基于優(yōu)化計(jì)算型區(qū)塊鏈系統(tǒng)的虛擬電廠模型與調(diào)度策略

劉雨佳 樊艷芳 白雪巖 宋雨露

基于優(yōu)化計(jì)算型區(qū)塊鏈系統(tǒng)的虛擬電廠模型與調(diào)度策略

劉雨佳 樊艷芳 白雪巖 宋雨露

（新疆大學(xué)電氣工程學(xué)院 烏魯木齊 830092）

為提高虛擬電廠（VPP）的調(diào)度運(yùn)行效率和信息安全水平，該文對區(qū)塊鏈技術(shù)進(jìn)行改進(jìn)，并將其運(yùn)用到VPP的優(yōu)化調(diào)度過程中。首先以VPP分布式運(yùn)行環(huán)境為背景，提出基于區(qū)塊鏈的分布式粒子群優(yōu)化算法和優(yōu)化計(jì)算工作量證明共識算法；然后根據(jù)該算法，對傳統(tǒng)區(qū)塊鏈系統(tǒng)進(jìn)行改進(jìn)，形成了適用于VPP的優(yōu)化計(jì)算型區(qū)塊鏈系統(tǒng)；最后基于此系統(tǒng)建立了VPP結(jié)構(gòu)模型，并提出相應(yīng)的調(diào)度策略。仿真結(jié)果表明，優(yōu)化計(jì)算型區(qū)塊鏈系統(tǒng)能夠較好地適應(yīng)VPP運(yùn)行環(huán)境，可以有效提高VPP調(diào)度效率，同時(shí)基于該系統(tǒng)建立的VPP模型和提出的調(diào)度策略，在降低系統(tǒng)運(yùn)行成本、提高風(fēng)/光消納水平、減少二氧化碳排放量等方面相比傳統(tǒng)VPP具有顯著優(yōu)勢。

虛擬電廠 區(qū)塊鏈 分布式 共識算法 粒子群優(yōu)化算法

0 引言

近年來，以風(fēng)電、光伏、電動汽車、儲能裝置、可控負(fù)荷為代表的分布式能源數(shù)量增長迅速，由于此類分布式能源具有單機(jī)容量小、設(shè)備數(shù)量大、分布范圍廣等問題，其大規(guī)模接入將會對電網(wǎng)的可靠性和穩(wěn)定性產(chǎn)生影響。虛擬電廠（Virtual Power Plant, VPP）技術(shù)[1-2]通過先進(jìn)的計(jì)量、通信、控制技術(shù)，將多個(gè)不同利益群體整合成一個(gè)可控虛擬實(shí)體，參與電網(wǎng)調(diào)度和電力市場交易，并為系統(tǒng)提供容量和調(diào)峰、填谷服務(wù)[3]，降低了分布式能源的運(yùn)行風(fēng)險(xiǎn)和管理難度，促進(jìn)了可再生能源消納，提升了電網(wǎng)穩(wěn)定性[4-7]。

但VPP具有的分布式特性也導(dǎo)致其存在一些問題[8-12]：

1）現(xiàn)有的集中式、集中-分散式和完全分散式VPP控制方式無法在靈活性、兼容性、擴(kuò)展性上達(dá)成一致最優(yōu)，影響VPP整體運(yùn)行效果。

2）由于VPP內(nèi)部之間依靠網(wǎng)絡(luò)實(shí)現(xiàn)雙向通信，各發(fā)電、負(fù)荷單元之間的出力、需求信息數(shù)據(jù)容易遭到外部惡意攻擊篡改，造成VPP調(diào)度運(yùn)行出錯，導(dǎo)致成本增加或設(shè)備故障。

3）風(fēng)、光等可再生能源出力具有不確定性和隨機(jī)性，當(dāng)其出現(xiàn)急劇變動時(shí)，如果VPP不能及時(shí)進(jìn)行快速調(diào)整，將導(dǎo)致其懲罰成本上升，影響系統(tǒng)整體效益。

4）VPP的分布式特性導(dǎo)致其內(nèi)部各單元之間整合難度大，調(diào)度協(xié)調(diào)困難。在現(xiàn)有的研究中通常使用智能優(yōu)化算法進(jìn)行計(jì)算，但此類算法沒有針對分布式特性進(jìn)行適配，在計(jì)算時(shí)間和準(zhǔn)確性上仍存在諸多問題，導(dǎo)致交易成本的上升和效率的下降。

為解決上述問題，部分研究將區(qū)塊鏈應(yīng)用于VPP，建立了基于區(qū)塊鏈技術(shù)的VPP架構(gòu)和交易模式。文獻(xiàn)[8]提出一種能源區(qū)塊鏈網(wǎng)絡(luò)模型并應(yīng)用于VPP的調(diào)度運(yùn)行過程，提高了VPP穩(wěn)定性與數(shù)據(jù)安全性；文獻(xiàn)[9]利用區(qū)塊鏈共識機(jī)制結(jié)合等耗量微增率準(zhǔn)則，使負(fù)荷在機(jī)組之間合理分配，實(shí)現(xiàn)了VPP的分布式調(diào)度。文獻(xiàn)[10]提出適用于VPP的實(shí)用拜占庭容錯算法共識機(jī)制，實(shí)現(xiàn)了區(qū)塊鏈下VPP兩階段魯棒優(yōu)化調(diào)度，提高了系統(tǒng)的容錯能力；文獻(xiàn)[11]提出基于區(qū)塊鏈技術(shù)的VPP分布式能源交易智能合約，幫助分布式能源供應(yīng)商制定電價(jià)，提高交易效率；文獻(xiàn)[12]進(jìn)一步建立了基于區(qū)塊鏈技術(shù)的VPP商業(yè)運(yùn)營架構(gòu)和電力交易模式。以上研究將區(qū)塊鏈與VPP結(jié)合，提出基于區(qū)塊鏈的VPP架構(gòu)模型，但并未針對VPP運(yùn)行特點(diǎn)對優(yōu)化算法和區(qū)塊鏈共識機(jī)制做出相應(yīng)的改進(jìn)，未將區(qū)塊鏈技術(shù)與VPP的調(diào)度優(yōu)化進(jìn)一步結(jié)合，也未考慮可再生能源出力波動對區(qū)塊鏈VPP調(diào)度速度、經(jīng)濟(jì)性的影響，仍有一定的改進(jìn)空間。

本文針對上述問題，在分析區(qū)塊鏈基本結(jié)構(gòu)與應(yīng)用于VPP可行性的基礎(chǔ)上，提出適用于VPP運(yùn)行環(huán)境的區(qū)塊鏈-分布式粒子群優(yōu)化算法（Blockchain-based Distributed Particle Swarm Optimization algorithm, BD-PSO），以及優(yōu)化計(jì)算工作量證明（Proof of Optimization Calculation Workload,POCW）共識算法，并結(jié)合上述算法提出優(yōu)化計(jì)算型區(qū)塊鏈（Optimizing Computational Blockchains, OCB）系統(tǒng)提高系統(tǒng)運(yùn)行效率，最終建立基于OCB的虛擬電廠（OCB-VPP）結(jié)構(gòu)模型與調(diào)度策略。通過某區(qū)域?qū)嶋H數(shù)據(jù)，對比分析了OCB-VPP與傳統(tǒng)VPP在應(yīng)對可再生能源出力波動、提高系統(tǒng)經(jīng)濟(jì)效益與降低碳排放水平方面的差異，分析了BD-PSO算法在計(jì)算速度和計(jì)算精度上的優(yōu)勢，驗(yàn)證了所提模型的有效性和經(jīng)濟(jì)性。

1 區(qū)塊鏈技術(shù)基本原理

區(qū)塊鏈技術(shù)本質(zhì)上是一種分布式共享數(shù)據(jù)庫。其通過結(jié)合分布式數(shù)據(jù)存儲、點(diǎn)對點(diǎn)傳輸、共識機(jī)制、加密算法等計(jì)算機(jī)技術(shù)，使存儲在區(qū)塊鏈中的數(shù)據(jù)具有去中心化、不可篡改、痕跡保留、操作追溯、公開透明、集體維護(hù)等特征，保證其內(nèi)部信息和數(shù)據(jù)的誠信、透明與安全[13-15]。區(qū)塊鏈技術(shù)為解決信息不對稱問題，以及實(shí)現(xiàn)多個(gè)主體之間的協(xié)作信任與一致行動奠定了基礎(chǔ)。區(qū)塊鏈的上述特點(diǎn)與VPP的分布式特征，以及對信息安全、交易效率、靈活控制方面的需求相契合，因此區(qū)塊鏈技術(shù)可應(yīng)用于VPP，解決VPP內(nèi)部各發(fā)電、負(fù)荷單元之間雙向通信、快速交易、協(xié)調(diào)調(diào)度等問題。

區(qū)塊是區(qū)塊鏈系統(tǒng)的基本組成部分。區(qū)塊頭部包括版本號、前一區(qū)塊哈希值、時(shí)間戳、Merkle根、挖礦難度、隨機(jī)數(shù)六個(gè)部分。區(qū)塊主體中封裝了交易信息和數(shù)據(jù)。區(qū)塊鏈系統(tǒng)分別由數(shù)據(jù)、網(wǎng)絡(luò)、共識、激勵、合約和應(yīng)用六層結(jié)構(gòu)組成[16-18]。數(shù)據(jù)層主要包括區(qū)塊；網(wǎng)絡(luò)層中包含系統(tǒng)組網(wǎng)、數(shù)據(jù)傳輸和驗(yàn)證等規(guī)則；共識層主要為共識算法；激勵層中包含系統(tǒng)激勵機(jī)制，通過該機(jī)制吸引節(jié)點(diǎn)加入和主動維護(hù)系統(tǒng)；合約層主要包含系統(tǒng)算法和智能合約；應(yīng)用層則主要用于實(shí)現(xiàn)該區(qū)塊鏈系統(tǒng)的實(shí)際應(yīng)用場景。區(qū)塊鏈系統(tǒng)各節(jié)點(diǎn)之間通過上述六層結(jié)構(gòu)，可在保證信息安全的前提下逐步自動完成交易和數(shù)據(jù)傳輸?shù)娜蝿?wù)。

考慮到現(xiàn)有區(qū)塊鏈技術(shù)主要應(yīng)用于分布式記賬系統(tǒng)，與VPP在效率和靈活性方面的要求不匹配，所以本文對區(qū)塊鏈相關(guān)技術(shù)進(jìn)行改進(jìn)，提出并建立適用于VPP的區(qū)塊鏈優(yōu)化算法、共識機(jī)制、VPP模型與調(diào)度策略。

2 適用于VPP的優(yōu)化計(jì)算型區(qū)塊鏈系統(tǒng)

2.1 BD-PSO優(yōu)化算法原理

VPP的調(diào)度優(yōu)化問題是一個(gè)多變量、多約束、高維度、非線性、連續(xù)和離散變量混合的數(shù)學(xué)優(yōu)化問題，目前的主流VPP優(yōu)化智能算法如粒子群、遺傳、光線尋優(yōu)算法等，以及Yalmip、Cplex等求解器，并未對VPP的分布式特性進(jìn)行針對性改進(jìn)，導(dǎo)致計(jì)算時(shí)間較長。

本文針對VPP的分布式特性，利用區(qū)塊鏈技術(shù)分發(fā)和收集數(shù)據(jù)、信息、指令，提出BD-PSO優(yōu)化算法。將VPP內(nèi)每個(gè)用戶視作一個(gè)計(jì)算節(jié)點(diǎn)，參與到求解運(yùn)算中，最大限度地利用系統(tǒng)內(nèi)算力，該算法結(jié)構(gòu)如圖1所示。

圖1 BD-PSO算法結(jié)構(gòu)

該算法原理為：

1）當(dāng)系統(tǒng)有優(yōu)化計(jì)算任務(wù)時(shí)，控制中心根據(jù)當(dāng)時(shí)參與的節(jié)點(diǎn)數(shù)量與運(yùn)算求解難度，將所有參與節(jié)點(diǎn)分為若干個(gè)節(jié)點(diǎn)群（群數(shù)量與求解速度成正比，與精度成反比；群內(nèi)節(jié)點(diǎn)數(shù)量與求解精度成正比，與速度成反比），各節(jié)點(diǎn)群相應(yīng)產(chǎn)生對應(yīng)的區(qū)塊鏈。隨后控制中心將求解問題代入粒子群算法，隨機(jī)產(chǎn)生大量的初始種群并均分后，與計(jì)算所需其余數(shù)據(jù)打包形成區(qū)塊，鏈接到各節(jié)點(diǎn)群對應(yīng)的區(qū)塊鏈，作為群區(qū)塊鏈的初始區(qū)塊。

2）各節(jié)點(diǎn)群內(nèi)的所有節(jié)點(diǎn)根據(jù)初始區(qū)塊內(nèi)容采用線性遞減權(quán)重粒子群算法（Lin-WPSO）進(jìn)行獨(dú)立的優(yōu)化計(jì)算。而由于粒子群這類智能算法具有結(jié)果不確定的特性，所以各節(jié)點(diǎn)群內(nèi)部節(jié)點(diǎn)之間產(chǎn)生的結(jié)果不可能相同，同時(shí)各節(jié)點(diǎn)群之間因?yàn)樗峙涞降某跏紨?shù)據(jù)不同，也會導(dǎo)致節(jié)點(diǎn)群之間結(jié)果不同，這一特性會使系統(tǒng)內(nèi)產(chǎn)生大量不同計(jì)算結(jié)果。

3）針對上述特性，BD-PSO算法設(shè)定當(dāng)節(jié)點(diǎn)群內(nèi)部所有節(jié)點(diǎn)完成單次計(jì)算后，各節(jié)點(diǎn)在群內(nèi)廣播計(jì)算結(jié)果，每個(gè)節(jié)點(diǎn)在收到的結(jié)果中選擇最優(yōu)的一個(gè)，并打包生成區(qū)塊并行連接到群區(qū)塊鏈的副鏈中。隨后，在副鏈中此次計(jì)算產(chǎn)生的多個(gè)并行區(qū)塊，逐個(gè)嘗試鏈接到主鏈，群內(nèi)各節(jié)點(diǎn)使用共識算法對該區(qū)塊進(jìn)行驗(yàn)證，通過驗(yàn)證的區(qū)塊即為有效區(qū)塊（該區(qū)塊包含信息為最優(yōu)解），一旦產(chǎn)生有效區(qū)塊則停止驗(yàn)證，然后將該區(qū)塊正式鏈接到主鏈中。

4）控制中心讀取各群區(qū)塊鏈，再取各節(jié)點(diǎn)群結(jié)果中的最優(yōu)解為本次迭代計(jì)算結(jié)果，隨后打包生成區(qū)塊鏈接到所有群區(qū)塊鏈中，群內(nèi)各節(jié)點(diǎn)讀取區(qū)塊內(nèi)容更新計(jì)算結(jié)果，進(jìn)行下一次迭代。

通過上述過程可以發(fā)現(xiàn)，經(jīng)分布式改進(jìn)并結(jié)合區(qū)塊鏈形成的BD-PSO算法，通過多節(jié)點(diǎn)并行計(jì)算，產(chǎn)生了比原算法更多的計(jì)算結(jié)果，且在使用區(qū)塊鏈進(jìn)行信息驗(yàn)證和傳遞以保證安全的基礎(chǔ)上，進(jìn)行了更大范圍的最優(yōu)結(jié)果比較，防止陷入局部最優(yōu)，可以在提高算法精確度的同時(shí)，減少迭代次數(shù)和計(jì)算時(shí)間。其計(jì)算速度可表示為

2.2 POCW共識算法原理

在區(qū)塊鏈系統(tǒng)中，多個(gè)節(jié)點(diǎn)需要針對同一個(gè)操作、指令達(dá)成共識[19-20]（判斷該區(qū)塊包含的信息是否真實(shí)，若真實(shí)則允許該區(qū)塊鏈接到區(qū)塊鏈，反之則禁止），以便系統(tǒng)正常運(yùn)行。但節(jié)點(diǎn)中包含著故障和惡意節(jié)點(diǎn)，這類節(jié)點(diǎn)在運(yùn)行時(shí)存在不能發(fā)送數(shù)據(jù)或發(fā)出惡意數(shù)據(jù)的情況，最終導(dǎo)致共識過程失敗，阻礙系統(tǒng)運(yùn)行，因此需要采用某種共識算法對該過程進(jìn)行約束，保證系統(tǒng)的一致性和安全性。

2.2.1 工作量證明共識算法

目前的區(qū)塊鏈系統(tǒng)中使用最廣泛的共識算法為工作量證明共識算法（Proof of Work, PoW）。在使用PoW的區(qū)塊鏈系統(tǒng)中，新區(qū)塊的生成和驗(yàn)證流程如下。

1）當(dāng)某節(jié)點(diǎn)參與到生成新區(qū)塊的過程中時(shí)，該節(jié)點(diǎn)首先需要對系統(tǒng)內(nèi)新產(chǎn)生的交互信息進(jìn)行打包和哈希運(yùn)算，從而生成新的Merkel根（Merkel根用于快速校驗(yàn)和索引區(qū)塊數(shù)據(jù)），并封裝到區(qū)塊組成新的區(qū)塊頭部。

2）隨后對區(qū)塊頭部進(jìn)行多次SHA256運(yùn)算（該運(yùn)算過程為無規(guī)律的窮舉運(yùn)算，耗費(fèi)時(shí)間長），如運(yùn)算結(jié)果小于目標(biāo)值則證明完成，向全網(wǎng)廣播；如結(jié)果大于等于目標(biāo)值則改變區(qū)塊頭部中的隨機(jī)數(shù)，重新進(jìn)行運(yùn)算，如此循環(huán)直至符合要求。

3）當(dāng)某節(jié)點(diǎn)率先向全網(wǎng)廣播宣布自己完成時(shí)，全網(wǎng)節(jié)點(diǎn)對該結(jié)果進(jìn)行驗(yàn)證，如果承認(rèn)該區(qū)塊有效的節(jié)點(diǎn)數(shù)超過50%，則該區(qū)塊有效。

在此過程中如果想要對已經(jīng)生成的區(qū)塊信息進(jìn)行修改，或者否決某一區(qū)塊，惡意節(jié)點(diǎn)的算力必須遠(yuǎn)超越任何一個(gè)節(jié)點(diǎn)，才能保證自己總是能率先完成計(jì)算，同時(shí)至少控制全網(wǎng)超過50%以上節(jié)點(diǎn)，才能確保區(qū)塊通過驗(yàn)證，成為有效區(qū)塊。所以PoW算法的安全性（在某一系統(tǒng)中支持的最大惡意節(jié)點(diǎn)數(shù)量）為

由此可知，PoW算法雖然具有較高的容錯率，但其在生成新區(qū)塊時(shí)需要進(jìn)行大量的哈希運(yùn)算，消耗系統(tǒng)內(nèi)大量的算力資源，且該運(yùn)算過程中產(chǎn)生的計(jì)算結(jié)果實(shí)際上并沒有作用；同時(shí)VPP系統(tǒng)的各個(gè)節(jié)點(diǎn)受限于功耗和體積方面的限制，其算力不可能太高，因此完成一次運(yùn)算并驗(yàn)證需要消耗大量的時(shí)間，難以應(yīng)對可再生能源的突發(fā)出力波動和電網(wǎng)臨時(shí)調(diào)度任務(wù)的速度要求，因此PoW算法不適用于本文的VPP模型，需要對其進(jìn)行改進(jìn)，提高適用性和運(yùn)算速度。

2.2.2 工作量證明共識算法優(yōu)化

本文對PoW共識機(jī)制進(jìn)行改進(jìn)，將PoW算法中需要重復(fù)進(jìn)行的哈希運(yùn)算，替換為使用BD-PSO算法的優(yōu)化計(jì)算過程，提出優(yōu)化計(jì)算工作量證明共識算法。該算法具體流程如下：

1）當(dāng)某一節(jié)點(diǎn)需要生成新的區(qū)塊時(shí)，與PoW相同首先對接收到的廣播信息進(jìn)行打包，生成Merkel根。

2）在驗(yàn)證環(huán)節(jié)首先取消耗費(fèi)大量時(shí)間的SHA256運(yùn)算。當(dāng)各節(jié)點(diǎn)需要驗(yàn)證某一區(qū)塊是否為有效區(qū)塊時(shí)，若該區(qū)塊為優(yōu)化計(jì)算產(chǎn)生的結(jié)果，則令各節(jié)點(diǎn)分別對區(qū)塊包含的計(jì)算結(jié)果進(jìn)行驗(yàn)算（將計(jì)算結(jié)果代入BD-PSO算法重新計(jì)算，判斷該結(jié)果是否符合系統(tǒng)約束和邊界條件，以及運(yùn)行成本是否最優(yōu)）。若該區(qū)塊為指令、操作或信息等單純數(shù)據(jù)內(nèi)容（如發(fā)電、負(fù)荷預(yù)測申報(bào)等信息），則將BD-PSO算法計(jì)算結(jié)果默認(rèn)為1，以表示該區(qū)塊為單純數(shù)據(jù)區(qū)塊，直接進(jìn)行下一步。

3）對于包含優(yōu)化計(jì)算結(jié)果的區(qū)塊，如果有超過50%的節(jié)點(diǎn)驗(yàn)算該結(jié)果有效時(shí)，則該區(qū)塊通過共識算法驗(yàn)證，為有效區(qū)塊。

4）對于包含單純數(shù)據(jù)內(nèi)容的區(qū)塊，則對該區(qū)塊是否有效進(jìn)行判斷投票，如果具有超過50%的節(jié)點(diǎn)投票認(rèn)同該數(shù)據(jù)時(shí)，則該區(qū)塊通過共識算法驗(yàn)證，為有效區(qū)塊。

綜上所述，由于繼承了PoW算法50%節(jié)點(diǎn)認(rèn)同的特性，因此POCW算法安全性與PoW類似，即

因此采用POCW共識算法后系統(tǒng)被入侵成功的概率可如圖2所示。由于用戶的智能家居設(shè)備一般通過路由器接入互聯(lián)網(wǎng)，入侵路由器后即可通過路由器控制相應(yīng)設(shè)備，所以采用POCW共識算法的VPP以路由器被入侵的概率數(shù)據(jù)進(jìn)行比較。而普通VPP是控制中心的計(jì)算機(jī)或服務(wù)器獨(dú)立進(jìn)行計(jì)算和控制，因此以單臺計(jì)算機(jī)或服務(wù)器被入侵的概率數(shù)據(jù)進(jìn)行比較（但上述的兩個(gè)概率沒有準(zhǔn)確的數(shù)據(jù)，因此只能根據(jù)路由器防護(hù)差易遭受入侵，而服務(wù)器防護(hù)較好不容易被攻破的情況，為其分別取一個(gè)較高的值0.8和較低的值0.1來進(jìn)行比較，能夠體現(xiàn)出兩數(shù)據(jù)概率隨節(jié)點(diǎn)數(shù)量變化的趨勢即可）。

圖2 算法安全性對比

從圖2中可以發(fā)現(xiàn)，隨著系統(tǒng)內(nèi)節(jié)點(diǎn)數(shù)量的增加，采用POCW共識算法的VPP被入侵成功的概率呈指數(shù)形式下降。在系統(tǒng)的50%節(jié)點(diǎn)數(shù)為30時(shí)被入侵成功的概率約為5.1%，在概率統(tǒng)計(jì)上基本為不可能事件，若節(jié)點(diǎn)再進(jìn)一步增多，則可能性無限接近于零。這是因?yàn)镻OCW共識算法具有50%節(jié)點(diǎn)認(rèn)同才能生成區(qū)塊的特性，節(jié)點(diǎn)越多，入侵需要控制的節(jié)點(diǎn)越多，入侵難度就越大。而傳統(tǒng)VPP由于只通過控制中心的一臺計(jì)算機(jī)或服務(wù)器進(jìn)行計(jì)算和控制，系統(tǒng)安全性與節(jié)點(diǎn)數(shù)量無關(guān)，因此一旦該服務(wù)器被攻破，整個(gè)系統(tǒng)也就被控制。

綜上所述，經(jīng)過改進(jìn)的POCW算法，在繼承了PoW算法安全性特點(diǎn)的同時(shí)，適應(yīng)了區(qū)塊鏈VPP的結(jié)構(gòu)，可以與本文提出的BD-PSO算法配合，提高系統(tǒng)的計(jì)算速度和運(yùn)行效率，為區(qū)塊鏈VPP運(yùn)行奠定基礎(chǔ)。

2.3 優(yōu)化計(jì)算型區(qū)塊鏈系統(tǒng)與OCB-VPP

2.3.1 優(yōu)化計(jì)算型區(qū)塊鏈系統(tǒng)

在基于PoW共識算法的區(qū)塊鏈系統(tǒng)中，不包含優(yōu)化算法，且共識驗(yàn)證時(shí)間較長，不能應(yīng)用于區(qū)塊鏈VPP。本文對基于PoW區(qū)塊鏈系統(tǒng)進(jìn)行改進(jìn)，提出優(yōu)化計(jì)算型區(qū)塊鏈（Optimize Computing Blockchain, OCB），以適應(yīng)區(qū)塊鏈VPP在調(diào)度中優(yōu)化計(jì)算的要求。

優(yōu)化計(jì)算型區(qū)塊鏈系統(tǒng)結(jié)構(gòu)如圖3所示。首先將BD-PSO優(yōu)化算法與區(qū)塊鏈結(jié)合，加入?yún)^(qū)塊鏈數(shù)據(jù)層，并將PoW共識算法中采用的SHA256算法更改為本文改進(jìn)的BD-PSO算法，形成POCW共識算法，在保證系統(tǒng)的安全性與交易效率的基礎(chǔ)上，充分利用系統(tǒng)內(nèi)節(jié)點(diǎn)算力，提高區(qū)塊的生成驗(yàn)證速度。

圖3 優(yōu)化計(jì)算型區(qū)塊鏈系統(tǒng)結(jié)構(gòu)

然后將網(wǎng)絡(luò)組網(wǎng)機(jī)制由PoW區(qū)塊鏈系統(tǒng)的完全分布式，更改為與VPP和BD-PSO算法相適應(yīng)的自適應(yīng)分布式。

自適應(yīng)分布式組網(wǎng)機(jī)制是根據(jù)VPP實(shí)際運(yùn)行特性結(jié)合本文改進(jìn)的優(yōu)化算法和共識算法特性改進(jìn)形成的新型組網(wǎng)機(jī)制，結(jié)合了集中式和集中-分布式VPP控制方式的優(yōu)點(diǎn)。即VPP系統(tǒng)內(nèi)各節(jié)點(diǎn)可根據(jù)當(dāng)前任務(wù)的不同，改變組網(wǎng)結(jié)構(gòu)，以便在適應(yīng)VPP調(diào)度運(yùn)行特性和區(qū)塊鏈、算法要求的基礎(chǔ)上，提高VPP控制效率。例如，單純數(shù)據(jù)交互時(shí)計(jì)算量小，不會對VPP控制中心產(chǎn)生較大影響，因此可使用集中式結(jié)構(gòu)，控制中心直接通過OCB網(wǎng)絡(luò)對各節(jié)點(diǎn)進(jìn)行控制；優(yōu)化計(jì)算時(shí)除主OCB網(wǎng)絡(luò)外，還包括各群內(nèi)的群OCB網(wǎng)絡(luò)，群OCB網(wǎng)絡(luò)可視為VPP下級控制中心，此時(shí)VPP控制中心通過各群OCB網(wǎng)絡(luò)實(shí)現(xiàn)集中-分散式控制。

2.3.2 OCB-VPP系統(tǒng)結(jié)構(gòu)

基于優(yōu)化計(jì)算型區(qū)塊鏈建立的OCB-VPP系統(tǒng)結(jié)構(gòu)如圖4所示。OCB-VPP內(nèi)部包括多個(gè)已聯(lián)網(wǎng)的發(fā)電、用電、儲能用戶，各用戶之間、用戶與控制中心之間利用網(wǎng)絡(luò)進(jìn)行通信和控制，各用戶之間的發(fā)電、用電需求通過控制中心進(jìn)行統(tǒng)一協(xié)調(diào)調(diào)度。OCB是系統(tǒng)內(nèi)數(shù)據(jù)和信息傳輸載體，控制中心與所有節(jié)點(diǎn)之間的交互均通過OCB網(wǎng)絡(luò)進(jìn)行，保障通信和數(shù)據(jù)的安全。

圖4 OCB-VPP系統(tǒng)結(jié)構(gòu)示意圖

系統(tǒng)內(nèi)節(jié)點(diǎn)之間的交互主要分為兩類：首先是調(diào)度的優(yōu)化計(jì)算過程，需要使用OCB配合BD-PSO優(yōu)化算法并結(jié)合POCW共識算法完成；其次，系統(tǒng)內(nèi)還包含大量的不需要進(jìn)行優(yōu)化計(jì)算的單向、雙向信息數(shù)據(jù)傳輸，如控制中心向各節(jié)點(diǎn)發(fā)送氣象預(yù)報(bào)數(shù)據(jù)、節(jié)點(diǎn)之間相互發(fā)送發(fā)電和負(fù)荷預(yù)測等申報(bào)信息、控制中心反饋各節(jié)點(diǎn)執(zhí)行評價(jià)等過程。上述過程不需要進(jìn)行復(fù)雜運(yùn)算，只需要保障交互信息的快速、可靠和安全，因此應(yīng)用于該過程的OCB需要將BD-PSO的計(jì)算過程默認(rèn)為1，即各節(jié)點(diǎn)不需要使用BD-PSO進(jìn)行計(jì)算即可生成區(qū)塊。

3 OCB-VPP調(diào)度策略與數(shù)學(xué)模型

3.1 調(diào)度流程

OCB-VPP的調(diào)度運(yùn)行過程主要分為三部分，系統(tǒng)調(diào)度流程如圖5所示。

圖5 系統(tǒng)調(diào)度流程

1）日前調(diào)度階段，各發(fā)電、負(fù)荷單元根據(jù)控制中心下發(fā)的氣象預(yù)報(bào)數(shù)據(jù)對自身第二日的出力和負(fù)荷曲線進(jìn)行預(yù)測，通過共識算法驗(yàn)證后生成區(qū)塊鏈接到OCB。控制中心讀取OCB數(shù)據(jù)并整理后，形成待優(yōu)化計(jì)算問題，分配至各節(jié)點(diǎn)群進(jìn)行計(jì)算（計(jì)算流程如2.1節(jié)所示）。計(jì)算結(jié)果通過共識算法驗(yàn)證后，控制中心生成新的區(qū)塊鏈接到OCB作為日前調(diào)度方案。

2）日內(nèi)調(diào)度階段，主要包含實(shí)時(shí)優(yōu)化調(diào)度和突發(fā)優(yōu)化調(diào)度兩個(gè)部分。對于實(shí)時(shí)優(yōu)化調(diào)度，該過程得益于本文改進(jìn)的BS-PSO優(yōu)化算法，其消耗時(shí)間能夠大幅減少，因此在優(yōu)化過程中可以采取短間隔、多次數(shù)的優(yōu)化計(jì)算，提高系統(tǒng)調(diào)度準(zhǔn)確性，其間隔時(shí)間需要根據(jù)VPP、電網(wǎng)調(diào)度以及電力市場具體情況而定。其過程、目標(biāo)函數(shù)、約束條件與日前階段相同，不再贅述。對于突發(fā)情況的優(yōu)化調(diào)度，如電網(wǎng)故障、可再生能源出力變化等問題導(dǎo)致的調(diào)度調(diào)整，利用BS-PSO優(yōu)化算法的特性，可通過調(diào)整節(jié)點(diǎn)群和群內(nèi)節(jié)點(diǎn)的數(shù)量，在保證計(jì)算精度的情況下，迅速完成調(diào)度計(jì)算，確保調(diào)度任務(wù)的順利執(zhí)行和減少懲罰費(fèi)用。

3）日內(nèi)評價(jià)階段，主要是對各單元節(jié)點(diǎn)在調(diào)度過程中的完成表現(xiàn)進(jìn)行評價(jià)，作為后續(xù)分配計(jì)算任務(wù)和激勵結(jié)算的依據(jù)。對于計(jì)算任務(wù)的評價(jià)，每次計(jì)算完成后各單元節(jié)點(diǎn)會向系統(tǒng)廣播自身計(jì)算結(jié)果，VPP控制中心根據(jù)各單元計(jì)算結(jié)果與最終寫入到OCB中的實(shí)際值進(jìn)行比較，比較結(jié)果作為單元節(jié)點(diǎn)的計(jì)算準(zhǔn)確度進(jìn)行廣播。由于每次計(jì)算任務(wù)的分配，參與節(jié)點(diǎn)的選取需要根據(jù)計(jì)算準(zhǔn)確度由高到低進(jìn)行選擇，同時(shí)，其計(jì)算準(zhǔn)確度也會影響到優(yōu)化計(jì)算中對節(jié)點(diǎn)的選取，有利于促進(jìn)各用戶升級和維護(hù)計(jì)算機(jī)。

3.2 目標(biāo)函數(shù)

在本文構(gòu)建的OCB-VPP模型中，包含風(fēng)力、光伏發(fā)電機(jī)組、儲能電池、燃?xì)廨啓C(jī)（發(fā)電、產(chǎn)熱）、電加熱設(shè)備（補(bǔ)充產(chǎn)熱）和小區(qū)居民負(fù)荷，OCB-VPP以系統(tǒng)最小運(yùn)行成本為目標(biāo)，優(yōu)化系統(tǒng)內(nèi)各單元調(diào)度情況。系統(tǒng)收益為削峰填谷、余電上網(wǎng)收益，成本包括購電費(fèi)用、設(shè)備投資和折現(xiàn)、碳排放成本，以及由于電力不足導(dǎo)致的失負(fù)荷懲罰費(fèi)用，目標(biāo)函數(shù)為

3.3 約束條件

1）電能平衡約束

2）熱能平衡約束

3）儲能電池充放電約束

4）燃?xì)廨啓C(jī)約束

4 算例分析

本文以某智慧社區(qū)數(shù)據(jù)為例，將本文構(gòu)建的OCB-VPP與傳統(tǒng)VPP在系統(tǒng)運(yùn)行成本、新能源消納量、碳排放量及調(diào)度速度等方面進(jìn)行對比分析。VPP由該社區(qū)內(nèi)風(fēng)、光發(fā)電機(jī)組、居民電/熱負(fù)荷、儲能電池、燃?xì)廨啓C(jī)、電加熱裝置等輔助設(shè)備構(gòu)成，上述設(shè)備均通過自身的控制計(jì)算機(jī)加入OCB系統(tǒng)，成為多個(gè)獨(dú)立節(jié)點(diǎn)，共同參與調(diào)度優(yōu)化的計(jì)算任務(wù)，并接受OCB系統(tǒng)的控制。在四個(gè)季節(jié)的典型日內(nèi)，該社區(qū)風(fēng)、光發(fā)電機(jī)組出力和居民熱、電負(fù)荷曲線如圖6所示。

圖6 負(fù)荷與風(fēng)光出力曲線

社區(qū)內(nèi)各設(shè)備參數(shù)見表1。設(shè)備參數(shù)參考自文獻(xiàn)[21-23]，并根據(jù)當(dāng)前最新進(jìn)展進(jìn)行調(diào)整。

表1 設(shè)備參數(shù)

Tab.1 Equipment parameter

為驗(yàn)證上述所提模型的有效性，本文設(shè)定兩種方案進(jìn)行對比分析。

方案1：VPP采用常規(guī)集中控制方式，VPP控制中心對所有發(fā)電、負(fù)荷單元進(jìn)行單向通信和控制；調(diào)度優(yōu)化計(jì)算過程也由控制中心單獨(dú)進(jìn)行。

方案2：采用本文構(gòu)建的OCB-VPP模型，各單元之間可通過區(qū)塊鏈雙向安全通信；調(diào)度優(yōu)化計(jì)算過程也采用本文提出的基于區(qū)塊鏈的分布式優(yōu)化算法進(jìn)行。

仿真環(huán)境為Matlab R2019a，各方案計(jì)算機(jī)配置相同，均為CPU i5 8400，RAM 16 GB，方案2利用Matlab并行計(jì)算工具箱編寫并模擬區(qū)塊鏈網(wǎng)絡(luò)（模擬OCB網(wǎng)絡(luò)內(nèi)各個(gè)節(jié)點(diǎn)共同參與優(yōu)化計(jì)算）。在計(jì)算中需要使用的其他重要參數(shù)見表2[24-25]。

表2 其他重要參數(shù)

Tab.2 Other important parameters

4.1 算法效率分析

為驗(yàn)證本文改進(jìn)的BD-PSO優(yōu)化算法具有良好性能，設(shè)定方案1分別使用Lin-WPSO算法、光線尋優(yōu)算法（Light Ray Optimization Algorithm, LRO）、鯨魚優(yōu)化算法（Whale Optimization Algorithm, WOA），方案2使用BD-PSO算法進(jìn)行計(jì)算，對比分析四種算法在計(jì)算精度和速度方面的差異。算法參數(shù)設(shè)定為：慣性權(quán)重最大值和最小值分別為0.9、0.4，方案1和方案2中算法粒子種群個(gè)數(shù)及迭代次數(shù)經(jīng)多次實(shí)驗(yàn)后發(fā)現(xiàn)，分別取400和1 000、90和1 000（方案1采用的Lin-WPSO算法易陷入局部最優(yōu)，故增加其粒子種群數(shù)）時(shí)效果最佳，學(xué)習(xí)因子1=2=2.05。WOA算法種群數(shù)為400，迭代次數(shù)1 000，初始游動因子為2，螺旋系數(shù)為3；LRO初始步長取值為變量初始范圍最大值，步長更新系數(shù)為0.986，試探方向點(diǎn)為0.4個(gè)步長，迭代次數(shù)1 000。尋優(yōu)變量為燃?xì)廨啓C(jī)發(fā)電功率、向電網(wǎng)購電功率、電池充、放電功率、電加熱功率。

以上述社區(qū)在夏季典型日下運(yùn)行數(shù)據(jù)為背景，四種算法各求解10次，取平均值后結(jié)果見表3。

表3 算法性能

Tab.3 Algorithm performance

從表3中可以看出，在計(jì)算速度和計(jì)算精度上本文改進(jìn)的BD-PSO優(yōu)化算法較其余三種算法均具有明顯優(yōu)勢。BD-PSO優(yōu)化算法由于采用了分布式計(jì)算，計(jì)算時(shí)間大幅減少，相比Lin-WPSO、WOA、LRO算法分別下降了53.06%、46.20%、14.60%，單日運(yùn)行成本分別減少了351.58元、224.20元、504.65元，計(jì)算精度分別提高了15.12%、10.19%、20.36%?？梢园l(fā)現(xiàn)，雖然Lin-WPSO、WOA、LRO算法的最優(yōu)值迭代次數(shù)更少，但其最優(yōu)值卻遠(yuǎn)不如BD-PSO算法，究其原因是因?yàn)槠溥^早陷入了局部最優(yōu)。

兩算法迭代結(jié)果對比如圖7所示，Lin-WPSO、WOA、LRO算法在前期迭代速度較快。其中LRO算法在70次之前始終處于領(lǐng)先位置，但之后則基本停止了最優(yōu)值的更新，這也說明了這三類算法全局搜索能力差，易陷入局部最優(yōu)的特性，特別是LRO算法，雖然擁有較快的計(jì)算速度，但陷入局部最優(yōu)的可能性是最大的。而BD-PSO算法雖然在前期的迭代速度較慢，但在中后段通過對眾多節(jié)點(diǎn)產(chǎn)生的大量不同計(jì)算結(jié)果進(jìn)行比較，仍保持了較強(qiáng)的尋優(yōu)能力，最終超過了其余三種算法。

圖7 兩算法迭代結(jié)果對比

4.2 調(diào)度情況分析

將本文設(shè)定的兩種方案（方案1使用Lin-WPSO算法）在上述場景下進(jìn)行單元出力調(diào)度優(yōu)化計(jì)算，方案1系統(tǒng)各單元24 h內(nèi)電、熱能調(diào)度情況如圖8所示。

從圖8a中可以發(fā)現(xiàn)，蓄電池在該方案的三個(gè)場景中發(fā)揮的作用均不大（放電較少），在夏、冬和春秋各季節(jié)的典型日環(huán)境下，蓄電池放電總計(jì)分別為444.51 kW·h、422.01 kW·h、622.01 kW·h，僅占各自電負(fù)荷的3.69%、5.55%、7.93%。導(dǎo)致系統(tǒng)購電量增加，增加了系統(tǒng)運(yùn)行費(fèi)用，各季節(jié)電負(fù)荷購電量分別為3 927.63 kW·h、3 799.67 kW·h、2 525.69 kW·h，分別占各自電負(fù)荷的32.65%、49.93%、32.20%。其原因在于，一般VPP在總體控制方式下難以對多設(shè)備聯(lián)合運(yùn)行進(jìn)行良好的優(yōu)化，各自運(yùn)行狀態(tài)難以達(dá)到最優(yōu)，使蓄電池沒有起到最大程度的削峰填谷作用。

同時(shí)，從圖8b可以發(fā)現(xiàn)蓄電池放電的減少也使燃?xì)廨啓C(jī)的運(yùn)行狀態(tài)更加活躍，增加了天然氣費(fèi)用。燃?xì)廨啓C(jī)在夏、冬、春秋各季節(jié)下的發(fā)電量分別占電負(fù)荷的6.98%、20.46%、12.98%；產(chǎn)熱量分別占熱負(fù)荷的65.21%、41.45%、56.47%，燃?xì)廨啓C(jī)產(chǎn)熱量超出負(fù)荷需求部分分別為33.26 kW·h、12.86 kW·h、44.09 kW·h，燃?xì)廨啓C(jī)高強(qiáng)度運(yùn)行在其經(jīng)濟(jì)效益極差的時(shí)段，造成了資源的浪費(fèi)和運(yùn)行成本升高。

圖9為方案2系統(tǒng)各單元調(diào)度情況，得益于OCB-VPP的強(qiáng)大優(yōu)化能力，各設(shè)備運(yùn)行狀態(tài)更為合理。從圖9a中可以發(fā)現(xiàn)，蓄電池在該方案的三個(gè)場景中放電量明顯增加，在夏、冬和春秋各季節(jié)的典型日環(huán)境下，蓄電池放電總計(jì)分別為607.47 kW·h、507.74 kW·h、729.17 kW·h，占各自電負(fù)荷比例相較方案1分別上升1.36%、1.12%、1.36%。使系統(tǒng)各季節(jié)電負(fù)荷購電量減少，較方案1分別下降了635.44 kW·h、659.04 kW·h、709.72 kW·h。

同時(shí)，燃?xì)廨啓C(jī)在各季節(jié)下的發(fā)電量占電負(fù)荷比例較方案1分別下降了0.31%、2.05%、0.81%；產(chǎn)熱量占熱負(fù)荷比例較方案1分別下降了-19.5%、2.95%、3.52%，燃?xì)廨啓C(jī)產(chǎn)熱量超出負(fù)荷需求部分分別為4.35 kW·h、0 kW·h、12.36 kW·h，較方案1下降了86.92%、100%、71.97%，燃?xì)廨啓C(jī)運(yùn)行狀態(tài)下降，同時(shí)運(yùn)行集中在系統(tǒng)熱、電負(fù)荷缺口較大時(shí)段，更有利于發(fā)揮其最大經(jīng)濟(jì)效益。

圖9 方案2系統(tǒng)各單元調(diào)度情況

4.3 新能源消納量分析

兩種方案在各季節(jié)典型日內(nèi)風(fēng)、光電能消納情況如圖10所示。

圖10 兩方案風(fēng)、光出力剩余電能消納情況

由圖10可知，方案2相比方案1，夏、冬和春秋季節(jié)系統(tǒng)消納的風(fēng)、光電能均有所上升。分析其原因在于，方案2的OCB-VPP得益于系統(tǒng)架構(gòu)和優(yōu)化算法的優(yōu)越性，使其能充分利用各設(shè)備的調(diào)度能力，精確匹配供、給需求，在滿足負(fù)荷與安全要求的基礎(chǔ)上，增加高經(jīng)濟(jì)效益設(shè)備的使用率，減少低經(jīng)濟(jì)效益設(shè)備的運(yùn)行，從4.2節(jié)中對燃?xì)廨啓C(jī)和蓄電池運(yùn)行情況的分析可以證明。

方案2對于蓄電池和燃?xì)廨啓C(jī)的積極和精確使用，使系統(tǒng)購電量大幅減少，各個(gè)季節(jié)購電量較方案1總共減少19.55%，有利于提高風(fēng)、光電能的利用水平。總體來看，方案1各季節(jié)消納的風(fēng)、光電能百分比分別為76.81%、70.44%、62.90%，方案2在方案1基礎(chǔ)上分別提高了7.04%、13.56%、10.27%，充分說明了OCB-VPP在促進(jìn)可再生能源消納方面的優(yōu)勢。

4.4 系統(tǒng)運(yùn)行成本分析

兩方案在夏、冬和春秋各季節(jié)典型日下系統(tǒng)運(yùn)行費(fèi)用見表4。由表4可知，方案2與方案1相比，系統(tǒng)在夏、冬、春秋各季節(jié)典型日內(nèi)的運(yùn)行成本分別下降了15.11%、9.20%、19.26%，充分體現(xiàn)了OCB-VPP在提高系統(tǒng)經(jīng)濟(jì)性上相比傳統(tǒng)VPP具有顯著優(yōu)勢。

從表4中可以發(fā)現(xiàn)，方案2在系統(tǒng)運(yùn)行成本上具有優(yōu)勢的原因，主要是OCB-VPP憑借其較強(qiáng)的優(yōu)化能力，可以精準(zhǔn)匹配出力與負(fù)荷需求，從而使購電費(fèi)用、失負(fù)荷懲罰費(fèi)用大幅減少，相比方案1總計(jì)分別下降了19.55%、73.91%。同時(shí)精準(zhǔn)匹配使方案2的風(fēng)、光電能消納水平提高，系統(tǒng)使用了更多的低成本電能，減少了額外購電帶來的不必要浪費(fèi)，使運(yùn)行成本進(jìn)一步下降。

表4 系統(tǒng)運(yùn)行費(fèi)用

Tab.4 System operation cost（單位：元）

同時(shí)，方案2天然氣費(fèi)用與碳排放成本也略有減少，在減少系統(tǒng)成本的同時(shí)，也對環(huán)境更加友好。

4.5 碳排放量分析

在本文構(gòu)建的兩個(gè)方案中，均包含了燃?xì)廨啓C(jī)，燃?xì)廨啓C(jī)運(yùn)行時(shí)燃燒天然氣，生成的副產(chǎn)物包括水和二氧化碳。同時(shí)，在不計(jì)算設(shè)備在生產(chǎn)階段產(chǎn)生的二氧化碳排放前提下，兩個(gè)方案中的碳排放還包括向電網(wǎng)購電產(chǎn)生的等效碳排放，各方案碳排放計(jì)算結(jié)果如圖11所示。

由圖11可知，方案2相比方案1在各個(gè)季節(jié)典型日的碳排放量均有所下降。方案1在夏、冬、春秋季節(jié)典型日內(nèi)累計(jì)碳排放量分別為3 707.11 kg、4 052.14 kg、2 683.15 kg，方案2在方案1的基礎(chǔ)上碳排放量分別降低了14.58%、15.58%、12.94%。

圖11 兩方案系統(tǒng)碳排放量

其中，夏、冬、春秋季節(jié)典型日內(nèi)方案1的天然氣碳排放和電能碳排放分別為525.73 kg、3 181.38 kg，974.41 kg、3 077.73 kg，637.34 kg、2 045.81 kg；方案2在三個(gè)季節(jié)內(nèi)的天然氣碳排放和電能碳排放分別下降了為4.53%、16.18%，10.02%、17.34%，3.16%、15.99%?？梢钥闯鎏寂欧帕康慕档痛蟛糠謥碜杂陔娔芴寂欧诺慕档?，天然氣碳排放的降低幅度較電能更小，這與4.2節(jié)中對于購電量和蓄電池與燃?xì)廨啓C(jī)的運(yùn)行情況分析也是一致的。

總體來看，由于OCB-VPP架構(gòu)和BD-PSO算法帶來的效率提升，使其在優(yōu)化計(jì)算的精確性上有所提高，能夠更好地匹配各個(gè)發(fā)電設(shè)備和負(fù)荷需求，降低購電量和燃?xì)廨啓C(jī)運(yùn)行狀態(tài)，因此使方案2在各個(gè)季節(jié)的總碳排放量均低于方案1。所以本文提出的OCB-VPP相比傳統(tǒng)VPP在減少碳排量上具有一定優(yōu)勢。

5 結(jié)論

本文將改進(jìn)后的區(qū)塊鏈技術(shù)應(yīng)用于VPP，以期解決VPP信息安全和調(diào)度運(yùn)行效率低下導(dǎo)致的系統(tǒng)經(jīng)濟(jì)效益下降問題。首先對粒子群優(yōu)化算法進(jìn)行改進(jìn)，提出了BD-PSO優(yōu)化算法和POCW共識算法，以適應(yīng)VPP分布式的特點(diǎn)以及在調(diào)度效率方面的要求；其次結(jié)合上述算法特點(diǎn)，對傳統(tǒng)區(qū)塊鏈進(jìn)行改進(jìn)，形成了適用于VPP的OCB區(qū)塊鏈系統(tǒng)；最后根據(jù)該算法與區(qū)塊鏈系統(tǒng)提出了基于OCB的OCB-VPP系統(tǒng)模型，并提出相應(yīng)的調(diào)度策略。通過對比分析得出以下結(jié)論：

1）本文改進(jìn)的BD-PSO優(yōu)化算法對比Lin-WPSO、WOA、LRO算法在計(jì)算速度和計(jì)算精度上均具有顯著優(yōu)勢。BD-PSO算法在Lin-WPSO算法的基礎(chǔ)上，產(chǎn)生了更多的計(jì)算結(jié)果，在更大的范圍內(nèi)進(jìn)行了比較，優(yōu)化了原算法易陷入局部最優(yōu)的缺點(diǎn)，在計(jì)算速度和計(jì)算精度上分別提高了53.06%、15.12%。

2）OCB-VPP系統(tǒng)對比傳統(tǒng)VPP系統(tǒng)，得益于系統(tǒng)架構(gòu)和算法性能帶來的提升，在調(diào)度的效率和精確性上具有優(yōu)勢，使系統(tǒng)的運(yùn)行成本顯著降低。各季節(jié)典型日成本總計(jì)減少13.29%，碳排放量總計(jì)降低14.55%，系統(tǒng)風(fēng)/光消納量總計(jì)提高9.95%，系統(tǒng)經(jīng)濟(jì)效益和能源利用率得到了明顯提升。

本文僅考慮了OCB-VPP在電網(wǎng)調(diào)度背景下的運(yùn)行情況，但其如何加入電力市場，提供現(xiàn)貨、期貨以及調(diào)峰、調(diào)頻等輔助方面的服務(wù)，還需要對系統(tǒng)架構(gòu)進(jìn)一步改進(jìn)，并提出相應(yīng)的調(diào)度策略；同時(shí)在實(shí)際的應(yīng)用場景下，如何建立對應(yīng)的區(qū)塊鏈平臺，并與用戶設(shè)備對接，有待今后進(jìn)一步研究。

[1] 李翔宇, 趙冬梅. 基于模糊-概率策略實(shí)時(shí)反饋的虛擬電廠多時(shí)間尺度優(yōu)化調(diào)度[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(7): 1446-1455. Li Xiangyu, Zhao Dongmei. Research on multi-time scale optimal scheduling of virtual power plant based on real-time feedback of fuzzy-probability strategy[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1446-1455.

[2] 麻秀范, 余思雨, 朱思嘉, 等. 基于多因素改進(jìn)Shapley的虛擬電廠利潤分配[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(S2): 585-595. Ma Xiufan, Yu Siyu, Zhu Sijia, et al. Profit allocation to virtual power plant members based on improved multifactor dhapley value method[J]. Transactions of China Electrotechnical Society, 2020, 35(S2): 585-595.

[3] 趙昊天, 王彬, 潘昭光, 等. 支撐云-群-端協(xié)同調(diào)度的多能園區(qū)虛擬電廠：研發(fā)與應(yīng)用[J]. 電力系統(tǒng)自動化, 2021, 45(5): 111-121. Zhao Haotian, Wang Bin, Pan Zhaoguang, et al. Research and application of park-level multi-energy virtual power plants supporting cloud-cluster-end multi-level synergetic dispatch[J]. Automation of Electric Power Systems, 2021, 45(5): 111-121.

[4] 周瑋, 藍(lán)嘉豪, 麥瑞坤, 等. 無線充電電動汽車V2G模式下光儲直流微電網(wǎng)能量管理策略[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(1): 82-91. Zhou Wei, Lan Jiahao, Mai Ruikun, et al. Research on power management strategy of DC microgrid with photovoltaic, energy storage and EV-wireless power transfer in V2G mode[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 82-91.

[5] 鄭重, 苗世洪, 李超, 等. 面向微型能源互聯(lián)網(wǎng)接入的交直流配電網(wǎng)協(xié)同優(yōu)化調(diào)度策略[J]. 電工技術(shù)學(xué)報(bào), 2022, 37(1): 192-207. Zheng Zhong, Miao Shihong, Li Chao, et al. Coordinated optimal dispatching strategy of AC/DC distribution network for the integration of micro energy Internet[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 192-207.

[6] 陳張宇, 劉東, 劉浩文, 等. 基于精細(xì)化需求響應(yīng)的虛擬電廠優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2021, 45(7): 2542-2550. Chen Zhangyu, Liu Dong, Liu Haowen, et al. Optimal dispatching of virtual power plant based on refined demand response[J]. Power System Technology, 2021, 45(7): 2542-2550.

[7] 趙東元, 胡楠, 傅靖, 等. 提升新能源電力系統(tǒng)靈活性的中國實(shí)踐及發(fā)展路徑研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(24): 1-8. Zhao Dongyuan, Hu Nan, Fu Jing, et al. Research on the practice and road map of enhancing the flexibility of a new generation power system in China[J]. Power System Protection and Control, 2020, 48(24): 1-8.

[8] 佘維, 胡躍, 楊曉宇, 等. 基于能源區(qū)塊鏈網(wǎng)絡(luò)的虛擬電廠運(yùn)行與調(diào)度模型[J]. 中國電機(jī)工程學(xué)報(bào), 2017, 37(13): 3729-3736. She Wei, Hu Yue, Yang Xiaoyu, et al. Virtual power plant operation and scheduling model based on energy blockchain network[J]. Proceedings of the CSEE, 2017, 37(13): 3729-3736.

[9] 周國亮, 李剛. 區(qū)塊鏈背景下虛擬電廠分布式調(diào)度策略研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2020, 56(15): 268-273. Zhou Guoliang, Li Gang. Research on distributed scheduling strategy of virtual power plant considering blockchain[J]. Computer Engineering and Applications, 2020, 56(15): 268-273.

[10] 任建文, 張青青. 基于能源區(qū)塊鏈的虛擬電廠兩階段魯棒優(yōu)化調(diào)度[J]. 電力自動化設(shè)備, 2020, 40(8): 23-33. Ren Jianwen, Zhang Qingqing. Two-stage robust optimal scheduling of virtual power plant based on energy blockchain[J]. Electric Power Automation Equipment, 2020, 40(8): 23-33.

[11] Lu Jing, Wu Shihong, Cheng Hanlei, et al. Smart contract for distributed energy trading in virtual power plants based on blockchain[J]. Computational Intelligence, 2021, 37(3): 1445-1455.

[12] 周洪益, 余爽, 柏晶晶, 等. 基于區(qū)塊鏈技術(shù)的虛擬電廠交易管理模式研究[J]. 電力需求側(cè)管理, 2021, 23(1): 72-76. Zhou Hongyi, Yu Shuang, Bai Jingjing, et al. Research on trading pattern of virtual power plant based on blockchain technology[J]. Power Demand Side Management, 2021, 23(1): 72-76.

[13] Kavousi-Fard A, Almutairib A, Al-Sumaitic A, et al. An effective secured peer-to-peer energy market based on blockchain architecture for the interconnected microgrid and smart grid[J]. International Journal of Electrical Power & Energy Systems, 2021, 132: 107171.

[14] Regueiro C, Seco I, Diego S, et al. Privacy-enhancing distributed protocol for data aggregation based on blockchain and homomorphic encryption[J]. Information Processing & Management, 2021, 58(6): 102745.

[15] 黃偉, 左欣雅, 劉弋銘. 基于多區(qū)塊鏈結(jié)構(gòu)的綜合能源系統(tǒng)調(diào)度構(gòu)架[J]. 電力系統(tǒng)自動化, 2021, 45(23): 12-20. Huang Wei, Zuo Xinya, Liu Yiming. Multiple blockchains based dispatching architecture for integrated energy system[J]. Automation of Electric Power Systems, 2021, 45(23): 12-20.

[16] 邵奇峰, 金澈清, 張召, 等. 區(qū)塊鏈技術(shù): 架構(gòu)及進(jìn)展[J]. 計(jì)算機(jī)學(xué)報(bào), 2018, 41(5): 969-988. Shao Qifeng, Jin Cheqing, Zhang Zhao, et al. Blockchain: architecture and research progress[J]. Chinese Journal of Computers, 2018, 41(5): 969-988.

[17] Dzobo O, Malila B, Sithole L. Proposed framework for blockchain technology in a decentralised energy network[J]. Protection and Control of Modern Power Systems, 2021, 6(1): 31.

[18] Wang Lei, Ma Yichao, Zhu Liuzhu, et al. Design of integrated energy market cloud service platform based on blockchain smart contract[J]. International Journal of Electrical Power & Energy Systems, 2022, 135: 107515.

[19] Li Wei, Wang Lixia, Wang Dawei. Power energy supply and demand scheduling method based on blockchain technology[J]. Journal of Physics: Conference Series, 2021, 1994(1): 012001.

[20] 楊錫運(yùn), 陶準(zhǔn), 黃欣欣, 等. 基于異構(gòu)能源區(qū)塊鏈的綜合能源系統(tǒng)交易模型[J]. 電力自動化設(shè)備, 2021, 41(9): 224-231. Yang Xiyun, Tao Zhun, Huang Xinxin, et al. Transaction model of integrated energy system based on heterogeneous energy blockchain[J]. Electric Power Automation Equipment, 2021, 41(9): 224-231.

[21] 任洪波, 吳瓊, 任建興. 基于需求側(cè)視角的天然氣分布式熱電聯(lián)產(chǎn)系統(tǒng)節(jié)能效益研究[J]. 中國電機(jī)工程學(xué)報(bào), 2015, 35(17): 4430-4438. Ren Hongbo, Wu Qiong, Ren Jianxing. Energy performance assessment of combined heat and power system based on demand-side viewpoint[J]. Proceedings of the CSEE, 2015, 35(17): 4430-4438.

[22] 熊宇峰, 司楊, 鄭天文, 等. 考慮熱電綜合利用的光伏儲氫獨(dú)立供能系統(tǒng)容量優(yōu)化配置[J]. 中國電力, 2020, 53(10): 66-73. Xiong Yufeng, Si Yang, Zheng Tianwen, et al. Optimal capacity configuration of solar-hydrogen independent power-supply system considering electricity-heat comprehensive utilization[J]. Electric Power, 2020, 53(10): 66-73.

[23] 方仍存, 楊潔, 周奎等. 計(jì)及全生命周期碳成本的園區(qū)綜合能源系統(tǒng)優(yōu)化規(guī)劃方法[J]. 中國電力, 2022, 55(12): 135-146. Fang Rengcun, Yang Jie, Zhou Kui, et al. Optimal planning method of IES considering carbon cost from the perspective of the whole life cycle[J]. Electric Power, 2022, 55(12): 135-146.

[24] 孫益文. 低碳經(jīng)濟(jì)下我國天然氣產(chǎn)業(yè)投資戰(zhàn)略研究[D]. 東營: 中國石油大學(xué)（華東）, 2016.

[25] 李嘉琪, 李柏姝. 面向生命周期的燃料電池低碳優(yōu)化設(shè)計(jì)[J]. 時(shí)代汽車, 2020(21): 124-125. Li Jiaqi, Li Boshu. Low-carbon fuel cell optimization design for life cycle[J]. Auto Time, 2020(21): 124-125.

Virtual Power Plant Model and Scheduling Strategy Based on Optimized Computing Block-Chain System

Liu Yujia Fan Yanfang Bai Xueyan Song Yulu

（School of Electrical Engineering Xinjiang University Urumchi 830092 China）

At present, there are four problems in the actual operation of the virtual power plant(VPP): (1) The centralized, centralized-decentralized and fully decentralized control modes of the VPP currently used cannot achieve common optimization in flexibility, compatibility and scalability, which will affect the overall operation effect of the VPP. (2) Because the VPP uses the network for two-way communication, the power generation and load data of each unit in the system are vulnerable to malicious attacks and tampering by hackers, which makes the operation process of the VPP wrong, resulting in increased system costs or equipment failures. (3) Wind, solar and other renewable energy power generation has uncertainty and randomness. If the VPP cannot quickly adjust the operation state when the power generation situation changes dramatically, it will lead to the increase of penalty costs and affect the overall benefits of the system. (4) The distributed characteristics of VPP make it difficult to integrate and coordinate the internal units. In the existing research, intelligent optimization algorithm is usually used to calculate the scheduling strategy of VPP, but such algorithm does not adapt to the distributed characteristics of VPP, and there are still deficiencies in calculation time and accuracy, which will lead to the rise of system operation cost and the decline of operation efficiency. To solve these problems, this paper proposes a VPP model and scheduling strategy based on optimized computing block-chain system to improve the information security level and operation efficiency of VPP.

Firstly, the basic structure of the block-chain system and the feasibility of the combination of block-chain technology and VPP are studied, and then on this basis, block-chain based distributed particle swarm optimization algorithm (BD-PSO) and proof of optimization calculation workload (POCW) consensus algorithm suitable for VPP operation environment are proposed, improve the computing speed of scheduling optimization problems. Thirdly, the improved BD-PSO algorithm and POCW algorithm are used to improve the traditional block-chain, and an optimized computational block-chains (OCB) system is proposed to improve the adaptability of the combination of block-chain and VPP and improve the operation efficiency of the system. Finally, the OCB virtual power plant (OCB-VPP) structure model and scheduling strategy are established based on OCB. Through the actual data of a certain region, the differences between OCB-VPP and traditional VPP in coping with the fluctuation of renewable energy output, economic benefits of the system and carbon emissions are compared and analyzed. The advantages of BD-PSO algorithm in calculation speed and accuracy are analyzed, and the effectiveness and economy of the proposed model are verified.

The simulation results of actual data in a certain area show that: (1) BD-PSO algorithm produces more calculation results based on Lin-WPSO algorithm, which are compared in a larger range, optimizes the disadvantage that the Lin-WPSO algorithm is easy to fall into local optimization, and improves the calculation speed and accuracy by 50.19% and 9.86% respectively. (2) Compared with the traditional VPP system, OCB-VPP system benefits from the improvement of system architecture and algorithm performance, and has advantages in scheduling efficiency and accuracy, which significantly reduces the operation cost of the system. The typical daily cost of each season is reduced by 13.29%, the carbon emission is reduced by 14.53%, the wind / light consumption of the system is increased by 9.95%, and the economic benefits and energy utilization of the system have been significantly improved.

Finally, the following conclusions are drawn through analysis: (1) compared with Lin-wPSO, WOA and LRO algorithms, the improved BD-PSO optimization algorithm in this paper has significant advantages in calculation speed and accuracy. Therefore, BD-PSO optimization algorithm is very suitable for the VPP environment with complex and changeable operating conditions. (2) OCB-VPP structure is more suitable for VPP, which can improve the information security level and operation efficiency of VPP. (3) Compared with traditional centralized VPP, OCB-VPP structure can reduce system operation costs, reduce carbon emissions and improve renewable energy utilization.

Virtual power plant, block-chain, distributed, consensus algorithm, particle swarm optimization algorithm

10.19595/j.cnki.1000-6753.tces.220881

TM732

國家自然科學(xué)基金（51767023）、新疆維吾爾自治區(qū)研究生科研創(chuàng)新計(jì)劃（XJ2022G041）和天山英才培養(yǎng)計(jì)劃（2022TSYCLJ0019）資助項(xiàng)目。

2022-05-23

2022-07-31

劉雨佳 男，1998年生，碩士研究生，研究方向電力系統(tǒng)控制與優(yōu)化調(diào)度。E-mail：1104680459@qq.com

樊艷芳 女，1971年生，教授，博士生導(dǎo)師，研究方向?yàn)樾履茉床⒕W(wǎng)技術(shù)及電力系統(tǒng)保護(hù)與控制。E-mail：fyf3985@xju.edu.cn（通信作者）

（編輯 赫蕾）