CN113554354A - 一种考虑用户多元响应特性的负荷聚合商最优调度方法 - Google Patents

一种考虑用户多元响应特性的负荷聚合商最优调度方法 Download PDF

Info

Publication number
CN113554354A
CN113554354A CN202111026618.1A CN202111026618A CN113554354A CN 113554354 A CN113554354 A CN 113554354A CN 202111026618 A CN202111026618 A CN 202111026618A CN 113554354 A CN113554354 A CN 113554354A
Authority
CN
China
Prior art keywords
response
user
aggregator
users
demand
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111026618.1A
Other languages
English (en)
Inventor
杨昌海
宋汶秦
妥建军
徐铭
杨国山
刘正英
杨婷婷
刘永成
王著秀
杨茜
赵春娟
严基川
王飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
State Grid Gansu Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd
Original Assignee
North China Electric Power University
State Grid Gansu Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, State Grid Gansu Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd filed Critical North China Electric Power University
Priority to CN202111026618.1A priority Critical patent/CN113554354A/zh
Publication of CN113554354A publication Critical patent/CN113554354A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明提供一种考虑用户多元响应特性的负荷聚合商最优调度方法，包括以下步骤：步骤S1，根据用户基线负荷估计结果，得到用户在历史需求响应日的实际响应数据；步骤S2，基于单个用户实际响应数据，提取单个用户在需求响应日典型响应曲线；步骤S3，根据各用户日典型响应曲线结果，提取各类用户的典型需求响应曲线；步骤S4，利用各类用户的典型响应曲线刻画用户响应行为，得到每类用户可能的响应结果分布；步骤S5，将各类用户可能的响应结果分布作为输入，建立聚合商最优调度模型，得到响应量的最优分配结果。本发明能够针对居民用户多元响应行为特性，在日前市场中为聚合商提供最优调度策略和用户响应任务分配计划，促进需求侧用户资源的高效利用。

Description

一种考虑用户多元响应特性的负荷聚合商最优调度方法
技术领域
本发明涉及电力技术领域，尤其涉及一种考虑用户多元响应特性的负荷聚合商最优调度方法。
背景技术
随着社会用电量的不断增长，尤其是在负荷高峰时间段，电网将面临严峻的调峰压力。除此之外，随着新能源出力的间歇性和随天气变化的波动性给电力系统调度运行带来了更大的挑战。因此，亟需通过提升电力系统供需平衡能力才解决上述问题。在电力市场改革深化的背景下，需求侧灵活资源参与电网灵活调控已成为未来智能电网发展的必然趋势。需求响应作为用电侧管理的新模式也越来越受到关注，它利用电力市场中用户针对市场价格信号或者激励机制做出响应，并改变正常的电力消费模式，简言之终端用户根据响应信号改变其基线负荷的形状，达到削峰填谷的目的。
为了充分挖掘大量中小用户潜在的需求响应资源，负荷聚合商(LoadAggregator，LA)这一新的市场主体应运而生，作为能源市场和电力终端用户的中间人，通过整合潜在的中小型电力用户，以市场化交易的形式与其签订电力交易合约，实现分散的需求响应资源聚集。对于聚合商来说一方面与系统运营商进行需求响应服务的交易，并获得相应的奖励。另一方面，负荷聚合商与下层客户进行交互，收集客户的灵活性调节能力，提供给系统运营商以满足其需求响应要求。负荷聚合商的利润来自于用户和市场侧不同的需求响应补偿价格。在实际的需求响应项目中，系统运营商会在日前市场给出需求响应的时间段和对应的响应量。经过需求响应投标量提交和市场结算出清过程，负荷聚合商会得到需求响应的市场出清报价和中标的需求响应量，也就是需求响应曲线，包括响应的时间和每个时间段内要求的响应量。负荷聚合商需要拟定最优调度方案，合理调用与其有合同关系的用户，使得他们的需求响应结果和系统运营商给定需求响应要求相匹配。如果居民用户的实际响应量不能满足系统运营商给定的要求，此时负荷聚合商将会面临惩罚；相反，如果用户实际聚合的响应量超出给定需求响应要求，负荷聚合商需要向用户支付更多的补偿，这也会导致聚合商面临利润损失的风险。因此，负荷聚合商需要满足系统运营商给定的需求响应要求，并给出合理的用户调度计划与之相匹配。然而，有很多不确定因素会影响聚合商的调度决策，其中用户的响应行为的多元性和不缺定性是重要的影响因素之一。在实际运营过程中，激励补偿价格的变化、不同的天气条件、需求响应持续时间、用户的用电舒适度等诸多因素都会影响用户的实际响应效果，单个用户在同一需求响应项目时也会有不同的响应行为，响应速度和容量也会随之改变。因此，负荷聚合商需要根据用户不同的响应能力和响应特性，用户响应任最优分配计划，有利于为用户制定个性的需求响应方案，提高自主参与用户需求响应的意愿，实现负荷聚合商利润的最大化。
发明人发现，现有的方法中，对负荷聚合商的最优调度策略中，多元用户的响应特性并未考虑，即考虑在同一激励型需求响应信号下，不同用户的响应的持续时间、不同时间段的响应速率的差异以及总体响应量在不同时间段内分布的多样性。同时，用户单次的响应行为与外界环境、舒适度偏好等多种因素密切相关，响应行为存在不确定性。因此如何兼顾用户多元响应特性和响应行为的不确定性，制定合理可行的最优调度方案，实现需求响应目标的最优经济分配，对负荷聚合商的运营至关重要。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种考虑用户多元响应特性的负荷聚合商最优调度方法，以实现在日前市场的需求响应项目下，负荷聚合商对所管理用户的需求响应计划最优分配，最终实现利益最大化。
为达到上述目的，本发明提出了一种考虑用户多元响应特性的负荷聚合商最优调度方法，包括以下步骤：根据用户基线负荷估计值及需求响应时段的负荷数据，得到各用户在历史需求响应日的实际响应数据；基于单个用户实际响应数据，利用改进型自适应空间密度聚类方法，对用户的多个响应曲线进行聚类，提取单个用户在需求响应日典型响应曲线；根据各用户在需求响应日的典型响应曲线结果，采用基于引力搜索算法的聚类方法，将响应曲线聚类为各类集群，提取各集群的聚类中心，作为各类用户的典型需求响应曲线；利用各类用户的典型响应曲线刻画用户响应行为，并采用可用性概率函数对用户响应行为的不确定性进行模拟，得到每类用户可能的响应结果分布；将各类用户可能的响应结果分布作为输入，以分布式储能充放电及能量平衡为约束，以聚合商利润最大化为目标函数，建立聚合商最优调度模型，得到响应量的最优分配结果以及储能充放电的最优管理策略。
本发明实施例的负荷聚合商最优调度方法，能够针对不同类型的居民用户多元的响应行为特性，考虑了在同一激励型需求响应信号下，不同用户的响应的持续时间、不同时间段的响应速率的差异以及总体响应量在不同时间段内分布的多样性。可在较高的响应量完成率下，实现用户侧响应目标的最优分配，进一步挖掘用户的响应潜力。
具体地，从获取负荷聚合商下属的每个用户在历史需求响应日内实际响应数据，采用常规基线负荷估计方法，得到用户在需求响应日的基线负荷值，随后利用基线负荷值减去智能电表采集的每个用户实际的负荷值，差值为用户在该需求响应日实际响应结果。
通过以下公式得到每个用户的实际响应量：
Pi,t DR＝Pi,t Base-Pi,t L (1)
其中，Pi,t Base和Pi,t L分别为第i个用户t时间段内的基线负荷和实际负荷值，Pi,t DR为该用户需求响应的实际响应量。
具体地，基于单个用户实际响应数据，利用改进型自适应空间密度聚类方法，对用户的多个响应曲线进行聚类，提取单个用户在需求响应日典型响应曲线，具体步骤包括：由于实际的需求响应数据中存在不同量级的数据，为消除其影响，故将居民用户的需求响应日的实际响应数据归一化。对于每一个响应时间段，这个时间段内的响应量的最大值将改时间段内的响应数据归一化，通过公式(2)表示：
Figure BDA0003243772670000051
其中，
Figure BDA0003243772670000052
表示第i个用户t时刻归一化后的需求响应量，pi(t)表示i用户t时刻实际的响应量，max(pi)表示该用户响应时间段内的最大响应量。
用户的响应曲线中包含了用户在外部环境的等综合因素影响下，包含了用户的用电偏好属性和个体行为规律，因此对用户响应曲线进行精细化聚类，建立用户分类模型，进而得到不同类型用户的响应特性曲线，挖掘用户典型的响应特性信息。本发明利用改进型的自适应空间密度聚类，改进了原始聚类算法中局部密度，针对用户响应行为多变导致的聚类结果随机性较大的问题，能够有效识别出用户响应曲线中的异常点，剔除对同一用户而言差别较大的需求响应曲线的影响，提高了基于密度聚类的稳定性，最终提取出用户的典型日需求响应曲线。改进的局部密度ρi定义如下公式所示：
Figure BDA0003243772670000053
改进的局部密度函数中，K(i)为第i个响应曲线的邻近样本集合，dij为两个样本之间的欧式距离，改进的密度函数考虑了邻近样本的信息，可以更全面反映第i个响应样本的局部特征。
具体地，根据各用户在需求响应日的典型响应曲线结果，采用基于引力搜索算法的聚类方法，将响应曲线聚类为各类集群，提取各集群的聚类中心，作为各类用户的典型需求响应曲线，具体步骤包括：用P＝{P1,P2,...,Pi}代表所有用户典型的需求响应曲线，i∈I，需求响应曲线聚类的目的就是寻找一个最优的分类方法把I个典型响应曲线集群划分为K个集群C＝{C1,C2,...CK}，同一集群内的典型响应曲线应该尽可能相似，不同集群的曲线尽可能不同。每个响应曲线集群用一个聚类中心来表示μk＝{μk1,μk2,...,μkD}，k＝1,2,...,K聚类中心的集合用μ＝{μ1,μ2,...,μK}来表示。优化过程需要满足约束条件，其中每一类集群用户至少包含一个用户的典型日需求响应曲线，即满足
Figure BDA0003243772670000061
k＝1,2,...,K，其次每个用户的典型日需求响应曲线必须属于一个集群且只能属于一个集群，即满足条件
Figure BDA0003243772670000062
k1,k2＝1,2,...,K。
目标函数为相同集群的每个数据点与其聚类中心的距离，采用了每个数据点与其聚类中心的平均，同时也可用来衡量聚类效果，通过公式(4)构建目标函数：
Figure BDA0003243772670000063
其中我们采用平均适应率指标MIA作为目标函数值，d(μk,Ck)表示两个维向量之间的距离，即相同集群的每个数据点与其聚类中心的平均距离。MIA的值越低表示有更好的聚类效果。对提取的各个用户的典型需求响应曲线分组成若干个集群，每个聚类集群得到有代表性的需求响应曲线。
采用引力搜索算法的聚类方法，以平均适应率指标MIA为目标函数进行寻优，其中考虑更新引力衰减系数，能有效提高算法的全局寻优能力，得到最优聚类中心。
用户的响应行为由于其用电设备运行状态、环境等因素存在不确定性，在需求响应时间段内的可响应性也不一致，单个用户的是否参加响应的情况往往难以把控。考虑到用户数量众多，可以根据用户聚类的结果，将同一响应类型的用户作为一个集合统一把控。因此可以将某一类用户参与需求响应的情况统一起来，用可用性概率来描述这类用户参与的情况，实现用户可调能力的可用性等效。
具体地，利用各类用户的典型响应曲线刻画用户响应行为，并采用可用性概率函数对用户响应行为的不确定性进行模拟，得到每类用户可能的响应结果分布，包括：
考虑每类用户中单个用户响应行为的不确定性，用户对需求响应要求的参与情况用可用性的等效概率函数来刻画，通过公式(5)构建：
Figure BDA0003243772670000081
其中gi＝1表示i类用户成功接收到需求响应信号，并且成功执行对应的响应要求，反之gi＝0表示用为未执行给定的需求响应要求。pi,t为i类用户在t时刻成功参与响应的概率，响应的期望值为E(gi,t)＝pi,t，方差为
Figure BDA0003243772670000082
xi,t为i类用户在t时刻全部响应的组合容量，yt为t时刻负荷聚合商的中标响应容量，γt为t时刻的等效可用性概率目标。
对于任意一个用户，考虑到其响应行为存在一定的随机波动性，其成功响应的概率应在一定的区间内分布，这里用响应概率分布函数来描述，通过公式(6)构建：
Figure BDA0003243772670000083
以A类用户为例，其中pA,t表示A类用户的等效响应概率，这里用户i属于A聚类集群，σA,t为对应的响应偏差系数，xi,tf(pi,t)为用户i在t时刻的实际响应容量。
负荷聚合商根据日前市场的中标响应量，根据建立的最优调度模型，实现响应量的最优经济分配。模型首先满足各时间段实际的响应容量和中标响应量的偏差最小约束，因此在模型中考虑了聚合响应容量不足时对聚合商的惩罚；其次模型给出了实际响应完成量和各类用户响应量的等式约束，即实际响应量为该时间段内用户响应可能情况的最优组合；模型的目标函数为聚合商利润的最大化。负荷聚合商在分配中标响应量的实际过程中，不同时间段内用户实际响应容量和中标响应量之间可能存在一定偏差，针对这一问题，本发明考虑了响应量在时间尺度上的差异性，把分布式储能纳入聚合商的最优调度范畴中，利用储能充放电的最优管理，解决响应量在时间尺度上分配不均衡问题。
具体地，将各类用户可能的响应结果分布作为输入，以分布式储能充放电及能量平衡为约束，以聚合商利润最大化为目标函数，建立聚合商最优调度模型，得到响应量的最优分配结果以及储能充放电的最优管理策略，包括：
步骤1：建立最优调度模型的目标函数，其中聚合商的利润包括用户实际聚合的需求响应容量和超额完成给定的部分，成本包括给用户的激励支出、用户超额响应的支出以及聚合商面临实际聚合响应容量不足时，来自系统运营商的惩罚支出。如果聚合商提供的响应容量不足，
Figure BDA0003243772670000091
此时聚合商对分布式储能进行控制，通过放电来满足实际的响应容量要求，减少惩罚的风险。反之，当实际的响应量超过给定时，
Figure BDA0003243772670000092
此时聚合商会获得超额响应的收益。具体目标函数如下公式：
obj max R＝Ragg+Rextra-CIncen-Cextra-Cpen-Cbat (7)
其中，
Figure BDA0003243772670000093
为用户实际响应的需求响应容量的收益和Rextra为超额完成响应要求部分额外的收益，具体的收益组成如下公式：
Figure BDA0003243772670000101
上式中
Figure BDA0003243772670000102
和
Figure BDA0003243772670000103
实际的响应的价格和超额响应的价格，Pt DR_AGG为t时刻用户集群实际的需求响应量，Pt ES为t时刻储能充放电的功率，Pt DR_RE为t时刻要求的需求响应量。具体的支出组成如下公式：
Figure BDA0003243772670000104
上式中
Figure BDA0003243772670000105
和
Figure BDA0003243772670000106
分别为聚合商给用户激励价格、聚合商面临的惩罚价格以及聚合商给用户超额的激励价格，分别对应三种类型的支出Ct Incen、Ct pen和
Figure BDA0003243772670000107
为聚合商调用储能设备的充电成本，考虑了分时电价的影响。聚合商是否面临惩罚以及是否需要支付超额激励的判断如下公式：
Figure BDA0003243772670000108
步骤2：实际响应量和用户之间应当满足能量约束，即各类用户聚合的响应量之和等于实际的响应量。具体公式如下：
Figure BDA0003243772670000109
其中
Figure BDA00032437726700001010
为各类用户在t时间是否参与响应的判断标志，μi,t＝0表明该用户没有参与响应，反之亦然；
步骤3：负荷聚合商的最优调度模型中有储能的参与调节，因此需考虑储能的充放电约束，具体公式如下：
Figure BDA0003243772670000111
Figure BDA0003243772670000112
Figure BDA0003243772670000113
Figure BDA0003243772670000114
Figure BDA0003243772670000115
Figure BDA0003243772670000116
其中，
Figure BDA0003243772670000117
和
Figure BDA0003243772670000118
分别为储能元件b在t时刻的充放电的功率和能量，
Figure BDA0003243772670000119
为充放电指标，用以判断储能的充放电状态，ηc和ηd分别表示储能元件的充放电效率，
Figure BDA00032437726700001110
为储能元件b在初始时刻的能量。当某个响应时间段内，各类用户聚合的实际响应容量不能满足聚合商的中标容量时，即该时段内可调度容量不足的时，储能设备通过放电来满足差额的响应容量；反之当用户实际响应量超过聚合商的中标容量，储能设备充电，改时间段内充电电量可用于补缺响应量不足的情形。
与现有技术相比，本公开的有益效果是：
本发明提出了一种考虑用户多元响应特性的负荷聚合商最优调度方法。本实施例的主要贡献如下：
(1)本公开所述方案提供了用户多元响应特性分析方法，通过对用户响应响应特性曲线进行二次聚类分析，即对单个用户典型响应曲线和一类用户典型响应曲线的提取，有助于挖掘各类用户的响应潜力。
(2)本公开所述方案建立了考虑用户多元负荷聚合商最优调度模型，模型中对用户的不确定响应行为进行了等效可用性概率分析，并考虑实际运营中的经济约束条件，实现了市场侧中标响应量的最优分配。
(3)本公开所述方案提出了改进型自适应空间密度聚类方法，改进的密度函数考虑了邻近样本的信息，针对用户响应行为多变导致的聚类结果随机性较大的问题，能够有效识别出用户响应曲线中的异常点，提高聚类结果的稳定性。
(4)本公开所述方案把储能充放电的最优管理纳入负荷聚合商对响应量的最优调度中，解决响应量在时间尺度上分配不均衡问题。通过将其应用于分时电价的场景下，对提出的模型进行了验证，可以进一步提高负荷聚合商运营的经济性。
附图说明
图1是本发明一种考虑用户多元响应特性的负荷聚合商最优调度方法的流程图。
图2是本发明一种考虑用户多元响应特性的不同类型用户典型需求响应曲线。
图3是本发明一种考虑用户多元响应特性的案例1负荷聚合商没有调用分布式储能得到的最优调度策略。
图4是本发明一种考虑用户多元响应特性的案例2负荷聚合商调用分布式储能得到的最优调度策略。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的考虑用户多元响应特性的负荷聚合商最优调度方法。
实施例1
图1是本发明一个实施例的考虑用户多元响应特性的负荷聚合商最优调度方法的流程图。
如图1所示，该考虑用户多元响应特性的负荷聚合商最优调度方法包括以下步骤：
S1，获取负荷聚合商下属的每个用户在历史需求响应日内实际响应数据。
具体地，从获取负荷聚合商下属的每个用户在历史需求响应日内实际响应数据，采用常规基线负荷估计方法，得到用户在需求响应日的基线负荷值，随后利用基线负荷值减去智能电表采集的每个用户实际的负荷值，差值为用户在该需求响应日实际响应结果。
通过以下公式得到每个用户的实际响应量：
Pi,t DR＝Pi,t Base-Pi,t L (17)
其中，Pi,t Base和Pi,t L分别为第i个用户t时间段内的基线负荷和实际负荷值，Pi,t DR为该用户需求响应的实际响应量。
S2，采用改进型的自适应空间密度聚类方法，提取每个用户的典型需求响应日的响应曲线。
具体地，基于单个用户实际响应数据，利用改进型自适应空间密度聚类方法，对用户的多个响应曲线进行聚类，提取单个用户在需求响应日典型响应曲线，包括：由于实际的需求响应数据中存在不同量级的数据，未消除其影响，故将居民用户的需求响应日的实际响应数据归一化。对于每一个响应时间段，这个时间段内的响应量的最大值将改时间段内的响应数据归一化，通过以下公式表示：
Figure BDA0003243772670000141
其中，
Figure BDA0003243772670000142
表示第i个用户t时刻归一化后的需求响应量，pi(t)表示i用户t时刻实际的响应量，max(pi)表示该用户响应时间段内的最大响应量。
用户的响应曲线中包含了用户在外部环境的等综合因素影响下，包含了用户的用电偏好属性和个体行为规律，因此对用户响应曲线进行精细化聚类，建立用户分类模型，进而得到不同类型用户的响应特性曲线，挖掘用户典型的响应特性信息。本发明利用改进型的自适应空间密度聚类，改进了原始聚类算法中局部密度，针对用户响应行为多变导致的聚类结果随机性较大的问题，能够有效识别出用户响应曲线中的异常点，剔除对同一用户而言差别较大的需求响应曲线的影响，提高了基于密度聚类的稳定性，最终提取出用户的典型日需求响应曲线。改进的局部密度ρi定义如下公式所示：
Figure BDA0003243772670000151
改进的局部密度函数中，K(i)为第i个响应曲线的邻近样本集合，dij为两个样本之间的欧式距离，改进的密度函数考虑了邻近样本的信息，可以更全面反映第i个响应样本的局部特征。
S3，采用基于引力搜索算法的聚类方法，对提取的各个用户的典型需求响应曲线分组成若干个集群，每个聚类集群得到有代表性的需求响应曲线。
具体地，根据各用户在需求响应日的典型响应曲线结果，采用基于引力搜索算法的聚类方法，将响应曲线聚类为各类集群，提取各集群的聚类中心，作为各类用户的典型需求响应曲线，具体步骤包括：用P＝{P1,P2,...,Pi}代表所有用户典型的需求响应曲线，i∈I，需求响应曲线聚类的目的就是寻找一个最优的分类方法把I个典型响应曲线集群划分为K个集群C＝{C1,C2,...CK}，统一集群内的典型响应曲线应该尽可能相似，不同集群的曲线尽可能不同。每个响应曲线集群用一个聚类中心来表示μk＝{μk1,μk2,...,μkD}，k＝1,2,...,K聚类中心的集合用μ＝{μ1,μ2,...,μK}来表示。优化过程需要满足约束条件，其中每一类集群用户至少包含一个用户的典型日需求响应曲线，即满足
Figure BDA0003243772670000161
k＝1,2,...,K，其次每个用户的典型日需求响应曲线必须属于一个集群且只能属于一个集群，即满足条件
Figure BDA0003243772670000162
k1,k2＝1,2,...,K。目标函数为相同集群的每个数据点与其聚类中心的距离，同时也可用来衡量聚类效果，通过如下公式构建目标函数：
Figure BDA0003243772670000163
其中我们采用平均适应率指标MIA作为目标函数值，d(μk,Ck)表示两个维向量之间的距离，即相同集群的每个数据点与其聚类中心的平均距离。MIA的值越低表示有更好的聚类效果。在引力搜索算法的聚类方法中，以平均适应率指标MIA为目标函数进行寻优，其中考虑更新引力衰减系数，能有效提高算法的全局寻优能力，得到最优聚类中心。
S4，利用响应概率函数，考虑用户响应行为的不确定性，得到每类用户可能的响应结果分布。
具体地，利用各类用户的典型响应曲线刻画用户响应行为，并采用可用性概率函数对用户响应行为的不确定性进行模拟，得到每类用户可能的响应结果分布，包括：
考虑每类用户中单个用户响应行为的不确定性，用户对需求响应要求的参与情况用可用性的等效概率函数来刻画，通过如下公式构建：
Figure BDA0003243772670000171
其中gi＝1表示i类用户成功接收到需求响应信号，并且成功执行对应的响应要求，反之gi＝0表示用为未执行给定的需求响应要求。pi,t为i类用户在t时刻成功参与响应的概率，响应的期望值为E(gi,t)＝pi,t，方差为
Figure BDA0003243772670000172
xi,t为i类用户在t时刻全部响应的组合容量，yt为t时刻负荷聚合商的中标响应容量，γt为t时刻的等效可用性概率目标。
对于任意一个用户，考虑到其响应行为存在一定的随机波动性，其成功响应的概率应在一定的区间内分布，这里用响应概率分布函数来描述，通过如下公式构建：
Figure BDA0003243772670000173
以A类用户为例，其中pA,t表示A类用户的等效响应概率，这里用户i属于A聚类集群，σA,t为对应的响应偏差系数，xi,tf(pi,t)为用户i在t时刻的实际响应容量。
S5，负荷聚合商根据日前市场的中标响应量，根据建立的最优调度模型，实现响应量的最优经济分配。模型首先满足各时间段实际的响应容量和中标响应量的偏差最小约束，因此在模型中考虑了聚合响应容量不足时对聚合商的惩罚；其次模型给出了实际响应完成量和各类用户响应量的等式约束，即实际响应量为该时间段内用户响应可能情况的最优组合；模型的目标函数为聚合商利润的最大化。负荷聚合商在分配中标响应量的实际过程中，不同时间段内用户实际响应容量和中标响应量之间可能存在一定偏差，针对这一问题，本发明考虑了响应量在时间尺度上的差异性，把分布式储能纳入聚合商的最优调度范畴中，利用储能充放电的最优管理，解决响应量在时间尺度上分配不均衡问题。
具体地，将各类用户可能的响应结果分布作为输入，以分布式储能充放电及能量平衡为约束，以聚合商利润最大化为目标函数，建立聚合商最优调度模型，得到响应量的最优分配结果以及储能充放电的最优管理策略，包括：
步骤1：建立最优调度模型的目标函数，其中聚合商的利润包括多用户实际聚合的需求响应容量和超额完成给定需求的部分，成本包括给用户的激励支出、用户超额响应的支出以及聚合商面临实际聚合响应容量不足时，来自系统运营商的惩罚支出。如果聚合商提供的响应容量不足，
Figure BDA0003243772670000181
此时聚合商对分布式储能进行控制，通过放电来满足实际的响应容量要求，减少惩罚的风险。反之，当实际的响应量超过给定时，
Figure BDA0003243772670000182
此时聚合商会火的超额响应的收益。具体目标函数如下公式
obj max R＝Ragg+Rextra-CIncen-Cextra-Cpen (23)
其中，
Figure BDA0003243772670000183
为用户实际响应的需求响应容量的收益和Rextra为超额完成响应要求部分额外的收益，具体的收益组成如下公式：
Figure BDA0003243772670000191
上式中
Figure BDA0003243772670000192
和
Figure BDA0003243772670000193
实际的响应的价格和超额响应的价格，Pt DR_AGG为t时刻用户集群实际的需求响应量，Pt ES为t时刻储能充放电的功率，Pt DR_RE为t时刻要求的需求响应量。具体的支出组成如下公式：
Figure BDA0003243772670000194
上式中
Figure BDA0003243772670000195
和
Figure BDA0003243772670000196
分别为聚合商给用户激励价格、聚合商面临的惩罚价格以及聚合商给用户超额的激励价格，分别对应三种类型的支出Ct Incen、Ct pen和
Figure BDA0003243772670000197
为聚合商调用储能设备的充电成本，考虑了分时电价的影响。聚合商是否面临惩罚以及是否需要支付超额激励的判断如下公式：
Figure BDA0003243772670000198
步骤2：实际响应量和用户之间应当满足能量约束，即各类用户聚合的响应量之和等于实际的响应量。具体公式如下：
Figure BDA0003243772670000199
其中
Figure BDA00032437726700001910
为各类用户在t时间是否参与响应的判断标志，μi,t＝0表明该用户没有参与响应，反之亦然；
步骤3：负荷聚合商的最优调度模型中有储能的参与调节，因此需考虑储能的充放电约束，具体公式如下：
Figure BDA0003243772670000201
Figure BDA0003243772670000202
Figure BDA0003243772670000203
Figure BDA0003243772670000204
Figure BDA0003243772670000205
Figure BDA0003243772670000206
其中，
Figure BDA0003243772670000207
和
Figure BDA0003243772670000208
分别为储能元件b在t时刻的充放电的功率和能量，
Figure BDA0003243772670000209
为充放电指标，用以判断储能的充放电状态，ηc和ηd分别表示储能元件的充放电效率，
Figure BDA00032437726700002010
为储能元件b在初始时刻的能量。当某个响应时间段内，各类用户聚合的实际响应容量不能满足聚合商的中标容量时，即该时段内可调度容量不足的时，储能设备通过放电来满足差额的响应容量；反之当用户实际响应量超过聚合商的中标容量，储能设备充电，改时间段内充电电量可用于补缺响应量不足的情形。
具体实施过程中，不同的负荷聚合商具有的响应能力有所不同，具体体现在响应速度、调整速度和持续时间的差异，这些差异可以在聚合用户实际的响应曲线中体现出来。本次发明提出了评价负荷聚合商响应能力的指标，即完成度指标CPDR，具体公式如下所示：
Figure BDA0003243772670000211
其中SAC为实际的响应面积，SRE为要求的响应面积，CPDR为实际响应面积和要求响应面积的比值。
为说明本发明方法的有效性，采用本发明的方法对100位用户在需求响应日的响应量行最优调度。根据用户需求响应的数据，不同类型用户典型需求响应曲线如图2所示，从图2中可以看出，用户的典型响应特性可以分为ABCD四大类，不同类型的用户响应特性差异明显，响应速率、持续时间各不相同。
本次模拟了两个案例得到聚合商最优调度结果，聚合商的收益以及完成度指标结果如表1所示，案例1为负荷聚合商没有调用分布式储能得到的最优调度策略，结果如图3所示，案例2为聚合商调用分布式储能后得到的调度策略，结果如图4所示。
表1
案例编号 CP<sup>DR</sup>(％) 聚合商收益($)
#1 85.23％ 416.32
#2 92.34％ 616.42
从表1中可以看出，经实际测试，本发明的考虑用户多元响应特性的负荷聚合商最优调度方法，具有较高的完成度指标。
综上所述，本发明的实施例的考虑用户多元响应特性的负荷聚合商最优调度方法，针对系统运行商给定的需求响应要求，对所下属的各类用户集群进行优化调度，达到较高的完成度指标，通过储能的充放电管理提高聚合商的业务收益，有利于为用户制定个性的需求响应方案，提高用户自主参与需求响应的意愿。
实施例2
进一步地，本发明还提出了一种计算机可读存储介质。
在本发明的实施例中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的考虑用户多元响应特性的负荷聚合商最优调度方法。
本发明实施例的计算机可读存储介质，在其上存储的与上述负荷代理商日前可用聚合响应容量预测方法对应的计算机程序被处理器执行时，对系统运行商给定的需求响应要求，聚合商能对所下属的各类用户集群进行优化调度，达到较高的完成度指标，通过储能的充放电管理提高聚合商的业务收益，帮助用户制定个性的需求响应方案，提高用户自主参与需求响应的意愿。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种考虑用户多元响应特性的负荷聚合商最优调度方法，所述用户为居民用户，其特征在于，包括以下步骤：
通过对用户基线负荷估计以及响应时段的负荷数据，获取用户在历史需求响应日内实际响应数据；
基于单个用户实际响应数据，利用改进型自适应空间密度聚类方法，对用户的多个响应曲线进行聚类，提取每个用户的典型需求响应日的响应曲线；
根据各用户在需求响应日的典型响应曲线结果，采用基于引力搜索算法的聚类方法，将响应曲线聚类为各类集群，提取各集群的聚类中心，作为各类用户的典型需求响应曲线；
利用各类用户的典型响应曲线刻画用户响应行为，并采用可用性概率函数对用户响应行为的不确定性进行模拟，得到每类用户可能的响应结果分布；将各类用户可能的响应结果分布作为输入，以分布式储能充放电及能量平衡为约束，以聚合商利润最大化为目标函数，建立聚合商最优调度模型，得到响应量的最优分配结果以及储能充放电的最优管理策略。
2.如权利要求1所述一种考虑用户多元响应特性的负荷聚合商最优调度方法，其特征在于利用改进型的自适应空间密度聚类，改进了原始聚类算法中局部密度，针对用户响应行为多变导致的聚类结果随机性较大的问题，能够有效识别出用户响应曲线中的异常点，剔除对同一用户而言差别较大的需求响应曲线的影响，提高了基于密度聚类的稳定性，最终提取出用户的典型日需求响应曲线；提取每个用户的典型需求响应日的响应曲线。
3.如权利要求1所述一种考虑用户多元响应特性的负荷聚合商最优调度方法，其特征在于提取每个聚类集群的代表性的需求响应曲线。
4.如权利要求1所述一种考虑用户多元响应特性的负荷聚合商最优调度方法，其特征在于负荷聚合商根据日前市场的中标响应量，根据建立的最优调度模型，实现响应量的最优经济分配。
5.模型首先满足各时间段实际的响应容量和中标响应量的偏差最小约束，因此在模型中考虑了聚合响应容量不足时对聚合商的惩罚；其次模型给出了实际响应完成量和各类用户响应量的等式约束，即实际响应量为该时间段内用户响应可能情况的最优组合；模型的目标函数为聚合商利润的最大化。
6.负荷聚合商在分配中标响应量的实际过程中，不同时间段内用户实际响应容量和中标响应量之间可能存在一定偏差，针对这一问题，考虑了响应量在时间尺度上的差异性，把分布式储能纳入聚合商的最优调度范畴中，利用储能充放电的最优管理，解决响应量在时间尺度上分配不均衡问题。
CN202111026618.1A 2021-09-02 2021-09-02 一种考虑用户多元响应特性的负荷聚合商最优调度方法 Pending CN113554354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111026618.1A CN113554354A (zh) 2021-09-02 2021-09-02 一种考虑用户多元响应特性的负荷聚合商最优调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111026618.1A CN113554354A (zh) 2021-09-02 2021-09-02 一种考虑用户多元响应特性的负荷聚合商最优调度方法

Publications (1)

Publication Number Publication Date
CN113554354A true CN113554354A (zh) 2021-10-26

Family

ID=78106175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111026618.1A Pending CN113554354A (zh) 2021-09-02 2021-09-02 一种考虑用户多元响应特性的负荷聚合商最优调度方法

Country Status (1)

Country Link
CN (1) CN113554354A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336651A (zh) * 2022-01-04 2022-04-12 国网四川省电力公司营销服务中心 一种基于削峰潜力的电力调度方法及装置
CN114362212A (zh) * 2022-03-21 2022-04-15 北京鼎诚鸿安科技发展有限公司 一种多类型电网负荷资源数据处理与调节方法及系统
CN114462725A (zh) * 2022-04-13 2022-05-10 国网浙江省电力有限公司营销服务中心 一种基于动态资源池的非直控型需求侧响应优化调度方法
CN114612021A (zh) * 2022-05-12 2022-06-10 四川大学 计及多粒度属性的热力负荷协同调控方法
CN115833190A (zh) * 2023-02-20 2023-03-21 广东电网有限责任公司中山供电局 一种分布式资源边缘自治控制方法和系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336651A (zh) * 2022-01-04 2022-04-12 国网四川省电力公司营销服务中心 一种基于削峰潜力的电力调度方法及装置
CN114336651B (zh) * 2022-01-04 2023-08-01 国网四川省电力公司营销服务中心 一种基于削峰潜力的电力调度方法及装置
CN114362212A (zh) * 2022-03-21 2022-04-15 北京鼎诚鸿安科技发展有限公司 一种多类型电网负荷资源数据处理与调节方法及系统
CN114362212B (zh) * 2022-03-21 2022-06-10 北京鼎诚鸿安科技发展有限公司 一种多类型电网负荷资源数据处理与调节方法及系统
CN114462725A (zh) * 2022-04-13 2022-05-10 国网浙江省电力有限公司营销服务中心 一种基于动态资源池的非直控型需求侧响应优化调度方法
CN114462725B (zh) * 2022-04-13 2022-09-02 国网浙江省电力有限公司营销服务中心 一种基于动态资源池的非直控型需求侧响应优化调度方法
CN114612021A (zh) * 2022-05-12 2022-06-10 四川大学 计及多粒度属性的热力负荷协同调控方法
CN115833190A (zh) * 2023-02-20 2023-03-21 广东电网有限责任公司中山供电局 一种分布式资源边缘自治控制方法和系统

Similar Documents

Publication Publication Date Title
CN113554354A (zh) 一种考虑用户多元响应特性的负荷聚合商最优调度方法
Abapour et al. Game theory approaches for the solution of power system problems: A comprehensive review
Chen et al. Blockchain-based electric vehicle incentive system for renewable energy consumption
Jain et al. A multiarmed bandit incentive mechanism for crowdsourcing demand response in smart grids
Sengupta Optimal decisions under uncertainty: methods, models, and management
Han et al. Optimal bidding and operation strategies for EV aggegators by regrouping aggregated EV batteries
Alizadeh et al. Dynamic incentive design for participation in direct load scheduling programs
US9805321B2 (en) Eco score analytics system
Golmohamadi et al. Retail energy management in electricity markets: Structure, challenges and economic aspects-a review
Yu et al. Good consumer or bad consumer: Economic information revealed from demand profiles
Liu et al. Dynamic bidding strategy for a demand response aggregator in the frequency regulation market
CN110111214A (zh) 一种基于优先级的用户用能管理方法及系统
Javed et al. Fairness in real-time energy pricing for smart grid using unsupervised learning
Ribeiro et al. Customized normalization clustering meth-odology for consumers with heterogeneous characteristics
CN110797872B (zh) 用户侧储能容量配置方法、装置、设备及存储介质
US20170012467A1 (en) Power interchange management system and power interchange management method
Vahedipour-Dahraie et al. Investigating the impact of external demand response flexibility on the market power of strategic virtual power plant
Akasiadis et al. Decentralized Large-Scale Electricity Consumption Shifting by Prosumer Cooperatives.
CN114757710A (zh) 一种用于负荷聚合商投标的评估方法
Senyonga et al. Impact of high-powered incentive regulations on efficiency and productivity growth of Norwegian electricity utilities
Wang et al. Multi-objective residential load dispatch based on comprehensive demand response potential and multi-dimensional user comfort
Zheng et al. An application of machine learning for a smart grid resource allocation problem
CN108985595A (zh) 基于交易方互评的移动交易服务评价方法及装置
Xu et al. Research on a demand response interactive scheduling model of home load groups
Jia et al. An online learning approach to dynamic pricing for demand response

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication