谢雨奇(1998), 男, 硕士在读, 研究方向为新能源及优化调度技术(E-mail:
曾伟(1979), 男, 博士, 高级工程师, 从事电力系统软件开发工作
马瑞(1971), 男, 博士, 教授, 研究方向为电力系统分析与控制、综合能源系统规划和运行、电力市场等
配电网中分布式新能源、可控负荷等柔性资源参与电网需求响应已成为新型电力系统削峰填谷的重要手段,而如何考虑用户响应度和平衡多主体利益十分关键。为此,文中首先建立用户响应度的模糊控制模型,并给出考虑用户响应度模糊性的供电方、负荷聚合商、用户等多主体需求响应参与方效益函数模型;进而以日负荷曲线偏差最小和系统成本最小为优化目标,上层优化采用供电方最优需求响应方案,下层优化在供电方及负荷聚合商之间求得最优任务分配,从而建立供电方、负荷聚合商、用户等多主体协同需求响应双层模型,并提出基于Stackelberg博弈理论和
In the distribution network, the participation of flexible resources such as distributed new energy and controllable load in demand response has become an important measure of load adjusting in the new power system. How to consider the uncertainty of user responsiveness and balance the interests of multiple participants is very critical. In this paper, the fuzzy control model of user responsiveness is established firstly, and the benefit function model of multi-agent demand response participants such as power supplier, load aggregator and user is given considering the fuzziness of user responsiveness. Furthermore, with the objectives of minimizing the deviation of daily load curve and minimizing the system cost, the upper optimization adopts the optimal demand response scheme of the power supplier. The lower optimization obtains the best task allocation between the power supplier and the load aggregator, so as to establish the two-layer model of multi-agent collaborative demand response of the power supplier, the load aggregator and the user. A solution method based on Stackelberg game theory and
大量接入分布式新能源会导致配电网中电压波动、谐波污染、峰谷差扩大等问题[
现阶段已有学者对DR的不确定性作出深入研究。部分学者试图探索新的数学方法描述用户的不确定性,如文献[
为深入研究DR优化调度机制,文献[
如今也有文献对博弈理论应用于DR用户侧的控制策略作出了深入研究。文献[
为解决用户响应行为的不确定性问题,文中引入模糊控制方法来拟合用户响应度,并深入用户个体对其模糊控制算子权重进行迭代修正,使拟合结果更加贴近实际情况;为更好地发挥DR平抑负荷波动的效果,文中引导用户削峰填谷,建立了供电方、负荷聚合商和用户三方协调互动的双层模型;为避开博弈理论的“维度灾”问题,文中将Stackelberg博弈与
文中设定以1 d为一个调度周期,一个周期内有
已知用户具有趋利性且通过调节自身的DR容量使其收益最大化。负荷聚合商会给予参与DR的用户补偿,但用户可用负荷减少依然会导致用户响应度降低,从而影响用户的DR执行情况。因此提取用户的可用负荷比例
式中:
用户执行DR的时段也会对用户响应度造成影响,如在负荷高峰执行DR,则响应度变化更大;在负荷低谷执行DR,则变化较小。因此提取用户响应时段
针对用户的响应度
其中,下标VN、N、M、S、VS分别表示用户响应度
根据经验法设计如下模糊规则标准:
(1) 可用负荷比例越多,获利越少,则响应度越低;可用负荷比例适中, 则用户响应度较高;可用负荷比例越低,可用电量越少,则响应度越低。
(2) 响应时段越靠近工作时间,则用户响应度越高;响应时段越靠近休息时间,则用户响应度越低。
可用负荷比例和响应时段的取值各3个,进行任意组合,设立9条模糊控制规则,如
模糊控制规则
Rules of fuzzy control
不同 |
|||
LG | MG | HG | |
ST | VN | N | VN |
MT | M | VS | S |
LT | N | N | VN |
由于模糊规则不能完全符合每名用户的行为准则,因此,文中以用户响应度为参变量对模糊规则的权重进行迭代,使其更加贴近用户的实际响应度,如式(4)所示。
式中:
用户响应度模糊控制模型
Fuzzy control model of user responsiveness
调度地区根据昨日负荷曲线制定分时电价,取昨日负荷的平均值
式中:
供电方G执行DR的目的是削峰填谷,使负荷曲线趋于平整。文中通过建立负荷偏差函数评价DR带来的效益,供电方在模型中获得的效益可用负荷偏差函数
负荷聚合商通过签订协议支付报酬给用户,以获得用户的可调容量,并统一调配可调容量响应供电方的需求。文中要求负荷聚合商负责对负荷进行聚类,供电方按照刚性负荷、可转移负荷、可中断负荷对负荷聚合商进行分类补偿。
供电方G按照分时电价给予负荷聚合商价格补偿,其模型如下。
(1) 刚性负荷的补偿函数。刚性负荷是用户每日必需且不会随用户意愿转移的负荷,无法执行DR,故不计入DR模型中。
(2) 可转移负荷的补偿函数。可转移负荷是用户每日必需且使用时段由用户意愿支配的负荷,文中利用其达到填谷的目的。为准确地将可转移负荷由峰时段转移至谷时段,文中采用分时补偿电价对其进行补偿。
式中:
(3) 可中断负荷的补偿函数。可中断负荷不属于用户每日必需负荷,用户可以按供电方需求自由选择何时中断该部分负荷,文中利用其达到调峰的目的。在利用可转移负荷满足填谷需求后,利用可中断负荷满足剩余的调峰需求,因此可中断负荷也采用分时补偿电价。
式中:Δ
在一个地区中,存在
式中:
优化模型分为2层,上层优化模型为供电方求得最优DR方案;下层模型在供电方及负荷聚合商之间求得最优任务分配,并按排序向用户提出DR任务。
上层模型的目标是以最小的成本换取最小的负荷偏差值。负荷偏差函数可用式(9)表示,成本函数可用式(14)表示,则其优化目标函数应为:
式中:Δ
通过多目标遗传算法对式(21)目标函数求解可获得DR方案的最优分配解集,称为帕累托非劣解集,包含
负荷聚合商通过
下层模型采用Stackelberg博弈理论结合遗传算法求解[
式中:
负荷聚合商的目标始终是自身的效益函数最大化,而供电方在非劣解集中挑选最优策略以达到最少成本换取最大利益的目的,即:
式中:
以供电方为领导决策者,供电方在其策略空间非劣解集
通过Stackelberg博弈,获得负荷聚合商之间的任务分配后,负荷聚合商通过模糊控制方法预测用户的响应度。根据用户可调容量、响应度对下属用户再次进行
式中:Δ
供电方首先根据预测得出调度地区明日负荷曲线,即预测负荷曲线,并通过多目标遗传算法得出达到DR最优效果所需要的DR方案集;其次,通过Stackelberg博弈解出最优DR方案并将任务分配给各个负荷聚合商,负荷聚合商负责对用户负荷进行聚类排序;然后,综合考虑每名用户的响应度和可调容量,将DR任务分配给与其签订协议的用户,
并通过用户响应度预测用户对DR的执行情况;最后,将预测结果反馈给负荷聚合商,重新对用户进行聚类排序,如果负荷偏差值符合要求,则方案通过。
模型可以在迭代中根据用户响应度及响应容量筛选优质可调资源,逐渐优化响应效果。DR双层优化模型如
DR双层优化模型
Two-layer optimization model of DR
文中采用某地区历史数据进行模拟仿真。首先对历史数据进行分析,每15 min对调度地区负荷数据进行一次检测,因此取
可转移负荷及可中断负荷初始分时补偿电价
Initial time-sharing compensation price for transferable load and interruptible load
负荷种类 | 峰时段 | 平时段 | 谷时段 |
可转移负荷 | 1.5 | 0.7 | -0.5 |
可中断负荷 | 1.2 | 0.5 | 0 |
根据历史数据及明日的气象数据,预测明日的负荷曲线,将数据代入多目标遗传算法中,求出符合要求的可转移负荷及可中断负荷任务分配的非劣解集,帕累托前沿如
多目标遗传算法非劣解集帕累托前沿
Pareto frontier of non-inferior solution set of multi-objective genetic algorithm
求出非劣解集后,通过比较各个非劣解的性价比,在非劣解集中寻找最优解。根据多目标优化所得最优解,可得到应削减的负荷量及预测负荷削减后的负荷曲线。预测结果如
实际负荷、削减后负荷及负荷削减量曲线
Curves of actual load, load after reduction and load reduction
负荷聚合商将DR任务分配给其下属的用户后,通过响应度预测用户响应情况,并反馈至预测负荷曲线,得出执行DR后的负荷曲线,计算其负荷偏差值,如负荷偏差值小于既定阈值,则方案通过。调度地区执行DR后的负荷曲线如
DR前后负荷曲线对比
Comparison of load curves before and after DR
然后通过Stackelberg博弈算法获得均衡解,以获得各个负荷聚合商之间的最优分配。负荷聚合商获得DR任务后,通过
负荷聚合商1的用户
User
由
Ⅱ类用户平均可调容量最高,因此首先考虑Ⅱ类用户任务分配,Ⅰ类用户次之,Ⅲ类用户排在最后。在下次DR任务中,上次被标记为Ⅱ类的用户,将会提高任何份额并优先选择。通过这种方式可以筛选优质用户,并优化DR执行效果。
相较于其他DR模型,文中模型采用双层设计,深入挖掘用户侧的响应模式,特别是关注到用户响应度对DR响应程度的影响。当不计及用户不确定性时,其DR执行结果如
计及与不计及用户不确定性DR效果对比
DR effect comparison including and excluding user uncertainty
计及与不计及用户不确定性的数据指标对比
Comparison of data indicators including and excluding uesr uncertainty
数据指标 | 计及用户不确定性 | 不计及用户不确定性 |
负荷偏差值/% | 14.79 | 20.80 |
成本/万元 | 279.9 | 275.2 |
平均负荷削减量/MW | 81.65 | 154.00 |
由
为证明迭代优化特性,文中进行了5次迭代训练,随迭代次数变化得到的需求响应结果如
需求响应结果
The results of response demand
迭代次数 | 负荷偏差值/% | 成本/万元 | 负荷削减量/MW |
1 | 15.40 | 203.3 | 120.30 |
2 | 15.23 | 268.6 | 74.88 |
3 | 15.07 | 336.3 | 101.65 |
4 | 14.94 | 261.1 | 118.47 |
5 | 14.79 | 279.9 | 81.65 |
由仿真结果可知,模型每降低1%的负荷偏差,所需成本为38.5万元,相较于传统DR模型降低了54.8万元。模型在第1次迭代后负荷偏差值为15.40%,在第5次迭代后负荷偏差值为14.79%,因此文中模型可随迭代次数增加逐步优化,提高DR平抑负荷波动的效果。
文中以负荷曲线偏差最小和使用成本最小为优化目标,计及参与DR用户的响应度及不确定性,建立了供电方、负荷聚合商、用户三者互动互联的DR双层模型。得出如下结论:
(1) 相较于不计及用户不确定性的DR模型,文中模型更精确地估计了用户的响应行为,使执行效果提高6.01%,且平均负荷削减量减小72.35 MW。但文中模型需要对每个用户进行模糊控制算子迭代,所需计算时间相对较长。
(2) 因文中模型摒弃了以电价为控制变量,对成本欠缺考虑,导致不合理成本出现,使得每千瓦负荷削减成本达到34.28元;同时也削弱了供电方对DR的调控能力。但从平抑负荷的角度来说,相较于传统DR模型,文中模型每降低1%负荷偏差所需的成本更少。
(3) 模型具有随迭代次数增加而逐步优化的特性。模型通过筛选优质可调资源优化DR结果,当优质用户聚类至同一类用户后,迭代结果达到最优。
王昀, 谢海鹏, 孙啸天, 等. 计及激励型综合需求响应的电-热综合能源系统日前经济调度[J]. 电工技术学报, 2021, 36(9): 1926-1934.
WANG Yun, XIE Haipeng, SUN Xiaotian, et al. Day-ahead economic dispatch for electricity-heating integrated energy system considering incentive integrated demand response[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1926-1934.
王丹, 兰宇, 贾宏杰, 等. 基于弹性温度可调裕度的中央空调集群需求响应双层优化[J]. 电力系统自动化, 2018, 42(22): 118-126, 134.
WANG Dan, LAN Yu, JIA Hongjie, et al. Double-layer optimization strategy of cluster central air-conditioner demand response based on elastic temperature adjustable margin[J]. Automation of Electric Power Systems, 2018, 42(22): 118-126, 134.
孙宇军, 王岩, 王蓓蓓, 等. 考虑需求响应不确定性的多时间尺度源荷互动决策方法[J]. 电力系统自动化, 2018, 42(2): 106-113, 159.
SUN Yujun, WANG Yan, WANG Beibei, et al. Multi-time scale decision method for source-load interaction considering demand response uncertainty[J]. Automation of Electric Power Systems, 2018, 42(2): 106-113, 159.
洪奕, 刘瑜俊, 徐青山, 等. 基于积分制和分时电价的电动汽车混合型精准需求响应策略[J]. 电力自动化设备, 2020, 40(11): 106-116.
HONG Yi, LIU Yujun, XU Qingshan, et al. Hybrid targeted demand response strategy of electric vehicles based on integral system and time-of-use electricity price[J]. Electric Power Automation Equipment, 2020, 40(11): 106-116.
徐箭, 曹慧秋, 唐程辉, 等. 基于扩展序列运算的含不确定性需求响应电力系统优化调度[J]. 电力系统自动化, 2018, 42(13): 152-160.
XU Jian, CAO Huiqiu, TANG Chenghui, et al. Optimal dispatch of power system considering uncertainty of demand response based on extended sequence operation[J]. Automation of Electric Power Systems, 2018, 42(13): 152-160.
李姚旺, 苗世洪, 刘君瑶, 等. 考虑需求响应不确定性的光伏微电网储能系统优化配置[J]. 电力系统保护与控制, 2018, 46(20): 69-77.
LI Yaowang, MIAO Shihong, LIU Junyao, et al. Optimal allocation of energy storage system in PV micro grid considering uncertainty of demand response[J]. Power System Protection and Control, 2018, 46(20): 69-77.
闫梦阳, 李华强, 王俊翔, 等. 计及综合需求响应不确定性的园区综合能源系统优化运行模型[J]. 电力系统保护与控制, 2022, 50(2): 163-175.
YAN Mengyang, LI Huaqiang, WANG Junxiang, et al. Optimal operation model of a park integrated energy system considering uncertainty of integrated demand response[J]. Power System Protection and Control, 2022, 50(2): 163-175.
杨力俊, 潘伟, 田闻旭. 计及需求响应和风光不确定性的微电网多目标优化模型[J]. 电力需求侧管理, 2022, 24(3): 1-8.
YANG Lijun, PAN Wei, TIAN Wenxu. Multi-objective optimization model of microgrid considering demand response and uncertainty of wind power and photovoltaic[J]. Power Demand Side Management, 2022, 24(3): 1-8.
杨苹, 曾凯林, 余雁琳, 等. 电能量市场下负荷聚合商参与负荷削减投标策略[J]. 电力工程技术, 2022, 41(1): 2-10.
YANG Ping, ZENG Kailin, YU Yanlin, et al. Strategy of load aggregator participating in load curtailment bidding under power market[J]. Electric Power Engineering Technology, 2022, 41(1): 2-10.
SAMADI P, MOHSENIAN-RAD H, WONG V W S, et al. Real-time pricing for demand response based on stochastic approximation[J]. IEEE Transactions on Smart Grid, 2014, 5(2): 789-798.
华亮亮, 黄伟, 葛良军, 等. 计及需求响应的主动配电网双层优化调度模型[J]. 电力建设, 2018, 39(9): 112-119.
HUA Liangliang, HUANG Wei, GE Liangjun, et al. Bi-level optimal dispatch model of active distribution network with demand response[J]. Electric Power Construction, 2018, 39(9): 112-119.
HOSSEINI IMANI M, ZALZAR S, MOSAVI A, et al. Strategic behavior of retailers for risk reduction and profit increment via distributed generators and demand response programs[J]. Energies, 2018, 11(6): 1602.
贺帅佳, 高红均, 刘俊勇, 等. 计及需求响应柔性调节的分布鲁棒DG优化配置[J]. 中国电机工程学报, 2019, 39(8): 2253-2264.
HE Shuaijia, GAO Hongjun, LIU Junyong, et al. Distributionally robust optimal DG allocation model considering flexible adjustment of demand response[J]. Proceedings of the CSEE, 2019, 39(8): 2253-2264.
王均, 黄琦. 基于优惠券激励的需求响应双层优化机制[J]. 电力系统保护与控制, 2019, 47(1): 108-114.
WANG Jun, HUANG Qi. Coupon incentives based customers voluntary demand response program via bilevel optimization mechanism[J]. Power System Protection and Control, 2019, 47(1): 108-114.
郝勇生, 王培红, 高赐威, 等. 基于大用户能效的电网需求响应机制[J]. 电力自动化设备, 2019, 39(4): 44-49.
HAO Yongsheng, WANG Peihong, GAO Ciwei, et al. Demand response mechanism of power grid based on energy efficiency of large user[J]. Electric Power Automation Equipment, 2019, 39(4): 44-49.
陈冠廷, 张利, 刘宁宁, 等. 基于区块链的面向居民用户需求响应交易机制[J]. 电力自动化设备, 2020, 40(8): 9-17.
CHEN Guanting, ZHANG Li, LIU Ningning, et al. Blockchain-based transaction mechanism for residential users demand response[J]. Electric Power Automation Equipment, 2020, 40(8): 9-17.
刘天琪, 卢俊, 何川, 等. 考虑联合热电需求响应与高比例新能源消纳的多能源园区日前经济调度[J]. 电力自动化设备, 2019, 39(8): 261-268.
LIU Tianqi, LU Jun, HE Chuan, et al. Day-ahead economic dispatch of multi-energy parks considering integrated thermo-electric demand response and high penetration of renewable energy[J]. Electric Power Automation Equipment, 2019, 39(8): 261-268.
林国营, 卢世祥, 郭昆健, 等. 基于主从博弈的电网公司需求响应补贴定价机制[J]. 电力系统自动化, 2020, 44(10): 59-67.
LIN Guoying, LU Shixiang, GUO Kunjian, et al. Stackelberg game based incentive pricing mechanism of demand response for power grid corporations[J]. Automation of Electric Power Systems, 2020, 44(10): 59-67.
涂京, 周明, 李庚银, 等. 面向居民需求响应的售电公司势博弈分布式优化策略[J]. 中国电机工程学报, 2020, 40(2): 400-411.
TU Jing, ZHOU Ming, LI Gengyin, et al. A potential game based distributed optimization strategy for the electricity retailer considering residential demand response[J]. Proceedings of the CSEE, 2020, 40(2): 400-411.
代业明, 高岩, 高红伟, 等. 智能住宅小区的需求响应主从博弈模型[J]. 电力系统自动化, 2017, 41(15): 88-94.
DAI Yeming, GAO Yan, GAO Hongwei, et al. Leader-follower game model for demand response in smart residential grid[J]. Automation of Electric Power Systems, 2017, 41(15): 88-94.
WEI W, LIU F, MEI S W. Energy pricing and dispatch for smart grid retailers under demand response and market price uncertainty[J]. IEEE Transactions on Smart Grid, 2015, 6(3): 1364-1374.
范添圆, 王海云, 王维庆, 等. 计及主/被动需求响应下基于合作博弈的微网-配电网协调优化调度[J]. 电网技术, 2022, 46(2): 453-463.
FAN Tianyuan, WANG Haiyun, WANG Weiqing, et al. Coordinated optimization scheduling of microgrid and distribution network based on cooperative game considering active/passive demand response[J]. Power System Technology, 2022, 46(2): 453-463.
王萧博, 黄文焘, 邰能灵, 等. 一种源-荷-储协同的电热微网联络线功率平滑策略[J]. 电工技术学报, 2020, 35(13): 2817-2829.
WANG Xiaobo, HUANG Wentao, TAI Nengling, et al. A Tie-line power smoothing strategy for microgrid with heat and power system using source-load-storage coordination control[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2817-2829.
屠聪为, 曹军, 于东立, 等. 基于空调负荷的虚拟储能参与调频的控制策略[J]. 电力需求侧管理, 2019, 21(1): 16-21.
TU Congwei, CAO Jun, YU Dongli, et al. Control strategy of virtual energy storage system participating in frequency modulation based on air conditioning loads[J]. Power Demand Side Management, 2019, 21(1): 16-21.
夏成文, 许凯帅, 鲍玉昆, 等. 基于单值聚类分析的区域居民概率负荷预测研究[J]. 电力信息与通信技术, 2021, 19(1): 1-10.
XIA Chengwen, XU Kaishuai, BAO Yukun, et al. Research on probabilistic load forecasting for regional residential users based on single value cluster analysis[J]. Electric Power Information and Communication Technology, 2021, 19(1): 1-10.
李晅, 马瑞, 罗阳. 基于Stackelberg博弈的微网价格型需求响应及供电定价优化[J]. 电力系统保护与控制, 2017, 45(5): 88-95.
LI Xuan, MA Rui, LUO Yang. Price-based demand response of micro-grid and optimal pricing strategy based on Stackelberg game[J]. Power System Protection and Control, 2017, 45(5): 88-95.
李强, 朱丹丹, 黄地, 等. 虚拟电厂运营商与电动汽车用户的主从博弈定价策略[J]. 电力工程技术, 2022, 41(4): 183-191.
LI Qiang, ZHU Dandan, HUANG Di, et al. Stackelberg game pricing strategy between virtual power plant operators and electric vehicle users[J]. Electric Power Engineering Technology, 2022, 41(4): 183-191.