刁利，李光，宋雪瑩，德格吉日夫，譚忠富

(1. 國(guó)核電力規(guī)劃設(shè)計(jì)研究院有限公司，北京市 100095；2. 電力規(guī)劃設(shè)計(jì)總院，北京市 100120；3. 華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京市 102206)

0 引 言

近來(lái)，隨著“碳中和”“碳達(dá)峰”雙碳目標(biāo)的提出，必然會(huì)加快風(fēng)電、光伏等新能源的發(fā)展[1]。新能源的發(fā)展能夠降低碳排放，但新能源發(fā)電的隨機(jī)性會(huì)給傳統(tǒng)火電機(jī)組、電網(wǎng)、用戶、儲(chǔ)能帶來(lái)影響[2]。因此，量化評(píng)估新能源滲透后給各主體帶來(lái)的影響成為研究重點(diǎn)。

構(gòu)建新能源出力的不確定性分析是評(píng)估新能源影響的基礎(chǔ)。關(guān)于新能源出力不確定性分析方面，國(guó)內(nèi)外學(xué)者已經(jīng)展開了相應(yīng)的研究，提出的主要不確定處理方法為場(chǎng)景法與魯棒優(yōu)化方法。其中場(chǎng)景法具有代表性強(qiáng)的優(yōu)點(diǎn)。針對(duì)場(chǎng)景法，簡(jiǎn)約的技術(shù)包括層次聚類、模糊均值聚類與K-means聚類。文獻(xiàn)[3-4]在風(fēng)光出力不確定分析的基礎(chǔ)上，采用蒙特卡洛分析方法構(gòu)建了新能源出力概率模型；文獻(xiàn)[5]采用模糊均值聚類法形成了風(fēng)電、光伏出力的典型場(chǎng)景，能夠精準(zhǔn)分析風(fēng)電光伏出力的不確定性，但是需要大量的歷史基礎(chǔ)數(shù)據(jù)，操作復(fù)雜。文獻(xiàn)[6]采用層次聚類法獲得了能反映風(fēng)光出力波動(dòng)性的典型場(chǎng)景集，但是算法迭代時(shí)間長(zhǎng)，復(fù)雜度高，對(duì)于分裂點(diǎn)與結(jié)合點(diǎn)的依賴程度高。文獻(xiàn)[7]采用鄰近聚類方法削減場(chǎng)景，迭代速度快，但是存在聚類結(jié)果不穩(wěn)定等缺點(diǎn)。文獻(xiàn)[8-9]采用K-means聚類方法分析風(fēng)電場(chǎng)的歷史數(shù)據(jù)，構(gòu)建了可行的典型場(chǎng)景集，但是聚類結(jié)果對(duì)K值依賴程度較高。

充分發(fā)揮負(fù)荷側(cè)的潛力，進(jìn)行需求響應(yīng)是降低新能源出力不確定性、削峰調(diào)頻的有效措施[10]。文獻(xiàn)[11]從心理學(xué)角度出發(fā)，構(gòu)建了價(jià)格型需求響應(yīng)決策優(yōu)化模型。文獻(xiàn)[12]在文獻(xiàn)[11]的基礎(chǔ)上引入了用戶舒適度，構(gòu)建了考慮用戶舒適度的需求響應(yīng)模型。文獻(xiàn)[13]將工業(yè)園區(qū)的需求響應(yīng)劃分為激勵(lì)型需求響應(yīng)與價(jià)格型需求響應(yīng)，設(shè)計(jì)了園區(qū)需求響應(yīng)的互動(dòng)機(jī)制。在單一需求響應(yīng)的基礎(chǔ)上，文獻(xiàn)[14]構(gòu)建了考慮綜合需求響應(yīng)的微能源網(wǎng)運(yùn)行優(yōu)化模型。文獻(xiàn)[15]構(gòu)建了考慮綜合需求響應(yīng)的綜合能源系統(tǒng)運(yùn)行優(yōu)化模型。文獻(xiàn)[16]設(shè)計(jì)了電熱綜合需求響應(yīng)機(jī)制，并表明該機(jī)制能夠降低峰谷差，促進(jìn)新能源的消納。文獻(xiàn)[17-18]從消費(fèi)者剩余的角度出發(fā)，提出了考慮綜合需求響應(yīng)的社區(qū)綜合能源系統(tǒng)(integrated energy system，IES)的運(yùn)營(yíng)策略?，F(xiàn)有研究無(wú)論是單一需求響應(yīng)還是綜合需求響應(yīng)，并未考慮用戶效用遞減，缺少當(dāng)前需求響應(yīng)對(duì)未來(lái)需求響應(yīng)行為影響的研究。

基于上述分析，本文首先對(duì)K-means算法進(jìn)行改進(jìn)，構(gòu)建基于典型場(chǎng)景集的新能源出力模型；然后，構(gòu)建不同新能源滲透率下多能源主體的決策優(yōu)化模型；基于各主體的決策優(yōu)化結(jié)果，構(gòu)建考慮新能源滲透的多能源主體效益評(píng)估模型；最后，進(jìn)行算例分析，驗(yàn)證模型的有效性。

1 基于典型場(chǎng)景集的新能源出力模型

1.1 新能源出力模型

風(fēng)力發(fā)電的輸出功率與風(fēng)速及額定功率緊密相關(guān)，其輸出功率Pwt為：

(1)

式中：Pwe為風(fēng)力發(fā)電的額定功率；vin、vout、ve分別為風(fēng)力發(fā)電機(jī)組的切入風(fēng)速、切出風(fēng)速與額定風(fēng)速；vt為風(fēng)力發(fā)電機(jī)組t時(shí)刻的風(fēng)速。

光伏發(fā)電的輸出功率與電池板面積、光照強(qiáng)度、轉(zhuǎn)換效率有關(guān)，其輸出功率Ppvt為：

Ppvt=SFtηpv

(2)

式中：S為光伏電池板面積；Ft為t時(shí)刻的光照強(qiáng)度；ηpv為太陽(yáng)電池板轉(zhuǎn)化效率。

隨機(jī)選取N天內(nèi)的風(fēng)速vit與光照強(qiáng)度Fit為歷史數(shù)據(jù)，i=1, 2,…,N，根據(jù)式(1)、(2)得到風(fēng)電、光伏的日出力曲線分別為(Pwi1,Pwi2,…,Pwi24)、(Ppvi1,Ppvi2,…,Ppvi24)。將風(fēng)電、光伏的出力曲線合并為ωi=[(Pwi1,Ppvi1), (Pwi2,Ppvi2), …, (Pwi24,Ppvi24),]。

1.2 基于改進(jìn)K-means算法的新能源典型場(chǎng)景生成

區(qū)間理論是解決不確定性常用的方法，本節(jié)首先通過(guò)K-means算法削減風(fēng)電、光伏等新能源的場(chǎng)景，再用區(qū)間理論生成新能源出力的區(qū)間。由于傳統(tǒng)的K-means算法與聚類數(shù)K值密切相關(guān)，容易使得結(jié)果陷入局部最優(yōu)，因此本文對(duì)傳統(tǒng)的K-means算法進(jìn)行改進(jìn)。

1)確定聚類數(shù)目K。

本文以聚類效果最優(yōu)確定聚類數(shù)目，具體公式為：

(3)

式中：B(ω)為平均聚類效果；B(ωi)為第i類的聚類效果；c(ωi)為聚類的分離度，表示日出力曲線與所有場(chǎng)景中曲線距離的平均值；d(ωi)為凝聚度，為日出力曲線與相同場(chǎng)景中曲線的距離平均值。

2)確定初始聚類中心。

在N個(gè)樣本集中隨機(jī)選取一條曲線ω01作為初始聚類中心曲線，然后選取其余樣本中與ω01距離最大的曲線ω02為下一個(gè)初始聚類中心曲線，則初始聚類中心為J0=(ω01,ω02)；進(jìn)一步計(jì)算其余曲線與聚類中心中各曲線的距離，重復(fù)前述步驟得到一系列的聚類中心J0=(ω01,ω02, …,ω0K)。

3)劃分場(chǎng)景。

通過(guò)各類曲線與聚類中心的歐氏距離d(ωi,ω0i)來(lái)判斷各類曲線的場(chǎng)景劃分結(jié)果，將各曲線與各聚類中心曲線距離最小的曲線劃分為一類場(chǎng)景，具體為：

(4)

式中：ωi(j)為第i條曲線j時(shí)刻的出力；ω0i(j)為聚類中心j時(shí)刻的出力。

根據(jù)式(4)分配形成K個(gè)場(chǎng)景(u1,u2,…,uK)。

4)形成新的聚類中心。

(5)

式中：h為場(chǎng)景uk中的曲線數(shù)量。

5)確定典型場(chǎng)景結(jié)果以及出力區(qū)間樣本。

不斷重復(fù)步驟3)與4)，聚類結(jié)果不變時(shí)則停止。設(shè)場(chǎng)景uk中某一小時(shí)的出力序列從小到大排列為X=(x1,x2,…,xs)，則其出力區(qū)間為[xmin,xmax]。場(chǎng)景uk某小時(shí)的具體出力為：

(6)

式中：yi為場(chǎng)景uk的具體出力值。

當(dāng)出力序列中的出力數(shù)目為奇數(shù)時(shí)，則取排列X=(x1,x2,…,xs)最中間的數(shù)值為其具體出力值；當(dāng)出力序列中的出力數(shù)目為偶數(shù)時(shí)，則取排列X=(x1,x2,…,xs)中間2個(gè)數(shù)的平均值為其具體出力值。

2 多能源主體的決策優(yōu)化模型

由于在新能源滲透下，火力發(fā)電商、電網(wǎng)、用戶、儲(chǔ)能運(yùn)營(yíng)商之間都存在自身的決策目標(biāo)。每個(gè)主體決策時(shí)以自身目標(biāo)為主但是同時(shí)會(huì)受到其他決策主體決策行為的影響?；鹆Πl(fā)電商機(jī)組容量會(huì)影響到儲(chǔ)能容量配置，儲(chǔ)能容量配置會(huì)影響到電網(wǎng)企業(yè)的分時(shí)電價(jià)，電網(wǎng)企業(yè)的分時(shí)電價(jià)影響用戶需求響應(yīng)量，用戶需求量反過(guò)來(lái)影響火力發(fā)電商的機(jī)組容量。因此，火力發(fā)電商、電網(wǎng)、用戶、儲(chǔ)能運(yùn)營(yíng)商之間構(gòu)成博弈關(guān)系，具體如圖1所示。

圖1 源-網(wǎng)-荷-儲(chǔ)博弈框架

2.1 火力發(fā)電商決策模型

火力發(fā)電商以凈收益最大化為目標(biāo)函數(shù)，凈收益為收益與成本的差值，收益主要是售電收益，成本包括運(yùn)行成本、啟動(dòng)成本與環(huán)境成本。具體為：

(7)

(8)

(9)

(10)

(11)

火力發(fā)電商同時(shí)受到出力上下限約束、最小啟停時(shí)間約束、旋轉(zhuǎn)備用約束，具體為：

(12)

(13)

(14)

2.2 電網(wǎng)決策模型

(15)

(16)

(17)

(18)

(19)

(20)

電網(wǎng)企業(yè)同時(shí)受到供電可靠性約束、容量約束、電價(jià)約束及功率平衡約束，具體為：

(21)

(22)

(23)

(24)

2.3 用戶決策模型

(25)

(26)

(27)

(28)

(29)

(30)

用戶同時(shí)受到需求響應(yīng)意愿系數(shù)、需求響應(yīng)量等上下限約束，具體為：

(31)

2.4 儲(chǔ)能運(yùn)營(yíng)商決策模型

(32)

(33)

(34)

(35)

(36)

(37)

儲(chǔ)能運(yùn)營(yíng)商受到儲(chǔ)能、釋能上下限約束，具體為：

(38)

2.5 多能源主體的博弈關(guān)系說(shuō)明與決策優(yōu)化求解

1)多能源主體的博弈關(guān)系說(shuō)明。

(1)其中火力發(fā)電商與電網(wǎng)之間的博弈關(guān)系為：火力發(fā)電商的決策目標(biāo)是凈收益最大化，如式(7)所示，其中火力發(fā)電商銷售給電網(wǎng)的電價(jià)會(huì)影響火力發(fā)電商的售電收益，同時(shí)影響電網(wǎng)的購(gòu)電成本，而電網(wǎng)的決策目標(biāo)也為凈收益最大化，如式(15)所示，其中購(gòu)電成本提高，為了保證收益最大化，電網(wǎng)將提高給用戶的分時(shí)電價(jià)，分時(shí)電價(jià)提高，根據(jù)需求原理，用戶的用電量降低，進(jìn)一步影響火力發(fā)電商的出力。

(2)電網(wǎng)與用戶之間的博弈關(guān)系為：用戶的決策目標(biāo)為用能成本最小，如式(25)所示，電網(wǎng)為用戶制定分時(shí)電價(jià)，影響用戶的用能成本，用戶進(jìn)行需求響應(yīng)，影響從電網(wǎng)處的購(gòu)電量。

(3)電網(wǎng)與儲(chǔ)能商之間的博弈關(guān)系為：儲(chǔ)能商的決策目標(biāo)為凈收益最大化，如式(32)所示，儲(chǔ)能裝置能夠?qū)崿F(xiàn)削峰填谷，會(huì)影響電網(wǎng)的分時(shí)電價(jià)制定，分時(shí)電價(jià)的價(jià)格差影響儲(chǔ)能裝置的收益。

(4)用戶和儲(chǔ)能商之間的博弈關(guān)系為：用戶與儲(chǔ)能商之間的博弈為間接博弈，以分時(shí)電價(jià)為媒介，進(jìn)行博弈。

(5)儲(chǔ)能商與火力發(fā)電商的博弈關(guān)系為：在用戶需求一定的情況下，儲(chǔ)能的裝機(jī)容量影響火力發(fā)電商的出力，據(jù)此構(gòu)成儲(chǔ)能商與火力發(fā)電商的博弈關(guān)系。

2)多能源主體的博弈決策優(yōu)化求解。

由于多能源主體之間的決策目標(biāo)相互影響，本文的角度為整體綜合效益值最高?；诖?，多能源主體的決策優(yōu)化求解即可轉(zhuǎn)化為多目標(biāo)求解。多目標(biāo)求解過(guò)程中公認(rèn)較為有效的方法為多目標(biāo)進(jìn)化算法，由于本文篇幅限制，在此不再贅述關(guān)于算法原理和求解，具體參考文獻(xiàn)[19]。

3 考慮新能源滲透的多能源主體效益評(píng)估模型

3.1 評(píng)價(jià)指標(biāo)

為了有效評(píng)估新能源滲透率對(duì)多能源主體的影響，從經(jīng)濟(jì)性、環(huán)保性、安全性、效率性四方面進(jìn)行評(píng)估，其中經(jīng)濟(jì)性用多能源主體的綜合收益表征，環(huán)保性用新能源出力占比表征，安全性用用戶的峰谷差表征，效率性用能源利用效率表征。

1)多能源主體的綜合收益。

多能源主體的綜合收益Et是指火力發(fā)電、電網(wǎng)、用戶、儲(chǔ)能運(yùn)營(yíng)商整體收益值，具體為：

(39)

2)新能源出力占比。

新能源出力占比Ht是指風(fēng)電、光伏出力占機(jī)組出力總和的比值，具體為：

(40)

3)用戶峰谷差。

用戶的峰谷差A(yù)t為用戶負(fù)荷的最大值與最小值的差值，具體為：

(41)

4)能源利用效率。

能源利用效率Xt是指能源產(chǎn)出與投入的比值，具體為：

(42)

(43)

3.2 基于博弈論的組合賦權(quán)

博弈論是研究參與博弈的競(jìng)爭(zhēng)者在不斷發(fā)展過(guò)程中競(jìng)爭(zhēng)事物之間進(jìn)行權(quán)衡決策的理論與方法。文獻(xiàn)[20]將博弈論用于評(píng)價(jià)賦權(quán)中，能夠有效尋求不同權(quán)重結(jié)果中最滿意的權(quán)向量。它通過(guò)在不同的權(quán)重之間尋找一致或者妥協(xié)，即最小化可能的權(quán)重與基本權(quán)重之間的偏差，也稱之為博弈集合模型，其具體求解步驟如下：

1)確定權(quán)重集組合。假設(shè)采取N種賦權(quán)方法進(jìn)行指標(biāo)權(quán)重求解，得到各個(gè)方法的權(quán)重結(jié)果為wk=[wk1,wk2,…,wkm]，其中k=1, 2,…,Nwh，m為評(píng)價(jià)指標(biāo)個(gè)數(shù)。

2)組合權(quán)重求解目標(biāo)?；诓┺恼摻M合賦權(quán)的基本思想，使得各個(gè)權(quán)重之間的偏差最小，計(jì)算公式為：

(44)

3)求解最優(yōu)組合系數(shù)ak。根據(jù)矩陣微分性質(zhì)，求解式(45)的最優(yōu)一階導(dǎo)數(shù)條件，并計(jì)算組合系數(shù){a1,a2,…,aN}。

(45)

即：

(46)

4)計(jì)算組合權(quán)重w*。其具體計(jì)算公式為：

(47)

(48)

3.3 綜合評(píng)價(jià)方法

為了能有效評(píng)估新能源在不同比例接入后火電機(jī)組、電網(wǎng)、用戶側(cè)以及儲(chǔ)能多能源主體的效益，本文選擇VIKOR法進(jìn)行綜合評(píng)價(jià)。VIKOR法是Opricovic和Tzeng提出的一種基于理想點(diǎn)解得多指標(biāo)評(píng)價(jià)方法[21]。通過(guò)考慮正負(fù)理想解之間的關(guān)系，使得群體效益值最大化，個(gè)體遺憾值最小化，將最接近理想解的評(píng)價(jià)對(duì)象確定為折中方案。其具體計(jì)算步驟為：

(49)

式中：xij表示第j個(gè)評(píng)價(jià)對(duì)象在第i個(gè)評(píng)價(jià)指標(biāo)上的標(biāo)準(zhǔn)值，0≤xij≤1。

2)計(jì)算最大化群體效益Sj和最小化個(gè)體遺憾值Rj，計(jì)算公式為：

(50)

3)計(jì)算各評(píng)價(jià)對(duì)象的綜合效益值Qj：

(51)

式中：S+、S-分別表示Sj的最大值和最小值；R+、R-分別表示Rj的最大值和最小值；λ為決策機(jī)制系數(shù)。若λ<0.5，則表示依據(jù)最小化個(gè)體遺憾值進(jìn)行決策；若λ>0.5，則表示依據(jù)最大化群體效用制定決策；若λ=0.5，則表示按照均衡原則綜合制定決策，本文取λ=0.5。

4)對(duì)評(píng)價(jià)對(duì)象按照Sj、Rj和Qj值進(jìn)行排序。

5)當(dāng)評(píng)價(jià)對(duì)象滿足以下2個(gè)條件時(shí)，認(rèn)為Qj值最小的評(píng)價(jià)對(duì)象為最優(yōu)。

條件1

(52)

式中：A1、A2分別表示評(píng)價(jià)排序第一和第二的對(duì)象；f為評(píng)價(jià)對(duì)象的數(shù)量。

條件2A1按照Sj和Rj排序時(shí)也滿足排名第一。

4 算例分析

4.1 基礎(chǔ)數(shù)據(jù)

以某地區(qū)進(jìn)行實(shí)證分析，其中火力發(fā)電機(jī)組裝機(jī)容量為6 MW，儲(chǔ)能系統(tǒng)的裝機(jī)容量為1 MW，同時(shí)設(shè)定風(fēng)力發(fā)電機(jī)組的切入風(fēng)速、切出風(fēng)速及額定風(fēng)速分別為2、23、10 m/s。其余參數(shù)如表1所示[22]。

表1 其余參數(shù)

將用戶分為工商業(yè)用戶、居民用戶及農(nóng)業(yè)用戶三大類，初始負(fù)荷需求如圖2所示[23]。

圖2 初始負(fù)荷需求

4.2 結(jié)果分析

1)風(fēng)光出力。

為了驗(yàn)證本文所提K-means算法的有效性，將聚類數(shù)在2～7之間變動(dòng)，聚類一年中365條風(fēng)光日出力曲線，比較本文所提算法與傳統(tǒng)算法在迭代次數(shù)、場(chǎng)間距離以及場(chǎng)內(nèi)距離的值，具體如表2所示。

由表2可知，一方面，本文的K-means算法與傳統(tǒng)的K-means算法相比，其迭代次數(shù)少，說(shuō)明本文提出的K-means算法迭代效率高；另一方面，本文提出的K-means算法的場(chǎng)內(nèi)距離小于傳統(tǒng)的K-means算法，場(chǎng)間距離大于傳統(tǒng)的K-means算法，這說(shuō)明本文所提的K-means算法同一聚類的效果好，關(guān)聯(lián)度高，不同聚類的區(qū)分度大。

表2 算法對(duì)比分析

同時(shí)從聚類數(shù)來(lái)看，根據(jù)式(3)以聚類效果最優(yōu)為目標(biāo)函數(shù)，得到不同聚類數(shù)下聚類效果如圖3所示。

圖3 不同聚類數(shù)下的聚類效果

由圖3可知，當(dāng)聚類數(shù)為3時(shí)，場(chǎng)間距離最大，場(chǎng)內(nèi)距離最小，同時(shí)輪廓參數(shù)最高，由此可知聚類數(shù)為3時(shí)，聚類效果最佳，因此確定聚類數(shù)目為3。每個(gè)聚類場(chǎng)景中風(fēng)光的條數(shù)分別為149、127、89，每個(gè)聚類場(chǎng)景的概率分別為0.408 2、0.348 0、0.243 8。進(jìn)一步根據(jù)本文所構(gòu)模型得到風(fēng)光出力的典型場(chǎng)景如圖4—6所示。

圖4 風(fēng)光出力典型場(chǎng)景1

根據(jù)三類典型場(chǎng)景的風(fēng)光情況以及各聚類場(chǎng)景出現(xiàn)的概率，采用加權(quán)平均的方法得到典型出力場(chǎng)景具體如圖7所示。

2)不同新能源滲透率下各主體決策優(yōu)化結(jié)果分析。

為了分析不同新能源滲透率下各主體決策優(yōu)化結(jié)果，根據(jù)圖7得到的典型出力場(chǎng)景情況設(shè)定滲透率分別為60%、70%、80%、90%、100%。得到不同新能源滲透率下，電網(wǎng)制定的分時(shí)電價(jià)結(jié)果如圖8所示。

圖5 風(fēng)光出力典型場(chǎng)景2

圖6 風(fēng)光出力典型場(chǎng)景3

圖7 風(fēng)光出力典型場(chǎng)景4

圖8 電網(wǎng)制定的分時(shí)電價(jià)

不同滲透率，具有相同的分時(shí)電價(jià)規(guī)律，各滲透率下在11：00—14：00與18：00—20：00為高電價(jià)時(shí)間段；在06：00—10：00與15：00—17：00為平電價(jià)時(shí)間段，在01：00—05：00與21：00—24：00為低谷電價(jià)時(shí)間段，同時(shí)高峰電價(jià)與低谷電價(jià)的比值分布在[2, 3]區(qū)間內(nèi)。

針對(duì)不同的滲透率來(lái)看，新能源滲透率越高，電網(wǎng)制定的分時(shí)電價(jià)越低，同時(shí)峰谷電價(jià)比越高，其中新能源滲透率為100%時(shí)，峰谷電價(jià)比最高為3。這是因?yàn)橐环矫娴碗妰r(jià)能夠促進(jìn)新能源的消納，促進(jìn)用戶用電負(fù)荷的積極性；另一方面，提高峰谷電價(jià)比能夠有效提高用戶參與需求響應(yīng)的積極性以及儲(chǔ)能系統(tǒng)進(jìn)行儲(chǔ)能放能的積極性，降低風(fēng)電光伏大規(guī)模接入造成的系統(tǒng)不穩(wěn)定性。由此可知，新能源滲透率會(huì)對(duì)分時(shí)電價(jià)的制定產(chǎn)生影響。

不同新能源滲透率下，通過(guò)多目標(biāo)優(yōu)化求解得到火力發(fā)電商的出力、儲(chǔ)能商的儲(chǔ)能容量、用戶的需求響應(yīng)量，進(jìn)而得到博弈后的供能和用能關(guān)系如圖9—13所示。

圖9 新能源滲透率為60%下機(jī)組出力情況

圖10 新能源滲透率為70%下機(jī)組出力情況

圖11 新能源滲透率為80%下機(jī)組出力情況

由圖9—13可知，在不同新能源滲透率下，不同決策主體的決策變量取值不一致。隨著新能源滲透率從60%上升至100%，火電出力下降，說(shuō)明為了促進(jìn)新能源的消納將大幅度降低火電機(jī)組出力。同時(shí)儲(chǔ)能系統(tǒng)的儲(chǔ)能時(shí)段與電價(jià)的低谷時(shí)段對(duì)應(yīng)，放能時(shí)段與電價(jià)的高峰時(shí)段對(duì)應(yīng)，也與儲(chǔ)能系統(tǒng)通過(guò)高峰與低谷電價(jià)差獲利的盈利模式完全匹配。

圖12 新能源滲透率為90%下機(jī)組出力情況

圖13 新能源滲透率為100%下機(jī)組出力情況

通過(guò)各主體的決策變量值，進(jìn)一步得到各主體的決策目標(biāo)值如表3所示。

表3 不同滲透率下各主體決策目標(biāo)值

由表3可知，隨著新能源滲透率增加，火電機(jī)組的收益不斷下降，這是因?yàn)榛痣姍C(jī)組在系統(tǒng)中的出力占比下降，在一定的裝機(jī)容量下，火電機(jī)組的實(shí)際運(yùn)行時(shí)間下降，機(jī)組的利用效率降低。針對(duì)電網(wǎng)來(lái)說(shuō)，高新能源滲透率下，當(dāng)輸送的電量一定時(shí)，由于新能源滲透，增加了備用容量成本以及線路的投資建設(shè)改造成本，因此電網(wǎng)的收益從2 241萬(wàn)元下降到2 105萬(wàn)元。針對(duì)用戶而言，其用能成本不斷下降，這是因?yàn)楦邼B透率下，一方面購(gòu)電價(jià)格下降，另一方面，用戶通過(guò)獲得需求響應(yīng)的補(bǔ)償成本，降低了一部分用能成本。針對(duì)儲(chǔ)能而言，由于峰谷差比隨著新能源滲透率的增加而加大，所以儲(chǔ)能系統(tǒng)的收益也隨著新能源滲透率的增加而加大。

3)考慮動(dòng)態(tài)變化的需求響應(yīng)效用分析。

為了分析本文構(gòu)建的考慮動(dòng)態(tài)變化的用戶需求響應(yīng)模型的效用，得到考慮需求響應(yīng)動(dòng)態(tài)變化與不考慮需求響應(yīng)動(dòng)態(tài)變化的用戶需求響應(yīng)成本如圖14所示。

圖14 不同情景下需求響應(yīng)成本

由圖14可知，與未考慮需求響應(yīng)動(dòng)態(tài)變化的模型相比，考慮需求響應(yīng)動(dòng)態(tài)變化的模型所發(fā)生的需求響應(yīng)成本整體更低，在01：00—02：00時(shí)段內(nèi)，未考慮需求響應(yīng)動(dòng)態(tài)變化的成本低于考慮動(dòng)態(tài)變化的，但是在后續(xù)的時(shí)間內(nèi)，成本逐漸高于考慮動(dòng)態(tài)變化的并且差距在增加。這是因?yàn)槲纯紤]動(dòng)態(tài)變化會(huì)造成較大的響應(yīng)偏差，考慮現(xiàn)有策略對(duì)未來(lái)需求響應(yīng)策略的影響，能夠給電網(wǎng)提供更準(zhǔn)確的基礎(chǔ)數(shù)據(jù)，從而制定出符合真實(shí)需求響應(yīng)量的補(bǔ)償激勵(lì)價(jià)格。同時(shí)從各時(shí)段來(lái)看，由于消納型需求響應(yīng)系數(shù)低于削峰型需求相應(yīng)系數(shù)，因此從各時(shí)段成本大小比較來(lái)看，23：00—次日10：00為消納型需求響應(yīng)，其余時(shí)段為削峰型需求響應(yīng)。

4)考慮新能源滲透的效益評(píng)估指標(biāo)結(jié)果。

根據(jù)式(39)—(43)得到新能源滲透率分別為60%、70%、80%、90%、100%時(shí)的各效益評(píng)價(jià)指標(biāo)值如表4所示。

表4 不同滲透率下效益評(píng)價(jià)指標(biāo)值

由表4可知，隨著新能源滲透率提高，多能源主體的收益從1 710.78萬(wàn)元下降至1 110.71萬(wàn)元，新能源占比從27.16%提高至48.38%，能源利用效率從56.84%下降至53.24%，而用戶的峰谷差隨著新能源滲透率增加先下降再增加，這是因?yàn)橛脩舻姆骞炔钍艿诫妰r(jià)影響，面臨的不確定因素增多，未呈現(xiàn)出規(guī)律性的變化。

5)考慮新能源滲透的多能源主體效益評(píng)估結(jié)果分析。

為了更好地評(píng)估不同比例新能源滲透率方案下多能源主體的效益，按照第3節(jié)所建評(píng)價(jià)模型對(duì)不同滲透率方案進(jìn)行評(píng)價(jià)。

(1)計(jì)算權(quán)重。

首先選擇層次分析法[24]、熵權(quán)法[25]、序關(guān)系法[26]分別計(jì)算得到4個(gè)評(píng)價(jià)指標(biāo)的權(quán)重為：

(53)

式中：wAHP、wEM、wOR分別為層次分析法、熵權(quán)法、序關(guān)系法的權(quán)重向量。

根據(jù)式(44)—(48)計(jì)算得到博弈論組合權(quán)重向量為：

(54)

(2)基于VIKOR法綜合評(píng)價(jià)。

根據(jù)式(49)—(52)分別計(jì)算各滲透率方案的正負(fù)理想解及各個(gè)方案下Sj、Rj和Qj，并進(jìn)行排序，結(jié)果如表5所示。

根據(jù)表5可以看出Sj、Rj和Qj值的排序結(jié)果為70%新能源滲透率下的方案>60%滲透率方案>80%滲透率方案>90%滲透率方案>100%滲透率方案。可見隨著新能源接入比例的不斷提高，多能源主體的綜合效益呈現(xiàn)先上升后下降的趨勢(shì)，究其原因，在新能源以一定比例接入能源系統(tǒng)后，其與傳統(tǒng)發(fā)電如火電等形成互補(bǔ)，共同承擔(dān)社會(huì)供電責(zé)任，此時(shí)系統(tǒng)成本最低，產(chǎn)生的綜合效益最大；但隨著新能源比例的不斷提高，由于新能源發(fā)電存在著一定的隨機(jī)性與波動(dòng)性，可能會(huì)導(dǎo)致系統(tǒng)總成本的提高，由此帶來(lái)綜合效益的降低。

表5 不同滲透率下Sj值、Rj值和Qj值

5 結(jié) 語(yǔ)

1)本文所提的改進(jìn)K-means算法與傳統(tǒng)K-means算法相比，具有迭代效率高、聚類效果好的特征。

2)本文所提的考慮動(dòng)態(tài)變化的需求響應(yīng)模型能夠降低需求響應(yīng)偏差，從而降低用戶的需求響應(yīng)成本。

3)隨著新能源滲透率提高，綜合價(jià)值先提高后降低，其中當(dāng)新能源滲透率為70%時(shí)，綜合效益最高。