考慮風電接入的直接負荷控制資源優化方法

周 磊，朱 磊，殷 超，陳 晉

（1.東南大學 電氣工程學院，南京 210096；2.國網江蘇省電力公司經濟技術研究院，南京 210008；3.江蘇省電力設計院，南京 211102）

◆研究與探討◆

考慮風電接入的直接負荷控制資源優化方法

周 磊1，朱 磊2，殷 超3，陳 晉3

（1.東南大學 電氣工程學院，南京 210096；2.國網江蘇省電力公司經濟技術研究院，南京 210008；3.江蘇省電力設計院，南京 211102）

21世紀以來，環境的惡化問題和傳統資源的短缺問題逐漸突出，新能源發電在這一背景下應運而生。其中風力發電在發電市場的占有率逐步提高，大規模風力發電并網給電力系統帶來的問題日益嚴峻。直接負荷控制（direct load control，DLC）是一種非常重要的基于激勵的需求響應手段，設計合理的直接負荷控制實施策略及直接負荷控制資源的決策優化是決定直接負荷控制效果的關鍵因素。設計了風電接入環境下的多目標直接負荷控制資源優化模型，模型中考慮到了負荷曲線特性指標與用戶滿意度，提出了多目標分種群遺傳算法對模型進行求解。算例證明了DLC決策模型在減小系統峰荷方面的作用。

直接負荷控制；多目標遺傳算法；風電接入；峰荷削減；需求響應

近年來，能源與環境問題日漸嚴重，已成為人類社會遇到的規模最大、影響最深的問題，各國都在努力尋求一條環境友好型的能源利用道路，新能源發電在這一背景下應運而生［1］。然而新能源的波動性、不確定性、隨機性及反調峰性等特點［2—3］決定了大規模新能源并網會對電網造成不可忽視的影響，特別對傳統電網造成了巨大的調峰壓力，為解決這一問題，在加強電網側調峰工作的同時，需要進一步研究在用戶側如何利用需求響應技術補充系統調峰資源。

需求響應（demand response，DR）［4—6］概念的提出，將需求側作為供應側電能的可替代資源加以利用。廣義上來說，DR可以定義為［5］:電力市場中的用戶針對市場價格信號或者激勵機制做出響應，并改變正常電力消費模式的市場參與行為，可以按照用戶不同的響應方式將電力市場下的DR劃分為2種類型:基于價格的DR和基于激勵的DR。其中直接負荷控制（direct load control，DLC）是基于激勵的DR中的重要組成部分。直接負荷控制指電力部門在系統高峰負荷時段利用電力監控設備，采取一定的控制策略對負荷進行控制，循環或分階段的切斷所需控制負荷與系統的聯系，從而降低系統高峰負荷，提高負荷率［7］。DLC通常針對居民或小型的商業用戶，同時，參與的可控制負荷通常為短時間停電對其供電服務質量影響不大且具有熱能儲存能力的負荷，如:空調和電熱水器［8］。DLC的原理是:對于一個確定的考察范圍，將各類用電負荷在時序

上重新組合（調度），就有可能使總的峰荷降低，達到削峰填谷的目的［9］。DLC作為一種簡單和實用的需求響應手段，設計一項合理的直接負荷控制實施機制并對其進行優化決策是其成功的關鍵［8］。

近年來諸多學者針對直接負荷控制進行了廣泛而大量的研究。對于DLC實施機制，文獻［10］將直接負荷控制（DLC）對象分為工商業和居民負荷2類，對于工商業負荷是實行可中斷負荷管理，中斷負荷后不用補償，補償系數為0；將居民負荷控制分為池泵控制、移除式空調控制、循環式空調控制、熱水器控制4類。文獻［11］提出3種控制策略，分別是全時段、單時段、雙時段控制。對于DLC的優化目標，由于DLC的實施可以惠及多方，故其優化目標也很多樣。從系統運行方面來考慮，文獻［12］、文獻［13］優化決策目標是最小化系統峰荷；文獻［13］將DLC用于系統的動態調度，其優化目標是實現系統的供需平衡；還有的文獻以最小化運行成本為目標［14—16］。若從供電商和用戶的角度來考慮，文獻［17］—文獻［20］考慮了供電商利益最大化和用戶利益最大化，文獻［9］定義了用戶滿意度模型，將用戶滿意度最大化加入優化目標。對于DLC優化采用的求解方法，求解DLC優化問題有很多方法，其中傳統算法主要有線性規劃、動態規劃，文獻［21］指出傳統動態規劃方法中，大數目的狀態點將會導致計算時間特別長、存儲管理空間特別大，這樣在研究較長一段時間時，將會浪費大量資源進行計算，因此在動態規劃的基礎上，提出了一個多步動態規劃算法，能迅速收斂到DLC最優解。在啟發式規劃方法中主要有多目標進化算法、遺傳算法等。上述文獻未見將風電接入系統作為影響直接負荷控制的一種因素考慮到優化模型當中。

基于上述考慮，本文提出一種考慮風電接入的直接負荷控制資源優化方法，目標函數考慮了負荷特性、用戶滿意度及風電接入系統，同時提出一種多種群遺傳算法對問題進行求解，最后通過算例仿真，驗證了決策模型在減小系統峰荷中的作用。

1 考慮風電接入的直接負荷控制優化決策模型

1.1 目標函數

1.1.1 最小化系統峰荷

峰荷的降低是實施DLC控制策略的初衷，它的實現有利于系統維持穩定，可以改變負荷曲線，提高負荷率。

假設有K組用戶是直接負荷控制可用資源，在第t控制時段所有K組用戶的受控負荷為式中:LDLC,t為第t時段的受控制負荷；sk,t為第t時段第k組負荷是否被控制（即中斷供電）的0-1決策變量；LDLC,k,t第t時段第k組用戶的受控制負荷。在此基礎上計及三階段反彈負荷

式中:LPB,k,t為第t時段第k組用戶的反彈負荷；LDLC,k,t-1、LDLC,k,t-1、LDLC,k,t-1分別為第k組用戶在第t-1、t-2、t-3時段的可控制負荷，α、β、γ分別為第t-1、t-2、t-3時段的系數。結合用戶的受控負荷和反彈負荷，實施直接負荷控制后的第t時段第k組用戶的負荷為

式中:Lbase,k,t為不實施直接負荷控制第t時段第k組用戶的基線負荷。設F1為新的系統峰荷，則目標函數一為

1.1.2 用戶滿意度最大化

直接負荷控制的實行勢必會影響到用戶的用電滿意度，用戶作為電力市場的參與主體，在選擇直接負荷控制方案時必須考慮其用電滿意度的高低。下面定義了用戶滿意度計算模型，用來作為評判的依據。

對于第k組負荷，其在第t時段的受控（中斷負荷）和非受控（正常供電）時間分別記為Toff,k,t和Ton,k,t，計算公式為

由模糊集理論可知，可以采用用戶的受控時間與非受控時間來分別建立模糊隸屬度函數，再用兩函數相結合來表征用戶滿意度。可以得出第t時段第k組負荷的用戶連續受控滿意度、連續供電滿意度和綜合滿意度分別為

在整個研究時段T內，第k組負荷用戶的綜合滿意度Uk為

在研究時段T內，所有參與直接負荷控制項目的負荷組的平均用戶綜合滿意度F2為

F2的值越大，表示用戶綜合滿意度平均值越高，目標函數二為最大化該值。

1.1.3 與風電接入相適應

風電出力具有反調峰特性，主要包括季節性反調峰和短期反調峰。反調峰特性使得原本很差的負荷特性更加惡化，嚴重威脅系統穩定性，必須受到重視。原始的DLC控制主要作用是降低系統峰荷，提高負荷率等。在風電接入后，DLC除了要降低峰荷，還需要有減小風電不確定性、抑制風電反調峰的作用。

若按月為時間單位分析風電數據，會發現風電場風力發電量具有夏季出力少、春秋季平均、冬季有時稍高的特點，如圖1所示。與之相對，我國由于降溫負荷、取暖負荷的使用，使得夏季、冬季負荷較高，特別是夏季更高，而秋冬兩季較為平均。用電負荷在夏季很高，但是風電出力在這段時間相對較低，這就需要直接負荷控制強力一些，在降低用電負荷的同時，也相當于增加了發電出力。冬季負荷與風電出力都很高，直接負荷控制相對就可以弱一些。而在春季月份，用電負荷較低，但風電出力水平為中等，此時可以不做或者少做直接負荷控制，這樣用戶滿意度將不再受影響。

圖1 某風電場月出力特性

為此，引入不均衡系數pi

式中:pLi、pWi分別為第i月的負荷不均衡系數、風電出力不均衡系數；pi是歸一化之后的第i月不均衡系數；Li為第i月的月平均日負荷量；Lmax為全年的月平均日負荷量最大值；Ei為第i月的月平均日發電量；Emax為全年的月平均日發電量最大值。

接下來可計算第i月的直接負荷控制的月控制量

即每個月份的月控制量是根據不同月份的用電負荷和風電出力動態確定的，這樣既節省了直接負荷控制資源又可以最大限度地保證用戶滿意度。在確定直接負荷控制的月控制量后，可以進一步對風電短期反調峰性進行研究。某風電場日出力特性如圖2所示。圖2中的3條曲線分別是最大出力日、一般出力日、最小出力日的日出力特性。對比這3條曲線可以發現，最大出力日和一般出力日的出力特性曲線形狀類似，有明顯的峰谷特征，0:00～8:00是出力高峰階段，12:00～24:00是出力低谷階段。電力系統日負荷特性表現為:上午8:00～11:00、下午18:00～22:00為高峰負荷時段，而風電場在該時段表現為較小出力狀態；反之，電力系統日負荷在凌晨0:00～6:00為低谷負荷時段，而風電場在該時段表現為較大出力狀態，這即為風電對電力系統的產生的短期反調峰效應。

圖2 某風電場日出力特性

考慮到短期反調峰性，引出直接負荷控制目標控制量的概念，即根據風電出力和負荷情況，先確定可以起到抑制風電反調峰的直接負荷控制目標量，并將它作為直接負荷控制的實際控制目標，使得最終控制結果與之相差越小越好。

計算直接負荷控制目標控制量，遵循表1中的控制級別。

表1 直接負荷控制級別

表1中數字的絕對值越大，表明直接負荷控制級別越高，控制強度越大。符號為+，表明進行正直接負荷控制，就是削減負荷的控制；符號為-，表明進行負直接負荷控制，就是增加負荷的控制。具體來說，比如:負荷為谷、風電為峰這種情況的直接負荷控制級別為-3，它是負直接負荷控制最強的一個級別，原因是此時負荷為低谷，而風電出力在高峰段，需要將風電的大部分出力都消耗掉，應鼓勵用電，此時利用負直接負荷控制，增加負荷，達到均衡負荷的目的。再比如:負荷為峰、風電為谷這種情況下，用電負荷處于高峰，恰逢風電出力低谷，需要緊急實行直接負荷控制，降低峰荷用以維持系統穩定性。若用Mt表示控制級別，可以得出直接負荷控制目標控制量為

為了描述直接負荷控制實際控制量與直接負荷控制目標控制量之間的差距，對這2組數據進行最小二乘計算

則目標函數三設置為最小化該值

1.2 約束條件

（1）DLC控制次數約束

為了保證用戶在一個控制周期內的中斷次數在可接受的范圍內，每個用戶的總中斷次數不能過多，單個用戶在單次控制循環內總控制次數需要滿足如下約束

式中:NDLC,k為在研究周期T內第k組負荷的最大允許中斷次數。

（2）DLC控制時間約束

如前所述，利用公式（5）和（6）可以計算第k組負荷，其在第t時段的受控時間Toff,k,t和非受控時間Ton,k,t，如果負荷受控時間達到用戶的承受閾值，則負荷必須重新連接到系統。為避免負荷設備頻繁啟動，每組負荷必須規定最小連續運行時間，則需滿足如下約束

（3）供電商利益平衡約束

實施直接負荷控制以后,供電商在批發市場節省的購電費用F4和在售電側減少的售電收入F5分別為

式中:Δt為時間間隔；T為研究時段總數；pDA,t為第t時段的購電價（即批發市場出清價）；pTOU,t為第t時段的售電價,對售電側采用分時電價

式中:tH、tM、tL分別表示峰、平、谷時段；pTOU,H、pTOU,M、pTOU,L分別為峰、平、谷時段的售電電價。

供電商在實施DLC過程中需要向被調用用戶支付DLC補償費用，不同的用戶由于其性質不同，其獲得的補償標準應予以區分。定義用戶的差別補償系數ωk以及用戶的差別補償費率ηk為

式（25）—式（27）表明，用戶的最大連續受控時間越大，最小連續運行時間越小，差別補償系數就越大，用戶獲得的補償費率越高。供電商提供的中斷補償費率F6為

以F7表示實施直接負荷控制后能源供應商所減少的利潤，則有

式中:W為一非常接近0的常數。式（30）保證了在實施直接負荷控制前后，能源供應商減少的利潤基本為0。

2 多目標分種群遺傳算法

遺傳算法（genetic algorithm，GA）首先由美國的J Holland教授于1975年提出，它是一類借鑒生物進化規律的隨機搜索算法。由于本文提出的模型為多目標規劃問題，故需要研究遺傳算法用于多目標規劃的方法。在普通遺傳算法的基礎上，將之用于多目標規劃主要有如下幾種處理方法。

（1）權重系數變化法:根據每個子目標一個函數的重要程度對其賦予權重，相加求和得到目標函數。

（2）并列選擇法:按照子目標的數目劃分群體，對每個群體進行獨立運算，最后將所有選出的群體合并成一個群體。

（3）排列選擇法:主要基于Pareto最優個體，對群體中的個體進行排序，根據這個排序進行進化過程中的選擇運算，從而使得排在前面的最優個體可以進入下一代。

本文將方法（1）、（2）相結合，提出多目標分種群遺傳算法。其中方法（1）用于求取綜合適應度函數；方法（2）用于算法的整體結構設計。圖3即為分種群遺傳算法流程圖。

圖3 分種群遺傳算法流程圖

算法首先生成初始種群，隨機安排K組用戶在開始時段的啟停狀態，隨后進行種群的隨機分組，不同的組分別自行進行交叉操作，進而對3組種群按照不同的適應度函數進行選擇復制操作，3個適應度函數分別對應3個目標函數。接下來選擇每個子種群中排序靠前的若干個體進行種群合并，先進行變異操作，再根據綜合適應度函數進行2次選擇復制。觀察計算結果是否滿足收斂條件，若滿足，則算法結束；若不滿足，則進行下一次迭代計算。

3 算例分析

3.1 參數設置

本文以江蘇省南京市某天的社會用電曲線為研究對象，假設當天由供電商主導實施直接負荷控制，直接負荷控制的研究時段為當日9:00～22:00共13 h，負荷控制的時間間隔為15 min，共計52個時段。分時電價各時段劃分如下:平時段為6:00～11:00、19:00～22:00；峰時段11:00～19:00；谷時段為22:00～6:00。定價方案為:谷時段0.3元/kWh；平時段0.6元/kWh；峰時段0.9元/kWh。供電商與20組可中斷性質的直接負荷控制資源簽訂了合同，所涉及的每組負荷的可控負荷量、控制時間、運行時間、中斷補償率等參數見表2所示。

表2 直接負荷控制級別

運算平臺為MATLAB（2010b），3個階段負荷反彈參數α，β，γ分別為0.5，0.3和0.1，綜合適應度函數為3個目標函數的加權值，權重比為1∶1∶1，設置種群規模為200，終止遺傳代數為100代，變異率為0.1。

3.2 仿真結果分析

算例的仿真結果見圖4、圖5及表3。其中圖4為DLC實施先后的電網負荷比較，其中灰色實線為電網原始負荷曲線，黑色虛線為疊加了DLC之后的負荷曲線，可以看出DLC的實施起到了削峰填谷的作用效果，優化了負荷特性。具體負荷特性指標變化情況如表3所示，峰荷由原來的3 775 MW降低至3 545 MW，降低了6.1%；90%峰荷持續時間由原來的60 min變為30 min，降低了50%；峰谷差由原來的

1 517 MW變為1 287 MW，降低了15.2%，而負荷率則由原來的0.777提升至0.827，可見負荷特性有了較大的提升，同時用戶滿意度由原來不控制時的1降低至0.935，仍處于可接受范圍內，表示本文提出的直接負荷控制優化方法的優化結果對用戶的影響較小。圖5則展示了DLC控制目標及實際響應量的對比，由于控制間隔為15 min，實際響應量在細節上無法完全跟蹤DLC控制目標，但是從整體來看，本文提出的優化算法已經可以較好地刻畫出直接負荷控制目標、實現預期效果。

圖4 DLC實施前后的電網負荷

圖5 DLC控制目標及實際響應量

表3 DLC實施先后的負荷特性指標對比

4 結束語

本文提出了與風電接入相適應的多目標直接負荷控制資源優化模型，模型設置了降低峰荷、控制用戶滿意度以及與風電相適應3個目標函數，重點分析了風電的月負荷特性及日負荷特性對電網負荷的影響，同時考慮直接負荷控制的次數及時間約束、供電商利益約束，然后將遺傳算法應用在多目標規劃領域，提出了多目標分種群遺傳算法，最后通過算例證明了本文提出模型在優化負荷特性方面的效果。本文的研究僅是一個基礎，算例部分僅涉及到優化模型在峰荷削減中的應用，還可以將本模型應用在負荷跟蹤、經濟調度等電力系統相關問題中。D

［1］ 李春華.中國可再生能源問題研究進展［J］.中國科技論壇，2008（2）:111-114.

［2］ 肖創英，汪寧渤，陟晶，等.甘肅酒泉風電出力特性分析［J］.電力系統自動化，2010，34（17）:63-67.

［3］ 何超軍，王優胤，吳賽男.遼寧電網風光互補發電應用研究［J］.東北電力技術，2009，30（12）:27-31.

［4］ 李揚，王蓓蓓，宋宏坤.需求響應及其應用［J］.電力需求側管理，2005，7（6）:13-15，18.

［5］ 張欽，王錫凡，王建學，等.電力市場下需求響應研究綜述［J］.電力系統自動化，2008，32（3）:97-106.

［6］ 趙鴻圖，朱治中，于爾鏗.電力市場中需求響應市場與需求響應項目研究［J］.電網技術，2010，34（5）:146-153.

［7］ 唐為民，王蓓蓓，施偉.基于模糊動態規劃的直接負荷控制策略研究［J］.中國電力，2003，36（8）:24-28.

［8］ 許道林，謝松.基于模糊線性規劃的居民直接負荷控制［J］.電力需求側管理，2007，9（1）:15-18.

［9］ 張欽，王錫凡，別朝紅，等.電力市場下直接負荷控制決策模型［J］.電力系統自動化，2010，34（9）:23-28.

［10］ Kurucz C N,Brandt D,Sim S.A linear programming model for reducing system peak through customer load control programs［J］.IEEE Transactions on Power Systems,1996，11（4）:1 817-1 824.

［11］ 陳鑫.直接負荷控制和分布式發電研究［D］.杭州:浙江大學，2006.

［12］ Cohen A I,Wang C C.An optimization method for load management scheduling［J］.IEEE Transactions on Power Systems，1988，3（2）:612-618.

［13］ Chu W C,Chen B K,Fu C K.Scheduling of direct load control to minimize load reduction for a utility suffering from generation shortage［J］.IEEE Transactions on Power Systems，1993，8（4）:1 525-1 530.［14］ Hsu Y Y,Su C C.Dispatch of direct load control using dynamic programming［J］.IEEE Transactions on Power Systems，1991，6（3）:1 056-1 601.

［15］ Chen J,Lee F N,Breipohl A M.Scheduling direct load control to minimize system operational cost［J］.IEEE Transactions on Power Systems，1995，10（4）:1 994-2 001.

［16］ Yang H T,Huang K Y.Direct load control using fuzzy dynamic programming［J］.IEE Proceedings Generation TransmissionandDistribution，1999，146（3）:294-300.

［17］ Jorge H,Antunes C H,Martins A G.A multiple objective decision support model for the selection of remote load control strategies［J］.IEEE Transactions on Power Systems，2000，15（2）:865-872.

［18］ Gomes A,Antunes C H,Martins A G.A multiple objective evolutionary approach for the design and selection of load control strategies［J］.IEEE Transactions on Power Systems,2004,19（2）:1173-1180.

［19］ Gomes A,Antunes C H,Martins A G.A multiple objective approach to direct load control using an interactive evolutionary algorithm［J］.IEEE Transactions on Power Systems,2007,23（3）:1 004-1 011.

［20］ Yao L,Chang W C,Yen R L.An iterative deepening genetic algorithm for scheduling of direct load control［J］.IEEE Transactions on Power Systems,2005,20（3）: 1 414-1 421.

［21］ Wei D,Chen N.Air Conditioner direct load control by multi?pass dynamic programming［J］.IEEE Transactions on Power Systems,1995,10（1）:307-313.

A method of direct load control resources optimization considering the integration of wind power generation

ZHOU Lei1,ZHU Lei2,YIN Chao3,Chen Jin3

（1.SchoolofElectricalEngineering,SoutheastUniversity,Nanjing 210096,China;2.StateGridJiangsuEconomicResearch Institute,Nanjing 210008,China;3.Jiangsu Electric Power Design&Research Institute,Nanjing 211102,China）

In twenty?first century,new energy power genera?tion rises in response to the increasingly serious environmental pollu?tion and the ever?growing shortage of traditional resources.Power system is confronted with more critical issues as a result of large?scale integration of wind power generation.Direct load control(DLC) is an important measure of demand response.As a flexible incentive mechanism,designing rational DLC implementation strategy and op?timizing DLC decision are crucial to its successful implementation. A multi?objective DLC decision model is proposed in this paper, which mainly covers the construction of the peak avoidance and the uncertainty of wind energy power generation.Both the improvement of load characteristics and user satisfaction are taken into consider?ation in this mode and multi?objective genetic algorithms are used in model solution.Case simulation is carried out and the comparative analysis on optimized decision results are performed to validate the role played by the DLC decision model in decreasing the peak?load.

direct load control;multi?objective genetic algo?rithms;integration of wind power generation;peak avoidance;de?mand response

10.3969/j.issn.1009-1831.2016.05.002

TM714

A

2016-06-02；

2016-07-09

國家電網公司總部科技項目:基于復合信息的需求響應多級調控關鍵技術研究

周磊（1989），男，山西臨汾人，博士研究生，研究方向為電力需求側管理、需求響應及電力系統運行與控制等；朱磊（1989），男，江蘇揚州人，助理工程師，碩士，從事電力需求側管理等方面的研究工作；殷超（1990），男，江蘇泰興人，助理工程師，碩士，從事電力需求側管理及電網規劃設計等方面的研究工作；陳晉（1989），男，江蘇高郵人，助理工程師，碩士，從事電力需求響應及電網規劃設計等方面的研究工作。