基于極點對稱模態分解和需求響應的風電消納策略

李星雨，邱曉燕，趙勁帥, 王躍，陳科彬

(四川大學電氣信息學院，成都市 610065)

基于極點對稱模態分解和需求響應的風電消納策略

李星雨，邱曉燕，趙勁帥, 王躍，陳科彬

(四川大學電氣信息學院，成都市 610065)

在全球能源互聯網的大背景下，風力發電作為一種清潔能源受到重視。由于風電的波動性對電力系統的經濟、穩定運行造成強烈的沖擊，棄風情況日益嚴峻。文章提出一種新的風電消納策略，采用極點對稱模態分解(extreme-point symmetric mode decomposition，ESMD)把原始風電出力分解為光滑的出力曲線和波動分量，使用混合儲能吸收其波動分量，同時在系統運行中通過需求響應消納更多的風電。針對粒子群算法容易陷入局部最優的缺點，將萊維飛行引入粒子群算法以增強粒子跳出“早熟”的能力。算例結果證明了這種風電消納策略的有效性，即在維持一定的運行費用的同時，利用混合儲能和需求響應，提高系統的風電消納能力。

能源互聯網；風電消納；需求響應；極點對稱模態分解(ESMD)；混合儲能

0 引 言

風電作為一種清潔資源，具有廣闊的發展前景[1-2]。隨著風電滲透率的不斷提高，風電并網呈現大規模、集中式的特點[3]，但由于風電不穩定的發電特性，使得大規模風電并網給電網的運行調度帶來較大的沖擊。

風電的不穩定性主要表現在短時間內風電出力的變化幅度過高[4-6]。混合儲能充分利用蓄電池和超級電容器的互補特性，提高儲能的輸出功率同時降低了蓄電池充放電次數，在平抑風電波動方面具有良好的作用和發展前景，但是單純依靠儲能平抑風電波動經濟成本過高，難以大量使用。需求側響應在大規模風電并網系統中，對于提高風電消納，緩和風電波動作用明顯[7-8]，但是需求響應需基于與用戶所簽訂合同執行，可控性較弱[9]，很難直接用于平抑風電波動。

目前，國內外學者對于風電消納進行了相關的研究。文獻[10]將電力系統與熱力系統協調優化運行，建立了電、熱能源集成系統模型，并驗證了這種風電消納策略的有效性。文獻[11]將高載能負荷作為風電消納的一種手段，與常規機組聯合優化調度。文獻[12]將儲能技術和需求響應納入發電調度模型，利用需求響應與儲能技術改變負荷的時間分布，同時協調其與發電側的關系，以此達到消納風電的目標。文獻[13]建立了電價型和激勵型需求響應的兩階段隨機規劃風電消納機組組合模型，通過引導用戶的用電習慣，使其更貼近風電出力曲線。文獻[14]綜合考慮環境、社會、市場競爭力等因素，利用儲能電站優化電力系統的電源結構，以此達到直接提高電網的風電接納能力的目的。

上述文獻從儲能、儲熱和需求響應等方面著手，提出了一系列的風電消納策略，雖然取得一定的成效，但是在電網調度中沒有事先對風電波動進行平抑，因此對儲能系統和需求響應的容量需求較高，會影響整個系統的經濟性。

因此，本文提出一種新的風電消納策略。利用隨機信號分析理論的最新研究成果——極點對稱模態分解(extreme-point symmetric mode decomposition，ESMD)[15]將波動很強的風電出力曲線分解為平滑的出力曲線，混合儲能作為重要的一環，只吸收分解過程中產生的波動量，以降低混合儲能的容量需求，具有良好的經濟性，并利用需求響應改善系統在運行中對于風電的接納能力。在算例的求解中，提出一種新的改進粒子群算法，即在粒子群算法的迭代過程中引入搜索范圍更大的萊維飛行，以便改善粒子群算法易陷入“早熟”的缺點。算例結果證明了這種風電消納策略的有效性。

1 極點對稱模態分解理論與需求響應模型

1.1 極點對稱模態分解理論

隨機數據分析方法主要分為4種：傅里葉變換、小波變換、經驗模態分解和極點對稱模態分解。

傅里葉變換是一種線性變換，采用線性疊加原理，缺點是對于非平穩信號或變頻信號的處理存在明顯不足。小波變換作為傅里葉變換的進一步發展，并沒有從根本上解決傅里葉變換的缺點。經驗模態分解(empirical mode decomposition，EMD)采用“包絡線對稱”的規則，作為一種自適應的時頻信號分析法，廣泛地用于非線性非平穩過程，主要缺點就是模態混疊頻繁出現。

ESMD是EMD改進后的新成果[15]。與傳統的EMD方法一樣，可以平穩化處理一系列復雜的信號，從而得到若干本征模態函數和變化趨勢分量。不同的是，ESMD使用了內部極點對稱插值，通過最小二乘法優化剩余模態并由此確定最佳篩選次數，解決了EMD在信號分解中存在的篩選判據與端點效應等問題，在一定程度上優于小波變換和經驗模態分解，所以本文選擇ESMD作為風電分析方法。

ESMD分解流程如下詳述。

(1)假設待分解信號為y，求出其極值點并用線段將相鄰極值點連接起來，并將中點記為Ei(i=1,2,…,n-1)。

(2)補充左、右邊界中點E0、En，利用得到的n+1個中點，構造出p條插值曲線L1,L2,…,Lp，其中p≥1，并求取其均值曲線L*。

(3)將y-L*作為輸入，重復步驟(1)、(2)，直到篩選次數達到最大次數限制K或|L*|≤ε，分解出第1個模態分量M1。

(4)將y-M1作為輸入，重復步驟(1)—(3)，直到余量Z只剩一定數量的極值點，求得剩余模態分量。

(5)設定整數區間[Kmin,Kmax]，令K在該區間內不斷變化并重復以上步驟，從而得到一系列結果，計算方差比率σ/σ0，其中σ和σ0分別是y-Z的相對標準差和原始數據y的標準差。

(6)在設定的整數區間[Kmin,Kmax]內找到最小方差比率，其對應一個篩選次數K0，設定K0為最大篩選次數，重復步驟(1)—(4)得到最終分解結果。

由上述分解流程可以看出，步驟(2)涉及邊界處理和插值方式，對于最后的分解效果有很大影響。步驟(3)作為篩選終止條件由容許誤差ε和最大篩選次數K兩部分決定，避免單一判定出現的死循環，能夠很好地控制分解，這也是ESMD優于其他分解方法的一個重要原因。

1.2 需求響應模型

電力系統需求響應是電力公司與用戶簽訂協議，通過調控電價引導用戶自主改變用電方式，或者直接通過削減、轉移負荷以達到滿足用戶用電的同時降低電力消耗、提高用電效率、消納可再生能源的目的。電力系統需求響應主要分為電價型和激勵型兩種[13]，本文建立了激勵型需求響應模型，其主要作用是改變可轉移負荷的用電時間，在不影響用戶電量需求的基礎上，使負荷與風電出力在時序上更為貼近，電力公司支付給用戶一定的可轉移負荷的容量成本，當轉移用戶負荷時，支付一定的用電補償。這樣既可以降低用戶的用電成本，又能在減少負荷“峰谷差”的同時消納多余的風電出力。可轉移負荷的調度成本CSL為

(1)

2 多目標優化配置模型

2.1 目標函數

本文調度周期為1天，綜合考慮系統的運行成本最低，風電消納率最高為目標函數。

(1)系統運行成本。

系統運行成本為1個完整調度周期的運行成本。其計算式為

(2)

(2)風電消納率。

(3)

(3)各目標函數權重確定。

權重的確定是整個優化計算的關鍵，是各目標函數重要程度的直接體現。通常的權重確定方法分為單一賦權法和組合賦權法。單一賦權法由于權重確定過程中考慮因素較為單一，具有一定的片面性，組合賦權法可以綜合考慮多種因素，集合了多種單一賦權法的優點。因此，本文采用組合賦權法，選擇具有代表性的層次分析法和熵權法作為賦權方法，通過對兩種方法得到的權重系數進行分配，得到綜合后的權重系數：

(4)

通過上述權重確定方法可以得到目標函數表達式為

(5)

2.2 約束條件

(1)系統運行功率平衡約束：

(6)

(2)機組爬坡功率約束：

(7)

(3)可轉移負荷量約束：

(8)

(4)風電出力約束條件：

(9)

(5)儲能系統荷電狀態(stateofcharge，SOC)St限制。

儲能系統的剩余電量必須滿足限制條件：

Smin≤St≤Smax

(10)

式中：St為儲能系統剩余容量值；Smin、Smax為儲能系統最小、最大允許剩余容量值。

3 基于萊維飛行判斷機制的粒子群優化算法

3.1 標準粒子群算法

粒子群算法是模仿鳥類捕食而產生的一種進化算法，其算法簡單容易實現，收斂速度快，在函數優化等領域應用廣泛。算法的粒子速度和位置的更新公式為

(11)

3.2 萊維飛行與其使用判斷標準

3.2.1 萊維飛行介紹

萊維分布是法國數學家萊維提出的一種概率分布，萊維飛行是服從萊維分布的一種隨機行走路徑，其位置更新公式為[16]

(12)

Levy(λ)滿足：

Levy ～u=t-λ, 1<λ≤3

(13)

萊維飛行具有更為廣闊的搜索范圍，將其引入粒子群算法，可以在很大程度上改善粒子群算法易于陷入局部最優的缺點，同時保留粒子群算法收斂速度快，局部搜索能力強的優點。文獻[17]提出在粒子群算法迭代過程中引入萊維飛行，當粒子最優解未改變次數達到10次，則進行1次萊維飛行。但是這種粒子是否進行萊維飛行的判斷方法主觀性太強，而且不同的優化模型對于迭代次數和迭代精度的要求不同，所以在實際應用時的通用性有待改進。因此本文提出一種新的粒子進行萊維飛行的判斷機制。

3.2.2 粒子進行萊維飛行判斷機制

首先定義粒子進行萊維飛行的概率為P(0≤P≤1)，并產生一個隨機數r∈[0,1]，若r

P=γ·P1

(14)

式中：γ為概率系數；P1為粒子陷入早熟的概率。

(1)粒子早熟判斷。

當粒子群算法在迭代過程中找到最優解時，粒子呈現出“聚集”的狀態，若該最優解為局部最優解而非全局最優解，此時算法陷入局部最優，出現早熟現象。通常有2種方法判斷粒子是否早熟：一是以粒子種群平均粒距的大小作為衡量標準；二是以粒子的平均適應度方差作為判斷依據。粒子的平均適應度方差和種群平均粒距分別為[18]：

(15)

(16)

f=max(1，max|fi-fAvg|)

(17)

(18)

種群適應度方差是反映所有粒子的適應度的平均方差，平均粒距是反映粒子所在位置的平均距離，前者是函數值角度，后者是空間角度。在判斷早熟方面，如果粒子收斂于解空間的多個局部最優解位置，此時平均粒距很大而平均適應度方差很小，因此，平均粒距反映粒子的早熟情況是不完善的。同樣，平均適應度方差也存在一些不足，對于特殊情況也會出現誤判。

原始的種群平均適應度方差和平均粒距判斷早熟，都是給定一個固定的閾值，當δ2或者D(t)小于該值時判定種群開始“聚集”。這種方法的適用性較差。本文綜合平均適應度方差和平均粒距的優缺點，引入一種定量的判斷指標R=D(t)·δ2。根據上述分析可知，當R減小時，粒子開始“聚集”，R越小說明粒子“聚集”的程度越明顯，此時P1的值越大。P1的計算式為

(19)

式中：R為判斷指標；Rmax、Rmin分別為判斷指標R的最大、最小值。

(2)概率系數γ。

在算法迭代前期，需要使算法保持較好的全局搜索能力，當粒子陷入早熟時，需要盡快使其跳出局部最優解，應該增大粒子進行萊維飛行的概率。在迭代后期，算法應當具有良好的局部搜索能力和計算精度，應當減小粒子進行萊維飛行的概率。因此，設定概率系數γ隨著迭代次數的增加線性遞減,其計算式為

(20)

式中：k為當前粒子迭代次數；N為算法設置的總迭代次數。

3.3 基于萊維飛行判斷機制的粒子群優化算法

本文針對粒子群算法易于陷入局部最優的缺點，將萊維飛行引入粒子群算法，同時提出一種粒子進行萊維飛行的判斷標準，當達到該判斷標準時，粒子進行1次萊維飛行，這種改進策略可以在保留粒子群算法良好的局部搜索能力的同時，又取得全局搜索能力。

改進算法的流程圖如圖1所示。

圖1 粒子群優化算法流程圖Fig.1 Flow chart of particle swarm optimization algorithm

4 算例分析

本文采用某地區配電網為算例進行仿真。該配電網含有3臺火力發電機組，1個風電場和1個混合儲能裝置。火電機組數據見表1。

表1 火力發電機組參數
Table 1 Parameters of thermal power unit

系統各時段的可轉移負荷總量為20 MW，容量成本為10$/MW，轉移負荷的響應成本見表2。

表2 轉移負荷響應成本
Table 2 Transfer load response cost

配電網的風電出力、負荷預測曲線如圖2所示。

圖2 風電出力、負荷預測曲線Fig.2 Wind power and load forecasting curve

4.1 風電出力分解

采用ESMD對風電預測出力進行分解可以得到風電波動分量，如圖3所示，分解前、后風電出力曲線對比如圖4所示。

由圖4可以看出，經過ESMD分解后，風電出力由原始波動性很強的出力曲線變為平滑的出力曲線，說明ESMD分解的有效性，平滑的風電出力也更容易被電網所消納。

圖3 風電波動分量Fig.3 Fluctuating component of wind power

圖4 風電出力曲線對比Fig.4 Comparison of wind power output curve

采用混合儲能裝置吸收風電波動分量，儲能裝置采用20 MW·h的儲能容量，其最大、最小允許剩余電量分別為18 MW·h、2 MW·h，初始電量為總容量的50%。根據風電波動分量可以得到儲能裝置的電量狀態如圖5所示。

圖5 儲能裝置電量狀態Fig.5 Charged state of energy storage device

4.2 需求響應不參與系統優化調度

根據本文所提的優化模型，設定需求響應不參與系統優化調度時，即優化前系統各項運行指標見表3。

表3 優化前系統運行指標
Table 3 System operation index before optimization

由表3可以看出，在不考慮需求響應時，為了保證電網的正常運行，系統具有很高的棄風率，棄風量達到135.51 MW·h。

4.3 需求響應參與系統優化調度

為了充分體現需求響應和風電消納及運行成本的關系，本文通過對各目標函數權重計算選取3種典型慣性權重組合，即：優化1(ω1=0.4，ω2=0.6)、優化2(ω1=0.35，ω2=0.65)、優化3(ω1=0.3，ω2=0.7)。根據本文提出的優化模型，采用改進后的粒子群算法進行求解，得到需求響應參與下系統各項運行指標見表4。

表4 各優化條件下系統運行指標
Table 4 System operating indicators under each optimal condition

根據表3、表4的運行指標可以看出，在需求響應參與系統優化調度時，系統的棄風量有著明顯的下降，風電的消納能力得到改善，同時系統運行的總成本也在提高，這是因為當前風電的發電成本相比傳統火電機組仍然偏高，而且需求響應成本也在提高，但是總成本的提高比例很小，并不會影響正常的系統運行。

4.4 結果分析

為進一步說明需求響應對于風電消納能力的影響，由4.2、4.3節可以得到優化前、后不同情況下系統的棄風率與風電滲透率如圖6所示。

由圖6可以看出，在考慮需求側響應進行優化后，系統的棄風率有明顯的下降，系統的風電消納能力得到明顯提升。隨著權重ω2的增加，系統的風電滲透率提高，棄風率迅速下降。

圖6 棄風率與風電滲透率Fig.6 Wind abandoned rate and wind power penetration

綜上，可以得到優化前、后的系統的日負荷曲線如圖7所示。對比優化前后的負荷曲線，根據優化程度的不同，需求響應的轉移負荷量逐步增加，日負荷曲線趨于平穩，“峰谷差”逐步縮小。

圖7 優化前后負荷曲線Fig.7 Load curve before and after optimization

5 結 論

隨著可再生能源并網容量日益增長，棄風、棄光現象日益嚴峻，本文為解決電網的棄風問題，在已有研究的基礎上，提出一種新的風電消納策略。

首先，通過隨機信號分析理論中的ESMD將原始風電曲線進行分解為風電波動分量和光滑的風電出力曲線，利用具有較高充放電功率的混合儲能裝置吸收其風電波動分量，既減小了對于儲能裝置容量的要求，又能夠更為簡便地消納風電。其次，需求響應作為一種更為智能的用電負荷響應方式，本文選擇使用需求響應消納分解后較為光滑的風電出力，建立了以系統運行成本最低和風電消納率最高為目標的多目標優化調度模型，并使用改進后的粒子群算法對模型進行求解。

算例結果證明了這種風電消納策略的有效性。需求響應和ESMD簡單易行，兩者結合可以有效地提高系統的風電消納能力。

[1]REN Y, SUGANTHAN P, SRIKANTH N. A comparative study of empirical modedecomposition-based short-term wind speed forecasting methods[J]. IEEE Transactions on Sustainable Energy, 2015, 6 (1): 236-244.

[2]張文韜, 王秀麗, 吳雄, 等. 大規模風電接入下含大用戶直購電的電力系統調度模型研究[J]. 中國電機工程學報, 2015, 35(12): 2927-2935. ZHANG Wentao，WANG Xiuli，WU Xiong，et al．An analysis model of power system with large-scale wind power and transaction mode of direct power purchase by large consumers involved in system scheduling[J]．Proceedings of the CSEE，2015，35(12)：2927-2935．

[3]張伯明, 吳文傳, 鄭太一, 等. 消納大規模風電的多時間尺度協調的有功調度系統設計[J]. 電力系統自動化, 2011, 35(1): 1-6. ZHANG Boming，WU Wenchuan，ZHENG Taiyi，et al．Design of a multi-time scale coordinated active power dispatching system for accommodating large scale wind power penetration[J]．Automation of Electric Power Systems，2011，35(1)：1-6．

[4]王穎, 張凱鋒, 付嘉渝,等. 抑制風電爬坡率的風儲聯合優化控制方法[J]. 電力系統自動化, 2013, 37(13): 17-23. WANG Ying, ZHANG Kaifeng,FU Jiayu, et al. Optimization control method of wind/storage system for suppressing wind power ramp rate[J]. Automation of Electric Power Systems，2013，37(13)：17-23．

[5]杜彬, 王致杰, 劉三明, 等. 基于分段優化的風電功率爬坡有限度控制策略[J]. 電力系統自動化, 2016, 40(5): 78-82. DU Bin, WANG Zhijie, LIU Sanming, et al.Finite control strategy for wind power ramping based on segmentation optimization[J] Automation of Electric Power Systems，2016，40(5)：78-82．

[6]CUI M J, SUN Y Z, ZHANG J, et al.Wind power ramp event forecasting using a stochastic scenario generation method[J]. IEEE Transactionons on Sustainable Energy, 2015, 6(2): 422-433.

[7]沙熠, 邱曉燕, 寧雪姣, 等. 協調儲能與柔性負荷的主動配電網多目標優化調度[J]. 電網技術, 2016, 40(5):1394-1399. SHA Yi, QIU Xiaoyan, NING Xuejiao, et al. Multi-objective optimization of active distribution network by coordinating energy storage system and flexible load[J]. Power System Technology, 2016,40(5): 1394-1399.

[8]ZHANG D, LI S H, SUN M, et al. An optimal and learning-based demand response and home energy management system[J]. IEEE Transactions on Smart Grid, 2016, 7(4): 1790-1801.

[9]李秀磊, 耿光飛, 季玉琦, 等. 主動配電網中儲能和需求側響應的聯合優化規劃[J]. 電網技術, 2016, 40(12): 3803-3810. LI Xiulei, GENG Guangfei, JI Yuqi,et al. Integrated optimal planning of energy storage and demand side response inactive power distribution network[J]. Power System Technology, 2016, 40(12): 3803-3810.

[10]顧澤鵬, 康重慶, 陳新宇, 等. 考慮熱網約束的電熱能源集成系統運行優化及其風電消納效益分析[J]. 中國電機工程學報, 2015, 35(14): 3596-3604. GU Zepeng, KANG Chongqing, CHEN Xinyu,et al．Operation optimization of integrated power and heat energy systems and the benefit on wind power accommodation considering heating network constraints[J]．Proceedings of the CSEE，2015，35(14)：3596-3604．

[11]劉文穎, 文晶, 謝昶, 等. 考慮風電消納的電力系統源荷協調多目標優化方法[J]. 中國電機工程學報, 2015, 35(5): 1079-1088. LIU Wenying, WEN Jing, XIE Chang, et al. Multi-objective optimal method considering wind power accommodation based on source-load coordination[J]. Proceedings of the CSEE, 2015, 35(5): 1079-1088.

[12]宋藝航, 譚忠富, 李歡歡, 等. 促進風電消納的發電側、儲能及需求側聯合優化模型[J]. 電網技術, 2014, 38(3): 610-615. SONG Yihang, TAN Zhongfu, LI Huanhuan, et al. An optimization model combining generation side and energy storage system with demand side to promote accommodation of wind power[J].Power System Technology, 2014, 38(3): 610-615.

[13]劉小聰, 王蓓蓓, 李揚, 等. 計及需求側資源的大規模風電消納隨機機組組合模型[J]. 中國電機工程學報, 2015,35(14): 3714-3723. LIU Xiaocong, WANG Beibei，LI Yang，et al．Stochastic unit commitment model for high wind power integration considering demand side resources[J]．Proceedings of the CSEE, 2015, 35(14)：3714-3723．

[14]王再闖, 袁鐵江, 李永東, 等. 基于儲能電站提高風電消納能力的電源規劃研究[J]. 可再生能源, 2014,32(7): 954-960. WANG Zaichuang, YUAN Tiejiang, LI Yongdong, et al. Power planning based on energy storage station to improve accommodation of wind power[J]. Renewable Energy Resources, 2014, 32(7): 954-960.

[15]葉衛東, 楊濤.融合極點對稱模態分解與時頻分析的單通道振動信號盲分離方法[J]. 計算機應用, 2016,36(10): 2933-2939. YE Weidong, YANG Tao. Single-channel vibration signal blind source separation by combining extreme-point symmetric mode decomposition with time-frequency analysis[J]. Journal of Computer Applications, 2016, 36(10): 2933-2939.

[16]COELHO LS,GUERRA F, BATISTELA N J, et al. Multi-objective cuckoo search algorithm based on duffing’s oscillator applied to Jiles-Atherton vector hysteresis parameters estimation[J]. IEEE Transactions on Magnetics, 2013, 49(5): 1745-1748.

[17]王慶喜, 郭曉波. 基于萊維飛行的粒子群優化算法[J]. 計算機應用研究, 2016, 33(9): 2588-2591. WANG Qingxi, GUO Xiaobo. Particle swarm optimization algorithm based on Levy flight [J]. Application Research of Computers, 2016, 33(9): 2588-2591.

[18]章國勇, 伍永剛, 顧巍. 基于精英學習的量子行為粒子群算法[J]. 控制與決策, 2013, 28(9): 1341-1347. ZHANG Guoyong, WU Yonggang, GU Wei. Quantum-behaved particle swarm optimization algorithm based on elitist learning[J]. Control and Decision, 2013, 28(9): 1341-1347.

(編輯 郭文瑞)

Wind Power Accommodation Strategy Based on Extreme-Point Symmetric Mode Decomposition and Demand Response

LI Xingyu, QIU Xiaoyan, ZHAO Jinshuai, WANG Yue, CHEN Kebin

(School of Electrical Engineering and Information, Sichuan University, Chengdu 610065, China)

In the background of global Energy Internet, wind power as a clean energy has attracted much attention. But the volatility of wind power causes a strong impact on the security and stable operation of the power system, abandoned wind becomes more and more serious. Therefore, this paper proposes a new wind power consumptive strategy, which adopts the extreme-point symmetric mode decomposition (ESMD) to decompose the original wind power output into the smooth output curve and the fluctuating component, uses hybrid energy storage to absorb its fluctuating component, at the same time in the operation of the system accommodates more wind power through demand response. According to the shortcoming that the particle swarm optimization (PSO) algorithm is easy to fall into local optimum, we introduce the Levy flight PSO algorithm to enhance the ability of the particles to jump out of the “premature”. The numerical example proves the effectiveness of this wind power consumptive strategy, that the use of hybrid energy storage and demand response can improve the ability of accommodating wind power system, while maintaining a certain running cost.

Energy Internet; wind power consumption; demand response; extreme-point symmetric mode decomposition(ESMD); hybrid energy storage

成都市科技項目(2015-HM01-00132-SF)

TM 732

A

1000-7229(2017)07-0051-08

10.3969/j.issn.1000-7229.2017.07.007

2017-02-10

李星雨(1991)，男，碩士研究生，主要從事需求側響應與可再生能源消納方面的研究工作；

邱曉燕(1964)，女，博士，教授，本文通信作者，主要從事電力系統分析與控制、智能電網、分布式電源及微網技術等方面的研究工作；

趙勁帥(1992)，男，碩士研究生，主要從事微電網經濟運行與控制方面的研究工作；

王躍(1989)，男，碩士研究生，主要從事混合儲能與可再生能源消納方面的研究工作；

陳科彬(1990)，男，碩士研究生，主要從事儲能技術及其在電力系統中的應用方面的研究工作。