分布式风力发电为主的需求侧响应策略研究

文 | 要建华

（作者单位：国家电力投资集团有限公司）

分布式风力发电作为一种小规模、近距离输电、所发电力首先满足用户自用的技术，可以协调日益增长的用电需求与节能减排要求的矛盾。特别是对岛屿、偏远山区，以及远离电网和近期内电网还难以达到的农村、边疆，可以作为解决生产和生活能源的一种可靠途径。如今，多国已经在市政设施、居民小区及社区建筑物等地开发了大量分布式风力发电。因此，分布式风力发电有着广阔的应用前景。但分布式风力发电要实现更加广泛的应用，需要面向本地用户制定科学的、灵活的需求侧响应策略。

随着风力发电渗透率不断增加，其随机波动性和间歇性，以及用户电力需求侧的不确定性，往往导致电力负荷率低，而传统的能量管理策略此时无法保证电网在高负荷、多样化需求的条件下维持可靠、高效、稳定的运作，这是配电网亟需处理的关键问题。对于这一问题，需求侧响应作为一种先进的机制，可以在制定市场价格信号或激励机制，改变用户故有用电模式，进而使得需求侧参与电网调节。目前，很多国家已经在大中型工商业用户中实施峰谷分时电价，通过需求侧响应机制使负荷侧用户对电价进行响应，达到负荷曲线削峰填谷、按照供电需求进行自我调节的目的。然而，现阶段我国风力发电的研究主要集中在风能的规划设计、功角稳定、继电保护、调度运行等方面，几乎没有从需求侧响应的角度切入研究。本文针对分布式风力发电作为主要可再生能源电源的社区负荷，以江西赣州、云南楚雄两地实际风电机组数据为例，利用优化的模糊聚类法和非线性有约束规划算法，结合供电与居民用电需求的趋势差异，给出了优化的需求侧响应信号规划方法，同时使用价格-需求弹性分析理论，对制定的需求响应策略效果进行了仿真、评估与分析。

需求侧响应策略选择

需求侧响应项目可分为基于价格和基于激励两类。其中，基于价格的需求响应包括分时电价（TOU）、实时电价（RTP）、尖峰电价（CPP），基于激励的需求响应则是实施机构根据电力供需状况制定相应政策，用户在系统需要或电力紧张时减少用电以获得直接补偿。分时电价TOU（Time of Use）是电力需求侧响应的雏形，也是最普及的一种。因此，本文以分时电价为需求侧响应策略，在此基础上对电价信号的制定进行开发和优化。

分时电价是需求侧管理中最常见的一种措施，通过分时段定价引导用户改变用电计划，以达到削峰填谷、提高电力系统的负荷率和稳定性，使得供电方和用户方均获利的手段。分时电价将一天24小时划分为若干时段，一般的策略为将电力需求高的时段设定为高电价，其他时段采用一般或优惠的电价，并期望用户响应。值得注意的是，用户用电行为是和人的行为相关的，无论用何种激励政策，即使在实行有序用电和拉闸限电时期，也不可能完全精确地控制负荷需求。因此，需要不断地优化激励策略，以达到引导用户合理用电、移峰填谷、改善负荷曲线、提高电网负荷率的目的。

需求侧响应策略制定

自然界中的风速不稳定，无法像火电厂一样可以依照用电需求调整发电量。反之，风力发电功率具有随机性、波动性和间歇性，常与用户用电呈负相关。因此，与传统的分时电价信号不同，本文针对以分布式风力发电为主要电源的社区负荷，结合供电与负荷需求的趋势差异，规划相应的需求响应信号。本文设计的需求响应策略制定流程如图1所示。

一、风力发电功率与社区用电负荷特性相关性分析

以江西赣州基隆嶂风电场为例，此风电场装机容量102MW，单机容量2MW，2016年12月全部投运（文章采用17#、47#风电机组典型风况24小时功率数据进行模拟计算）。根据两台机组日每小时数据制作的日功率曲线如图2所示。

可以看出，风电机组出力随时间的波动性很大。为比较供电功率与用电负荷的趋势，本文使用Gridlab-D软件对典型的居民社区、商业建筑等社区负荷建模，根据天气、时间、建筑类型等外部因素进行模拟。针对江西赣州当地的商户（包括1家大型商场、3所宾馆、5个餐厅）进行负荷模拟，模拟结果如图3所示。

由图3可知，当地商业用户的负荷用电高峰往往在中午、傍晚，而此时对于风电机组却是功率偏低时段；风电机组输出功率高的夜间和凌晨，负荷的需求却处于最低时段。两条曲线叠加后如图4所示。

图2 江西赣州基隆嶂风电场4台机组日功率曲线

图3 江西赣州当地社区商业建筑群负荷模拟

图4 电源、负荷趋势对比

为更客观地展示电源与负荷的相关性，本文使用皮尔逊（Pearson）相关系数r来度量风力发电功率与用电负荷之间相关强度：

式中，n为样本数量，X，和Y，Y分别为两组样本及其平均值。r＞0时，线性正相关；r＜0时，线性负相关；r＝1，则两者完全正相关；r＝－1则两者完全负相关；r＝0，两个变量之间不存在线性关系。在本文中，可令两组样本分别为发电输出功率与用电负荷功率。将江西赣州商业社区用电负荷与选取的当地风电机组发电功率数据带入公式（1），计算可得r＝－0.804306。可见，本例中用电负荷和风电机组发电功率呈较强的负相关关系，即，风电出力高峰时期用电负荷率却往往不高。因此，在设计分时电价时段时，不能单一地考虑用电方的用电曲线，还应结合供电方供电曲线，以达到提升负载率、提升可再生能源消纳能力的目的。

二、分时电价时段划分

把风电场的发电功率当作“负的负荷”，将实际负荷与风电场“负的负荷”的叠加定义为“等效负荷”。等效负荷的峰谷差越大，对电网的调峰调频能力要求越高，需要的调峰容量越大，系统的成本越高。为解决此问题，供电公司可以通过实施需求侧响应策略，激励用户改变用电行为，达到缩小等效负荷曲线的峰谷差，即减少等效负荷波动率的目的。这意味着风电出力与负荷的变化趋势接近，有利于电网系统的稳定性。

首先，比较风电机组输出功率和用户用电负荷特性：

式中，Load_eq是等效负荷，Load为用户负荷，Power是电源功率。可以得到等效负荷曲线（图5）。

通过比较电源曲线（黄色）和原负荷曲线（蓝色），能看出风电机组出力和居民用电趋势的差异，即等效负荷曲线（红色）。提升风电机组发电功率与当地用户用电的相关性问题，可以等效为平抑等效负荷曲线的波动问题。根据等效曲线可以发现，其形状随风力发电输出功率的变化会有显著差异，不存在稳定的峰谷特征，传统的主观经验式方法无法划分出能准确反应峰谷特征的时段。本文使用模糊聚类算法，可以判定出相应的峰、平、谷时段。时段划分的方法如下。

1.利用隶属函数确定各点属于峰、平、谷时段的程度，分析等效负荷曲线上各点分别处于高峰、低谷、平时三种时段的可能性。其特征为：曲线上的最低点100%处于谷时段，不可能处于峰时段，其谷隶属度为1，峰隶属度为0；曲线上的最高点100%处于峰时段，不可能处于谷时段，其谷隶属度为0，峰隶属度为1；曲线上其余各点的峰平谷隶属度介于0和1之间。由于分时电价信号的性质，分时的时段最小为1小时，因此可将一天中的时段集合定为T＝{t1，t2，…，t24}，各时段电量集合为Q＝{qt1，qt2，…，qt24}。时段ti的峰隶属度upti、谷隶属度uvti可采用偏大型半梯度隶属函数与偏小型半梯度隶属函数计算得到公式（2）：

式中，upti为时段ti时的峰隶属度，qti为时段ti内的用电量，Q为一天中24个每小时用电量集合。谷隶属度同理。

2.采用基于等价关系的模糊聚类进行时段区间划分，步骤如下：

（1）建立原始数据矩阵，以峰谷隶属度建立特性指标矩阵：

采用平移标准差变换进行数据标准化：

图5 电源、用电负荷与等效负荷

（2）建立模糊相似矩阵

模糊相似矩阵的元素为rij＝R（u'pti，u'vti），体现了X中任意两个样本点之间的相似度。采用直接距离法中的欧几里得距离法建立模糊相似矩阵中的元素：

式中，rij为两个样本点之间的相似程度，c为适当选取的参数，使所有的rij∈ [0，1]；d（xi，xj） 表 示 xi与xj间的距离，upti、uptj为时段ti、tj时的峰隶属度，uvti、uvtj为时段ti、tj时的谷隶属度。计算出全部的rij，即可得到模糊相似矩阵R。

（3）建立模糊等价矩阵

采用传递闭包法求取模糊等价矩阵，再通过自平方合成法求取传递闭包矩阵t（R），则t（R）就是所求的模糊等价矩阵。对R不断求取2次方，直到出现Rk*Rk＝Rk。得到的Rk为所求传递闭包，即所求模糊等价矩阵。有t（R）＝Rk＝（tij）n×n，满足自反性、对称性和传递性。

（4）求取截矩阵

式中，截矩阵Rλ是一个布尔矩阵。当λ取不同值时，可得到不同的Rλ。Rλ与时段集合T中的元素相对应，当Rλ中对应的某两列列向量相等时，这两列对应的时段即可划分为一类。通过调整λ的值，即可形成动态聚类：λ越大，划分的类别就越少；反之越多。调节λ至聚类数为3，则时段被划分为了三类，即峰、平、谷时段。

三、分时电价定价

划分出正确的峰、平、谷时段后，下面是峰、平、谷电价的定价问题。基于用户价格的需求侧响应策略，目标普遍为最小化最大等效负荷和最小化等效负荷的峰谷差，约束条件为供电方获利、用户侧受益等，峰谷电价的制定必须符合客观的生产规律。考虑到供电、用电双方的利益，要求实行需求侧响应后，既不能让用户的用电总费用升高，又不能使供电公司承受太高的额外成本，因此，此问题可以看作非线性有约束的优化问题，通过设置原始电价、边际电价、供电成本、用户响应度等参数，将负荷率、峰谷边际值、策略目标等作为目标函数，即可计算出合适的电价。具体的约束条件如下：

1.用户端受益

在设计分时电价信号时，首先要保证用户端总体支出小于等于需求响应实施前的支出，以保证对用户的激励效果。即：

式中，m0为实行分时电价前用户端用电支出，m1为实行分时电价后的支出。w1、w2、w3为峰、平、谷时总用电量，x1、x2、x3为峰、平、谷时电价。通过以上约束关系，可以约束定价使用户端永远处于受益状态，避免了终端用户利益受损、激励效果消失的情况。

2.成本约束

实施分时电价，虽然需要通过调整电价高低以刺激用户用电行为，但售电价格不可过低，至少应该保证各时段的电价不小于本时段发电成本，避免出现实施成本过大，供电方无法承担的情况。根据监管部门要求，峰谷电价之比的范围应在2至5倍之间，这是充分考虑了发电成本和用户的承受能力的数据，同时还应令谷时电价低于原始电价，以保证对用户的激励。综上所述，使用的成本约束如下：

式中，xe为边际电价，x1为峰电价，x2为平电价，x3为谷电价，x0为原电价。通过以上约束关系，即可得到合适的电价。

3.峰谷电价比约束

优化资源配置，峰谷价比应当反映负荷高峰、低谷时段电力供应边际成本的差异。例如，在水电为主的加拿大魁北克地区，峰、谷时段的边际成本差异10 1至22.5 1；法国的日峰谷价比在1.4～8之间；我国各地区目前的峰谷价比多在2～4。

此外，作为算法的一项输入，需要用到需求-价格弹性分析方法来计算用户对于不同价格的反应，从而得到某种电价策略下用户的用电量。需求的价格弹性定义为需求的变化幅值/引起该变化的价格变化幅度，即：

式中，p是变化前的价格水平，D＝D（p）是需求曲线上对应价格p的需求量；Δp、ΔD分别是价格变化量和由此产生的需求变化量。价格上升通常引起需求减少，因而ε∈（－∞，0］。用户针对峰谷电价的响应行为一般体现为其各时段用电负荷的变化。

需求价格弹性参数ε由经验数据获得，代表用户对于价格变化的反应程度。例如，ε＝1时，需求的涨幅/降幅＝价格的涨幅/降幅；ε＝0时，需求不随价格变化而变化；ε＞1时，需求的涨幅/降幅大于价格的涨幅/降幅。不同价格水平下的需求弹性通常不同，而统一价格水平下，不同的需求对象，价格弹性通常也不同。在本文设定的条件下，用户峰时电力需求不仅跟峰价水平有关，也和平价、谷价水平有关系，平时/谷时亦然。因此，设定四种需求价格弹性系数，代表分时电价信号的变化对应的用户需求系数，分别为：保持当前电价、峰-谷或谷-峰、峰-平或平-峰、谷-平或平-谷四种情况，体现用户在不同情况下对于电价的反应。接着，构建电价弹性矩阵E，根据需求-价格公式（12）可得：

式中，Q为原始用电量，Q'为新用电量，P为价格。

由前文可知，为了削峰填谷，使日负荷曲线最大峰负荷最小化，从而保证系统运行的经济性和稳定性，优化模型的目标函数为：

解决此非线性有约束的最大最小值问题，可以使用matlab内置函数fminimax求解。对于江西赣州基隆嶂风电场案例，设定当地居民原始电价为0.425元/千瓦时，边际电价0.12元/千瓦时，得到结果如图6所示。

图6 分时电价信号

图7 针对江西赣州基隆嶂风电与负荷模拟的需求侧响应策略

表1 针对江西赣州当地商业用户的分时电价信号

表2 需求侧响应策略效果分析

需求侧响应效果仿真与分析

使用上文所述的需求价格弹性分析即可反映出用户对分时电价的响应效果。本文通过等效负荷波动率＝等效负荷标准差/等效负荷均值，计算等效负荷波动率；通过皮尔逊公式分析新、旧用电曲线与发电功率曲线的相关性变化；通过新、旧电价和用电量计算用户与供电公司的成本。用户在分时电价后减少的费用，即为供电公司实施需求侧响应策略时付出的电费成本。仿真效果见如下两例：

（一）接前文所用的江西赣州基隆嶂风电机组数据，以及使用Girlab-D模拟得到的当地典型商业区负荷，应用本文设计的需求响应策略制定流程后得到的结果如图7所示。

图7中，黄色曲线为风力发电功率，蓝色曲线为原始负荷，绿色曲线为实行新电价后的负荷曲线，红色虚线是制定的分时电价信号，具体见表1。

根据以上的电价信息和用户用电曲线，可以对响应效果进行分析。首先计算用电量：

式中，Qtotal为当日总用电量，qt为每小时平均用电功率，即每小时用电量（kWh）。

可以通过以下公式计算总电费：

式中，Mtotal为日总电费，qt为各时段用电量（kWh），pt为各时段电价（元/千瓦时）。

还可以计算等效负荷的波动率：

式中，R为等效负荷波动率，Load为负荷，Power为风力发电功率，σ（Load－Power）为求取的标准差，为负荷与风力发电功率之差的平均值。

计算结果见表2。

图8 针对云南楚雄风电功率与负荷模拟的需求侧响应策略

表3 针对云南楚雄当地居民用户的分时电价信号

表4 需求侧响应效果策略分析

从分析数据可以看出，实施制定的分时电价策略后，用电负荷与发电功率由负相关变为正相关，说明两者的正相关程度上升，可再生能源率上升；等效负荷波动率下降了44.3%，说明用户用电负荷与发电功率的峰谷差减小了，达到了使电网系统稳定的目的；与此同时，用户的总用电量差别不大，说明策略并未影响用户的总需求，而主要在于改变了其用电时段，避免了损害用户用电权益；电费有所下降，保证了用户进行响应的积极性。综上，说明了本文所述需求侧响应策略制定方法的有效性。

（二）云南楚雄大荒山风电场，装机容量286MW，单机容量2MW，2016年4月全部投运（文章采用5#、61#、105#、131#风电机组典型风况24小时功率数据进行模拟计算）。使用Girdlab-D模拟了当地100户居民的用电曲线，根据风电场数据和当地的居民区负荷模拟，需求侧响应策略与分析如图8所示。

制定的分时电价信号具体见表3。

通过式（1）、（13）、（14）、（15）分析，计算结果见表4。

从分析数据可以看出，实施制定的分时电价策略后，居民用电负荷与所选当地风电机组发电功率由负相关变为正相关, 说明两者的正相关程度上升，可再生能源利用率上升；等效负荷波动率下降了3.4%，即等效负荷的峰谷差减小，对电网的稳定性有所提升；用户的总用电量差别不大，说明策略并未影响用户的总需求，而主要在于改变了其用电时段；电费基本持平，保证了用户进行响应的积极性。由于需求响应策略是对用户实施，用户规模越大，实施前后的数据差异越明显。与案例（一）比较，本例所模拟的用户规模较小，因而数据前后差异较小。但仍可看出，即使是在100户的微型用户群中，本文所使用的策略所达到的降低等效负荷波动率、提高电网稳定性、提升用电发电正相关程度的效果仍然是客观的。综上，证明了本文所述需求侧响应策略制定方法的有效性。

摄影：牛磊杰

结论与展望

为了提高风能利用率，提升分布式风力发电出力与本地负荷的正相关程度，本文采用模糊聚类和非线性有约束优化方法，制定了优化的分时电价需求侧响应策略，并对两种针对不同负荷类型的策略响应效果进行了仿真。仿真结果显示，与传统的平抑负荷需求波动相比，该策略提高了风力发电功率与负荷特性的正相关程度，有效提升了分布式风力发电的利用率和置信容量，提高了电网的稳定性，达到了优化的目的。在后续研究中，计划对更多地区的风电机组和当地负荷的组合进行分析，对本方法进行修正和优化，以提高其面向不同负荷类型的适应性。此外，还可以考虑结合智能电表和智能家电，使某些类型的负荷进行自动需求侧响应。这样可以减少全人工需求侧响应带来的不确定性，进一步优化结合分布式风力发电特性的需求侧响应策略，为能量管理与电力系统设计者在规划中提供参考，对促进我国集约、智能、绿色、低碳的城镇化建设有重要意义。