虚拟电厂参与多个电力现货市场的协同决策方法

《Energy》：Coordinated Decision-Making Method for Virtual Power Plant Participating in Multiple Power Spot Markets

　　摘要：虚拟电厂通过参与电力现货市场，能够优化资源调度并提升经济效益。本文提出了一种基于动态规划的协调优化决策方法，用于多类型市场中的虚拟电厂，以应对因电价波动、负荷需求不确定性以及风能和太阳能发电的随机性所带来的协调交易难题。首先，构建了虚拟电厂参与能源市场与辅助服务市场的联合交易框架。采用变分模态分解与图卷积网络相结合的多任务学习方法，提高对风能、太阳能发电量、负荷需求以及市场电价的预测精度，同时运用场景生成方法来描述各种不确定性因素。其次，考虑到虚拟电厂运营方的风险偏好，提出了基于状态转移方程的日前及实时协调优化模型。通过多层关联决策与近似动态规划，该模型能够在不同的市场环境下为虚拟电厂制定最优竞价策略。最后，通过案例研究验证了所提方法的有效性，结果表明该方法提升了虚拟电厂的市场竞争力，增加了收益，同时也改善了分布式能源资源的调度与利用效率。

引言：虚拟电厂的发展日益成为提升电力系统灵活性的有效解决方案[1]。分布式能源资源的整合、通信基础设施的进步以及需求侧管理的重要性提升，推动了全球范围内虚拟电厂的广泛应用[2]。随着可再生能源比例的上升，传统电力系统因风能和太阳能发电的间歇性而在供需平衡方面面临挑战，这需要创新的解决方案来保障电网稳定性与经济效率。为解决这一问题，虚拟电厂作为一种极具潜力的解决方案应运而生，它通过通信和控制技术将供需两侧的众多分布式能源资源聚合起来，使其能够参与电力现货市场[3]。借助实时数据交换与智能优化，虚拟电厂能够实现能源资源的高效调度，提升系统可靠性，并提供辅助服务以支持电网运行[4]。电力现货市场为符合条件的虚拟电厂参与者提供了进行日前、日内及实时电力交易的平台，通过竞争机制确定反映时间和空间价值的清算价格，同时还包含频率调节和备用容量等辅助服务交易[5]。市场参与者包括电网企业、各类商业实体以及市场运营商。目前，虚拟电厂通常通过运营管理平台集中管理可调控的用户资源。然而，由于不同实体所控制的设备具有多样性、容量较小、分布广泛且特性各异，信息不对称导致运营商的决策具有较大的随机性，从而无法实现最佳的经济效益[6]。具体而言，虚拟电厂在工程实践中所面临的当前挑战如下：(1)与大规模集中式发电资源相比，虚拟电厂在调度和市场交易时必须考虑负荷需求、电价以及可再生能源发电等不确定性因素[7]。在市场交易中，辅助服务交易发生在更短的时间尺度上且具有随机性，因此需要可靠的方法来处理不确定性，准确预测虚拟电厂资源的行为，以便在不同电力市场中制定最优竞价策略[8]。(2)虚拟电厂在参与电力现货市场时面临诸多困难，包括多时间尺度的决策规划、多类型市场策略的制定、内部资源调度以及竞价过程中的不确定性管理[9]。在多时间尺度决策中，虚拟电厂需平衡日前市场和实时市场，优化资源配置以减少预测误差并最大化利润。在多类型市场中，虚拟电厂需要灵活的策略来满足能源市场与辅助服务市场的不同需求，同时实现自身利益的最大化[10]。

关于不确定性的研究：现有研究已广泛探讨了上述问题，尤其是电价不确定性方面。电价是虚拟电厂无法直接控制的外部因素，其波动会直接影响市场参与者的收益。因此，准确的电价预测对于虚拟电厂制定最优竞价策略并实现利润最大化至关重要。目前，中国及许多其他国家的市场运营商普遍采用边际结算价格机制。然而，由于供电需求不平衡、生产成本变动以及输电拥堵等因素，准确预测边际电价仍是一项重大挑战。一些研究根据电力期货和现货市场的结构，将电价预测分为长期预测、短期（日前）预测以及超短期（实时）预测[11]。传统的预测方法主要包括自回归积分移动平均模型、移动平均模型以及自回归模型。不过，这些时间序列方法在处理高维不确定性数据方面存在局限性，也无法充分利用源-荷数据的特征[13]。为提高预测精度，数据驱动的人工智能方法被越来越多地应用。随机森林、卷积神经网络以及长短期记忆网络等模型在电价预测方面展现了出色的性能。例如，有一项研究采用了双向长短期记忆网络方法，准确评估了虚拟电厂中可再生能源发电与需求响应的潜力。该方法还能精确预测市场清算价格和监管信号，从而帮助虚拟电厂在电力市场中做出更优决策。然而，鉴于源-荷预测的复杂性和高数据需求，基于人工智能的技术在超参数优化方面仍面临挑战。

关于电力现货市场的研究：在虚拟电厂运营优化及其参与电力市场交易方面，现有研究探讨了考虑不确定性的决策机制，这些机制大致可分为三类。第一类是随机优化方法，它通过采样场景来模拟不确定参数，并确定其概率密度函数。已有研究提出了多阶段随机决策模型，用于优化包括日前市场、日内市场以及平衡市场在内的多个时间尺度电力市场的竞价策略[18][19]。然而，随机优化需要事先掌握概率密度函数，而这类函数在现实场景中往往难以获得，这限制了其应用范围。此外，该方法在简化不确定性场景时可能会忽略低概率事件[20]。因此，随机优化更适合那些预测精度较高且不确定性影响相对较小的优化问题。第二类是鲁棒优化方法，其与随机优化的不同之处在于即便在最坏情况下也能确保做出最优决策。不过，这往往会导致决策更为保守。通过调整置信度水平和鲁棒性参数，鲁棒优化能够灵活调节模型的鲁棒性与保守程度，从而具有更广泛的应用性[21]。例如，有研究采用了鲁棒优化方法，为虚拟电厂参与电力市场与碳排放市场建立了联合决策模型，同时考虑了负荷需求、可再生能源发电以及市场价格的不确定性。第三类是条件风险价值方法，它用于量化竞价决策中与不确定性相关的风险。通过识别潜在风险，该方法将风险管理融入优化过程之中。有研究将条件风险价值方法纳入随机优化模型，分析风险厌恶对虚拟电厂竞价策略的影响[23][24][25]。在实际应用中，可以结合这三种方法的优点，同时弥补各自的不足。例如，有研究提出了一种融合鲁棒优化与随机优化的混合方法，利用随机优化处理系统不确定性，同时通过不同的鲁棒性系数来应对风能和太阳能发电的波动性。总之，尽管现有研究在虚拟电厂市场参与与决策方面取得了显著进展，但仍存在若干局限性，主要体现在两个方面：(1)对多源不确定性的建模不够完善，且未能将其有效整合到决策过程中。大多数现有研究要么依赖确定性预测结果，要么通过简化的场景分析法来处理不确定性。不同不确定性来源之间的耦合效应，如可再生能源发电、负荷需求以及电价之间的相互作用，未能得到充分体现，而且预测误差与决策优化之间的关联也常常被忽视。这限制了虚拟电厂策略在高度不稳定的运行环境下的稳健性与适应性。(2)缺乏虚拟电厂参与电力现货市场的协调决策机制。现有研究通常着眼于孤立的市场环境，如日前市场或辅助服务市场，未能充分考虑多个现货市场之间的耦合关系与互动机制。因此，未能有效发挥跨市场协调参与与动态调整的潜在优势，从而限制了虚拟电厂运营的整体经济表现。

本文提出的内容如下：第二部分提出了虚拟电厂参与多类型电力市场的联合交易框架，系统阐述了虚拟电厂在能源市场与辅助服务市场中的联合交易模型，包括虚拟电厂市场交易中心的架构设计、信息交换流程以及内部资源优化管理策略，旨在提升虚拟电厂的市场竞争力与经济效益。第三部分为了解决电价、负荷需求以及可再生能源发电方面的不确定性问题，本文将精准预测与场景分析相结合，提出了一种基于变分模态分解与图卷积网络融合的多任务学习方法，以提高对风能、太阳能发电量、负荷需求以及市场电价的预测精度。同时，还介绍了一种典型的场景集生成方法，用于有效描述各种不确定性场景。第四部分为了优化虚拟电厂在多类型电力现货市场中的运营策略，本文提出了一种基于动态规划的联合优化决策方法，该方法考虑了虚拟电厂运营方的风险偏好，适用于日前市场与实时市场的参与决策。通过采用多层关联决策模型并结合近似动态规划进行求解，该方案能够帮助虚拟电厂在复杂的市场环境中实现收益最大化。本文的其余部分安排如下：第二部分阐述联合交易模型框架，第三部分介绍基于时空卷积的场景构建方法，第四部分提出联合优化决策模型，第五部分则通过案例研究验证所提模型的有效性。

操作框架：本部分探讨虚拟电厂在能源市场与辅助服务市场中的联合交易问题。虚拟电厂市场交易中心负责与外部能源市场及辅助服务市场进行能源交易与信息交流。在收到市场调度信息后，它会发出决策控制指令，协调内部分布式能源资源的最佳配置，从而提升能源效率与经济效益。该操作框架如下：

电力系统运行状态与市场不确定性：日前市场与实时市场的电价都存在波动性。若将电力市场价格近似视为正态分布，则可表示为：其中，分别为电价的均值与标准差。为准确描述日前市场中不确定性的影响，以实际价格的概率分布函数作为预测定价模型，其假设是预测价格的不确定性与实际价格的不确定性一致。

虚拟电厂在日前市场与实时市场中的联合优化决策模型：虚拟电厂参与市场的优化决策过程可分解为日前交易周期与实时交易周期内的现货市场决策以及频率调节辅助服务市场决策，属于顺序多阶段决策问题。动态规划为解决顺序决策问题提供了直观的框架，能够确保每个决策阶段都在满足最优性要求的前提下找到近似最优解。

数据来源与参数设置：本章的案例研究基于从某个虚拟电厂试点区域收集的历史15分钟分辨率的电力输出曲线与电价数据，数据时间跨度为2023年1月至2024年5月。经过数据补缺与预处理后，该数据集包含了1,080个分布式能源资源单元，以及相应的日度环境变量，如温度、风速和太阳辐射强度。此外，还包含了年份、月份、日期和小时等时间相关特征。

结论：本文提出了一种用于虚拟电厂参与多类型电力现货市场的协调决策方法，将该方法将不确定性预测、场景生成以及近似动态规划整合到了统一的优化框架之中。通过构建能源市场与频率调节辅助服务市场的联合交易模型，并结合基于多任务学习的预测方法，用于预测风电、光伏发电、负荷需求以及电价，所提出的方法能够有效提升虚拟电厂的运营绩效。

作者贡献说明：张希渊：撰写——初稿、可视化、软件应用、方法论、研究实施、数据整理。刘高华：撰写——审阅与编辑、监督、项目管理。张佩荣：撰写——审阅与编辑、验证、监督。张德龙：撰写——审阅与编辑、验证、监督、资金筹集。孔向宇：撰写——审阅与编辑、监督、项目管理、资金筹集。易晨：写作——初稿撰写、可视化处理、利益冲突声明? 作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢本研究得到了中国国家自然科学基金（项目编号：52277121）的支持。孔祥宇|易晨|张希渊|刘高华|张佩荣|张德龙天津大学智能配电设备与系统国家重点实验室