考虑用户诉求差异的居民可控负荷资源优化控制

黄河，王燕，姜念，吴强，张雅静，杨秀媛

（1.国网江苏省电力有限公司，江苏省 南京市 210000；2.国网北京延庆供电公司，北京市 延庆区 102100；3.天地电研(北京)科技有限公司，北京市 昌平区 102206；4.北京信息科技大学自动化学院，北京市 海淀区 100192）

0 引言

根据国家能源局发布的全国电力工业统计数据，2022 年我国全社会用电量达8.64 万亿kW·h，其中城乡居民生活用电量为1.34 万亿kW·h(比2021 年增长了13.8%)，占全社会总用电量的15.5%。高峰负荷逐年攀升使电网运行压力增加，用户用电的习惯及一些环境因素的影响导致负荷曲线的峰谷差较大。但是若为了满足高峰负荷而扩建电网，易造成设备利用率低等资源浪费的问题[1]。因此，对需求侧资源进行优化配置，可为减轻电网高峰负荷提供有效的解决方案。

居民生活用电的高占比和家庭中可控负荷设备的增加，使得居民可控负荷成为调控潜力巨大的需求侧资源[2]。采用需求响应(demand response，DR)技术[3]对居民可控负荷资源进行优化配置，引导用户在正常用电的情况下改变用电习惯，可提高用电效率，最大程度地降低电力服务经营成本。同时，在智能电网背景下，DR技术可提高电网与用户之间的沟通效率和服务质量，最大化需求侧居民可控负荷资源的调控潜力[4-5]。因此，对于需求侧海量居民可控负荷资源的优化控制策略研究，对提高系统稳定性以及未来电力市场的发展具有重要意义。

一些学者对居民负荷资源中单类负荷群的优化控制策略进行了研究。文献[6]采用考虑预切换状态的分群控制策略，对热水器在调控过程中的自然开断现象及响应潜力进行评估，并将该策略应用于消纳风电，以提升风电利用率。文献[7]考虑到热水器的虚拟储能特性，提出调节温度设定值的聚合热水器实时控制策略。文献[8]对定频空调负荷采用以负荷聚合商(load aggregators，LA)为中介的双层调度模型，尽量使实际的空调负荷出力与调度计划保持一致并使其利益最大化。文献[9]未采用典型等效热参数模型，建立一种双线性偏微分方程的空调负荷模型，基于此模型提出控制聚合空调温度设定值的控制策略，用以平衡新能源入网引起的电力供需平衡波动。文献[10]针对超大规模空调负荷控制，提出一种基于主从一致性的多智能体分散式协同控制策略，可实现对数量巨大、位置分散的空调资源进行精准负荷控制。文献[11]在集群电动汽车分层控制架构基础上，引入最优能量状态调节控制策略，对电动汽车充电过程进行实时控制，缓解电动汽车集中充电带来的充电高峰。文献[12]利用充电状态和离散时间分别建立模糊控制变量，基于模糊控制理论，提出电动汽车集群DR控制策略。

部分学者对居民家庭中多类可控负荷资源参与需求响应控制策略进行了研究。文献[13]建立分层调度模型，将居民家庭中具有不同用电特性的可控负荷作为调控对象，使得电网、负荷聚合商、用户三方受益，实现电网削峰填谷，提高聚合商利润，减少用户用电成本。文献[14]提出负荷聚合商通过与用户签订负荷削减合同的方式对负荷进行削减，参与微网调度，但仅对负荷参与容量及限定调度次数进行规定，未明确负荷模型。文献[15]建立了多时间尺度柔性负荷协同响应模型。文献[16]提出在泛在电力物联网背景下将家电可控负荷转化为智能负荷的研究方法。文献[17]对某小区多类负荷群分别进行优化控制，并对优化结果进行叠加，但未考虑不同负荷间的相互作用。文献[18]考虑负荷的异构性，实现参数不同的温控负荷群的集群调控，使需求侧资源参与可再生能源的消纳。

以上对于居民可控负荷集群优化控制策略的研究大多针对某一种负荷(空调、热水器、电动汽车)的调控，而对于多种DR 资源集中优化调度的研究显然更有意义。若将每一类设备分别进行集中DR调度，会忽略不同设备间相互影响的情况，从而难以达到最终总用电负荷最优的DR 结果，同时也是对于其他种类柔性负荷资源的浪费。而现有对于区域多类负荷群的控制策略研究大多是与用户签订合同后进行直接负荷控制，对不同用户的诉求差异性及用电需求是否得到满足未进行考虑，在研究成果实际应用转化方面将存在较大难度。因此，有必要对居民多类负荷群的协调优化控制策略进行研究，并考虑用户诉求的多样性，在降低调控难度的同时提高居民参与需求响应的满意度，实现多类负荷群的控制。

综上，本文以居民家庭中3 种典型负荷作为控制对象，构建以虚拟电厂(virtual power plant，VPP)作为中间环节的优化控制架构，提出应用改进最优k值选取的K-means聚类算法对负荷群进行聚类分组，基于诉求差量划分各组负荷群的调控优先级，据此进行调控，实现负荷曲线的削峰填谷、VPP 收益最大和用户用电行为改变最小。最后，通过仿真验证所提优化控制策略的有效性。

1 居民可控负荷资源优化控制架构

1.1 可控负荷资源

可控负荷是指可以参与电网调控，并且用电量可在一定区间内变化，工作时段可在一定范围内提前或者延后的负荷[19]。与其相对的是不可控负荷，如照明、计算机、路由器等家电负荷，其没有调节能力，用电需求必须满足，运行状况不可随意改变，若断电会对用户的生活造成较大的影响。居民负荷分类如图1所示。

图1 居民负荷分类Fig.1 Classification of residential load

本文主要针对居民家庭中的可控负荷参与电网调控进行研究，按照负荷响应特性将可控负荷分为以下3类[20]。

1）可削减(调节)负荷：可承受一定的中断或降功率，通过一定调节手段使用电量降低且对该负荷工作影响较小，如空调、热水器等温控负荷。

2）可转移负荷：负荷需求总量一定，可在允许工作的用电时段灵活调节，并且允许中断，如电动汽车等具有储能性质的负荷。

3）可平移负荷：受负荷工作特点的影响，工作过程中不允许中断行为发生，用电仅能够在时间维度上进行平移，用电曲线不发生变化，如洗衣机、洗碗机等。

对上述可控负荷进行控制，可按照电网指令进行合理用电与需求响应分析，实现电网发电侧与用电侧的平衡。从需求侧入手，结合不同类别负荷的工作特点，采用适合该类负荷的控制方法，实现可控负荷间的协调运行。

1.2 优化控制架构

考虑到在海量分散的居民可控负荷资源的调控过程中，若以每户家庭作为一个独立的控制变量，容易造成变量维数灾难，因此VPP 作为用户侧与电网侧之间的中间环节，对调度中心下发的指令进行响应，具体控制策略由VPP 执行。VPP需与参与需求响应的用户签订合同，在合同中明确规定：以用户的用能诉求为前提进行考虑，对参与响应用户进行一定的经济补偿。

具体控制架构如图2 所示，包含调度中心、负荷聚合商以及居民用户(海量可控负荷)，其中VPP作为主要的执行机构。

图2 考虑用户诉求的负荷集群控制Fig.2 Load cluster control considering user demand

首先，电网的调度中心依据历史用电数据及气象信息等对负荷曲线进行预测，根据预测的负荷曲线确定需下发需求响应任务的时段，同时将任务下发至VPP。其次，VPP 根据用户上报的诉求对负荷群进行聚类，对具有相似用电特征的用户负荷群下发相同的控制指令进行控制，建立诉求差量模型，用以量化聚类中心与用户诉求间的吻合程度，根据诉求差量值进行优先级排序，优先调控诉求差量小、优先级高的集群，根据不同时段的控制目标制定控制策略，结合优先级划分结果进行控制。最后，负荷群参与响应，执行控制指令。

2 基于诉求差量划分优先级的聚类控制

2.1 改进最优k 值选取K-means 算法的可控负荷聚类

考虑到用户年龄不同、家庭人员组成不同，对用电需求存在差异，因此以用户不同种类负荷的不同用电需求作为聚类特征进行聚类，将具有相似特征的负荷实行统一的调控。采用聚类方式可降低对海量分散负荷的调控难度，同时还可以更大程度地满足不同用户的用电诉求。

2.1.1 聚类特征选取

根据不同类别负荷的运行特性及用户需求不同，选取不同的聚类特征。

1）可削减负荷聚类特征

空调是温度相关的负荷，用户对于该类负荷的需求主要在温度的范围上，因此选取聚类特征为温度设定值上限Tac，max和下限Tac，min，聚类类别数为K1。

2）可转移负荷聚类特征

不同用户用车行为存在很大差别(回家时间不同)，若对电动汽车负荷进行调控，必然需要其接入电网，因此，选取聚类特征为充电所需时长(时段数)hev及接入电网的时刻tev，聚类类别数为K2。

因本文以负荷群为研究对象，考虑到不同车辆参数及用电行为的差别，需满足如下约束关系：

式中：Q为满足行驶里程的日充电量；ηev为电动汽车充电效率；pev为额定充电功率；r为日行驶里程；q为单位里程耗电量。

3）可平移负荷聚类特征

考虑到洗衣机在使用过程中仅可对使用时段进行平移，用户的不同诉求在于该类负荷工作的时段不同，以及工作的周期长短存在差异，因此，选取的聚类特征为最早开始使用时刻twm，min、最晚结束使用时刻twm，max以及需求工作的周期时长(时段数)hwm，聚类类别数为K3。

2.1.2 改进的K-means聚类算法

考虑到K-means 算法高效、运算速度快等优点，以及各负荷特征数据集存在规律性、多为高斯分布数据的特点满足K-means 算法适用数据集范围，因此选取该算法作为聚类工具，为控制策略的实施提供支持。

K-means 算法采用欧几里得度量作为判定数据集中对象之间相似度的指标，相似度和数据对象间的距离反相关，相似度大，则代表数据间的距离小。K-means算法需提前确定聚类数k，由算法随机生成k个聚类中心，对数据对象与聚类中心之间的欧几里得距离进行计算，不断更新聚类中心位置，在聚类中心不再变化或达到最大迭代次数时聚类结束[21]。

考虑到聚类数k是由人为设定的，由于经验匮乏，容易导致k值选取不当。若选取的k值过小，则聚类结果组间的相似性可能并不大，凝聚度较差；若k值选取过大，则会导致无效聚类，组间差别过小，分离度小。在本文应用中，进行聚类是为了将用电行为特征相似的负荷归类，同组负荷相似度大，可进行统一调控。若k值选取小于最优聚类数值，会导致聚类中心代表的聚类特征与某些用户的行为特征差异较大，如果直接进行控制，会对用户生活造成较大的影响，则聚类无意义；若k值选取太大，组间差异小，会增加系统的调控压力。因此，最优k值的选取对本文研究具有重要意义。

本文基于Elbow方法选取最优k值，该方法的核心评价指标是误差平方和(sum of squared error，SSE)，表示为

式中d(n，Oi)为数据对象n与第i个聚类中心Oi的距离。

基于各类负荷的聚类特征值，确定家庭柔性负荷的数据集，对于不同种类的负荷分别进行聚类，对K-means 算法进行改进，先确定最佳聚类数，然后根据最佳聚类数进行聚类操作。改进最优k值选取的柔性负荷聚类流程如图3所示。

图3 改进最优k值选取的柔性负荷聚类流程Fig.3 Flexible load clustering process based on improved selection of optimal k

2.2 基于诉求差量的优先级划分

VPP 对不同种类负荷群根据聚类特征值进行聚类后，得出的同组负荷代表具有相似的用电诉求，聚类质心的特征值用以代表这一组用户对该种类负荷的用电需求。但是，质心与组内负荷个体仍无法做到完全一致，若仅依据质心代表的用电诉求对该组负荷进行统一控制，仍会对用户产生影响。为衡量这种影响，提出利用诉求差量进行定量分析。诉求差量主要是用来衡量VPP 按照质心的用电特征对这一组负荷群进行控制后，用户家庭中不同用电设备工作情况变化最大的情景对用户用电体验的影响，该值与用户的原始用电行为及需求密不可分。VPP 按照质心调控，对于用户的原始用电行为调整越多，代表用户的诉求得到满足的情况就越差，也就是诉求差量值越大。本文规定诉求差量最大值取1，若未进行用电行为的调整，则诉求差量值为0。诉求差量值越小，在调控时优先级越高，应先对这组负荷进行调整。

对于参与调控的3 种负荷，可削减负荷的诉求主要体现在温度上，VPP 调控后，温度变化与用户设定的区间差值越大，则表示诉求差量越大，用户的体验就越差；可转移负荷的用电诉求主要体现在用电量上，若调控后，用电量满足用户使用时间的需求量程度越高，则诉求差量越小，对用户的用电体验影响也就越小；可平移负荷的用电诉求主要体现在时间上，若调控后负荷的用电时段与原始用电时段重合度越高，则表示诉求差量越小，对用户的用电体验影响越小。因此，通过以上分析对3种负荷的诉求差量函数进行定义。

1）可削减负荷诉求差量函数

假设空调负荷聚类后第k1组的质心为，VPP根据质心温度下限、上限进行调控，调控后温度要处于质心温度上下限范围内，通过质心范围内最佳温度与用户原始用电需求下最佳温度的偏差来表示调控后温度与用户需求温度的差量，即第k1组中第n1个用户空调的诉求差量函数为

式中分子表示按质心进行控制时的最佳温度与用户设定的原始最佳温度的差值。

依据第k1组内每户的诉求差量求平均值，得到该组用户空调负荷的平均用电诉求差量：

式中“-”并非常规的减法计算，而是代表原始诉求差量集合γ1去除按从小到大排序的前K1-1项元素后的诉求差量集合。表示对集合γ1中元素按从小到大排序后的集合。

基于集合γ1可实现在VPP 调控时优先级的划分，根据诉求差量排序后的集合自行规定优先级别与范围的对应关系，如：设定为可削减负荷中优先级的诉求差量范围，若在区间内，则表示该类负荷的调度优先级为。

2）可转移负荷诉求差量函数

3）可平移负荷诉求差量函数

3 考虑用户诉求的可控负荷优化控制模型

3.1 目标函数

进行削峰控制时，以VPP 收益最大作为调控目标，考虑VPP 的负荷削减补偿和几类负荷参与调控的价格补偿。以负荷的通断为决策变量，实现优化曲线的同时为VPP谋取收益，控制模型为

式中：FLA为VPP 的收益；fLA为VPP 进行负荷削减的补偿费用；fc为VPP 对用户参与调控进行削减负荷的补偿费用。

VPP 所获得补偿费用与市场价格、负荷削减量相关，而市场价格与负荷水平存在线性关系[22]，具体表达式为

式中：T1为以VPP 收益最大为目标的调控时段；Pb，i(t)为调控的前t个时段第i种负荷的原始负荷量；α为价格系数；β是常数；ΔPLA，i(t)为VPP在t时段对第i种负荷的调控削减量，以市场价格对VPP进行补偿。

用户所获得的补偿费用具体表达式为

调控后t时段的负荷需求表达式为

式中：Pa，i(t)为在t时段第i种负荷调控后的负荷量；为负荷ki的额定功率；为负荷ki在时段t内的运行状态，1 表示开通，0 表示关断。负荷削减量与调控前后负荷的关系表示如下：

显然，目标函数(10)只适用于削峰时段控制，通过设置优先级来指导用户削减负荷使用需求，在自身获得补偿的同时使VPP 收益增加。在负荷低谷时段，无需进行负荷的削减，因此在削峰时段外以负荷方差最小作为控制目标，就可以实现负荷曲线的平滑，目标函数模型表示如下：

式中：Fvar为负荷方差；T2、T1分别为调控时段的上下限；Pbase(t)为调控期内t时段居民用电的基础负荷(除本文控制的3 种负荷外的其他负荷用电)；Pavg为所有负荷调控期内功率平均值；Pc(t)为t时段柔性负荷功率。

3.2 约束条件

根据负荷分类及不同负荷的使用特性差异，以各类负荷的工作特性为约束条件。

1）空调约束条件

空调具备一定储能特性，由于用户可以接受空调的温度在一定的范围内调节，一旦室温下降至用户设定的舒适度下限，则可表示空调储能已经充满电，荷电状态(state of charge，SOC)达到最大，反之同理。虚拟储能模型具体表达式[23]为

式中：Tout(t)为t时段室外温度；pac为空调的额定功率；ηac为空调的能效比；参数ε=e-Δt/(RC)，其中R为室内空间等效热阻，C为室内空间等效热容。

Sac(t+1)应满足如下约束条件：

2）电动汽车约束条件

考虑电动汽车的充电过程，储能模型可以表示为

式中Wev为电动汽车的电池容量。

Sev(t+1)应满足如下约束条件：

3）洗衣机约束条件

考虑到洗衣机在时间上存在转移特性，其允许运行时段要求在内，工作时长为。在负荷的工作时间发生平移时，随着时间转移的增加，Swm越来越小，直至变为0。储能模型具体表达式为

Swm(t+1)应满足如下约束条件：

同时，考虑到该类负荷一旦开始用电，则必须工作至工作周期结束的特点，补充以下约束：

4 仿真验证

考虑到居民的用电特点，用电最高峰出现在晚间，假设调度中心下发给VPP 的调度任务为：在夏季典型日对某实现智能用电的小区中1 000户家庭的3类柔性负荷(以空调、洗衣机、电动汽车为代表)进行调控，调控时段选取18:00—次日06:00(将15 min 作为一个调控时段，共48 个时段)。利用Matlab R2014b 对上述调控策略的有效性进行仿真验证。

4.1 用户数据

本算例中所使用的用户用电习惯数据源于文献[17]并进行了合理拓展。调度中心对该小区的负荷用电曲线预测如图4 所示，其中刚性负荷为除本文控制的几类负荷外的照明娱乐等不参与调控的设备，总负荷为刚性负荷与可调控负荷的总量。需求响应前空调、洗衣机、电动汽车的相关参数均来自文献[24-25]。

图4 某小区居民原始用电曲线Fig.4 Original electricity consumption curve of residents in a residential area

2）电动汽车负荷相关参数：额定功率pev为3 kW，充电效率ηev为0.9，最大充电容量Qev，max为30 kW·h，单位里程耗电量q为0.15 kW·h/km，入网时间服从正态分布，tac，back～N(17.6，3.42)，行驶里程服从对数正态分布，lnl～N(2.98，1.142)。

因为调控时段选取负荷峰谷差较大的18:00—次日06:00，结合用户的出行习惯，电动汽车的入网时间基本在24:00 前，对离网时间不进行考虑，统一规定在06:00进行调控；洗衣机规定使用时段为18:00—24:00，空调在18:00—次日06:00 整晚工作。

针对不同类别负荷的补偿费用不同，用户对于空调制冷的温度变化更加敏感，如果进行削减负荷操作，则用户的体验感更差，因此对此类负荷补偿价格更高[26]。由于洗衣机用电时间一般较为固定，调整范围有限，电动汽车只需在规定时间点前完成充电，便基本不会对用户生活产生影响，因此对3 类负荷削减补偿费用由高到低分别为空调、洗衣机、电动汽车。本文以市场价格对VPP 进行补偿，价格系数α=6.18 元/(MW·h)2，常数β=218.4元/(MW·h)2。

4.2 仿真结果分析

4.2.1 聚类分组及诉求差量仿真分析

根据不同种类负荷的聚类特征对3 种负荷进行聚类，使用电动汽车负荷聚类结果来验证改进最优k值选取K-means聚类方法的合理性。随机选取聚类数较小(k=5)和较大(k=20)的情况，根据Elbow方法求得的最优聚类数(k=13)的电动汽车聚类结果如图5 所示，根据式(7)对3 种电动汽车聚类结果下各组负荷的诉求差量进行计算，结果如表1所示。

表1 电动汽车不同k值下每组负荷的诉求差量Tab.1 Demand difference of each load group under different k of electric vehicles

图5 k=13时电动汽车聚类结果Fig.5 Clustering results of electric vehicles when k=13

对k=13时电动汽车聚类结果进行分析，因考虑到电动汽车入网时间服从高斯分布，tac，back～N(17.6，3.42)，且需在24:00前完成入网，因此选取横坐标为17:00—24:00，由于电动汽车行驶里程服从对数高斯分布，lnl～N(2.98，1.142)，根据式(2)可求得充电时间。图5 中圈出区域质心表示入网时间为19:50，所需充电时长为6 h，该组内共包括75辆电动汽车，诉求差量见表1类别11。其他区域同理，不同质心代表不同的入网时间以及充电时长。

选取诉求差量0.1作为阈值，对选取不同k值在本文应用中的聚类效果进行评估。由表1可知，在k=5 时，诉求差量大于阈值的情况占比60%；在k=13 时，诉求差量大于阈值的情况占比23%；在k=20 时，诉求差量大于阈值的情况占比25%。显然，当聚类数选取13和20时，诉求差量阈值范围内组数占比情况差异较小，即两数值选取的聚类效果在后续控制中无明显影响，因此按照k=13进行聚类控制，可实现在对用户用电情况造成较小影响情况下减轻系统的运行压力，由此可以证明所提改进的最优k值选取方法的有效性。

由Elbow方法求得的洗衣机最优聚类数为10。洗衣机根据最早开始时刻、最晚结束时刻以及用电时长进行聚类，结果如图6所示。

图6 k=10时洗衣机聚类结果Fig.6 Clustering results of washing machines when k=10

洗衣机负荷工作时段为18:00—24:00，考虑到洗衣机可工作在不同模式，因此用电时长存在15～90 min差异。图6中圈出区域质心表示用户最早开始使用时刻为21:00，最晚结束使用时刻为23:30，需要用电45 min，该组包含147台洗衣机，根据诉求差量函数求得诉求偏差为0.127 1，其他组同理。

考虑到空调温度的调节步长最小为1 ℃，用户对于温度敏感程度设定的上下限范围较小，Tac，min～U(23，25) ℃，Tac，max～U(26，28) ℃。空调聚类结果可直接通过表2 形式来表示，因为温度较低，聚类结果可直接表示不同用户的实际用电需求，若按照质心进行调节，则与用户实际用电诉求相同，不存在差量，即各组诉求差量均为0。根据各种负荷最优k值选取下的聚类结果，结合诉求差量函数求得的各组负荷诉求差量如表3所示。

表2 空调聚类分组结果Tab.2 Clustering results of air conditioning

表3 3种典型柔性负荷每组负荷诉求差量Tab.3 Load demand difference of each group for three typical flexible loads

4.2.2 优先级聚类控制下仿真结果分析

各类负荷调控优先级与诉求差量范围如表4所示。根据文献[20]的负荷削减费用补偿范围及文献[13]中各种负荷补偿价格高低的关系，结合调控优先级对各种负荷实施补偿，如表5所示。

表4 各类负荷调控优先级与诉求差量范围Tab.4 Regulation priority and demand difference range of various loads

表5 不同调控优先级下负荷补偿价格Tab.5 Load compensation price under different regulation priorities

采用遗传算法对VPP 调度模型进行求解。遗传算法参数设置如下：种群大小为60，进化代数为200，染色体长度为32，交叉概率为0.7，变异概率为0.005，编码方式为二进制编码。

根据负荷原始用电曲线可知，负荷高峰出现在20:00左右，选取时段18:00—22:00，根据目标函数(10)，以VPP收益最大为目标进行削峰操作。剩余时段22:00—次日06:00根据目标函数(15)，以负荷方差最小为目标进行调控。

图7 为调控前后负荷曲线，可以看出，在18:00—22:00 削峰时段，各类负荷群协调控制，实现了削峰；22:00后由于电动汽车和洗衣机工作时间的可转移特性，实现了填谷。由此表明，所提控制策略可实现负荷曲线的优化。为评价削峰填谷效果，对调控前后负荷曲线的峰均比进行计算，结果表明，调控前峰均比为2.83，调控后峰均比为2，下降了29%，说明削峰填谷效果良好。

图7 调控前后负荷曲线Fig.7 Load curves before and after regulation

各类负荷的削减量和转移量如图8 所示，其中：负荷调整量＞0 MW·h 表示负荷的削减量；负荷调整量＜0 MW·h 表示负荷转移量。可以看出，在18:00—22:00削峰时段，空调负荷削减量最大，这是由于考虑到空调负荷的工作特性，可进行间歇性的关断，因此可以有效地实现负荷的削减。由于电动汽车充电功率大于洗衣机，因此削峰效果比洗衣机更好，而洗衣机负荷的工作时段为18:00—24:00，且功率较小，工作过程不可中断，因此在负荷高峰时段也参与了响应，将部分用电行为转移至22:00—24:00。电动汽车填谷效果最佳，因为其可调整时间范围更广，VPP 可对其进行调控，将充电时段转移至谷时，只要在06:00前完成充电行为即可。由于空调负荷属于削峰负荷，不存在时间上的转移特性，因此不参与填谷。

图8 各类负荷的削减量和转移量Fig.8 Reduction and transfer of various loads

为验证所提基于用户诉求差量划分优先级的控制策略对VPP 收益的影响，对比了随机分组控制策略和仅聚类不划分优先级的控制策略下VPP收益，如表6所示。在不进行优先级划分情况下，对各种负荷的补偿价格为表5中价格取平均值。

表6 不同控制策略对比Tab.6 Comparison of different control strategies

从表6 可以看出：若采取直接对不同需求的用户下发相同调控命令的随机分组控制策略，对用户的生活影响较大；采取聚类控制策略可以对用电行为特征相似的用户进行统一控制，诉求差量值明显缩小；本文控制策略效果最佳，这主要是由于在依据诉求差量划分调控优先级之后，VPP通过对不同调控优先级补偿不同价格的方式，实现了兼顾VPP 收益最大化与用户需求改变最小化。若对诉求差量值大、优先级低的组别进行调控，必然需要补偿更高的价格，因此采用本文控制策略可以在聚类控制VPP 获取较高收益的同时，尽量小地改变用户的用电行为。

5 结论

考虑到不同用户的诉求差异性，将负荷聚合商作为电网与负荷群的中间环节，对可控负荷资源进行优化控制，提出一种考虑用户诉求差异的优化控制策略，通过算例分析得出以下结论：

1）采用基于诉求差量划分优先级的聚类控制方式，依据用户用电特征对居民不同可调整特性的可控负荷资源进行聚类，对不同组别求取诉求差量值并划分调控优先级，可实现对区域多用户可控负荷群优化控制过程中尽量满足用户的原始用电诉求。

2）考虑用户诉求的可控负荷优化控制策略可以实现负荷曲线的削峰填谷，同时实现VPP 收益最大化与用户用电行为改变最小化的均衡。

3）可控负荷的优化控制可以提高消纳风电和光电的比例。