计及多粒度用电属性的热力负荷协同优化调控方法

庞思勉，郑子萱，肖先勇，张 姝，罗 凡，李学军

（1. 四川大学电气工程学院,四川省成都市 610065；2. 国网甘肃省电力公司,甘肃省兰州市 730030）

0 引言

在构建新型电力系统、实现“碳达峰·碳中和”目标的背景下,电源侧风、光等清洁能源占比将持续增大,高比例清洁能源并网导致发电侧灵活性降低、不确定性增加,电网整体处于紧平衡状态［1］,提高系统灵活性是建立绿色低碳电力系统亟待解决的问题。热力负荷是综合能源系统中的一类优质需求侧响应资源,表现出可调容量大、响应速率快、调控时间灵活、持续时间长等特点［2-3］。部分具有调控潜力的热力负荷表现出较强的响应意愿,采用需求响应的手段使这类负荷主动参与并维持电网电力电量平衡,平抑风光发电波动,是提升电网清洁能源消纳能力的关键［4-5］。

实现热力负荷的精准调控应建立考虑多粒度用电属性的负荷调控模型。当前,相关研究多关注异构负荷在用户类型、供热设备、蓄热装置等方面的多样性［6-8］,以及用电行为、响应容量、调节速率、持续时间等负荷特征的差异性［9-11］,对粒度属性的刻画较少。热力负荷优化调控需要考虑粒度属性是因为异构热力负荷离散功率变化的大小差异,以及连续功率控制的最小时间间隔差异特征的影响。为此,本文引入功率粒度属性和时间粒度属性,以刻画热力负荷的上述特征。若不考虑粒度属性会带来以下问题:一方面,负荷调控与需求响应对功率的连续变化有较高要求,电网调控指令与负荷跟踪功率之间的偏差会给用户带来经济惩罚［12］；另一方面,部分热力负荷的时间粒度较粗,两次功率控制的时延较长［13］,考虑到中国各地电力调度和现货市场的时间粒度基本在15 min 及以内［14］,导致时间粒度在15 min 以上的热力负荷无法快速、准确地跟踪调控指令。为突破多粒度用电属性对电力系统调控的制约,文献［15］引入粒计算理论,提出一种火电机组的时间粒度自适应调度模式,以更好地适应净负荷变化。而文献［16］在储能系统的辅助下,采用模型预测控制方法实现工业负荷与储能系统的协同控制,克服了功率粒度的限制。在上述研究中,仍存在考虑的粒度属性类别单一,以及占用火电、储能等灵活性资源突破粒度属性限制的综合成本较高等问题。

考虑调控优先级的热力负荷协同优化是实现负荷精准调控的重要环节。当前,热力负荷以聚合商或集中供热站为主体参与需求响应［17-18］,考虑到现货市场和电力调度规则已趋于完善,难以通过修改现有规则的方式突破热力负荷粒度属性限制。文献［19］提出电热泵的分层需求响应策略,文献［20-21］通过对负荷聚合商的分层优化,实现了热力负荷的优化调度。本文通过热控平台实现热力负荷的分层优化,基于热控平台实现多粒度用电属性热力负荷的协同优化以及调控优先级的评价,是解决电力交易和调度向快速、精准化发展与热力负荷多粒度用电属性不匹配问题的关键。

为突破热力负荷多粒度用电属性制约,提高地区电网热力负荷的灵活性潜力,本文主要贡献如下:1）基于地区电网热力负荷多粒度用电属性,改进了热力负荷模型；2）通过对多粒度热力负荷的协同调控突破了粒度属性制约,提升了地区电网的灵活性；3）根据负荷粒度属性评估优先级,按优先级设定经济激励以引导热力负荷参与调控。

1 计及多粒度用电属性的热力负荷模型

1.1 热控平台协同调控的基本流程

热控平台整合各类热力负荷资源,以平台为主体参与电力系统优化调度和电力市场交易,其用户群体包括集中供热站和负荷聚合商。其中,集中供热站是用于城市建筑集中供暖的蓄热锅炉、电热泵、蒸汽锅炉等热力负荷；而暖通空调、热水器等热力负荷因其容量小、数量多等特点,通常以聚合商形式参与平台调控。结合图1,用户参与热控平台协同调控分以下步骤。

图1 电网调控架构与热控平台执行流程Fig.1 Dispatch and control structure of power grid and execution process of thermal control platform

1）用户向平台申报次日各时段用户的响应功率。用户响应功率是指热力负荷在综合考虑自身响应特征、用热需求、用电成本等信息后得到的次日用电曲线,用户响应功率和粒度属性将提交到热控平台。

2）热控平台参与需求响应或负荷调控以获取次日调控计划。考虑各用户响应功率,结合地区电网次日发电量和用电量预测结果,以降低地区电网净交换功率、提高系统经济性为目标,计算次日平台调控计划,同时平台可通过交易中心参与电力现货交易或辅助服务获取平台调控计划。

3）热控平台计算各用户响应优先级。热控平台按照用户信息,根据用户粒度属性差异计算调控优先级,根据优先级调整用户经济补贴大小［22］。

4）热控平台计算次日各用户的调控指令。平台在负荷用电特性、用热特性、舒适度等约束下,以系统净交换功率惩罚成本、单位碳排放社会成本、购电成本、不同优先级用户的经济补贴成本以及用户满意度降低惩罚成本为优化目标进行热力负荷的协同优化,调整各调控时段用户的需求响应功率,根据不同粒度属性热力负荷的协同互补原则得到次日各用户调控指令。

5）热力负荷跟踪调控指令。次日,热控平台用户通过改变热力设备的用电行为,跟踪各自的调控指令,通过智能电表记录用户的实际运行功率,同时,根据智能电表数据计算平台整体运行功率。

6）热控平台对用户进行偏差量考核,包括热控平台用户的运行功率偏差（operating power deviation,OPD）和用电量偏差（power consumption deviation,PCD）两项指标。其中,用户OPD 是指用户实际运行功率与用户调控指令之间的偏差量,用户PCD 是指一天内用户OPD 的总和。除此之外,下文中的平台OPD 是指平台管控下全部用户实际运行功率与平台调控计划之间的偏差量；平台PCD是指一天内平台OPD 的总和。

1.2 热力负荷的功率粒度模型

功率粒度是量化异构热力负荷离散功率变化程度的属性。当热力负荷响应功率的最小变化量大于调控指令功率的最小变化量时,认为负荷的功率粒度较粗,无法准确跟踪调控指令,如附录A 图A1 所示；反之则负荷功率粒度较细,可以精准跟踪调控指令。通常情况下,具有大功率可中断设备的热力负荷功率粒度较粗。对于1.1 节中连续变化的调控指令,当热力负荷的功率粒度大于调控指令粒度时,热力负荷无法精准跟踪指令变化。为实现不同功率粒度属性热力负荷的协同互补调控,应首先对功率粒度进行准确的数学建模。建立热力负荷的功率粒度模型,助力实现粗功率粒度热力负荷与细功率粒度热力负荷的协同互补响应,多功率粒度热力负荷共同完成平台调控计划的精准跟踪,进一步达到提高负荷需求响应收益、提升电网灵活性、降低发电碳排放等目的。

粒度化后的平台调控计划与用户响应功率如下:

式中:Pi,t为热控平台用户i的调控指令；yi,t为t时段用户i调控指令与粒度的比值；PD,t为平台在t时段的功率偏差；DPG为平台的电量偏差。

当平台优化调控不考虑用户功率粒度属性时,部分热力负荷的功率粒度大于调控指令粒度,热控平台用户的实际运行功率因无法准确跟踪调控指令而出现功率偏差:

1.3 热力负荷的时间粒度模型

时间粒度是刻画异构热力负荷连续功率变化最小时间间隔的属性。当热力负荷功率变化的时间间隔大于调控指令的时间粒度时,认为负荷的时间粒度较粗,无法准确跟踪调控指令；反之则负荷功率粒度较细,可以精准跟踪调控指令。当前,各国现货市场的时间粒度基本在1 h 以内,而中国电力实时调度的时间粒度基本为15 min,部分地区甚至达到了5 min。考虑到是从电力系统优化调度、现货市场、辅助服务市场中获取平台调控计划,因此,平台的时间粒度也在15 min 以内。部分热控负荷受到设备控制时延、操作员工作时间等因素影响,时间粒度在15 min 以上,这些用户无法适应平台指令的快速功率变化。

当用户运行功率的时间粒度大于调控指令的时间粒度时,认为该用户在时间尺度上的灵活性较低,不能独立精确跟踪指令,如附录A 图A1 所示。当用户实际运行功率的时间粒度不大于调控指令的时间粒度时,认为该用户在时间尺度上具有较高的灵活性,可以独立精确跟踪指令。为实现不同时间粒度属性热力负荷的协同互补调控,应首先对时间粒度进行准确的数学建模。建立热力负荷的时间粒度模型,助力实现粗时间粒度热力负荷与细时间粒度热力负荷的协同互补响应,以使多时间粒度热力负荷共同完成平台调控计划的精准跟踪。用户与平台的时间粒度如下:

式中:Pi,tDR为平台下发到用户i的调控指令；δi,tDR为受时间粒度影响,用户i在tDR时段的功率偏差；P'i,ti为用户i的实际运行功率；DTG为一天内由多时间粒度引起的平台电量偏差。

当平台优化调控考虑用户时间粒度属性,即用户调控指令粒度与各负荷粒度保持一致时,由热力负荷时间粒度属性引起的功率偏差近似为0。

2 热力负荷的协同优化调控方法

2.1 计及多粒度用电属性的调控优先级与优化目标

本文所述协同优化算法模型如图2 所示。首先,结合分时电价,以各热控平台用户用电成本最低为目标计算次日响应功率,模拟热力负荷的主动响应。其次,为消除多粒度用电属性带来的用户OPD,实现多粒度热力负荷的协同互补,对不同粒度属性的热力负荷进行分级,粒度大的热力负荷优先级低,粒度小的热力负荷优先级高。用户分级制度可以指导热控平台补贴价格设定和机制建设,激励更多热力负荷参与热控平台业务,增强平台的整体响应潜力。

图2 考虑多粒度用电属性的协同优化模型Fig.2 Coordinated optimal model considering multigranularity attributes of power consumption

结合1.2 节的功率粒度属性和1.3 节的时间粒度属性,初步得到热力负荷的调控优先级计算如式（9）所示。热力负荷的两种粒度属性越大,该负荷的调控优先级越低,反之越高。

式中:Li为热控平台用户i的调控优先级；Ri为热控平台用户i两种粒度属性对优先级的贡献率；Ci为热控平台用户i的信誉度；G为划分的优先级数量,取值范围是正整数。

在式（9）中,两种粒度属性的大小差异对优先级贡献率Ri影响相同。结合附录A 图A1,考虑功率粒度属性αi与时间粒度属性βi对用户OPD 的影响不同,当热力负荷功率和时间粒度大于调控指令粒度时,保守情况下可能出现的最大功率偏差分别为LPgi和LTgi,由粒度属性引起的功率偏差越大,热力负荷的调控优先级越低。因此,修改两种粒度属性对优先级的贡献率如下:

最后,根据式（3）或式（6）计算用户OPD,结合各用户OPD 大小和式（13）中的净交换功率惩罚成本,分摊并结算用户的功率偏差惩罚。

2.2 热力负荷协同优化的约束条件

热力负荷协同优化中涉及的主要约束条件包括热力负荷功率约束、热力负荷响应速率约束、蓄热量约束以及温度阈值约束。

3 算例分析

3.1 算例场景设置

本文第2 章的热力负荷协同响应优化模型是一个混合整数线性规划问题,通过MATLAB 调用Gurobi 求解器进行求解。为验证热控平台参与地区电网需求响应过程中,是否考虑热力负荷粒度属性对协同优化调控的影响,本文场景设置如下:

场景1:热控平台用户存在如表1 所示的功率粒度和时间粒度差异,但平台的优化调控不考虑用户粒度属性。

表1 热力负荷的功率粒度与时间粒度Table 1 Power granularity and time granularity of thermal loads

场景2:热力负荷存在粒度差异,结合1.2 节负荷的功率粒度模型,平台采用考虑功率粒度属性的调控方法,实现不同功率粒度热力负荷的协同响应,同时忽略用户的时间粒度属性。

场景3:热力负荷存在粒度差异,结合1.3 节负荷的时间粒度模型,平台采用考虑时间粒度属性的调控方法,实现不同时间粒度热力负荷的协同响应,同时忽略用户的功率粒度属性。

场景4:热力负荷存在粒度差异,平台采用考虑负荷多粒度用电属性的优化调控方法,实现不同功率粒度和时间粒度热力负荷的互补协同响应。

3.2 热力负荷的协同优化调控结果

图3 和附录B 图B1 分别给出了协同优化后得到的各用户的调控指令和平台调控指令。

图3 不同场景下的协同优化调控结果Fig.3 Dispatch and control results of coordinated optimization in different scenarios

场景1 中,平台优化调控未考虑各用户的功率粒度与时间粒度属性。因此,图3 中蓝色阶梯图的粒度与热控平台粒度保持一致,为0.01 MW 和15 min,此时仅用户1 因其功率和时间粒度较小而可以准确跟踪调控指令。

场景2 中,平台优化调控仅考虑各用户的功率粒度属性。因此,图3 中橙色阶梯图的功率粒度与表1 中各用户功率粒度保持一致,场景2 中功率粒度属性是对各热控平台用户功率离散化程度的量化,是各热控平台用户的最小功率单位。然而,该场景未考虑时间粒度影响,故优化后各用户调控指令的时间粒度均为15 min,其中用户1 的时间粒度为15 min,可以准确跟踪调控指令。

场景3 中,平台优化调控仅考虑各用户的时间粒度属性。因此,图3 中黄色阶梯图的时间粒度与表1 中各用户时间粒度保持一致,场景3 中时间粒度属性是对各热控平台用户调控时间分散程度的量化,是各热控平台用户调控的最小时间单位。同时,因未考虑功率粒度影响,优化后各用户调控指令的功率粒度均为0.01 MW,用户3 和4 因功率粒度较大而无法准确跟踪调控指令。

场景4 中,平台优化调控考虑了多粒度用电属性。因此,图3 中紫色阶梯图的时间、功率粒度与表1 中各用户时间、功率粒度保持一致,全部用户能够准确跟踪调控指令,此时粒度属性不会导致用户的OPD。

3.3 算例评价指标分析

图4 给出了场景1～4 中热控平台的OPD,是各用户受粒度属性限制而无法准确跟踪图3 中调控指令的结果。可以看出,场景1 和2 的平台OPD 较大,偏差峰值分别为90 MW 和77 MW,场景1 的平台OPD 略大于场景2,是因为场景2 的平台OPD 仅由时间粒度属性导致,而场景1 的平台OPD 是由功率粒度属性和时间粒度属性共同导致的。场景3 和4的平台OPD 较小,其中场景3 的平台OPD 峰值为2.5 MW,而场景4 的OPD 为0,因为场景3 中存在用户功率粒度属性引起的偏差,而场景4 则消除全部粒度属性的影响。考虑实际调控中的不确定性,热力负荷的实际响应时间和功率在小范围内随机波动,因此,不会出现场景4 中偏差为0 的情况,本算例仅用于验证理想状态下考虑多粒度用电属性的优化调控方法对平台OPD 的影响。从图4 中各场景的平台OPD 变化可以初步得到以下结论:考虑时间粒度属性的调控方法可以大幅降低平台OPD；考虑功率粒度属性的优化调控方法可以小幅降低平台OPD。

图4 热控平台的OPD 变化Fig.4 OPD change of thermal control platform

图4 的结果证明了考虑多粒度用电属性协同优化方法对热控平台管控下热力负荷群体的有效性。附录B 图B2 则分别统计了场景1～4 中各用户在一天内的总用户PCD,证明本文所提方法对各用户PCD 均有效,不会损害个别用户效益。用户1 因其较小的功率粒度和时间粒度,在上述场景中基本不存在PCD,在任何场景均不会受到偏差惩罚；用户2和5 在上述场景中的PCD 不超过50 MW·h,受到的偏差惩罚较小；用户3 和4 作为工业热力负荷,受到粒度属性影响最为显著,考虑时间粒度属性前的PCD 基本在150 MW·h 左右,考虑时间粒度属性后的PCD 得到明显改善,也降低到了50 MW·h 以下。除用户1 外,其余用户在场景1～4 下的用户PCD 基本呈递减趋势。

除粒度属性引起的用户OPD 外,为验证所提方法对用户用电成本、用户平均满意度、碳排放社会成本以及净交换电量4 项指标的贡献,将统计结果记录于表2 中。从净交换电量的角度看,场景1～4 的净交换功率依次递减,特别是考虑时间粒度的场景中,地区电网与外部电网在一天内的净交换功率有明显降低,相对于不考虑时间粒度的场景平均降低300 MW·h；从用户用电成本的角度看,考虑时间粒度属性后的协同优化方法对用户用电成本的降低明显,降低幅度在30%以上；从用户用电满意度的角度看,考虑时间粒度属性的协同优化方法略微提高了用户的平均用电满意度,而是否考虑功率粒度属性对用户的平均满意度基本无影响；从碳排放社会成本的角度看,仅在考虑时间粒度属性后降低了系统碳排放成本。综上得到结论如下:考虑时间粒度属性和功率粒度属性均对地区电网的净交换功率有明显改善；考虑时间粒度属性对用户平均满意度、碳排放社会成本以及净交换电量3 项指标有所改善,但考虑功率粒度属性后对上述3 项指标影响不明显。

表2 各场景指标对比Table 2 Comparison of indices in each scenario

进一步探究4 种场景下,用户PCD 随粒度属性的变化趋势。假设表1 中各用户的粒度属性均相等,使全部用户功率粒度在0.01 W～8 MW 连续变化,时间粒度在15～90 min 连续变化,运行场景1～4 的优化调控方法。图5（a）给出了用户PCD 随功率粒度和时间粒度变化的曲面图。图5（b）给出了用户功率粒度限制为4 MW 时,不同场景下的用户PCD随时间粒度的变化趋势。图5（c）给出了用户时间粒度限制为1 h 时,不同场景下用户PCD 随功率粒度的变化趋势。验证优化模型中仅考虑一种粒度属性是否影响另一种粒度属性引起的功率偏差大小,其中场景1 和2 均未考虑时间粒度属性,结合图5（b）结果得到上述场景受时间粒度影响的功率偏差,仅考虑功率粒度的优化调控模型受时间粒度影响较大,其偏差增量在550 MW·h 以内,而不考虑粒度属性的优化调控模型受时间粒度影响较小,其偏差增量在420 MW·h以内。同理,场景1和3均未考虑功率粒度属性,结合图5（c）结果得到上述场景受时间粒度影响的功率偏差,仅考虑时间粒度的优化调控模型受功率粒度影响较小,其偏差增量小于50 MW·h,而不考虑粒度属性的优化调控模型受功率粒度影响较大,其偏差增量接近200 MW·h。

图5 考虑多粒度属性影响的用户PCD 变化趋势Fig.5 Changing trend of PCD of thermal users considering influence of multi-granularity attributes

需要注意的是,场景2 在用户功率粒度大于3 MW 后,其PCD 随功率粒度增大而减小,这是因为相对于调控粒度大、灵活性低的用户,此时电力系统逐渐倾向于通过火力发电降低系统净交换功率。因此,随着用户功率粒度的增大,平台对用户的调控功率降低,由粒度属性引起的用户PCD 降低。结合图5（a）至（c）得到以下结论:时间粒度属性对用户PCD 的影响较大且考虑时间粒度属性的优化调控模型可以有效降低用户PCD；功率粒度属性对用户PCD 影响较小,但同时考虑时间粒度属性和功率粒度属性后的调控模型可以使得PCD 进一步降低,突破热力负荷的粒度属性限制,实现热力负荷的精准调控；但是,当某些热力负荷的粒度属性大于其余热力负荷可以协同优化的能力上限后,平台随即减少对此类负荷的调控。

4 结语

本文针对海量热力负荷资源中不同用户的功率粒度和时间粒度差异,提出了面向用户多粒度用电属性的热力负荷优化调控方法,得到如下结论:

1）对于存在多种不同功率和时间粒度热力负荷的地区电网,通过多粒度负荷模型有效提高了热控平台管控下海量热力负荷群的灵活性。

2）在不额外占用火电、储能等灵活性资源的前提下,仅通过热力负荷协同优化完成平台调控计划的精准跟踪,实现灵活性资源的合理配置,提升了地区电网的灵活性。

3）将用户主动响应与平台优化调控相结合,按优先级设定经济激励以引导热力负荷主动参与平台负荷调整,调动了热力负荷参与调控的积极性。

本文旨在针对中国高比例新能源并网面临的困难,为需求响应的发展提供有益借鉴。对电、气、冷、热等多能用户耦合关系的刻画,以及考虑用户多粒度用电属性的综合能源协同互补利用,将是下一步工作的研究重点。

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。