陸 俊, 朱炎平, 彭文昊, 祁 兵, 崔高穎

(1. 華北電力大學(xué)電氣與電子工程學(xué)院, 北京市 102206; 2. 國網(wǎng)江蘇省電力公司電力科學(xué)研究院, 江蘇省南京市 210003)

計(jì)及用電行為聚類的智能小區(qū)互動(dòng)化需求響應(yīng)方法

陸 俊1, 朱炎平1, 彭文昊1, 祁 兵1, 崔高穎2

(1. 華北電力大學(xué)電氣與電子工程學(xué)院, 北京市 102206; 2. 國網(wǎng)江蘇省電力公司電力科學(xué)研究院, 江蘇省南京市 210003)

針對復(fù)雜智能用電環(huán)境下智能用電小區(qū)的多用戶日負(fù)荷需求響應(yīng)問題,提出一種考慮用戶用電行為聚類的互動(dòng)需求響應(yīng)方法。首先,以智能小區(qū)用戶的基本負(fù)荷、可調(diào)度負(fù)荷、電動(dòng)車負(fù)荷和儲(chǔ)能裝置負(fù)荷為約束條件,建立電網(wǎng)負(fù)荷波動(dòng)最小優(yōu)化目標(biāo)的需求響應(yīng)模型;然后,闡述了提出的智能小區(qū)互動(dòng)化需求響應(yīng)方法,將需求響應(yīng)模型求解過程分解為電網(wǎng)側(cè)子響應(yīng)和用戶側(cè)子響應(yīng)的協(xié)作互動(dòng)過程;最后,基于用戶側(cè)用電行為聚類分析,采用行為矯正的混合粒子群優(yōu)化算法實(shí)現(xiàn)需求響應(yīng)模型的互動(dòng)化方法求解。實(shí)驗(yàn)中與分時(shí)電價(jià)下的響應(yīng)算法及無用戶聚類的集中響應(yīng)算法對比,其結(jié)果表明所提方法通過聚類分析與互動(dòng)化策略能夠在優(yōu)化結(jié)果和算法性能方面優(yōu)于對比方法。

互動(dòng)化需求響應(yīng); 智能小區(qū); 聚類分析; 需求響應(yīng)方法

0 引言

智能用電是智能電網(wǎng)服務(wù)終端用戶的核心一環(huán),能讓智能電網(wǎng)互動(dòng)化、信息化和自動(dòng)化特征被用戶直觀地感受到。需求響應(yīng)作為智能電網(wǎng)的關(guān)鍵技術(shù),可以有效整合用戶側(cè)電網(wǎng)響應(yīng)潛力以提升電網(wǎng)運(yùn)行的安全性、穩(wěn)定性和經(jīng)濟(jì)性,值得深入研究[1]。

在智能電網(wǎng)環(huán)境下,智能終端、電力通信技術(shù)以及高級量測技術(shù)的發(fā)展與建設(shè),將促進(jìn)智能用電雙向交互的實(shí)現(xiàn),從而為居民參與自動(dòng)需求響應(yīng)、實(shí)現(xiàn)智能用電奠定基礎(chǔ)[2-3]。用戶以需求響應(yīng)的形式參與電網(wǎng)的能源調(diào)度過程,能在一定程度上緩解電力的供需緊張并為能源的高效利用提供有力支撐[4]。在北歐,由挪威、瑞典、丹麥、芬蘭建立組成的跨國電力市場中就存在大用戶直接參與需求競價(jià),小用戶通過代理商間接參與需求響應(yīng)[5]。而中國在智能電網(wǎng)方面起步較晚,但是政府高度重視。未來中國智能電網(wǎng)將朝著堅(jiān)強(qiáng)可靠、經(jīng)濟(jì)高效、綠色環(huán)保、靈活互動(dòng)和友好開放等方面蓬勃發(fā)展[6]。

對于需求響應(yīng)中用戶與電網(wǎng)公司間的互動(dòng)策略,國內(nèi)外均展開了一定研究。文獻(xiàn)[7]針對用戶的能量調(diào)度策略進(jìn)行了研究,在電網(wǎng)公司既定策略下對用戶側(cè)的能量需求進(jìn)行管理調(diào)度,考慮了分布式能源與家庭負(fù)荷以協(xié)同管理,實(shí)現(xiàn)了家庭能源最大盈利的目標(biāo)。文獻(xiàn)[8]在針對智能電網(wǎng)環(huán)境中作為重要互動(dòng)資源的需求響應(yīng),在綜合考慮供應(yīng)側(cè)和需求側(cè)作用機(jī)理的基礎(chǔ)上,將需求響應(yīng)納入發(fā)電調(diào)度,建立智能電網(wǎng)下計(jì)及用戶側(cè)互動(dòng)的發(fā)電調(diào)度模型,綜合規(guī)劃發(fā)電側(cè)和需求側(cè)的資源,有效實(shí)現(xiàn)了電網(wǎng)與用戶的互動(dòng),降低了發(fā)電成本。文獻(xiàn)[9]將用戶參與需求響應(yīng)的行為以用戶實(shí)際參與概率作為參數(shù)衡量,從而構(gòu)建雙方的非合作混合博弈模型,并據(jù)此設(shè)計(jì)電價(jià)政策引導(dǎo)用戶進(jìn)行需求響應(yīng)的互動(dòng),最終實(shí)現(xiàn)減少電網(wǎng)高峰時(shí)的整體負(fù)荷的目的。文獻(xiàn)[10]建立了一個(gè)基于供求關(guān)系的市場模型用于需求響應(yīng)策略的實(shí)現(xiàn),提出一種分布式需求響應(yīng)算法通過市場的競爭平衡來實(shí)現(xiàn)社會(huì)財(cái)富的最大化。

相比于以前以電網(wǎng)為主導(dǎo)、用戶被動(dòng)響應(yīng)為主的需求響應(yīng)調(diào)度方式,目前的研究熱點(diǎn)為考慮電網(wǎng)用戶兩側(cè)雙向互動(dòng)完成調(diào)度過程。因此,本文針對用戶和電網(wǎng)的互動(dòng)關(guān)系,以包含電動(dòng)車和分布式能源等新型用能方式的居民智能用電模式為研究對象,提出一種雙側(cè)互動(dòng)的需求響應(yīng)策略。通過對用戶用電行為的聚類分析,利用同類用戶負(fù)荷使用的相似性,有效降低需求響應(yīng)復(fù)雜程度,優(yōu)化需求響應(yīng)的效果。以用戶整體負(fù)荷的波動(dòng)程度為目標(biāo),考慮可調(diào)度負(fù)荷、電動(dòng)車、分布式能源等需求的約束條件,采用基于行為矯正的雙向混合粒子群優(yōu)化算法(PSO)進(jìn)行求解,以某智能小區(qū)日負(fù)荷為例,分析了不同調(diào)度策略的效能和算法性能。

1 智能小區(qū)互動(dòng)化需求響應(yīng)策略建模

1.1 智能小區(qū)場景分析

用戶智能用電環(huán)境為包含一定規(guī)模居民數(shù)目的智能電網(wǎng),其供電來源為同一家電網(wǎng)公司,本文不考慮多家電網(wǎng)公司的場景。居民使用智能家居來完成家電的互動(dòng)控制。在該場景下每戶用戶都安裝有智能電表,以及與之配套的可實(shí)現(xiàn)用戶與供電方雙向互動(dòng)交流功能的高級計(jì)量體系。同時(shí)用戶還具有智能家居管理終端,可以用來控制和調(diào)節(jié)各類家用電器的用電方式,以此完成家庭能耗的管理和需求響應(yīng)的調(diào)度,實(shí)現(xiàn)自動(dòng)需求響應(yīng)過程[11]。

智能電網(wǎng)下的用戶側(cè)將還存在一定數(shù)量的分布式電源系統(tǒng)和電動(dòng)汽車。分布式電源系統(tǒng)主要包括兩部分:分布式發(fā)電系統(tǒng),使用太陽能、風(fēng)能等清潔能源;用于充放電的儲(chǔ)能裝置,如蓄電池、超級電容器等。考慮到電動(dòng)汽車充電時(shí)間的不確定性和外出的電能需求,電動(dòng)汽車的電池不一定擁有放電功能以及分布式電源系統(tǒng)所具備的儲(chǔ)能裝置,故本文中電動(dòng)汽車將不考慮放電的情況,即采用V1G(vehicles plug-in with logic/control regulated charge)模式充電[12]。

如圖1所示,在該場景下用戶的負(fù)荷可以分為以下幾類。

圖1 居民智能用電場景Fig.1 Intelligent power scene of residents

1)基本負(fù)荷:用戶提供日常用電的基本需求,如以照明為代表的生活必須且無法被調(diào)度的部分負(fù)荷,是滿足生活需求的最低負(fù)荷要求。

2)可調(diào)度負(fù)荷:可被調(diào)度的負(fù)荷部分,相對于基本負(fù)荷,該部分負(fù)荷是可以調(diào)動(dòng)的,主要用于改善用戶的生活質(zhì)量。

3)電動(dòng)汽車負(fù)荷:電動(dòng)汽車進(jìn)行充電時(shí)所使用的用電負(fù)荷,用于保證用戶日常外出需求。

4)分布式發(fā)電負(fù)荷:由太陽能或風(fēng)能等新能源方式所產(chǎn)生的電能,該部分電能用戶可以自己使用,同時(shí)當(dāng)用戶用電量過剩時(shí),可以將這部分電能出售給電網(wǎng),或是存儲(chǔ)在儲(chǔ)能裝置。

5)儲(chǔ)能裝置負(fù)荷:與分布式發(fā)電系統(tǒng)同時(shí)存在作為分布式電源系統(tǒng)的一部分,作為電能的儲(chǔ)存手段,可以將分布式發(fā)電系統(tǒng)或是電網(wǎng)側(cè)得來的電能進(jìn)行充放電操作。

1.2 智能小區(qū)互動(dòng)化需求響應(yīng)模型

由上節(jié)分析,將一天24 h劃分為24個(gè)時(shí)段,則N個(gè)用戶24 h的負(fù)荷調(diào)度計(jì)劃如式(1)所示。

A=[l1l2…lk…lN]

(1)

式中:A為24×N階的矩陣,是總體的負(fù)荷安排;lk為24維列向量,是用戶k的24 h的負(fù)荷安排。

則對于任意用戶k而言,其負(fù)荷安排可由式(2)和式(3)表示。

lk=[lk(1)lk(2) …lk(24)]T?k

(2)

(3)

1)基本負(fù)荷以及分布式發(fā)電負(fù)荷約束

在用戶負(fù)荷的使用過程中,存在不受調(diào)控影響或無法人為調(diào)度的負(fù)荷部分,如式(4)和式(5)所示。

(4)

(5)

2)可調(diào)度負(fù)荷約束

可調(diào)度負(fù)荷將滿足式(6)、式(7)的約束條件,其表示人日常生活用電中可以進(jìn)行調(diào)整的部分。

(6)

(7)

3)電動(dòng)汽車負(fù)荷約束

通過對電動(dòng)汽車充電行為的分析,對電動(dòng)汽車負(fù)荷建模,得到其約束條件為:

(8)

(9)

(10)

(11)

4)儲(chǔ)能裝置負(fù)荷約束

儲(chǔ)能裝置負(fù)荷變化的約束為:

(12)

(13)

(14)

(15)

(16)

1.3 目標(biāo)函數(shù)

(17)

上式表示具有智能用電行為的所有用戶的日負(fù)荷的波動(dòng)程度,其值越小則表示配電網(wǎng)側(cè)負(fù)荷波動(dòng)程度越小,對平抑配電網(wǎng)波動(dòng)效果越好。本文針對的是歸屬于一個(gè)電力公司管理的集合體,本文中以智能小區(qū)的形式表現(xiàn)。在本文模型策略下,對于一條饋線上的多個(gè)智能小區(qū)而言,最后也是統(tǒng)合管理成為一個(gè)整體。例如現(xiàn)用電側(cè)對象為兩個(gè)小區(qū)A與 B,其中小區(qū)A的用戶數(shù)為130戶,四種用電負(fù)荷類型比例為4∶3∶3∶3,小區(qū)B的用戶數(shù)為100戶,四種用電負(fù)荷類型比例為1∶3∶3∶3,則容易計(jì)算出統(tǒng)合之后的整體230戶用戶,其用電負(fù)荷類型比例為5∶6∶6∶6。如此,本文目標(biāo)函數(shù)同樣可適用于多個(gè)智能小區(qū)的情況,網(wǎng)側(cè)波動(dòng)最小的目標(biāo)函數(shù)也取決于電網(wǎng)所要管理的所有用戶,因?yàn)榕c電網(wǎng)側(cè)成本直接相關(guān)的是電網(wǎng)側(cè)負(fù)責(zé)管控范圍內(nèi)的全體用電負(fù)荷,部分區(qū)域的波動(dòng)性情況并不能將其體現(xiàn)。

因此，本文需求響應(yīng)調(diào)度模型是以式(17)作為優(yōu)化目標(biāo),以式(4)至式(16)作為約束條件,旨在實(shí)現(xiàn)智能用電小區(qū)多用戶用電負(fù)荷下的配電網(wǎng)側(cè)波動(dòng)最小。

2 聚類分析互動(dòng)化需求響應(yīng)模型求解方法

2.1 用戶智能用電行為聚類分析

據(jù)上節(jié)分析可知,對于該智能用電場景下的用戶存在不同用電行為時(shí),其負(fù)荷特征會(huì)呈現(xiàn)不同特點(diǎn),據(jù)此可以分為不同類別的用戶。對于同一類用戶而言,其負(fù)荷的使用存在極大的相似性,負(fù)荷的調(diào)度安排呈現(xiàn)一定的聚合性,故通過對用電數(shù)據(jù)的分析,以降低電網(wǎng)與用戶二者響應(yīng)過程的復(fù)雜程度,提高互動(dòng)效率。因此本文通過在需求響應(yīng)前對用戶進(jìn)行聚類分析,以分析結(jié)果來優(yōu)化需求響應(yīng)過程。本文所用聚類分析方法為改進(jìn)的模糊C均值聚類算法[14]。

其計(jì)算步驟可以簡略的概括為:①設(shè)置聚類數(shù)、迭代次數(shù)等相關(guān)參數(shù);②通過樣本距離比較判定樣本聚類中心;③根據(jù)聚類中心計(jì)算樣本隸屬度函數(shù);④修正聚類中心;⑤計(jì)算誤差函數(shù),如果滿足閾值條件則算法結(jié)束,輸出聚類結(jié)果,否則重復(fù)②至⑤。

通過以上聚類分析可以完成不同用戶類別的分化,以區(qū)別用戶是否具有電動(dòng)汽車、分布式能源、自動(dòng)需求響應(yīng)系統(tǒng)等一系列負(fù)荷使用行為。鑒于聚類分析方法是本文方法分析所用手段而非本文研究重點(diǎn),對此將不再贅述。

2.2 互動(dòng)化需求響應(yīng)求解流程

本文方法為日前調(diào)度,將在前一天對負(fù)荷的使用計(jì)劃進(jìn)行安排,并采用用戶和電網(wǎng)公司的互動(dòng)交流完成求解過程。同時(shí)電網(wǎng)將通過激勵(lì)的方式促使用戶合作參與需求響應(yīng)過程。

需求響應(yīng)的互動(dòng)過程主要如附錄A圖A1所示,具體包括以下幾步。

步驟1:在前一天,用戶方根據(jù)自身需求,主要包括日常負(fù)荷的使用、可以調(diào)動(dòng)的電器負(fù)荷、電動(dòng)汽車負(fù)荷,以及分布式能源系統(tǒng)的出力,確定生成其新一天的負(fù)荷安排,并將其整體負(fù)荷的使用情況上傳至電網(wǎng)公司。

步驟2:電網(wǎng)公司根據(jù)所收集到的負(fù)荷使用計(jì)劃對用戶的用電行為進(jìn)行聚類分析,將用戶群體按用電行為劃分為幾類,以便于后續(xù)優(yōu)化決策使用。

步驟3:電網(wǎng)公司根據(jù)整體負(fù)荷使用情況,以削峰填谷為目標(biāo),分別針對各類用戶負(fù)荷群體的整體使用進(jìn)行優(yōu)化調(diào)整,并將優(yōu)化調(diào)整的目標(biāo)負(fù)荷使用反饋給用戶群體,即將所有用戶的整體優(yōu)化拆解為各類用戶的優(yōu)化。

步驟4:同類用戶群體根據(jù)用戶自身使用需求調(diào)整自身用電安排,使整體負(fù)荷使用貼近電網(wǎng)公司的優(yōu)化目標(biāo),并將自身所能達(dá)到的最相似結(jié)果反饋給電網(wǎng)。

步驟5:電網(wǎng)根據(jù)用戶的反饋修正自己的目標(biāo)負(fù)荷使用,即重復(fù)步驟3和4,直到判定終止條件優(yōu)化結(jié)束。

2.3 行為矯正雙向混合PSO的求解實(shí)現(xiàn)

智能小區(qū)互動(dòng)化需求響應(yīng)方法采用行為矯正雙向混合PSO的求解實(shí)現(xiàn);在混合PSO基礎(chǔ)上[15],本文為實(shí)現(xiàn)互動(dòng)化需求響應(yīng)求解,擴(kuò)展了算法的粒子行為矯正功能,實(shí)現(xiàn)雙向迭代功能。實(shí)現(xiàn)算法分為電網(wǎng)公司和用戶側(cè)兩部分,通過電網(wǎng)公司與用戶雙方的互動(dòng)溝通完成需求響應(yīng)策略的優(yōu)化求解。由于用戶的個(gè)人負(fù)荷使用安排與自身關(guān)系過于密切,電網(wǎng)公司不適合也不能直接對用戶負(fù)荷的使用進(jìn)行直接管理,故用戶的負(fù)荷優(yōu)化將交由用戶自身完成,然后通過雙方的互動(dòng)完成整個(gè)優(yōu)化過程。

根據(jù)圖2,行為矯正雙向混合PSO流程可以分為三部分。

圖2 算法流程示意圖Fig.2 Flow chart of proposed algorithm

第一部分是算法的初始化。用戶需要確認(rèn)基本負(fù)荷以及可調(diào)度負(fù)荷組成,并根據(jù)歷史數(shù)據(jù)預(yù)測自身次日基本負(fù)荷使用情況以及預(yù)期分布式發(fā)電所得電量,還需確認(rèn)自身分布式能源系統(tǒng)相關(guān)參數(shù),以及電動(dòng)汽車相關(guān)參數(shù)和新一天的出行計(jì)劃。以上參數(shù)將對應(yīng)1.2節(jié)中的約束條件。然后用戶一次生成新一天的整體負(fù)荷使用情況上傳至電網(wǎng)公司,作為電網(wǎng)側(cè)初次優(yōu)化的依據(jù)。

第二部分是電網(wǎng)公司側(cè)的優(yōu)化。在優(yōu)化之前將根據(jù)用電行為對用戶進(jìn)行聚類分析,用以區(qū)分不同用電行為的用戶,對于相同用電行為的用戶而言,其調(diào)度過程存在一定的類似性和聚合性。

在電網(wǎng)側(cè)優(yōu)化的過程中其負(fù)荷粒子代表所有用戶整體的24 h時(shí)段用電,但根據(jù)用戶行為將用戶分類后,電網(wǎng)公司將關(guān)注該類用戶整體上的負(fù)荷趨勢,故負(fù)荷粒子為24×m階的向量,其中m為不同類別用戶的類數(shù)。初始化種群后,使用基本PSO進(jìn)行優(yōu)化。優(yōu)化目標(biāo)如式(18)所示,即式(17)的目標(biāo)函數(shù)將成為各類用戶的疊加表示。

(18)

式中:Gm(t)為該類用戶在t時(shí)刻的預(yù)期目標(biāo)。

同時(shí)在使用PSO進(jìn)行優(yōu)化的過程中,引入交叉變異的步驟,以防止早熟現(xiàn)象,增大算法獲取最優(yōu)解的能力。同時(shí)在每次粒子運(yùn)動(dòng)完后,將根據(jù)模型約束條件對粒子進(jìn)行矯正,確保粒子的運(yùn)行不會(huì)超出約束范圍條件,從而排除非合理解,其矯正過程如附錄A圖A2所示。

首先是對負(fù)荷粒子的判定,對于電網(wǎng)公司,用戶的具體約束無法知曉,其約束判定條件為整體負(fù)荷的調(diào)度能力,如式(19)所示,確保在調(diào)整的時(shí)候不會(huì)過度偏離用戶原有負(fù)荷使用情況。

∑(P-L)2≤A

(19)

式中:P為負(fù)荷粒子,L為進(jìn)行PSO優(yōu)化前的原始負(fù)荷,二者的差值表示用戶負(fù)荷變動(dòng)的程度;A為用戶負(fù)荷調(diào)度能力判定閾值,其值取基本變動(dòng)系數(shù)與時(shí)段數(shù)、用戶數(shù)之積。

該判定條件表示當(dāng)負(fù)荷變動(dòng)程度沒有超過預(yù)期時(shí)將保留該負(fù)荷粒子。該過程將反復(fù)迭代,判定粒子是否滿足約束條件,若滿足則更新粒子,若不滿足則進(jìn)行矯正,其矯正過程如式(20)所示。

P(imax)=P(imax)-w(P(imax)-L(imax))

(20)

式中:P(imax)為負(fù)荷粒子中變動(dòng)程度最大的一項(xiàng);imax為最大項(xiàng)的序號;L(imax)為原始負(fù)荷中的對應(yīng)項(xiàng);w為修正權(quán)重,其值影響修正的程度。

在完成矯正后,將計(jì)算適應(yīng)度值,更新個(gè)體最優(yōu),群體最優(yōu),判定是否結(jié)束PSO優(yōu)化過程。

第三部分是用戶側(cè)的優(yōu)化。對于用戶負(fù)荷,可知其各類負(fù)荷是線性相加的關(guān)系,故將其進(jìn)行分解,其中可以調(diào)度的部分主要為可調(diào)度負(fù)荷、電動(dòng)汽車以及儲(chǔ)能裝置,而同類用戶針對其相似性,可同時(shí)優(yōu)化,則負(fù)荷粒子為3×24×n的向量,n為該類用戶中的用戶數(shù)目。對各戶用戶的PSO優(yōu)化同時(shí)進(jìn)行,其優(yōu)化目標(biāo)函數(shù)為:

(21)

3 實(shí)驗(yàn)與性能分析

3.1 實(shí)驗(yàn)場景參數(shù)設(shè)置

實(shí)驗(yàn)仿真參數(shù)按照典型智能用電小區(qū)多用戶場景加以設(shè)置,居民用戶的基本負(fù)荷數(shù)據(jù)來自文獻(xiàn)[16],由美國可再生能源辦公室(EERE)提供的商業(yè)和居民日常用電數(shù)據(jù)集,將在實(shí)驗(yàn)中作為用戶日前預(yù)測負(fù)荷的構(gòu)建依據(jù)。而實(shí)驗(yàn)中用戶的負(fù)荷轉(zhuǎn)移能力,即可調(diào)度負(fù)荷與基本負(fù)荷的比例為1∶4。分布式能源系統(tǒng)的發(fā)電量以風(fēng)能為例,以安大略省電力公司仿真風(fēng)能發(fā)電數(shù)據(jù)[17]作為數(shù)據(jù)源整理而來,以此作為實(shí)驗(yàn)中日前預(yù)測發(fā)電量的構(gòu)建依據(jù)。

市場上常見的電動(dòng)汽車電池容量一般為20～30 kW,故本文電動(dòng)汽車的電池容量設(shè)置為25 kW。同時(shí)根據(jù)美國居民出行調(diào)查(NHTS)的統(tǒng)計(jì)數(shù)據(jù)[18]可知,以小時(shí)為單位的家用汽車一天中的首次出行時(shí)刻近似服從正態(tài)分布td～N(7,1),晚上最后一次出行的時(shí)間近似服從正態(tài)分布ta～N(17,1.9),居民用戶的可用充電時(shí)間視為二者之間的時(shí)段,同時(shí)考慮回家時(shí)電動(dòng)車仍有剩余電量,故隨機(jī)設(shè)置剩余容量為20%～60%。針對充電樁5 h充滿的慢充模式,其充電額定功率設(shè)置為5 kW,充電效率設(shè)置為90%。儲(chǔ)能裝置電池容量設(shè)置為10 kW,所儲(chǔ)存的初始電能設(shè)置為0,充放電效率為90%,對于儲(chǔ)能裝置的充放電上限功率設(shè)置為3 kW。

仿真實(shí)驗(yàn)中設(shè)置總用戶數(shù)為100,同時(shí)具有四類不同用電行為的用戶:①基本用戶,負(fù)荷只包含基本負(fù)荷和可調(diào)度負(fù)荷;②電動(dòng)汽車用戶,負(fù)荷包含基本負(fù)荷、可調(diào)度負(fù)荷和電動(dòng)汽車負(fù)荷;③分布式用戶,負(fù)荷包含基本負(fù)荷、可調(diào)度負(fù)荷和分布式負(fù)荷;④綜合用戶,負(fù)荷包含基本負(fù)荷、可調(diào)度負(fù)荷、分布式負(fù)荷和電動(dòng)車負(fù)荷。其數(shù)目比例為1∶3∶3∶3。則在本文實(shí)驗(yàn)中電網(wǎng)側(cè)的修正閾值A(chǔ)為9 600。

實(shí)驗(yàn)的對比算法主要為不進(jìn)行需求響應(yīng)的無序用電,以及按照分時(shí)電價(jià)進(jìn)行簡單互動(dòng)需求響應(yīng)的有序用電和集中式需求響應(yīng)優(yōu)化算法[19]。

1)無序用電[19],在該種策略當(dāng)中,用戶將按照自身的喜好隨機(jī)使用可以調(diào)度的負(fù)荷,而電動(dòng)汽車的充電過程將會(huì)在電動(dòng)汽車回家后直接充滿,對于分布式能源系統(tǒng),在發(fā)電有富余時(shí),將會(huì)進(jìn)行儲(chǔ)存,待下一階段用電時(shí)使用。

2)有序用電[19],即采用貪婪算法的調(diào)度策略,貪婪算法的基本思想是用戶將會(huì)根據(jù)分時(shí)電價(jià)標(biāo)準(zhǔn),在自身可控的范圍內(nèi),根據(jù)基本電價(jià)盡可能地降低所用電費(fèi)總額。

3)集中式需求響應(yīng)優(yōu)化算法[19],簡稱為集中調(diào)度,在該種策略中,電網(wǎng)公司將知道用戶所有信息,包括出行計(jì)劃、可調(diào)度負(fù)荷比例、分布式能源系統(tǒng)發(fā)電量等,公司將統(tǒng)一直接對用戶的用電計(jì)劃進(jìn)行優(yōu)化,與本文調(diào)度方法最大的不同為缺少相應(yīng)的聚類分析及用戶與電網(wǎng)公司間的互動(dòng)過程。

3.2 需求響應(yīng)過程及結(jié)果分析

在完成算法初始化后,電網(wǎng)公司需要對用戶進(jìn)行聚類分析,以獲取用戶的用電行為模式。本文選用總負(fù)荷量、峰谷差、時(shí)段用電百分比[20]等特征對用戶進(jìn)行聚類分析,其結(jié)果如附錄A圖A3所示,其對應(yīng)特征如附錄A表A1所示,該表中所得結(jié)果均為某一類用戶的平均值。

由附錄A圖A3和表A1可以看出,第一和第二類用戶峰谷差較大,負(fù)荷使用較集中,這是由于兩類用戶存在電動(dòng)汽車充電的行為,存在電動(dòng)汽車使用的用戶,由于在夜間給電動(dòng)汽車充能,將會(huì)對負(fù)荷造成明顯負(fù)擔(dān)。而第一類和第四類用戶相比于第二與第三類用戶,從負(fù)荷曲線和總量可以看出其存在一定下降趨勢,因?yàn)槎咄ㄟ^分布式能源系統(tǒng)能補(bǔ)足自身負(fù)荷使用需求。對于第三類用戶而言,其為不存在新的用能方式的普通用戶。

聚類分析的結(jié)果與實(shí)驗(yàn)參數(shù)中所設(shè)置比例相對應(yīng),在此基礎(chǔ)上電網(wǎng)公司將依據(jù)類別對用戶總體負(fù)荷進(jìn)行調(diào)整尋優(yōu),而用戶將根據(jù)電網(wǎng)公司所得結(jié)果,以同類用戶為整體對自身負(fù)荷安排進(jìn)行適應(yīng)性調(diào)整。通過仿真實(shí)驗(yàn)進(jìn)行對比分析,各算法的實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 不同類型方法總負(fù)荷分布對比圖Fig.3 Comparison diagram of total load distribution of different type methods

無序用電即用戶原始用電安排,未經(jīng)過任何調(diào)整,在此情況下用戶在0～7 h存在用電低谷,而用電高峰集中在18～22 h的時(shí)段。對比依據(jù)電價(jià)調(diào)度的有序用電,經(jīng)過有序用電的調(diào)度后,出現(xiàn)了明顯的峰谷倒置現(xiàn)象。可見該種調(diào)度方式并不能很好地實(shí)現(xiàn)削峰填谷的目的。

相較于有序用電的誘導(dǎo)式響應(yīng),集中調(diào)度和分類調(diào)度是基于一定政策下電網(wǎng)和用戶雙方合作的響應(yīng)調(diào)度。由圖3可知,這兩種方法都有效地實(shí)現(xiàn)了一定程度的削峰填谷,其負(fù)荷曲線的波動(dòng)程度都有所下降,其中集中調(diào)度在18～22 h用電高峰處的用電負(fù)荷峰值下降了131 kW,而分類調(diào)度則下降了149 kW,且二者在用電低谷時(shí)的負(fù)荷量與用電平段時(shí)的負(fù)荷量已十分接近。

再以一個(gè)用戶為例,對比了無序用電、有序用電、分類調(diào)度三種策略下,可調(diào)度負(fù)荷和電動(dòng)車負(fù)荷的使用情況,其結(jié)果如附錄A圖A4所示。

對于無序用電,根據(jù)其隨機(jī)的用電行為,其可調(diào)度負(fù)荷呈現(xiàn)雜亂無章的特點(diǎn),而電動(dòng)車負(fù)荷則在電動(dòng)車到家就開始充電,直至充滿。而有序用電則存在有計(jì)劃的使用,這種有序性是由電價(jià)政策所主導(dǎo)的。在可調(diào)整的情況下,趨向于用戶電費(fèi)最低的用電安排,從而出現(xiàn)了明顯的負(fù)荷集中區(qū),這也是在圖3中出現(xiàn)峰谷倒置的原因。對比于分類調(diào)度,其趨向于整體負(fù)荷變平緩的用電安排,故呈現(xiàn)出具有一定規(guī)律的負(fù)荷調(diào)度安排。

3.3 算法性能對比分析

根據(jù)3.2節(jié)中所得調(diào)度結(jié)果計(jì)算峰谷差、負(fù)荷均方差、負(fù)荷率等性能指標(biāo)進(jìn)行算法性能的對比,其對比結(jié)果如圖4及附錄A圖A5和圖A6所示。

圖4 負(fù)荷峰谷差對比圖Fig.4 Comparison diagram of valley-to-peak of load

由圖4可知,集中調(diào)度和分類調(diào)度的峰谷差遠(yuǎn)低于其余兩種,分別為314.3 kW和277.8 kW,相較于無序用電下降了37%和44%。

表征負(fù)荷波動(dòng)程度的負(fù)荷均方差如附錄A圖A5所示?？芍?有序用電為170.3,相較于無序用電上升了11.5%,其波動(dòng)程度更為劇烈,而集中調(diào)度和分類調(diào)度分別為103和93,下降了32.6%和39.2%。

同時(shí)根據(jù)附錄A圖A6可知，四種策略的負(fù)荷率分別為0.446,0.390,0.582,0.589,后兩類策略負(fù)荷率明顯要高于無序跟有序用電,說明在一天內(nèi),集中與分類調(diào)度策略下的負(fù)荷變動(dòng)最小,而分類調(diào)度負(fù)荷率比集中調(diào)度要略高,但相差不大。

由此可見,相比于有序用電,集中調(diào)度和分類調(diào)度較好地利用了用戶調(diào)節(jié)負(fù)荷的能力,而并未產(chǎn)生倒置的現(xiàn)象。同時(shí)對于集中調(diào)度而言,隨著用戶數(shù)量的增加,每個(gè)用戶的使用需求都不盡相同,其約束條件的復(fù)雜程度將大大上升,隨著問題難度的上升,其負(fù)荷優(yōu)化能力將隨之下降。因?yàn)閷τ趶?fù)雜的優(yōu)化問題,優(yōu)化算法總是取得近似最優(yōu)解,而非全局最優(yōu)解,故尋優(yōu)難度的上升將使算法更易陷入局部最優(yōu)。而分類調(diào)度過程中,通過將用戶分類能有效降低尋優(yōu)的難度,同時(shí)同類負(fù)荷的約束條件間存在較大的相似性,也將利于算法的求解。在分類調(diào)度過程中,優(yōu)化目標(biāo)向電網(wǎng)與用戶兩側(cè)拆解以此分別進(jìn)行求解,該過程將在一定程度上降低尋優(yōu)的能力。但就總體效果而言,分類調(diào)度可以達(dá)到與集中調(diào)度相似的負(fù)荷調(diào)控能力,甚至在一定程度上優(yōu)于集中調(diào)度。

對比集中式調(diào)度和分類調(diào)度的計(jì)算時(shí)間,在集中調(diào)度的過程中電網(wǎng)公司所花時(shí)間為96.9個(gè)單位時(shí)間,而分類調(diào)度中電網(wǎng)公司側(cè)的單次計(jì)算時(shí)間為1.8個(gè)單位時(shí)間,該時(shí)間大大減少,是因?yàn)樵诜诸愓{(diào)度中電網(wǎng)側(cè)僅根據(jù)分類所得各類用戶的總體負(fù)荷作為優(yōu)化目標(biāo),極大地降低了負(fù)荷優(yōu)化難度。分類調(diào)度中用戶單次計(jì)算時(shí)間為33.6個(gè)單位時(shí)間,由于各類用戶并行運(yùn)算,該時(shí)間為每類用戶計(jì)算時(shí)間中所花最大值,該時(shí)間遠(yuǎn)低于集中調(diào)度,是因?yàn)槊款愑脩舻挠脩魯?shù)較總用戶數(shù)而言大大減少,從而計(jì)算量相應(yīng)減少。當(dāng)用戶進(jìn)一步細(xì)分時(shí),用戶類型增加則會(huì)增加電網(wǎng)側(cè)計(jì)算時(shí)間,減少用戶側(cè)計(jì)算時(shí)間,其單次計(jì)算過程仍遠(yuǎn)小于集中優(yōu)化。

而迭代次數(shù)則表示電網(wǎng)與用戶之間交流的次數(shù),從而會(huì)影響分類優(yōu)化的性能,當(dāng)?shù)螖?shù)為1時(shí),分類調(diào)度的負(fù)荷均方差為105,略大于集中式優(yōu)化。也就是說分類調(diào)度由于計(jì)算時(shí)間的減少,可以在相同的時(shí)間內(nèi)反復(fù)迭代的運(yùn)算以優(yōu)化需求響應(yīng)的效果。

4 結(jié)語

本文針對涉及多種智能用電行為的小區(qū)居民日負(fù)荷的需求響應(yīng)問題,考慮用戶和電網(wǎng)的互動(dòng)關(guān)系,提出一種雙向互動(dòng)的需求響應(yīng)策略。通過對用戶進(jìn)行聚類分析,以降低需求響應(yīng)的復(fù)雜度,優(yōu)化負(fù)荷調(diào)度的效果。采用基于行為矯正的雙向混合PSO進(jìn)行求解,通過實(shí)驗(yàn)仿真可知,相較于基于電價(jià)政策的需求響應(yīng),本文方法更能適應(yīng)負(fù)荷調(diào)度能力較強(qiáng)的智能用電環(huán)境,故在各方面的綜合效能也要優(yōu)于普遍的電網(wǎng)主導(dǎo)的單側(cè)需求響應(yīng)策略,而對比于集中調(diào)度而言,本文方法能有效降低電網(wǎng)側(cè)的計(jì)算量,并較好地實(shí)現(xiàn)削峰填谷的目的,對未來智能電網(wǎng)的改造建設(shè)有著重要參考意義。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 湯奕,魯針針,寧佳,等.基于電力需求響應(yīng)的智能家電管理控制方案[J].電力系統(tǒng)自動(dòng)化,2014,38(9):93-99.DOI:10.7500/AEPS20140106008.

TANG Yi, LU Zhenzhen, NING Jia, et al. Management and control scheme for intelligent home appliances based on electricity demand response[J]. Automation of Electric Power Systems, 2014, 38(9): 93-99. DOI: 10.7500/AEPS20140106008.

[2] 盛萬興,史常凱,孫軍平,等.智能用電中自動(dòng)需求響應(yīng)的特征及研究框架[J].電力系統(tǒng)自動(dòng)化,2013,37(23):1-7.

SHENG Wanxing, SHI Changkai, SUN Junping, et al. Characteristics and research framework of automated demand response in smart utilization[J]. Automation of Electric Power Systems, 2013, 37(23): 1-7.

[3] 李同智.靈活互動(dòng)智能用電的技術(shù)內(nèi)涵及發(fā)展方向[J].電力系統(tǒng)自動(dòng)化,2012,36(2):11-17.

LI Tongzhi. Technical implications and development trends of flexible and interactive utilization of intelligent power[J]. Automation of Electric Power Systems, 2012, 36(2): 11-17.

[4] 湯奕,魯針針,伏祥運(yùn).居民主動(dòng)負(fù)荷促進(jìn)分布式電源消納的需求響應(yīng)策略[J].電力系統(tǒng)自動(dòng)化,2015,39(24):49-55.DOI:10.7500/AEPS20150326003.

TANG Yi, LU Zhenzhen, FU Xiangyun. Demand response strategies for promoting consumption of distributed power generation with residential active loads[J]. Automation of Electric Power Systems, 2015, 39(24): 49-55. DOI: 10.7500/AEPS20150326003.

[5] 趙禾杰.北歐電力市場中的能源互補(bǔ)[J].中國科技成果,2015(17):14.

[6] 王雪.厘清智能電網(wǎng)發(fā)展思路——《智能電網(wǎng)重大科技產(chǎn)業(yè)化工程“十二五”專項(xiàng)規(guī)劃》解讀[J].國家電網(wǎng),2012(7):66-67.

[7] 王守相,孫智卿,劉喆,等.面向智能用電的家庭能量協(xié)同調(diào)度策略[J].電力系統(tǒng)自動(dòng)化,2015,39(17):108-113.DOI:10.7500/AEPS20140625016.

WANG Shouxiang, SUN Zhiqing, LIU Zhe, et al. Co-scheduling strategy of home energy for smart power utilization[J]. Automation of Electric Power Systems, 2015, 39(17): 108-113. DOI: 10.7500/AEPS20140625016.

[8] 劉小聰,王蓓蓓,李揚(yáng),等.智能電網(wǎng)下計(jì)及用戶側(cè)互動(dòng)的發(fā)電日前調(diào)度計(jì)劃模型[J].中國電機(jī)工程學(xué)報(bào),2013,33(1):30-38.

LIU Xiaocong, WANG Beibei, LI Yang, et al. Day-ahead generation scheduling model considering demand side interaction under smart grid paradigm[J]. Proceedings of the CSEE, 2013, 33(1): 30-38.

[9] 潘明明,劉連光,葉遠(yuǎn)譽(yù),等.能源互聯(lián)網(wǎng)中用戶參與負(fù)荷轉(zhuǎn)移的混合博弈[J].電網(wǎng)技術(shù),2015,39(11):3088-3093.

PAN Mingming, LIU Lianguang, YE Yuanyu, et al. A game-theoretic analysis for customers’ load shifting in energy internet[J]. Power System Technology, 2015, 39(11): 3088-3093.

[10] LI N, CHEN L J, DAHLEH M A. Demand response using linear supply function bidding[J]. IEEE Trans on Smart Grid, 2015, 6(4): 1827-1838.

[11] 劉振亞.智能電網(wǎng)技術(shù)[M].北京:中國電力出版社,2010.

[12] JIAN L, XUE H, XU G, et al. Regulated charging of plug-in hybrid electric vehicles for minimizing load variance in household smart microgrid[J]. IEEE Trans on Industrial Electronics, 2013, 60(8): 3218-3226.

[13] 王德文,孫志偉.電力用戶側(cè)大數(shù)據(jù)分析與并行負(fù)荷預(yù)測[J].中國電機(jī)工程學(xué)報(bào),2015,35(3):527-537.

WANG Dewen, SUN Zhiwei. Big data analysis and parallel load forecasting of electric power user side[J]. Proceedings of the CSEE, 2015, 35(3): 527-537.

[14] WENHAO P, ZHE D, YANPING Z, et al. An analytical method for intelligent electricity use pattern with demand response[C]// China International Conference on Electricity Distribution, August 10-13, 2016, Xi’an, China: 4p.

[15] 趙遠(yuǎn)東,方正華.帶有權(quán)重函數(shù)學(xué)習(xí)因子的粒子群算法[J].計(jì)算機(jī)應(yīng)用,2013,33(8):2265-2268.

ZHAO Yuandong, FANG Zhenghua. Particle swarm optimization algorithm with weight function’s learning factor[J]. Journal of Computer Applications, 2013, 33(8): 2265-2268.

[16] Office of Energy Efficiency & Renewable Energy. Commercial and residential hourly load profiles for all TMY3 locations in the United States[EB/OL]. [2013-07-02]. http://energy.gov/eere/buildings/commercial-buildings-integration.

[17] Ontario Power Authority. Simulated wind generation data [EB/OL]. [2007-09-17]. http://www.powerauthority.on.ca/integrated-power-system-plan/simulated-wind-generation-data.

[18] 田立亭,史雙龍,賈卓.電動(dòng)汽車充電功率需求的統(tǒng)計(jì)學(xué)建模方法[J].電網(wǎng)技術(shù),2010,34(11):126-130.

TIAN Liting, SHI Shuanglong, JIA Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.

[19] TAN Z, YANG P, NEHORAI A. An optimal and distributed demand response strategy with electric vehicles in the smart grid[J]. IEEE Trans on Smart Grid, 2014, 5(2): 861-869.

[20] 張素香,劉建明,趙丙鎮(zhèn),等.基于云計(jì)算的居民用電行為分析模型研究[J].電網(wǎng)技術(shù),2013,37(6):1542-1546.

ZHANG Suxiang, LIU Jianming, ZHAO Bingzhen, et al. Cloud computing-based analysis on residential electricity consumption behavior[J]. Power System Technology, 2013, 37(6): 1542-1546.

Interactive Demand Response Method of Smart Community Considering Clustering of Electricity Consumption Behavior

LUJun1,ZHUYanping1,PENGWenhao1,QIBing1,CUIGaoying2

(1. School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China; 2. Electric Power Research Institute of State Grid Jiangsu Electric Power Company, Nanjing 210003, China)

To solve the users daily load demand response problem in the smart community under the complex, this paper proposes a bi-direction interactive demand response method amidst the smart grid and users, which considers the users’ clustering for the electricity consumption behavior. Firstly, this paper builds the demand response model aiming at minimizing the load fluctuation in the grid, in which the constraints include the base load, schedulable load, pure electric vehicles load and storing device load. Secondly, the proposed method is depicted in detail, the solution procedure for the demand response model is decomposed into interactive collaboration between the two subordinate responses and the grid and users. Finally, the proposed method is implemented by a hybrid particle swarm optimization algorithm based on the particle’s behavior modification, which is based on the clustering analysis of the users’ electricity consumption behavior. Simulation results show that the proposed method is superior in performance to the comparative algorithms in terms of the optimization results and algorithm complexity and by means of the clustering analysis and interaction mechanism.

This work is supported by State Grid Corporation of China (No. 2015SGKJ10-1) and National Key Research and Development Program of China (No. 2016YFB0901104).

interaction demand response; smart community; clustering analysis; demand response method

2016-12-06;

2017-05-02。

上網(wǎng)日期: 2017-06-27。

國家電網(wǎng)公司科技項(xiàng)目(2015SGKJ10-1)；國家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目(2016YFB0901104)。

陸 俊(1976—),男,通信作者,博士,副教授,主要研究方向:信息處理、電力系統(tǒng)通信和智能用電。E-mail：lujun@ncepu.edu.cn

朱炎平(1992—),男,碩士研究生,主要研究方向:電力系統(tǒng)通信。

彭文昊(1993—),男,碩士研究生,主要研究方向:電力系統(tǒng)通信。E-mail: 1054518964@qq.com

(編輯 萬志超)