气候变化条件下基于智能预测模型的虚拟电厂不确定性运行优化研究

贾晓强，杨永标，杜姣，甘海庆，杨楠

（1.电网安全全国重点实验室(中国电力科学研究院有限公司)，北京市 海淀区 100192；2.东南大学电气工程学院，江苏省 南京市 210096；3.国网江苏省电力有限公司，江苏省南京市 210000；4.国网江苏省电力有限公司南京供电分公司，江苏省 南京市 210000）

0 引言

随着“3060”(即“双碳”)目标的持续推进，我国能源行业正在进行新一轮的绿色低碳化转型，以新能源为主体、多能互补运行的新型能源体系将成为我国主要的能源供给模式，因此，亟须充分挖掘促进新能源消纳潜力、多措并举实现多能互补高效运行的能源调控管理[1-2]。虚拟电厂(virtual power plant，VPP)可打破空间约束壁垒，将分散分布的多个供能单元进行统一灵活调控，有效提升能源供给效率和新能源的消纳率[3-5]。国家发改委在《“十四五”现代能源体系规划》中也明确提出，要以虚拟电厂等新模式新业态为依托，开展智能调度、能效管理，加快能源产业转型升级[6]。然而，在实际应用中，虚拟电厂要综合考虑各供能单元的能源输出特性、传输效率、生产成本及负荷特性，统筹安排各能源之间的协同互补工作[7-9]。因此，如何寻找到各设备之间的最优耦合交互路径，实现能源的高效、安全、低碳供给，将成为虚拟电厂关注的焦点。

现有的研究多数是运用优化建模技术制定虚拟电厂运行策略，然后生成经济可行、低污染、高效率的能源供给方案。丛琳等[10]建立了一种综合考虑储能设备、能源转换设备、需求侧多能源响应和碳排放的虚拟电厂两阶段优化运行模型，在降低虚拟电厂碳排放成本和总调度成本的同时，也能提升用户参与综合需求响应的效益。元志伟等[11]建立了风电出力-光伏出力-电负荷-热负荷高维数据驱动不确定模糊集，并在此基础上提出了虚拟电厂两阶段随机鲁棒优化调度策略，该优化方法可以实现经济性与鲁棒性的均衡。Chang等[12]提出一种基于模型预测控制的虚拟电厂协同优化管理模型，利用长短期记忆神经网络，提前获取负荷、风电、光伏发电的预测信息，以经济成本最小化为优化目标，获得虚拟电厂最优运行策略。Yan等[13]为实现最优能源和运行储备调度，提出了一种最优虚拟电厂能源管理方法，涵盖了可再生能源发电和负荷预测模型，得出了最优运行方案。张明光等[14]基于粒子群算法完成了风光出力预测，并在此基础上建立了虚拟电厂低碳调度模型。汪洋叶等[15]应用长短期神经网络，实现了新能源出力与负荷需求的双重预测，基于预测结果搭建了虚拟电厂能源管理模型，提升了虚拟电厂的经济效益。黄勤坤等[16]为处理风光出力的波动性，基于随机优化算法，建立了考虑多重不确定性的虚拟电厂优化调度模型。张大海等[17]通过获得风光出力与电负荷的不确定集，搭建了计及风光不确定性的虚拟电厂运行优化模型，提升了系统的鲁棒性和经济性。

综上所述，现有针对虚拟电厂运行优化的研究，主要是在掌握能源输出数据和负荷需求数据的基础上，结合不确定性算法，通过设置优化目标条件，利用可以描述设备间能源耦合传输规律的仿真模型，获得最佳运行策略。然而，随着气候变化的不断加剧及“双碳”目标的持续推进，现有的研究方法将遇到新一轮的挑战[18-19]。首先，受气候变化的影响，与气象要素紧密相关的用户能源需求量和可再生能源出力量将发生显著变化，而现有的系统难以生成适应气候变化的供能策略，供能方案的准确性和安全性将受到潜在的影响。其次，精准的源荷双侧供需数据是保证供能方案安全性的重要条件，针对新能源电站出力和负荷需求的计算，应用最多的2种方法分别为人工智能预测方法和不确定性优化方法。虽然人工智能方法已在虚拟电厂源荷两端预测中实现了大规模应用，但模拟结果仍有部分偏差，导致源荷两端存在的不确定性仍然会对虚拟电厂运行方案的科学性产生一定影响；不确定性优化算法虽然在处理参数波动性和随机性上有一定优势，但在预测未来气候变化条件下新能源出力和负荷需求上，仍存在模拟精度不足的问题。因此，如何同时实现源荷的精准预测和规避不确定性的影响，是保证虚拟电厂安全经济运行的重要因素。

针对以上问题，本文在综合考虑气候变化的条件下，提出了基于智能预测方法的虚拟电厂不确定性运行优化模型。该模型综合采用区域气候模型(providing regional climate for impact studies，PRECIS)、BP 神经网络模型和区间优化算法，考虑了气候变化影响下外界气象条件对能源供需的影响，并将供需预测与不确定性算法进行有机结合，提升了虚拟电厂运行的经济性和可靠性。

1 方法与模型

1.1 研究路线

本文研究路线如图1 所示，首先，在充分完成资料收集的基础上，应用PRECIS 完成2025 年典型碳排放情景和高碳排放情景中气温、风速和辐射量等气象要素模拟；其次，以BP神经网络为预测模型，以历史气象、光伏电站出力和负荷等数据为训练数据，完成光伏出力预测与负荷预测模型训练，在此基础上，通过输入前述PRECIS所得未来气象数据，完成气候变化条件下未来光伏电站和负荷需求预测；再次，通过预测结果的误差分析，结合区间优化算法，将所得光伏出力和负荷需求转换为不确定性区间参数；最后，以系统运行成本最小化为优化目标，以设备处理平衡和能源供需平衡为约束条件，结合前述不确定性区间参数，分别建立虚拟电厂不确定性运行优化的上界子模型和下界子模型，通过对2 个子模型的统一求解，最终获得气候变化条件下虚拟电厂的最优运行策略。

图1 研究路线图Fig.1 Research roadmap

1.2 区域气候模型

PRECIS 是由英国气象局Hadley 中心研发的一种区域气候模型，可为发展中国家和地区提供高分辨率气象参数。本研究中，将PRECIS 积分步长设置为5 min，水平分辨率为0.44°(纬度)×0.44°(经度)，研究区域坐标为32°23'N，118°13'E，水平方向精度为25 km×25 km，垂直方向可分为19 层，最高层达到1 kPa。在垂直方向上，PRECIS 下面4 层采用地形追随σ坐标系，中间层采用混合坐标系，上面3 层采用P坐标系，在水平方向上应用Arakawa B 网格进行计算，气候情景选择政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)提出的共享社会经济路径(shared socioeconomic pathways，SSPs)中的典型碳排放浓度(即SSP2-4.5)情景和高碳排放浓度(即SSP2-8.5)情景，输出数据主要为2025年全年逐时的气温、风速和辐射量数据。

1.3 BP神经网络模型

BP神经网络是一种按照误差反向传播训练的神经网络算法，其实质是将训练过程分为2 个部分，即信号的正向传播和误差的逆向传导[20]。信号在正向传播的过程中，若训练结果与实际结果出现较大的误差，系统将开始以误差为主的逆向传导，在逆向传导的过程中，网络中各单元都会基于获得的误差信号进行修正后再次正向传播。如此反复循环，直到最后输出结果达到训练标准。本研究将基于BP神经网络算法分别建立光伏出力预测模型和负荷需求预测模型，其中BP算法的隐含层层数设置为3 层，隐含层中神经元数设置为7个，隐含层节点的传递函数为tansig函数，输出层节点的传递函数为purelin 函数，训练函数为trainoss函数，学习函数为learngdm函数，训练输入数据为历史气温、风速和辐射量等气象数据，输出数据为光伏电站发电量和电、热负荷量。

1.4 区间优化算法

为有效降低基于BP神经网络算法的光伏出力预测模型和负荷预测模型模拟误差对虚拟电厂优化结果科学性的影响，同时规避风光能源和负荷固有波动性产生的负面效益，本文在获得光伏出力预测结果和负荷预测结果的基础上，结合预测偏差，通过耦合区间优化算法，将上述参数考虑成在一定范围内波动的区间参数，具体如下：

式中：x±和y±均为区间参数；x+和y+分别为2个区间参数的上界，代表参数x和y可以取到的最大值；x-和y-分别为2个区间参数的下界，代表参数x和y可以取到的最小值。区间参数的运算规则如下：

式中k≥0，为任意实数。

1.5 虚拟电厂不确定性运行优化模型

为了保证虚拟电厂的运行效益，促进虚拟电厂的大规模推广，本文以整体运行成本最小化为目标，建立虚拟电厂不确定性运行优化模型，具体如下：

式中：C±为虚拟电厂运行总成本；为虚拟电厂购电成本；为虚拟电厂一次能源购置成本；为虚拟电厂各发电单元运行维护成本；Z(t)±为t时刻购电总量；Cep(t)为t时刻购电单价；Vj(t)±为t时刻第j个消耗天然气供能设备的天然气消耗量；Cng(t)为t时刻天然气单价；Ej(t)±为t时刻第j个供能设备的出力量；Cm，j(t)为t时刻第j个供能设备的单位出力维护成本；T为研究周期数，取24 h。

优化模型设备出力约束如下：

式中：Egt(t)±、Qgt(t)±、Qgh(t)±和Qgah(t)±分别为t时刻燃气轮机发电量、燃气轮机抽气量、余热锅炉制热量、补燃锅炉制热量；θgt、θgte、θgh和θgah分别为燃气轮机供电效率、燃气轮机热效率、余热锅炉效率、补燃锅炉效率；H为天然气低位热值；Vgt(t)±和Vgah(t)±分别为燃气轮机和补燃锅炉的耗气量；Ees(t)±、Eu(t)±和Ed(t)±分别为t时刻电化学储能设备的蓄电量、储电量和放电量；ηu和ηd分别为储电效率和放电效率；Ej±为第j个供能设备的出力量；Emin，j和Emax，j分别为第j个供能设备出力的最小值和最大值。

优化模型的供能平衡约束如下：

式中：EPV(t)±为t时刻光伏发电单元的发电量；Eequip(t)±和Qheat(t)±分别为t时刻电负荷、热负荷。

1.6 虚拟电厂不确定性运行优化模型求解方法

本文提出的虚拟电厂不确定性运行优化模型可转化为上、下界2个子模型，依次对2个子模型进行求解，最终得到一组区间数的最优解，求解方法如下：

式中：A±、B±、C±均为区间参数，X±为决策变量。为计算区间规划，分别对2 个子模型进行求解，其中下界子模型如下：

式中：A+、B-和C-分别为区间参数A上界、B下界、C下界；X-为决策变量的下界。

上界子模型如下：

式中：A-、B+和C+分别为区间参数A下界、B上界、C上界；X+为决策变量的上界。

通过对模型上下界子模型的统一求解，可获得决策变量的最优解Xj,opt±和目标函数的最优值fopt±，计算式如下：

式中：Xj,opt-和Xj,opt+分别为第j个决策变量最优解的下界和上界；fopt-和fopt+分别为目标函数最优值的下界和上界。

2 研究案例

本文以我国南方某园区为研究案例，该园区可供虚拟电厂调用的供能单元主要包括光伏电站、分布式天然气热电联产系统、电化学储能设备及燃气补燃锅炉。所在地区电价为阶梯电价，其中谷时电价(00:00—08:00)为0.41元/(kW·h)，峰时电价(15:00—16:00、20:00—21:00)为0.95 元/(kW·h)，其余时段为0.61 元/(kW·h)。案例的主要工程参数及经济参数见表1。

表1 系统参数Tab.1 System patameters

3 结果分析

3.1 气候变化条件下未来气象要素模拟结果分析

本文利用PRECIS 对单向嵌套全球气候模式HadGEM2-ES 模型的SSP2-4.5 和SSP2-8.5 情景的气候模式数据进行动力降尺度，以25 km×25 km为空间分辨率，得到研究地区2025年的气象要素逐时预测值。图2 和图3 分别为SSP2-4.5 情景和SSP2-8.5 情景下应用PRECIE 模拟得到的2025 年气温、辐射量和风速变化情况。

图2 SSP2-4.5情景下2025年各气象要素逐时模拟结果Fig.2 Hourly simulation results of various meteorological elements in 2025 under SSP2-4.5 scenario

图3 SSP2-8.5情景下2025年各气象要素逐时模拟结果Fig.3 Hourly simulation results of various meteorological elements in 2025 under SSP2-8.5 scenario

由图2和图3可知，气温、风速和辐射量受到气候变化的影响而呈现出不同的变化趋势。本文分别以1月、4月、7月和10月作为冬季、春季、夏季和秋季的典型月，在SSP2-4.5情景下，2025年1月和7月的平均气温分别为2.62 ℃和26.90 ℃；但在SSP2-8.5情景下，2025年1月和7月平均气温分别增长至3.93 ℃和31.03 ℃，春季和秋季也呈现出相同的变化趋势。辐射量的变化结果与气温相似，在SSP2-4.5情景下，1月和7月的平均辐射量分别为131.42 W/m2和241.75 W/m2；在SSP2-8.5 情景下，两者分别升高至141.61 W/m2和263.67 W/m2。与气温和辐射量的变化趋势不同，随着碳排放量的升高，风速反而呈现出下降的变化趋势。在SSP2-4.5情景下，1 月和7 月的平均风速分别为2.89 m/s 和5.02 m/s；但在SSP2-8.5情景下，平均风速分别降低至2.56 m/s和3.34 m/s。综上所述，随着气候变化的加剧，气温和辐射量呈现出上升的变化趋势，而风速则呈现出下降的变化趋势。

由于研究案例中包含热电联产系统，热负荷为虚拟电厂主要供给负荷之一，因此，本文选择热负荷和电负荷全年最高的1 月典型月进行虚拟电厂运行优化研究，将本节中获得的2 个气候变化场景下2025 年1 月气温、风速和辐射量数据作为后续光伏出力预测模型和负荷预测模型的输入数据，以此研究不同碳排放强度对预测模型模拟精度的影响。

3.2 光伏出力及负荷预测结果分析

3.2.1 BP神经网络模型模拟精度结果分析

图4和图5给出了不同碳排放情景下BP神经网络模型预测精度对比结果，可以看出，SSP2-4.5情景下模型的模拟精度明显优于SSP2-8.5。具体来说，100个数据样本的模拟结果显示：在SSP2-4.5情景下，光伏出力、电负荷和热负荷的平均预测误差率分别为5.53%、7.44%和4.43%；而在SSP2-8.5 情景下，上述3 个指标分别增加至7.28%、9.15%和6.33%。这是因为，预测模型是以历史气象数据和发电数据作为训练样本，训练情景与典型碳排放情景更为契合，因此模拟精度更高。若从气候变化的角度考虑，以高碳排放情景下的气象数据作为输入数据，输出结果必然会出现一定偏差。因此，本文选择应用SSP2-4.5情景作为后续虚拟电厂运行优化的模拟情景。

图4 SSP2-4.5情景下预测模型模拟结果与真实数据对比Fig.4 Comparison of simulation results and real data of predictive models under SSP2-4.5 scenario

图5 SSP2-8.5情景下预测模型模拟结果与真实数据对比Fig.5 Comparison of simulation results and real data of predictive models under SSP2-8.5 scenario

对SSP2-4.5情景下BP神经网络预测模型模拟结果进行深入分析可知，光伏出力预测模型和负荷预测模型的模拟结果的变化趋势基本上与实际结果保持一致。具体来看，100 个数据样本的光伏出力预测的平均误差率为5.53%，其中只有4个样本模拟偏离度较高，误差率超过±20%，其余样本的偏差率均处于-10%～10%。与此同时，热负荷预测的平均误差率为4.43%，正误差率最大为9.93%，负误差率最大为-13.12%。相比之下，电负荷预测的误差率最高，为-17.63%～17.30%，这是因为光伏发电和热负荷与气象要素的变化(如气温、辐射量)关联度更高，导致以气象要素为训练输入数据的BP神经网络模型在预测光伏发电和热负荷方面表现得更为出色，不过电负荷预测的整体平均误差也仅为7.44%。

3.2.2 气候变化条件下光伏出力、热负荷和电负荷预测结果分析

在完成光伏出力预测和负荷预测模型检验的基础上，将前述基于PRECIS得到的未来气象要素模拟结果与光伏发电预测模型相耦合，进行气候变化条件下2025年1月典型日光伏电站的出力预测和负荷预测，同时考虑到预测结果的误差率以及光伏出力和负荷自身固有的波动性，本文将以区间参数形式表示光伏出力、热负荷和电负荷，如图6所示。由图6可知，光伏出力、热负荷和电负荷3个区间参数均由上界和下界组成，上、下界分别取历史预测值最大正、负误差率作为修正参数，对BP神经网络模型预测结果进行不确定性处理。同时，将上述3个区间参数作为光伏出力约束和供需平衡约束条件，用于后续虚拟电厂不确定性运行优化研究。

图6 典型日光伏出力、电和热负荷Fig.6 Photovoltaic output,electrical and heat load in typical day

3.3 虚拟电厂不确定性运行优化结果分析

3.3.1 虚拟电厂供电系统运行策略分析

图7 为典型日虚拟电厂供电系统运行策略。可知，作为低碳清洁型能源的光伏能源实现全部消纳，全天出力总量为[3 184.2，3 891.8]kW。除此之外，用户侧电负荷由燃气轮机和主网购电共同供给，其中主网购电功率为[13 346.20，24 336.72]kW，燃气轮机发电功率为[16 868.86，19 418.93]kW。这是因为在电价低谷阶段，燃气轮机发电的生产成本要高于主网购电价，因此在该时段主网购电供给量要大于燃气轮机发电供给量；相反，在电价平时段和峰时段，燃气轮机发电更具有经济优势，因此在该时段燃气轮机为电量的主要供给能源。

图7 VPP供电系统运行策略图Fig.7 VPP power supply system operation strategy

3.3.2 虚拟电厂储能设备充放电策略分析

图8为虚拟电厂中储能装置充放电动态过程，可以发现，储能的充电时段主要集中在00:00—08:00，这是因为该时段价格较低，系统选择在该时段进行蓄电。随着电价的上涨，储能设备随之进入放电状态，以满足用户侧的电能需求。在13:00，虽然电价没有处于低谷阶段，但一方面该时刻存在电能剩余情况，另一方面后续将迎来电价的高峰时段，因此储能设备选择此时进行蓄电。总体来说，储能设备的充放电选择主要受电价的影响，电价低时充电，电价高时放电。

图8 储能装置充放电动态过程Fig.8 Dynamic process of charging and discharging of energy storage devices

3.3.3 虚拟电厂供热系统运行策略分析

图9为虚拟电厂供热系统出力示意图。可知，全天的热负荷全部由余热锅炉供应，其出力量与用户侧热需求量相同，为[21 307.01，26 959.94]kW。这是因为，一方面虚拟电厂对于热电联产系统选择以热定电的运行方式，而用户侧热负荷远小于电负荷，因此，以燃气轮机余热蒸汽为驱动的余热锅炉完全可以满足用户侧的热需求；另一方面，由于热电联产系统采用能源梯级利用的方式，其供热成本低于补燃锅炉成本，所以系统选择余热锅炉进行热量供给。

图9 典型日供热系统出力示意图Fig.9 Hourly operation stratrgies of heating-supply

3.3.4 虚拟电厂运行成本分析

由于本文在虚拟电厂运行优化模型中引入了区间优化算法并加入了光伏出力、热负荷、电负荷等区间参数，因此，优化得到的虚拟电厂的一次能源消耗量和生产成本同样为区间参数。其中，在气候变化条件下冬季典型日中虚拟电厂消耗的天然气量为[5 754.84,6 624.79]m3，生产运行总成本为[18 750.68,16 287.10]元。该结果表明，当虚拟电厂面对含有光伏出力、用户负荷等不确定性参数时，若选择较为谨慎的供能策略(选择区间参数的上界)，系统的供能成本和一次能源消耗量会随之增加；反之，若以区间参数的下界作为虚拟电厂运行方案的参考依据，会有效提升系统的经济效益，但相对更低的负荷评估和期望更高的光伏电站出力势必会增加系统供需失衡的风险。因此，决策者在制定虚拟电厂运行策略时，可充分考虑虚拟电厂区间优化模型的运行结果，在经济性与安全性之间做出权衡。

4 结论

基于区域气候模型、BP神经网络预测模型和区间优化算法，提出了适应气候变化的虚拟电厂不确定性运行优化模型。模拟结果显示，该模型可有效评估2025年气温、辐射量、风速等气象要素的变化规律。同时可根据上述气象要素的模拟结果，得到适应气候变化的虚拟电厂优化运行策略，该策略可通过制定天然气等一次能源的储备和利用方案，实现多能源的高效互补供给和虚拟电厂的经济运行。