賈曉強(qiáng)，楊永標(biāo)，杜姣，甘海慶，楊楠

（1.電網(wǎng)安全全國重點(diǎn)實(shí)驗(yàn)室(中國電力科學(xué)研究院有限公司)，北京市 海淀區(qū) 100192；2.東南大學(xué)電氣工程學(xué)院，江蘇省 南京市 210096；3.國網(wǎng)江蘇省電力有限公司，江蘇省南京市 210000；4.國網(wǎng)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(biāo)的持續(xù)推進(jìn)，我國能源行業(yè)正在進(jìn)行新一輪的綠色低碳化轉(zhuǎn)型，以新能源為主體、多能互補(bǔ)運(yùn)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(jìn)新能源消納潛力、多措并舉實(shí)現(xiàn)多能互補(bǔ)高效運(yùn)行的能源調(diào)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(gè)供能單元進(jìn)行統(tǒng)一靈活調(diào)控，有效提升能源供給效率和新能源的消納率[3-5]。國家發(fā)改委在《“十四五”現(xiàn)代能源體系規(guī)劃》中也明確提出，要以虛擬電廠等新模式新業(yè)態(tài)為依托，開展智能調(diào)度、能效管理，加快能源產(chǎn)業(yè)轉(zhuǎn)型升級[6]。然而，在實(shí)際應(yīng)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(chǎn)成本及負(fù)荷特性，統(tǒng)籌安排各能源之間的協(xié)同互補(bǔ)工作[7-9]。因此，如何尋找到各設(shè)備之間的最優(yōu)耦合交互路徑，實(shí)現(xiàn)能源的高效、安全、低碳供給，將成為虛擬電廠關(guān)注的焦點(diǎn)。

現(xiàn)有的研究多數(shù)是運(yùn)用優(yōu)化建模技術(shù)制定虛擬電廠運(yùn)行策略，然后生成經(jīng)濟(jì)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(shè)備、能源轉(zhuǎn)換設(shè)備、需求側(cè)多能源響應(yīng)和碳排放的虛擬電廠兩階段優(yōu)化運(yùn)行模型，在降低虛擬電廠碳排放成本和總調(diào)度成本的同時(shí)，也能提升用戶參與綜合需求響應(yīng)的效益。元志偉等[11]建立了風(fēng)電出力-光伏出力-電負(fù)荷-熱負(fù)荷高維數(shù)據(jù)驅(qū)動(dòng)不確定模糊集，并在此基礎(chǔ)上提出了虛擬電廠兩階段隨機(jī)魯棒優(yōu)化調(diào)度策略，該優(yōu)化方法可以實(shí)現(xiàn)經(jīng)濟(jì)性與魯棒性的均衡。Chang等[12]提出一種基于模型預(yù)測控制的虛擬電廠協(xié)同優(yōu)化管理模型，利用長短期記憶神經(jīng)網(wǎng)絡(luò)，提前獲取負(fù)荷、風(fēng)電、光伏發(fā)電的預(yù)測信息，以經(jīng)濟(jì)成本最小化為優(yōu)化目標(biāo)，獲得虛擬電廠最優(yōu)運(yùn)行策略。Yan等[13]為實(shí)現(xiàn)最優(yōu)能源和運(yùn)行儲備調(diào)度，提出了一種最優(yōu)虛擬電廠能源管理方法，涵蓋了可再生能源發(fā)電和負(fù)荷預(yù)測模型，得出了最優(yōu)運(yùn)行方案。張明光等[14]基于粒子群算法完成了風(fēng)光出力預(yù)測，并在此基礎(chǔ)上建立了虛擬電廠低碳調(diào)度模型。汪洋葉等[15]應(yīng)用長短期神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了新能源出力與負(fù)荷需求的雙重預(yù)測，基于預(yù)測結(jié)果搭建了虛擬電廠能源管理模型，提升了虛擬電廠的經(jīng)濟(jì)效益。黃勤坤等[16]為處理風(fēng)光出力的波動(dòng)性，基于隨機(jī)優(yōu)化算法，建立了考慮多重不確定性的虛擬電廠優(yōu)化調(diào)度模型。張大海等[17]通過獲得風(fēng)光出力與電負(fù)荷的不確定集，搭建了計(jì)及風(fēng)光不確定性的虛擬電廠運(yùn)行優(yōu)化模型，提升了系統(tǒng)的魯棒性和經(jīng)濟(jì)性。

綜上所述，現(xiàn)有針對虛擬電廠運(yùn)行優(yōu)化的研究，主要是在掌握能源輸出數(shù)據(jù)和負(fù)荷需求數(shù)據(jù)的基礎(chǔ)上，結(jié)合不確定性算法，通過設(shè)置優(yōu)化目標(biāo)條件，利用可以描述設(shè)備間能源耦合傳輸規(guī)律的仿真模型，獲得最佳運(yùn)行策略。然而，隨著氣候變化的不斷加劇及“雙碳”目標(biāo)的持續(xù)推進(jìn)，現(xiàn)有的研究方法將遇到新一輪的挑戰(zhàn)[18-19]。首先，受氣候變化的影響，與氣象要素緊密相關(guān)的用戶能源需求量和可再生能源出力量將發(fā)生顯著變化，而現(xiàn)有的系統(tǒng)難以生成適應(yīng)氣候變化的供能策略，供能方案的準(zhǔn)確性和安全性將受到潛在的影響。其次，精準(zhǔn)的源荷雙側(cè)供需數(shù)據(jù)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(fù)荷需求的計(jì)算，應(yīng)用最多的2種方法分別為人工智能預(yù)測方法和不確定性優(yōu)化方法。雖然人工智能方法已在虛擬電廠源荷兩端預(yù)測中實(shí)現(xiàn)了大規(guī)模應(yīng)用，但模擬結(jié)果仍有部分偏差，導(dǎo)致源荷兩端存在的不確定性仍然會對虛擬電廠運(yùn)行方案的科學(xué)性產(chǎn)生一定影響；不確定性優(yōu)化算法雖然在處理參數(shù)波動(dòng)性和隨機(jī)性上有一定優(yōu)勢，但在預(yù)測未來氣候變化條件下新能源出力和負(fù)荷需求上，仍存在模擬精度不足的問題。因此，如何同時(shí)實(shí)現(xiàn)源荷的精準(zhǔn)預(yù)測和規(guī)避不確定性的影響，是保證虛擬電廠安全經(jīng)濟(jì)運(yùn)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(yù)測方法的虛擬電廠不確定性運(yùn)行優(yōu)化模型。該模型綜合采用區(qū)域氣候模型(providing regional climate for impact studies，PRECIS)、BP 神經(jīng)網(wǎng)絡(luò)模型和區(qū)間優(yōu)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(yù)測與不確定性算法進(jìn)行有機(jī)結(jié)合，提升了虛擬電廠運(yùn)行的經(jīng)濟(jì)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(chǔ)上，應(yīng)用PRECIS 完成2025 年典型碳排放情景和高碳排放情景中氣溫、風(fēng)速和輻射量等氣象要素模擬；其次，以BP神經(jīng)網(wǎng)絡(luò)為預(yù)測模型，以歷史氣象、光伏電站出力和負(fù)荷等數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，完成光伏出力預(yù)測與負(fù)荷預(yù)測模型訓(xùn)練，在此基礎(chǔ)上，通過輸入前述PRECIS所得未來氣象數(shù)據(jù)，完成氣候變化條件下未來光伏電站和負(fù)荷需求預(yù)測；再次，通過預(yù)測結(jié)果的誤差分析，結(jié)合區(qū)間優(yōu)化算法，將所得光伏出力和負(fù)荷需求轉(zhuǎn)換為不確定性區(qū)間參數(shù)；最后，以系統(tǒng)運(yùn)行成本最小化為優(yōu)化目標(biāo)，以設(shè)備處理平衡和能源供需平衡為約束條件，結(jié)合前述不確定性區(qū)間參數(shù)，分別建立虛擬電廠不確定性運(yùn)行優(yōu)化的上界子模型和下界子模型，通過對2 個(gè)子模型的統(tǒng)一求解，最終獲得氣候變化條件下虛擬電廠的最優(yōu)運(yùn)行策略。

圖1 研究路線圖Fig.1 Research roadmap

1.2 區(qū)域氣候模型

PRECIS 是由英國氣象局Hadley 中心研發(fā)的一種區(qū)域氣候模型，可為發(fā)展中國家和地區(qū)提供高分辨率氣象參數(shù)。本研究中，將PRECIS 積分步長設(shè)置為5 min，水平分辨率為0.44°(緯度)×0.44°(經(jīng)度)，研究區(qū)域坐標(biāo)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(dá)到1 kPa。在垂直方向上，PRECIS 下面4 層采用地形追隨σ坐標(biāo)系，中間層采用混合坐標(biāo)系，上面3 層采用P坐標(biāo)系，在水平方向上應(yīng)用Arakawa B 網(wǎng)格進(jìn)行計(jì)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(jīng)濟(jì)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(shù)據(jù)主要為2025年全年逐時(shí)的氣溫、風(fēng)速和輻射量數(shù)據(jù)。

1.3 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差反向傳播訓(xùn)練的神經(jīng)網(wǎng)絡(luò)算法，其實(shí)質(zhì)是將訓(xùn)練過程分為2 個(gè)部分，即信號的正向傳播和誤差的逆向傳導(dǎo)[20]。信號在正向傳播的過程中，若訓(xùn)練結(jié)果與實(shí)際結(jié)果出現(xiàn)較大的誤差，系統(tǒng)將開始以誤差為主的逆向傳導(dǎo)，在逆向傳導(dǎo)的過程中，網(wǎng)絡(luò)中各單元都會基于獲得的誤差信號進(jìn)行修正后再次正向傳播。如此反復(fù)循環(huán)，直到最后輸出結(jié)果達(dá)到訓(xùn)練標(biāo)準(zhǔn)。本研究將基于BP神經(jīng)網(wǎng)絡(luò)算法分別建立光伏出力預(yù)測模型和負(fù)荷需求預(yù)測模型，其中BP算法的隱含層層數(shù)設(shè)置為3 層，隱含層中神經(jīng)元數(shù)設(shè)置為7個(gè)，隱含層節(jié)點(diǎn)的傳遞函數(shù)為tansig函數(shù)，輸出層節(jié)點(diǎn)的傳遞函數(shù)為purelin 函數(shù)，訓(xùn)練函數(shù)為trainoss函數(shù)，學(xué)習(xí)函數(shù)為learngdm函數(shù)，訓(xùn)練輸入數(shù)據(jù)為歷史氣溫、風(fēng)速和輻射量等氣象數(shù)據(jù)，輸出數(shù)據(jù)為光伏電站發(fā)電量和電、熱負(fù)荷量。

1.4 區(qū)間優(yōu)化算法

為有效降低基于BP神經(jīng)網(wǎng)絡(luò)算法的光伏出力預(yù)測模型和負(fù)荷預(yù)測模型模擬誤差對虛擬電廠優(yōu)化結(jié)果科學(xué)性的影響，同時(shí)規(guī)避風(fēng)光能源和負(fù)荷固有波動(dòng)性產(chǎn)生的負(fù)面效益，本文在獲得光伏出力預(yù)測結(jié)果和負(fù)荷預(yù)測結(jié)果的基礎(chǔ)上，結(jié)合預(yù)測偏差，通過耦合區(qū)間優(yōu)化算法，將上述參數(shù)考慮成在一定范圍內(nèi)波動(dòng)的區(qū)間參數(shù)，具體如下：

式中：x±和y±均為區(qū)間參數(shù)；x+和y+分別為2個(gè)區(qū)間參數(shù)的上界，代表參數(shù)x和y可以取到的最大值；x-和y-分別為2個(gè)區(qū)間參數(shù)的下界，代表參數(shù)x和y可以取到的最小值。區(qū)間參數(shù)的運(yùn)算規(guī)則如下：

式中k≥0，為任意實(shí)數(shù)。

1.5 虛擬電廠不確定性運(yùn)行優(yōu)化模型

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

式中：C±為虛擬電廠運(yùn)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(fā)電單元運(yùn)行維護(hù)成本；Z(t)±為t時(shí)刻購電總量；Cep(t)為t時(shí)刻購電單價(jià)；Vj(t)±為t時(shí)刻第j個(gè)消耗天然氣供能設(shè)備的天然氣消耗量；Cng(t)為t時(shí)刻天然氣單價(jià)；Ej(t)±為t時(shí)刻第j個(gè)供能設(shè)備的出力量；Cm，j(t)為t時(shí)刻第j個(gè)供能設(shè)備的單位出力維護(hù)成本；T為研究周期數(shù)，取24 h。

優(yōu)化模型設(shè)備出力約束如下：

式中：Egt(t)±、Qgt(t)±、Qgh(t)±和Qgah(t)±分別為t時(shí)刻燃?xì)廨啓C(jī)發(fā)電量、燃?xì)廨啓C(jī)抽氣量、余熱鍋爐制熱量、補(bǔ)燃鍋爐制熱量；θgt、θgte、θgh和θgah分別為燃?xì)廨啓C(jī)供電效率、燃?xì)廨啓C(jī)熱效率、余熱鍋爐效率、補(bǔ)燃鍋爐效率；H為天然氣低位熱值；Vgt(t)±和Vgah(t)±分別為燃?xì)廨啓C(jī)和補(bǔ)燃鍋爐的耗氣量；Ees(t)±、Eu(t)±和Ed(t)±分別為t時(shí)刻電化學(xué)儲能設(shè)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(gè)供能設(shè)備的出力量；Emin，j和Emax，j分別為第j個(gè)供能設(shè)備出力的最小值和最大值。

優(yōu)化模型的供能平衡約束如下：

式中：EPV(t)±為t時(shí)刻光伏發(fā)電單元的發(fā)電量；Eequip(t)±和Qheat(t)±分別為t時(shí)刻電負(fù)荷、熱負(fù)荷。

1.6 虛擬電廠不確定性運(yùn)行優(yōu)化模型求解方法

本文提出的虛擬電廠不確定性運(yùn)行優(yōu)化模型可轉(zhuǎn)化為上、下界2個(gè)子模型，依次對2個(gè)子模型進(jìn)行求解，最終得到一組區(qū)間數(shù)的最優(yōu)解，求解方法如下：

式中：A±、B±、C±均為區(qū)間參數(shù)，X±為決策變量。為計(jì)算區(qū)間規(guī)劃，分別對2 個(gè)子模型進(jìn)行求解，其中下界子模型如下：

式中：A+、B-和C-分別為區(qū)間參數(shù)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(qū)間參數(shù)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(tǒng)一求解，可獲得決策變量的最優(yōu)解Xj,opt±和目標(biāo)函數(shù)的最優(yōu)值fopt±，計(jì)算式如下：

式中：Xj,opt-和Xj,opt+分別為第j個(gè)決策變量最優(yōu)解的下界和上界；fopt-和fopt+分別為目標(biāo)函數(shù)最優(yōu)值的下界和上界。

2 研究案例

本文以我國南方某園區(qū)為研究案例，該園區(qū)可供虛擬電廠調(diào)用的供能單元主要包括光伏電站、分布式天然氣熱電聯(lián)產(chǎn)系統(tǒng)、電化學(xué)儲能設(shè)備及燃?xì)庋a(bǔ)燃鍋爐。所在地區(qū)電價(jià)為階梯電價(jià)，其中谷時(shí)電價(jià)(00:00—08:00)為0.41元/(kW·h)，峰時(shí)電價(jià)(15:00—16:00、20:00—21:00)為0.95 元/(kW·h)，其余時(shí)段為0.61 元/(kW·h)。案例的主要工程參數(shù)及經(jīng)濟(jì)參數(shù)見表1。

表1 系統(tǒng)參數(shù)Tab.1 System patameters

3 結(jié)果分析

3.1 氣候變化條件下未來氣象要素模擬結(jié)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(shù)據(jù)進(jìn)行動(dòng)力降尺度，以25 km×25 km為空間分辨率，得到研究地區(qū)2025年的氣象要素逐時(shí)預(yù)測值。圖2 和圖3 分別為SSP2-4.5 情景和SSP2-8.5 情景下應(yīng)用PRECIE 模擬得到的2025 年氣溫、輻射量和風(fēng)速變化情況。

圖2 SSP2-4.5情景下2025年各氣象要素逐時(shí)模擬結(jié)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(shí)模擬結(jié)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(fēng)速和輻射量受到氣候變化的影響而呈現(xiàn)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(xiàn)出相同的變化趨勢。輻射量的變化結(jié)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(fēng)速反而呈現(xiàn)出下降的變化趨勢。在SSP2-4.5情景下，1 月和7 月的平均風(fēng)速分別為2.89 m/s 和5.02 m/s；但在SSP2-8.5情景下，平均風(fēng)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(xiàn)出上升的變化趨勢，而風(fēng)速則呈現(xiàn)出下降的變化趨勢。

由于研究案例中包含熱電聯(lián)產(chǎn)系統(tǒng)，熱負(fù)荷為虛擬電廠主要供給負(fù)荷之一，因此，本文選擇熱負(fù)荷和電負(fù)荷全年最高的1 月典型月進(jìn)行虛擬電廠運(yùn)行優(yōu)化研究，將本節(jié)中獲得的2 個(gè)氣候變化場景下2025 年1 月氣溫、風(fēng)速和輻射量數(shù)據(jù)作為后續(xù)光伏出力預(yù)測模型和負(fù)荷預(yù)測模型的輸入數(shù)據(jù)，以此研究不同碳排放強(qiáng)度對預(yù)測模型模擬精度的影響。

3.2 光伏出力及負(fù)荷預(yù)測結(jié)果分析

3.2.1 BP神經(jīng)網(wǎng)絡(luò)模型模擬精度結(jié)果分析

圖4和圖5給出了不同碳排放情景下BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度對比結(jié)果，可以看出，SSP2-4.5情景下模型的模擬精度明顯優(yōu)于SSP2-8.5。具體來說，100個(gè)數(shù)據(jù)樣本的模擬結(jié)果顯示：在SSP2-4.5情景下，光伏出力、電負(fù)荷和熱負(fù)荷的平均預(yù)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(gè)指標(biāo)分別增加至7.28%、9.15%和6.33%。這是因?yàn)椋A(yù)測模型是以歷史氣象數(shù)據(jù)和發(fā)電數(shù)據(jù)作為訓(xùn)練樣本，訓(xùn)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(shù)據(jù)作為輸入數(shù)據(jù)，輸出結(jié)果必然會出現(xiàn)一定偏差。因此，本文選擇應(yīng)用SSP2-4.5情景作為后續(xù)虛擬電廠運(yùn)行優(yōu)化的模擬情景。

圖4 SSP2-4.5情景下預(yù)測模型模擬結(jié)果與真實(shí)數(shù)據(jù)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(yù)測模型模擬結(jié)果與真實(shí)數(shù)據(jù)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(jīng)網(wǎng)絡(luò)預(yù)測模型模擬結(jié)果進(jìn)行深入分析可知，光伏出力預(yù)測模型和負(fù)荷預(yù)測模型的模擬結(jié)果的變化趨勢基本上與實(shí)際結(jié)果保持一致。具體來看，100 個(gè)數(shù)據(jù)樣本的光伏出力預(yù)測的平均誤差率為5.53%，其中只有4個(gè)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(shí)，熱負(fù)荷預(yù)測的平均誤差率為4.43%，正誤差率最大為9.93%，負(fù)誤差率最大為-13.12%。相比之下，電負(fù)荷預(yù)測的誤差率最高，為-17.63%～17.30%，這是因?yàn)楣夥l(fā)電和熱負(fù)荷與氣象要素的變化(如氣溫、輻射量)關(guān)聯(lián)度更高，導(dǎo)致以氣象要素為訓(xùn)練輸入數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測光伏發(fā)電和熱負(fù)荷方面表現(xiàn)得更為出色，不過電負(fù)荷預(yù)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(fù)荷和電負(fù)荷預(yù)測結(jié)果分析

在完成光伏出力預(yù)測和負(fù)荷預(yù)測模型檢驗(yàn)的基礎(chǔ)上，將前述基于PRECIS得到的未來氣象要素模擬結(jié)果與光伏發(fā)電預(yù)測模型相耦合，進(jìn)行氣候變化條件下2025年1月典型日光伏電站的出力預(yù)測和負(fù)荷預(yù)測，同時(shí)考慮到預(yù)測結(jié)果的誤差率以及光伏出力和負(fù)荷自身固有的波動(dòng)性，本文將以區(qū)間參數(shù)形式表示光伏出力、熱負(fù)荷和電負(fù)荷，如圖6所示。由圖6可知，光伏出力、熱負(fù)荷和電負(fù)荷3個(gè)區(qū)間參數(shù)均由上界和下界組成，上、下界分別取歷史預(yù)測值最大正、負(fù)誤差率作為修正參數(shù)，對BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果進(jìn)行不確定性處理。同時(shí)，將上述3個(gè)區(qū)間參數(shù)作為光伏出力約束和供需平衡約束條件，用于后續(xù)虛擬電廠不確定性運(yùn)行優(yōu)化研究。

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

3.3 虛擬電廠不確定性運(yùn)行優(yōu)化結(jié)果分析

3.3.1 虛擬電廠供電系統(tǒng)運(yùn)行策略分析

圖7 為典型日虛擬電廠供電系統(tǒng)運(yùn)行策略?？芍鳛榈吞记鍧嵭湍茉吹墓夥茉磳?shí)現(xiàn)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(cè)電負(fù)荷由燃?xì)廨啓C(jī)和主網(wǎng)購電共同供給，其中主網(wǎng)購電功率為[13 346.20，24 336.72]kW，燃?xì)廨啓C(jī)發(fā)電功率為[16 868.86，19 418.93]kW。這是因?yàn)樵陔妰r(jià)低谷階段，燃?xì)廨啓C(jī)發(fā)電的生產(chǎn)成本要高于主網(wǎng)購電價(jià)，因此在該時(shí)段主網(wǎng)購電供給量要大于燃?xì)廨啓C(jī)發(fā)電供給量；相反，在電價(jià)平時(shí)段和峰時(shí)段，燃?xì)廨啓C(jī)發(fā)電更具有經(jīng)濟(jì)優(yōu)勢，因此在該時(shí)段燃?xì)廨啓C(jī)為電量的主要供給能源。

圖7 VPP供電系統(tǒng)運(yùn)行策略圖Fig.7 VPP power supply system operation strategy

3.3.2 虛擬電廠儲能設(shè)備充放電策略分析

圖8為虛擬電廠中儲能裝置充放電動(dòng)態(tài)過程，可以發(fā)現(xiàn)，儲能的充電時(shí)段主要集中在00:00—08:00，這是因?yàn)樵摃r(shí)段價(jià)格較低，系統(tǒng)選擇在該時(shí)段進(jìn)行蓄電。隨著電價(jià)的上漲，儲能設(shè)備隨之進(jìn)入放電狀態(tài)，以滿足用戶側(cè)的電能需求。在13:00，雖然電價(jià)沒有處于低谷階段，但一方面該時(shí)刻存在電能剩余情況，另一方面后續(xù)將迎來電價(jià)的高峰時(shí)段，因此儲能設(shè)備選擇此時(shí)進(jìn)行蓄電。總體來說，儲能設(shè)備的充放電選擇主要受電價(jià)的影響，電價(jià)低時(shí)充電，電價(jià)高時(shí)放電。

圖8 儲能裝置充放電動(dòng)態(tài)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(tǒng)運(yùn)行策略分析

圖9為虛擬電廠供熱系統(tǒng)出力示意圖。可知，全天的熱負(fù)荷全部由余熱鍋爐供應(yīng)，其出力量與用戶側(cè)熱需求量相同，為[21 307.01，26 959.94]kW。這是因?yàn)?，一方面虛擬電廠對于熱電聯(lián)產(chǎn)系統(tǒng)選擇以熱定電的運(yùn)行方式，而用戶側(cè)熱負(fù)荷遠(yuǎn)小于電負(fù)荷，因此，以燃?xì)廨啓C(jī)余熱蒸汽為驅(qū)動(dòng)的余熱鍋爐完全可以滿足用戶側(cè)的熱需求；另一方面，由于熱電聯(lián)產(chǎn)系統(tǒng)采用能源梯級利用的方式，其供熱成本低于補(bǔ)燃鍋爐成本，所以系統(tǒng)選擇余熱鍋爐進(jìn)行熱量供給。

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

3.3.4 虛擬電廠運(yùn)行成本分析

由于本文在虛擬電廠運(yùn)行優(yōu)化模型中引入了區(qū)間優(yōu)化算法并加入了光伏出力、熱負(fù)荷、電負(fù)荷等區(qū)間參數(shù)，因此，優(yōu)化得到的虛擬電廠的一次能源消耗量和生產(chǎn)成本同樣為區(qū)間參數(shù)。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(chǎn)運(yùn)行總成本為[18 750.68,16 287.10]元。該結(jié)果表明，當(dāng)虛擬電廠面對含有光伏出力、用戶負(fù)荷等不確定性參數(shù)時(shí)，若選擇較為謹(jǐn)慎的供能策略(選擇區(qū)間參數(shù)的上界)，系統(tǒng)的供能成本和一次能源消耗量會隨之增加；反之，若以區(qū)間參數(shù)的下界作為虛擬電廠運(yùn)行方案的參考依據(jù)，會有效提升系統(tǒng)的經(jīng)濟(jì)效益，但相對更低的負(fù)荷評估和期望更高的光伏電站出力勢必會增加系統(tǒng)供需失衡的風(fēng)險(xiǎn)。因此，決策者在制定虛擬電廠運(yùn)行策略時(shí)，可充分考慮虛擬電廠區(qū)間優(yōu)化模型的運(yùn)行結(jié)果，在經(jīng)濟(jì)性與安全性之間做出權(quán)衡。

4 結(jié)論

基于區(qū)域氣候模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型和區(qū)間優(yōu)化算法，提出了適應(yīng)氣候變化的虛擬電廠不確定性運(yùn)行優(yōu)化模型。模擬結(jié)果顯示，該模型可有效評估2025年氣溫、輻射量、風(fēng)速等氣象要素的變化規(guī)律。同時(shí)可根據(jù)上述氣象要素的模擬結(jié)果，得到適應(yīng)氣候變化的虛擬電廠優(yōu)化運(yùn)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(shí)現(xiàn)多能源的高效互補(bǔ)供給和虛擬電廠的經(jīng)濟(jì)運(yùn)行。