計及預測偏差的光伏消納多時間尺度調(diào)度研究

宋 陽, 張靜頁, 王 磊， 佟曉寧

(1. 東南大學電氣工程學院，江蘇 南京 210096；2. 國網(wǎng)遼寧省電力有限公司，遼寧 沈陽 110004)

0 引言

分布式光伏發(fā)電正得到越來越廣泛的應用，儲能可以破解能源生產(chǎn)和消費不同步的問題，使能源在時間和空間上具有可平移性[1]，減少新能源的隨機性并提高其可調(diào)性[2]。集中控制的空調(diào)負荷是當前研究最多的需求響應資源，調(diào)度方式靈活，可以將其納入到常態(tài)化的電力系統(tǒng)調(diào)度運行中[3-4]。

考慮用戶側(cè)可再生能源發(fā)電量小的特點，通過售電商與大電網(wǎng)產(chǎn)生經(jīng)濟和技術上的聯(lián)系將是其最經(jīng)濟、最有效的運營模式[5]。另外，售電商可以通過提供創(chuàng)新的需求響應服務，吸引并整合更多居民用戶參與，以形成規(guī)模可觀的需求響應資源[6-7]。

消納新能源發(fā)電的間歇性主要有2種途徑，一是研究間歇式電源的高精度預測方法，減少預測誤差；二是在計及可再生能源概率及誤差的基礎上優(yōu)化發(fā)電計劃[8-10]。文獻[11]設計了一種多時間尺度協(xié)調(diào)有功調(diào)度系統(tǒng)，充分利用較短時間尺度內(nèi)更為準確的風電信息，從而提高系統(tǒng)運行的經(jīng)濟性和安全性。文獻[12]將光伏發(fā)電出力處理成隨機變量，采用機會約束建立優(yōu)化控制模型，可以較好地跟蹤計劃出力曲線。這些研究均從系統(tǒng)穩(wěn)定性和安全性角度出發(fā)，并沒有在售電開放環(huán)境下從售電商角度出發(fā)，考慮購售電業(yè)務和需求響應服務的協(xié)調(diào)關系。

在售電開放環(huán)境下，從售電商角度展開研究，利用蓄電池、空調(diào)需求響應資源消納和跟蹤光伏發(fā)電，建立了多時間尺度調(diào)度模型，在日前調(diào)度中以機會約束考慮光伏預測偏差，日內(nèi)調(diào)度跟蹤光伏預測偏差，并進行了仿真，研究了置信水平不同時的調(diào)度情況。

1 多時間尺度調(diào)度策略

1.1 售電商多時間尺度調(diào)度策略

售電商采用蓄電池作為儲能設備，以消納新能源發(fā)電出力，在最大化自身收益的同時應能滿足居民用戶的用電需求，響應系統(tǒng)調(diào)峰需求。售電商的內(nèi)涵及功能如圖1所示。

圖1 售電商的內(nèi)涵及功能Fig．1 The essence and function of power supplier

售電商可以引導居民用戶主動追蹤清潔能源發(fā)電出力，結(jié)合用戶的能源模塊“自發(fā)自用、余量上網(wǎng)”的模式，實現(xiàn)系統(tǒng)的雙側(cè)協(xié)調(diào)優(yōu)化、雙向自適應過程[13]?？紤]光伏預測偏差，采用多時間尺度協(xié)調(diào)調(diào)度的策略如圖2所示。

圖2 多時間尺度協(xié)調(diào)調(diào)度策略Fig．2 Multi-time scale coordinated scheduling strategy

1.2 光伏預測偏差的消納資源

光伏板t時刻的實際出力與太陽輻射強度、光伏板溫度等因素有關[14]。將光伏預測誤差分布假設為正態(tài)分布，在時間軸上的均值即期望值為0[15]。光伏預測功率誤差ΔPPVi的概率密度函數(shù)如下：

(1)

日內(nèi)預測值與日前預測值的偏差通過調(diào)節(jié)蓄電池的充放電功率和空調(diào)需求響應資源進行消納，根據(jù)置信水平在日前調(diào)度計劃中預留備用資源。

在日前調(diào)度時優(yōu)化空調(diào)群組出力大小，日內(nèi)調(diào)度時為消納光伏發(fā)電預測值變化進一步進行優(yōu)化，根據(jù)日內(nèi)調(diào)度結(jié)果制定空調(diào)群組的控制方案。

在日內(nèi)調(diào)度時，改變充放電功率即可消納預測偏差。為消納光伏預測偏差而在日前調(diào)度中調(diào)整的柔性備用資源為Qreserve，如圖3中1—5號斜線部分所示。1號為充電時段蓄電池電量未滿，為預留光伏預測值變大，調(diào)整充電功率小于最大充電功率的區(qū)間；2號為充電時段蓄電池可快速充至滿電，為預留光伏預測值變小，調(diào)整蓄電池緩慢充電的區(qū)間； 3號為放電時段，蓄電池電量為0，預留光伏預測值變大，預留空調(diào)控制組可調(diào)用的功率；4號為放電時段，蓄電池電量較大，但為預留光伏預測值變小，調(diào)整放電功率小于最大放電功率的區(qū)間；5號為放電時段，蓄電池電量可快速放為0，為預留光伏預測值變大，調(diào)整蓄電池緩慢放電的區(qū)間。

圖3 預留的備用資源及實際調(diào)整的出力Fig．3 Standby reserved resources and the actual adjustment of the output

1.3 分配空調(diào)群組調(diào)用時段

根據(jù)天氣狀況和空調(diào)群組的運行情況，空調(diào)群組在全天不同時段的需求響應潛力不同[16-18]。按如下原則進行空調(diào)群組的調(diào)用時段分配：空調(diào)群組優(yōu)先參與系統(tǒng)削峰，再在光伏發(fā)電較大時段參與消納光伏預測偏差。先分配系統(tǒng)有削峰需求的時段需調(diào)用的空調(diào)群組，分配的空調(diào)群組潛力應大于削峰需求減去蓄電池最大放電功率；再優(yōu)先在光伏發(fā)電較大的時段分配剩余空調(diào)群組中需求響應潛力最大的一組。

1.4 優(yōu)化蓄電池充放電狀態(tài)

采用單位電量調(diào)度費用考慮蓄電池的投資維護成本。系統(tǒng)有削峰需求，蓄電池放電；非峰時段，光伏余量優(yōu)先給蓄電池充電；峰時段，光伏余量優(yōu)先給其他用戶使用；上網(wǎng)電量大于其他用戶負荷時，蓄電池處于充電狀態(tài)；上網(wǎng)電量小于其他負荷時，則蓄電池放電給其他用戶使用。

2 計及光伏預測偏差多時間尺度調(diào)度模型

2.1 日前調(diào)度

日前調(diào)度求解的變量為各時段蓄電池的充放電功率和空調(diào)群組的出力。

2.1.1 調(diào)度目標

日前調(diào)度的目標為售電商收益Bp最大，目標函數(shù)為maxBp。售電商的收益由出售給所有居民用戶的電能收入和響應系統(tǒng)削峰得到的補償減去從發(fā)電公司購買電能的成本、向用戶支付的光伏上網(wǎng)電費、給用戶參與需求響應的補償、蓄電池的調(diào)度費用組成，收益模型如式(2)所示。

(2)

式中：T為時段集合；pS為售電商售電價格；Pl(t)為第t時段所有用戶沒有參與需求響應時的負荷；Ppvzy(t)為擁有光伏發(fā)電裝置的用戶第t時段自用的光伏發(fā)電大?。籔c(t)為第t時段用戶參與需求響應變化的功率；Pgoal(t)為第t時段系統(tǒng)要求的削減功率目標；pbsys為系統(tǒng)運營商給售電商參與削峰的補償價格；p1為售電商購電價格；Ppvuse(t)為第t時段其他用戶使用的光伏發(fā)電大?。籔dis(t)為第t時段儲能設備的放電功率；p2為收購用戶光伏發(fā)電上網(wǎng)的價格；δch(t)和δdis(t)分別表示蓄電池的充電和放電狀態(tài)；Pch(t)為第t時段蓄電池的充電功率；pb為用戶參與需求響應的補償價格；pbat為蓄電池單位電量調(diào)度價格。

2.1.2 約束條件

(1) 滿足負荷削減目標。

|Pc(t)+δdis(t)Pdis(t)-Pgoal(t)|≤0.1×Pgoal(t)

(3)

(2) 功率平衡約束。

Ppvuse(t)≥0

(4)

Ppvuse(t)≤Pl(t)-Ppvzy(t)

(5)

Ppvuse(t)≤Ppv(t)-Pch(t)-Ppvzy(t)

(6)

Pdis(t)≤Pl(t)-Ppvuse(t)-Ppvzy(t)+Pgoal(t)

(7)

(3) 考慮光伏不確定性的剩余資源總量約束。剩余需求響應資源應大于光伏的波動功率，由于光伏發(fā)電偏差量不是一個常數(shù)，因此采用可信性機會約束：

Pr{Pt(t)-|ΔPpv(t)|≥0}≥αt=1,2,…,T

(8)

Pt(t)=

(9)

(4) 蓄電池約束。儲能設備選用目前廣泛應用的鉛酸蓄電池。

充電狀態(tài)：

E(t)=E(t-1)+δch(t)ΔTPch(t)ηch

(10)

放電狀態(tài)：

E(t)=E(t-1)-δdis(t)ΔTPdis(t)/ηdis

(11)

儲能容量約束：

EcSmin≤E(t)≤EcSmax

(12)

式中：E(t)為蓄電池t時段的總能量；ηch，ηdis分別為蓄電池的充電功率和放電功率；Ec為蓄電池容量；Smin，Smax分別為蓄電池最小和最大充電狀態(tài)值。

(5) 空調(diào)需求響應資源約束。各個時段調(diào)用的空調(diào)需求響應資源的功率應小于該時段可調(diào)用的空調(diào)需求響應資源：

0≤Pc(t)≤Nr(t)Pdr(t)t=1,2,…,T

(13)

式中：Nr(t)為第t時段可調(diào)用的空調(diào)控制組的數(shù)量；Pdr(t)為第t時段空調(diào)控制組的最大響應潛力。

2.1.3 不確定性約束條件轉(zhuǎn)換

(14)

式中：cj為常量；η為隨機變量；Kα滿足φ(Kα)=α，φ(·)是標準正態(tài)分布的分布函數(shù)。

2.2 日內(nèi)調(diào)度

2.2.1 調(diào)度目標

為盡可能的消納光伏預測的偏差量且在日前調(diào)度計劃上的調(diào)整最小，采用雙目標優(yōu)化。

(1) 系統(tǒng)不平衡量ΔP(t)最小。調(diào)節(jié)對象為蓄電池充放電功率Pdis(t)，Pch(t)和空調(diào)需求響應資源調(diào)節(jié)功率Pc(t)。蓄電池充放電狀態(tài)與日前調(diào)度結(jié)果保持一致，ΔP(t)與蓄電池工作狀態(tài)有關。

(15)

蓄電池在充電狀態(tài)：

ΔP(t)=ΔPch(t)-ΔPc(t)-ΔPpv(t)t=1,2,…,T

(16)

式中：ΔPch(t)為蓄電池充電功率的調(diào)節(jié)量，為正表示充電功率增大；ΔPc(t)為空調(diào)需求響應資源的調(diào)節(jié)量，為正表示調(diào)用的空調(diào)需求響應資源變大；ΔPpv(t)為光伏實際輸出功率與預測功率的不平衡量，為正表示實際出力大于預測值。

蓄電池在放電狀態(tài)：

ΔP(t)=-ΔPc(t)-ΔPdis(t)-ΔPpv(t)t=1,2,…,T

(17)

式中：ΔPdis(t)為蓄電池放電功率的調(diào)節(jié)量，為負表示放電功率減小。

(2) 調(diào)整后的出力與日前的偏差最小。

(18)

將目標函數(shù)利用懲罰因子進行耦合，目標函數(shù)變化為：

F=min (α1F1+α2F2)

(19)

式中：α1為不平衡量的懲罰因子；α2為調(diào)整量的懲罰因子。

2.2.2 約束條件

(1) 空調(diào)需求響應資源調(diào)用約束。

-Pc(t)≤ΔPc(t)≤Nr(t)Pdr(t)-Pc(t)

(20)

(2) 蓄電池約束。儲能容量約束中，總能量的表達式為：

E(t)=E(t-1)+δch(t)ΔT[Pch(t)+ΔPch(t)]ηch-δdis(t)ΔT[Pdis(t)+ΔPdis(t)]/ηdis

(21)

求解變量為各時段蓄電池的充放電功率和空調(diào)群組的出力的變化量。

2.2.3 售電商實際日收益

不平衡電量Qu為調(diào)整蓄電池充放電功率和空調(diào)控制組功率后的光伏發(fā)電實際值與預測值的偏差電量的總和，最大不平衡量Pumax為日最大不平衡電力的大小。

(22)

Pumax=max|ΔPpv(t)-ΔPch(t)+ΔPc(t)+ΔPdis(t)|t=1,2,…,T

(23)

對于日內(nèi)調(diào)度調(diào)整出力后無法消納的光伏不平衡量，為正的部分選擇棄光，為負的部分需到小時電力市場中購買，日內(nèi)購電成本Cd為：

Cd=Qudpd

(24)

式中：Qud為小于日前預測值的光伏不平衡電量；pd為小時電力市場購電電價。

進行日內(nèi)出力調(diào)整后，售電商的調(diào)度成本也有所變化，增加的日內(nèi)調(diào)度成本Cg為：

Cg=pbat(Qbat,up-Qbat,down)+pb(Qc,up-Qc,down)

(25)

式中：Qbat,up為蓄電池出力增大的電量；Qbat,down為蓄電池出力減小的電量；Qc,up為空調(diào)群組增加的電量；Qc,down為空調(diào)群組增加的電量。因此，售電商一天實際的收益Bd為：

Bd=Bp-Cd-Cg

(26)

3 算例分析

3.1 算例背景

在某一需求響應程度較高的地區(qū)，售電商向1500戶居民用戶供電，每戶有3臺分體空調(diào)參與需求響應，其中安裝光伏裝置(額定發(fā)電功率為4 kW)的用戶有500戶。9:00～11:00和16:00～24:00為電價高峰時段，系統(tǒng)在10:00～11:00之間有削峰需求1.5 MW。蓄電池的容量3 MW·h，最大充放電功率為1 MW，單位電量調(diào)度費用為0.3元/(kW·h)。

Pt(t)-Kα(t)×0.1Ppv(t)≥0t=1,2,…,T

(27)

將4500臺空調(diào)分為9組，根據(jù)系統(tǒng)削峰需求和光伏發(fā)電大小將9組分配在全天各個時段。

3.2 調(diào)度結(jié)果

3.2.1 日前調(diào)度結(jié)果

優(yōu)化蓄電池工作狀態(tài)后，以15 min的時間間隔進行日前調(diào)度，置信水平α=70%時，收益為8 940.6元。備用資源預留情況如表1所示。

表1 日前調(diào)度中的備用資源分配情況Tab.1 The allocation of reservedresources in day-ahead scheduling

預留的備用資源的分布情況主要與蓄電池充放電狀態(tài)有關，備用資源分布如圖4所示。

圖4 光伏預測偏差的預留裕度及調(diào)用的備用資源Fig．4 The reserved margin of error in photovoltaic prediction and the related reserved resources

可見，預留的備用資源主要為蓄電池充放電功率，這是由于蓄電池的調(diào)度成本較小。空調(diào)控制組在蓄電池放電功率為放電功率極限，充電功率為0時，為日內(nèi)光伏預測值變小的備用資源。當其在為滿足系統(tǒng)削峰需求被調(diào)用時，也作為日內(nèi)光伏預測值變大的備用資源。根據(jù)1.2節(jié)，實際調(diào)整的備用資源情況如表2所示。

表2 日前備用資源調(diào)整情況

可見，蓄電池充放電功率上下可浮動的區(qū)間已經(jīng)足夠作為備用資源，僅有少部分時段，蓄電池充放電功率需為預留光伏預測偏差的備用做調(diào)整。

3.2.2 日內(nèi)調(diào)度結(jié)果

按照0.7的置信水平進行日前調(diào)度，根據(jù)目標重要程度，取日內(nèi)懲罰因子α1=0.9,α2=0.1，小時電力市場購電價格為3元/(kW·h)，各類備用資源實際調(diào)度情況如表3所示，日內(nèi)調(diào)度成本為169.9元。

表3 備用資源實際調(diào)度情況Tab.3 The actual scheduling ofreserved resources

日內(nèi)調(diào)度后的光伏不平衡量如圖5所示，不平衡電量為0.219 8 MW·h， 最大不平衡量為0.208 3 MW。

圖5 日內(nèi)調(diào)度后的光伏不平衡量Fig．5 The unbalance power of photovoltaic after intra-day scheduling

光伏發(fā)電小于日前預測值的電量為0.056 6 MW·h，因此，售電商實際日收益為6 010.9元。

3.3 不考慮光伏預測偏差的多時間尺度調(diào)度

假設日前調(diào)度時不考慮光伏預測偏差量，日前和日內(nèi)調(diào)度結(jié)果如圖6所示。收益為9 030.5元，相比考慮日前偏差時收益8 940.6元稍大，這是由于未調(diào)整蓄電池充放電功率，蓄電池轉(zhuǎn)換電量變多。

圖6 不考慮光伏預測偏差多時間調(diào)度結(jié)果Fig．6 The result of multi-time scheduling without considering the error of photovoltaic prediction

累計調(diào)節(jié)電量0.803 3 MW·h，相比日前考慮光伏預測偏差，總調(diào)節(jié)功率較小。各類備用資源實際調(diào)度情況如表4所示，空調(diào)控制組的調(diào)節(jié)電量變大，這是由于日前調(diào)度中未考慮誤差，充放電的調(diào)節(jié)空間較小。

表4 不考慮光伏預測偏差備用資源實際調(diào)度情況Tab.4 The result of scheduling withoutconsidering the reserved resources oferror in photovoltaic prediction

日內(nèi)調(diào)度后的不平衡量如圖7所示。

圖7 不考慮光伏預測偏差日內(nèi)調(diào)度后的不平衡量Fig．7 The unbalance power of photovoltaic after intra-day scheduling without considering the error of photovoltaic prediction

不平衡電量為0.387 0 MW·h，最大不平衡量為0.203 9 MW，對比圖5，不平衡電量變大，最大不平衡量也變大，總體不平衡量情況也較差，跟蹤光伏功率變化效果較差，可見在日前調(diào)度時考慮光伏預測偏差調(diào)整區(qū)間，可以有效改善新能源的消納情況。

售電商實際收益4854元，相比在日前調(diào)度中考慮光伏預測偏差較小，這是由于調(diào)節(jié)電量變大，成本增大多，不平衡情況差，日內(nèi)購電成本也較大。

3.4 置信水平變化

置信水平不同，售電商實際收益和日內(nèi)不平衡電量調(diào)整情況如表5所示。

表5 售電商實際收益及日內(nèi)預測值變化調(diào)整情況
Tab.5 The actual benefits of supplier and the adjustment of the predictive value in intra-day

置信水平日前收益Bp/元實際收益Bd/元棄光電量/(MW·h)小時電力市場購電量/(MW·h)最大不平衡電力/MW0．68987．558510．15140．04380．18960．78940．66010．90．16320．05660．20830．88885．54833．90．13000．03690．20830．98808．75491．30．07920．00830．1789

隨著置信水平的提高，日前收益降低，光伏預測值偏差的消納情況越好，但置信水平為0.7時，日內(nèi)調(diào)度成本最小，實際收益最大。

4 結(jié)語

從售電商角度展開研究，采用蓄電池和空調(diào)需求響應資源跟蹤光伏發(fā)電，建立了多時間尺度調(diào)度模型，先分配空調(diào)群組的調(diào)用時段，優(yōu)化蓄電池充放電狀態(tài)，在日前調(diào)度中以機會約束考慮光伏預測偏差，轉(zhuǎn)化為確定性等價條件求解，日內(nèi)調(diào)度以不平衡量和調(diào)整量最小為雙目標。仿真結(jié)果表明日前調(diào)度中以機會約束考慮光伏預測偏差需要對日前調(diào)度計劃進行調(diào)整，可以有效改善光伏預測跟蹤情況，提高售電商實際日收益，置信水平越高，跟蹤光伏預測偏差情況越好，售電商實際日收益與日內(nèi)調(diào)度成本的大小有關。

[1] 張國玉，洪 超，陳杜琳． 面向儲能電站調(diào)度的光儲發(fā)電系統(tǒng)運行優(yōu)化策略研究[J]． 電力工程技術，2017，36(3)：50-56．

ZHANG Guoyu，HONG Chao, CHEN Dulin． Strategy research on operation optimization of photovoltaic-energy storage hybrid system based on scheduling of battery energy storage system[J]． Electric Power Engineering Technology，2017，36(3)：50-56．

[2] 袁小明，程時杰，文勁宇． 儲能技術在解決大規(guī)模風電并網(wǎng)問題中的應用前景分析[J]． 電力系統(tǒng)自動化，2013，37(1)：14-18．

YUAN Xiaoming，CHENG Shijie，WEN Jinyu． Prospects analysis of energy storage application in grid integration of large-scale wind power[J]． Automation of Electric Power System，2013，37(1)：14-18．

[3] 王蓓蓓，李 揚，高賜威． 智能電網(wǎng)框架下的需求側(cè)管理展望與思考[J]． 電力系統(tǒng)自動化，2009，33(20)：17-22．

WANG Beibei，LI Yang，GAO Ciwei． Demand side management outlook under smart grid infrastructure[J]． Automation of Electric Power System，2009，33(20)：17-22．

[4] 高賜威，李倩玉，李 揚． 基于DLC的空調(diào)負荷雙層優(yōu)化調(diào)度和控制策略[J]． 中國電機工程學報，2014，34(10)：1546-1555．

GAO Ciwei，LI Qianyu， LI Yang． Bi-level optimal dispatch and control strategy for air-conditioning load based on direct load control[J]． Proceedings of the CSEE，2014，34(10)：1546-1555．

[5] 張小平，李佳寧，付 灝． 英國電力零售市場的改革與挑戰(zhàn)[J]． 電力系統(tǒng)自動化，2016，40(11)：10-16．

ZHANG Xiaoping，LI Jianing，F(xiàn)U Hao． UK retail electricity market reform and challenges [J]． Automation of Electric Power System，2016，40(11)：10-16．

[6] 吳興全,李秋鵬,喬 梁,等. 分布式光伏發(fā)電定價方法探討[J]. 電力需求側(cè)管理,2016,18(5):10-14.

WU Xingquan, LI Qiupeng, QIAO Liang, et al. Discussion on pricing methods of distributed photovoltaics[J]. Power Demand Side Mangment, 2016,18(5):10-14.

[7] 白 楊，謝 樂，夏 清，等． 中國推進售電側(cè)市場化的制度設計與建議[J]． 電力系統(tǒng)自動化，2015，39(14)：1-7．

BAI Yang，XIE Le，XIA Qing，et al． Institutional design of chinese retail electricity market reform and related suggestions[J]． Automation of Electric Power System，2015，39(14)：1-7．

[8] 夏新華，高宗和，李恒強，等． 考慮時空互補特性的風光水火多能源基地聯(lián)合優(yōu)化調(diào)度[J]． 電力工程技術，2017，36(5)：59-65．

XIA Xinhua，GAO Zonghe，LI Hengqiang，et al． Combined optimization dispatching of multi-source hybrid power bases considering the time-space complementary characteristics[J]． Electric Power Engineering Technology，2017，36(5)：59-65．

[9] SIMMONDS G． Regulation of the UK electricity industry[R]．UK：CRI，2002．

[10] 張伯明，吳文傳，鄭太一，等． 消納大規(guī)模風電的多時間尺度協(xié)調(diào)的有功調(diào)度系統(tǒng)設計[J]． 電力系統(tǒng)自動化，2011，35(1)：1-5．

ZHANG Boming， WU Wenchuan，ZHENG Taiyi，et al． Design of a multi-time scale coordinated active power dispatching system for accommodating large scale wind power penetration[J]． Automation of Electric Power System，2011，35(1)：1-5．

[11] 楊勝春，劉建濤，姚建國，等． 多時間尺度協(xié)調(diào)的柔性負荷互動響應調(diào)度模型與策略[J]． 中國電機工程學報，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．

[12] 林少伯，韓民曉，趙國鵬，等． 基于隨機預測誤差的分布式光伏配網(wǎng)儲能系統(tǒng)容量配置方法[J]． 中國電機工程學報，2013，33(4)：25-33．

LIN Shaobo，HAN Minxiao，ZHAO Guopeng，et al． Capacity allocation of energy storage in distributed photovoltaic power system based on stochastic prediction error[J]． Proceedings of the CSEE，2013，33(4)：25-33．

[13] 曾 鳴，楊雍琦，劉敦楠，等． 能源互聯(lián)網(wǎng)“源-網(wǎng)-荷-儲”協(xié)調(diào)優(yōu)化運營模式及關鍵技術[J]． 電網(wǎng)技術，2016，40(1)：114-124．

ZENG Ming，YANG Yongqi，LIU Dunnan，et al． “Generation-Grid-Load-Storage” coordinative optimal operation mode of energy internet and key technologies[J]． Power System Technology，2016，40(1)：114-124．

[14] 徐 林，阮新波，張步涵，等． 風光蓄互補發(fā)電系統(tǒng)容量的改進優(yōu)化配置方法[J]． 中國電機工程學報，2012，32(25)：88-98．

XU Lin，RUAN Xinbo，ZHANG Buhan，et al． An improved optimal sizing method for wind-solar-battery hybrid power system[J]． Proceedings of the CSEE，2012，32(25)：88-98．

[15] 丁 明，徐寧舟． 基于馬爾可夫鏈的光伏發(fā)電系統(tǒng)輸出功率短期預測方法[J]． 電網(wǎng)技術，2011，35(1)：152-157．

DING Ming，XU Ningzhou． A method to forecast short-term output power of photovoltaic generation system based on markov chain[J]． Power System Technology，2011，35(1)：152-157．

[16] HE H，SANANDAJI B M，POOLLA K，et al． Aggregate flexibility of thermostatically controlled loads[J]. IEEE Trans on Power Systems，2015，30(1)：189-198．

[17] BODE J L，SULLIVAN M J，BERGHMAN D，et al． Incorporating residential AC load control into ancillary service markets: Measurement and settlement[J]． Energy Policy，2013，56(2): 175-185．

[18] SAEID B，HOSAM K． Modeling and control of aggregate air conditioning loads for robust renewable power management [J]. IEEE Transactions on Control Systems Technology，2013，21(4)：1318-1327．