基于内近似法的异构柔性负荷聚合体需求响应优化策略研究及其在电力系统灵活性提升中的应用

本文针对需求侧柔性负荷资源类型多样、容量小、分布广的特点，提出了一种基于内近似法的异构柔性负荷聚合体优化策略。研究建立了电动汽车(EV)、空调(AC)和数据中心(DC)三种负荷的机理模型，采用基本同调多面体(Basic Homothetic Polytope)近似负荷原始可行域，并利用闵可夫斯基和(Minkowski Sum)实现异构负荷资源可行域的快速精确聚合。通过虚拟电厂(VPP)日前调度案例验证，该方法能有效提升系统供电保障能力和新能源消纳水平，为电力系统灵活性提升提供了新思路。

　　

电力系统面临的新挑战与柔性负荷的机遇

随着新能源发电占比持续提升，风电、光伏等可再生能源出力受环境因素影响波动性强，给电力系统安全稳定运行带来严峻挑战。与此同时，空调、电动汽车和数据中心等柔性需求侧资源用电量持续增长。国际能源署(IEA)报告显示，2024年数据中心已消耗全球约1.5%的电力，预计到2030年将翻倍至945TWh。这些负荷具有双向调节能力，可通过需求响应改变用电行为，为系统提供宝贵的灵活性资源。

异构柔性负荷建模与特性表征

研究选取电动汽车、空调和数据中心作为典型异构柔性负荷研究对象。针对电动汽车建立了虚拟电池模型，考虑充放电功率约束和荷电状态(SOC)边界条件。空调负荷采用热力学模型，通过室内外温度与制冷量的耦合关系表征其调节特性。数据中心则区分延迟容忍负载和延迟敏感负载，基于服务器能效指标(PUE)建立IT设备功耗与总用电量的关联模型。

创新性地，研究考虑了数据中心负载处理量与功率边界的时序耦合关系，相比传统固定边界方法更准确地表征了负荷原始可行域。通过半平面表达式将各类负荷的功率可行域统一表示为具有相同结构的通用机理模型，为后续聚合奠定了基础。

基于内近似法的负荷聚合策略

针对大规模负荷资源聚合面临的NP难问题，研究提出"先聚类后聚合"的渐进式解决方案。采用K-means算法根据负荷初始运行参数进行分组，对每组负荷：

1. 通过平均法确定基准可行域

2. 采用基本同调多面体进行内近似

3. 求解最大平移系数和缩放系数

4. 通过闵可夫斯基和实现集群聚合

与传统方法相比，该方法在24小时高维时间尺度下仍保持较高精度。以100辆电动汽车为例，基本同调多面体法的近似精度达到0.958，显著优于体积盒近似法(0.386)和Zonotope法(0.662)。

虚拟电厂日前调度与需求响应策略

研究构建了考虑异构负荷参与需求响应的VPP日前调度模型，目标函数包含：

• 火电机组运行成本

• 新能源弃电惩罚

• 需求响应支付成本

创新性地设计了"基准值+上下浮动"的动态激励电价策略，根据负荷调节量和实际响应量动态调整。在两种典型场景下验证了方法的有效性：

系统供电紧张场景：

• 负荷聚合体在11:00-14:00增加用电消纳新能源

• 17:00-18:00降低用电缓解供电压力

• 将储能放电时段延迟至19:00-23:00

• 成功避免切负荷现象，节约成本94.3%

新能源高渗透场景：

• 00:00-16:00增加用电减少弃风弃光

• 优先消纳光伏发电

• 17:00-23:00降低用电平衡系统

• 总弃电量减少73.585MW

• 新能源消纳率提升2.235%

研究局限与未来方向

当前研究未充分考虑负荷调节能力的非理性特征。未来需深入分析用户偏好，构建用户效用函数，更精确地表征负荷调节能力，为优化调度提供更强参考。此外，随着人工智能发展，如何将机器学习方法融入负荷聚合与调度优化也值得探索。

这项研究为电力系统灵活性提升提供了新思路，通过精确表征异构负荷调节能力并设计有效激励机制，实现了源-荷协同优化，对构建新型电力系统具有重要参考价值。