配电网用户侧多类型柔性资源调节能力评估方法
张俊成1 , 黎敏1 , 刘志文2 , 谭靖1 , 陶毅刚1 , 罗天禄1
（1. 广西电网有限责任公司，广西 南宁 530023; 2. 南方电网能源发展研究院有限责任公司，广东 广州 510670）
摘要： 随着新能源渗透率逐渐增加，配电网源荷匹配难度也随之增大，有必要充分挖掘用户侧柔性资源的调节潜力。为了对配电网用户侧多类型柔性资源调节能力开展评估，首先，提出配电网柔性资源集群调节能力评估框架，包含节点级和系统级2个层面；其次，基于条件风险价值模型建立温控负荷、电动汽车、分布式储能等用户侧柔性资源的响应模型，得到节点级柔性资源可调节能力指标；然后，分别以负荷峰谷差最小和新能源消纳量最大为目标函数，综合考虑配电网运行约束、柔性资源调节约束等，建立系统级柔性资源可调节能力评估模型；最后，在Portugal 54节点系统中进行了算例分析，结果表明所提方法可以有效量化评估配电网多类型柔性资源集群调节能力。
引文信息
张俊成, 黎敏, 刘志文, 等. 配电网用户侧多类型柔性资源调节能力评估方法[J]. 中国电力, 2023, 56(9): 96-103, 119.
ZHANG Juncheng, LI Min, LIU Zhiwen, et al. An evaluation method for multi-type flexible resource regulation capability on the user side of distribution networks[J]. Electric Power, 2023, 56(9): 96-103, 119.
引言
随着新型电力系统的构建，电网新能源接入量逐渐增大，新能源的随机性和间歇性严重影响了源侧的可调节能力，源荷匹配难度也随之增加[1-4] 。在此背景下，配电网用户侧柔性资源逐渐受到重视，成为参与配电网调节的重要工具。配电网用户侧柔性资源指中低压侧直接由用户管理的可调节负荷及储能设备，主要包括温控负荷、电动汽车、分布式储能等。将用户侧的柔性资源利用起来，可以有效解决新能源接入带来的消纳问题，以及传统火电机组占比减少所带来的极短时间尖峰负荷的平抑问题。当用户侧柔性资源利用率较高时，可以有效降低系统的运行成本，在适应新能源和负荷增长的同时延缓配电网的升级改造。为充分发挥用户侧柔性资源的可调节潜力，需要对其可调节能力开展量化评估计算，一方面可以为柔性资源的接入提供指导，另一方面也可以辅助配网规划。已有部分国内外专家学者开展了用户侧柔性资源的调节能力评估或测算相关方面的研究，文献[5]针对可调节负荷的调控能力，构建了以“可观、可测、可调、可控”4个维度为核心的评估指标体系，设计了可调节负荷调控能力评估流程。文献[6]以单设备潜力聚合法负荷调节能力模型为基础，建立完整的实时需求响应数学模型，明确其求解和效益评估过程，实现了负荷调节能力模型的实时快捷计算。文献[7]提出了一种基于温度预报的户用电采暖负荷可调节能力评估方法，基于户用电采暖暂态热平衡关系模型，引入某一时段数值天气预报的温度参数，进行仿真计算，评估出该时段在满足人体舒适的温度区间下的户用电采暖的负荷可调节能力。文献[8]在有源配电网的优化过程中，考虑了柔性负荷的可调节能力，通过调整分布式电源出力值和柔性负荷值，优化配电网运行状态。文献[9]采用随机混合模型建立延迟型和温控型2类用电负荷模型，保留有关单个负荷约束的量化信息，同时丢弃有关设备所有者身份的信息，在完成柔性负荷可调节能力测算的同时，保护了用户隐私。文献[10]提出一种利用柔性设备平抑尖峰负荷的方法，通过各种柔性负荷分布式协调动作，调节电网配变层面的负荷曲线，并在配电网中验证了柔性负荷的可调节潜力。文献[11]提出了一种完全基于价格的柔性负荷调节能力计算方法，采用非线性价格信号对不同类型的柔性负荷实施分布式控制，基于此获得较为准确的柔性负荷调节能力。文献[12]提出了一种基于聚类和估计的两阶段需求响应集群基线负荷估计方法，实现了集群后的需求响应用户基线负荷的估算。为实现考虑用户用电行为多维影响因素作用下的精准聚类，文献[13]提出考虑用户负荷特性和可调节潜力的用户用电行为综合分类方法，设计一种融合k -means和自组织竞争神经网络（self-organizing competitive neural network，SOM）进行二次聚类以及BP神经网络进行反向调整修正的综合聚类方法。除了直接对柔性资源的调节量进行评估以外，也有部分文献利用一些系统级指标来反映柔性资源调节能力对配电网的影响。文献[14]考虑灵活资源的调节潜力，评估高压配电网对新能源的接纳能力。文献[15]综合考虑多种场景和多时间尺度灵活性指标，提出了基于信息熵和DS证据理论的配电网灵活性评价方法。文献[16]研究了电动汽车负荷调节能力以及网络重构等其他措施对配电网弹性提升的影响。文献[17]考虑了需求响应、多类型储能等设备对系统可靠性评估结果的影响。以上文献分别从新能源接纳能力、灵活性、弹性、可靠性等系统级指标间接反映了柔性资源的调节能力。但现有研究大多只关注具体时段的调节容量，没有在用户侧柔性资源调节与配电网运行的系统级指标间建立映射关系，不能为实际生产中配电网柔性资源的接入提供指导。基于此，本文针对分布式储能、电动汽车、温控负荷3类用户侧柔性资源，提出配电网用户侧多类型柔性资源调节能力评估方法，并在Portugal 54节点系统中进行了算例分析，结果表明所提方法可以有效量化评估配电网多类型柔性资源集群调节能力。
1 节点级柔性资源集群调节能力评估方法
1.1 柔性资源集群调节能力评估框架 为了充分评估用户侧柔性资源集群的调节能力，本文提出包含节点级和系统级2个层面的综合评估框架，如图1所示。
图1 用户侧柔性资源集群调节能力评估框架
Fig.1 The framework for evaluating the regulating ability of user side flexible resource clusters
其中，节点级层面主要考虑柔性资源集群后各节点的基准负荷、各时段上下调节量等性能指标；系统级层面则主要考虑用户侧柔性资源对平抑尖峰负荷、促进新能源消纳的贡献，对应为负荷峰谷差和新能源消纳量指标。节点级指标通过建立响应偏差模型进行评估，系统级指标则基于各节点级指标，建立起相应的优化模型并求解。1.2 条件风险价值模型 条件风险价值模型[18-21] 最初用于投资风险度量，其特点是在给定置信水平下，计算出损失超过风险价值的条件期望值。典型的条件风险价值模型为
式中： V CVaR (α ) 为置信水平 1−α 下的条件风险价值； E (⋅) 为期望值； X 为损失的随机变量； P (⋅) 为概率； V VaR (α ) 为置信水平 1−α 下的风险价值。 用户侧柔性资源的响应偏差与投资风险具有相似的特点，且条件风险价值模型能够通过响应偏差的概率密度表示出来，这与当前配电网用户侧柔性资源的普遍建模方式相契合，故本文采用条件风险价值模型描述配电网用户侧多类型柔性资源的响应偏差，并进一步计算节点级柔性资源集群调节能力指标。1.3 多类型用户侧柔性资源响应模型 P AC 为温控设备功率； μ 为温控设备的制冷系数； R 为房间等效热阻； C 为等效热容；t 为时刻； Δt 为相邻时刻的时间间隔；分别为 t 时刻房间温度与外界温度。 温控负荷必须满足舒适度约束为 式中： T min 、 T max 分别为满足用户舒适度的最低、最高温度。 据此，可以依次计算出不同室外温度 T out 下温控负荷的响应偏差，统计当地的全年室外温度，即可将室外温度对应至某一置信水平，从而得到不同置信水平下温控负荷调节量的响应偏差。文献[22]给出了温控负荷的相关参数，如表1所示。
表1 温控负荷参数
Table 1 Parameters of temperature controlled load
2）电动汽车电动汽车在闲置时接入电网，可以通过充电和放电来响应电网公司的激励，其响应情况对于自身电池的电量和未来里程计划情况较为敏感。
已有研究分析了电动私家车的起始充电时间满足2段正态分布模型[23-25] ，而日行驶里程符合对数正态分布 f d (x ) ，即
μ =3.7； σ =0.92；x 为行驶里程的随机变量。通过行驶里程，可以得到满足未来里程的最小电量，电动汽车用户需要满足未来里程电量约束为E (t ) 为 t 时刻电动汽车自身电量； E min (t ) 为下次充电前计划里程的最小所需电量。通过收集电动汽车出行里程和充电效率信息，可以得到不同置信度下电动汽车调节量的响应偏差。3）分布式储能一般而言，分布式储能用户通过低储高放的运行策略赚取收益，因此其调节动作对于电网公司释放的价格信号或激励信号十分敏感，几乎不存在不确定性。分布式储能充放电时的功率分别为为 t 时刻第 i 个分布式储能设备的实际功率； P c,max 为分布式储能 的最大充电功率； P d,max 为分布式储能的最大放电功率。 一个完整的充电 周期内，需保证储能系统起始时刻的剩余电量与终止时刻的剩余电量相等，即在一个周期内，储能充电电量与储能放电电量一致，即P c,t 为实际充电功率； P d,t 为实际放电功率； η c 为充电效率；η d 为放电效率； T N 为充电同期的最终时刻。分布式储能的响应虽然较为可靠，但在大量分布式储能接入的情况下，各设备当前电量难以全面掌握，因此也存在响应偏差。通过收集各分布式储能设备各时段的电量信息，可以计算出不同置信水平下分布式储能调节量的响应偏差。
2 系统级集群调节能力评估方法
通过第1章所述方法可以得到配电网各节点柔性资源在一定置信水平下的基准负荷、上调节量、下调节量。在此基础上，分别以负荷峰谷差最小和新能源消纳量最大为目标函数，综合考虑配电网运行约束、柔性资源调节约束等，建立系统级柔性资源集群调节能力评估模型。需要指出，本文所提的系统级柔性资源集群调节能力评估方法包含2个独立的优化模型，应分别进行求解，得到相应的指标值，而非多目标优化问题。
2.1 目标函数
1）负荷峰谷差最小
将柔性资源集群在平抑尖峰负荷方面的调节能力定义为：各节点在评估时间段 [T1,T2] 内净负荷峰谷差之和。该指标越小，则说明柔性资源在平移尖峰负荷方面的调节能力越强。设置相应的目标函数为
Li ,t 为 t 时刻节点 i 的净负荷； [T 1 ,T 2 ] 为待评估时间段，其中 T 1 为起始时刻， T 2 为结束时刻； n 为配电网节点数。 2）新能源消纳量最大柔性资源集群在促进新能源消纳方面的调节能力定义为：整个系统在评估时间段 [T 1 ,T 2 ] 内能够消纳的新能源电量。该指标越大，则说明柔性资源在促进新能源消纳方面的调节能力越强。设置相应的目标函数为Cj ,t 为 t 时刻第 j 台新能源的消纳量；m 为新能源的接入数量。2.2 约束条件 u (j ) 为以 j 为末端节点的支路的首端节点集合； w (j ) 为以 j 为首端节点的支路的末端节点的集合； Pij ,t 、 Pjk ,t 和 Qij ,t 、 Qjk ,t 分别为 t 时段流经馈线 (i ,j ) 及 (j ,k ) 的有功和无功功率； Ui ,t 为节点 i 的电压幅值； Iij 为支路 ij 的电流幅值； Rij 为支路 ij 的电阻； Xij 为支路 ij 的电抗； Zij 为支路 ij 的阻抗； Pj ,t 和 Qj ,t 分别为节点 j 注入的有功和无功功率。 2）系统运行安全约束为Ui ,s ,t 、 U min 、 U max 分别为 t 时段节点 i 处的电压、电压下限、电压上限； Iij ,t 和 Iij ,max 分别为 t 时段线路 (i ,j ) 的载流量和安全电流。分别为 t 时段节点 i 处风电、光伏的有功出力； 分别为 t 时段节点 i 处风电、光伏的最大输出功率； 分别为 t 时段节点 i 处风电、光伏的无功出力； φ PVG 、 φ WTG 分别为风电和光伏的功率因数角。 4）用户侧柔性资源运行约束计算出节点级指标后，即可得到置信水平 1−α 下的用户侧柔性资源运行约束为P F,t 为 t 时刻用户侧柔性资源的实际负荷； P F,base,t 为 t 时刻用户侧柔性资源的基准负荷； ΔP F,t 为 t 时刻用户侧柔性资源的调节功率； ΔP F,max,t 和 ΔP F,min,t 分别为 t 时刻用户侧柔性资源的上、下调节功率的限值。2.3 模型转凸与求解 和 可消除电流与电压二次方项。采用big-M法和凸松弛方法，潮流约束可转化为以下二阶锥形式，即 lij ,t 为支路ij 的电流幅值的平方； vi ,t 为节点 i 的电压幅值的平方； M 为足够大的数，比 vi ,t 大2个数量级即可； αij ,t 为支路开断的状态变量，断开取0，闭合取1。 同样地，系统运行安全约束可以通过变量代换转化为转凸后的模型可以通过Cplex、Gurobi等求解器高效求解。
3 算例分析
3.1 算例设置 为验证本文提出的配电网用户侧多类型柔性资源集群调节能力评估方法，基于Portugal 54节点测试系统进行算例设置。Portugal 54节点测试系统的拓扑结构如图2所示。节点4、节点25和节点48分别接入温控负荷，节点11、节点25和节点48分别接入电动汽车充电桩，节点4、节点11和节点25分别接入分布式储能。各设备容量如表2所示。
图2 Portugal 54节点测试系统
Fig.2 The Portugal 54-node testing system
表2 各节点柔性资源容量
Table 2 Flexible resource capacity for each bus
设置以下情景进行对比研究。1）情景1：不考虑条件风险响应偏差（即只考虑100%置信水平下的柔性资源响应量）；2）情景2：考虑条件风险响应偏差，设定置信水平为98%；3）情景3：考虑条件风险响应偏差，设定置信水平为95%。3.2 节点级指标评估结果 某时刻各节点不同置信水平下的调节范围如表3所示。
表3 节点级指标评估结果
Table 3 The evaluation results of node level indicators
从表3可以看出，置信水平越低，各节点的调节范围越大。当置信水平取100%时，仅有一小部分全年均存在闲置容量的分布式储能可以进行调节。这也体现出了本文所引入的条件风险价值模型的重要性，通过选取合适的置信水平，能够进一步提升用户侧柔性资源的利用效能。3.3 系统级指标评估结果 通过分别求解本文所提的2个系统级柔性资源集群调节能力评估模型，得到不同置信水平下柔性资源对平抑尖峰负荷、促进新能源消纳的贡献能力，即单日系统负荷最大峰谷差和单日新能源消纳量如表4所示。
表4 系统级指标评估结果
Table 4 The evaluation results of system level indicators
从表4可以看出，置信水平越低，则各系统级指标结果也越好，即单日系统负荷最大峰谷差越小、单日新能源消纳量越大。按比例调整新能源接入容量，针对不同的新能源渗透率，开展灵敏度分析，新能源渗透率分别为30%、40%和50%情况下系统单日新能源消纳量的评估结果如表5所示。
表5 不同新能源渗透率下的灵敏度分析
Table 5 Sensitivity analysis under different new energy penetration rates
从表5可以看出，随着新能源渗透率的增加，单日消纳量会有一定程度的增加，但并不完全符合装机容量的增长率，这说明部分时段柔性资源已经达到其调节能力上限，但系统弃光仍然存在，尤其是在100%置信水平下尤为明显。而适当降低置信水平，考虑更多的可调节容量，则消纳量在不同新能源渗透率下均有较好提升。在95%置信水平下，新能源渗透率高达50%时仍然能够保持较低的弃光率。为了更好看出不同置信水平下用户侧柔性资源对负荷峰谷差的支撑作用，选取节点4，观察其在置信水平100%和95%情况下的净负荷曲线（以负荷峰谷差最小为目标），如图3所示。
图3 不同置信水平下节点4的净负荷曲线
Fig.3 Net load curve of node 4 at different confidence levels
从图3可以看出，均以负荷峰谷差最小为目标的前提下，置信水平为95%时柔性资源的调节能力更强，尖峰负荷得到了平抑。以95%置信水平为基准，分别从时间尺度和空间尺度进一步分析用户侧柔性资源对于削峰填谷的调节作用。首先，对比调节前后系统中各节点负荷的最大峰谷差，如图4所示。
图4 调节前后系统各节点负荷最大峰谷差
Fig.4 Maximum peak valley load difference at each node of the system before and after adjustment
由图4可以看出，在安装了柔性资源的节点，考虑其95%置信水平的调节能力，能够很大程度上降低节点负荷的最大峰谷差。在时间尺度上，图5详细展示了典型日内温控负荷、电动汽车、分布式储能等多类型柔性资源各时段的负荷情况。
图5 柔性资源各时段的负荷
Fig.5 Load of flexible resources at different time periods
由图5可以看出，分布式储能具有较强的时间尺度调节能力，在削峰时段和填谷时段均有一定量的功率调节，且调节量比较稳定；温控负荷和电动汽车相对而言调节容量较小，且由于自身基荷的限制，时间调节范围也相对较小。结合以上分析可知，分布式储能仍然是未来配电网调节的最重要用户侧资源，不过随着需求侧管理技术的逐步发展，温控负荷和电动汽车也将成为参与配电网调节的重要设备。
4 结论
为了准确量化评估配电网用户侧柔性资源的调节能力，本文提出了包含节点级和系统级指标的评估框架，经过Portugal 54节点测试系统中的算例分析，得到如下结论。1）采用条件风险价值模型可以有效量化用户侧柔性资源的响应偏差，从而计算出不同置信水平下的调节性能指标。2）采用本文所建立的系统级评估优化模型，可以准确测算出不同置信水平下配电网负荷最大峰谷差和新能源消纳量，从而准确分析用户侧柔性资源对配电网的调节能力。3）过高的置信水平会导致结果趋于保守，不能充分发挥用户侧柔性资源的调节潜力，如在本文算例中，新能源渗透率为50%的情况下，将置信水平从98%降至95%，新能源消纳量可提升12.79%。因此应该在实际应用中根据具体情况选择合适的置信水平。本文所提方法仍有一定的局限性，如没有考虑数据中心、5G基站等新型负荷调节能力的测算。展望未来，本文所提的调节能力评估模型可以通过补充柔性资源响应模型的方式进行扩展，以支持更多配电网用户侧柔性资源调节能力的计算。（责任编辑 王文诗）
作者介绍
张俊成（1983—），男，硕士，高级工程师，从事配网规划研究，E-mail：42063019@qq.com;
★
黎敏（1982—），女，通信作者，硕士，高级工程师，从事配网规划研究，E-mail：49504072@qq.com;
★
刘志文（1980—），男，博士，正高级工程师，从事电网规划研究，E-mail：28184183@qq.com.