基于代理技術的廣域源-荷雙層遞階協同優化調度模型

張雨薇，劉文穎，夏 鵬，李亞樓，安 寧，林 俐

（1. 華北電力大學 新能源電力系統國家重點實驗室，北京102206；2. 中國電力科學研究院，北京100192）

0 引言

近年來，我國風電行業迅猛發展，靈活調節電源匱乏、系統調峰能力不足逐漸成為大規模風電消納受阻的重要原因［1-2］。隨著我國電力市場逐漸開放，除了高載能等工業負荷外，廣域分布的民用負荷資源通過參與需求響應，也表現出巨大的有功調節潛力［3-4］。然而，民用負荷資源在空間上具有數量眾多、分布廣泛的特點，在時間上具有調節特性迥異、調節時序分散獨立的特點，傳統的集中式源-荷協調優化控制方法對其難以適用［5-6］。因此，為了充分挖掘廣域民用負荷的有功調節潛力，促進高比例風電消納，亟待開展廣域源-荷協同優化調度研究。

目前，國內外學者已對源-荷有功優化調度進行了較多的研究［7-12］：文獻［7-8］將高載能負荷納入日前有功調度計劃，建立了集中式源-荷協調優化調度模型，充分挖掘了高載能負荷的有功調節潛力，促進了風電消納，但該控制模式不適用于廣域分布的民用負荷資源；文獻［9］引入負荷代理（或稱負荷聚合商），作為協調廣域民用負荷和電網調度中心的中間機構，實現了所管轄范圍內負荷資源的分散自治；文獻［10］從電力公司角度設計了包含多種類型電力終端用戶的負荷代理與電網調度中心的互動調度機制；文獻［11-12］分別針對電動汽車負荷和空調負荷構建了相應的代理雙層調度模型。上述研究通過代理技術實現了廣域民用負荷與電網層其他資源的源-荷互動調度，但未考慮民用負荷時序響應調節特性導致負荷代理可調節能力聚合建模困難的問題，負荷個體調節性能信息難以精確、有效聚合傳遞給電網優化層，降低了廣域源-荷優化調度的效果。

針對上述問題，在新能源集群有功調度領域，提出了分層遞階優化調度模型，由電網調度層制定新能源電場層調度指令，電場層在上層有功指令的基礎上，制定本電場內新能源發電單元的有功指令，使新能源電場的有功出力緊跟上級調度指令［13-14］。因此，通過借鑒該優化思想，能夠為傳統負荷代理難以向電網調度中心傳遞精確、有效的民用負荷個體調節性能信息從而降低了廣域源-荷優化效果的問題，提供一種高效的解決思路。然而，分層遞階優化調度模型在廣域民用負荷調度方面與新能源集群有功調度方面的應用存在差異性：在新能源集群有功調度方面，每次優化在一個時間斷面內使新能源電場的有功功率跟蹤調度指令，其上、下層模型的本質是單階段的靜態規劃模型；而在廣域民用負荷調度方面，由于存在電動汽車、蓄熱電鍋爐等對蓄電容量有要求的調節對象，調度周期內前一時段負荷響應調節功率的大小將對剩余時段的負荷調節能力產生影響，其上、下層模型的本質是多階段的動態規劃模型。

綜上，本文提出了基于代理技術的廣域源-荷雙層遞階協同優化調度模型。本文的主要創新點在于：所提負荷代理技術考慮了民用負荷時序響應調節特性，并在利用負荷代理分區聚合廣域可調節民用負荷的基礎上，在上層（電網調度層）模型和下層（負荷代理層）模型之間引入遞階協同優化環節，將下層模型的優化解反饋傳遞到上層模型，通過重新求解上層優化模型，得到廣域源-荷優化的最終調度計劃。算例仿真結果表明，所提模型能為廣域可調節民用負荷直接參與電網優化調度以促進風電消納提供一種便于實際應用的解決思路。

1 廣域民用負荷需求響應調節時序特性對聚合負荷調節能力及電網調度的影響

廣域分布的電動汽車、蓄熱電鍋爐和空調等民用負荷通過參與用戶側需求響應，展現出良好的負荷調節潛力。然而，由于受到民用負荷用電量、用電時段以及用戶舒適度等約束條件（如電動汽車的電池容量和充放電時段約束［11］、空調的制冷舒適度約束［12］、蓄熱電鍋爐的儲熱能力約束［15］）限制，民用負荷的可調節能力受到需求響應調節時序的影響。具體而言，在單一優化調度周期（通常為24 h）內，前一時段民用負荷參與需求響應的調節計劃將對剩余時段的負荷調節能力（最大可上調功率、最大可持續上調時長）產生影響。

另外，由于民用負荷個體具有容量小、數量眾多和并網電壓等級低等特征，其難以直接參與電網層的優化調度，而主要通過聚合負荷的形式間接參與。廣域民用負荷需求響應的調節時序特性對聚合負荷調節能力以及對電網調度的影響分析具體如下。

1.1 廣域民用負荷需求響應調節時序特性對聚合負荷調節能力的影響

廣域民用負荷需求響應的調節時序特性對聚合負荷調節能力的影響示意圖見圖1。聚合負荷內部有較為充足的調節資源，通常可全時段響應調度需求，因此可以忽略聚合負荷功率爬坡特性約束［16］。

為了簡化分析，假設所有負荷個體的可調節特性相同，具體如圖1（a）和式（1）所示。

對于由n 個相同負荷個體構成的負荷集群而言，假設各負荷個體的功率調節時序相互獨立、分散分布，則負荷集群的整體功率可調節特性見式（2）。

圖1 不同調節時序特性下聚合負荷的調節能力Fig.1 Adjustable capacity of aggregated load under different regulation time sequence characteristics

結合式（1）、（2）可知，負荷集群的聚合調節能力與負荷個體的實際調節時序密切相關。下文結合2個極端調節場景，分析負荷集群的聚合調節能力。

（1）如圖1（b）所示，當n個負荷個體在相同的時刻集中響應功率調節指令時，負荷集群的最大可上調功率取得最大值nΔup，但是可持續調節時長取得最小值toff?ton。

（2）如圖1（c）所示，當n 個負荷個體響應功率調節指令的時序均勻分散分布時，負荷集群的最大可上調功率ΔPΣ，max取得最小值，如式（3）所示；但可持續調節時長ΔtΣ取得最大值，如式（4）所示。

由上述分析可知，隨著負荷個體響應功率調節指令的時序分散分布程度增加，負荷集群的最大可調節功率逐漸降低，可持續調節時長逐漸增加。

1.2 廣域民用負荷需求響應調節時序特性對電網調度的影響

仍以負荷功率上調情形為例，給定風電功率預測曲線和常規電源的調度計劃曲線，結合廣域民用負荷需求響應調節時序極端調節場景，對廣域民用負荷需求響應調節時序特性對電網調度的影響進行分析，如附錄A圖A1所示。

在圖A1（a）中，n個負荷個體響應功率調節指令的時序集中分布于風電多發時段ΔTup內，此時廣域民用負荷參與電網調度時可增加的風電消納電量ΔEW取得最大值，如式（5）所示。

在圖A1（b）中，n個負荷個體響應功率調節指令的時序集中分布在風電少發時段，此時廣域民用負荷不參與電網調度，可增加的風電消納電量取得最小值0。

在圖A1（c）中，n個負荷個體響應功率調節指令的時序均勻分散分布，此時廣域民用負荷參與電網調度可增加的風電消納電量如式（6）所示。

以上主要考慮負荷調節時序特性，為了簡化公式，均假設負荷調節能力小于風電調峰功率缺額。

由上述分析可知，當負荷個體響應功率上調指令的能力集中在風電多發時段時，廣域民用負荷參與電網調度，可增加的風電消納電量最多；隨著負荷個體響應功率調節指令時序的分散分布程度增加，可增加的風電消納電量減少；但當負荷個體響應功率上調指令的能力集中在風電少發時段時，廣域民用負荷不具有增加風電消納電量的能力。

2 基于代理技術的廣域源?荷雙層遞階協同優化調度機制

2.1 廣域民用負荷需求響應調節時序特性對負荷代理機制的影響分析

廣域民用負荷需求響應的目的是消納大規模風電，我國的大規模風電基地多位于風資源富裕地區，這類地區的地市級電網內含有較多的工業負荷、較少的可調節民用負荷，因此需要調用全省范圍內廣域民用負荷的調節能力進行風電消納。對于一個省級電網而言，電動汽車、蓄熱電鍋爐和空調等可調節民用負荷數量眾多，并網電壓等級低，相互之間的電氣距離遠，地域分布廣泛，難以直接參與省級電網調度中心的優化調度。為此，本文基于代理技術將電氣聯系較緊密或地理位置相近（地市級電網）的可調節民用負荷進行聚合，并通過負荷代理間接參與省級電網調度中心的優化調度，具體的負荷代理控制結構及其調度機制如圖2所示。

負荷代理調度機制包含以下2 個部分。①向上傳遞負荷可調節潛力：負荷代理控制中心根據民用負荷的個體調節性能信息進行聚合，得到聚合負荷調節性能信息，并將其上傳至省級電網調度中心，供優化決策使用。②向下傳遞負荷調度計劃：負荷代理控制中心對省級電網調度中心下發的調度控制指令進行優化分解，并下發給控制范圍內的民用負荷個體執行。

圖2 負荷代理控制結構及其調度機制Fig.2 Control structure and scheduling mechanism of load agent

圖2 中，省級電網調度中心依據負荷代理上傳的聚合負荷調節性能信息做出優化決策，因此省級電網調度中心能否得到精確、有效的負荷代理聚合調節能力，成為影響負荷代理調度機制優化效果的關鍵。然而，由第1 節可知，受廣域民用負荷需求響應調節時序特性的影響，負荷代理難以準確聚合電動汽車、空調、蓄熱電鍋爐等負荷個體的功率調節能力，并將其傳遞給省級電網調度中心，這將降低省級電網調度中心對廣域源-荷資源的優化調度效果。

2.2 廣域源?荷雙層遞階協同優化調度機制

針對以上問題，本文引入一種雙層遞階協同優化調度機制如圖3所示，主要包含以下3個部分。

（1）電網調度層初始協同優化。

為最大化挖掘廣域可調節民用負荷的調節潛力，負荷代理層根據負荷個體的調節性能信息，通過線性疊加方式得到聚合負荷的初始調節能力，同時考慮負荷調節時序的不確定性，并上傳給電網調度層（省級電網調度中心），供其初始協同優化決策使用。

圖3 廣域源-荷雙層遞階協同優化調度機制Fig.3 Double-layer hierarchical and cooperative optimiza‐tion scheduling mechanism of wide area source-load

電網調度層（省級電網調度中心）基于負荷代理層（負荷代理控制中心）上傳的聚合負荷初始調節能力以及風電場預測信息、系統負荷預測信息、常規電源調節能力信息，以最大化消納棄風電量為目標進行協同優化，得到風電場、常規電源和負荷代理的初始有功調度計劃。

（2）負荷代理層協同優化。

為了減少聚合負荷初始調節能力對初始有功調度計劃的影響，負荷代理層（負荷代理控制中心）考慮控制范圍內的電動汽車、蓄熱電鍋爐和空調等可調節負荷的個體調節性能約束，以與負荷代理初始有功調度計劃偏差最小為目標，優化得到可調節負荷個體的有功調度計劃。

（3）負荷代理層-電網調度層遞階協同優化。

為了修正聚合負荷初始調節能力引起的電網調度層優化調度偏差，負荷代理層將基于可調節民用負荷個體調節性能約束優化得到的有功調度計劃反饋傳遞給電網調度層，電網調度層再進行遞階協同優化，得到最終修正的廣域源-荷有功調度計劃。

3 基于代理技術的廣域源?荷雙層遞階協同優化調度模型

3.1 電網調度層協同優化模型

（1）目標函數。

電網調度層以最大化消納棄風電量、減少系統運行成本為優化目標建立協同優化模型。為了降低模型的求解復雜度，本文將棄風電量轉換為棄風懲罰成本，其與系統運行成本共同構成電網調度層綜合調度成本最小的目標函數，如式（7）所示。

其中，C為電網調度層綜合調度成本；CG、CR、CW分別為常規機組發電成本、負荷代理調節成本、風電棄風懲罰成本，具體計算公式分別如式（8）—（10）所示。

a. 常規機組發電成本。

b. 負荷代理調節成本。

省級電網調度中心向各負荷代理下達有功調度計劃指令的同時，也為其提供一定的經濟補償，從而產生調節成本，計算式為：

c. 風電棄風懲罰成本。

（2）約束條件。

約束條件包括系統功率平衡約束、常規機組調節性能約束、風電出力約束和負荷代理的聚合負荷功率調節性能約束等。

a. 系統功率平衡約束。

在電網調度層的協同優化中，廣域源-荷資源總有功出力等于系統常規負荷及外送功率需求，即：

其中，PL，t為t 時刻系統的常規負荷需求；PWS，t為t 時刻系統的外送功率需求。

b. 常規機組調節性能約束。

其 中，PGi，max、PGi，min分 別 為 常 規 機 組i 的 出 力 上、下限；PGi，up、PGi，down分別為常規機組i 的上爬坡、下爬坡速率限值。

c. 風電出力約束。

d. 負荷代理的聚合負荷功率調節性能約束。

在電網調度層的初始協同優化中，聚合負荷功率調節性能約束主要考慮其確定的有功調節范圍約束及不確定的調節時序約束。功率限值、可下調充放電功率限值、可投入壓縮機數量、可切除壓縮機數量及空調數量。

e. 負荷代理聚合負荷的初始電量需求約束。

f. 在廣域源-荷協同優化調度中，電網調度層追求綜合調度成本最小，而負荷代理、風電場追求獲得經濟補償最大，為了防止負荷代理及風電場為了獲取更大的經濟補償而虛報預測值，設置激勵相容約束［17］，使負荷代理及風電場選擇報告真實預測值獲得的利益不小于虛報預測值獲得的利益，即：

3.2 負荷代理層優化模型

在電網調度層初始協同優化的基礎上，負荷代理層考慮可調節民用負荷詳細的個體調節性能約束，以與負荷代理初始有功調節計劃偏差最小、可調節民用負荷用電成本最低為目標，優化得到電動汽車、蓄熱電鍋爐、空調的有功調度計劃，在最大化挖掘居民負荷有功調節潛力的同時，通過降低負荷用電成本來提高民用負荷參與有功調節的積極性。

（1）目標函數。

b. 負荷代理內民用負荷用電成本為：

此外，為了降低負荷代理層優化模型的求解難度，本文將負荷代理層有功調度計劃的控制偏差轉換為懲罰費用，加上民用負荷的用電成本構成負荷代理綜合優化成本的目標函數，如式（21）所示。

其中，Ck為負荷代理k的綜合優化成本；λRk為負荷代理k的功率控制偏差懲罰系數。

（2）約束條件。

約束條件包括各負荷代理內電動汽車、蓄熱電鍋爐和空調負荷的調節性能約束。

a. 電動汽車負荷調節性能約束包括充放電功率約束及充放電時段約束、蓄電池荷電狀態及離網時用戶期望蓄電量約束，分別如式（22）和式（23）所示。離網時用戶期望的蓄電量，能滿足次日行程安排。

b. 蓄熱電鍋爐調節性能約束包括加熱功率約束及爬坡速率約束、蓄熱電鍋爐容量及蓄熱電量需求約束，分別如式（24）和式（25）所示。

c.空調負荷調節性能約束包括壓縮機投切數量約束及投切時間間隔約束、空調制冷用戶舒適度需求約束、制冷用電量約束，分別見式（26）—（28）。

3.3 負荷代理層?電網調度層的遞階協同優化環節

為了降低負荷代理層聚合負荷的初始調節能力對電網調度層協同優化效果的影響，在電網調度層、負荷代理層之間引入遞階協同優化環節。

3.4 模型求解

本文所建電網調度層協同優化調度模型見式（7）—（18），其中約束式（14）和式（18）中包含不確定量，首先對電網調度層模型的不確定量進行處理［19］，然后對雙層遞階協同優化調度模型進行求解。

模型不確定量的處理過程見附錄B。經過處理后，可將電網調度層協同優化調度模型轉化為單目標非線性優化模型。負荷代理層的優化模型見式（19）—（28），其本質上為單目標非線性優化模型。處理不確定量后的電網調度層協同優化調度模型及負荷代理層優化模型均可以利用MATLAB 中的YALMIP 優化算法包和CPLEX 優化算法包進行聯合求解。基于代理技術的廣域源-荷雙層遞階協同優化調度模型求解流程如圖4所示。

圖4 模型求解流程圖Fig.4 Flowchart of solving proposed model

4 算例分析

4.1 算例介紹

雖然本文將廣域源-荷協同優化的范圍限定為省級大電網，但是省級電網中的電源、負荷資源數量多，這將導致算例規模過大，不便于進行計算結果的展示和分析。本文以某地區電網為例，該地區電網內風電機組、常規機組的裝機容量分別為800、1 200 MW，常規負荷、可調節民用負荷分別為1 000、240 MW，可調節民用負荷通過一個負荷代理參與電網調度層的優化調度。其余仿真條件如下：①常規機組的容量、調節參數見附錄C 表C1；②民用負荷容量信息、可調節參數、用電價格及功率調節補償價格見附錄C 表C2；③負荷代理管理240 MW 民用負荷，負荷代理調節成本為800 元／（MW?h），負荷代理功率控制偏差懲罰系數為280 元／（MW?h），電網調度層的單位棄風電量懲罰成本為350元／（MW?h）；④優化調度周期為24 h，單位優化步長為15 min，共有96 個優化時段，待優化日的風電功率預測曲線見附錄C 圖C1，常規負荷需求預測曲線見附錄C 圖C2，負荷代理內電動汽車、蓄熱電鍋爐和空調負荷需求預測曲線見附錄C 圖C3。假設電動汽車在同一地區內通勤，屬于同一負荷代理分區，其在家和單位均可實現充放電調節，通勤時段為07:00—09:00、17:00—19:00，電動汽車上午、下午離網時刻的期望蓄電量需求分別為總蓄電量的80%、50%。假設空調負荷制冷、加熱的舒適度范圍分別為［18，22］、［24，28］℃。

4.2 計算結果分析

考慮到負荷調節時序性的不同對調度結果的影響，通過改變負荷調節時序的不確定性參數，對1.2節中的極端場景進行仿真計算及對比分析。

（1）負荷調節時序集中分布場景。

如附錄A 圖A1（a）所示，當負荷需求響應調節時序集中分布在風電峰、谷時段時，將風電峰、谷時段的負荷調節時序不確定性參數的均值設置為0.9，其余時段設置為0；如附錄A 圖A1（b）所示，當負荷需求響應調節時序集中分布在非風電峰、谷時段時，廣域民用負荷實際上不參與電網調度，所以不對此場景進行仿真計算。前者的計算結果如下。

首先，通過求解電網調度層的初始協同優化模型，得到風電、常規機組和負荷代理的初始有功調度計劃；然后，求解負荷代理層的優化模型，得到電動汽車、蓄熱電鍋爐和空調負荷的有功調度計劃；最后，根據民用負荷個體有功調度計劃，修正負荷代理的初始有功調度計劃，并將其反饋傳遞給電網調度層，通過重新求解，得到風電、常規機組的有功調度計劃修正值。上述仿真過程的結果見圖5。由圖可知，07:30—15:30為風電少發時段，負荷代理集中下調了用電計劃；05:00—07:30 及15:30—24:00 為風電多發時段，負荷代理集中上調了用電計劃；進一步地，結合風電功率預測曲線（見附錄C 圖C1）可知，負荷代理通過將部分民用負荷用電計劃由風電少發時段集中轉移至風電多發時段，在滿足負荷用電量需求約束的同時，提升了風電消納電量。

（2）負荷調節時序分散分布場景。

如附錄A 圖A1（c）所示，當負荷個體響應功率調節指令的時序均勻分散分布時，將各調度時段的負荷調節時序不確定性參數的均值均設置為0.3。該場景下風電、常規機組和負荷代理的初始有功調度計劃見附錄C圖C4。

圖5 負荷調節時序集中分布場景下的計算結果Fig.5 Calculation results under centralized time distribution of load regulation

由1.1節的分析可知，當負荷具有分散響應功率調節指令的能力時，其最大可調節功率小于負荷具有集中響應功率調節指令能力時的最大可調節功率，因此，圖C4（a）中負荷的調節幅度小于圖5（a）中負荷的調節幅度；在風電多發時段，由于負荷調節時序分散分布場景下負荷提供的可上調功率少，造成棄風較多，如圖C4（c）所示；在風電少發時段，由于負荷調節時序分散分布場景下負荷提供的可下調功率少，造成常規機組上調功率大，如圖C4（d）所示。

（3）2種負荷調節時序場景的計算結果對比。

上述2 種負荷調節時序場景的求解結果如表1所示。由表可知，負荷調節時序集中分布場景下的棄風電量少，負荷調節量大，負荷用電成本較高，但由于負荷調節量大，導致常規機組調節量小，相應的常規機組調節成本低，因此負荷調節時序集中分布場景的綜合調度成本低。

表1 2種場景的求解結果對比Table 1 Comparison of calculation results between two scenarios

4.3 優化結果比較分析

從模型有效性及求解效率角度對本文模型與傳統模型進行比較分析。

（1）模型有效性對比分析。

為驗證本文所提模型的有效性，選取傳統源-荷雙層優化調度模型進行對比分析。模型1為傳統源-荷雙層優化調度模型［9］，利用負荷代理聚合民用負荷，引入負荷比例系數對負荷代理聚合負荷調節能力進行簡化建模，但不考慮負荷調節時序的不確定性，負荷比例系數設置為0.7；模型2 為本文所提模型，相較于模型1，模型2 以負荷代理內負荷個體調節能力上、下限值之和作為負荷代理聚合負荷調節能力，通過引入負荷調節時序不確定性參數考慮負荷調節時序的不確定性，同時通過引入遞階協同優化環節，所得優化解將考慮民用負荷個體調節性能的信息反饋傳遞給電網調度層，降低了負荷代理層簡化處理聚合負荷調節能力對廣域荷-源全局優化效果的影響。采用上述2種優化調度模型對3.1節中負荷調節時序集中分布場景進行求解，結果見圖6。

由圖6（a）可知，在00:00—01:30、04:00—07:30、15:30—24:00 風電多發時段，2 種模型出現棄風功率，但相較于模型1，模型2 的風電有功調度計劃曲線更接近其功率預測曲線，棄風電量明顯降低，驗證了模型2在促進風電消納方面的有效性。由圖6（b）可知，在00:00—07:30、15:30—24:00 時段，常規機組按出力下限（600 MW）安排有功調度計劃，為風電消納騰出空間；在07:30—15:30時段，常規機組上調出力，填補了風電少發帶來的負荷功率缺額，且模型2 的常規機組出力明顯低于模型1，這是因為模型2能夠將更多的民用負荷轉移至風電多發時段，降低了該時段的負荷功率需求。上述結果間接證明了模型2 在挖掘負荷調節潛力方面的有效性。由圖6（c）可知，模型1 引入負荷比例系數，未考慮負荷調節時序的不確定性，只能選擇保守的負荷比例系數參與電網層調度；相較于模型1，模型2 在風電少發時段（07:30—15:30）具有更多的民用負荷下調功率，在風電多發時段（00:00—07:30、15:30—24:00）具有更多的民用負荷上調功率；模型1與模型2計算所得結果均在負荷實際調節能力的上、下限范圍之內。綜上可知，相較于傳統方法，本文方法在電網調度層考慮了負荷調節時序不確定性，且引入了遞階協調優化環節，能夠更加有效地將民用負荷個體調節性能信息傳遞給電網調度層，提高負荷代理層對民用負荷調節潛力的挖掘能力。

圖6 模型有效性對比圖Fig.6 Comparison diagram of model effectiveness

表2 模型1與模型2的優化結果對比Table 2 Comparison of optimization results between Model 1 and Model 2

進一步分析上述模型的優化結果，可得系統棄風電量、綜合調度成本、居民負荷用電成本見表2。

由表2 可知，相較于模型1，模型2 的棄風電量、綜合調度成本、民用負荷用電成本分別降低了33.69%、1.51%、10.94%，這說明本文所提雙層遞階協同優化調度機制能夠更大程度地挖掘民用負荷調節能力，促進風電消納，降低調度運行成本。

（2）模型計算效率對比分析。

為了驗證本文所提模型（模型2）在減少計算時間、提高求解效率方面的優越性，另外選擇了基于反復迭代的雙層優化模型［18］（模型3）進行仿真比較分析。2種模型的計算結果如表3所示。

表3 模型2與模型3的優化結果對比Table 3 Comparison of optimization results between Model 2 and Model 3

由表3 可以看出，模型2 與模型3 的計算結果相近，但模型2 的計算時間降低了53.1%。由此可知，本文所提模型能在保證精度的條件下，大幅降低模型的求解時間，更具有實用價值。

5 結論

針對廣域民用負荷難以直接參與電網協調優化調度的問題，本文在利用負荷代理分區聚合廣域分布民用負荷的基礎上，引入了遞階協同優化調度機制，實現了廣域源-荷側資源的協調優化控制。通過仿真算例得到了如下結論：

（1）利用負荷代理分區聚合廣域民用負荷，構建廣域源-荷雙層優化調度模型，能夠有效解決廣域民用負荷難以直接參與電網層協調優化的問題，挖掘民用負荷調節潛力，減少棄風電量；

（2）通過引入雙層遞階協同優化調度機制，在上層模型中考慮負荷調節范圍及調節時序的不確定性，利用下層模型優化解的形式將民用負荷個體的調節性能約束信息反饋傳遞給上層模型，能夠有效應對負荷代理難以準確獲取聚合負荷調節能力的問題，在保證雙層調度模型優化效果的同時兼顧模型的求解效率，為廣域民用負荷直接參與電網優化調度提供了一種有利于實際應用的指導意見。

附錄見本刊網絡版（http：//www.epae.cn）。