2. 虚拟电厂功率预测对象与边界

虚拟电厂功率预测的第一个工程问题不是“用什么算法”，而是“预测谁、预测到哪一层、以什么口径聚合”。如果对象和边界没有定义清楚，再好的模型也会因为口径混乱而失去可用性。本节围绕四类典型资源——可调负荷、分布式光伏、风电、储能与电动汽车——说明它们的功率特性、预测边界如何划分，以及如何把分散资源聚合为等值模型。

一、四类资源的功率特性差异

可调负荷的功率由用户行为驱动，具有明显的日周期和温度敏感性。以某工业园区可调负荷为例，其基线负荷约 8 MW，空调负荷占比约 35%，夏季午后每升高 1℃ 大约增加 0.25 MW。可调部分通常只占基线的 10%～20%，且受用户舒适度约束，调节持续时间有限。预测时既要预测基线，也要预测可调容量，两者口径不同。

分布式光伏的功率由太阳辐照度决定，出力曲线呈钟形，正午前后达到峰值。以 5 MW 屋顶光伏为例，晴天正午出力可达 4.2 MW，多云天气可能在 10 分钟内从 3.5 MW 跌到 1.2 MW。光伏预测的核心变量是辐照度、云量和组件温度，其功率只能向下调节（限功率），不能向上增发。

风电的功率由风速的三次方决定，波动性最强。以 10 MW 风电场为例，切入风速约 3 m/s，额定风速约 12 m/s，切出风速约 25 m/s。风速从 8 m/s 升到 10 m/s，出力可能从 3.7 MW 升到 5.8 MW。风电预测需要区分短期（0～4 h）和超短期（0～15 min），前者依赖数值天气预报，后者依赖实测风速外推。

储能与电动汽车的功率特性由控制策略和用户行为共同决定。储能充电为负、放电为正，响应速度快，通常在秒级到分钟级；电动汽车充电功率取决于接入时间、电池荷电状态和充电桩功率，具有强随机性。以 100 辆电动汽车为例，若每辆平均充电功率 7 kW、日均充电 4 h，则日充电量约 2800 kWh，但高峰时段可能集中 40 辆同时充电，瞬时功率达 280 kW。

二、预测边界划分的三个维度

边界划分不是画一条线，而是要在三个维度上同时明确口径。第一是电气边界：以并网点计量表为界，表内所有资源纳入聚合，表外资源不纳入。若一个园区有多个并网点，需要分别建模再汇总，不能简单相加，因为各并网点可能分属不同馈线，潮流方向不同。

第二是时间边界：超短期预测（0～15 min）用于实时调度，短期预测（0～4 h）用于日内计划，中长期预测（0～72 h）用于日前市场申报。不同时间尺度下，可调负荷和电动汽车的预测方法差异很大——超短期可用实测外推，中长期必须依赖行为模型和天气预报。

第三是控制边界：只有具备远程通信和功率控制能力的资源才纳入可调容量统计。例如，某园区 8 MW 负荷中，实际可远程调节的只有 1.2 MW，其余为不可控负荷。若把不可控负荷计入可调容量，调度指令将无法执行。

三、聚合等值建模的实现方法

聚合等值建模的核心是把 N 个分散资源的功率特性压缩为少数几个等值参数。以光伏为例，若园区有 12 个屋顶光伏站点，总装机 5 MW，各站点朝向和倾角不同，不能简单把装机相加。工程上常用“等值辐照度 + 等值效率”方法：先按容量加权计算各站点的等效辐照度，再乘以总装机和一个综合效率系数。

# 光伏聚合等值示例（示例参数，非实测）
sites = [
    {"cap": 1.2, "tilt": 15, "azimuth": 180, "eff": 0.82},
    {"cap": 0.8, "tilt": 25, "azimuth": 200, "eff": 0.78},
    {"cap": 1.5, "tilt": 10, "azimuth": 160, "eff": 0.85},
    # ... 其余站点
]
total_cap = sum(s["cap"] for s in sites)          # 5.0 MW
weighted_eff = sum(s["cap"]*s["eff"] for s in sites) / total_cap
# weighted_eff ≈ 0.82
# 等值出力 = total_cap * weighted_eff * G_equiv / 1000

储能的聚合等值需要区分充电和放电两个方向。若园区有 3 套储能，额定功率分别为 0.5 MW、1 MW、0.8 MW，容量分别为 1 MWh、2 MWh、1.6 MWh，则等值额定功率为 2.3 MW，等值容量为 4.6 MWh。但等值荷电状态（SOC）不能简单平均，应按容量加权：SOC_eq = Σ(SOC_i × E_i) / ΣE_i。若三套储能 SOC 分别为 0.9、0.5、0.3，则 SOC_eq = (0.9×1 + 0.5×2 + 0.3×1.6) / 4.6 ≈ 0.52。

电动汽车的聚合更复杂，因为车辆接入和离开是随机事件。工程上常用“充电需求曲线”聚合：把每辆车的充电过程视为一个能量块，按接入时间叠加，得到总充电功率曲线。若 100 辆车中，18:00～20:00 有 40 辆接入、每辆 7 kW，则该时段聚合充电功率约 280 kW；22:00 后大部分车辆充满，功率降至 50 kW 以下。

四、边界与聚合的工程校验

完成建模后，需要用三个校验判断边界和聚合是否合理。第一，功率平衡校验：并网点实测功率应等于各资源等值功率之和，误差超过 5% 说明边界遗漏或重复计算。第二，可调容量校验：调度指令下发后，实际响应功率应达到指令值的 85% 以上，否则说明可调容量统计偏大。第三，时间一致性校验：各资源数据的时间戳应对齐到同一时区，采样周期统一为 1 min 或 5 min，避免因时延导致聚合曲线错位。

以某虚拟电厂为例，其资源包括 8 MW 可调负荷、5 MW 光伏、10 MW 风电、2.3 MW/4.6 MWh 储能和 100 辆电动汽车。按上述方法聚合后，总等值功率曲线在正午达到峰值约 18 MW，夜间降至约 6 MW。若某日 14:00 实测并网点功率为 17.2 MW，而等值模型输出为 16.5 MW，偏差 4.1%，在可接受范围内；若偏差超过 8%，则需要检查光伏云量数据或储能 SOC 是否更新及时。

对象与边界是虚拟电厂功率预测的“地基”。只有把每类资源的功率特性、边界口径和聚合方法定义清楚，后续的预测算法、误差评估和调度指令才有可靠的基础。