收稿日期：2021-02-15

基金項目：國家重點研發(fā)計劃重點專項（2022YFB2404001）

通信作者：范宮博（1997—），男，碩士研究生，主要從事配電網(wǎng)優(yōu)化方面的研究。1820913741@qq.com

DOI：10.19912/j.0254-0096.tynxb.2021-0170 文章編號：0254-0096（2023）04-0306-10

摘 要：風光電源滲透率的提高增大了電網(wǎng)消納新能源的難度，針對該問題引入需求側(cè)資源響應(yīng)模型，采用階段式優(yōu)化方法對含分布式電源的電網(wǎng)協(xié)同調(diào)控進行研究。在第一階段依據(jù)網(wǎng)損靈敏度確定分布式電源與抽蓄接入位置，第二階段考慮經(jīng)濟成本確定受控資源容量，第三階段按照各類資源響應(yīng)容量劃分不同場景，考慮主/被動資源協(xié)同作用，分析電網(wǎng)在經(jīng)濟運行、風光使用、電壓穩(wěn)定性及削峰填谷等方面的效果。為提高階段優(yōu)化的求解效率并保持解集多樣性，采用改進粒子群算法進行計算。最后結(jié)合東北地區(qū)某實際電網(wǎng)進行仿真分析，驗證了所提方法的合理性和有效性。

關(guān)鍵詞：分布式電源；需求側(cè)管理；多目標優(yōu)化；階段式模型

中圖分類號： TM732 """""""" 文獻標志碼：A

0 引 言

現(xiàn)代電網(wǎng)中分布式電源（distributed generation，DG）的滲透率不斷提高，抽水蓄能電站、可控負荷等越來越多的需求側(cè)資源（demand side resources，DSR）開始響應(yīng)電網(wǎng)需求，并在經(jīng)濟運行、消納風光、削峰填谷等方面發(fā)揮積極作用［1-3］。而由于各類DSR具有獨特的配置特性，且DSR滲透率的提高增加了電網(wǎng)規(guī)劃與運行的復(fù)雜度［4-5］。因此，結(jié)合DSR特性制定DG并網(wǎng)配置方案，對于現(xiàn)代智能電網(wǎng)經(jīng)濟穩(wěn)定運行具有重要意義。

目前已有學(xué)者就需求側(cè)參與電網(wǎng)調(diào)控開展研究。文獻［6］考慮電網(wǎng)中儲能及可平移負荷參與需求側(cè)響應(yīng)，平滑風電波動，但考慮參與調(diào)控的負荷形式較為單一；文獻［7］對電網(wǎng)中需求側(cè)負荷可利用潛力進行評估，將這些負荷劃分為不同品級，但對于傳統(tǒng)居民、工業(yè)負荷參與調(diào)控形式以負荷削減為主，而對于其平移轉(zhuǎn)移特性未能深入討論；文獻［8-9］從用戶住宅角度考慮用電成本及舒適性，建立居民住宅需求側(cè)響應(yīng)模型，提出相應(yīng)的電價結(jié)構(gòu)；文獻［10］在可中斷負荷的基礎(chǔ)上增加電動汽車參加需求側(cè)響應(yīng)，從而對經(jīng)濟環(huán)保問題進行優(yōu)化；文獻［11］在分布式能源接入場景中考慮電、熱和冷負荷，優(yōu)化各類負荷在發(fā)電環(huán)保等方面的表現(xiàn)；文獻［12］引入電動汽車需求側(cè)響應(yīng)技術(shù)，考慮用戶響應(yīng)意愿，結(jié)合儲能進行協(xié)調(diào)優(yōu)化，提升微電網(wǎng)消納可再生能源能力。已有研究考慮的需求側(cè)資源主要以居民負荷為主，對于可控容量較高的工業(yè)負荷等未進行深入分析。綜上，目前關(guān)于新能源利用、削峰填谷等問題鮮有研究，也未充分考慮各種負荷及抽蓄等資源參與電網(wǎng)調(diào)控的影響，因此不能充分挖掘其調(diào)控潛力。

針對上述問題，本文對DSR進行分類，根據(jù)其響應(yīng)特性構(gòu)建主/被動兩類資源參與電網(wǎng)運行的經(jīng)濟模型。建立階段式規(guī)劃-運行模型，第一階段通過網(wǎng)損靈敏度確定新能源選址方案；第二階段在新能源接入的基礎(chǔ)上，通過經(jīng)濟成本確定電網(wǎng)調(diào)控負荷改造容量；第三階段構(gòu)建經(jīng)濟效益、風光使用率、電壓穩(wěn)定及削峰填谷指標，確定DSR作為受控資源及主動資源兩種形式下的協(xié)同調(diào)控方案。利用改進粒子群算法進行多目標求解，形成源-荷優(yōu)化配置方案，分析各方案的綜合效益指標，以期為需求側(cè)資源參與分布式電源并網(wǎng)提供輔助決策。

1 DSR模型

DSR可根據(jù)電網(wǎng)需求做出調(diào)整，其中抽蓄、電網(wǎng)調(diào)控負荷作為受控資源能夠在電網(wǎng)控制下參與電網(wǎng)運行；而需求側(cè)部分負荷能夠在電價引導(dǎo)下由用戶自主參與，作為主動資源參與電網(wǎng)運行。本文考慮這兩類資源在電網(wǎng)運行中的參與情況，構(gòu)建其經(jīng)濟模型。

1.1 抽水蓄能

抽水蓄能電站是電網(wǎng)中的一種間接儲能模塊，其可在運行周期內(nèi)實現(xiàn)自身抽蓄/發(fā)電兩種運行工況的靈活轉(zhuǎn)換［13］。通過在響應(yīng)時段內(nèi)調(diào)整自身功率并進行重新分配，抽水蓄能電站可在不影響系統(tǒng)穩(wěn)定的同時，對電網(wǎng)供需矛盾起到緩解作用，其作為受控資源經(jīng)濟模型為：

[Cpsps=t=tX，pspsstarttX，pspsendβXpricePXt-t=tF，pspsstarttF，pspsendβFpricePFt] （1）

式中：[Cpsps]——抽水蓄能電站運行總費用，萬元；[βXprice]——電站處于抽蓄狀態(tài)時的購電電價，萬元/MWh；[βFprice]——電站處于發(fā)電狀態(tài)時的售電電價，萬元/MWh；[PFt]——電站[t]時刻抽蓄狀態(tài)所耗費功率，MW；[PFt]——電站[t]時刻發(fā)電狀態(tài)所發(fā)功率，MW。

1.2 電網(wǎng)調(diào)控負荷

電網(wǎng)調(diào)控負荷按照參與調(diào)控形式可分為可平移、可轉(zhuǎn)移、可削減3類［14］。其中可平移負荷能夠?qū)崿F(xiàn)一定時間范圍內(nèi)整段用電負荷的平移，對應(yīng)于工業(yè)生產(chǎn)過程中部分設(shè)備的受控運行；可轉(zhuǎn)移負荷能夠在其允許的時間范圍內(nèi)將部分負荷分配到其他時間段上，實現(xiàn)在可分配時段內(nèi)的靈活分配，對應(yīng)于工業(yè)制冷（熱）等可靈活調(diào)整的負荷；可削減負荷能夠在電網(wǎng)調(diào)控下對部分負荷進行一定量的削減，削減部分的負荷可在用電高峰期起到削峰的作用，對應(yīng)于工業(yè)負荷中的甩負荷等。3類電網(wǎng)調(diào)控負荷響應(yīng)特性經(jīng)濟模型為：

[CDshiftj=j=1nDt=tshiftj，starttshiftj，endβDshiftprice，jPDshiftjCDtransj=j=1nDt=ttransj，startttransj，endβDtransprice，jPDtransj，t-PDtrans*j，tCDrej=j=1nDt=trej，starttrej，endβDreprice，jPDrej，t]" （2）

[CDfl=CDshiftj+CDtransj+CDrej] （3）

式中：[CDtransj]——第j種可平移負荷調(diào)控經(jīng)濟成本，萬元；[CDtransj]——第j種可轉(zhuǎn)移負荷調(diào)控經(jīng)濟成本，萬元；[CDrej]——第j種可削減負荷調(diào)控經(jīng)濟成本，萬元；[CDfl]——電網(wǎng)調(diào)控負荷調(diào)控總經(jīng)濟成本，萬元；[nD]——參與電網(wǎng)調(diào)控負荷數(shù)量；[βDshiftprice，j]——第j種可平移負荷單位功率進行平移調(diào)整價格，萬元/MWh；[βDtransprice，j]——第[j]種可轉(zhuǎn)移負荷單位功率進行轉(zhuǎn)移調(diào)整價格，萬元/MWh；[βDreprice，j]——第j種可削減負荷單位功率進行削減調(diào)整價格，萬元/MWh；[PDshiftj]——第[j]種可平移負荷在t時段參與調(diào)控的功率，MW；[PDtransj，t]——轉(zhuǎn)移前參與電網(wǎng)調(diào)控負荷功率，MW；[PDtrans*j，t]——轉(zhuǎn)移后參與電網(wǎng)調(diào)控負荷功率，MW；[PDrej，t]——電網(wǎng)調(diào)控下削減負荷功率，MW。

1.3 主動參與負荷

需求側(cè)部分負荷可在電價引導(dǎo)下由用戶自主參與，作為主動資源參與電網(wǎng)運行，相對于受電網(wǎng)調(diào)控負荷，此類負荷參與容量小，難以統(tǒng)一管理，但能根據(jù)電網(wǎng)電價靈活調(diào)整自身用電行為，同樣按照參與形式可分為可平移、可轉(zhuǎn)移、可削減3類，其中可平移負荷對應(yīng)民用洗衣機、熱水器等部分可靈活調(diào)整時間的家用電器；可轉(zhuǎn)移負荷對應(yīng)民用空調(diào)等可在用電時段內(nèi)進行靈活調(diào)整分配的電器；可削減負荷對應(yīng)居民生活中部分照明、加熱負荷，能在用電時段進行適當?shù)南鳒p。此3類主動參與負荷經(jīng)濟模型為：

[CZshiftj=j=1nZt=tshiftj，starttshiftj，endβZprice，tPZshiftjCZtransj=j=1nZt=ttransj，startttransj，endβZprice，tPZtransj，t-PZtrans*j，tCZrej=j=1nZt=trej，starttrej，endβZprice，tPZrej，t] （4）

[CZfl=CZshiftj+CZtransj+CZrej]"" （5）

式中：[CZshiftj]——主動參與可平移負荷運行經(jīng)濟成本，萬元；[CZtransj]——主動參與可轉(zhuǎn)移負荷運行經(jīng)濟成本，萬元；[CZrej]——主動參與可削減負荷運行經(jīng)濟成本，萬元；[CZfl]——主動參與負荷運行總經(jīng)濟成本，萬元；[nZ]——用戶主動參與負荷數(shù)量；[βZprice，t]——[t]時段分時電價，萬元/MWh；[PZshiftj]——用戶主動參與響應(yīng)負荷[t]時段平移負荷功率，MW；[PZtransj，t]——轉(zhuǎn)移前用戶主動參與響應(yīng)負荷功率，MW；[PZtrans*j，t]——轉(zhuǎn)移后用戶主動參與響應(yīng)負荷功率，MW；[PZrej，t]——用戶主動參與削減負荷功率，MW。

通過上述經(jīng)濟模型描述電網(wǎng)中主/被動資源在受控及電價政策下參與電網(wǎng)運行的成本費用，其中受控資源經(jīng)濟成本主要來自于電網(wǎng)調(diào)控及抽蓄電站用電售電成本，主動資源經(jīng)濟成本主要反映用戶在電價影響下主動參與電網(wǎng)運行產(chǎn)生的電價成本。

2 階段式規(guī)劃-運行模型

考慮電網(wǎng)中受控資源及主動資源參與電網(wǎng)運行，構(gòu)建三階段式優(yōu)化模型。其中，第一階段規(guī)劃內(nèi)容包括DG及抽蓄接入位置；第二階段規(guī)劃內(nèi)容為電網(wǎng)調(diào)控負荷改造容量成本；第三階段優(yōu)化內(nèi)容為電網(wǎng)運行中主/被動資源協(xié)同運行情況。

2.1 第一階段新能源接入網(wǎng)損

有功網(wǎng)損靈敏度表示電網(wǎng)中節(jié)點負荷所引起有功損耗的大小，若該節(jié)點接有負荷，則該節(jié)點對網(wǎng)絡(luò)損耗影響較大；反之，若該節(jié)點屬于聯(lián)絡(luò)節(jié)點，無負荷功率流出，則該節(jié)點有功網(wǎng)損靈敏度為零［15］。通過對各節(jié)點有功網(wǎng)損靈敏度的計算，可有效反映出節(jié)點功率波動時對整個網(wǎng)絡(luò)潮流及損耗的影響情況。靈敏度指標為：

[Fi=P2i+Q2i?R2si+2Pi?Rsi?PiRsi+QiXsi-PiRsi+QiXsi2]""""" （6）

式中：[Pi]、[Qi]——[i]節(jié)點的負荷有功、無功功率，MW；[Rsi]、[Xsi]——根節(jié)點[s]～節(jié)點[i]的等值電阻和電抗。

由式（6）可知，[Fi]值越大該節(jié)點引起的有功損耗越大。DG及抽蓄在接入電網(wǎng)中等效為負的負荷，能夠降低節(jié)點負荷值，從而起到改善網(wǎng)損的作用。

2.2 第二階段需求側(cè)改造成本

為便于計算，根據(jù)文獻［16］，將投資成本折算為等年值，計算電網(wǎng)調(diào)控負荷容量改造成本：

[f=ir1+rlδ1+rlδ-1?wjBDSj]"" （7）

式中：[r]——利率；lδ——第δ種設(shè)備的壽命，a；wj——第j種負荷改造成為受電網(wǎng)調(diào)控負荷的單位容量成本，萬元/MW；[BDSj]——第j種電網(wǎng)調(diào)控負荷改造的容量，MW。

2.3 第三階段源荷協(xié)調(diào)綜合效益

綜合考慮兩類需求側(cè)資源響應(yīng)特性，通過電網(wǎng)調(diào)控及電價引導(dǎo)從而使得各類資源能夠在響應(yīng)范圍內(nèi)做出靈活的調(diào)整。在此階段以經(jīng)濟運行成本、風光使用率、電壓穩(wěn)定性及削峰填谷效果為評價指標對主/被動資源參與電網(wǎng)調(diào)控效果進行評估。

1）經(jīng)濟運行成本

[C1=Cpsps+CDfl+CZfl+Cgridt]""" （8）

式中：[Cgridt]——用戶購電成本，萬元。

2）風光使用率

[C2=tPDGttPSt]"""" （9）

式中：[PDGt]——[t]時段電網(wǎng)使用的分布式電源輸出功率，MW；[PSt]——[t]時段各分布式電源所發(fā)全部功率，MW。

3）電壓穩(wěn)定性指標

[C3=1N?1T?t=1Ti=1NUi，t-Ui，NUi，N]"" （10）

式中：[N]——配電網(wǎng)總節(jié)點數(shù)量；[Ui，t]——節(jié)點[i]在[t]時刻的電壓值，kV；[Ui，N]——節(jié)點[i]額定電壓，kV。

4）削峰填谷效果

[ΔP1=Pmax-P*maxΔP2=P*min-PminΔP3=P*max-P*min]""" （11）

式中：[ΔP1]——削峰效果，MW；[ΔP2]——填谷效果，MW；[ΔP3]——削峰填谷效果，MW；[Pmax]、[Pmin]——優(yōu)化運行前一日內(nèi)綜合負荷峰、谷值，MW；[P*max]、[P*min]——優(yōu)化運行后一日內(nèi)綜合負荷峰、谷值，MW。

本文選用[ΔP3]作為削峰填谷評價指標。

2.4 約束條件

該規(guī)劃-運行模型中主要考慮分布式電源位置、主/被動資源響應(yīng)容量及響應(yīng)時段約束，并在潮流計算時考慮系統(tǒng)功率、電壓平衡約束。

1）系統(tǒng)功率平衡約束

[Pgridt+ωPDGω，t+PFt=PXt+Psystemt]"""" （12）

式中：[Pgridt]——t時刻上級系統(tǒng)為區(qū)域電網(wǎng)所供功率，MW；[PDGω，t]——t時刻分布式電源ω的輸出功率，MW；[Psystemt]——t時刻區(qū)域電網(wǎng)所使用功率，MW。

2）節(jié)點電壓約束

[Ui，min≤Ui，t≤Ui，max]"""""" （13）

式中：[Ui，max]、[Ui，min]——[i]節(jié)點電壓的上限、下限，kV。

3）選址、容量及響應(yīng)時段約束

[Lω∈Ω]""""" （14）

[xFLj，min≤xFLj≤xFLj，max]""""" （15）

[tFLj，min≤tFLj≤tFLj，max] （16）

式中：[Ω]——第ω種DG及抽蓄可選安裝位置Lω的集合；[xFLj，max、][xFLj，min]——第j種負荷參與響應(yīng)容量[xFLj]的上、下限，MW；[tFLj，max、][tFLj，min]——第j種可控負荷的響應(yīng)時段上、下限，h。

3 模型求解

優(yōu)化過程中需考慮主/被動資源參與電網(wǎng)調(diào)控時不同的運行特性，且方案求解需考慮在經(jīng)濟、穩(wěn)定、風光使用及削峰填谷等方面的效果，因而該過程是一個多目標、多維度的優(yōu)化問題。隨著各類資源調(diào)控時段的細化及參與調(diào)控資源及運行場景的增多，需在保持所需解的多樣性的同時仍具有較高的求解效率，本文采用改進多目標粒子群算法進行求解。

3.1 改進多目標粒子群算法

粒子群算法是基于群體進化的智能優(yōu)化算法，其主要原理是通過不斷更新粒子速度和位置搜索空間最優(yōu)解［17］。在優(yōu)化過程中，粒子位置代表主/被動資源運行方案，包括各類型DSR響應(yīng)時段及響應(yīng)容量，其速度、位置更新方程為：

[v?kμ+1=ωv?kμ+c1r1pbest?kμ-x?kμ+c2r2gbestμ-x?kμ]"""" （17）

[x?kμ+1=x?kμ+v?kμ+1]"""""" （18）

式中：ω——慣性權(quán)重；v?k（μ）——粒子?在第μ次迭代中第k維的速度；x?k（μ）——粒子?在第μ次迭代中第k維的位置，即該粒子所代表的主/被動資源運行方案；pbest?k（μ）——粒子?在第μ次迭代中第k維的個體極值點位置，即本文迭代中最優(yōu)主/被動資源運行方案；gbest（μ）——第μ次迭代中全局極值點的位置，即當前最優(yōu)主/被動資源運行方案； c1、c2——加速系數(shù)；r1、r2——［0，1］區(qū)間內(nèi)均勻分布隨機數(shù)。

在基本粒子群算法的基礎(chǔ)上，為提升求解效率，引入累積快速非支配排序策略、精英保留策略和擁擠距離計算策略，這3類策略主要內(nèi)容如下文所述。

1）累積快速非支配排序策略

在每一次迭代中比較各運行方案對應(yīng)的適應(yīng)度函數(shù)運行結(jié)果，依照支配、從屬關(guān)系對代表各方案的粒子進行層次劃分及次序排布。

2）精英保留策略

在計算過程中保留之前所獲得的最優(yōu)運行方案，并直接將該方案延續(xù)到下一次迭代中，盡可能地在迭代過程中保留良好的運行方案。

3）擁擠距離計算策略

比較同一次迭代中代表各方案的同級粒子間的空間擁擠距離，保證同一層中的非支配個體粒子具有多樣性。

3.2 階段式規(guī)劃-運行求解流程

本文采用的階段式優(yōu)化方法的具體流程如圖1所示。

4 算例分析

4.1 基本參數(shù)設(shè)置

本文以東北地區(qū)某實際66 kV、102節(jié)點區(qū)域電網(wǎng)為例，接線如圖2所示，其中1、11、34、72節(jié)點為變壓器裝配節(jié)點。該系統(tǒng)總有功負荷為104 MW，其中工業(yè)負荷占比約為63.5%（共66 MW），民用負荷占比約為27.9%（共29 MW），擬在該區(qū)域接入風光電源（其風光電源典型波動特性如圖3所示），新能源容量配比上限為50%。

利用改進多目標粒子群算法對分層優(yōu)化模型求解，具體參數(shù)設(shè)置見表1。

電網(wǎng)分時電價曲線如圖4所示［18］。通過調(diào)研分析［19-23］，工業(yè)負荷作為電網(wǎng)調(diào)控下的需求側(cè)響應(yīng)因素，其可控容量占比為5%～10%，民用負荷作為電網(wǎng)主動資源參與電網(wǎng)調(diào)節(jié)的響應(yīng)容量比例為10%～15%；商業(yè)負荷受其自身運營機制所限，能夠參與需求側(cè)響應(yīng)的可控比例較小，未考慮采暖、制冷等電能替代技術(shù)，故忽略不計。

4.2 仿真分析

在第一階段考慮電源接入計算各節(jié)點網(wǎng)損靈敏度Fi確定DG及抽蓄并網(wǎng)初始安裝位置。由圖5可知，風光分別在42、97節(jié)點接入時對網(wǎng)損改善效果最為明顯，而抽蓄的接入

位置選擇在3個變壓器節(jié)點中網(wǎng)損靈敏度最高的34節(jié)點。

在第二階段中設(shè)定工業(yè)負荷的可控上限為10%，作為被動資源參與電網(wǎng)調(diào)控。選取改造容量分別為5%、10%兩種場景，工業(yè)負荷改造成本為2.6萬元/MW，年利率0.08，規(guī)劃總時段為5 a［18］。根據(jù)式（7），折算到等年值分別為2.08和4.16萬元。此外受控資源還包括抽蓄響應(yīng)容量5 MW，同時設(shè)定民用負荷的10%作為主動資源參與電網(wǎng)運行。設(shè)置風光滲透率為20%，選擇較大的工業(yè)負荷節(jié)點13、20、31、38、75、88作為被動資源承擔調(diào)控任務(wù)參與電網(wǎng)運行，共計26.5 MW；選擇居民負荷節(jié)點16、36、83作為主動資源在電價引導(dǎo)下參與電網(wǎng)運行，共計11.2 MW。各類資源參與下的運行方案Pareto解集如圖6所示，其中每個非劣解都對應(yīng)一組優(yōu)化方案，選取部分典型方案如表2所示。

結(jié)合圖6及表2可看出，在各類資源設(shè)定的響應(yīng)范圍內(nèi)，隨著經(jīng)濟運行成本的增加，風光使用率逐漸提升，電壓偏差減小，電壓穩(wěn)定性及削峰填谷效果得到改善。表明電網(wǎng)通過調(diào)控手段調(diào)動更多的受控資源參與運行，從而改善電網(wǎng)中風光使用率等各項指標。

從電網(wǎng)節(jié)能減排考慮，選取方案一分析24 h源荷資源波動時序特性。優(yōu)化運行結(jié)果如圖7和表3所示。圖7a中，優(yōu)化前典型日負荷曲線波峰位于08：00—10：00及19：00—22：00時段，峰谷差為69.9 MW。綜合能源最小出力為傳統(tǒng)火電機組最低出力與風光出力之和。不難看出，在23：00—次日07：00時段綜合能源最小出力高于負荷需求，進而導(dǎo)致棄風棄光。圖7b中，經(jīng)過方案一優(yōu)化后，負荷峰谷差降低23.9 %。由表3可知，抽蓄機組作為電網(wǎng)發(fā)電的補充，在23：00—次日06：00用電低谷期處于抽蓄狀態(tài)，而在07：00—22：00處于發(fā)電狀態(tài)，在電網(wǎng)調(diào)控與主動參與下，可削減負荷在06：00—22：00時段對生產(chǎn)負荷進行靈活減載；可轉(zhuǎn)移負荷在01：00—11：00、24：00時段內(nèi)對相應(yīng)負荷完成再分配；可平移負荷平移至01：00—14：00時段。在23：00—次日07：00時段內(nèi)棄風棄光量明顯降低，風光使用率由85.6%提升至96.2%。

結(jié)果表明，DSR的參與使負荷時序波動更加貼合綜合能源出力情況，并且DSR在電網(wǎng)運行過程中可根據(jù)削峰填谷的需要進行靈活的轉(zhuǎn)移與削減。在此過程中，可削減負荷只能在固定時刻削減自身出力參與電網(wǎng)運行，因此主要在削峰方面發(fā)揮作用；相對而言，可轉(zhuǎn)移負荷與可平移負荷則能在相應(yīng)時段內(nèi)靈活調(diào)節(jié)出力分布，故在風光消納和削峰填谷方面具有更大優(yōu)勢。

在此基礎(chǔ)上，為了對比3類DSR參與電網(wǎng)運行的效果，按照參與容量設(shè)定不同場景，進行多目標優(yōu)化計算。優(yōu)先選擇風光使用率最高的方案作為典型方案進行分析。風光滲透率為20%，抽蓄容量保持在5%，電網(wǎng)調(diào)控負荷分為5%和10%兩種場景，主動參與負荷可響應(yīng)容量范圍為5%～15%，風光滲透率20%下典型運行場景優(yōu)化方案見表4。

表4中，在電網(wǎng)調(diào)控負荷占比由5%增至10%，而主動參與負荷占比不變（10%）的情況下，運行成本提高4.9%，風光使用率提升0.9%，峰谷差值下降2.0%。當電網(wǎng)調(diào)控負荷占比不變（5%），而在主動參與負荷占比由5%增至15%的情況下，運行成本降低2.3%，風光使用率提升0.9%，峰谷差值減小5.1%。各場景中電壓穩(wěn)定指標近似，分析其原因主要是由于各類響應(yīng)負荷占比較小。各方案之間的差別主要體現(xiàn)在經(jīng)濟效益、風光使用率及削峰填谷效果上。當主動資源參與響應(yīng)容量保持一定時，隨著電網(wǎng)調(diào)控負荷占比的提高，運行成本上升，同時風光使用率提高、峰谷差降低。而在同一場景中，電網(wǎng)調(diào)控負荷比例保持一定，當主動參與負荷比例上升，電網(wǎng)運行成本下降，風光使用率升高、電網(wǎng)負荷波動峰谷差降低。結(jié)果表明，主動參與負荷占比相對較小，其在電價引導(dǎo)下積極參與電網(wǎng)運行能夠經(jīng)濟地促進風光使用。而電網(wǎng)調(diào)控負荷在系統(tǒng)控制下產(chǎn)生了一定的轉(zhuǎn)移成本，由于此類負荷一般為大型工業(yè)單位，其集中可控性較高且容量較大，因此在風光消納、削峰填谷方面有更顯著的優(yōu)勢。

4.3 不同電網(wǎng)運行工況下的影響評估

風光能源占比由20%提升至40%，抽蓄參與響應(yīng)容量上限不變。仍以風光使用率最高為典型方案選取標準，在不同場景下所獲得的典型優(yōu)化方案結(jié)果如表5所示。表5各場景中，在主動參與負荷占比保持不變（15%），電網(wǎng)調(diào)控負荷占比由5 %增至10%的情況下，運行成本提高3.4%，風光使用率提升0.6%，峰谷差值減小2.2%。當電網(wǎng)調(diào)控負荷占比不變（10%），主動參與負荷占比由5%增至15%時，運行成本降低1.3%，風光使用率提升0.9%，峰谷差值減小10.6%。由于受容量限制，各方案中電壓穩(wěn)定指標差別仍較小。在風光滲透率達到40%的場景中，在允許響應(yīng)范圍內(nèi)充分調(diào)動用戶側(cè)的主動、被動資源參與電網(wǎng)調(diào)控，雖然能對電網(wǎng)各項指標起到改善作用，但受限于各類需求側(cè)響應(yīng)負荷的容量，已難以繼續(xù)消納風光等新能源發(fā)電。不難看出，隨著風光滲透率的持續(xù)升高，需求側(cè)負荷參與調(diào)控的能力存在瓶頸，繼續(xù)擴充其參與響應(yīng)容量會增大規(guī)劃的改造成本和難度，進而導(dǎo)致供需沖突激化?？紤]電網(wǎng)中的受控資源，增加5%的抽蓄響應(yīng)容量，即參與容量由5 MW增至10 MW時，進一步研究其綜合效益，不同抽蓄機組容量下的典型運行場景優(yōu)化方案如表6所示。

在表6中，風光滲透率保持20 %不變，抽蓄機組容量為5 MW，主動資源占比不變，增加5%的電網(wǎng)調(diào)控負荷作為被動資源時，經(jīng)濟成本增加3.4%，風光使用率提高0.4%，削峰填谷效果改善2.4%。主/被動響應(yīng)負荷占比均保持5%不變，抽蓄機組參與容量提升至10 MW時，經(jīng)濟運行成本減少6.0%，風光使用率上升2.2%，峰谷差下降8.0%。可看出，分別擴充兩類被動資源容量對電網(wǎng)運行有不同影響。在參與運行的抽蓄機組容量保持一定的情況下，增加電網(wǎng)調(diào)控負荷容量，能夠以調(diào)控成本為代價改善風光使用與削峰填谷效果。相對而言，抽蓄機組容量增加對于各項指標的改善效果比電網(wǎng)調(diào)控負荷更為顯著，能夠降低經(jīng)濟成本，同時提高風光使用率、縮小峰谷差，在風光滲透率達40%時仍有相同的規(guī)律。

結(jié)果表明，電網(wǎng)中作為主/被動資源的兩類負荷能夠進行日內(nèi)的靈活分配，從而響應(yīng)電網(wǎng)需求，但其可供調(diào)整部分受到自身響應(yīng)容量、時段及可控形式的限制。作為受控資源的抽水蓄能電站雖然投資建設(shè)成本較大，但能根據(jù)電網(wǎng)需求靈活的切換運行狀態(tài)，在其響應(yīng)能力范圍內(nèi)完成抽蓄/發(fā)電狀態(tài)的轉(zhuǎn)換，具有更大的靈活、可控特性。抽蓄能在電網(wǎng)調(diào)控下大容量、集中性地參與電網(wǎng)運行，在用電低谷期低價用電，在用電高峰期供電。隨著抽蓄參與調(diào)控容量的增加，電網(wǎng)中各項指標改善效果明顯，可作為系統(tǒng)消納風光、削峰填谷的主要手段。

5 結(jié) 論

考慮電網(wǎng)主/被動資源參與需求側(cè)響應(yīng)研究分布式電源的并網(wǎng)規(guī)劃與運行，得出以下主要結(jié)論：

1）通過DSR模型能夠描述電網(wǎng)中各類資源在主動或受控參與下響應(yīng)電網(wǎng)需求的情況，便于發(fā)揮各類資源消納風光及削峰填谷能力。

2）階段式優(yōu)化模型能夠考慮風光、抽蓄接入位置及電網(wǎng)調(diào)控負荷改造容量，通過改進多目標粒子群算法確定主/被動資源在電網(wǎng)運行中的經(jīng)濟性、穩(wěn)定性、風光使用率及削峰填谷作用，在可行域內(nèi)提供合理的多樣性優(yōu)化方案，通過仿真驗證了所提方法的有效性與可行性。

3）對比電網(wǎng)中的3類主/被動資源，電價引導(dǎo)下的居民參與響應(yīng)負荷作為主動資源參與形式靈活，其積極參與可經(jīng)濟地改善電網(wǎng)各項指標，但受限于其參與調(diào)節(jié)的不確定性及分散性，只能作為電網(wǎng)調(diào)控的一種輔助手段。而被動資源中的電網(wǎng)調(diào)控負荷多為大型工業(yè)單位，較為集中且可控性較高，能夠調(diào)整契合電網(wǎng)運行需求。抽蓄機組作為受控資源發(fā)揮的作用更加明顯，能夠靈活轉(zhuǎn)換運行狀態(tài)、響應(yīng)電網(wǎng)需求、經(jīng)濟可靠地消納風光能源，實現(xiàn)削峰填谷作用。

［參考文獻］

［1］"""" 孫毅， 李澤坤， 黃紹模， 等. 基于分布式需求側(cè)資源備調(diào)池的低頻減載優(yōu)化策略研究［J］. 電網(wǎng)技術(shù)， 2020， 44（3）： 1016-1026.

SUN Y， LI Z K， HUANG S M， et al. An improved UFLS strategy based on distributed demand side resource pools ［J］. Power system technology， 2020， 44（3）： 1016-1026.

［2］"""" 丁明， 胡迪， 畢銳， 等. 含高滲透率可再生能源的配電網(wǎng)可靠性分析［J］. 太陽能學(xué)報， 2020， 41（2）： 194-202.

DING M， HU D， BI R， et al. Reliability analysis of distribution system containing high penetration renewable energy［J］. Acta energiae solaris sinica， 2020， 41（2）： 194-202.

［3］"""" ANWAR M B， QAZI H W， BURKE D J， et al. Harnessing the"" flexibility"" of"" demand-side"" resources［J］."" IEEE transactions on smart grid， 2019， 10（4）： 4151-4163.

［4］"""" 禹威威， 劉世林， 陳其工， 等. 考慮需求側(cè)管理的光伏微電網(wǎng)多目標優(yōu)化調(diào)度方法［J］. 太陽能學(xué)報， 2017， 38（11）： 2972-2981.

YU W W， LIU S L， CHEN Q G， et al. Multi-objective optimization scheduling method for photovoltaic based microgrid considering demand side management［J］. Acta energiae solaris sinica， 2017， 38（11）： 2972-2981.

［5］"""" MUHANJI S O， MUZKIKYAN A， FARID A M. Distributed control for distributed energy resources： long-term" challenges" and" lessons" learned［J］. IEEE access， 2018， 6： 32737-32753.

［6］"""" 吳紅斌， 董淑濤， 丁明. 考慮需求側(cè)響應(yīng)的風電功率分層平滑方法［J］. 太陽能學(xué)報， 2018， 39（9）： 2418-2424.

WU H B， DONG S T， DING M. A layered method for smoothing fluctuation of wind power based on demand response［J］. Acta energiae solaris sinica， 2018， 39（9）： 2418-2424.

［7］"""" 沈瑜， 岳園園， 閆華光， 等. 地區(qū)電網(wǎng)需求響應(yīng)資源聚合與調(diào)控策略研究［J］. 電網(wǎng)技術(shù)， 2017， 41（10）： 3341-3347.

SHEN Y， YUE Y Y， YAN H G， et al. Research on aggregation and optimization strategies of demand response resources"" for"" district"" power"" grid［J］."" Power"" system technology， 2017， 41（10）： 3341-3347.

［8］"""" ARUN S L， SELVAN M P. Intelligent residential energy management system for dynamic demand response in smart buildings［J］. IEEE systems journal， 2018， 12（2）： 1329-1340.

［9］"""" MURATORI M， RIZZONI G. Residential demand response： dynamic energy management and time-varying electricity"" pricing［J］."" IEEE"" transactions"" on"" power systems， 2016， 31（2）： 1108-1117.

［10］""" 張寧， 胡兆光， 周渝慧， 等. 考慮需求側(cè)低碳資源的新型模糊雙目標機組組合模型［J］. 電力系統(tǒng)自動化， 2014， 38（17）： 25-30.

ZHANG N， HU Z G， ZHOU Y H， et al. A novel fuzzy bi-objective unit commitment model considering demand side low-carbon resources［J］. Automation of electric power systems， 2014， 38（17）： 25-30.

［11］""" 曾鳴， 彭麗霖， 孫靜惠， 等. 兼容需求側(cè)可調(diào)控資源的分布式能源系統(tǒng)經(jīng)濟優(yōu)化運行及其求解算法［J］. 電網(wǎng)技術(shù)， 2016， 40（6）： 1650-1656.

ZENG M， PENG L L， SUN J H， et al. Economic optimization and corresponding algorithm for distributed energy system compatible with demand-side resources［J］. Power system technology， 2016， 40（6）： 1650-1656.

［12］""" 楊麗君， 楊博， 安立明， 等. 考慮電動汽車響應(yīng)的光儲微電網(wǎng)儲能優(yōu)化配置［J］. 太陽能學(xué)報， 2020， 41（4）： 340-347.

YANG L J， YANG B， AN L M， et al. OPTIMAL configuration of grid-connected PV-and-storage microgrid considering evs' demand response［J］. Acta energiae solaris sinica， 2020， 41（4）： 340-347.

［13］""" 盧恩， 王一， 陳雨果， 等. 含復(fù)雜電源結(jié)構(gòu)的電網(wǎng)調(diào)峰優(yōu)化模型［J］. 電力系統(tǒng)自動化， 2013， 37（20）： 119-126.

LU E， WANG Y， CHEN Y G， et al. Optimization model for peak load regulation of power system with complex generation"" structure［J］." Automation"" of"" electric"" power systems， 2013， 37（20）： 119-126.

［14］""" 許周， 孫永輝， 謝東亮， 等. 計及電/熱柔性負荷的區(qū)域綜合能源系統(tǒng)儲能優(yōu)化配置［J］. 電力系統(tǒng)自動化， 2020， 44（2）： 53-59.

XU Z， SUN Y H， XIE D L， et al. Optimal configuration of energy storage for integrated region energy system considering power/thermal flexible load［J］. Automation of electric power systems， 2020， 44（2）： 53-59.

［15］""" 莊園， 王磊. 分布式電源在配電網(wǎng)絡(luò)中優(yōu)化選址與定容的研究［J］. 電力系統(tǒng)保護與控制， 2012， 40（20）： 73-78.

ZHUANG Y， WANG L. Research of distributed generation optimal layout and capacity confirmation in distribution network［J］. Power system protection and control， 2012， 40（20）： 73-78.

［16］""" 丁明， 吳杰， 張晶晶. 面向風電平抑的混合儲能系統(tǒng)容量配置方法［J］. 太陽能學(xué)報， 2019， 40（3）： 593-599.

DING M， WU J， ZHANG J J. Capacity optimization method of hybrid energy storage system for wind power smoothing［J］. Acta energiae solaris sinica， 2019， 40（3）： 593-599.

［17］""" 王立喬， 鮑利斌， 孫孝峰. 基于變異粒子群算法的光伏系統(tǒng)最大功率點跟蹤研究［J］. 太陽能學(xué)報， 2016， 37（3）： 743-751.

WANG L Q， BAO L B， SUN X F. Study of photovoltaic system maximum power point tracking based on mutation particle"" swarm"" optimization［J］." Acta"" energiae"" solaris sinica， 2016， 37（3）： 743-751.

［18］""" 高紅均， 劉俊勇. 考慮不同類型DG和負荷建模的主動配電網(wǎng)協(xié)同規(guī)劃［J］. 中國電機工程學(xué)報， 2016， 36（18）： 4911-4922， 5115.

GAO H J， LIU J Y. Coordinated planning considering different types of DG and load in active distribution network［J］. Proceedings of the CSEE， 2016， 36（18）： 4911-4922， 5115.

［19］""" 李振坤， 岳美， 胡榮， 等. 計及分布式電源與可平移負荷的變電站優(yōu)化規(guī)劃［J］. 中國電機工程學(xué)報， 2016， 36（18）： 4883-4893， 5112.

LI Z K， YUE M， HU R， et al. Optimal planning of substation considering distributed generation and shiftable loads［J］. Proceedings of the CSEE， 2016， 36（18）： 4883-4893， 5112.

［20］""" 王典， 潘超， 鹿麗， 等. 計及風-光時序相關(guān)特性的源-儲并網(wǎng)階段式規(guī)劃策略［J］. 東北電力大學(xué)學(xué)報， 2020， 40（4）： 1-10.

WANG D， PAN C， LU L， et al. Source-storage staged planning" strategy" considering" wind-photovoltaic" timing related" characteristics［J］." Journal" of" Northeast" Electric Power University， 2020， 40（4）： 1-10.

［21］""" GILS H C. Assessment of the theoretical demand response potential in Europe［J］. Energy， 2014， 67： 1-18.

［22］""" 王蓓蓓. 面向智能電網(wǎng)的用戶需求響應(yīng)特性和能力研究綜化［J］. 中國電機工程學(xué)報， 2014， 34（22）： 3654-3663.

［23］""" ESMAILNAJAD S， SUNDQUIST J. Demand side management in Swedish industry-an investigation of load management in major Swedish industries［D］. Goteborg： Chalmers University of Technology， 2014.

COLLABORATIVE REGULATION OF DISTRIBUTED POWER GRID CONNECTION PARTICJPATED BY DEMAND SIDE RESOURCE

Pan Chao1，F(xiàn)an Gongbo1，Bao Yuting1，Li Runyu1，Yu Fengjiao1，Bao Feng2

（1. Key Laboratory of Modern Power System Simulation and Control amp; Renewable Energy Technology， Ministry of Education，

Northeast Electric Power University， Jilin 132012， China；

2. Songhuajiang Hydropower Co.， Ltd.， Jilin Baishan Power Plant， Jilin 132012， China）

Abstract：As the penetration rate of wind and solar power in network rises， it is more difficult for power grid to absorb new energy of the distributed generation. To solve this problem， a demand-side resource response model is stabished. Staged optimization method is used to study coordinated regulation of power grids with distributed generation. In the first stage， the grid-connected position of distributed generation and pumped storage is optimized by the sensitivity of network loss. In the second stage， the controlled resource capacity is determined according to the economic cost. On this basis， different scenarios are divided with the response capacity in the third stage. Considering the synergy of active and passive resources， the effects of different optimal cases on economic operation， new energy utilization， voltage stability and peak cut of power grid are analyzed. In order to enhance the solution efficiency of staged optimization and the diversity of solution sets， an improved particle swarm algorithm is used. Finally， simulation analysis of a practical power grid in Northeast China validates the correctness and effectiveness of this method.

Keywords：distributed generation； demand side management； multi-objective optimization； stage model