陳峻，寧思衡

1.上海時(shí)石能源有限公司，上海 201402；

2.中國(guó)科學(xué)院大學(xué)應(yīng)急管理科學(xué)與工程學(xué)院，北京 100049

0 引言

在“雙碳”目標(biāo)驅(qū)動(dòng)下，加大可再生能源占比對(duì)實(shí)現(xiàn)能源轉(zhuǎn)型、綠色低碳發(fā)展具有重大意義。但可再生能源獲取不穩(wěn)定、難以大量發(fā)電，導(dǎo)致實(shí)踐中容易出現(xiàn)發(fā)電與用電需求難以維持動(dòng)態(tài)平衡的現(xiàn)象。在國(guó)家“30·60”戰(zhàn)略[1]推動(dòng)下，虛擬電廠成為開(kāi)展新型電力系統(tǒng)建設(shè)、解決能源變革的重要手段，為新能源電力的安全、高效利用開(kāi)辟了一條新的路徑[2]。在電力供應(yīng)緊張時(shí)段，集成分布式能源資源管理系統(tǒng)可以直接調(diào)度海量分散的電力負(fù)荷和供給資源，跨空間自主調(diào)控供需兩端的功率，保證電網(wǎng)的安全穩(wěn)定運(yùn)行。

虛擬電廠是“互聯(lián)網(wǎng)+源網(wǎng)荷儲(chǔ)”[3]一體化的數(shù)字化能源管理系統(tǒng)，通過(guò)先進(jìn)信息通信和監(jiān)測(cè)控制技術(shù)，將閑散的電力負(fù)荷資源聚合起來(lái)并加以?xún)?yōu)化控制。近年來(lái)，我國(guó)電力系統(tǒng)和政策市場(chǎng)的變化，為虛擬電廠的誕生、發(fā)展提供了環(huán)境，虛擬電廠受到了越來(lái)越多的關(guān)注。虛擬電廠兼具“源-荷”[4]特性，既能提高電網(wǎng)的穩(wěn)定性和可靠性，又可以消納電網(wǎng)的電力，更靈活地實(shí)現(xiàn)“削峰填谷”[5]的功能。虛擬電廠不僅是當(dāng)前電力系統(tǒng)和市場(chǎng)發(fā)展的必然選擇，也是未來(lái)智能、高效、可持續(xù)電網(wǎng)體系[6]的重要組成部分，在現(xiàn)代電力系統(tǒng)中擁有巨大潛力和價(jià)值。

隨著虛擬電廠的快速演進(jìn)和國(guó)內(nèi)對(duì)人工智能需求的日益高漲，計(jì)算資源低成本化在虛擬電廠領(lǐng)域的重要性日益凸顯，國(guó)內(nèi)社會(huì)對(duì)數(shù)據(jù)中心提出了更加嚴(yán)格的技術(shù)要求，具體如下。

● 優(yōu)秀的環(huán)境適應(yīng)性。虛擬電廠可能大規(guī)模地采納可再生能源，數(shù)據(jù)中心必須具備對(duì)電力供應(yīng)不穩(wěn)定性和波動(dòng)性的高度適應(yīng)能力。此外，數(shù)據(jù)中心也應(yīng)實(shí)施高效的能源管理策略，以降低對(duì)整體電力系統(tǒng)的負(fù)載。

● 先進(jìn)的預(yù)警系統(tǒng)。虛擬電廠的操作和管理模式涉及多種復(fù)雜的電力供應(yīng)鏈和需求響應(yīng)策略，數(shù)據(jù)中心的預(yù)警系統(tǒng)必須具備高度的敏感性和較好的響應(yīng)能力。為了滿(mǎn)足這一需求，深度學(xué)習(xí)方法可能是最好的選擇。其中，結(jié)合時(shí)間嵌詞編碼的LSTM的特殊門(mén)控機(jī)制[7]是專(zhuān)為處理具有時(shí)間依賴(lài)性的序列數(shù)據(jù)而設(shè)計(jì)的。LSTM可以實(shí)時(shí)分析和處理大量的電力數(shù)據(jù)，從而為數(shù)據(jù)中心提供精確的潛在問(wèn)題預(yù)測(cè)。預(yù)警系統(tǒng)的高度自動(dòng)化和智能化不僅確保了數(shù)據(jù)中心的穩(wěn)定運(yùn)行，還為電力市場(chǎng)中的策略決策提供了有力支持。

● 無(wú)損的調(diào)節(jié)能力。在傳統(tǒng)電力系統(tǒng)中，強(qiáng)制調(diào)節(jié)電力供應(yīng)通常會(huì)導(dǎo)致一定程度的服務(wù)中斷或數(shù)據(jù)損壞。然而，虛擬電廠技術(shù)的發(fā)展對(duì)數(shù)據(jù)中心提出了無(wú)損調(diào)節(jié)的新要求。這意味著數(shù)據(jù)中心需要在不影響系統(tǒng)整體完整性和“斷點(diǎn)續(xù)行”能力的前提下，靈活地調(diào)整電力需求。這一能力不僅可以提高電網(wǎng)整體電力使用效率，還有助于減少運(yùn)營(yíng)成本和環(huán)境影響。

綜上所述，虛擬電廠為數(shù)據(jù)中心帶來(lái)了一系列前沿的技術(shù)要求，包括環(huán)境適應(yīng)性、高級(jí)預(yù)警機(jī)制和無(wú)損調(diào)節(jié)策略等。這些技術(shù)要求不僅提升了數(shù)據(jù)中心的技術(shù)標(biāo)準(zhǔn)，而且為數(shù)據(jù)中心未來(lái)的技術(shù)演進(jìn)提供了廣闊的研究空間。本文在虛擬電廠數(shù)據(jù)中心的電力調(diào)控方面提出了一系列創(chuàng)新性策略，包括使用LSTM進(jìn)行電力需求和供應(yīng)的預(yù)測(cè)、引入時(shí)間嵌詞編碼以提高預(yù)測(cè)準(zhǔn)確性以及實(shí)現(xiàn)自動(dòng)化和實(shí)時(shí)響應(yīng)機(jī)制。這些策略不僅在預(yù)測(cè)準(zhǔn)確性、自動(dòng)化程度和可持續(xù)性方面有明顯優(yōu)勢(shì)，還有效減少了對(duì)人工干預(yù)的依賴(lài)。與現(xiàn)有的調(diào)控策略相比，本文方法更先進(jìn)、有效，具有重要的社會(huì)和環(huán)境意義。首先，數(shù)據(jù)中心可以通過(guò)“隔墻售電”獲得更低的閑時(shí)電價(jià)，降低計(jì)算服務(wù)的成本，更好地助力智能化和云計(jì)算。其次，本文方法通過(guò)智能調(diào)控策略提高了電力系統(tǒng)的整體穩(wěn)定性和效率，進(jìn)而推動(dòng)可再生能源在電力系統(tǒng)中的發(fā)電比例。再次，自動(dòng)化和智能化的電力調(diào)控不僅可以降低運(yùn)營(yíng)成本，還有助于提高服務(wù)穩(wěn)定性和降低服務(wù)價(jià)格。最后，本文為電力系統(tǒng)的未來(lái)研究提供了新的視角和思路。

1 虛擬電廠數(shù)據(jù)中心系統(tǒng)架構(gòu)

作為虛擬電廠負(fù)荷側(cè)的用電主體之一，數(shù)據(jù)中心成為負(fù)荷側(cè)的可調(diào)節(jié)資源，為虛擬電廠提供調(diào)控手段。面對(duì)電力波動(dòng)，為了保持服務(wù)的連續(xù)性和穩(wěn)定性，數(shù)據(jù)中心需要具備預(yù)警能力和無(wú)損調(diào)節(jié)的能力。

傳統(tǒng)虛擬電廠數(shù)據(jù)中心系統(tǒng)架構(gòu)如圖1所示，包含用電、發(fā)電、電力檢測(cè)、容器管理4個(gè)部分。

圖1 傳統(tǒng)虛擬電廠數(shù)據(jù)中心系統(tǒng)架構(gòu)

在傳統(tǒng)數(shù)據(jù)中心架構(gòu)中，電力供應(yīng)和管理是至關(guān)重要的一環(huán)。傳統(tǒng)的數(shù)據(jù)中心通常需要配備一個(gè)足以支撐其高負(fù)荷運(yùn)轉(zhuǎn)的大型儲(chǔ)能單元。這些儲(chǔ)能單元通常是由一系列高成本的電池或其他儲(chǔ)能設(shè)備組成的，目的是在電力短缺或其他緊急情況下提供臨時(shí)電力。然而，這種設(shè)置有以下幾個(gè)明顯的缺點(diǎn)。

● 高成本。為滿(mǎn)足數(shù)據(jù)中心的緩沖電力需求，需要配備一個(gè)大型儲(chǔ)能單元，而它的成本很高，再加上使用過(guò)程中電池儲(chǔ)電量的衰減，進(jìn)一步增加了數(shù)據(jù)中心的運(yùn)營(yíng)成本。

● 反應(yīng)時(shí)長(zhǎng)有限。傳統(tǒng)數(shù)據(jù)中心通常依賴(lài)預(yù)設(shè)的規(guī)則和閾值來(lái)進(jìn)行電力短缺的警報(bào)和響應(yīng)。這種方法往往只能在問(wèn)題即將發(fā)生或已經(jīng)發(fā)生后才能觸發(fā)警報(bào)，這意味著數(shù)據(jù)中心的容器只有非常有限的時(shí)間做出響應(yīng)。

● 被動(dòng)響應(yīng)模式。由于警報(bào)通常在問(wèn)題發(fā)生后才觸發(fā)，這種模式是極為被動(dòng)的。這不僅限制了數(shù)據(jù)中心應(yīng)對(duì)突發(fā)事件的靈活性，也可能增加運(yùn)營(yíng)問(wèn)題和成本。

傳統(tǒng)數(shù)據(jù)中心在電力管理方面存在一些固有的局限性，特別是在儲(chǔ)能成本和響應(yīng)機(jī)制方面。這些問(wèn)題需要通過(guò)更先進(jìn)、更靈活的方案來(lái)解決，以提高數(shù)據(jù)中心的效率和可靠性。

2 新型虛擬電廠數(shù)據(jù)中心管理系統(tǒng)

2.1 系統(tǒng)架構(gòu)

本文提出的新型虛擬電廠數(shù)據(jù)中心系統(tǒng)架構(gòu)如圖2所示，包含用電、發(fā)電、預(yù)警、容器管理4個(gè)部分。

圖2 新型虛擬電廠數(shù)據(jù)中心系統(tǒng)架構(gòu)

本文提出的架構(gòu)運(yùn)用了深度學(xué)習(xí)模型進(jìn)行電力需求的預(yù)測(cè)。這不僅提高了預(yù)警的準(zhǔn)確性，還能提前15 min發(fā)出電力短缺的預(yù)警。15 min的時(shí)間窗口為數(shù)據(jù)中心的容器提供了足夠的時(shí)間來(lái)暫停運(yùn)行的服務(wù)并進(jìn)行數(shù)據(jù)備份，極大地減少了電力短缺引起的數(shù)據(jù)丟失和服務(wù)中斷的風(fēng)險(xiǎn)。另外，該系統(tǒng)架構(gòu)具有較好的動(dòng)態(tài)響應(yīng)能力和自適應(yīng)性，能夠根據(jù)預(yù)測(cè)結(jié)果自動(dòng)調(diào)整資源分配和備份策略。這一點(diǎn)與傳統(tǒng)架構(gòu)的靜態(tài)和人工干預(yù)方式形成了鮮明的對(duì)比。

總體而言，該系統(tǒng)架構(gòu)通過(guò)引入數(shù)據(jù)驅(qū)動(dòng)的智能預(yù)測(cè)和動(dòng)態(tài)響應(yīng)機(jī)制，不僅提升了分布式能源資源的整合和管理效率、虛擬電廠的抗風(fēng)險(xiǎn)能力，還為應(yīng)對(duì)未來(lái)不斷變化的需求和挑戰(zhàn)做好了充分準(zhǔn)備，能夠保證可持續(xù)的電力供應(yīng)。

2.2 工作機(jī)理

在虛擬電廠數(shù)據(jù)中心系統(tǒng)中，電源主要來(lái)源于風(fēng)電和光伏發(fā)電。由于這兩種可再生能源具有較強(qiáng)的波動(dòng)性，數(shù)據(jù)中心面臨著用電功率管理的挑戰(zhàn)。為了解決這一問(wèn)題，該系統(tǒng)基于LSTM模型進(jìn)行電力需求和供應(yīng)的預(yù)測(cè)。這個(gè)模型能夠相對(duì)準(zhǔn)確地預(yù)測(cè)未來(lái)15 min可能出現(xiàn)的電力短缺或過(guò)剩情況。

為了更準(zhǔn)確地捕捉電力需求的季節(jié)性和周期性變化，本文在模型的輸入層拼接了嵌詞編碼過(guò)的月份和星期信息。這些嵌詞編碼能夠?qū)⒃路莺托瞧谵D(zhuǎn)換為一組連續(xù)的數(shù)值向量，使神經(jīng)網(wǎng)絡(luò)能夠捕捉時(shí)間信息中的潛在模式。例如，電力需求在工作日可能與周末有所不同，夏季和冬季的電力需求也可能有顯著差異。通過(guò)這種方式，LSTM模型能夠更全面地理解電力需求的動(dòng)態(tài)變化，從而生成更準(zhǔn)確的預(yù)測(cè)結(jié)果。

一旦接收到電力短缺的預(yù)警，數(shù)據(jù)中心的容器會(huì)自動(dòng)進(jìn)入安全模式。在這個(gè)模式下，非關(guān)鍵任務(wù)會(huì)被暫停，而關(guān)鍵任務(wù)則會(huì)被迅速備份。這為數(shù)據(jù)中心提供了一個(gè)15 min的時(shí)間窗口，以確保在電力供應(yīng)不穩(wěn)定的情況下，關(guān)鍵數(shù)據(jù)和應(yīng)用不會(huì)受到影響。同時(shí)，控制系統(tǒng)還會(huì)自動(dòng)調(diào)整各種能源存儲(chǔ)設(shè)備（如電池和超級(jí)電容器）的充放電狀態(tài)，以維持電網(wǎng)的供需平衡。這一切都是通過(guò)與數(shù)據(jù)中心內(nèi)部的“協(xié)調(diào)優(yōu)化”模塊進(jìn)行實(shí)時(shí)通信來(lái)實(shí)現(xiàn)的。

總而言之，本文提出的數(shù)據(jù)中心系統(tǒng)通過(guò)智能預(yù)測(cè)和動(dòng)態(tài)響應(yīng)，成功地解決了可再生能源波動(dòng)性強(qiáng)所帶來(lái)的問(wèn)題，確保了數(shù)據(jù)和應(yīng)用的安全性和可用性。

3 數(shù)據(jù)與模型結(jié)構(gòu)

3.1 數(shù)據(jù)集和數(shù)據(jù)特性

本文的模擬實(shí)驗(yàn)使用的數(shù)據(jù)均來(lái)自德國(guó)ENTSO-E和AG Energiebilanzen 公司統(tǒng)計(jì)的2020—2022年德國(guó)境內(nèi)電力數(shù)據(jù)，電力數(shù)據(jù)集的數(shù)據(jù)類(lèi)型見(jiàn)表1。

表1 電力數(shù)據(jù)集的數(shù)據(jù)類(lèi)型

數(shù)據(jù)集內(nèi)的所有數(shù)據(jù)的采樣間隔為15 min，均來(lái)自德國(guó)境內(nèi)發(fā)電廠的真實(shí)數(shù)據(jù)。電力數(shù)據(jù)集的分布如圖3所示。該箱體圖提供了一個(gè)全面的視角來(lái)審視各種發(fā)電方式在數(shù)據(jù)分布和離散度方面的特性。其中，風(fēng)能和光伏發(fā)電的數(shù)據(jù)離散度顯著高于其他發(fā)電形式，這一現(xiàn)象揭示了這兩種可再生能源在供電穩(wěn)定性和對(duì)環(huán)境條件（如風(fēng)速和太陽(yáng)輻射）的依賴(lài)性方面存在隱患。這種高度的數(shù)據(jù)離散性會(huì)對(duì)電力系統(tǒng)的魯棒性和電力調(diào)度算法產(chǎn)生復(fù)雜的影響。該箱體圖不僅揭示了電力網(wǎng)絡(luò)的復(fù)雜性，還凸顯了優(yōu)化電力調(diào)度策略的難度。取其中任意一周的數(shù)據(jù)進(jìn)行放大觀察，可再生能源在發(fā)電與負(fù)載中的占比如圖4所示。

圖3 電力數(shù)據(jù)集中各種能源的分布

圖4 可再生能源在發(fā)電與負(fù)載中的占比

從圖4可知，可再生能源的發(fā)電比例與負(fù)載比例的走勢(shì)基本相似，少有遲滯和交叉，響應(yīng)速度快。虛擬電廠能在再生能源“年富力強(qiáng)”的時(shí)候“物盡其用”，這通常意味著德國(guó)境內(nèi)電力供應(yīng)策略可能優(yōu)先使用可再生能源。

累積發(fā)電與負(fù)載對(duì)比如圖5所示。由圖5可知，本周數(shù)據(jù)存在負(fù)載（電力需求）大于累積發(fā)電量的現(xiàn)象。這種現(xiàn)象主要出現(xiàn)在需求峰值時(shí)，即使通過(guò)電力系統(tǒng)跨境輸電也無(wú)法滿(mǎn)足當(dāng)時(shí)的電力需求。在這種情況下，擁有高效穩(wěn)定的應(yīng)急策略、能夠保障客戶(hù)數(shù)據(jù)完整性的虛擬電廠數(shù)據(jù)中心，就顯得尤為重要。

圖5 累積發(fā)電與負(fù)載對(duì)比

3.2 深度學(xué)習(xí)模型結(jié)構(gòu)

為了精準(zhǔn)預(yù)測(cè)此類(lèi)“電力短缺”事件，防止造成無(wú)法挽回的損失，本文提出一種基于LSTM的預(yù)測(cè)模型。該模型結(jié)構(gòu)包括輸入層、LSTM單元和輸出層。為了捕捉更多的時(shí)間序列信息，本文在LSTM模型前加入了嵌詞編碼過(guò)的月份和星期，提出了Embedding_LSTM模型，該模型整體結(jié)構(gòu)如圖6所示。

圖6 Embedding_LSTM模型結(jié)構(gòu)

3.2.1 輸入層

輸入層接收一個(gè)由17維電力數(shù)據(jù)、月份和星期組成的復(fù)合輸入。電力數(shù)據(jù)需要進(jìn)行標(biāo)準(zhǔn)化處理，以便模型能夠捕捉其內(nèi)在規(guī)律。而星期和月份信息通過(guò)嵌詞編碼（即式（1）和式（2））轉(zhuǎn)換為低維向量。這兩部分?jǐn)?shù)據(jù)隨后被拼接在一起，形成一個(gè)高維輸入向量，為模型后續(xù)的隱藏層提供豐富的特征信息。

3.2.2 LSTM層

LSTM層通過(guò)堆疊兩個(gè)LSTM模型來(lái)增加模型的復(fù)雜性和學(xué)習(xí)能力。單個(gè)LSTM單元的內(nèi)部狀態(tài)（即隱藏狀態(tài)和單元狀態(tài)）的維度是128，并且每次前向傳播時(shí)會(huì)考慮96個(gè)時(shí)間步長(zhǎng)的數(shù)據(jù)?；镜腖STM單元結(jié)構(gòu)如圖7所示。

圖7 基本的LSTM單元結(jié)構(gòu)

LSTM內(nèi)部每一層的計(jì)算如下。

其中，W和b表示LSTM神經(jīng)元的權(quán)重矩陣和偏置矩陣，Wii和bii分別表示W(wǎng)和b的第i行和第i列，xt是在時(shí)間t時(shí)的輸入，ht-1是該層在t-1時(shí)刻的隱藏狀態(tài)或時(shí)間0的初始隱藏狀態(tài)。ct是在時(shí)間t時(shí)的單元狀態(tài)，ht是在時(shí)間t時(shí)的隱藏狀態(tài)。在每個(gè)時(shí)間步t，LSTM接收輸入xt和前一個(gè)時(shí)刻的記憶狀態(tài)ct-1和隱藏狀態(tài)ht-1。然后，使用門(mén)控機(jī)制來(lái)計(jì)算輸入門(mén)it、遺忘門(mén)ft、單元門(mén)gt、輸出門(mén)ot?！咽蔷仃嚨腍adamard乘積，σ是Sigmoid函數(shù)，計(jì)算式如下。

該LSTM層旨在處理具有復(fù)雜時(shí)間依賴(lài)性的高維輸入數(shù)據(jù)，通過(guò)多層堆疊和較大的隱藏層維度來(lái)增加模型的表達(dá)能力[8]，這樣的設(shè)計(jì)有助于模型更準(zhǔn)確地預(yù)測(cè)未來(lái)的電力需求和供應(yīng)情況。

3.2.3 輸出層

輸出層是一個(gè)全連接層，具有17個(gè)輸出節(jié)點(diǎn)，與原始電力數(shù)據(jù)的維度相匹配。這一層的主要任務(wù)是將LSTM層的高維隱藏狀態(tài)映射為一個(gè)17維的輸出向量。這個(gè)輸出向量代表了未來(lái)15 min的電力需求和供應(yīng)預(yù)測(cè)。全連接層由于沒(méi)有激活函數(shù)或其他非線性操作，能夠直接線性地轉(zhuǎn)換前一層（即LSTM層）的輸出。這樣的設(shè)計(jì)使模型能夠在最后一步生成與原始電力數(shù)據(jù)相同維度的預(yù)測(cè)結(jié)果，便于后續(xù)的解釋和應(yīng)用。

模型采用了基于時(shí)間窗口的訓(xùn)練模式，具體來(lái)說(shuō)，它使用一天左右的歷史數(shù)據(jù)作為輸入來(lái)預(yù)測(cè)未來(lái)的電力需求和供應(yīng)情況。模型的輸入層接收一個(gè)17維的電力數(shù)據(jù)以及月份和星期信息。電力數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，而月份和星期信息則通過(guò)嵌詞編碼進(jìn)行處理。這些處理后的數(shù)據(jù)隨后被拼接在一起，形成模型的最終輸入。整體而言，該模型綜合考慮了電力數(shù)據(jù)的多維特性、時(shí)間依賴(lài)性以及其他輔助信息（如月份和星期），實(shí)現(xiàn)了對(duì)電力需求和供應(yīng)的有效預(yù)測(cè)。

4 實(shí)驗(yàn)結(jié)果分析

4.1 電力數(shù)據(jù)預(yù)測(cè)分析

在同類(lèi)型實(shí)驗(yàn)中，評(píng)價(jià)指標(biāo)選擇常用的均方根誤差（root mean square error，RMSE）和平均絕對(duì)誤差（mean absolute error，MAE）進(jìn)行評(píng)估，這兩項(xiàng)指標(biāo)均能對(duì)連續(xù)變量的預(yù)測(cè)結(jié)果和實(shí)際值的差進(jìn)行很好的量化，RMSE和MAE的數(shù)學(xué)表達(dá)式如下。

其中，ypre,i為模型預(yù)測(cè)值，ytrue,i是實(shí)際值，n為數(shù)據(jù)的總數(shù)。這兩個(gè)指標(biāo)都以電力數(shù)據(jù)的兆瓦（MW）為單位，數(shù)值越小表示模型的預(yù)測(cè)效果越好，預(yù)測(cè)結(jié)果越接近實(shí)際值。

對(duì)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型進(jìn)行測(cè)試后，得到了各維度的評(píng)價(jià)指標(biāo)，具體數(shù)據(jù)見(jiàn)表2?！瓣懙仫L(fēng)能”和“光伏發(fā)電”的RMSE和MAE值相對(duì)較高，這表明這些電力來(lái)源可能受到多種不可預(yù)測(cè)因素的影響，導(dǎo)致發(fā)電量預(yù)測(cè)相對(duì)較難。其次，“地?zé)崮堋钡腞MSE和MAE值非常低，幾乎接近于零，這意味著該電力來(lái)源的發(fā)電量相對(duì)穩(wěn)定或者模型對(duì)其預(yù)測(cè)表現(xiàn)出色。

表2 各維度評(píng)價(jià)指標(biāo)對(duì)比

為了直觀地感受本文提出的模型預(yù)測(cè)的準(zhǔn)確性，本文從離岸風(fēng)能、陸地風(fēng)能、太陽(yáng)能和負(fù)載4個(gè)維度選取720個(gè)樣本點(diǎn)繪制實(shí)際電量與預(yù)測(cè)電量對(duì)比曲線，如圖8所示。其中，藍(lán)色線是真實(shí)值，橙色線是預(yù)測(cè)值?？梢钥闯?，橙色線基本復(fù)制了藍(lán)色線的走勢(shì)，幾乎覆蓋了藍(lán)色線的數(shù)據(jù)，預(yù)測(cè)值與真值非常接近，幾乎同步變化。這表明模型在這4個(gè)關(guān)鍵數(shù)據(jù)類(lèi)型上的預(yù)測(cè)性能表現(xiàn)得相當(dāng)出色。在陸地風(fēng)能和離岸風(fēng)能這兩個(gè)維度上，模型能夠準(zhǔn)確捕捉到電量的波動(dòng)趨勢(shì)。對(duì)于風(fēng)能這種受多種環(huán)境因素影響的可再生能源來(lái)說(shuō)，這無(wú)疑是一個(gè)令人鼓舞的結(jié)果。對(duì)于太陽(yáng)能而言，模型同樣展示了高度的預(yù)測(cè)準(zhǔn)確性，這意味著模型能夠有效地應(yīng)對(duì)太陽(yáng)能發(fā)電量受天氣、季節(jié)等因素的影響。在負(fù)載這一維度上，模型也能準(zhǔn)確預(yù)測(cè)電力需求，這對(duì)于電網(wǎng)運(yùn)營(yíng)和電力供應(yīng)策略的優(yōu)化具有重要意義。

圖8 實(shí)際電量與預(yù)測(cè)電量對(duì)比

總體而言，這些結(jié)果證明了本文提出的模型在這4個(gè)關(guān)鍵數(shù)據(jù)類(lèi)型的預(yù)測(cè)上具有高度準(zhǔn)確性，也進(jìn)一步印證了其在電力系統(tǒng)分析和優(yōu)化中的應(yīng)用潛力，為未來(lái)更復(fù)雜、更全面的電力系統(tǒng)模型提供了有力的支持。

4.2 電力短缺事件預(yù)測(cè)評(píng)價(jià)

本節(jié)基于LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果計(jì)算電力短缺事件，測(cè)試集的大小為20 909個(gè)樣本點(diǎn)，涵蓋了217天的數(shù)據(jù)，該測(cè)試集為模型提供了足夠多的樣本來(lái)進(jìn)行全面的評(píng)估，表3展示了電力短缺事件預(yù)測(cè)的詳細(xì)結(jié)果。

表3 電力短缺事件預(yù)測(cè)結(jié)果

表3顯示，模型在預(yù)測(cè)“實(shí)際為假”和“實(shí)際為真”的事件上表現(xiàn)得相當(dāng)出色。模型成功地將13 112個(gè)實(shí)際為假的事件預(yù)測(cè)為假，而只有213個(gè)實(shí)際為假的事件被誤判為真；模型將7 265個(gè)實(shí)際為真的事件準(zhǔn)確地預(yù)測(cè)為真，僅有319個(gè)實(shí)際為真的事件被誤判為假。從準(zhǔn)確率、F1分?jǐn)?shù)和精確度這3個(gè)指標(biāo)來(lái)看，模型在整體預(yù)測(cè)上的準(zhǔn)確性非常高；召回率為95.86%，表明模型能夠準(zhǔn)確地識(shí)別出絕大多數(shù)實(shí)際為真的電力短缺事件；假陽(yáng)性率意味著模型在可能造成重要損失的情況下的誤報(bào)率僅為1.6%。

綜上所述，這些評(píng)價(jià)指標(biāo)說(shuō)明該模型在電力短缺事件預(yù)測(cè)方面表現(xiàn)出色，具有很高的可靠性、準(zhǔn)確性，這對(duì)虛擬電廠的數(shù)據(jù)中心管理系統(tǒng)具有重要的實(shí)用價(jià)值。

4.3 虛擬電廠數(shù)據(jù)中心容器管理

本節(jié)的模擬實(shí)驗(yàn)研究了容器管理系統(tǒng)的功率信號(hào)動(dòng)態(tài)響應(yīng)過(guò)程，如圖9所示。該實(shí)驗(yàn)?zāi)M了一個(gè)典型的數(shù)據(jù)中心環(huán)境，功率需求會(huì)隨時(shí)間變化。在模擬實(shí)驗(yàn)中，容器管理系統(tǒng)能夠及時(shí)預(yù)警并給予15 min的“黃金窗口”，能夠及時(shí)完成非關(guān)鍵任務(wù)容器的暫停和關(guān)鍵任務(wù)容器的迅速備份。

圖9 容器管理系統(tǒng)功率信號(hào)動(dòng)態(tài)響應(yīng)過(guò)程

● 穩(wěn)態(tài)階段（0~20 min）。在實(shí)驗(yàn)開(kāi)始的前20 min，系統(tǒng)處于穩(wěn)態(tài)，虛擬電廠電力供應(yīng)充足，功率需求約為1 700 kW。這一階段反映了數(shù)據(jù)中心在正常運(yùn)行狀態(tài)下的功率消耗。

● 下降階段（21~25 min）。系統(tǒng)接到了“電力短缺”預(yù)警，進(jìn)入一個(gè)短暫的下降階段，功率需求從1 700 kW迅速下降到50 kW。為應(yīng)對(duì)“電力短缺”事件，虛擬電廠對(duì)供電策略進(jìn)行優(yōu)化調(diào)整，此時(shí)無(wú)法滿(mǎn)足數(shù)據(jù)中心對(duì)電力輸出穩(wěn)定性和連續(xù)性的要求。這一階段模擬了數(shù)據(jù)中心在遭遇突發(fā)事件的功率需求變化。

● 低功率階段（26~265 min）。系統(tǒng)進(jìn)入一個(gè)長(zhǎng)達(dá)近240 min的低功率階段，功率需求維持在約50 kW。這一階段代表了數(shù)據(jù)中心在高峰時(shí)段且用電緊張時(shí)的功率消耗。

● 上升階段（266~270 min）?！半娏Χ倘薄本瘓?bào)解除，系統(tǒng)再次進(jìn)入一個(gè)上升階段，功率需求從50 kW迅速回升至1 700 kW，之后維持穩(wěn)態(tài)。

該模擬實(shí)驗(yàn)不僅揭示了數(shù)據(jù)中心容器管理系統(tǒng)在不同時(shí)間尺度下的功率需求和響應(yīng)特性，還展示了其在面對(duì)突發(fā)事件（如“電力短缺”）時(shí)出色的動(dòng)態(tài)響應(yīng)能力。

5 結(jié)束語(yǔ)

本文提出了一種綜合運(yùn)用深度學(xué)習(xí)和容器化技術(shù)的方法，旨在對(duì)虛擬電廠的“源荷”雙側(cè)狀態(tài)進(jìn)行實(shí)時(shí)預(yù)測(cè)和預(yù)警。該方法成功實(shí)現(xiàn)了15 min級(jí)別的“電力短缺”主動(dòng)預(yù)警機(jī)制，為數(shù)據(jù)中心的高可用性和魯棒性提供了強(qiáng)有力的數(shù)據(jù)支持。本文基于LSTM構(gòu)建的電力短缺預(yù)警模型的預(yù)測(cè)準(zhǔn)確率高達(dá)97.48%，這一結(jié)果明顯高于傳統(tǒng)方法。該方法將LSTM網(wǎng)絡(luò)與容器化技術(shù)結(jié)合，使該預(yù)警系統(tǒng)在數(shù)據(jù)中心的能效優(yōu)化和安全管理方面具有顯著效果，可以有效地應(yīng)對(duì)電力供應(yīng)不足或突發(fā)事件，從而減少運(yùn)營(yíng)風(fēng)險(xiǎn)。該方法不僅適用于虛擬電廠數(shù)據(jù)中心，還具有廣泛的應(yīng)用前景，例如多個(gè)可再生能源分支的管理、智能電網(wǎng)以及工業(yè)自動(dòng)化等多個(gè)領(lǐng)域。