，同时决策每个时段所属的电价层级，并进一步求解各层级交易电价
，从而形成步骤（2）框架下的光伏发电商报价体系。摘要 当前农村光伏市场化程度较低，其建设在很大程度上依赖国家扶贫资金的支持。为了加快农村光伏实现自主营收的进程，亟需研究并提出合理的农村光伏市场化交易模式。针对上述问题，以提升农村光伏售电收益和本地消纳水平为目标，提出一种基于价格型需求响应的农村光伏交易模式。首先，分析各交易相关主体的主要行为特征，研究并提出电力用户主动和非主动参与下的交易模式。其次，计及光伏出力特征，提出基于价格型需求响应的光伏发电商定价方法。在此基础上，考虑电力用户主动及非主动参与交易两类情况，并在各类情况下进一步考虑电网公司采用固定电价及峰谷电价两种策略，分别建立电力用户响应行为模型。最后，基于某乡镇光伏扶贫项目的实际数据，开展仿真算例分析，仿真结果验证了所提出交易模式的有效性。
关键词：分布式发电市场化 价格型需求响应 农村光伏 交易模式
自2015年光伏扶贫试点工作开展以来，农村地区分布式光伏建设已取得显著成果[1-2]。当前该项工作正进入收口阶段，扶贫方式已由早期的固定补贴形式转变为以发电收益为主导的村集体经济形式[3]。然而，当前光伏扶贫建设正面临市场化程度较低等因素的制约，导致发电收益过低，严重依赖补贴国家资金投入等一系列问题，部分地区甚至难以达到国家规定的扶贫光伏最低收益标准[4]。
因此，我国的农村光伏产业亟需由依托扶贫项目支撑转向自主化市场交易。为了提升农村光伏主动参与交易的积极性，需要建立合理的市场化交易模式，从而切实推动实现支持农村发展的初衷，助力达成真脱贫、脱真贫的愿景[5]。
目前，针对农村地区分布式发电市场化交易模式的研究还相对较少，需要重点关注以下两方面问题：①可以借鉴开放电力市场的经验[6-11]；②需要与农村实际情况相结合。但是，现行农村地区分布式发电市场化交易模式还存在以下问题：首先，当前分布式发电市场化交易模式偏向于实现新能源的就近消纳[4]，光伏发电商以临近农村用户为主要交易对象，本地消纳能力不足；其次，农村地区用户侧通信基础通常较弱[12]，基于实时信息的交易模式难以有效开展；此外，农村用户对复杂调控策略和交易模式的认可程度通常较低[13]，参与度和执行度难以保障；最后，当不同用户分属多利益主体时经济性收益将难以统一协调[14]，基于交易公平性认知差异可能造成用户用电满意度降低。
因此，在农村光伏市场化交易的初期，基于多边报价协商的博弈型策略可能难以实现[15-18]。相对而言，以发电商自主决定光伏定价策略，面向农村用户直接展示各时刻电价，是一种更可行的方案。同时，为减少过量光伏向上级电网的输送及弃光现象，充分挖掘负荷侧可调节资源，从而提升光伏的就近消纳能力具有积极的推动作用[19-21]。
价格型需求响应（Demand Response, DR）作为柔性负荷调度的重要手段，近年来受到了学者们的广泛关注[22-25]。现有研究成果已从电价制定策略[26]、需求响应模型[27]、经济安全调度[28]、影响因素分析[29]、实施效果评价[30]等诸多方面论证了价格型DR的基本实施方法和对电网实际调度的影响，从而可以为农村光伏市场化交易模式提供有效参考。同时，当前农村光伏报量报价、按月结算的方式也可以为模式的建立提供基本框架[31]。因此，将现有农村光伏实际隔墙交易模式与价格型DR相结合，提出适用于农村场景的光伏发电商交易策略具有重要的理论和现实意义。
本文首先分析了光伏发电商、电力用户和电网公司的主要行为模式，并研究了电力用户主动和非主动参与交易的差异性及对应适用场景；其次，结合发电商主要行为模式提出了基于TOU（time of use）制定光伏DR电价策略的基本流程框架；然后，基于发电商制定的光伏电价，针对用户主动及非主动参与交易两类场景，各场景下进一步考虑电网公司采用固定电价以及DR两种策略，分别基于消费者心理学理论建立了电力用户响应行为模型；最后，考虑电网公司、发电商和电力用户相关约束构建了日前优化调度模型，并通过仿真算例验证了本文所提出交易策略的有效性。
1）农村光伏发电商行为模式
农村光伏发电商主要承担两项职责：①从提升自身收益及光伏本地消纳水平出发，基于TOU制定合理的光伏DR定价策略；②在日前上报光伏出力预测曲线，为用户的用电调整提供参考。
由于农村电力用户通常不具备实时响应激励信号的通信基础以及调节能力[12]，因此光伏发电商的报量及报价主要于日前进行。
2）农村电力用户行为模式
农村电力用户应以村集体形式与光伏发电商交易，依据各时刻光伏预测出力及电价信息调整负荷电量曲线。
依据消费者心理学理论可知[32]，电力用户的用电行为主要受经济性及用电习惯等因素影响。由文献[33]可知，在TOU电价信号引导下负荷将在不同时段间进行转移；该过程主要可以分为三个阶段：①死区：用户对激励信号响应的收益较低，从而倾向于维持原有用电曲线；②线性区：用户响应行为收益提升，负荷转移现象明显；③饱和区：负荷侧可调节潜力发挥趋于上限。由此可以刻画电力用户的主要响应特征。
3）电网公司行为模式
电网公司将为交易提供以下保障：①保证交易结果不会引发系统运行的安全性等问题；②对无法完全本地消纳的光伏进行统一收购；③在光伏出力不足以满足负荷需求时为用户提供电量支撑。
1）电力用户非主动参与的交易模式
电力用户非主动参与情况下，交易将以光伏发电商为主导，此时用户侧整体响应行为与参加电网公司DR时相同，并主要依据发电商制定的光伏电价调整自身用电。
面向农村地区，村集体在现有交易模式下主要承担与分布式光伏相关的收支及补贴发放等职能[31]，而无法作为聚合商对负荷侧资源进行统一协调；另一方面，受限于信息的不对称性，单个电力用户难以基于完整交易信息调整自身用电，因此响应行为可能存在一定盲目性。在此情况下，受电网公司监督，以光伏发电商作为主导的交易模式可以对负荷侧资源进行合理引导和整体调控，因此具有较好的适用性。
2）电力用户主动参与的交易模式
在电力用户有意愿及能力主动参与的交易模式下，用户将不仅受光伏电价引导，同时还将结合源荷双侧交易信息调整用电行为。
随着农村地区分布式发电市场化交易走向成熟，当村集体可以逐步起到负荷聚合商职能时，一方面可以对负荷侧资源进行整体调控，另一方面可以依据光伏出力预测信息、光伏电价信息、负荷整体预测信息、历史交易情况统计等完整交易信息调整负荷曲线。在此情况下，电力用户主动参与可以降低发电商单方主导交易时决策偏差可能引发的交易风险，因此具有更好的适用性。
本节首先提出了基于价格型DR的光伏发电商定价流程；其次面向电力用户，分四类场景建立了光伏电价与电网电价耦合影响下的用户响应行为模型，场景划分依据电力用户是否主动参与交易以及电网不同的电价策略。
结合光伏发电商的交易目标和主要行为模式，其制定光伏电价策略时具有以下特征：
（1）光伏发电商以自身收益最大化为目标，同时考虑提升光伏的本地消纳水平。
（2）在夜间时段无光伏出力情况下，仅由电网公司向电力用户供电。
（3）在保证系统运行安全性的前提下，允许低负荷时段向高负荷时段的电量转移行为。
（4）为保障自身收益，各时刻光伏电价应不高于同时刻电网电价且不低于电网统一收购价格。
基于以上分析，可以拟定基于价格型DR的光伏发电商定价流程如下（流程图见附图1）：
（1）依据光伏出力预测结果，辨识24h中存在光伏出力的时间集T。
（2）设定时间集T划分的时间段数M以及光伏售电价格的阶梯层级数N，从而形成M个时间段N层电价的决策框架。
（3）以光伏发电商收益最高为目标，决策将时间集T划分为M个时间段的节点，同时决策每个时段所属的电价层级，并进一步求解各层级交易电价，从而形成步骤（2）框架下的光伏发电商报价体系。
（4）以光伏发电商收益提升为基准，更新最优定价策略。
（5）更新步骤（2）中的时间段数M及电价阶梯数N，从而形成新的决策框架；当两者均达到设定的上限时，即可得到价格型DR下光伏发电商的最优定价策略。
为提升光伏发电商收益，上述定价策略中在时间段划分及电价层级的决策上均设置了一定的自由度。但定价机制的复杂化也会带来交易模式施行难度提升、用户用电满意度下降、DR不确定性提升等问题，为此本文分别对时间段数及电价阶梯数设置了对应的上限值
与
进行约束。
在电力用户非主动参与的情况下，交易模式将以光伏发电商为主导。此时用户主要依据各时刻光伏电价进行用电调整。
2.2.1 基于消费者心理学理论的负荷转移模型
依据消费者心理学理论，电价相等的时间集可以划分为一个“时段”，受用电经济性等因素影响，负荷会在不同时段间进行转移，由此可以建立价格型DR下负荷侧响应行为模型[33]。
图1反映了两时段间负荷转移率
跟随电价差
变化的机理。曲线由死区、线性区与饱和区三部分构成。图中，
表示两时段间负荷转移率的上限值；
、
、
分别表示死区、线性区、饱和区的转折点电价差。由于电力用户自主响应行为的随机性特征，负荷转移率曲线存在一定的不确定性，
与
表示某电价差下负荷转移率的上下边界范围，其概率密度函数可以采用正态分布近似表示[34]。为降低模型的复杂度，参考文献[32]，本文对图1曲线进行了分段线性处理（见附图2）。
图1 负荷转移率-电价差曲线
Fig.1 Load transfer rate-electricity price difference curves
依据图1可以将两个时段间的负荷转移电量表示为
（1）
（2）
式中，与
分别为负荷转移率的期望值及不确定量；f(·)为负荷转移率-电价差函数；
(·)为正态分布函数；
、
分别为负荷转出及转入时段内某一时刻的负荷改变量；
为DR实施前负荷转出时段的总负荷量；
、
分别为负荷转出及转入时段的总持续时长。
2.2.2 电力用户响应行为建模
假定各时刻电网售电价格为
（包含峰、平、谷电价
），光伏售电价格为
（包含
），且光伏电价满足
（3）在此基础上，结合电网公司不同的售电机制，本文针对以下两种情况开展分析：
1）电网公司以24h固定价格售电
由前述分析可知，各时刻光伏售电价格应当低于同时刻电网售电价格，即
（4）在无光伏出力的时段，电力用户仅由电网公司供电，此时电力用户的购电价格为
，高于其他时段的电价，因此负荷会向其他时段转移；同时，负荷也会在光伏发电商划定的各级电价时段间转移。由此，基于消费者心理学理论，结合图1、式（1）、式（2），可以计算各时刻的负荷预测电量如下。
对于仅由电网公司向用户供电的时段，负荷总转出量为
（5）式中，
与
分别为总负荷量及负荷总改变量；
为仅电网供电时段向光伏电价为
时段的负荷转移率。
对于光伏电价为
的时段，其总转入以及总转出的负荷量分别为
（6）式中，
、
、
分别为总负荷量、负荷总转入量及总转出量；
为光伏电价为时段向光伏电价为时段的负荷转移率。
结合式（5）、式（6），可以将各时刻的负荷预测量表示为
（7）式中，
与
分别为仅由电网向用户供电时段的时间集及总持续时长；
与
分别为光伏电价为时段的时间集及总持续时长。
由于光伏出力的不确定性及有效供电时间的限制，在电价引导下进行转移的负荷可能会发生转移过量导致光伏供应不足的情况，此时将由电网公司为用户提供电量支撑。
2）电网基于TOU施行价格型DR
已知电网公司峰、平、谷时段电价满足
（8）同一时刻电网公司与光伏发电商售电价格关系满足
（9）
然而取两个不同时刻
、
，电网售电价格并非恒定大于所有时刻的光伏售电价格，即存在
（10）由此假定电网电价与光伏电价的耦合关系为
（11）
在电力用户非主动参与的交易模式下，负荷转移行为将受到各时段电网电价与光伏电价中较低者引导。结合式（11）可以做出负荷转移的引导电价示意图（见附图3）。
基于消费者心理学理论，结合图1、式（5）～ 式（7），可以计算各时刻的负荷预测电量如下。
对于光伏电价为的时段，与其他光伏电价层级时段间的负荷总转移量
为
（12）与仅由电网供电时段间的负荷总转移量
为
（13）
式中，
、
为仅电网供电时段向光伏电价为时段的负荷转移率。
对于无光伏出力仅由电网公司向用户供电的时段，其负荷总改变量为
（14）式中，
、
分别为电力用户以平电价、谷电价向电网公司购电的时间集。
结合式（12）～式（14），可以将各时刻负荷电量的预测值表示为
（15）需要说明的是，、并非电网公司划定的平时段、谷时段，而表示电力用户以电价
、
向电网公司购电的时间集。分析可知，由于电网公司峰电价
高于任意时段的光伏电价，因此用户以购电的时间集为空集，即
；同时，由于夜间时段无光伏出力且总负荷通常较低，因此必然存在用户以购电的时段；是否为空集与电网公司的时段划分以及光伏出力情况有关，若电网公司划定的平电价时段均存在光伏出力，则
。
在电力用户主动参与的交易模式下，光伏发电商仍可采用2.1节定价流程，而电力用户的负荷转移行为一方面受光伏电价引导，另一方面将受到光伏出力以及负荷电量预测情况制约，实际表现如：当某时刻光伏出力大于用电需求但裕量较少时，即使该时刻光伏电价较低，为避免负荷过量转移引起用电总成本的提升，向该时刻转移的负荷量同样较少。
在此基础上，本文针对电网公司采用固定电价以及推行价格型DR两类情况分别建立了模型如下。
1）电网公司以24h固定价格售电
为便于描述，定义各时刻净负荷为
（16）式中，
为各时刻初始负荷量；
为各时刻光伏出力；
为各时刻净负荷量。
对各时刻负荷电量预测值计算如下。
各时段初始净负荷量为
（17）式中，
与
分别为光伏发电商推行价格型DR定价策略前对应时段的净负荷总量。
结合图1及式（1），各时段间负荷总转移率为
（18）式中，N为光伏电价总层级数；f为负荷转移率-电价差函数；
为光伏电价为时段的用户实际平均购电价格。
各时段最终负荷总改变量为
（19）式中，
为仅由电网供电时段的负荷总改变量；
为光伏电价为时段的负荷总改变量。
电力用户各时段实际购电平均价格
为
（20）式（20）实际体现了各时段净负荷量与转移负荷量（转入及转出）的耦合关系。由式（4）可知，电网采用固定电价的情况下，各时段光伏售电价格均低于电网电价，因此对于光伏电价较低但出力裕量较小的时段，当转入的负荷量大于净负荷的绝对值时，该时段的实际平均电价将随过量转移负荷的增长而向电网电价趋近。
联合式（17）～式（20）即可求解得到各个时段间最终的负荷转移率；进一步结合式（5）～式（7）即可求解得到具体至各时刻的负荷预测电量。
2）电网公司基于TOU施行价格型DR
由式（10）可知，当电网推行价格型DR时，由于电网售电价格与光伏售电价格可能相互交错，因此若两个时段的电网电价与光伏电价大小关系相反，那么在受到光伏电价引导转移负荷过量的情况下，用户需要面临更高的电网电价；因此负荷的实际转移过程同样应当受到用户最终平均购电价格的引导。
为便于描述，将全天时段进行重新划分。将光伏电价与电网电价均相同的时间集划分为同一时段并记为
，进而将全天划分的总时段数记为
。在此基础上，即可以做出负荷实际转移的引导电价示意图，如附图4所示。
结合式（17）～式（20）计算各时刻负荷预测电量如下。
各时段初始净负荷量为
（21）式中，
为
时段的初始净负荷总量。
各时段间最终负荷转移率为
（22）式中，
为时段的最终平均购电价格；f为负荷转移率-电价差函数。
各时段最终负荷总改变量为
（23）式中，
与
分别为时段的负荷总改变量及初始总负荷量。
电力用户各时段实际购电平均价格为
（24）联合式（21）～式（24）即可求解得到各时段间的负荷转移率；进而结合式（12）～式（15），即可求解得到具体至各时刻的负荷预测电量。
目标函数考虑光伏发电商售电收益最大化，即
（25）
（26）
式中，
为光伏发电商的总售电收益；
为t时刻负荷预测电量；
为t时刻光伏发电商售电收益，由两个部分组成：当某一时刻光伏出力小于负荷电量时，为发电商向用户的售电收益，当某一时刻光伏出力大于负荷电量时，过量光伏将由电网以电价
统一收购。
另一方面，电力用户的总用电成本为
（27）式中，
与
分别为用户总用电成本以及各时刻用电成本。当某时刻光伏出力小于本时刻负荷实际需求时，电力用户将以电价
向电网公司购买缺额部分电量。
本文主要面向光伏发电商、电力用户、电网公司三方主体建立约束体系。
1）光伏发电商定价机制约束
为保证光伏电价策略的合理性，考虑光伏电价上下限约束以及光伏时段划分的最大时段数约束、最大电价层级数约束、时段最小持续时长约束，即
（28）
（29）
式中，M和
分别为光伏发电商划分时段数及其上限值；N和
分别为电价层级数及其上限值；
和
分别为光伏发电商划定各时段的持续时长及其下限值，其作用是限制光伏电价在短时间内的变化频率。
2）电力用户用电经济性约束
为保证用户用电经济性，考虑交易模式实施前后用户用电成本变化约束，即
（30）式中，
与
分别为交易模式实施前、后用户的用电成本；
为用户的用电成本变化系数。
3）电网安全运行约束
为保证电网运行的安全性，各时刻的净负荷量应不高于原有负荷水平；另一方面，为了在减小弃光的同时减少光伏向上级电网的倒送情况，考虑光伏的最小本地消纳率约束。
（31）
（32）
式中，
与
分别为光伏本地消纳率及其下限值。
采用参与光伏扶贫项目的某乡镇实际负荷电量及光伏出力数据开展算例分析，如图2所示。
图2 光伏出力及负荷电量曲线
Fig.2 Photovoltaic output and load curves
设定电网统一售电价格为0.8元/(kW·h)，电网对光伏的统一收购价格为0.4元/(kW·h)。电网施行需求响应时峰、平、谷时段电价分别为0.84元/(kW·h)、0.8元/(kW·h)、0.74元/(kW·h)，时段具体划分方式见表1。
表1 电网需求响应时段划分表
Tab.1 Time periods division table of power grid implementing demand response
时段类别时间 峰时段9:00～14:00、19:00～22:00 平时段5:00～8:00、15:00～18:00 谷时段1:00～4:00、23:00～24:00
光伏发电商采用价格型DR报价策略时，设定光伏时段划分数上限
，电价层级数上限
，时段划分间隔步长为
，时段最小持续时长为
。光伏最低本地消纳率取65%。用户用电成本变化系数取2%。设定各时段负荷转移上限为总量的20%，且任意时段对其他时段的负荷转移率上限相等。
为验证光伏发电商采用价格型DR报价策略对交易结果的影响，该部分设置了四组场景进行对比，算例设置见表2。其中，场景1与场景3光伏发电商采用与电网公司相同的电价，场景2与场景4中光伏发电商以价格型DR自主决定光伏报价。
表2 算例场景模型设置
Tab.2 Simulation model in different scenes
场景电网电价光伏电价 1固定电价同电网电价 2固定电价价格型DR 3价格型DR同电网电价 4价格型DR价格型DR
以光伏发电商售电收益最高为目标，各场景下光伏发电商的售电收益、光伏的本地消纳率和电力用户的用电成本见表3。
表3 各场景算例结果对比
Tab.3 Comparison of simulation results in different scenes
场景光伏售电收益/元本地消纳率用户用电成本/元 15 8460.757 411 347 25 9520.824 411 220 35 7950.698 111 305 45 8920.726 711 344
1）分别对比场景1与场景2、场景3与场景4，算例结果验证了光伏发电商基于价格型DR交易机制的有效性，通过优化光伏出力曲线与负荷电量曲线在时间维度的匹配程度，有效提升了自身收益及光伏的本地消纳水平。
2）对比场景1、2、3可知，相较于电网公司，由光伏发电商基于价格型DR制定电价策略在提升光伏消纳、增加售电收益、降低用户成本方面均有更好的效果。分析可知，电网公司主要面向整个区域制定DR，因此无法有效切合农村地区的实际电量供需情况：首先，农村负荷曲线和区域整体负荷曲线中用电高峰及低谷时段存在差异性；其次，除光伏外的多类型能源较大程度地改变了区域内新能源的整体出力特征；最后，电网制定DR的主要目标之一为实现削峰填谷[21]，而将日间负荷转移至夜间的DR策略反而不利于农村光伏的消纳。因此，农村场景下由光伏发电商对电力用户进行引导，其效果优于电网公司制定DR。
3）对比场景3与场景4可知，在电网施行DR的情况下，发电商提升光伏消纳水平的能力降低，其主要原因是电网电价限制了光伏电价的调节范围。
电力用户对电价变化的响应特征主要体现在图1所示负荷转移率曲线的上限值及斜率上：前者表征各时段负荷的最大调节潜力，后者反映用户对电价变化的响应敏感程度。同时，对于电网公司采用固定电价策略以及价格型DR两类情况，本节分别设置算例进行了分析。
4.3.1 电网公司以24h固定价格售电
该部分算例设置了两组场景进行分析。
场景1：各时段负荷最大调节潜力影响分析。设置负荷转移率达到饱和值的转折电价保持为0.2元/(kW·h)，负荷转移率上限分别取5%～40%的八组值。
场景2：用户对电价变化敏感程度影响分析。各时段负荷转移率上限值保持为15%，负荷转移率达到饱和值的转折电价分别取0.08～0.32元/(kW·h)的五组值。
各场景下的光伏本地消纳率、光伏发电商收益、用户用电成本对比见表4、表5。
表4 场景1算例结果对比
Tab.4 Comparison of simulation results in scene 1
转移率上限发电商收益/元本地消纳率用户成本/元 0.055 8770.773 811 314 0.15 9060.792 511 281 0.155 9280.799 511 263 0.25 9520.824 411 220 0.255 9800.841 911 191 0.36 0080.858 911 161 0.356 0370.876 411 132 0.46 0680.894 311 103
表5 场景2算例结果对比
Tab.5 Comparison of simulation results in scene 2
电价差/ [元/(kW·h)]对应敏感度发电商收益/元本地消纳率用户成本/元 0.32弱5 9000.790 411 282 0.26较弱5 9100.794 111 279 0.2中5 9280.799 511 263 0.14较强5 9590.827 211 218 0.08强6 0520.881 811 129
1）由仿真结果可知，在电网公司采用固定电价策略的基础上，用户的负荷调节潜力越高，对电价变化的敏感程度越高，基于价格型DR的农村光伏交易模式效果越明显。另一方面，电网公司采用固定电价策略时基本未对交易模式的施行造成不利影响，由此保证了本文交易模式的实施基础与合理性。
2）结合表4及表5结果可知，在引导用户调整负荷曲线以提升光伏消纳的同时，发电商与电力用户的利益诉求具有一定一致性。分析可知，在合理范围内，光伏消纳提升所带来的收益可以弥补发电商降低部分时段电价造成的损失；同时，较低的光伏电价也降低了用户的购电成本。因此，电网采用固定电价策略时较适于推行基于DR的光伏交易模式。
4.3.2 电网公司基于TOU施行价格型DR
该部分算例同时对比了各时段负荷最大调节潜力和用户对电价变化敏感程度对交易结果的影响。其中负荷转移率上限分别取15%～30%的四组值，负荷转移率达到饱和值的转折电价分别取0.08～0.32元/(kW·h)的五组值。
光伏本地消纳率、光伏发电商收益、用户用电成本对比曲线分别如图3～图5所示。
图3 光伏本地消纳率变化曲线
Fig.3 Photovoltaic local consumption rate curves
由仿真结果可知，当电网公司采用DR时，光伏发电商最优定价策略受负荷调节潜力影响可能发生改变。分析可知，一方面，各时刻光伏电价应低于电网电价（见式（28））；另一方面，由4.2节分析可知，电网公司DR策略通常无法契合农村实际电量供需情况，峰谷电价及时段划分策略均存在差异性。因此当电网公司采用DR策略时，发电商引导负荷以提升光伏消纳水平的成本有所提升。
当负荷调节潜力较低时，提升光伏本地消纳伴随收益不足以补偿调节成本，因此发电商定价策略贴近于电网电价（见附图5）；而电网DR引起的削峰填谷效应反而降低了光伏的本地消纳水平与发电商收益，且在一定范围内该效应随负荷调节潜力的提升而增强。当负荷调节潜力超过一定阈值时，光伏调节成本与调节收益的综合效益将大于电网DR对发电商收益的影响；此时发电商自主制定电价策略即可以在保证自身售电收益的同时提升光伏本地消纳水平。
图4 光伏发电商收益变化曲线
Fig.4 Photovoltaic sales revenue curves of photovoltaic generator
图5 用户用电成本变化曲线
Fig.5 Electricity cost curves of users
在负荷调节潜力不变的情况下，用户对电价变化敏感程度越高，调节单位负荷以提升光伏本地消纳水平的成本越低，光伏调节收益与成本的综合效益也越容易达到“阈值”。
综合图3～图5结果分析可知，由于电网施行DR时限制了光伏发电商自主定价策略的效果，因此发电商需合理评估该农村地区的负荷调节特性基础，在负荷调节潜力较强、对电价敏感程度较高的区域更适宜基于DR策略开展交易。
4.4.1 光伏发电商目标函数设置
考虑光伏发电商同时以售电收益和光伏本地消纳率为目标进行分析，参考文献[35]，基于目标值归一化方法，设置目标函数为
（33）
（34）
式中，
、
和
、
分别为光伏发电商收益以及光伏本地消纳率的真实值和归一化值；
与
为权重系数，且
；
、
、
、
分别为对应目标量的最大值和最小值。本文中光伏发电商售电收益理论最大值考虑全额光伏以各时刻最高电价交易时收益，最低值为全额光伏以电价
由电网统一收购时收益；光伏本地消纳率最高值考虑全额本地消纳取“1”，最低值考虑全额上送至电网取“0”。
4.4.2 算例设置及仿真结果
该部分算例设置了四组模型进行对比分析，其中模型1与模型2表征用户非主动参与的交易模式，模型3与模型4表征用户主动参与的交易模式。各模型设置见表6。
表6 算例场景模型设置
Tab.6 Simulation model in different scenes
模型电网电价光伏电价用户主动参与 1固定值DR— 2DRDR— 3固定值DR√ 4DRDR√
针对光伏发电商对光伏本地消纳率的不同重视程度进行仿真，模型1与模型3结果对比见表7；模型2与模型4光伏本地消纳率、用户用电成本对比如图6、图7所示，光伏发电商综合目标函数对比如附图6所示。
1）由仿真结果可知，在用户主动参与的情况下，其自身用电成本有所上升，同时光伏本地消纳率降低。分析可知，用户主动参与时将依据各时段实际平均购电价格调整用电行为（见附图7），相较以光伏发电商为主导时用户的负荷转移意愿因此减弱，光伏本地消纳率也跟随降低。进一步结合图1分析可知，用户的实际负荷转移行为并不仅受经济性因素引导（图1并非阶跃曲线），而是多种因素等效下的负荷转移成本与经济性收益均衡的结果；因此，虽然用户主动参与可能伴随用电成本的提升，但更符合用户的实际需求。
表7 模型1与模型3算例结果对比
Tab.7 Comparison of simulation results between mod 1 and mod 3
1.00.80.60.40.2 模型1f0.786 20.794 70.808 80.838 00.893 3 0.824 40.845 70.872 50.928 20.956 4 /元11 22011 13510 99310 59610 296 模型3f0.785 50.793 70.808 00.835 10.889 2 0.823 40.844 40.871 60.924 70.951 8 /元11 22111 13610 99410 60110 305
图6 光伏本地消纳率变化曲线
Fig.6 Photovoltaic local consumption rate curves
图7 用户用电成本变化曲线
Fig.7 Electricity cost curves of users
2）表7、图7结果验证了光伏发电商与电力用户交易目标的差异性，在本算例中即体现为随着发电商对光伏本地消纳率重视程度的提升，用户主动参与和非主动参与情况下的交易结果偏差增大。
同时对于电力用户而言，交易目标的差异同样可能带来交易风险。为此，本文假定光伏发电商基于自身目标降低17:00～19:00光伏电价为例设置算例进行验证，仿真所得模型2和模型4的用户用电成本对比如图8所示。
由图8可知，用户主动参与有助于降低由于交易目标差异带来的经济性风险。分析可知，电网采用固定电价策略时用户的负荷转移行为不会造成经济性成本；但在电网施行DR的基础上，若两时段间电网电价与光伏电价大小关系相反，则如果受光伏电价引导进行转移的负荷过量，以至于该时段负荷电量大于光伏出力的情况下，用户将需要为超出部分负荷负担更高的电网电价，由此可能引起用电成本的提升；而用户主动参与交易时以各时段实际平均购电价格进行负荷调整，有助于降低该风险。
图8 用户用电成本变化曲线
Fig.8 Electricity cost curves of users
本文面向农村地区，提出了一种基于价格型DR的农村光伏交易模式。在建立光伏发电商定价流程框架的基础上，针对电网公司采用固定电价及DR两种策略，并考虑电力用户主动和非主动参与两类交易场景，分别建立了用户响应行为模型。进而结合算例分析了本文所提交易模式的施行效果，以及用户响应特征和是否主动参与对交易的影响。通过仿真分析得到结论如下：
1）基于价格型DR的农村光伏交易模式有利于提升光伏发电商收益和光伏本地消纳水平。
2）在负荷调节潜力较强、对电价敏感程度较高的农村地区采用本文所提出的交易模式，对于提升光伏售电收益及本地消纳率，效果更加明显。
3）电力用户主动参与的情况下交易结果将更符合自身实际需求；且在电网公司采用DR策略时，用户主动参与将有利于降低自身经济性风险。
附图1 基于价格型DR的光伏发电商定价流程
App.Fig.1 Flowchart of photovoltaic generator pricing strategy based on price-based DR
附图2 负荷转移率-电价差曲线
App.Fig.2 Load transfer rate-electricity price curves
附图3 电力用户非主动参与场景下负荷转移行为引导电价示意图
App.Fig.3 Schematic diagram of electricity price that guides load transfer behavior under the scenario of power users' non-active participation
附图4 电力用户主动参与场景下负荷转移行为引导电价示意图
App.Fig.4 Schematic diagram of electricity price that guides load transfer behavior under the scenario of power users' active participation
附图5 转折电价为0.2元/(kW·h)时不同负荷转移率上限情况下光伏定价策略对比
App.Fig.5 Comparison of pricing strategies under different load transfer rate upper limits when turning price is 0.2yuan/(kW·h)
附图6 光伏发电商目标值变化曲线
App.Fig.6 Objective value curve of photovoltaic power generator
附图7 
时模型4电价对比
App.Fig.7 Electricity price comparison under mod4 while
参考文献
[1] 国家能源局, 国务院扶贫办. 关于下达“十三五”第一批光伏扶贫项目计划的通知(国能发新能[2017]91号)[Z]. 2017.
[2] 中共中央. 国务院关于实施乡村振兴战略的意见 [EB/OL]. 北京: 新华社, 2018[2018-02-04] http:// www.gov.cn/zhengce/2018-02/04/content_5263807. htm?tdsourcetag=s_pctim_aiomsg.
[3] 国务院扶贫办. 光伏扶贫工作百问百答[EB/OL]. 北京: 国务院扶贫办, 2020[2020-01-14]. http://www. cpad.gov.cn/art/2020/1/14/art_46_109981.html.
[4] 国家发展改革委, 国家能源局. 关于开展分布式发电市场化交易试点的通知(发改能源[2017]1901号)[Z]. 2017.
[5] 张迪, 苗世洪, 赵健, 等. 分布式发电市场化环境下扶贫光伏布点定容双层优化模型研究[J]. 电工技术学报, 2019, 34(10): 1999-2010. Zhang Di, Miao Shihong, Zhao Jian, et al. A bi-level locating and sizing optimal model for poverty alleviation PVs considering the marketization environment of distributed generation[J]. Transactions of China Electrotechnical Society, 2019, 34(10): 1999-2010.
[6] 史连军, 庞博, 刘敦楠, 等. 新电改下北京电力交易中心电力市场综合指数的交易分析[J]. 电力系统自动化, 2019, 43(6): 163-170. Shi Lianjun, Pang Bo, Liu Dunnan, et al. Power market transaction analysis of index of Beijing Electric Power Exchange Center under new electri- city reform[J]. Automation of Electric Power Systems, 2019, 43(6): 163-170.
[7] 李翔宇, 赵冬梅. 市场机制下多微电网多时间尺度优化调度研究[J/OL]. 电机与控制学报: 1-10[2020- 03-26]. http://kns.cnki.net/kcms/detail/23.1408.TM. 20200117.1425.010.html. Li Xiangyu, Zhao Dongmei. Multi-time scale optimal scheduling strategy of multi-microgrid based on market mechanism[J/OL]. Electric Machines and Control, 1-10[2020-03-26]. http://kns.cnki.net/kcms/ detail/23.1408.TM.20200117.1425.010.html.
[8] Yu Mengmeng, Hong S H. Incentive-based demand response considering hierarchical electricity market: a stackelberg game approach[J]. Applied Energy, 2017, 203: 267-279.
[9] Fotouhi Ghazvini M A, Faria P, Ramos S, et al. Incentive-based demand response programs designed by asset-light retail electricity providers for the day-ahead market[J]. Energy, 2015, 82: 786-799.
[10] 徐帆, 谢旭, 施磊, 等. 电力中长期市场基数偏差电量处理方法分析[J]. 电力系统自动化, 2019, 43(12): 186-206. Xu Fan, Xie Xu, Shi Lei, et al. Analysis on settlement method for unbalanced base generated energy in medium- and long-term power market[J]. Automation of Electric Power Systems, 2019, 43(12): 186-206.
[11] 田力丹, 张凯锋, 耿建, 等. 大用户直购电中鲁宾斯坦恩模型贴现因子的泛化分析[J]. 电力系统自动化, 2019, 43(15): 152-158. Tian Lidan, Zhang Kaifeng, Geng Jian, et al. Generalization analysis on discount factor of Rubinstein model for direct power purchase of large users[J]. Automation of Electric Power Systems, 2019, 43(15): 152-158.
[12] 周大伟. 农村电网配电自动化研究[D]. 北京: 华北电力大学, 2017.
[13] 魏勇. 农村居民消费行为变动及其制度成因研究——以重庆市为例[D]. 重庆: 西南大学, 2012.
[14] 詹国辉. 不完全契约、利益互动博弈与农村集体行动[J]. 世界农业, 2019(8): 64-70, 127.Zhan Guohui. Incomplete contract, interest interaction game and rural collective action[J]. World Agricu- lture, 2019(8): 64-70, 127.
[15] Azad S, Ghotbi E. A game equilibrium model of a retail electricity market with high penetration of small and mid-size renewable suppliers[J]. The Electricity Journal, 2017, 30(5): 22-29.
[16] Belgana A, Rimal B P, Maier M. Open energy market strategies in microgrids: a stackelberg game approach based on a hybrid multiobjective evolutionary algorithm[J]. IEEE Transactions on Smart Grid, 2015, 6(3): 1243-1252.
[17] 刘念, 赵璟, 王杰, 等. 基于合作博弈论的光伏微电网群交易模型[J]. 电工技术学报, 2018, 33(8): 1903-1910. Liu Nian, Zhao Jing, Wang Jie, et al. A trading model of PV microgrid cluster based on cooperative game theory[J]. Transactions of China Electrotechnical Society, 2018, 33(8): 1903-1910.
[18] 李力行, 苗世洪, 孙丹丹, 等. 多利益主体参与下主动配电网完全信息动态博弈行为[J]. 电工技术学报, 2018, 33(15): 3499-3509. Li Lixing, Miao Shihong, Sun Dandan, et al. Dynamic games of complete information in active distribution network with multi-stakeholder partici- pation[J]. Transactions of China Electrotechnical Society, 2018, 33(15): 3499-3509.
[19] 徐筝, 孙宏斌, 郭庆来. 综合需求响应研究综述及展望[J]. 中国电机工程学报, 2018, 38(24): 7194- 7205, 7446. Xu Zheng, Sun Hongbin, Guo Qinglai. Review and prospect of integrated demand response[J]. Pro- ceedings of the CSEE, 2018, 38(24): 7194-7205, 7446.
[20] 刘志珍, 杨勇, 屈东明, 等. 基于分时电价的电动汽车群有序充电策略研究[J]. 电机与控制学报, 2017, 21(10): 1-7. Liu Zhizhen, Yang Yong, Qu Dongming, et al. Coordinated charging strategy for electric vehicle aggregator based on time-of-use price[J]. Electric Machines and Control, 2017, 21(10): 1-7.
[21] 王蓓蓓. 面向智能电网的用户需求响应特性和能力研究综述[J]. 中国电机工程学报, 2014, 34(22): 3654-3663. Wang Beibei. Research on consumers' response characterics and ability under smart grid: a literatures survey[J]. Proceedings of the CSEE, 2014, 34(22): 3654-3663.
[22] Chen Zexing, Zhang Yongjun, Tang Wenhu, et al. Generic modelling and optimal day-ahead dispatch of micro-energy system considering the price-based integrated demand response[J]. Energy, 2019, 176: 171-183.
[23] 徐青山, 刘梦佳, 戴蔚莺, 等. 计及用户响应不确定性的可中断负荷储蓄机制[J]. 电工技术学报, 2019, 34(15): 3198-3208. Xu Qingshan, Liu Mengjia, Dai Weiying, et al. Interruptible load based on deposit mechanism considering uncertainty of customer behavior[J]. Transactions of China Electrotechnical Society, 2019, 34(15): 3198-3208.
[24] 王毅, 张宁, 康重庆, 等. 电力用户行为模型:基本概念与研究框架[J]. 电工技术学报, 2019, 34(10): 2056-2068. Wang Yi, Zhang Ning, Kang Chongqing, et al. Electrical consumer behavior model: basic concept and research framework[J]. Transactions of China Electrotechnical Society, 2019, 34(10): 2056-2068.
[25] Albadi M H, El-Saadany E F. A summary of demand response in electricity markets[J]. Electric Power Systems Research, 2008, 78(11): 1989-1996.
[26] 李晅, 马瑞, 罗阳. 基于Stackelberg博弈的微网价格型需求响应及供电定价优化[J]. 电力系统保护与控制, 2017, 45(5): 88-95. Li Xuan, Ma Rui, Luo Yang. Price-based demand response of micro-grid and optimal pricing strategy based on Stackelberg game[J]. Power System Protection and Control, 2017, 45(5): 88-95.
[27] Neves D, Pina A, Silva C A. Demand response modeling: a comparison between tools[J]. Applied Energy, 2015, 146: 288-297.
[28] Cortés-Arcos T, Bernal-Agustín J L, Dufo-López R, et al. Multi-objective demand response to real-time prices (RTP) using a task scheduling methodology[J]. Energy, 2017, 138: 19-31.
[29] Asadinejad A, Tomsovic K. Optimal use of incentive and price based demand response to reduce costs and price volatility[J]. Electric Power Systems Research, 2017, 144: 215-223.
[30] Zhou Baorong, Huang Tingcheng, Zhang Yongjun. Reliability analysis on microgrid considering incentive demand response[J]. Automation of Electric Power Systems, 2017, 41(13): 70-78.
[31] 江苏能源监管办. 江苏能源监管办关于《江苏省分布式发电市场化交易规则（征求意见稿）》公开征求意见的公告[EB/OL]. 江苏: 江苏能源监管办, 2019 [2019-09-12].http://jsb.nea.gov.cn/news/2019-9/2019912123434.htm.
[32] 阮文骏, 王蓓蓓, 李扬, 等. 峰谷分时电价下的用户响应行为研究[J]. 电网技术, 2012, 36(7): 86-93. Ruan Wenjun, Wang Beibei, Li Yang, et al. Customer response behavior in time-of-use price[J]. Power System Technology, 2012, 36(7): 86-93.
[33] 孙宇军, 王岩, 王蓓蓓, 等. 考虑需求响应不确定性的多时间尺度源荷互动决策方法[J]. 电力系统自动化, 2018, 42(2): 106-113. Sun Yujun, Wang Yan, Wang Beibei, et al. Multi- time scale decision method for source-load interaction considering demand response uncertainty[J]. Auto- mation of Electric Power System, 2018, 42(2): 106-113.
[34] 曾丹, 姚建国, 杨胜春, 等. 计及价格型负荷响应不确定性的概率潮流计算[J]. 电力系统自动化, 2015, 39(20): 66-71. Zeng Dan, Yao Jianguo, Yang Shengchun, et al. Probabilistic load flow calculation considering price- elasticity load uncertainties[J]. Automation of Electric Power Systems, 2015, 39(20): 66-71.
[35] 朱永胜, 王杰, 瞿博阳, 等. 采用基于分解的多目标进化算法的电力环境经济调度[J]. 电网技术, 2014, 38(6): 1577-1584. Zhu Yongsheng, Wang Jie, Qu Boyang, et al. Environmental economic dispatch adopting multi- objective evolutionary algorithm based on decom- position[J]. Power System Technology, 2014, 38(6): 1577-1584.
Research on Rural Photovoltaic Trading Pattern Based on Price-Based Demand Response under Marketization Environment of Distributed Generation
Abstract At present, the low degree of rural photovoltaic marketization makes its construction rely heavily on the support of national poverty alleviation funds. In order to promote the process that rural photovoltaic achieves independent revenue, it is necessary to propose a proper rural photovoltaic market-oriented trading pattern. To this end, a price-based demand response trading pattern for rural photovoltaic is proposed in this paper to improve photovoltaic sales revenue and local consumption rate. Firstly, the main behaviors of the transaction-related entities were analyzed, and then trading modes under active and non-active participation of users were proposed. Secondly, on account of the characteristics of photovoltaic power supply, the pricing strategy for photovoltaic generators was proposed. On this basis, considering the active and non-active participation of power users in the transactions, and further considering the two strategies which include the fixed price and the peak-valley price that the power grid may adopt, the response model of power users were established respectively. Finally, based on actual data of a photovoltaic poverty alleviation project in a township, simulation was conducted and the results verified the effectiveness of the proposed trading pattern.
keywords：Marketization of distributed generation, price-based demand response, rural photovoltaic, trading pattern
中图分类号：TM714
DOI: 10.19595/j.cnki.1000-6753.tces.191379
国家电网公司总部科技（SGHADK00PJJS1800072）和国家自然科学基金（51777088）资助项目。
收稿日期 2019-10-29
改稿日期 2020-03-29
涂青宇 男，1994年生，博士研究生，研究方向为考虑不确定性的电力系统源荷双侧建模。E-mail：tuqy_d@hust.edu.cn
苗世洪 男，1963年生，教授，博士生导师，研究方向为电力系统保护控制、微电网和主动配电网新技术。E-mail：shmiao@hust.edu.cn（通信作者）
（编辑 赫 蕾）