计及风电的电力市场中居民需求响应分析

白 锐，何 平，顾杨青，兴胜利

(国网江苏省电力有限公司苏州供电分公司，江苏 苏州 215000)

0 引言

随着电力市场的完善，居民能够主动参与到需求响应项目中，优化自身负荷，并提升响应潜力。目前，需求响应项目在各国均得到了良好的推广，并产生了积极的影响[1]。由于可再生能源机组的接入，负荷侧的互动更加积极，所呈现出的状态更加复杂[2]。因此，有必要对目前不同市场环境下居民需求响应进行进一步分析。

在需求响应项目中，紧急需求响应项目(emergency demand response program,EDRP)和可中断/可削减服务与机组组合问题联系较为紧密，更与发电商的策略有关。传统的基于价格的需求响应主要包括分时电价(TOU)、尖峰电价(CPP)和实时电价(RTP)[3]。在日前市场下，发电商和用户提前一天进行报价，而需求响应项目的类型就影响着双方交易的类型、方式和数量。

另外，考虑到启发式算法的发展，对于优化问题主要的求解方法分为分析法、启发式方法和智能人工算法等[4]。启发式算法在求解这类问题时应用广泛，主要包括混合优化算法[5]、粒子群算法[6]和随机优化[7]等。但是这些求解算法大多易陷入局部最优解，求解时间较长。

本文研究了2种类型的需求响应策略对含可再生能源电力市场的影响，建立了用户需求响应模型，利用IEEE6节点系统进行仿真，分析了不同需求响应策略下机组的交易情况，以验证本文模型的有效性。

1 电力市场与需求响应

1.1 需求响应项目

目前，传统化石能源所带来的环境、经济问题，促使政策制定者将焦点转向于可再生能源。为了解决可再生能源的间歇性以及不确定性，需求响应项目成为了有效的解决方法。需求响应项目可以降低能源市场参与者的风险，从而进一步提高电力系统的可靠性和效率。从系统运营商的角度来看，需求响应项目中的用户积极参与是有利的，但是这也会影响到发电商的政策行为，尤其是在寡头环境下。目前，对于需求响应的定义和分类较为分散。越来越多的学者开始研究具有间歇性的风机和需求响应对于系统以及电力市场出清的影响。考虑到基于激励的需求响应，能够削峰填谷，从而有利于需求侧以及发电侧，达到双赢的效果。因此，本文提出了考虑需求侧管理的短期调度方法。本文将风电出力的不确定性以及需求响应项目执行的不确定性，同时考虑到2阶段随机优化模型中。同时，为了系统的安全稳定运行、降低系统的运行成本，本文还建立了需求响应模型。

根据美国能源部的研究报告，可以按照用户不同的响应方式，将电力市场模式下的需求响应分为基于价格和基于激励的需求响应。基于价格的需求响应是指用户响应零售电价的变化并相应地调整用电的需求，包括分时电价、实时电价和尖峰电价等。基于激励的需求响应是指需求响应实施机构，通过制定相应确定性的或者变化的政策，来激励用户在系统可靠性受到影响或者电价较高时及时响应并削减负荷，包括直接负荷控制、需求侧竞价、紧急需求响应、可中断负荷以及容量/辅助服务计划等。

1.2 电力市场

电力市场也是一种市场形式，按照市场竞争程度不同，主要有完全竞争市场、垄断竞争市场、寡头垄断市场和完全垄断市场。每个市场模式特点如表1所示。

表1 电力市场分类

微观经济学理论指出，完全竞争的市场可以看作是最小化成本或者最大化利润的模型，因此，对于完全竞争的电力市场，用优化模型描述是最好的形式。对于完全垄断，可以模拟为垄断商的利润最大化问题。该模型中，电价来自于需求函数。在不完全竞争中，即垄断竞争，需要同时求解每个参与者的利润最大化问题。另外，寡头垄断模型随着时间的不同会有所变化。

2 市场环境下居民需求响应模型

2.1 响应负荷模型

寡头市场中的参与者能够通过制定有效的政策措施来提高其收益。因此，本文通过考虑日前市场的策略来进行研究。另外，市场的结构以及市场的基本运营规则，也可能对市场的行为产生一定影响。

需求响应项目，一般来说都是需要通过给予参与方一定的激励来实现的。目前，对于可响应的负荷研究也较多。通常，市场价格的不确定性以及用户需求的不确定性均处理为随机变量，即可以通过一系列确定的场景来实现。本文通过考虑竞争性的电力市场，并且寻求系统的纳什均衡，通过经济模型来考虑市场参与者对电价的响应，通过对讲话的方式来求解均衡的问题。本文考虑基于价格和基于激励的需求响应策略。站在系统运行商的角度，同时考虑日前市场和实时市场，目标函数为

(1)

2.2 不含风电的日前市场约束

本文所提不含风电的约束条件为：

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

SUCi,t≥SCi(Ui,t-Ui,t-1)

(10)

(11)

(12)

式(2)表示需求和供给之间的平衡关系。式(3)表示直流潮流，并且模拟了线性化传输线路的限值。式(4)表示支路的传输限制。式(5)表示计及风电出力预测的不确定性滞后的风电出力限值。式(6)表示了传统机组的出力。式(7)～式(9)避免了机组停机。式(10)表示了上下储备的约束。式(11)和式(12)表示了火力机组启停的约束。

2.3 考虑风电的实时市场约束

考虑风电的实时市场约束条件为：

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(21)

δb,w,t为考虑风电场景下的t时段节点b的电压相角；上述计算式中，下标w表示风电场景。

通过考虑风电出力的不确定性，将需求侧和供给侧的平衡关系考虑到式(13)。式(14)、式(15)与式(3)、式(4)的区别主要在于式(14)和式(15)是针对于所有场景的。式(16)和式(17)表示上下储备在所有场景中，均应被限制在之前提交至市场的计划储备限制之内。式(18)表示火力机组在实时的净出力情况。

3 模型求解算法

本文所提混合求解算法综合了Jaya和TLBO算法。

3.1 Jaya算法

Jaya算法是一种寻求最优解的新算法。在该算法中，个体移向最优解，同时在每次迭代中剔除不良个体。该算法求解速度更高、计算可靠性更高[8]。另外，该算法不需要控制参数，更易控制。本文将所有可能的移动状态视为从局部最优逃出的个体状态。改进的算法为：

(22)

(23)

(24)

(25)

Xs,t,k为k次迭代中第t个候选个体的第s个变量；r1,s,t和r2,s,t均为随机变量；上角标n表示更新后变量，下同。

3.2 教学算法

TLBO算法也有较高的收敛性能。TLBO算法包括教和学2个阶段。在教阶段，得到的最优解作为教师，其他个体向它移动。在学阶段，个体内部互相改进。

3.2.1 教阶段

教阶段公式如下：

(26)

(27)

Di为第i个解与教师之间的差值；TF为随机离散数；ri为随机变量。

3.2.2 学阶段

在该阶段选择Xi和Xj为学生，更新的个体计算式为

(28)

在维度增加时，这2种算法都有可能陷入局部最优解，因此考虑两者联合求解。个体同时被Jaya和TLBO算法更新。如果得到的新个体优于原先的个体，则新个体取代原先个体；否则保留原先个体。另外，除了联合求解算法，本文还需要处理功率平衡约束。

4 算例分析

4.1 假设条件和变量说明

为了充分研究寡头市场下的风电对于需求响应项目的影响，本文利用IEEE6节点系统进行仿真，其接线情况如图1所示。

图1 IEEE6节点系统

本文的仿真过程中，还研究了不同类型的分时电价(TOU)、尖峰电价(CPP)和实时电价(RTP)。包括不同类型分时电价对于发电商的行为的影响、对于总系统负荷的影响。这些不同的需求响应项目(EDRP)类型，对于考虑风电或者是不含风电的发电商竞标的影响也在研究内。

本文利用轮盘赌机制生成风电出力，模拟风电参与电力市场的功率。

4.2 仿真分析

在峰荷时段可再生能源对发电商的影响较大。不同种类的分时电价对于发电商的影响分别如图2和图3所示。通过对比有无风电参与的情况，可得到可再生能源的影响程度。可以看出风电存在时，分时电价对于需求侧的影响更多是在峰荷时段的移峰作用。

图2 不含风电的需求响应项目对发电商竞标的影响

图3 含风电的需求响应项目对发电商竞标的影响

假设20%的用户参与到需求响应项目中，不同类型的需求响应项目如表2所示，第1种和第2种分时电价都有3种价格档位，第3种分时电价有4种档位。电价的30%作为激励费用则可以降低负荷需求。EDRP的价格为市场平均价格。用户的自弹性和交叉弹性由文献[9]得到。

表2 价格和激励结果 元·(MW·h)-1

实时电价的结果如表3所示。由表3可以看出，价格在17时为峰值，在4时刻最低，并且该电价水平在不同时段的水平有所差别，能够反映用户的需求，起到一定的负荷转移和引导作用。

表3 实时电价 元·(MW·h)-1

5 结束语

本文在经济调度和机组组合的基础上建立了需求响应模型，以成本最低为目标研究了多场景的需求响应项目。建立了2阶段安全约束机组组合模型:第1阶段优化了需求响应项目下的机组出力和机组组合；第2阶段得到了安全约束下的总成本。通过仿真算例研究了需求响应项目对于发电商的影响。并分析了有无风机对于发电商的影响，从电价的角度说明了需求响应项目的作用。