【精彩论文】面向主动需求响应的需求侧荷源二重性建模方法

面向主动需求响应的需求侧荷源二重性建模方法

艾欣¹, 徐立敏¹, 刘汇川², 王雪莹³, 刘宏杨³, 李一铮³

（1. 华北电力大学 电气与电子工程学院，北京 102206; 2. 国网江苏省电力公司，江苏 南京 210024; 3. 国网经济技术研究院有限公司，北京 102209）

摘要：以面向主动需求响应的荷源二重性建模方法为主题，从需求侧灵活性资源参与电网调度的视角分析了国内外在荷源二重性建模方面的研究成果，按照研究对象划分，负荷跟随电源（load-follows-generation, LFG）模型分为一般负荷、储能设备、分布式能源及其组合，对负荷响应建模、优化目标、约束条件、调度方法、控制方式等进行阐述，阐述了负荷跟随发电的模式能够实现主动需求响应，优化负荷曲线，缓解发电侧调度压力，促进可再生能源消纳。

引文信息

艾欣, 徐立敏, 刘汇川, 等. 面向主动需求响应的需求侧荷源二重性建模方法[J]. 中国电力, 2021, 54(6): 183-190.

AI Xin, XU Limin, LIU Huichuan, et al. Demand side load source duality modeling method for active demand response[J]. Electric Power, 2021, 54(6): 183-190.

引言

传统电力系统负荷建模思路是基于“电源”跟随“负荷”（generation-follows-load, GFL）^[1]，现代新能源电力系统的主要特征是含有大量分布式电源以及柔性负荷，风电、光伏发电等大规模新能源电力在电力系统中的比重不断提高，柔性负荷包括虚拟电厂、虚拟储能、产消者、可控负荷等^[2]。同时，随着信息技术的普及应用和电力市场的发展和完善，电力系统的利益主体多元化，需求侧灵活性资源在电力系统中的作用得到认可，结合现代信息技术，经济可靠、环境友好的智能电网逐步形成^[3]。

与传统电力系统不同，智能电网的一个显著特征是“负荷”跟随“电源”（load-follows-generation, LFG），即通过价格信号和激励机制增加柔性负荷在电力系统中的作用^[4]，对供需侧资源进行全面的资源规划^[5]，以适应未来能源发展需求。应用电力物联网技术，LFG通过负荷聚合形成具有“负荷”和“电源”二重属性的负荷模型，这种荷源二重性负荷模型是支撑主动需求响应的模型基础，也是本文主要研究内容。

本文首先介绍LFG模型的概念、运行机制以及功能，然后按照研究对象不同对其进行分类比较，重点研究负荷聚合的实际应用，最后提出LFG模型未来发展方向。

1  LFG模型概念

与LFG模型相对的是传统的发展成熟的GFL模型，在介绍LFG模型之前，有必要简单介绍GFL模型。

1.1  GFL 模型

GFL模型属于负荷聚合在现代电网规划调度中的典型应用。负荷模型需要具体的负荷细节，可划分为静态负荷模型和动态负荷模型^[6]，恒阻抗恒电流恒功率（ZIP）和感应电动机（induction motor, IM）模型分别是两类当中应用最广泛的模型。现代电力测量技术实现了电力系统操作员和负荷的双向流动，如今的负荷预测方法和通信手段提供实时的负荷量，目前的负荷聚合旨在实现GFL：通过负荷聚合得到用户负荷需求量，然后通过发电机调速器的调频维持频率和有功平衡，通过无功功率电源维持系统电压和无功平衡。因此负荷聚合典型公式为式中：P_A、Q_A分别为聚合后的有功、无功功率；k是用户总数；P_{k mearured}、Q_{k mearured}是用户k的负荷需求测量值。

GFL模型结构图如图1所示。

图1  GFL模型结构^[1]

Fig.1  GFL model structure^[1]

1.2  LFG 模型

随着电力市场竞争制度完善、多种分布式电源接入电网、负荷日益突出的灵活性，仅仅依靠发电厂维持系统功率平衡给发电侧带来巨大压力，因此，挖掘需求侧灵活性资源，构建具有荷源二重性的LFG模型，成为更具优势的解决方法。LFG模型，即负荷聚合时充分考虑需求侧灵活性资源，包括产消者、虚拟电厂、虚拟电池、可中断负荷、可转移负荷等，通过价格激励或政策激励，改变需求侧用户的用电行为，使一定时期内的电力负荷需求符合电力系统操作员预先的设定值。

2  LFG模型功能

2.1  实现主动需求响应

具有荷源二重性的LFG模型增强了用户和电网的交互能力，有利于挖掘用电侧的调度潜能。随着智能电网和DSM技术的深入发展，用户可主动根据电力市场的价格信号或激励信息，调整用电方式，将需求侧的可调度资源作为发电侧的供应资源，实现主动需求响应，从根本上改变单纯依靠增加装机容量满足日益增长用电需求的GFL模型。

2.2  削峰填谷以平滑负荷曲线

运用DSM技术，通过价格和政策激励，LFG模型可调度柔性负荷，使其在负荷高峰时削减或转移充电需求，达到削峰效果，在负荷低谷时增加用电量，实现填谷，从而减小峰谷值，平滑负荷曲线，提高电网安全性。

3  LFG聚合模型分类
本文依据LFG聚合模型研究对象对其进行分类，原因在于单纯研究负荷时，能够很好地看出不同负荷本身的调度潜能，体现其“源”“荷”两种性质；与储能、发电设备配合时，能形成虚拟电池、虚拟电厂等综合模型，弥补负荷调度的不可靠性。

3.1  负荷聚合模型

负荷行为具有高度随机性和不可控性，文献[5-6]针对大量用电历史数据和电力用户行为展开研究，试图建立准确的多种柔性负荷响应及控制模型。居民负荷相比工业负荷更加随机，因此本文将负荷聚合模型分为居民负荷和工业负荷两类。

3.1.1  居民负荷

（1）家庭热负荷。家庭热负荷包括空调、热水器等，是目前研究重点，基于两个原因：①用户对温度敏感度低，允许温度上下波动，只要保证舒适区间即可；②热负荷具有延迟性，断电后温度不会马上变化，有较强耐受平抑能力，因此文献[7]对家庭热负荷采取直接负荷控制（direct load control, DLC）。DLC主要有3种负荷控制策略：①直接关闭用户用电设备；②对用电设备采取开启/关闭循环控制；③调节用户侧恒温器的温度设定^[7]。

DLC热负荷可控容量P_H（t）为

满足约束条件为

式中：α_H（t）为t时刻可调控率；H_max（t）为DLC最大控制容量；ΔQ_H（t）为DLC满足室温约束下最大控制容量；ΔT（t）为室内外温差。

实际操作中往往是多目标优化模型，优化目标如下。

①最小化电力公司调度费用。电力公司调度费用F_so与系统缺额容量（也可表示为用户向电网注入功率）和激励电价η_t相关为

式中：n代表用户或聚合商数量。

②最大化Agg收益。聚合商（Aggregator, Agg）收益F_Agg来源为两部分：一是从电力公司获得的收益F₁；二是向用户支付的补偿费用F₂。

式中：为预期补偿容量；为惩罚电价；为支付用户的补偿电价。约束条件为保证室温在用户舒适温度区间内波动^[8]。

③最大化用户用电收益。用户用电收益F_pro与用户向电网注入功率用户从电网吸收功率初始电价与激励电价η_t差额、补偿电价和不适感成本有关^[9-10]。

（2）电动汽车。LFG模型另一典型应用是电动汽车（electrical car, EV），一方面，EV用户充电行为有很强的随机性，疏于引导会加剧系统负荷峰谷差；另一方面，随着V2G技术的成熟，EV又可看作是系统中移动的储能设备。单个EV的充电行为十分灵活，但经过聚合集群EV的充电行为具有规律性，模型为

式中：P_EV(t)是t时刻某区域内EV总充电功率； 分别为第i辆EV充、放电功率；  为二进制变量，表征第i辆EV充放电状态。

目前应用广泛的调控EV方法是采取有序充电控制策略，限制负荷高峰电流或通过DLC手段调度负荷或者分时电价，可平缓负荷曲线^[11]。EV的优化目标通常是使供电成本F_C最小，可表示为

式中：P代表不同时刻的功率值，是求解集群EV充电问题的控制向量。

求解模型考虑的约束有能量约束和功率约束^[12]。由于EV某一时刻的能量状态受上一时刻影响，求解中会用到迭代计算方式^[13]。

3.1.2  工业负荷

（1）可中断负荷。可中断负荷（interruptible load, IL）的具体操作流程是电力公司首先确定系统缺额容量，让负荷容量大的IL用户上报补偿电价，电网公司确定IL响应量^[14-15]。IL最优购买模型为

式中：是t时刻用户i上报补偿价格；是用户上报中断容量。

约束条件为用户上报中断容量不小于期望值，且中断时间满足用户需求。最终实际中断量P_cut（t）满足为

式中：T_cut是设定的中断时间段。

（2）可转移负荷。可转移负荷指总用电量不变，用电特性较灵活，可将用电特性平移的负荷，主要也指工业大负荷，其模型为^[16-17]

式中：P_shape（t）为t时段可转移负荷量；f₁（t）为其初始用电曲线；f₂（t）为其转以后用电曲线；Δt（Δη）为由于电价变化Δη引起的负荷转移时段。

IL和可转移负荷的突出优势是可将用户一天中转移的或中断的负荷看作自己生产的电能，使得用户节省了电费，成为能源市场中的活跃部分^[17]，对电力系统的作用表现在调峰和风险规避两方面。关于调峰，文献[18]建立EV和IL参与调峰的数学模型。关于风险规避，文献[19]提出日前和实时两阶段电网风险调度决策方法；文献[20]指出IL是基于激励的需求响应资源，以系统运行成本最小为目标，构建IL优化调度模型。

（3）负荷聚合模型。负荷聚合模型组织方式是双层优化模型：在用户侧建立柔性负荷运行模型^[21]，以家庭用电费用最优为目标，将总用电需求信息传给Agg；Agg以自身经济收益最大为目标，建立售电决策模型，将动态价格信息传递给用户，构成售用侧相互协同的双层迭代模型^[22-23]。在Agg层面，聚合得到的总用电模型P_A（t）为

Agg要实现的基本目标^[1]为

式中：P_n（t）代表不同负荷类型，包括热负荷、EV、IL、可转移负荷以及常规负荷；N是总负荷类型数。不同的P_n（t）有不同的控制变量，改变这些控制变量可使实际需求满足预先设定值；P_D（t）为t时刻电力公司分配给Agg的功率。传统GFL模型将测量得到的数值直接求和即为Agg功率值，LFG模型则将负荷分类求和，同时价格和成本在LFG模型中是关键决策因素。

3.2  负荷+储能聚合模型

在实际操作中，LFG模型调度负荷峰值时减少用电需求，相当于增加系统的正备用容量；激励负荷在低谷时增加用电需求，相当于增加系统负备用容量，但这种建模不够稳定，因此文献[24]将负荷和储能联合建模，共同优化负荷曲线。

文献[24-25]将这类模型类比电池荷电状态，对外表现用虚拟电池（virtual battery, VB）模拟，进而研究对电网作用。VB的通用模型为

式中：P_t、E_t分别为t时刻VB充放电功率和能量；分别为功率传输下限和上限；  分别为VB储能下限和上限。

难点是这类研究往往针对多种负荷，实际操作中有必要考虑负荷操作优先级。文献[24]引入标识优先列表归一化。文献[25]研究一组可延迟负荷的模拟电池能力，提出混合松弛策略，在整体负荷吸收和释放能量的能力之间进行不同的权衡。

3.3  负荷+可再生能源聚合模型

风力发电和光伏发电大量接入电网，但其受天气和地理位置影响较大，具有不可控性，无法及时消纳，危害电网。根据LFG，具备荷源二重性的负荷能使负荷曲线满足随机的可再生能源发电曲线，本文依据可再生能源种类分类研究。

3.3.1  负荷+风力发电负荷模型

风力发电特点是在白天负荷高峰时风电出力少，夜晚负荷低谷时风电出力多，弃风现象严重。LFG调整负荷运行方式，促进风电消纳。

由于风电出力预测的不确定性，当风电出力小于预测值时，可利用负荷的荷源二重性，将IL视为系统正备用，相当于增加发电机备用容量，减少投资。实际运行中更加突出的问题是夜间风电出力多于实际负荷，早期解决方法是调度可转移负荷实现填谷，具体措施有^[26-27]：（1）将需求响应资源聚合成虚拟电厂（virtual power plant, VPP），负荷低谷时，VPP有负出力能力，降低弃风电量^[28]。（2）对集群EV建模后在价格和政策激励下改变其充电行为，应对风电随机性^[29]。（3）调控热负荷^[30]。

建立优化模型目标函数为最小化成本F，成本包括传统机组组合运行成本F_t、负荷调度成本F_l以及削负荷和弃风惩罚成本F_p为

式中：C_G,i,t、C_UG,i、U_G,i,t分别为传统发电机组i的运行成本、启动成本、运行状态；C_I,t,i、C_P,t,i分别为激励型和价格型需求响应成本；P_LS,t、P_WS,t分别为负荷削减量和弃风量；η_LS、η_WS分别为削负荷单价和弃风惩罚单价^[30]。约束条件为满足功率平衡约束和各个组成成分内部约束。

这是一个典型的多目标非线性规划问题，文献[31]研究热负荷的全局温度设定点对目标功率的影响。文献[32]使用ADMM法求解，减少传输信息量。

由于风电在不同时间尺度上预测误差不同，电网调节负荷能力在不同时间尺度上存在差异，文献[33-34]提出“多级协调、逐级细化”的多时间尺度协调的负荷需求响应调度策略。文献[35]针对电力事故，构建1 h时间尺度的电网随机再调度模型。多时间尺度的配合使负荷调度更加可靠。

3.3.2  负荷+光伏发电聚合模型

光伏发电接入电网的困难有：一是光伏发电受天气影响，难以准确预测；二是光伏发电量受地理位置影响，无法就地消纳。

实施过程中，调度方式大致与3.3.1相同，不再赘述。

调度中常用到光伏运营商成本F_PV和光伏消纳率S_PV，表达式分别为

式中：η_d、η_e、η_PV分别为用户电价、光伏上网电价光伏补贴电价；P_d,t、P_e,t、P_PV,t分别为t时刻用户负荷功率、光伏上网功率、光伏出力；E_SC为负荷消纳光伏电能；E_FC为柔性容量储能消耗光伏电能。

文献[36]针对点对点光伏产消者的微电网，提出能量共享模型，验证该模型在节约光伏产品生产成本和提高光伏能源共享方面的有效性。

3.3.3  负荷+多种可再生能源聚合模型

文献[37-40]在综合研究负荷和多种可再生能源联合调度时，从市场层面针对价格敏感负荷进行宏观调控。文献[37]研究交互能源，适用于电网中接入大量分布式能源。文献[38]提出了针对分布能源的调度架构模型和求解方法。文献[39]提出多个VPP之间通过签订合同制定价格电能互补。

与上述文献侧重于区域间协调合作不同，文献[40]仅针对单一Agg，提出两阶段鲁棒Stackelberg博弈模型，解决产消者日前能源管理问题。

3.4  负荷+储能+可再生能源聚合模型

尽管目前电能储能设备造价高昂、容量有限，但为了维护系统稳定性，仍然广泛存在于电力系统，在研究LFG时，考虑储能设备为调度方式提供更多可能性，将有荷源二重性的需求侧资源与供应侧资源同等对待，实现社会总成本最小^[41-42]。

对于风电消纳，文献[43]在建立核-火-VPP三阶段联合调峰模型，由储能设备产生的运维成本F_et为

式中：η_e是运维价格；P_et是储能设备有功出力；P_etin、P_etout分别是储能设备充、放电功率。

对于光电消纳，文献[44]用鲁棒边界VB模型量化描述不确定的分布式能源。文献[45]针对价格敏感负荷，提出分时电价下储能充放电策略及微网优化运行策略。

4  结论

分析了近年来需求响应技术发展过程，主要针对LFG模型进行了研究，主要结论如下。（1）提出了一种基于荷源二重性的LFG建模思路。传统GFL模型将测量得到的负荷功率值简单聚合相加，LFG模型在负荷分类聚合后，形成电力公司与Agg、Agg与用户之间信息传递的双层结构，改变影响可控容量的控制变量，即可提高聚合后负荷的可调能力。（2）价格和激励是实现LFG模型和主动需求响应的关键因素，优化成本为多目标优化模型时，选取不同优化对象，则优化目标有所差异。（责任编辑　杨彪）

作者介绍

艾欣(1964—)，男，博士生导师，教授，从事新能源电力系统及微网研究，E-mail：[e-mail];

★

徐立敏(1996—)，女，通信作者，硕士研究生，从事电力系统分析与控制研究，E-mail：[e-mail].

 往期回顾 

编辑：杨彪

审核：方彤、蒋东方‍

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。