考虑风电接入的直接负荷控制资源优化方法

周 磊，朱 磊，殷 超，陈 晋

（1.东南大学 电气工程学院，南京 210096；2.国网江苏省电力公司经济技术研究院，南京 210008；3.江苏省电力设计院，南京 211102）

◆研究与探讨◆

考虑风电接入的直接负荷控制资源优化方法

周 磊1，朱 磊2，殷 超3，陈 晋3

（1.东南大学 电气工程学院，南京 210096；2.国网江苏省电力公司经济技术研究院，南京 210008；3.江苏省电力设计院，南京 211102）

21世纪以来，环境的恶化问题和传统资源的短缺问题逐渐突出，新能源发电在这一背景下应运而生。其中风力发电在发电市场的占有率逐步提高，大规模风力发电并网给电力系统带来的问题日益严峻。直接负荷控制（direct load control，DLC）是一种非常重要的基于激励的需求响应手段，设计合理的直接负荷控制实施策略及直接负荷控制资源的决策优化是决定直接负荷控制效果的关键因素。设计了风电接入环境下的多目标直接负荷控制资源优化模型，模型中考虑到了负荷曲线特性指标与用户满意度，提出了多目标分种群遗传算法对模型进行求解。算例证明了DLC决策模型在减小系统峰荷方面的作用。

直接负荷控制；多目标遗传算法；风电接入；峰荷削减；需求响应

近年来，能源与环境问题日渐严重，已成为人类社会遇到的规模最大、影响最深的问题，各国都在努力寻求一条环境友好型的能源利用道路，新能源发电在这一背景下应运而生［1］。然而新能源的波动性、不确定性、随机性及反调峰性等特点［2—3］决定了大规模新能源并网会对电网造成不可忽视的影响，特别对传统电网造成了巨大的调峰压力，为解决这一问题，在加强电网侧调峰工作的同时，需要进一步研究在用户侧如何利用需求响应技术补充系统调峰资源。

需求响应（demand response，DR）［4—6］概念的提出，将需求侧作为供应侧电能的可替代资源加以利用。广义上来说，DR可以定义为［5］:电力市场中的用户针对市场价格信号或者激励机制做出响应，并改变正常电力消费模式的市场参与行为，可以按照用户不同的响应方式将电力市场下的DR划分为2种类型:基于价格的DR和基于激励的DR。其中直接负荷控制（direct load control，DLC）是基于激励的DR中的重要组成部分。直接负荷控制指电力部门在系统高峰负荷时段利用电力监控设备，采取一定的控制策略对负荷进行控制，循环或分阶段的切断所需控制负荷与系统的联系，从而降低系统高峰负荷，提高负荷率［7］。DLC通常针对居民或小型的商业用户，同时，参与的可控制负荷通常为短时间停电对其供电服务质量影响不大且具有热能储存能力的负荷，如:空调和电热水器［8］。DLC的原理是:对于一个确定的考察范围，将各类用电负荷在时序

上重新组合（调度），就有可能使总的峰荷降低，达到削峰填谷的目的［9］。DLC作为一种简单和实用的需求响应手段，设计一项合理的直接负荷控制实施机制并对其进行优化决策是其成功的关键［8］。

近年来诸多学者针对直接负荷控制进行了广泛而大量的研究。对于DLC实施机制，文献［10］将直接负荷控制（DLC）对象分为工商业和居民负荷2类，对于工商业负荷是实行可中断负荷管理，中断负荷后不用补偿，补偿系数为0；将居民负荷控制分为池泵控制、移除式空调控制、循环式空调控制、热水器控制4类。文献［11］提出3种控制策略，分别是全时段、单时段、双时段控制。对于DLC的优化目标，由于DLC的实施可以惠及多方，故其优化目标也很多样。从系统运行方面来考虑，文献［12］、文献［13］优化决策目标是最小化系统峰荷；文献［13］将DLC用于系统的动态调度，其优化目标是实现系统的供需平衡；还有的文献以最小化运行成本为目标［14—16］。若从供电商和用户的角度来考虑，文献［17］—文献［20］考虑了供电商利益最大化和用户利益最大化，文献［9］定义了用户满意度模型，将用户满意度最大化加入优化目标。对于DLC优化采用的求解方法，求解DLC优化问题有很多方法，其中传统算法主要有线性规划、动态规划，文献［21］指出传统动态规划方法中，大数目的状态点将会导致计算时间特别长、存储管理空间特别大，这样在研究较长一段时间时，将会浪费大量资源进行计算，因此在动态规划的基础上，提出了一个多步动态规划算法，能迅速收敛到DLC最优解。在启发式规划方法中主要有多目标进化算法、遗传算法等。上述文献未见将风电接入系统作为影响直接负荷控制的一种因素考虑到优化模型当中。

基于上述考虑，本文提出一种考虑风电接入的直接负荷控制资源优化方法，目标函数考虑了负荷特性、用户满意度及风电接入系统，同时提出一种多种群遗传算法对问题进行求解，最后通过算例仿真，验证了决策模型在减小系统峰荷中的作用。

1 考虑风电接入的直接负荷控制优化决策模型

1.1 目标函数

1.1.1 最小化系统峰荷

峰荷的降低是实施DLC控制策略的初衷，它的实现有利于系统维持稳定，可以改变负荷曲线，提高负荷率。

假设有K组用户是直接负荷控制可用资源，在第t控制时段所有K组用户的受控负荷为式中:LDLC,t为第t时段的受控制负荷；sk,t为第t时段第k组负荷是否被控制（即中断供电）的0-1决策变量；LDLC,k,t第t时段第k组用户的受控制负荷。在此基础上计及三阶段反弹负荷

式中:LPB,k,t为第t时段第k组用户的反弹负荷；LDLC,k,t-1、LDLC,k,t-1、LDLC,k,t-1分别为第k组用户在第t-1、t-2、t-3时段的可控制负荷，α、β、γ分别为第t-1、t-2、t-3时段的系数。结合用户的受控负荷和反弹负荷，实施直接负荷控制后的第t时段第k组用户的负荷为

式中:Lbase,k,t为不实施直接负荷控制第t时段第k组用户的基线负荷。设F1为新的系统峰荷，则目标函数一为

1.1.2 用户满意度最大化

直接负荷控制的实行势必会影响到用户的用电满意度，用户作为电力市场的参与主体，在选择直接负荷控制方案时必须考虑其用电满意度的高低。下面定义了用户满意度计算模型，用来作为评判的依据。

对于第k组负荷，其在第t时段的受控（中断负荷）和非受控（正常供电）时间分别记为Toff,k,t和Ton,k,t，计算公式为

由模糊集理论可知，可以采用用户的受控时间与非受控时间来分别建立模糊隶属度函数，再用两函数相结合来表征用户满意度。可以得出第t时段第k组负荷的用户连续受控满意度、连续供电满意度和综合满意度分别为

在整个研究时段T内，第k组负荷用户的综合满意度Uk为

在研究时段T内，所有参与直接负荷控制项目的负荷组的平均用户综合满意度F2为

F2的值越大，表示用户综合满意度平均值越高，目标函数二为最大化该值。

1.1.3 与风电接入相适应

风电出力具有反调峰特性，主要包括季节性反调峰和短期反调峰。反调峰特性使得原本很差的负荷特性更加恶化，严重威胁系统稳定性，必须受到重视。原始的DLC控制主要作用是降低系统峰荷，提高负荷率等。在风电接入后，DLC除了要降低峰荷，还需要有减小风电不确定性、抑制风电反调峰的作用。

若按月为时间单位分析风电数据，会发现风电场风力发电量具有夏季出力少、春秋季平均、冬季有时稍高的特点，如图1所示。与之相对，我国由于降温负荷、取暖负荷的使用，使得夏季、冬季负荷较高，特别是夏季更高，而秋冬两季较为平均。用电负荷在夏季很高，但是风电出力在这段时间相对较低，这就需要直接负荷控制强力一些，在降低用电负荷的同时，也相当于增加了发电出力。冬季负荷与风电出力都很高，直接负荷控制相对就可以弱一些。而在春季月份，用电负荷较低，但风电出力水平为中等，此时可以不做或者少做直接负荷控制，这样用户满意度将不再受影响。

图1 某风电场月出力特性

为此，引入不均衡系数pi

式中:pLi、pWi分别为第i月的负荷不均衡系数、风电出力不均衡系数；pi是归一化之后的第i月不均衡系数；Li为第i月的月平均日负荷量；Lmax为全年的月平均日负荷量最大值；Ei为第i月的月平均日发电量；Emax为全年的月平均日发电量最大值。

接下来可计算第i月的直接负荷控制的月控制量

即每个月份的月控制量是根据不同月份的用电负荷和风电出力动态确定的，这样既节省了直接负荷控制资源又可以最大限度地保证用户满意度。在确定直接负荷控制的月控制量后，可以进一步对风电短期反调峰性进行研究。某风电场日出力特性如图2所示。图2中的3条曲线分别是最大出力日、一般出力日、最小出力日的日出力特性。对比这3条曲线可以发现，最大出力日和一般出力日的出力特性曲线形状类似，有明显的峰谷特征，0:00～8:00是出力高峰阶段，12:00～24:00是出力低谷阶段。电力系统日负荷特性表现为:上午8:00～11:00、下午18:00～22:00为高峰负荷时段，而风电场在该时段表现为较小出力状态；反之，电力系统日负荷在凌晨0:00～6:00为低谷负荷时段，而风电场在该时段表现为较大出力状态，这即为风电对电力系统的产生的短期反调峰效应。

图2 某风电场日出力特性

考虑到短期反调峰性，引出直接负荷控制目标控制量的概念，即根据风电出力和负荷情况，先确定可以起到抑制风电反调峰的直接负荷控制目标量，并将它作为直接负荷控制的实际控制目标，使得最终控制结果与之相差越小越好。

计算直接负荷控制目标控制量，遵循表1中的控制级别。

表1 直接负荷控制级别

表1中数字的绝对值越大，表明直接负荷控制级别越高，控制强度越大。符号为+，表明进行正直接负荷控制，就是削减负荷的控制；符号为-，表明进行负直接负荷控制，就是增加负荷的控制。具体来说，比如:负荷为谷、风电为峰这种情况的直接负荷控制级别为-3，它是负直接负荷控制最强的一个级别，原因是此时负荷为低谷，而风电出力在高峰段，需要将风电的大部分出力都消耗掉，应鼓励用电，此时利用负直接负荷控制，增加负荷，达到均衡负荷的目的。再比如:负荷为峰、风电为谷这种情况下，用电负荷处于高峰，恰逢风电出力低谷，需要紧急实行直接负荷控制，降低峰荷用以维持系统稳定性。若用Mt表示控制级别，可以得出直接负荷控制目标控制量为

为了描述直接负荷控制实际控制量与直接负荷控制目标控制量之间的差距，对这2组数据进行最小二乘计算

则目标函数三设置为最小化该值

1.2 约束条件

（1）DLC控制次数约束

为了保证用户在一个控制周期内的中断次数在可接受的范围内，每个用户的总中断次数不能过多，单个用户在单次控制循环内总控制次数需要满足如下约束

式中:NDLC,k为在研究周期T内第k组负荷的最大允许中断次数。

（2）DLC控制时间约束

如前所述，利用公式（5）和（6）可以计算第k组负荷，其在第t时段的受控时间Toff,k,t和非受控时间Ton,k,t，如果负荷受控时间达到用户的承受阈值，则负荷必须重新连接到系统。为避免负荷设备频繁启动，每组负荷必须规定最小连续运行时间，则需满足如下约束

（3）供电商利益平衡约束

实施直接负荷控制以后,供电商在批发市场节省的购电费用F4和在售电侧减少的售电收入F5分别为

式中:Δt为时间间隔；T为研究时段总数；pDA,t为第t时段的购电价（即批发市场出清价）；pTOU,t为第t时段的售电价,对售电侧采用分时电价

式中:tH、tM、tL分别表示峰、平、谷时段；pTOU,H、pTOU,M、pTOU,L分别为峰、平、谷时段的售电电价。

供电商在实施DLC过程中需要向被调用用户支付DLC补偿费用，不同的用户由于其性质不同，其获得的补偿标准应予以区分。定义用户的差别补偿系数ωk以及用户的差别补偿费率ηk为

式（25）—式（27）表明，用户的最大连续受控时间越大，最小连续运行时间越小，差别补偿系数就越大，用户获得的补偿费率越高。供电商提供的中断补偿费率F6为

以F7表示实施直接负荷控制后能源供应商所减少的利润，则有

式中:W为一非常接近0的常数。式（30）保证了在实施直接负荷控制前后，能源供应商减少的利润基本为0。

2 多目标分种群遗传算法

遗传算法（genetic algorithm，GA）首先由美国的J Holland教授于1975年提出，它是一类借鉴生物进化规律的随机搜索算法。由于本文提出的模型为多目标规划问题，故需要研究遗传算法用于多目标规划的方法。在普通遗传算法的基础上，将之用于多目标规划主要有如下几种处理方法。

（1）权重系数变化法:根据每个子目标一个函数的重要程度对其赋予权重，相加求和得到目标函数。

（2）并列选择法:按照子目标的数目划分群体，对每个群体进行独立运算，最后将所有选出的群体合并成一个群体。

（3）排列选择法:主要基于Pareto最优个体，对群体中的个体进行排序，根据这个排序进行进化过程中的选择运算，从而使得排在前面的最优个体可以进入下一代。

本文将方法（1）、（2）相结合，提出多目标分种群遗传算法。其中方法（1）用于求取综合适应度函数；方法（2）用于算法的整体结构设计。图3即为分种群遗传算法流程图。

图3 分种群遗传算法流程图

算法首先生成初始种群，随机安排K组用户在开始时段的启停状态，随后进行种群的随机分组，不同的组分别自行进行交叉操作，进而对3组种群按照不同的适应度函数进行选择复制操作，3个适应度函数分别对应3个目标函数。接下来选择每个子种群中排序靠前的若干个体进行种群合并，先进行变异操作，再根据综合适应度函数进行2次选择复制。观察计算结果是否满足收敛条件，若满足，则算法结束；若不满足，则进行下一次迭代计算。

3 算例分析

3.1 参数设置

本文以江苏省南京市某天的社会用电曲线为研究对象，假设当天由供电商主导实施直接负荷控制，直接负荷控制的研究时段为当日9:00～22:00共13 h，负荷控制的时间间隔为15 min，共计52个时段。分时电价各时段划分如下:平时段为6:00～11:00、19:00～22:00；峰时段11:00～19:00；谷时段为22:00～6:00。定价方案为:谷时段0.3元/kWh；平时段0.6元/kWh；峰时段0.9元/kWh。供电商与20组可中断性质的直接负荷控制资源签订了合同，所涉及的每组负荷的可控负荷量、控制时间、运行时间、中断补偿率等参数见表2所示。

表2 直接负荷控制级别

运算平台为MATLAB（2010b），3个阶段负荷反弹参数α，β，γ分别为0.5，0.3和0.1，综合适应度函数为3个目标函数的加权值，权重比为1∶1∶1，设置种群规模为200，终止遗传代数为100代，变异率为0.1。

3.2 仿真结果分析

算例的仿真结果见图4、图5及表3。其中图4为DLC实施先后的电网负荷比较，其中灰色实线为电网原始负荷曲线，黑色虚线为叠加了DLC之后的负荷曲线，可以看出DLC的实施起到了削峰填谷的作用效果，优化了负荷特性。具体负荷特性指标变化情况如表3所示，峰荷由原来的3 775 MW降低至3 545 MW，降低了6.1%；90%峰荷持续时间由原来的60 min变为30 min，降低了50%；峰谷差由原来的

1 517 MW变为1 287 MW，降低了15.2%，而负荷率则由原来的0.777提升至0.827，可见负荷特性有了较大的提升，同时用户满意度由原来不控制时的1降低至0.935，仍处于可接受范围内，表示本文提出的直接负荷控制优化方法的优化结果对用户的影响较小。图5则展示了DLC控制目标及实际响应量的对比，由于控制间隔为15 min，实际响应量在细节上无法完全跟踪DLC控制目标，但是从整体来看，本文提出的优化算法已经可以较好地刻画出直接负荷控制目标、实现预期效果。

图4 DLC实施前后的电网负荷

图5 DLC控制目标及实际响应量

表3 DLC实施先后的负荷特性指标对比

4 结束语

本文提出了与风电接入相适应的多目标直接负荷控制资源优化模型，模型设置了降低峰荷、控制用户满意度以及与风电相适应3个目标函数，重点分析了风电的月负荷特性及日负荷特性对电网负荷的影响，同时考虑直接负荷控制的次数及时间约束、供电商利益约束，然后将遗传算法应用在多目标规划领域，提出了多目标分种群遗传算法，最后通过算例证明了本文提出模型在优化负荷特性方面的效果。本文的研究仅是一个基础，算例部分仅涉及到优化模型在峰荷削减中的应用，还可以将本模型应用在负荷跟踪、经济调度等电力系统相关问题中。D

［1］ 李春华.中国可再生能源问题研究进展［J］.中国科技论坛，2008（2）:111-114.

［2］ 肖创英，汪宁渤，陟晶，等.甘肃酒泉风电出力特性分析［J］.电力系统自动化，2010，34（17）:63-67.

［3］ 何超军，王优胤，吴赛男.辽宁电网风光互补发电应用研究［J］.东北电力技术，2009，30（12）:27-31.

［4］ 李扬，王蓓蓓，宋宏坤.需求响应及其应用［J］.电力需求侧管理，2005，7（6）:13-15，18.

［5］ 张钦，王锡凡，王建学，等.电力市场下需求响应研究综述［J］.电力系统自动化，2008，32（3）:97-106.

［6］ 赵鸿图，朱治中，于尔铿.电力市场中需求响应市场与需求响应项目研究［J］.电网技术，2010，34（5）:146-153.

［7］ 唐为民，王蓓蓓，施伟.基于模糊动态规划的直接负荷控制策略研究［J］.中国电力，2003，36（8）:24-28.

［8］ 许道林，谢松.基于模糊线性规划的居民直接负荷控制［J］.电力需求侧管理，2007，9（1）:15-18.

［9］ 张钦，王锡凡，别朝红，等.电力市场下直接负荷控制决策模型［J］.电力系统自动化，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］ 陈鑫.直接负荷控制和分布式发电研究［D］.杭州:浙江大学，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

国家电网公司总部科技项目:基于复合信息的需求响应多级调控关键技术研究

周磊（1989），男，山西临汾人，博士研究生，研究方向为电力需求侧管理、需求响应及电力系统运行与控制等；朱磊（1989），男，江苏扬州人，助理工程师，硕士，从事电力需求侧管理等方面的研究工作；殷超（1990），男，江苏泰兴人，助理工程师，硕士，从事电力需求侧管理及电网规划设计等方面的研究工作；陈晋（1989），男，江苏高邮人，助理工程师，硕士，从事电力需求响应及电网规划设计等方面的研究工作。