当前位置：首页 > 共享经济 > 共享店铺 > 正文内容

面向新型电力系统的虚拟电厂商业模式与关键技术研究分析

wxianyue3个月前 (09-04)共享店铺26299

以新能源为主体的新型电力系统的电源侧结构与负荷侧形态均发生深刻变化，导致其电力电量平衡困难日益凸显，对用户侧灵活性可调节资源的需求更为迫切。虚拟电厂通过需求响应和协调控制聚合海量、分散、多元的柔性负荷与分布式资源，形成大容量的统一灵活调节能力，对保障新型电力系统安全稳定运行至关重要。

本文节选自《面向新型电力系统的虚拟电厂商业模式与关键技术》，

下载原文，请扫码加入综合能源服务研习社

虚拟电厂商业模式

商业模式的概念是在1957年由美国学者首次提出。随着时代的进步和科技的发展，商业模式在不同时期被赋予了不同的内涵。2016年，德国学者Wirtz经过调研总结，给出了商业模式的普适定义，即企业各项经营活动的一种聚合表现形式，主要应包括企业运营的价值主张、资源组成、经营模式和成本收益这4个部分。

其中，价值主张是指企业的价值点，需要在满足客户根本诉求的同时创造企业独特的价值，是商业模式的核心。价值主张与企业提供某类业务或者具备某项功能的区别在于，前者是后者的内在价值体现，后者是前者的外在表现形式；资源组成是指企业拥有或代理的有形、无形资产或资源；经营模式是指企业通过提供不同业务，创造营收的方式；成本收益是指企业经营过程中产生的支出与收入。VPP商业模式中各组成部分间的逻辑关系如图所示。

VPP商业模式

VPP的价值主张包含两点：1）为系统运营商提供高效安全、快速爬坡的灵活性；2）为海量、分散、多元、异构的DER创造参与系统调节或市场交易的机会，使其获得一定收益。VPP的价值主张与其资源组成、经营模式和成本收益密切相关，是VPP优化运营的核心。

VPP的资源组成是其本身定义的一部分，包括各种类型的DER。不同的DER投资组合方式，经动态聚合后可以形成不同的联盟，决定了VPP的经营模式，是其参与不同类型电力市场交易和为系统运营商提供不同种类服务的基础，同时也是其成本收益的结算主体。

VPP的经营模式包括参与不同类型市场交易或者为系统运营商提供各类服务，经营模式不仅决定了VPP的成本收益，同样也会反作用于DER的优化选择，如新增或淘汰DER联盟成员，使联盟成员更好地服务于VPP当前的经营模式。VPP的成本收益经效益评估后将通过资金链的传导反作用于VPP的经营模式，并影响DER联盟的利益分配。本章将着重讨论不同DER投资组合下VPP的经营模式以及不同经营模式下VPP的成本收益，并对其进行梳理，结果如图所示。

VPP经营模式与成本收益

▌经营模式

不同DER投资组合方式在时间的作用下使得VPP对外呈现的整体特性不同，决定了VPP可以通过参与市场交易或者系统调节，提供不同的业务以创造营收。换而言之，这也意味着VPP具有不同的经营模式。若DER联盟中，分布式电源和可控负荷占比较高，VPP内部电源出力大于其负荷需求，VPP整体将对外呈现“电厂”特性，具有传统电厂的功能，是系统电力电量的供应商。

从市场交易角度，VPP可以参与不同时间尺度，如中长期或现货下的能量或者辅助服务市场交易。VPP通过获取DER联盟的成本特性，向市场上报竞标价格与出力范围，参与市场集中竞价，一旦中标，市场管理者将按照出清电价对VPP成交量进行出清；从系统调节角度，VPP也可以充当第三方功率平衡主体，通过响应系统的调度指令，为TSO提供实时功率平衡服务，或为DSO提供阻塞管理或电压控制等服务。

若DER联盟中，分布式电源、可控负荷和储能占比低，传统负荷占比相对较高（一般出现在VPP建立初期），VPP内部负荷需求大于其电源出力，VPP整体对外则呈现“负荷”特性。此时，如果VPP执行需求响应，则其可以参与辅助服务市场交易或响应系统调度指令；如果不执行需求响应，则VPP可与DSO合作协同调度DER，减少分布式电源不确定性对配电网的影响，或者与其他零售商协同合作，优化零售商参与中长期或现货能量市场的购电策略，目标是使售电公司购电成本最小。

▌成本收益

不同经营模式下，VPP成本收益的组成和来源不同。若VPP作为“电厂”，参与能量市场或辅助服务市场交易时，其收益来源于市场。市场管理者按照不同类型市场的出清电价、成交量以及具体结算机制对VPP的投标方案进行结算，VPP获得收益。因VPP内部资源参与了市场的交易过程，并提供了能量或辅助服务资源，VPP需向DER联盟支付补偿金，此为VPP在该模式下的成本。

补偿的常见形式一般可分为：事前合约型、激励定价型和事后核算型。事前合约型是指VPP与DER联盟就补偿单价和补偿机制在事前进行了合同约定，事后按照合同的约定进行补偿；激励定价型是指VPP事前向DER联盟所有成员广播激励单价，由各联盟成员自主响应，事后按激励单价对用户进行补偿；事后核算型是指VPP参与市场交易后，按照联盟成员响应的贡献度对其进行补偿。

当VPP为TSO或DSO提供相关服务时，其收益来源于TSO或DSO对VPP给予的奖励或补偿，其成本与参与市场交易大致类似，有所不同的是，如果VPP提供的响应信号未能很好满足TSO或DSO的调度指令，其还将面临一部分惩罚成本。若VPP作为“负荷”且执行需求响应时，其收益来源与作为“电厂”参与辅助服务市场或响应系统调度指令时相同，其成本与作为“电厂”参与响应系统调度指令时相同；不执行需求响应时，VPP收益来源于与DSO或零售商的合作，收益多少取决于两者之间的收益分配机制，其成本为对DER联盟的经济补偿。

支撑VPP商业模式优化运营的关键技术

VPP在各种商业模式下的优化运营需要一系列关键技术的支撑才可以实现商业模式优化，具体如下所示：

VPP运营关键技术分析

VPP的关键技术主要包含：1）状态感知与灵活聚合；2）信息预测与容量估计；3）市场交易与优化决策；4）补偿结算与效益评估。状态感知与灵活聚合技术是实现分散式小容量资源汇聚形成大规模VPP的前提。市场电价的波动、负荷与电量的未来变化对VPP市场交易有直接的重要影响，VPP可调节容量随时间变化的准确估计是其优化投标的重要依据，因此，信息预测与容量估计技术就成为VPP进行市场交易的必备基础。

不同场景和市场条件下的交易策略与优化决策决定了VPP的运营效益和承担风险。对分布式灵活资源的经济补偿是VPP市场化运营下承担的主要成本，而效益评估则是其聚合方式和经营策略改进的科学指导。

4项关键技术之间环环相扣，共同支撑VPP各种商业模式下的优化运营：技术1为技术2提供资源特性分析结果，作为技术2预测和估计模型的输入信息；技术2为技术3提供基础信息预测结果，作为技术3制定市场优化决策模型的输入信息；技术3为技术4提供优化交易运营结果，作为技术4补偿结算和效益评估的计算依据；技术4为技术1提供历史技术经济性能分析结果，作为技术1资源灵活聚合与精准画像的重要参考。

▌状态感知与灵活聚合

状态感知与灵活聚合包括异构资源精准建模以及资源灵活优化聚合两部分，是辅助VPP洞察和了解DER运行特性的基础性工作，助力VPP实现需求侧资源的精确感知、充分利用及价值挖掘。

1、电力客户画像技术

电力客户画像技术是根据用户社会属性、生活习惯和用能行为等信息抽象出的一个标签化过程。标签化是高度精炼的特征标识，是把数据形象化的一种方法，是电力客户画像技术的基础。典型的电力客户标签主要包括电力用户的年龄、消费能力、家庭人口、用能态度和负荷电量信息等，反映了一个电力客户的基本属性以及行为倾向。通过对客户标签信息的数据化处理，如在时域或频域上对用户的负荷电量数据进行特征提取和选择，进一步建立多元特征-标签分类识别模型，从而实现特征到标签的映射，形成整体的电力客户画像。

电力客户画像技术能够助力VPP的个性化、精准化服务。对于VPP而言，可以利用客户画像技术精准定位具有高参与意愿、高需求响应潜力的优质用户，同时也可依据画像结果制定个性化的需求响应合约，提高终端需求响应用户的参与积极性。目前，主流的客户画像方法通过机器学习的方式实现，根据所需有标签样本数的不同，可以分为有监督学习（所有样本均为有标签）以及半监督学习（部分样本有标签）方法。

由于用户标签数据本质上需要通过调查问卷或者实地调研的方式进行获取，这需要耗费大量的人力、物力，因此，相较而言，半监督学习方法能凭借其所需有标签样本数少的优势，在未来得到更为广泛的应用。然而，有标签样本数量减少，意味着模型输入的有效信息减少，半监督学习要想达到与有监督学习方法相同的画像精度，还需要深入挖掘用户数据中蕴含的潜在价值和规律，并提取更加多元的数据特征来进一步提升画像精度。未来，自监督学习等新型机器学习算法将在客户画像的效率、准确率以及实用性提升等方面助力VPP筛选优质的需求响应用户。

2、异构资源精准建模

异构资源精准建模面向的对象是VPP中具有柔性调节能力的广义负荷资源，包括可削减和可转移负荷、电动汽车、分布式储能等。传统负荷的描述方法一般可分为物理建模以及数据建模两大类。前者从资源本身运行特性出发进行描述，如温控负荷热力学模型的构建；后者则通常针对某一类型的资源，通过其历史数据集运行状态，利用相较而言更为简化的模型描述其泛在特性。

然而，由于资源种类多样、运行参数各异，广义负荷资源呈现类别异构特性。同时，同一类型负荷（如温控负荷）中同样存在物理属性各异的负荷（如空调与热水器），呈现参数异构特性。故而，一方面需面向单一资源，考虑其基本物理属性、用户主观意愿、舒适度需求等多方因素，研究异构资源精细化建模方法；另一方面需面向资源集群，分析其泛化特征与抽象等效性，研究资源聚合体的等值建模方法，从而为VPP代理海量DER参与电网调控运行提供精细化的建模技术支撑。

3、资源动态优化聚合

资源动态优化聚合是在异构资源特性建模的基础上，依据不同目标（如不同的电网调控需求、不同市场参与需求），匹配并汇聚一定量具有时域互补性、功能互补性的多元DER形成可调度资源池的过程，是一个多目标、多尺度灵活优化聚合问题，可以理解为灵活性资源的优化配置问题，也有文献从合作博弈角度出发，将其称之为多代理系统的联盟结构生成问题。

不同DER的特性不同，可分为以下3类：一是定量补偿型资源，基于激励信号进行主动调节。此类资源在个体层面参与响应，根据收益参考或合约内容进行自主响应，受各类主客观因素影响，响应不确定度大，且所需提前通知的时长最长，单位响应容量所需补偿最低；

二是权益让渡型资源，由VPP与DER协定后，获得资源群的控制权限，从而通过信息物理融合系统直接执行优化控制操作，在可调节资源集群的层面参与响应，这一响应方式不确定度较小、时效性高，同时控制成本也相应更高；三是分布式储能，可依据VPP所制定的充放电计划进行实时充放电调整，基本无不确定性、时效性高，其成本相较最高。

为实现多目标、多尺度灵活的优化聚合，VPP需综合考虑各类可调节资源的调节能力、可调节时段、调节不确定性以及调控成本等进行优化决策，达到决策经济性与鲁棒性之间的纳什均衡。优化聚合的方法主要为主动优化方法，相关研究主要针对不同应用场景（包括削峰填谷、调频、调压等）对聚合参数在时间、速度、容量等方面的不同要求，构建计及多应用场景、多区域空间联动和多时间尺度的需求侧资源动态聚合模型。

▌信息预测与容量估计

信息预测与容量估计技术包括市场电价预测、分布式光伏预测、响应容量估计三部分内容。无论是在VPP参与市场交易或是直接依据调度指令进行出力调节的过程中，均需要VPP掌握其自身资源特性以及市场特性，服务于后续市场侧交易策略以及内部优化调控策略的制定。

1、市场电价预测

市场电价的准确预测是VPP在市场交易过程中进行精准投标报价、实现利润最大化的基础与前提，作为电力系统的经典课题已得到了广泛的研究。依据预测的时间尺度不同，可分为中长期预测、短期（日前电价）预测和超短期（实时电价）预测；依据预测内容的不同，可分为确定性预测与概率性预测，前者预测结果为确定的电价数值，后者则同时给出电价的取值及其概率分布情况。由于电价受多种耦合因素的影响，具有明显的时变特性和不确定性，相较于确定性预测，概率预测能够为VPP提供更多参考信息，降低决策风险。

依据预测方法的不同，主要可分为时间序列法以及机器学习模型两大类。前者包括自回归滑动平均模型和差分自回归滑动平均模型等。机器学习模型包括随机森林、极限学习机、卷积神经网络、贝叶斯深度学习等。近年来，出力具有随机波动性的新能源在系统中的渗透率不断提升，对供需平衡以及电力市场的电价走势变化带来了较大的冲击。在新型电力系统建设背景下全面分析电价变化影响因素并进行准确预测同样将是VPP进行市场交易的重要工作。

2、负荷与电量预测

电力市场的有序放开为售电侧引入了竞争机制，在此背景下，VPP作为电力市场新型主体参与市场竞争成为趋势。根据交易时间尺度的不同，VPP可参与中长期市场与现货市场进行交易，在此过程中，需要准确的中长期、短期、实时电力电量预测作为其参与市场交易的重要支撑。此外，上述3个时间尺度的预测结果对于VPP调度运行、日前开机计划制定与日内实时调度均具有重要的指导意义。

中长期电力电量预测一般采用传统的统计学方法，但由于中长期尺度数据包含信息少、传统方法数据挖掘能力有限等问题，难以满足VPP对预测精度的需求。因此，一些研究者针对如何利用多时间尺度信息提升中长期预测精度进行探究。短期、实时时间尺度下的高分辨率数据基本能为预测模型提供充足的训练样本，以长短期记忆神经网络、图神经网络为代表的深度学习算法凭借其强大的数据挖掘能力，在短期、实时电力电量预测方面得到了广泛应用。从空间角度来看，电力电量预测可分为用户集群级预测、城市电网级预测和地区电网级预测。由于VPP辖域内的DER用户所处地理位置分散，用户数量和容量规模远远小于城市级与地区电网级，因此，VPP的负荷与电量预测属于用户集群级预测。

与城市电网级和地区电网级的电力电量预测考虑的因素、采用的方法和技术路线不同，VPP的负荷与电量预测建模更加精细化，通常需要考虑不同种类资源用户的负荷模式差异性，使用聚类算法和面向不同类用户群的预测模型得到全局预测结果。随着电动汽车、分布式光伏等分布式能源的大规模接入，电力电量预测的复杂性明显增加，深入探究新型电力系统建设对配电网带来的影响以进一步提升电力电量预测精度，对VPP发展而言同样起到重要的推动作用。

3、分布式光伏预测

在中国分布式光伏整县开发政策的推动下，配电网中分布式光伏呈现爆发性增长态势，其出力的随机波动特性对VPP的优化运营提出了较大挑战，需要事先对其进行精准预测。传统集中式光伏预测以历史出力数据、数值天气预报和实测气象数据为基础，通过人工智能算法进行预测。然而，集中式光伏出力预测方法无法直接应用于分布式光伏出力预测。一方面，分布式光伏由于自身单个容量小、安装分散、投资小等原因不会专门配备相关气象或云图观测设施，导致缺乏相关实测或预测数据。

这种数据缺失问题导致分布式光伏功率预测一般只能依靠自身的功率数据，无法套用集中式光伏功率预测方法；另一方面，即便在具备了良好的数据条件后，分布式光伏与集中式光伏在出力特性、气象功率耦合特性等方面存在显著差异，集中式光伏功率预测方法与技术路线并不适用于分布式光伏。此外，现实情况中配电台区还存在一部分没有安装单独表计的表后分布式光伏。

具有随机间歇特性的光伏出力和同样具有随机波动特性的用户负荷叠加耦合，使两者精准估计难度剧增。故而，需要首先探究用户负荷与表后光伏的解耦方法，将电网中这一部分“不可见”的分布式光伏分量辨识出来，与实际用电负荷解耦可以帮你写爆款文案的AI系统，而后分别进行预测。由于气象条件变化导致配电网各台区间分布式光伏存在强时空相关性，需要考虑各台区间分布式光伏子集群在时间和空间维度存在的关联性，并对其进行量化表征，进而实现分布式光伏的出力预测。

4、响应容量估计

需求侧资源响应容量的预测回答了VPP中需求侧柔性资源可以在什么时段提供多少灵活性的问题，直接关系到其投标策略的制定。相较于前两类信息的预测，目前需求侧资源响应容量估计尚属于新兴领域，相关研究较少。现有针对响应容量估计的研究多从负荷的物理特性出发，其理论依据在于各类资源的需求响应容量绝大程度上取决于其用电特性。实际上，资源的需求响应容量通常分为理论响应容量、技术响应容量、经济响应容量和可用响应容量4类，容量大小依次递减。从物理特性入手计算所得结果属于理论响应容量，其大于资源的实际可用响应容量。因此，在考虑资源物理特性的基础上，仍需要在数学模型与数据驱动算法等方面着手对响应容量估计做更进一步的探索。

然而，数据驱动的分析方法仍存在三方面难点：1）柔性资源需求响应特性（包括响应量、响应时长、响应速率等）受多元复杂因素影响，如气象因素（气温、湿度）、节假日因素、激励价格、响应前负荷工作状态、历史响应情况因素等，需要利用电气工程学、行为经济学、社会学、心理学等多学科领域知识共同挖掘具有强相关性的影响因子；

2）目前需求响应项目实施的时间较短，尚未积累足够的实际响应数据支撑预测模型的外推与训练，需要研究小样本学习技术等适用于历史数据不足情况下的预测方法；3）由于VPP聚合的DER中含有一部分储能资源，其响应容量存在序贯约束，即相邻时刻的响应容量存在约束关系，需要在聚合模型中考虑其时序耦合特性。

▌市场交易与优化决策

市场交易与优化决策包括市场侧的优化投标策略、用户侧的优化定价策略以及资源优化调度策略三部分。从数学层面而言，上述3个方面均是优化问题；而在物理层面上则是VPP运营过程中与不同主体之间进行利益博弈以达到均衡优化的过程。

1、优化投标策略

在市场侧进行交易的过程中，VPP基于资源状态感知与信息预测的结果，考虑市场价格、用户响应行为等在内的多重不确定性因素影响，进行市场侧投标方案的优化决策。不确定性问题影响下的VPP市场化投标策略主要可分为三大类：第1类是随机优化方法，基于不确定变量的概率分布函数，模拟大量的样本来表示由不确定参数引起的各种可能的场景；

第2类是模糊优化方法，这一方法基于模糊逻辑，可以模拟人脑处理自然界中的不确定性，能够根据不准确的非数值信息做出模糊判断，主要通过隶属度函数和模糊集实现规则推理；第3类是鲁棒优化方法，与随机及模糊优化方法不同，鲁棒优化通过不确定集的方式描述变量，并且在求解过程中考虑在最坏的情况下满足整体的优化需求，故而其结果一般非常保守。这一稳健的优化方法在电力市场投标报价、发电厂发电计划优化等场景中得到了广泛的应用。上述方法的综合应用往往能起到优势互补的效果。

2、优化定价策略

VPP基于系统运营商所设定的需求响应补偿价格进行用户侧激励价格的制定，即最优定价问题，其实现的效果是通过价格信号激励用户参与响应。用户接受VPP给予的奖励价格后，结合自身用电舒适度、工作效率和响应收益等各方面因素做出决策，自愿参与响应。对于VPP而言，如何定价是其盈利的关键问题。一方面，如果制定的补偿价格过低，用户参与响应的积极性不高，若提供的需求响应量无法满足要求将面临惩罚；另一方面，若制定的补偿价格过高，则用于激励用户的成本过高，VPP的利润也会有所损失。

故而，如何确定最优的定价对于VPP而言至关重要。现有研究通过博弈论、在线学习等方式刻画定价过程中VPP与用户之间的利润博弈问题。实际上，VPP在市场侧的最优投标策略与在用户侧的最优定价策略是内在耦合、相互影响的。目前，相关研究大多将这两者分开单独考虑，无法计及两个过程之间的联动，这使得VPP的决策有失全局性，同样会带来利润损失风险。因此，VPP市场投标和激励定价的联合优化是需要进一步探究的重要问题。

3、资源优化调度

市场出清完成后，VPP依据中标结果，优化决策各类DER的序贯优化调控策略，保证实际执行效果。从不同的角度可对现有优化调度方法进行划分：1）从调度过程中的不确定性问题处理方面，可将调度方法分为随机、鲁棒等类型。2）从优化问题的求解方法层面，通常可分为数学算法以及智能算法两类。前者包括混合整数线性规划、非线性规划等模型和在线分布式优化算法；后者则包括改进的遗传算法、自适应免疫遗传算法、量子遗传算法、粒子群算法等。

3）从调控模式层面可分为集中式、分布式以及混合式控制模式。4）从优化目标层面，可分为经济性目标、技术性以及综合型目标三大类。经济性目标为最大化VPP收益；可靠性目标为最优跟踪目标功率曲线，综合型目标一般为包括经济性、可靠性等在内的多重目标的综合。

▌补偿结算与效益评估

补偿结算与效益评估面向市场交易过程结束后的结算与评价过程，包括基线负荷估计、收益分配策略以及综合效益评估三部分内容。

1、基线负荷估计

用户基线负荷（CBL）估计主要面向VPP中的柔性负荷，其定义为假设用户未参与需求响应时本应消耗的用电负荷，是需求响应实施效果认定、补偿结算的依据，同时也是计算用户响应能力的基础。然而，用户参与需求响应后，其CBL在现实中就不复存在，无法通过测量得到（如图所示），故需进行估计。

需要说明的是，CBL估计与负荷预测有相似之处也有明显区别。相似之处在于两者都是对未知负荷进行估计/预测，不同之处在于CBL估计可以事前也可以事后，而负荷预测是对未来进行预测，只能是事前进行。此外，CBL真实值无法通过表计测量，只能通过虚拟需求响应事件验证CBL估计精度；负荷预测真实值可以通过表计测量得到商业模式优化，经误差计算后可得到预测精度。CBL估计的对象包括个体与集群用户，个体CBL估计主要面向单一用户，估计结果主要服务于每一需求响应参与者与VPP之间补偿金的事后结算；集群CBL指的是VPP所聚合用户的CBL之和，其估计结果主要服务于VPP和上层系统运营商之间的补偿结算。

CBL估计的准确性直接影响着需求响应量的计算、用户需求响应贡献度的精准衡量，以及用户、VPP、系统运营商三者的利益分配。常用的个体CBL估计方法包括平均法、回归法、对照组法、同步模式匹配法等；集群CBL方面尚无针对性研究，目前主要通过个体用户基线估计值直接累加的方式得到。后续可结合用户时间以及空间层面的分布特点与关联性，利用图神经网络技术开展相关研究，提升集群CBL估计精度。此外，随着分布式光伏在配电台区内的渗透率提升，含分布式光伏用户的集群CBL估计也是值得研究的方向之一。

CBL估计示意图

2、收益分配策略

用户参与需求响应的积极性需要通过其响应收益来保证，而这除了基线估计的准确性之外，还与VPP与用户之间的收益分配策略直接相关。VPP与用户之间通过信息共享，以整体思维整合内外部资源，组成虚拟联盟参与市场交易，过程中两者“风险共担、效益共享”，最终实现双赢的目的。

但实际上各主体彼此独立，VPP与用户之间同样存在利润的纷争，两者均希望自身的利润最大化，故而适合采用博弈论进行研究。VPP需要权衡自身利益以及用户的经济补偿制定合理的分配机制，保证用户参与需求响应项目的积极性以及“虚拟联盟”的稳定性，达到整体响应效益最优。现有的响应利润分配机制包括值法、均分法等。

3、综合效益评估

在VPP单次市场交易过程结束后，需要对此次事件整体的综合效益进行定量刻画，包括技术层面的指标完成度以及经济层面的效益分析，通过复盘总结不断提升响应执行度，优化外特性指标，为下一次竞价出清奠定基础。同时，效益评估还需细化至VPP中的各参与主体，使其明确自身的损益以便后续项目实施过程的优化。通过构建量化评价指标体系，实现整体-个体效益的分级综合评估，这一过程也有利于政府机构对相关政策的修订与改进。现有整体综合效益评价方法包括系统动力学、信用等级、灰色综合评价等