结合虚拟电厂的微电网能源优化调度研究

王世杰

（中国电建集团攀枝花新能源开发有限公司，四川 攀枝花 617000）

作为实现能源转型和低碳经济的关键技术之一，微电网的能源调度优化等课题受到研究者的普遍关注。葛磊蛟等（2023）研究了面向低碳经济的人工智能赋能微电网优化运行技术[1]。杨林峰等（2023）研究了基于鲁棒优化的微电网自调度模型[2]。舒晓欣等（2023）研究了基于双层模型预测控制的微电网经济调度[3]。郭国栋等（2023）研究了考虑需求响应的互联交直流混合微电网的分布式经济调度模型[4]。高娟等（2023）研究了基于光伏供能的孤岛微电网无线传感网能量调度优化策略[5]。殷辉等人（2023）研究了分布式与集中式储能并存的微电网负荷优化调度[6]。李瑜等人（2023）研究了基于改进深度确定性策略梯度算法的微电网能量优化调度，提出了一种基于优先经验回放的算法[7]。王书峰等人（2022）提出了一种基于需求侧管理的新能源微电网多目标优化调度方法[8]。张祥宇等人（2022）研究了基于虚拟储能的直流微电网源荷储多时间尺度能量优化与分区协调控制[9]。黄豫等人（2022）提出了基于并行ADMM 算法的氢电混合微电网经济调度方法。综上所述，这些研究从不同角度和方法探讨了微电网的经济性、可靠性、稳定性和环境友好性等方面的问题。

1 微电网能源优化调度算法分析

1.1 问题描述

微电网是由多种能源、资源组成的小型能源系统，其中包括可再生能源（如太阳能、风能等）、传统能源（如燃气、燃油等）以及储能设备（如电池等）。虚拟电厂整合了分散的能源、资源，通过虚拟电厂的集成和协调管理，微电网的能源利用效率可以得到提高。

由于微电网系统整体规模较小，因此其用电负荷的波动相对显著。由此，微电网需要解决的问题是如何合理地调度各种能源、资源，以满足用户需求，并实现能源的高效利用。因此，算法目标是在不同时间尺度上对微电网中能源进行优化调度。

1.2 输入数据处理

假设输入数据形成初始矩阵，如公式（1）所示，并有公式（2）～公式（4）。

式中：Q为供电/用电负荷初始矩阵；qij为特定项；m为供电/用电负荷数量；n为时间跨度的周期。

计算时间j的平均负荷，如公式（5）所示。

式中：为qij在j时间段内的平均值。

由此获得各个时间节点分别对应的偏移量，如公式（6）所示。

式中：为偏移量。

根据该偏移量，确定各时间点的中间权重pj，从而对其进行归一化处理，如公式（7）所示。

式中：pj为新设置中间权重；Pj为其归一化处理后的值。

时间点j的中间权重pj如公式（8）所示。

1.3 能源预测的算法设置

该文选择使用提升树模进行能源优化调度的算法分析。提升树是一种集成学习算法，通过组合多个弱学习器来构建一个强学习器。该算法的核心思想是通过迭代的方式，每轮都训练一个新的模型来纠正前一轮模型的预测误差，从而不断提升整体模型的性能。

选择将提升树算法用于结合虚拟电厂微电网能源优化调度用电负荷波动预测的原因如下。

首先，非线性关系：微电网的用电负荷波动受多个因素的影响，如季节变化、天气条件、工作日与非工作日等。这些因素之间存在复杂的非线性关系，传统的线性模型往往无法准确捕捉这种非线性关系。而提升树算法可以通过构建多个决策树来拟合非线性关系，从而更好地预测用电负荷的波动。

其次，可拓展性：提升树算法可以通过迭代的方式逐步构建模型，每次迭代只需要优化当前模型的损失函数。这种逐步优化的方式使算法具有很好的可拓展性，可以适应不同规模和复杂度的问题。针对微电网能源优化调度的用电负荷波动预测问题，提升树算法可以灵活地适应不同的数据集和预测要求。

最后，高准确性：在集成多个决策树的过程中，提升树算法可以通过不断学习和纠正之前模型的预测误差，显著提高模型的准确性。这对微电网能源优化调度的用电负荷波动预测非常重要，因为准确的负荷预测可以帮助虚拟电厂更好地调度能源、资源，实现能源的高效利用。

2 实例分析与算法优化

2.1 模型构建

在微电网系统中，供电与用电单位的电力负荷变化情况对系统的运行和调度具有重要作用。为了对该负荷波动进行预测，该文采用提升树模型进行建模与分析。

通过整理微电网系统中供电与用电单位的电力负荷变化情况，该文得到了所需输入变量的特征。而作为目标变量的短期微电网负荷波动情况，被用作提升树模型的输出变量。将输入与输出结构定义，就可以开始构建提升树模型并进行预测了。

该文选择一个小范围微电网作为案例进行分析。该案例包括8 个输入源和6 个输出源，无储能系统，系统数据的采样频率为分钟级数据。为了使数据具有可比性和稳定性，该文对输出变量进行了归一化处理，使其变成0～1 的无量纲数据。由于输出变量的量纲较稳定，为百分比数据，因此没有进行归一化处理。通过这样的数据处理，完成构建预测模型的数据准备工作。

2.2 模型预测结果

使用提升树模型进行分析，其真实值与观测值分布情况如图1 所示。

图1 提升树模型预测结果

如图1 所示，模型预测结果表现良好，观测值与预测值较接近，但在真实值呈现出高水平的极端情况下，预测值表现不佳。

对该模型误差进行数据整理，如图2 所示。

图2 提升树模型预测误差

如图2 所示，多数样本的误差显著较小，少量极值样本具有较显著的预测误差且预测误差整体倾向于向均值移动。

整理模型预测偏差，见表1。

表1 提升树模型预测性能

如表1 所示，模型预测误差整体较小，预测性能表现较好。

2.3 贝叶斯优化后提升树模型

基于上述预测结果，进一步优化模型。在模型优化中，集成方法为LSBoost，最小叶大小为3，学习器数量为11，学习率为0.99382。

在该基础上进行模型分析，其真实值与观测值分布情况如图3 所示。

图3 贝叶斯优化后提升树模型预测结果

如图3 所示，模型预测结果进一步优化，说明贝叶斯优化显著提升了提升树模型的预测性能。

对该模型误差进行数据整理，如图4 所示。

图4 贝叶斯优化后的提升树模型预测误差

如图4 所示，模型的误差极小，模型预测结果中未见显著误差，可验证模型性能得到了提升。

整理模型预测偏差，见表2。

如表2 所示，贝叶斯优化后的提升树模型在预测性能上有了显著提升。

3 结论

微电网的调度优化问题是研究者广泛关注的热点课题，在先行研究梳理与总结的基础上，该文讨论了这一课题，分析了相应的调度优化算法。具体而言，通过分析微电网系统中供电与用电单位的电力负荷变化情况，该文构建了提升树模型，用于短期微电网负荷波动预测。现有微电网系统内历史真实数据的实例分析结果表明，该文使用的提升树模型在预测微电网负荷波动方面表现良好。在模型预测结果的分析中，观测值与预测值较接近，说明提升树模型能够准确预测微电网负荷的波动情况。然而，在真实值呈现出高水平的极端情况下，预测值的表现不佳，可能需要进一步改进模型来提高预测精度。对模型误差的数据整理显示，大多数样本的误差较小，但少量极值样本存在较大的预测误差，并且整体预测误差倾向于向均值移动，表明现有模型对极端用电负荷波动情况的处理能力仍较弱。