面向高比例分布式光伏發電消納的復合型需求側響應控制

趙鳳展，張啟承，張 帥，郭楊瑾，吳 鳴，陳 銘，沈 浚

·農業信息與電氣技術·

面向高比例分布式光伏發電消納的復合型需求側響應控制

趙鳳展1，張啟承1，張 帥1，郭楊瑾1，吳 鳴2，陳 銘3，沈 浚4

（1. 中國農業大學信息與電氣工程學院，北京 100083；2. 國網上海能源互聯網研究院有限公司，上海 100192；3.海寧市金能電力實業有限公司，海寧 314400；4. 國網浙江海寧市供電有限公司，海寧 314400）

在大力推進分布式光伏發電的形勢下，利用負荷側靈活性資源提升光伏消納水平并改善電網運行經濟性已成為促進新能源發展的重要措施，如何高效進行需求側響應控制是目前該領域研究的關鍵問題之一。傳統的峰谷分時電價僅根據區域電網內的負荷變化的總體情況確定分時段電價實現削峰填谷，該方法未考慮區域內新增電源的發電特性，從而導致負荷調整的靈活性較差，無法有效解決區域內光伏消納的問題。該研究針對光伏裝機比例較高的區域配電網尤其是鄉村配電網，提出一種基于優化調整分時電價時段的激勵型需求側響應和區域集中優化調控相結合的配電網復合型需求響應控制策略。該策略首先結合負荷需求和光伏出力曲線對分時電價峰谷時段進行因地制宜的自適應調整；其次，基于新的電價時段進行用戶側分布式最優出力計劃建模，并給出用戶側可削減、可時移負荷的響應調整范圍的計算方法；最后由區域調度中心實現負荷集中控制。通過算例對比驗證該文方法在計及用戶舒適度的基礎上，棄光率和系統綜合運行成本較優化前均有明顯降低，解決了含高比例光伏配電網的光伏消納及經濟運行問題，為配電網精細化管理水平的提升提供了理論依據。

光伏；分布式發電；鄉村配電網；分時電價；復合型需求側響應；配電網經濟運行

0 引 言

近年來隨著“雙碳”目標的提出和鄉村振興政策的實施，分布式光伏發電裝機得到了迅猛發展，但與此同時由于控制策略的不健全，以及光伏（Photovoltaic，PV）出力特性與負荷用電需求不匹配造成的棄光問題，使得PV運營收益有較大的提升空間。光伏裝機比例較高的區域配電網，尤其是鄉村配電網面臨著負荷增長與PV大規模接入的雙重壓力，二者同時作用于電網末端，亟需更適合的協調控制方式匹配負荷需求和PV出力，在保障區域供電電壓質量的同時促進光伏電能就地消納和配電網安全經濟運行[1-2]。

需求側響應（Demand Response，DR）為電力系統源網荷協調經濟運行提供了積極主動的解決方案[3-4]。相較于需要投入設備且造價較高、充放電頻率受到限制的儲能技術，需求側響應技術無需增加過多投入，從需求側入手利用柔性負荷解決運行控制問題。DR分為價格型[5]和激勵型兩類。價格型需求側響應利用實時電價引導用戶調整其生產生活用電時段，激勵型需求側響應（Incentive Demand Response，IDR）則通過補貼或相應折扣來主動激勵用戶響應調度策略[6]。對于DR參與配電網經濟運行控制國內外學者已經做了許多研究，文獻[7] 提出了一種考慮峰谷分時電價策略的加氣母站經濟調度方案。文獻[8-9] 提出了一種計及分時電價和用戶滿意度的戶用型微電網需求響應策略。文獻[10-11]在保證各時段運行的靈活性裕度前提下，構建價格型需求側響應模型引導用戶響應實時電價的變化。文獻[12]研究了需求響應優化配置模型及其對配電網彈性提升的效果。上述研究大多針對統一分時段的價格型DR進行經濟性最優建模，但配電網的各個供電區域都有其特點，這種固定且統一的分時電價的時段劃分通常不能適應不同區域的負荷特征。相反，IDR相較價格型DR具有調節速度快、方式靈活、潛力大等優點[13]。文獻[14]提出了售電商運用IDR通過調整補貼價格引導用戶用電達到自身經濟效益最優的策略。文獻[15]建立一種IDR模型降低了基于能量樞紐模塊的綜合能源系統的規劃運行成本和碳排放值。文獻[16]綜合考慮基于分時電價和用戶協議的DR策略，建立IDR參與自主決策的智能家庭日前優化調度模型。文獻[17]從用戶用電偏好入手，以IDR與用戶之間的實際利益平衡為出發點，基于委托–代理理論構建信息不對稱情形下的最優激勵模型以提高用戶參與度。文獻[18-19]針對微電網中存在的源-荷不確定性，建立IDR參與的實時滾動優化策略。文獻[20]通過分析IDR對配電網可靠性指標的影響，提出基于負荷削減與負荷轉移2種需求響應合同的投標決策優化模型。上述文獻充分體現IDR在價格型DR的基礎上，通過在配電網側給予用戶用電補貼，引導用戶進一步調整其負荷出力的優勢。

大量的農村負荷，如農產品加工負荷、電采暖負荷、電動汽車充電負荷等，具有可時移、可削減的柔性負荷特性，可以利用DR引導柔性負荷資源匹配PV有功出力，這將提高光伏消納水平，同時實現負荷削峰填谷的目的。為了解決分時電價峰谷時段設置不能適合各地配電網的源-荷的實際運行情況，需要引入IDR，在分時電價的基礎上，通過經濟補償或電價優惠政策來激勵用戶主動參與電力系統所需的負荷增減調控，對用戶用電行為進行進一步的引導和調整同時更加合理地解決PV消納問題。但是，上述價格型DR或IDR均沒有計及用戶側分布式光伏發電的影響，同時基于獨立負荷的需求側響應也不能達到含多用戶區域配電網最優的需求響應效果。為了適應高比例分布式光伏配電網發展趨勢并實現配電網更經濟的運行控制，本文提出計及光伏發電曲線的自適應分時電價峰谷時段優化調整方案，以及IDR分布調節與集中式控制相結合的復合型需求側響應策略。該策略首先基于高比例分布式光伏配電網的光伏出力和負荷時域特點，對當地區域配電網峰谷時段進行自適應重新劃分；然后，針對可時移[21]和可削減[22-23]2種負荷類型建立各自的需求響應模型，并給出了基于IDR補貼后的負荷調整范圍的計算方法，最后采用系統集中調控使得負荷在參與電網協調優化調度后既保障用戶自身的利益，又使系統整體達到減少棄光與經濟運行的目的。

1 自適應分時電價峰谷時段優化調整

傳統分時電價時段僅針對負荷曲線進行設置，沒有考慮分布式光伏發電特性，造成分時電價高的部分時段可能恰好是光伏發電功率大的時段，這將導致因削減負荷造成的棄光現象或電壓超越上限。為此，本文設計了計及分布式PV出力曲線和負荷需求曲線的分時電價時段自適應調整策略，如圖1所示。基于負荷和光伏的歷史平均曲線或預測曲線，將光伏出力與負荷功率進行比較，把原分時電價的峰平谷3類時段重新劃分為強激勵增用時段、弱激勵削減階段和自調整時段。3個價格時段的具體劃分如下：

1）將光伏出力過剩時段設為“強激勵增用時段”（簡稱為：1時段），鼓勵用戶增用負荷以減少棄光。在此時段不論原分時電價是峰或平價，通過IDR補償將電價引導至原谷值電價。

2）將光伏出力一般時段設為“弱激勵削減時段”（簡稱為：2時段），在此時段不論原分時電價是峰、平或谷價，均劃為平時段電價。

3）除此之外為光伏出力接近0的時段，設為“自動調整時段”（簡稱為：3時段），在該時段中光伏對系統影響幾乎為零，電價維持不變。

圖1 分時電價自適應調整策略

2 基于復合型需求側響應的含高比例分布式光伏配電網的經濟運行控制

實施IDR策略調整日負荷曲線，可以經濟有效地最大化消納光伏、減小棄光率、削減負荷峰谷差、減少系統網損和運行成本。本文以含高比例分布式光伏電源及需求側響應負荷的配電網為研究對象，設計了一種基于復合型需求側響應的高比例分布式光伏發電的經濟運行控制模型，具體流程如圖2所示。

圖2 基于復合型需求側響應的高比例分布式光伏發電的經濟運行控制模型

以24 h（1 d）作為一個完整的優化周期，共分為24個時段，每個時段1 h。計及復合型需求側響應的高比例分布式光伏配電網經濟運行控制策略以1 h為控制時間間隔。具體控制策略設計如下：

步驟1：首先由區域調度中心（如負荷聚合商、售電公司等）根據本地光伏出力及負荷時域特征，基于IDR結合當地分時電價設置對分時電價的峰谷時段進行自適應再劃分。

步驟2：基于重新劃分后得到的3類電價時段，由負荷用戶端基于自身負荷基準值和分時段補貼單價求解自身計劃用電模型，并將本日各時段負荷計劃及負荷調整范圍反饋上傳至區域調度中心，實現分布式負荷調控范圍的計算。

步驟3：在區域調度中心計及各用戶上傳的負荷計劃及其調整范圍，結合光伏曲線預測結果建立以分布式調控計算結果為控制變量，以光伏消納量最多及經濟運行成本最低為目標的集中控制模型求解得到最優負荷調整計劃，在控制日內基于直接負荷控制（Direct Load Control，DLC），控制用戶負荷量以實現負荷曲線與PV出力曲線的匹配、最大化光伏消納，保障系統全局經濟運行，從而實現系統的集中經濟運行控制。

2.1 用戶負荷分布式出力調整計算建模

基于需求側管理技術用電負荷可分為可時移負荷、可削減負荷和可中斷負荷。在鄉村，常見的農產品加工和電動汽車充電站可視為典型可時移負荷，夏季供冷空調和冬季電采暖設備根據用戶滿意度和IDR的雙重博弈可以視為可削減負荷，此外，可中斷負荷可視為一種特殊的可削減負荷。本文設計了一套針對鄉村用戶用電負荷特點的用戶響應機制，下面分別對可削減負荷、可時移負荷2種典型的需求側響應負荷類型進行激勵型需求側響應函數建模。

2.1.1 可削減負荷的激勵型響應精確建模分析

用戶獲得售電單位的分時電價信號和預期IDR補償信息后會根據經濟補償和待付出的舒適成本，做出自身利益最優的綜合決策，具體用戶可削減負荷的IDR函數可以建模為無約束優化問題[6]，其目標函數即為綜合收益的極大值。

圖3 可削減負荷IDR建模原理

2.1.2 可時移負荷的激勵型響應精確建模分析

可時移負荷的IDR具體建模如下：

2.2 區域調度中心光伏消納及經濟運行集中控制

為利用IDR及源-荷協調減小棄光現象、增進光伏消納、并保障系統經濟運行，負荷優化集中控制模型以參與調整的各用戶負荷量為控制變量，其調整范圍即為用戶分布式優化計算后用戶上傳至區域調度中心的可調范圍，再由區域調度中心進行集中協調控制。此階段建立的優化目標函數包含減少棄光損失和降低系統運行成本，即

3 算例分析

3.1 算例概述

本文采用文獻[24]的17節點用戶小型鄉村10 kV配電網拓撲，算例拓撲結構示意圖如圖4所示。

注：1～17表示負荷節點編號。

圖4中節點9為商業負荷，節點13為鄉村特色集中式農產品加工負荷（此處為集中式炒茶加工負荷），節點6、7、8、11為分布式農產品加工負荷（此處為戶用炒茶爐負荷），其余節點均為普通居民負荷，所有節點均配置容量為170 kVA的分布式光伏設施。本算例參考文獻[25]的炒茶設施模型。在算例仿真中為簡化運算，將含有炒茶設施的節點（節點6、7、8、11、13）作為可時移負荷進行控制，其余節點作為可削減負荷進行控制。運用MATLAB仿真平臺（R2019 a版本），以某一春季炒茶用戶負荷典型日為例，采用圖2所示的計算流程圖，驗證本優化控制策略模型的有效性。

3.2 算例結果與分析

3.2.1 自適應分時電價峰谷時段優化調整結果分析

算例實時電價采用中國廣東省某鄉村地區2022年10 kV用電分時電價，電價數據及3類時段經自適應調整后的分時電價如表1和表2所示。典型日各時段光伏出力及系統總負荷曲線如圖5所示。由圖可見，10:00到16:00為光伏過剩時段，此時原分時電價處于峰或平時段，為了增加光伏消納需要采用復合型需求側響應引導用戶增用負荷，固將該時段調整為強激勵增用時段；16:00至19:00此時光伏出力一般、原分時電價處于峰值，復合型需求側響應需引導用戶適度減少負荷以達到削峰的目的，固將該時段設為弱激勵削減時段；其余時段，由用戶根據實時電價進行有選擇的負荷增用或削減，這些時段設為自調整時段。調整后各時段電價如表2所示。

表1 中國廣東某鄉村農業生產用電分時電價設置

表2 IDR修正后分時電價設置

注：t1、t2、t3為時段電價調整分隔點。

3.2.2 用戶負荷分布式出力調整計算分析

圖6給出了節點9和節點13負荷分別作為典型的可削減負荷和可時移負荷經過IDR的負荷經濟偏移曲線及其可調范圍，IDR在引導用戶獲得利益的同時也為電網控制提供了極大的有功功率調節裕度。

3.2.3 光伏消納優化效果分析

圖7給出了利用本文策略優化后系統的控制日總負荷出力曲線和優化前總負荷曲線的對比。

圖6 節點9和13負荷經IDR經濟偏移曲線及可調范圍

圖7 優化調度后系統總負荷出力曲線

從圖7可以看出經復合型需求側響應策略優化后，17:00—23:00尖峰負荷得到較大削減，同時午夜谷時段的負荷明顯上升。在正午時分光伏出力高峰時期，系統總負荷曲線因IDR強激勵增用而匹配貼合PV有功輸出，根據公式（17）、公式（18）計算，棄光率由優化前的12.6%降低到了2.79%，較優化前減少了約77.8%，極大提升了新能源利用率。

3.2.4 系統綜合運行成本優化效果分析

本文用公式（12）中包含的棄光減益和系統運行成本的函數表征系統綜合運行成本來對比說明所提出策略的經濟性優勢。分別采用方案1：采用本文復合需求側響應的經濟運行控制策略；方案2：僅有優化分時電價響應的電價型DR控制策略；方案3：未采用優化方案前系統。將3個方案總運行成本進行對比，不同方案的3個時段系統運行成本對比如表3所示，24 h內系統運行成本，如圖8所示。

表3 3個方案不同時段系統綜合運行成本對比

圖8 系統分時綜合運行成本對比

從圖8和表3可以看出采用方案1復合型需求側響應優化后的系統總成本曲線在凌晨的負荷自動調整時段和正午時分的強激勵增用時段由于存在IDR的激勵成本，這些時段的總成本要高于優化前的成本曲線。但在17:00—23:00的弱激勵削減時段由于負荷的明顯減用，系統總成本較方案2和方案3明顯下降。經計算，本文方案優化后的24時段總成本相較方案2和方案3分別下降了約10.5%和12.9%。由此可見，本文提出的基于復合型需求側響應的運行控制策略更具經濟性優勢。

4 結 論

針對含高比例分布式光伏發電的鄉村配電網，通過對區域內典型可削減負荷、可時移負荷的詳細數學建模，在保障用戶收益的基礎上提出了一種以區域分布式光伏利用率最高和系統總運行成本最低為目標的復合型需求側響應運行控制通用模型，該模型基于當地配電網分布式光伏出力及負荷時序曲線將分時電價時段自適應重新劃分，再通過分布式-集中復合負荷控制方案，保證用戶經過激勵型需求側響應控制獲得正收益，同時為電網提供負荷調節裕度，實現了用戶與電網的雙向友好互動。

算例及對比分析表明，本文所提的基于復合型需求側響應的高比例分布式光伏配電網經濟運行控制策略具有如下2個方面的優點：

1）提升了光伏消納能力。在保障用戶收益的同時，復合型優化調控策略使負荷曲線盡量匹配光伏出力曲線，最大化提升了光伏利用率，同時降低了棄光率。

2）減少了系統總運行成本。基于復合型需求側響應策略優化后的控制日24時段總成本相較未采用優化方案和僅采用自適應電價調整DR控制未進行集中控制的方案分別下降了12.9%和10.5%，明顯降低了系統運行成本。

在本文基礎上，還可以進一步對包含電動汽車充電樁、儲能或其他分布式電源的更多源-荷場景下的配電網的經濟運行問題進行建模分析。

[1] 劉蕊，吳奎華，馮亮，等. 含高滲透率分布式光伏的主動配電網電壓分區協調優化控制[J]. 太陽能學報，2022，43(2)：189-197.

Liu Rui, Wu Kuihua, Feng Liang, et al. Voltage partition coordinated optimization control of active distribution network of high penetration distributed PVs[J]. Acta Energiae Solaris Sinica, 2022, 43(2): 189-197. (in Chinese with English abstract)

[2] Luo K, Shi W H. Comparison of voltage control by inverters for improving the PV penetration in low voltage networks[J]. IEEE Access, 2020, 8: 161488-161497.

[3] Muthirayan D, Kalathil D, Poolla K, et al. Mechanism design for demand response programs[J]. IEEE Transactions on Smart Grid, 2020, 11(1): 61-73.

[4] Herath P U, Fusco V, Cáceres M N, et al. Computational intelligence-based demand response management in a microgrid[J]. IEEE Transactions on Industry Applications, 2019, 55(1): 732-740.

[5] Wang S Y, Bi S Z, Zhang Y J. Demand response management for profit maximizing energy loads in real-time electricity market[J]. IEEE Transactions on Power Systems, 2018, 33(6): 6387-6396.

[6] 徐弘升，陸繼翔，楊志宏，等. 基于深度強化學習的激勵型需求響應決策優化模型[J]. 電力系統自動化，2021，45(14)：97-103.

Xu Hongsheng, Lu jixiang, Yang Zhihong, et al. Decision optimization model of incentive demand response based on deep reinforcement learning[J]. Automation of Electric Power Systems, 2021, 45(14): 97-103. (in Chinese with English abstract)

[7] 馬春艷，段青，郭宸顯，等. 計及峰谷分時電價的壓縮天然氣加氣母站經濟調度[J]. 高電壓技術，2021，47(2)：584-595.

Ma Chunyan, Duan Qing, Guo Chenxian, et al. Economic dispatch of CNG refueling station considering peak-valley time-of-use electricity price strategy[J]. High Voltage Engineering, 2021, 47(2): 584-595. (in Chinese with English abstract)

[8] 郭曉利，趙瑩，曲楠，等. 基于滿意度的戶用型微電網多屬性需求響應策略[J]. 太陽能學報，2021，42(7)：21-27.

Guo Xiaoli, Zhao Ying, Qu Nan, et al. Multi-attribute demand response strategy of household microgrid based on satisfaction[J]. Acta Energiae Solaris Sinica, 2021, 42(7): 21-27. (in Chinese with English abstract)

[9] Parizy E S, Bahrami H R, Choi S. A low complexity and secure demand response technique for peak load reduction[J]. IEEE Transactions on Smart Grid, 2019, 10(3): 3259-3268.

[10] 程樂峰，楊汝，劉貴云，等. 多群體非對稱演化博弈動力學及其在智能電網電力需求側響應中的應用[J]. 中國電機工程學報，2020，40(S1)：20-36.

Cheng Lefeng, Yang Ru, Liu Guiyun, et al. Multi-population asymmetric evolutionary game dynamics and its applications in power demand-side response in smart grid[J]. Proceedings of the CSEE, 2020, 40(S1): 20-36. (in Chinese with English abstract)

[11] 劉麗軍，羅寧，吳桐，等. 基于混合整數二階錐規劃的考慮需求側響應虛擬電廠優化調度[J]. 太陽能學報，2021，42(8)：96-104.

Liu Lijun, Luo Ning, Wu Tong, et al. Optimal scheduling of virtual power plant considering demand side response based on mixed integer second-order cone programming[J]. Acta Energiae Solaris Sinica, 2021, 42(8): 96-104. (in Chinese with English abstract)

[12] 李志浩，趙波，林達，等. 面向配電網彈性提升的需求響應優化配置策略[J]. 電力自動化設備，2022，42(7)：143-149.

Li Zhihao, Zhao Bo, Lin Da, et al. Decision optimization model of incentive demand response based on deep reinforcement learning[J]. Automation of Electric Power Systems, 2022, 42(7): 143-149. (in Chinese with English abstract)

[13] 祁兵，鄭順林，孫毅，等. 考慮需求側動態及耦合特性的激勵型綜合需求響應優化建模[J]. 中國電機工程學報，2022，42(5)：1783-1799.

Qi Bing, Zheng Shunlin, Sun Yi, et al. A model of incentive-based integrated demand response considering dynamic characteristics and multi-energy coupling effect of demand side[J]. Proceedings of the CSEE, 2022, 42(5): 1783-1799. (in Chinese with English abstract)

[14] 郭昆健，高賜威，林國營，等. 現貨市場環境下售電商激勵型需求響應優化策略[J]. 電力系統自動化，2020，44(15)：28-35.

Guo Kunjian, Gao Ciwei, Lin Guoying, et al. Optimization strategy of incentive based demand response for electricity retailer in spot market environment[J]. Automation of Electric Power System, 2020, 45(15): 28-35. (in Chinese with English abstract)

[15] 范宏，魯家陽，陸驍霄，等. 考慮激勵型需求響應的多區域綜合能源系統協同規劃[EB/OL]. 電測與儀表，(2021-5-8)[2022-10-06]. http: //kns. cnki. net/kcms/detail/ 23. 1202. th. 20210508. 1013. 004. html.

Fan Hong, Lu Jiayang, Lu Xiaoxiao, et al. Coordinated planning of multi-region integrated energy system considering incentive demand response[EB/OL]. Electrical Measurement & Instrumentation, (2021-5-8)[2022-10-06]. http: // kns. cnki. net/k cms/detail/23. 1202. th. 20210508. 1013. 004. html. (in Chinese with English abstract)

[16] 鄭若楠，李志浩，唐雅潔，等. 考慮居民用戶參與度不確定性的激勵型需求響應模型與評估[J]. 電力系統自動化，2022，46(8)：154-162.

Zheng Ruonan, Li Zhihao, Tang Yajie, et al. Incentive demand response model and evaluation considering uncertainty of residential customer participation degree[J]. Automation of Electric Power Systems, 2022, 46(8): 154-162. (in Chinese with English abstract)

[17] 李偉，韓瑞迪，孫晨家，等. 基于用電偏好的可平移負荷參與需求響應最優激勵合同與激勵策略[J]. 中國電機工程學報，2021，41(S1)：185-193.

Li Wei, Han Ruidi, Sun ChenJia, et al. An optimal incentive contract and strategy of shiftable loads participation in demand response based on user electricity preference[J]. Proceedings of the CSEE, 2021, 41(S1): 185-193. (in Chinese with English abstract)

[18] 魏震波，張海濤，魏平桉，等. 考慮動態激勵型需求響應的微電網兩階段優化調度[J]. 電力系統保護與控制，2021，49(19)：1-10.

Wei Zhenbo, Zhang Haitao, Wei Ping'an, et al. Two-stage optimal dispatching for microgrid considering dynamic incentive-based demand response[J]. Power System Protection and Control, 2021, 49(19): 1-10. (in Chinese with English abstract)

[19] 胡蓉，魏震波，郭毅，等. 現貨市場下計及用戶需求響應彈性差異的微電網優化運營分析[J]. 高電壓技術，2022，48(4)：1393-1402.

Hu Rong, Wei Zhenbo, Guo Yi, et al. Analysis of optimal operation of microgrid considering the differences in user demand response elasticity in spot market[J]. High Voltage Engineering, 2022, 48(4): 1393-1402. (in Chinese with English abstract)

[20] 齊先軍，程橋，吳紅斌，等. 激勵型需求響應對配電網運行可靠性的影響[J]. 電工技術學報，2018，33(22)：5319-5326.

Qi Xianjun, Cheng Qiao, Wu Hongbin, et al. Impact of incentive-based demand response on operational reliability of distribution network[J]. Transactions of China Electrotechnical Society, 2018, 33(22): 5319-5326. (in Chinese with English abstract)

[21] 王守相，陳建凱，王洪坤，等. 綜合考慮電動汽車充電與儲能及可中斷負荷調度的配電網兩階段靈活性提升優化方法[J]. 電力自動化設備，2020，40(11)：1-10.

Wang Shouxiang, Chen Jiankai, Wang Hongkun, et al. Two-stage flexibility improvement optimization method of distribution network considering EV charging and scheduling of energy storage and interruptible loads[J]. Electric Power Automation Equipment, 2020, 40(11): 1-10. (in Chinese with English abstract)

[22] 陳正，楊建華，靳開元，等. 基于能源區塊鏈的設施農業負荷時移與光伏就地消納控制策略[J]. 電力自動化設備，2021，41(2)：47-55.

Chen Zheng, Yang Jianhua, Jin Kaiyuan, et al. Control strategy of time-shift facility agriculture load and photovoltaic local consumption based on energy blockchain[J]. Electric Power Automation Equipment, 2021, 41(2): 47-55. (in Chinese with English abstract)

[23] 曾捷，童曉陽，范嘉樂. 計及需求響應不確定性的電-氣耦合配網系統動態分布魯棒優化[J]. 電網技術，2022，46(5)：1877-1888.

Zeng Jie, Tong Xiaoyang, Fan Jiale. Dynamic distributionally robust optimization of integrated electric-gas distribution system considering demand response uncertainty[J]. Power System Technology, 2022, 46(5): 1877-1888. (in Chinese with English abstract)

[24] Mendoza J E, Morales D A, Lopez R A, et al. Multi-objective location of automatic voltage regulators in a radial distribution network using a micro genetic algorithm[J]. IEEE Transactions on Power Systems, 2007, 22(1): 404-412.

[25] 孔繁鋼，石勇. 傳統鄉村供電服務的升級轉型[J]. 農電管理，2020(9)：9-11.

Kong Fangang, Shi Yong. Upgrading and transformation of traditional rural power supply service[J]. Rural Power Management, 2020(9): 9-11. (in Chinese with English abstract)

Compound demand side response control for high proportion distributed photovoltaic absorption in distribution networks

Zhao Fengzhan1, Zhang Qicheng1, Zhang Shuai1, Guo Yangjin1, Wu Ming2, Chen Ming3, Shen Jun4

(1.,,100083,; 2..,.,100192,; 3..,.,314400, China; 4.,314400, China)

Solar energy is one of the most potential renewable sources in most rural areas. Photovoltaic (PV) power generation technology has also been widely applied with abundant solar energy resources. The installed capacity of PV power generation is ever increasing in recent years in China. However, the excess or abandonment of the output has often occurred, due mainly to the mismatch between the total load and energy output curve of PV generation. An optimal control strategy is highly required to absorb the excess PV power for the cost-saving system operation. The regional PV absorption characteristics also vary greatly in some areas, particularly where the traditional time-of-use (TOU) electricity price cannot be suitable for the local load. The incentive demand response (IDR) can be expected to serve as the scheduling strategy from the demand side, according to subsidies and discounts for the flexible load. In this study, a compound strategy of demand side response was proposed for the distribution networks with a high proportion of the distributed PV using the combined IDR and regional centralized regulation (RCR). Among them, one hour was taken as the time interval. The specific control strategy was designed as follows. Firstly, the peak and valley periods of electricity price were divided in the regional dispatching center (such as the load aggregator or the power selling company) using the IDR and original TOU electricity price in the study area. A new TOU electricity price scheme was obtained, according to the local PV output and load time sequence. The difference in electricity price before and after adjustment was selected as the subsidy unit price in the 24 control periods, and then transmitted to the power load in advance. Secondly, the distributed model was optimized by the load user. A power consumption model was then achieved using the user load reference value and the new TOU electricity price. The range of the distributed load was determined to match the power consumption plan and load adjustment range of each period of the day in the regional dispatching center. Thirdly, the PV power prediction was combined with the load plan uploaded by the user and the adjustment range. A centralized control model was established with the distributed calculation as the variables, while the maximum PV consumption and the lowest economic operation cost as the objective. Then, the optimal plan was obtained for the load adjustment. The user load was controlled using the direct load control (DLC) on the control day. A better match was realized for the curve of the load and PV output, in order to maximize the PV consumption for the overall economic operation of the system. Taking a 10 kV distribution network as an example, the model was verified using the MATLAB software. As a result, the total cost of one day after optimization using the compound demand response strategy was reduced by 12.9% and 10.5%, respectively, compared with the traditional TOU electricity price and the user IDR with the new TOU electricity price only without RCR. Consequently, the control strategy of decentralized and regional centralized dispatching can be expected to match the total load curve with the PV output curve for the interaction between the supply and demand, according to the response income of the user demand side. At the same time, the finding can greatly contribute to the consumption capacity of PV power generation and the economy of system operation

photovoltaic; distributed generation; rural distribution network; time-of-use electricity price; compound demand side response; economic operation of distribution network

10.11975/j.issn.1002-6819.2022.16.021

TM 732

A

1002-6819(2022)-16-0190-08

趙鳳展，張啟承，張帥，等. 面向高比例分布式光伏發電消納的復合型需求側響應控制[J]. 農業工程學報，2022，38(16)：190-197.doi：10.11975/j.issn.1002-6819.2022.16.021 http://www.tcsae.org

Zhao Fengzhan, Zhang Qicheng, Zhang Shuai, et al. Compound demand side response control for high proportion distributed photovoltaic absorption in distribution networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 190-197. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.16.021 http://www.tcsae.org

2022-07-03

2022-08-14

國家電網公司科技項目（適應高比例分布式資源接入的配電網彈性評估技術研究）；國家自然科學基金青年科學基金項目（51707196）

趙鳳展，博士，副教授，研究方向為智能配電網與微電網分析、控制與評價。Email：zhaofz@cau.edu.cn