CN114529323B - 一种基于效率损失比的需求响应激励决策优化方法 - Google Patents

Abstract

本发明公开了一种基于效率损失比的需求响应激励决策优化方法，克服了现有技术中单边开放现货市场中激励型需求响应的补偿价格对负荷削减和发电商报价影响较大的问题，包括以下步骤：S1：建立需求响应参与电力现货市场下市场损失效率比模型，量化分析不同需求响应激励策略对效率损失的影响；S2：根据包括ISO、发电商和用电侧IDR在内的多市场主体博弈方式，建立基于Stackelberg均衡分析的最低效率损失激励型需求响应模型；S3：在不同需求响应触发价格下以最小化效率损失比为目标得到最优需求响应激励策略，形成“激励价格‑效率损失比”曲线。考虑ISO、发电商、激励型需求响应三者之间的市场均衡，得到实现最低市场效率损失的需求响应最优激励补偿策略。

Description

一种基于效率损失比的需求响应激励决策优化方法

技术领域

本发明涉及电力系统技术领域，特别涉及了一种基于效率损失比的需求 响应激励决策优化方法。

背景技术

为实现“2030碳达峰，2060碳中和”的目标，须构建更加灵活、安全和 智慧的综合能源系统，挖掘可中断、可调节等多元负荷资源的需求侧响应潜 力，增加系统灵活调节能力，降低社会整体用能成本。当前我国电力现货市 场处于建设初期，仅发电侧参与市场竞价交易，电力需求以预测值为基准， 呈现出刚性。由于用户侧在市场中的参与度较低，市场竞争程度受到影响。 在电力市场的运行中，需求响应(demand response，DR)的实施能够较好地 调节市场价格，提高系统应对不确定性的能力。激励型需求响应是在系统需 要时用户通过主动减少自身的需求获得一定补偿。激励型需求响应作为一种 负荷侧资源参与电力市场的有效机制，在我国市场中得到广泛的应用。

如中国专利局2019年6月14日公开了一种名称为一种考虑需求响应不 确定性的用户侧优化控制方法的发明，其公开号为CN109886463A，该方法 针对负荷聚合商管辖区域内的中央空调用户和分体空调用户对激励价格的敏 感程度不同，分别用非线性方程来描述中央空调用户群体的响应特性曲线， 线性方程来描述分体空调用户群体的响应特性曲线。负荷聚合商在日前电力 市场中标以后，按照合同中规定的某个削峰时段所需的调度时长，向满足条 件的负荷聚合体发出激励补偿信号，各空调负荷聚合体对激励补偿价格做出回应，负荷聚合商不断优化激励补偿价格调整需求响应参与率，以满足中标 合同规定的计划调峰量约束，达到净利润最大化的目的。本发明对充分挖掘 需求侧资源和推动电力市场的发展有一定的意义。

但在补偿机制的设计上，由于各地区的电力供需和能源特性不同，补偿 价格各有高低。但我国各省发用电情况具有较大差异，负荷侧参与需求响应 的激励性补偿价格需要因地制宜。通常，为引导用户参与响应削峰，需求响 应的补偿价格会高于发电侧成员的边际成本。但过高的补偿价格可能使负荷 削减过度，为此支付的补偿成本可能大于其抑制发电商报高价而带来发电侧 节约的边际成本，导致整体社会福利和市场效率的降低；此外，补偿价格的 设定高低也会对于发电商竞价行为产生不同的影响，过高的补偿价格会直接激励发电商报高价，而过低的补偿价格可能由于无法激励更多的需求侧资源 参与削减而间接激励发电商报高价。因此，针对当前的单边开放现货市场， 调度作为社会福利的代表如何在保障各市场主体利益的同时，进行单一买方 的需求响应资源购买，从而制定合理的激励型需求响应补偿策略是单边开放 市场中引入需求响应实施过程中亟待解决的现实问题。

发明内容

本发明的目的是克服现有技术中存在的问题，提供了一种基于效率损失 比的需求响应激励决策优化方法，考虑ISO、发电商、激励型需求响应三者 之间的市场均衡，得到实现最低市场效率损失的需求响应最优激励补偿策略。

为了实现上述目的，本发明采用以下技术方案：一种基于效率损失比的 需求响应激励决策优化方法，其特征在于，它包括下列步骤：

S1：建立需求响应参与电力现货市场下市场损失效率比模型，量化分析 不同需求响应激励策略对效率损失的影响；

S2：根据包括ISO、发电商和用电侧IDR在内的多市场主体博弈方式， 建立基于Stackelberg均衡分析的最低效率损失激励型需求响应模型；

S3：在不同需求响应触发价格下以最小化效率损失比为目标得到最优需 求响应激励策略，形成“激励价格-效率损失比”曲线。

本发明考虑市场多主体均衡与系统运营机构的效率损失最小化，利用负 荷侧用电价值特性与实际供需情况进行需求响应激励价格的设定，为需求响 应的实施提供规则依据，具有重要的现实意义和良好的应用前景。

作为优选，所述的步骤S1中，建立市场损失效率比模型的具体步骤为： 计算市场效率损失比的最小值：

计算需求响应时的总成本支出：

式中，EL为市场效率损失比；C_o为单时段内未考虑需求响应时ISO的总 成本支出，由ISO的发电侧购电成本ω₁构成；为同一市场供需情况下单 时段内ISO以激励补偿价格γ进行需求响应时的总成本支出，/>为发电侧 购电成本，ω₂为需求响应激励补偿成本。

EL越小市场效率损失越低，即此时DR激励补偿价格γ使得ISO达到效率 最优。

作为优选，所述的步骤S1中，发电机组燃料成本的边际成本函数如下：

ISO所需支出的发电侧购电成本：

式中为发电商i的边际成本函数；P_Gi为发电商i的出力；a_i、 b_i分别为燃料成本函数的二次项系数和一次项系数；N_G为发电机组集合,k_i为 边际成本的比例系数。

发电机组燃料成本以发电出力的二次函数形式表示；日前竞价日发电商 以边际成本的比例系数k_i进行价格申报。

作为优选，所述的步骤S1中，需求响应激励补偿成本ω₂表示为：

式中,N_LR为需求响应用户负荷集合,γ为激励补偿价格，ΔQ_j为用户j 的负荷削减量。

作为优选，所述的步骤S1中，建立市场损失效率比模型进一步包括：

以最小化市场效率损失为目标函数，约束条件包括：

A：节点功率平衡约束：

式中，Buv为网络导纳矩阵，θ_v为节点v对应的相角，bus为网络节点集 合；

B：支路潮流越限约束：

式中，S_ij为输电线路最大容量限制，branch为线路集合； θ_i为节点i对应的相角，θ_j表示节点j对应的相角，B_ij表示网络导纳矩阵；

C：发电机组出力上下限约束：

式中，和/>分别为发电商i的最小和最大技术出力；

D：发电商投标系数约束：

式中，和/>分别为发电商投标系数的下限和上限；

E：用户最大物理负荷削减量约束：

式中，P_Dj为用户j日前的初始负荷需求；为用户j自身满足物理 特性的最大负荷削减量上限；N_LR表示需求响应用户负荷集合；

F：用户最大经济负荷削减量约束：

式中，γ表示激励成本，ΔQ_j表示负荷削减量，m_j和n_j分别为一次系数 项和常数项。

激励响应基于补偿能够覆盖负荷削减用户的损失原理，不能覆盖成本部 分，用户不予响应。激励成本γ与负荷削减量ΔQ_j之间的线性关系可表示为 γ＝m_jΔQ_j+n_j，m_j和n_j分别为一次系数项和常数项。用户最大经济负荷削减量 为激励价格所能覆盖的最大削减量。

作为优选，所述的步骤S2中，所述的主从博弈模型：

发电商为领导者，以自身收益最大化为目标优化报价策略：

式中，R(P_Gi)为发电商i的收益，λ_i为第i个发电机所在节点的电价；

ISO为跟随者，以发电成本与需求响应补偿成本ω₂之和最小化为目标 进行日前市场集中出清，目标函数如下：

约束条件与步骤S1中约束条件一样。

博弈中发电商为领导者，考虑市场供需情况与机组成本信息，在市场交 易中进行投标竞价，并根据ISO的出清结果，以自身收益最大化为目标优化 报价策略。ISO作为主从博弈中的跟随者，基于发电商报价决策与需求响应 激励补偿策略，以发电成本与需求响应补偿成本ω₂之和最小化为目标进行 日前市场集中出清。

作为优选，所述的步骤S3：

S3.1：利用采用双层粒子群算法求解发电商竞价的市场均衡；

S3.2：寻找最低效率损失的需求响应补偿价格γ；

S3.3：对γ采用定步长更新迭代搜索，在双层粒子群求解的外层对γ进行 更新，并在迭代过程中形成“激励价格-效率损失比”曲线。

利用采用双层粒子群算法求解发电商竞价的市场均衡具体表现为：

内层粒子群搜索已知对手策略下，发电商i以自身收益最大化的个体策 略最优解，并向外层反馈最大收益；外层粒子群搜索市场中所有发电商的策 略组合，当市场中各发电商适应度累加值等于发电商个数时，即认为市场达 到均衡。

因此，本发明具有如下有益效果：本发明提出的一种基于效率损失比的 需求响应激励决策优化方法，为量化分析不同需求响应激励策略对效率损失 的影响构建了市场损失效率比，并考虑ISO、发电商和用电侧IDR等多市场 主体博弈方式，以发电商自身收益最大化和ISO总购电成本最小形成市场博 弈格局，在不同需求响应触发价格下以最小化效率损失比为目标得到最优需 求响应激励策略。这种计算方法可使电网公司能够利用负荷侧用电价值特性 与实际供需情况进行需求响应激励价格的设定，具有一定的工程应用价值和 现实意义。

附图说明

图1为本发明方法的具体操作流程图；

图2为本发明的粒子群求解流程图；

图3为本发明实施例的激励型需求响应下的市场结果。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

如图1所示的实施例中，可以看到一种基于效率损失比的需求响应激励 决策优化方法，其操作流程为：步骤一，建立需求响应参与电力现货市场下 市场损失效率比模型，量化分析不同需求响应激励策略对效率损失的影响； 步骤二，根据包括ISO、发电商和用电侧IDR在内的多市场主体博弈方式， 建立基于Stackelberg均衡分析的最低效率损失激励型需求响应模型；步骤三， 在不同需求响应触发价格下以最小化效率损失比为目标得到最优需求响应 激励策略，形成“激励价格-效率损失比”曲线。本发明为量化分析不同需求 响应激励策略对效率损失的影响构建了市场损失效率比，并考虑ISO、发电 商和用电侧IDR等多市场主体博弈方式，以发电商自身收益最大化和ISO总 购电成本最小形成市场博弈格局，在不同需求响应触发价格下以最小化效率 损失比为目标得到最优需求响应激励策略。这种计算方法可使电网公司能够 利用负荷侧用电价值特性与实际供需情况进行需求响应激励价格的设定，具 有一定的工程应用价值和现实意义。

下面继续进一步说明本发明的技术方案和技术效果：

第一步：建立需求响应参与电力现货市场下的效率损失比模型，量化分 析不同需求响应激励策略对效率损失的影响

具体过程为：

(1)构建市场效率损失比模型

式中，EL为市场效率损失比；C_o为单时段内未考虑需求响应时ISO的总 成本支出，由ISO的发电侧购电成本ω₁构成；为同一市场供需情况下单时 段内ISO以激励补偿价格γ进行需求响应时的总成本支出，包括发电侧购电成 本/>和需求响应激励补偿成本ω₂两部分：

EL越小市场效率损失越低，即此时DR激励补偿价格γ使得ISO达到效率 最优。

本发明以考虑市场效率损失进行需求响应建模，以最小化市场效率损失 为目标函数，约束条件包括：

节点功率平衡约束：

式中，Buv为网络导纳矩阵；θ_v为节点v对应的相角，bus为网络节点集 合。

支路潮流越限约束：

式中，S_ij为输电线路最大容量限制；branch为线路集合。

发电机组出力上下限约束：

式中，和/>分别为发电机i最小和最大技术出力。

发电商投标系数约束：

式中，和/>分别为发电商投标系数的下限和上限。

用户最大物理负荷削减量约束：

式中，P_Dj为用户j日前的初始负荷需求；为用户j自身满足物理特 性的最大负荷削减量上限。

用户最大经济负荷削减量约束：

激励响应基于补偿能够覆盖负荷削减用户的损失原理，不能覆盖成本部 分，用户不予响应。本实施例中，激励成本γ与负荷削减量ΔQ_j之间的线性关 系可表示为γ＝m_jΔQ_j+n_j，m_j和n_j分别为一次系数项和常数项。用户最大经济 负荷削减量为激励价格所能覆盖的最大削减量，即：

式中，γ表示激励成本，ΔQ_j表示负荷削减量，m_j和n_j分别为一次系数 项和常数项。

(2)发电侧购电成本计算

发电机组燃料成本以发电出力的二次函数形式表示，其边际成本函数如 下：

式中：为发电商i的边际成本函数；P_Gi为发电商i的出力；a_i、b_i分别为燃料成本函数的二次项系数和一次项系数；N_G为发电机组集合。

日前竞价日发电商以边际成本的比例系数k_i进行价格申报，则ISO所需 支出的发电侧购电成本：

式中，k_i为边际成本的比例系数。

(3)激励型需求响应成本计算

假设激励补偿价格为γ，用户j的负荷削减量为ΔQ_j，ISO的需求响应激 励补偿成本：

式中：N_LR为需求响应用户负荷集合。

第二步：根据包括ISO、发电商和用电侧IDR在内的多市场主体博弈方 式，建立基于Stackelberg均衡分析的最低效率损失激励型需求响应模型

博弈中发电商为领导者，考虑市场供需情况与机组成本信息，在市场交 易中进行投标竞价，并根据ISO的出清结果，以自身收益最大化为目标优化 报价策略：

式中，R(P_Gi)为发电商i的收益，λ_i为第i个发电机所在节点的电价。

ISO作为主从博弈中的跟随者，基于发电商报价决策与需求响应激励补 偿策略，以发电成本与需求响应补偿成本ω₂之和最小化为目标进行日前市 场集中出清，目标函数如下：

约束条件与第一步中的约束条件一样。

第三步：在不同需求响应触发价格下以最小化效率损失比为目标得到最 优需求响应激励策略，形成“激励价格-效率损失比”曲线

采用双层粒子群算法求解发电商竞价的市场均衡。其中，内层粒子群搜 索已知对手策略下，发电商i以自身收益最大化的个体策略最优解，并向外 层反馈最大收益；外层粒子群搜索市场中所有发电商的策略组合，当市场中 各发电商适应度累加值等于发电商个数时，即认为市场达到均衡。

为实现ISO最低市场效率损失，在该目标下寻找最低效率损失的需求响 应补偿价格γ，本发明对γ的搜索采用定步长更新迭代，在双层粒子群求解的 外层对γ进行更新，降低求解复杂度，并在迭代过程中形成“激励价格-效率 损失比”曲线。

下面通过具体的例子，对本发明做进一步解释，以下实例是对本发明的 解释而本发明并不局限于以下实例。

以标准3节点的网络测试仿真，设置双层粒子群外层迭代次数为200次， 内层迭代次数为300次。其中，为提高用户参与需求响应的积极性，通常需 求响应激励价格略高于发电侧机组的边际成本。设置发电商报价系数k_i∈[1,2]， 发电机组和负荷侧参数如表1和表2所示：

表1：

表2：

粒子群求解流程如图3所示：

1)初始化需求响应激励价格γ，确定用户经济性负荷削减约束。

2)初始化外层粒子群参数，调用内层粒子群算法，计算各粒子适应度值， 初始化内层粒子群参数，ISO以总成本最小为目标出清，计算内层粒子适应 度值，更新内层粒子速度和位置，判断是否满足误差条件或者满足最大迭代 次数，若满足，则反馈R_i(k′_i，k′_-i)和max R_i(k′_i，k′_-i)至内层粒子群算 法。(R_i(k′_i，k′_-i)为已知对手策略集合k′_-i情况下，发电商i选择个体最优 策略k′时所能获得的收益)

3)更新个体极值和群体极值，更新粒子速度V_i和位置X_i，判断是否满足 误差条件或达到最大迭代次数：

A、满足。则得到发电商最优镜架策略组合与市场出清结果，计算市场效 率损失比EL，定步长更新γ，判断γ是否满足迭代，若是，则结束，若不是， 则回到步骤2)，重复步骤2)-3)。

B、不满足，则回到步骤2)，重复步骤2)-3)。

在引入激励型需求响应机制后，按照本专利模型求解，结果如图3所示。 在该实施例中，γ取33$/MW时市场效率损失比达到最低，相比未考虑需求响 应时ISO总成本支出减少了24.08％，此时发电侧成本支出为不同激励策略下 的最小值20081$，需求响应激励成本为1105$。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何 形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变 体及改型。基于本发明中的实施例，本领域普通技术人员在没有做出创造性 劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

Claims (4)

1.一种基于效率损失比的需求响应激励决策优化方法，其特征在于，它包括下列步骤：

S1：建立需求响应参与电力现货市场下市场损失效率比模型，量化分析不同需求响应激励策略对效率损失的影响；

计算市场效率损失比的最小值：

计算需求响应时的总成本支出：

式中，EL为市场效率损失比；C_o为单时段内未考虑需求响应时ISO的总成本支出，由ISO的发电侧购电成本ω₁构成；为同一市场供需情况下单时段内ISO以激励补偿价格γ进行需求响应时的总成本支出，/>为发电侧购电成本，ω₂为需求响应激励补偿成本；

以最小化市场效率损失为目标函数，约束条件包括：

A：节点功率平衡约束：

式中，Buv为网络导纳矩阵，θ_v为节点v对应的相角，bus为网络节点集合；

B：支路潮流越限约束：

式中，S_ij为输电线路最大容量限制，branch为线路集合；

θ_i为节点i对应的相角，θ_j表示节点j对应的相角，B_ij表示网络导纳矩阵；

C：发电机组出力上下限约束：

式中，和/>分别为发电商i的最小和最大技术出力；

D：发电商投标系数约束：

式中，和/>分别为发电商投标系数的下限和上限；

E：用户最大物理负荷削减量约束：

式中，P_Dj为用户j日前的初始负荷需求；为用户j自身满足物理特性的最大负荷削减量上限；N_LR表示需求响应用户负荷集合；

F：用户最大经济负荷削减量约束：

式中，γ表示激励成本，ΔQ_j表示负荷削减量，m_j和n_j分别为一次系数项和常数项；

S2：根据包括ISO、发电商和用电侧IDR在内的多市场主体博弈方式，建立基于Stackelberg均衡分析的最低效率损失激励型需求响应模型；

所述最低效率损失激励型需求响应模型：

发电商为领导者，以自身收益最大化为目标优化报价策略：

式中，R(P_Gi)为发电商i的收益，λ_i为第i个发电机所在节点的电价；

ISO为跟随者，以发电成本与需求响应补偿成本ω₂之和最小化为目标进行日前市场集中出清，目标函数如下：

约束条件与步骤S1中约束条件一样；

S3：在不同需求响应触发价格下以最小化效率损失比为目标得到最优需求响应激励策略，形成“激励价格-效率损失比”曲线。

2.根据权利要求1所述的一种基于效率损失比的需求响应激励决策优化方法，其特征在于，所述的步骤S1中，发电机组燃料成本的边际成本函数为：

ISO所需支出的发电侧购电成本：

式中为发电商i的边际成本函数；P_Gi为发电商i的出力；a_i、b_i分别为燃料成本函数的二次项系数和一次项系数；N_G为发电机组集合,k_i为边际成本的比例系数。

3.根据权利要求1或2所述的一种基于效率损失比的需求响应激励决策优化方法，其特征在于，所述的步骤S1中，需求响应激励补偿成本ω₂表示为：

式中,N_LR为需求响应用户负荷集合,γ为激励补偿价格，ΔQ_j为用户j的负荷削减量。

4.根据权利要求1所述的一种基于效率损失比的需求响应激励决策优化方法，其特征在于，所述的步骤S3：

S3.1：利用采用双层粒子群算法求解发电商竞价的市场均衡；

S3.2：寻找最低效率损失的需求响应补偿价格γ；

S3.3：对γ采用定步长更新迭代搜索，在双层粒子群求解的外层对γ进行更新，并在迭代过程中形成“激励价格-效率损失比”曲线。