面向电力市场的用户端需求侧响应研究*

钟 桦 吕征宇 陈春逸 黄宇鹏 周 波

（1.上海电力交易中心有限公司 上海 200122）（2.国网上海市电力公司 上海 200122）（3.上海电力学院电气工程学院 上海 200090）

1 引言

随着分布式发电、能量存储、智能电表、电动汽车等智能电网技术的快速发展，电网用户不仅可作为消费者消纳电能，还可利用自身的可再生能源发电或储能设备并网供电，充当电能生产者［1～3］。在互联网信息技术的支撑下，未来智能电网体系下的电力市场将是基于实时电价的自由市场［4］。需求侧响应旨在通过使用激励、惩罚机制或实时电价机制来改变传统用户的用电行为以达到平衡电力需求，保障系统安全的目的［5］。在此前提下，智能用户端可以通过优化自身发用储售行为响应实时电价，最大化自身经济利益。文献［6］基于价格弹性及奖惩机制激励建立需求侧响应模型；Hamed Mohsenian-Rad从机制设计、博弈论和价格预测角度分别探索了需求侧响应机制。文献［7］则采用层次分析法建立了应急状态下的需求侧响应模型。

本文从智能用户端角度建立需求侧响应模型，优化目标为智能用户端用电成本最低，其本质是具有严格约束的组合优化问题求解。当实时电价更新频率较高时，求解计算复杂度呈指数级增长，而需求侧响应存在时间限制，无法通过精确求解方式求解。因此本文采用多起始点变邻域下降算法（Multi Start and Variable Neighborhood Descent，MS-VND），通过优化设计邻域算子进行快速高效求解。

2 基于智能用户端的需求侧响应模型

2.1 实时电价模型

电力市场不同于股票市场，电能的生产和消纳、电力系统的供需平衡是电力市场运作的前提基础［8］，因此实时电价并非电价随时间连续变化。假设实时电价的更新频率为 f，电价变化间隔为△t。电力运营商根据一段时间内电网的电力需求预测［9］、发电商竞价［10］、可再生能源预测［11］等多方面信息融合决策下一时段内的实时电价包括零售电价及并网电价。如图1所示，随时间推移实时电价进行更新，其中每段时间T内第一个时段△t为确定定价，其余时段电价为参考电价，会随时间推移而变化。

图1 实时电价更新机制

上图中，tk时刻T时段内实时电价为。和分别表示 tk+(i-1)△t到 tk+i△t时段内的零售、并网电价。

本文研究实时电价下智能用户端需求侧响应问题，着重探索智能用户端的模型建立和响应实时电价的用电行为决策。为简化模型，对于实时电价的形成机制，即电力运营商如根据电力需求预测、发电商竞价、可再生能源预测等多方面信息融合决策实时电价不做深入探讨。式（1）为本文采用的实时电价模型，其中是根据实际数据拟合的至时段实时电价序列。为随机白噪声序列模拟实时电价的随机时变特性。

2.2 智能用户端模型

在分布式发电、能量存储、电动汽车等技术的支撑下，智能电网中智能用户端的形式多种多样［12～14］。研究不同场景下的智能用户端需求特性发现智能用户端的多样性本质为发、用、储设备不同规模不同形式的组合排列。因此，本文建立了下列4种基本的电力需求模型。

2.2.1 常规电力需求模型

常规电力需求即为传统的刚性电力需求，可分为可中断与不可中断型电力需求。不可中断型电力需求如照明等具有严格的工作时间无法响应实时电价；可中断型电力需求如电热水器等只需在一定时间范围内完成工作，具体工作时间可响应实时电价智能工作。

2.2.2 储能设备模型

储能设备可以短时间内储存电能。在基于实时电价的自由电力市场下，在电价较低时储存一定的电能，在电价较高且存在电力需求时使用储能设备中存储的电能以节约用电成本，或者在并网电价较高时将储能设备中存储的电能逆变并网以获取利益。因此储能设备可以抽象为具有需求可中断、能量可双向流动的弹性需求模型。

2.2.3 电动汽车模型

电动汽车在充电时是一种可中断型刚性电力需求，若可供充电时间大于需求充电时间，电动汽车则可以充当储能设备响应实时电价进行充电并网行为，具有弹性需求特性。因此，电动汽车模型是一种特殊的复杂的电力需求模型。

此外，电动汽车需满足同一时段充放电状态唯一性约束（式（11）），且对于 m=1，2，…，n，需满足其电池容量约束（式（12））。

2.2.4 家用分布式发电模型

本文主要考虑家庭用户的需求侧响应研究，因此主要研究小型家用太阳能、风力发电设备模型。家用分布式发电设备主要包含可再生能源发电模块和小型储能设备模型。

2.3 目标函数

智能用户端需求侧响应旨在通过发用储设备有效地充放用电行为响应实时电价，使得用户端个体利益最大化，结合上述电力需求模型可得到从到时刻某一智能用户端的用电及并网功率：

上述瞬时功率需满足智能用户端用电及并网功率限制（式（20））：

结合实时电价，可计算出智能用户端T时段内用电费用，本文的优化目标及最小化用电费用使得智能用户端利益最大化，如式（21）所示。

3 求解算法

针对上述模型，本文整体动态优化采用贪婪搜索思想，智能用户端在实时电价更新时求解当前最优策略并执行用电行为，实时电价再次更新后，智能用户端更新当前用电需求并响应新的实时电价序列。局部最优策略求解则采用多起始点变邻域下降算法（MultiStartand Variable Neighborhood Descent，MS-VND）［15］。智能用户端响应实时电价决策用电行为流程图如图2所示。

图2 需求侧响应流程

该算法核心部分为变邻域下降（Variable Neighborhood Descent，VND）算法。VND算法是变邻域搜索（Variable Neighborhood Search，VNS）算法的一种，由Mladenovic和Hansen提出，其主要思想是针对问题模型及编码方式设计一系列半径不同的邻域搜索算子并优化各邻域搜索顺序，对初始解进行变邻域贪婪搜索［16］。本文结合智能用户端需求模型的可行性及计算代价评估等因素设计了包括平移算子、递增（减）算子、变异算子等在内的8个邻域，变邻域下降索的顺序按邻域半径由大至小排序，并通过局部最优跳出机制确保算法的搜索深度及广度，算法伪代码如下所示：

4 仿真与分析

4.1 实验参数设置

假设电力系统运营商每隔半小时更新实时电价，本文所采用的实时电价数据以美国PJM公司2017年8月平均实时电价为基准如图3所示。

图3 实时电价数据

表1为某智能用户端日常负载数据，假设该智能用户端储能设备包含12组容量为48V20Ah的蓄电池，其家用分布式可再生能源发电配套电池为2组容量为48V120Ah的蓄电池。该智能用户端24小时内可再生能源发电功率预测如图4所示。

4.2 仿真结果分析

本文根据智能用户端电力需求组成区别设置6组仿真实验。

仿真1、2假设智能用户端只包含常规电力需求。仿真1中智能用户端不响应实时电价，随机安排各用电设备工作时间，此时用电成本为104.7 cent/天；仿真2中智能用户端响应实时电价，用电成本为93.7 cent/天，较仿真1节约用电成本10.5%。仿真3、4在仿真1、2的基础上假设智能用户端还包含电动汽车。仿真3中智能用户端不响应实时电价，随机安排各用电设备工作时间及电动汽车充电时间，此时用电成本为185.880 cent/天。由于电动汽车的存在，用电成本明显上升。仿真4中智能用户端响应实时电价规划用电行为，用电成本为136.2 cent/天，较仿真3节约成本26.74%。较仿真1、2横向节约比例提升明显，可见随着弹性负载增加，需求侧响应效果更为明显。

表1 某智能用户端日常电力需求数据

图4 风光互补型分布式发电功率

仿真5假设智能用户端包含常规电力需求、电动汽车和储能设备，此时用电成本为122.1cent/天，较仿真4用电成本减少10.3%。仿真6假设智能用户端包含常规电力需求、电动汽车、储能设备和家用分布式可再生能源发电设备，此时用电成本为33.0 cent/天，较仿真4用电成本减少75.78%。用电成本大幅降低一方面由于可再生能源发电消纳部分用电需求，另一方面由于智能用户端储能设备增加了用电弹性，使其可以更加灵活地响应实时电价，最大化自身利益。图5为仿真6中智能用户端能量分布情况，其用电并网行为契合实时电价价格曲线趋势，可见，基于智能用户端的需求侧响应有助于削峰填谷，具有较强的应用价值。

图5 仿真6分析图

5 结语

本文建立了包含常规电力需求、储能设备、电动汽车、家用分布式可再生能源发电设备的发用储一体化智能用户端模型，研究其参与基于实时电价的未来自由电力市场逐利过程。通过分析问题特性提出设计并使用多起始点变邻域下降算法求解该组合优化问题。多组数值仿真实验横向纵向对比可以得出：本论文提出的基于智能用户端的需求侧响应模型合理可行，所应用的算法正确高效，有助于未来智能电网用户优化能源配置，节约用电成本。下一步研究将着眼于智能用户端的规模形式，突破本文单一的家用型智能用户端形式，进行更加深入的探索。