摘要
提出一种家庭柔性负荷管理和售电公司售电决策协同优化模型。在居民用户侧,利用洗衣机、热水器、洗碗机和电动汽车充电过程的可时移性和周期性,以及电动汽车的储能特性,建立了以上述设备为对象的柔性负荷运行模型,以家庭用电费用最优为目标,制定了动态电价激励下的家庭负荷优化策略,用响应程度衡量参与优化调度的用户比例,并将总用电需求信息传递给售电公司;在售电公司侧,以售电公司经济收益最大为目标,建立了售电决策模型,制定日前购电方案和动态电价,并将价格信息传递给用户,因此构成了售用相互协同的双层迭代模型。算例基于遗传算法和yalmip优化工具箱进行仿真,采用情景分析法处理不同家庭用电需求预测的不确定性,调整响应程度分析日前购电问题。千个家庭的仿真结果验证了本优化策略能够协调解决用售双方利益,提高双方经济性,同时还有降低短时负荷峰值的能力。
（来源：电网技术 作者：贾雁冰, 杨阳方, 刘继春, 阮振, 饶华）
关键词 :家庭能源管理系统;需求响应;售电公司;柔性负荷;双层优化;
0 引言
如今,我国需求响应(demand response,DR)项目在工业、商业用户侧已得到了广泛的实施且逐渐成熟,手段包括：可中断负荷、直接负荷控制、实时电价策略和分时电价策略等[1]。居民用户用电需求灵活,可调节性强,是现阶段实施DR达到削峰效果的潜在主力,但同时居民用户在用电行为和需求方面个体间差异性大,缺乏集中的管理方,DR信号若直接发布给居民用户收效甚微。
家庭能源管理系统(home energy management system,HEMS)作为智能电网在居民用户侧的延伸,通过与供电方的信息交互,达到管理居民用户执行DR命令的作用。HEMS是以智能电网和智能家居为基础,将家庭中用电设备、储能系统等结合在一起的智能控制系统[2]。它可以根据DR信号为用户制定家庭用电计划,并且在满足用户舒适度和其他要求的前提下对家用设备智能管控,用户根据自身情况决定是否接受并实施。因此,结合家庭能源管理系统能够进一步开发居民用户的需求响应潜力。由于HEMS管理下的家庭负荷优化调度能够提升居民侧的DR能力,提高居民侧的用电效率,减少能源浪费[3],引起了学术界的热议。
在结合DR信息制定负荷管理策略方面,文献[4]建立了动态电价下的家庭用电优化管理模型;文献[5]提出了一种基于启动时间延迟的家庭负荷管理优化策略;文献[6]基于粒子校正优化对包含智能用电负荷的多用户提供了一种需求响应调度策略;文献[7]抽象出3种家电负荷类型并建立了对应的控制模型和DR策略,来减少用电费用和缓解电网负荷;文献[8]中的家庭能源优化算法考虑了电动汽车EV(electric vehicle)在高电价时段利用V2H (vehicle to home)功能向负载供电的情况,并对各类预测值进行不确定性分析。上述研究考虑的是家庭用户与电网间的直接交互,并没有考虑在售电公司代理用户的情况下的信息互动。
售电公司代理用户以后,应综合考虑用户灵活需求和售电成本来制定购电和定价策略[9]。合理的购电量和价格信息能够在保证自身利润最优的同时,达到引导用户改变用电习惯,促使其积极完成DR的目的。售电公司代理用户时考虑双方信息互动和经济效益的购售电策略研究如下：文献[10]建立了纳入分布式电源和可调负荷的售电公司的优化调度模型,较为全面地考虑各种经济性和安全性约束,实现了售电公司运行经济效益最大化。此处对可调负荷的考虑是直接控制居民用户热储能负荷以及大工业用户的可中断负荷,未对居民用户的DR能力和经济效益作详细分析。文献[11]基于心理学构建了用户选择售电公司行为模型并计及可中断负荷制定了售电公司营销策略。虽基于用户的行为模型模拟了用户对电价刺激的响应,但缺乏深入刻画用户行为下对负荷的运行模型的影响,对用户侧的考虑分析不够精细。文献[12]以售电公司利润最大化和用户用电效用最大为目标建立了双层优化模型,提出了具有DR能力用户的用电负荷模型,模型笼统地将用户负荷分为了可转移负荷和可削减负荷将其作为DR资源由售电公司代理参与市场交易,缺少对负荷运行模型的深入刻画,未曾考虑EV进入家庭后,家庭负荷结构的变化;售电公司虽有购电决策方案,但用户侧没有提出具体用电优化策略。文献[13]用随机规划法模拟灵活多变的用户行为和市场信息来确定售电公司日内市场竞价策略,并未在日前制定面向用户的动态电价信息和居民用户在DR响应后应作出的用电计划安排。总体而言,现有研究少有将具有DR能力的居民用户的家庭负荷管理和售电公司的营销决策协同优化,并同时为两者提供具体优化策略。
本文研究以居民用户和售电公司为对象的经济优化问题。居民用户和售电公司是2个独立又具有一定联系的主体,独立是指双方只能决策自身变量,联系是指售电公司代理用户购电并为用户供电,双方必须满足实时功率平衡。若以多目标等方法让其独立决策变量往往会导致双方利益不是最优。在上述背景的前提下,本文建立了价格DR激励下家庭柔性负荷管理和售电公司售电决策双层优化模型,实现双方协同优化的目的。上层以居民用户用电成本最优为目标,建立了家庭设备中具有可时移性[14]、周期性和储能性的柔性特征的负荷运行模型,如洗衣机,热水器,洗碗机和电动汽车;根据售电公司发布的动态电价信息通过HEMS对柔性负荷用电时段进行控制,在这过程中,为满足用户舒适度要求,增加日常用电约束,时间偏好约束,电动汽车储能约束等,制定用户经济最优的用电计划;下层以售电公司净收益最大化为目标,建立了售电决策模型,其中售电成本包括售电公司根据往期负荷预测情况在日前市场的购电费用,实时用电误差引起的在现货市场购电费用,以及日前购电与实时用电的不平衡量惩罚;考虑到售电公司市场竞争力和市场份额增添了电价约束,结合以上制定了动态电价,将价格回传给上层。算例采用遗传算法和yalmip工具箱对模型求解,得到了兼顾双方利益的用电计划和定价方案。本文建立了考虑EV引入后的家庭柔性负荷运行模型,解决了售电公司代理用户后动态电价DR下用户用电的优化调度问题,最终实现了用户用电费用最优与售电公司运行经济效益最大化的问题。
1 售用双方协同决策结构
双层规划一般定义为上层的决策能影响下层的行为,而下层的反应能部分影响上层的决定[15]。一般考虑需求响应计及用户效益的研究将用户放于下层,但本文着重于研究售电公司代理后,HEMS如何通过增强家庭负荷管理,开发DR在居民侧的能力。以净收益最大化为目标的售电公司需要综合依据用户用能、用电舒适度及需求响应情况进行购售电决策,实现对动态电价的定价,促使用户积极响应;而以用电成本最优为目标的用户需要根据售电公司发布的动态电价信息进行柔性负荷用电时段的调整,利用需求响应能力制定达到一定舒适度的用电计划,售电公司和用户属于互相制约与影响的关系,本文上层基于用户建模,下层基于售电公司建模。
双层优化决策为日前优化,由于HEMS对家庭负荷的控制需要由用户根据自身情况决定是否接受并实施,为模拟这一决定造成的实时影响,把研究的居民用户群分为2大群组：一类为响应组,用户按照HEMS在电价激励下以用电费用最小为目标做出的用电计划进行用电操作;另一类为非响应组,用户不接受HEMS的计划安排,按照自行需求用电。双层优化结构主要如图1所示。
上层考虑居民用户用电费用最省,下层考虑售电公司净收益最大,以用电需求作为上下层沟通的桥梁。上层以参与调度洗衣机,热水器,洗碗机和电动汽车这类柔性负荷的启动状态为决策变量,根据电价制定的用电计划,结合非响应群组将总体各时段用电需求传递给下层。下层根据该信息制定次日实时销售电价,再将动态电价发布给居民用户再次制定用电计划,重复迭代,直至居民用户用电费用最优且售电公司净收益达到最大时停止,最终得到兼顾居民用户和售电公司利益的最优规划。此处不考虑日前优化中对实时市场信息和实时用电需求的预测造成的误差。
2 家庭柔性负荷管理模型
2.1 负荷运行模型
2.1.1 刚性负荷运行模型
正常家庭电器中具有不可时移、离散运行特性称为刚性负荷,如照明,娱乐,烹饪等相关设备。刚性负荷在家庭用户中属于不可调节的必须用电需求,无论何时都需要优先被满足。
5 仿真及算例分析
5.1 模型参数
本文针对拥有电动汽车的智能家庭进行能源优化调度,假设售电公司为1000户家庭提供灵活的电力需求,其中规划周期为24 h,再根据参与优化的家庭设备的具体运行特性,将用户侧规划周期时段细分为96个,即Δz=15minΔz=15min。
由于各个家庭日常用电需求有所差异,因此本文根据家庭设备日常使用概率,模拟了多种用电情景,表1是各设备相关参数。其中：NxhNhx表示不同情景下各设备的负荷任务周期循环次数;zsti,hzi,hst表示不同情景下各设备的理想启动时间范围。由于本文加入了电动汽车结合储能系统在空闲时间为整个家庭提供部分电量的情况,因此放电时间控制在少有出行需求的夜间时段。为了使最终家庭优化方案在用户群体中得到广泛接受,避免延迟启动过久影响用户生活,本文充分考虑了用户舒适度约束,将延迟范围控制在理想启动时间zsti,hzi,hst的3 h内。为满足日常需求,单个负荷周期数设为qi,h=1qi,h=1。
现今中国电力市场仍在改革试运行阶段,市场尚不成熟,数据参考性不佳。因此本文采用某工作日美国PJM市场的实时情况[20],得到日前市场电价,现货市场电价,日前负荷预测等数据,结合所提出的双层优化模型对用售两侧进行算例仿真。相关电价参数见表2,以现货市场价格作为调节价格,日前与现货市场电价信息如图4所示。
针对售电公司面对的1000户家庭用电需求,并考虑到在DR响应程度为55%,图5表示日前购电量与日前市场电价关系的投标曲线,结合历史数据得到的日前负荷预测,可以得到日前市场电价与日前购电量的关系为：
5.2 算例结果及分析
经一个规划周期的优化计算后,响应群家庭柔性负荷启动安排如图6所示。
图6 响应群家庭柔性负荷启动安排Fig. 6 Start arrangement of domestic flexible load in response group
在响应程度d=55%,即响应群家庭为550户时,总用电费用为3371.53元,此时未响应群450户,总费用为4447.69元。售电公司收益为8067.32元。响应群平均每户家庭比为响应群减少3.75元,费用节省37.99%。对每户家庭而言,在保证日常用电的基本需求后,通过本文提出的家庭柔性负荷优化和电动汽车的充放电规划,能够有效降低用户用电费用。图7是优化前后1000户家庭总日负荷对比以及此时的动态电价。从图中可知,经过基于动态电价的需求响应后,负荷峰值明显趋于平缓。大部分用电任务转移到了傍晚和凌晨这2个电价相对较低的时段。由于3 h延迟限制和用户偏好时间约束,即便凌晨时段电价最低,用电负荷较优化前只是轻微增加。并且由于考虑了电动汽车的储能特性,能够在夜间放电供能,使4:00—6:00的用电负荷得到削减。整体而言,本文提供家庭能源优化策略对负荷曲线起到了一定程度上的削峰效果。
基于上述得到的响应程度为d=55%时的结果,下面进一步分析参数变化对计算结果的影响。
1）响应程度dd变化时对用售双方的影响。
表3为4组不同响应程度影响下家庭费用及售电公司收益的数值,可以得到,随着响应程度增加,响应群组平均每户家庭日用电费用降低;图8是各响应程度下优化前后总日负荷对比,可以看出对于该居民用户群体而言,随响应程度增加,总负荷削峰情况也随之增强,在凌晨时段,负荷的延迟启动效果也随着响应程度的增加变得更加显著。
通过计算对应响应程度的电价峰谷比发现,电价峰谷比与响应程度之间的曲线关系如图10所示。图10的曲线说明：响应程度的越大,代表更多用户选择在动态电价下积极响应,售电公司会因此增大电价峰谷差从而使自身效益最大化。另一方面,电价峰谷差异增大,对用户而言适当推迟使用时间来达到节省费用的诱惑度就越大,较大的峰谷比会促使更多用户在动态电价作用下积极响应[21],进一步体现了售用双方相互影响、相互制约的关系。
同时由于动态电价的灵活特性符合用户日常用电需求,非响应群体用电费用也随响应程度得到了减少。
2）购电量比例值对售电公司的影响。
根据表3数据可以看出,售电公司收益随着响应程度增加略微下降,这是因为在做响应程度对比数据时,对于售电公司的日前购电量并未根据用户
负荷水平作出调整。实际决策中,由于响应程度的变动对实时用电负荷曲线的改变,售电公司也会对于日前购电量作出相应调整,以减少日前购电和实时用电量产生不平衡量以后造成的经济损失。
结合图11和响应程度变化调整售电公司购电量,代入模型进行优化计算后,得到售电公司的收益分别为：d=25%时,收益为8034.12元;d=75%时,收益为9076.45元;d=100%时,收益为9869.01元。可以清晰地观察到,配合投标曲线后,售电公司收益在居民用户响应程度增加以后,得到了显著提高。这说明了本文提出的双层优化模型实现了用售双方利益的双赢,并为用户侧提供了清晰的调度安排,给售电公司提供了电价制定和购电策略。
图11 各响应程度下的投标曲线Fig. 11 Bidding curves in different degree of demand response
6 结论
本文提出的价格DR激励下家庭柔性负荷管理和售电公司售电决策的双层优化模型,经仿真结果表明,通过安排家庭部分柔性负荷启动时间和为售电公司制定灵活的实时销售电价,能够在家庭用电费用最省的同时保证售电公司利益最大化。在算例分析中可以得到以下结论：
1）本模型通过时间延迟对负荷进行管理能够改善总体负荷曲线,达到一定程度的削峰效果。随响应程度的增加,削峰效果增强。
2）响应程度和动态电价峰谷比息息相关。通过多组响应程度下电价对比可以发现,响应程度和电价峰谷比成正比关系。动态电价是引导用户改变用电行为的激励,电价峰谷比相差越大,对用户激励越强,更多用户会选择接受制定的用电计划。
3）日前购电量与响应程度有一定关系,响应程度代表用户参与DR的比例,间接体现了实际用电需求。结合响应程度对负荷的削峰效果可以调整日前购电量,以降低售电公司购电成本。
灵活的动态电价的定制不仅能够促使用户积极进行需求响应,还能让售电公司在竞争激烈的电力市场上得到更多用户的青睐,提高其竞争能力。但本文考虑的可时移负荷种类较少,缺乏对更多大功率家用设备的进一步建模。由于本文是日前优化,对于实时市场的数据多采用预测的手法进行仿真,结果会与实际有一定误差,此后研究会针对误差做出改进。
参考文献
[1]PipattanasompronM,KuzluM,RahmanS.An algorithm for intelligent home energy management and demand response analysis[J].IEEE Trans on Smart Grid,2012,3(4):2166-2173.
[2]王德志,张孝顺,余涛,等.基于帕累托纳什均衡博弈的电网/多元家庭用户互动多目标优化算法[J].电力自动化设备,2017,37(5):114-128.WangDezhi,ZhangXiaoshun,YuTao,et al.Multi-objective optimization algorithm based on Pareto curve and Nash equilibrium game for interaction between grid and multi-home user[J].Electric Power Automation Equipment,2017,37(5):114-128(in Chinese).
[3]Alahmad MA,Wheeler PG,SchwerA,et al.A comparative study of three feedback devices for residential real-time energy monitoring[J].IEEE Trans on Industrial Electronics,2012,59(4):2002-2013.
[4]KumaraguruparanN,SivaramakrishnanH,Sapatnekar SS.Residential task scheduling under dynamic pricing using the multiple knapsack method[C]∥Proceedings of the 2012 IEEE PES Innovative Smart Grid Technologies Conference Europe.Gothenburg,Sweden,2012:1-6.
[5]孙毅,周晋宇,李彬,等.基于启动时间延迟的家庭负荷管理优化策略[J].电力自动化设备,2017,37(2):83-89.SunYi,ZhouJinyu,LiBin,et al.Optimization strategy based on start- time delay for domestic load management[J].Electric Power Automation Equipment,2017,37(2):83-89(in Chinese).
[6]陆俊,彭文昊,朱炎平,等.基于粒子校正优化的智能小区需求响应调度策略[J].电网技术,2017,41(7):2370-2377.LuJun,PengWenhao,ZhuYanping,et al.A scheduling strategy based on particle correction for intelligent power demand response[J].Power System Technology,2017,41(7):2370-2377(in Chinese).
[7]付蔚,敬章浩,罗志勇,等.基于分时电价的智能家电控制方案[J].电网技术,2015,39(3):717-723.FuWei,JingZhanghao,LuoZhiyong,et al.A time-of-use pricing based control scheme for intelligent household appliances[J].Power System Technology,2015,39(3):717-723(in Chinese).
[8]张延宇,曾鹏,臧传治.智能电网环境下家庭能源管理系统优化调度算法[J].电力系统保护与控制,2016,44(2):18-26.ZhangYanyu,ZengPeng,ZangChuanzhi.A scheduling algorithm for home energy management system in smart grid[J].Power System Protection and Control,2016,44(2):18-26(in Chinese).
[9]国家发改委.关于推进售电侧改革的实施意见[Z].2016.
[10]顾伟,任佳依,高君,等.含分布式电源和可调负荷的售电公司优化调度模型[J].电力系统自动化,2017,41(14):37-44.GuWei,RenJiayi,GaoJun,et al.Optimal dispatching model of electricity retailers considering distributed generator and adjustable load[J].Automation of Electric Power Systems,2017,41(14):37-44(in Chinese).
[11]罗琴,宋依群.售电市场环境下计及可中断负荷的营销策略[J].电力系统自动化,2015,39(17):134-139.LuoQin,SongYiqun.Marketing strategy in competitive retail market considering interruptible load[J].Automation of Electric Power Systems,2015,39(17):134-139(in Chinese).
[12]任艺,周明,李庚银.考虑用户需求响应的售电公司购售电决策双层模型[J].电力系统自动化,2017,41(14):30-36.RenYi,ZhouMing,LiGengyin.Bi-level model of electricity procurement and sale strategies for electricity retailers considering users’demand response[J].Automation of Electric Power Systems,2017,41(14):30-36(in Chinese).
[13]MengSong,AmelinM.Purchase bidding strategy for a retailer with flexible demands in day-ahead electricity market[J].IEEE Transactions on Power Systems,2017,32(3):1839-1850.
[14]孙川,汪隆君,许海林,等.用户互动负荷模型及其微电网日前经济调度的应用[J].电网技术,2016,40(7):2009-2015.SunChuan,WangLongjun,XuHailin,et al.An interaction load model and its application in microgrid day-ahead economic scheduling[J].Power System Technology,2016,40(7):2009-2015(in Chinese).
[15]童小娇,尹昆,刘亚娟,等.包含可控负荷的微电网经济调度[J].电力自动化设备,2015,35(10):21-28.TongXiaojiao,YinKun,LiuYajuan,et al.Economic dispatch for microgrid with controllable loads[J].Electric Power Automation Equipment,2015,35(10):21-28(in Chinese).
[16]王珂,姚建国,姚良忠,等.电力柔性负荷调度研究综述[J].电力系统自动化,2014,38(20):127-135.WangKe,YaoJianguo,YaoLiangzhong,et al.Survey of research on flexible loads scheduling technologies[J].Automation of Electric Power Systems,2014,38(20):127-135(in Chinese).
[17]Fleten SE,PettersenE.Constructing bidding curves for a price-taking retailer in the Norwegian electricity market[J].IEEE Transactions on Power Systems,2005,20(2):701-708.
[18]王林炎,张粒子,张凡,等.售电公司购售电业务决策与风险评估[J].电力系统自动化,2018,42(1):47-54.WangLinyan,ZhangLizi,ZhangFan,et al.Decision-making and risk assessment of purchasing and selling business for electricity retailers[J].Automation of Electric Power Systems,2018,42(1):47-54(in Chinese).
[19]JeroslowR.The polynomial hierarchy and a simple model for competitive analysis[J].Mathematical Programming,1985,32(2):146-164.
[20]李鹏,何帅,韩鹏飞,等.基于长短期记忆的实时电价条件下智能电网短期负荷预测[J].电网技术,2018,42(12):4045-4052.LiPeng,HeShuai,HanPengfei,et al.Short-term load foreing of smart grid based on long-short-term memory recurrent neural networks in condition of real-time electricity price[J].Power Systems Technology,2018,42(12):4045-4052(in Chinese).
[21]蔡珑,顾洁,金之俭,等.居民用户需求响应行为影响因素辨识与响应特性提取[J].电网技术,2017,41(7):2378-2385.CaiLong,GuJie,JinZhijian,et al.Study on factor identification and feature extraction of residential demand response behavior[J].Power System Technology,2017,41(7):2378-2385(in Chinese).
原标题：售用双方协同优化的家庭柔性负荷管理策略
