面向高比例分布式光伏发电消纳的复合型需求侧响应控制

赵凤展，张启承，张 帅，郭杨瑾，吴 鸣，陈 铭，沈 浚

·农业信息与电气技术·

面向高比例分布式光伏发电消纳的复合型需求侧响应控制

赵凤展1，张启承1，张 帅1，郭杨瑾1，吴 鸣2，陈 铭3，沈 浚4

（1. 中国农业大学信息与电气工程学院，北京 100083；2. 国网上海能源互联网研究院有限公司，上海 100192；3.海宁市金能电力实业有限公司，海宁 314400；4. 国网浙江海宁市供电有限公司，海宁 314400）

在大力推进分布式光伏发电的形势下，利用负荷侧灵活性资源提升光伏消纳水平并改善电网运行经济性已成为促进新能源发展的重要措施，如何高效进行需求侧响应控制是目前该领域研究的关键问题之一。传统的峰谷分时电价仅根据区域电网内的负荷变化的总体情况确定分时段电价实现削峰填谷，该方法未考虑区域内新增电源的发电特性，从而导致负荷调整的灵活性较差，无法有效解决区域内光伏消纳的问题。该研究针对光伏装机比例较高的区域配电网尤其是乡村配电网，提出一种基于优化调整分时电价时段的激励型需求侧响应和区域集中优化调控相结合的配电网复合型需求响应控制策略。该策略首先结合负荷需求和光伏出力曲线对分时电价峰谷时段进行因地制宜的自适应调整；其次，基于新的电价时段进行用户侧分布式最优出力计划建模，并给出用户侧可削减、可时移负荷的响应调整范围的计算方法；最后由区域调度中心实现负荷集中控制。通过算例对比验证该文方法在计及用户舒适度的基础上，弃光率和系统综合运行成本较优化前均有明显降低，解决了含高比例光伏配电网的光伏消纳及经济运行问题，为配电网精细化管理水平的提升提供了理论依据。

光伏；分布式发电；乡村配电网；分时电价；复合型需求侧响应；配电网经济运行

0 引 言

近年来随着“双碳”目标的提出和乡村振兴政策的实施，分布式光伏发电装机得到了迅猛发展，但与此同时由于控制策略的不健全，以及光伏（Photovoltaic，PV）出力特性与负荷用电需求不匹配造成的弃光问题，使得PV运营收益有较大的提升空间。光伏装机比例较高的区域配电网，尤其是乡村配电网面临着负荷增长与PV大规模接入的双重压力，二者同时作用于电网末端，亟需更适合的协调控制方式匹配负荷需求和PV出力，在保障区域供电电压质量的同时促进光伏电能就地消纳和配电网安全经济运行[1-2]。

需求侧响应（Demand Response，DR）为电力系统源网荷协调经济运行提供了积极主动的解决方案[3-4]。相较于需要投入设备且造价较高、充放电频率受到限制的储能技术，需求侧响应技术无需增加过多投入，从需求侧入手利用柔性负荷解决运行控制问题。DR分为价格型[5]和激励型两类。价格型需求侧响应利用实时电价引导用户调整其生产生活用电时段，激励型需求侧响应（Incentive Demand Response，IDR）则通过补贴或相应折扣来主动激励用户响应调度策略[6]。对于DR参与配电网经济运行控制国内外学者已经做了许多研究，文献[7] 提出了一种考虑峰谷分时电价策略的加气母站经济调度方案。文献[8-9] 提出了一种计及分时电价和用户满意度的户用型微电网需求响应策略。文献[10-11]在保证各时段运行的灵活性裕度前提下，构建价格型需求侧响应模型引导用户响应实时电价的变化。文献[12]研究了需求响应优化配置模型及其对配电网弹性提升的效果。上述研究大多针对统一分时段的价格型DR进行经济性最优建模，但配电网的各个供电区域都有其特点，这种固定且统一的分时电价的时段划分通常不能适应不同区域的负荷特征。相反，IDR相较价格型DR具有调节速度快、方式灵活、潜力大等优点[13]。文献[14]提出了售电商运用IDR通过调整补贴价格引导用户用电达到自身经济效益最优的策略。文献[15]建立一种IDR模型降低了基于能量枢纽模块的综合能源系统的规划运行成本和碳排放值。文献[16]综合考虑基于分时电价和用户协议的DR策略，建立IDR参与自主决策的智能家庭日前优化调度模型。文献[17]从用户用电偏好入手，以IDR与用户之间的实际利益平衡为出发点，基于委托–代理理论构建信息不对称情形下的最优激励模型以提高用户参与度。文献[18-19]针对微电网中存在的源-荷不确定性，建立IDR参与的实时滚动优化策略。文献[20]通过分析IDR对配电网可靠性指标的影响，提出基于负荷削减与负荷转移2种需求响应合同的投标决策优化模型。上述文献充分体现IDR在价格型DR的基础上，通过在配电网侧给予用户用电补贴，引导用户进一步调整其负荷出力的优势。

大量的农村负荷，如农产品加工负荷、电采暖负荷、电动汽车充电负荷等，具有可时移、可削减的柔性负荷特性，可以利用DR引导柔性负荷资源匹配PV有功出力，这将提高光伏消纳水平，同时实现负荷削峰填谷的目的。为了解决分时电价峰谷时段设置不能适合各地配电网的源-荷的实际运行情况，需要引入IDR，在分时电价的基础上，通过经济补偿或电价优惠政策来激励用户主动参与电力系统所需的负荷增减调控，对用户用电行为进行进一步的引导和调整同时更加合理地解决PV消纳问题。但是，上述价格型DR或IDR均没有计及用户侧分布式光伏发电的影响，同时基于独立负荷的需求侧响应也不能达到含多用户区域配电网最优的需求响应效果。为了适应高比例分布式光伏配电网发展趋势并实现配电网更经济的运行控制，本文提出计及光伏发电曲线的自适应分时电价峰谷时段优化调整方案，以及IDR分布调节与集中式控制相结合的复合型需求侧响应策略。该策略首先基于高比例分布式光伏配电网的光伏出力和负荷时域特点，对当地区域配电网峰谷时段进行自适应重新划分；然后，针对可时移[21]和可削减[22-23]2种负荷类型建立各自的需求响应模型，并给出了基于IDR补贴后的负荷调整范围的计算方法，最后采用系统集中调控使得负荷在参与电网协调优化调度后既保障用户自身的利益，又使系统整体达到减少弃光与经济运行的目的。

1 自适应分时电价峰谷时段优化调整

传统分时电价时段仅针对负荷曲线进行设置，没有考虑分布式光伏发电特性，造成分时电价高的部分时段可能恰好是光伏发电功率大的时段，这将导致因削减负荷造成的弃光现象或电压超越上限。为此，本文设计了计及分布式PV出力曲线和负荷需求曲线的分时电价时段自适应调整策略，如图1所示。基于负荷和光伏的历史平均曲线或预测曲线，将光伏出力与负荷功率进行比较，把原分时电价的峰平谷3类时段重新划分为强激励增用时段、弱激励削减阶段和自调整时段。3个价格时段的具体划分如下：

1）将光伏出力过剩时段设为“强激励增用时段”（简称为：1时段），鼓励用户增用负荷以减少弃光。在此时段不论原分时电价是峰或平价，通过IDR补偿将电价引导至原谷值电价。

2）将光伏出力一般时段设为“弱激励削减时段”（简称为：2时段），在此时段不论原分时电价是峰、平或谷价，均划为平时段电价。

3）除此之外为光伏出力接近0的时段，设为“自动调整时段”（简称为：3时段），在该时段中光伏对系统影响几乎为零，电价维持不变。

图1 分时电价自适应调整策略

2 基于复合型需求侧响应的含高比例分布式光伏配电网的经济运行控制

实施IDR策略调整日负荷曲线，可以经济有效地最大化消纳光伏、减小弃光率、削减负荷峰谷差、减少系统网损和运行成本。本文以含高比例分布式光伏电源及需求侧响应负荷的配电网为研究对象，设计了一种基于复合型需求侧响应的高比例分布式光伏发电的经济运行控制模型，具体流程如图2所示。

图2 基于复合型需求侧响应的高比例分布式光伏发电的经济运行控制模型

以24 h（1 d）作为一个完整的优化周期，共分为24个时段，每个时段1 h。计及复合型需求侧响应的高比例分布式光伏配电网经济运行控制策略以1 h为控制时间间隔。具体控制策略设计如下：

步骤1：首先由区域调度中心（如负荷聚合商、售电公司等）根据本地光伏出力及负荷时域特征，基于IDR结合当地分时电价设置对分时电价的峰谷时段进行自适应再划分。

步骤2：基于重新划分后得到的3类电价时段，由负荷用户端基于自身负荷基准值和分时段补贴单价求解自身计划用电模型，并将本日各时段负荷计划及负荷调整范围反馈上传至区域调度中心，实现分布式负荷调控范围的计算。

步骤3：在区域调度中心计及各用户上传的负荷计划及其调整范围，结合光伏曲线预测结果建立以分布式调控计算结果为控制变量，以光伏消纳量最多及经济运行成本最低为目标的集中控制模型求解得到最优负荷调整计划，在控制日内基于直接负荷控制（Direct Load Control，DLC），控制用户负荷量以实现负荷曲线与PV出力曲线的匹配、最大化光伏消纳，保障系统全局经济运行，从而实现系统的集中经济运行控制。

2.1 用户负荷分布式出力调整计算建模

基于需求侧管理技术用电负荷可分为可时移负荷、可削减负荷和可中断负荷。在乡村，常见的农产品加工和电动汽车充电站可视为典型可时移负荷，夏季供冷空调和冬季电采暖设备根据用户满意度和IDR的双重博弈可以视为可削减负荷，此外，可中断负荷可视为一种特殊的可削减负荷。本文设计了一套针对乡村用户用电负荷特点的用户响应机制，下面分别对可削减负荷、可时移负荷2种典型的需求侧响应负荷类型进行激励型需求侧响应函数建模。

2.1.1 可削减负荷的激励型响应精确建模分析

用户获得售电单位的分时电价信号和预期IDR补偿信息后会根据经济补偿和待付出的舒适成本，做出自身利益最优的综合决策，具体用户可削减负荷的IDR函数可以建模为无约束优化问题[6]，其目标函数即为综合收益的极大值。

图3 可削减负荷IDR建模原理

2.1.2 可时移负荷的激励型响应精确建模分析

可时移负荷的IDR具体建模如下：

2.2 区域调度中心光伏消纳及经济运行集中控制

为利用IDR及源-荷协调减小弃光现象、增进光伏消纳、并保障系统经济运行，负荷优化集中控制模型以参与调整的各用户负荷量为控制变量，其调整范围即为用户分布式优化计算后用户上传至区域调度中心的可调范围，再由区域调度中心进行集中协调控制。此阶段建立的优化目标函数包含减少弃光损失和降低系统运行成本，即

3 算例分析

3.1 算例概述

本文采用文献[24]的17节点用户小型乡村10 kV配电网拓扑，算例拓扑结构示意图如图4所示。

注：1～17表示负荷节点编号。

图4中节点9为商业负荷，节点13为乡村特色集中式农产品加工负荷（此处为集中式炒茶加工负荷），节点6、7、8、11为分布式农产品加工负荷（此处为户用炒茶炉负荷），其余节点均为普通居民负荷，所有节点均配置容量为170 kVA的分布式光伏设施。本算例参考文献[25]的炒茶设施模型。在算例仿真中为简化运算，将含有炒茶设施的节点（节点6、7、8、11、13）作为可时移负荷进行控制，其余节点作为可削减负荷进行控制。运用MATLAB仿真平台（R2019 a版本），以某一春季炒茶用户负荷典型日为例，采用图2所示的计算流程图，验证本优化控制策略模型的有效性。

3.2 算例结果与分析

3.2.1 自适应分时电价峰谷时段优化调整结果分析

算例实时电价采用中国广东省某乡村地区2022年10 kV用电分时电价，电价数据及3类时段经自适应调整后的分时电价如表1和表2所示。典型日各时段光伏出力及系统总负荷曲线如图5所示。由图可见，10:00到16:00为光伏过剩时段，此时原分时电价处于峰或平时段，为了增加光伏消纳需要采用复合型需求侧响应引导用户增用负荷，固将该时段调整为强激励增用时段；16:00至19:00此时光伏出力一般、原分时电价处于峰值，复合型需求侧响应需引导用户适度减少负荷以达到削峰的目的，固将该时段设为弱激励削减时段；其余时段，由用户根据实时电价进行有选择的负荷增用或削减，这些时段设为自调整时段。调整后各时段电价如表2所示。

表1 中国广东某乡村农业生产用电分时电价设置

表2 IDR修正后分时电价设置

注：t1、t2、t3为时段电价调整分隔点。

3.2.2 用户负荷分布式出力调整计算分析

图6给出了节点9和节点13负荷分别作为典型的可削减负荷和可时移负荷经过IDR的负荷经济偏移曲线及其可调范围，IDR在引导用户获得利益的同时也为电网控制提供了极大的有功功率调节裕度。

3.2.3 光伏消纳优化效果分析

图7给出了利用本文策略优化后系统的控制日总负荷出力曲线和优化前总负荷曲线的对比。

图6 节点9和13负荷经IDR经济偏移曲线及可调范围

图7 优化调度后系统总负荷出力曲线

从图7可以看出经复合型需求侧响应策略优化后，17:00—23:00尖峰负荷得到较大削减，同时午夜谷时段的负荷明显上升。在正午时分光伏出力高峰时期，系统总负荷曲线因IDR强激励增用而匹配贴合PV有功输出，根据公式（17）、公式（18）计算，弃光率由优化前的12.6%降低到了2.79%，较优化前减少了约77.8%，极大提升了新能源利用率。

3.2.4 系统综合运行成本优化效果分析

本文用公式（12）中包含的弃光减益和系统运行成本的函数表征系统综合运行成本来对比说明所提出策略的经济性优势。分别采用方案1：采用本文复合需求侧响应的经济运行控制策略；方案2：仅有优化分时电价响应的电价型DR控制策略；方案3：未采用优化方案前系统。将3个方案总运行成本进行对比，不同方案的3个时段系统运行成本对比如表3所示，24 h内系统运行成本，如图8所示。

表3 3个方案不同时段系统综合运行成本对比

图8 系统分时综合运行成本对比

从图8和表3可以看出采用方案1复合型需求侧响应优化后的系统总成本曲线在凌晨的负荷自动调整时段和正午时分的强激励增用时段由于存在IDR的激励成本，这些时段的总成本要高于优化前的成本曲线。但在17:00—23:00的弱激励削减时段由于负荷的明显减用，系统总成本较方案2和方案3明显下降。经计算，本文方案优化后的24时段总成本相较方案2和方案3分别下降了约10.5%和12.9%。由此可见，本文提出的基于复合型需求侧响应的运行控制策略更具经济性优势。

4 结 论

针对含高比例分布式光伏发电的乡村配电网，通过对区域内典型可削减负荷、可时移负荷的详细数学建模，在保障用户收益的基础上提出了一种以区域分布式光伏利用率最高和系统总运行成本最低为目标的复合型需求侧响应运行控制通用模型，该模型基于当地配电网分布式光伏出力及负荷时序曲线将分时电价时段自适应重新划分，再通过分布式-集中复合负荷控制方案，保证用户经过激励型需求侧响应控制获得正收益，同时为电网提供负荷调节裕度，实现了用户与电网的双向友好互动。

算例及对比分析表明，本文所提的基于复合型需求侧响应的高比例分布式光伏配电网经济运行控制策略具有如下2个方面的优点：

1）提升了光伏消纳能力。在保障用户收益的同时，复合型优化调控策略使负荷曲线尽量匹配光伏出力曲线，最大化提升了光伏利用率，同时降低了弃光率。

2）减少了系统总运行成本。基于复合型需求侧响应策略优化后的控制日24时段总成本相较未采用优化方案和仅采用自适应电价调整DR控制未进行集中控制的方案分别下降了12.9%和10.5%，明显降低了系统运行成本。

在本文基础上，还可以进一步对包含电动汽车充电桩、储能或其他分布式电源的更多源-荷场景下的配电网的经济运行问题进行建模分析。

[1] 刘蕊，吴奎华，冯亮，等. 含高渗透率分布式光伏的主动配电网电压分区协调优化控制[J]. 太阳能学报，2022，43(2)：189-197.

Liu Rui, Wu Kuihua, Feng Liang, et al. Voltage partition coordinated optimization control of active distribution network of high penetration distributed PVs[J]. Acta Energiae Solaris Sinica, 2022, 43(2): 189-197. (in Chinese with English abstract)

[2] Luo K, Shi W H. Comparison of voltage control by inverters for improving the PV penetration in low voltage networks[J]. IEEE Access, 2020, 8: 161488-161497.

[3] Muthirayan D, Kalathil D, Poolla K, et al. Mechanism design for demand response programs[J]. IEEE Transactions on Smart Grid, 2020, 11(1): 61-73.

[4] Herath P U, Fusco V, Cáceres M N, et al. Computational intelligence-based demand response management in a microgrid[J]. IEEE Transactions on Industry Applications, 2019, 55(1): 732-740.

[5] Wang S Y, Bi S Z, Zhang Y J. Demand response management for profit maximizing energy loads in real-time electricity market[J]. IEEE Transactions on Power Systems, 2018, 33(6): 6387-6396.

[6] 徐弘升，陆继翔，杨志宏，等. 基于深度强化学习的激励型需求响应决策优化模型[J]. 电力系统自动化，2021，45(14)：97-103.

Xu Hongsheng, Lu jixiang, Yang Zhihong, et al. Decision optimization model of incentive demand response based on deep reinforcement learning[J]. Automation of Electric Power Systems, 2021, 45(14): 97-103. (in Chinese with English abstract)

[7] 马春艳，段青，郭宸显，等. 计及峰谷分时电价的压缩天然气加气母站经济调度[J]. 高电压技术，2021，47(2)：584-595.

Ma Chunyan, Duan Qing, Guo Chenxian, et al. Economic dispatch of CNG refueling station considering peak-valley time-of-use electricity price strategy[J]. High Voltage Engineering, 2021, 47(2): 584-595. (in Chinese with English abstract)

[8] 郭晓利，赵莹，曲楠，等. 基于满意度的户用型微电网多属性需求响应策略[J]. 太阳能学报，2021，42(7)：21-27.

Guo Xiaoli, Zhao Ying, Qu Nan, et al. Multi-attribute demand response strategy of household microgrid based on satisfaction[J]. Acta Energiae Solaris Sinica, 2021, 42(7): 21-27. (in Chinese with English abstract)

[9] Parizy E S, Bahrami H R, Choi S. A low complexity and secure demand response technique for peak load reduction[J]. IEEE Transactions on Smart Grid, 2019, 10(3): 3259-3268.

[10] 程乐峰，杨汝，刘贵云，等. 多群体非对称演化博弈动力学及其在智能电网电力需求侧响应中的应用[J]. 中国电机工程学报，2020，40(S1)：20-36.

Cheng Lefeng, Yang Ru, Liu Guiyun, et al. Multi-population asymmetric evolutionary game dynamics and its applications in power demand-side response in smart grid[J]. Proceedings of the CSEE, 2020, 40(S1): 20-36. (in Chinese with English abstract)

[11] 刘丽军，罗宁，吴桐，等. 基于混合整数二阶锥规划的考虑需求侧响应虚拟电厂优化调度[J]. 太阳能学报，2021，42(8)：96-104.

Liu Lijun, Luo Ning, Wu Tong, et al. Optimal scheduling of virtual power plant considering demand side response based on mixed integer second-order cone programming[J]. Acta Energiae Solaris Sinica, 2021, 42(8): 96-104. (in Chinese with English abstract)

[12] 李志浩，赵波，林达，等. 面向配电网弹性提升的需求响应优化配置策略[J]. 电力自动化设备，2022，42(7)：143-149.

Li Zhihao, Zhao Bo, Lin Da, et al. Decision optimization model of incentive demand response based on deep reinforcement learning[J]. Automation of Electric Power Systems, 2022, 42(7): 143-149. (in Chinese with English abstract)

[13] 祁兵，郑顺林，孙毅，等. 考虑需求侧动态及耦合特性的激励型综合需求响应优化建模[J]. 中国电机工程学报，2022，42(5)：1783-1799.

Qi Bing, Zheng Shunlin, Sun Yi, et al. A model of incentive-based integrated demand response considering dynamic characteristics and multi-energy coupling effect of demand side[J]. Proceedings of the CSEE, 2022, 42(5): 1783-1799. (in Chinese with English abstract)

[14] 郭昆健，高赐威，林国营，等. 现货市场环境下售电商激励型需求响应优化策略[J]. 电力系统自动化，2020，44(15)：28-35.

Guo Kunjian, Gao Ciwei, Lin Guoying, et al. Optimization strategy of incentive based demand response for electricity retailer in spot market environment[J]. Automation of Electric Power System, 2020, 45(15): 28-35. (in Chinese with English abstract)

[15] 范宏，鲁家阳，陆骁霄，等. 考虑激励型需求响应的多区域综合能源系统协同规划[EB/OL]. 电测与仪表，(2021-5-8)[2022-10-06]. http: //kns. cnki. net/kcms/detail/ 23. 1202. th. 20210508. 1013. 004. html.

Fan Hong, Lu Jiayang, Lu Xiaoxiao, et al. Coordinated planning of multi-region integrated energy system considering incentive demand response[EB/OL]. Electrical Measurement & Instrumentation, (2021-5-8)[2022-10-06]. http: // kns. cnki. net/k cms/detail/23. 1202. th. 20210508. 1013. 004. html. (in Chinese with English abstract)

[16] 郑若楠，李志浩，唐雅洁，等. 考虑居民用户参与度不确定性的激励型需求响应模型与评估[J]. 电力系统自动化，2022，46(8)：154-162.

Zheng Ruonan, Li Zhihao, Tang Yajie, et al. Incentive demand response model and evaluation considering uncertainty of residential customer participation degree[J]. Automation of Electric Power Systems, 2022, 46(8): 154-162. (in Chinese with English abstract)

[17] 李伟，韩瑞迪，孙晨家，等. 基于用电偏好的可平移负荷参与需求响应最优激励合同与激励策略[J]. 中国电机工程学报，2021，41(S1)：185-193.

Li Wei, Han Ruidi, Sun ChenJia, et al. An optimal incentive contract and strategy of shiftable loads participation in demand response based on user electricity preference[J]. Proceedings of the CSEE, 2021, 41(S1): 185-193. (in Chinese with English abstract)

[18] 魏震波，张海涛，魏平桉，等. 考虑动态激励型需求响应的微电网两阶段优化调度[J]. 电力系统保护与控制，2021，49(19)：1-10.

Wei Zhenbo, Zhang Haitao, Wei Ping'an, et al. Two-stage optimal dispatching for microgrid considering dynamic incentive-based demand response[J]. Power System Protection and Control, 2021, 49(19): 1-10. (in Chinese with English abstract)

[19] 胡蓉，魏震波，郭毅，等. 现货市场下计及用户需求响应弹性差异的微电网优化运营分析[J]. 高电压技术，2022，48(4)：1393-1402.

Hu Rong, Wei Zhenbo, Guo Yi, et al. Analysis of optimal operation of microgrid considering the differences in user demand response elasticity in spot market[J]. High Voltage Engineering, 2022, 48(4): 1393-1402. (in Chinese with English abstract)

[20] 齐先军，程桥，吴红斌，等. 激励型需求响应对配电网运行可靠性的影响[J]. 电工技术学报，2018，33(22)：5319-5326.

Qi Xianjun, Cheng Qiao, Wu Hongbin, et al. Impact of incentive-based demand response on operational reliability of distribution network[J]. Transactions of China Electrotechnical Society, 2018, 33(22): 5319-5326. (in Chinese with English abstract)

[21] 王守相，陈建凯，王洪坤，等. 综合考虑电动汽车充电与储能及可中断负荷调度的配电网两阶段灵活性提升优化方法[J]. 电力自动化设备，2020，40(11)：1-10.

Wang Shouxiang, Chen Jiankai, Wang Hongkun, et al. Two-stage flexibility improvement optimization method of distribution network considering EV charging and scheduling of energy storage and interruptible loads[J]. Electric Power Automation Equipment, 2020, 40(11): 1-10. (in Chinese with English abstract)

[22] 陈正，杨建华，靳开元，等. 基于能源区块链的设施农业负荷时移与光伏就地消纳控制策略[J]. 电力自动化设备，2021，41(2)：47-55.

Chen Zheng, Yang Jianhua, Jin Kaiyuan, et al. Control strategy of time-shift facility agriculture load and photovoltaic local consumption based on energy blockchain[J]. Electric Power Automation Equipment, 2021, 41(2): 47-55. (in Chinese with English abstract)

[23] 曾捷，童晓阳，范嘉乐. 计及需求响应不确定性的电-气耦合配网系统动态分布鲁棒优化[J]. 电网技术，2022，46(5)：1877-1888.

Zeng Jie, Tong Xiaoyang, Fan Jiale. Dynamic distributionally robust optimization of integrated electric-gas distribution system considering demand response uncertainty[J]. Power System Technology, 2022, 46(5): 1877-1888. (in Chinese with English abstract)

[24] Mendoza J E, Morales D A, Lopez R A, et al. Multi-objective location of automatic voltage regulators in a radial distribution network using a micro genetic algorithm[J]. IEEE Transactions on Power Systems, 2007, 22(1): 404-412.

[25] 孔繁钢，石勇. 传统乡村供电服务的升级转型[J]. 农电管理，2020(9)：9-11.

Kong Fangang, Shi Yong. Upgrading and transformation of traditional rural power supply service[J]. Rural Power Management, 2020(9): 9-11. (in Chinese with English abstract)

Compound demand side response control for high proportion distributed photovoltaic absorption in distribution networks

Zhao Fengzhan1, Zhang Qicheng1, Zhang Shuai1, Guo Yangjin1, Wu Ming2, Chen Ming3, Shen Jun4

(1.,,100083,; 2..,.,100192,; 3..,.,314400, China; 4.,314400, China)

Solar energy is one of the most potential renewable sources in most rural areas. Photovoltaic (PV) power generation technology has also been widely applied with abundant solar energy resources. The installed capacity of PV power generation is ever increasing in recent years in China. However, the excess or abandonment of the output has often occurred, due mainly to the mismatch between the total load and energy output curve of PV generation. An optimal control strategy is highly required to absorb the excess PV power for the cost-saving system operation. The regional PV absorption characteristics also vary greatly in some areas, particularly where the traditional time-of-use (TOU) electricity price cannot be suitable for the local load. The incentive demand response (IDR) can be expected to serve as the scheduling strategy from the demand side, according to subsidies and discounts for the flexible load. In this study, a compound strategy of demand side response was proposed for the distribution networks with a high proportion of the distributed PV using the combined IDR and regional centralized regulation (RCR). Among them, one hour was taken as the time interval. The specific control strategy was designed as follows. Firstly, the peak and valley periods of electricity price were divided in the regional dispatching center (such as the load aggregator or the power selling company) using the IDR and original TOU electricity price in the study area. A new TOU electricity price scheme was obtained, according to the local PV output and load time sequence. The difference in electricity price before and after adjustment was selected as the subsidy unit price in the 24 control periods, and then transmitted to the power load in advance. Secondly, the distributed model was optimized by the load user. A power consumption model was then achieved using the user load reference value and the new TOU electricity price. The range of the distributed load was determined to match the power consumption plan and load adjustment range of each period of the day in the regional dispatching center. Thirdly, the PV power prediction was combined with the load plan uploaded by the user and the adjustment range. A centralized control model was established with the distributed calculation as the variables, while the maximum PV consumption and the lowest economic operation cost as the objective. Then, the optimal plan was obtained for the load adjustment. The user load was controlled using the direct load control (DLC) on the control day. A better match was realized for the curve of the load and PV output, in order to maximize the PV consumption for the overall economic operation of the system. Taking a 10 kV distribution network as an example, the model was verified using the MATLAB software. As a result, the total cost of one day after optimization using the compound demand response strategy was reduced by 12.9% and 10.5%, respectively, compared with the traditional TOU electricity price and the user IDR with the new TOU electricity price only without RCR. Consequently, the control strategy of decentralized and regional centralized dispatching can be expected to match the total load curve with the PV output curve for the interaction between the supply and demand, according to the response income of the user demand side. At the same time, the finding can greatly contribute to the consumption capacity of PV power generation and the economy of system operation

photovoltaic; distributed generation; rural distribution network; time-of-use electricity price; compound demand side response; economic operation of distribution network

10.11975/j.issn.1002-6819.2022.16.021

TM 732

A

1002-6819(2022)-16-0190-08

赵凤展，张启承，张帅，等. 面向高比例分布式光伏发电消纳的复合型需求侧响应控制[J]. 农业工程学报，2022，38(16)：190-197.doi：10.11975/j.issn.1002-6819.2022.16.021 http://www.tcsae.org

Zhao Fengzhan, Zhang Qicheng, Zhang Shuai, et al. Compound demand side response control for high proportion distributed photovoltaic absorption in distribution networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 190-197. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.16.021 http://www.tcsae.org

2022-07-03

2022-08-14

国家电网公司科技项目（适应高比例分布式资源接入的配电网弹性评估技术研究）；国家自然科学基金青年科学基金项目（51707196）

赵凤展，博士，副教授，研究方向为智能配电网与微电网分析、控制与评价。Email：zhaofz@cau.edu.cn