黄莉(1985), 女, 博士在读, 研究方向为大数据分析和电力需求响应(E-mail:
周赣(1978), 男, 博士, 副教授, 研究方向为GPU并行计算、用户负荷智能感知和低压配网状态分析
张娅楠(1996), 女, 博士在读, 研究方向为电力需求响应
在双碳战略和缺煤背景下,针对现有需求响应评估激励机制相对粗放,存在邀约冗余度过大、优质用户难以挖掘等问题,文中提出考虑贡献度的聚合商需求响应精准评估与动态激励决策方法。该方法首先建立考虑静、动态过程的需求响应精准评估体系,其中静态评估延续现有需求响应评估方案,动态评估关注每时段实际负荷与目标负荷的吻合度;进一步地,从经济和负荷维度提出用户贡献度指标,设计结合静、动态评估的需求响应两部制激励结算方案,并据此建立考虑贡献度的聚合商需求响应动态激励决策模型。通过算例验证所提模型可在不影响现有需求响应体系前提下,实现优质用户的定向激励,提升需求响应品质和降低邀约冗余度。
Under the background of dual carbon strategy and coal shortage, the existing demand response mechanism of evaluation and incentive is relatively extensive, causing challenges such as excessive redundancy of invitation and difficulty in mining high-quality users, so the accurate evaluation and dynamic incentive decision method of aggregators' demand response considering contribution degree is proposed. Firstly, the accurate evaluation system of demand response considering static and dynamic process is developed and the static evaluation follows the existing demand response evaluation system at the grid side, while the dynamic evaluation focuses on the consistency between the actual load and the target load in each period. Then, the user contribution index is described from the economic and load dimensions, and a two-part incentive settlement scheme with static and dynamic evaluation is designed. Based on that, the dynamic incentive decision model of aggregator's demand response with the contribution degree is got. Finally, the extensive numerical study confirms that the proposed method can achieve the directional incentive of high-quality users, thus improving the response quality and reducing the invitation redundancy without affecting the existing demand response system.
在提高参与电网互动运行能力和用户侧能效水平的双重需求促进下,通过各类需求响应项目聚合用户侧柔性资源来构建虚拟电厂已成为当前的研究热点和实践重点[
考虑到负荷资源具有点多面广、单体容量小等特点,电网-聚合商-用户三层需求响应架构已成为当前主流互动模式[
在实践方面,江苏、广东等地相继发布需求响应评估细则,考虑用户规模大、结算简单等实际需求,一般采用负荷均值、最值限制等指标模型或“无效用户”判定等一刀切政策评估用户需求响应[
因此,如何在不影响现有需求响应体系的前提下,构建更加精准的需求响应评估与激励方案是现阶段需求响应推广实施的关键[
目前,聚合商与用户的评估激励机制主要参照现有需求响应或虚拟电厂实施细则,此处以2021年《广州市虚拟电厂实施细则(征求意见稿)》为例,介绍削峰型需求响应评估与激励方案,其流程如
需求响应评估结算流程
Evaluation settlement process of demand response
第一步为有效响应判断,令
(1) 需求响应过程中实际最大负荷应小于基线最大负荷,如式(1)所示。
式中:
(2) 实际平均负荷小于基线平均负荷,且其差值处于响应邀约量的80%~120%之间,若多于120%,则按照120%封顶计算,具体如式(2)所示。
式中:
第二步为用户响应得分更新及激励费用结算。单次响应用户评价得分见
单次响应评价得分
Evaluation score of a signal response
Δ |
响应得分 | 是否有效响应 |
<50% | 0 | 否 |
[50%,75%) | 0.5 | 否 |
[75%,90%) | 0.8 | [80%,90%),是 |
[90%,120%) | 1 | 是 |
≥120% | 0.8 | 是 |
用户可获得的激励费用为:
式中:
按照式(1)—式(3),具体分析同一目标下不同用户(以响应曲线表征用户)的评估结果及激励费用。
需求响应实施效果评估及分析
Evaluation and analysis of demand response implementation effect
(1) 实际曲线1,实际负荷未超过基线最大负荷,响应负荷差值为11.5 kW,有效响应负荷为11.5 kW,波动幅度大,部分时段超过本时段基线负荷。
(2) 实际曲线2,实际负荷未超过基线最大负荷,响应负荷差值为15.7 kW,过度响应且有效响应负荷认定为12 kW。
(3) 实际曲线3,实际负荷未超过基线最大负荷,响应负荷差值为11.6 kW,有效响应负荷为11.6 kW,整体波动幅度小,与基线吻合度最高。
(4) 实际曲线4,实际负荷未超过基线最大负荷,响应负荷差值为7.3 kW,判定为无效响应。
(5) 实际曲线5,实际负荷超过基线最大负荷,判定为无效响应。
可以看出,上述评估激励结果存在2个问题:
一是针对有效响应曲线1—曲线3,实际曲线1和曲线3的有效响应负荷接近,但实际曲线1波动更大,部分时段甚至超过该时段基线值。显然,较于曲线1,实际曲线3对于电网侧需求响应更为有利,但按照现有需求响应评估方案难以突显实际曲线3的重要性和优质性。
二是针对无效响应曲线4—曲线5,上述用户无法获得激励,这种“一刀切”的判断方式在一定程度上将降低该类用户参与响应的积极性。
显然,当1.1节中现有需求响应评估激励机制直接应用到聚合商和用户的需求响应交易时,将存在以下问题:较为粗放、不严格的需求响应评估方案将造成聚合商与用户之间的邀约量冗余度过大,导致聚合商支付的激励成本过高;相对粗糙的结算方式可能会打击用户参与的积极性,无法激发用户精准响应的意愿,导致优质用户难以发掘并且定向激励。
在实际需求响应过程中,聚合商和用户是相互独立的,即聚合商对下向用户发送响应指令,用户接收指令后独立完成响应,最后由聚合商根据评估结果对用户进行激励或惩罚结算。因此,合理完善的需求响应评估激励机制是聚合商能否在需求响应市场稳定、健康发展的关键。
因此,聚合商须在确保与现有需求响应评估激励机制一致的前提下,进一步对响应曲线动态过程进行细致、全面评估,构建公平合理的聚合商需求响应精准激励结算体系,以更好地挖掘优质需求响应用户和提升单体用户响应可靠性水平,继而在满足同一需求响应事件下减少互动用户邀约数或目标邀约量,从而达到减少邀约量冗余度的效果。
在延续现有需求响应激励机制的基础上,提出一种考虑静、动态过程的需求响应精准评估体系,该体系分为静态评估和动态评估两部分,静态评估延续现有需求响应激励机制,动态评估重点关注实际曲线波动性、每个时段实际负荷与基线负荷的差距等。
静态评估沿用电网侧需求响应评估方案,由静态指标
令需求响应动态评估指标
(1) 响应时段满足率是指从时间角度分析每个时段实际负荷是否小于该时段基线负荷的概率,如式(5)所示。
(2) 实际负荷满足率是指从负荷角度评估每个时段实际负荷与目标负荷的偏差,如式(6)所示。
进一步地,有效动态响应负荷为:
为避免与现有需求响应评估激励机制混淆,对单次响应用户得分评价仍采用双轨制评估方案,即单次响应用户静态评价得分如
单次响应动态评价得分
Dynamic evaluation score of a signal response
<50% | 0 | [70%,80%) | 0.8 | |
[50%,60%) | 0.6 | [80%,90%) | 0.9 | |
[60%,70%) | 0.7 | [90%,100%] | 1 |
《广州市虚拟电厂实施细则(征求意见稿)》提出“评价得分高的用户优先”(评价得分等于用户最近3次参与需求响应评价得分平均值),即将
从负荷、经济2个维度分析用户
负荷贡献度
式中:
经济贡献度
式中:
经济贡献度的首要判断依据是响应的有效性,当响应有效性为0时,该用户经济贡献度也认为是0。此处聚合商利润是指聚合商获得的电网侧激励费用减去支付给用户的激励费用,具体按照式(3)求解。
可以看出,负荷贡献度
式中:
考虑到与现有需求响应实施细则的无缝耦合和各类主体的差异化需求,提出静、动态评估相结合的聚合商需求响应激励结算机制,包括静态和动态激励两部分费用:
(1) 静态激励费用
式中:
(2) 动态激励费用
式中:
那么聚合商支付给用户
动态激励费用来源也是值得关注的问题,根据“谁受益、谁承担”原则,应由聚合商和用户共同承担,见
动态激励费用来源
Sources of dynamic incentive fee
假设聚合商和用户约定以
某次需求响应事件中,假设聚合商获得电网侧激励费用为固定值,以追求动态激励支出最小为目标,为:
(1) 动态激励费用平衡约束。
(2) 为吸引用户参与,应确保实施动态激励后
式中:
上述模型优化变量为{
模型求解过程
Model solving process
令某聚合商拥有8个用户,某次需求响应实施效果如
某次需求响应用户互动曲线
Interaction curves of users in demand response
某次需求响应聚合商互动曲线
Interaction curves of the aggregator users in demand response
采用文献[
假设静态激励单价为3元/(kW ·h),令
用户贡献度
User contribution
用户 | 技术贡献度 | 经济贡献度 | 贡献度 |
用户1 | 0.774 | 0.24 | 0.388 2 |
用户2 | 0.743 | 0.22 | 0.372 6 |
用户3 | 0.83 | 0.27 | 0.416 4 |
用户4 | 0.435 | 0 | 0.217 5 |
用户5 | 0.872 | 0 | 0.436 0 |
用户6 | 0.523 | 0 | 0.261 5 |
用户7 | 0.356 | 0.12 | 0.178 6 |
用户8 | 0.291 | 0 | 0.145 5 |
假设有2类场景,场景1为文中模型,场景2为现有需求响应评估与激励模型。经优化,迭代次数为36次,
场景1和2下聚合商交易结果
Trading results of aggregator in scenario 1 and scenario 2
参数 | 场景1 | 场景2 |
聚合商收益 | 4 608.00 | 4 608.00 |
聚合商利润 | 1 100.16 | 1 476.00 |
场景1和场景2下各类用户交易结果
Trading results of various users in scenario 1 and scenario 2
参数 | 用户1 | 用户2 | 用户3 | 用户4 | 用户5 | 用户6 | 用户7 | 用户8 |
场景1有效静态响应负荷/kW | 11.5 | 12 | 11.6 | 0 | 0 | 0 | 8.4 | 0 |
场景1静态响应得分 | 1 | 0.8 | 1 | 0.5 | 0 | 0.8 | 0.8 | 0.5 |
场景1静态响应激励/元 | 728.64 | 760.32 | 734.976 | 0 | 0 | 0 | 532.224 | 0 |
场景1, |
0.92 | 0.83 | 1 | 0.88 | 0.92 | 0.88 | 0.79 | 0.71 |
场景1, |
8.42 | 8.95 | 8.3 | 4.94 | 9.48 | 5.95 | 4.5 | 4.1 |
场景1有效动态响应负荷/kW | 7.74 | 7.43 | 8.3 | 4.35 | 8.72 | 5.23 | 3.56 | 2.91 |
场景1动态响应得分 | 0.8 | 0.8 | 0.9 | 0 | 0.9 | 0.6 | 0 | 0 |
场景1动态响应激励/元 | 120.77 | 115.91 | 129.52 | 67.66 | 135.64 | 81.35 | 55.56 | 45.26 |
场景1响应激励/元 | 849.41 | 876.23 | 864.50 | 67.66 | 135.64 | 81.35 | 587.79 | 45.26 |
场景2有效负荷/kW | 11.5 | 12 | 11.6 | 0 | 0 | 0 | 8.4 | 0 |
场景2响应得分 | 1 | 0.8 | 1 | 0.5 | 0 | 0.8 | 0.8 | 0.5 |
场景2响应激励/元 | 828 | 864 | 835.2 | 0 | 0 | 0 | 604.8 | 0 |
用户响应激励变化率/% | 2.59 | 1.42 | 3.51 | -2.81 |
(1) 用户4,5,6和8为无效响应用户,未获得需求响应收益,其响应收益全部由聚合商获取,可能影响后续该类用户的参与度。
(2) 用户1,2,3和7为有效响应用户,获得需求响应收益为3 132元。
(3) 考虑到用户聚合互补效应,聚合商有效负荷为81 kW,超过目标邀约量120%以上,判定为64.0 kW,获得需求响应收益为4 608元,那么聚合商利润为1 476元,如
进一步地,分析场景1同时考虑静、动态过程的精准评估方案。
1.1节中提到,用户1和用户3静态评估结果一致,难以进一步区分两者互动效果;计及动态过程评估后,用户1和用户3的动态响应得分分别为0.8和0.9,即用户3实施效果更好,在下一次调用时也将优先考虑用户3。
因用户4,5,6,8在静态评估时判为“无效响应”,静态激励为0;计及动态过程评估后,用户4,5,6,8分别获得67.66元,135.64元,81.35元和45.26元激励。也就是,尽管该类用户未能满足现有需求响应评估标准,但聚合商仍根据动态实施效果,对于该类无效响应用户给予一些激励,一定程度上可激励该类用户继续积极参与。
较于场景2,87.5%用户收益都有所增加,有效保障用户参与需求响应的积极性;对于实施效果较好的用户,如用户1,2,3,其响应激励提升幅度分别为2.59%,1.42%和3.51%,实现优质客户的定向激励。
对所提模型实施对聚合商响应邀约量冗余度影响进行深入分析。假设用户1—用户8分别代表 8类响应负荷类型,且用户1—用户7占比为10%,用户8占比为30%。按照
第一序列(有效且得分为1):(1, 3)→第二序列(有效且得分为0.8):(2, 7)或(7, 2)→第三序列(无效且得分为0.8):(6)→第四序列(无效且得分为0.5):(4, 8)或(8, 4)→第五序列(无效且得分为0):(5)。
按照
场景1下,按照“有效响应优先、响应得分优先、动态响应评价得分优先”原则,场景1调用顺序如下。
优化后:→3→1→2→7→6→4→8→5。
假设下次需求响应事件中,调用用户数比例为30%,场景1和场景2每时段响应负荷如
计及场景1和2评估结果的负荷响应模拟
Load response simulation with evaluation results of scenario 1 and scenario 2
经计算,场景1和2下
在1.1节较为粗放的评估模式下,不可避免地会产生邀约量冗余度过高的问题。随着所提精准评估与动态激励机制的实施,将有效降低聚合商邀约量冗余度。考虑可能带来违约风险,
不同邀约量冗余度下聚合商利润
Aggregator profits under different offer redundancy
当风险值为0时,随着冗余度每降低10%,利润提升率持续增加,当冗余度降至110%时,聚合商利润提升88.97%,收益相当可观,精准度提升后邀约量冗余度下降将极大提升聚合商收益水平。与此相反,当风险值为15%(冗余度每提高10%,聚合商利润下降15%)时,聚合商利润增长较为缓慢,冗余度达到110%,为1 281.41元,利润较冗余度150%时反而下降,这说明须同时兼顾聚合精准性和风险问题,避免出现需求响应市场违约行为。
综上所述,较于现有需求响应方案,文中所提需求响应精准评估和动态激励机制有如下优势。
对于聚合商来说,具体有:一是通过精准评估建模实现面向基线需求的精准追踪,降低响应邀约量冗余度和参与用户数,减少过于响应带来的电费损失,提高需求响应互动品质;二是通过优选优质响应用户并实现定向激励,减少需求响应实施风险;三是通过对未有效响应用户的全面合理评价,提高该类用户的参与积极性。
对于用户来说,通过更为全面的需求响应评估体系来精细化引导响应行为,避免用户响应过度、过小等情况,在保证需求响应收益水平的同时,有效降低对生产生活的影响。
为进一步提升聚合商和用户的需求响应效益,文中在延续现有需求响应评估激励机制基础上,更加关注每个用户的动态响应品质,构建考虑静、动态过程的需求响应精准评估体系;接着,从经济和负荷维度提出用户贡献度指标,建立考虑贡献度的聚合商需求响应动态激励决策模型,在保证绝大部分用户利益不受损的前提下,给予优质用户奖励,实现激励精准定位,提升需求响应互动品质,以促进需求响应项目健康、常态化发展。
随着我国用户侧碳计量稳步推广,未来将在贡献度建模时引入环境因素,构建计及经济、负荷和环境因素的用户贡献度指标,加强需求响应实施过程中对碳排放影响的考量。
张亮, 李章溢, 裴玮, 等. 基于综合需求响应的工业园区联络线功率控制[J]. 电力工程技术, 2021, 40(3): 106-113.
ZHANG Liang, LI Zhangyi, PEI Wei, et al. Tie-line power control method for an industrial park based on integrated demand response[J]. Electric Power Engineering Technology, 2021, 40(3): 106-113.
王宣元, 刘敦楠, 刘蓁, 等. 泛在电力物联网下虚拟电厂运营机制及关键技术[J]. 电网技术, 2019, 43(9): 3175-3183.
WANG Xuanyuan, LIU Dunnan, LIU Zhen, et al. Operation mechanism and key technologies of virtual power plant under ubiquitous Internet of Things[J]. Power System Technology, 2019, 43(9): 3175-3183.
黄开艺, 艾芊, 张宇帆, 等. 基于能源细胞-组织架构的区域能源网需求响应研究挑战与展望[J]. 电网技术, 2019, 43(9): 3149-3160.
HUANG Kaiyi, AI Qian, ZHANG Yufan, et al. Challenges and prospects of regional energy network demand response based on energy cell-tissue architecture[J]. Power System Technology, 2019, 43(9): 3149-3160.
刘春蕾, 庞鹏飞, 石纹赫, 等. 计及碳中和效益及清洁能源消纳的虚拟电厂双层协同优化调度[J]. 供用电, 2021, 38(9): 19-27.
LIU Chunlei, PANG Pengfei, SHI Wenhe, et al. Taking into account carbon neutrality benefit and clean energy consumption of virtual power plant two-layer cooperative optimization dispatching[J]. Distribution & Utilization, 2021, 38(9): 19-27.
李彬, 赵燕玲, 魏吟娬, 等. 碳中和背景下的需求侧资源互动关键支撑技术研究[J]. 供用电, 2021, 38(9): 3-9, 18.
LI Bin, ZHAO Yanling, WEI Yinwu, et al. Research on key supporting technologies of demand side resource interaction under the background of carbon neutral[J]. Distribution & Utilization, 2021, 38(9): 3-9, 18.
张立辉, 戴谷禹, 聂青云, 等. 碳交易机制下计及用电行为的虚拟电厂经济调度模型[J]. 电力系统保护与控制, 2020, 48(24): 154-163.
ZHANG Lihui, DAI Guyu, NIE Qingyun, et al. Economic dispatch model of virtual power plant considering electricity consumption under a carbon trading mechanism[J]. Power System Protection and Control, 2020, 48(24): 154-163.
黄剑平, 陈皓勇, 林镇佳, 等. 需求侧响应背景下分时电价研究与实践综述[J]. 电力系统保护与控制, 2021, 49(9): 178-187.
HUANG Jianping, CHEN Haoyong, LIN Zhenjia, et al. A summary of time-of-use research and practice in a demand response environment[J]. Power System Protection and Control, 2021, 49(9): 178-187.
陈璐, 徐青山, 杨永标, 等. 促进削峰填谷的居民实时积分套餐优化设计[J]. 电力自动化设备, 2020, 40(7): 134-142.
CHEN Lu, XU Qingshan, YANG Yongbiao, et al. Optimization design of residents's real-time score plan for promoting peak-load shifting[J]. Electric Power Automation Equipment, 2020, 40(7): 134-142.
陈璐, 杨永标, 徐青山. 基于时变互补特性的聚合空调调控及恢复策略[J]. 电力系统自动化, 2020, 44(13): 39-47.
CHEN Lu, YANG Yongbiao, XU Qingshan. Coordinated control and recovery strategy for aggregated air-conditioner based on time-variant complementary characteristics[J]. Automation of Electric Power Systems, 2020, 44(13): 39-47.
王冬, 王拓, 王旗, 等. 一种面向需求响应资源的模糊聚类算法[J]. 中国电机工程学报, 2018, 38(14): 4056-4063, 4311.
WANG Dong, WANG Tuo, WANG Qi, et al. A fuzzy C-means clustering algorithm for demand-side response resource[J]. Proceedings of the CSEE, 2018, 38(14): 4056-4063, 4311.
国家质量监督检验检疫总局, 中国国家标准化管理委员会. 需求响应效果监测与综合效益评价导则: GB/T 32127—2015[S]. 北京: 中国标准出版社, 2016.
General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration of the People's Republic of China. Guide for monitoring effect and comprehensive benefit evaluation of demand response: GB/T 32127-2015[S]. Beijing: Standards Press of China, 2016.
李作锋, 陈振宇. 江苏电力需求响应的探索和实践[J]. 电力需求侧管理, 2018, 20(1): 4-8.
LI Zuofeng, CHEN Zhenyu. The exploration and practice of Jiangsu power demand response[J]. Power Demand Side Management, 2018, 20(1): 4-8.
马琎劼, 徐正安. 江苏电网"填谷"需求响应的探索与实践[J]. 电力需求侧管理, 2018, 20(6): 50-52.
MA Jinjie, XU Zhengan. The exploration and practice of 'valley shaft' demand response in Jiangsu grid[J]. Power Demand Side Management, 2018, 20(6): 50-52.
万灿, 贾妍博, 李彪, 等. 城镇能源互联网能源交易模式和用户响应研究现状与展望[J]. 电力系统自动化, 2019, 43(14): 29-40.
WAN Can, JIA Yanbo, LI Biao, et al. Research status and prospect of energy trading mode and user demand response in urban energy Internet[J]. Automation of Electric Power Systems, 2019, 43(14): 29-40.
高赐威, 李倩玉, 李慧星, 等. 基于负荷聚合商业务的需求响应资源整合方法与运营机制[J]. 电力系统自动化, 2013, 37(17): 78-86.
GAO Ciwei, LI Qianyu, LI Huixing, et al. Methodology and operation mechanism of demand response resources integration based on load aggregator[J]. Automation of Electric Power Systems, 2013, 37(17): 78-86.
吴洲洋, 艾欣, 胡俊杰. 电动汽车聚合商参与调频备用的调度方法与收益分成机制[J]. 电网技术, 2021, 45(3): 1041-1050.
WU Zhouyang, AI Xin, HU Junjie. Dispatching and income distributing of electric vehicle aggregators's participation in frequency regulation[J]. Power System Technology, 2021, 45(3): 1041-1050.
MARIANO-HERNÁNDEZ D, HERNÁNDEZ-CALLEJO L, ZORITA-LAMADRID A, et al. A review of strategies for building energy management system: model predictive control, demand side management, optimization, and fault detect & diagnosis[J]. Journal of Building Engineering, 2021, 33: 101692.
刘珮云, 丁涛, 贺元康, 等. 基于综合需求响应的负荷聚合商最优市场交易策略[J]. 电力自动化设备, 2019, 39(8): 224-231.
LIU Peiyun, DING Tao, HE Yuankang, et al. Optimal trading strategy for load aggregator based on integrated demand response[J]. Electric Power Automation Equipment, 2019, 39(8): 224-231.
姚建国, 张凯锋, 丁哲通, 等. 动态需求响应概念扩展及研究重点[J]. 电力系统自动化, 2019, 43(14): 207-215.
YAO Jianguo, ZHANG Kaifeng, DING Zhetong, et al. Concept extension and research focus of dynamic demand response[J]. Automation of Electric Power Systems, 2019, 43(14): 207-215.
陈璐, 杨永标, 颜庆国, 等. 一种以负荷限值为目标的需求响应效果评估方法: CN104715424B. 2018-06-05.
CHEN Lu, YANG Yongbiao, YAN Qingguo, et al. Demand response effect evaluation method by taking load limit as goal: CN104715424B. 2018-06-05.
陈璐, 杨永标, 周静, 等. 一种模拟调峰机组的需求响应调度评估体系构建方法: CN105160149B. 2017-12-01.
CHEN Lu, YANG Yongbiao, ZHOU Jing, et al. Method for constructing demand response scheduling evaluation system of simulated peak-shaving unit: CN105160149B. 2017-12-01.
谢畅, 王蓓蓓, 李然, 等. 基于信用等级的虚拟电厂需求响应效果后评估[J]. 电力建设, 2017, 38(9): 67-72.
XIE Chang, WANG Beibei, LI Ran, et al. Post-evaluation of demand response effects in virtual power plant based on credit rating[J]. Electric Power Construction, 2017, 38(9): 67-72.
张晶晶, 张鹏, 吴红斌, 等. 负荷聚合商参与需求响应的可靠性及风险分析[J]. 太阳能学报, 2019, 40(12): 3526-3533.
ZHANG Jingjing, ZHANG Peng, WU Hongbin, et al. Reliability and risk analysis of load aggregators in demand response[J]. Acta Energiae Solaris Sinica, 2019, 40(12): 3526-3533.
杨秀, 傅广努, 刘方, 等. 考虑多重因素的空调负荷聚合响应潜力评估及控制策略研究[J]. 电网技术, 2022, 46(2): 699-714.
YANG Xiu, FU Guangnu, LIU Fang, et al. Potential evaluation and control strategy of air conditioning load aggregation response considering multiple factors[J]. Power System Technology, 2022, 46(2): 699-714.
徐佳敏, 孙英云, 孙芊, 等. 虚拟电厂有功调度综合评价指标体系[J]. 电工电能新技术, 2020, 39(3): 32-39.
XU Jiamin, SUN Yingyun, SUN Qian, et al. A comprehensive evaluation index system of VPP participating in active power dispatching[J]. Advanced Technology of Electrical Engineering and Energy, 2020, 39(3): 32-39.
范帅, 郏琨琪, 王芬, 等. 基于负荷准线的大规模需求响应[J]. 电力系统自动化, 2020, 44(15): 19-27.
FAN Shuai, JIA Kunqi, WANG Fen, et al. Large-scale demand response based on customer directrix load[J]. Automation of Electric Power Systems, 2020, 44(15): 19-27.