楚成博

摘 要： 為實現(xiàn)節(jié)能環(huán)保和經(jīng)濟(jì)運行等目標(biāo)，提高終端設(shè)備能源利用效率以及研究負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度日益成為終端設(shè)備負(fù)荷協(xié)調(diào)優(yōu)化的主要發(fā)展方向。原有的僅憑報價決定調(diào)度排序的單目標(biāo)優(yōu)化調(diào)度已不能滿足社會發(fā)展需求，需要綜合考慮經(jīng)濟(jì)、煤耗、環(huán)保和安全等多種因素的多目標(biāo)負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度。本文提出基于終端能效使用率的多樣化負(fù)荷間協(xié)調(diào)優(yōu)化方法，有效降低單位GDP二氧化碳排放強(qiáng)度。同時滿足用戶的多元化用電服務(wù)需求，提高民眾對智能電網(wǎng)的理解和接受程度，具有顯著的社會和經(jīng)濟(jì)效益。

關(guān)鍵詞： 終端能源；負(fù)荷群；多樣化；協(xié)調(diào)優(yōu)化

1引言

電力系統(tǒng)的負(fù)荷最優(yōu)運行狀態(tài)一直是電力系統(tǒng)協(xié)調(diào)優(yōu)化調(diào)度努力的目標(biāo)。伴隨著社會的發(fā)展和電力工業(yè)的變革，終端設(shè)備能效利用效率的負(fù)荷協(xié)調(diào)優(yōu)化模式也經(jīng)歷了一個不斷自我完善的發(fā)展過程。國外的負(fù)荷協(xié)調(diào)優(yōu)化模式主要分為兩種：一種是電力壟斷時期的經(jīng)濟(jì)優(yōu)化調(diào)度模式，另一種是發(fā)電市場競爭的優(yōu)化調(diào)度模式。國內(nèi)的負(fù)荷協(xié)調(diào)優(yōu)化調(diào)度模式相對復(fù)雜，在政策、經(jīng)濟(jì)因素、電力供需、能源供給形勢等因素的影響下，總體可以分為：（1）基于垂直一體化電力工業(yè)管理模式的經(jīng)濟(jì)優(yōu)化調(diào)度模式階段；（2）電力供應(yīng)不滿足需求情況下的計劃電量優(yōu)化調(diào)度模式階段；（3）為優(yōu)化購電成本而引入競爭機(jī)制的市場競爭優(yōu)化調(diào)度模式階段；（4）以及以考慮節(jié)能環(huán)保的新能源并網(wǎng)發(fā)電的優(yōu)化調(diào)度模式階段。

目前，國外對V2G技術(shù)的研究重點在電動汽車實現(xiàn)對電網(wǎng)削峰填谷、頻率調(diào)節(jié)及消納新能源的控制策略等方面，主要目的是利用電動汽車的移動儲能特性為電網(wǎng)提供服務(wù)。針對美國加州、日本的電力市場環(huán)境，對具備V2G模式的電動汽車參與電力系統(tǒng)的收益進(jìn)行了一定的分析，指出V2G在輔助服務(wù)市場具有廣闊前景，并可以為用戶帶來可觀的經(jīng)濟(jì)效益；針對德國電力市場提出了相應(yīng)的控制策略，采用基于代理模型分析了德國電力市場，對800萬輛電動汽車采用不同充放電策略對電力市場電價波動的影響進(jìn)行了評估，并通過蒙特卡洛模型測試了其可靠性、效率和收益率。

2多樣化負(fù)荷運行模式分析

對于每種負(fù)荷用電設(shè)備的時間-電量特性曲線，其必然存在一些特征區(qū)別于其他負(fù)荷時間-電量特性曲線，這些特征包括：負(fù)荷率、峰谷差、年最大負(fù)荷利用小時數(shù)、年持續(xù)負(fù)荷曲線等。

（1）負(fù)荷率指標(biāo)包括日負(fù)荷率、日最小負(fù)荷率、月負(fù)荷率、季負(fù)荷率、年平均負(fù)荷率及年負(fù)荷率。

（2）峰谷差指用電負(fù)荷的最高負(fù)荷與最低負(fù)荷之差。

（3）年最大負(fù)荷利用小時數(shù)是指年用電量與年最大負(fù)荷的比值，即全年小時數(shù)與年負(fù)荷率乘積。

（4）年持續(xù)負(fù)荷曲線是按一年中系統(tǒng)負(fù)荷的數(shù)值大小及其持續(xù)小時數(shù)順序排列而繪制成的曲線。

K-means算法

K-means算法又稱k-均值算，是劃分方法中典型算法之一。K-means算法以k為參數(shù)，把n個對象分成k個簇，使簇內(nèi)具有較高的相似度，而簇間的相似度較低。K-means算法的處理過程如下：首先，隨機(jī)地選擇k個對象，每個對象初始地代表了一個簇的平均值或中心。對剩余的每個對象，根據(jù)其與各簇中心的距離，將它賦給最近的簇。然后重新計算每個簇的平均值。這個過程不斷重復(fù)，直到準(zhǔn)則函數(shù)收斂。通常，采用平方誤差準(zhǔn)則，其定義如下：

這里E是數(shù)據(jù)庫中所有對象的平方誤差的總和，p是空間中的點，mi是簇Ci的平均值。該目標(biāo)函數(shù)使生成的簇盡可能緊湊獨立，使用的距離度量是歐幾里得距離，當(dāng)然也可以用其它距離度量。

K-means聚類算法的算法流程如下：

（1）任意選擇k個對象作為初始的簇中心；

（2）repeat；

（3）根據(jù)簇中對象的平均值，將每個對象（重新）賦予最類似的簇；

（4）更新簇的平均值，即計算每個簇中對象的平均值；

（5）until不再發(fā)生變化。

3多樣化負(fù)荷能效協(xié)調(diào)優(yōu)化方法

直接負(fù)荷控制（Direct Load Control，DLC）一般適用于居民或小型的商業(yè)用戶，參與DLC的可控制負(fù)荷一般都是短時間的停電對其供電服務(wù)質(zhì)量影響不大的負(fù)荷，如空調(diào)、電熱水器、飲水機(jī)、電冰箱、吸塵器、加濕器、廳堂花燈等。這幾類負(fù)荷短時間的停電對其供電服務(wù)質(zhì)量影響不大，用戶一般可以接受。

（1）DLC調(diào)度策略執(zhí)行前的準(zhǔn)備

確定DLC激勵機(jī)制，即確定好中斷負(fù)荷補(bǔ)償方法；收集數(shù)據(jù)，統(tǒng)計同意參與DLC的用戶數(shù)量，以及用戶用電高峰期間用電負(fù)荷（用電器）類型、功率、以及各種用電負(fù)荷（用電器）的數(shù)量。

（2）基于用戶信任度的數(shù)據(jù)分組技術(shù)

每次DLC策略實施完成后，應(yīng)該對電力用戶的執(zhí)行程度（即分配給各個用戶的調(diào)度計劃的完成情況）進(jìn)行度量，建立各個電力用戶的信任度表，以便為下次DLC策略的制定提供參考。

用戶信任度，表征了用戶對于本次DLC計劃的完成情況。比如，信任度為10的用戶，會100%完成非配給用戶的用電計劃；而信任度為9的用戶，完成的計劃率會在90%-100%之間。因此在制定DLC策略時應(yīng)該考慮用戶信任度對于DLC計劃完成情況的影響。

參與DLC的電力用戶一般數(shù)量比較龐大，為了降低求解問題的規(guī)模，采用恰當(dāng)?shù)姆纸M方法，對同一個組內(nèi)的電力用戶進(jìn)行統(tǒng)一調(diào)度，會降低問題求解的規(guī)模。采用基于用戶信任度的分組方法，具體分組方法如下：

（1）計算各個用戶當(dāng)前的信任度，并按照信任度等級對用戶進(jìn)行分組。

（2）經(jīng)過第一次分組后，如果組內(nèi)的用戶數(shù)量還是太多，對這一組的用戶進(jìn)一步劃分，這時候可以采用均分的方法

（3）計算每組用戶DLC計劃的完成率。

4結(jié)論

針對終端設(shè)備能效利用效率的多負(fù)荷協(xié)調(diào)優(yōu)化控制，通過分析用戶側(cè)自動需求響應(yīng)優(yōu)化模型的實際多目標(biāo)問題，提出了基于多種群多目標(biāo)粒子群優(yōu)化算法的多目標(biāo)智能決策優(yōu)化控制方法，在實現(xiàn)多樣性負(fù)荷能效優(yōu)化的同時，考慮了設(shè)備安全運行、用戶容忍程度、可控負(fù)荷總量、反彈負(fù)荷總量等約束條件；利用電價信號來引導(dǎo)用戶采取合理的用電結(jié)構(gòu)和用電方式，提出了負(fù)荷用電時間序列協(xié)調(diào)控制方法，保證了系統(tǒng)負(fù)荷運行的平穩(wěn)性；根據(jù)空調(diào)、電冰箱、電熱水器等可控制負(fù)荷短時間停電對其供電服務(wù)質(zhì)量影響不大的特性，提出了直接負(fù)荷控制協(xié)調(diào)優(yōu)化控制方法，在保證直接可控負(fù)荷用戶的用電滿意度和收益的同時，實現(xiàn)了對電網(wǎng)負(fù)荷尖峰的削減。