栗子豪, 吳文傳, 朱 潔, 丁屹峰, 楊 爍, 張伯明

(1. 清華大學電機工程與應用電子技術系, 北京市 100084; 2. 電力系統(tǒng)及發(fā)電設備控制和仿真國家重點實驗室, 清華大學, 北京市 100084; 3. 國網(wǎng)北京市電力公司電力科學研究院, 北京市 100075)

0 引言

為了治理大氣污染,華北地區(qū)“煤改電”工程進展迅速,目前已覆蓋北京、天津、河北、山東、河南和山西6省共28個城市。2016年底,北京地區(qū)累計完成400個村共計58.25萬戶的“煤改電”改造工作,并將于2017年采暖季前完成522個村的“煤改電”改造[1]?？諝庠礋岜玫碾姛徂D(zhuǎn)換效率可達2.5以上,故其能源利用效率遠高于直接電熱方式。同時,熱風型低溫空氣源熱泵、多種除霜措施等已經(jīng)可以保證空氣源熱泵在北方地區(qū)可靠穩(wěn)定運行[2]?？諝庠礋岜靡殉蔀椤懊焊碾姟惫┡闹髁鞣绞絒3]。

大面積采暖熱泵的接入,配電網(wǎng)需要進行擴容改造,而采暖負荷日峰谷差大,因此存在設備利用率低等問題?！懊焊碾姟惫こ虒嵤┖缶┙蚣絽^(qū)域農(nóng)網(wǎng)負荷都有較大幅度的增長,峰谷差增大約14%，平均負荷率降低約10%[4]。這是因為以保證冬季采暖高用電峰安全為目的的保守電網(wǎng)改造方案增加了電網(wǎng)投資,降低了設備利用率。

通過負荷側(cè)參與主動配電網(wǎng)日前調(diào)度可以降低日負荷峰谷差,提高設備利用率從而延緩電網(wǎng)投資[5-6]。由于采暖季室內(nèi)外溫差達20～30 ℃,而內(nèi)外墻和儲熱裝置有較大的蓄熱潛力,因此采暖熱泵作為可調(diào)控移峰負荷具有天然優(yōu)勢[3]。文獻[7]通過搭建包含光伏、熱泵、儲熱的建筑實驗平臺驗證了熱泵優(yōu)良的負荷轉(zhuǎn)移特性,同時有助于提升本地可再生能源消納率。文獻[8]提出通過調(diào)控實時電價促使熱泵用戶主動響應,從而降低峰谷差。文獻[9]通過優(yōu)化熱泵運行時間降低配電網(wǎng)棄風率,滿足用戶供暖需求。但是上述研究都未考慮配電網(wǎng)內(nèi)分布式發(fā)電和負荷的不確定性,如遇極端情況則該調(diào)度策略可能反而惡化配電網(wǎng)運行。

為刻畫不確定性參數(shù),可采用魯棒優(yōu)化和隨機優(yōu)化等方法[10]。區(qū)間魯棒優(yōu)化結(jié)果存在保守性問題,雖然保守性可調(diào)但是其物理含義不夠直觀[11]。而傳統(tǒng)隨機優(yōu)化模型在實際應用中面臨兩大問題:①需要精確的隨機變量概率密度函數(shù),而該函數(shù)在現(xiàn)實中大多數(shù)難以獲得;②隨機優(yōu)化模型基本上基于抽樣場景法,計算量過大?；谖墨I[12],本文采用了一類新型的機會約束的優(yōu)化模型,且可以松弛轉(zhuǎn)化為確定性模型。本文采用的機會約束模型中,只需假設概率分布函數(shù)是均值為零的任意對稱分布,經(jīng)松弛轉(zhuǎn)化為確定性模型的最優(yōu)解是原問題的一個保守解(下確界)。

另外,“煤改電”工程中所安裝的空氣源熱泵多數(shù)為較為廉價的定頻熱泵,主要依靠啟、停兩種運行工況控制室溫,因此考慮電網(wǎng)運行安全約束的熱泵日前調(diào)度問題是一類混合整數(shù)優(yōu)化問題。本文將其轉(zhuǎn)化為混合整數(shù)二階錐規(guī)劃問題,可以調(diào)用通用優(yōu)化軟件求解,例如CPLEX[13]。

本文提出了一種基于機會約束的主動配電網(wǎng)熱泵日前調(diào)度模型。首先,在假設模型中預測誤差的概率分布為零均值的任意對稱分布情況下,本文將該機會約束優(yōu)化問題松弛轉(zhuǎn)換成為確定性的混合整數(shù)凸規(guī)劃問題。進而,通過修改機會約束的置信水平參數(shù)來調(diào)整決策模型的魯棒性,并可被有效求解。最后,通過IEEE 33節(jié)點算例驗證上述結(jié)果。

1 配電網(wǎng)采暖熱泵日前調(diào)度模型

分布式電源出力和用戶負荷曲線通過預測給出,預測模塊同時提供預測誤差的歷史統(tǒng)計信息。在本文所提決策模型中,控制變量是用戶采暖熱泵的啟停狀態(tài)。如圖1所示,室內(nèi)采用熱泵通過熱水循環(huán)供暖,即由熱泵加熱水箱中的熱水,再由水循環(huán)管道向室內(nèi)供暖。這種供暖方式可以避免熱泵送風采暖帶來的干燥不適,同時增加系統(tǒng)的儲熱能力。電采暖日前調(diào)度系統(tǒng)可安裝在配電網(wǎng)調(diào)度中心,通過安裝在各用戶的室內(nèi)傳感器收集本地信息,在調(diào)度中心進行調(diào)度優(yōu)化計算,再向各用戶終端下發(fā)次日各熱泵啟停時刻指令。

圖1 熱泵供熱的房屋熱水系統(tǒng)循環(huán)采暖示意圖Fig.1 Schematic diagram of cycle heating of a house with water heating system supplied by heat pump

以下將依次介紹熱泵負荷模型、配電網(wǎng)模型和臺區(qū)負荷模型,最后給出日前調(diào)度問題的數(shù)學模型。

1.1 熱泵負荷模型

房屋和水箱采用一階熱等效模型[14],其微分方程為:

(1)

(2)

上述微分方程的差分形式為:

(3)

(4)

在獨立運行狀況下,室內(nèi)水循環(huán)泵恒速運轉(zhuǎn),熱泵控制器采集室內(nèi)溫度控制熱泵啟停進而控制水箱水溫,進而維持室內(nèi)溫度在設定溫度附近?？紤]熱泵的功率模型如下:

pr,HP(t)=xr(t)Pr,HP

(5)

pr,HPtanφr,HP=qr,HP

(6)

(7)

ηr(t)=αrTo(t)+βr

(8)

式中:xr(t)∈{0,1}為第r個房間的熱泵第t時段的開關狀態(tài);Pr,HP為該熱泵的額定電功率;pr,HP和qr,HP分別為該熱泵的有功和無功功率；φr,HP為該熱泵的恒定功率因數(shù)角;ηr(t)為該熱泵的電熱轉(zhuǎn)換效率,即能效比(COP)。由于水箱水溫相對恒定,故可將其COP近似表示為室外溫度的線性函數(shù)[15],其中αr和βr為測量得到或用戶手冊上給出的已知系數(shù)。

1.2 配電網(wǎng)模型

配電網(wǎng)一般輻射狀運行,采用DistFlow潮流模型,并應用二階錐松弛[16]可得:

(9)

(10)

(11)

Ui-Uj=2(rijPij+xijQij)-|zij|2hij

(12)

(13)

(14)

(15)

式中:Pi,Qi,Vi分別為節(jié)點i的有功、無功負載功率(流入節(jié)點為正)和電壓幅值;Hi和Hk分別代表與節(jié)點i和k相連的節(jié)點的集合;Pij和Qij分別為線路ij上的有功、無功功率;zij=rij+jxij為線路阻抗;hij為線路ij上電流幅值的平方。

1.3 臺區(qū)的負荷模型

配電網(wǎng)的每個節(jié)點通過臺區(qū)變壓器與下屬饋線連接,饋線上掛用戶負荷和分布式電源。忽略饋線電壓約束和損耗,臺區(qū)節(jié)點的負荷模型可以構建為:

(16)

(17)

式中:r∈i表示房間r屬于臺區(qū)節(jié)點i；pr和qr分別為第r個房間的總負荷有功功率和無功功率;pr,L和qr,L分別為第r個房間除熱泵外其他負荷的有功、無功功率;pr,PV和qr,PV分別為第r個房間的光伏有功、無功出力。

熱泵之外的其他負荷和光伏出力不可控,根據(jù)負荷預測曲線和光伏出力預測曲線給出翌日逐時功率數(shù)據(jù)信息。簡單起見,設負荷和光伏出力功率因數(shù)φr,L和φr,PV為給定常數(shù)。

(18)

由于式(16)和式(17)為線性關系,可將節(jié)點上負荷和光伏出力統(tǒng)一用功率預測值表示為:

(19)

(20)

1.4 配電網(wǎng)采暖熱泵日前調(diào)度確定性模型

為了敘述方便,先介紹忽略不確定性因素的熱泵日前調(diào)度的確定性模型。日前調(diào)度模型的目標函數(shù)由兩部分組成,即高峰負荷懲罰項和網(wǎng)損項,具體如下:

(21)

其中目標函數(shù)的第一項為高峰負荷懲罰項,Pi,max對應節(jié)點i的臺區(qū)變壓器一日的最大通過有功功率,i=0對應與主網(wǎng)的聯(lián)絡變壓器,γi為給定的變壓器容量邊際成本權重，H為全天時刻數(shù)；n為配電網(wǎng)節(jié)點數(shù)。目標函數(shù)的第二項為一天全時段網(wǎng)損求和項,μ為權重系數(shù)。高峰負荷懲罰項的經(jīng)濟意義是考慮配電網(wǎng)設備擴容改造時由于需要滿足負荷高峰及備用而引起的邊際成本。

因此,配電網(wǎng)采暖熱泵日前調(diào)度模型如下:

(22)

s.t. 式(3)—式(18)

Tr,min≤Tr(t)≤Tr,max

(23)

Tr(0)=Tr,set(0)

(24)

Tw,r(0)=Tw，r,set(0)

(25)

Tw,r(H)≥Tw,r(0)

(26)

Ui,min≤Ui(t)≤Ui,max

(27)

(28)

(29)

(30)

(31)

Pi(t)≤Pi,max

(32)

式(23)保證室內(nèi)舒適溫度區(qū)間,式(24)和式(25)為初始條件,式(26)保證前一天對熱泵的調(diào)控不會對次日造成儲熱虧損,式(27)和式(28)為網(wǎng)絡電壓上下限約束和線路熱約束,式(31)為臺區(qū)變壓器容量上限約束。因受房間舒適溫度限制,此處忽略水溫上下限約束,在算例也可觀察到水溫在合理范圍內(nèi)變化。水溫和房間溫度共同反映了熱泵房間系統(tǒng)的儲能水平[17],通過控制熱泵啟停,可以在保證室內(nèi)溫度水平的前提下實現(xiàn)負荷轉(zhuǎn)移?？梢钥闯?含熱泵的配電網(wǎng)日前調(diào)度模型是一個混合整數(shù)二階錐規(guī)劃問題。

本文采取的是針對熱泵的直接負荷控制策略,應用情景是在采暖季前,配電網(wǎng)方與用戶簽訂熱泵控制合同,主要包括:①用戶熱泵的啟停受配電網(wǎng)調(diào)控;②配電網(wǎng)方需保證用戶室內(nèi)舒適度不受明顯影響;③配電網(wǎng)方一次性向用戶支付響應補貼。目前,“煤改電”和配電網(wǎng)改造正同時進行,如果在配電網(wǎng)設備擴容改造時兼顧電采暖設備有序用電,則可大幅降低設備擴容量,節(jié)約投資成本。

2 一般性機會約束及其確定性轉(zhuǎn)化方法

在上述日前調(diào)度優(yōu)化模型中,室外溫度、光伏出力和負荷預測由預測機構給出,含有較強的不確定性。在確定性模型基礎上考慮預測誤差的不確定性分布,引入機會約束的形式刻畫約束被破壞的概率,通過調(diào)節(jié)該機會約束的置信水平來控制調(diào)度計劃的魯棒性和經(jīng)濟性。

一般地,假設包含預測誤差的約束為線性不等式約束,滿足:

aTε+b≤0

(33)

則其機會約束形式為:

Probε～P{aTε+b>0}≤ξ

(34)

式中:Probε～P{·}表示當誤差變量ε服從概率密度分布函數(shù)P時括號內(nèi)事件發(fā)生的概率,其關于各個變量的邊際分布相互獨立、均值為0且分布在[-1,1]上;ξ為該不等式約束被破壞的概率。

根據(jù)文獻[12],上述概率約束可以表示為:

(35)

其中:

(36)

取連續(xù)可微函數(shù)γ(s)恒大于等于χ(s),有

(37)

可取γ(s)=es,有

(38)

由于該概率分布P滿足均值為0且分布在[-1,1]上,則有

(39)

因此,若

(40)

成立,則有式(34)成立。根據(jù)文獻[13],原機會約束可以寫為:

(41)

至此,機會約束(式(34))轉(zhuǎn)換為二階錐約束(式(41)),但是要比原機會約束保守,給出了式(34)的一個下界。

3 基于機會約束的配電網(wǎng)熱泵日前調(diào)度模型及其轉(zhuǎn)換

調(diào)度模型中的不確定性變量主要包括室外溫度和節(jié)點注入功率,其真實值可以表示為其預測值加預測誤差的形式:

(42)

(43)

(44)

式中:隨機變量統(tǒng)一用上標“～”表示;εTo(t)為t時刻的室外溫度標幺化誤差;εPi(t)和εQi(t)分別為i節(jié)點有功功率和無功功率的標幺化誤差;b表示根據(jù)歷史采集數(shù)據(jù)將誤差限制在[-1,1]上得到的標幺系數(shù)。室外溫度和負荷預測由相關預測機構給出,預測誤差為預測值與真實值的偏差。室外溫度和負荷預測系統(tǒng)通常需要整定預測誤差為零均值,以保證無偏預測[18-19]。同時,預測誤差通?？梢约僭O符合對稱分布甚至高斯分布[20]。因此,可以運用上述機會約束確定性轉(zhuǎn)化方法對其約束進行轉(zhuǎn)化。

考慮不確定性參數(shù)后,配電網(wǎng)日前調(diào)度模型是一個機會約束的隨機優(yōu)化模型:

(45)

s.t. 式(3)—式(18)、式(24)、式(25)、式(27)、

式(28)

(46)

(47)

(48)

(49)

(50)

其中式(45)表示原目標函數(shù)式(21)的期望。其中目標函數(shù)式(45)展開為:

(51)

根據(jù)式(29)、式(43)和E(ε)=0,有

(52)

在第2節(jié)給出了一般性機會約束形式及其轉(zhuǎn)化為確定性約束的方法。篇幅所限,本文在此給出約束式(46)和式(47)的具體轉(zhuǎn)化過程,約束式(48)和式(49)依據(jù)相同的步驟即可實現(xiàn)確定性轉(zhuǎn)化。

3.1 約束式(46)和式(47)的轉(zhuǎn)化過程

由式(3)和式(4)可知:

(53)

(54)

簡記為:

Tw,r(t+1)=δw,rTr(t)+φw,rTw,r(t)+

(55)

Tr(t+1)=δrTr(t)+φrTw,r(t)+γrTo(t)

(56)

(57)

ArTr=BrTw,r+CrTo+dr

(58)

式中:

dr=[Tr(0) 0 … 0]T

式(57)和式(58)可進一步表示為:

(59)

(60)

式中：Jr，Kr，lr，Mw,r,Nw,r,pw,r為對應變形后的矩陣和向量。

則約束式(47)可以寫為:

lr-Tr,max>0}≤ξ

(61)

根據(jù)式(41)有

(62)

同理,約束式(46)可表示為:

(63)

轉(zhuǎn)化后的約束為:

(64)

可以看出,轉(zhuǎn)化后的約束為原約束的緊縮,體現(xiàn)了機會約束的魯棒性。圖2展現(xiàn)了在約束破壞概率ξ分別為0.05,0.15,0.25,0.35下各個時刻轉(zhuǎn)化后確定性溫度約束上下限的變化情況。由圖可知,隨著時間的推移,不確定性累計量增大,因此需要更保守的溫度范圍;同時,約束破壞概率越小,其溫度范圍也越小,體現(xiàn)了機會約束概率對優(yōu)化保守程度的控制。

圖2 機會約束確定性轉(zhuǎn)化后溫度約束的上下限Fig.2 Temperature boundaries of transformed chance constraints

3.2 機會約束下日前調(diào)度的確定性轉(zhuǎn)化模型

根據(jù)上述推導過程,機會約束配電網(wǎng)日前調(diào)度模型的確定性轉(zhuǎn)化模型為:

(65)

s.t. 式(3)—式(18)、式(24)、式(25)、式(27)、

式(28)、式(32)、式(52)、式(64)

(66)

(67)

式中：mw和mp(t)分別為對應機會約束確定性轉(zhuǎn)化后的系數(shù)。

4 算例分析

本文采取了IEEE 33節(jié)點配電網(wǎng)絡作為網(wǎng)絡模型,全天分為96個時間點。各節(jié)點負荷預測曲線和光伏預測曲線采用北京某農(nóng)村冬季某日實測曲線作為基礎隨機生成,如附錄A圖A1和圖A2所示。假設光伏安裝在節(jié)點3,6,7,8,9,11,18,19,21,33。熱泵的安裝信息如附錄A表A1所示,式(8)中的能效曲線參數(shù)皆取為α=0.1 ℃-1,β=3.6。取負荷和熱泵的功率因數(shù)分別為0.9和0.95,取光伏電源的功率因數(shù)為1。通過反復調(diào)整,目標函數(shù)中權重因子取γ=1和μ=0.01可以實現(xiàn)較好的削峰填谷效果。房間模型由標準模型加隨機擾動產(chǎn)生,此處給出節(jié)點4的房間模型參數(shù),如附錄A表A2所示,室內(nèi)溫度范圍為[16,24]℃。室外溫度預測曲線采用北京冬季某典型日溫度曲線。電壓約束取基準電壓的0.9和1.1倍作為節(jié)點電壓的上下限;變壓器容量設置為節(jié)點最大負荷的2倍。本文的仿真環(huán)境為MATLAB R2014a,調(diào)用求解器為CPLEX 12.5。

在上述仿真條件下,本文按照上文提出的模型進行了算例求解。

4.1 調(diào)度優(yōu)化前后對比分析

取機會約束中ξ=0.05,即不等式約束不滿足的概率為0.05,做100次蒙特卡洛仿真試驗。此處考慮了室外溫度預測誤差和節(jié)點功率預測誤差,其樣本通過限制分布在[-1,1]上的兩個相互獨立的正態(tài)分布N(0,1/9)隨機產(chǎn)生。某次試驗配電網(wǎng)熱泵優(yōu)化調(diào)度前后結(jié)果如圖3和圖4所示。

圖3 熱泵調(diào)度前后結(jié)果對比Fig.3 Comparison of results with and without heat pump scheduling

圖4 熱泵調(diào)度前后節(jié)點4熱泵房間熱過程仿真Fig.4 Simulation of house thermal process for bus 4 with and without heat pump scheduling

圖3給出了熱泵負荷節(jié)點優(yōu)化前后的負荷曲線和輸配連接節(jié)點的注入有功曲線?？梢钥闯?優(yōu)化后各個熱泵節(jié)點負荷峰谷差皆明顯減小,最大峰值功率下降,全天負荷曲線趨緩,體現(xiàn)出熱泵白天儲熱、傍晚尖峰釋熱的移峰效果。配電網(wǎng)整體的峰谷差也大幅下降,白天配電網(wǎng)光伏倒送功率降低。節(jié)點19既包含光伏也包含熱泵,為圖3中的紫色線條,在未調(diào)度運行前由于晝夜用能發(fā)電不匹配，存在較大的峰谷差,在調(diào)度運行之后全體功率曲線表現(xiàn)平緩,體現(xiàn)出熱泵較為靈活的調(diào)節(jié)能力。各節(jié)點負荷日峰值也大幅下降,可以指導在規(guī)劃期降低該節(jié)點配電變壓器的擴容改造量。

表1給出了100次蒙特卡洛仿真試驗各熱泵節(jié)點和配電網(wǎng)調(diào)度前后的平均日峰谷差?？梢钥闯?配電網(wǎng)整體峰谷差降幅達8%以上,熱泵節(jié)點降幅最高可達40%以上,移峰效果明顯。在考慮有序用電運行工況下,“煤改電”對配電網(wǎng)設備擴容量可大幅減少,全天設備利用持續(xù)在較高水平,可以有效提高設備的利用水平。

表1 熱泵調(diào)度前后節(jié)點峰谷差(平均值)Table 1 Nodal peak-valley difference with and without heat pump scheduling (in average)

圖4所示為優(yōu)化調(diào)度前后節(jié)點4下屬10個房間的某次試驗熱過程仿真曲線。仿真根據(jù)優(yōu)化前后的熱泵啟停計劃并采用有限差分法計算,仿真步長為5 s?？梢钥闯?優(yōu)化調(diào)度后房間溫度T仍處于舒適度范圍內(nèi),但水箱溫度Tw運行分散度較高。在一天中,某些房間水溫先上升再下降,某些則先下降再上升,存在一定程度的不公平性。這同時也說明,房間和水箱整體構成一個儲能元件,起到了在時間尺度上轉(zhuǎn)移功率的作用。同時從圖4的溫度曲線中可以看出,參與調(diào)度后水箱溫度變化增大,室內(nèi)溫度變化相應也增大,體現(xiàn)出在日前調(diào)度時間尺度上“室內(nèi)溫度控制精度”與“熱泵所能提供的調(diào)節(jié)能力”存在此消彼長的關系。進一步的仿真算例發(fā)現(xiàn),如果縮小溫度運行區(qū)間,則峰谷差降幅會相應減小,如附錄A表A3所示。

附錄A圖A3給出了優(yōu)化調(diào)度后節(jié)點4下10臺熱泵的啟停狀態(tài)。從圖3和圖4中可知,熱泵在未參與調(diào)度時的日均啟停次數(shù)約為5次,在調(diào)度后日均啟停次數(shù)為10次左右,仍在熱泵正常使用啟停次數(shù)范圍內(nèi)。其次,熱泵啟停間隔至少為一個調(diào)度時間間隔15 min,故熱泵不會出現(xiàn)短時間內(nèi)頻繁啟停的問題。

綜合上述仿真結(jié)果,可看出本熱泵優(yōu)化調(diào)度策略可以起到移峰填谷的效果,降低了相關節(jié)點的峰谷差和日最大功率值,同時沒有明顯影響用戶舒適度。當室內(nèi)可行溫度區(qū)間縮小時,熱泵的調(diào)峰能力會下降,導致配電網(wǎng)日峰谷差降幅減小。

4.2 機會約束優(yōu)化策略魯棒性分析

為了對比確定性優(yōu)化策略、機會約束概率為ξ=0.01,ξ=0.05,ξ=0.1的目標函數(shù)值、峰谷差、舒適度合格率等指標,本文做了500次蒙特卡洛仿真試驗,誤差產(chǎn)生方式同上。該舒適度合格率定義為室內(nèi)溫度屬于約束溫度[16,24]℃的時間點數(shù)除以仿真總時間點數(shù)，即

(68)

取各次試驗的平均值作為仿真結(jié)果,如表2所示?？梢钥闯?相比于確定性優(yōu)化調(diào)度策略,機會約束調(diào)度策略的峰谷差較低且舒適度合格率有明顯提高,體現(xiàn)出機會約束調(diào)度策略應對預測不確定性的魯棒性。隨著機會約束風險概率ξ的增大,配電網(wǎng)和熱泵節(jié)點的峰谷差降低,同時也使房間舒適度合格率下降。由于該機會約束確定性轉(zhuǎn)化方法為保守轉(zhuǎn)化,故舒適度滿意率總是高于在該機會約束下溫度約束被滿足的概率。

表2 蒙特卡洛仿真結(jié)果Table 2 Results of Monte Carlo simulation

5 結(jié)語

本文提出了一種針對安裝有熱泵采暖設備的基于機會約束的配電網(wǎng)日前調(diào)度策略,在保證室內(nèi)舒適度不受破壞的同時,降低了配電網(wǎng)整體和相關節(jié)點的峰谷差,保證了應對各種預測不確定性的魯棒性。

在未來的工作中,本文將繼續(xù)深入探討具備多種可調(diào)度設備的主動配電網(wǎng)調(diào)度策略,其中可調(diào)度設備包括變頻熱泵、分布式電源、電動汽車、儲能和無功補償裝置等。其次,本文中假設預測誤差變量相互獨立,而在實際情況中可能存在相關性,本文將進一步研究具備聯(lián)合分布情況下的機會約束的轉(zhuǎn)化形式。

附錄見本刊網(wǎng)絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

參 考 文 獻

[1] 煤改電 北京打響攻堅戰(zhàn)[EB/OL].[2017-06-20].http://leaders.people.com.cn/n1/2017/0307/c356819-29127844.html.

[2] 馬榮江,張了,付宇,等.熱風型低環(huán)境溫度空氣源熱泵:一種適用于北京地區(qū)農(nóng)宅的清潔高效采暖技術[J].建設科技,2016(14):76-81.

MA Rongjiang, ZHANG Le, FU Yu, et al. Hot air low ambient temperature air source heat pump: a clean and efficient heating technology suitable for farm houses in Beijing area[J]. Construction Science and Technology, 2016(14): 76-81.

[3] 樂慧,李好玥,江億.用空氣源熱泵實現(xiàn)農(nóng)村采暖的“煤改電”同時為電力削峰填谷[J].中國能源,2016,38(11):9-15.

LE Hui, LI Haoyue, JIANG Yi. Using the air source heat pump to realize the “coal to electricity” in rural heating, and to power the peak and fill the valley[J]. Energy of China, 2016, 38(11): 9-15.

[4] 劉艷茹,楊衛(wèi)紅,王基,等.“煤改電”工程實施前后農(nóng)網(wǎng)負荷特性分析[J].電氣技術,2017,18(4):110-115.

LIU Yanru, YANG Weihong, WANG Ji, et al. Load characteristic analysis of rural network before and after the coal-to-electricity project[J]. Electrical Engineering, 2017, 18(4): 110-115.

[5] 于汀,劉廣一,蒲天驕,等.計及柔性負荷的主動配電網(wǎng)多源協(xié)調(diào)優(yōu)化控制[J].電力系統(tǒng)自動化,2015,39(9):95-100.DOI:10.7500/AEPS20141128007.

YU Ting, LIU Guangyi, PU Tianjiao, et al. Multiple coordinated optimization control of active distribution network considering flexible load[J]. Automation of Electric Power Systems, 2015, 39(9): 95-100. DOI: 10.7500/AEPS20141128007.

[6] MENDAZA I D D C, SZCZESNY I G, PILLAI J R, et al. Demand response control in low voltage grids for technical and commercial aggregation services[J]. IEEE Transactions on Smart Grid, 2016, 7(6): 2771-2780.

[7] VANHOUDT D, GEYSEN D, CLAESSENS B, et al. An actively controlled residential heat pump: potential on peak shaving and maximization of self-consumption of renewable energy[J]. Renewable Energy, 2014, 63: 531-543.

[8] SCHIBUOLA L, SCARPA M, TAMBANI C. Demand response management by means of heat pumps controlled via real time pricing[J]. Energy and Buildings, 2015, 90: 15-28.

[9] 嚴旭,吳鍇,周孟戈,等.基于不同可調(diào)度熱源的風電出力平滑模型[J].電力系統(tǒng)保護與控制,2013,41(21):122-128.

YAN Xu, WU Kai, ZHOU Mengge, et al. Model of smoothing wind power based on various dispatchable heat sources[J]. Power System Protection and Control, 2013, 41(21): 122-128.

[10] WIESEMANN W, KUHN D, SIM M. Distributionally robust convex optimization[J]. Operations Research, 2014, 62(6): 1358-1376.

[11] 陳建華,吳文傳,張伯明,等.安全性與經(jīng)濟性協(xié)調(diào)的魯棒區(qū)間風電調(diào)度方法[J].中國電機工程學報,2014,34(7):1033-1040.

CHEN Jianhua, WU Wenchuan, ZHANG Boming, et al. A robust interval wind power dispatch method considering the tradeoff between security and economy[J]. Proceedings of the CSEE, 2014, 34(7): 1033-1040.

[12] NERNIROVSKI A. On safe tractable approximations of chance constraints[J]. European Journal of Operational Research, 2012, 219(3): 707-718.

[13] IBM ILOG CPLEX V12.1: user’s manual for CPLEX[R]. 2009.

[14] HAO He, SANANDAJI B M, POOLLA K, et al. Aggregate flexibility of thermostatically controlled loads[J]. IEEE Transactions on Power Systems, 2015, 30(1): 189-198.

[15] 郭俊杰.空氣源熱泵熱水裝置優(yōu)化分析與運行策略研究[D].上海:上海交通大學,2013.

[16] GAN Lingwen, LI Na, TOPCU U, et al. Exact convex relaxation of optimal power flow in radial networks[J]. IEEE Transactions on Automatic Control, 2015, 60(1): 72-87.

[17] SONG M, GAO C, YAN H, et al. Thermal battery modeling of inverter air conditioning for demand response[J]. IEEE Transactions on Smart Grid[2017-06-20]. DOI: 10.1109/TSG.2017.2689820.

[18] OLDEWURTEL F, PARISIO A, JONES C N, et al. Use of model predictive control and weather forecasts for energy efficient building climate control[J]. Energy and Buildings, 2012, 45(1): 15-27.

[19] 楊文佳,康重慶,夏清,等.基于預測誤差分布特性統(tǒng)計分析的概率性短期負荷預測[J].電力系統(tǒng)自動化,2006,30(19):47-52.

YANG Wenjia, KANG Chongqing, XIA Qing, et al. Short term probabilistic load forecasting based on statistics of probability distribution of forecasting errors[J]. Automation of Electric Power Systems, 2006, 30(19): 47-52.

[20] 江岳春,邢方方,龐振國,等.基于機會約束規(guī)劃的微網(wǎng)運行備用優(yōu)化配置[J].電力系統(tǒng)保護與控制,2016,44(14):100-106.

JIANG Yuechun, XING Fangfang, PANG Zhenguo, et al. Optimization configuration of operating reserve in microgrid based on chance-constrained programming[J]. Power System Protection and Control, 2016, 44(14): 100-106.