针对智能电网环境下,各类不确定因素对电网需求响应调度策略的实施效果存在较大影响的问题,提出一种计及用户参与不确定性的用户响应模型,将用户参与度和电网侧激励间的关系用不确定性模型来表征。考虑到电网侧对负荷削峰填谷的要求,构造了基于负荷波动程度的需求响应目标函数。对于参与响应的用户部分,其调度策略采用有序用电调度,无响应用户部分采用无序用电。算例通过实验仿真,分析验证了在计及参与不确定性的需求响应模型下,用户侧存在着使得电网侧调度策略实施最优的日最佳参与率,也即电网侧对应存在着最优激励政策。实验仿真结果表明了计及用户参与不确定性的需求响应优化策略具有有效性和实际优越性,能为电网侧提供更全面的用电信息,电网公司从而能够针对性提高需求响应策略实施效果。
引言
智能用电是实现电网与用户双向实时交互的重要环节[1],能够满足用户的多元化用电需求,实现灵活互动的供用电新模式,是未来能源互联网背景下智能用电技术发展的趋势[2]。随着能源互联网的兴起,智能用电的规划、建设与管理运维越显重要。为加快能源互联网建设,推动互联网与电力系统各领域深度融合和创新发展,国网公司开展了全球能源互联网前瞻研究[3-8]。需求响应(demand response,DR)作为用电环节与其他各环节实现协调发展的关键支撑手段,是智能用电互动化业务中体现电能量友好交互的重要方式。但在需求响应策略实施过程中,由于用户可能存在的对激励缺乏重视、通信延迟和消费行为改变等一系列原因,用户对激励、价格信号的实际响应程度,甚至是对需求响应策略采纳的意愿往往都带有较大的不确定性[9]。考虑到采用确定性的DR模型来描述需求响应已不能满足智能用电协调运行需要[10],因此,开展计及不确定性的需求响应机理和模型,以及需求响应实施策略具有必要性。在智能电网中大规模新能源接入的环境下,调用需求响应资源参与系统调峰以应对大规模新能源接入,对电网的稳定运行具有重要意义。
当前考虑不确定性的需求响应模型及策略相关研究正逐渐成为当前的研究热点[11-16]。文献[11]构建了计及不确定性的用户响应模型,通过负荷削减能力和响应的不确定性两个特征描述需求响应随经济激励及其他因素变化的规律;文献[12]引入多智能体模拟方法,建立双向互动的改进分时电价调价模型,分析了电力公司与用户的双向互动过程,以及用户响应的不确定性对电力公司分时电价设定的影响;文献[13]针对负荷集群对电价响应的不确定性,提出一种联合调度模型,保证调度经济性的同时减少需求侧因负荷响应不确定带来的风险损失;文献[14]考虑价格型需求响应、风电出力和系统负荷的不确定性,建立了考虑风电消纳效益的电力系统源荷互动日前模糊优化调度模型;文献[15]建立了考虑风电输出不确定性的多级机组需求响应曲线模型,将电价表示成期望值和随机偏差之和的形式,最后用Benders分解进行求解;文献[16]将负荷响应量设为某区间的随机变量,并考虑权重约束,确保负荷率风险损失低于预估水平,建立随机优化模型,用抽样平均近似方法求解。在上述文献中,文献[11]和文献[12]是针对用户负荷削减的不确定性;文献[13]是针对负荷集群对电价响应的不确定性;文献[14]是针对负荷响应率的不确定性研究;文献[15]和文献[16]是针对价格弹性需求曲线的不确定性研究。
以上不确定性需求响应研究,多假设参与需求响应用户数为确定量,尚未考虑用户是否选择参与需求响应调度策略的确定性因素,因此本文针对需求响应策略中用户参与不确定性因素,首次在提出反映电网侧激励对用户用电影响的参与率(participation rate,PR)概念基础上,构建了计及用户参与不确定性的需求响应模型;同时以配电网侧波动性最小为目标函数,提出一种计及用户参与不确定性的DR调度策略优化方法,最后通过实验仿真验证了建模和优化策略求解的有效性。
1 不确定性需求响应建模
1.1 计及响应参与率的不确定性需求响应机理模型
根据消费者心理学原理,电网给出的激励政策对每个用户的刺激均存在着一个差别阈值及饱和值[17]。而针对小区用户整体而言,在不同的激励水平下,实际参与策略人数同样存在理论上限及下限(即存在一个不确定区间)。对单个用户来说,不确定性体现为是否响应DR策略,以及其响应的负荷削减比重;而以智能用电小区全体用户为对象来说,不确定性可体现为整个小区的DR参与率,即接受调度策略,参与响应的用户数占用户总数的百分比。
受文献[11]中的用户负荷削减量响应曲线模型启发,本文建立线性模型近似来表征用户参与响应的行为,如图1所示。
图1 计及不确定性的用户响应参与率曲线
Fig. 1 Curve of customer response participation rate considering uncertainty
图1中激励水平用电费折扣来表述,在某一激励水平x下,响应参与率R的上下界可分别表示为
式中：Rup(x)Rup(x)表示响应参与率的上限函数;Rdown(x)Rdown(x)表示响应参与率的下限函数;x0表示临界激励水平,激励水平在临界点x0之前时,参与率表现为死区,即激励水平达不到用户整体对策略有所响应的程度;x1表示理想饱和激励水平,当激励水平达到x1时,参与率达到理想饱和点,即参与率上限刚好可到达100%;x2表示完全饱和激励水平,当激励水平达到x2时,参与率达到完全饱和点,即参与率不确定波动区间消失,参与率成为确定量100%。
考虑到激励水平与电网侧的成本呈正相关,结合概率统计学理论,在最佳参与率RoptRopt下的策略最佳激励值xoptxopt可表述为
xopt=12[xmin+xmax] (3)
结合公式(1)与公式(2),公式(3)可化为
xopt=12[Ropt(x1+x2)]−x0⋅Ropt(4)
式中：RoptRopt表示最佳参与率;xmin与xmax分别表示在最佳参与率RoptRopt下的激励水平区间[xmin,xmax]的区间最小值和最大值,如图1中所示;xoptxopt表示在最佳参与率RoptRopt下的最佳激励水平。
本文构造的响应模型采用某一区间内的随机数来表征用户参与响应这一不确定行为,通过区间参数的选择,对策略实施情况进行多次模拟,从而尽可能在DR策略允许的参与率范围内,找到相对较优的激励水平,使得在较低激励水平条件下,调度策略还能达到较好的效果,从而使得策略的适用性提高。用户通过参与响应的不确定度来实现与电网侧的浅层互动形式,电网侧通过控制激励水平大小,进而影响用户整体对调度策略的响应程度,最终尽可能得到实现调度目标函数最小的最佳DR参与率。
1.2 目标函数
对于电网侧来说,其进行调度优化的主要目的是削峰填谷,实现整体负荷波动的最小化,从而提高经济生产效益。综上分析,目标函数的建立可考虑与DR策略调度后整体负荷波动性相关,本文按日分成T=24个时段,每个时段为1 h,则智能用电小区内n个用户第t个时段内用电总负荷Q(t)Q(t)可表示为∑k=1nQk(t)∑k=1nQk(t),每日内平均用电总负荷Q(t)¯¯¯¯¯¯¯¯¯¯Q(t)¯为Q(t)Q(t)的数学期望,即1T∑t=1TQ(t)1T∑t=1TQ(t),借鉴标准方差标示测量值的波动程度,本文选择小区日用电总负荷的标准方差作为调度后整体负荷波动性的度量,故本文所采用优化目标可表述为
min { 1T∑t=1T(Q(t)−Q(t)¯¯¯¯¯¯¯¯¯¯)2} (5)
本文考虑的响应参与不确定性实则也同时反映了用户满意度,由于是否响应策略是由用户自主选择的,因此接受或不接受激励政策的用户应均对用户日常生活的用电体验影响不大,在DR策略中,用户侧向电网侧的反馈这一环节体现的就是用户满意度因素,所以可认为目标函数从电网侧考虑是合理的。
1.3 用户用电调度模型
本文用户的负荷构成采用普通的家庭用能负荷,仅考虑基本负荷以及可中断负荷,未涉及其他新型智能用电负荷。基本负荷为居民生活必需的负荷部分,如照明、烹饪等;可中断负荷是可以根据实际需要灵活调整用电量及用电时段的部分,即可进行负荷削减或者转移,如空调、电视等家电,也有文献称为可调度负荷[18]。
以小时为单位将1 d划分为24个时段,则智能用电小区n个用户1 d内的负荷安排为
D=[Q1,Q2,⋯,Qk,⋯,Qn (6)
式中：D为24×n维的矩阵,表示总负荷安排;QkQk为24维向量,表示用户k在1d内的负荷安排;n为智能用电小区中居民用户总数。
用户k的日用电负荷QkQk可描述为
Qk=QBk+QSk (7)
式中：QBkQkB表示用户k的在t时刻的基本负荷;QSkQkS表示用户k在t时刻的可中断负荷部分。
基本负荷的约束条件为。
QBk=Qmink (8)
式中QminkQkmin表示日前预测负荷[19],可根据居民日常用电情况来获取。
可中断负荷作为可调控负荷,应满足如下约束条件：
∑t=1TQSk(t)=zSk (9)
0≤QSk(t)≤Qmaxk(t)(10)
式中QSk(t)QkS(t)表示用户k在t时刻的可中断负荷,同时QSk(t)QkS(t)还要满足1 d的总量约束zSkzkS。考虑到实际中存在用电保护约束,该负荷还须不超过最大调度量Qmaxk(t)Qkmax(t)。
2 策略寻优求解流程
2.1 算法策略流程
本文DR策略优化采用分布式求解方法,目标函数求解算法采用混合粒子群算法[20] (hybrid particle swarm optimization,HPSO),通过算法对不同用户参与率情况下的DR策略进行遍历寻优,找到最佳参与率,对应机理模型可得到电网侧最佳激励水平区间。
求解过程分为响应策略部分与非响应部分,算法流程示意图如图2所示。
算法整体流程具体包括以下几步：
1)首先,进行负荷的初始化。用户可以将其1 d的负荷使用计划上传至电网侧。
图2 算法流程示意图
2)然后,电网侧根据策略优化算法,对不同参与率下的小区用户整体负荷调度情况进行分布式求解模拟,对于响应DR策略的用户整体,在本文目标函数下采用HPSO算法求解;
3)对于不参与响应的用户整体,依旧按其原始的无序用电法[21]进行负荷安排。最后将两部分负
荷曲线统合为最终的调度负荷曲线,同时可以得到各组调度结果中与理想调度情况最贴近的一组解,作为本文不确定模型下的最优解,其对应参与率RoptRopt为最佳参与率。
2.2 最佳参与率算法实现过程
算法流程步骤(3)中最佳参与率实现算法具体如下。
根据2.1节中算法流程,完成遍历后可得到一组整体负荷曲线的集合{Ck},k=1,...,n-1。然后建立求解最佳参与率的目标函数为
min { (∑k=1n−1(Ck−Cn)2}(11)
式中：Ck为1×24维向量,表示智能用电小区1 d的总负荷安排;k为参与策略响应的用户数;n为小区用户总数;Cn为小区n个用户全部参与策略响应情况下得到的调度后负荷曲线,即为理想调度情况下的调度后负荷曲线。
故满足公式(11)的对应值k即为最佳参与人数,进而可得到最佳参与率RoptRopt：
Ropt=kn (12)
3 算例实验
3.1 实验数据源
本文实验场景下只考虑用户存在基本负荷与可调度负荷,无其他新型用电负荷类型。实验所采用的负荷数据如下：1)基本负荷。居民用户的基本负荷数据来自文献[22],由美国可再生能源办公室提供的商业和居民日常用电数据集。2)可中断负荷。用户的负荷转移能力,该部分转移能力的高低与各种分布式电源(如太阳能热水器)的接入密切相关,分布式电源所能提供的电能越多,则用户在同等用电需求条件下的负荷转移能力越强。因此其与用户基本负荷的比例一定程度上反映了小区的智能化用电水平。
本文实验场景下,分别设定4个实验组,其智能用电小区可中断负荷与基本负荷的比例为1:4、2:4、3:4、4:4,结合前文分析可知,上述4组可代表不同类型场景的智能用电小区,现分别以智能用电小区A、B、C和D对其进行表示。
3.2 实验场景设置
实验仿真参数按照居民智能用电小区[23-24] (即智能社区或智能园区,smart community)多用户场景加以设置,如图3所示。
图3 实验场景设置图
设小区用户总数为100户,用户的用电负荷只包含基本负荷和可调度负荷(基本负荷不可变动,可调度负荷可以被调度)。小区内所有用户可以选择是否参与电网侧给出的互动化需求响应策略。选择参与响应电网侧策略部分的用户以本文目标函数进行求解;不参与响应策略部分的用户按照无序用电法[21]进行负荷安排。由于本文计及了参与响应的不确定性,所以在进行组内分析时,可以将理想情况下,全部用户均参与DR策略的调度后负荷曲线作为对照。
3.3 仿真结果对比分析
3.3.1 仿真组内分析
本文考虑以1 d作为描述参与率的时间尺度,即1 d内均保持采用同一个DR参与率。设计实验遍历智能用电小区所有种可能参与调度人数的情况,以差的平方和为评判标准,计算最贴近全员参与调度情况(理想情况)负荷曲线的参与度人数。本小节以智能用电小区A实验组为例,仿真结果如图4所示。
图4 负荷调度结果对比图
通过实验仿真计算得到参与人数为67人时,其经调度后的负荷曲线与完全参与的理想情况(100人)最为贴近。即在小区用户总数为100户条件下,1 d内DR策略的总体最佳参与率RoptRopt为67%。即参与响应用户占全体用电用户比例为67%时,调度策略实施效果可达相对最优(相对理想条件下)。结合公式(4)可以进一步得出相应的电网侧最优激励参考值xoptxopt。
本文是以贴近理想情况下DR策略实施效果的程度作为评价本文方法优劣的标准。因此由图4可以看出,最佳参与率下DR策略调度实现的整体效果与理想情况下的调度效果十分贴近,从而初步验证了本文方法的有效性,即最佳参与率下的调度曲线与理想情况下的调度曲线越贴近,本文策略效果越好。
针对最佳参与率下的调度后负荷曲线以及理想情况下调度后曲线的波动性分析,分别计算其负荷曲线的负荷率和均方差。各性能指标对比如图5所示。
由图5可以看出,最佳参与率下的调度后整体曲线的负荷率及均方差与理想调度情况下的数值十分接近。负荷率表征负荷变动情况,最佳参与率下的负荷率为0.639 9,理想调度情况下的负荷率为0.642 0,前者相较于理想情况下降了0.33%。均方
图5 波动性能指标对比图
差表征负荷波动程度,最佳参与率下的均方差为80.48 kW,理想调度情况下的均方差为82.01 kW,前者相较于理想情况下降了1.87%。由此分析可知,在最佳参与率下实施的DR策略,其调度效果十分逼近理想情况下的DR策略效果,综合以上两类指标分析甚至还要略优于理想情况。
3.3.2 仿真组间对比分析
在实验设置的4组不同智能用电小区场景下,分别进行仿真,并将本文DR策略与理想DR策略(小区全员参与)进行比较分析,如表1、2所示。
表1 最佳参与率对比表
表2 需求响应性能指标对比表
由表1分析可知,在不同用电场景下,DR策略存在不同的最佳参与率,即最佳参与率与智能用电小区用户负荷转移能力的大小也是密切相关的。小区A的用户负荷转移能力较小,所需的最佳参与率也相应较低;这与电网DR策略的保障用户用电满意度目标相吻合。同时对比4种场景下的参与率可以看出,参与率随着小区用户可中断负荷比重的增加而上升,但并不是简单的线性关系,从参与率的增幅可以看出,可中断负荷比重越高,最佳参与率增幅越小,增加越缓慢。
由表2分析可知,在不同类型智能用电小区场景下,本文所提DR策略的可达到理想DR策略下的实施效果。本文DR策略下的负荷率虽略低于理想情况,但相差很小,各组场景下的均方差指标还要优于理想情况。
综合上述实验分析可知,计及用户参与率不确定性的DR优化策略确实是具有有效性和实际优越性的,在最佳参与率下实施的DR策略能极大程度地贴近理想实施情况;此外,由于电网侧调度成本与参与响应的用户数呈正相关,故本文DR优化策略在保障策略实施效果的同时还降低了电网侧调度成本,提高了用户响应的不确定性对策略削峰填谷效果的容错率。
4 结论
本文针对DR策略实施过程存在用户参与不确定性的问题,建立了计及参与率不确定性的需求响应调度模型,提出最佳参与率的概念,采用分布式方法对模型整体进行求解。通过仿真分析可知,本文所提计及用户参与率不确定性的DR优化策略在多种智能用电小区场景下,能较好地实现削峰填谷目的,同时在一定程度上降低电网侧调度成本;对智能电网的DR调峰实施策略有着实际参考意义。
本文作者：彭文昊 陆俊冯勇军 王星星祁兵 崔高颖
