技术领域
[0001] 本发明涉及公共服务负荷群需求响应技术领域，特别涉及一种考虑响应意愿品质的公共服务负荷群需求响应方法。
相关背景技术
[0002] 随着新型电力系统建设的持续推进，我国新能源占比不断提高，但是由于风、光等新能源发电出力具有较强的随机性、波动性和间歇性，在新能源大规模接入电网的背景下，单纯依靠新增电源侧调节资源支撑新能源消纳，将面临设备利用效率降低、用电成本抬升等问题。路灯及景观照明、中央空调、5G基站和电动汽车充电桩等公共服务负荷的比重不断增加，这类负荷具有“柔性”特征，部分负荷甚至呈现出“源、荷”双重特性，需求响应速度可达秒级，能够快速响应风、光等新能源超短、短周期尺度调节需求。
[0003] 将大量的公共服务负荷集中在一起，在一定程度上进行控制，在用电低谷进行填谷，可有效提高新能源接纳能力、降低新能源消纳成本。2022年长时间极端性天气给电力保供带来巨大压力,从河南、四川等地迎峰度夏复盘来看，季节性、时段性高峰频繁出现，电力供需呈现“紧平衡、硬缺口”态势，工业可调节负荷资源已吃干榨尽，三产和居民调温负荷持续增长，现有可调节负荷资源调控规模，无法对冲降温负荷增长带来的供需失衡，现有的调控手段和策略，无法迅速响应电网负荷缺口，带来负荷管理常态化压力。亟需在公共服务负荷管理技术方面制定针对策略，强化调控手段，提升负荷资源利用效率。
[0004] 关于建立用户需求响应模型，卢兆军等主要是需求响应过程中，采用综合评价的方法事先评估用户响应潜力，虽然该方法考虑了信息价值建立了评估指标体系，但是综合评价法较易受到主观因素影响，得到的需求响应量的存在较大的主观因素导致的误差。宋莉等考虑消费者心理学原理建立采用加权最小二乘辨识用户需求响应曲线的参数辨识模型，并通过历史数据对得到的参数进行反复修正，制定了能反映分时电价下需求响应行为的实时仿真流程；王守相等将网损和电压偏差最小为优化目标建立了分时电价下的需求响应模型，探究了电价引起需求响应与储能的动态结合；一部分研究者采用需求价格弹性来实现了定量表征电力价格变化对于用户响应特性的影响。以上研究建立的需求响应模型均为确定性模型，上述模型假定用户需求响应特性是确定的，该种确定性特性不能体现用户需求响应的随机性和模糊性，没有对不同行业的共性和个性进行区分。
[0005] 为了更好的保证用户侧可响应资源得到应用，良好的市场机制在较大程度上起到了积极的促进作用。端对端(peer‑to‑peer,P2P)能源交易机制作为一种去中心化的交易方式，能较有效的促进需求响应参与分布式新能源交易市场，该P2P是一种能源共享交易机制，能依据调度策略采取一定的激励手段刺激不同类型的需求响应资源积极参与到市场交易。该种交易机制下主要分为以下四种定价计算方法：账本分摊和根据市场中间价定价(Mid‑market rate，MMR)、按照供需比分摊方法和基于社会福利定价，虽然上述定价方法能有效的激励用户积极响应市场需求，但是均假定用户即时响应，没有考虑交易价格、用户本身用电计划等对用户响应意愿的影响，尤其对价格型需求响应资源的影响。因此，亟需一种考虑响应意愿品质的公共服务负荷群需求响应策略。
具体实施方式
[0058] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059] 实施例一
[0060] 本实施例公开了一种考虑响应意愿品质的公共服务负荷群需求响应方法，包括以下步骤：
[0061] 1基于公共负荷需求响应意愿的两阶段需求响应策略
[0062] 1.1基于P2P能源共享机制的定量和定价两阶段交易架构
[0063] 如图1所示，本发明包含定量和定价两阶段的P2P能源共享的市场交易机制，激励公共负荷参与本地能源市场进行交易实现能源共享。在阶段一：定量阶段，智能化调控中心通过智能电表进行采集通信，建立公共负荷需求响应资源库。路灯及景观照明、中央空调、5G基站和电动汽车充电桩等公共用电负荷，根据本身的用电需求、可调意愿通过用电数据反馈给调控中心，根据反馈信息量化公共负荷响应意愿并确定交易电量，优化市场交易决策。在阶段二：定价阶段，通过阶梯式价格激励机制刺激各类公共负荷用户参与市场交易，对定量阶段的总收益进行合理分配。各公共负荷聚合商前一天上报未来24小时的可调控负荷电量和报价情况，智能调控中心与交易中心进行信息交互，对报价信息和配电网内的运行参数进行综合分析，下发确定各公共负荷中标电量及价格。各类公共负荷根据收到的中标电量和价格优化下一阶段报价策略，公共负荷在定量阶段和定价阶段通过既有的顺序衔接关系，在两阶段内循环交互，实现P2P共享能源市场内的公共负荷需求响应优化运行。
[0064] 1.2公共服务类负荷可调功率模型
[0065] 中央空调、电动汽车充电桩、5G基站和路灯景观照明等公共服务负荷，其聚合集群的可调功率与每个单体负荷的初始状态、外部环境和用户用电行为等因素密切相关，无法简单的采用单个负荷可调功率倍乘方式获得。针对负荷群个体参数、状态异质的聚合难题，通过分析四类公共服务负荷工作原理及可调原理，提出四类公共服务负荷聚合集群的可调功率模型。
[0066] 1.2.1空调负荷群可调功率计算模型
[0067] 假设给定时段内室外温度保持不变(To为常数)，当t＝0时室内温度降至设置下限ini min值即Ti ＝Tset 时，空调关闭s(t)＝0，则t>0时，室内温度开始上升，温升规律如下：
[0068] Ti(t)＝To‑(To‑Ti.0)e‑t/RC (1)
[0069] 式中，Tiini为t＝0时室内初始温度。
[0070] 同理，当t＝0时室内温度升至设置上限值即Tiini＝Tsetmax时，空调开启s(t)＝1，则t>0时，室内温度开始下降，温降规律如下：
[0071] Ti(t)＝To‑ηPTCLR‑(To‑ηPTCLR‑Ti,0)e‑t/RC (2)
[0072] 由式(1)、(2)可知，通过调节设置温度限值可改变单体空调启停持续时长，进而调节空调制冷负荷用电功率特性。
[0073] 单体空调功率调节特性通过一个启停周期平均功率P的变化特性来表征，启停周期内空调消耗功率平均值为：
[0074]
[0075] 式中，τ为空调开启占空比(％)，Tc为一个启停周期，ton为开启时段，toff为关闭时段。
[0076]
[0077] 式中，ΔP为单体空调可调功率； 为空调调节后一个启停周期平均功率； 空调调节前一个启停周期平均功率。
[0078] 空调负荷聚合即将N台空调的功率进行累加，t时刻空调负荷群功率 为：
[0079]
[0080] 式中，N为集群空调台数(个)，PiTCL为第i台空调额定功率(kW)， 为t时刻的空调群聚合功率，si(t)为第i台空调的运行状态(启动为1，停止为0)。
[0081] 1.2.2路灯及景观照明聚合集群的可调功率模型
[0082] 各单体LED当前照度值计算方法如下：
[0083] Ecij(t)＝{E|Erij(t),Euij(t),Enij} (6)
[0084] 式中，Ecij(t)为第i种群LED负荷j在t时刻的辐照度；Erij(t)为已参与系统响应跟踪的亮度；Euij(t)为未参加响应用户的自调节亮度；Enij为最大额定功率时的亮度。
[0085] 路灯及景观照明LED负荷群的聚合功率为：
[0086]
[0087] 由式(6)、(7)可知，路灯及景观照明负荷群功率 与每个LED负荷的当前辐照度Ecij(t)及其额定功率Pnij直接相关。
[0088]
[0089] 式中， 为调节前照明负荷群功率， 为调节后照明负荷群功率。
[0090] 1.2.35G基站储能负荷群可调功率计算模型
[0091] N台5G基站储能充放电群功率为：
[0092]
[0093] 5G基站储能负荷群功率 与每台储能设备的充放电状态kj(t)和充放电额定ES功率Pj 直接相关。
[0094] 5G基站储能聚合集群可调功率计算公式为：
[0095]
[0096] 式中， 为调节前储能负荷群功率(kW)， 为调节后储能负荷群功率(kW)，可采用式(4‑28)计算。
[0097] 1.2.4电动汽车负荷群聚合可调功率计算模型
[0098] 电动汽车在t时刻以恒定功率充电时，SOC的变化如下：
[0099]
[0100] 式中，SOCEV(t)为电动汽车t时刻荷电状态t时刻电池电量与容量百分比，(％)；PEV为电动汽车充电功率；αEV(t)为电动汽车在时刻t的充电状态(充电为1，不充电为0)；CEV为电动汽车电池容量；ηEV为电动汽车充电效率，充电过程中所耗电能与电池所能蓄能的百分比。
[0101] 电动汽车当前SOC和电动汽车上一次充电后的行驶里程的关系为：
[0102] SOCEV(tstart,j+1)＝SOCEV(tend,j)‑(d/D)×100％ (12)
[0103] 式中，SOCEV(tend,j)为电动汽车第j充电时间段充完电后离开时刻的SOC(％)；SOCEV(tstart,j+1)为电动汽车第j+1充电时间段的初始SOC(％)；d为电动汽车第j和第j+1充电时间段之间的行驶里程；D为电动汽车续航里程。
[0104] 一般电动汽车充电的起始时刻都是有规律可循，例如园区场景下的电动汽车充电起始时刻服从正态分布，起始充电时刻的概率密度函数可表示为：
[0105]
[0106] 式中，tstart为电动汽车充电起始时间；μx为充电起始时刻均值；σx2为充电起始时刻方差。
[0107] 每台电动汽车SOC满足如下约束条件：
[0108] SOCEV min≤SOCEV(t)≤SOCEV max (14)
[0109] 式中，SOCEVmin为电动汽车的荷电状态最小值；SOCEVmax为电动汽车的荷电状态最大值。
[0110] N台电动汽车充电群功率为：
[0111]
[0112] 由式(11)至(15)可知电动汽车负荷群功率与每台电动汽车充电状态αEV,i(t)和充EV i电功率Pi (t)直接相关，与每台电动汽车起始充电时间tstart,i、起始荷电状态SOCstart,EV(t)、行驶里程d等多因素间接相关。一般N台电动汽车起始充电时间和日行驶里程服从概率分布，基于Monte‑Carlo算法对影响电动汽车充电负荷的关联因素进行概率模型处理，能够求解多电动汽车负荷群聚合功率，通过改变起始充电时间tstart,i、充电结束荷电状态SOCEV,i(tend,j)约束改变电动汽车负荷群聚合功率。
[0113] 电动汽车负荷聚合集群可调功率计算公式为：
[0114]
[0115] 式中， 为调节前电动汽车负荷群功率， 为调节后电动汽车负荷群功率。
[0116] 2建立定量和定价两阶段的需求响应模型
[0117] 2.1基于可调品质的公共负荷群定量模型
[0118] 如图2所示，对公共服务类负荷的聚合调控一般以电力用户为基本单位，不同的用户，所包含的负荷群有所不同，例如工商业用户中的楼宇用户负荷可包括中央空调负荷、电动汽车充电桩、5G基站及景观照明负荷等负荷中的部分或所有，即每个用户负荷参与电力系统响应时，都是一个由各类公共负荷群组成的集群。
[0119] 用户负荷的可调潜力是用户内部各类负荷聚合集群的整体可调潜力，如式(17)所示：
[0120]
[0121] 式中，ΔP(t)为公共用户负荷l可调功率；ΔPi(t)为用户第i个负荷设备的可调功率；m用户负荷设备数量；tstart为用户负荷调节起始时刻；tend为用户负荷调节结束时刻。
[0122] 当对用户负荷接收到有序用电、电价激励等电力系统负荷管理信号时，用户将会针对信号进行反应，在约束条件下改变其用电行为，实现对负荷的调节。因此，针对分时电价差，公共负荷剩余可调容量，可调持续时间三个影响因素，分别定义对应的模糊子集来反映用户对价格、可调容量和可调时间的响应意愿。量化用户负荷的需求响应可调意愿，需先归类不同公共负荷在响应日的用电行为。
[0123] 根据聚类结果对响应日负荷基线所属用电行为进行判断，确定不同公共负荷在响应日所属类簇l为：
[0124]
[0125]
[0126] 式中，c为聚类的数目；xt为响应日的负荷基线，为响应日前5个工作日负荷平均值；μi为第i个类簇的中心；ξit为xt对于第i个类簇的公共用户负荷中心的隶属度。
[0127] 令公共负荷响应日所属类簇为Cm，类簇中心为μm，类簇中的负荷曲线数量为θ，t＝[tstart,tend]响应时段的负荷曲线为xt，定义响应日t时段的用户负荷可调功率为ΔPim(t)，m＝i,i+1,i+2,...,k可表示为：
[0128]
[0129] 式中，ΔPim(t)为第i类用户负荷可调功率；xt为响应时段负荷基线；xψ为与负荷基线同一类簇内欧式距离最远的负荷曲线；μm为与负荷基线不在同一类簇的第m个类簇的中心。
[0130] 式(17)中的ΔP(t)与式(20)中的ΔPim(t)均表示用户负荷可调功率，ΔPim(t)(m＝i,i+1,i+2,...,k)表示不同用电行为下公共用户负荷i可调功率。
[0131] 为评估用户在不同场景下的可调意愿，按照式(20)得出响应日在不同用电行为下的可调潜力，包含描述用户负荷可调潜力的3个量化指标，即最可能响应量ΔPii(t)、最大可响应量ΔPik(t)、可调时间t，如下：
[0132] 1)响应量ΔPii(t)，即评估用户负荷的最有可能实现的可调能力值。具体计算方式为响应日响应时段的基线负荷与其所属簇类中最低负荷的差值，由于此种调节方式为最相似用户的用电行为之间切换，故将上述指标定义为最可能响应量；
[0133] 2)最大可响应量ΔPik(t)，即评估用户可实现的可调能力最大值。具体计算方式为响应日响应时段基线负荷与负荷值最小的簇类聚类中心的差值，由于此种调节方式最大化改变用户用电行为，故将上述指标定义为最大可响应量。
[0134] 3)可调持续时间t，即待评估用户对于某个负荷可调量的可维持时间。具体计算方式为用户维持最可能响应量ΔPii(t)或最大可响应量ΔPik(t)的响应时段上下限差值。
[0135] 根据3个量化指标划分短时、小容量的供电场景下的用户可调品质，如下表1所示。
[0136] 表1
[0137]
[0138] 2.2阶段二‑基于改进市场中间价需求响应定价模型
[0139] 根据公共用户负荷可调品质得到确定的交易电量后，配电网运营商(Distribution system operator,DSO)根据既定的定价方法计算电量交易的价格，交易价格会影响的变化会直接对公共负荷群需求响应情况造成影响，为充分激励公共负荷群需求响应参与市场交易的积极性，提出改进市场中间价的定价方法计算公共负荷参与市场的电量交易价格。
[0140] 公共负荷聚合得到可调度容量与优化决策的需求电量之间差值较大存在以下两种得不到调用的情况，一种是可调度容量超过优化决策需求电量较大或者可调度容量不能满足优化决策调用的需求电量，因此，为了使得可调度容量与优化调度功率之间差值合理，可以通过改变交易价格可以有效调整各负荷集群响应意愿。为有效确定价差变化对可调意愿的关系，假设可调容量与优化决策调度功率差值为ΔPc，则公共负荷l需要调整的响应意愿变化量表达式为：
[0141]
[0142] 式中，ρ表示价差影响权重；假设ΔC＝fρ(Δη)表示价差变化量与响应意愿变化量关系；则公共负荷l根据价格调整公式为：
[0143]
[0144] 式中， 分别表示第k次调整后的公共负荷l加大用电量电价和减少用电量电价。
[0145] 在调整公共负荷增加(减少)用电量电价后，为了保证P2P能源共享市场的经济平衡，需要在基准价格的基础上其余市场参与者交易价格为：
[0146]
[0147]
[0148] 式中： 分别表示其他市场参与者第k次调整后购、售电价格；T表示可调度时段数；Pelse,load(t)、Pelse,p(t)分别表示其他市场参与者购、售电量总和。当k＝1时，[0149] 2.3优化目标函数
[0150] 本发明提出的公共负荷需求响应策略在能够承受短时小容量场景下最大的供电缺口前提下，实现DSO整体经济效益最优，其中DSO收益为主要为向本地区用户售电收益，DSO支出主要包括向上级电网购电的费用 、公共负荷需求响应资源费用 、分布式电源的运维成本 ，则目标函数如下式所示：
[0151]
[0152]
[0153] 式中： 分别表示DSO在t时刻售出功率以及售电价格； 分别表示DSO在t时刻向上级购入电量以及购电价格； 分别表示DSO在t时刻公共负荷实际参与需求响应的功率； 和 分别表示风机、光伏输出功率以及风机、光伏运
维成本系数。
[0154] 约束条件主要是保证供用电之间的功率平衡、各分布式发电设备出力不越限、各微电网内部线路安全约束等，其约束条件表达式如下：
[0155]
[0156] 式中， 分别表示DSO在t时刻购、售电状态系数；Ptbuy,max、Ptsell,max分别表示DSO在t时刻购、售电量的上限值。
[0157] 3针对短时小容量供电缺口的风险规避鲁棒性优化求解
[0158] 采用包络约束描述短时小容量供电缺口的不确定性区间，其表达式如下式所示：
[0159]
[0160] 式中，α表示短时小容量供电缺口电量波动范围，即本地负荷预测用电量 与实际用电量Psg(t)之间的间隙，则供电缺口最大波动量表示为
[0161] 则基于公共负荷可调功率潜力模型和DSO目标优化函数，建立能承受短时小容量的最大供电缺口的鲁棒模型如下式所示：
[0162]
[0163] 式中，β表示DSO目标优化成本高于基准值的偏差程度；F0表示实际用电量与预测电量相等时得到的购电和发电总成本，并将其作为预期目标的基准值。
[0164] 经过定量和定价两阶段的公共服务负荷需求响应优化决策过程如下表2所示，在定量阶段公共负荷群响应根据可调潜力进行动态调整；在定价阶段改进市场中间价定价机制动态调整交易价格。
[0165] 表2
[0166]
[0167] 表3
[0168]
[0169] 实施例二
[0170] 1实施例设计
[0171] 本实施例在改进的35节点系统上进行算例分析，该区域电网有2座110kV/10kV变电站：A站10kV#1线含响应用户1、用户2，包含负荷群：中央空调、路灯及景观照明、电动汽车充电桩。B站10kV#2线含响应用户3、用户4，包含负荷群：5G基站、中央空调、路灯及景观照明、电动汽车充电桩。其中各类分布式电源维护成本如表4所示，空调这群主要包括50台变频空调，最大舒适温度设为26℃，初始温度在区间[22,27]内随机分布；电动汽车主要是10辆电池容量为52.5kWh的园区班车，充电频率为一天一充；单个5G基站储能容量设为21.2kWh，充电效率为0.85；路灯相关参数如表5所示。各类公共服务负荷接入配电网示意图如图3所示。
[0172] 表4
[0173]
[0174] 表5
[0175]
[0176] 2结果分析
[0177] 如图4(a)‑(b)所示，给出了某典型日公共负荷群1‑4在19：00至23：00时间段的内短时小容量的供电缺口下最可能需求响应调节量和可调节量曲线与实际调节量情况对比情况。经测算，统计最可能调节值与负荷实际调节值之间误差结果为：公共用户群1误差为9.24％、公共用户群2误差为‑5.05％、公共用户群3误差为‑5.03％、公共用户群4误差为‑
3.02％，则最可能调节值与负荷实际调节值之间误差平均值为5.59％；统计最大可调节量与负荷实际调节值之间误差结果为：公共用户群1误差为13.95％、公共用户群2误差为‑
28.41％、公共用户群3误差为‑9.03％、公共用户群4误差为‑18.41％，则最可能调节值与负荷实际调节值之间误差平均值为17.59％；通过上述分析结果可以得出，关于不同类型公共负荷群响应短时小容量供电缺口场景，利用最可能调节量指标更接近实际调节结果。规定用户负荷实际参与需求响应电量占中标电量80％‑120％左右，即可认定响应参与有效，按照实际响应电量结算电费，因此最可能调节量值最大误差为9.24％，能够满足短时小容量的供电缺口场景下实际工程需求。
[0178] 对于短时小容量供电缺口场景下需求响应不确定性风险的影响，通过设置不同的需求响应误差，分别从鲁棒性、经济性以及供电缺口满足度3个方面来对比分析，其中，鲁棒性表示在相同DSO优化目标结果相同的条件下，响应误差影响策略承受供电缺口波动的耐度；经济性表示分析不同响应不确定性误差下DSO整体经济效益的影响；供电缺口满足度表示分析公共负荷需求响应策略对缺口供电的满足程度。如表6示，设置需求响应误差分别为0、5％、10％、15％和20％，由结果可知随着响应意愿误差增大，公共负荷群需求响应策略的鲁棒性越差，DSO整体经济效益也随之减少，究其主要原因是需要增加向市场购电来弥补供电缺口缺电量，导致DSO购电成本增加。
[0179] 表6
[0180]
[0181] 为了验证本文提出的能源共享模式的优势，与公共负荷群在传统能源交易模式以DSO整体经济效益最优进行对比，如表7示。由表7得，在考虑响应意愿品质的两阶段能源共享模式下，相较于传统能源交易模式经济效益和新能源消纳率更优，主要是由于不同时段分时电价价差的不同，能源共享模式下通过调用公共负荷需求响应潜力，能更加快速有效的满足供电缺口电量需求，从而降低了DSO向外部购电费用，使得公共负荷需求侧需求响应灵活性资源能够在参与市场中获利。
[0182] 表7
[0183]
[0184] 3结论
[0185] 本发明在端对端能源共享市场机制下，建立了考虑响应意愿品质的公共负荷需求响应策略两阶段模型，通过仿真分析得出如下结论：
[0186] 1)通过分析典型公共服务负荷的可调原理及功率调节方式构建各类负荷聚合集群的可调功率计算模型，能够根据短时小容量供电缺口电量急市场差价动态调需求整响应意愿，提高了公共负荷需求侧可调度容量利用率，增加了DSO市场整体的经济效益。
[0187] 2)随着需求响应不确定性误差增大，响应策略模型的鲁棒性和DSO市场经济性降低，供电缺口满足程度降低。
[0188] 3)端对端能源共享模式相比于传统交易模式DSO优化目标值，能源共享模式下需求响应策略能够有效提高需求侧资源参与市场交易的灵活性，降低DSO向上级电网购电成本，更有效满足供电缺口电量需求。
[0189] 以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
