1. 虚拟电厂调度仿真工程导论

虚拟电厂（Virtual Power Plant，VPP）并不是一座真实的发电厂，而是把分散在电网各处的可调资源——分布式光伏、储能电池、可中断负荷、电动汽车充电桩、小型燃气机组等——通过通信、计量与调度算法聚合起来，形成一个在电网看来"像一个电厂"那样可观测、可调度、可考核的整体。它的价值不在于新增发电容量，而在于把原本"看不见、调不动"的海量小微资源，转化为可参与电力平衡与市场交易的灵活性供给。

理解虚拟电厂，需要抓住三个核心特征。第一是聚合性：单个户用储能可能只有 5 kW/10 kWh，单独并网对系统几乎没有意义，但 2000 户聚合后就是 10 MW/20 MWh 的可调容量，足以参与调频或削峰。第二是可调度性：聚合不是简单相加，而是通过控制指令让资源按目标功率曲线出力，这要求通信时延、计量精度、控制周期都满足要求。第三是经济性驱动：VPP 的收益来自峰谷价差、辅助服务补偿、需求响应补贴等，调度策略必须同时考虑物理约束与市场收益，否则聚合起来的资源不会真正被调用。

那么，调度仿真在工程中到底处于什么位置？可以这样理解：真实 VPP 上线前，调度策略不能直接投运——一旦指令下发错误，可能造成储能过充、负荷反弹甚至配变过载。因此工程上通常先建立仿真环境，用历史或预测数据驱动模型，验证调度算法在正常、边界和故障场景下的表现，再逐步过渡到现场。仿真在这里承担三个角色：策略验证器（算法是否可行）、参数整定台（控制周期、死区、SOC 上下限取多少合适）、收益评估器（不同策略下日收益差多少）。

下面这张图给出虚拟电厂从物理资源到调度指令的完整信号链与仿真定位，帮助建立整体认知框架。

从图中可以看到，仿真并不是孤立的一步，而是横跨信息层、决策层与商业层的"预演沙盘"。真实 VPP 中，物理资源的状态通过采集终端上传，调度算法据此计算各资源的功率设定值，再经通信通道下发执行；而仿真环境则用模型和数据替代真实设备，在计算机里完成同样的计算与评估，从而在不影响现场的前提下反复试错。

虚拟电厂的典型应用场景主要有四类。一是削峰填谷：在电价高峰时段让储能放电、可中断负荷降功率，低谷时段反向充电，赚取价差。二是调频辅助服务：聚合储能与快速可调负荷，响应秒级到分钟级的功率指令，获取调频里程补偿。三是需求响应：在电网紧张时按约定削减负荷，获得补贴或避免惩罚。四是新能源消纳：在光伏大发、弃光风险高时，引导储能充电或负荷前移，减少弃电。不同场景对调度周期、响应速度、计量精度的要求差异很大，这也是仿真必须分场景建模的原因。

以一个教学示例说明仿真能回答什么问题。假设某 VPP 聚合了 10 户储能，每户 10 kW/20 kWh，SOC 允许范围 10%~90%，充放电效率均取 0.95。某日峰段（18:00—21:00）电价 1.2 元/kWh，谷段（00:00—06:00）电价 0.35 元/kWh。若策略为"谷段满充、峰段满放"，理论上单户可放出 20×0.8×0.95≈15.2 kWh，10 户合计约 152 kWh，峰谷价差收益约 152×(1.2−0.35)≈129 元/日（未计充电损耗与容量衰减，仅为示例估算）。但如果峰段同时要求参与调频，储能就不能"满放到底"，必须预留 SOC 裕度，收益结构随之改变。仿真要做的，就是在这些相互冲突的目标之间，量化不同策略的收益与风险，而不是凭直觉拍板。

本课程的整体学习路线按"由物到数、由数到策、由策到评"推进：先建立分布式资源的数学模型（光伏出力、储能 SOC 递推、负荷可调潜力），再构造仿真所需的数据与场景（负荷曲线、价格曲线、预测误差），然后实现调度算法（规则策略、线性规划、模型预测控制），接着搭建仿真平台并跑通闭环，最后用收益、越限率、指令跟踪偏差等指标评估策略优劣，并讨论向真实系统迁移时的通信、计量与安全约束。每一章都会围绕一个可运行、可观察的工程对象展开，而不是停留在概念罗列。

需要特别提醒的是，仿真结果的可信度取决于模型与数据的质量。如果储能模型忽略了充放电效率随 SOC 的变化，或者负荷曲线用了过于平滑的典型日数据，仿真得出的"高收益"在真实系统中很可能无法复现。因此，从第一章开始就应养成习惯：明确每个参数的来源与假设，区分"示例假设值"与"实测值"，并在结果中标注不确定性。这既是工程素养，也是后续各章反复强调的纪律。