《Processes》：Collaborative Optimization Strategy of Virtual Power Plants Considering Flexible HVDC Transmission of New Energy Sources to Enhance the Wind–Solar Power Consumption
Jiajun Ou,
Hao Lu,
Jingyi Li,
Di Cai,
Nan Yang and
Shiao Wang
编辑推荐：
为解决可再生能源（RESs）通过柔性高压直流（HVDC）并网时出力间歇性与波动性加剧，导致系统功率平衡困难与消纳挑战等问题，研究人员开展了虚拟电厂（VPP）协同优化策略研究。该研究集成了自注意力机制与多门控结构改进长短期记忆（LSTM）模型以提升预测精度，并构建了包含高惩罚成本的总成本优化模型，同时引入改进的基于群体的增量学习（PBIL）算法求解调度问题。仿真表明，所提策略有效降低了风光弃电率与总运行成本，为高比例RES渗透的电力系统优化提供了理论与应用参考。
在全球积极应对气候变化、大力推动能源转型的背景下，清洁能源的开发和高效利用已成为世界各国能源战略的核心。海上风电（OWP）作为清洁能源领域的一颗明星，凭借其资源储量丰富、风速稳定、风能质量高、不占用土地等显著优势，展现出巨大的发展潜力和广阔的应用前景。然而，OWP的输出特性呈现出显著的间歇性和随机性，其功率输出极易受到风向、风速、气压等气象因素波动的影响，这对电力系统（PS）的安全稳定运行构成了严峻挑战。与此同时，光伏（PV）发电作为另一种重要的清洁能源形式，也在全球范围内迅速发展。为了进一步提升清洁能源的消纳比例，实现能源资源的多元化利用与优化配置，OWP与光伏发电的联合运行与协同优化已成为必然趋势。虚拟电厂（VPP）作为一种新型电力运营模式与管理理念，能够整合与协调分布式可再生能源、储能（ES）、可控负荷等多种资源，通过先进的通信技术与智能算法，实现各类资源的优化调度与高效管理。
然而，现有的VPP优化研究仍存在若干关键缺口。大多数研究集中于连接传统交流电网的VPP，或假设了简化的可再生能源并网方式，鲜有明确考虑通过柔性HVDC传输的海上风电所带来的独特运行特性和不确定性，后者表现出更强的间歇性和不同的动态响应行为。此外，虽然一些先进的预测方法已被应用于电力系统，但它们通常被作为独立模块处理，其输出很少以闭环形式集成到VPP调度模型中，导致在高变异性条件下决策次优。传统的VPP调度模型优先考虑经济目标，当市场信号有利于传统发电时，往往导致可再生能源弃电。尽管一些研究中引入了弃电惩罚项，但其权重通常不足以保证可再生能源的优先消纳。在求解高维、非线性、多约束的VPP优化问题时，遗传算法（GA）、粒子群优化（PSO）算法、灰狼（GW）算法等启发式算法的收敛速度和全局搜索能力仍然有限。
为了应对这些挑战，本文提出了一种人工智能（AI）驱动的VPP协同优化策略，该策略整合了通过柔性HVDC传输的OWP和光伏系统。研究人员首先开发了一种集成了自注意力机制和多个门控网络的改进长短期记忆（LSTM）模型，以捕捉风电和光伏功率的多时间尺度特性，从而显著提高了预测的准确性和鲁棒性。接着，在VPP运行总成本优化模型中嵌入了对风光弃电的高额惩罚成本，通过优先考虑可再生能源使用的经济约束，强制将可再生能源消纳置于纯经济节约之上。然后，针对由此产生的高维非线性调度问题，提出了一种融合精英保留策略和自适应变异算子的改进PBIL算法，以提供更优的收敛速度和全局搜索能力。该研究的仿真基于一个包含通过柔性HVDC传输的典型海上风电和光伏的VPP展开。
为开展此项研究，作者主要应用了以下几项关键技术方法：一是构建了集成自注意力机制与多门控结构的改进LSTM深度学习模型，用于提升海上风电与光伏功率的预测精度；二是建立了以运行总成本最小化为目标、包含高弃电惩罚的VPP调度优化模型；三是设计了融合精英保留与自适应变异算子的改进PBIL智能优化算法，用于求解前述高维非线性优化问题。仿真验证基于一个包含柔性HVDC并网的海上风电和光伏资源的典型VPP系统进行。
2. 用于海上风电和光伏功率预测的改进LSTM模型
研究人员对经典的LSTM模型进行了改进，融入了自注意力机制和多个门控结构。LSTM作为一种特殊的循环神经网络（RNN），通过门控机制控制信息传输的路径和保留的信息量，从而有效学习长期依赖关系。改进后的模型能够更好地捕获可再生能源序列中的多时间尺度特征。具体而言，模型通过遗忘门（FG）、输入门和输出门等结构，结合历史状态和当前输入（如风速、温度等特征），计算当前时刻的细胞状态和隐藏状态。仿真结果表明，相较于经典LSTM，改进后的LSTM模型将风电和光伏功率预测的平均绝对百分比误差（MAPE）分别降低了7.14%和4.27%，显著提升了预测的准确性与鲁棒性。
（后续模型构建与优化部分）
基于改进LSTM模型的预测输出，研究构建了VPP运行总成本优化模型。该模型的目标是最小化包含发电成本、运维成本、与主网交互成本以及风光弃电惩罚成本在内的总运行成本。其中，对弃风弃光设置了高额的惩罚成本，旨在从经济约束上强制优先消纳可再生能源，减少因传统成本驱动调度导致的浪费。该优化问题是一个高维、非线性、多约束的复杂规划问题。
（优化求解算法部分）
为了高效求解上述优化模型，研究提出了一种改进的PBIL算法。PBIL是一种融合了进化计算与机器学习的智能优化方法，它通过概率模型描述解空间的分布，并借助群体搜索和增量更新机制实现高效优化。本文的改进在于引入了精英保留策略和自适应变异算子。精英保留策略确保了每一代中的优秀解能够被保留并用于引导后续搜索方向，而自适应变异算子则能在优化过程中动态调整变异概率，平衡算法的全局探索与局部开发能力。改进的PBIL算法提升了在解决高维非线性问题时的收敛速度和全局搜索效率。
仿真结果分析
基于一个包含柔性HVDC并网的典型海上风电和光伏的VPP场景进行仿真，并将所提策略与遗传算法（GA）、粒子群优化（PSO）算法和灰狼（GW）算法进行对比。结果表明，本文所提出的方法实现了最低的风电弃电率（10.74%）、光伏弃电率（10.23%）和总运行成本（43,752元人民币）。在成本降低方面，优于GA、PSO和GW算法10-18%。仿真结果验证了所提策略在柔性HVDC输电场景下，能够在保持系统经济性的同时，有效提升可再生能源的消纳能力。
结论与讨论
本研究针对通过柔性HVDC输电的海上风电和光伏并网带来的强间歇性与波动性挑战，提出了一套AI驱动的VPP协同优化策略。该策略的核心贡献在于：第一，开发了集成自注意力与多门控的改进LSTM模型，提升了风光功率的多时间尺度预测能力；第二，在VPP调度模型中嵌入了高惩罚成本的弃电项，从经济机制上保障了可再生能源的优先消纳；第三，提出了融合精英保留与自适应变异的改进PBIL算法，有效求解了高维非线性的调度问题。仿真结果表明，该策略显著降低了弃风弃光率和系统总运行成本。
这项工作的重要意义在于，它为高比例可再生能源渗透的电力系统优化提供了新的理论视角和实用的解决方案。通过将先进的预测技术、经济驱动的调度模型和高效的优化算法在VPP框架下进行闭环集成，研究不仅解决了柔性HVDC接入带来的特定运行不确定性，也为新型电力系统的低碳转型提供了技术支持。该研究成果已发表在《Processes》期刊上，对未来构建更清洁、高效、灵活的能源系统具有积极的推动作用。
