考慮負(fù)荷時(shí)序特性的居民柔性資源低碳協(xié)同方法

熊偉笑，高 輝，陳 璐，楊鳳坤

(1.南京郵電大學(xué) 自動(dòng)化、人工智能學(xué)院，南京 210003；2.國(guó)電南瑞科技股份有限公司，南京 210016)

0 引言

據(jù)統(tǒng)計(jì)，電力行業(yè)碳排放占全國(guó)總碳排放的四成以上[1]，是實(shí)現(xiàn)“雙碳”目標(biāo)的關(guān)鍵。從表面上看，發(fā)電企業(yè)是二氧化碳的直接排放者[2]，但電力系統(tǒng)“源隨荷動(dòng)”特征表明用戶側(cè)才是全網(wǎng)碳排主要責(zé)任人[3]，實(shí)現(xiàn)用戶側(cè)用能低碳性具有重要意義。文獻(xiàn)[4]以碳排放因子為引導(dǎo)信號(hào)，提出了一種引導(dǎo)用戶側(cè)主動(dòng)響應(yīng)并降低系統(tǒng)碳排放的低碳需求響應(yīng)機(jī)制，并建立相應(yīng)的減碳效益分析模型，驗(yàn)證用戶側(cè)低碳需求響應(yīng)機(jī)制具有較大的減碳潛力。文獻(xiàn)[5]引入獎(jiǎng)懲階梯型碳交易機(jī)制，建立了一種計(jì)及氫能利用和需求響應(yīng)的綜合能源系統(tǒng)低碳優(yōu)化調(diào)度模型。文獻(xiàn)[6]建立了電-熱綜合區(qū)域能源系統(tǒng)下的低碳經(jīng)濟(jì)調(diào)度模型，利用需求側(cè)響應(yīng)對(duì)用電負(fù)荷進(jìn)行針對(duì)性優(yōu)化，以降低系統(tǒng)負(fù)荷的峰谷差水平。

目前，我國(guó)居民家電保有量已達(dá)到較高水平，導(dǎo)致居民用電量飛速增長(zhǎng)[7]。居民家電負(fù)荷具有響應(yīng)資源多樣[8]、可控性強(qiáng)[9]、聚合潛力大[10]等特點(diǎn)。針對(duì)居民柔性資源協(xié)同優(yōu)化問題的研究主要涉及削峰填谷[11-12]、節(jié)能降耗[13]、用電經(jīng)濟(jì)性[14-15]等方面。文獻(xiàn)[11]將家電設(shè)備按負(fù)荷特性分為開關(guān)型、分檔型和連續(xù)型，考慮負(fù)載方差建立相應(yīng)負(fù)荷調(diào)度模型，并采用改進(jìn)粒子群算法進(jìn)行求解；文獻(xiàn)[12]提出了居民用戶參與電網(wǎng)調(diào)峰的調(diào)控機(jī)制，在最小化用電成本時(shí)考慮了居民用戶的調(diào)峰潛力；文獻(xiàn)[13]從居民負(fù)荷與系統(tǒng)負(fù)荷相關(guān)性出發(fā)，提出了反映居民用電對(duì)電網(wǎng)調(diào)峰貢獻(xiàn)度的調(diào)峰激勵(lì)機(jī)制，并綜合考慮用電成本、舒適度和調(diào)峰激勵(lì)建立居民用戶用電優(yōu)化策略。文獻(xiàn)[14]基于非侵入式負(fù)荷監(jiān)測(cè)算法，對(duì)家電設(shè)備用電信息進(jìn)行實(shí)時(shí)監(jiān)測(cè)，以用電成本和舒適度為目標(biāo)建立家庭用能管理優(yōu)化調(diào)度模型；文獻(xiàn)[15]將家用電器分為可平移負(fù)荷、可中斷負(fù)荷、HVAC設(shè)備3類，并通過功效系數(shù)法建立基于經(jīng)濟(jì)性和舒適度的多目標(biāo)優(yōu)化模型。上述研究側(cè)重于以經(jīng)濟(jì)性為目標(biāo)的需求響應(yīng)，且大多采用物理建模、數(shù)據(jù)驅(qū)動(dòng)等傳統(tǒng)分析方法提取居民用電行為特征，難以準(zhǔn)確發(fā)掘居民用電行為的時(shí)序特征，造成居民響應(yīng)潛力無法匹配等問題。

進(jìn)一步地，文獻(xiàn)[16-18]開展了居民低碳需求響應(yīng)研究，提出以平均碳排放因子來核算碳排放量的居民低碳需求響應(yīng)模型，并以碳市場(chǎng)中用戶收益最大以及電力系統(tǒng)運(yùn)行成本最小為目標(biāo)，提出一種基于碳價(jià)的低碳需求響應(yīng)方法，但是并未考慮碳排放因子的實(shí)時(shí)特性。隨著新能源占比不斷增加，且新能源隨機(jī)性與波動(dòng)性等特征使得不同時(shí)段發(fā)電機(jī)機(jī)組組成顯著不同，用戶側(cè)等效碳排放差異明顯變大，平均碳排放因子無法衡量這種差異。因此，在居民柔性資源低碳協(xié)同方法引入實(shí)時(shí)碳排放因子計(jì)量具有重要意義。

基于上述背景，本文充分考慮居民負(fù)荷的時(shí)序特性，提出了基于貝葉斯網(wǎng)絡(luò)構(gòu)造居民柔性資源用能概率模型，實(shí)現(xiàn)居民家電負(fù)荷舒適度精準(zhǔn)建模；并引入實(shí)時(shí)碳排放因子，提出考慮負(fù)荷時(shí)序特性的居民柔性資源低碳協(xié)同方法。

1 需求響應(yīng)特性下居民柔性資源類型劃分

家電設(shè)備按功率是否可調(diào)分為恒功率設(shè)備和可調(diào)功率設(shè)備；按其運(yùn)行特性分為可轉(zhuǎn)移設(shè)備和可中斷設(shè)備；按其儲(chǔ)能特性分為儲(chǔ)能設(shè)備和非儲(chǔ)能設(shè)備。如照明及娛樂類設(shè)備，需求時(shí)間固定，一般需保持穩(wěn)定運(yùn)行，無功率可調(diào)、可轉(zhuǎn)移、可中斷及儲(chǔ)能特性，稱為固定負(fù)荷；如洗衣機(jī)、洗碗機(jī)等設(shè)備，運(yùn)行時(shí)間可以平移，但開啟后必須連續(xù)運(yùn)行至工作結(jié)束，稱為可平移負(fù)荷；如熱水器、空調(diào)等設(shè)備，工作過程中可以中斷運(yùn)行，負(fù)荷高峰時(shí)期可通過中斷負(fù)荷來削減用電量，稱為可中斷負(fù)荷；如電動(dòng)汽車及電池類設(shè)備，充放電過程中可調(diào)節(jié)功率大小，且具備可轉(zhuǎn)移、可中斷、儲(chǔ)能特性，稱為儲(chǔ)能設(shè)備。3類負(fù)荷典型實(shí)例如表1所示。

表1 典型設(shè)備及其負(fù)荷特性示例

以一天(0：00-24：00)為調(diào)度周期進(jìn)行家居設(shè)備用電優(yōu)化，將一天分為24個(gè)時(shí)段，各時(shí)段時(shí)長(zhǎng)為Δt=1，t∈[1，2，3，…，24]；家電設(shè)備集合用A表示，對(duì)于任意屬于A的家電負(fù)荷a，其運(yùn)行功率情況Pa={Pa，1，Pa，2，…，Pa，24}；引入0～1輔助變量sa，t表示設(shè)備a的工作狀態(tài)，1為開啟狀態(tài)，0為關(guān)閉狀態(tài)；居民用戶t時(shí)段用電需求為：

(1)

2 基于貝葉斯網(wǎng)絡(luò)的負(fù)荷用電概率建模

針對(duì)居民負(fù)荷用電行為影響因素眾多、不確定性大等問題，為進(jìn)一步分析居民用電行為的時(shí)序特征，實(shí)現(xiàn)家電負(fù)荷用電舒適度精準(zhǔn)建模，本文提出了一種基于貝葉斯網(wǎng)絡(luò)的居民負(fù)荷用電概率分析方法。

2.1 基于貝葉斯網(wǎng)絡(luò)的負(fù)荷時(shí)序狀態(tài)分析

貝葉斯網(wǎng)絡(luò)基于貝葉斯公式，將概率論與圖論相關(guān)知識(shí)聯(lián)系起來，通過觀測(cè)先驗(yàn)知識(shí)與樣本數(shù)據(jù)來獲取預(yù)測(cè)變量的概率信息，能夠表征變量間復(fù)雜不確定性關(guān)系、挖掘數(shù)據(jù)間潛在關(guān)聯(lián)[19]。本文結(jié)合居民用電行為與外部數(shù)據(jù)相關(guān)等特點(diǎn)，從居民負(fù)荷的時(shí)間序列特性出發(fā)，充分考慮用戶用電意愿及行為習(xí)慣，基于貝葉斯網(wǎng)絡(luò)構(gòu)建負(fù)荷用電的時(shí)序狀態(tài)分析模型。

以環(huán)境溫度、日期類型、負(fù)荷歷史用電數(shù)據(jù)及設(shè)備開啟狀態(tài)為節(jié)點(diǎn)變量，構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。為便于分析，對(duì)環(huán)境溫度、日期類型、負(fù)荷歷史用電數(shù)據(jù)及用電設(shè)備開啟狀態(tài)屬性范圍進(jìn)行劃分。

圖1 負(fù)荷時(shí)序狀態(tài)分析貝葉斯網(wǎng)絡(luò)模型

(2)

(3)

X={1，2，3，4，5，6，7，8}：1～7表示周一到周日七天，8表示節(jié)假日。

(4)

(5)

根據(jù)式(4)～(5)可求出家電設(shè)備a在一天中各時(shí)段的用電概率。構(gòu)建各類設(shè)備的負(fù)荷時(shí)序狀態(tài)分析模型，可得負(fù)荷的用電狀態(tài)概率矩陣p，矩陣元素由負(fù)荷各時(shí)段用電概率構(gòu)成?；诖耍治龈鲿r(shí)段內(nèi)各設(shè)備的用電可能性大小。

(6)

式中，pm，t為第m種用電負(fù)荷t時(shí)段的用電概率，pm，t越大說明居民在該時(shí)段使用該負(fù)荷的意愿越強(qiáng)，參與調(diào)控的意愿越小。

2.2 基于用電概率的舒適度建模

居民柔性負(fù)荷用電舒適度體現(xiàn)在調(diào)度前后居民家電使用習(xí)慣的改變；以家電設(shè)備使用概率最高點(diǎn)為最佳運(yùn)行點(diǎn)，定義居民負(fù)荷用電時(shí)段用電概率偏離最佳運(yùn)行點(diǎn)用電概率的程度為柔性設(shè)備a運(yùn)行在時(shí)段t時(shí)用戶對(duì)其的舒適性：

(7)

(8)

式中，pa，max為用電設(shè)備a在各時(shí)段用電概率中的最大值；pa，min為用電設(shè)備a在各時(shí)段用電概率中的最小值；ωa為權(quán)重系數(shù)，即負(fù)荷a用電行為對(duì)居民用戶影響程度；Ca值越大表明優(yōu)化方案對(duì)用戶使用習(xí)慣改變?cè)叫?，用戶?duì)該用電設(shè)備用電滿意度越高。

3 居民柔性資源低碳協(xié)同優(yōu)化模型

3.1 實(shí)時(shí)碳排放因子

考慮到不同時(shí)段能源供給側(cè)發(fā)電機(jī)機(jī)組組成成分存在差異，居民用戶不同時(shí)段用電行為對(duì)應(yīng)發(fā)電側(cè)產(chǎn)生的碳排放顯著不同[20]。傳統(tǒng)采用平均碳排放因子的電力碳計(jì)量方法無法表征不同時(shí)段多類型發(fā)電機(jī)機(jī)組不同占比帶來的差別。同時(shí)，考慮清潔能源就地消納對(duì)區(qū)域電網(wǎng)碳排放因子的影響，提出實(shí)時(shí)碳排放因子的計(jì)算方法。

(9)

ej，t=εj，t·(1-βj，t)

(10)

式中，εj，t為區(qū)域電網(wǎng)j時(shí)段t單位購(gòu)電碳排放計(jì)量因子；h∈[1，2，…，H]表征各種發(fā)電機(jī)機(jī)組類型；αh，t為各類型發(fā)電機(jī)機(jī)組發(fā)電量占比；eh，t為h類發(fā)電機(jī)機(jī)組時(shí)段t單位發(fā)電碳排放因子；ej，t為區(qū)域電網(wǎng)j時(shí)段t的實(shí)時(shí)碳排放因子；βj，t為區(qū)域電網(wǎng)j時(shí)段t的清潔能源發(fā)電占比；αh，t、βj，t均由電網(wǎng)日前調(diào)度數(shù)據(jù)獲得。

3.2 優(yōu)化模型

用戶參與需求響應(yīng)主要是調(diào)整家庭內(nèi)各設(shè)備的用電時(shí)間，達(dá)成降低用電成本的目的。目標(biāo)函數(shù)如式(11)所示：

(11)

在“雙碳”目標(biāo)推動(dòng)下，利用用戶側(cè)低碳需求響應(yīng)減少碳排放備受關(guān)注，碳減排也應(yīng)納入居民柔性資源協(xié)同優(yōu)化的目標(biāo)函數(shù)中，為開展低碳居民柔性資源協(xié)同優(yōu)化方法設(shè)計(jì)提供新思路。用戶單日碳排量最低如式(12)所示：

(12)

為同時(shí)兼顧經(jīng)濟(jì)性和低碳性，采用加權(quán)方式構(gòu)建目標(biāo)，如式(13)所示：

minF=α1Ccost+α2CCO2

(13)

α1+α2=1

(14)

式中，α1、α2為每個(gè)子目標(biāo)的權(quán)重因子。

3.3 約束條件

3.3.1 功率平衡約束

居民側(cè)負(fù)荷消耗的電能由電網(wǎng)和分布式電源發(fā)電供應(yīng)，應(yīng)時(shí)刻滿足功率平衡約束：

(15)

3.3.2 用戶用電舒適度約束

需求響應(yīng)行為對(duì)居民用電舒適度產(chǎn)生不利影響，應(yīng)保證用戶用電舒適度大于等于某一閾值[21]，如下：

Ctotal≥Cset

(16)

式中，Cset為用戶用電舒適度設(shè)定值，由用戶根據(jù)自身用電習(xí)慣設(shè)定。

3.4 求解流程

考慮負(fù)荷時(shí)序特性的居民柔性資源低碳協(xié)同優(yōu)化模型包括用電成本、碳排放量?jī)蓚€(gè)目標(biāo)函數(shù)，采用粒子群算法對(duì)模型進(jìn)行求解。電器在某個(gè)時(shí)段是否開啟是模型的決策變量。設(shè)置最大迭代次數(shù)為Nmax，當(dāng)前迭代為t，粒子種群規(guī)模為S，每個(gè)粒子維度為(m+n)，具體求解步驟如下所示。

步驟1：輸入實(shí)時(shí)電價(jià)、實(shí)時(shí)碳排放因子、居民側(cè)負(fù)荷運(yùn)行參數(shù)、舒適度等參數(shù)。

步驟2：初始化粒子群參數(shù)，包括種群規(guī)模、粒子維度、最大迭代次數(shù)、慣性權(quán)重、學(xué)習(xí)因子；

步驟3：初始化每個(gè)粒子的位置和速度，令迭代次數(shù)t=1；

步驟4：計(jì)算優(yōu)化函數(shù)的初始適應(yīng)度值F，得出個(gè)體最優(yōu)值pbi=(pi1，pi2，…，piD)與全局最優(yōu)值gbi=(gi1，gi2，…，giD)；

步驟5：根據(jù)式(29)～(30)更新粒子j的速度和位置[22]；

(17)

(18)

步驟6：計(jì)算個(gè)體適應(yīng)值F，更新個(gè)體與全局最優(yōu)值，更新迭代次數(shù)等參數(shù)；

步驟7：判斷是否滿足終止條件，若當(dāng)前迭代次數(shù)達(dá)到Nmax則輸出最優(yōu)方案，否則重復(fù)步驟5～7。

4 算例分析

4.1 基礎(chǔ)數(shù)據(jù)

本文選取洗衣機(jī)、洗碗機(jī)、空調(diào)、熱水器、電動(dòng)汽車設(shè)備作為可調(diào)度柔性設(shè)備進(jìn)行優(yōu)化運(yùn)行仿真實(shí)驗(yàn)。為方便仿真，對(duì)用電設(shè)備進(jìn)行較為理想化的假設(shè)和簡(jiǎn)化，設(shè)備運(yùn)行時(shí)均以額定功率運(yùn)行且每個(gè)時(shí)段保持連續(xù)運(yùn)行，采用文獻(xiàn)[17]中的用電設(shè)備數(shù)據(jù)，如表2所示。調(diào)度周期從00：00—24：00，仿真步長(zhǎng)Δt=1 h。

表2 可調(diào)度設(shè)備基本信息

4.2 負(fù)荷時(shí)段挖掘結(jié)果分析

選取預(yù)測(cè)日前150天洗衣機(jī)、洗碗機(jī)、空調(diào)、熱水器、電動(dòng)汽車歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本集，基于負(fù)荷用電時(shí)段挖掘方法預(yù)測(cè)第151天的使用情況。表3顯示了洗衣機(jī)、洗碗機(jī)、空調(diào)、熱水器、電動(dòng)汽車一天中不同時(shí)段的用電行為概率。

表3 用電狀態(tài)概率矩陣

表3給出了5種負(fù)荷的用電狀態(tài)概率矩陣，通過分析可以發(fā)現(xiàn)，洗衣機(jī)使用行為集中分布在早上7：00到晚上23：00之間；洗碗機(jī)的時(shí)段屬性也較為明顯，在中午11：00至次日凌晨時(shí)段運(yùn)行較為頻繁；空調(diào)負(fù)荷在全天內(nèi)都有使用行為發(fā)生；熱水器使用行為的發(fā)生時(shí)間主要集中在08：00-10：00與15：00-23：00，其他時(shí)段的使用行為較少；電動(dòng)汽車使用的最高概率分布在晚上18：00之后至次日凌晨時(shí)間段。

4.3 優(yōu)化結(jié)果分析

為驗(yàn)證本文協(xié)同優(yōu)化方法的有效性，以式(12)為目標(biāo)函數(shù)，設(shè)定權(quán)重因子α1=0.3，α1=0.7進(jìn)行優(yōu)化仿真，各時(shí)段實(shí)時(shí)碳排放因子計(jì)算結(jié)果參考文獻(xiàn)[4]，光伏電源出力數(shù)據(jù)參考文獻(xiàn)[23]，實(shí)時(shí)電價(jià)數(shù)據(jù)參考文獻(xiàn)[24]，設(shè)置粒子群種群規(guī)模S=200，慣性權(quán)重ω=0.718，學(xué)習(xí)因子c1=c2=1.510，最大迭代次數(shù)Nmax=200，舒適度參數(shù)Cset=0.6，未優(yōu)化前各家庭用電設(shè)備運(yùn)行時(shí)段如圖2所示。

圖2 響應(yīng)前家庭用電設(shè)備運(yùn)行圖

圖3展示了該用戶參與響應(yīng)前后的負(fù)荷變化情況。經(jīng)優(yōu)化后各用電設(shè)備運(yùn)行時(shí)段如圖4所示。

圖3 響應(yīng)前后用戶用電行為對(duì)比

圖4 響應(yīng)后家庭用電設(shè)備運(yùn)行圖

由表4可以看出，居民參與響應(yīng)后的碳排放量相較于響應(yīng)前降低了22.6%，在實(shí)時(shí)碳排放因子的引導(dǎo)下，該優(yōu)化方法起到了明顯的碳減排效果；同時(shí)，響應(yīng)后的用電費(fèi)用相較于響應(yīng)前降低了11.9%，經(jīng)濟(jì)性和低碳性都達(dá)到了較高的效果，且響應(yīng)后負(fù)荷曲線峰谷差降低了21.4%，均方差減少了11.8%，有效降低了負(fù)荷波動(dòng)。從結(jié)果分析來看，利用考慮負(fù)荷時(shí)序特性的居民柔性資源低碳協(xié)同優(yōu)化模型，可在降低用戶用電費(fèi)用的同時(shí)，有效地提升低碳性，降低二氧化碳的排放量。

表4 響應(yīng)前后數(shù)據(jù)對(duì)比

4.4 場(chǎng)景對(duì)比分析

為驗(yàn)證考慮負(fù)荷時(shí)序特性的居民柔性資源低碳協(xié)同優(yōu)化模型的優(yōu)勢(shì)，設(shè)計(jì)以下幾種場(chǎng)景進(jìn)行對(duì)比分析。

場(chǎng)景1：以低碳性為目標(biāo)進(jìn)行優(yōu)化仿真；

場(chǎng)景2：以經(jīng)濟(jì)性為目標(biāo)進(jìn)行優(yōu)化仿真；

場(chǎng)景3：以低碳性和經(jīng)濟(jì)性為目標(biāo)，并且設(shè)定權(quán)重因子α1=0.3、α2=0.7進(jìn)行優(yōu)化仿真。

3種場(chǎng)景下響應(yīng)前后用戶用電行為對(duì)比如圖3、圖5、圖6所示，響應(yīng)結(jié)果對(duì)比如表5所示。

圖5 場(chǎng)景1響應(yīng)前后用戶用電行為對(duì)比

圖6 場(chǎng)景2響應(yīng)前后用戶用電行為對(duì)比

表5 響應(yīng)前后用電負(fù)荷數(shù)據(jù)對(duì)比

由表5可以看出，情景1中，居民參與低碳需求響應(yīng)后的碳排放量相較于響應(yīng)前降低了26.07%，在實(shí)時(shí)碳排放因子的引導(dǎo)下，該低碳需求響應(yīng)策略起到了明顯的碳減排效果；同時(shí)，響應(yīng)后的用電費(fèi)用相較于響應(yīng)前降低了7.5%，此處用電費(fèi)用降低主要有兩個(gè)原因：一是以低碳性為目的的優(yōu)化調(diào)度關(guān)閉了部分可中斷家庭柔性負(fù)荷的使用，使用電量降低，從而降低了用電費(fèi)用；二是分布式電源在11：00-16：00時(shí)出力較大，用戶在該時(shí)段使用分布式能源抵消部分電器功率消耗，使耗電量曲線明顯降低，用電費(fèi)用也隨之下降。但是，居民參與響應(yīng)后的負(fù)荷曲線相較于響應(yīng)前的曲線峰谷差增加12.2%，均方差增加12.8%，低碳需求響應(yīng)策略使谷時(shí)負(fù)荷水平變得更低，同時(shí)也沒有降低峰時(shí)負(fù)荷水平，造成峰谷差進(jìn)一步加大，負(fù)荷曲線抖動(dòng)更加嚴(yán)重，并不符合期望的用電曲線變化趨勢(shì)。

情景2中，參與響應(yīng)后相較于響應(yīng)前的峰谷差降低了31.9%，均方差減少了20.63%，在實(shí)時(shí)電價(jià)激勵(lì)下，高峰時(shí)段的用電量明顯減少，該響應(yīng)策略起到了明顯的調(diào)峰效果。同時(shí)，響應(yīng)后的用電費(fèi)用相較于響應(yīng)前減少了14.04%，用電成本節(jié)約效果較為顯著；碳排放量相較于響應(yīng)前減少了4.4%，此處碳排放量減少原因與情景1中用電費(fèi)用降低原因相同，且碳減排效果明顯低于情景1。

由以上分析結(jié)果可知，若只考慮碳排放最小時(shí)，低碳性達(dá)到最優(yōu)，經(jīng)濟(jì)性最低，且此時(shí)優(yōu)化后負(fù)荷曲線的峰谷差、均方差均高于優(yōu)化前，不符合期望的用電曲線變化趨勢(shì)；若只考慮用電費(fèi)用最小時(shí)，經(jīng)濟(jì)性達(dá)到最高，優(yōu)化后負(fù)荷曲線峰谷差、均方差最小，但是低碳性優(yōu)化結(jié)果明顯低于單一低碳性的優(yōu)化。

從表5還可以看出，情景3中，參與響應(yīng)后相較于響應(yīng)前用電費(fèi)用降低了11.9%，碳排放量減少了22.6%，經(jīng)濟(jì)性和低碳性都達(dá)到了較高的效果，且響應(yīng)后負(fù)荷曲線峰谷差降低了21.4%，均方差減少了11.8%，有效降低了負(fù)荷波動(dòng)。

在構(gòu)建考慮負(fù)荷時(shí)序特性的居民柔性資源低碳協(xié)同優(yōu)化模型時(shí)，目標(biāo)兼顧低碳和經(jīng)濟(jì)需求，可在降低用電成本的同時(shí)，同步降低用戶的用電碳排放量，實(shí)現(xiàn)經(jīng)濟(jì)性、低碳性多目標(biāo)趨優(yōu)。

5 結(jié)束語

本文針對(duì)居民用電時(shí)段不確定性特點(diǎn)，提出了基于貝葉斯網(wǎng)絡(luò)構(gòu)造居民柔性資源用能概率模型，通過模糊聚類的方法挖掘柔性資源使用時(shí)段，實(shí)現(xiàn)居民家電負(fù)荷精準(zhǔn)建模；并在此基礎(chǔ)上引入實(shí)時(shí)碳計(jì)量模型，基于實(shí)時(shí)電價(jià)，提出了一種考慮用電經(jīng)濟(jì)性和低碳性的居民柔性資源低碳協(xié)同優(yōu)化方法，得到以下結(jié)論：

1)先基于貝葉斯網(wǎng)絡(luò)構(gòu)建居民負(fù)荷用能概率模型，挖掘出居民用電時(shí)序特征，再參與需求響應(yīng)，可保證用戶參與需求響應(yīng)過程中，不會(huì)違背用戶自身消費(fèi)偏好。

2)本文所構(gòu)建的居民柔性資源低碳協(xié)同優(yōu)化模型，在降低居民用戶用電成本的同時(shí)，同步降低了用戶的用電碳排放量，且相對(duì)于單一經(jīng)濟(jì)性目標(biāo)，該模型減碳作用更加明顯；相對(duì)于單一低碳性目標(biāo)，該模型有效降低了負(fù)荷峰谷差，對(duì)系統(tǒng)的負(fù)荷波動(dòng)起到了較好的平抑作用。

所提模型并未考慮用戶在低碳需求響應(yīng)中如何獲取經(jīng)濟(jì)收益，碳減排量如何與居民用戶收益協(xié)同問題是下一步研究方向。