基于节点碳势需求响应的电力系统双层优化调度

梁 宁，方 茜，徐慧慧，郑 峰，缪 猛

（1.昆明理工大学电力工程学院，云南省昆明市 650500；2.国网甘肃省电力公司经济技术研究院，甘肃省兰州市 730000；3.福州大学电气工程与自动化学院，福建省福州市 350000）

0 引言

中国新一轮能源改革正朝着绿色和低碳的方向发展，电力行业节能减排发展涉及源荷互动特性、碳交易市场机制和运行策略等诸多要素［1-2］。因此，如何协调并统筹安排、充分发挥源荷互动及市场机制节能降碳的作用，对提升电力系统低碳经济运行特性、支撑“双碳”战略具有重要意义。

近年来，对于电力系统低碳经济优化的研究主要围绕源荷低碳互动［3-8］、碳排放交易［9-14］等方面展开。针对源荷低碳互动方面，文献［3］从源侧角度量化高渗透率风电系统碳排放强度，实现风电利用率和经济环保性的双重提升。文献［4-5］结合分时电价引导电动汽车（electric vehicle，EV）有序充电，将EV 充电减排量纳入充电成本考量范围，充分发挥EV 的碳减排特性。文献［6］提出动态定价机制引导EV 有序充放电，在提升风光消纳能力的同时降低碳排放量。文献［7］通过阶梯型需求响应激励机制，按照负荷响应时段及响应量给予相应的补贴，实现新能源最大化消纳。文献［8］在计及需求响应的基础上，利用分时电价、激励合同等方法，分析柔性负荷需求响应、EV 充放电特性，实现荷侧资源高效利用，并协调源荷关系、合理调度能源供给，以此达到系统运营成本和碳排放之间双向平衡的目标。此外，针对多利益相关方之间双向互动的碳交易特性，文献［9］刻画了碳交易双方在碳交易中获利的碳价格区间。文献［10］针对碳交易价格的波动性，核算碳排放交易成本，从而最大限度利用可再生能源，降低发电煤耗和碳排放。文献［11］利用能源枢纽调节供需双方的绿色特性，通过综合需求响应发挥用户响应潜力，构建奖惩阶梯型碳交易模型，实现经济和环保双赢。

研究兼顾电力系统运行特性和网络特性的碳排放流分析模型，能够对电力输送过程中的碳排放进行量化分析［12-13］。文献［14］提出考虑风电不确定性的碳排放流分析方法，构造风电出力风速与系统注入碳流率的关联函数，分析风电不确定性对节点碳势的影响趋势。基于园区的供能特性，文献［15］剖析了多能虚拟碳流传输机理，建立节点碳排放强度评估模型，实现全过程碳足迹的感知与优化。文献［16］依据节点碳排放强度划分用户排放强度等级，对用户减排工作进行差别指导及侧重开展，通过需求侧管理达到减排目的。文献［17］以区域电网的平均碳排放因子为引导信号，指导用户减排工作，分析碳信号引导需求侧管理实现碳减排的可行性及普适性。此外，文献［18］提出多能源负荷聚合商（load aggregator，LA）参与碳市场，并建立基于碳配额和交易政策的需求侧双层碳市场，明确用户的碳排放责任，更经济、有效地激励低碳能源消费，验证了LA 参与碳市场的可行性。

上述文献考虑了源荷低碳互动、碳交易对电力系统低碳经济的影响，通过将碳排放流与电力网络相结合，分析电网中发电侧到需求侧的碳排放实时流动。但目前相关研究大多从源侧的角度挖掘低碳潜力，仅局限于对碳排放流的分析，鲜有以碳流追踪研究为基础，开展节点碳势引导多元柔性负荷需求响应的研究工作。在“双碳”的战略背景下，研究碳排放流特性并有机联动荷侧多元负荷需求响应，从而提升新型电力系统低碳经济效益，成为目前亟须解决的关键科学问题之一。

鉴于此，本文在开展节点碳势引导多元柔性负荷需求响应研究的基础上，提出一种基于节点碳势的多LA 参与的双层低碳经济调度策略。基于比例共享原则，从时间和空间两个维度对电力网络中的碳排放流进行追踪与分析建模，将碳排放责任通过节点碳势归算到负荷侧，并构建电网运营商最优经济调度模型。在此基础上，充分考虑不同LA 管辖范围内柔性负荷的需求弹性，将碳势及电价信号与多元柔性负荷需求响应进行有效结合，建立节点碳势及分时电价引导下的需求响应双层优化调度模型。实现多元柔性负荷低碳经济效益细化，促进电力系统低碳经济发展，为后续负荷侧资源参与低碳减排战略提供理论支撑。

1 基于碳流追踪的需求响应

1.1 基于比例共享原则的碳排放流模型

为更加有效地分析潮流中的碳元素，细化负荷侧用电产生的碳排放量，本文基于比例共享的碳流追踪方法［19］，从发电侧出发，跟随直流潮流计算出节点碳势，再根据节点负荷的大小计算出节点碳排放量。

设系统具有M个节点，其中，I个节点接入机组、K个节点存在负荷。在碳流计算时，节点碳势只受注入潮流的影响，则节点m的有功潮流之和为:

式中:Pm为流入节点m的有功潮流之和；为支路s的有功功率；S+表示有潮流流入节点m的支路集合为接入发电机i的出力。

可得到节点有功通量矩阵PR为:

式中:ξ为M+I维行向量，向量中所有元素均为1；PB=（P）M×M，为M阶对角支路潮流分布矩阵，P为节点o和节点m之间的有功潮流；PG=（P）I×M，为I×M机组注入 矩 阵，P为节点m接入第i台发电机组的发电功率。

由式（1）和式（2）可得:

节点m的节点碳势由接入的发电机产生的碳排和其余节点流入的碳排决定:

式中:ρs为支路s的碳流密度；为第i台发电机组的碳排放强度。

ρs可由支路始端节点碳势代替，即式（4）可以改写为:

式中:ER为节点碳势向量，；EG为发电机组碳排放向量。

结合式（3）和式（5）可得:

将式（6）扩展到全系统的维度，即

得到节点碳势的计算公式为:

调度周期内节点m的碳排放量为:

式 中:Nt为 调 度 时 段 数；P为t时 刻 节 点m的 电 力负 荷；e为t时 刻 节 点m的 节 点 碳 势；Δt为 时 间间隔。

1.2 基于节点碳势的柔性负荷碳排放模型

通过碳流追踪方法计算出各节点的碳势后，各LA 接收到节点碳势信号，并利用激励合同引导柔性负荷对其进行响应，构建基于节点碳势的柔性负荷碳排放模型，得到柔性负荷进行需求响应后的碳排放量。本文将居民LA、商业LA 和工业LA 管辖下的柔性负荷分为EV、可削减负荷（curtailable load，CL）与可转移负荷（transferable load，TL），基于节点碳势的柔性负荷碳排放模型如下所示。

1）EV 碳排放模型

当EV 与LA 签订协议之后，EV 将充放电的权利赋予LA，LA 能够在协议时间及限制条件内对已授权的EV 进行自由调度。本文采用蒙特卡洛法对EV 日行驶里程、接入时间、离开时间、初始接入电量及目标电量的不确定性进行模拟，具体如附录A所示。

EV 碳排放量D为t时刻EV 充电产生的碳排放量减去放电减少的碳排放量:

式中:P为t时刻所有接入EV 的充放电量总和；Nev为EV 数 量；P、P分 别 为t时 刻 第n辆EV 的充、放电功率。

2）CL、TL 碳排放模型

激励合同规定了用户CL、TL 的负荷响应量、负荷响应补偿费用、响应时间的长短［20］。CL 是指不能转移，但在一定时段内可以削减一定比例的负荷。TL 运行时段较为灵活，在保证其累计运行时长不变的情况下，允许中断且中断持续时间不固定［21］，且负荷转入和转出的总量保持不变。

CL、TL 进行需求响应后的碳排放量Dflext为:

式中:P，in、P，out分别 为t时 刻TL 转入、转出功 率；P为t时刻削减负荷量；y为t时刻CL 的0-1 状态变量；P为CL 的上限值；t、t分别为CL 响应的起 始 和 结 束 时 刻；t为CL 响 应 时 段 上 限；y，in、y，out分别为t时刻TL 转入、转出响应状态，用0-1变量表示；P、Put分别为TL 转入、转出功率的上限值；t，in、t，out和tin、t，out分 别为TL 转 入、转出的起始和结束时刻。

结合式（10）和式（11），可以得到在LA 的实际碳排放量DLA，即初始负荷、CL、TL 响应量与EV 充放电产生碳排放量之和:

式中:P为t时刻LA 初始负荷量。

1.3 基于节点碳势的阶梯型碳交易模型

为进一步控制碳排放量和提高LA 节能减排的积极性，构建基于节点碳势的阶梯型碳交易模型。通过节点碳势计算出LA 碳排放量，再为每个LA 分配初始碳排放配额。若碳排放量高于所分配的配额，则需要购买碳排放权配额，反之则可将剩余配额出售以获取收益。LA 参与碳交易市场的实际碳排放权交易额Dreal为:

式中:DQ为LA 获得的初始碳排放配额量；Equote为单位购电量碳排放配额系数。

在求解碳交易成本时，将LA 碳排放量进行分段，设置碳排放区间长度，随着购买的碳排放配额增加，对应碳排放区间的碳交易价格也就越高［22］。阶梯型碳交易成本C为:

式中:λ为碳交易基准价格；l为碳排放区间长度；α为价格增长系数。

2 低碳需求响应双层优化调度

2.1 低碳需求响应双层优化调度框架

低碳需求响应双层优化调度框架如图1 所示，双层运行框架如附录B 图B1 所示。上下层之间通过节点碳势、分时电价及负荷用电需求进行耦合。

图1 低碳需求响应双层优化调度框架Fig.1 Bi-level optimal dispatching framework of lowcarbon demand response

上层电网运营商和下层LA 均参与碳市场交易。上层电网运营商接收碳交易平台传递的碳配额系数，通过计算发电成本和碳交易成本调节机组出力计划，并基于碳流追踪计算得到节点碳势，将节点碳势和分时电价传递给不同节点的下层LA。

下层LA 包含居民LA、商业LA 和工业LA，各LA 聚合园区内分散的柔性负荷。下层LA 接收到节点碳势信号后，承担相应的碳排放责任，通过激励合同调用柔性负荷改变用电计划，并将购电需求反馈至上层电网运营商。上层接收到下层更新的购电需求后，再次调整机组出力，更新节点碳势，往复循环迭代优化。

2.2 低碳需求响应双层优化调度模型

2.2.1 上层电网运营商经济调度模型

针对上层风电出力不确定性，通过蒙特卡洛法模拟大量风电出力场景，基于K均值（K-means）将场景聚类缩减为典型风电出力场景［23］。

上层电网运营商与外部碳市场进行交易，以总成本最小为目标，调整机组出力计划，其碳交易成本为机组碳排放系数与其发电量的乘积。结合节点功率平衡约束可知，发电机组发出的电量等于负荷用电量与线路传输电量之和，机组发电量中已包括网损部分。因此，网损部分的碳排放量归算于发电侧承担。

1）目标函数

电网运营商优化目标为总成本最低，包括火电煤耗成本CG、风力发电成本CW及电网运营商碳交易成本C。电网运营商目标函数F为:

式中:NG为发电机组台数；ai、bi和ci为第i台火电机组煤耗成本系数；P为第i台火电机组t时刻出力；K为风电场景数；NW为风电机组台数；qW为风力发电成本系数；P为第g台风电机组t时刻实际出力；εk为第k个风电场景概率；qWq为风电弃风惩罚系数；P为 第k个 风 电 场 景 中 第g台 风 电 机 组t时 刻 预 测出力；、equote分别为发电机组单位发电量对应的碳排放系数、初始碳配额系数。

2）约束条件

火电机组出力约束:

式中:Pmax、P，min分别为第i台火电机组出力最大、最小值。

火电机组爬坡约束:

式 中:P-1为 第i台 火 电 机 组t-1 时 刻 出 力；、分别为第i台火电机组最大爬坡率、最大滑坡率。

火电机组启停约束:

式 中:T-1、T-1分 别 为 第i台 火 电 机 组t-1 时 刻的运行、停机时间；T，min、T，min分别为第i台火电机 组 的 最 短 运 行、停 机 时 间；ui，t、ui，t-1分 别 为 第i台火电机组t和t-1 时刻的启停状态。

风电出力约束:

式中:P，max为第g台风电机组出力的最大值。

线路传输容量约束:

式中:Pzj，t为t时刻线路zj的有功潮流；P、P分别为线路zj之间传输功率的上、下限。

平衡节点约束:

式中:θ为t时刻平衡节点电压相角。

节点功率平衡约束:

式中:VG，j为节点j处的火电机组集合；VW，j为节点j处的风电机组集合；VF，j为与节点j相连的线路集合；P为t时刻节点j的电力负荷。

线路潮流等式约束:

式中:βzj为线路zj的电抗；θz，t、θj，t分别为t时刻节点z、节点j的电压相角。

2.2.2 下层LA 优化调度模型

下层LA 以总成本最小为目标响应上层的节点碳势信号，调整柔性负荷用电策略，降低LA 的碳排放量及总成本。

1）目标函数

LA 基于用户用电需求，通过价格激励引导用户参与低碳响应，LA 给予用户一定程度的经济补贴，其总成本f如式（26）所示，包括向上级购电成本Cbuy、碳交易成本Cco2LA、CL 和TL 需 求响应补贴成本Cct、EV 放电补贴成本Cevd。其中，LA 碳交易成本如式（15）所示。

式中:P为t时刻LA 向电网运营商购电功率；qt为分 时 购 电 电 价；qcut为 单 位CL 补 偿 系 数；qtra，in、qtra，out分别为单位TL 转入、转出补偿系数；φ为EV 放电补贴系数。

2）约束条件

电力平衡约束:

EV 充放电约束:

式 中:y、y分 别 为 第n辆EV 在t时 刻 的 充、放 电状态，EV 充电时y为1，EV 放电时y为1；Pevc，max、Pevd，max分别为EV 最大充、放电功率。

3）EV 电池功率约束:

3 求解流程

本文建立基于节点碳势及分时电价协同引导需求响应的电力系统双层优化调度模型，求解流程如附录B 图B2 所示。具体求解步骤为:

步骤1:输入初始负荷曲线，以及EV 相关参数、机组参数、线路参数等。

步骤2:求解上层电网运营商最优经济调度模型，输出各机组出力，利用碳排放流模型计算节点碳势。

步骤3:以碳势及电价为信号引导下层LA 进行需求响应，建立基于节点碳势需求响应的优化调度模型，输出激励需求响应后各LA 的负荷需求。

步骤4:将LA 负荷需求数据代入上层模型中，重新求解电网运营商经济调度模型，并输出更新后的节点碳势传递到下层LA。

步骤5:当各LA 在φ和φ-1 次迭代的负荷需求满足收敛判断条件|P-P1，t|＜ε时，ε取0.05 MW，结束求解流程，输出优化调度结果；若负荷不满足收敛条件，则继续重复步骤2—步骤4。

其中，为防止出现振荡情况，用二分法对线路进行约束，二分法具体求解步骤如附录B 图B3 所示，振荡收敛分析如图B4—图B6 所示。

4 案例分析

4.1 基础数据

本文采用改进IEEE 30 节点电网耦合典型居民、工业、商业LA 进行分析，其拓扑结构如图2 所示。图中:居民LA1、商业LA2、工业LA3 分别接入节点24、节点26 和节点29，容量为600 MW 的风电场代替节点13 的火电机组。

图2 改进IEEE 30 节点系统拓扑Fig.2 Topology of modified IEEE 30-bus system

火电机组相关参数如附录C 表C1 所示，分时购电电价如附录C 表C2 所示。蒙特卡洛法生成1 000 个风电场景及削减后4 个场景下风电出力曲线如附录C 图C1、图C2 所示。各场景概率分别为:0.281、0.239、0.221、0.259；风 力 发 电 成 本 系 数 为60元/MW，风电弃风惩罚系数为250 元/MW，风电碳排放系数为0.043 tCO2/MW。设置LA 单位购电量碳排放配额系数为0.728 tCO2/MW［24］，碳交易基准 价 格 为252 元/t，价 格 增 长 系 数 为0.25［25］，各LA碳排放区间长度分别为1、25、90 t。假设所有EV 均为同一型号，EV 相关参数如附录C 表C3 所示。设定各LA 中EV 数 量分别为800、300、500 辆。TL、CL 合同参数如附录C 表C4 和表C5 所示。设置调度周期为24 h，Δt=1 h，采用MATLAB 调用Gurobi求解。

为验证本文所提模型及方法的有效性，分析节点碳势及分时电价协同引导各LA 柔性负荷进行需求响应的情况。设立以下5 种场景（各场景考虑因素见附录C 表C6）:

场景1:考虑固定电价，负荷不参与优化调度，不考虑碳交易；

场景2:考虑分时电价引导柔性负荷调整的双层优化调度策略，不考虑碳交易；

场景3:考虑分时电价及阶梯型碳交易，柔性负荷不参与优化调度；

场景4:考虑固定电价、阶梯型碳交易及节点碳势引导柔性负荷调整的双层优化调度策略；

场景5:考虑分时电价、阶梯型碳交易及节点碳势引导柔性负荷调整的双层优化调度策略。

4.2 不同场景下LA 碳排放量及成本对比

5 种场景下各LA 的碳排放量及成本对比如表1所示。

表1 不同场景下各LA 碳排放量及成本对比Table 1 Comparison of carbon emission and cost of each LA in different scenarios

结合表1 可知，当场景1 和场景3 未考虑分时电价或节点碳势引导需求响应时，碳排放量最高，场景3 总成本最高。场景2 通过分时电价引导柔性负荷进行需求响应，场景4 通过节点碳势引导负荷侧进行需求响应，两个场景响应后碳排放量都有所降低。场景5 结合了场景2 和场景4，同时考虑分时电价及节点碳势引导LA 进行需求响应，响应后相比于场景1，LA 购电成本减少，总成本增加，主要增加部分为碳交易成本，各LA 碳排放量分别降低19.99、12.56、31.21 t，兼 顾 了LA 的 低 碳 性 和 经济性。

此外，场景5 在场景2 基础上纳入碳交易后，在分时电价及节点碳势的影响下，各LA 碳交易成本和购电成本减少，碳排放量显著降低，且分别降低了3.04、0.16、11.03 t，这表明本文采用分时电价和节点碳势引导柔性负荷可有效提高系统低碳性和经济性。

对比场景4 和场景5 可以明显看出，相比于固定电价，场景5 考虑分时电价后，柔性负荷参与需求响应的响应度提高，各LA 碳排放量相较于场景4 分别降低3.16、1.62、12.16 t，碳交易成本也随之减少。但由于EV 接入时间和离开时间的限制，为满足EV充电需求，可能会在分时电价峰时段进行充电，导致场景5 的购电成本相比于场景4 有所增加。

因此，本文提出的模型虽然在一定程度上增加了部分成本，但通过提高柔性负荷的响应量，降低了对源侧的依赖程度，所减少的碳排放量更多，从而提高了系统的低碳性。

4.3 场景5 优化调度结果分析

为进一步研究分时电价与节点碳势引导需求响应的作用，对场景1 至场景5 各LA 柔性负荷及节点碳势变化曲线进行分析，分别如附录D 图D1—图D4 和 图3 所 示。

图3 场景5 各LA 柔性负荷随节点碳势及分时电价变化曲线Fig.3 Variation curves of flexible load with nodal carbon intensity and time-of-use price of each LA in scenario 5

通过图3 和改进IEEE 30 节点系统拓扑图对比分析各LA 节点碳势可以看出，由于LA1 负荷节点接近节点13 接入的风电机组，风电机组接近零碳排，LA1 的节点碳势变化较为明显；而LA3 节点靠近火电机组接入节点，其节点碳势受火电机组影响，但各火电机组碳排放系数较为接近，故LA3 节点碳势变化差别较小。

结合附录D 图D1 及图D4 对比场景1 及场景4负荷变化曲线可以看出，场景4 考虑节点碳势引导需求响应后，EV 在接入时段内由无序充电变为有序充放电。LA1 和LA3 在低碳势时段引导EV 充电，随着碳势升高，充电量逐渐减小，放电量增加。此外，LA1 和LA2 都在低碳势时段转入负荷、高碳势时段转出及削减负荷，减少向上级购电量。

结合附录D 图D2 及图3 对比场景2 及场景5 柔性负荷变化曲线可以看出，由于分时电价高于碳价，负荷响应情况大体上跟随分时电价变化较为显著，但当分时电价与节点碳势变化趋势不同时，负荷响应情况在一定程度上也会跟随节点碳势进行一定调整。LA1 在04:00—06:00、24:00 电价较低而碳势相对较高，其中，在04:00—06:00 时EV 充电量明显减少、转入负荷量降低，24:00 时EV 整体由充电转变为放电，说明对于LA1 而言，这些时段内碳交易成本所占比重更大，柔性负荷跟随节点碳势变化更为明显。同理，对LA2 及LA3 进行分析可知，LA2、LA3 在04:00 电价较低而碳势相对较高，EV 充电量略微减少，TL 不进行负荷转入；在07:00 电价较低且碳势也较低，EV 充电量明显增加，在12:00—16:00，电价为平时段而碳势较高，随着碳势逐渐升高，EV 充电量相比于场景2 有所降低。

此外，由于LA1 中CL、TL 的签约响应量较少且EV 数量多，LA1 更多地调动EV 充放电来达到低碳经济的效果，而LA2、LA3 中CL、TL 的可响应量较多且EV 数量较少，LA2、LA3 调用CL、TL 的比例大于EV。因此，不同区域的LA 可以依据其负荷特性，有针对性地制定激励策略，最大化柔性负荷进行需求响应对减少购电成本、低碳减排的正向作用，以提升经济性及低碳性。

LA1、LA2、LA3 需求响应前后的负荷变化分别如图4、附录D 图D5 和图D6 所示。响应前负荷包括原始负荷曲线和EV 无序充电负荷。由于未进行优化调度，EV 在接入后立即开始充电，形成明显的负荷高峰，且原始负荷峰谷差较大。LA1 对柔性负荷进行激励调度后，EV 有序充放电调度，负荷削减和转移，将用电高峰期负荷转移到用电低谷期，降低负荷高峰期的用电压力，负荷峰谷差由27.35 MW下降到25.32 MW。

图4 LA1 需求响应前后的负荷曲线Fig.4 Load curves before and after demand response of LA1

4.4 灵敏度分析

4.4.1 不同风电装机容量对LA 碳排放量的影响

为进一步分析风电装机容量对LA 碳排放量及成本的影响，分别设置风电装机容量为500、600、700 MW。首先，对节点碳势进行分析，场景3 中LA1 变化曲线如图5 所示，LA2、LA3 变化曲线如附录D 图D7、图D8 所示。结合图中节点碳势的变化曲线分析可知，随着风电装机容量的增加，风电出力增加，火电机组出力相应减少，而风电作为清洁能源，其碳排放系数远低于火电机组，在提高风电利用率的同时降低了节点碳势，使节点碳势整体上呈现下降的趋势。因此，设置合适的风电装机容量，对降低系统节点碳势有明显的正向作用。

图5 LA1 节点碳势随风电装机容量变化曲线Fig.5 Variation curves of nodal carbon intensity of LA1 with wind power installed capacity

4.4.2 不同风电装机容量对LA 成本的影响

结合节点碳势的变化进一步对各LA 碳排放量及成本进行分析，碳排放及成本变化分别如表2、附录D 表D1 和表D2 所示。结合图5 和表2 分析可知，风电装机容量增加，节点碳势降低，LA 的碳排放量随之降低，其参与碳交易市场后，承担的碳排放责任减少，获得更加可观的碳交易成本，总成本也减少。此外，对比3 个LA 可知，由于工业LA3 原始负荷量大，对节点碳势变化的感知更为敏感，故工业LA3的变化趋势较为明显，而居民LA1 及商业LA2 的变化相对平缓。

表2 LA1 碳排放量及成本随风电装机容量的变化Table 2 Changes of carbon emission and cost of LA1 with wind power installed capacity

4.4.3 EV 响应比例对LA 碳排放量及成本影响

为进一步分析EV 参与需求响应的比例对LA碳排放量及成本的影响，设置响应比例分别为1.0、0.8、0.6、0.4，各LA 碳排放量与成本分别如附录D表D3、表3、表D4 所示。LA2 响应比例分别为1.0、0.8、0.6、0.4 时，参与充放电的EV 数量分别为300、240、180、120 辆，其余车辆为无序充电。由表3 可知，随着EV 响应比例的提高，EV 参与放电的数量增多，放电补贴成本增加，LA2 碳排放量总体上呈现升高的趋势，碳交易成本也随之增加，而购电成本随比例的升高略有下降。因此，适当增加EV 的响应比例有利于提高LA 的经济性和低碳性。

表3 EV 不同响应比例下LA2 碳排放量与成本变化Table 3 Changes of carbon emission and cost of LA2 with different response ratios of EV

5 结语

为准确测算负荷侧碳排放责任、充分挖掘柔性负荷减排潜力，本文建立了基于碳流追踪的节点碳势需求响应模型，开展了多LA 低碳经济运行优化策略的研究。文中所做工作及主要结论如下:

1）利用碳流追踪模型将碳排放责任以节点碳势的形式传递至负荷侧，从时间、空间层面跟踪节点碳势随机组出力变化情况，更准确地测算出负荷节点用电产生的碳排放量。

2）仅通过分时电价或节点碳势引导柔性负荷进行需求响应，碳排放量都有所降低。同时，考虑分时电价及节点碳势引导LA 进行需求响应，与不考虑碳交易与柔性负荷调整相比，各LA 购电成本减少，碳排放量分别降低19.99、12.56、31.21 t，兼顾了LA 的低碳性和经济性。

3）本文利用分时电价及节点碳势协同引导LA进行需求响应。LA 对各时段的电价和碳势进行综合考量后再做出响应决策，调度EV 有序充放电和进行负荷削减和转移，以减缓用电高峰期的用电压力。在当前碳价低于电价的背景下，负荷跟随分时电价变化的趋势较为显著，当分时电价较低时，EV充电量及TL 转入量随节点碳势的升高而明显减少。

本文假定LA 引导用户进行激励需求响应过程中严格遵守激励合同，未考虑到用户主观认知对优化结果的影响。未来，随着“双碳”进程推进，利用碳势及电价信号协同引导负荷侧调整用电行为，实现电力市场和碳市场有机融合、协同发展，对降低系统碳排放量、促进新能源消纳具有重要意义。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。