面向電力市場的用戶端需求側響應研究*

鐘 樺 呂征宇 陳春逸 黃宇鵬 周 波

（1.上海電力交易中心有限公司 上海 200122）（2.國網上海市電力公司 上海 200122）（3.上海電力學院電氣工程學院 上海 200090）

1 引言

隨著分布式發電、能量存儲、智能電表、電動汽車等智能電網技術的快速發展，電網用戶不僅可作為消費者消納電能，還可利用自身的可再生能源發電或儲能設備并網供電，充當電能生產者［1～3］。在互聯網信息技術的支撐下，未來智能電網體系下的電力市場將是基于實時電價的自由市場［4］。需求側響應旨在通過使用激勵、懲罰機制或實時電價機制來改變傳統用戶的用電行為以達到平衡電力需求，保障系統安全的目的［5］。在此前提下，智能用戶端可以通過優化自身發用儲售行為響應實時電價，最大化自身經濟利益。文獻［6］基于價格彈性及獎懲機制激勵建立需求側響應模型；Hamed Mohsenian-Rad從機制設計、博弈論和價格預測角度分別探索了需求側響應機制。文獻［7］則采用層次分析法建立了應急狀態下的需求側響應模型。

本文從智能用戶端角度建立需求側響應模型，優化目標為智能用戶端用電成本最低，其本質是具有嚴格約束的組合優化問題求解。當實時電價更新頻率較高時，求解計算復雜度呈指數級增長，而需求側響應存在時間限制，無法通過精確求解方式求解。因此本文采用多起始點變鄰域下降算法（Multi Start and Variable Neighborhood Descent，MS-VND），通過優化設計鄰域算子進行快速高效求解。

2 基于智能用戶端的需求側響應模型

2.1 實時電價模型

電力市場不同于股票市場，電能的生產和消納、電力系統的供需平衡是電力市場運作的前提基礎［8］，因此實時電價并非電價隨時間連續變化。假設實時電價的更新頻率為 f，電價變化間隔為△t。電力運營商根據一段時間內電網的電力需求預測［9］、發電商競價［10］、可再生能源預測［11］等多方面信息融合決策下一時段內的實時電價包括零售電價及并網電價。如圖1所示，隨時間推移實時電價進行更新，其中每段時間T內第一個時段△t為確定定價，其余時段電價為參考電價，會隨時間推移而變化。

圖1 實時電價更新機制

上圖中，tk時刻T時段內實時電價為。和分別表示 tk+(i-1)△t到 tk+i△t時段內的零售、并網電價。

本文研究實時電價下智能用戶端需求側響應問題，著重探索智能用戶端的模型建立和響應實時電價的用電行為決策。為簡化模型，對于實時電價的形成機制，即電力運營商如根據電力需求預測、發電商競價、可再生能源預測等多方面信息融合決策實時電價不做深入探討。式（1）為本文采用的實時電價模型，其中是根據實際數據擬合的至時段實時電價序列。為隨機白噪聲序列模擬實時電價的隨機時變特性。

2.2 智能用戶端模型

在分布式發電、能量存儲、電動汽車等技術的支撐下，智能電網中智能用戶端的形式多種多樣［12～14］。研究不同場景下的智能用戶端需求特性發現智能用戶端的多樣性本質為發、用、儲設備不同規模不同形式的組合排列。因此，本文建立了下列4種基本的電力需求模型。

2.2.1 常規電力需求模型

常規電力需求即為傳統的剛性電力需求，可分為可中斷與不可中斷型電力需求。不可中斷型電力需求如照明等具有嚴格的工作時間無法響應實時電價；可中斷型電力需求如電熱水器等只需在一定時間范圍內完成工作，具體工作時間可響應實時電價智能工作。

2.2.2 儲能設備模型

儲能設備可以短時間內儲存電能。在基于實時電價的自由電力市場下，在電價較低時儲存一定的電能，在電價較高且存在電力需求時使用儲能設備中存儲的電能以節約用電成本，或者在并網電價較高時將儲能設備中存儲的電能逆變并網以獲取利益。因此儲能設備可以抽象為具有需求可中斷、能量可雙向流動的彈性需求模型。

2.2.3 電動汽車模型

電動汽車在充電時是一種可中斷型剛性電力需求，若可供充電時間大于需求充電時間，電動汽車則可以充當儲能設備響應實時電價進行充電并網行為，具有彈性需求特性。因此，電動汽車模型是一種特殊的復雜的電力需求模型。

此外，電動汽車需滿足同一時段充放電狀態唯一性約束（式（11）），且對于 m=1，2，…，n，需滿足其電池容量約束（式（12））。

2.2.4 家用分布式發電模型

本文主要考慮家庭用戶的需求側響應研究，因此主要研究小型家用太陽能、風力發電設備模型。家用分布式發電設備主要包含可再生能源發電模塊和小型儲能設備模型。

2.3 目標函數

智能用戶端需求側響應旨在通過發用儲設備有效地充放用電行為響應實時電價，使得用戶端個體利益最大化，結合上述電力需求模型可得到從到時刻某一智能用戶端的用電及并網功率：

上述瞬時功率需滿足智能用戶端用電及并網功率限制（式（20））：

結合實時電價，可計算出智能用戶端T時段內用電費用，本文的優化目標及最小化用電費用使得智能用戶端利益最大化，如式（21）所示。

3 求解算法

針對上述模型，本文整體動態優化采用貪婪搜索思想，智能用戶端在實時電價更新時求解當前最優策略并執行用電行為，實時電價再次更新后，智能用戶端更新當前用電需求并響應新的實時電價序列。局部最優策略求解則采用多起始點變鄰域下降算法（MultiStartand Variable Neighborhood Descent，MS-VND）［15］。智能用戶端響應實時電價決策用電行為流程圖如圖2所示。

圖2 需求側響應流程

該算法核心部分為變鄰域下降（Variable Neighborhood Descent，VND）算法。VND算法是變鄰域搜索（Variable Neighborhood Search，VNS）算法的一種，由Mladenovic和Hansen提出，其主要思想是針對問題模型及編碼方式設計一系列半徑不同的鄰域搜索算子并優化各鄰域搜索順序，對初始解進行變鄰域貪婪搜索［16］。本文結合智能用戶端需求模型的可行性及計算代價評估等因素設計了包括平移算子、遞增（減）算子、變異算子等在內的8個鄰域，變鄰域下降索的順序按鄰域半徑由大至小排序，并通過局部最優跳出機制確保算法的搜索深度及廣度，算法偽代碼如下所示：

4 仿真與分析

4.1 實驗參數設置

假設電力系統運營商每隔半小時更新實時電價，本文所采用的實時電價數據以美國PJM公司2017年8月平均實時電價為基準如圖3所示。

圖3 實時電價數據

表1為某智能用戶端日常負載數據，假設該智能用戶端儲能設備包含12組容量為48V20Ah的蓄電池，其家用分布式可再生能源發電配套電池為2組容量為48V120Ah的蓄電池。該智能用戶端24小時內可再生能源發電功率預測如圖4所示。

4.2 仿真結果分析

本文根據智能用戶端電力需求組成區別設置6組仿真實驗。

仿真1、2假設智能用戶端只包含常規電力需求。仿真1中智能用戶端不響應實時電價，隨機安排各用電設備工作時間，此時用電成本為104.7 cent/天；仿真2中智能用戶端響應實時電價，用電成本為93.7 cent/天，較仿真1節約用電成本10.5%。仿真3、4在仿真1、2的基礎上假設智能用戶端還包含電動汽車。仿真3中智能用戶端不響應實時電價，隨機安排各用電設備工作時間及電動汽車充電時間，此時用電成本為185.880 cent/天。由于電動汽車的存在，用電成本明顯上升。仿真4中智能用戶端響應實時電價規劃用電行為，用電成本為136.2 cent/天，較仿真3節約成本26.74%。較仿真1、2橫向節約比例提升明顯，可見隨著彈性負載增加，需求側響應效果更為明顯。

表1 某智能用戶端日常電力需求數據

圖4 風光互補型分布式發電功率

仿真5假設智能用戶端包含常規電力需求、電動汽車和儲能設備，此時用電成本為122.1cent/天，較仿真4用電成本減少10.3%。仿真6假設智能用戶端包含常規電力需求、電動汽車、儲能設備和家用分布式可再生能源發電設備，此時用電成本為33.0 cent/天，較仿真4用電成本減少75.78%。用電成本大幅降低一方面由于可再生能源發電消納部分用電需求，另一方面由于智能用戶端儲能設備增加了用電彈性，使其可以更加靈活地響應實時電價，最大化自身利益。圖5為仿真6中智能用戶端能量分布情況，其用電并網行為契合實時電價價格曲線趨勢，可見，基于智能用戶端的需求側響應有助于削峰填谷，具有較強的應用價值。

圖5 仿真6分析圖

5 結語

本文建立了包含常規電力需求、儲能設備、電動汽車、家用分布式可再生能源發電設備的發用儲一體化智能用戶端模型，研究其參與基于實時電價的未來自由電力市場逐利過程。通過分析問題特性提出設計并使用多起始點變鄰域下降算法求解該組合優化問題。多組數值仿真實驗橫向縱向對比可以得出：本論文提出的基于智能用戶端的需求側響應模型合理可行，所應用的算法正確高效，有助于未來智能電網用戶優化能源配置，節約用電成本。下一步研究將著眼于智能用戶端的規模形式，突破本文單一的家用型智能用戶端形式，進行更加深入的探索。