Javad Fattahi, Mikhak Samadi, Melike Erol-Kantarci, Henry Schriemer

School of Electrical Engineering and Computer Science, University of Ottawa, Ottawa ON K1N 6N5, Canada

1. 引言

分布式能源（DER）和可延遲負荷[如電動汽車（EV）]的高滲透率，由于其間歇性固有的不確定性，正在給現代電網帶來新的挑戰(zhàn)[1,2]。人們預計這將極大地影響電力系統的運行和控制[2]。負荷曲線和DER供應的不確定性要求在客戶端采用更靈活的方法。傳統上由公用事業(yè)部門與他們的大客戶使用的需求響應（DR），現在可能會隨著雙向通信的發(fā)展而被應用到住宅中[3]。參考文獻[4]提到了DR的基本原理，參考文獻[5]對其進行了全面討論。有關需求側管理中的DR的討論，請參見Nadel [6]的文獻。有關DR文獻的詳盡調查，請參見Vardakas等[7]的文獻。DR通過特定的方法解決了消耗調整問題。DR方法包括那些沒有調度能力的方法，如使用時間（TOU）[8,9]、關鍵峰值定價（CPP）[4,10,11]和實時定價（RTP）[12]，以及那些具有調度能力的方法，如可用需求側資源容量控制（ADSRCC）[13,14]和可用需求側儲備管理（ADSRM）[15-17]。

現有的DR方法分為集中式或分層/分散式方法[18]。在集中式方法中，最佳解決方案是尋求使用跨電網擴展數據，以最大化DR結果。然后，該方法使用直接控制策略來追求理想的電網狀態(tài)，在這種策略中，基于配電系統運營商（DSO）和客戶之間的協議，其允許運營商對客戶資產進行遠程管理[19]。相比之下，分層/分散式DR是一種間接控制策略，其中控制器是具有一定程度的智能和決策自主權的本地代理。分層式DR方案可以通過主從方法實現，其中本地控制器負責平衡本地生成和消耗[20]。

使公用事業(yè)部門能夠吸引客戶DER的控制策略可以采取多種方法[21]。其中，交易式框架采用基于代理的方法來激勵和管理系統行為[22-24]。與傳統的DR項目類似，交易式平臺可以使用激勵措施來確保必要的資源。Behboodi等[25]提出了一種交易式控制范式，使恒溫控制負荷能夠參與實時零售電力市場。最近，一種用于DR的交易式方法被用于商業(yè)建筑的供暖、通風和空調（HVAC）系統[26]。Daneshvar等[27]提議，為部分配備了DER的不同農村地區(qū)進行能源整合，以降低社區(qū)的總能源成本。交易式方法通常通過一些價格信號來解決DER管理，這些信號可能是獨立系統運營商提供的市場清算價格。實際實施的障礙仍然存在。最顯著的是，客戶很少成為激勵措施的參與者，電力市場也缺乏統一的DR標準。

實際實施DR并不簡單。在DER和非傳統負荷預計會激增的電網邊緣環(huán)境中，在實現DR的全部潛力之前，人們必須解決一些重大挑戰(zhàn)?，F有的集中式和分散式方法都假定必要的客戶數據可用，這可能會危害客戶的隱私[28]。此外，實際的實施還存在兩個重大障礙：如何解決動態(tài)系統狀態(tài)調節(jié)，以及如何確?？缮炜s性。因此，大多數方法都缺乏以下一個或多個因素：①準確控制低延遲的時間尺度；②響應靈活，同時保持互操作性；③遵守隱私要求的同時充分確保合法性；④在保證邊際成本較低的同時確保通信的可靠性；⑤網絡安全。參考文獻[29,30]中提出了一種聚類方法，用于解決客戶生活方式和響應的彈性。在電網中使用交易方法的分布式控制器有助于減少延遲、增加靈活性和可伸縮性，但在一個平臺中解決所有需要的因素仍是一項正在進行的研究。

我們在交易能源（TE）框架中解決上述挑戰(zhàn)，該框架利用互操作性作為參考架構來實現我們的DR方案。TE框架提供了一種從經濟和控制系統的聯合角度解決智能電網運行目標的方法，該方法將價值作為關鍵運行參數[31]。該方法具有描述特定方法特征的屬性。Chen和Liu [22]回顧了DR以及TE新方法的研究和行業(yè)實踐，指出人們在提高性能方面仍需克服的巨大障礙，特別是在技術、可伸縮性、系統管理和消費者行為方面。Nunna和Srinivasan [32]為基于微電網間競價的電力市場提出了一種基于代理的TE框架，該框架將DR納入了其能源管理策略。Good等[33]最近討論了DR業(yè)務案例的TE建模和評估框架。Zia等[34]最近提出了一個多層TE架構以及驗證經濟交易所需的分布式賬本方法。

互操作性是關鍵的TE屬性[35]，因此，與上述自上而下的方法相反，為了解決所觀察到的缺陷，我們使用電氣和電子工程師協會（IEEE）2030.5標準的智能能源規(guī)范（SEP）應用協議[36]作為參考架構的核心，來實施TDR方案。該標準使用基于傳輸控制協議（TCP）/互聯網協議（IP）的HTTP請求/響應模型，并采用可擴展標記語言（XML）作為數據交換格式。傳輸層安全性（TLS）1.2提供了機密信息交換協議，以確保通信的不同方的真實性及消息的完整性。在TDR設計實現中所表達的信息（語義）和網絡物理（句法）互操作性可以確保：如果我們可以通過基于實驗室的仿真將數據加載到實際硬件上進行演示，就可以以安全和可擴展的方式滿足經濟和商業(yè)目標的實際需求，進而通過交易的價格信號來提高聚合用戶的DR響應度。

我們使用事件驅動的自主分布式體系結構，在交易代理（TA）和符合IEEE 2030.5標準的多個家庭能源管理系統（HEMS）代理[37,38]之間進行實時通信。除了具有受HEMS控制的各種負荷外，住宅客戶還擁有發(fā)電和存儲資產。我們的TDR方案采用多代理系統方法[37]對這些代理進行領域協調。位于聚合TA和每個HEMS代理之間的交易是分層的。也就是說，HEMS代理不直接交易，它們與TA合作，但彼此不合作。這種方法通過設計增強了隱私性，同時讓HEMS的認知智能與TA社區(qū)中的所有其他房屋進行協調，使其能夠找到DR請求的最佳自主性調節(jié)。TA會通過與每個HEMS代理協商來尋求最大化此網絡上的DR請求，但要遵守每個業(yè)主在他們可能愿意配合此類請求的程度方面設置的約束。TA通過向每位業(yè)主/客戶傳達一個不斷變化的價格信號，作為他們積極參與交易談判的激勵，以經濟方式促進合作。

本文的結構如下。第2節(jié)描述了系統架構及其通信層次結構，同時對IEEE 2030.5標準進行簡要概述，將TDR必需的函數集和必要元素的摘要歸納至Appendix A。第3節(jié)介紹了HEMS代理操作。第4節(jié)對過去和現在的顧客行為進行量化，前者通過對顧客消費的描述進行預測使用，后者通過激勵函數進行調解交易式談判。第5節(jié)介紹了TDR算法，并詳細說明了協商的優(yōu)化方法。第6節(jié)給出了各種情況下的仿真結果。第7節(jié)得出結論。

2. 系統架構和SEP 2.0通信

TE框架利用互操作性作為一個參考架構來實現DR方案。我們使用事件驅動的自主分布式架構，并在代理之間進行實時通信。TE框架利用IEEE 2030.5 SEP 2.0標準[36]實現互操作性。使用SEP 2.0作為數據模型，該模型基于IEC 61968通用信息模型[39]，我們的應用程序編程接口（API）以“RESTful”（其中REST表示狀態(tài)傳輸）[40]方式使用電網邊緣資源。公鑰基礎結構（PKI）[41]用于提供針對不可抵賴性攻擊的保護。

如圖1（a）所示，TDR系統的結構配置由TA和作為主要電網邊緣代理的HEMS代理的聚合體組成。TA在物理上與鄰域配電變壓器在同一位置。TA與公用事業(yè)部門的通信提供了集中的電網狀態(tài)監(jiān)測和控制。TA與HEMS代理的溝通，協調了所有DR請求和回應，并監(jiān)控變壓器低壓側的本地微電網。如圖1（a）所示，TA通過與每個客戶的主動協商，采取了一種優(yōu)化方法來分配DR請求，如下所述。

HEMS代理是一個居住單元，負責客戶資產（簡稱“負荷”）的控制和調度。它在SEP 2.0框架內運行，根據客戶對消費模式、舒適度和負荷優(yōu)先級的選擇來處理TA請求，詳見第3節(jié)。根據TDR需求，HEMS代理將此類服務中的數據轉換為SEP 2.0推薦的XML文件[參見圖1（a）中的青色框]，該數據包含了本地功率測量，以便驗證DR的作用。HEMS代理通過設計維護客戶隱私，以及充當客戶代理對來自TA的負荷特定活動和客戶行為的任何知識進行防火墻處理。HEMS代理通過與TA協商來保證對DR請求進行最佳響應，并使用模糊推理引擎來適應客戶的喜好和舒適度，以響應TA所提供的激勵（其也可能被指示響應強制性的DR事件）。下一節(jié)將更詳細地描述這種行為。

圖1（b）顯示了在實驗室測試配置中的TDR系統的物理實現。在左側面板中，直流電從頂部的光伏（PV）面板傳到變壓器②，然后傳到Tabuchi電動生態(tài)智能電池系統[42]（逆變器③和電池④）。TA ①在配電板上。底部面板顯示了與TA通信的HEMS代理⑥，并且HEMS代理與Energate [43] HōlHōm智能恒溫器和負荷控制器⑦（HEMS）進行交易，底部面板還顯示了用戶界面⑤。

圖1.（a）TDR的結構架構。（b）在實驗室測試配置中的TDR系統的物理實現。頂部面板顯示TA ①、變壓器②、光伏（PV）逆變器③、電池④；底部面板顯示用戶界面⑤和HEMS代理⑥、HEMS ⑦、智能恒溫器和開關。CCL：客戶合作級別；CSR：客戶預定的退貨；DRR：動態(tài)DR請求；Pcap：住宅容量；ΔPava：甩負荷能力；ΔP：潛在的負荷減少；ΔP?：TDR協商期間請求的負荷減少；Pk：此客戶的負荷k的功耗（以前為Pk(i)），其中所有負荷的總和給出了客戶i的當前功耗，在本文中用Pi表示。

圖2 描述了通過XML文件的GET命令進行的SEP 2.0消息傳遞序列。高級DR事件由實用程序服務器啟動，并與TA進行通信。低級DR事件由TA發(fā)起，以響應本地資產監(jiān)視（如變壓器運行狀況）。TA與各個HEMS代理，按照所示順序發(fā)送XML函數集及其相應的元素。作為交易式協商和監(jiān)視過程的一部分，HEMS代理向TA發(fā)送類似的消息，TA同樣向DSO發(fā)送消息。在我們的體系結構中，根據下游設備的要求，HEMS代理是客戶端，而TA是客戶端或服務器。由于TA被防火墻阻止直接與客戶資產接觸，因此我們采用分布式智能[44]方法進行基于代理的能源管理[45]。在以下各節(jié)中，我們會說明HEMS和模糊邏輯控制器（FLC）如何將通過SEP檢索的信息用作HEMS代理來執(zhí)行協商。Appendix A描述了用于實現必需的TDR活動的SEP 2.0函數集。值得注意的是，盡管當前的TDR方案僅使用了其一小部分功能，但在執(zhí)行了完整的SEP服務器之后，所有代理都完全符合IEEE 2030.5智能電網互操作性標準。

3. HEMS代理操作

圖2. 在TDR的DSO、TA和HEMS代理之間使用SEP 2.0的通信層次結構。

HEMS代理負責與TA進行主動協商。該代理是使用FLC實現的。它與HEMS進行通信，以確定聚合的負荷和甩負荷能力，并傳遞DR請求以實施。下面，我們描述了TA如何與鄰域中的所有其他HEMS代理協調，并利用FLC的認知智能來找到DR請求的最佳自愿適應條件。一旦與HEMS代理進行的DR協商被完成，它將把此信息發(fā)送給HEMS，并由HEMS負責響應負荷。為此，我們使用了Energate [43]的商用HEMS，通過一個單獨的應用程序編程接口確保IEEE 2030.5與此專有HEMS的兼容性。給定住宅容量Pcap（即所有可控負荷的總銘牌功率），它基于HEMS提供的數據，用于確定甩負荷能力；ΔPava（即當前使用的所有可控負荷的總消耗，是最大的DR能力）用于計劃間隔。HEMS代理確定了實現甩負荷的最有效的方法，無論其是通過直接削減、更改負荷設定點和占空比，還是通過本地DER調度（在此視為負負荷）。

IEEE 2030.5標準描述了可實現智能電網功能的過程，但未定義實現它們的方式。這種區(qū)別是互操作性框架的核心。我們在該交易規(guī)范中執(zhí)行此標準，并使用下面描述的歸一化數量更好地揭示HEMS代理如何在交易過程中展示認知能力。通過客戶合作級別（CCL）[46]啟發(fā)式地實施客戶約束，以表明響應TDR請求的意愿程度。在不失一般性的前提下，僅定義兩種模式就足夠了：①良好，當客戶將進行一些行為修改以符合TDR要求時使用；②不良，用于客戶希望在TDR事件期間對其使用行為產生最小影響的情況。也就是說，CCL是一種由客戶設置的HEMS代理操作模式，它定義了FLC如何響應DR請求。

在進行主動協商期間，我們需要確定客戶i的HEMS代理愿意承受的負荷減少量ΔPi，該值小于或等于甩負荷能力ΔPava。我們通過住宅容量（即所有可控負荷的銘牌功率之和）Pcap對ΔPi進行歸一化，以將客戶計劃收益（CSR）定義為

以補充方式，將動態(tài)DR請求（DRR）定義為協商期間潛在需求減少量ΔP與住宅容量的比例：

式中，ΔP在第5節(jié)中有更詳細的描述，并且是由TA根據各個客戶的歷史記錄（見第4節(jié)）發(fā)起的。

我們使用多輸入多輸出（MIMO）模糊控制方法[47]為每個家庭和指定的CCL提取TDR協商期間的需求減少量，即

式中，是FLC的歸一化輸出。遵循以下三個步驟確定此輸出：模糊化、模糊推理和去模糊化。等式（1）、（2）提供了論域。

模糊化處理了FLC輸入的清晰數據，并將這些數據轉換為語言變量，本文選擇的是Low-Low（LL）、Low（L）、Medium（M）、High（H）和High-High（HH）變量。每個變量都與由三角波函數μ(x)定義的隸屬函數相關，其中x是介于0和1之間的隸屬度值，該隸屬度值描述了輸入空間（CSR或DRR）中的一個點。圖3給出了輸入（以及輸出）的隸屬函數，這些函數定義了論域中每個點如何被映射成介于0和1之間的隸屬度值（或隸屬度）。

模糊推理過程將隸屬函數與控制規(guī)則結合在一起，以在查找表中呈現模糊輸出，該查找表使用語言變量描述了輸入和輸出之間的功能映射。使用基于規(guī)則的FLC可以使我們最大限度地捕獲相關問題的知識多樣性，以及其變量之間的相互作用和關系，并最大限度地適應系統中的不確定性[48]。表1和表2分別給出了不良CCL模式和良好CCL模式的規(guī)則庫。

去模糊化用于將模糊輸出轉換為清晰的值。給定隸屬函數的對稱性，利用面積重心（COA）方法從被評估的隸屬函數中確定x～。然后，通過等式（3）確定協商的負荷減少量，并使用LoadShedAvailability、DrResponse和DER函數集將信息發(fā)送到TA，如Appendix A所述。

4. 量化顧客行為

我們使用真實數據模擬客戶消費行為。Hydro Ottawa [49]服務區(qū)內的智能電表數據是在45 d內以1 min的間隔為10個匿名住宅用戶收集的。然后，使用k均值聚類對客戶進行分類。TA使用此信息來啟動與每個HEMS代理的交易協商過程，具體請參見第5節(jié)中的等式（7）。

圖3. 輸入（DDR、CSR）或輸出（，去模糊值）的隸屬度值（水平軸）的隸屬函數（垂直軸）。圖中顯示了與每個隸屬函數相關的語言變量LL、L、M、H和HH。

k均值方法將數據劃分為多個族，其中族群的隸屬是通過最小化目標函數來確定的，該目標函數由每個時間t的所有N個數據點與族中心之間的平方距離之和定義[50]。因此

式中，在每個時間t，PC(t)是聚類中心的K個元素向量；P(i)(t)是消耗數據的n(i)個元素向量；和K= 3的聚類分析結果如圖4所示。單個聚類大小n為3、2和5。

表1 用于不符合TDR請求的模糊規(guī)則庫，其中輸入為DDR和CSR，結果輸出顯示在灰色區(qū)域中

表2 用于符合TDR請求的模糊規(guī)則庫，其中輸入為DDR和CSR，結果輸出顯示在灰色區(qū)域中

圖4. 三類客戶的消費行為。

為了進一步量化客戶行為并實現有效的協商，我們的TDR算法（在第5節(jié)中進行了詳細介紹）結合了靈活的激勵功能，以適應功耗和TDR響應量方面的差異。它也可以用于從參與TDR請求中獲利，并可以通過調整以適應市場信號。對于每個協商時間間隔，我們?yōu)槊總€客戶i定義一個激勵函數：

式中，r0是TDR參與的基本激勵；Pi是客戶的當前功耗；P是過去24 h內所有參與者的平均功耗；PT是所有參與者的當前總功耗；di是客戶在談判過程中的任何階段的DR響應量；d是所有參與者的平均響應量；dT是所有參與者的總響應量。相對功耗和響應量分別由正系數c1和c2縮放，其中c1+c2= 1。這樣可以在TDR協商中動態(tài)加權以降低功耗或增加響應量，這可能是改進協商過程所必需的。本文中，我們默認靜態(tài)加權相等。最后，為了解決族群的隸屬問題，選擇c0作為總體加權因子，從而略微偏向于減少消耗的傳統。我們采用[1.0,1.3]的范圍，而c0與客戶消費量成反比。這促進了族群之間的競爭。

在協商過程中（通過r0）持續(xù)更新激勵函數，以鼓勵增加DR響應量的趨勢。激勵函數還包含在MirrorUsagePoint函數集中，以更新和記錄用電量指標，并計算每個住宅的當前消耗和激勵。我們將使用這些數據并通過優(yōu)化方法提出DR請求。

5. TDR算法

現在，我們使用流程圖來描述TDR方案在算法上的實現方式，在該流程圖中，TA和HEMS代理之間的協商通過IEEE 2030.5 SEP 2.0功能集的TCP/IP交換完成。DR請求可能來自實用程序端，也可能來自轉換器級別，通過EndDeviceControl對其尋址。對于跨時間范圍th（這是SEP 2.0定義的時間間隔）的特定部署時間t，我們用TA將目標DRR值表示為ΔPDR。

圖5中給出了簡化的TDR算法。在TA端，如果接收到新的DRR值，則TA將啟動與HEMS代理的TDR協商。當HEMS代理確認響應時，將與其余的HEMS代理繼續(xù)進行協商，如下所述。在HEMS代理側，如果HEMS代理使用drProgramMandatory= FALSE獲取DRR值，則它將確定甩負荷能力并將其發(fā)送給TA。與不響應的HEMS代理繼續(xù)進行協商，直到確認不斷發(fā)展的DRR值（或達到迭代限制）并終止協商為止。然后，通過設置drProgramMandatory= TRUE將最終DRR值分配給每個HEMS代理，最后HEMS代理實現其請求。TDR算法在協商的每個階段為每個HEMS代理優(yōu)化目標DR減少量。優(yōu)化是基于使用線性規(guī)劃方法的模型預測控制（MPC）[51]。對于像我們這樣具有復雜動態(tài)和約束條件的系統，這種基于事件的DR優(yōu)化是一種很好的方法[52]。

對于每個協商j(1≤j≤10)，可通過以下方式確定各個潛在的負荷減少量ΔPi（控制變量），

圖5. TDR算法的流程圖，左側為HEMS代理，右側為TA流。中間方框指示通信過程。PARSE是指使用由符合IEEE 2030.5的TDR平臺實現的SEP2.0協議對XML文件進行解碼。GET和POST是分別對應讀取和創(chuàng)建操作的HTTP方法。

式中，k是交易網絡中可用客戶的數量；ΔPdr= ΔPDR- ΔPa是不斷發(fā)展的DRR值，其中ΔPa是已同意滿足其個人要求的那些客戶的總需求減少量；ΔP是該次協商剩余的客戶的平均DR可用性。請注意，為了成功進行TDR操作，隨著j的增加，ΔPdr應該趨于0。引入指標函數χ顯示客戶是否仍在協商中（χ = 1表示仍在協商中，χ = 0表示已確認的減少）。第一個約束條件要求單個請求的負荷減少量之和要滿足目標DR請求，而第二個約束條件將單個請求減慢到平均DR可用性控制的時間間隔內。后一個約束在維持客戶選擇的CCL模式的同時，保持了請求的公平性，從而允許超出要求20%以上的客戶在協商過程中盡早“鎖定”。

分配是由一個迭代過程確定的，該過程結合了等式（5）的激勵函數來驅動HEMS代理操作，以便根據等式（3）確定每個j ＞ 1的最佳可能負荷減少量的集合。通過在DR時間間隔的端點使用k均值聚類數據（圖4）進行負荷預測，針對j = 1啟動此過程，然后通過協商進行以確定每個客戶的DR可用性。此處

以量化交易過程在實現目標DR請求中的功效。

對于3個集群中的10個客戶（如第4節(jié)所述），根據等式（7）啟動協商。每個負荷預測是根據給定時間范圍內的集群消耗行為（圖4）確定的?？蛻舢斍肮牡牟町愐约八麄儗DR的響應，可以確保談判過程中激勵的多樣性。后者的現實值是通過運行多個不同的需求案例（以固定的激勵r0發(fā)起）來生成的，以建立名義上的響應歷史記錄集。談判通過等式（6）進行，通過參與每個HEMS FLC，對于給定的CCL模式進行模糊化，該模糊輸出是根據CSR比（即ΔPi）和不斷發(fā)展的DRR比（即ΔP）生成的。這在TA和HEMS代理之間的對話中引入了必要的“給予和接受”（give and take），正在進行的協商為確定性響應提供了輸入變化。

6. 仿真結果

在開發(fā)了TDR方案并使用圖1所示的設備實現了該方案之后，我們現在執(zhí)行完整的操作檢驗，其中包括與所有代理和負荷的協商和通信。如前文所述，我們通過使用真實住宅能耗數據進行系統仿真來檢驗TDR平臺的效果。這些數據用于定義甩負荷能力（通常由HEMS提供給HEMS代理），如下文所述。仿真是在一個由10個客戶組成的交易式網絡上進行的，總容量固定為20 kW，總DR能力為12 kW。假定所有客戶具有相同的個體容量Pcap。作為對交易式方法的嚴格測試，從下午5點至晚上8點，在整個下午/晚上需求高峰期間研究了兩種特定的DR場景（見圖4）：①目標DR降低量等于總DR能力（即12 kW），②目標DR降低量約為總DR能力的90%（即11 kW）。我們研究了3種不同的CCL模式場景：良好——所有客戶；不良——所有客戶；混合——CCL模式為良好和不良的客戶的隨機分配（即10個場景均勻分布在良好和不良模式之間）。在保持每日能源不變的情況下，通過對源配置文件的每小時消費施加隨機擾動，可以為每個客戶導出10種不同的負荷配置文件。這就為每個顧客創(chuàng)建了一個數據集，數據集在統計學上是獨立的，但在名義上相同，其模擬了日常消費的變化。平均響應度S參見等式（8），是通過平均10個不同的負荷分配模擬得出的。

圖6展示了CCL混合模式網絡中11 kW的目標DR請求的協商演變，其中三角形符號表示在每個協商步驟中所有家庭的總需求減少量ΔPa增加，而正方形表示演變中的目標DR請求ΔPdr。請注意，在首次協商之后，許多客戶已經確認了他們要求的減少量，總共減少了5 kW。然后，該算法將剩余的6 kW減少DR請求發(fā)送給其余參與者，并且繼續(xù)進行協商。在第5次協商之后，沒有進一步的變化，因此該算法將請求減少了10%，并且繼續(xù)進行協商。這導致響應量立即顯著提高，但是正在進行的協商不會影響進一步的變化。經過10次迭代后，協商終止，最終網絡響應度為98%。

在圖7中可以看到類似于CCL混合模式的表現，其中比較了CCL模式為良好和CCL模式為不良的所有住所的協商響應?？傮w而言，響應是相似的——在最初的協商中它們幾乎是相同的——但是在第4次協商中出現了很大的差異。在第5次協商之后，DR請求的后續(xù)減少減輕了，但沒有完全消除這種差別。與所有協商一樣，在第6次迭代之后，沒有發(fā)現響應量有明顯改善。最終結果是，僅以CCL不良模式響應的網絡的響應度為95%，而僅以CCL良好模式響應的網絡的響應度達到最佳。

對10個家庭網絡中的不同負荷需求分布重復上述操作，以創(chuàng)建一個統計學上等效的結果集合，其結果大致反映了可以滿足目標DR請求的可能性。我們發(fā)現，在所有情況下協商的進展都是相似的。表3總結了上面介紹的所有方案的平均響應度S。即使是最嚴格的請求，即DR目標等于網絡能力，無論響應模式如何，響應度都超過了90%。對于約為90%的總DR能力的目標請求，即使在最壞的情況下，響應度也超過95%，在最佳情況下響應度是完美的。CCL混合模式的結果都介于良好模式和不良模式之間，這表明客戶同意配合的程度與滿足目標DR請求的程度之間可能存在線性關系。以上所有表明，我們的方法可能能夠容納容量更小的客戶。

圖6. 在CCL混合模式下針對11 kW的目標DR請求進行協商的演變情況，其中特定負荷需求在整個網絡中有所不同。

圖7. 對于11 kW的目標DR請求，CCL良好模式和不良模式之間的協商演變比較，其中特定負荷需求在整個網絡中有所不同。

從總體上觀察DR響應之后，讓我們現在更普遍地研究個體對正在進行的DR請求的響應情況。對于我們擁有10個客戶的網絡，其目的是深入了解名義上獨立的DR事件下的響應范圍，但激勵函數不斷變化。具體來說，我們希望知道在實際操作的情況下，客戶的歷史響應度如何影響協商和響應量，以及激勵的含義。為此，對于每個DR事件，我們再次為每個客戶隨機調整測得的負荷曲線，創(chuàng)建統計學上獨立但名義上等效的曲線數據集，以模擬每天的消費變化。然后，我們針對30個連續(xù)的DR事件，在CCL混合模式下對11 kW目標DR請求重復上述分析（即對CCL不良和CCL良好的10種不同組合進行平均），并在每個DR事件之后更新激勵函數。

圖8展示了對于每個客戶，正在進行的協商響應量的增量。圖8（a）給出了第一個DR事件的結果，圖8（b）給出了第30個事件的結果。用彩色條代表的瓦數表示客戶DR響應量。首先，請注意，由于客戶的消費率和消費歷史不同，協商始于對每個客戶的不同請求——參見等式（6）。其次，請注意，許多客戶通常會在協商過程早期就鎖定了其響應量，這在圖中由水平彩色條的長度表示。再次，由于等式（6）中的第2個約束，我們看到在協商過程中客戶響應存在一些變化（響應增加和減少，從顏色變化中可以看到）。這種變化促進了更優(yōu)的網絡響應。最后，對比圖8（a）和（b）（分別是DR事件#1和#30），可以發(fā)現個體響應量的變化，包括所需協商的規(guī)模和數量?？蛻?、3和10進行了一輪或兩輪以上的談判，他們的DR響應有所提高（約10%），而其他客戶的DR相應實際上保持不變。我們需要更具體地研究個體行為是如何驅動的，以及是如何被激勵演變驅動的。

我們研究了3個有代表性的客戶：3、7和10。圖9展示了他們的激勵（黑色曲線）如何隨著正在進行的DR請求（即事件）而演變：左列——圖9（a）、（c）和（e）——展示了他們的消費量函數（紅色曲線），而右列——圖9（b）、（d）和（f）——展示了他們的響應量函數（紅色曲線）。另外還展示了消費量和響應量平均值（綠色曲線）以進行比較。請注意，事件之間的消費波動（以及由此產生的響應量變化）是由用于生成每個DR請求的數據集負荷配置文件的隨機擾動引起的。因此，只有總體趨勢才有意義?？蛻? [圖9（a）和（b）]既有高消費量，又具有高響應量，趨勢遠高于他們的平均水平?？蛻?的激勵實際上是不變的，在基本激勵r0= 1000附近波動?？蛻? [圖9（c）和（d）]的消費量略高（約5%），但是其響應量與平均值沒有區(qū)別。他的激勵減少了近一半?？蛻?0 [圖9（e）和（f）]的消費量較低，但最初的響應量較低，趨向于均值。因此，其激勵有小幅上升的趨勢。這些觀察表明，激勵偏向于保持有效參與的低消費客戶，而不是參與比例相似（即平均）的高消費客戶。高消費用戶必須以高于平均水平的價格參與進來，以維持同等激勵，否則，隨著時間的流逝，他們將遭受巨額懲罰。相比之下，低消費客戶不會受到負面影響，隨著他們的響應量增加，他們將優(yōu)先受益。這些激勵趨勢影響了協商過程，可分別通過等式（5）的消費系數和響應系數c1和c2進行控制。我們選擇了一個相等的權重來證明什么可以被稱為公平分配過程，從而不會明顯偏向消費量或響應量。這些系數可以調整，其效果是可以改變激勵曲線的斜率和方向以促進或懲罰特定行為。

表3 對10個家庭網絡的負載需求分布的整體評估，評估了20 kW總容量和12 kW總DR能力的交互能源目標DR請求的效能

圖8. 在第一個DR事件（a）和最后一個DR事件（b）下，以CCL混合模式進行的持續(xù)協商中客戶響應量的演變。

圖9. 帶有連續(xù)DR請求的激勵ri（黑色曲線）的演變，左列顯示了消費量，右列顯示了響應（紅色曲線）行為；圖中還顯示了他們的平均行為（綠色曲線）?？蛻?（a～b）和客戶7（c～d）屬于III類（高消費），而客戶10（e～f）屬于I類（低消費）。

網絡消費多樣性通過與各個客戶約束條件（即CCL、CSR和DRR）的交易來推動優(yōu)化過程。與FLC交易作為實現需求減少的本地代理。如包含在等式（6）中的函數約束所述，有界輸出由容量和可用性的固有輸入范圍來確保。通過考慮表3數據的子種群統計數據（即負荷分布數據集的采樣），并驗證不確定性隨交易網絡規(guī)模的增加而減小，可以得到對有界響應的算法魯棒性的簡單說明（10和50）。我們認為，對于CCL混合模式（再次平均10種以上的CCL不良和CCL良好組合），目標DR減少量等于總DR能力。我們確定3種情況的平均響應度Sˉ，每種情況都有其不同的負荷分布。表4顯示的結果證實了有界輸出的預期行為。該平均值對參與者的數量基本不敏感，但是在3種情況下，網絡規(guī)模增大的不確定性（即標準差）減小，而名義上保持不變（可能有一個異常值除外）。

圖10顯示了在下午/晚上需求高峰期間，在CCL混合模式下將11 kW DR請求應用于10個家庭網絡之前和之后，交易協商對總需求趨勢的影響。觀察顯示，峰值降低了22%（從45 kW減少到35 kW），需求轉移到了晚上。這種由獨立的HEMS代理實現的需求轉換，是通過重新安排典型住宅可中斷和不可中斷負荷的同等權重來實現的。圖11使用峰均比（PAR）[53]提供了DR事件在網絡上影響的補充視圖。每個客戶聚合網絡的PAR（不帶DR請求和帶DR請求）被展現出來。所有客戶都為減少需求做出了貢獻，減少需求最多的客戶產生了最大的影響。在整個網絡（所有客戶）中，PAR被降低了14%（從3.42降低到2.92）。注意，由于PAR是指平均需求，它是對DR事件的即時性不太敏感的指標，因此在某種程度上實驗低估了其影響。

表4 客戶響應度統計（CCL混合模式）對網絡規(guī)模和負載分布采樣的依賴

圖10. 在對CCL混合模式響應應用11 kW DR請求之前和之后的總需求趨勢。

7. 結論

我們提出了一種DR方案，該方案在住宅網絡中采用了變壓器級別的交易協商。我們采用了多代理手段，致力于滿足客戶舒適度和隱私性需求。TA使用基于事件的優(yōu)化技術和靈活的激勵機制，與客戶代理（他們的HEMS代理）協商DR請求。代理通過根據其舒適度期望值（通過模糊規(guī)則庫表示）的響應度水平減少消耗量來響應DR請求。本文表明，我們的主動式DR方案可以將高峰需求降低22%，相當于PAR降低14%。結果是以真實客戶的匿名智能電表數據為基礎的。值得注意的是，我們的方案使用IEEE 2030.5 SEP互操作性標準在代理之間傳輸數據，因此構成了該標準的第一個已知TDR用例。盡管我們在此TDR方案中僅使用了部分IEEE 2030.5功能，但仍開發(fā)了完整的SEP服務器以確保代理完全符合該標準。在這種受限環(huán)境下展示出的功效表明，其全部功能包括分布式能源資源管理系統的聚合和虛擬電廠控制，具有市場準入和所有必要的貨幣化要求，即將在所有選擇遵循這種可擴展方法的供應商和解決方案提供商中實現，以達成智能電網的愿景。

圖11. DR事件之前和之后所有參與者的峰均比（PAR）。

Acknowledgements

This work is supported in part by Natural Sciences and Engineering Council of Canada (CRDPJ 477238-14) and Hydro Ottawa. The Hydro Ottawa led “GREAT-DR” project is gratefully funded in part by the Ontario Ministry of Energy’s Smart Grid Fund and the LDC Tomorrow Fund,and generously supported by the University of Ottawa, Carleton University, CIMA Canada Inc., Panasonic Eco-Solutions Canada Inc. (with Tabuchi Electric Company of America Limited), Quadra Power Inc., Energate Inc., Thorium Technologies Inc., and the IEEE Standards Association. The authors wish to acknowledge the vision and encouragement provided by Raed Abdullah (Hydro Ottawa Limited), The“GREAT-DR” project’s initiator and leader.

Compliance with ethics guidelines

Javad Fattahi, Mikhak Samadi, Melike Erol-Kantarci,and Henry Schriemer declare that they have no conflict of interest or financial conflicts to disclose.

Appendix A. Supplementary data

Supplementary data to this article can be found online at https://doi.org/10.1016/j.eng.2020.06.005.