新能源电力系统用户需求响应复杂适应行为研究

张硕，曾鸣，李英姿，刘敦楠

(1．华北电力大学经济与管理学院，北京市 102206；2.新能源电力系统国家重点实验室(华北电力大学)，北京市 102206；3．北京科技大学东凌经济管理学院，北京市 100083)

新能源电力系统用户需求响应复杂适应行为研究

张硕1,2，曾鸣1,2，李英姿3，刘敦楠1,2

(1．华北电力大学经济与管理学院，北京市 102206；2.新能源电力系统国家重点实验室(华北电力大学)，北京市 102206；3．北京科技大学东凌经济管理学院，北京市 100083)

实施需求响应(demand response，DR)可有效消纳可再生能源，平衡新能源电力系统电量供应和需求。首先，分析了需求响应过程的复杂适应系统特征，描述了需求响应复杂交互过程；其次，构建了包含主体对象和环境对象的需求响应过程集成模型，定义了各构成对象；最后，结合多主体系统建模方法构建了用户主体响应行为模型，从主体行为的角度描述了需求响应过程。通过文章的研究，可为实施需求侧响应提供辅助决策，为用户需求响应的研究提供了新思路。

新能源电力系统；需求响应(DR)；复杂适应系统；多主体建模

0 引 言

新能源电力系统涵盖了大量的风能、太阳能等可再生能源，可有效降低化石能源发电带来的环境污染问题。为此，我国出台了多项政策推动引导可再生能源的建设和发展，《可再生能源发展“十三五”规划》提出2020年风电装机规模达到2.1亿kW以上，太阳能发电规模达到1.1亿kW以上。与传统能源相比，可再生能源受自然环境影响，具有很强的随机性，难以准确预测，其大量并网对电力系统的运行控制带来显著影响[1]。这也导致我国出现了大量的弃风、弃光等现象。此外，我国目前电力产能过剩，通过调整供给侧拓展可再生能源消纳的空间愈发困难。为有效消纳可再生能源，提高电网的适应性，降低污染排放，实现2030年左右碳排放达到峰值的目标，通过用户侧实施需求响应(demand response，DR)平衡电量供给和需求已成为一种有效手段[2]。

需求侧(用户侧或负荷侧)对消纳可再生能源及平衡新能源电力系统的重要作用已得到业界认可与重视。《能源发展“十三五”规划》提出坚持需求侧与供给侧并重，完善市场机制及技术支撑体系，增强需求响应能力；《电力发展“十三五”规划》提出多措并举破解可再生能源消纳问题，大力提高电力需求响应能力。这些顶层规划均明确了实施需求响应的重要性，表明实施用户需求响应行为已成为新能源电力系统规划管理的重要手段。

需求响应指终端用户根据市场的价格信号、激励政策或者系统运营者的直接指令产生响应，改变其短期电力消费方式(消费时间或消费水平)和长期电力消费模式的行为[3]。作为虚拟的可控资源，DR在不增加装机容量的前提下，通过调整控制需求侧资源，匹配当前可用能源，可有效克服可再生能源发电的随机性及与用电活动的时间不匹配性对电力系统造成的不利影响[4]。通过鼓励用户主动改变自身用电行为，DR可达到与供给侧资源相同的效果[5]。

本文结合新能源电力系统大量并网可再生能源发电后呈现的新结构特性，从用户需求响应的角度研究新能源电力系统演化特性，为用户优化需求响应过程，实现可再生能源有效消纳及系统稳定运行提供辅助决策。

1 用户需求响应行为研究

电力需求响应，也称电力需求侧响应，是随着电力工业市场化改革和电力市场建设，从电力需求侧管理(demand side management，DSM)中演化而来，旨在以市场手段和价格工具为主要载体，影响和调节需求的时间和水平，挖掘需求响应资源，提升需求侧响应弹性，提高电力系统和电力市场的运行稳定性、运行效率以及社会整体资源的利用效率[6]。根据不同的响应信号，DR可分为2种类型：价格型DR和激励型DR[7]。此外，通过虚拟电厂、系统规划等方面，也可有效实施需求响应行为。关于这些方面的研究为我国从用户需求响应的角度，促进可再生能源消纳，提升电力市场效率等方面的效益，提供了系统的理论依据。

(1)基于价格的DR。在基于价格的DR研究方面，文献[8]研究了含风力发电的情况下用户侧分时电价的制定方法，采用聚类分析方法优化了不确定条件下的峰、谷、平时段划分，建立了用户侧的分时电价定价模型。文献[9]对实时电价(real-time price，RTP)下供电商在购售电市场的成本、收入与风险进行了综合分析，以供电商购售电效用最大化为目标，建立了不同风险喜好供电商的最优购电组合决策模型。文献[10]为应对可再生能源的波动性，构建了考虑弹性响应公式的集成优化模型，从用户需求响应的角度实现短期供需平衡。针对风电及其他可再生能源并网后产生的不确定性问题，文献[11]将负荷视作附加资源，构建了基于Agent的智能电网系统集成模型，保证供给侧和需求侧在实时电价市场中进行竞价，通过有效实施需求响应实现间歇性可再生能源的消纳。上述文献研究了不同价格机制下的用户需求响应策略，且部分文献考虑了可再生能源出力特性，这些对本文的研究具有重要参考价值。

(2)基于激励的DR。DR通过主动负荷的方式削减、中断、转移负荷，参与辅助服务，能够有效地减少新增装机容量，提高系统效益，并有力支撑分布式可再生能源的经济消纳[12]。文献[13]针对风电场并网后处理的不确定性，提出了紧急需求侧响应策略，在风电出力较小时削减负荷，并支付用户部分补偿费用，以有效减少电网投资费用及线路过负荷量。需求侧可中断负荷可作为系统的备用容量，引入到备用辅助服务体系中，可有效地提高系统可靠性和市场效率，优化整个系统的运行方式[14]。文献[15]从需求侧响应的角度，对居民的可控负荷和可转移负荷的调节方式进行建模，研究了微网运行的经济性。文献[16]针对微电网调度存在的调峰能力不足以及间歇性电源的接入问题，建立了考虑需求侧管理的微网调度模型，通过对可控负荷的有效控制以提高微网系统的调峰能力并提高接纳间歇性电源的能力。

(3)虚拟电厂的DR。为有效利用分布式电源、储能设施及需求侧的可控负荷，虚拟电厂作为一种新兴的能量管理系统被提出并应用[17-18]。文献[19]提出需求响应虚拟电厂概念，分别建立基于激励的和基于价格的需求响应虚拟电厂模型，将需求侧作为供给侧电能的可替代资源加以利用，以促进用户提高自身响应可靠性。文献[20]提出了一种考虑用户舒适约束的家居温控负荷(如电热泵设备)构建能效电厂的方法，建立了含多个能效电机舒适约束的聚合能效电厂最优分配模型，为负荷响应控制在配用电集成领域提供了新的技术途径。

(4)规划角度的DR。文献[5]从规划、运行、控制、评价的维度对新能源电力系统中DR问题的研究情况进行了总结，认为在新能源电力系统中考虑DR可有效克服可再生能源发电的间歇性问题，提高电网对可再生能源的利用效率，实现源荷互动与协同增效。文献[21]通过直接负荷控制、分时电价等手段，将需求侧视为与供应侧等价的资源，实现用电负荷的相对可控，构建了“源-网-荷-储”协调优化调度模型，通过相对可控的发电出力来满足用户的用电需求，从而实现供需双侧协调可控。文献[22]采用需求侧响应来应对风电出力波动，在输电系统规划阶段，提出了考虑需求侧响应的含风电场的输电系统两层规划模型，综合考虑了输电投资成本、需求侧响应成本和弃风成本，以最大程度改善电力系统的运行效率。文献[23]提出了一种结合运行需求侧响应建模的微网规划方法，将需求侧资源与供给侧资源同等对待，达到削减峰荷、实现微网系统社会总成本最优的目的。

综上所述，当前针对用户需求响应的研究，多从某一个方面(如基于价格、激励政策等方面)进行短期响应研究，导致研究具有一定局限性。因此，需从整体的角度研究用户需求响应行为对新能源电力系统的作用机理及对可再生能源消纳的影响。然而，当前在该方面针对用户需求响应的研究多集中于系统规划阶段，未有效描述用户需求响应的微观行为。此外，除价格、政策激励等外部因素[24]，用户的主观因素也是影响需求响应决策的重要因素。用户需求响应是一种主观意识较强的行为，其决策过程综合了数学、社会学、经济学等多学科知识，需求响应过程涉及需求侧与供给侧之间的复杂交互。因此，需从微观和宏观的角度双向推进，研究用户需求响应行为对新能源电力系统稳定运行及可再生能源电力消纳的影响。

基于此，本文结合复杂适应系统理论(complex adaptive system，CAS)和多主体建模方法构建用户需求响应过程集成模型，综合微观的需求响应交互行为和宏观的可再生能源消纳这2个层面，系统地描述需求侧在新能源电力系统的交互响应过程及其对可再生能源消纳的作用，从需求侧的角度为新能源电力系统的稳定运行及可再生能源的有效消纳提供辅助决策支持。

2 用户需求响应过程的复杂适应特性分析

2.1 复杂适应系统理论概述

复杂适应系统理论将系统划分为主体和环境这2个部分，通过主体与环境以及主体之间的交互作用，不断更新主体和环境状态，推动系统复杂的演变与进化过程，其核心在于适应性造就复杂性[25]。CAS理论包括微观和宏观2个方面[26]。

(1)微观方面。CAS理论最基本的概念是具有适应能力的、主动的个体，简称主体(agent)。主体的适应性指系统中的主体能够与环境以及其他主体进行交互作用，并在这种持续不断的交互作用的过程中，不断地“学习”或“积累经验”，并且根据学到的经验改变自身的结构和行为方式。主体与环境(包括主体之间)的复杂交互作用是系统不断演化的驱动力。

(2)宏观方面。主体组成的系统，将在主体之间以及主体与环境的相互作用中发展，使整个系统表现出复杂的演变与进化过程。

CAS理论将微观和宏观有机地联系起来，通过主体和环境的相互作用，使得个体的变化成为整个系统变化的基础，从而表现出宏观系统中的分化、涌现(系统在演化过程中呈现新的特性或模式)等复杂的演化过程。CAS理论的这些特点，使得其能够运用于个体本身属性极不相同，但是相互关系却有许多共同点的不同领域，有效地应用于经济、社会、生态等其他方法难以应用的复杂系统[27-28]。

2.2 用户需求响应过程复杂适应特性

新能源电力系统并入了大量风电、光伏等具有随机性、间歇性等特征的可再生能源电源，严重影响系统的稳定性；用户侧加入分布式电源及储能设备后，系统供需两侧的能量呈现双向流动特性；电力市场改革背景下，供给侧与用户之间的交互频繁且复杂。新能源电力系统的上述特征具有典型的复杂适应系统特征，用户需求响应过程的该特征则更加明显。结合CAS理论，新能源电力系统用户需求响应过程具有如下复杂适应特性。

(1)不确定性。用户需求响应过程的不确定性主要源于可再生能源电力供给的随机性和间歇性，这一自然属性导致需求侧无法精准响应；此外，由于生产订单、气候等因素的影响，用户负荷曲线也呈现不确定性。这些均会造成用户实施负荷削减、中断、转移等行为的不确定性，导致系统的需求响应过程具有未知性。

(2)多样性。用户需求响应过程的多样性主要表现为需求侧用户多种多样(如工业用户、商业用户、居民用户)，需求侧资源的负荷特性也各不相同(如基本负荷、可平移负荷)，因此其响应过程呈现不同特性。此外，可再生能源因季节、地域等时空特性不同，其供给曲线也呈现多样性特征，同样增加了用户需求响应过程的复杂特性。

(3)交互性。用户需求响应过程的交互性主要表现为需求侧与供给侧之间以及需求侧用户之间的交互适应性。针对可再生能源电源间歇性的特点以及电价等因素(如峰谷平电价、尖峰电价、辅助服务电价)，需求侧用户与供给侧通过长、短期电量交易等互动形式，主动调整其负荷曲线，实施需求响应行为。此外，用户之间基于需求互动，以能效电厂等形式集成实施需求响应行为。用户需求响应过程的交互性直接驱动了系统的动态演化过程。

(4)自适应性。用户需求响应过程的自适应性主要表现为用户为实现生产、经营、消费等目标，针对新能源电力系统中经济、环境、物理等约束条件的动态变化，主动调整决策方案，实施相应的需求响应行为，从而适应系统持续、动态的演化过程。如用户主动调整负荷曲线，将部分负荷平移到晚上消纳风电，获得可再生能源政策及电价的优惠。

因此，新能源电力系统用户需求响应过程可描述为：首先，需求侧用户以经济性为目标直接与供给侧对象交互，进行电量交易，调整负荷曲线；用户与用户之间交互，集成协调负荷，以虚拟电厂或负荷集成商的形式与供给侧对象交互，实施需求响应行为。其次，用户以生产或消费为目的，与外界环境交互，实施多种复杂的用电行为，即用户接收供给侧资源的供电信息及价格、激励信息，结合自身(需求侧)资源的用电负荷等特性，以经济性为目标确定用电策略，实施复杂需求响应行为，新能源电力系统的各构成资源则遵循需求侧用户的响应行为，以能量流动的形式实现用户与外界环境的交互。用户之间以及用户与资源之间的微观交互过程，推进了个体用户的需求响应过程，宏观上实现了需求侧对于可再生能源的消纳及系统的稳定运行。在用户需求响应过程中，新能源电力系统的需求侧用户、供给侧对象、需求侧资源和供给侧资源构成了典型的复杂适应系统。

3 用户需求响应复杂适应过程集成模型

根据上述对新能源电力系统用户需求响应行为的CAS特征分析及过程描述，本文构建了用户需求响应过程集成模型，如图1所示。该模型由主体对象和环境对象2个部分构成。其中，主体对象由供给侧主体和用户主体构成；环境对象由供给侧资源和需求侧资源构成。用户主体接收环境对象的价格信息、激励政策等信息(信息流)，结合自身需求及需求侧资源特性，与供给侧主体进行交互，决策并实施购电及用电响应行为，影响系统的潮流(能量流)，改变环境对象的运行状态(如供给侧资源的出力及调度、用能设备的负荷、储能设备的蓄能等)，进而推动用户需求响应行为有序实施，实现可再生能源消纳、系统稳定运行等目标。

图1 用户需求响应过程集成模型Fig.1 Integration model of user’s DR process

模型中，用户主体与供给侧主体以及用户主体之间通过签订电量合同的形式实现主体之间的交互，实施需求响应行为。如用户主体与供给侧主体签订风电消纳合同，进而按照合同的时限实施负荷平移的需求响应行为，从而消纳可再生能源电量，维持系统稳定运行。因此，电量合同是主体间交互的重要媒介。

3.1 主体对象

本文将参与新能源电力系统需求响应过程的供给侧对象和用户定义为具有自治性、主动性、协作性等动态特性的智能主体，其模型定义如下详述。

(1)供给侧主体。

定义1供给侧主体表示与用户直接交互的供给侧单位或个人，如发电企业、电网公司、售电公司等，定义为4元组集合，即AS()={SAt(),SS(),SC(),SU()}。

其中：SAt()表示供给侧主体的基本属性集合，包括主体编号、类型、出力曲线、供应电量等变量，是需求响应过程中关于供给侧主体的约束条件；SS()表示该主体拥有的供给侧资源集合，描述了供给侧主体与供给侧资源的关联关系；SC()表示供给侧主体提供的电量合同信息；SU()表示供给侧主体与用户主体间的供需关系，通过电量合同体现。

(2)用户主体。

定义2用户主体表示参与需求响应过程的用户，如工业用户、商业用户、居民用户，定义为6元组集合，即AU()={UAt(),UB(),UC(),UD(),US(),UU()}。

其中：UAt()表示用户主体的基本属性集合，包含主体编号、类型、负荷曲线、电量需求等信息；UB()表示用户主体需求响应行为集合，包含选择供给侧主体、选择其他用户主体作为合作伙伴、电量合同交易、参与辅助服务、主动负荷追踪、平移负荷、中断负荷、储能调度等行为；UC()表示用户主体的电量合同集合；UD()表示用户主体的需求侧资源集合，描述了用户主体与需求侧资源的关联关系；US()表示用户主体与供给侧主体间的关联关系，通过电量合同描述；UU()表示用户主体与其他用户主体间的合作频率集合。

3.2 环境对象

本文将用户需求响应过程中的资源统称为环境对象，包含有形资源和无形资源2类。其中，有形资源包含供给侧资源和需求侧资源2个部分。供给侧资源主要包含火电资源以及太阳能、风能等可再生能源电源。需求侧资源主要包含用能设备和储能设备。用能设备为需求侧响应过程的负荷资源，如工业负荷、商业负荷、居民负荷等；储能设备为需求侧响应过程的灵活资源，既可作为负荷蓄能，也可作为电源为负荷资源供应能源。供给侧资源与需求侧资源以电能为媒介，实现能源流动的交互过程。无形资源包含电量合同和政策制度2个部分。本模型中，电能以“电量合同”的形式，关联两侧资源，同时作为连接用户主体与供给侧主体的媒介，实现二者的交互。政策制度则主要包含电量交易规则、电价及激励政策等约束条件。本文对于供给侧资源、需求侧资源、电量合同3类模型的定义及描述如下详述。

(1)供给侧资源。

定义3供给侧资源表示电源侧资源，满足需求侧电量需求，定义为3元组集合，即RG()={GAt(),GS(),GC()}。

其中：GAt()表示供给侧资源的基本属性集合，包含资源编号、类型、装机容量、出力曲线等信息，是用户需求响应过程的物理约束；GS()表示供给侧资源与供给侧主体间的隶属关系；GC()表示供给侧资源供应的电量合同集合，描述SC()供应的电量合同情况。

(2)需求侧资源。

定义4需求侧资源表示需求侧用户实施需求响应行为的对象，是消纳可再生能源的物理设备，由用能单元和储能单元两部分构成，定义为2元组集合，即RD()={DL(),DES()}。

1)用能单元。

定义5用能单元表示需求侧的负荷资源，如工业负荷、商业负荷、居民负荷，定义为3元组集合，即DL()={LAt(),LU(),LC()}。

其中：LAt()表示用能单元的基本属性集合，包含单元编号、负荷类型、负荷曲线等信息；LU()表示用能单元与用户主体间的隶属关系；LC()表示用能单元的供能来源，即与电量合同的关联关系。

2)储能单元。

定义6储能单元表示具有能源储存功能的需求侧资源，如储能电池、电动汽车，定义为3元组集合，即DES()={ESAt(),ESU(),ESC()}。

其中：ESAt()表示储能单元的基本属性集合，包含单元编号、类型、容量、耗损率等信息，为物理约束；ESU()表示储能单元与用户主体间的隶属关系；ESC()表示储能单元的供能来源，即与电量合同的关联关系。

(3)电量合同。

定义7电量合同表示用户主体向供给侧主体购买的某时段电量，定义为7元组，即RC()= {CAt(),CT(),CU(),CS(),CG(),CD(),CC()}。

其中：CAt()表示电量合同的基本属性集合，包含合同编号、类型、电量、电价等信息；CT()表示电量合同的供应状态集合，描述了SC()时间分布信息；CU()表示电量合同与用户主体间的隶属关系；CS()表示电量合同与供给侧主体间的关联关系，即合同的供应方；CG()表示电量合同与供给侧资源的关联关系，即供应电量合同的物理资源；CD()表示电量合同与需求侧资源间的关联关系，即合同供应的物理对象；CC()表示电量合同因电量供应不足需要其他合同补给的关联集合，描述了SC()与其他补给合同SC()间的关联关系。

4 用户主体需求响应行为模型

在复杂适应系统中，具有自治性、协同性、主动性的主体是系统的核心，其自主交互的自适应行为是系统演化的驱动力，也是系统复杂性的原因所在[26]。同理，在用户需求响应过程中，用户主体与供给侧主体、环境对象以及用户主体之间的需求响应行为是推动需求侧响应过程自主演化，实现可再生能源消纳的驱动力。为客观、清晰地描述用户需求响应行为的驱动作用，本文基于用户需求响应过程集成模型，应用多主体系统建模方法构建了用户主体响应行为模型，从需求响应行为的角度描述新能源电力系统需求侧响应过程，进而揭示需求侧对可再生能源消纳的响应机理。

用户主体需求响应行为模型将需求侧响应过程划分为信息接收、行为决策、行为触发3个阶段，分别由感应器、处理器和驱动器完成，如图2所示。

图2 用户主体响应行为模型Fig.2 User agent’s DR behavior model

(1)信息接收阶段。用户主体AUi通过感应器接收外界信息Information()，Information()主要包含供给侧主体、其他用户主体和环境对象3类信息。其中，供给侧主体信息主要包含企业类型、供电量、资源特性等信息；其他用户主体信息主要包含电量需求、合作历史等信息；环境对象信息则主要包含AUi自身的需求侧资源信息，供给侧资源的装机容量、出力水平、电能质量以及电量合同的合同电量、实时电量、电价水平等信息，见表1。由于信息量庞大，AUi需判断是否接收信息，并过滤不相关信息，为后续的响应行为决策提供有效数据。因此，针对接收的信息Information()，AUi首先调用函数Judge()判断信息是否与自身需求及状态冲突，是则拒绝，否则接收；然后调用函数Filter()过滤信息，判断信息是否与自身属性及需求关联，是则接收，否则拒绝。通过函数Judge()判断、Filter()过滤后接收的信息，将为后续的决策过程提供数据支撑。

表1外界环境信息
Table1Environmentinformation

(2)行为决策阶段。用户主体AUi通过处理器针对接收的信息进行匹配计算及策略选择。AUi调用函数Match()结合自身的需求侧资源构成、电量需求、负荷曲线等属性，分别计算信息Info()与主体响应策略集合RT_Set()中各策略的匹配度，并依据匹配度对响应策略排序；AUi调用函数Select()从排序后的RT_Set()中，选择匹配度最大的策略作为应对Info()的响应策略。选择与Info()匹配的响应策略后，AUi将在下一阶段实施需求响应行为。用户主体主要的需求响应行为类型、决策依据及适用的主体类型如表2所示。

(3)行为触发阶段。信息处理后，AUi通过驱动器实施对应信息的需求响应行为。AUi调用函数Confirm()，结合主体响应策略集合RT_Set()以及与之对应的响应行为集合Behavior_Set()，确定与响应策略对应的需求侧响应行为；确定针对Info()的响应行为后，AUi调用函数Update()通过更新外界信息的方式，实施需求侧响应行为，从而推动系统的有序演化，实现可再生能源的有效消纳。

表2用户主体需求响应行为分类
Table2Useragent’sDRbehaviors

综上所述，用户主体响应行为模型分3个阶段描述了电力系统需求响应过程，从微观的角度刻画了新能源电力系统用户的自适应响应行为，剖析了用户需求响应行为对系统各主体有序运行及系统演化的驱动作用，揭示了需求响应行为和可再生能源消纳的关联作用。

5 结 论

本文针对新能源电力系统需求侧响应过程的动态性、复杂性等特点，结合复杂适应系统理论和多主体系统建模方法从用户行为的角度构建了用户需求响应过程集成模型以及用户主体需求响应行为模型，主要研究特点为：(1)将参与需求侧响应过程的对象划分为主体对象和环境对象2个部分，描述了二者在需求侧响应过程的交互机理；(2)分别定义了主体对象和环境对象模型，描述了需求侧响应过程；(3)构建了需求侧主体响应行为模型，从用户行为的微观角度描述需求侧响应过程。

本文构建的新能源电力系统用户需求响应过程集成模型和用户主体需求响应行为模型，形成了新能源电力系统需求侧响应复杂适应过程的理论框架。其中，集成模型从宏观的角度描述了系统构成对象的复杂适应交互关系，响应行为模型从用户行为的微观角度描述了系统的需求响应过程。本研究是需求侧响应复杂适应过程的阶段成果，后续仍需深入展开如下工作：(1)基于上述模型，开发新能源电力系统用户需求响应过程仿真系统，仿真研究需求侧响应的动态交互过程；(2)基于用户主体需求响应行为模型，系统构建主体响应行为策略集合，通过仿真的方法提炼需求侧响应过程优化策略组合。

[1] 刘吉臻．新能源电力系统建模与控制[M]．北京：科学出版社，2015：17-19．

[2] BOBMANN T, ESER E J. Model-based assessment of demand-response measures—a comprehensive literature review[J]. Renewable and Sustainable Energy Reviews, 2016, 57: 1637-1656.

[3] 曾鸣．电力需求侧响应原理及其在电力市场的应用[M]．北京：中国电力出版社，2011：104-110．

[4] HAIDER H T, SEE O H, ELMENREICH W. A review of residential demand response of smart grid[J]. Renewable and Sustainable Energy Reviews, 2016, 59: 166-178.

[5] 曾博，杨雍琦，段金辉，等．新能源电力系统中需求侧响应关键问题及未来研究展望[J]．电力系统自动化，2015，39(17)：10-18．

ZENG Bo, YANG Yongqi, DUAN Jinhui, et al. Key issues and research prospects for demand-side response in alternate electrical power systems with renewable energy sources[J]．Automation of Electric Power Systems，2015，39(17)：10-18．

[6] 王冬容．电力需求侧响应理论与实证研究[D]．北京：华北电力大学，2011．

WANG Dongrong. Theory and empirical research on electric power demand response[D]．Beijing：North China Electric Power University，2011．

[7] 王锡凡，肖云鹏，王秀丽．新形势下电力系统供需互动问题研究及分析[J]．中国电机工程学报，2014，34(29)：5018-5028．

WANG Xifan, XIAO Yunpeng, WANG Xiuli. Study and analysis on supply-demand interaction of power systems under new circumstances[J]．Proceedings of the CSEE，2014，34(29)：5018-5028．

[8] 艾欣，周树鹏，赵阅群．考虑风电不确定性的用户侧分时电价研究[J]．电网技术，2016，40(5)：1529-1535．

AI Xin, ZHOU Shupeng, ZHAO Yuequn. Study on time of use pricing of user side considering wind power uncertainty[J]. Power System Technology, 2016, 40(5): 1529-1535.

[9] 张钦，王锡凡，王建学．需求侧实时电价下供电商购售电风险决策[J]．电力系统自动化，2010，34(3)：22-27，43．

ZHANG Qin, WANG Xifan, WANG Jianxue. Electricity purchasing and selling risk decision for power supplier under real-time pricing[J]．Automation of Electric Power Systems，2010，34(3)：22-27，43．

[10] DE JONGHE C, HOBBS B F, BELMANS R. Optimal generation mix with short-term demand response and wind penetration[J]. IEEE Transactions on Power Systems, 2012, 27(2): 830-839.

[11] BROEER T, FULLER J, TUFFNER F, et al. Modeling framework and validation of a smart grid and demand response system for wind power integration[J]. Applied Energy, 2014, 113: 199-207.

[12] 程瑜，安甦．主动负荷互动响应行为分析[J]．电力系统自动化，2013，37(20)：63-70．

CHENG Yu, AN Su. Analysis of active load’s interaction response behavior[J]．Automation of Electric Power Systems，2013，37(20)：63-70．

[13] 赵莹．风电并网时基于多场景及紧急需求侧响应的输电网规划[D]．吉林：东北电力大学，2014．

ZHAO Ying. Transmission network planning with grid-connected wind farms based on multiple scenarios and emergency demand side response[D]. Jilin: Northeast Dianli University, 2014.

[14] 何艺．双侧开放市场中可中断负荷参与备用辅助服务市场研究[D]．广州：华南理工大学，2010．

HE Yi. Research on the model of interruptible load participating in reserve ancillary services market open to both supply and demand sides[D]. Guangzhou：South China University of Technology, 2010.

[15] 何正鑫．计及储能和用户侧响应的微网经济运行优化[D]．广州：华南理工大学，2014．

HE Zhengxin. Microgrid economic performance optimization when incorporating battery storage and demand response[D]. Guangzhou：South China University of Technology, 2014.

[16] 张小敏，董开松，赵耀，等．考虑需求侧管理的微电网调度模型与策略[J]．水电能源科学，2015，33(8)：191-194，143．

ZHANG Xiaomin, DONG Kaisong, ZHAO Yao, et al. Model and strategy of microgrid dispatch considering demand side management[J]．Water Resources and Power，2015，33(8)：191-194，143．

[17] RAHIMI F, IPAKCHI A. Demand response as a market resource under the smart grid paradigm[J]. IEEE Transactions on Smart Grid, 2010, 1(1): 82-88.

[18] 韦立坤，赵波，吴红斌，等．虚拟电厂下计及大规模分布式光伏的储能系统配置优化模型[J]．电力系统自动化，2015，39(23)：66-74．

WEI Likun, ZHAO Bo, WU Hongbin, et al. Optimal allocation model of energy storage system in virtual power plant environment with a high penetration of distributed photovoltaic generation[J]．Automation of Electric Power Systems，2015，39(23)：66-74．

[19] 牛文娟，李扬，王蓓蓓．考虑不确定性的需求响应虚拟电厂建模[J]．中国电机工程学报，2014，34(22)：3630-3637．

NIU Wenjuan, LI Yang, WANG Beibei. Demand response based virtual power plant modeling considering uncertainty[J]．Proceedings of the CSEE，2014，34(22)：3630-3637．

[20] 王丹，范孟华，贾宏杰．考虑用户舒适约束的家居温控负荷需求响应和能效电厂建模[J]．中国电机工程学报，2014，34(13)：2071-2077．

WANG Dan, FAN Menghua, JIA Hongjie. User comfort constraint demand response for residential thermostatically-controlled loads and efficient power plant modeling[J]．Proceedings of the CSEE，2014，34(13)：2071-2077．

[21] 曾鸣，杨雍琦，向红伟，等．兼容需求侧资源的“源-网-荷-储”协调优化调度模型[J]．电力自动化设备，2016，36(2)：102-111．

ZENG Ming，YANG Yongqi，XIANG Hongwei, et al. Optimal dispatch model based on coordination between “generation-grid-load-energy storage” and demand-side resource[J]．Electric Power Automation Equipment，2016，36(2)：102-111．

[22] 郑静，文福拴，周明磊，等．计及需求侧响应的含风电场的输电系统规划[J]．华北电力大学学报，2014，41(3)：42-48．

ZHENG Jing，WEN Fushuan，ZHOU Minglei, et al. Transmission system planning for power systems with wind generators considering demand side responses[J]．Journal of North China Electric Power University，2014，41(3)：42-48．

[23] 朱兰，严正，杨秀，等．计及需求侧响应的微网综合资源规划方法[J]．中国电机工程学报，2014，34(16)：2621-2628．

ZHU Lan, YAN Zheng, YANG Xiu, et al. Integrated resources planning in microgrid based on modeling demand response[J]．Proceedings of the CSEE，2014，34(16)：2621-2628．

[24] 张娜，夏天，张婷，等．智能电网下的工业用户需求响应影响因素研究[J]．华东电力，2013，41(1)：37-41.

ZHANG Na，XIA Tian，ZHANG Ting, et al. Influence factors of industrial customers’ demand response for smart grid[J]．East China Electric Power，2013，41(1)：37-41.

[25] HOLLAND J H．隐秩序：适应性造就复杂性[M]．周晓牧，韩晖，译．上海：上海科技教育出版社，2011：112-147．

[26] 张硕. 大规模协同设计的多主体仿真模型及进化过程研究[D]. 北京：北京科技大学, 2015.

ZHANG Shuo.Multi-agent simulation model and evolution process study of mass collaborative design[D]. Beijing: University of Science and Technology Beijing, 2015.

[27] KORHONEN J, SNAKIN J P. Quantifying the relationship of resilience and eco-efficiency in complex adaptive energy systems[J]. Ecological Economics, 2015, 120: 83-92.

[28] 张硕, 曾鸣, 刘敦楠, 等. 能源互联网双侧演化过程的复杂适应特性[J]. 电力建设, 2017, 38(4): 34-40.

ZHANG Shuo，ZENG Ming，LIU Dunnan, et al. Complex adaptive characteristics of energy internet in bilateral evolution process[J]. Electric Power Construction, 2017, 38(4): 34-40.

2017-07-06

张硕(1985)，男，博士，讲师，主要从事需求侧管理、能源互联网等方面的研究工作；

曾鸣(1957)，男，博士，教授，博士生导师，主要从事需求侧管理、电力市场与技术经济研究等方面的研究工作；

李英姿(1985)，女，博士，讲师，通信作者，主要研究方向为复杂适应系统建模及仿真等；

刘敦楠(1979)，男，博士，副教授，主要研究方向为电力市场及电力系统调度等。

(编辑 景贺峰)

ComplexAdaptiveBehaviorsofUser’sDemandResponseinRenewableEnergyPowerSystem

ZHANG Shuo1,2，ZENG Ming1,2，LI Yingzi3，LIU Dunnan1,2

(1. School of Economics and Management, North China Electric Power University, Beijing 102206, China; 2. State Key Laboratory for Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University), Beijing 102206, China; 3. Donlinks School of Economics and Management, University of Science and Technology Beijing, Beijing 100083, China)

Demand response (DR) can effectively improve the renewable energy accommodation and balance the supply and demand of renewable energy power system. Firstly, this paper analyzes the characteristics of the complex adaptive system druring DR process and then describes its complex interactive process. Secondly, this paper constructes the integrated model of DR including agent object and environment object, and defines each constituent object. Finally, combined with the multi-agent system modeling method, this paper constructs the response behavior model of user agent and describes the DR process from the aspect of subject behavior. The research can provide assistant decision-making support for implementing DR and present innovative idea for the DR research of users.

renewable energy power system; demand response (DR); complex adaptive system; multi-agent modeling

国家自然科学基金项目(71601078)；北京市社会科学基金项目(16GLC070)；中央高校基本科研业务费专项资金资助项目(2016MS72)；教育部人文社科基金(16YJC630060)

Project supported by National Natural Science Foundation of China(71601078); the Social Science Foundation of Beijing (16GLC070) ; Fundamental Research Funds for the Central Universities (2016MS72);the Foundation of Humanities and Social Sciences of Education Ministry in China (16YJC630060)

TM73

A

1000-7229(2017)11-0136-08

10.3969/j.issn.1000-7229.2017.11.018