梯形半云PBDR-VPP 源荷協(xié)調(diào)經(jīng)濟調(diào)度

吉銘成，范雨順，黨恩帥，焦娜娜，孫璞玉

（1.上海電力大學電氣工程學院，上海 200090；2.國網(wǎng)上海市電力公司松江供電公司，上海 201600）

傳統(tǒng)的發(fā)用電模式大多為“發(fā)電跟蹤負載”，但隨著能源危機不斷嚴重，此方式已不再適用于能源消耗日益增加的現(xiàn)實情況。需求側(cè)管理DSM（de?mand side management）以其能夠改變用戶終端用電方式、使系統(tǒng)在節(jié)約電量的同時獲得較大綜合效益的優(yōu)點逐漸受到人們的關(guān)注[1?2]。

需求響應(yīng)DR（demand response）項目是我國電力市場進行能源需求側(cè)管理的重要手段[3]，主要分為基于激勵的需求響應(yīng)IBDR（incentive?based de?mand response）和基于價格的需求響應(yīng)PBDR（price?based demand response）。其中，PBDR 以其操作靈活、用戶參與度高等優(yōu)點廣泛應(yīng)用于DR 項目中[4]。與此同時，虛擬電廠[5?6]因其能夠聚合各類分布式能源并作為一個整體參與到系統(tǒng)的調(diào)度中，也逐漸成為如今的研究熱點。因此，價格型需求響應(yīng)虛擬電廠PBDR?VPP（price?based demand re?sponse virtual power plant）應(yīng)運而生，且發(fā)展迅速[7?8]。

PBDR?VPP[9]中的一個重要問題是如何對用戶參與DR時的響應(yīng)行為及其存在的不確定性進行建模分析[10]，以實現(xiàn)對虛擬電廠中負荷側(cè)可調(diào)度資源不確定性的精準量化。目前針對VPP 中PBDR 的建模方法大致可以分為以下3 類[11]：①采用數(shù)學方法直接對用戶的響應(yīng)行為進行建模[12]，此類方法雖較簡單，但只能對用戶的響應(yīng)行為做大致的定性研究，難以進行精確的定量分析；②利用經(jīng)濟學原理解決PBDR 問題，采用表征電價變化率對負荷變化率影響的價格需求彈性矩陣[13?15]對PBDR 進行建模分析；③PBDR 與經(jīng)濟學中的消費者心理學模型[16]相結(jié)合，將用戶對于PBDR 的響應(yīng)行為分為死區(qū)、線性區(qū)和飽和區(qū)，在不同的區(qū)域內(nèi)分別研究用戶的響應(yīng)行為特性。

在以上3 種方法的基礎(chǔ)上，對PBDR 響應(yīng)行為中存在的不確定性又有如下3種主要分析方法：①概率法，假設(shè)用戶的響應(yīng)偏差符合均值和方差為某一特定數(shù)值的正態(tài)分布隨機數(shù)[17]；②模糊理論法，利用模糊隸屬度函數(shù)對用戶的響應(yīng)隨機性進行建模分析；③類概率法，將其他領(lǐng)域的研究方法（如Z?number理論和證據(jù)理論）遷移到PBDR 的不確定分析中[18]。這些方法雖能夠在一定程度上描述用戶響應(yīng)行為存在的不確定性，但由于模型自身的缺陷，概率法和模糊理論法難以同時表達響應(yīng)行為的隨機性與模糊性，而類概率法又普遍存在建模精度低于傳統(tǒng)概率法的特點。文獻[16]以“響應(yīng)率+響應(yīng)率波動”綜合表示用戶的響應(yīng)行為，用具有隸屬度特征的模糊參量表達用戶的實際響應(yīng)容量；文獻[17]在考慮響應(yīng)行為的不確定性時，主要關(guān)注于基線負荷的預(yù)測偏差，并將正態(tài)分布作為預(yù)測偏差的波動范圍；文獻[19?20]在對PBDR進行建模時，利用價格需求彈性矩陣表征電價變化率對于用戶負荷變化率的影響，同時將基線負荷與負荷響應(yīng)量的預(yù)測誤差用三角模糊數(shù)進行表示；文獻[21]用“Z?number”理論描述用戶響應(yīng)行為的天然隨機性，并考慮基礎(chǔ)信息可信度對建模過程的影響；文獻[22]利用兼容概率理論與區(qū)間理論的證據(jù)理論法對需求響應(yīng)中的隨機性與模糊性進行分析。以上方法在對PBDR行為進行建模時，只是單一地考慮用戶響應(yīng)行為的隨機性或模糊性，導致在考慮響應(yīng)隨機性時忽略了用戶存在的認知模糊性，同時采用正態(tài)隨機數(shù)與模糊數(shù)作為響應(yīng)的預(yù)測偏差，只能視為大致的近似結(jié)果，而“類概率法”雖然有時可以兼顧響應(yīng)的隨機性與模糊性，但建模精度往往較低。

針對上述模型存在的難以同時考慮用戶響應(yīng)行為隨機性與模糊性的不足，本文將能夠?qū)崿F(xiàn)定性概念與定量數(shù)據(jù)之間雙向轉(zhuǎn)換、兼顧研究對象的隨機性與模糊性、且能夠?qū)蝹?cè)不確定變量精確建模的梯形半云[23]應(yīng)用到價格型需求響應(yīng)的建模分析中。通過梯形半云模型[24?25]中的正向云變換FCT（forward cloud transformation）算法與逆向云變換BCT（backward cloud transformation）算法，實現(xiàn)用戶響應(yīng)行為概念內(nèi)涵與概念外延之間的雙向轉(zhuǎn)化。用云滴的分布形狀及離散程度模擬用戶參與響應(yīng)時的不確定行為，有效解決了傳統(tǒng)建模方法難以同時兼顧用戶的響應(yīng)隨機性與認知模糊性的缺點，提高了建模精度。在負荷側(cè)靈活性資源得以精準描述的基礎(chǔ)上，將其與電源側(cè)的分布式資源進行整合，共同參與到虛擬電廠的調(diào)度中，實現(xiàn)使PBDR?VPP所獲綜合效益最大化的經(jīng)濟協(xié)調(diào)調(diào)度。

1 整體設(shè)計思路

基于梯形半云模型的PBDR?VPP 源荷協(xié)調(diào)經(jīng)濟調(diào)度研究思路框架如圖1所示。

圖1 PBDR-VPP 源荷協(xié)調(diào)經(jīng)濟調(diào)度思路Fig.1 Idea of PBDR-VPP coordinated economic dispatching of sources and loads

電源側(cè)采用經(jīng)典的場景法處理風電和光伏出力的不確定問題，將一年中風光的出力數(shù)據(jù)進行場景削減，得到典型日的風電和光伏出力數(shù)據(jù)；負荷側(cè)采用梯形半云對PBDR 進行建模分析，用云滴的分布形態(tài)與離散程度模擬用戶參與PBDR 行為時的響應(yīng)程度與波動范圍。之后，將電源側(cè)與負荷側(cè)的分布式靈活資源結(jié)合，實現(xiàn)PBDR?VPP的經(jīng)濟協(xié)調(diào)調(diào)度。

在負荷側(cè)PBDR行為的建模分析中，考慮到用戶對于分時TOU（time?of?use）電價策略的響應(yīng)行為概率分布具有單側(cè)不確定分布特征，而對稱的正態(tài)云及梯形云模型并不適用于描述單側(cè)不對稱變量的定性概念，故本文采用將隨機性與模糊性進行有機結(jié)合、且能夠衡量變量單側(cè)分布特征的梯形半云對PBDR進行建模分析。具體步驟為：首先，構(gòu)建用戶參與PBDR 行為的數(shù)學函數(shù)表達式，由此獲得用戶參與響應(yīng)的費用節(jié)省因子，并構(gòu)造與其對稱的映像數(shù)據(jù)以獲得完整的節(jié)省因子數(shù)據(jù)樣本集；其次，通過BCT 求解反映用戶費用節(jié)省因子與響應(yīng)行為映射關(guān)系的數(shù)字特征，即均值Ex、熵En和超熵He，并用C（Ex，En，He）進行表示；最后，采用FCT生成用戶響應(yīng)行為的不確定梯形半云云圖，用云滴的分布形狀模擬用戶的響應(yīng)行為及波動程度，由此獲得虛擬電廠中用戶側(cè)資源的可調(diào)度容量與波動范圍。

2 基于梯形半云的PBDR-VPP 模型建立

2.1 云模型及梯形半云模型結(jié)構(gòu)分析

自1995 年李德毅院士提出云模型（cloud mod?el）的概念以來，定性概念與定量數(shù)據(jù)之間的便捷精確轉(zhuǎn)化得以實現(xiàn)。

云模型認知雙向轉(zhuǎn)化過程如圖2 所示。云模型作為研究對象定性概念與定量數(shù)據(jù)之間的聯(lián)系紐帶，通過FCT 與BCT，實現(xiàn)了定性概念（均值Ex，熵值En和超熵值He）與定量數(shù)據(jù)（云滴Drop(x,μ)）之間的映射轉(zhuǎn)換。

圖2 云模型認知雙向轉(zhuǎn)化過程Fig.2 Two-way transformation process of cloud model cognition

根據(jù)大數(shù)定律和中心極限定理，正態(tài)分布及正態(tài)隸屬函數(shù)具有普適性的特點，因此作為隨機性與模糊性的結(jié)合產(chǎn)物?正態(tài)云模型[28]，廣泛應(yīng)用于具有對稱分布特征的研究對象中。除此之外，由于研究對象的多樣性，衍生云模型如圖3 所示，因其更加符合實際情況的特點，越來越多地應(yīng)用于現(xiàn)有對象的研究中。

圖3 衍生云模型云圖Fig.3 Cloud diagram of derivative cloud model

如圖3 中的梯形云模型，梯形云是在正態(tài)云的基礎(chǔ)上，對云模型理論進行擴展和提升得到的產(chǎn)物。由于正態(tài)分布及正態(tài)隸屬度函數(shù)的特殊性，正態(tài)云中隸屬于某一概念的值只能有一個，而梯形云中可以有多個確定屬于某一概念的值，即可以表示有多個元素確定屬于此概念，表現(xiàn)在圖中就是Ex1與Ex2之間元素的隸屬度函數(shù)值都為1，因此梯形云模型比正態(tài)云模型更具一般性。

2.2 梯形半云建模分析

2.2.1 基于梯形半云的PBDR 機理分析

分時電價是PBDR 常用的實施方式，參與響應(yīng)的用戶根據(jù)一天中電價的變化適當?shù)卣{(diào)整自身用電行為，從而減少用電費用的支出，建立用戶在分時電價下用電費用變化情況的數(shù)學函數(shù)表達式。

未參與PBDR時，有

參與PBDR后，用戶的用電費用為

考慮用戶參與PBDR 行為可以最大化節(jié)省用電費用，即

由于不同用戶存在主觀認知的差異，對電價變化敏感程度不同，僅依靠節(jié)省電費的變化情況無法精確衡量用戶對于PBDR 策略的響應(yīng)程度及波動范圍。為解決此問題，參考文獻[27]所述方法中，定義統(tǒng)一的度量標準?費用節(jié)省因子η作為不同用戶對節(jié)約電費所帶來收益的認知指標，即

實際價格型需求響應(yīng)中，用戶的響應(yīng)行為并非隨著費用節(jié)省因子的增加不斷變大，而是在η增大到某一值時，受到各種非經(jīng)濟因素的影響，響應(yīng)行為達到飽和，不再隨著η的增加繼續(xù)增大。PBDR中用戶的費用節(jié)省因子與其響應(yīng)行為間的映射關(guān)系具有單側(cè)不確定分布特征，且響應(yīng)的不確定程度也會隨著節(jié)省因子的變大而越來越小。

同時，圖3中梯形半云（梯形云的左半部分）的云滴分布具有如下變化趨勢：當橫坐標變量較小時，云滴縱坐標對應(yīng)的隸屬度函數(shù)也較小，且云滴分布較為分散；當橫坐標變量不斷增大時，云滴對應(yīng)的隸屬度也在變大，且云滴分布越來越密集，即云滴的波動程度越來越?。划斣频螜M坐標值達到Ex1時，隸屬度也達到最大值1，此后，在(Ex1?Ex2)范圍內(nèi)的云滴隸屬度都為1且不再波動。

由上述分析可知，PBDR的響應(yīng)行為特性與梯形半云的變化特征一致，故本文將能夠衡量研究對象單側(cè)不確定特性的梯形半云應(yīng)用到PBDR 的建模分析中，表征η與響應(yīng)程度之間的不確定映射關(guān)系。

2.2.2 梯形半云建模

基于梯形半云的PBDR建模流程如圖4所示。

圖4 梯形半云PBDR 模型算法流程Fig.4 Algorithm flow chart of trapezoidal semi-cloud PBDR model

1）構(gòu)造映像數(shù)據(jù)

對用戶費用節(jié)省因子ηi的單側(cè)數(shù)據(jù)構(gòu)造與其對稱的映像數(shù)據(jù)[26]，具體步驟如下。

用戶費用節(jié)省因子ηi的數(shù)據(jù)樣本集Λhalf為

2）逆向云變換算法

通過逆向云變換算法可得描述費用節(jié)省因子與響應(yīng)行為映射關(guān)系的數(shù)字特征C(Eη,En,He)，具體步驟如下。

算法：逆向云變換算法

輸入：n個費用節(jié)省因子樣本數(shù)據(jù)ηi（i=1，2，3，…，n）

輸出：樣本數(shù)字特征C(Eη,En,He)

步驟：

步驟2計算樣本數(shù)字特征?均值Eη，即

步驟3計算樣本數(shù)字特征?熵En，即

步驟4計算樣本數(shù)字特征?超熵He，即

由上述逆向云變換算法，可得反映用戶費用節(jié)省因子與響應(yīng)行為映射關(guān)系的數(shù)字特征值C(Eη,En,He)。

3）正向云變換算法

通過正向云變換算法生成梯形半云云圖，用以表征用戶在不同費用節(jié)省因子下對PBDR 策略的響應(yīng)程度，步驟如下。

算法：正向云變換算法

輸入：數(shù)字特征C(Eη,En,He)及生成的云滴數(shù)n

算法步驟：

步驟1生成以En為期望值、He2為方差的一個正態(tài)隨機數(shù)yi，即

式中，RN為隨機數(shù)生成函數(shù)。

步驟3計算用戶在不同費用節(jié)省因子下的響應(yīng)程度μ(ηi)，即

步驟4具有隸屬度μ(ηi)的ηi為梯形半云模型數(shù)域中的一個云滴。

步驟5重復(fù)步驟1～步驟4，直到產(chǎn)生要求的n個云滴為止。

4）擬合優(yōu)度檢驗

判定系數(shù)R2（coefficient of determination）常用來判斷統(tǒng)計模型的解釋能力，本文采用R2作為建模方法精確度的評價指標。具體表達式為

式中，SSres為殘差的平方和。定義殘差為ei，則有

SStot為數(shù)據(jù)的方差，其含義表示為

2.3 PBDR-VPP 模型構(gòu)建

由梯形半云模型可得用戶參與PBDR 策略的響應(yīng)情況，在此基礎(chǔ)上進行VPP 的優(yōu)化調(diào)度，以VPP總運行成本最低為目標，在實現(xiàn)新能源最大消納的同時促進電網(wǎng)的移峰填谷，進而平滑負荷曲線。目標函數(shù)為

式中：C1為MT與FC的運行成本；C2為儲能單元成本；C3為各機組運維成本；C4為VPP與電網(wǎng)交互成本。

（1）MT與FC的運行成本為

式中：a、b、c均為微型燃氣輪機MT 的運行成本系數(shù)；k、kf均為燃料電池FC 的運行成本系數(shù)；PMT,t和PFC,t分別為t時刻MT和FC的輸出功率。

（2）儲能單元成本為

式中：kDES和λDES分別為儲能電池DES充放電功率成本與維護成本系數(shù)。

（3）運維成本為

式中：kMT、kFC、kDES、kV和kW分別為燃氣輪機、燃料電池、分布式儲能、光伏機組和風機的維護系數(shù)；PV,t和PW,t分別為t時刻光伏和風機的輸出功率。

（4）與電網(wǎng)交互成本為

2.4 模型求解

本文所述價格型需求響應(yīng)虛擬電廠的經(jīng)濟調(diào)度問題為一個線性隨機規(guī)劃問題，采用GAMS軟件CPLEX求解器對上述所建隨機優(yōu)化模型進行求解，求解優(yōu)化流程如圖5所示。

圖5 模型求解流程Fig.5 Model solving process

3 算例分析

3.1 參數(shù)設(shè)置

3.1.1 基本參數(shù)設(shè)置

以VPP 為載體，進行基于梯形半云模型的PB?DR?VPP源荷協(xié)調(diào)經(jīng)濟調(diào)度仿真分析。

將微型燃氣輪機MT、燃料電池FC、分布式儲能DES、風電機組和光伏機組以及用戶側(cè)的需求響應(yīng)資源聚合為VPP參與優(yōu)化調(diào)度，調(diào)度周期T為24 h，相關(guān)機組參數(shù)設(shè)置如下。

本文實施的分時電價如表1 所示，機組相關(guān)參數(shù)取值如表2所示。

表1 VPP 與電網(wǎng)交互電價Tab.1 VPP and grid interactive electricity prices

表2 機組參數(shù)取值Tab.2 Values of unit parameters

在表1分時電價下計算用戶參與PBDR行為的最大費用節(jié)省因子為0.094 5，且用戶在η=0.082 6時響應(yīng)程度已達飽和，由文獻[27]可知，用戶費用節(jié)省因子符合（0～0.082 6）區(qū)間內(nèi)的均勻隨機分布，由此可得節(jié)省因子單側(cè)數(shù)據(jù)樣本。經(jīng)逆向云變換算法求得梯形半云模型的數(shù)字特征Eη= 0.082 6，En=0.037 0，He=0.002 0；正態(tài)云模型數(shù)字特征為Eη=0.046 9，En=0.026 6，He=0.001 3。

3.1.2 電源側(cè)新能源出力場景生成

電源側(cè)新能源出力具有較大不確定性，本文采用經(jīng)典的場景法對其進行處理。

將某地風電機組、光伏機組的歷史出力數(shù)據(jù)作為樣本，以光伏機組為例，光伏出力數(shù)據(jù)曲線如圖6所示。

圖6 光伏出力數(shù)據(jù)曲線Fig.6 Curves of photovoltaic output data

圖6（a）所示為此地光伏機組一年內(nèi)每日的出力數(shù)據(jù)，在本組數(shù)據(jù)中，機組受光照強度影響，在一日時間尺度內(nèi)，出力由小變大再變小，最大出力可達160 kW。為一般起見，采用K?means聚類法對歷史數(shù)據(jù)進行場景縮減以得到典型日出力，場景閾值設(shè)為5，縮減后得到圖6（b）所示5 個典型日場景光伏出力曲線，各場景出現(xiàn)的概率在括號中數(shù)字標出。

3.2 基于梯形半云的PBDR-VPP 源荷協(xié)調(diào)仿真分析

3.2.1 梯形半云與正態(tài)云擬合精度對比分析

在已知梯形半云模型與正態(tài)云模型數(shù)字特征的基礎(chǔ)上，利用正向云變換算法，分別生成梯形半云與正態(tài)云的云滴分布，如圖7所示。

圖7 云模型響應(yīng)擬合Fig.7 Fitting of cloud model response

根據(jù)圖7（a）梯形半云云圖的云滴分布形態(tài)可以看出，在費用節(jié)省因子較小時，用戶對于PBDR策略的響應(yīng)程度也較小，且響應(yīng)的不確定性較大，表現(xiàn)在云圖上則為云滴對應(yīng)的縱坐標響應(yīng)度較小，且云滴分布較為分散；隨著費用節(jié)省因子的增加，用戶響應(yīng)程度逐漸變大，且響應(yīng)的不確定性越來越小，表現(xiàn)在云圖上為云滴分布越來越密集；直到η增加至用戶期望的節(jié)省因子，即η=0.082 6 時，響應(yīng)程度達到最大，此時云滴波動范圍幾乎為0（響應(yīng)不確定性為0）；隨著節(jié)省因子繼續(xù)變大，用戶響應(yīng)程度達到飽和且不再波動。由此定性分析過程可以看出，梯形半云能夠合理描述用戶參與PBDR 策略的真實響應(yīng)特性（響應(yīng)行為的不確定性與飽和性），更加符合實際情況。

圖7（b）的正態(tài)云模型僅依據(jù)概率論中的大數(shù)定律，認為正態(tài)分布具有普適性并將其用于PBDR的建模分析中，模擬用戶對費用節(jié)省因子變化的響應(yīng)行為。從圖中可以看出，隨著費用節(jié)省因子的增加，用戶的響應(yīng)程度先變大后變小，在η=0.046 9時響應(yīng)程度達到最大，而后隨著η繼續(xù)增加響應(yīng)程度變小。同時，從云滴分布形態(tài)中可以看出，云滴分布由稀疏到密集再到稀疏，意味著用戶響應(yīng)行為的不確定性先減小后增大，這一過程并無法精確反映用戶的實際響應(yīng)特性。

3.2.2 模型擬合優(yōu)度檢驗

通過判定系數(shù)R2評價模型擬合程度的優(yōu)劣，將梯形半云與正態(tài)云生成的云滴分別與用戶的實際響應(yīng)數(shù)據(jù)進行對比分析，計算其判定系數(shù)，并以此評價模型的解釋能力，結(jié)果如表3所示。

表3 模型判定系數(shù)對比Tab.3 Comparison of R2

由表3 中數(shù)據(jù)分析可得，梯形半云模型的擬合優(yōu)度高于正態(tài)云模型14.66%，這是由于正態(tài)云模型僅依靠中心極限定理與大數(shù)定律對數(shù)據(jù)做大致的擬合，并未反映用戶的真實響應(yīng)行為，而梯形半云具有可以衡量單側(cè)不對稱定性概念的特點，對本文研究對象具有較高的擬合精度。

3.2.3 源荷協(xié)調(diào)調(diào)度結(jié)果分析

在PBDR策略下，以VPP總運行成本最低為目標，對負荷轉(zhuǎn)移情況及各機組運行成本進行分析求解。

為驗證本文所提方法，對比3 種情況下負荷曲線的變化趨勢及相應(yīng)成本。

情況1：不考慮PBDR策略；

情況2：考慮PBDR 策略，令其參與到虛擬電廠的優(yōu)化調(diào)度中；

情況3：考慮PBDR 策略，并用本文所述梯形半云對PBDR 進行建模，對調(diào)度結(jié)果與負荷曲線進行分析。

以上3種情況得出的負荷曲線變化結(jié)果如圖8所示。由圖8 可以看出，PBDR 的實施一定程度上實現(xiàn)了負荷低谷期的抬升及負荷高峰期的降低，較為有效地起到了對波動較大的負荷曲線“移峰填谷”的效果。引入差異系數(shù)CV（coefficient of varia?tion）作為量化PBDR 對負荷曲線平滑效果的衡量指標，指標值為所要評估的樣本數(shù)據(jù)標準差與平均數(shù)的比值。

圖8 負荷曲線變化情況對比Fig.8 Comparison of changes in load curves

情況1 不考慮PBDR 的負荷曲線差異系數(shù)為0.300 5；在考慮PBDR 的2 種情況中，情況2 中負荷曲線的差異系數(shù)為0.263 1，情況3中負荷曲線的差異系數(shù)為0.240 4?？梢?，考慮PBDR 后曲線平滑度分別提高了12.45%與20%，采用本文提出的梯形半云對價格型需求響應(yīng)進行建模，負荷曲線平滑度得到了明顯提高。

以上內(nèi)容說明采用梯形半云對PBDR 進行建模分析時，能夠充分考慮到用戶響應(yīng)中存在的認知模糊性，從而更好地利用荷側(cè)資源，減少系統(tǒng)的運行風險。

將3 種情況下VPP 的總運行成本進行對比，結(jié)果如表4 所示。由表4數(shù)據(jù)可得，在考慮PBDR 后，VPP節(jié)約了一定的成本，主要原因在于具有源荷雙重特性的用戶側(cè)資源在用電高峰期減輕了系統(tǒng)的供電壓力，使運行成本較高的可控機組MT與FC的出力減少，同時由機組運行產(chǎn)生的環(huán)境成本也隨之降低；另一方面，需求側(cè)用戶參與到系統(tǒng)的調(diào)度中與源側(cè)進行互動，使VPP 與電網(wǎng)的交互功率變小，購電成本也有所減少。

表4 運行成本結(jié)果對比Tab.4 Comparison of operating cost results 元

由表4還看出，考慮PBDR后，VPP的的總體運行成本均有所減少，且對PBDR 采用梯形半云建模后，兼顧了用戶響應(yīng)行為的隨機性與模糊性，使得負荷變化曲線更為平滑，從而VPP的運行成本進一步下降。

4 結(jié) 論

本文在研究價格型需求響應(yīng)虛擬電廠建模問題的基礎(chǔ)上，提出了一種可將PBDR 響應(yīng)行為的定性概念與定量數(shù)據(jù)之間進行雙向轉(zhuǎn)換的建模方法?基于梯形半云模型的價格型需求響應(yīng)虛擬電廠不確定性建模方法，實現(xiàn)了虛擬電廠中負荷側(cè)可調(diào)度靈活資源不確定性的精準衡量，以便后期PBDR?VPP優(yōu)化調(diào)度的執(zhí)行。具有以下特點：

（1）將梯形半云應(yīng)用到PBDR?VPP中用戶側(cè)響應(yīng)行為的建模分析中，更加符合響應(yīng)特性的實際情況，且能夠兼顧響應(yīng)行為存在的隨機性與模糊性；

（2）通過云模型體系中的正、逆向云變換算法，實現(xiàn)了響應(yīng)行為概念內(nèi)涵（定性概念）與概念外延（定量數(shù)據(jù)）之間的雙向轉(zhuǎn)化，用云滴的分布形狀模擬響應(yīng)行為的不確定性，提高了建模精度；

（3）充分考慮源荷雙側(cè)的分布式靈活可調(diào)度資源，并采用恰當?shù)姆绞浇鉀Q其存在的不確定問題，將二者結(jié)合，實現(xiàn)使虛擬電廠綜合效益最大化的源荷協(xié)調(diào)經(jīng)濟調(diào)度。

本文重點關(guān)注于梯形半云模型下的價格型需求響應(yīng)建模方法，但缺少對虛擬電廠中用戶基線負荷不確定性的考慮，此外還可將梯形半云用于激勵型需求響應(yīng)的建模中，后期可圍繞上述兩方面展開進一步的研究。