計及用電行為聚類的智能小區(qū)互動化需求響應方法

陸 俊, 朱炎平, 彭文昊, 祁 兵, 崔高穎

(1. 華北電力大學電氣與電子工程學院, 北京市 102206; 2. 國網江蘇省電力公司電力科學研究院, 江蘇省南京市 210003)

計及用電行為聚類的智能小區(qū)互動化需求響應方法

陸 俊1, 朱炎平1, 彭文昊1, 祁 兵1, 崔高穎2

(1. 華北電力大學電氣與電子工程學院, 北京市 102206; 2. 國網江蘇省電力公司電力科學研究院, 江蘇省南京市 210003)

針對復雜智能用電環(huán)境下智能用電小區(qū)的多用戶日負荷需求響應問題,提出一種考慮用戶用電行為聚類的互動需求響應方法。首先,以智能小區(qū)用戶的基本負荷、可調度負荷、電動車負荷和儲能裝置負荷為約束條件,建立電網負荷波動最小優(yōu)化目標的需求響應模型;然后,闡述了提出的智能小區(qū)互動化需求響應方法,將需求響應模型求解過程分解為電網側子響應和用戶側子響應的協作互動過程;最后,基于用戶側用電行為聚類分析,采用行為矯正的混合粒子群優(yōu)化算法實現需求響應模型的互動化方法求解。實驗中與分時電價下的響應算法及無用戶聚類的集中響應算法對比,其結果表明所提方法通過聚類分析與互動化策略能夠在優(yōu)化結果和算法性能方面優(yōu)于對比方法。

互動化需求響應; 智能小區(qū); 聚類分析; 需求響應方法

0 引言

智能用電是智能電網服務終端用戶的核心一環(huán),能讓智能電網互動化、信息化和自動化特征被用戶直觀地感受到。需求響應作為智能電網的關鍵技術,可以有效整合用戶側電網響應潛力以提升電網運行的安全性、穩(wěn)定性和經濟性,值得深入研究[1]。

在智能電網環(huán)境下,智能終端、電力通信技術以及高級量測技術的發(fā)展與建設,將促進智能用電雙向交互的實現,從而為居民參與自動需求響應、實現智能用電奠定基礎[2-3]。用戶以需求響應的形式參與電網的能源調度過程,能在一定程度上緩解電力的供需緊張并為能源的高效利用提供有力支撐[4]。在北歐,由挪威、瑞典、丹麥、芬蘭建立組成的跨國電力市場中就存在大用戶直接參與需求競價,小用戶通過代理商間接參與需求響應[5]。而中國在智能電網方面起步較晚,但是政府高度重視。未來中國智能電網將朝著堅強可靠、經濟高效、綠色環(huán)保、靈活互動和友好開放等方面蓬勃發(fā)展[6]。

對于需求響應中用戶與電網公司間的互動策略,國內外均展開了一定研究。文獻[7]針對用戶的能量調度策略進行了研究,在電網公司既定策略下對用戶側的能量需求進行管理調度,考慮了分布式能源與家庭負荷以協同管理,實現了家庭能源最大盈利的目標。文獻[8]在針對智能電網環(huán)境中作為重要互動資源的需求響應,在綜合考慮供應側和需求側作用機理的基礎上,將需求響應納入發(fā)電調度,建立智能電網下計及用戶側互動的發(fā)電調度模型,綜合規(guī)劃發(fā)電側和需求側的資源,有效實現了電網與用戶的互動,降低了發(fā)電成本。文獻[9]將用戶參與需求響應的行為以用戶實際參與概率作為參數衡量,從而構建雙方的非合作混合博弈模型,并據此設計電價政策引導用戶進行需求響應的互動,最終實現減少電網高峰時的整體負荷的目的。文獻[10]建立了一個基于供求關系的市場模型用于需求響應策略的實現,提出一種分布式需求響應算法通過市場的競爭平衡來實現社會財富的最大化。

相比于以前以電網為主導、用戶被動響應為主的需求響應調度方式,目前的研究熱點為考慮電網用戶兩側雙向互動完成調度過程。因此,本文針對用戶和電網的互動關系,以包含電動車和分布式能源等新型用能方式的居民智能用電模式為研究對象,提出一種雙側互動的需求響應策略。通過對用戶用電行為的聚類分析,利用同類用戶負荷使用的相似性,有效降低需求響應復雜程度,優(yōu)化需求響應的效果。以用戶整體負荷的波動程度為目標,考慮可調度負荷、電動車、分布式能源等需求的約束條件,采用基于行為矯正的雙向混合粒子群優(yōu)化算法(PSO)進行求解,以某智能小區(qū)日負荷為例,分析了不同調度策略的效能和算法性能。

1 智能小區(qū)互動化需求響應策略建模

1.1 智能小區(qū)場景分析

用戶智能用電環(huán)境為包含一定規(guī)模居民數目的智能電網,其供電來源為同一家電網公司,本文不考慮多家電網公司的場景。居民使用智能家居來完成家電的互動控制。在該場景下每戶用戶都安裝有智能電表,以及與之配套的可實現用戶與供電方雙向互動交流功能的高級計量體系。同時用戶還具有智能家居管理終端,可以用來控制和調節(jié)各類家用電器的用電方式,以此完成家庭能耗的管理和需求響應的調度,實現自動需求響應過程[11]。

智能電網下的用戶側將還存在一定數量的分布式電源系統和電動汽車。分布式電源系統主要包括兩部分:分布式發(fā)電系統,使用太陽能、風能等清潔能源;用于充放電的儲能裝置,如蓄電池、超級電容器等?？紤]到電動汽車充電時間的不確定性和外出的電能需求,電動汽車的電池不一定擁有放電功能以及分布式電源系統所具備的儲能裝置,故本文中電動汽車將不考慮放電的情況,即采用V1G(vehicles plug-in with logic/control regulated charge)模式充電[12]。

如圖1所示,在該場景下用戶的負荷可以分為以下幾類。

圖1 居民智能用電場景Fig.1 Intelligent power scene of residents

1)基本負荷:用戶提供日常用電的基本需求,如以照明為代表的生活必須且無法被調度的部分負荷,是滿足生活需求的最低負荷要求。

2)可調度負荷:可被調度的負荷部分,相對于基本負荷,該部分負荷是可以調動的,主要用于改善用戶的生活質量。

3)電動汽車負荷:電動汽車進行充電時所使用的用電負荷,用于保證用戶日常外出需求。

4)分布式發(fā)電負荷:由太陽能或風能等新能源方式所產生的電能,該部分電能用戶可以自己使用,同時當用戶用電量過剩時,可以將這部分電能出售給電網,或是存儲在儲能裝置。

5)儲能裝置負荷:與分布式發(fā)電系統同時存在作為分布式電源系統的一部分,作為電能的儲存手段,可以將分布式發(fā)電系統或是電網側得來的電能進行充放電操作。

1.2 智能小區(qū)互動化需求響應模型

由上節(jié)分析,將一天24 h劃分為24個時段,則N個用戶24 h的負荷調度計劃如式(1)所示。

A=[l1l2…lk…lN]

(1)

式中:A為24×N階的矩陣,是總體的負荷安排;lk為24維列向量,是用戶k的24 h的負荷安排。

則對于任意用戶k而言,其負荷安排可由式(2)和式(3)表示。

lk=[lk(1)lk(2) …lk(24)]T?k

(2)

(3)

1)基本負荷以及分布式發(fā)電負荷約束

在用戶負荷的使用過程中,存在不受調控影響或無法人為調度的負荷部分,如式(4)和式(5)所示。

(4)

(5)

2)可調度負荷約束

可調度負荷將滿足式(6)、式(7)的約束條件,其表示人日常生活用電中可以進行調整的部分。

(6)

(7)

3)電動汽車負荷約束

通過對電動汽車充電行為的分析,對電動汽車負荷建模,得到其約束條件為:

(8)

(9)

(10)

(11)

4)儲能裝置負荷約束

儲能裝置負荷變化的約束為:

(12)

(13)

(14)

(15)

(16)

1.3 目標函數

(17)

上式表示具有智能用電行為的所有用戶的日負荷的波動程度,其值越小則表示配電網側負荷波動程度越小,對平抑配電網波動效果越好。本文針對的是歸屬于一個電力公司管理的集合體,本文中以智能小區(qū)的形式表現。在本文模型策略下,對于一條饋線上的多個智能小區(qū)而言,最后也是統合管理成為一個整體。例如現用電側對象為兩個小區(qū)A與 B,其中小區(qū)A的用戶數為130戶,四種用電負荷類型比例為4∶3∶3∶3,小區(qū)B的用戶數為100戶,四種用電負荷類型比例為1∶3∶3∶3,則容易計算出統合之后的整體230戶用戶,其用電負荷類型比例為5∶6∶6∶6。如此,本文目標函數同樣可適用于多個智能小區(qū)的情況,網側波動最小的目標函數也取決于電網所要管理的所有用戶,因為與電網側成本直接相關的是電網側負責管控范圍內的全體用電負荷,部分區(qū)域的波動性情況并不能將其體現。

因此，本文需求響應調度模型是以式(17)作為優(yōu)化目標,以式(4)至式(16)作為約束條件,旨在實現智能用電小區(qū)多用戶用電負荷下的配電網側波動最小。

2 聚類分析互動化需求響應模型求解方法

2.1 用戶智能用電行為聚類分析

據上節(jié)分析可知,對于該智能用電場景下的用戶存在不同用電行為時,其負荷特征會呈現不同特點,據此可以分為不同類別的用戶。對于同一類用戶而言,其負荷的使用存在極大的相似性,負荷的調度安排呈現一定的聚合性,故通過對用電數據的分析,以降低電網與用戶二者響應過程的復雜程度,提高互動效率。因此本文通過在需求響應前對用戶進行聚類分析,以分析結果來優(yōu)化需求響應過程。本文所用聚類分析方法為改進的模糊C均值聚類算法[14]。

其計算步驟可以簡略的概括為:①設置聚類數、迭代次數等相關參數;②通過樣本距離比較判定樣本聚類中心;③根據聚類中心計算樣本隸屬度函數;④修正聚類中心;⑤計算誤差函數,如果滿足閾值條件則算法結束,輸出聚類結果,否則重復②至⑤。

通過以上聚類分析可以完成不同用戶類別的分化,以區(qū)別用戶是否具有電動汽車、分布式能源、自動需求響應系統等一系列負荷使用行為。鑒于聚類分析方法是本文方法分析所用手段而非本文研究重點,對此將不再贅述。

2.2 互動化需求響應求解流程

本文方法為日前調度,將在前一天對負荷的使用計劃進行安排,并采用用戶和電網公司的互動交流完成求解過程。同時電網將通過激勵的方式促使用戶合作參與需求響應過程。

需求響應的互動過程主要如附錄A圖A1所示,具體包括以下幾步。

步驟1:在前一天,用戶方根據自身需求,主要包括日常負荷的使用、可以調動的電器負荷、電動汽車負荷,以及分布式能源系統的出力,確定生成其新一天的負荷安排,并將其整體負荷的使用情況上傳至電網公司。

步驟2:電網公司根據所收集到的負荷使用計劃對用戶的用電行為進行聚類分析,將用戶群體按用電行為劃分為幾類,以便于后續(xù)優(yōu)化決策使用。

步驟3:電網公司根據整體負荷使用情況,以削峰填谷為目標,分別針對各類用戶負荷群體的整體使用進行優(yōu)化調整,并將優(yōu)化調整的目標負荷使用反饋給用戶群體,即將所有用戶的整體優(yōu)化拆解為各類用戶的優(yōu)化。

步驟4:同類用戶群體根據用戶自身使用需求調整自身用電安排,使整體負荷使用貼近電網公司的優(yōu)化目標,并將自身所能達到的最相似結果反饋給電網。

步驟5:電網根據用戶的反饋修正自己的目標負荷使用,即重復步驟3和4,直到判定終止條件優(yōu)化結束。

2.3 行為矯正雙向混合PSO的求解實現

智能小區(qū)互動化需求響應方法采用行為矯正雙向混合PSO的求解實現;在混合PSO基礎上[15],本文為實現互動化需求響應求解,擴展了算法的粒子行為矯正功能,實現雙向迭代功能。實現算法分為電網公司和用戶側兩部分,通過電網公司與用戶雙方的互動溝通完成需求響應策略的優(yōu)化求解。由于用戶的個人負荷使用安排與自身關系過于密切,電網公司不適合也不能直接對用戶負荷的使用進行直接管理,故用戶的負荷優(yōu)化將交由用戶自身完成,然后通過雙方的互動完成整個優(yōu)化過程。

根據圖2,行為矯正雙向混合PSO流程可以分為三部分。

圖2 算法流程示意圖Fig.2 Flow chart of proposed algorithm

第一部分是算法的初始化。用戶需要確認基本負荷以及可調度負荷組成,并根據歷史數據預測自身次日基本負荷使用情況以及預期分布式發(fā)電所得電量,還需確認自身分布式能源系統相關參數,以及電動汽車相關參數和新一天的出行計劃。以上參數將對應1.2節(jié)中的約束條件。然后用戶一次生成新一天的整體負荷使用情況上傳至電網公司,作為電網側初次優(yōu)化的依據。

第二部分是電網公司側的優(yōu)化。在優(yōu)化之前將根據用電行為對用戶進行聚類分析,用以區(qū)分不同用電行為的用戶,對于相同用電行為的用戶而言,其調度過程存在一定的類似性和聚合性。

在電網側優(yōu)化的過程中其負荷粒子代表所有用戶整體的24 h時段用電,但根據用戶行為將用戶分類后,電網公司將關注該類用戶整體上的負荷趨勢,故負荷粒子為24×m階的向量,其中m為不同類別用戶的類數。初始化種群后,使用基本PSO進行優(yōu)化。優(yōu)化目標如式(18)所示,即式(17)的目標函數將成為各類用戶的疊加表示。

(18)

式中:Gm(t)為該類用戶在t時刻的預期目標。

同時在使用PSO進行優(yōu)化的過程中,引入交叉變異的步驟,以防止早熟現象,增大算法獲取最優(yōu)解的能力。同時在每次粒子運動完后,將根據模型約束條件對粒子進行矯正,確保粒子的運行不會超出約束范圍條件,從而排除非合理解,其矯正過程如附錄A圖A2所示。

首先是對負荷粒子的判定,對于電網公司,用戶的具體約束無法知曉,其約束判定條件為整體負荷的調度能力,如式(19)所示,確保在調整的時候不會過度偏離用戶原有負荷使用情況。

∑(P-L)2≤A

(19)

式中:P為負荷粒子,L為進行PSO優(yōu)化前的原始負荷,二者的差值表示用戶負荷變動的程度;A為用戶負荷調度能力判定閾值,其值取基本變動系數與時段數、用戶數之積。

該判定條件表示當負荷變動程度沒有超過預期時將保留該負荷粒子。該過程將反復迭代,判定粒子是否滿足約束條件,若滿足則更新粒子,若不滿足則進行矯正,其矯正過程如式(20)所示。

P(imax)=P(imax)-w(P(imax)-L(imax))

(20)

式中:P(imax)為負荷粒子中變動程度最大的一項;imax為最大項的序號;L(imax)為原始負荷中的對應項;w為修正權重,其值影響修正的程度。

在完成矯正后,將計算適應度值,更新個體最優(yōu),群體最優(yōu),判定是否結束PSO優(yōu)化過程。

第三部分是用戶側的優(yōu)化。對于用戶負荷,可知其各類負荷是線性相加的關系,故將其進行分解,其中可以調度的部分主要為可調度負荷、電動汽車以及儲能裝置,而同類用戶針對其相似性,可同時優(yōu)化,則負荷粒子為3×24×n的向量,n為該類用戶中的用戶數目。對各戶用戶的PSO優(yōu)化同時進行,其優(yōu)化目標函數為:

(21)

3 實驗與性能分析

3.1 實驗場景參數設置

實驗仿真參數按照典型智能用電小區(qū)多用戶場景加以設置,居民用戶的基本負荷數據來自文獻[16],由美國可再生能源辦公室(EERE)提供的商業(yè)和居民日常用電數據集,將在實驗中作為用戶日前預測負荷的構建依據。而實驗中用戶的負荷轉移能力,即可調度負荷與基本負荷的比例為1∶4。分布式能源系統的發(fā)電量以風能為例,以安大略省電力公司仿真風能發(fā)電數據[17]作為數據源整理而來,以此作為實驗中日前預測發(fā)電量的構建依據。

市場上常見的電動汽車電池容量一般為20～30 kW,故本文電動汽車的電池容量設置為25 kW。同時根據美國居民出行調查(NHTS)的統計數據[18]可知,以小時為單位的家用汽車一天中的首次出行時刻近似服從正態(tài)分布td～N(7,1),晚上最后一次出行的時間近似服從正態(tài)分布ta～N(17,1.9),居民用戶的可用充電時間視為二者之間的時段,同時考慮回家時電動車仍有剩余電量,故隨機設置剩余容量為20%～60%。針對充電樁5 h充滿的慢充模式,其充電額定功率設置為5 kW,充電效率設置為90%。儲能裝置電池容量設置為10 kW,所儲存的初始電能設置為0,充放電效率為90%,對于儲能裝置的充放電上限功率設置為3 kW。

仿真實驗中設置總用戶數為100,同時具有四類不同用電行為的用戶:①基本用戶,負荷只包含基本負荷和可調度負荷;②電動汽車用戶,負荷包含基本負荷、可調度負荷和電動汽車負荷;③分布式用戶,負荷包含基本負荷、可調度負荷和分布式負荷;④綜合用戶,負荷包含基本負荷、可調度負荷、分布式負荷和電動車負荷。其數目比例為1∶3∶3∶3。則在本文實驗中電網側的修正閾值A為9 600。

實驗的對比算法主要為不進行需求響應的無序用電,以及按照分時電價進行簡單互動需求響應的有序用電和集中式需求響應優(yōu)化算法[19]。

1)無序用電[19],在該種策略當中,用戶將按照自身的喜好隨機使用可以調度的負荷,而電動汽車的充電過程將會在電動汽車回家后直接充滿,對于分布式能源系統,在發(fā)電有富余時,將會進行儲存,待下一階段用電時使用。

2)有序用電[19],即采用貪婪算法的調度策略,貪婪算法的基本思想是用戶將會根據分時電價標準,在自身可控的范圍內,根據基本電價盡可能地降低所用電費總額。

3)集中式需求響應優(yōu)化算法[19],簡稱為集中調度,在該種策略中,電網公司將知道用戶所有信息,包括出行計劃、可調度負荷比例、分布式能源系統發(fā)電量等,公司將統一直接對用戶的用電計劃進行優(yōu)化,與本文調度方法最大的不同為缺少相應的聚類分析及用戶與電網公司間的互動過程。

3.2 需求響應過程及結果分析

在完成算法初始化后,電網公司需要對用戶進行聚類分析,以獲取用戶的用電行為模式。本文選用總負荷量、峰谷差、時段用電百分比[20]等特征對用戶進行聚類分析,其結果如附錄A圖A3所示,其對應特征如附錄A表A1所示,該表中所得結果均為某一類用戶的平均值。

由附錄A圖A3和表A1可以看出,第一和第二類用戶峰谷差較大,負荷使用較集中,這是由于兩類用戶存在電動汽車充電的行為,存在電動汽車使用的用戶,由于在夜間給電動汽車充能,將會對負荷造成明顯負擔。而第一類和第四類用戶相比于第二與第三類用戶,從負荷曲線和總量可以看出其存在一定下降趨勢,因為二者通過分布式能源系統能補足自身負荷使用需求。對于第三類用戶而言,其為不存在新的用能方式的普通用戶。

聚類分析的結果與實驗參數中所設置比例相對應,在此基礎上電網公司將依據類別對用戶總體負荷進行調整尋優(yōu),而用戶將根據電網公司所得結果,以同類用戶為整體對自身負荷安排進行適應性調整。通過仿真實驗進行對比分析,各算法的實驗結果如圖3所示。

圖3 不同類型方法總負荷分布對比圖Fig.3 Comparison diagram of total load distribution of different type methods

無序用電即用戶原始用電安排,未經過任何調整,在此情況下用戶在0～7 h存在用電低谷,而用電高峰集中在18～22 h的時段。對比依據電價調度的有序用電,經過有序用電的調度后,出現了明顯的峰谷倒置現象?？梢娫摲N調度方式并不能很好地實現削峰填谷的目的。

相較于有序用電的誘導式響應,集中調度和分類調度是基于一定政策下電網和用戶雙方合作的響應調度。由圖3可知,這兩種方法都有效地實現了一定程度的削峰填谷,其負荷曲線的波動程度都有所下降,其中集中調度在18～22 h用電高峰處的用電負荷峰值下降了131 kW,而分類調度則下降了149 kW,且二者在用電低谷時的負荷量與用電平段時的負荷量已十分接近。

再以一個用戶為例,對比了無序用電、有序用電、分類調度三種策略下,可調度負荷和電動車負荷的使用情況,其結果如附錄A圖A4所示。

對于無序用電,根據其隨機的用電行為,其可調度負荷呈現雜亂無章的特點,而電動車負荷則在電動車到家就開始充電,直至充滿。而有序用電則存在有計劃的使用,這種有序性是由電價政策所主導的。在可調整的情況下,趨向于用戶電費最低的用電安排,從而出現了明顯的負荷集中區(qū),這也是在圖3中出現峰谷倒置的原因。對比于分類調度,其趨向于整體負荷變平緩的用電安排,故呈現出具有一定規(guī)律的負荷調度安排。

3.3 算法性能對比分析

根據3.2節(jié)中所得調度結果計算峰谷差、負荷均方差、負荷率等性能指標進行算法性能的對比,其對比結果如圖4及附錄A圖A5和圖A6所示。

圖4 負荷峰谷差對比圖Fig.4 Comparison diagram of valley-to-peak of load

由圖4可知,集中調度和分類調度的峰谷差遠低于其余兩種,分別為314.3 kW和277.8 kW,相較于無序用電下降了37%和44%。

表征負荷波動程度的負荷均方差如附錄A圖A5所示?？芍?有序用電為170.3,相較于無序用電上升了11.5%,其波動程度更為劇烈,而集中調度和分類調度分別為103和93,下降了32.6%和39.2%。

同時根據附錄A圖A6可知，四種策略的負荷率分別為0.446,0.390,0.582,0.589,后兩類策略負荷率明顯要高于無序跟有序用電,說明在一天內,集中與分類調度策略下的負荷變動最小,而分類調度負荷率比集中調度要略高,但相差不大。

由此可見,相比于有序用電,集中調度和分類調度較好地利用了用戶調節(jié)負荷的能力,而并未產生倒置的現象。同時對于集中調度而言,隨著用戶數量的增加,每個用戶的使用需求都不盡相同,其約束條件的復雜程度將大大上升,隨著問題難度的上升,其負荷優(yōu)化能力將隨之下降。因為對于復雜的優(yōu)化問題,優(yōu)化算法總是取得近似最優(yōu)解,而非全局最優(yōu)解,故尋優(yōu)難度的上升將使算法更易陷入局部最優(yōu)。而分類調度過程中,通過將用戶分類能有效降低尋優(yōu)的難度,同時同類負荷的約束條件間存在較大的相似性,也將利于算法的求解。在分類調度過程中,優(yōu)化目標向電網與用戶兩側拆解以此分別進行求解,該過程將在一定程度上降低尋優(yōu)的能力。但就總體效果而言,分類調度可以達到與集中調度相似的負荷調控能力,甚至在一定程度上優(yōu)于集中調度。

對比集中式調度和分類調度的計算時間,在集中調度的過程中電網公司所花時間為96.9個單位時間,而分類調度中電網公司側的單次計算時間為1.8個單位時間,該時間大大減少,是因為在分類調度中電網側僅根據分類所得各類用戶的總體負荷作為優(yōu)化目標,極大地降低了負荷優(yōu)化難度。分類調度中用戶單次計算時間為33.6個單位時間,由于各類用戶并行運算,該時間為每類用戶計算時間中所花最大值,該時間遠低于集中調度,是因為每類用戶的用戶數較總用戶數而言大大減少,從而計算量相應減少。當用戶進一步細分時,用戶類型增加則會增加電網側計算時間,減少用戶側計算時間,其單次計算過程仍遠小于集中優(yōu)化。

而迭代次數則表示電網與用戶之間交流的次數,從而會影響分類優(yōu)化的性能,當迭代次數為1時,分類調度的負荷均方差為105,略大于集中式優(yōu)化。也就是說分類調度由于計算時間的減少,可以在相同的時間內反復迭代的運算以優(yōu)化需求響應的效果。

4 結語

本文針對涉及多種智能用電行為的小區(qū)居民日負荷的需求響應問題,考慮用戶和電網的互動關系,提出一種雙向互動的需求響應策略。通過對用戶進行聚類分析,以降低需求響應的復雜度,優(yōu)化負荷調度的效果。采用基于行為矯正的雙向混合PSO進行求解,通過實驗仿真可知,相較于基于電價政策的需求響應,本文方法更能適應負荷調度能力較強的智能用電環(huán)境,故在各方面的綜合效能也要優(yōu)于普遍的電網主導的單側需求響應策略,而對比于集中調度而言,本文方法能有效降低電網側的計算量,并較好地實現削峰填谷的目的,對未來智能電網的改造建設有著重要參考意義。

附錄見本刊網絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 湯奕,魯針針,寧佳,等.基于電力需求響應的智能家電管理控制方案[J].電力系統自動化,2014,38(9):93-99.DOI:10.7500/AEPS20140106008.

TANG Yi, LU Zhenzhen, NING Jia, et al. Management and control scheme for intelligent home appliances based on electricity demand response[J]. Automation of Electric Power Systems, 2014, 38(9): 93-99. DOI: 10.7500/AEPS20140106008.

[2] 盛萬興,史常凱,孫軍平,等.智能用電中自動需求響應的特征及研究框架[J].電力系統自動化,2013,37(23):1-7.

SHENG Wanxing, SHI Changkai, SUN Junping, et al. Characteristics and research framework of automated demand response in smart utilization[J]. Automation of Electric Power Systems, 2013, 37(23): 1-7.

[3] 李同智.靈活互動智能用電的技術內涵及發(fā)展方向[J].電力系統自動化,2012,36(2):11-17.

LI Tongzhi. Technical implications and development trends of flexible and interactive utilization of intelligent power[J]. Automation of Electric Power Systems, 2012, 36(2): 11-17.

[4] 湯奕,魯針針,伏祥運.居民主動負荷促進分布式電源消納的需求響應策略[J].電力系統自動化,2015,39(24):49-55.DOI:10.7500/AEPS20150326003.

TANG Yi, LU Zhenzhen, FU Xiangyun. Demand response strategies for promoting consumption of distributed power generation with residential active loads[J]. Automation of Electric Power Systems, 2015, 39(24): 49-55. DOI: 10.7500/AEPS20150326003.

[5] 趙禾杰.北歐電力市場中的能源互補[J].中國科技成果,2015(17):14.

[6] 王雪.厘清智能電網發(fā)展思路——《智能電網重大科技產業(yè)化工程“十二五”專項規(guī)劃》解讀[J].國家電網,2012(7):66-67.

[7] 王守相,孫智卿,劉喆,等.面向智能用電的家庭能量協同調度策略[J].電力系統自動化,2015,39(17):108-113.DOI:10.7500/AEPS20140625016.

WANG Shouxiang, SUN Zhiqing, LIU Zhe, et al. Co-scheduling strategy of home energy for smart power utilization[J]. Automation of Electric Power Systems, 2015, 39(17): 108-113. DOI: 10.7500/AEPS20140625016.

[8] 劉小聰,王蓓蓓,李揚,等.智能電網下計及用戶側互動的發(fā)電日前調度計劃模型[J].中國電機工程學報,2013,33(1):30-38.

LIU Xiaocong, WANG Beibei, LI Yang, et al. Day-ahead generation scheduling model considering demand side interaction under smart grid paradigm[J]. Proceedings of the CSEE, 2013, 33(1): 30-38.

[9] 潘明明,劉連光,葉遠譽,等.能源互聯網中用戶參與負荷轉移的混合博弈[J].電網技術,2015,39(11):3088-3093.

PAN Mingming, LIU Lianguang, YE Yuanyu, et al. A game-theoretic analysis for customers’ load shifting in energy internet[J]. Power System Technology, 2015, 39(11): 3088-3093.

[10] LI N, CHEN L J, DAHLEH M A. Demand response using linear supply function bidding[J]. IEEE Trans on Smart Grid, 2015, 6(4): 1827-1838.

[11] 劉振亞.智能電網技術[M].北京:中國電力出版社,2010.

[12] JIAN L, XUE H, XU G, et al. Regulated charging of plug-in hybrid electric vehicles for minimizing load variance in household smart microgrid[J]. IEEE Trans on Industrial Electronics, 2013, 60(8): 3218-3226.

[13] 王德文,孫志偉.電力用戶側大數據分析與并行負荷預測[J].中國電機工程學報,2015,35(3):527-537.

WANG Dewen, SUN Zhiwei. Big data analysis and parallel load forecasting of electric power user side[J]. Proceedings of the CSEE, 2015, 35(3): 527-537.

[14] WENHAO P, ZHE D, YANPING Z, et al. An analytical method for intelligent electricity use pattern with demand response[C]// China International Conference on Electricity Distribution, August 10-13, 2016, Xi’an, China: 4p.

[15] 趙遠東,方正華.帶有權重函數學習因子的粒子群算法[J].計算機應用,2013,33(8):2265-2268.

ZHAO Yuandong, FANG Zhenghua. Particle swarm optimization algorithm with weight function’s learning factor[J]. Journal of Computer Applications, 2013, 33(8): 2265-2268.

[16] Office of Energy Efficiency & Renewable Energy. Commercial and residential hourly load profiles for all TMY3 locations in the United States[EB/OL]. [2013-07-02]. http://energy.gov/eere/buildings/commercial-buildings-integration.

[17] Ontario Power Authority. Simulated wind generation data [EB/OL]. [2007-09-17]. http://www.powerauthority.on.ca/integrated-power-system-plan/simulated-wind-generation-data.

[18] 田立亭,史雙龍,賈卓.電動汽車充電功率需求的統計學建模方法[J].電網技術,2010,34(11):126-130.

TIAN Liting, SHI Shuanglong, JIA Zhuo. A statistical model for charging power demand of electric vehicles[J]. Power System Technology, 2010, 34(11): 126-130.

[19] TAN Z, YANG P, NEHORAI A. An optimal and distributed demand response strategy with electric vehicles in the smart grid[J]. IEEE Trans on Smart Grid, 2014, 5(2): 861-869.

[20] 張素香,劉建明,趙丙鎮(zhèn),等.基于云計算的居民用電行為分析模型研究[J].電網技術,2013,37(6):1542-1546.

ZHANG Suxiang, LIU Jianming, ZHAO Bingzhen, et al. Cloud computing-based analysis on residential electricity consumption behavior[J]. Power System Technology, 2013, 37(6): 1542-1546.

Interactive Demand Response Method of Smart Community Considering Clustering of Electricity Consumption Behavior

LUJun1,ZHUYanping1,PENGWenhao1,QIBing1,CUIGaoying2

(1. School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China; 2. Electric Power Research Institute of State Grid Jiangsu Electric Power Company, Nanjing 210003, China)

To solve the users daily load demand response problem in the smart community under the complex, this paper proposes a bi-direction interactive demand response method amidst the smart grid and users, which considers the users’ clustering for the electricity consumption behavior. Firstly, this paper builds the demand response model aiming at minimizing the load fluctuation in the grid, in which the constraints include the base load, schedulable load, pure electric vehicles load and storing device load. Secondly, the proposed method is depicted in detail, the solution procedure for the demand response model is decomposed into interactive collaboration between the two subordinate responses and the grid and users. Finally, the proposed method is implemented by a hybrid particle swarm optimization algorithm based on the particle’s behavior modification, which is based on the clustering analysis of the users’ electricity consumption behavior. Simulation results show that the proposed method is superior in performance to the comparative algorithms in terms of the optimization results and algorithm complexity and by means of the clustering analysis and interaction mechanism.

This work is supported by State Grid Corporation of China (No. 2015SGKJ10-1) and National Key Research and Development Program of China (No. 2016YFB0901104).

interaction demand response; smart community; clustering analysis; demand response method

2016-12-06;

2017-05-02。

上網日期: 2017-06-27。

國家電網公司科技項目(2015SGKJ10-1)；國家重點研發(fā)計劃資助項目(2016YFB0901104)。

陸 俊(1976—),男,通信作者,博士,副教授,主要研究方向:信息處理、電力系統通信和智能用電。E-mail：lujun@ncepu.edu.cn

朱炎平(1992—),男,碩士研究生,主要研究方向:電力系統通信。

彭文昊(1993—),男,碩士研究生,主要研究方向:電力系統通信。E-mail: 1054518964@qq.com

(編輯 萬志超)