CN108448645A - 一种基于两层规划模型的多形态广域需求侧负荷响应方法 - Google Patents

Abstract

本发明提供的一种基于两层规划模型的多形态广域需求侧负荷响应方法，通过：获取区域电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的调节特性参数和调节成本参数；以获得最大的负荷调节电量为目标构建上层规划模型；以电网交易中心支付负荷的补偿成本最小为目标构建下层规划模型；利用遗传算法求解基于两层规划模型的多形态广域需求侧负荷响应方法。本发明充分考虑各类多形态广域需求侧负荷的运行特性和响应特点,深入挖掘高载能负荷的调节潜力,在确保电网安全的前提下尽可能获得最大的负荷调节电量，进一步提升新能源的消纳。

Description

一种基于两层规划模型的多形态广域需求侧负荷响应方法

技术领域

本发明属于电力系统负荷响应技术领域，尤其涉及一种基于两层规划的多形态广域需求侧负荷响应方法。

背景技术

由于风电具有间歇性和随机性的特点，大规模新能源发电并网在增加电力供应、有效缓解阶段性电力供需矛盾的同时，也给电网的安全稳定运行带来很多问题。电网调峰压力不断加大，风电并网和消纳问题日益凸显，弃风现象比较突出。对于大规模新能源接入的电网，常规电源参与调峰的能力往往无法满足需求，因此需要尽可能多地调节多形态广域需求侧负荷参与电网调峰。

目前针对需求侧负荷响应优化问题，国内外学者对相应的需求侧负荷响应综合特性已经做了很多研究，总结如下：

1)开展了负荷侧调节资源的研究，分析了部分潜在可调节负荷的机理特性；研究了高载能负荷特性，并基于此提出了一些初步的应对策略。

2)研究了面向长期和短期实时电价的高载能负荷特性及响应模型；研究了紧急情况下电解铝负荷调频问题，建立了紧急负荷响应控制模型；研究了支撑风力发电的需求响应匹配分析研究，提出一种风力发电与负荷匹配分析模型。

综上所述，国内外工程界已意识到高载能负荷、电动汽车、蓄热电锅炉等广域需求侧响应负荷参与电网调峰、调频的重要性和可行性，建立了部分可调节负荷的调峰模型，初步探讨了高载能负荷等某些广域需求侧负荷参与互动调峰的前景。但是，如何充分挖掘多形态广域需求侧负荷调节能力，使电网获得最大的负荷调节电量，尚缺乏系统性研究。因此，本发明在以上研究的基础上，提出一种基于两层规划的多形态广域需求侧负荷响应方法，充分考虑各类多形态广域需求侧负荷的运行特性和响应特点,深入挖掘高载能负荷的调节潜力,在确保电网安全的前提下尽可能获得最大的负荷调节电量，进一步提升新能源的消纳能力。

发明内容

本发明的目的在于，提供一种基于两层规划的多形态广域需求侧负荷响应方法，用于解决大规模新能源并网时电网弃风弃光的问题，为电网负荷响应提供参考。

为实现上述目的，本发明提供的技术方案是，一种基于两层规划的多形态广域需求侧负荷响应方法，如无特殊说明，后文所述的负荷均指多形态广域需求侧负荷。其包括以下步骤：

S1：获取区域电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的调节特性参数和调节成本参数；

S2：以获得最大的负荷调节电量为目标构建上层规划模型；

S3：以电网调度中心支付负荷的补偿成本最小为目标构建下层规划模型；

S4：利用遗传算法求解基于两层规划的多形态广域需求侧负荷响应方法。

优选的，所述S1包括以下步骤：

S101：获取区域电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的调节特性参数；

S102：获取区域电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的调节成本参数。

优选的，所述S2包括以下步骤：构建以获得最大的负荷调节电量为目标的上层规划模型。其模型为：

式(10)中，W为高载能负荷、电动汽车负荷、蓄热电锅炉负荷可以提供的最大调节电量；N为负荷的个数；W_kI为负荷k提供的最大中断负荷调节电量，W_kC为负荷k提供的最大连续调节负荷调节电量，W_kS为负荷k提供的最大转移负荷调节电量，W_kChg为负荷k提供的最大电动汽车负荷调节电量，W_kB为负荷k提供的最大蓄热电锅炉负荷调节电量；P_kI、P_kC、P_kS、P_kChg和P_kB分别为负荷k调整单位负荷时，电网调度中心向负荷支付的中断、连续调节、转移、电动汽车和蓄热电锅炉补偿价格；P_GI、P_GC、P_GS、P_GChg和P_GB分别为常规电源提供单位调整容量的补偿价格；μ为新能源消纳补贴因子，这是因为采用高载能负荷、电动汽车负荷、蓄热电锅炉负荷调节能够促进电网对新能源的消纳能力。

优选的，所述S3包括以下步骤：构建以电网调度中心支付负荷的补偿成本最小为目标的下层规划模型。其模型为：

式(11)中，I为在负荷k调节过程中，负荷从电网调度中心获得的补偿效益；C为负荷k在调节过程中的负荷损失、运行维护和设备改造成本；J为负荷k通过提供调节电量获得的响应效益；C_kI为负荷k的中断负荷成本，它与负荷中断电量成二次相关，θ_kI、η_kI为负荷k的中断成本参数；C_kC为负荷k的连续调节负荷成本，它是负荷连续调节电量的二次函数，α_kC、β_kC、γ_kC为负荷k的连续调节成本参数；C_kS为负荷k的转移负荷成本，C_kS0为负荷k的转移成本参数；C_kChg为负荷k的电动汽车负荷成本，C_kChg0为负荷k的电动汽车成本参数；C_kB为负荷k的蓄热电锅炉负荷成本，ω_kB0、ζ_kB0为负荷k的蓄热电锅炉成本参数；Δt为调度时段间隔；N_kI、N_kC、N_kS、N_kChg、N_kB分别为负荷k所包含的中断负荷、连续调节负荷、转移负荷、电动汽车负荷、蓄热电锅炉负荷数量；为负荷k第l个中断负荷在时段h提供的调节容量，为负荷k第m个连续调节负荷在时段h提供的调节容量，为负荷k第n个转移负荷在时段h提供的调节容量，为负荷k第i个电动汽车负荷在时段h提供的调节容量，为负荷k第j个蓄热电锅炉负荷在时段h提供的调节容量；ΔL_kIl,min和ΔL_kIl,max分别为负荷k中的第l个中断负荷提供的调节容量上下限，ΔL_kCm,min和ΔL_kCm,max分别为负荷k中的第m个连续调节负荷提供的调节容量上下限，ΔL_kSn,min和ΔL_kSn，max分别为负荷k中的第n个转移负荷提供的调节容量上下限，ΔL_kChgi,min和ΔL_kChgi,max分别为负荷k中的第i个电动汽车负荷提供的调节容量上下限，ΔL_kBj,min和ΔL_kBj,max分别为负荷k中的第j个蓄热电锅炉负荷提供的调节容量上下限。

优选的，所述S4包括以下步骤：

S401:上下层规划模型采用相同的种群规模M,交叉概率P_c，变异概率P_n和迭代次数λ。

S402:针对电网调度中心向负荷支付的补偿价格的范围，产生若干随机补偿价格作为初始染色体x₁ ⁽⁰⁾，x₂ ⁽⁰⁾，x₃ ⁽⁰⁾……x_M ⁽⁰⁾，并将每个染色体x_i ⁽⁰⁾作为下层的初始数据；

S403:针对负荷调节容量的范围，产生若干随机负荷调节容量作为初始染色体y₁ ⁽⁰⁾，y₂ ⁽⁰⁾，y₃ ⁽⁰⁾……y_M ⁽⁰⁾；

S404:对第k代每个染色体x_i ^(k)(i＝1,2,...,M；k＝0,1,...,λ)，利用遗传算法求出下层规划模型的最优解J_i ^(k)，然后反馈给上层规划模型，并保存最好的W_i ^(k)；

S405:将上层规划模型的染色体按适应度大小进行排序，将最好的上层函数值位于最前面，并计算所有染色体的评价函数值eval(x_i ^(k))。

S406：通过旋转赌轮M次对从原上层规划模型中的染色体进行选择，得到新的染色体x₁ ^(k)′，x₂ ^(k)′，x₃ ^(k)′…x_M ^(k)′。

S407：对上一代群体进行交叉操作，产生新一代群体x₁ ^(k)″′，x₂ ^(k)″′，x₃ ^(k)″′…x_M ^(k)″′；

S408：对上一代群体进行变异操作，产生新一代群体x₁ ^(k+1)，x₂ ^(k+1)，x₃ ^(k+1)…x_M ^(k+1)；

S409：检验是否达到迭代次数，否则，转S404；

S4010：将结果提交给电网调度中心，如果满意，输出结果。否则，提高新能源消纳补贴因子μ，转到S402。

本发明提供的一种基于两层规划的多形态广域需求侧负荷响应方法，通过：获取区域电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的调节特性参数和调节成本参数；以获得最大的负荷调节电量为目标构建上层规划模型；以电网交易中心支付负荷的补偿成本最小为目标构建下层规划模型；利用遗传算法求解基于两层规划的多形态广域需求侧负荷响应方法。本发明充分考虑各类多形态广域需求侧负荷的运行特性和响应特点,深入挖掘高载能负荷的调节潜力,在确保电网安全的前提下尽可能获得最大的负荷调节电量，进一步提升新能源的消纳能力。

附图说明

图1一种基于两层规划的多形态广域需求侧负荷响应方法流程图。

图2电网负荷调节总电量。

图3电网交易中心支付负荷补偿成本图。

具体实施方式

为了清楚了解本发明的技术方案，将在下面的描述中提出其详细的结构。显然，本发明实施例的具体施行并不足限于本领域的技术人员所熟习的特殊细节。本发明的优选实施例详细描述如下，除详细描述的这些实施例外，还可以具有其他实施方式。

下面结合附图和实施例对本发明做进一步详细说明。

实施例1

图1是一种基于两层规划的多形态广域需求侧负荷响应方法流程图的流程图。其包括：

S1：获取区域电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的调节特性参数和调节成本参数；

S2：以获得最大的负荷调节电量为目标构建上层规划模型；

S3：以电网调度中心支付负荷的补偿成本最小为目标构建下层规划模型；

S4：利用遗传算法求解基于两层规划的多形态广域需求侧负荷响应方法。

所述S1包括以下步骤：

S101：获取区域电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的调节特性参数；

S102：获取区域电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的调节成本参数。

所述S2包括：

上层规划模型的目标是在保证电力系统安全运行的条件下，获得最大的负荷调节电量，尽可能地促进新能源消纳。其数学模型如下：

式(12)中，W为高载能负荷、电动汽车负荷、蓄热电锅炉负荷可以提供的最大调节电量；N为负荷的个数；W_kI为负荷k提供的最大中断负荷调节电量，W_kC为负荷k提供的最大连续调节负荷调节电量，W_kS为负荷k提供的最大转移负荷调节电量，W_kChg为负荷k提供的最大电动汽车负荷调节电量，W_kB为负荷k提供的最大蓄热电锅炉负荷调节电量；P_kI、P_kC、P_kS、P_kChg和P_kB分别为负荷k调整单位负荷时，电网调度中心向负荷支付的中断、连续调节、转移、电动汽车和蓄热电锅炉补偿价格；P_GI、P_GC、P_GS、P_GChg和P_GB分别为常规电源提供单位调整容量的补偿价格；μ为新能源消纳补贴因子，这是因为采用高载能负荷、电动汽车负荷、蓄热电锅炉负荷调节能够促进电网对新能源的消纳能力。

所述S3包括以下步骤：

下层规划模型的目标是在不影响高载能负荷、电动汽车负荷、蓄热电锅炉负荷正常工作的条件下，电网调度中心支付负荷的补偿成本最小。其数学模型如下：

式(13)中，I为在负荷k调节过程中，负荷从电网调度中心获得的补偿效益；C为负荷k在调节过程中的负荷损失、运行维护和设备改造成本；J为负荷k通过提供调节电量获得的响应效益；C_kI为负荷k的中断负荷成本，它与负荷中断电量成二次相关，θ_kI、η_kI为负荷k的中断成本参数；C_kC为负荷k的连续调节负荷成本，它是负荷连续调节电量的二次函数，α_kC、β_kC、γ_kC为负荷k的连续调节成本参数；C_kS为负荷k的转移负荷成本，C_kS0为负荷k的转移成本参数；C_kChg为负荷k的电动汽车负荷成本，C_kChg0为负荷k的电动汽车成本参数；C_kB为负荷k的蓄热电锅炉负荷成本，ω_kB0、ζ_kB0为负荷k的蓄热电锅炉成本参数；Δt为调度时段间隔；N_kI、N_kC、N_kS、N_kChg、N_kB分别为负荷k所包含的中断负荷、连续调节负荷、转移负荷、电动汽车负荷、蓄热电锅炉负荷数量；；为负荷k第l个中断负荷在时段h提供的调节容量，为负荷k第m个连续调节负荷在时段h提供的调节容量，为负荷k第n个转移负荷在时段h提供的调节容量，为负荷k第i个电动汽车负荷在时段h提供的调节容量，为负荷k第j个蓄热电锅炉负荷在时段h提供的调节容量；ΔL_kIl,min和ΔL_kIl,max分别为负荷k中的第l个中断负荷提供的调节容量上下限，ΔL_kCm,min和ΔL_kCm,max分别为负荷k中的第m个连续调节负荷提供的调节容量上下限，ΔL_kSn,min和ΔL_kSn,max分别为负荷k中的第n个转移负荷提供的调节容量上下限，ΔL_kChgi,min和ΔL_kChgi,max分别为负荷k中的第i个电动汽车负荷提供的调节容量上下限，ΔL_kBj,min和ΔL_kBj,max分别为负荷k中的第j个蓄热电锅炉负荷提供的调节容量上下限。

所述S4包括以下步骤：

S401:上下层规划模型均采用遗传算法求解，且采用相同的种群规模M,交叉概率P_c，变异概率P_n和迭代次数λ；

S402:针对电网交易中心向负荷支付的补偿价格的范围，产生若干随机补偿价格作为初始染色体并将每个染色体作为下层的初始数据，其格式为

式中，的具体格式为

的具体结构与的类似。

S403:针对负荷调节容量的范围，产生若干随机负荷调节容量作为初始染色体 其格式为

式中，h＝1,2,...N，的具体格式为

S404:对第k代每个染色体x_i ^(k)(i＝1,2,...,M；k＝0,1,...,λ)，利用遗传算法求出下层规划模型的最优解J_i ^(k)，然后反馈给上层规划模型，并保存最好的W_i ^(k)；

S405:将上层规划模型的染色体按适应度大小进行排序，将最好的上层函数值位于最前面，并计算所有染色体的评价函数值eval(x_i ^(k))，其表达式如下：

eval(x_i ^(k))＝a(1-a)^i-1,i＝1,2,...,M (18)

S406：通过旋转赌轮M次对从原上层规划模型中的染色体进行选择，得到新的染色体x₁ ^(k)′，x₂ ^(k)′，x₃ ^(k)′…x_M ^(k)′，其选择过程如下所示。

步骤1：对每个染色体，计算累计概率

步骤2：从区间(0,q_M]中产生一个随机数r；

步骤3：若q_i-1＜r≤q_i，则选择第i个染色体x_i ^(k)，其中1≤i≤M；

步骤4：重复上述步骤2、3共M次，这样可以得到M个复制的染色体。

S407：从[0,1]中产生随机数r_i，如果r_i＜P_c，则选择x_i ^(k)′作为一个父代。用x₁ ^(k)″，x₂ ^(k)″，x₃ ^(k)″…表示上面选择的父代，并把它们随机地分成下面的对

(x₁ ^(k)″,x₂ ^(k)″)，(x₃ ^(k)″,x₄ ^(k)″)，…

以(x₁ ^(k)″,x₂ ^(k)″)为例进行交叉，取随机数c∈(0,1)，在x₁ ^(k)″，x₂ ^(k)″之间进行交叉操作，并产生两个后代x₁ ^(k)″′，x₂ ^(k)″′，其表达式如下所示。

检验新生成的一代是否可行，如果不可行，重新生成随机数c，生成可行的后代。

S408：从[0,1]中产生随机数r_i，如果r_i＜P_c，则选择x_i ^(k)″′作为一个父代，用x₁ ^{(k +1)}，x₂ ^(k+1)，x₃ ^(k+1)…表示上面选择的父代。在Rⁿ中，随机选择一个方向d(||d||＝1)。如果x_i ^{(k +1)}+Ld(L是一个足够大的正数)不满足上层约束，那么置L为0和L之间的一个随机数，直到其可行为止。如果在给定的迭代次数内没有找到可行解，置L＝0即可。无论L为何值，均可将x_i ^(k+1)+Ld代替x_i ^(k+1)。

S409：检验是否达到迭代次数，否则，转S404；

S4010：结果提交给电网调度中心，如果满意，输出结果。否则，提高新能源消纳补贴因子μ，转到S402。

实施例2：

按照上述方法，实例2以某电网为实例，验证所提出的一种基于两层规划的多形态广域需求侧负荷响应方法的可行性和有效性。

该电网具有A、B、C、D、E等五种典型的多形态广域需求侧负荷，各负荷的调节参数如表1和表2所示。考虑到具有不同响应特性的多形态广域需求侧负荷的调节潜力不同，电网交易中心需要制定不同的补偿价格，这里设定电网向多形态广域需求侧负荷支付的补偿价格P_kS＜P_kI＜P_kC＜P_kB＜P_kChg。设定常规电源提供单位调整容量的补偿价格P_GI＝130元/(MW·h)、P_GC＝160元/(MW·h)、P_GS＝100元/(MW·h)、P_GChg＝300元/(MW·h)和P_GB＝200元/(MW·h)。

表1 某电网多形态广域需求侧负荷调节特性参数

表2 某电网多形态广域需求侧负荷调节成本参数

遗传算法的参数设置如下：种群规模M＝50,交叉概率P_c＝0.6，变异概率P_n＝0.1和迭代次数λ＝100。此外，考虑不同补贴情形取新能源消纳补贴因子μ∈[0,1.5]。在一天的研究周期内，调度时段间隔Δt＝15min。求解上述基于两层规划的多形态广域需求侧负荷响应方法，得到该电网负荷调节总电量W、电网交易中心支付负荷的补偿成本I随新能源消纳补贴因子μ变化的结果如表3所示。

表3某电网负荷调节总电量和补偿成本结果

此外，还可以得到该电网负荷调节总电量W、电网交易中心支付负荷的补偿成本I随新能源消纳补贴因子μ变化的情况分别如图2、3所示。由表3和图2、3可知，随着新能源消纳补贴因子μ的增加，负荷调节总电量W、电网交易中心支付负荷的补偿成本I单调增加。通过上述求解，可以求出满足该电网负荷调节总电量W＞0的最小新能源消纳补贴因子为μ_1,min＝0.272，电网交易中心支付负荷的补偿成本I＝565.1元；满足该电网负荷调节总电量的最大值W＝23360MW·h的最小新能源消纳补贴因子为μ_2,min＝1.354，此时电网交易中心支付负荷的补偿成本I＝3864606.6元。

当μ＝1.354时，多形态广域需求侧负荷的补偿价格如表4所示。表4中求得的多形态广域需求侧负荷补偿价格结果均为满足负荷调节总电量最大时电网交易中心向负荷支付的最小补偿价格，其中的×表示此种负荷不参与负荷调节。

表4 μ＝1.354时某电网多形态广域需求侧负荷补偿价格

由表4可知，负荷A的最大调节电量为6720MW·h，其调节潜力在P_kI、P_kC、P_kS分别取51、70.27、90元/(MW·h)时被充分挖掘；负荷B的最大调节电量为2700MW·h，其调节潜力在P_kI分别取85.5元/(MW·h)时被充分挖掘；负荷C的最大调节电量为12000MW·h，其调节潜力在P_kC分别取216.57元/(MW·h)时被充分挖掘；负荷D的最大调节电量为500MW·h，其调节潜力在P_kChg分别取320元/(MW·h)时被充分挖掘；负荷E的最大调节电量为1440MW·h，其调节潜力在P_kB分别取235.56元/(MW·h)时被充分挖掘。上述实例验证本发明所提出的一种基于两层规划模型的多形态广域需求侧负荷响应方法的可行性和有效性。在电网面临调节资源缺乏的情况下，合理制定多形态广域需求侧负荷响应的补偿价格，可避免价格激励不足、补贴过度等现象的发生，可以激励负荷主动参与电网调度。

上述实例验证本发明所提出的一种基于两层规划的多形态广域需求侧负荷响应方法的可行性和有效性。在电网面临调节资源缺乏的情况下，合理制定多形态广域需求侧负荷响应的补偿价格，可避免价格激励不足、补贴过度等现象的发生，可以激励负荷主动参与电网调度。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (4)

1.一种基于两层规划模型的多形态广域需求侧负荷响应方法，其特征在于,包括以下步骤：

S1：获取区域电网内高载能负荷、电动汽车负荷、蓄热电锅炉负荷的调节特性参数和调节成本参数；

S2：以获得最大的负荷调节电量为目标构建上层规划模型；

S3：以电网交易中心支付负荷的补偿成本最小为目标构建下层规划模型；

S4：利用遗传算法求解基于两层规划模型的多形态广域需求侧负荷响应方法。

2.根据权利要求1所述的基于两层规划模型的多形态广域需求侧负荷响应方法，其特征在于，所述S2包括以下步骤：构建以获得最大的负荷调节电量为目标的上层规划模型；其模型为：

式(1)中，W为高载能负荷、电动汽车负荷、蓄热电锅炉负荷可以提供的最大调节电量；N为负荷的个数；W_kI为负荷k提供的最大中断负荷调节电量，W_kC为负荷k提供的最大连续调节负荷调节电量，W_kS为负荷k提供的最大转移负荷调节电量，W_kChg为负荷k提供的最大电动汽车负荷调节电量，W_kB为负荷k提供的最大蓄热电锅炉负荷调节电量；P_kI、P_kC、P_kS、P_kChg和P_kB分别为负荷k调整单位负荷时，电网调度中心向负荷支付的中断、连续调节、转移、电动汽车和蓄热电锅炉补偿价格；P_GI、P_GC、P_GS、P_GChg和P_GB分别为常规电源提供单位调整容量的补偿价格；μ为新能源消纳补贴因子，这是因为采用高载能负荷、电动汽车负荷、蓄热电锅炉负荷调节能够促进电网对新能源的消纳能力。

3.根据权利要求1所述的基于两层规划模型的多形态广域需求侧负荷响应方法，其特征在于,所述S3包括以下步骤：构建以电网交易中心支付负荷的补偿成本最小为目标的下层规划模型；其模型为：

式(2)中，I为在负荷k调节过程中，负荷从电网调度中心获得的补偿效益；C为负荷k在调节过程中的负荷损失、运行维护和设备改造成本；J为负荷k通过提供调节电量获得的响应效益；C_kI为负荷k的中断负荷成本，它与负荷中断电量成二次相关，θ_kI、η_kI为负荷k的中断成本参数；C_kC为负荷k的连续调节负荷成本，它是负荷连续调节电量的二次函数，α_kC、β_kC、γ_kC为负荷k的连续调节成本参数；C_kS为负荷k的转移负荷成本，C_kS0为负荷k的转移成本参数；C_kChg为负荷k的电动汽车负荷成本，C_kChg0为负荷k的电动汽车成本参数；C_kB为负荷k的蓄热电锅炉负荷成本，ω_kB0、ζ_kB0为负荷k的蓄热电锅炉成本参数；Δt为调度时段间隔；N_kI、N_kC、N_kS、N_kChg、N_kB分别为负荷k所包含的中断负荷、连续调节负荷、转移负荷、电动汽车负荷、蓄热电锅炉负荷数量；为负荷k第l个中断负荷在时段h提供的调节容量，为负荷k第m个连续调节负荷在时段h提供的调节容量，为负荷k第n个转移负荷在时段h提供的调节容量，为负荷k第i个电动汽车负荷在时段h提供的调节容量，为负荷k第j个蓄热电锅炉负荷在时段h提供的调节容量；ΔL_kIl,min和ΔL_kIl,max分别为负荷k中的第l个中断负荷提供的调节容量上下限，ΔL_kCm,min和ΔL_kCm,max分别为负荷k中的第m个连续调节负荷提供的调节容量上下限，ΔL_kSn,min和ΔL_kSn,max分别为负荷k中的第n个转移负荷提供的调节容量上下限，ΔL_kChgi,min和ΔL_kChgi,max分别为负荷k中的第i个电动汽车负荷提供的调节容量上下限，ΔL_kBj,_min和ΔL_kBj,_max分别为负荷k中的第j个蓄热电锅炉负荷提供的调节容量上下限。

4.对权利要求1所述的基于两层规划模型的多形态广域需求侧负荷响应方法，其特征在于,所述S4包括以下步骤：

S401:上下层规划模型采用相同的种群规模M,交叉概率P_c，变异概率P_n和迭代次数λ；

S402:针对电网交易中心向负荷支付的补偿价格的范围，产生若干随机补偿价格作为初始染色体并将每个染色体作为下层的初始数据，其格式为

式中，的具体格式为

的具体结构与的类似；

S403:针对负荷调节容量的范围，产生若干随机负荷调节容量作为初始染色体 其格式为

式中，h＝1,2,...N，的具体格式为

S404:对第k代每个染色体x_i ^(k)(i＝1,2,...,M；k＝0,1,...,λ)，利用遗传算法求出下层规划模型的最优解J_i ^(k)，然后反馈给上层规划模型，并保存最好的W_i ^(k)；

S405:将上层规划模型的染色体按适应度大小进行排序，将最好的上层函数值位于最前面，并计算所有染色体的评价函数值eval(x_i ^(k))，其表达式如下：

eval(x_i ^(k))＝a(1-a)^i-1,i＝1,2,...,M (7)

S406：通过旋转赌轮M次对从原上层规划模型中的染色体进行选择，得到新的染色体x₁ ^(k)′，x₂ ^(k)′，x₃ ^(k)′…x_M ^(k)′，其选择过程如下所示；

步骤1：对每个染色体，计算累计概率

步骤2：从区间(0,q_M]中产生一个随机数r；

步骤3：若q_i-1＜r≤q_i，则选择第i个染色体x_i ^(k)，其中1≤i≤M；

步骤4：重复上述步骤2、3共M次，这样可以得到M个复制的染色体；

S407：从[0,1]中产生随机数r_i，如果r_i＜P_c，则选择x_i ^(k)′作为一个父代；用x₁ ^(k)″，x₂ ^(k)″，x₃ ^(k)″…表示上面选择的父代，并把它们随机地分成下面的对

(x₁ ^(k)″,x₂ ^(k)″)，(x₃ ^(k)″,x₄ ^(k)″)，…

以(x₁ ^(k)″,x₂ ^(k)″)为例进行交叉，取随机数c∈(0,1)，在x₁ ^(k)″，x₂ ^(k)″之间进行交叉操作，并产生两个后代x₁ ^(k)″′，x₂ ^(k)″′，其表达式如下所示；

检验新生成的一代是否可行，如果不可行，重新生成随机数c，生成可行的后代；

S408：从[0,1]中产生随机数r_i，如果r_i＜P_c，则选择x_i ^(k)″′作为一个父代，用x₁ ^(k+1)，x₂ ^{(k +1)}，x₃ ^(k+1)…表示上面选择的父代；在Rⁿ中，随机选择一个方向d(||d||＝1)；如果x_i ^(k+1)+Ld(L是一个足够大的正数)不满足上层约束，那么置L为0和L之间的一个随机数，直到其可行为止；如果在给定的迭代次数内没有找到可行解，置L＝0即可；无论L为何值，均可将x_i ^(k+1)+Ld代替x_i ^(k+1)；

S409：检验是否达到迭代次数，否则，转S404；

S4010：结果提交给电网调度中心，如果满意，输出结果；否则，提高新能源消纳补贴因子μ，转到S402。