2022, Vol. 41
文章编号: 2096-3203(2022)06-0021-09 中图分类号: TM933
, , , ,
2. 国网江苏省电力有限公司营销服务中心, 江苏 南京 210019
 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: 375413708@qq.com); |
张娅楠(1996), 女, 博士在读, 研究方向为电力需求响应
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[1-6]。在过去二十年里，需求响应在江苏、上海等高负荷地区发展迅速，已经形成一套覆盖理论机制[7-8]、关键技术[9-10]、标准规范[11]和工程应用[12-14]的中国需求响应理论与实践体系。
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[15-16]，由聚合商对下聚合调度各类负荷资源，对上与电网互动提供多类型辅助服务。作为独立的市场运营主体，聚合商以经济最优为目标[17]，对上服务时须重点关注需求响应实施效果，对下聚合时须确保规模化负荷资源的精准调度，而构建完善精准的需求响应评估激励模型则是聚合商高效运营的关键[18]。
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[11-13]，不关注某时段的响应效果，这导致实际响应过程中单体用户响应精准度不够，存在电网侧邀约冗余度过大、激励成本过高等问题。在理论方面，一些学者开始关注需求响应动态过程，文献[19]拓展动态需求响应的新内涵，提出构建适应动态需求响应的市场机制设计是面向大规模多样化资源的动态需求响应研究重点之一。文献[20]以负荷限值为目标，提出考虑反弹负荷的需求响应效果评估体系；文献[21]从时间、容量和对象等维度构建模拟调峰机组的需求响应调度评估方法；文献[22]选取认缴性能指标、调度时间可靠性、调度容量可靠性和负荷反弹量作为四类基础指标，针对紧急型和经济型需求响应对各类基础指标的不同倾向，提出单次响应效果综合评估系数。分析发现，上述研究重点关注负荷维度评估，对评估过程中经济等其他因素研究较少。进一步地，文献[23]利用三角模糊数表征用户响应的不确定性，提出基于响应可靠性的需求响应效果评估方法；文献[24]提出考虑用户热舒适度、意愿度及可控度等多重因素的互动效果评估模型；文献[25]从可靠性、经济性和可调度性三方面提出需求响应综合评价指标体系。上述研究提出一些考虑动态过程的需求响应多维度评估指标，更加侧重理论层面，与正在实施的需求响应方案差异性较大，难以直接应用于实践。
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[26]。文中以聚合商为研究对象，重点关注用户动态响应过程，构建一种考虑静、动态过程的需求响应精准评估体系，由代表现有需求响应评估方案的静态评估和关注每时段实际负荷与目标负荷吻合度的动态评估组成；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，确保在不影响现有需求响应评估激励体系的前提下，实现优质用户的定向激励，进一步提升需求响应品质和降低邀约冗余度。
1 需求响应精准评估与激励必要性分析 1.1 现有需求响应评估与激励机制目前，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，其流程如图 1所示。
|
图 1 需求响应评估结算流程 Fig. 1 Evaluation settlement process of demand response |
第一步为有效响应判断，令T为需求响应时段集，t∈T，有效响应需同时满足以下2个条件：
(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。
| $ \max \left( {{P_{\rm{a}}}(t)} \right) < \max \left( {{P_{\rm{b}}}(t)} \right)\quad t \in T $ | (1) |
式中：Pa(t)为t时刻实际负荷；Pb(t)为t时刻基线最大负荷。
(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。
| $ \left\{ {\begin{array}{*{20}{l}} {\Delta {{\bar P}_{\rm{a}}} = {{\bar P}_{\rm{b}}}(t) - {{\bar P}_{\rm{a}}}(t)\quad t \in T}\\ {\Delta {{\bar P}_{\rm{a}}} = \left\{ {\begin{array}{*{20}{l}} {0\quad \Delta {{\bar P}_{\rm{a}}} < 0.8\Delta {P_{\rm{t}}}}\\ {\Delta {{\bar P}_{\rm{a}}}\quad 0.8\Delta {{\bar P}_{\rm{t}}} \le \Delta {{\bar P}_{\rm{a}}} \le 1.2\Delta {P_{\rm{t}}}}\\ {1.2\Delta {P_{\rm{t}}}\quad \Delta {{\bar P}_{\rm{a}}} > 1.2\Delta {P_{\rm{t}}}} \end{array}} \right.} \end{array}} \right. $ | (2) |
式中：Pb(t)，Pa(t)分别为基线和实际平均负荷；ΔPa为基线平均负荷与实际平均负荷的差值；ΔPt为响应邀约量；ΔPa*为有效响应负荷。
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表 1，将按照“评价得分高的用户优先”原则对后续响应调用产生影响。
|
表 1 单次响应评价得分 Table 1 Evaluation score of a signal response |
用户可获得的激励费用为：
| $ F = \Delta {\bar P_{\rm{a}}}, T\rho $ | (3) |
式中：ρ为激励单价，为已知值。
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。图 2为需求响应实施效果评估及分析，黑色实线为基线，基线平均负荷为84.8 kW；黑色虚线为基线最大负荷，为88.6 kW；令响应邀约量为10 kW，即有效响应负荷应处于8 kW和12 kW之间，实际曲线1—曲线5代表不同用户。
|
图 2 需求响应实施效果评估及分析 Fig. 2 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。
1.2 需求响应精准评估与激励机制必要性分析显然，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。
2 聚合商需求响应精准评估建模 2.1 考虑静、动态过程的需求响应精准评估模型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。
2.1.1 需求响应静态评估静态评估沿用电网侧需求响应评估方案，由静态指标Is表征有效静态响应负荷，主要由响应负荷最值满足率Is1和均值负荷满足率Is2两部分组成，其表达如式(4)所示。
| $ \left\{ {\begin{array}{*{20}{l}} {{I_{\rm{s}}} = {I_{{\rm{s}}1}}{I_{{\rm{s}}2}}}\\ {{I_{{\rm{s}}1}} = \left\{ {\begin{array}{*{20}{l}} 1&{\max \left( {{P_{\rm{a}}}(t)} \right) < \max \left( {{P_{\rm{b}}}(t)} \right)}\\ 0&{\max \left( {{P_{\rm{a}}}(t)} \right) \ge \max \left( {{P_{\rm{b}}}(t)} \right)} \end{array}} \right.}\\ {{I_{{\rm{s}}2}} = \Delta {{\bar P}_{{\rm{a}}*}}} \end{array}} \right. $ | (4) |
令需求响应动态评估指标Id表征有效动态响应负荷，主要由响应时段满足率Id1和实际负荷满足率Id2组成，具体有：
(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。
| $ \left\{ {\begin{array}{*{20}{l}} {{I_{{\rm{d}}1}} = \sum\limits_{t = 1}^T N (t)/T\quad t \in T}\\ {N(t) = \left\{ {\begin{array}{*{20}{l}} 1&{{P_{\rm{a}}}(t) \le {P_{\rm{b}}}(t)}\\ 0&{{P_{\rm{a}}}(t) > {P_{\rm{b}}}(t)} \end{array}} \right.} \end{array}} \right. $ | (5) |
(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。
| $ \left\{ {\begin{array}{*{20}{l}} {{I_{{\rm{d}}2}} = \sum\limits_{t = 1}^T \Delta {P_{{\rm{a}}*}}(t)/T}\\ {\Delta {P_{{\rm{a}}*}}(t) = \left\{ {\begin{array}{*{20}{l}} 0&{\Delta {P_{\rm{a}}}(t) < 0.8\Delta {P_{\rm{t}}}}\\ {\Delta {P_{\rm{a}}}(t)}&{0.8\Delta {P_{\rm{t}}} \le \Delta {P_{\rm{a}}}(t) \le 1.2\Delta {P_{\rm{t}}}}\\ {1.2\Delta {P_{\rm{t}}}}&{\Delta {P_{\rm{a}}}(t) > 1.2\Delta {P_{\rm{t}}}} \end{array}} \right.}\\ {\Delta {P_{\rm{a}}}(t) = {P_{\rm{b}}}(t) - {P_{\rm{a}}}(t)\quad t \in T} \end{array}} \right. $ | (6) |
进一步地，有效动态响应负荷为：
| $ {I_{\rm{d}}} = {I_{{\rm{d}}1}}{I_{{\rm{d}}2}} $ | (7) |
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表 1所示，而单次响应用户动态评价得分Sd如表 2所示。
|
|
表 2 单次响应动态评价得分 Table 2 Dynamic evaluation score of a signal response |
《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)，即将表 1评分标准作为用户群参与下一次响应的排序依据。同时为凸显精准理念，当表 1评分等级相同时，引入表 2动态评价得分表以进一步细分用户群体，鼓励动态评价得分高的用户拥有先调度潜力，提升优质用户筛选的科学性和严谨性，降低无效响应用户参与度。
3 考虑贡献度的聚合商需求响应动态激励决策 3.1 用户贡献度指标从负荷、经济2个维度分析用户i对聚合商的贡献度。
负荷贡献度δ1(i)重在关注用户i的响应动态过程，以有效动态响应负荷与目标响应负荷的比值来表征，如式(8)所示。
| $ \delta_1(i)=\frac{I_{\mathrm{d}}(i)}{\Delta P_{\mathrm{t}}(i)} $ | (8) |
式中：Id(i)为用户i的有效响应负荷；ΔPt(i)为用户i的目标响应负荷。
经济贡献度δe(i)表征用户i参与响应对聚合商的经济价值，定义为聚合商选择该用户后，相比聚合商选择该用户前，该用户对聚合商利润的提升率，如式(9)所示。
| $ {\delta _e}(i) = {I_{{\rm{s}}1}}(i)\frac{{{F_{{\rm{a}}, + i}} - {F_{{\rm{a}}, - i}}}}{{{F_{{\rm{a}}, - i}}}} $ | (9) |
式中：Fa，+i为聚合商获得用户i负荷后的利润；Fa，－i为聚合商获得用户i负荷前的利润。
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δl(i)仅与该用户响应表现有关，而经济贡献度δe(i)则是从全局角度分析该用户参与响应后对聚合商收益的影响，一定程度上也与其他用户响应表现相关。基于两者，可形成用户i贡献度指标δ(i)，如式(10)所示。
| $ \delta (i) = {\varepsilon _1}{\delta _1}(i) + {\varepsilon _{\rm{e}}}{\delta _{\rm{e}}}(i) $ | (10) |
式中：εl，εe分别为δl(i)和δe(i)的权重，且满足εl+εe=1。
3.2 静、动态评估相结合的需求响应激励结算方案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Fs(i)。
| $ {F_{\rm{s}}}(i) = {I_{\rm{s}}}(i)(1 - \beta ){\rho _{\rm{s}}}T $ | (11) |
式中：ρs为静态激励单价，是约定值；β为动态激励费用比例，满足0≤β≤1。令Fs*(i)为实施动态激励前的激励费用，即Fs*(i)=Fs(i)，此时β=0。
(2) 动态激励费用Fd(i)。
| $ {F_{\rm{d}}}(i) = \delta (i)\Delta {P_{\rm{t}}}{\rho _{\rm{d}}}T $ | (12) |
式中：ρd为动态激励单价，是未知数。
那么聚合商支付给用户i的激励费用为：
| $ F(i) = {F_{\rm{s}}}(i) + {F_{\rm{d}}}(i) $ | (13) |
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，见图 3，具体比例可根据需求响应实施情况(例如用户参与数、需求响应补贴标准、聚合商偏好等)共同约定。A为聚合商获得的电网侧激励费用；A-B为聚合商支付给用户的激励费用，即用户利润；B为聚合商利润；C或D可以看作动态激励费用，其中C是指聚合商部分利润，D为用户部分利润。
|
图 3 动态激励费用来源 Fig. 3 Sources of dynamic incentive fee |
假设聚合商和用户约定以α ∶1比例承担动态激励费用，若将用户原静态激励费用Fs*(i)的β(0≤β≤1)倍作为其承担的动态激励费用，那么聚合商侧承担的动态激励费用为αβFs*(i)。
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:
| $ \min G = \sum\limits_i \alpha \beta {F_{{\rm{s}}*}}(i) $ | (14) |
(1) 动态激励费用平衡约束。
| $ \sum\limits_i {{F_{\rm{d}}}} (i) = \sum\limits_i \beta {F_{{\rm{s}}*}}(i)(1 + \alpha ) $ | (15) |
(2) 为吸引用户参与，应确保实施动态激励后μ%用户可获得的激励收益大于或等于实施前激励收益，即：
| $ P\left( {F(i) \ge {F_{{\rm{s}}*}}(i)} \right) \ge \mu \% $ | (16) |
式中：P(F(i)≥Fs*(i))为用户i实施后激励费用F(i)大于等于用户i实施前激励费用Fs*(i)的概率函数。
上述模型优化变量为{β, ρd}，可采用遗传算法求解，具体步骤如图 4所示。
|
图 4 模型求解过程 Fig. 4 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图 5和图 6所示，聚合商侧数据是指聚合商所集成用户的数据之和。
|
图 5 某次需求响应用户互动曲线 Fig. 5 Interaction curves of users in demand response |
|
图 6 某次需求响应聚合商互动曲线 Fig. 6 Interaction curves of the aggregator users in demand response |
采用文献[8]中需求响应示范数据，考虑到负荷对比性和脱敏性，令所有用户基线和响应邀约量保持一致，但实际响应存在差异，以此来说明精准评估与激励的实施过程和优势。考虑到电网侧规定的响应邀约量冗余度为150%，聚合商目标响应邀约量为53.3 kW，实际响应邀约量为80 kW，单个用户响应邀约量为10 kW。
假设静态激励单价为3元/(kW ·h)，令α=1，μ=75，T=24，εl=εe=0.5。根据式(8)—式(10)，可得出用户1—用户8的贡献度，如表 3所示。
|
|
表 3 用户贡献度 Table 3 User contribution |
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，β为0.12，ρd为1.29元/(kW ·h)，可得到场景1和2下聚合商和各个用户评估和激励结果，如表 4和表 5所示。分析场景2仅考虑静态评估方案，有：
|
|
表 4 场景1和2下聚合商交易结果 Table 4 Trading results of aggregator in scenario 1 and scenario 2 |
|
|
表 5 场景1和场景2下各类用户交易结果 Table 5 Trading results of various users in scenario 1 and scenario 2 |
(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，如表 4所示。
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。
4.3 计及场景1和2评估结果的负荷响应模拟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%。按照表 1“有效响应优先、响应得分优先”原则，场景2调用顺序如下。
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)。
按照表 1原则，对于同一序列内用户群无法细分，仅有可采用随机调用方式，随机选取优化前调用顺序为：→1→3→7→2→6→4→8→5。
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每时段响应负荷如图 7所示。
|
图 7 计及场景1和2评估结果的负荷响应模拟 Fig. 7 Load response simulation with evaluation results of scenario 1 and scenario 2 |
图 7中，以相邻负荷绝对值均值表征平滑度系数η，可表示为：
| $ \eta = \frac{{\sum\limits_{t \in T} | P(t + 1) - P(t)|}}{T} $ | (17) |
经计算，场景1和2下η1，η2分别为9.3 kW和16.4 kW，即场景1响应负荷出力更加平滑，将有效规范用户响应精准度，进一步优化聚合效果，减少响应邀约量冗余度，继而减少激励支出。
4.4 邀约量冗余度敏感度分析在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，图 8分别计算不同风险值下邀约量冗余度从150%下降至110%时聚合商利润的变化趋势。
|
图 8 不同邀约量冗余度下聚合商利润 Fig. 8 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。
5 结语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。
| [1] |
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. (  0) |
| [2] |
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. ( 0) |
| [3] |
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. ( 0) |
| [4] |
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. ( 0) |
| [5] |
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. ( 0) |
| [6] |
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. ( 0) |
| [7] |
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. ( 0) |
| [8] |
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. ( 0) |
| [9] |
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. ( 0) |
| [10] |
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. ( 0) |
| [11] |
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. ( 0) |
| [12] |
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. ( 0) |
| [13] |
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. ( 0) |
| [14] |
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. ( 0) |
| [15] |
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. ( 0) |
| [16] |
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. ( 0) |
| [17] |
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. ( 0) |
| [18] |
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. ( 0) |
| [19] |
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. ( 0) |
| [20] |
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. ( 0) |
| [21] |
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. ( 0) |
| [22] |
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. ( 0) |
| [23] |
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. ( 0) |
| [24] |
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. ( 0) |
| [25] |
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. ( 0) |
| [26] |
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. ( 0) |
, , , ,
2. State Grid Jiangsu Electric Power Co., Ltd. Marketing Service Center, Nanjing 210019, China