許星原，陳皓勇，*，黃宇翔，吳曉彬，王宇紳，廉俊豪，張健彬

（1.華南理工大學(xué)電力學(xué)院，廣東省 廣州市 510610；2.廣東博慎智庫能源科技發(fā)展有限公司，廣東省 廣州市 511458）

0 引言

當(dāng)前，面對嚴(yán)重的環(huán)境污染和能源短缺問題，可再生能源的利用逐漸成為了全球能源轉(zhuǎn)型以及應(yīng)對氣候變化的重要舉措。隨著可再生能源發(fā)電的發(fā)展，美、歐以及我國等多個國家和地區(qū)將新型電力系統(tǒng)的建設(shè)上升到戰(zhàn)略地位[1-4]。高比例可再生能源接入系統(tǒng)將對電網(wǎng)的穩(wěn)定運(yùn)行帶來一定程度的挑戰(zhàn)[5-7]，這需要更多靈活性資源參與到電力系統(tǒng)的調(diào)節(jié)范圍[8]。近年來，通信、智能測量、智能控制等技術(shù)不斷發(fā)展，新型電網(wǎng)逐步能獲取海量運(yùn)行數(shù)據(jù)并快速接收調(diào)度指令[9]。在此背景下，基于通信與控制技術(shù)，聚合靈活性資源并表現(xiàn)出傳統(tǒng)電廠特性的虛擬電廠(virtual power plant，VPP)[10-15]成為重要發(fā)展方向。

虛擬電廠在國外起步較早，具有較好的基礎(chǔ)[16]。歐洲的虛擬電廠主要聚合“源”側(cè)資源，以消納可再生能源為主，而美國的工程項(xiàng)目多以需求側(cè)靈活資源管理為主[17]。我國關(guān)于虛擬電廠的研究與運(yùn)行起步較晚，但大有后來居上的勢頭，2019年我國第一個能夠市場化運(yùn)營的商業(yè)性虛擬電廠在冀北啟動，2021年廣州地區(qū)提出《廣州市虛擬電廠實(shí)施細(xì)則》，促使虛擬電廠參與需求響應(yīng)市場。虛擬電廠的運(yùn)行可以分為耦合的內(nèi)外2 個過程：對內(nèi)，其優(yōu)化調(diào)度是一個典型的經(jīng)濟(jì)學(xué)命題，本質(zhì)上是在維系電網(wǎng)穩(wěn)定運(yùn)行的前提下，盡可能提升資源的利用效率與經(jīng)濟(jì)效益；對外，虛擬電廠可以從電網(wǎng)獲得調(diào)度指令，以獲取補(bǔ)貼或通過參與電力市場賺取利潤[18]。

我國電力改革的進(jìn)程逐步推進(jìn)，虛擬電廠發(fā)展的同時也面臨多方面的挑戰(zhàn)。一方面，我國電力市場化進(jìn)程迅速推進(jìn)，新型市場主體參與電力市場的機(jī)制逐步提出，虛擬電廠需要依賴新的市場機(jī)制以制定更為優(yōu)質(zhì)的投標(biāo)策略；另一方面，分布式可再生能源、電動汽車等具有強(qiáng)不確定性的可調(diào)度資源逐漸增多，虛擬電廠將面臨更加困難的資源聚合與管理，經(jīng)濟(jì)優(yōu)化調(diào)度也更難以展開。

本文從虛擬電廠的市場化交易入手，分析了虛擬電廠參與市場交易所遇到的阻力與挑戰(zhàn)，總結(jié)虛擬電廠為擴(kuò)大利潤而采取的投標(biāo)策略，并對虛擬電廠投標(biāo)中的不確定性處理、決策分析、資源管理方法等關(guān)鍵技術(shù)進(jìn)行分析，為未來虛擬電廠參與市場的投標(biāo)策略制定提供借鑒與思路。

1 市場化交易中面臨的挑戰(zhàn)

虛擬電廠參與市場交易，首要的任務(wù)是實(shí)現(xiàn)內(nèi)部的實(shí)時平衡，而后基于所聚合資源的特性與可調(diào)節(jié)能力，參與市場報(bào)量或報(bào)價的交易。簡而言之，其市場化交易所面臨的挑戰(zhàn)來源于內(nèi)部與外部兩方面。對于外部，虛擬電廠需要順應(yīng)市場體系，一方面需要滿足市場準(zhǔn)入條件，另一方面需要充分契合市場機(jī)制，制定合適的交易策略；而對于內(nèi)部，虛擬電廠需要充分了解各資源的特性，并對不確定性進(jìn)行合理的處理，進(jìn)一步展開，市場化交易中面臨的挑戰(zhàn)通常為以下4個方面。

1.1 多時間尺度決策

近年來，國內(nèi)外電力市場逐步發(fā)展，在許多國家已經(jīng)形成了完整的電能量市場與輔助服務(wù)市場相結(jié)合的市場框架[19-23]，而在我國，市場化進(jìn)程也逐步推進(jìn)，各省份正進(jìn)行現(xiàn)貨市場與各種輔助服務(wù)市場的嘗試與建設(shè)[24-25]。

隨著現(xiàn)貨市場建設(shè)的推進(jìn)，逐步開放了日內(nèi)市場與平衡市場的交易。虛擬電廠參與日前投標(biāo)時，需要充分依賴預(yù)測等技術(shù)，而隨著時間的推進(jìn)，實(shí)時階段的風(fēng)光出力預(yù)測、負(fù)荷預(yù)測將更精確，實(shí)時市場的價格也更具有保障[26]。作為資源聚合商，虛擬電廠參與市場的策略問題屬于典型的投資組合管理問題，目前，其面臨的主要挑戰(zhàn)之一是如何有效地規(guī)劃與不同時間范圍相關(guān)的決策[27]。在多時間尺度的決策規(guī)劃中，虛擬電廠需要充分權(quán)衡日前市場上的報(bào)量信息，并在實(shí)時市場上進(jìn)行進(jìn)一步的修正，一方面盡可能減小預(yù)測誤差帶來的考核成本，另一方面則需要盡可能最大化日前市場與實(shí)時市場電價差帶來的潛在收益。

1.2 多類型市場決策規(guī)劃

國外虛擬電廠的商業(yè)模式相對豐富。德國虛擬電廠能參與平衡市場獲利，同時，調(diào)頻備用容量市場時間減少促進(jìn)了虛擬電廠提供備用服務(wù)[28]。美國加州市場設(shè)計(jì)了替代性輔助服務(wù)以降低總成本[29]，虛擬電廠可參與旋轉(zhuǎn)備用、非旋轉(zhuǎn)備用市場。當(dāng)前，我國虛擬電廠的發(fā)展主要以“荷”側(cè)資源為主，主要通過邀約型需求響應(yīng)的方式參與市場，未來將進(jìn)一步開展負(fù)荷、儲能、新能源等各類資源聚合，虛擬電廠也將通過逐步參與輔助服務(wù)市場獲利[30]。

輔助服務(wù)市場的建設(shè)為虛擬電廠獲取收益提供了更多有效的途徑，但同時，虛擬電廠參與多類型市場的投標(biāo)策略也將發(fā)生巨大的改變。在虛擬電廠參與電能量市場與輔助服務(wù)市場時，在處理好不確定性的同時，主要難點(diǎn)在于制定好的投標(biāo)策略，最大化其潛在利潤[31]。在參與輔助服務(wù)投標(biāo)的過程中，虛擬電廠需要充分平衡所聚合資源的性能特性，在滿足輔助服務(wù)性能需求的情況下進(jìn)行投標(biāo)。與此同時，虛擬電廠需要充分處理各類型市場之間的耦合關(guān)系，需要綜合考量如何分配可調(diào)節(jié)容量參與不同市場[32]。

1.3 內(nèi)部指令分解與利益分配

虛擬電廠在市場參與的過程，也是對內(nèi)部資源的利用進(jìn)行優(yōu)化的過程，即投標(biāo)的過程中需要充分考慮可調(diào)節(jié)資源的調(diào)用量。當(dāng)輔助服務(wù)市場開放后，虛擬電廠可以通過參與調(diào)頻輔助服務(wù)市場獲取一定的收益。而調(diào)頻輔助服務(wù)市場對市場參與者的性能要求相對較高[33-34]，這對虛擬電廠的內(nèi)部調(diào)度指令分解提出了更為嚴(yán)苛的要求。

同時，虛擬電廠作為一個經(jīng)濟(jì)主體，其參與市場調(diào)度將獲得一定程度的收益，其每一個組成成分都有自己的優(yōu)化目標(biāo)，其必然存在一定的利益沖突[35]。為確保所聚合資源充分接受聚合與調(diào)度，虛擬電廠需要制定公平、公正且合適的收益分配體系，體現(xiàn)各組成成分的貢獻(xiàn)[36]，以維系虛擬電廠的穩(wěn)定運(yùn)行。

1.4 投標(biāo)不確定性

虛擬電廠參與市場投標(biāo)時，其部分資源具有一定的確定性，如微型燃?xì)鈾C(jī)等，而部分資源具有相當(dāng)?shù)牟淮_定性，如風(fēng)電、光伏發(fā)電的輸出顯著受到天氣因素的影響。同時，用戶負(fù)荷、電動汽車等儲能資源、市場電價也具有一定的不確定性。由于參與市場時具有較高的偏差考核成本，不確定性因素的出現(xiàn)將可能使該成本擴(kuò)大，而巨大的偏差考核成本會對虛擬電廠的經(jīng)濟(jì)效益產(chǎn)生顯著影響。而過于保守的策略會使虛擬電廠內(nèi)部棄風(fēng)棄光量顯著增加[37]，故制定VPP 的優(yōu)化投標(biāo)策略時需要充分考慮不確定因素[38-39]。綜上，虛擬電廠參與市場投標(biāo)的關(guān)鍵是有效地處理各種不確定性，而確定性和不確定性能源的聯(lián)合協(xié)調(diào)是相當(dāng)復(fù)雜的問題[26]。

2 市場交易策略與優(yōu)化調(diào)度技術(shù)

針對市場機(jī)制與資源聚合帶來的交易挑戰(zhàn)與難點(diǎn)，目前主要通過建立完備、合適的數(shù)學(xué)模型來描述市場投標(biāo)策略，以經(jīng)濟(jì)性最優(yōu)為目標(biāo)，通過混合整數(shù)線性/非線性優(yōu)化等方式求解數(shù)學(xué)模型。

2.1 多時間尺度現(xiàn)貨市場策略

2.1.1 現(xiàn)貨市場流程分析

一般而言，現(xiàn)貨市場可以分為3個典型階段，分別為：日前現(xiàn)貨市場、實(shí)時現(xiàn)貨市場與平衡市場。在日前市場上，虛擬電廠依賴電價預(yù)測，風(fēng)、光發(fā)電日前預(yù)測，以及負(fù)荷預(yù)測等技術(shù)，制定適當(dāng)?shù)氖袌鰠⑴c策略。在實(shí)時市場上，虛擬電廠需要縮小實(shí)際出力與日前預(yù)測之間的差距，并進(jìn)一步平衡發(fā)電預(yù)測與負(fù)荷預(yù)測之間的不匹配。虛擬電廠參與現(xiàn)貨市場的流程如圖1所示。

圖1 虛擬電廠參與現(xiàn)貨市場流程Fig.1 Process of virtual power plant participating in spot market

對于虛擬電廠參與現(xiàn)貨市場投標(biāo)的策略研究，當(dāng)前主要的研究方向分為2 類：單一時間尺度投標(biāo)策略與多階段投標(biāo)策略。對于單一時間尺度投標(biāo)策略，主要針對虛擬電廠參與日前現(xiàn)貨市場的投標(biāo)策略[40-44]進(jìn)行探究，通過處理虛擬電廠投標(biāo)過程中的不確定性，對內(nèi)部資源進(jìn)行合理調(diào)度以提升虛擬電廠的收益。對于多階段現(xiàn)貨市場的投標(biāo)策略，則需要充分解決不同范圍內(nèi)決策的沖突。文獻(xiàn)[45]考慮了多種類型的負(fù)荷聚合；文獻(xiàn)[46]進(jìn)一步考慮了風(fēng)力發(fā)電廠與儲能設(shè)施；文獻(xiàn)[47]則考慮了一個較為完善的多資源聚合體，并提出了參與日前與實(shí)時市場的競標(biāo)策略；文獻(xiàn)[48-49]對時間尺度進(jìn)一步擴(kuò)大，研究了包含日前、實(shí)時和平衡市場的三階段市場優(yōu)化問題；文獻(xiàn)[50]研究了多時間尺度下多虛擬電廠的管理問題，基于交替方向乘子法(alternating direction method of multipliers，ADMM)實(shí)現(xiàn)了多VPP 分布式協(xié)調(diào)優(yōu)化。

2.1.2 現(xiàn)貨市場策略優(yōu)化模型搭建

虛擬電廠參與多階段現(xiàn)貨市場，一般而言，其目標(biāo)為最大化在日前市場上的交易能量收益和向零售客戶出售能量的預(yù)期利潤，最小化在實(shí)時市場、平衡市場中產(chǎn)生的不平衡成本[51]。

1）階段1：日前市場

一般而言，日前市場的投標(biāo)策略為：在基于對不確定資源的日前判斷下，使VPP 的收益最大化，即售電收益與購電成本之間的差值最大化。其公式為：

式中：RG，t，DA為t時刻虛擬電廠的售電收益，其中的發(fā)電資源可以為風(fēng)力發(fā)電、光伏發(fā)電等多種類型的資源；λsell，t，DA為t時刻預(yù)測的日前市場售電電價；Cload，t，DA為t時刻虛擬電廠在日前市場的購電成本；λbuy，t，DA為t時刻預(yù)測的日前市場購電電價；PG，t，DA為t時刻預(yù)測的日前市場售電電量；Pload，t，DA為t時刻預(yù)測的日前市場購電電量。

式(1)描述了日前市場中虛擬電廠的投標(biāo)目標(biāo)，式(2)、(3)則分別描述了虛擬電廠日前市場的收益與支出。若虛擬電廠中包含儲能、電動汽車等可進(jìn)行雙向電能傳輸?shù)脑O(shè)備，則可將其歸納為發(fā)電資源或負(fù)荷資源，并以負(fù)數(shù)作為其另一方面的特性。

2）階段2：實(shí)時市場

實(shí)時市場的目標(biāo)同樣是實(shí)現(xiàn)虛擬電廠收益最大化，在這一階段，已知虛擬電廠日前市場中的市場資源的投標(biāo)與日前出清價格，實(shí)時市場中VPP的競價模型可以用如下表達(dá)式描述：

式中：RG，t，RT為t時刻虛擬電廠參與實(shí)時市場的售電收益；Cload，t為t時刻兩階段市場的總運(yùn)營成本；PG，t，RT、λsell，t，RT分別為在已知日前市場出清電價時，t時刻預(yù)測的實(shí)時市場中標(biāo)電量與出清售電電價；Cload，t，RT為t時刻實(shí)時市場環(huán)境下的預(yù)計(jì)購電成本；R'G，t，DA為t時刻虛擬電廠的售電收益；同時，在參與實(shí)時市場時，已知日前市場的結(jié)算價格，則目標(biāo)式中的R'G，t，DA、C'load，t，DA分別代表實(shí)際日前市場的售電收益與購電成本，均為已知量，可以根據(jù)日前結(jié)算價格確定。

式(4)描述了實(shí)時市場上虛擬電廠的運(yùn)營目標(biāo)，為參與兩階段市場時整體收益最大化，Cload代表了兩階段市場的總運(yùn)營成本。

3）階段3：平衡市場

在這一階段，虛擬電廠無需參與投標(biāo)，這一階段的所有機(jī)組出力與負(fù)荷出力均為實(shí)際值，難免與日前、實(shí)時的預(yù)測值之間存在些許誤差。由于該誤差需要通過系統(tǒng)進(jìn)行修正，具有一定的偏差考核成本，應(yīng)盡量縮小此成本，故目標(biāo)函數(shù)為

式中：α為偏差成本系數(shù)；PBA，t為t時刻實(shí)際運(yùn)行時電量與預(yù)測電量之間的偏差，當(dāng)PBA，t＞0 時，取1.3[52]，當(dāng)PBA，t＜0時，取-0.9[49]；λbuy，t，RT為t時刻實(shí)時市場的出清購電電價。

2.2 多類型市場耦合投標(biāo)策略

針對虛擬電廠參與輔助服務(wù)市場的投標(biāo)策略，當(dāng)前研究主要集中在虛擬電廠參與調(diào)頻、需求響應(yīng)與旋轉(zhuǎn)備用等市場的投標(biāo)策略。參與多種類型市場的協(xié)調(diào)問題，不僅僅是虛擬電廠需要解決的問題，也是市場成員需要解決的共性問題。

近年來，由于碳排放權(quán)市場的運(yùn)行，虛擬電廠在調(diào)度過程中需要針對電、碳市場電價波動制定合適的市場策略，以獲取最優(yōu)的收益。文獻(xiàn)[53]給出了分時碳價的制定策略并制定了虛擬電廠參與調(diào)峰市場、電能量市場與碳市場的耦合市場框架；而文獻(xiàn)[54]則分析了能量市場、備用市場與碳市場耦合的碳電一體化交易策略。引入碳交易市場規(guī)則后，總體來說，虛擬電廠需要減少燃?xì)鈾C(jī)組輸出比例，增加清潔能源的發(fā)電輸出。

對于電能量與輔助服務(wù)市場的耦合投標(biāo)，文獻(xiàn)[31,40]制定了虛擬電廠參與電能量市場與旋轉(zhuǎn)備用市場的聯(lián)合競價策略；文獻(xiàn)[55-57]則建立了能源套利與調(diào)頻輔助服務(wù)相結(jié)合的優(yōu)化框架。需求響應(yīng)市場參與策略也是重要研究方向，文獻(xiàn)[58]設(shè)計(jì)了虛擬電廠參與需求響應(yīng)交換市場與電能量市場的策略框架，以利用需求響應(yīng)資源的靈活性彌補(bǔ)虛擬電廠實(shí)時電力供應(yīng)的偏差。

總體而言，虛擬電廠參與多類型耦合市場時，以總體利益最大化為目標(biāo)，同時，應(yīng)當(dāng)充分考慮不確定性，以最大化虛擬電廠可能獲得的潛在收益。其目標(biāo)函數(shù)如下：

式中：Rm為VPP 參與多類型市場的總收益；Rpower為VPP 參與電能量市場的售電收益；Raux為VPP參與碳市場或各類型輔助服務(wù)市場的收益；Call為虛擬電廠運(yùn)營的成本，包含市場購電成本Cm與發(fā)電機(jī)組運(yùn)行成本CG。式(8)描述了虛擬電廠的總體潛在利潤。

2.3 調(diào)頻市場策略與調(diào)頻指令分解

虛擬電廠日前調(diào)度技術(shù)發(fā)展較為完備，而隨著調(diào)頻輔助服務(wù)市場的建設(shè)，其作為目前需求量較大、可獲利性較高的市場類型，虛擬電廠如何參與調(diào)頻市場并通過一定的調(diào)頻指令分解技術(shù)使其能夠響應(yīng)AGC調(diào)頻的需求至關(guān)重要。

傳統(tǒng)的頻率調(diào)節(jié)服務(wù)由大型火力發(fā)電機(jī)組等提供[59]，傳統(tǒng)的調(diào)頻功率指令分解方法根據(jù)裝機(jī)容量比例或既定的分配系數(shù)進(jìn)行分配[60]，而在虛擬電廠管理時，需要對所管理的不同資源的動態(tài)特性與運(yùn)行模式進(jìn)行建模，使得虛擬電廠提供調(diào)頻等服務(wù)的優(yōu)化問題更復(fù)雜[61]。

當(dāng)前，部分學(xué)者針對調(diào)頻指令分解的問題進(jìn)行了相關(guān)研究。文獻(xiàn)[60]中虛擬電廠綜合調(diào)頻性能最大為目標(biāo)，并引入了反饋校正模型，基于量子遺傳算法求解虛擬電廠內(nèi)部功率分配情況，凈利潤與調(diào)頻效果獲得了一定程度的提升；文獻(xiàn)[62]則引入了自適應(yīng)權(quán)重因子對調(diào)頻信號進(jìn)行分配；文獻(xiàn)[61]基于深度學(xué)習(xí)進(jìn)行建模，展示了深度學(xué)習(xí)在調(diào)頻指令分解中的作用，提出了離線-在線兩階段的深度學(xué)習(xí)方法，以使虛擬電廠能為電力系統(tǒng)提供高精度的調(diào)頻服務(wù)；文獻(xiàn)[63]對智能樓宇進(jìn)行了建模，將智能樓宇中的可調(diào)節(jié)資源建模為虛擬儲能參與調(diào)頻服務(wù)；文獻(xiàn)[64]開發(fā)了一種風(fēng)電與儲能合作參與調(diào)頻市場的方法。

整體而言，虛擬電廠參與調(diào)頻，需要充分發(fā)揮所管轄范圍內(nèi)儲能資源的靈活性。儲能資源具有相當(dāng)優(yōu)異的調(diào)節(jié)能力，響應(yīng)速度極快，且在調(diào)節(jié)過程中，不同時段有不同的調(diào)度策略，日前市場應(yīng)當(dāng)以收益最大化為目標(biāo)，而日內(nèi)市場則更應(yīng)當(dāng)側(cè)重于調(diào)頻效果。

3 虛擬電廠市場決策關(guān)鍵技術(shù)

通過以上分析可知，虛擬電廠市場投標(biāo)的關(guān)鍵在于不確定性處理，故虛擬電廠市場決策首要的關(guān)鍵技術(shù)為不確定性處理相關(guān)技術(shù)。同時，市場投標(biāo)策略的制定過程屬于典型的博弈過程，近年來，博弈論被逐漸應(yīng)用到虛擬電廠的投標(biāo)策略與資源管理的研究中。

3.1 投標(biāo)不確定性處理

3.1.1 隨機(jī)優(yōu)化

針對不確定性因素，最常見的方式便是隨機(jī)優(yōu)化方法。隨機(jī)優(yōu)化的求解一般可以分為3 種方式：期望值替代、概率意義下優(yōu)化與概率分布離散化。

1）期望值替代

對于不確定性因素，在已知概率分布的條件下，最簡單的方法便是采用其期望值代替概率分布，由于期望值代表了所有數(shù)據(jù)的加權(quán)平均，采用其代表概率分布具有一定的借鑒意義。將其融合到虛擬電廠的投標(biāo)策略中，表現(xiàn)為確定性條件下的經(jīng)濟(jì)優(yōu)化調(diào)度的研究[32,65-67]。其中：文獻(xiàn)[66]采用歷史數(shù)據(jù)或預(yù)測值作為確定性經(jīng)濟(jì)優(yōu)化調(diào)度的輸入數(shù)據(jù)；文獻(xiàn)[68]借助長短時記憶神經(jīng)網(wǎng)絡(luò)對風(fēng)力、光伏發(fā)電的出力進(jìn)行預(yù)測；文獻(xiàn)[69]則依賴數(shù)學(xué)期望對不確定性進(jìn)行了轉(zhuǎn)化。另外，部分文獻(xiàn)考慮了預(yù)測偏差，如文獻(xiàn)[65]利用多時間尺度的滾動報(bào)價與調(diào)度，不斷縮小風(fēng)光預(yù)測之間的誤差。

該方法針對不確定性的處理過于簡單，實(shí)際應(yīng)用過程中難以衡量風(fēng)險(xiǎn)。

2）概率意義下優(yōu)化

對于在概率意義下的問題轉(zhuǎn)化，可以通過在置信區(qū)間內(nèi)考慮優(yōu)化問題或引入風(fēng)險(xiǎn)價值(value at risk，VaR)、條件風(fēng)險(xiǎn)價值(condition value at risk，CVaR)等參數(shù)量化風(fēng)險(xiǎn)，以幫助實(shí)現(xiàn)不確定性條件下的優(yōu)化。文獻(xiàn)[70]充分考慮了風(fēng)力發(fā)電的不確定性；文獻(xiàn)[42]又進(jìn)一步考慮了競價對手報(bào)價的隨機(jī)性，均利用CVaR 在一定的置信水平下對VPP 的經(jīng)濟(jì)調(diào)度問題進(jìn)行優(yōu)化求解；文獻(xiàn)[71]則采用CVaR量化了VPP購售電價格的風(fēng)險(xiǎn)。

這類方法能夠量化虛擬電廠運(yùn)營過程中需要承擔(dān)的風(fēng)險(xiǎn)，但仍需大量數(shù)據(jù)對不確定性因素進(jìn)行量化，在實(shí)際應(yīng)用的過程中，需要與建模技術(shù)等方式進(jìn)行聯(lián)合使用。

3）概率分布離散化

連續(xù)的概率分布求解，對于部分簡單的概率分布特征尚且可行，而在VPP 經(jīng)濟(jì)優(yōu)化調(diào)度的過程中，受到了多種不確定性的影響，其概率分布呈現(xiàn)相當(dāng)復(fù)雜的特征。因此，采用蒙特卡洛采樣等離散隨機(jī)過程的研究方法，生成大量場景來實(shí)現(xiàn)對不確定性因素的轉(zhuǎn)化[44,72]。

該方法較簡單易行，但效率較低，在不確定性種類較多的場景應(yīng)用能較好求解，但對計(jì)算能力要求較高[73]，計(jì)算時間較長。

3.1.2 精細(xì)化建模

隨機(jī)優(yōu)化模型中最重要的部分便是概率分布函數(shù)的構(gòu)建。而概率分布函數(shù)的構(gòu)建可以進(jìn)一步理解為虛擬電廠內(nèi)部資源的精細(xì)化建模。對于內(nèi)部資源的建模，當(dāng)前針對發(fā)電側(cè)的風(fēng)光資源建模主要有2種：1）直接對風(fēng)光出力進(jìn)行建模，針對風(fēng)光出力的隨機(jī)性，通常選用風(fēng)電隨機(jī)出力或風(fēng)速分布符合Weibull分布，光伏隨機(jī)出力符合Beta分布[74]；2）針對風(fēng)光出力預(yù)測的誤差進(jìn)行建模。常用的預(yù)測誤差模型為正態(tài)分布N(0,δ2)[75]。

發(fā)電側(cè)的不確定性主要來源于風(fēng)、光等易受到氣候影響的發(fā)電資源，其模型搭建可以從歷史數(shù)據(jù)出發(fā)，進(jìn)行規(guī)律尋找或擬合。而與發(fā)電側(cè)的不確定性相比，用戶側(cè)負(fù)荷、電動汽車的使用等資源的調(diào)度將與用戶直接掛鉤，其不確定性因素更為復(fù)雜。目前，針對用戶側(cè)負(fù)荷，已經(jīng)有部分研究關(guān)注了用戶的行為不確定性[76-77]，如：文獻(xiàn)[76]考慮了用戶參與需求響應(yīng)的可能性，建立了需求響應(yīng)可靠性模型；文獻(xiàn)[77]通過實(shí)地調(diào)查了家庭用戶參與澳大利亞某公司需求響應(yīng)的意愿，并分析了影響意愿的相關(guān)因素；在此基礎(chǔ)上，文獻(xiàn)[78]進(jìn)一步考慮消費(fèi)者面對風(fēng)險(xiǎn)的態(tài)度，基于前景理論(prospect theory，PT)描述了消費(fèi)者面對需求響應(yīng)市場中風(fēng)險(xiǎn)的態(tài)度；而文獻(xiàn)[79]則采用累積前景理論量化虛擬電廠內(nèi)消費(fèi)者對電子支付返利的主觀態(tài)度。作為虛擬電廠中的常見資源，針對電動汽車的建模也是至關(guān)重要。文獻(xiàn)[49]針對不同類型的電動汽車進(jìn)行了分類并建模；文獻(xiàn)[80]探究了用戶的出行規(guī)律，并搭建了電動汽車的出行模型與充電時長模型；而文獻(xiàn)[81]基于韋伯費(fèi)希納定律，建立了電動汽車參與自動發(fā)電控制調(diào)頻的不確定性響應(yīng)曲線。

同時，隨著神經(jīng)網(wǎng)絡(luò)(neural network，NN)與強(qiáng)化學(xué)習(xí)(reinforcement learning，RL)的快速發(fā)展，無模型算法在決策過程中的建模獲得了一定程度的應(yīng)用[82-83]。文獻(xiàn)[84]將電動汽車充電表述為馬爾可夫決策過程(Markov decision process，MDP)，并利用強(qiáng)化學(xué)習(xí)進(jìn)行求解，實(shí)現(xiàn)了自適應(yīng)學(xué)習(xí)最優(yōu)策略及電動汽車最優(yōu)充電導(dǎo)航。進(jìn)一步地，該技術(shù)被應(yīng)用到傳統(tǒng)虛擬電廠的管理中，文獻(xiàn)[78]則將消費(fèi)者參與需求響應(yīng)的決策表述為MDP，同樣利用深度學(xué)習(xí)的無模型算法，在無需任何系統(tǒng)信息的條件下為DR 計(jì)劃確定最優(yōu)的定價策略。

精細(xì)化建模的方法主要為隨機(jī)優(yōu)化、魯棒優(yōu)化提供更精確的概率模型，以便進(jìn)行更精細(xì)的不確定性分析。

3.1.3 魯棒優(yōu)化

電力系統(tǒng)運(yùn)行中的隨機(jī)變量往往難以通過概率密度函數(shù)對其進(jìn)行準(zhǔn)確的描述。而作為處理不確定性的另一種手段，魯棒優(yōu)化(robust optimization，RO)逐漸應(yīng)用到電力系統(tǒng)的相關(guān)研究中。魯棒優(yōu)化中，通常不需要給出隨機(jī)參數(shù)的概率分布，只需要掌握不確定參數(shù)所屬的不確定集合即可。與隨機(jī)優(yōu)化相比，魯棒優(yōu)化的思路相對更加保守[85]，其目標(biāo)為：找到最惡劣場景下的確定性模型解[86]，當(dāng)最差的場景下可以滿足時，其余場景定可滿足。

近年來，許多學(xué)者將魯棒優(yōu)化、自適應(yīng)魯棒優(yōu)化等技術(shù)運(yùn)用到虛擬電廠投標(biāo)策略的不確定性處理中。文獻(xiàn)[34,85,87]利用自適應(yīng)魯棒優(yōu)化方法處理了風(fēng)力發(fā)電的隨機(jī)性；而文獻(xiàn)[88]同時考慮了風(fēng)電與負(fù)荷的不確定性，建立了兩階段魯棒優(yōu)化模型，實(shí)現(xiàn)了電動汽車與儲能參與電網(wǎng)削峰填谷；文獻(xiàn)[89]則利用魯棒對電動汽車充放電功率的不確定性進(jìn)行了處理，提高了VPP運(yùn)行的利潤。

該方法具有較強(qiáng)的實(shí)用性，計(jì)算壓力相對較小[90]。但所選的策略往往過于保守，難以最大化潛在利潤。

3.2 基于博弈論的虛擬電廠投標(biāo)策略分析

市場投標(biāo)的過程屬于典型的博弈過程，故大量學(xué)者基于博弈論對虛擬電廠的投標(biāo)、管理等策略進(jìn)行了詳細(xì)的分析。

部分學(xué)者基于合作博弈理論對虛擬電廠的收益分配進(jìn)行了探究，通過Shapley 值法、核仁法、核心法等方式進(jìn)行收益分配[91,35]。也有學(xué)者認(rèn)為，虛擬電廠與內(nèi)部所管理資源之間具有主從與領(lǐng)導(dǎo)關(guān)系，故基于Stackelberg 博弈模型對其內(nèi)部資源管理進(jìn)行分析[74,79]。文獻(xiàn)[92]通過主從博弈管理虛擬電廠所聚合的發(fā)電企業(yè)；文獻(xiàn)[93]則進(jìn)一步考慮電動汽車、儲能系統(tǒng)等資源，建立了虛擬電廠內(nèi)部通過主從博弈管理參與電力市場的模型；而文獻(xiàn)[94]基于Stackelberg 博弈制定了虛擬電廠對內(nèi)部用戶的返利機(jī)制，并開發(fā)了一種基于交叉學(xué)習(xí)模型的強(qiáng)化學(xué)習(xí)方法以求解該雙層模型。還有部分學(xué)者通過其他類型的博弈來分析虛擬電廠的投標(biāo)與管理過程；如：文獻(xiàn)[95]基于貝葉斯模型制定了虛擬電廠內(nèi)部資源的能源交易模型；而文獻(xiàn)[56]基于納什均衡提出了討價還價的內(nèi)部資源收益分配方式。

多虛擬電廠投標(biāo)的過程同樣可以采用博弈論來進(jìn)行分析。文獻(xiàn)[65]利用無限次重復(fù)博弈模型，分析了多虛擬電廠互動模型；文獻(xiàn)[96]基于非合作博弈分析了多虛擬電廠之間的競標(biāo)過程；而文獻(xiàn)[97]基于動態(tài)博弈分析了虛擬電廠3種不同風(fēng)格的投標(biāo)目標(biāo)的合理性。

4 結(jié)論

虛擬電廠參與各類型電力市場時，目前最需要解決的問題仍然是充分處理所聚合資源的不確定性。未來，隨著分布式可控設(shè)備的迅速增多，虛擬電廠的運(yùn)行、管理、優(yōu)化調(diào)度與市場投標(biāo)將更加復(fù)雜。總的來說，未來隨著電力市場化進(jìn)程的不斷深入，虛擬電廠的技術(shù)也需要隨之跟進(jìn)。未來的研究可以從以下3方向深入開展：

1）引入虛擬電廠報(bào)量、報(bào)價機(jī)制，并充分發(fā)揮博弈論在投標(biāo)研究中的作用。當(dāng)前的研究中，大部分研究者都將虛擬電廠作為價格接收者參與電力市場，而隨著大量分布式電源并網(wǎng)、可調(diào)度負(fù)荷側(cè)資源的接入，虛擬電廠的規(guī)模將進(jìn)一步擴(kuò)大，顯然，作為價格接收者參與市場并不滿足市場發(fā)展需要。因此，應(yīng)當(dāng)充分考慮虛擬電廠的報(bào)量、報(bào)價策略對電力市場的影響，探究虛擬電廠的主動報(bào)量、報(bào)價策略。

2）充分考慮電動汽車等資源的接入。未來，電動汽車將逐步替代燃油車，成為市場的主流。而大量的電動汽車在閑暇時段接入電網(wǎng)，將成為電網(wǎng)優(yōu)質(zhì)的可調(diào)節(jié)儲能資源，因此，可以從用戶行為、電動汽車電池健康管理、虛擬電廠對電動汽車資源的主動調(diào)控等多方面入手，以充分發(fā)揮儲能資源的調(diào)節(jié)作用。

3）開發(fā)更高效的優(yōu)化調(diào)度求解算法。在投標(biāo)策略數(shù)學(xué)建模的過程中，通常采用雙層模型進(jìn)行優(yōu)化，且需要對大量的優(yōu)化變量進(jìn)行求解。當(dāng)前，主要利用KKT定理轉(zhuǎn)化、遺傳算法、粒子群算法等求解雙層模型。未來，當(dāng)虛擬電廠參與實(shí)時市場時，將需要更迅速、效率更高的求解優(yōu)化算法。