基于二叉樹的臺區需求響應建模與聚合調控潛力評估研究

摘 要：充分調動用戶側負荷資源參與需求側響應成為解決高比例新能源電力系統供需平衡的有效途徑之一。然而，用戶側負荷響應在容量與時域上的不確定因素導致難以有效量化評估其響應能力。為此本文提出一種基于二叉樹的臺區需求響應建模與聚合調控潛力評估方法。首先，提出配電臺區群多時間尺度需求側響應的三階段云邊協同調控策略;然后，根據用戶側負荷響應的時序特性，提出基于二叉樹的需求側響應響應特性表征方法，建立配電臺區需求側響應聚合模型，采用隸屬度參數表征需求側響應群體響應的不確定性;最后，通過仿真算例驗證了方法的有效性。

關鍵詞：云邊協同;需求響應負荷;二叉樹建模;多時間尺度

中圖分類號：TM73 文獻標識碼：A DOI：10. 3969/ j. issn. 1007-791X. 2024. 05. 003

0 引 言

需求響應（Demand Response，DR）負荷能夠根據電網需要靈活改變用電方式，實現源荷互動。作為新型電網的重要資源，DR可以平抑功率波動、提高新能源消納能力[1]。傳統電力系統采用“源隨荷動”的運行理念，沒有發揮DR的可調節資源價值。隨著新型電力系統的建設，新能源發電取代了常規發電，傳統調節資源日趨匱乏，需要挖掘新的調節手段滿足新能源電網的需要，其中DR是一種重要的可調節資源。由于DR負荷單體容量小、數量龐大、特性繁多，調控過程決策維度廣、信息處理量大、建模分析復雜，因而如何發揮DR的可調節資源價值，是構建新型電力系統的迫切 需要，面臨嚴峻的技術挑戰。

為體現不同需求響應的作用，文獻[2]提出區分削峰式、填谷式DR，從激勵型DR的機制、組織方式等角度分別建立削峰式、填谷式響應模型。

文獻[3]根據可控負荷的響應特性的差異，參考偏好成本概念，建立基于參與意愿的用戶響應模型。文獻[4]建立計及功率約束與時間約束的可中斷負荷模型。文獻[5-6]建立考慮負荷響應狀態和負荷運行時間的可平移負荷模型。上述文獻從不同角度建立DR模型，但DR同時受運行機制、物理特性和用戶偏好等多方面因素影響，所建立的模型多從機制方面考慮，不能全面反映DR受物理約束 響應情況的因果關系，不便于聚合和調控。

對于需求響應的群體聚合建模問題，目前大多方法采用對DR進行分類的手段，將響應特性相近的DR分為同一個類別并將同類別個體累加，獲得聚合響應特性。文獻[7]按用戶行業背景、用電規模、負荷類型對用戶進行分類。然而用戶響應規律相差懸殊，而且動態變化，對用戶分類的精度難以保證[8]。文獻[9]從大數據角度挖掘用電行為，將行為相近的DR用戶分為一類。文獻[10]利用卷積神經網絡支持向量回歸機對負荷歷史數據進行歸納，基于統計特征對用戶進行相似性聚類。 這些文獻仍存在DR分類精度問題。

臺區是DR的富集區，但若DR不經臺區直接由配電網控制中心統一調控，規模龐大的DR數量會造成控制中心巨大的通信和計算壓力。物聯網技術對智能電網發展起重要作用，支撐配電網運行特性和業務的提升。配電物聯網采用“云-管-邊-端”框架，云中心負責數據匯集和高級業務處理，邊緣計算負責數據采集和就地處理，端負責數據感知和執行，從而實現數據交互、計算共享和邊緣分布處理[11-12]。利用電力物聯網“云-邊”協同方式[13]構建負荷集群建模和調控，能夠適應DR數目多、容量小的特點，是利用DR參與電網調節的有 效手段。

為實現DR的規模化運用，本文提出一種面向DR的云-邊協同交互架構和調控方法，建立了基于二叉樹的DR模型和聚合方法。首先對不同時間特性的DR提出多時間尺度云邊協同交互方式，并構建針對不同DR時間尺度的多階段調控方法。日前階段建立多時段全局優化模型，根據申報值和預測值對日前和日內負荷進行全局綜合優化，為日內優化提供了參考基準。日內階段對日前預測偏差進行滾動修正，實時階段采用一致性算法提高優化速度。提出一種基于二叉樹的DR建模方法，并采用二叉樹合成手段得到臺區DR的聚合模型。

1 配電臺區云-邊協同調控策略

1. 1 基于響應時間特性的DR負荷分類

改變DR用電計劃的引導方式主要包括價格型DR和激勵型DR兩種。價格型DR由電網根據需要發布不同電價來影響用戶的用電計劃，響應模型主要體現為DR對電價的敏感程度，用價格彈性來描述。電網對價格型需求響應沒有約束力，用戶響應是自愿的，可隨時改變響應行為，沒有違約問題。因此價格型DR的隨機性強，模型表達也比較簡單，只需要用價格彈性系數對負荷群總體描述就可以，不需關注負荷的具體響應過程。激勵型DR通過與電網簽訂調控合約來履行用電響應，并按合同約定享受額外的經濟補償作為激勵。相比于價格型DR，激勵型DR具有更可靠和確定的響應能力，在參與配電網調控方面具有更加優良的資源特性，且調控模型復雜。本文只研究激勵型DR的建模和聚合調控潛力評估問題。激勵型DR通常按負荷的功率響應特性分為可削減負荷、可轉移負荷及可平移負荷三種，三種負荷均需要一定的提前通知時間才能做出響應，以便用戶提前安排生產活動。為建模和調控需要，本文按不同提前通知的多時間尺度特性將DR進行分類，分為表1所述四類，并提出針對不同DR的調控策略。

日前型負荷的用電計劃性和可預知性強，需要在日前向電網申報可響應參數和接收電網的調控指令。日內型負荷的計劃性弱、隨機性強，由用戶在日內向交易平臺以一定提前時間申報用電計劃，電網做出調控決策并提前通知用戶。日內型DR按提前通知時間分為提前1 h通知的日內A型DR和提前4 h通知的日內B型DR。日內提前通知時間可以有多種，本文方法對多種提前通知時間也適用。不需提前通知、隨時可以調控的DR稱為實時型DR。實時型DR只要向電網做出申報，電網就可以在滿足負荷約束的情況下隨時調控。

1. 2 激勵型DR的云-邊協同交互方案

在物聯網技術與配電網深度融合的驅動下，邊緣智能及云-邊協同技術在配電網中具有廣泛的應用場景。云-邊協同調控模式適應配電網高比例分布式電源和大規模分散資源的新特征，可有效解決海量分布式資源參與配電網調控的計算和通信負擔問題，提高決策的實時性，是配電網調控技術的發展方向[14]。云-邊協同調控模式可將復雜的決策任務在云中心管控系統和邊緣管控單元之間靈活分配，利用邊緣計算單元在臨近數據側進行就近采集和計算，并與云中心系統進行必要的交互。云中心匯集邊緣側的中間結果進行全局優化決策，云-邊以及邊-邊通過高速網絡進行信息交 換。

配電臺區包含分布式電源、DR、分布式儲能系統等多種分布式資源，是配電網分布式資源的主要聚集區，也是配電網連接用戶的末梢單元。隨著電網智能化水平的提高，臺區智能化配置愈加豐富。本文以臺區為邊緣側智能體，構建配電網云邊協同調控框架，如圖1所示。其中，云為配電網管控中心，由中央服務器組成，對配電網實施整體管控和全局優化;配電臺區構成的管控單元稱為邊，邊配置有邊緣智能配變終端（即融合終端），承擔臺區單元的資源聚合、管控和感知等邊緣分析功能。

配電網及DR均具有不確定性，同時DR在提前通知要求上具有多時間尺度特性。為適應配電網的不確定性和DR的多時間響應特性，本文采用多時間尺度優化調控策略，針對不同DR類型進行日前、日內、實時三階段調控，三階段調控的云-邊交互方案如下。

在日前調控階段，首先由日前型DR向臺區做出申報，邊對本臺區日前型DR的申報信息進行聚合并上傳給云。云將每個臺區邊緣節點視為一個調控單元，對整個配電網進行全局集中優化決策，將優化結果傳遞給邊。邊根據云發布的臺區日前調控指令進行二次優化，得出臺區內日前型DR的優化 調控結果并發布給DR用于次日執行。

在日內調控階段，為適應DR提前通知的要求，本文將日內型DR細分成2類，如表1所示。日內型調控過程以日內型DR為對象，調控目標是針對日前優化場景的不確定性偏差進行修正。為了簡化調控的復雜性，降低數據傳輸量，日內調控由臺區邊緣智能終端之間的交互實現分布式邊緣調控 ，云僅對邊緣分布式調控起協調計算作用。

實時調控階段主要針對實時型DR進行，在實時或準實時時間尺度上實現日前和日內不確定性場景偏差的修正。為了提高實時性，實時調控階段主要由邊之間交互實現，云起協調作用。

1. 3 多時間尺度DR的三階段云邊協同調控策略

考慮日前日內多時間尺度特性的DR調控策略如圖2所示。調控過程分別為日前、日內和實時三個階段，三階段分別有不同的調控目標和調控對象。

1. 3. 1 日前調控策略

日前調控策略需要在日前指定的時段執行并發布。在日前調控策略中，云首先對各臺區做出調整前的負荷預測（稱為基線負荷預測）。同時，由于日前調控是對次日各時段進行的全局動態優化，為保障全局優化效果，不僅日前型負荷需要參與優化，日內負荷也應參與優化。同時儲能等其他可調控資源的調控能力也應參與優化。由于在日前調控階段日內負荷尚未進行申報，真實值尚無法確知，本文用日內DR預測值代替真實值。云做出各臺區日內DR調控潛力預測值，并根據基線負荷預測值及日前DR申報值進行次日所有調控時段的動態全局優化，得出次日臺區的多時段調控量并發布給臺區。臺區將日前型DR進行二次優化并將調控指令發布給日前型DR，日內型DR的調 控指令則不發布，僅用于次日決策的參考。

日前優化調控需要提前一天制定次日各時段的調控計劃。日前決策變量包括配電網臺區向上級購售電功率、儲能充放電功率、日前型DR的功率、日內型DR的功率及臺區間交互功率。日前優化調控以配電網日前多時段總調控成本最小為目標，目標函數可表示為

式中，N為配電臺區的數目，Fr是第r個臺區的成本函數，Pr是第r個臺區日前DR功率和日內DR功率之和。每個臺區的總成本Fr由日前型可控負荷調控成本、日內型可控負荷預調控成本、儲能系統充放電損耗成本、配電網向上級購售電成本組成。

1. 3. 2 日內調控策略

日內調控在臺區邊緣側實現，決策對象為日內型DR。日內采用滾動優化方式，提前1 h滾動制定調控計劃。在計劃制定時刻需要同時對A型和B型DR分別作出調控計劃，未來1 h執行A型DR的調控計劃并發布，未來3 h執行B型DR的調控計劃并發布。 A型DR的調控計劃應在之前作出的B型調控計劃基礎上制定，依此滾動優化，從而對不同時間尺度DR形成日內多時段調控。日內多時段滾動優化調控的時序關系如圖3所示。

日內優化以配電網日內單時段調控方案最接近日前調控方案為目標。本文采用曼哈頓距離度量兩個方案的距離，可以寫為

式中，xi為日內調控方案的第 i個決策變量，yi為日前 調控方案的對應值。

日內調控是為彌補日前調控的偏差而對日內剩余資源進行再調控。日前階段可參與調控的資源包括日前型DR、日內型DR預測值以及儲能等其他資源。而日內剩余資源是指除日前調控已使用之外的剩余資源。日內調控優化模型的等式約束為日內調控時段的預測功率與日前該時段預測功率的偏差。

1. 3. 3 實時調控策略

在實時或準實時階段，配電網功率接近真實值，與基于預測值的日前日內超前調控必然存在偏差，實時調控的目標是消除這些偏差。因而實時調控的主要對象是實時型DR，目標是消除預測值與實際值的偏差。為了實時性需要，實時型DR的調 控指令應直接發送給設備，不需經過用戶。

配電網總功率偏差為

式中，ΔP表示實時階段配電網總功率偏差，ΔPj表示第 j個配電臺區的功率偏差值，ΔPj，min、ΔPj，max為第 j個配電臺區群調控功率的上下限。根據成本等微增率原則，當各臺區分配的功率增量滿足式（5）所示的等式約束時，即可達到功率偏差經濟分配的目的1：?C

2 DR響應過程的建模與聚合

2. 1 DR的響應過程和成本模型

用戶參與需求響應是用戶的自愿行為，用電規律的大用戶可以與電網簽訂長期DR合同，保證了電網有穩定的調節資源。但絕大部分負荷用電規律隨機，何時用電、用多少電具有短期計劃性。為了適應這些用戶參與需求響應，本文采取用戶提前申報、電網定期響應的方式。用戶根據自己的用電計劃及用電特性，線上提前提出DR申請，電網根據用戶申報信息及時響應用戶申請，制定調度計劃，按用戶期望的提前通知時間向用戶發布調控指令。用戶在提交需求響應申請時在負荷特性方面應體現出響應類型（可削減、可轉移、可平移）、負荷響應功率、提前通知時間、負荷響應 時長、用戶期望響應時刻等信息。

電網調控DR時需要根據響應特性、響應總量和偏離用戶期望程度支付補償。不同響應特性的DR可有不同價格。本文按正常響應單價固定、偏離用戶需求額外補償的方式。即每種響應特性的DR正常單位響應容量價格固定，各用戶只需要按響應總量乘以單價即可確定響應費用：

式中，Ci為用戶 i的響應費用，tis、tie為用戶 i參與響應的起止時間，ΔPi（t）為用戶 i在時段 t的實際響應功率，Δt為單個響應周期持續時間，cDR為配網中心發布的單位容量響應電價。

2. 2 DR的調控特性分析

任意時刻用電設備響應功率與前后時刻響應狀況存在耦合性，時序耦合特性主要受用電設備固有特性以及用戶申報偏好影響。可削減DR要求削減后的負荷曲線低于原負荷曲線，負荷響應時序特性約束包括削減時段約束、削減功率約束、削減容量約束、削減頻次約束，時序約束模型為

式中：a為可削減負荷編號;Sa 為負荷a最大IL. max削減容量;Sa（t）為t時段已削減容量;Pa（t）為負IL IL荷a在時刻 t的削減功率;Paconst為負荷a的額定功率;時段x開始削減負荷，時段y恢復供電，Tmin，a為負荷a相鄰削減間隔的最小時間;Na為負荷a在申報時段內最大可削減次數; afIL（t）取值為0或1，1表示負荷a在 t時段削減，0表示負荷a在t時 段不削減。

可平移DR要求平移后的負荷功率曲線等于原負荷曲線，但位置發生了平移。可平移負荷響應功率的時序特性約束主要體現為平移時段約束。可平移負荷響應功率時序模型為

式中，b為可平移負荷編號，t為可平移設備b開啟時間 。

可轉移DR要求轉移后負荷消耗的電量保持不變，但用電時間可以靈活調整。可平移負荷的功率時序特性約束包括可轉移時段約束、可轉移容量約束、運行時間約束。可轉移負荷的響應功率時序模型為

式中：c為可轉移負荷編號;STcL. max為負荷c的最大轉移容量;Sc（t）為t時段已轉移電量，負荷c可轉TL移負荷初始電量為0;E為負荷c指定的設備運c 行時間;fTcL（t）取值為0或1，1表示負荷c在 t時段運行，0表示負荷c在t時段不運行。

2. 3 基于二叉樹的DR響應模型表征

由前述分析可知，受用戶用電特性以及用戶申報偏好影響，DR響應具有時序特性，表現為任意時刻DR響應功率與其前一時刻的響應狀態存在關聯性與耦合性。為充分利用DR響應特性，需準確表征DR響應時序特性。二叉樹作為一種非線性數據結構，是由n（n≥0）個有限結點組成的一個具有層次關系的集合，樹中每個節點有且僅有一個直接前驅節點，因此其特有的層次結構和線性序列特性可以描述DR響應的時序過程。本文根據用電設備需求響應的時序約束關系結合用電設 備時序成本，建立不同DR的二叉樹模型。

建立二叉樹表征DR響應時序性的規則如下：

1）二叉樹的層次表示DR的響應時段，如日前調 度可分為24個時段。

2）每個結點的數值特征表示該時刻DR可調節功率;每個需求響應過程看作一個DR事件，則每個DR事件可以用一個有限層數的二叉樹表示，該二叉樹表示一個DR負荷各時段允許響應過程的所有可能情況，是一個普通二叉樹。根據附錄的用戶申報信息分別建立三種DR的二叉樹模型，如圖4～6所示。

圖4中-P表示該設備的可削減功率，t0～t4為可削減負荷的削減時段。圖5中t0SL～t4SL為可平移負荷的平移時段。圖6中t0TL～t4TL為可轉移負荷的轉移時段。

以上表示可以看出，每個DR的全部可能響應過程都可以表征一個為具有一定時段特征的普通二叉樹。邊緣智能體根據用戶的申報信息對每個DR生成一個二叉樹。該二叉樹具有不同的起始時段和層數，若調控時段總數為k，該普通二叉樹可以按調控時段數拓展為k層滿二叉樹。因而每個DR都可以對應一個滿二叉樹。對于具有k個調控時段的滿二叉樹，若規定根節點的層數為1，則該二叉樹具有k層，第i層上有2i-1個結點，該樹的總結點數為2k-1。將代表各DR模型的二叉樹進行合成，生成一個合成二叉樹，該合成二叉樹代表各DR的聚合結果。合成規則是，結點數值直接相加，獲得該時段可調控總功率。調控單價按如前所述統一定價方式，因此不需在二叉樹中表示。

可以根據申報信息不斷將日前、日內和實時型DR負荷進行聚合，最終將每種類型的DR負荷分別生成一個合成二叉樹，該二叉樹即為該類型負荷群的總體聚合模型。合成規則為各DR的滿二叉樹各節點對應相加。邊緣智能體將合成二叉

樹信息上傳云中心，云以邊緣單元為調控對象，產生臺區的總調控量并下發給邊緣端，邊對DR進行二次調控。

由于DR負荷規模龐大、響應時間分散，因而由大量負荷生成的合成的滿二叉樹可認為各個結點的數值均不為0。順序結構是滿二叉樹的典型存儲方式，能夠最大地節省存儲空間，結構清晰，可以利用數組元素下標值確定結點在二叉樹中的位置以及結點之間的關系。因此本文二叉樹模型也采用順序存儲方式。二叉樹及其順序存儲結構如圖7所示。 DR聚合模型由邊上傳云，也采用順序傳輸方式，云端根據數據的順序自動生成各臺區DR的聚合二叉樹，從而減輕了云邊通信壓力。

3 D R集群響應能力不確定性分析

集群響應受響應收益、心理變化、突發事件等諸多因素的影響，存在隨機性、模糊性，必然存在一定的不確定性[15]。圖8給出了用戶響應λDR隨單位容量響應價格cDR的變化規律，圖中黑色曲線表示用戶響應率期望值，曲線①、②分別表示響應率波動的上下限，陰影部分為用戶響應率波動范圍。

圖中，λDR±d分別為某一電價下用戶實際響應率的上下限。當響應價格為cDR，0時，用戶開始參與電網響應;響應價格處于（cDR，0，cDR，max）之間時，用戶響應功率隨電價的增加而增大，負荷響應不確定性隨之降低;反之，外界環境因素對負荷響應功率的影響程度將越來越大，負荷響應不確定性增加。當達到cDR，max時，用戶響應功率達到最大期望值，且此時響應功率波動范圍近似為零。本文采用三角隸屬度函數來描述負荷響應率的不確定程度。

根據需求響應不確定性引起的偏差變化規律，負荷響應率最大誤差水平的變化機理為

式中，k和k分別為價格因素占據主導前和主1 2 導后最大誤差水平與負荷響應變化率的比例系數，cDRIP為拐點電價。當價格變化率大于拐點電價變化率后，價格因素開始占據主導作用，其絕對值與響應價格水平引導程度成負相關。該模型可以表征不同設備集群的響應不確定性情況。

臺區負荷集群實際響應功率經三角模糊數的期望計算公式[16-17]化簡后可以轉換為確定性約束，轉換后的負荷集群實際響應功率為

式中，λ1、λ2、λ3為DR負荷響應率的隸屬度參數，PcDR為單位容量響應價格為cDR的響應功率，P′cDR為經不確定性分析后響應功率。

4 算例分析

4. 1 算例說明

為驗證本文所提調控策略的有效性，以某區域配電網為例進行算例分析，配電網拓撲結構如圖9所示。采用蒙特卡洛方法隨機抽取大量歷史數據進行采樣，得到配電網內各臺區的光伏、負荷預測曲線如圖10、圖11所示，其中預測的時間尺度為5 min，即5 min為一個時刻，一天24 h共有288個時刻點。

為驗證本文所提臺區需求響應建模方法有效性，采用中國北方某省居民區2017年至2019年電力負荷數據以及需求響應數據作為數據集，其中共包括196戶居民，最大負荷功率為5. 218 MW。該居民區為需求響應高滲透率小區為60%。用戶端以申報形式向邊緣計算中心報送次日響應能力，見表2～ 4。邊緣計算中心根據申報響應信息建立集群響應能力模型。

本文引入用戶參與率與響應誤差率對用戶響應情況進行定量分析[18]。用戶參與率表征用戶實際接受電網控制指令情況，指實際響應用戶數量占要求響應用戶數量的比率，計算方法為式中，V1為用戶參與率，n為實際參與響應用戶數量，N為系統指定參與響應用戶數量。

響應誤差率表征實際響應電量與控制響應電量目標之間的偏差情況，指實際響應電量偏差量占控制總電量的比率，計算方法為

式中，V2為響應誤差率，ΔQ為用戶響應偏差電量，Q為系統控制總電量。

4. 2 結果分析

4. 2. 1 用戶DR模型的二叉樹結果分析

利用用戶申報信息建立用戶二叉樹時序模型，如圖12所示。

由圖12可知，該模型可以準確描述設備在響應周期內各時間段響應功率，為系統優化運行提供可靠的響應能力信息。

4. 2. 2 負荷集群響應能力結果分析

利用前述構建的用戶DR二叉樹，應用集群響應分層聚類算法，完成邊側負荷集群響應能力時序評估，如圖13所示。

通過在邊側對數量眾多、響應方式復雜的需求響應負荷進行分層聚類，保證了評估準確性與評估復雜性的協調。邊側用戶響應信息就地處理有效降低了云控制中心計算難度。

4. 2. 3 不同場景下集群響應能力對比

以用戶響應可靠性指標為例，對本文所提方案與其他評估方案的結果進行對比，設置方案場景如 下。

1）方案一為不計及用戶響應功率時序特性的負 荷集群評估方案。

2）方案二為計及用戶響應功率時序特性的負荷 集群評估方案。

3）方案三為基于二叉樹模型的負荷集群評估方案。

本文所提方案與兩個對比方案的用戶參與率與響應誤差率曲線圖如表5、圖14、圖15所示。

主要結論如下：

1）本文所提方案三的用戶參與率與響應誤差率均為最優;方案一不計及用戶響應時序特性在各評估參數方面均表現較差;方案二由于分別考慮了響應功率時序特性，因此其用戶參與率與響應 誤差率對比方案一仍有一定優勢。

2）方案一由于未計及用戶響應時序特性，用戶參與率較低同時響應誤差較高。同時根據曲線圖可以看出響應周期內參與率與誤差率波動較大，存在峰谷現象，用戶響應可靠性十分不理想。因此方案一不能有效抑制用戶用電偏好對響應結果的 影響。

3）方案二對比方案三在提升用戶響應可靠性方面有一定優勢。根據曲線圖可以發看出用戶參與率響應與誤差率都有較為明顯的改善并且在響應周期內參與率與誤差率波動減緩。這說明考慮響應時序特性可以有效提升用戶響應可靠性，但由于只考慮時序特性對用戶響應的影響，可靠性提 升有限。

本文所提方案在用戶參與率和響應誤差率兩方面對比另外兩種方案均處于更好的水平，通過綜合考慮用戶響應時序特性建立的多維度時序模型有效提升了用戶響應可靠性。

4. 2. 4 不同調控策略對比分析

為分析本文配電網三階段云邊協同調控方法的優越性，將本文所提配電網云邊協同策略與傳統集中式調控策略所得經濟性結果進行對比，具體如表6所示，其中策略1為傳統集中式調控模型，策略2為配電網三階段云邊協同調控模型。

由表3結果分析可知，相較于傳統的調控策略1，策略2的需求響應負荷、儲能等資源調控總成本降低了1 315. 5元，相較于傳統模型成本降低了9. 35%。策略2較策略1考慮了邊緣側協同調控，充分發揮了邊緣側的優勢，提高了配電網運行的經濟性。綜上所述，采用本文三階段云邊協同調控方法，能夠提高激勵型負荷資源及儲能參與優化調控時的調控性能，提前做出合理的資源收集調動安排以及制定更優的協同調控策略，進而降低成本取得更好的經濟效益。

5 結 論

本文針對DR可調節資源多時間尺度特性提出多階段云-邊協同交互與調控方案，并在此基礎上提出DR負荷的二叉樹模型表示方法和臺區群DR調控能力的二叉樹聚合模型，分析了邊側集群響應 能力的不確定性，研究結論如下：

1）采用二叉樹模型表征DR響應過程，是一種DR負荷建模的有效方法，建模靈活、簡單直觀，而且容易形成聚合模型，解決了規模化DR負荷的聚合 建模問題。

2）基于二叉樹的結構特點采用順序存儲方式可有效減輕云邊交互的通信量，提高聚合模型云邊 交互的可行性。

3）采用云邊交互的日前全局優化、日內滾動多階段調控策略，能夠有效適應DR的多時間尺度特性，實現負荷群規模化集群調控，提高配電網DR調 控經濟性，降低云端決策計算的負擔。

在本文提出的云邊協同調控策略和DR負荷二叉樹模型的基礎上，后續可進一步針對DR的激勵機制深入研究DR負荷的二叉樹建模與聚合方法，深入研究含大規模DR的配電網云邊協同優化方法。

參考文獻

1 張巍 王丹.基于云邊協同的電動汽車實時需求響應調度策略 J .電網技術 2022 46 4 1447-1458.SHANG W WANG D. Real-time demand response schedulingstrategy for electric vehicles based on cloud edge collaboration J .Power System Technology 2022 46 4 1447-1458.

2 郝潔 高賜威.基于需求側競價的安徽省激勵型電力需求響應機制研究及應用 J .電力需求側管理 2021 23 2 63-67.HAO J GAO C W. Research and application of incentive powe rdemand response mechanism in Anhui province based on demandside bidding J . Power Demand Side Management 2021 23 2 63-67.

3 林俐 顧嘉 張玉.基于含源型負荷用電需求彈性及偏好成本的電熱聯合優化調度 J .電網技術 2020 44 6 2262-2272.LIN L GU J ZHANG Y. Optimal dispatching of combined heat-power system based on the power demand elasticity and preferenc ecost of active load J . Power System Technology 2020 44 6 2262-2272.

4 侯慧 徐燾 肖振鋒 等.計及可調控負荷的發用電一體化綜合優化調度 J .電網技術 2020 44 11 4294-4304.HOU H XU T XIAO Z F et al. Generation and load integrate doptimal scheduling considering adjustable load J . Power SystemTechnology 2020 44 11 4294-4304.

5 封鈺 劉存 黃弦超.基于動態分時電價的含可平移負荷的微網優化調度 J .華北電力大學學報 自然科學版 2021 48 2 30-39.FENG Y LIU C HUANG X C. Optimal dispatch of microgridconsidering shiftable loads based on dynamic time-of-use electricit yprices J . Journal of North China Electric Power Universit yNatural Science Edition 2021 48 2 30-39.

6 李強 宋寧希 王劍曉 等.基于用戶互動能力的優化用電模式與方法 J .電網技術 2016 40 6 1818-1824.LI Q SONG N X WANG J X et al. A pattern and method ofoptimized power utilization based on consumers′ interactio ncapability J . Power System Technology 2016 40 6 1818-1824.

7 吳敬慧 張杰 潘舒妍 等.電力現貨市場中標準零售套餐設計———基于用戶分群的分析 J .價格理論與實踐 2019 12 132-136.WU J H ZHANG J PAN S Y et al. Standard retail tariff designbased on customer clustering in electricity spot market J . Price Theory amp; Practice 2019 12 132-136.

8 李焱 賈雅君 李磊 等.基于隨機森林算法的短期電力負荷預測 J .電力系統保護與控制 2020 48 21 117-124.LI Y JIA Y J LI L et al. Short term power load forecasting basedon a stochastic forest algorithm J . Power System Protection an dControl 2020 48 21 117-124.

9 蔣子規.面向電力大數據的用戶用電行為挖掘方法 D .北京 北京郵電大學 2019.JIANG Z G. Electricity consumption behavior mining method sbased on big data in smart grid D . Beijing Beijing University o fPosts and Telecommunications 2019.

10 沈兆軒 袁三男.利用卷積神經網絡支持向量回歸機的地區負荷聚類集成預測 J .電網技術 2020 44 6 2237-2244.SHEN Z X YUAN S N. Regional load clustering integrationforecasting based on convolutional neural network support vectorregression machine J . Power System Technology 2020 44 6 2237-2244.

11 郭祥富 劉昊 毛萬登 等.面向云邊協同的配變短期負荷集群預測 J .電力系統保護與控制 2022 50 9 84-92.GUO X F LIU H MAO W D et al. Short-term load clusterforecast of distribution transformers for cloud edge collaborationJ . Power System Protection and Control 2022 50 9 84-92.

12 司羽飛 譚陽紅 汪沨 等.面向電力物聯網的云邊協同結構模型 J .中國電機工程學報 2020 40 24 7973-7979.SI Y F TAN Y H WANG F et al. Cloud-edge collaborativestructure model for power internet of things J . Proceedings of theCSEE 2020 40 24 7973-7979.

13 李彬 賈濱誠 曹望璋 等.邊緣計算在電力需求響應業務中的應用展望 J .電網技術 2018 42 1 79-87.LI B JIA B C CAO W Z et al. Application prospect of edgecomputing in power demand response business J . Power SystemTechnology 2018 42 1 79-87.

14 文祥宇 李帥 劉文彬 等.面向配電網的云邊端協同技術研究 J .山東電力技術 2022 49 7 8-11.WEN X Y LI S LIU W B et al. Research on cloud-edge-usercollaboration technology for distribution network J . ShandongElectric Power 2022 49 7 8-11.

15 孫宇軍 王巖 王蓓蓓 等.考慮需求響應不確定性的多時間尺度源荷互動決策方法 J .電力系統自動化 2018 42 2 106-113.SUN Y J WANG Y WANG B B et al. Multi-time scale decisionmethod for source-load interaction considering demand responseuncertainty J . Automation of Electric Power Systems 2018 422 106-113.

16 羅純堅 李姚旺 許漢平 等.需求響應不確定性對日前優化調度的影響分析 J .電力系統自動化 2017 41 5 22-29.LUO C J LI Y W XU H P et al. Influence of demand responseuncertainty on day-ahead optimization dispatching J . Automationof Electric Power Systems 2017 41 5 22-29.

17 劉寶碇.不確定規劃及應用 M .北京 清華大學出版社 2003.LIU B D. Uncertain programming and applications M . Beijing Tsinghua University Press 2003.

18 文旭 楊可 毛銳 等.可調節負荷調控能力評估行業標準研究及應用 J .電網技術 2021 45 11 4585-4594.WEN X YANG K MAO R et al. Research and application ofindustry standards for evaluation of adjustable load controlcapacity J . Power System Technology 2021 45 11 4585-4594.

Demand response modeling and aggregation potential evaluationfor substation area based on binary tree

ZHANG Runxue1，LI Xing1，WANG Nan1，YANG Xiaolong1，ZHAO Xuchong2，JIA Qingquan2

（1. Beidaihe Power Supply Guarantee Command Center，State Grid Jibei Electric Power Company Limited，Qinhuangdao，Hebei 066100，China;2. Key Lab of Power Electronics for Energy Conservation and Motor Drive of Hebei Province，Yanshan University，Qinhuangdao，Hebei 066004，China）

Abstract： The full mobilization of customer-side load resources to participate in demand response has become one of the effectiveways to solve the supply-demand balance of high percentage new energy power systems. However，the uncertainties in the capacityand time domain of the customer-side load response make it difficult to effectively and quantitatively assess its response capability.Therefore，a binary tree based demand response modeling and aggregation regulation potential evaluation method for seismic stationsis proposed. First，a three-stage cloud-side cooperative regulation strategy is proposed for the multi-timescale DR of the distributionstation group. Then，based on the time-series characteristics of the customer-side load response，a binomial tree based DR responsecharacterization method is proposed; a DR aggregation model is established for the distribution station area，and the uncertainty ofthe DR group response is characterized by the affiliation parameter. Finally，the effectiveness of the method is verified by simulationcases.

Keywords： cloud-edge collaboration; demand response load;binary tree modeling; multiple-time-scales