电力高峰负荷持续增长以及间歇式能源的迅猛发展对电力系统调节能力提出新的重大挑战[1-2]。通过调动更为广泛的柔性负荷资源,促进发用电协同调度技术发展,是智能电网的重要发展方向。电力市场较为成熟的欧美国家重视电力用户的参与满意度,多采用动态电价、合同约定或需求侧竞价等方式引导需求响应资源参与电能量市场或容量市场进而参与电网调度运行[3-5]。我国目前仍处于电力市场发展的初期阶段,但如何利用负荷侧可调可控资源来有效提升电力系统的可调节能力也引起了广大国内学者的关注。

在日前时间尺度上,文献[6-7]考虑融入用电激励、可中断负荷、电价响应等用电调度方式,建立了发用电一体化调度模型;文献[8]以系统的经济成本和CO2排放量最小为优化目标,建立了考虑柔性负荷的多目标安全约束机组组合优化模型;文献[9]将具有可调节特性的高载能负荷作为消纳风电的重要手段;文献[10]基于电网母线节点聚合单体用户的移峰特性和成本曲线,调控中心依据各个节点的等效移峰成本曲线进行发用电协同调度;文献[11]提出一种计及空调负荷群控制的源-荷协同优化调度模型;文献[12]提出一种基于用户负荷特性和参与意愿的分组优化用电方式,提出了合理的避峰补偿阶梯式价格激励方法和补偿机制。以上文献分别建立了可中断负荷、高载能负荷和空调负荷群的调度模型并进行源-荷协同调度,但没有考虑日前与日内可调度资源的协调,且负荷响应模型相对单一。文献[13-14]将需求响应资源作为日内调度计划矫正资源,用于平衡日前发电计划与日内前瞻时间窗口内负荷预测的偏差;文献[15]基于利益协调与风险协调两个关键问题建立了计及风险与源-网-荷双层协调的电力实时平衡调度框架;针对风电在不同时间尺度误差的不同以及电网对应调节能力的差异,文献[16-18]提出“多级协调、逐级细化”的多时间尺度协调的柔性负荷响应调度模型与策略。上述文献在多时间尺度源-荷协同调度理论研究、模型建立、求解算法等方面取得了丰硕的研究成果,但如何从实际应用的角度建立与发电侧对等的柔性负荷统一调度模型、如何对柔性负荷参与调度的效果和效益进行合理评估,仍需进一步深入研究。

一个良好的“源-荷”协同调度系统应当满足以下要求：1）系统体系合理,适合电网调度运行要求,结构设计具有针对性;2）具有灵活性,能够适应不同用电特性的电力用户参与;3）具有公平性,所有参与对象(发电侧资源、负荷侧资源)的付出与收益能够公正合理;4）能够对协同调度的效果和效益进行分析与评估,并据此合理评价各参与对象;5）具备良好的可视化界面,各功能模块及底层数据库设计合理且具有良好的可扩展性。

基于上述分析,本文从实际应用的角度提出发用电联合优化调度框架,在智能电网调控系统(D5000)上开发了“源-荷”协同调度系统,并在西北某省级电网进行了示范应用。

从电网调度的角度来看,与传统的机组有功调度相比,“源-荷”协同调度系统新增主要功能包括：柔性负荷响应建模、分层多周期协同调度和协同调度评估分析三部分,如图1所示。其中柔性负荷响应建模模块为协同调度模块提供负荷响应模型,评估分析模块对柔性负荷调度效果和协同调度的社会、经济效益进行综合评估。

柔性负荷参与电网调度不仅要考虑其物理响应特性,还需考虑其行为经济特征,两者交互影响、相互耦合。

根据柔性负荷物理响应特性不同,可将其分为可削减负荷(如工业可中断负荷)、可转移负荷(如冰蓄冷)、双向互动负荷(电动汽车、储能等)以及可平移负荷(如铁合金、碳化硅企业的部分生产线等)4类。前三类负荷响应的主要建模要素与传统机组相近,其响应时序如图2所示。可平移负荷由于受生产流程约束,只能将用电曲线在不同时段平移[19]。

"> 图1 “源-荷”协同调度框架 Fig. 1 "Source - load" collaborative scheduling framework

图2 负荷响应的时间轴示意 Fig. 2 Time axis for load response

电网调度负荷的经济成本与柔性负荷的响应特性、激励电价等因素密切相关。由于国内电力市场发展尚处于起步阶段,这里主要考虑基于合同约定的柔性负荷互动模式,即电力公司与用户签订协议,事先约定用户基线负荷和柔性负荷响应量的计算方法、激励电价的确定方法、响应时间以及违约的惩罚措施等。

可削减负荷的调度成本可表示为：

\({{S}_{\text{IL,}i}}({{P}_{IL,i}}(t))={{C}_{\text{IL,}i}}(t){{P}_{IL,i}}(t)\Delta t\) (1)

式中：\({{C}_{\text{IL,}i}}(t)\)为可削减负荷\(i\)在\(t\)时段单位削减电量的激励电价;\({{P}_{IL,i}}(t)\)为可削减负荷\(i\)在\(t\)时段的削减功率;\(\Delta t\)为采样间隔。

可转移负荷的调度成本为响应电网需求上调或下调用电功率所得到的激励补偿,表示如下：

\({{S}_{\text{SH,}j}}({{P}_{SH\text{,}j}}(t))={{C}_{\text{SH,}j}}(t){{P}_{SH,j}}(t)\Delta t\) (2)

式中：\({{C}_{\text{SH,}j}}(t)\)为可转移负荷\(j\)选取的菜单电价在\(t\)时段单位调整电量的激励电价;\({{P}_{SH,j}}(t)\)为可转移负荷\(j\)在时段\(t\)的调整功率;\(\Delta t\)为采样间隔。

双向互动负荷的调度成本可表示为：

\(\begin{align} {{S}_{\text{BI,}m}}({{P}_{BI,m}}(t))=C_{\text{BI,}m}^{\text{chgP}}(t)P_{\text{BI,}m}^{\text{chgP}}(t)\Delta t+ \\ \ \ \ C_{\text{BI,}m}^{\text{dischgP}}(t)P_{\text{BI,}m}^{\text{dischgP}}(t)\Delta t \\\end{align}\) (3)

式中：\(P_{\text{BI,}m}^{\text{chgP}}(t)\)为双向互动负荷\(m\)在\(t\)时段的充电功率;\(C_{\text{BI,}m}^{\text{chgP}}(t)\)为\(t\)时段充电时的激励补偿价格;\(P_{\text{BI,}m}^{\text{dischgP}}(t)\)为\(t\)时段的放电功率;\(C_{\text{BI,}m}^{\text{dischgP}}(t)\)为\(t\)时段放电时的激励补偿价格。

可平移负荷的调度成本可表示为：

\({{S}_{\text{HS,}n}}=\sum\limits_{t=1}^{T}{{{U}_{\text{HS},n}}(t){{C}_{\text{HS},n}}(t)}\) (4)

式中：\({{U}_{\text{HS},n}}(t)\)表示可平移负荷\(n\)是否在时段\(t\)响应(响应为1,不响应为0);$\sum\limits_{t=0}^{T}{{{U}_{\text{HS},n}}(t)=1}$;\({{C}_{\text{HS},n}}(t)\)表

示该负荷\(n\)在时段\(t\)开始启动时的响应成本;T为电网调度的时段数。

图3 菜单式激励电价的实行过程 Fig. 3 Implementation of menu-type tariff incentive

针对可削减负荷、可转移负荷、双向互动负荷、和可平移负荷,本文提出分别设计不同菜单式激励电价(tariff incentives,TI)的模式。通过设计多种菜单式可选择激励电价,供用户根据自身实际情况进行选择。菜单式电价的优势在于：1）用户可以选择最大化自身利益的激励电价,能够有效吸引用户参与电网互动;2）用户选择某种激励电价合同,就向售电商透露了其用电响应偏好;3）菜单激励电价差异化地满足了不同类型用户的需求,并可在电力营销实践中通过收集用户用电数据以及用电行为智能分析而不断得到优化。

对于大型工商业用户,可直接参与电网调度运行;而对于大量中小规模商业和居民用户,则需要先通过负荷代理聚合后才能参与电网调度运行。负荷代理对外只表现出负荷群的综合外特性;而对内则协调系统侧调度信息和负荷群内部响应资源,做出针对某一优化目标的最优决策,并向用户发送调度或控制指令。基于负荷代理的柔性负荷调度一般分为调度控制层、代理协调层和响应本地层[20]。

通过采用日前-日内滚动-实时多周期调度优化模型,能够使得在不同时间尺度上响应的“源”、“荷”资源均参与到电网调度中来。部分响应速度较慢的“慢”机和需要较长提前通知时间的“慢”负荷资源可参与日前调度,而响应较快的“快”机和“快”负荷资源则可参与日内滚动/实时调度。

1）日前调度决策模型。

日前调度计划一天执行一次(分辨率为15min),参与日前调度的资源主要包括“慢”机、可平移负荷、可转移负荷及提前1天通知的可调节负荷。调度中心通过对发电机和负荷的协同调度,实现电力系统的发用电有功功率平衡。首先,建立“源-荷”协同的日前调度模型,可表示为：

\(\begin{align} \min {{F}_{1}}=\sum\limits_{t=1}^{{{T}_{1}}}{\sum\limits_{i=1}^{{{N}_{G}}}{{{S}_{\text{G},i}}({{P}_{\text{G},i}}(t))}}\text{+}\sum\limits_{t=1}^{{{T}_{1}}}{\sum\limits_{j=1}^{{{N}_{\text{DR}}}}{{{S}_{\text{DR,}j}}({{P}_{DR,j}}(t))}}+ \\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \sum\limits_{n=1}^{{{N}_{\text{HS}}}}{{{S}_{\text{HS,}n}}}+\sum\limits_{t=1}^{{{T}_{1}}}{\sum\limits_{k=1}^{{{N}_{\text{w}}}}{{{S}_{\text{W},k}}(P_{\text{W},k}^{\text{cur}}(t))}} \\\end{align}\)(5)

式中：\({{F}_{1}}\)为发用电总成本;\({{T}_{1}}\)为电网日前调度的时段数;\({{N}_{\text{G}}}\)为系统中常规发电机的总数;NDR为参与日前调度运行的负荷(或负荷代理)数;\({{N}_{\text{W}}}\)为系统中风电场的总数;\({{P}_{\text{G},i}}(t)\)为\(t\)时刻的发电机\(i\)的出力;\({{S}_{\text{G},i}}({{P}_{\text{G},i}}(t))\)为\(t\)时段发电机\(i\)的发电成本;\({{S}_{\text{W},k}}(P_{\text{W},k}^{\text{cur}}(t))\)为\(t\)时段风电场\(k\)的弃风成本;\({{P}_{DR,j}}(t)\)和\({{C}_{\text{DR,}j}}({{P}_{DR,j}}(t))\)分别为\(t\)时刻负荷(或负荷代理)\(j\)的调节功率及对应的激励补偿费用;负荷\(j\)为可削减负荷、可转移负荷或双向互动负荷。

除了负荷功率上下限等常规约束外,可削减负荷的约束条件还包括最小削减时间、最大调用次数以及总中断时间等约束,可表示为：

式中：\(V_{\text{IL},i}^{\text{on}}(t)\)为可削减负荷\(i\)在\(t\)时段的连续中断时间;\(\mathop{\text{Min}\operatorname{Re}\text{sTime}}_{_{\text{IL},i}}\)为最小持续削减时间;\({{y}_{\text{IL},i}}(t)\)为周期内的调用次数;\(\text{ILMaxCallTim}{{\text{e}}_{\text{IL},i}}\)为周期内最大调用次数;\(V_{\text{IL},i}^{\text{total }\!\!\_\!\!\text{ off}}\)为周期内总中断时间;\(\text{ILExp}\operatorname{Re}\text{sTim}{{\text{e}}_{\text{IL},i}}\)为周期内最大可削减时间。

可转移负荷的约束条件还包括负荷变化率和调度周期内总电量不变等约束,可表示为：

式中,\({{P}_{\text{SH},j}}(t)\)为可转移负荷\(j\)在\(t\)时段响应后功率;\(\text{SHRamprat}{{\text{e}}_{\text{SH},j}}\)为负荷允许的最大变化速率;\({{P}_{\text{SH}0,j}}(t)\)为该负荷\(j\)在\(t\)时段的原始功率。

双向互动负荷的约束条件还包括最小充放电时间、最大充放电次数、充放电功率加/减负荷速率等约束,可表示为：

式中：\(T_{\text{BI},m}^{\text{Chg}}(t)\)为双向互动负荷m在t时段充电时间;\(\text{ChgMin}{{\text{T}}_{\text{BI},m}}\)为最小充电时间;\(T_{\text{BI},m}^{\text{Dis}}(t)\)为t时段放电时间;\(\text{DisMin}{{\text{T}}_{\text{BI},m}}\)为最小放电时间;\(S_{\text{BI},m}^{\text{Chg}}(t)\)为充电标志(充电为1,不充电为0);\(S_{\text{BI},m}^{\text{Dis}}(t)\)为放电标志(放电为1,不放电为0);\(\text{ChgMax}{{\text{N}}_{\text{BI},m}}\)为最大充电次数;\(\text{DisMax}{{\text{N}}_{\text{BI},m}}\)为最大放电次数;\({{\Delta }_{\text{BI},m}}\)为每时段可充放电负荷的最大值。

可平移负荷的约束条件主要是满足平移前后功率曲线不变,可表示为：

${{P}_{\text{HS},n}}(t)=\sum\limits_{{{t}_{1}}=0}^{T}{{{P}_{\text{HS}0,n}}(t-{{t}_{1}})\times {{U}_{\text{HS},n}}({{t}_{0}}-{{t}_{1}})}$ (9)

式中：${{P}_{\text{HS},n}}(t)$为响应后可平移负荷$n$在$t$时段的用电功率;${{P}_{\text{HS}0,n}}(t)$为初始用电功率;${{t}_{0}}$为初始启动时段;只有当${{t}_{0}}-{{t}_{1}}$为响应后启动时段时${{U}_{\text{HS},n}}({{t}_{0}}-{{t}_{1}})$才为1。

常规发电以及电网安全等方面的等式/不等式约束,这里不再赘述。

2）日内滚动/实时调度决策模型。

考虑日前风电预测误差、负荷预测误差等因素影响,日内滚动计划是对日前计划不断修正的过程,在日前计划的基础滚动制订各机组计划出力和柔性负荷的调整量。日内调度计划每2h执行一次(分辨率为15min),参与日内调度的负荷资源包括提前2h告知的可调节负荷。

式中：\({{T}_{2}}\)表示日内调度时段总数;\(\Delta {{P}_{\text{G},i}}(t)\)和\(\Delta {{P}_{DR,j}}(t)\)分别为相对日前发电计划和日前负荷调度计划的变化部分。

实时计划是在日内滚动计划的基础上的再次修正。实时调度计划每15min执行一次(分辨率为5min)。参与实时调度的需求响应资源包括提前5~15min通知的可调节负荷,一般这种负荷的数量是非常有限的。

定义如下指标来反映柔性负荷的调度效果。

1）启动时间偏差：用于比较柔性负荷响应启动时间与预设启动时间的偏差。

\(\Delta {{T}_{\text{start}}}=\left| {{T}_{\text{start}}}-{{T}_{\text{start},\text{set}}} \right|\) (11)

式中：\({{T}_{\text{start}}}\)为柔性负荷实际响应启动时间;\({{T}_{\text{start},\text{set}}}\)为预设启动时间。

2）响应持续时间偏差率：为柔性负荷响应的实际持续时间与预设持续时间的偏差率。

\(\Delta {{T}_{\text{dur}}}%=\frac{{{T}_{\text{dur}}}-{{T}_{\text{dur},\text{set}}}}{{{T}_{\text{dur},\text{set}}}}\times 100%\) (12)

式中：\({{T}_{\text{dur}}}\)为柔性负荷响应的实际持续时间;\({{T}_{\text{dur},\text{set}}}\)为预设持续时间。

3）响应量平均偏差率：定义为柔性负荷实际响应量与预设响应量的平均偏差率。

\(\Delta {{E}_{\text{adj}}}%=\frac{\sum\limits_{t\in {{T}_{\text{dur}}}}{(P_{\text{adj}}^{t}-P_{\text{adj},\text{set}}^{t})/P_{\text{adj},\text{set}}^{t}}}{{{N}_{\text{t}}}}\times 100%\) (13)

式中：\(P_{\text{adj}}^{t}\)和\(P_{\text{adj},\text{set}}^{t}\)分别为实际持续响应时间\({{T}_{\text{dur}}}\)内的第\(t\)时段柔性负荷的实际响应量和预设响应量;\({{N}_{\text{t}}}\)为总时段数。

4）响应量偏差的标准差：定义为用户实际响应量与预设响应量偏差的离散程度。

\({{E}_{st}}=\sqrt{\frac{1}{{{N}_{\text{t}}}}\sum\limits_{i=1}^{{{N}_{\text{t}}}}{{{(P_{\text{adj}}^{t}-P_{\text{adj},\text{set}}^{t})}^{2}}}}\) (14)

该指标体现用户执行曲线的精度,根据标准差和各电网公司具体要求可以判断用户的曲线执行情况优劣。

如表1所示,基于安全性、经济性、可靠性、节能性等不同主题,可从年度、月度、日前、实时等不同时间尺度分析“源-荷”协同调度效益的评估指标体系;表2给出协同调度对电网企业、发电企业、柔性负荷资源等不同互动主体的效益影响。

表1 不同主题的效益评估指标体系 Tab. 1 Evaluation index for different themes

表2 不同主体的效益评估指标体系 Tab. 2 Evaluation index for different subjects

“源-荷”协同调度系统运行由信息采集与管理、调度计划编制、计划确认/下发、评估分析等模块组成。

1）数据采集环节。

采集负荷预测、新能源预测、电网模型、备用需求、网络约束等信息,特别是协同调度计划编制所需的常规机组和柔性负荷响应的数据,这是实现协同调度的基础和前提。柔性负荷响应数据包括相关电力用户(直接参与的大用户、负荷代理商等)用电基值曲线、物理响应特性(如1.1小节所述)以及激励合同中规定的激励电价等,这些信息通过用户侧互动终端上传给协同调度系统。机组侧数据主要包括机组状态、物理特性及经济特性等。

2）数据分析环节。

数据分析环节完成信息数据的分析和整合。由于受用电设备自身物理特性、保持关键任务的用电需求、用户舒适度要求等多个因素影响,如同机组分为“快”机组(如燃气机组)和“慢”机组(如火电机组),需要对柔性负荷的物理响应特性进行分析并分别配置在日前(提前24h通知)、日内(提前1~4h通知)和实时(直控负荷)不同时间尺度参与电网调度计划编制。如水泥、轧钢等工业用户的部分生产线可参与日前调度计划,商业及公共设施的空调、照明等负荷可参与日内调度计划,冰蓄冷、储能等快速调节负荷则可参与实时调度。

值得注意的是,“快”、“慢”负荷的配置不是固定的,而是随着柔性负荷的参与数量、电网的运行状态以及备用需求等实际情况而不断变化的。

在日前阶段,需要确定“慢”机的机组组合及参与日前计划的“慢”负荷资源的调用计划。日前协同调度计划编制的流程主要包括启动、数据获取、“源-荷”协同计划编制和备用计算等环节。日前计划根据当前机组组合状态、柔性负荷资源调用状态和系统负荷需求预测,自动评估计算时间范围内是否满足系统备用要求,当不能满足备用要求时能够告警提示。

在日内阶段,需要确定“快”机的机组组合和参与日内计划的“慢”负荷资源的调用计划。日内计划编制功能根据最新的电网运行方式变化、机组运行状态变化和短期负荷需求预测,自动计算“快”机出力计划和“快”负荷的调度量。

实时阶段修正并最终确定所有机组的出力及负荷资源的调用量。调度计划的优化目标可结合电网实际需求设置为系统运行成本最小、社会利益最大、新能源最大化消纳等,或者将上述目标相结合形成多目标优化问题。“源-荷”协同调度优化模型是一个高维、非凸、非线性混合整数规划问题,求解方法主要有动态规划法、拉格朗日松弛法、混合整数法和智能算法。使用商用优化软件Aimms提供的CPLEX求解算法,来解决协同调度模型的求解问题。

安全校核功能能够接受调度计划编制主控的调用,并将校核结果返还到调度计划优化计算模块。安全校核功能计及发电侧和用电侧需求,根据设备状态、母线负荷预测、机组发电计划、网络模型、正常位设置,自动生成校核断面,进行基态安全校核、N-1安全校核。

日前/日内/实时计划编制结束,经安全校核及计划确认后将发电计划下发至发电机组,用电调整计划下发至用户侧的互动终端。

评估分析模块是对历史实际发生的协同调度效果和效益进行评估,包括柔性负荷的调度效果评估和协同调度效益评估。柔性负荷的调度效果计算柔性负荷的实际响应数据与用电调整计划的偏差,可用1.3.1小节所述评估指标进行评价。协同调度效益计算柔性负荷参与带来的经济和社会效益。

图4给出了“源-荷”协同调度计划的软件架构,功能模块主要包括：数据采集与管理、多周期协同计划编制、计划确认/下发以及评估分析等。

图5给出了“源-荷”协同调度计划的硬件架构。协同调度服务器部署在III区,通过隔离装置从I区获取电网运行和新能源相关信息,从用采系统获取各类负荷基础数据。大用户、充换电站、负

图4 源-荷协同系统软件架构 Fig. 4 Software architecture for system

图5 “源-荷”协同系统硬件结构 Fig. 5 Hardware structure for system

荷聚合商等互动终端通过用采系统进行信息的上下交互,从而实现与“源-荷”协同调度系统的信息交互。一般来说,在上、下段信道数据传输可利用有线公共电话网、有线电视网、电力线载波和以太网。

基于本文研发的“源-荷”协同调度计划软件已在西北某省级电网调度中心得到初步应用。该电网燃煤机组47台、水电机组15台、风电机组44台、光伏机组82台,其中风电装机容量为3636MW,光伏装机容量为2508MW。如图6所示,提供了2类菜单式激励电价供用户选择,每类包含可转移、可中断和可平移三种激励电价。联接在不同负荷母线上的7个典型柔性负荷参与了电网调度。

图6 负荷调度成本曲线 Fig. 6 Load scheduling cost curve

图7给出了“源-荷”协同调度前后系统负荷及典型柔性负荷的功率对比。由图7(a)可知,系统早晚用电高峰时段分别为上午7:30和下午18:15,引入柔性负荷调度后可有效降低系统高峰负荷、提升系统低谷负荷。图7(b-d)给出了参与调度计划后典型柔性负荷的响应效果。

图7 参与调度计划后典型负荷功率变化对比 Fig. 7 Demand response comparison

图8为柔性负荷参与电网互动前后互动效益评估的关键指标对比。图8(a)给出了协同调度前后风电/光伏消纳量的对比结果,其中风电消纳量增加了

图8 协同调度效益评估 Fig. 8 Benefit evaluation of coordinated scheduling

5.2%,光伏消纳量增加了21.3%,整体上新能源消纳量提升9.99%。柔性负荷参与协同调度后,单位煤耗由313.55kg/(MW·h)减少为313.38kg/(MW·h),8(b)给出了系统火电机组发电量和煤耗的变化,可见柔性负荷的参与能够减少系统火电机组的发电量并减低煤耗。图8(c)给出了协同调度前后常规火电机组出力的日峰谷差率对比,由于需求侧柔性负荷参与协同调度后,可以降低系统负荷的峰谷差,因而常规火电机组的发电峰谷差也随之降低。此外,按照每燃烧1t标准煤,产生二氧化碳2620kg,二氧化硫24kg,氮氧化物7kg,图8(d)给出了协同调度前后污染物排放对比,可见用户参与协同调度后,系统污染物排放有效降低,有助于实现电力系统发电的清洁化。

图8(e)给出了协同调度前后系统调度成本的变化,可以看出虽然柔性负荷的参与会一定程度增加需求侧的激励成本,但由于发电成本的显著降低,系统总调度成本降低了1.5%。

本文从柔性负荷响应建模、分层分级发用电协同调度和协同调度评估分析3个方面详细介绍了智能电网“源-荷”协同调度系统架构及其软硬件配置思路。主要结论如下：

1）柔性负荷参与电网调度不仅要考虑其物理响应特性,还需考虑其行为经济特征。通常其物理响应模型可用提前通知时间、爬坡速率、响应容量、响应持续时间等要素表示,但不同负荷类型还存在一些特殊约束;菜单式激励电价赋予用户更多自主性,也适用于当前我国电力市场发展阶段。

2）采用分层多周期“源-荷”协同调度框架有助于引导中小用户参与电网调度运行并能够有效协调“慢资源”和“快资源”。

3）可采用启动时间偏差、响应持续时间偏差率、响应量平均偏差率、响应量偏差的标准差等指标评估柔性负荷实际调度情况与预设调度目标的偏差。可从安全性、经济性、可靠性、节能性等不同主题,年度、月度、日前、实时等不同时间尺度评估“源-荷”协同调度的效益。

基于D5000系统开发的“源-荷”协同调度系统已在实际省级电网得到了示范应用,后续还需考虑源-荷双侧不确定性因素影响并进一步完善协同调度评估功能。相信随着更多电力用户的参与和场景的多样化,协同调度系统的功能还将得到进一步提升。

（实习编辑 邵泽亮）

[1] 王珂,姚建国,姚良忠,等.电力柔性负荷调度研究综述[J].电力系统自动化,2014,38(20):127-135. Wang Ke,Yao Jianguo,Yao Liangzhong,et al.Survey of research on flexible loads scheduling technologies[J].Automation of Electric Power Systems,2014,38(20):127-135(in Chinese).

[2] 姚建国,杨胜春,王珂,等.智能电网“源-网-荷”互动运行控制概念及研究框架[J].电力系统自动化,2012,36(21):1-6. Yao Jianguo,Yang Shengchun,Wang Ke,et al.Concept and research framework of smart grid ‘Source-Grid-Load’ interactive operation and control[J].Automation of Electric Power Systems,2012,36(21):1-6(in Chinese).

[3] Callaway D S,Hiskens I A.Achieving controllability of electric loads[J].Proceedings of the IEEE,2011,99(1):184-199.

[4] Papadaskalopoulos D,Strbac G.Decentralized participation of flexible demand in electricity markets part I:market mechanism[J].IEEE Transactions on Power Systems,2013,28(4):3658-3666.

[5] Menniti D,Costanzo F,Scordino N,et al.Purchase-bidding strategies of an energy coalition with demand-response capabilities[J].IEEE Transactions on Power Systems,2009,24(3):1241-1255.

[6] 王卿然,谢国辉,张粒子.含风电系统的发用电一体化调度模型[J].电力系统自动化,2011,35(5):15-18. Wang Qingran,Xie Guohui,Zhang Lizi.An integrated generation-consumption dispatch model with wind power[J]. Automation of Electric Power Systems,2011,35(5):15-18(in Chinese).

[7] 刘小聪,王蓓蓓,李扬,等.智能电网下计及用户侧互动的发电日前调度计划模型[J].中国电机工程学报,2013.33(1):30-38. Liu Xiaocong,Wang Beibei,Li Yang,et al.Day-ahead generation scheduling model considering demand side interaction under smart grid paradigm[J].Proceedings of the CSEE.2013,33(1):30-38(in Chinese).

[8] 王晗,徐潇源,严正.考虑柔性负荷的多目标安全约束机组组合优化模型及求解[J].电网技术,2017,41(6):1904-1911. Wang Han,Xu Xiaoyuan,Yan Zheng.Multi-objective optimization of security constrained unit commitment model and solution considering flexible load[J].Power System Technology,2017,41(6):1904-1911(in Chinese).

[9] 刘文颖,文晶,谢昶,等.考虑风电消纳的电力系统源荷协调多目标优化方法[J].中国电机工程学报,2015,35(5):1079-1088. Liu Wenying,Wen Jing,Xie Chang,et al.Multi-objective optimal method considering wind power accommodation based on source-load coordination[J].Proceedings of the CSEE,2015,35(5):1079-1088(in Chinese).

[10] 李彬,曹望璋,崔高颖,等.基于二次分组的避峰负荷优化调控方法[J].电网技术,2016,40(12):3904-3911. Li Bin,Cao Wangzhang,Cui Gaoying,et al.Dispatching approach for optimized peak averting based on secondary round grouping[J].Power System Technology,2016,40(12):3904-3911(in Chinese).

[11] Gu Yingzhong,Xie Le.Look-ahead dispatch with forecast uncertainty and infeasibility management[C]//2012 IEEE Power and Energy Society General Meeting.San Diego,CA:IEEE,2012.

[12] Choi D H,Xie L.Ramp-induced data attacks on look-ahead dispatch in real-time power markets[J].IEEE Transactions on Smart Grid,2013,4(3):1235-1243.

[13] Zhong Haiwang,Xia Qing,Kang Chongqing,et al.An efficient decomposition method for the integrated dispatch of generation and load[J].IEEE Transactions on Power Systems,2015,30(6):2923-2933.

[14] 刘萌,梁雯,张岩,等.计及空调负荷群控制的源-荷协同优化调度模型[J].电网技术,2017,41(4):1230-1236. Liu Meng,Liang Wen,Zhang Yan,et al.Cooperative generation-load optimal dispatching model considering air-conditioning load group control[J].Power System Technology,2017,41(4):1230-1236(in Chinese).

[15] 朱建全,段翩,刘明波.计及风险与源-网-荷双层协调的电力实时平衡调度[J].中国电机工程学报,2015,35(13):3239-3247. Zhu Jianquan,Duan Pian,Liu Mingbo.Electric real-time balance dispatch via Bi-level coordination of source-grid-load of power system with risk[J].Proceedings of the CSEE,2015,35(13):3239-3247(in Chinese).

[16] 姚建国,杨胜春,王珂,等.平衡风功率波动的需求响应调度框架与策略设计[J].电力系统自动化,2014,38(9):85-92. Yao Jianguo,Yang Shengchun,Wang Ke,et al.Framework and strategy design of demand response scheduling for balancing wind power fluctuation[J].Automation of Electric Power Systems,2014,38(9):85-92(in Chinese).

[17] 杨胜春,刘建涛,姚建国,等.多时间尺度协调的柔性负荷互动响应调度模型与策略[J].中国电机工程学报,2014,34(22):3664-3673. Yang Shengchun,Liu Jiantao,Yao Jianguo,et al.Model and strategy for multi-time scale coordinated flexible load interactive scheduling[J].Proceedings of the CSEE,2014,34(22):3664-3673(in Chinese).

[18] 包宇庆,王蓓蓓,李扬,等.考虑大规模风电接入并计及多时间尺度需求响应资源协调优化的滚动调度模型[J].中国电机工程学报,2016,36(17):4589-4599. Bao Yuqing,Wang Beibei,Li Yang,et al.Rolling dispatch model considering wind penetration and multi-scale demand response resources[J].Proceedings of the CSEE,2016,36(17):4589-4599(in Chinese).

[19] 夏叶,康重庆,宁波,等.用户侧互动模式下发用电一体化调度计划[J].电力系统自动化,2012,36(1):17-23. Xia Ye,Kang Chongqing,Ning Bo,et al.A generation and load integrated scheduling on interaction mode on customer side[J].Automation of Electric Power Systems,2012,36(1):17-23(in Chinese).

[20] 王珂,刘建涛,姚建国,等.基于多代理技术的需求响应互动调度模型[J].电力系统自化,2014,38(13):121-127. Wang Ke,Liu Jiantao,Yao Jianguo,et al.A multi-agent based interactive scheduling model considering demand response[J].Automation of Electric Power Systems,2014,38(13):121-127(in Chinese).