考慮多重因素耦合的廣義負荷特征曲線的模式分析

韋善陽，黎靜華，黃 乾，雷永勝，朱夢姝

（廣西大學電氣工程學院,廣西壯族自治區南寧市530004）

0 引言

傳統的電力負荷一般是指對外呈現消耗功率狀態的用電設備綜合。隨著智能電網的發展,電力系統的節點既連接了用電設備,又連接了主動負荷、分布式電源等“綜合”設備,使得節點負荷既具有“負荷”特性,又具有“電源”特性,稱之為廣義負荷［1-2］。與傳統的負荷相比,廣義負荷的特征更加復雜,需要開展專門的研究。

對于廣義負荷數據的獲取,目前文獻大多采用模擬生成的方法。根據考慮的影響因素的不同,模擬產生的廣義負荷數據可以分為以下3 類。

1）考慮新能源接入的廣義負荷。文獻［3-5］將電網實際基礎負荷減去新能源發電功率后的“凈負荷”作為廣義負荷。文獻［6-7］提出了考慮風電、光伏出力特性的隨機生產模擬方法,獲得考慮負荷及新能源時序變化特性的機組出力仿真數據,該數據在數值上等價于廣義負荷。

2）考慮電動汽車充電的廣義負荷。文獻［2,8-9］采用蒙特卡洛法模擬產生電動汽車充電負荷,并疊加電網基礎負荷,獲得電動汽車充電場景下的廣義負荷數據。

3）考慮需求側響應的廣義負荷。文獻［10-11］構建了電力用戶的電價行為響應模型,將電價響應后的電網總負荷當成廣義負荷。文獻［12］以平抑新能源接入帶來的負荷波動為優化目標,建立了主動負荷響應新能源變化的需求側響應模型,獲得考慮需求側響應的廣義負荷數據。

上述文獻所提出的方法為獲取廣義負荷數據提供了有益思路。但這些方法考慮的影響因素比較單一,而在一些實際場景中廣義負荷受多重因素的耦合影響,因此,這些方法獲得的廣義負荷數據與實際情況相比偏差較大。

在廣義負荷特征曲線提取方面,目前各種聚類方法被不斷研究和應用于提取用戶負荷模式［13-19］,其中k 均值（k-means）方法和模糊C 均值（fuzzy Cmeans,FCM）方法最為常見［20］。文獻［13］采用奇異值分解法對日負荷曲線降維,基于降維指標采用kmeans 算法對負荷曲線進行聚類,能夠較快速地提取出用戶用電模式。然而k-means 算法對離群點十分敏感,通常需要在聚類之前將離群點剔除。由于廣義負荷曲線之間形態差異較大,一些離群點本身可能就是具有研究價值的一類。因此,采用k-means算法提取廣義負荷模式可能會產生較大的誤差。文獻［14］提出一種基于云模型與FCM 聚類的方法,能較好地提取出負荷模式。然而FCM 聚類方法存在計算量大、需預先多次迭代以確定聚類數目等缺點,處理規模較大的廣義負荷數據時運算效率低。因此,仍需要研究適用于廣義負荷的聚類算法。

在廣義負荷的曲線分析方面,尚存在以下問題:①現有研究模擬產生廣義負荷數據后,大多直接應用于研究負荷預測方法［3-5］或研究需求側響應策略［21］等,而缺乏對廣義負荷曲線特征的分析；②現有研究考慮的廣義負荷的因素仍比較單一。隨著新能源并網規模不斷擴大,以及電動汽車、儲能等主動負荷不斷增多,未來將會出現多種廣義負荷場景,如新能源占比分別為10%、20%、50% 的場景［22］等。電力系統的負荷預測、電力規劃、運行、調度、控制等都需要分析這些場景下的負荷曲線模式特征,以更好地消納新能源電力、提高運行安全性和經濟性。然而,目前尚未有較全面地考慮這些因素影響的負荷曲線場景模擬及特征的研究。

基于以上分析,本文對廣義負荷特征曲線開展如下研究:①在廣義負荷數據模擬方面,建立了包含電動汽車、新能源和需求側響應的廣義負荷模擬模型,針對當前廣義負荷數據模擬模型均只考慮單一影響因素的問題,提出了考慮多重因素耦合作用下的廣義負荷模擬模型,獲取了單因素影響下及多重因素耦合影響下的廣義負荷數據；②在廣義負荷特征曲線提取方面,采用基于密度的DBSCAN 聚類方法［23-25］對廣義負荷數據進行聚類,DBSCAN 聚類具有對離群點不敏感、無須預先設定聚類數、計算速度快等優點,能較好、較快地提取出廣義負荷的特征曲線；③在廣義負荷的曲線分析方面,通過設置不同的廣義負荷場景,探索了未來多種可能場景下的廣義負荷曲線形態和特征。本文分析結果呈現了未來廣義負荷曲線的特征形態,可為新能源電力系統的規劃、運行和調控提供參考。

1 廣義負荷的定義及影響因素分析

目前研究對廣義負荷尚缺乏明確的定義。對此,本文嘗試給出廣義負荷的定義:在高比例可再生能源并網和智能電網不斷發展的背景下,負荷側的可再生能源出力、靈活性資源和實際用電需求的總和,定義為廣義負荷。

廣義負荷的成分如圖1 所示。可以看到廣義負荷的組成復雜,不僅包含傳統用電設備,還包含風電、光伏等分布式電源,以及電動汽車、主動負荷等靈活性資源。廣義負荷的各成分分別受到多重因素的影響,其中分布式風電和光伏受到風速、風向、光照輻射、云量等氣象因素的影響；電動汽車充電負荷受到交通情況、用戶出行習慣等因素影響；主動負荷受到市場電價及需求側響應策略等因素的影響。由此可知,廣義負荷受上述多重因素的疊加影響。此外,廣義負荷的各成分之間往往也存在耦合影響。例如,主動負荷的需求側響應策略通常與新能源出力情況相關［12,21］。因此,在分析廣義負荷特征時,需要考慮多重因素對廣義負荷的耦合影響。

圖1 廣義負荷成分示意圖Fig.1 Schematic diagram of component of generalized load

實際中,可根據廣義負荷所包含成分的不同對其進行分類,如分為考慮新能源接入的廣義負荷、考慮電動汽車充電的廣義負荷等。對于某一類型的廣義負荷,當其成分參數取值不同時,便對應了不同的廣義負荷場景。例如,對于考慮新能源接入的廣義負荷,不同的新能源滲透率對應不同的廣義負荷場景。本文研究電動汽車充電、新能源發電、需求側響應等成分因素單獨和耦合影響下的5 種廣義負荷類型,并研究這5 種類型的廣義負荷在不同場景下的負荷曲線形態特征。

2 廣義負荷數據模擬模型與負荷模式提取

本文建立了如下5 種類型的廣義負荷數據模擬模型,以獲得相應廣義負荷數據進行分析。

2.1 考慮電動汽車充電的廣義負荷模擬模型

首先,建立電動汽車充電模型。將每一輛電動汽車充電負荷曲線累加可得到總充電負荷曲線:

式中:PEV,load(t)為t 時段電動汽車充電總功率,t=1,2,…,N,N 為總時段數；PEV,k(t)為第k 輛電動汽車在t 時段的充電功率,k=1,2,…,n,n 為電動汽車總數。PEV,k(t)由蒙特卡洛法模擬產生［26］,需要確定的參數包括電動汽車充電特性參數和電動汽車出行參數。其中,電動汽車充電特性參數與電動汽車類型有關。電動汽車出行參數包括每日返程時間的概率分布、行駛里程的概率分布和荷電狀態的概率分布,分別由式（2）至式（4）計算得到。

本文假設電動汽車每日返程時間t0服從正態分布,其概率密度函數為［2］:

式中:σt和μt分別為車輛返回時刻的均值和標準差。

假設電動汽車每日行駛里程S 也服從正態分布,其概率密度函數［26］為:

式中:σs和μs分別為電動汽車每日行駛里程S 的均值和標準差。對于不同類型的電動汽車,σt、μt、σs和μs的取值不同。

電動汽車的荷電狀態TC計算公式如下:

式中:W100為電動汽車每百公里能耗；Pc為充電功率；ηC,EV為充電效率。

模擬生成電動汽車充電功率后,可獲得考慮電動汽車充電的廣義負荷向量PGL,EV:

式中:Pbase為電網基礎負荷向量,其體現了氣象、經濟、日期類型等“常規”因素的影響；PEV,load為電動汽車充電功率向量。當不同規模、不同類型的電動汽車充電時,可獲得相應不同場景下的PGL,EV。

2.2 考慮新能源接入的廣義負荷模擬模型

考慮新能源接入的廣義負荷PGL,re計算式如下:

式中:Pre為新能源發電功率向量。當不同滲透率的新能源接入時,可獲得相應不同場景下的PGL,re。

2.3 考慮電價型負荷響應的廣義負荷模擬模型

需求側的靈活性負荷中,有一部分負荷受電價的影響較大,稱之為電價型負荷。電價型負荷根據電價信號改變其自身用電行為,從而改變廣義負荷曲線形狀。電價對電價型負荷的影響通常采用需求價格彈性系數來描述:

式中:εi,j為第i 時段對第j 時段的需求價格彈性系數,其中i,j=1,2,…,N；ΔPi為第i 時段用電需求的變化量；Pi為第i 時段的初始用電需求；Δλj為第j 時段價格的變化量；λj為第j 時段的初始價格。由此,可以計算出第i 時段電價型負荷的變化量為:

計算式（8）需要已知價格彈性系數ε。ε 可認為服從正態分布,第i 對第j 時段的價格彈性系數可由下式計算獲得［11］:

式中:δ 為根據轉移時間距離的增加來調節彈性系數減小強度的參數。

第i 時段響應后的電價型負荷P?price(i)為:

式中:Pprice(i)為第i 時段響應電價變化前的電價型負荷。

考慮響應電價變化的廣義負荷向量PGL,price為:

式中:P?price為響應后的電價型負荷向量。當電價型負荷占總負荷比例不同時,可獲得相應不同場景下的廣義負荷PGL,price。

2.4 考慮響應新能源變化的廣義負荷模擬模型

目前需求側響應技術正被廣泛應用于促進新能源消納、克服新能源并網帶來的不利影響。因此,廣義負荷場景中有必要考慮需求側響應和新能源互動的情況。

激勵型負荷是一種可直接控制的負荷,包括可轉移負荷Ptrans和可中斷負荷PIL。激勵型負荷能夠快速、可靠、精確地響應系統信號,因此常被用來追蹤新能源出力,平抑電網凈負荷波動［21,27］。據此,本文以需求側響應后廣義負荷波動最小為優化目標,建立激勵型負荷響應可再生能源出力變化的模型:

式中:PGL,dr(t)為第t 時段需求側響應后的廣義負荷值,t=1,2,…,N；PGL,av為N 個時段內響應后廣義負荷的平均值；P?trans(t)和P?IL(t)分別為第t 時段響應后的可轉移負荷和可中斷負荷,P?IL(t)由式（13）計算獲得；Pre(t)為t 時段的可再生能源發電功率。模型約束的最后一項表示,時段N 內可轉移負荷轉移前后的負荷總量不變。

本文設定當廣義負荷的爬坡功率大于給定值時,可中斷負荷被切除。可中斷負荷的計算公式如式（13）所示。

其中

式中:DGL(t)為第t 時段廣義負荷爬坡功率；Dmax為爬坡功率限值；ΔD(t)為爬坡功率越限部分。

式（12）至式（14）構成了考慮響應新能源變化的廣義負荷模型。當新能源滲透率、可轉移負荷占比、可中斷負荷占比設置為不同值時,可獲得不同場景下的廣義負荷PGL,dr。

2.5 考慮多重因素耦合影響的廣義負荷模擬模型

未來電力系統中,廣義負荷受多重因素的耦合影響,建立多重因素耦合影響下的廣義負荷數據模擬模型十分重要。為此,基于以上考慮單因素影響的廣義負荷模型,本文提出一種考慮電價、新能源和主動負荷耦合影響的廣義負荷數據生成模型。該模型將主動負荷分為2 個部分:一部分為電價型負荷,參與電價的需求響應；另一部分為激勵型負荷,參與消納可再生能源的需求響應。具體模型如下:

式中:PGL,com為考慮多重因素耦合影響的廣義負荷向量；P?price,P?IL,P?trans為模型變量,其中P?price為響應后的電價型負荷向量,由式（7）至式（11）獲得,響應后的可中斷負荷向量P?IL和響應后的可轉移負荷向量P?trans由式（12）至式（14）獲得。

式（7）至式（15）構成了考慮多重因素耦合影響的廣義負荷模型,其中電價型負荷響應反映了主動負荷和電價的耦合關系,激勵型負荷響應反映了主動負荷與新能源發電的耦合關系,因此,該模型能夠較真實地反映主動負荷與電價和新能源發電之間的耦合特性。當新能源滲透率、電價型負荷占比、激勵型負荷占比不同時,可獲得相應不同場景下的廣義負荷PGL,com。

2.6 廣義負荷模式提取

獲得廣義負荷數據后,需要通過聚類算法提取廣義負荷特征曲線。DBSCAN 聚類方法可以對任意形狀的數據集進行聚類,對數據集中的離群點不敏感,且無須預先設定聚類數［23-25］。因此,本文采用該方法提取廣義負荷特征曲線的典型模式。DBSCAN 聚類方法的具體步驟可參考文獻［25］。

3 廣義負荷特征曲線模式分析

本章通過仿真實驗,對不同場景下廣義負荷特征曲線的模式進行分析。

3.1 仿真場景設置

基于所建立的廣義負荷模擬模型,本文研究的廣義負荷場景如表1 所示。

表1 廣義負荷場景設置Table 1 Generalized load scenario settings

3.2 仿真基礎數據分析

本文采用的基礎數據包括電網基礎負荷Pbase、電價數據λ 和新能源發電功率數據Pre。

所采用的電網基礎負荷數據為ISO New England 2017 年1 月1 日 至7 月31 日 共212 d 的 負 荷數據。對基礎負荷曲線采用DBSCAN 方法進行聚類,取各類的聚類中心曲線作為負荷的特征曲線,如附錄A 圖A1（a）所示。可以看出,基礎負荷的特征曲線具有3 類典型模式:第1 類典型模式呈“單峰型”,第2 類和第3 類典型模式呈“雙峰型”。

所采用的電價數據為ISO New England 2017年1 月1 日至7 月31 日的實時電價數據。電價數據特征曲線的典型模式如附錄A 圖A1（b）所示。

所采用的新能源發電數據為德國Tennet 公司2016 年1 月1 日至7 月31 日的風 電、光 伏數據。采用DBSCAN 聚類方法提取風電、光伏的特征曲線,其典型模式結果如附錄A 圖A1（c）和圖A1（d）所示。由圖A1（c）可知,不同風電典型模式之間區別較大,如第1 類風電典型模式在一日中保持較高的出力水平,而第3 類風電典型模式在晚上出力水平較高,在白天出力水平較低。由圖A1（d）可知,各類光伏典型模式出力高峰期均在時段12～15 區域內。

由圖A1 也可以看出,DBSCAN 聚類方法能夠較好地提取出負荷、電價、風電、光伏的特征曲線,各類特征曲線之間形態差異明顯。

3.3 多場景下的廣義負荷特征曲線模式分析

3.3.1 不同規模電動汽車充電的廣義負荷場景

本文根據文獻［28］對ISO New England 地區的電動汽車數量預測結果,分別研究10 萬、50 萬、100 萬、150 萬、300 萬輛電動汽車充電場景下的廣義負荷特征曲線。每一種規模下的電動汽車參數均設置如下:電動汽車類型包括電動私家車、電動出租車和電動公交車,這3 類電動汽車的比例為5∶3∶2；這3 類電動汽車的充電額定功率、起始荷電狀態、電池容量、出發和返回時間概率分布、行駛里程概率分布等均采用文獻［2］中的參數。基于式（1）至式（5）產生不同規模的電動汽車充電負荷數據,進而得到相應不同場景下的廣義負荷數據。

附錄A 圖A2 為100 萬輛電動汽車充電場景下的廣義負荷聚類結果。圖A2（a）和圖A2（c）中的紅色虛線為各類廣義負荷特征曲線,即典型負荷模式。由圖可知,該場景下的廣義負荷具有3 種典型模式。以圖A2（a）中的典型模式1 為例進行分析,該典型模式在時段3 附近具有較高的負荷峰值,原因是電動汽車傾向于利用夜間時間進行充電。而由圖A1（a）可知,基礎負荷在時段3 附近處于全天的負荷低谷期。這表明大規模電動汽車充電會改變原負荷的峰谷情況。對比圖A2（d）與圖A1（a）可發現,電動汽車充電場景下的廣義負荷模式波動更強。

圖2 所示為10 萬、50 萬、150 萬、300 萬輛電動汽車充電場景下的廣義負荷典型模式。圖中括號內的數字分別表示3 類廣義負荷模式的負荷曲線數目。

圖2（a）中的廣義負荷典型模式與圖A1（a）中的基礎負荷典型模式相似,這是因為10 萬輛電動汽車的充電負荷相對于基礎負荷而言仍較小,對負荷曲線模式影響不大。當電動汽車規模為50 萬輛時,廣義負荷曲線形態發生明顯改變,如圖2（b）所示。

對比圖2（a）至圖2（d）可以發現,隨著電動汽車規模增加,廣義負荷典型模式之間的形態愈接近,如圖2（d）中的3 類負荷典型模式十分相似。這表明當電動汽車大規模接入時,電動汽車的充電功率負荷是影響廣義負荷曲線形態的主要因素。電動汽車充電場景下的廣義負荷特征,可用于指導考慮電動汽車的輸、配電網規劃［29］和電動汽車充電樁規劃。

圖2 不同規模電動汽車充電場景下的廣義負荷特征曲線Fig.2 Characteristic curves of generalized load in scenarios with different numbers of charging EVs

3.3.2 不同滲透率新能源接入的廣義負荷場景

由式（6）獲得考慮新能源接入的廣義負荷數據。圖3 所示為不同滲透率新能源接入場景下的廣義負荷特征曲線。

圖3 不同滲透率新能源接入場景下的廣義負荷特征曲線Fig.3 Characteristic curves of generalized load in scenarios with different penetration of renewable energy accessing levels

圖3（a）為滲透率為20%的風電接入的場景,該場景下的廣義負荷特征曲線具有5 種典型模式,其中典型模式1、2、4、5 均呈“雙峰型”,典型模式3 為“單峰型”。可見,風電接入使負荷模式變得多樣化,這意味著增加了負荷的不確定性,給電力系統規劃和運行計劃的制定帶來一些困難。

圖3（b）為滲透率為20%的光伏發電接入的場景。該場景下廣義負荷特征曲線典型模式的主要特點是負荷曲線中間凹陷,即在中午時段負荷曲線有較大的谷值,這是因為光伏出力曲線呈典型的單峰狀且峰值出現在中午。此外可看到典型模式5 在中午出現了負值,此時電網用電全部由光伏發電提供,且光伏發電尚有剩余,可以外送。

同時考慮風電和光伏接入且風電和光伏發電滲透率均設置為10%時,廣義負荷典型模式如圖3（c）所示。可見當風電和光伏同時接入電網時,廣義負荷模式變得比兩者單獨接入時更加復雜。圖3（d）為風電、光伏滲透率均為20%的場景,該場景下的廣義負荷典型模式主要體現了光伏接入時的特征,即在中午時段負荷曲線向下凹陷。

整體來看,圖3（a）至圖3（d）中的廣義負荷典型模式均為5 類,與圖A1（a）對比可知,新能源接入使廣義負荷曲線模式變得更多樣和更復雜。這將導致電力系統的規劃和運行方式也變得更復雜、多樣。這些廣義負荷特征,在進行含風電、光伏的輸電網規劃、配電網規劃和電源規劃時需予以考慮。

3.3.3 響應電價變化的廣義負荷場景

基于式（7）至式（11）,獲得不同電價型負荷占比場景下響應電價變化的廣義負荷數據。其中,計算彈性系數時參數δ 的取值參考了文獻［11］的做法。

附錄A 圖A3 為電價型負荷占比為10%場景下廣義負荷特征曲線的典型模式。可以看出,圖A3中的4 類廣義負荷特征曲線均比較平緩。

圖4 所示為電價型負荷占比分別為5%,15%,25%,35% 場景下的廣義負荷典型模式。對比圖A1（a）和圖4（a）至圖4（d）可知,與傳統負荷相比,考慮電價響應的廣義負荷模式發生了較大變化。總的來說,電價響應后的廣義負荷模式主要呈“單峰型”,這明顯區別于傳統負荷模式中常見的雙峰形狀。此外,對比圖4（a）至圖4（d）可知,隨著電價型負荷占比的增加,廣義負荷曲線模式的形狀更加平坦,負荷峰谷差更小。這是因為電價響應可以使負荷從電價高峰期向電價低谷期轉移,而電價低谷期往往對應著負荷的低谷期,從而實現了負荷的“削峰填谷”。當進行考慮電價響應影響的電網規劃［30］、變電站容量規劃時,應將上述場景下的廣義負荷特征考慮在內。

圖4 不同電價型負荷占比場景下的廣義負荷特征曲線Fig.4 Characteristic curves of generalized load in scenarios with different proportions of price-type load

3.3.4 響應新能源變化的廣義負荷場景

由式（12）至式（14）獲得響應新能源變化的廣義負荷。其中,激勵型負荷中可轉移負荷和可中斷負荷的比例設置為5∶1,新能源中風電和光伏發電滲透率均設置為10%。

當激勵型負荷占總負荷的10%時,響應新能源變化后的廣義負荷特征曲線如附錄A 圖A4 所示。對比圖A4 和圖A1（a）中的典型負荷模式可發現,圖A4 中各個負荷典型模式曲線更光滑,負荷峰谷差更小。這說明需求側響應可以平抑可再生能源接入帶來的負荷波動,并實現一定程度的削峰填谷。

圖5 所示為不同激勵型負荷占比場景下廣義負荷特征曲線的典型模式。由圖5（a）可看到,當激勵型負荷占比為5%時,廣義負荷具有5 種典型模式,且各負荷典型模式均呈“雙峰型”。當激勵型負荷占比為15%時,如圖5（b）所示,廣義負荷的典型模式變為3 種,表明隨著激勵型負荷占比的提高,廣義負荷曲線模式變少。由圖5（b）至圖5（d）可看到,隨著激勵型負荷占比的提高,屬于第2 類典型模態的廣義負荷曲線變多。這表明,隨著激勵型負荷占比的提高,廣義負荷曲線可能會朝著某一形態演變。由圖5（d）可看到,當激勵型負荷占比為35%時,廣義負荷在時段0～5 的曲線變得平直。這將使得電網的供需平衡變得十分方便。該場景下的廣義負荷特征可用于指導考慮需求側新能源消納的輸電網規劃［31］、配電網規劃和微網規劃。

圖5 不同激勵型負荷占比場景下的廣義負荷特征曲線Fig.5 Characteristic curves of generalized load in scenarios with different proportions of incentive-type load

3.3.5 同時響應電價、新能源變化的廣義負荷場景

基于式（7）至式（15）,獲得同時響應電價、新能源變化的廣義負荷場景下的廣義負荷數據。其中新能源數據中風電、光伏滲透率各設為10%。

圖6（a）和（b）分別為電價型負荷和激勵型負荷占比均為5%和占比均為15%場景下廣義負荷特征曲線的典型模式。對比圖中負荷特征曲線的形態可以發現,圖6（a）中負荷曲線波動起伏較大,而圖6（b）中負荷曲線均較為平滑,在時段0～5 和20～24 負荷曲線趨于平直。電價型負荷和激勵型負荷均屬于主動負荷。圖6（a）和圖6（b）表明主動負荷占比越高,廣義負荷曲線越平滑,越有利于電力的供需平衡。

圖6（c）為電價型負荷和激勵型負荷占比分別為10%和30%場景下廣義負荷特征曲線的典型模式,圖6（d）為電價型負荷和激勵型負荷占比分別為30%和10%場景下廣義負荷特征曲線的典型模式。對比圖6（c）和圖6（d）在時段20～24 負荷曲線的形態可以發現,圖6（c）在該時段的負荷曲線更加平直,表明激勵型負荷占比更大時,主動負荷平抑負荷波動的能力更強。

為探究高比例主動負荷場景下廣義負荷的模式,將電價型負荷占比和激勵型負荷占比均設為30%。該場景下的廣義負荷聚類結果如附錄A 圖A5 所示。由圖A5 可知,該場景下廣義負荷共有4 類典型模式,這4 類典型模式的負荷曲線在午間有一個波谷,其余時段均趨近于直線。可見,當主動負荷占比很高時,通過需求側響應可以使負荷曲線趨于平直。同時也發現,當光伏滲透率為10%時,即使主動負荷占比高達60%,光伏接入引起的午間負荷波谷仍難以被填平。這些負荷特征,在考慮需求側響應的電源、輸電網、配電網、微網規劃［32］中應予以考慮。

圖6 不同價格型負荷和激勵型負荷占比場景下的廣義負荷特征曲線Fig.6 Characteristic curves of generalized load in scenarios with different proportions of price- and incentive-type load

值得注意的是,本文主要提供廣義負荷數據的模擬模型,以及廣義負荷特征分析方法。具體應用于電力規劃時,需要根據特定區域數據開展更具體的分析。

4 結語

本文分析了不同場景下的廣義負荷特征曲線模式。首先,為獲取廣義負荷數據,研究了考慮電動汽車、電價響應、新能源、需求側響應的廣義負荷模擬生成模型,提出了綜合考慮各因素影響的廣義負荷模型。其次,采用DBSCAN 聚類方法,較好地提取了各場景下的廣義負荷典型模式。最后,對不同場景下廣義負荷典型模式的特點進行了分析,為新能源電力系統規劃運行提供了較全面的負荷場景信息。后續研究工作包括:①更深入地研究和完善廣義負荷與多重因素的耦合關系；②更全面地探索和分析包含綜合能源系統在內的多場景下的廣義負荷曲線特征。

附錄見本刊網絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網絡全文。