2. 虚拟电厂聚合资源建模

虚拟电厂（VPP）的调度能力并不来自某一台设备，而来自对海量异构资源的聚合与等值。要把屋顶光伏、集装箱储能、楼宇可调负荷和电动汽车这些“性格迥异”的资源放进同一个调度指令体系，第一步必须建立能反映其实时调节特性的聚合模型，并解决模型参数从现场数据中“辨识出来”的问题。本节围绕“特性—等值—辨识”这条主线展开。

一、四类资源的实时调节特性

聚合建模的前提是理解每类资源在秒级到分钟级尺度上的可调方向、可调速率与可持续时间。

• 分布式光伏：出力由辐照度决定，属于不可控电源，但可通过逆变器实现有功削减（限功率）与无功调节。其调节特性是“单向向下”：只能从当前最大功率点往下压，不能凭空增发。调节速率受逆变器响应时间影响，通常在百毫秒到秒级；削减会造成发电量损失，因此调度中一般作为最后手段。
• 储能：双向可调，是VPP中最优质的调节资源。充电为“加负荷”，放电为“减负荷/增出力”。关键参数包括额定功率、可用容量、SOC上下限、充放电效率与循环寿命。其调节速率可达毫秒至秒级，但受SOC约束，持续调节能力随时间衰减。
• 可调负荷：如空调、水泵、工业电炉，通过开关或功率调节改变用电。分为可中断、可平移、可连续调节三类。响应存在通信与本地控制延时，且受用户舒适度或工艺约束，调节持续时间有限。
• 电动汽车：本质是“带轮子的储能”，但具有移动性和用户行为不确定性。V2G模式下可双向调节，其可调能力取决于接入时间、SOC、用户设定的离车时间与期望电量。

四类资源的调节方向、速率与持续时间差异显著，直接决定了聚合等值模型不能简单相加，而需按“可上调/可下调”分别聚合。

二、聚合等值模型：把一群资源变成一个“虚拟机组”

聚合等值的目标是：调度中心只需向VPP下发一条功率指令，VPP内部即可分解到各资源。常用的等值模型包括等值电池模型、功率-容量可行域模型和调节能力包络模型。

以等值电池模型为例，将储能、EV和可调负荷统一折算为“可充可放”的虚拟电池：

P_eq(t) = Σ P_i(t) · η_i
E_eq(t) = Σ SOC_i(t) · C_i · η_i
P_eq,min ≤ P_eq(t) ≤ P_eq,max
E_eq,min ≤ E_eq(t) ≤ E_eq,max

其中 P_eq 为等值功率，E_eq 为等值电量，η_i 为各资源的等效效率系数。光伏作为负的负荷并入，可调负荷按可调容量折算。这样，VPP在调度层面就表现为一个具有功率上下限和能量上下限的“虚拟机组”。

需要强调的是，等值模型必须分时段更新：EV接入数量、光伏出力、负荷状态都在变化，等值参数是时变的。典型做法是每5～15分钟滚动更新一次可行域。

三、参数辨识方法：从量测数据反推模型参数

等值模型中的参数并非固定值，需要通过现场量测数据辨识。常用方法有三类：

1. 基于历史数据的统计辨识：利用SCADA/智能电表采集的功率、SOC、温度等时序数据，通过最小二乘或卡尔曼滤波估计等值容量与效率。例如，对储能支路，用充放电功率与SOC变化率拟合容量：C = ∫P dt / ΔSOC。
2. 基于激励响应的在线辨识：向资源注入小幅功率扰动（如阶跃或伪随机序列），观测响应曲线，辨识一阶惯性时间常数T和增益K。该方法适合可调负荷与EV充电桩，但需注意不影响用户。
3. 基于约束优化的可行域辨识：将各资源的物理约束（SOC、功率上限、用户设定）汇总为凸多面体，用顶点枚举或支持向量机拟合可行域边界，得到聚合后的P-E可行域。

实际工程中，三类方法常结合使用：统计辨识给出初值，在线辨识修正时变参数，可行域辨识保证调度指令不越界。

四、一个可参考的聚合建模参数表

下表给出某园区VPP在某一时段的聚合参数示例（数据为教学假设，非实测）：

从表中可见，聚合后的可下调容量远大于可上调容量，这是因为光伏只能向下调节，而储能和EV提供了主要的上调能力。调度中心据此可以判断：该VPP更适合参与“削峰”类需求响应，而非“填谷”。

掌握四类资源的调节特性、等值模型的构建方式以及参数辨识的基本方法后，下一步才能将这些模型接入实时调度算法，实现从“聚合”到“控制”的闭环。