孫彥萍，李虹，楊文海，高亞靜

(1.新能源電力系統(tǒng)國家重點實驗室(華北電力大學)，河北省保定市071003；2.華北電力大學經(jīng)濟與管理學院，河北省保定市071003)

基于SOM需求響應潛力的居民用戶優(yōu)化聚合模型

孫彥萍1，李虹1，楊文海2，高亞靜1

(1.新能源電力系統(tǒng)國家重點實驗室(華北電力大學)，河北省保定市071003；2.華北電力大學經(jīng)濟與管理學院，河北省保定市071003)

充分挖掘聚合對象的需求響應(demand response，DR)，合理聚合響應能力高、違約率低的優(yōu)質(zhì)用戶，是負荷聚合商(load aggregator，LA)保障收益、降低風險、提高市場競爭力的有效途徑。首先根據(jù)居民用戶負荷的用電特性將負荷分類，并建立相應的響應模型；其次，以居民用戶24個時段響應潛力值構成的需求響應潛力向量作為自組織映射(self-organizing map，SOM)神經(jīng)網(wǎng)絡算法的輸入向量進行訓練學習，得到居民用戶的響應類型及響應等級的分類；再次，計及響應過程中用戶響應違約的概率，建立了考慮風險的LA用戶優(yōu)化聚合模型；最后，通過算例分析驗證了模型的正確性和有效性。

響應潛力；自組織映射(SOM)；負荷聚合；風險

0 引 言

需求響應(demand response，DR)技術是智能電網(wǎng)的核心技術之一，通過需求響應可以充分挖掘負荷側(cè)資源，實現(xiàn)資源的綜合優(yōu)化配置。相比于發(fā)電側(cè)，需求側(cè)的負荷數(shù)量極為龐大，通過專業(yè)技術評估用戶的需求響應潛力，整合分散的需求響應資源是實施需求響應、調(diào)用負荷側(cè)資源的必然要求。在電力市場改革[1]的背景下，合理高效的負荷聚合技術[2]已成為負荷聚合商(load aggregator，LA)[3-4]的核心競爭力之一，挑選合適的用戶及負荷作為聚合對象，充分挖掘負荷側(cè)響應潛力的同時，為電力市場提供多種輔助服務[5]，可最大化負荷資源的經(jīng)濟價值。

依托于LA，在DR資源的響應特性分析以及資源整合的問題上，出現(xiàn)了一系列的研究成果。文獻[6]針對參數(shù)相同或相近的空調(diào)負荷，以實際負荷值與目標負荷值之差最小為優(yōu)化目標建立空調(diào)負荷的聚合模型，將空調(diào)負荷聚合為多個小組，并通過溫度控制調(diào)整各聚合負荷組的出力。文獻[7]提出了基于LA的電動汽車聚合方法，通過對電動汽車用戶行為特性的預測，以最大化電動汽車放電量為目標對可控容量進行預測，并參與需求側(cè)放電競價，由LA對電動汽車聚合體的充放電狀態(tài)進行控制，仿真表明電動汽車聚合能夠達到削峰填谷的效果，且不會引起新的負荷高峰。文獻[8]以LA為中介，提出了需求響應資源的分層優(yōu)化模型，以成本最小化為優(yōu)化目標建立負荷的聚合模型，并得到滿足系統(tǒng)需求的資源調(diào)度安排。文獻[9]考慮LA聚合的中小用戶響應行為的不確定性，采用隨機規(guī)劃理論建立了LA合約決策優(yōu)化模型，并且模型中考慮了LA從聚合用戶中購買確定性響應資源緩解中小用戶響應不確定性風險的購買策略。文獻[10]以可控負荷運行狀態(tài)為決策變量，以最小化負荷實際出力偏差、最大化LA利益為目標，考慮人體舒適度約束，建立了空調(diào)負荷的聚合模型，將負荷分為多個容量相近的聚合組。文獻[11]以電熱水器為對象，計及用戶對功率需求和電價的偏好建立電熱水器負荷的聚合模型，通過聚合商對用戶負荷進行聚合，在滿足調(diào)度部門調(diào)度要求的同時滿足用戶的需求。

由以上研究可知，當前負荷聚合的研究大都是針對單一類型負荷，而在居民用戶負荷中，多種類型負荷并存。依托于LA，如何將每一用戶作為聚合元素，綜合用戶多種需求響應資源的響應情況，進行多用戶的選擇聚合是本文的研究重點。首先，根據(jù)居民用戶負荷的用電特性及控制方式將負荷分類，分析每一類負荷可參與的需求響應類型，并建立相應的響應模型。其次，利用自組織映射(self-organizing map，SOM)神經(jīng)網(wǎng)絡[12-14]根據(jù)用戶的響應潛力對用戶進行聚類，得到不同響應類型及響應等級的用戶分類結(jié)果。然后，計及調(diào)度過程中用戶的響應違約情況，建立考慮風險[15-16]的LA負荷優(yōu)化聚合模型。最后通過算例分析驗證模型的正確性及有效性。

1 居民負荷分類建模及需求響應潛力分析

1.1 居民負荷分類

文獻[17]按照是否具有彈性、記憶性以及可中斷性對居民負荷做了簡單分類，本文在此基礎上，考慮實際的家庭負荷種類將負荷分為5類：可中斷無彈性負荷(inelastic interruptible appliances，IEI)、不可中斷無彈性負荷(inelastic uninterruptible appliances，IEUI)、局部記憶性彈性負荷(elastic applianceswith a partial memory property，EPM)、無記憶性彈性負荷(elastic applianceswith memoryless property，EML)、完全記憶性彈性負荷(elastic applianceswith a full memory property，EFM)。此外，由于EFM負荷在實際居民負荷中很少見，鮮有其參與需求響應的案例，因此本文未將EFM負荷納入需求響應可調(diào)度資源之中。

需求響應大致可分為2種類型：一是基于激勵的需求響應(incentive-based DR)，包括直接負荷控制(direct load control，DLC)、可中斷負荷(interruptible load，IL)、需求側(cè)競價等；二是基于電價的需求響應(price-based DR)，響應形式有分時電價、實時電價、尖峰電價。表1給出了參與需求響應的4類負荷的相關信息。

表1 參與需求響應的4類負荷的相關信息
Table 1 Related information of 4 types of load involved in DR

1.1.1 可中斷無彈性負荷模型

可中斷無彈性負荷在工作時間段內(nèi)，其總能耗必須大于某個臨界值，其數(shù)學模型如式(1)所示。

(1)

1.1.2 不可中斷無彈性負荷模型

不可中斷無彈性負荷以洗碗機為例，其負荷的數(shù)學模型如式(2)所示。

(2)

1.1.3 局部記憶性彈性負荷模型

局部記憶性彈性負荷以空調(diào)為例，其調(diào)節(jié)室溫符合空氣熱動力模型，當前室溫與前一時間段的室溫、外部環(huán)境溫度以及當前的空調(diào)功率直接相關[6,10]，如式(3)所示。

(3)

局部記憶性彈性負荷的數(shù)學模型如式(4)所示。

(4)

1.1.4 無記憶性彈性負荷模型

無記憶性彈性負荷功率可在一定范圍內(nèi)調(diào)節(jié)，具有彈性，式(5)表示該類負荷的數(shù)學模型。

(5)

1.2 居民負荷參與需求響應的優(yōu)化目標

居民負荷響應過程中，負荷變化對居民的影響主要有2個方面：電費和舒適度。對于所有類型的負荷而言，功率增加，則電費增加，功率減少，則電費減少。而功率變化引起的用電舒適度變化與負荷類型有很大關系。

式(6)表示實施需求響應前后支付電費的變化，并將其做歸一化處理：

(6)

式中：ucost為支付電費衡量指標，ucost越大，電費支出越少，反之電費支出越多；C0、CDR分別為負荷響應前后的電費成本(電量與電價的乘積)；p0為響應前的統(tǒng)一電價；Pt為負荷實時功率。

IEI負荷與IEUI負荷用電功率不可調(diào)節(jié)，只能將部分或整體負荷轉(zhuǎn)移至其他時段，用電時段的轉(zhuǎn)移對用電舒適度的影響較小。因此用電舒適度并不作為這2類負荷優(yōu)化控制的目標。

對于EPM負荷，其功率變化會間接影響用戶的用電舒適度。該類負荷以溫控負荷為主，功率的變化會導致負荷目標溫度的變化，從而間接改變用戶用電舒適度，關系式如式(7)所示。

(7)

對于EML負荷，其功率變化直接影響用戶用電舒適度，如式(8)所示。當功率為初始設定值時，用電舒適度等于1，功率偏離設定值越大，舒適度越低。

(8)

當執(zhí)行電價型需求響應時，這4類負荷均參與響應，其綜合優(yōu)化目標利用幾何加權的方式表示為式(9)—(10)。

(9)

(10)

式中：fprice為參與電價型需求響應時的優(yōu)化目標；ωcost和ωcomfort分別為用電成本和舒適度的加權系數(shù)，ωcost+ωcomfort=1，當用戶認為電費支出節(jié)省和舒適度增加同樣重要時，ωcost=ωcomfort=0.5；ucomfort為舒適度的綜合優(yōu)化指標；ωEPM和ωEML分別為EPM負荷舒適度和EML負荷舒適度的權重。式(9)中的第1項和第2項分別為用電成本和舒適度的優(yōu)化，舒適度的綜合優(yōu)化由EPM負荷和EML負荷的舒適度組成。

當執(zhí)行激勵型響應時，EML負荷不參與，其余3類負荷均參與，這3類負荷的用電并不互相干擾，因此這3類負荷可分別優(yōu)化，優(yōu)化目標為

(11)

(12)

(13)

式中：fincent_IEUI、fincent_IEI、fincent_EPM分別為IEUI、IEI、EPM三類負荷參與激勵響應時的優(yōu)化目標；CIEUI、CDR_IEUI分別為IEUI負荷激勵響應前后的電費支出；CIEI、CDR_IEI分別為IEI負荷激勵響應前后的電費支出；ωEPM_cost和ωEPM_comfort分別為EPM負荷電費支出和舒適度的權重；uEPM_cost和uEPM_comfort分別為EPM負荷電費支出和舒適度的衡量指標。式(11)、(12)分別為IEUI和IEI負荷激勵響應的優(yōu)化函數(shù)，其優(yōu)化目標只考慮用電成本的影響；式(13)為EPM負荷的優(yōu)化函數(shù)，其優(yōu)化目標是用電成本與舒適度的幾何加權平均值。

1.3 居民負荷的響應過程及潛力分析

居民負荷在次日工作之前需提前設定次日的用電狀態(tài)作為需求響應的初始狀態(tài)。本文通過分析歷史用電數(shù)據(jù)，選取典型日負荷用電狀態(tài)作為初始值。然后根據(jù)供LA提供的需求響應信息，在優(yōu)化目標和相關約束條件下進行負荷用電狀態(tài)的調(diào)整。

4類負荷中除EML負荷不參與激勵型需求響應外，其他3類負荷既可參與電價型需求響應又可參與激勵型需求響應，用戶每隔一段時間需要根據(jù)優(yōu)化目標值的大小選擇最終參與的響應類型。4類負荷的最終優(yōu)化目標為：

(14)

式中fprice_IEI、fprice_IEUI、fprice_EPM、fprice_EML分別為IEI、IEUI、EPM、EML這4類負荷參與電價型需求響應時的優(yōu)化目標。

該優(yōu)化問題是一個混合整數(shù)規(guī)劃問題，最后優(yōu)化的結(jié)果即為4類負荷參與需求響應后負荷調(diào)整結(jié)果，且其最優(yōu)解也是用戶的需求響應的最大潛力值。此外，每個用戶用電設備及用電習慣的不同，使每個用戶的需求響應潛力大小不同。而且，同一用戶每天不同時段用電情況的變化也會導致需求響應潛力的變化。引入1×24的需求響應潛力值向量X，表示用戶1天24個時段的響應潛力。

X=(x1,x2,…,xt,…,x24)

(15)

式中xt表示用戶在t時段參與需求響應時能提供的最大功率削減值。

在分析用戶負荷需求響應潛力的基礎上，根據(jù)用戶的響應潛力值向量，采用SOM神經(jīng)網(wǎng)絡對用戶進行聚類，得到不同響應類型及響應等級的用戶劃分結(jié)果，為LA選擇聚合用戶做準備。

1.4 基于SOM的用戶聚類

自組織映射神經(jīng)網(wǎng)絡是一種無監(jiān)督競爭式學習網(wǎng)絡，能夠識別環(huán)境特征并自動聚類，在負荷聚類分析中得到廣泛應用[12-14]。SOM神經(jīng)網(wǎng)絡由輸入層和輸出層這2層神經(jīng)元組成，輸入層中每一個神經(jīng)元通過可變權值與輸出層各神經(jīng)元相連，輸出神經(jīng)元形成一個二維平面陣列。

本文以用戶的需求響應潛力值向量X作為SOM神經(jīng)網(wǎng)絡的輸入向量進行訓練，其拓撲結(jié)構如圖1所示。

圖1 基于SOM的用戶聚類識別Fig.1 User clustering recognition based on SOM

訓練步驟如下詳述。

(1)確定神經(jīng)網(wǎng)絡結(jié)構。輸入層神經(jīng)元數(shù)n=24，每一神經(jīng)元對應輸入特征向量的一個分量，輸出神經(jīng)元數(shù)j為5×5個=25個。

(2)初始化。輸入層神經(jīng)元到輸出層神經(jīng)元的連接權wnj(t)賦[0,1]區(qū)間的隨機值，n=1, 2,…, 24，j=1, 2,…, 25。

(3)選取某用戶需求響應潛力向量X，提供給網(wǎng)絡的輸入層，作歸一化處理。

(16)

(4)計算歐式距離。其中歐式距離最小的神經(jīng)元j*為獲勝的神經(jīng)元。

(17)

(5)調(diào)整連接權矢量。對j*及其鄰域Nj*(t)以內(nèi)的神經(jīng)元的連接權矢量進行更新。

(18)

式中η(t)為可變學習速度，η(t)和Nj*(t)鄰域都隨著時間而衰減。

(6)選取新用戶的潛力值向量，從步驟3重復學習過程，直到所有用戶訓練完成。

訓練結(jié)束后，輸出編號一樣的神經(jīng)元就代表了特征相似的類別，可以劃分為同一類。

2 計及風險的LA優(yōu)化聚合模型

LA需要整合分散的需求響應資源來參與市場競爭，而由于用戶用電的主觀性較大，實際中存在用戶違約的情況。對于違約電量，市場將收取懲罰費用，這將增加LA面臨的風險，所以在聚合時，LA需要同時評估參與用戶的響應能力與用電違約概率，優(yōu)選聚合響應能力高且違約率低的DR用戶來降低風險，保障收益。

2.1 用戶違約電量模型

由于用戶用電習慣和意愿相互獨立，且違約電量分布在[0,Qi]的非負區(qū)間內(nèi)，其中Qi表示研究時段內(nèi)調(diào)度用戶i的削減總量。因此，本文采用截斷正態(tài)分布來模擬違約電量的隨機分布[18]。

設δ～N(μ，σ2)，則δ在δl≤δ≤δr條件下服從的分布稱為截斷正態(tài)分布，記為N(μ，σ2，δl，δr)。其概率密度函數(shù)的表達式為

(19)

式中φ和φ分別為標準正態(tài)分布的概率密度函數(shù)和累積分布函數(shù)。

對于用戶i的違約電量，其分布的截斷下限取為0，上限為Qi。參考文獻[17]截斷正態(tài)分布的期望表達式，可得用戶違約電量期望值為

(20)

2.2 市場懲罰規(guī)則

參照PJM市場規(guī)則[19-20]，本文根據(jù)需求響應等級的高低設置不同的單位電量懲罰價格。以1個季度為周期的用戶違約懲罰C可表示為

(21)

式中：k代表需求響應的等級；s為需求響應等級的種類；mki為第i個用戶在第k種需求響應等級下持續(xù)的天數(shù)；Eki為第i個用戶在第k種需求響應等級下用戶違約電量的期望值；pck為第k種需求響應等級下的單位電量市場懲罰價格。

2.3 市場等級化補償規(guī)則

不考慮用戶違約情況下，LA按照均一價格從市場獲得的響應補償I0為

(22)

式中：Qki為第i個用戶在第k種需求響應等級下一日的計劃削減總量；p0k為現(xiàn)貨市場價格。

考慮違約時采用下述市場等級化補償規(guī)則。首先，定義用戶違約百分比γi。

(23)

式中Ei為用戶i研究時段內(nèi)違約電量期望值。

γi可以衡量不同用戶在聚合后參與市場調(diào)度違約可能性的差異，本文根據(jù)聚合用戶違約百分比將用戶劃分為4個等級，并制定相應的等級化補償標準，以支持、鼓勵優(yōu)質(zhì)的需求響應用戶資源。

設γf為市場準入門檻，γq為合格資源門檻值，γg為優(yōu)質(zhì)資源門檻值，則市場等級劃分為：(1)一級為優(yōu)質(zhì)資源，γi≤γg；(2)二級為合格資源，γgγi≤γq；(3)三級為受限資源，γqγi≤γf；(4)四級為受禁資源，γiγf。違約百分比超過聚合設定上限，被禁止參與LA的聚合。

定義不同等級DR資源的補償價格與均一補償價格的比值λ為補償倍數(shù)，則在等級化補償規(guī)則下，不同等級DR用戶聚合后的LA參與市場獲得的售電補償可表示為

(24)

2.4 LA風險度量指標

本文將風險度量的指標η表示為用戶按調(diào)度計劃削減負荷和用戶存在違約時，LA從市場獲得的補償收益的比值，比值越大，風險越大。

(25)

利用回歸分析法根據(jù)歷史數(shù)據(jù)估測出LA允許的風險上界ηmax。

2.5 計及風險的LA聚合優(yōu)化模型

經(jīng)過對用戶需求響應潛力值的分析，在考慮用戶違約存在的情況下，以LA從市場獲得的補償收益最大化為目標，則以1個季度為衡量期的LA選擇聚合DR用戶的優(yōu)化模型為

(26)

式中：QiDR為用戶的總響應潛力值，保證在用戶最大響應能力之內(nèi)進行調(diào)度，滿足用戶的滿意度；δ為給定的置信度水平，本文取δ=0.95。式(26)中的第1個約束為用戶i的調(diào)度總量約束；第2個約束為用戶i參與聚合的用電違約百分比的最低門檻；第3個約束為風險收益約束。

3 算例分析

3.1 用戶需求響應潛力分析

由于居民用電負荷具有季節(jié)性，夏季高溫導致空調(diào)負荷功率較高，而且需求響應的實施也往往集中在夏季高峰時段。本文選取夏季的某日實施需求響應，對50個用戶進行需求響應潛力分析。用戶的負荷數(shù)據(jù)及需求響應參數(shù)由河北省保定市供電局提供。每個用戶參與需求響應的負荷包括IEI、IEUI、EPM、EML這4類，由于經(jīng)濟情況與用電習慣的不同，每個用戶中每一類負荷中可能包含1種或多種用電設備。表2給出了4類負荷的代表性負荷及其具體的用電習慣約束。

需求響應實施前，用戶實施的單一電價為 0.52元·(kW·h)-1，需求響應過程中用戶實行峰谷分時電價且在晚高峰時段進行中斷控制，相應的響應信息見表3。

圖2為某一用戶執(zhí)行需求響應前后負荷的對比。圖2(a)—(b)為4類負荷電價型需求響應的情況。

表2 4類代表性負荷及用電限制約束
Table 2 Four types of representative loads and load-shedding constraints

表3 需求響應相關參數(shù)Table 3 Related parameters of DR

由圖2(a)—(b)可知：電動汽車將處于峰電價時段內(nèi)的充電負荷調(diào)整到了谷電價時段；洗碗機負荷進行了整體的平移；照明負荷可調(diào)節(jié)范圍較小，僅在白天高峰負荷時段進行了削減；空調(diào)負荷的功率波動較大，在11:00—12:00、13:00—13:30及17：00左右等時段，空調(diào)負荷上升，因為此時室外溫度較高，空調(diào)制冷功率較大，同時由于存在記憶性，下一時段功率的降低，并未使室內(nèi)溫度超過設定上限。整體功率降低引起的電費減少與用戶舒適度變化相平衡。圖2(c)是用戶執(zhí)行中斷響應與電價型需求響應的潛力值對比。由圖2(c)可知，可中斷負荷響應潛力值較高，因為中斷負荷可以更大程度地用經(jīng)濟補償來平衡舒適度的降低，故相比于電價型需求響應，用戶更愿意參與激勵型需求響應。但并不是所有的時段都如此，只有負荷高峰時段，或者某些出現(xiàn)功率缺額的特殊時段才會采取激勵型需求響應，即居民用戶還是以參與電價型需求響應為主。同理，可對50個居民用戶分別進行響應潛力分析。

圖2 負荷響應前后功率變化及響應潛力值比較Fig.2 Comparison of power change and response potential value before and after load DR

3.2 基于需求響應潛力的SOM用戶聚類

對50個居民用戶進行響應潛力分析，圖3為50個用戶24個時段響應潛力值分布。由圖3可知，夜間(00:00—06:00)，用戶的用電功率較低，其需求響應潛力值低于白天。需求響應潛力的峰值主要集中在白天用電高峰時段。

圖3 50個用戶24個時段響應潛力值分布Fig.3 Distribution of response potential values for 50 users in 24 periods

其中，在電價型需求響應與激勵型需求響應同時存在的晚高峰時段，27個用戶的激勵型需求響應潛力較大，其余23個用戶電價型響應潛力較大，將這2種響應特性的用戶分別稱為激勵響應高潛力型和電價響應高潛力型。運用1.4節(jié)中的聚類算法對這2種類型的用戶進行聚類，并對同一類別的用戶響應潛力曲線利用取平均值的方法求取聚類中心。圖4和圖5分別為激勵響應高潛力型和電價響應高潛力型的分類結(jié)果，其中加粗實線為聚類中心。圖6為激勵響應高潛力型和電價響應高潛力型這2種類型用戶晚高峰時段激勵響應下的響應潛力值分布。

圖4 激勵響應高潛力型用戶分類及等級劃分Fig.4 Classification and gradation of high potential excitation response users

圖5 電價響應高潛力型用戶分類及等級劃分Fig.5 Classification and gradation of high potential price response users

由聚類中心24個時段響應潛力和的大小進行響應等級的劃分，等級越高，響應能力越強。圖7為各響應等級的日響應潛力和的分布。

圖6 晚高峰時段2類響應潛力值Fig.6 Two types of response potential value in evening peak period

圖7 各等級日響應潛力總和Fig.7 Total daily response potential of each class

3.3 LA優(yōu)化聚合

規(guī)定不同響應等級下的單位電量市場懲罰價格pck高于相應時段的電價，并且響應等級越高，懲罰價格越大。激勵響應高潛力型4個響應等級的懲罰價格分別為0.60、0.65、0.68、0.70元·(kW·h)-1，電價響應高潛力型分別為0.50、0.55、0.58、 0.60元·(kW·h)-1。此外，用戶資源等級劃分的具體范圍及補償規(guī)則為：①優(yōu)質(zhì)資源，γ<3%，λ1=1.01；②合格資源，3%≤γ≤8%，λ2=1；③受限資源，8%≤γ≤13%，λ3=0.95；④受禁資源，γ>13%。

基于以上規(guī)定和假設，使用Matlab編程求解得到使LA獲得最大市場補償收益的用戶聚合選擇方案：50個用戶中6個違約百分比超過13%的用戶禁止參與聚合，其余可參與聚合的用戶經(jīng)優(yōu)化選擇，最終聚合用戶36個。表4列出了36個聚合用戶所對應的用戶編號、響應等級及資源等級，此時LA一個季度從市場獲得的最大補償收益為14.25萬元，比按照統(tǒng)一補償價格獲得的收益高1 996.65元。

表4 計及風險的LA負荷優(yōu)化聚合方案
Table 4 Optimized aggregation scheme for LA loads with considering risk

4 結(jié) 論

本文針對居民負荷提出了基于需求響應潛力分析的SOM用戶聚類方法，并在用戶分類的基礎上建立了計及風險的LA用戶優(yōu)化聚合模型，為LA在聚合過程中對負荷需求響應能力的分析及優(yōu)化選擇提供了一定的借鑒意義。

(1)居民用戶負荷具有空間分散、單一功率小、數(shù)量以及種類眾多的特點，在參與需求響應的過程中同時具有潛力大的優(yōu)勢和控制困難的劣勢。因此，將居民負荷分類并建立相應的響應模型可以詳細地分析用戶的需求響應潛力。此外，依據(jù)響應潛力的用戶聚類，可以將分散的響應資源進行整合并統(tǒng)一調(diào)控。

(2)LA通過整合DR資源參與市場交易來獲取利益，只有在利益得到保障的前提下，LA才會考慮聚合用戶參與需求響應，所以評估用戶的響應潛力同時考慮用戶用電違約概率是十分必要的。

本文LA的優(yōu)化聚合僅考慮了居民用電負荷，后續(xù)研究中將陸續(xù)考慮對商業(yè)用戶、分布式電源、電動汽車以及儲能裝置的整合，以及各類型用戶負荷之間的互補聚合。

[1]中國新聞網(wǎng). 發(fā)改委就電力體制改革答問:9方面推進電力市場建設[EB/OL].(2015-11-30)[2017-02-12].http://money.163.com/15/1130/10/B9LPFMII00254TI5.html.

[2]孫玲玲, 高賜威, 談鍵, 等. 負荷聚合技術及其應用[J]. 電力系統(tǒng)自動化, 2017, 41(6): 159-167. SUN Lingling, GAO Ciwei, TAN Jian, et al. Load aggregation technology and its application[J]. Automation of Electric Power Systems, 2017, 41(6): 159-167.

[3]MOHAGHEGHI S, YANG F, FALAHATI B. Impact of demand response on distribution system reliability[C]//2011 IEEE Power and Energy Society General Meeting. Detroit, Michigan, USA: IEEE, 2011: 1-7.

[4]高賜威, 李倩玉, 李慧星, 等. 基于負荷聚合商業(yè)務的需求響應資源整合方法與運營機制[J]. 電力系統(tǒng)自動化, 2013, 37(17): 78-86. GAO Ciwei, LI Qianyu, LI Huixing, et al. Methodology and operation mechanism of demand response resources integration based on load aggregator[J]. Automation of Electric Power Systems, 2013, 37(17): 78-86.

[5]焦連偉, 文福拴, 祁達才, 等. 電力市場中輔助服務的獲取與定價[J]. 電網(wǎng)技術, 2002, 26(7): 1-6. JIAO Lianwei, WEN Fushuan, QI Dacai, et al. Procurement and pricing of ancillary services in electricity markets[J]. Power System Technology, 2002, 26(7): 1-6.

[6]周磊, 李揚, 高賜威. 聚合空調(diào)負荷的溫度調(diào)節(jié)方法改進及控制策略[J]. 中國電機工程學報, 2014, 34(31): 5579-5589. ZHOU Lei, LI Yang, GAO Ciwei. Improvement of temperature adjusting method for aggregated air-conditioning loads and its control strategy[J]. Proceedings of the CSEE, 2014, 34(31): 5579-5589.

[7]潘樟惠, 高賜威, 劉順桂. 基于需求側(cè)放電競價的電動汽車充放電調(diào)度研究[J]. 電網(wǎng)技術, 2016, 40(4): 1140-1146. PAN Zhanghui, GAO Ciwei, LIU Shungui. Research on charging and discharging dispatch of electric vehicles based on demand side discharge bidding[J]. Power System Technology, 2016, 40(4): 1140-1146.

[8]GKATZIKIS L, KOUTSOPOULOS I, SALONIDIS T. The role of aggregators in smart grid demand response markets[J]. IEEE Journal on Selected Areas in Communications, 2013, 31(7): 1247-1257.

[9]朱文超. 計及用戶響應不確定性的負荷聚合商運營決策模型研究[D]. 北京：華北電力大學, 2016. ZHU Wenchao. Research on contract decision model for load aggregators considering uncertainty of user[D]. Beijing：North China Electric Power University, 2016.

[10]高賜威, 李倩玉, 李揚. 基于DLC的空調(diào)負荷雙層優(yōu)化調(diào)度和控制策略[J]. 中國電機工程學報, 2014, 34(10): 1546-1555. GAO Ciwei, LI Qianyu, LI Yang. Bi-level optimal dispatch and control strategy for air-conditioning load based on direct load control [J]. Proceedings of the CSEE, 2014, 34(10): 1546-1555.

[11]DOUGLASS P J, GARCIA-VALLE R, NYENG P, et al. Smart demand for frequency regulation: Experimental results[J]. IEEE Transactions on Smart Grid, 2013, 4(3): 1713-1720.

[12]張紅斌, 賀仁睦, 劉應梅. 基于KOHONEN神經(jīng)網(wǎng)絡的電力系統(tǒng)負荷動特性聚類與綜合[J]. 中國電機工程學報, 2003, 23(5): 1-5, 43. ZHANG Hongbin，HE Renmu，LIU Yingmei. The characteristics clustering and synthesis of electric dynamic loads based on KOHONEN neural network[J].Proceedings of the CSEE, 2003, 23(5): 1-5, 43.

[13]許雅婧, 黃小慶, 曹一家, 等. 基于SOM神經(jīng)網(wǎng)絡聚類的空調(diào)負荷聚合方法[J].電力系統(tǒng)及其自動化學報, 2015, 27(11): 26-33. XU Yajing，HUANG Xiaoqing，CAO Yijia, et al. Aggregation of air conditioner load based on self-organizing feature map neural network[J].Proceedings of the CSU-EPSA, 2015, 27(11): 26-33.

[14]李智勇,吳晶瑩,吳為麟,等.基于自組織映射神經(jīng)網(wǎng)絡的電力用戶負荷曲線聚類[J]. 電力系統(tǒng)自動化, 2008, 32(15): 66-70, 78. LI Zhiyong, WU Jingying, WU Weilin, et al. Power customers load profile clustering using the SOM neural network[J]. Automation of Electric Power Systems, 2008, 32(15): 66-70, 78.

[15]張開宇, 宋依群, 嚴正. 考慮用戶違約可能的負荷聚合商儲能配置策略[J]. 電力系統(tǒng)自動化, 2015, 39(17):127-133. ZHANG Kaiyu, SONG Yiqun, YAN Zheng. Energy storage capacity optimization for load aggregators considering probability of demand response resources’breach[J]. Automation of Electric Power Systems, 2015, 39(17):127-133.

[16]岑曉冬. 有關計及風險的供電公司最優(yōu)購電決策模型研究[J]. 科技創(chuàng)新與生產(chǎn)力, 2011(3): 77-80, 85. CEN Xiaodong.Research on optimal purchasing decision of electrical supply company[J]. Sci-tech Innovation and Productivity, 2011(3): 77-80, 85.

[17]CUI Q, WANG X, WANG X, et al. Residential appliances direct load control in real-time using cooperative game[J]. IEEE Transactions on Power Systems, 2016, 31(1): 226-233.

[18]章棟恩. 截斷正態(tài)分布參數(shù)估計的EM算法[J].北京輕工業(yè)學院學報, 1998, 16(2):72-76. ZHANG Dongen. Estimation of parameter for truncated normal distribution via the EM algorithm[J]. Journal of Beijing Institute of Light Industry, 1998, 16(2):72-76.

[19]國家電力監(jiān)管委員會.美國電力市場[M]. 北京:中國電力出版社,2005:103-327.

[20]PJM. Energy market manuals[EB/OL]. (2014-12-14)[2017-02-14]. http://www.pjm.com/documents/ manuals.aspx.

(編輯 景賀峰)

Optimized Aggregation Model for Resident Users Based on SOM Demand Response Potential

SUN Yanping1，LI Hong1，YANG Wenhai2，GAO Yajing1

(1. State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University), Baoding 071003, Hebei Province, China；2. School of Economics and Management, North China Electric Power University, Baoding 071003, Hebei Province, China)

Fully tapping the demand response (DR) of the aggregate object and reasonably aggregating high-quality users with both good DR and low default rates, are effective ways for load aggregator (LA) to guarantee the profits, lower the risk and strengthen the market competitiveness. Firstly, this paper classifies the loads according to the residential users’ load characteristics and establishes corresponding response model. Secondly, the DR potential vector, which is composed of 24 periods of response potential value of residential users, is regarded as the input vector of the self-organizing map (SOM) neural network algorithm, in order to obtain the classification of response types and levels of residential users. Thirdly, considering the default probability during the response process, this paper establishes an optimized aggregation model for LA users with risk. Finally, an example is given to verify the validity and effectiveness of the model.

response potential; self-organizing map (SOM); load aggregation; risk

國家自然科學基金項目(51607068)；北京市自然科學基金項目(3164051)；中央高?；究蒲袠I(yè)務費專項資金資助項目(2015MS81)

TM 73

A

1000-7229(2017)07-0025-09

10.3969/j.issn.1000-7229.2017.07.004

2017-04-05

孫彥萍(1993)，女，碩士研究生，主要研究方向為主動配電網(wǎng)狀態(tài)估計、需求側(cè)資源聚合；

李虹(1979)，女，博士，講師，碩士生導師，主要研究方向為電力系統(tǒng)分析、新能源電力系統(tǒng)；

楊文海(1983)，男，博士研究生，主要研究方向為電力經(jīng)濟研究；

高亞靜(1980)，女，博士，副教授，碩士生導師，主要研究方向為電力系統(tǒng)調(diào)度自動化、電力經(jīng)濟、電力系統(tǒng)規(guī)劃與可靠性。

Project supported by National Natural Science Foundation of China(51607068)；Beijing Natural Science Foundation(3164051)； Fundamental Research Funds for the Central Universities (2015MS81)