支撐云-群-端協同調度的多能園區虛擬電廠：研發與應用

趙昊天，王 彬，潘昭光，孫宏斌，郭慶來

（1.清華大學電機工程與應用電子技術系,北京市100084；2.電力系統及大型發電設備安全控制和仿真國家重點實驗室,清華大學,北京市100084）

0 引言

在能源互聯網蓬勃發展的大環境下,能源系統中出現大量產消者［1-3］,大量分布式資源的隨機性和波動性增加了電網復雜性和管控難度,對電網的安全、可靠和經濟運行產生重大影響［4］。虛擬電廠技術利用先進的傳感、控制技術,有效地聚合和調度新能源發電、儲能等分布式資源［5］,在參與輔助服務市場獲取收益的同時,為電網提供靈活性,提升電網安全水平,降低電網運行成本與投資成本,是多能流綜合能量管理系統（integrated energy management system,IEMS）中的重要模塊［6-7］。

國外已有一些虛擬電廠的應用實例,例如FENIX項 目［8］、PMVPP項 目［9］、Pro VPP項 目［10］、Sauerland CVPP項目［11-12］等,取得了一定效果。但國內的虛擬電廠應用項目較少,仍處于起步階段,例如冀北虛擬電廠示范工程于2019年底投運［13］。

國內外對虛擬電廠聚合及調度問題已有一些研究,文獻［14］基于譜聚類算法對可中斷負荷進行了聚合及解聚合,保證了聚合模型的魯棒可行性,但只考慮了可中斷負荷這一種類型的分布式資源；文獻［15］基于兩階段隨機規劃提出了在日前和日內等時間尺度上,在輔助服務市場及能量市場中虛擬電廠的最優投標策略,但隨機規劃計算時間較長,為實際應用帶來挑戰；文獻［16］基于機會約束規劃建立了多虛擬電廠與電力市場雙層優化模型,實現虛擬電廠收益最大化；文獻［17］在電力市場環境下考慮虛擬電廠間簽訂的交易合同,建立合同電價優化定價模型及合作滿意度概念,實現了多虛擬電廠的聯合優化調度；文獻［16-17］主要針對多虛擬電廠間的聯合優化或博弈；文獻［18］考慮電網調峰需求與需求響應資源的響應意愿,建立了日內交互機制模型,主要針對日內對分布式資源的調度與調整,但未涉及虛擬電廠在日前和日內的聚合與投標策略；文獻［19］考慮售電側放開對需求側資源參與電力市場及虛擬電廠內需求響應資源的影響,提出了虛擬電廠的競價策略；文獻［20］考慮了虛擬電廠內部電動汽車及風電帶來的不確定性,提出了虛擬電廠的魯棒競價模型；文獻［21］考慮日前市場-實時市場-平衡市場的市場架構,提出基于價格或激勵的需求響應資源的虛擬電廠競標模型,實現對分布式資源的最優控制；文獻［22］基于Stackelberg博弈理論,提出了虛擬電廠內分布式電源的交易電價與調度計劃優化模型。文獻［19-22］考慮不同的資源類型,針對不同的市場架構,提出了虛擬電廠在市場中的競價策略。本文主要偏重于虛擬電廠的聚合與調度,但也考慮了實際市場機制對虛擬電廠聚合與調度的影響。

綜上所述,現有的虛擬電廠相關研究主要針對電類分布式資源,主要考慮了當地的輔助服務市場模式,支持特定的交互機制（市場機制）［23］,為了滿足實用化要求,需要進一步提升通用性與實用性。虛擬電廠在能源互聯網環境下對分布式資源的管理與調度面臨分布式資源主體眾多且特性各異、不確定性強和電網交互需求差異化等挑戰。

為此,本文以提供調峰輔助服務為虛擬電廠應用的切入點,基于云邊協同的信息架構,設計了云-群-端遞階協同的多能虛擬電廠調度技術框架,針對園區/集群層面的虛擬電廠,研究并提出了面向特性各異分布式資源調控能力的標準化建模方法、日前魯棒聚合和日內滾動修正銜接的虛擬電廠在線等值技術、考慮差異化調峰需求的虛擬電廠-電網交互調度模式等關鍵技術來分別應對上述挑戰,開發了面向園區/集群的虛擬電廠模塊,并在多個現場投入應用。

1 云-群-端遞階協同的調度架構設計

由于能源互聯網環境下,分布式資源呈現總體數量多、單點容量小、特性各異和空間分散的特點。這些資源如果直接接受集中調控,會產生極高的信息接入成本,云端計算也將面臨“維數災難”難題,同時也不利于用戶的隱私保護。因此,本文基于云邊協同的信息架構［24］,在“云”與“端”之間引入“資源集群”中間層。“群”層是一個控制邏輯層。資源集群的產生有以下3種典型方式。

1）基于地理位置自然形成的集群。例如工業園區可在本地聚合成為一個資源集群,統一參與電網調節,不需要向電網上傳園區內各靈活性資源的參數及價格信息,降低了接入成本。

2）基于商業代理關系形成的集群。例如負荷聚合商或綜合能源集成商將其所代理的分布式資源聚合為一個集群,并統一參與電網調節,該集群同樣不需要向上級電網上傳各資源的參數、價格等隱私信息,降低了接入成本。

3）通過云端聚類算法形成的資源集群。由云端管控平臺將空間分散的分布式資源進行動態分群聚類形成。在這種模式下,云端管控平臺可根據資源拓撲、運行條件和運行特性的變化動態調整集群構成,聚少成多,減少參與調節資源的不確定性對調度行為的影響,避免了云端計算“維數災難”難題。

“群”層級的引入,適配了云邊協同的信息架構,可以保證應用穩定性和數據安全性,提升運算效率,與云端管控平臺協同,實現云端計算的降維,提升云端運算的效率［25］。若“邊”為接入電壓等級較高、容量較大的大用戶或工業園區等,集群層虛擬電廠的功能實現在“邊”側本地,對用戶內部分布式資源進行聚合與優化；若“邊”為電壓等級低、容量小、分散在千家萬戶的資源,如果存在負荷聚合商,則集群層虛擬電廠功能在聚合商側實現,對聚合商所代理的資源進行聚合與優化；若不存在聚合商,則集群層虛擬電廠的功能在“云”側實現,對分布式資源進行動態分群聚合,以降低計算維度。

本文進一步提出云-群-端遞階協同的虛擬電廠調度技術框架,如圖1所示,各層級功能如下。

圖1 云-群-端協同的虛擬電廠架構圖Fig.1 Architecture diagram of cloud-cluster-end synergetic virtual power plant

1）位于各控制設備側的“端”層級是整個控制框架的最底層,負責建立各類分布式資源的調控能力模型,采集和傳感,并與上層通信實時的運行信息,自動接收響應“群”層級下發的調控指令。

2）由各資源集群控制邏輯層構成的“群”層級,在整個控制框架中承上啟下,負責在線聚合集群內各類資源,得到集群的聚合模型并上傳到云端管控平臺。同時,在線響應云端管控平臺下發的調控指令并分解至群內各類分布式資源。

3）位于云端的虛擬電廠管控平臺是整個框架的決策中心。云端管控平臺可通過在線動態聚類,生成云端資源集群；通過收集各集群聚合模型并與調控中心、交易中心等電網機構進行信息決策交互,協同虛擬電廠資源和電網內的直調資源的調節能力；通過云端指令分解,將電網下發的調度指令分解并下發至各資源集群。

云-群-端協同的虛擬電廠作為一個整體,采用“對內分層、對外一致”的架構,與電網調度中心或交易中心進行交互。該虛擬電廠架構既支持市場化模式下的報量報價,也支持對聚合模型的直接計算或對電網調度指令的直接響應。

2 集群層的虛擬電廠關鍵技術

針對集群層級的虛擬電廠,為應對分布式資源主體眾多且特性各異、不確定性強和各地電網需求多樣化帶來的挑戰,本文在適配所提云-群-端協同架構的基礎上,提出面向特性各異分布式資源的調控能力標準化建模方法、日前魯棒聚合和日內滾動修正銜接的虛擬電廠在線等值、適應不同電網差異化調峰需求的虛擬電廠-電網交互調度模式等關鍵技術,實現集群層對分布式資源的聚合與調度。本文研究重點為針對集群層的關鍵技術,而對于如何通過聚類算法形成集群,文獻［14］和文獻［26-28］中已有相關研究。

2.1 面向特性各異分布式資源的調控能力標準化建模方法

對集群中的分布式資源進行建模是“群”層級虛擬電廠模塊各功能的基礎。集群中的用戶側資源大多具有離散性、隨機性和異質性的特點,難以對其一一進行建模,故本文提出標準化建模方法將分布式資源建模為可中斷資源、連續調節資源、分檔調節資源、可平移資源和類儲能資源這5類通用資源模型［14,29］。這5類資源可基本涵蓋絕大多數分布式資源,實現模型交互與數據結構的通用化。各資源特性如下。

1）可中斷資源:描述運行過程中,可在一定時段內削減一定負荷量的資源。

2）可平移資源:描述運行過程中,可將一部分負荷量移動到其他時間段的資源。

3）連續調節資源:描述運行過程中,可在一定范圍內調節其發出或吸收功率的資源。

4）分檔調節資源:描述運行過程中,可在若干負荷量檔位之間選擇的資源。

5）類儲能資源:描述特性類似儲能的資源。

各資源數學模型如附錄A所示。模型的所有約束均可轉化為混合整數線性約束,最終優化問題為混合整數線性規劃或混合整數二次規劃。與文獻［14］和文獻［29］中的模型相比,本文提出的通用建模方法可考慮各分布式資源在多個不同時間段的響應特性。

本文借鑒電力系統標準化建模經驗［30］,建立了虛擬電廠可控資源的標準化模型。附錄B圖B1是電力系統拓撲模型和可控資源擴展類關系的統一建模語言（unified modeling language,UML）類圖,各擴展類的說明如附錄B表B1所示。通過各擴展類與電力系統拓撲模型中的Equipment類進行關聯,可實現對資源集群內可控資源的標準化建模,并具有很好的可擴展性。通過虛擬電廠集群等值技術,將得到的標準化資源模型加入等值計算的約束條件中,即可獲得包含用戶側分布式資源的集群的等值模型。

2.2 日前魯棒聚合和日內滾動修正銜接的虛擬電廠在線等值技術

能源互聯網環境下,虛擬電廠同時面臨資源側及電網側的雙重不確定性。由于多能流分布式資源主要分布于用戶側,故其響應具有較強的不確定性；新能源發電等分布式資源也具有較強的隨機性及波動性,為虛擬電廠的聚合和調控帶來極大挑戰。除此之外,對于資源集群來說,電網調度需求是資源集群面對的不確定性。電網側為避免“二次調度”,要求虛擬電廠上報的聚合模型應嚴格可行。因此,本文在日前采用基于魯棒優化的聚合算法計算虛擬電廠的魯棒聚合模型,但該模型具有極大的保守性,不能完全發揮資源靈活性。在日內根據設備的實際運行狀態及電網的調度計劃對聚合模型進行在線滾動修正,在保證可行性的同時盡可能為電網提供更大的可調能力,使虛擬電廠在輔助服務市場盡可能多獲取收益。同時,聚合模型中應包含資源集群調節成本的上界估計函數,作為虛擬電廠報價參考,保證虛擬電廠對于電網任意調度計劃均不致虧損。

虛擬電廠的日前魯棒聚合算法在文獻［31］中有詳細描述,在日前求得可行性、經濟性均魯棒的虛擬電廠聚合模型。日內滾動修正在日前聚合模型的基礎上利用當前設備運行狀態信息,修正下一個調度時刻等值模型中的功率上下限參數。

虛擬電廠的聚合模型包含3個部分,即功率基線、等值模型和成本函數。其中,功率基線為電網不加調控時虛擬電廠的聯絡線功率,由虛擬電廠計算上報,作為結算基準。等值模型包括每個調度時刻的功率、能量和功率變化量等參數,如式（1）—式（3）所示。

式中:pt,d為在時刻t虛擬電廠計劃的聯絡線功率；t∈Ψ,其中Ψ為所有調度時刻構成的集合；pt,min和pt,max分別為在時刻t虛擬電廠等值模型中,虛擬電廠的聯絡線功率最小值和最大值；Et,min和Et,max分別為在時刻t虛擬電廠的聯絡線當日累積電量最小值和最大值；Rt,d和Rt,u分別為在時刻t虛擬電廠的聯絡線功率向下和向上變化量的最大值。

能量約束和功率變化量約束是與時間相關的動態約束,可增大聚合模型描述的可行域,降低模型的保守性；而日內滾動修正后,功率上、下限為精確值,故日內虛擬電廠上報的等值模型僅包含式(1)；成本曲線描述虛擬電廠成本與聯絡線功率相對于功率基線的變化量之間的函數關系。由于不同時刻分時電價、負荷和新能源發電量均不同,故虛擬電廠的等值模型參數和成本函數均隨調度時刻而變,需要對每一調度時刻分別計算。

以物理集群為例,該算法要點如下。

1）計算功率基線。本文研發的虛擬電廠模塊以日前優化調度結果作為虛擬電廠的功率基線,與后續成本計算相配合,可保證每一條成本曲線均過原點。該優化模型為:

式中:SD為所有設備（不含儲能）構成的集合；SES為所有儲能構成的集合；c(pi,t)為設備i的成本函數；ct,p為時刻t的聯絡線購電電價；pt,tie為時刻t聯絡線實際功率,且Ptie,min≤pt,tie≤Ptie,max,其中Ptie,min和Ptie,max分別為聯絡線功率最小值和最大值；pi為設備i各時刻功率構成的向量；Fi為設備i各時刻功率變量的可行域；pES,j,t為儲能j在時刻t的功率,以充電為正方向；pES,i表示儲能i各時刻功率構成的向量；Ei表示儲能i各時刻功率變量的可行域；f(pi,t)為設備i在時刻t的電功率,以發出電功率為正；PD,t為電負荷在時刻t的總功率；hL(pi,t)為設備i在時刻t的熱功率,以發出熱功率為正方向；HHL,D,t為熱負荷在時刻t的總功率；hC(pi,t)為設備i在時刻t的冷功率,以發出冷功率為正方向；HCL,D,t為冷負荷在時刻t的總功率。

式（5）為設備或資源可行域約束和聯絡線的功率上下限約束；式（6）為蓄電池的充、放電功率約束；式（7）為電功率平衡約束；式（8）和式（9）分別為冷、熱功率平衡約束。

2）求解等值模型中的各參數。在日前,先計算虛擬電廠等值參數的最大范圍,再通過魯棒優化求解出偏差量最大的調度計劃,并據此修正等值參數,直至等值模型完全可行。在日內,則對功率上、下限進行修正。各步驟分述如下。

步驟2:用魯棒優化模型求取符合虛擬電廠聚合模型中的所有調度計劃中,造成偏差最大的調度計劃,如式（10）所示。

式中:pd為各時刻虛擬電廠計劃的聯絡線功率構成的列向量；p為各設備在各調度時刻功率構成的列向量；δt,+和δt,?分別為時刻t聯絡線功率與調度計劃之間的向上、向下偏差量,為引入的輔助變量。

步驟3:根據基準曲線及該調度計劃修正等值模型中的參數,循環直至最大偏差量小于等于收斂精度。文獻［31］中給出了一種修正方法,該方法保證了基準曲線仍符合虛擬電廠等值模型。

步驟4:日內滾動修正。虛擬電廠根據當前設備運行狀態、儲能荷電狀態（state of charge,SOC）等信息,求出下一調度時刻的可調能力范圍,并向電網更新信息,對可調能力進行滾動修正。對時刻t,求解優化問題max pt,tie和min pt,tie,約束為式（5）—式（9）。此時,求解虛擬電廠的可調范圍變為一個確定性優化問題,故滾動修正銜接可減小甚至消除不確定性帶來的保守性。

3）求解成本函數。由于上級電網調度計劃具有不確定性,影響了儲能等時間耦合元件的運行計劃,從而影響成本。故本文采用文獻［31］中提出的啟發式方法求取虛擬電廠成本函數的上界估計。成本函數由分段線性函數描述,在等值模型的功率上、下限間取若干計算點,對每個計算點求解帶罰項的單時段優化問題,具體為:

式中:M為參數,是一個較大的正數；pt,c為選取的計算點功率；pES,j,t,0為時刻t儲能j的基準功率,即功率基線對應的儲能功率。

pES,j,t,0=pES,j,t表示儲能充放電計劃與基態相同。故該優化問題的物理含義為盡可能使儲能不改變充放電計劃時,虛擬電廠跟隨調度計劃的最低成本；再經過修正加上改變儲能調度計劃對成本影響后,可得成本增加量上界與功率調節量之間的函數關系。

通過上述步驟,本文研發的虛擬電廠模塊可求得日前在可行性和經濟性均魯棒的聚合模型,而在日內可通過滾動修正減小不確定性的影響,得到更為精確的等值模型。

對于基于商業代理關系或在線聚類形成的虛擬集群,與物理集群相比,存在以下不同:①虛擬集群中的資源參數難以獲取,故使用本文2.1節中敘述的標準化建模方法建立各個資源的模型,用于描述式（5）中的資源可行域,各資源數學模型如附錄A所示；②由于資源空間分散,故無須考慮虛擬電廠內部的拓撲約束及能量平衡約束,即忽略式（8）和式（9）。對模型做出上述修改后,仍可用上述方法求得虛擬集群的等值模型。

2.3 考慮差異化調峰需求的虛擬電廠-電網交互調度模式

本文針對各地電網輔助服務市場規則、調峰需求各不相同的現狀,提出考慮差異化調峰需求的虛擬電廠-電網交互調度模式,根據電網側是否提供價格、需求信號,將虛擬電廠與電網間的交互模式分為主動式和響應式這2類,如圖2所示。

1）主動式

圖2中紅色、黑色箭頭表示為主動式交互模式,該模式不依賴于上級電網下發的調峰需求或價格信號,將資源集群聚合為類發電機模型,并基于計算出的類發電機成本函數決定上報價格信息,一并上報電網,電網下發調度計劃并由虛擬電廠跟蹤執行。

在主動式交互模式下,多能虛擬電廠相當于一臺發電機,直接參與電網調度或在市場化條件下參與日前能量市場。當電網未在日前提供需求及價格信號時,虛擬電廠按2.2節所述方法,等值形成式（1）—式（3）描述的類發電機模型與成本函數上送電網調度中心或交易中心,由電網調度中心直接調度或由交易中心進行出清。該模式接口對電網友好,可直接加入電力系統調度和交易模型,交互流程簡單,僅需要與上級電網交互一次。例如本文所研發的模塊在廣東省某工業園區實際應用時,即采用主動式交互模式,作為發電廠直接報量報價,可適應廣東省日前能量市場的機制［32］。此外,華東電力調峰輔助服務市場要求賣方在日前分段申報96點調峰“電力-電價”曲線［33］,故主動式交互模式也可適應華東電力調峰輔助服務的市場機制。

2）響應式

圖2中的藍色、黑色箭頭表示響應式交互模式,當上級電網在虛擬電廠響應之前為虛擬電廠下發調峰需求或價格時,虛擬電廠面臨的不確定性減小,可以通過對類發電機模型進行修正,實現對上級電網需求或價格信號的響應,具體情況如下。

情況1:電網提供需求信號但未提供價格信號。此時,虛擬電廠需向電網上報可響應的比例及對應的調節報價。由于電網調峰需求已知,電網調度計劃帶來的不確定性大大減小,故本文研發的虛擬電廠模塊采用分檔上報響應能力的模式,將電網的調峰需求按步長為10%,求出每個步長對調峰需求的響應模式及成本,供電網根據需要選取。這種模式的優勢是可以充分發揮虛擬電廠中可中斷資源、可平移資源、分檔可調節資源等離散資源的調節能力。而2.2節中的聚合模型由于魯棒性的要求往往不能充分發揮此類資源的靈活性。故當需求已知時,不再求解2.2節中的優化問題,而是對每個步長求解以下優化問題。

式中:pt,order為電網在日前發出的調峰需求；k為虛擬電廠對調峰需求的響應比例；pt,+和pt,?分別為聯絡線功率松弛范圍的上、下限。

本文研發的虛擬電廠模塊在現場應用中取10%為步長。逐漸增大k直到該優化問題不可行,以決定虛擬電廠在基線基礎上響應的調峰量。式(15)最后一個約束表示當上級電網無調峰需求時,聯絡線功率往往可根據電網實際需求在一定范圍內松弛,松弛范圍由電網給出。該優化問題同時計算出了每檔響應能力對應的成本,可作為報價的參考。

情況2:價格已知但需求未知。若電網在日前為虛擬電廠提供了價格信號,則首先按照2.2節中的方法求取虛擬電廠等值模型,再根據2.2節中求出的成本上界,求解優化問題以計算上報的調峰能力。此時的優化問題為max pV,t,+和max pV,t,?,其中pV,t,+和pV,t,?分別為時刻t虛擬電廠在調峰輔助服務市場中虛擬電廠上報的最大向上和向下調峰能力,約束條件為:

式中:ct(?)為時刻t虛擬電廠成本上界-功率變化量函數,可由2.2節的方法估算；cR,+和cR,?分別為輔助服務市場中向上、向下調峰（單位）容量價格；cA,+和cA,?分別為輔助服務市場中向上、向下調峰（單位）能量價格。

情況3:價格及需求均已知。此時,虛擬電廠需根據價格信號決定上報的響應量。求解式（14）的優化問題,得到上報量-響應成本之間的關系后,將響應成本與價格信號進行對比,上報補貼大于響應成本的所有響應曲線。

響應式交互場景是一種典型的交互模式,例如本文研發的虛擬電廠模塊在冀北電網應用時,即可根據華北調峰輔助服務市場規則［34］,在日內根據輔助服務市場的價格及電網發布的調峰需求信號,采用同時存在價格信號及需求的調峰能力計算方法,即求解式（14）的優化問題,決定上報的調峰投標量。

3 系統研發與現場應用

基于上述關鍵技術研究,本文設計并研發了面向園區的虛擬電廠集群功能模塊,具有標準化資源建模、等值聚合、修正上報、解聚合和統計評估等多個實用化功能,支持多種類分布式資源的魯棒聚合,并支持與上級電網多種調度/市場服務模式,其功能設計如圖3所示。功能簡述如下。

圖3 綜合能量管理系統虛擬電廠模塊功能框架Fig.3 Functional framework of virtual power plant module of IEMS

1）等值聚合功能根據各資源集群的特性及參數、拓撲位置等信息,計算其聚合模型,并上報云端。等值聚合功能包含日前魯棒聚合模塊、日內滾動修正模塊及上報模塊。其中,日前魯棒聚合模塊和日內滾動修正模塊分別根據日前、日內的數據,得到魯棒意義下的聚合模型,并通過滾動修正兼顧經濟性與保守性；上報模塊將模型修正為滿足該電網交互需求的等值模型并進行預評估。預評估是一個對經濟性及可行性進行校核的功能,可對電網產生的調度計劃或隨機抽樣產生的調度計劃進行計算或仿真分析,評估上報等值模型的可行性、經濟性等。若評估結果符合要求,則將等值模型及參數上報。

2）解聚合功能將云端下發至集群的指令最優分解至資源集群內部各分布式資源,以偏差量最小、成本最小為目標,完成對調度指令的響應；解聚合包含日前解聚合、日內解聚合及實時解聚合等模塊。解聚合功能在實際系統研發中與IEMS中的優化調度模塊進行整合［35］,完成對調度指令的分解與下發。

3）統計評估功能在每日虛擬電廠運行結束后,根據各資源集群、分布式資源的響應執行情況對收集到的分布式資源、集群參數進行修正,進一步提升虛擬電廠各分布式資源參數的精確性及響應能力。

本文研發的功能模塊已經在北京、廣州等多個工業園區,以及吉林、冀北等多個示范工程部署應用。本文以北京某多能產業園（基于地理位置自然形成的集群）的場景分析為例,介紹本文方法的合理性及所提架構的適配性。本文重點針對園區級虛擬電廠,對于數量多、容量小、分布分散的資源,應對其進行分群降維。面對這樣的場景,本文建立的框架是適用的,但需要根據資源數量大、不確定性強的特點研究新的算法作為支撐,才能實現在線應用,這也是今后需要研究的重點之一。

3.1 多能產業園介紹

該多能產業園位于北京市,園區中同時包含冷、熱、電等多種能流形式的負荷,由物業公司作為綜合能源服務商負責能源供給,園區內包含1臺由內燃機和溴化鋰構成的冷熱電三聯供機組、2臺燃氣鍋爐、2臺電制冷機、2臺蓄電池、若干分布式屋頂光伏和1臺備用直燃機。其中,冷、熱在園區內平衡,電能可通過園區聯絡線從電網購入,但不能返送；天然氣通過管道輸入園區,用于內燃機、燃氣鍋爐、直燃機等耗氣設備。該園區作為資源集群形成虛擬電廠。

以供冷季某日實際運行情況為例,當日不存在熱負荷,故溴化鋰運行于供冷模式,與電制冷機組一同供給冷水,燃氣鍋爐關閉,直燃機作為備用,一般情況下不啟動。園區用電負荷峰值為3.6 MW,購電價格按北京市分時電價,園區用冷負荷峰值為2 MW。以電能通過聯絡線從上級電網流入虛擬電廠為功率正方向。

3.2 主動式場景

主動式場景的核心模塊為日前魯棒聚合模塊,通過該模塊可計算虛擬電廠的可調能力及成本參數。本節主要介紹日前魯棒聚合模塊的計算結果及采用預評估模塊證明上報模型的合理性。園區通過日前魯棒聚合模塊求得每個時刻的聯絡線功率上、下限,能量上、下限和功率變化量上、下限,如圖4所示。

圖4 虛擬電廠聚合結果Fig.4 Aggregation results of virtual power plant

在00:00—07:00時,電價較低,為谷電,故虛擬電廠從電網購電使成本最小,且沒有可用的新能源發電,故虛擬電廠運行基線位于功率上界；除了在16:00—18:00時蓄電池充電外,虛擬電廠運行于功率下界。虛擬電廠在不同時刻提供1.0～1.6 MW的可調范圍,大致為總負荷量的1/3,說明虛擬電廠可提供較為可觀的靈活性。

圖4同時展示了多能流耦合與協同為虛擬電廠帶來的額外調節能力。其中,藍色曲線為供冷設備均固定在供冷成本最小的運行方式時虛擬電廠提供的可調范圍,即電價低時僅由電制冷機供冷,電價高時啟動內燃機-溴化鋰三聯供,多出的冷負荷由電制冷機、直燃機根據價格信息分擔。紅色曲線為考慮多能耦合設備可調時虛擬電廠的靈活性范圍。虛擬電廠可通過調度內燃機-溴化鋰三聯供、電制冷機及直燃機等設備,在保證冷負荷平衡的同時,為電力系統提供靈活性。例如:在00:00—08:00時,可通過減少電制冷機供冷量,同時增加三聯供、直燃機供冷量來降低虛擬電廠的聯絡線功率。

附錄B圖B2展示了3條典型的成本曲線,分別對應07:00、09:30和17:45這3個時刻。3條曲線均過原點,可以得到如下結論。

1）在07:00時,蓄電池處于充電狀態,虛擬電廠提供的可調范圍為向下1 339 k W至向上26 k W。向下成本在1 MW處有明顯轉折,這是因為園區內的三聯供機組可發出的最大有功功率即為1 MW。而在向下調節量超過1 MW時,虛擬電廠只能通過開啟直燃機或調節蓄電池充放電狀態提供調節能力,從而使蓄電池無法在低電價時段充滿電量,為后續運行帶來較高成本。故在向下［0,1］MW區間調節成本緩慢上升,但在［1 000,1 339］k W出現明顯轉折。

2）在09:30時,功率基線位于上界,虛擬電廠提供的調節能力為向上0～1 429 k W,其中,在178 k W處有明顯轉折。這是因為當前園區設置的棄光成本參數為0,故此時虛擬電廠提升聯絡線功率最經濟的方法即為降低光伏出力。此時由于電價處于平段,故蓄電池未充電也未放電。當光伏發電功率降至0后,虛擬電廠需通過調節其他機組的方式提高聯絡線功率,故成本有所提高。

3）在17:45時,蓄電池處于充電狀態,虛擬電廠提供的最大調節能力為向下225 k W、向上1 236 k W。通過成本曲線分析得出,虛擬電廠只能通過減少儲能充電量提供向下調節能力,而向上調節能力可通過啟動電制冷機組并降低三聯供機組的出力得到,故此時向下單位調節成本大于向上單位調節成本。

附錄B圖B3展示了虛擬電廠參與調度的效果。這里模擬了電力系統調度需求為希望虛擬電廠盡可能平抑負荷波動、降低峰谷差,故給出了如附錄B圖B3（a）藍色曲線所示的調度指令,虛擬電廠通過調節內部資源跟隨調度指令。附錄B圖B3（b）和（c）展示了虛擬電廠消耗的總天然氣量及儲能充放電功率與時間的關系,在跟隨調度指令時,虛擬電廠通過調節冷熱電聯供（combined cooling,heating and power,CCHP)、儲能等可快速調節的資源,以抵消負荷的波動,對外顯示出平滑的功率曲線。成本方面,虛擬電廠的運行成本由原來的48 239元上升至50 493元,根據報價曲線計算的補貼為5 010元,故虛擬電廠可賺取收益2 756元,在賺取收益的同時減小了約2 MW的峰谷差,與電網實現雙贏。

為進一步驗證日前魯棒聚合模塊所得的虛擬電廠聚合模型的可行性與經濟性,調用預評估模塊,根據虛擬電廠日前上報的聚合模型式（1）—式（3）,生成了均勻分布的5 000組電網模擬調度曲線,并進行解聚合。結果顯示,在可行性方面,5 000組模擬調度曲線中,一日內最大總偏差功率為62.355 k W·h（為聯絡線總交換能量的0.098%）；而經濟性方面,所有根據成本函數計算的成本均大于實際增加的成本,其中多出的平均為449.09元,平均高出虛擬電廠運行成本（48 286.26元）的0.9%,可以較好地估計虛擬電廠在響應電網調度計劃時的運行成本。蒙特卡洛仿真的具體結果及分析如附錄C所示。

3.3 響應式場景

電力系統對調峰的需求可以概括為以下2種:①在某段時間希望負荷側減小用能功率（例如負荷中心）；②在某段時間希望負荷側增加用能功率來消納多余的新能源（例如風電場、光伏集群）。本節以上述2種典型的調峰需求為例,介紹響應式場景的算例。對于其他類型的需求,只需將期望的調峰需求轉化為功率變化量,本文模型仍然適用。由于篇幅限制,本節僅展示多能虛擬電廠響應電網消納新能源輔助服務需求的算例,對于響應電網削峰輔助服務需求的算例如附錄C所示。

由于電網預測次日中午負荷低谷時光伏出力較高,向虛擬電廠發布協助消納新能源的調峰需求,要求虛擬電廠在11:45—13:15將功率提升1 MW。在09:15—10:00,功率可在基線基礎上下降不超過400 k W,其余時刻功率與基線相同。虛擬電廠以10%為步長進行計算,虛擬電廠對調峰需求的響應情況如圖5所示。

圖5 虛擬電廠對光伏消納需求的響應Fig.5 Response of virtual power plant to photovoltaic consumption demand

調用解聚合模塊對電網的調峰需求進行響應,結果如附錄B圖B4和圖B5所示。在圖中可以看出,在11:45—13:15,為了響應新能源消納需求,園區采取的調度措施有:①蓄電池由放電轉為充電；②減少內燃機發電功率；③增加電制冷機用電功率。

通過多種措施聯合作用,增加了園區的用電需求,進而提高了新能源消納能力。

附錄B圖B5展示了響應前后熱力系統的調度計劃。在圖中可以看出,在新能源消納時段,溴化鋰機組供冷量減少,但電制冷機組供冷量增加,園區依然保持冷功率平衡,相當于利用新能源棄電來制冷,利用熱力系統的調節能力來提高電網的靈活性。

此外,園區中的用戶側資源可協助完成對調峰需求的響應。本算例基于產業園中可平移負荷,故可合理安排可平移負荷的生產計劃,協助實現對電網調峰需求的響應。響應上述調峰需求時,某可平移負荷的功率優化結果如附錄B圖B6所示。

該可平移負荷可將10:30—13:30時段內,任意120 min內的300 k W負荷平移至22:00—24:00。圖中灰色曲線代表原始負荷功率曲線,藍色曲線代表不響應調峰需求時,可平移負荷的功率計劃曲線,紅色曲線代表響應調峰需求后,可平移負荷的功率計劃曲線。可見平移的時段前移了30 min,以適應在11:45—13:15升高功率的調峰需求。

附錄B圖B7為虛擬電廠模塊計算出調峰成本-調峰響應量曲線。由于響應調峰需求時,電制冷機制冷量會增加,而單位成本較低的內燃機發電量及供冷量減少,造成了運行成本的增加。雖然響應電力系統調峰會增加虛擬電廠的運行成本,且額外成本隨著響應量的增加而增加,但可通過提供調峰輔助服務獲得收益以彌補增加的成本,與電力系統實現“雙贏”。

4 結語

本文設計了多能流虛擬電廠云-群-端協同的架構,并研發了集群層級的虛擬電廠功能模塊,在多個現場投運。

1）基于云邊協同的信息架構,設計了云-群-端協同的虛擬電廠架構及功能模塊,適應了分布式資源時空分布廣、差異大、屬于不同主體等特點。

2）提出了虛擬電廠中可控資源標準化建模方法,提高了虛擬電廠模塊的分布式資源接入的通用性,支持海量異質多能分布式資源的接入。

3）提出了日前魯棒聚合和日內滾動修正銜接的虛擬電廠在線等值技術,其中日前聚合結果同時保證了可行性和經濟上的魯棒性,日內通過滾動修正減少不確定性帶來的保守性,為電網提供更多靈活性資源。

4）提出了考慮差異化調峰需求的虛擬電廠-電網交互調度模式,包括主動式和響應式2種交互調度模式,提高了虛擬電廠模塊對電網不同調節需求及對不同調峰輔助服務市場機制的適應性。

虛擬電廠技術是能源互聯網挖掘利用各類分布式資源靈活調節能力的重要措施。未來,將圍繞虛擬電廠調度這一專題,繼續開展如下研究工作:虛擬電廠云端管控平臺與電網調度、交易系統的協同優化、分布式資源的在線動態分群聚合和提供多種輔助服務的虛擬電廠精細化聚合建模等。