方案。張明光等[14]基于粒子群算法完成了風光出力預測，并在此基礎上建立了虛擬電廠低碳調度模型。汪洋葉等[15]應用長短期神經網絡，實現了新能源出力與負荷需求的雙重預測，基于預測結果搭建了虛擬電廠能源管理模型，提升了虛擬電廠的經濟效益。黃勤坤等[16]為處理風光出力的波動性，基于隨機優化算法，建立了考慮多重不確定性的虛擬電廠優化調度模型。張大海等[17]通過獲得風光出力與電負荷的不確定集，搭建了計及風光不確定性的虛擬電廠運行優化模型，提升了系統的魯棒性和經濟性。

綜上所述，現有針對虛擬電廠運行優化的研究，主要是在掌握能源輸出數據和負荷需求數據的基礎上，結合不確定性算法，通過設置優化目標條件，利用可以描述設備間能源耦合傳輸規律的仿真模型，獲得最佳運行策略。然而，隨著氣候變化的不斷加劇及“雙碳”目標的持續推進，現有的研究方法將遇到新一輪的挑戰[18-19]。首先，受氣候變化的影響，與氣象要素緊密相關的用戶能源需求量和可再生能源出力量將發生顯著變化，而現有的系統難以生成適應氣候變化的供能策略，供能方案的準確性和安全性將受到潛在的影響。其次，精準的源荷雙側供需數據是保證供能方案安全性的重要條件，針對新能源電站出力和負荷需求的計算，應用最多的2種方法分別為人工智能預測方法和不確定性優化方法。雖然人工智能方法已在虛擬電廠源荷兩端預測中實現了大規模應用，但模擬結果仍有部分偏差，導致源荷兩端存在的不確定性仍然會對虛擬電廠運行方案的科學性產生一定影響；不確定性優化算法雖然在處理參數波動性和隨機性上有一定優勢，但在預測未來氣候變化條件下新能源出力和負荷需求上，仍存在模擬精度不足的問題。因此，如何同時實現源荷的精準預測和規避不確定性的影響，是保證虛擬電廠安全經濟運行的重要因素。

針對以上問題，本文在綜合考慮氣候變化的條件下，提出了基于智能預測方法的虛擬電廠不確定性運行優化模型。該模型綜合采用區域氣候模型(providing regional climate for impact studies，PRECIS)、BP 神經網絡模型和區間優化算法，考慮了氣候變化影響下外界氣象條件對能源供需的影響，并將供需預測與不確定性算法進行有機結合，提升了虛擬電廠運行的經濟性和可靠性。

1 方法與模型

1.1 研究路線

本文研究路線如圖1 所示，首先，在充分完成資料收集的基礎上，應用PRECIS 完成2025 年典型碳排放情景和高碳排放情景中氣溫、風速和輻射量等氣象要素模擬；其次，以BP神經網絡為預測模型，以歷史氣象、光伏電站出力和負荷等數據為訓練數據，完成光伏出力預測與負荷預測模型訓練，在此基礎上，通過輸入前述PRECIS所得未來氣象數據，完成氣候變化條件下未來光伏電站和負荷需求預測；再次，通過預測結果的誤差分析，結合區間優化算法，將所得光伏出力和負荷需求轉換為不確定性區間參數；最后，以系統運行成本最小化為優化目標，以設備處理平衡和能源供需平衡為約束條件，結合前述不確定性區間參數，分別建立虛擬電廠不確定性運行優化的上界子模型和下界子模型，通過對2 個子模型的統一求解，最終獲得氣候變化條件下虛擬電廠的最優運行策略。

圖1 研究路線圖Fig.1 Research roadmap

1.2 區域氣候模型

PRECIS 是由英國氣象局Hadley 中心研發的一種區域氣候模型，可為發展中國家和地區提供高分辨率氣象參數。本研究中，將PRECIS 積分步長設置為5 min，水平分辨率為0.44°(緯度)×0.44°(經度)，研究區域坐標為32°23'N，118°13'E，水平方向精度為25 km×25 km，垂直方向可分為19 層，最高層達到1 kPa。在垂直方向上，PRECIS 下面4 層采用地形追隨σ坐標系，中間層采用混合坐標系，上面3 層采用P坐標系，在水平方向上應用Arakawa B 網格進行計算，氣候情景選擇政府間氣候變化專門委員會(Intergovernmental Panel on Climate Change，IPCC)提出的共享社會經濟路徑(shared socioeconomic pathways，SSPs)中的典型碳排放濃度(即SSP2-4.5)情景和高碳排放濃度(即SSP2-8.5)情景，輸出數據主要為2025年全年逐時的氣溫、風速和輻射量數據。

1.3 BP神經網絡模型

BP神經網絡是一種按照誤差反向傳播訓練的神經網絡算法，其實質是將訓練過程分為2 個部分，即信號的正向傳播和誤差的逆向傳導[20]。信號在正向傳播的過程中，若訓練結果與實際結果出現較大的誤差，系統將開始以誤差為主的逆向傳導，在逆向傳導的過程中，網絡中各單元都會基于獲得的誤差信號進行修正后再次正向傳播。如此反復循環，直到最后輸出結果達到訓練標準。本研究將基于BP神經網絡算法分別建立光伏出力預測模型和負荷需求預測模型，其中BP算法的隱含層層數設置為3 層，隱含層中神經元數設置為7個，隱含層節點的傳遞函數為tansig函數，輸出層節點的傳遞函數為purelin 函數，訓練函數為trainoss函數，學習函數為learngdm函數，訓練輸入數據為歷史氣溫、風速和輻射量等氣象數據，輸出數據為光伏電站發電量和電、熱負荷量。

1.4 區間優化算法

為有效降低基于BP神經網絡算法的光伏出力預測模型和負荷預測模型模擬誤差對虛擬電廠優化結果科學性的影響，同時規避風光能源和負荷固有波動性產生的負面效益，本文在獲得光伏出力預測結果和負荷預測結果的基礎上，結合預測偏差，通過耦合區間優化算法，將上述參數考慮成在一定范圍內波動的區間參數，具體如下：

式中：x±和y±均為區間參數；x+和y+分別為2個區間參數的上界，代表參數x和y可以取到的最大值；x-和y-分別為2個區間參數的下界，代表參數x和y可以取到的最小值。區間參數的運算規則如下：

式中k≥0，為任意實數。

1.5 虛擬電廠不確定性運行優化模型

為了保證虛擬電廠的運行效益，促進虛擬電廠的大規模推廣，本文以整體運行成本最小化為目標，建立虛擬電廠不確定性運行優化模型，具體如下：

式中：C±為虛擬電廠運行總成本；為虛擬電廠購電成本；為虛擬電廠一次能源購置成本；為虛擬電廠各發電單元運行維護成本；Z(t)±為t時刻購電總量；Cep(t)為t時刻購電單價；Vj(t)±為t時刻第j個消耗天然氣供能設備的天然氣消耗量；Cng(t)為t時刻天然氣單價；Ej(t)±為t時刻第j個供能設備的出力量；Cm，j(t)為t時刻第j個供能設備的單位出力維護成本；T為研究周期數，取24 h。

優化模型設備出力約束如下：

式中：Egt(t)±、Qgt(t)±、Qgh(t)±和Qgah(t)±分別為t時刻燃氣輪機發電量、燃氣輪機抽氣量、余熱鍋爐制熱量、補燃鍋爐制熱量；θgt、θgte、θgh和θgah分別為燃氣輪機供電效率、燃氣輪機熱效率、余熱鍋爐效率、補燃鍋爐效率；H為天然氣低位熱值；Vgt(t)±和Vgah(t)±分別為燃氣輪機和補燃鍋爐的耗氣量；Ees(t)±、Eu(t)±和Ed(t)±分別為t時刻電化學儲能設備的蓄電量、儲電量和放電量；ηu和ηd分別為儲電效率和放電效率；Ej±為第j個供能設備的出力量；Emin，j和Emax，j分別為第j個供能設備出力的最小值和最大值。

優化模型的供能平衡約束如下：

式中：EPV(t)±為t時刻光伏發電單元的發電量；Eequip(t)±和Qheat(t)±分別為t時刻電負荷、熱負荷。

1.6 虛擬電廠不確定性運行優化模型求解方法

本文提出的虛擬電廠不確定性運行優化模型可轉化為上、下界2個子模型，依次對2個子模型進行求解，最終得到一組區間數的最優解，求解方法如下：

式中：A±、B±、C±均為區間參數，X±為決策變量。為計算區間規劃，分別對2 個子模型進行求解，其中下界子模型如下：

式中：A+、B-和C-分別為區間參數A上界、B下界、C下界；X-為決策變量的下界。

上界子模型如下：

式中：A-、B+和C+分別為區間參數A下界、B上界、C上界；X+為決策變量的上界。

通過對模型上下界子模型的統一求解，可獲得決策變量的最優解Xj,opt±和目標函數的最優值fopt±，計算式如下：

式中：Xj,opt-和Xj,opt+分別為第j個決策變量最優解的下界和上界；fopt-和fopt+分別為目標函數最優值的下界和上界。

2 研究案例

本文以我國南方某園區為研究案例，該園區可供虛擬電廠調用的供能單元主要包括光伏電站、分布式天然氣熱電聯產系統、電化學儲能設備及燃氣補燃鍋爐。所在地區電價為階梯電價，其中谷時電價(00:00—08:00)為0.41元/(kW·h)，峰時電價(15:00—16:00、20:00—21:00)為0.95 元/(kW·h)，其余時段為0.61 元/(kW·h)。案例的主要工程參數及經濟參數見表1。

表1 系統參數Tab.1 System patameters

3 結果分析

3.1 氣候變化條件下未來氣象要素模擬結果分析

本文利用PRECIS 對單向嵌套全球氣候模式HadGEM2-ES 模型的SSP2-4.5 和SSP2-8.5 情景的氣候模式數據進行動力降尺度，以25 km×25 km為空間分辨率，得到研究地區2025年的氣象要素逐時預測值。圖2 和圖3 分別為SSP2-4.5 情景和SSP2-8.5 情景下應用PRECIE 模擬得到的2025 年氣溫、輻射量和風速變化情況。

圖2 SSP2-4.5情景下2025年各氣象要素逐時模擬結果Fig.2 Hourly simulation results of various meteorological elements in 2025 under SSP2-4.5 scenario

圖3 SSP2-8.5情景下2025年各氣象要素逐時模擬結果Fig.3 Hourly simulation results of various meteorological elements in 2025 under SSP2-8.5 scenario

由圖2和圖3可知，氣溫、風速和輻射量受到氣候變化的影響而呈現出不同的變化趨勢。本文分別以1月、4月、7月和10月作為冬季、春季、夏季和秋季的典型月，在SSP2-4.5情景下，2025年1月和7月的平均氣溫分別為2.62 ℃和26.90 ℃；但在SSP2-8.5情景下，2025年1月和7月平均氣溫分別增長至3.93 ℃和31.03 ℃，春季和秋季也呈現出相同的變化趨勢。輻射量的變化結果與氣溫相似，在SSP2-4.5情景下，1月和7月的平均輻射量分別為131.42 W/m2和241.75 W/m2；在SSP2-8.5 情景下，兩者分別升高至141.61 W/m2和263.67 W/m2。與氣溫和輻射量的變化趨勢不同，隨著碳排放量的升高，風速反而呈現出下降的變化趨勢。在SSP2-4.5情景下，1 月和7 月的平均風速分別為2.89 m/s 和5.02 m/s；但在SSP2-8.5情景下，平均風速分別降低至2.56 m/s和3.34 m/s。綜上所述，隨著氣候變化的加劇，氣溫和輻射量呈現出上升的變化趨勢，而風速則呈現出下降的變化趨勢。

由于研究案例中包含熱電聯產系統，熱負荷為虛擬電廠主要供給負荷之一，因此，本文選擇熱負荷和電負荷全年最高的1 月典型月進行虛擬電廠運行優化研究，將本節中獲得的2 個氣候變化場景下2025 年1 月氣溫、風速和輻射量數據作為后續光伏出力預測模型和負荷預測模型的輸入數據，以此研究不同碳排放強度對預測模型模擬精度的影響。

3.2 光伏出力及負荷預測結果分析

3.2.1 BP神經網絡模型模擬精度結果分析

圖4和圖5給出了不同碳排放情景下BP神經網絡模型預測精度對比結果，可以看出，SSP2-4.5情景下模型的模擬精度明顯優于SSP2-8.5。具體來說，100個數據樣本的模擬結果顯示：在SSP2-4.5情景下，光伏出力、電負荷和熱負荷的平均預測誤差率分別為5.53%、7.44%和4.43%；而在SSP2-8.5 情景下，上述3 個指標分別增加至7.28%、9.15%和6.33%。這是因為，預測模型是以歷史氣象數據和發電數據作為訓練樣本，訓練情景與典型碳排放情景更為契合，因此模擬精度更高。若從氣候變化的角度考慮，以高碳排放情景下的氣象數據作為輸入數據，輸出結果必然會出現一定偏差。因此，本文選擇應用SSP2-4.5情景作為后續虛擬電廠運行優化的模擬情景。

圖4 SSP2-4.5情景下預測模型模擬結果與真實數據對比Fig.4 Comparison of simulation results and real data of predictive models under SSP2-4.5 scenario

圖5 SSP2-8.5情景下預測模型模擬結果與真實數據對比Fig.5 Comparison of simulation results and real data of predictive models under SSP2-8.5 scenario

對SSP2-4.5情景下BP神經網絡預測模型模擬結果進行深入分析可知，光伏出力預測模型和負荷預測模型的模擬結果的變化趨勢基本上與實際結果保持一致。具體來看，100 個數據樣本的光伏出力預測的平均誤差率為5.53%，其中只有4個樣本模擬偏離度較高，誤差率超過±20%，其余樣本的偏差率均處于-10%～10%。與此同時，熱負荷預測的平均誤差率為4.43%，正誤差率最大為9.93%，負誤差率最大為-13.12%。相比之下，電負荷預測的誤差率最高，為-17.63%～17.30%，這是因為光伏發電和熱負荷與氣象要素的變化(如氣溫、輻射量)關聯度更高，導致以氣象要素為訓練輸入數據的BP神經網絡模型在預測光伏發電和熱負荷方面表現得更為出色，不過電負荷預測的整體平均誤差也僅為7.44%。

3.2.2 氣候變化條件下光伏出力、熱負荷和電負荷預測結果分析

在完成光伏出力預測和負荷預測模型檢驗的基礎上，將前述基于PRECIS得到的未來氣象要素模擬結果與光伏發電預測模型相耦合，進行氣候變化條件下2025年1月典型日光伏電站的出力預測和負荷預測，同時考慮到預測結果的誤差率以及光伏出力和負荷自身固有的波動性，本文將以區間參數形式表示光伏出力、熱負荷和電負荷，如圖6所示。由圖6可知，光伏出力、熱負荷和電負荷3個區間參數均由上界和下界組成，上、下界分別取歷史預測值最大正、負誤差率作為修正參數，對BP神經網絡模型預測結果進行不確定性處理。同時，將上述3個區間參數作為光伏出力約束和供需平衡約束條件，用于后續虛擬電廠不確定性運行優化研究。

圖6 典型日光伏出力、電和熱負荷Fig.6 Photovoltaic output,electrical and heat load in typical day

3.3 虛擬電廠不確定性運行優化結果分析

3.3.1 虛擬電廠供電系統運行策略分析

圖7 為典型日虛擬電廠供電系統運行策略?？芍?，作為低碳清潔型能源的光伏能源實現全部消納，全天出力總量為[3 184.2，3 891.8]kW。除此之外，用戶側電負荷由燃氣輪機和主網購電共同供給，其中主網購電功率為[13 346.20，24 336.72]kW，燃氣輪機發電功率為[16 868.86，19 418.93]kW。這是因為在電價低谷階段，燃氣輪機發電的生產成本要高于主網購電價，因此在該時段主網購電供給量要大于燃氣輪機發電供給量；相反，在電價平時段和峰時段，燃氣輪機發電更具有經濟優勢，因此在該時段燃氣輪機為電量的主要供給能源。

圖7 VPP供電系統運行策略圖Fig.7 VPP power supply system operation strategy

3.3.2 虛擬電廠儲能設備充放電策略分析

圖8為虛擬電廠中儲能裝置充放電動態過程，可以發現，儲能的充電時段主要集中在00:00—08:00，這是因為該時段價格較低，系統選擇在該時段進行蓄電。隨著電價的上漲，儲能設備隨之進入放電狀態，以滿足用戶側的電能需求。在13:00，雖然電價沒有處于低谷階段，但一方面該時刻存在電能剩余情況，另一方面后續將迎來電價的高峰時段，因此儲能設備選擇此時進行蓄電?？傮w來說，儲能設備的充放電選擇主要受電價的影響，電價低時充電，電價高時放電。

圖8 儲能裝置充放電動態過程Fig.8 Dynamic process of charging and discharging of energy storage devices

3.3.3 虛擬電廠供熱系統運行策略分析

圖9為虛擬電廠供熱系統出力示意圖?？芍?，全天的熱負荷全部由余熱鍋爐供應，其出力量與用戶側熱需求量相同，為[21 307.01，26 959.94]kW。這是因為，一方面虛擬電廠對于熱電聯產系統選擇以熱定電的運行方式，而用戶側熱負荷遠小于電負荷，因此，以燃氣輪機余熱蒸汽為驅動的余熱鍋爐完全可以滿足用戶側的熱需求；另一方面，由于熱電聯產系統采用能源梯級利用的方式，其供熱成本低于補燃鍋爐成本，所以系統選擇余熱鍋爐進行熱量供給。

圖9 典型日供熱系統出力示意圖Fig.9 Hourly operation stratrgies of heating-supply

3.3.4 虛擬電廠運行成本分析

由于本文在虛擬電廠運行優化模型中引入了區間優化算法并加入了光伏出力、熱負荷、電負荷等區間參數，因此，優化得到的虛擬電廠的一次能源消耗量和生產成本同樣為區間參數。其中，在氣候變化條件下冬季典型日中虛擬電廠消耗的天然氣量為[5 754.84,6 624.79]m3，生產運行總成本為[18 750.68,16 287.10]元。該結果表明，當虛擬電廠面對含有光伏出力、用戶負荷等不確定性參數時，若選擇較為謹慎的供能策略(選擇區間參數的上界)，系統的供能成本和一次能源消耗量會隨之增加；反之，若以區間參數的下界作為虛擬電廠運行方案的參考依據，會有效提升系統的經濟效益，但相對更低的負荷評估和期望更高的光伏電站出力勢必會增加系統供需失衡的風險。因此，決策者在制定虛擬電廠運行策略時，可充分考慮虛擬電廠區間優化模型的運行結果，在經濟性與安全性之間做出權衡。

4 結論

基于區域氣候模型、BP神經網絡預測模型和區間優化算法，提出了適應氣候變化的虛擬電廠不確定性運行優化模型。模擬結果顯示，該模型可有效評估2025年氣溫、輻射量、風速等氣象要素的變化規律。同時可根據上述氣象要素的模擬結果，得到適應氣候變化的虛擬電廠優化運行策略，該策略可通過制定天然氣等一次能源的儲備和利用方案，實現多能源的高效互補供給和虛擬電廠的經濟運行。