图1 考虑差异化工业高载能负荷灵活性挖掘的市场实施及调度模型研究框架
Fig.1 Research framework for market implementation and scheduling models considering the flexibility exploration of differentiated industrial energy-intensive loads
摘要 利用差异化工业高载能负荷进行需求响应是需求侧参与电网灵活互动的重要途径，尤其是对于高比例可再生能源的系统具有重要意义。该文首先介绍了差异化工业高载能负荷的基本概念，并对三种典型工业高载能负荷进行了灵活性分析；其次探讨了差异化工业高载能负荷优化调度方法的主要目标及在市场层面的实施情况；然后介绍了三种典型工业高载能负荷的优化调度模型，并对求解算法、求解器的研究现状进行了评述；最后，总结了目前差异化工业高载能负荷灵活性挖掘研究中的挑战，并对未来的研究方向进行了展望。
关键词：差异化工业高载能负荷 灵活性分析 优化调度方法 求解算法
“双碳”目标提出以来，中国能源绿色低碳转型的步伐不断加快。2023年我国新能源发电量占全社会用电量的比例达到15.3%[1]。以风电、光伏为主的新能源发电呈现发展速度快、运行质量好、产业竞争力强的良好态势。然而，由于风、光等新能源出力具有波动性与间歇性，且风、光出力与负荷变化往往存在时空不同步，导致电力系统不可避免地出现大量弃风、弃光现象[2]。在此背景下，中国亟须提升电力系统的灵活性来促进新能源消纳。
需求响应（Demand Response, DR）发展潜力大、响应成本低、调节速度快，是现阶段提升电力系统灵活性的一项关键措施[3]。电网以直接控制、价格引导等方式实施需求响应，通过增加电力供应过剩时段的用电负荷，减少或转移电力供应紧张时段的用电负荷，从而有效地平衡电力供需，增强对可再生能源的吸纳能力，提高整个系统的效率和可靠性[4-5]。而高载能负荷（Energy-Intensive Load, EIL）作为需求响应机制的重要组成部分，主要表现在其大规模能量调节能力和灵活的响应速度[6]。其中，工业高载能负荷通常涉及大型工业用电设备，其调整用电模式能显著影响电网负荷平衡，特别是在高峰期或紧急状况下[7]。此外，工业高载能负荷参与需求响应还可带来经济效益，并对提高电网的整体可靠性及促进可持续能源的利用发挥关键作用[8-9]。近几年，国内外学者对工业高载能负荷参与需求响应展开了广泛的研究。文献[10]提出一种计及负荷风险约束的冶炼炉负荷-风电协调调度方法，使电网充分利用负荷的灵活性并提升风电消纳水平。文献[11]将电熔镁负荷纳入调度主体，以电力系统运行成本最小为优化目标，形成日前-日内联合经济调度方法，可以提高系统的新能源消纳量，降低系统的运行成本。文献[12]提出一种在确保满足化工厂负荷生产需求的同时提供电力储备灵活性的优化调度策略。此策略在保证化工厂负荷正常运行的基础上，实现经济效益的最大化。上述文献综述了电力系统针对单一高载能负荷的优化调度策略，但未关注差异化工业高载能负荷的灵活性潜力，以及针对差异化工业高载能负荷的调度方法。
随着电力系统复杂性的增加和可再生能源的广泛应用，电力系统需要引入差异化工业高载能负荷进行需求响应[13]。深入研究并实施差异化工业高载能负荷的需求响应策略，对于提升电力系统的调节灵活性、保障电网稳定运行及推动能源结构的优化和转型至关重要[14]。
本文针对差异化工业高载能负荷的调度方法进行综述，充分考虑了差异化工业高载能负荷在电力系统调度中的灵活性。首先，介绍了差异化工业高载能负荷的基本概念，并基于差异化工业高载能负荷的用电特性、具体工业流程等因素，对三种典型工业高载能负荷的灵活性进行了详细分析，以更准确地挖掘各种工业高载能负荷在电力系统中的调度灵活性和调度潜力，为实施更加有效的需求响应策略和电力系统优化调度提供支持；其次，探讨了差异化工业高载能负荷优化调度方法的主要目标及在市场层面的实施情况；再次，综述了面向差异化工业高载能负荷的调度策略模型，并对求解算法以及求解器的研究现状进行了评述；最后，总结了目前差异化工业高载能负荷调度方法研究中面临的挑战，并对未来的研究方向进行了展望。本文具体研究框架如图1所示。
图1 考虑差异化工业高载能负荷灵活性挖掘的市场实施及调度模型研究框架
Fig.1 Research framework for market implementation and scheduling models considering the flexibility exploration of differentiated industrial energy-intensive loads
工业高载能负荷通常指的是在工业领域中各种具有高能量消耗特性的负荷[14]。这些负荷在生产过程中需要大量能源，尤其是电能，对电力系统的稳定运行和能源利用效率有显著影响[15-16]。常见的高载能负荷主要包括重工业设施如水泥厂、电解铝厂、炼油厂、化工厂、钢铁厂等。这些工厂由于其生产过程中对电能的大量需求而被归类为高载能负荷。而“差异化高载能负荷”指的是根据不同工业类别或生产过程中的特性而区分出的各种高载能负荷。考虑每种高载能负荷的运行特性及多种高载能负荷之间在耦合、组合和交互运行方面存在差异，导致各种高载能负荷灵活性不一，由此需对高载能负荷进行差异化分析，进而量身定制负荷模型和优化调度方案，有效地利用各种高载能负荷的灵活性，以实现各种优化目标。
在电力系统的需求响应过程中，电网调度中心通过动态调节差异化工业高载能负荷的运行模式和消耗的电能，来响应电力供应的波动和电力市场的价格信号[17]。此举旨在实现电力系统供需的动态平衡，提高整体能源效率，降低运营成本，同时确保电网的稳定性和可靠性[18-19]。通过此策略，差异化工业高载能负荷由单纯的电能消费者转变为电力系统中的积极参与者，促进电力系统从“源随荷动”的传统能源管理模式向“源荷互动”的智能能源管理模式转变[20]。
差异化工业高载能负荷在实际生产过程中可配合电网调度进行一定范围内的需求响应，即具有一定的灵活响应能力。然而，其灵活性在不同的工业环境和工业流程中呈现多样化的特点和形态[21]。因此，需对差异化工业高载能负荷进行灵活性分析，揭示差异化高载能负荷灵活性特征的内在逻辑和影响因素，从而为电网有效地调度差异化工业高载能负荷提供更好的参考。
差异化工业高载能负荷的灵活性分析是指对工业领域内不同高载能负荷的负荷特性和用电行为进行深入研究和区分的过程。这一分析重点关注不同工业高载能负荷在以下三方面的差异：①工业生产过程是如何组织的？②生产过程的哪个环节实施了需求响应？③实施需求响应后的效果如何？
此分析的目的是挖掘各种工业高载能负荷的灵活性潜力，探索各种工业高载能负荷需求响应的灵活性与电力系统灵活性要求的兼容性。具体来说，差异化高载能负荷灵活性分析的目的是回答“该负荷哪些工业过程与电力系统的削峰填谷兼容”，探讨“该负荷能提供多少需求灵活性以指导电力资源的合理分配和优化”[22-23]。本文对具有显著差异的水泥厂、电解铝厂和炼油厂三种典型工业高载能负荷进行灵活性分析，这是因为这三种工业高载能负荷在需求响应灵活性方面具有代表性，且需求响应灵活性的相关文献和数据的可获取性较高。此外，这三种高载能负荷在全球工业生产和能源消耗中占据重要比例，因此对它们的灵活性进行分析与发掘具有重大的经济和环境意义。
1.2.1 水泥厂负荷的灵活性分析
水泥厂主要由几个生产过程组成，这些过程将原材料（如石灰石、黏土和页岩）转化为水泥粉。一般来说，水泥厂的生产过程可以分为以下四个子过程[24]。
（1）破碎过程：破碎过程是水泥生产的第一个子流程。破碎机负责破碎石灰石并混合原材料，通常在电力成本较低的非高峰时段运行。破碎后的原料存储在料仓中以备后用。料仓储备容量的增加使得破碎机能够更灵活地响应电网需求变化，提高能源利用效率。
（2）窑料准备过程：窑料准备过程涉及磨机研磨和混合原材料，为熟料生产做准备。类似破碎机，磨机在非高峰时段运行，展现出灵活性潜力。破碎和窑料准备均为可中断过程，有助于电力系统的削峰和填谷。
（3）熟料生产过程：熟料生产过程涉及预热塔和窑炉的持续运行，通常是连续过程，中断可能会造成成本损失。因此，熟料生产过程的灵活性相对较低。
（4）粉磨过程：粉磨过程为水泥磨机将熟料磨成水泥粉。虽为可中断过程，但因其需维持熟料生产的连续性，灵活性潜力低于破碎过程和窑料准备过程。
水泥厂生产过程中需求响应策略的实施框架如图2所示。其中，筒仓储备设施和磨机设备为提高电力系统灵活性发挥了重要作用，水泥厂的能源管理系统通过控制各个生产过程的磨机和筒仓，为系统提供需求响应的灵活性。具体而言，水泥厂的生产灵活性潜力可以通过以下两种操作方式充分挖掘：①在“破碎”“窑料准备”和“粉磨”过程中实施计划性的中断。通过此措施，根据电网的需求响应要求，整个生产过程可以被暂时关闭或重新启动，从而释放出电力系统所需的灵活性潜力。这种操作方式能够为电力系统提供长期的需求响应灵活性，如日前市场所需的灵活性。②控制变频驱动磨机运行功率的微增/微减，使得在短期调度通知下调整磨机的功率消耗成为可能，且不会中断水泥厂的工业生产过程[25]。这种操作方式能够提供日内或实时尺度下的升/降功率调节。通过这两种操作方式相互配合，水泥厂不仅能够在日前-日内-实时多时间尺度下尽可能地消纳更多可再生能源，还可以根据电力供应情况，灵活地开启或关闭其四个主要子过程，从而为电力系统提供升/降负荷调节。这不仅能够为电力系统提供灵活性，还可以实现水泥厂电力消耗成本的降低。
水泥厂负荷各工业子过程的能量密度比例、中断类型、各个时间尺度下的灵活性潜力见表1。水泥厂作为高载能负荷单位，在其各个生产过程中展现出不同程度的灵活性。窑料准备和粉磨过程在能量密度和对预先通知的时间响应方面具有较高的灵活性潜力；而破碎过程能够响应日前、日内和实时的电网调度通知；相比之下，熟料生产过程由于技术限制而难以中断，其灵活性潜力相对较低。
水泥厂的需求响应目标包括降低能源消耗成本、减少碳排放、为电力系统提供削峰填谷服务、促进可再生能源消纳和提供实时功率调节。例如，文献[27]开发了一种新的水泥厂负荷生产调度策略，以最小化电力消耗成本和电力来源的二氧化碳排放量为目标，实现在不损失生产总量的前提下重新安排生产计划。文献[28]通过调度水泥厂负荷，使用稳健的优化方法来确定水泥厂在不确定电价的最坏情况下的最优灵活性操作，使伊朗电力系统的电力峰值得到了削减。文献[29]通过使用三阶段随机规划，分层解锁丹麦电力市场三个交易层面上水泥行业的灵活性潜力，为大量可再生能源接入的电力系统提供了实时调节。
图2 水泥厂生产过程中需求响应策略的实施框架
Fig.2 Implementation framework of demand response strategies in the industrial process of a cement plant
表1 水泥厂负荷各工业子过程的能量密度比例、中断类型、各个时间尺度下的灵活性潜力
Tab.1 Energy intensity ratios, interruption types, and flexibility potential on various time scales for industrial subprocesses of cement plant loads
水泥厂各子过程能量密度比例(%)[26]中断类型灵活性潜力 日前日内实时 破碎4.07～12.49可中断高高高 窑料准备21.95～23.75可中断高高高 熟料生产28.13～31.70不可中断低非常低非常低 粉磨35.63～42.28可中断高中等中等 总过程100————
各国/地区水泥厂负荷需求响应效果的量化见表2。可知，不同的需求响应程序可以导致电力消耗降低4.5%～25%，能源消耗成本降低4.2%～10%。伊朗84家水泥厂的需求响应结果表明，这些水泥厂能够在电力系统运行的关键时段将电力系统峰值降低37.5%。
表2 各国/地区水泥厂负荷需求响应效果的量化
Tab.2 Quantification of demand response effects in cement plants across different countries and regions
文献国家/地区成本降低(%)电耗降低(%)峰值削减(%) [30]英国4.2—— [31]中国—16— [32]埃塞俄比亚—16— [33]土耳其—6.7— [34]伊朗10—37.5 [35]中国台湾—25— [36]泰国—16.9— [37]孟加拉国—4.5—
1.2.2 电解铝厂负荷的灵活性分析
电解铝厂是高载能负荷的关键代表之一。电解铝厂的能量密度通常在13～14 kW·h/kg[38]。电解铝厂通过化学还原将氧化铝转化为铝。电解过程在多个槽中进行。电解铝厂通常运行多条槽线，一个槽线可能由数十个单独槽组成。通常通过调整槽的输入电流以改变槽线的负荷大小[39]。此外，在电解槽中，铝氧化物的体积与电流大小呈强相关。因此，工厂能源管理系统通过控制铝氧化物的投料，以管理槽线的电力消耗。为了释放槽线的需求灵活性，采取以下措施对电解槽进行调整。
（1）打开/关闭整条槽线。根据电力系统的需求，电解槽可实施负荷转移或中断，以适应电力短缺或过剩。这种操作通常在不同的槽之间轮换进行，以在保证日常生产的同时，维持槽的需求响应能力。电解铝能源密集型负荷的优点在于其需求响应能力的高灵活性；缺点是电网的调度信号应在装载电解槽前的数小时发送至工厂能源管理系统。因此，电解铝厂负荷只可以参与日前和日内预先通知的需求响应计划[40-42]。
（2）调高/调低槽线的功率。在不中断冶炼过程的情况下，电解铝厂高载能负荷通过调整输入电流和铝氧化物投料量来增减槽的功率，以适应日前和日内市场的需求变化。为了确保生产过程的稳定性和产品质量，这种需求响应计划的实施通常需要预先通知来进行必要的生产调整，而不是实时响应[43-45]。
两种措施都需考虑电解槽的热平衡，避免热失衡导致的问题。因此，需求响应的实施需要提前数小时通知工厂能源管理系统，以符合热平衡约束和保证生产连续性。这些特性使得电解铝厂能在多时间尺度上响应电力系统的需求，优化电力消耗，同时降低电力损失和生产损失风险。
电解铝厂工业过程中需求响应策略的实施框架如图3所示。工厂能源管理系统从电网调度中心接收需求响应信号，利用两种杠杆，包括原料控制和电流控制信号，来释放电解槽线对电力系统需求的灵活性潜力。
图3 电解铝厂工业过程中需求响应策略的实施框架
Fig.3 Implementation framework of demand response strategies in the industrial process of an aluminum electrolysis plant
现有的相关文献已经进行了一系列研究，以挖掘电解铝厂负荷的灵活性潜力。电解铝厂负荷需求响应的主要目标包括最小化能源消耗成本、提高能源效率、最小化碳排放、促进新能源消纳以及为电力系统提供削峰填谷服务[46-50]。文献[51]系统地分析了中国电解铝行业的碳排放情况。该文献首先收集和分析全国各地区电解铝厂的生产数据与碳排放记录；然后运用统计工具对数据进行处理和分析，明确指出了中国电解铝行业在不同地区之间显著的碳排放差异；接着，提出了针对地区电解铝厂排放特性的环保政策建议，如推广已实施低碳措施的电解铝厂，鼓励可再生电解铝生产，以及改进电解铝行业的数据报告和披露机制；最后，探讨了实施电解铝厂负荷需求响应措施在促进电解铝工业碳减排方面的潜在效益。该文献的研究成果不仅为提高能源效率和促进电解铝厂低碳生产提供了实证支持，也具有重要的学术贡献和政策应用价值。文献[52]通过使用三阶段随机规划模型将电解铝厂负荷的灵活性潜力整合到丹麦电力市场。在平衡市场中，通过控制电解槽的输入电流，以在电力系统不平衡的相反方向提供上/下调节。文献[53]为电解铝厂负荷开发了一个动态需求响应模型，以提供电力系统的分层频率控制。
本文量化了一些案例研究中电解铝等其他金属负荷行业的需求响应的最终效果，见表3。降低数据以能源成本、提升需求灵活性和减少碳排放量这三者的变化比例来表示。能源成本降低从7.50%到34.20%不等。对于能源消耗，行业在需求灵活性或能效提高方面经历了2.00%～20.70%的变化。在碳排放量减少方面，需求响应计划导致碳排放量减少6.65%～16.50%。
表3 电解铝等其他金属负荷需求响应效果的量化
Tab.3 Quantification of demand response effects for electrolytic aluminum and other metal loads
文献成本降低(%)灵活性提升(%)碳排放量减少(%) [54]—5.69— [55]7.50—— [56]—14.076.65 [57]29.70—— [58]—2.95～6.9937.50 [59]—2.66— [60]—2.00— [61]34.2016.50— [62]—11.98～20.7016.50 [63]—4.926.85
1.2.3 炼油厂负荷的灵活性分析
炼油厂将原油提炼成各种石油产品的过程中需要消耗大量电能、热能和蒸汽[64]。炼油厂通常依赖自备的能源设施，如燃气轮机和热电联产系统，以满足其电力和热能需求，同时运行燃气锅炉以补充额外的热能和蒸汽[65-66]。这一能源管理过程相对复杂，涉及热能和电能的紧密关联。炼油厂工业过程中需求响应策略的实施框架如图4所示。
图4 炼油厂工业过程中需求响应策略的实施框架
Fig.4 Implementation framework of demand response strategies in the industrial process of an oil refinery
从能源管理角度看，炼油厂可被视为一种工业微电网，能在联网和独立模式下运行。这种微电网结构不仅能在电力短缺时将自产能源的过剩电力输送至主电网，还能在炼油厂遇到意外电力短缺时从电网获取电力。同时，炼油厂还接入天然气网络，因此炼油厂负荷可以视为同时具有电力和天然气灵活性潜力的多载体微电网。炼油厂的工业过程主要分为三个部分，每个部分具有不同的能量密度和灵活性潜力。
（1）初级炼油过程：原油在原油蒸馏装置中分馏成多种产品，如湿气、煤油、石脑油、汽油、残渣等，为下一步炼油过程提供原料。
（2）次级炼油过程：包括气体回收、氢气处理、流体催化裂化、真空蒸馏在内的多个子过程，进一步精炼和转化原油产品。
（3）最终炼油过程：涵盖催化重整、馏分加氢、延迟焦化在内的多个子过程，进一步提升产品质量和多样性。
炼油厂高载能负荷的灵活性体现在两方面：①根据原料流的可变性，通过改变原料流量控制炼油过程中的电力和热量消耗；②利用上游工业装置的储备控制下游的生产过程，确保在连续生产的同时响应系统的灵活性需求。此外，炼油厂的自产能源设施，如热电联产单元和工业锅炉，也在能源调度中发挥关键作用，增强炼油厂负荷的需求响应灵活性。在电力需求高峰时，炼油厂可以依赖自身的能源生成，减少对电网的负担；同样，在电力需求低谷时，炼油厂可以将多余的电力反馈给电网，实现能源的优化分配。
目前只有少数研究关注炼油厂的灵活性潜力，主要原因是炼油过程中能源管理的复杂性。现有研究中炼油厂负荷的需求响应目标集中在为电力系统提供削峰填谷服务以及维持系统供需平衡。文献[67]提出了一个决策程序，用于优化炼油厂中的负载控制。该研究开发了一个数学模型，以在炼油过程操作序列中解锁炼油厂负荷的需求响应灵活性。文献[68]为炼油厂负荷提出了一个能源管理系统，以应对动态能源价格，释放炼油行业的灵活性潜力。该研究讨论了可变质量流模型，将炼油厂负荷的需求灵活性整合到电网中。此外，它还优化了包括热电联产单元、工业锅炉和现场自产能源设施的运营策略。文献[69]对炼油厂负荷的能耗进行了数学建模，以在电网发生电力短缺时解锁炼油厂负荷的灵活性。该研究模拟了工业锅炉和热电联产单元以满足炼油过程的电力和热量需求。采用稳健优化方法，以在电力价格不确定性下将联合热电灵活性整合到电力系统中。最终得出结论，当电网发生电力短缺时，炼油厂负荷可以为电力系统提供削峰服务。
在深入分析水泥厂、电解铝厂及炼油厂三种工业高载能负荷的灵活性后发现，它们在需求响应策略及实施效果方面展现出显著差异。水泥厂通过调整破碎和窑料准备等阶段的生产活动，响应日前、日内和实时的电网调度，表现出较高的灵活性；然而，其熟料生产过程因连续性要求高而难以调整，灵活性相对较低。相较之下，电解铝厂能够通过调整电解槽线的输入电流和铝氧化物的投料量来响应电力系统的调度通知，然而这种调整仅适用于日前和日内的需求响应计划。这些操作在提高能源使用效率和减少碳排放量方面都具有显著的潜力与效果。而炼油厂依赖复杂的能源管理系统，能够在联网及独立模式下运行，通过调整原料流和利用自备能源设施，不仅能够维持生产的连续性，也能够有效地响应电力系统的灵活性需求。
此外，上述有关提升工业高载能负荷需求响应灵活性的仿真研究显示，水泥厂通过需求响应可以减少最高达10%的能源消费成本和16.9%的电能损耗。电解铝厂通过需求响应能够减少最高达34.2%的能源成本和16.5%的碳排放量，得到最高20.70%的灵活性提升。炼油厂的工业生产过程根据自产能源设施（包括热电联产单元和工业锅炉）的规模展现出巨大的联合电能和热能的灵活性潜力。综上所述，差异化工业高载能负荷在实现能源成本降低、减少电能损耗以及减少碳排放量方面均具有重要作用。其灵活性特征及潜力的发掘与应用，对于构建高效、低碳的电力系统具有深远的意义。
电力系统调度方法中，实施差异化工业高载能负荷的需求响应旨在实现以下目标：①提高工业过程的能源效率；②为电力系统提供削峰填谷服务；③增强电力系统的可靠性；④激发价格响应。
首先，为了提高工业高载能负荷工业过程的能源效率，引入了许多技术措施。文献[70]介绍了水泥厂不同工业过程提升能源效率的需求响应方法。此外，由于环境关注度的提高和全球变暖问题的日益严峻，许多研究通过提升工业高载能需求响应灵活性的方式减少碳排放量。文献[71]提出了一种基于激励的需求响应计划，鼓励水泥厂、冶金厂和汽车制造厂三种工业高载能负荷在夏日高峰时段减少用电，为间歇性电力系统提供上/下调节，以应对负荷用电量激增时的挑战，增强电力系统的可靠性。文献[72]进行了一个面向工业高载能负荷需求灵活性响应不同定价机制的调查，给出了总体概述。主要优化目标对工业高载能负荷运行曲线的影响如图5所示。
图5 主要优化目标对工业高载能负荷运行曲线的影响
Fig.5 The impact of primary optimization objectives on the operational load curve of energy-intensive industrial loads
市场层面的实施旨在满足电力系统供给侧的灵活性需求，交付的时间尺度从日前阶段、日内阶段到实时阶段。在高比例可再生能源渗透的电力系统中，电力市场通常包括三个层面：日前市场、日内市场和平衡市场。此外，在工业高载能负荷的应急状态下，辅助服务市场可以为电力系统提供所需的灵活性。工业高载能负荷的应急状态通常是由于可再生能源短缺或电力系统设施故障导致的。例如，在电解铝厂中，电解槽的可变电流控制器可以在几分钟内为电力系统提供需求响应的灵活性，而不会中断整个电解槽的工业过程[73]。辅助服务市场通常考虑三种类型的辅助服务，包括旋转备用、非旋转备用和补充备用[74]。旋转备用是从连接到电力系统的运行发电机中抽取的在线发电能力，在10 min内提供，通常可以维持10～120 min。非旋转备用指的是可以在通知后一定时间内（通常是10～30 min）启动或停止的备用资源，通常可以维持10～120 min。补充备用通常用于处理计划之外的变化，需要在30～60 min内提供额外电力，通常可以维持30～120 min。工业高载能负荷在市场层面需求响应持续时间示意图如图6所示。水泥厂、电解铝厂和炼油厂等差异化高载能负荷通过参与旋转备用、非旋转备用和补充备用等服务，最快在几分钟内降低能耗，提升电力系统的灵活性以应对可再生能源短缺或电力系统设施故障的情况。下面以这三种工业高载能负荷为例详细分析差异化高载能负荷在日前市场、日内市场和平衡市场中如何操作，以及如何参与三种辅助服务市场。
图6 工业高载能负荷在市场层面需求响应持续时间示意图
Fig.6 Schematic of the duration of demand response for industrial energy-intensive loads at the market level
2.2.1 水泥厂负荷的市场参与
差异化高载能负荷在正常运行情况下，其大部分的电能消耗通常被安排在日前市场[75]。因此，水泥厂负荷可以在日前市场决定破碎机和磨机工业过程中大部分的电能消耗[76]，而日内市场通常在接近水泥厂负荷电力交付时间前10～60 min进行。水泥厂负荷在日内阶段通过关闭/打开可中断的工业工程，例如破碎过程，以满足电力系统运营商的灵活性需求。最后，平衡市场在工业高载能负荷电力交付前的几分钟内清算。因此，水泥厂负荷可以根据电力系统的不平衡情况，实时调高/调低可变速驱动磨机的电能消耗，以在电力系统不平衡的相反方向提供下/上调节[77]。因此，水泥厂负荷的灵活性潜力被分层整合到日前、日内、实时三个时间尺度的市场层面。
在参与辅助服务市场方面，水泥厂负荷可以在电力需求高峰期时，调整浆料磨、生料磨和窑炉的电能消耗或者降低这些设备的运行频率，以为电力系统提供旋转备用，在10 min内为电网提供必要的负荷调节。水泥厂还可以在电网运营商的要求下，通过预先设置的计划暂停部分破碎机和水泥磨，使水泥厂负荷能够在10～30 min内减少大量电力消耗，为电力系统提供非旋转备用。此外，水泥厂可以在电力供应相对充足且成本较低的时段，在几小时内增加产量以在筒仓内存储未来使用的半成品，为电力系统提供补充备用，应对计划之外的变化。
2.2.2 电解铝厂负荷的市场参与
电解槽是电解铝厂中最关键的设备，其运行会消耗巨量的电能。电解槽的可变电流控制器可以在几分钟内为电力系统提供需求响应的灵活性，且不会中断整个电解槽的工业过程[78]，这为电解铝厂负荷提供了参与日前市场、日内市场和平衡市场的机会。在日前市场中，电解铝厂负荷需要根据电解槽的能耗特性预测次日的电力需求，并基于日前预测的电力价格和生产计划，优化购电策略以减少运营成本。如果预测到次日电价较低，电解铝厂负荷需要安排在电价低谷期生产，以降低能源成本。再者，电解铝厂负荷在生产过程中，可能会因原料供应、设备故障或操作失误等因素进行日内的调整。若电解槽发生故障需要暂停运行，电解铝厂负荷可以在日内市场中将预计用不到的电力即时售出，以减少损失。此外，在当日电力需求高峰期，电解铝厂负荷可以在平衡市场中通过降低电解槽的工作强度来实时减少电力消耗，参与需求响应计划，帮助电网减轻负荷。当电力供应充足时，工厂可以增加电解槽的运行强度，消耗更多电能，以实时维持电网的稳定。
在参与辅助服务市场方面，电解铝厂负荷可以通过调整电解槽的电流实现快速减少电力消耗，从而为系统提供旋转备用服务。这种操作需要精确的控制系统以避免影响铝的生产质量。电解铝厂负荷还可以通过预先设定的程序在接到电网运营商的指令后调整电解过程，以为系统提供非旋转备用响应。这种操作虽然会对生产有一定的影响，但不会造成长期的生产损失。此外，电解铝厂负荷可以通过策略性地安排维护和检修来参与补充备用市场，例如，在电力需求较低的时段进行大规模的设备检修，这样既保证了设备的正常运行，又能在电力需求高峰期提供稳定的电能消耗。
2.2.3 炼油厂负荷的市场参与
炼油过程中的主要设备如流体催化裂化装置、真空蒸馏装置和催化重整装置均会消耗大量的热能和电能。在日前市场中，炼油厂负荷基于对次日能源价格和生产需求的预测，制定电力和燃料购买计划。例如，若预测到次日的能源价格较低，炼油厂负荷可能会提前购买较多的电力和天然气，以支持高能耗的流体催化裂化、真空蒸馏和催化重整过程，并有效地规避价格波动带来的成本风险。再者，炼油厂的生产过程受多种因素影响，如原油供应的变化、设备维护或市场需求的波动。日内市场允许炼油厂根据当日实际生产情况和能源市场动态，进行即时的能源购买或销售。例如，如果由于设备故障导致生产减少，炼油厂可以即时减少能源购买量，或者将多余的电力卖回市场，以此来降低能源浪费和经济损失。此外，炼油厂可以通过在平衡市场中实时调整真空蒸馏装置的负荷大小，来响应电网的即时需求。
2.2.4 差异化高载能负荷的市场参与总结
在参与辅助服务市场方面，电解铝厂负荷可以通过管理流体催化裂化装置、泵和压缩机的运行，快速调整能耗，从而为系统提供旋转备用。炼油厂还可以在电力系统需要时，通过预设程序延迟启动或暂停高能耗的炼化过程，从而在较短时间内大幅减少电力消耗。且炼油厂负荷中的自备发电设施，如燃气轮机和热电联产系统，可以与电力系统同步，以支持非旋转备用市场[79]。这两种措施带来的灵活性使炼油厂负荷成为非旋转备用市场的有效参与者。此外，炼油厂负荷可以在负荷低需求时段生产中间产品，在负荷高需求时段减少生产，以处理较长时间范围内的电力供需失衡，从而为系统提供补充备用。
综上所述，差异化高载能负荷通过积极参与日前市场、日内市场和平衡市场，不仅能够在多时间尺度下有效地管理自身高能耗的生产活动，还能通过灵活的市场操作提高能源使用的经济性和效率。而在辅助服务市场中，差异化高载能负荷通过提前计划或实时调整能耗，以及进行策略性维护积极参与旋转备用、非旋转备用和补充备用等服务，为电力系统稳定提供了可靠保障。工业高载能负荷在市场层面的灵活性定量特征见表4。
表4 工业高载能负荷在市场层面的灵活性定量特征[80-87]
Tab.4 Quantitative characteristics of industrial energy-intensive load flexibility at market levels[80-87]
系统运行状态市场服务类型需求响应速度持续时间周期时间 正常运行日前市场≈24 h＞1 h＞1 h 正常运行日内市场10～60 min大于10 min＞10 min 正常运行平衡市场0～10 min1～10 min＞1 min 应急运行旋转备用0～10 min10～120 min＞1 h 应急运行非旋转备用10～30 min10～120 min＞1 h 应急运行补充备用30～60 min30～120 min＞1 h
为了充分挖掘差异化工业高载能负荷的需求响应灵活性，现有的研究已经根据差异化工业高载能负荷的工业生产过程特征建立了不同的数学模型。在基于工业高载能负荷模型建立的调度模型中，通常使用两种解决方法来实现对调度模型的求解，包括传统数学优化方法和启发式算法。传统数学优化方法通常采用单纯形法、内点法、分支定界法和分支定界定价法等方法对调度模型进行优化。单纯形法和内点法能直接有效地求解简单的调度模型，包括线性规划模型和混合整数线性规划模型（Mixed-Integer Linear Programming, MILP），结构为线性或凸。但随着工业高载能负荷数学模型维度的增加，优化算法的计算难度显著增加。实际许多工业高载能负荷的数学模型为混合整数非线性规划模型（Mixed-Integer Nonlinear Programming, MINLP）结构为非线性或非凸，需要使用分支定界法或Benders分解法[88-89]。并且如果调度模型为大规模非线性模型，启发式算法是求解调度模型的有效方法。启发式算法的主要优点是可以快速找到优化解决方案，且求解速度快、计算难度低。然而，与传统数学优化方法相比，启发式算法求解调度模型得到的解只是近似解，而不是数学方法找到的精确解。
3.1.1 水泥厂负荷的调度模型
在水泥厂负荷的生产过程中，煅烧是能耗最密集的步骤。这一过程对温度和化学反应的控制要求极高。水泥厂负荷的调度模型不仅需要体现物料的流动和加工步骤，还需要优化能源消耗和碳排放量。由于煅烧过程中温度和化学反应呈非线性特性，水泥厂负荷的调度模型会涉及非线性的化学反应动力学和热力学方程，并且其除了涉及整数决策变量（如生产线的开关），还必须处理非线性关系（温度与能耗的关系）。因此，水泥厂负荷的调度模型复杂性较高，通常需要采用MINLP。例如，文献[90]建立了水泥厂高载能负荷的精确能耗模型，并采用MINLP进行描述，用于改善总负荷曲线并增加水泥厂的收益。文献[91]用MINLP对水泥厂高载能负荷的调度模型进行了描述，然后将该模型用于规划含水泥厂微电网的日前能量，旨在最大化消纳可再生能源及最小化运营成本。
3.1.2 电解铝厂负荷的调度模型
电解铝厂负荷在生产过程中的能耗主要集中在电解过程，此过程耗电量极大。电解铝厂负荷的调度模型通常需要优化电能的使用，以达到平衡系统供需和减少电力成本的目的。电解铝厂负荷的调度模型通常涉及生产计划的调整以及应急措施的规划。因此，该调度模型中包含连续变量（如电能使用量）和整数变量（如设备开关状态），通常需要采用MILP来描述。现有的研究已经根据电解铝厂负荷的工业生产过程特征建立了调度模型。例如，文献[92]分析了电解铝厂负荷的生产原理与供电方式，并推导了电解铝厂负荷的功率与产量的关系，进而通过采用MILP以描述电解铝厂负荷的多阶段需求响应模型。文献[93]在考虑电解铝厂负荷生产特性、成本特征和安全约束的基础上，将电解铝厂负荷视为一定范围内可连续调节但不可中断的负荷，利用MILP来描述电解铝厂负荷的调峰模型，旨在最大限度地降低调峰成本。文献[94]用MILP对工业园区中的电解铝厂高载能负荷进行了建模，并针对电解铝厂负荷开发了一个双层优化调度模型。该调度模型既满足了区域电网的日前功率平衡要求，也节约了工业园区的运营成本。
3.1.3 炼油厂负荷的调度模型
炼油过程的能耗主要集中在加热和分馏步骤，都涉及复杂的化学反应和物料平衡。由于炼油过程中涉及原油组分反应的动力学和热力学的特性方程都是非线性的，且设备的操作模式和原料的选择都是整数决策变量。因此，炼油过程的复杂性导致炼油厂的调度模型通常采用MINLP，以优化炼油厂负荷中各装置的功率配置、原料和产品的流量及其质量[95]。例如，文献[96]提出了一个MINLP，用于在管道输油速率最大的情况下，有效地制定使炼油厂负荷生产率最大化的调度计划。文献[97]提出了一个MINLP，其通过协调炼油厂负荷中各装置的重要可调度任务（例如蒸馏装置和其他涉及最大功率的装置）来调整系统峰值负荷。文献[98]建立了一种考虑可持续能源集成的炼油厂负荷调度模型，该调度模型考虑了炼油厂负荷中各装置的多种运行模式，并被表述为MINLP。
3.1.4 差异化高载能负荷的调度模型总结
在建立差异化高载能工业负荷调度模型的过程中，首先需要深入分析差异化高载能负荷工业生产过程及能耗特点。基于这些分析，相应的调度模型可以被系统地归类为特定类型的数学规划模型。在本文提到的三种工业高载能负荷调度模型中，电解铝厂负荷因其生产过程较为固定和重复，多采用MILP进行能源管理；而水泥厂和炼油厂由于涉及的物理和化学过程的复杂性及非线性，通常选择MINLP进行优化调度。通过建立和采用这些精细化的工业高载能负荷调度模型，相关工业高载能产业能够在确保生产效率的同时，优化能源消耗，降低运营成本，并减轻对环境的影响。因此，根据各工业高载能负荷的具体生产特点建立合适的数学规划模型，对于推动高效且可持续的工业生产经营具有至关重要的作用。对于相关领域的研究者而言，理解差异化高载能负荷调度模型的适用场景及其局限性是进行科学决策和优化操作的基础。
3.2.1 传统数学优化方法
在工业高载能负荷的优化问题中，线性规划模型和MILP通常通过传统数学优化方法来求解。对于线性规划模型，单纯形法和内点法是两种经典的求解算法。单纯形法适用于变量较少的问题，通过在可行解的顶点间移动来寻找最优解[99]。内点法则适用于大规模问题，它通过在可行区域的内部寻找最优解[100]。对于MILP，分支定界法是一种标准求解方法，它通过分支来探索所有可能的整数解，并使用定界技术剔除非最优解[101]。此外，分支定界定价法结合了分支定界和切割平面技术，适用于求解变量多、约束复杂的问题[102]。这些传统数学优化方法在现代求解器中得到了广泛的应用，能够有效地处理包含复杂约束和多种决策变量的大规模优化问题。
3.2.2 启发式算法
在工业高载能负荷模型的优化领域，MILP由于其问题规模大和计算复杂性高，通常需要借助启发式算法进行有效求解。这主要是因为，传统的数学优化方法如分支定界法在处理大规模或特别复杂的MILP时，面临巨大的计算负担和不可接受的求解时间。而启发式算法，如遗传算法、模拟退火算法等，能够在有限的计算资源和时间内快速找到一个可接受的近似解[103]。这些算法的灵活性和适应性使得它们特别适用于负荷变化不定的工业高载能负荷的工业过程，能够有效地应对实际应用中的动态变化和特殊需求。因此，在实际工业应用中，启发式算法成为解决复杂混合整数线性优化问题的重要工具。例如，在文献[104]中，非支配排序遗传算法被用于优化钢铁厂高载能负荷需求响应模型的目标函数，该目标函数包括三个部分：最小化能源消耗、最小化污染物排放，以及最小化运营成本。文献[105]提出应用粒子群优化算法最小化造纸厂高载能负荷工业过程的能源消耗成本。文献[106]提出通过应用模拟退火算法最小化工业公司的能源和生产成本。
现有研究中已经应用于优化工业高载能负荷模型的启发式算法见表5。而其中的每一种启发式算法都有自己的优缺点。模拟退火算法具有很好的全局搜索能力，广泛适用于求解连续和离散模型。但其性能高度依赖冷却计划的设置，不当的冷却速率和初始温度可能导致算法效率低下或无法达到全局最优。传统遗传算法能够在搜索空间中广泛探索，避免过早收敛到局部最优解；但其收敛速度较慢。非支配排序遗传算法能有效地处理多目标优化问题；但其计算复杂度较高，尤其是在种群规模大或目标函数复杂的情况下，运行时间会显著增加。粒子群优化算法简单易实现，参数较少，对初始值的依赖较小，适用于连续优化问题；但其易于陷入局部最优。蚁群优化算法具有很好的并行性；但其收敛速度较慢，参数调整复杂，求解效率不高。萤火虫算法适用于处理连续优化问题，具有较强的全局搜索能力；但其收敛速度较慢。基于教学学习的优化算法能够较好地平衡全局搜索与局部搜索能力，且其参数较少，易于实现；但对于非线性模型难以有效求解。引力搜索算法对于寻找全局最优点具有较强的能力；但其收敛速度较慢，且在后期收敛阶段容易陷入局部最优。布谷鸟搜索算法具有较好的全局搜索能力，适合处理复杂的优化问题，且实现简单；但需要较多的迭代次数才能找到满意解。磷虾群算法的搜索效率和解的质量都较高；但其收敛速度较慢。而其他的启发式算法，包括群体搜索优化器算法、蜂群算法、入侵杂草优化算法、人工免疫系统算法、交叉优化算法、排队竞争算法和交易市场算法尚未在工业高载能负荷优化求解方面进行检验。未来的研究可以验证这些启发式算法求解工业高载能负荷调度模型的有效性和实用性。
表5 用于优化工业高载能负荷模型的启发式算法
Tab.5 Heuristic algorithms for optimizing energy-intensive load models in industry
文献启发式算法工业高载能负荷 [104]非支配排序遗传算法钢铁厂 [105]粒子群优化算法造纸厂 [106]模拟退火算法工业公司 [107]蚁群优化算法造纸厂 [108]萤火虫算法食品厂 [109]基于教学学习的优化算法铸造厂 [110]引力搜索算法化工厂 [111]布谷鸟搜索算法纺织厂 [112]磷虾群算法液化气厂 [113]遗传算法炼油厂
在工业高载能负荷的优化调度中，求解器的必要性不容忽视。这些工具的使用确保了计算过程的高效率和结果的精确可靠。此外，高级求解器能够根据差异化高载能负荷的工业过程和需求进行调整，并且能够显著地节省时间和成本，尤其是在处理大规模和高度复杂的优化任务时。它们还具备强大的数据处理和分析能力，可以有效地处理和分析大量的历史数据，以支持更加精准和合理的决策[114]。
关于求解器，现有的工业案例中采用了许多数学求解器，包括ANTIGONE、DICOPT、MOSEK、CONOPT、IPOPT、LINDO、BARON[115-124]。用于求解工业高载能负荷优化调度模型的求解器的特点见表6。CPLEX、GUROBI和LINDO拥有求解复杂线性规划和MILP的能力，适于处理规模较大且结构清晰的优化问题，如冶炼厂和炼油厂高载能负荷的优化调度问题，但它们在价格和用户友好性方面存在不足[125-126]。CONOPT适用于处理特定类型的线性优化问题，如电弧炉高载能负荷的优化调度问题，但其可能不适用于更广泛的工业场景。BARON和ANTIGONE拥有求解MINLP的能力，适合处理非线性且复杂的优化问题，如工业枢纽的优化调度问题，但它们使用复杂且成本较高。DICOPT和IPOPT是主要用于非线性问题的求解器，适用于需要精确处理非线性动态的应用，如机器制造厂高载能负荷的调度问题，但其求解速度慢且对问题条件的敏感性不高。
表6 用于求解工业高载能负荷优化调度模型的求解器
Tab.6 Solvers for industrial energy-intensive load optimization scheduling models
文献求解器线性规划混合整数线性规划混合整数非线性规划工业高载能负荷 [115]CPLEXPP玻璃厂 [116]GUROBIPP冶炼厂 [117]BARONPPP工业枢纽 [117]ANTIGONEP工业枢纽 [118]DICOPTP机器制造厂 [119]LINDOPPP炼油厂 [120]CONOPTP电弧炉 [121]IPOPTP机器制造厂
随着近年来可再生能源大规模接入电力系统中，亟须充分挖掘差异化工业高载能负荷的需求响应灵活性，以配合电网调度进行需求响应。尽管电力系统和工业高载能负荷都已经从需求响应策略中获益，但仍有一些挑战会阻碍工业高载能负荷参与需求响应计划，这些挑战也构成了未来研究工作需重点关注的方向。
为了鼓励工业高载能负荷参与需求响应计划，电网通常会向工业高载能负荷提供基于价格或激励的需求响应计划[127]。然而，减少能源消耗的收益对差异化高载能负荷并不相同，导致统一的激励或价格方案不能使差异化高载能负荷都满意。因此，未来研究应根据差异化工业高载能负荷的财务特征和能耗模式，定制差异化的激励政策，提高差异化高载能负荷参与需求响应的积极性，确保激励效果的最大化。
智能电网中供需侧之间的双向通信使解锁电力系统灵活性成为可能[128]。而双向通信传输的技术数据在工业高载能负荷的运营调度和灵活性管理中发挥关键作用。数据包括电价、电网激励计划、电网灵活性需求、工业高载能负荷生产数据和运营策略。为此，未来需要建立一个庞大的数据库，强化数据收集、通信、存储和处理的能力，以确保对工业高载能负荷需求响应灵活性的有效管理。
实施工业高载能负荷的需求响应策略需要相应的技术技能和专业知识。缺乏这些技能会导致工业过程中断，进而造成财务损失。由于缺乏技术技能，许多工业高载能负荷不愿意响应电网的需求响应计划，更倾向于遵循传统的运营策略[129]。因此，对工业高载能工厂人员的教育和培训至关重要，以提高他们对电网需求响应策略的接受度和应用能力。
工业高载能负荷的需求响应是满足未来高渗透率间歇性电力系统灵活性需求的有效解决方案。工业高载能负荷通过调节各个生产过程的能耗，为电力系统提供巨大的灵活性潜力。水泥厂、电解铝厂和炼油厂在提供电力灵活性方面展示了显著潜力，可以从能源交付前24 h直至实时进行。这样，工业过程的电力消耗可以在日前市场上进行计划，在日内市场上进行调整，最后在平衡市场上完成功率实时平衡。换言之，工业高载能负荷的生产过程具备调节潜力，其可在日前、日内与实时市场为电力系统提供相当高的灵活性价值。
工业高载能负荷的响应策略对电力系统和负荷各方均有益处。电力系统主要从新能源消纳、削峰填谷、减少碳排放量和降低运营成本中受益，工业高载能负荷可从降低的能耗成本和财务激励中受益。然而，尽管系统供需两侧均从工业高载能负荷的需求响应计划中受益，但仍有较多的挑战可能会阻碍工业高载能负荷参与需求响应计划。差异化高载能负荷激励方案的定制，数据存储、管理、处理能力的加强以及技术技能和专业知识的提升仍是未来需要进一步研究的问题。
参考文献
[1] 国家能源局. 多地用电破纪录: 能源求变, 风光装机崛起进行时[EB/OL]. [2023-07-31]. http://www. nea.gov.cn/2023-07/31/c_1310734804.htm.
[2] 姜云鹏, 任洲洋, 李秋燕, 等. 考虑多灵活性资源协调调度的配电网新能源消纳策略[J]. 电工技术学报, 2022, 37(7): 1820-1835. Jiang Yunpeng, Ren Zhouyang, Li Qiuyan, et al. An accommodation strategy for renewable energy in distribution network considering coordinated dispatching of multi-flexible resources[J]. Transactions of China Electrotechnical Society, 2022, 37(7): 1820-1835.
[3] 潘超, 范宫博, 王锦鹏, 等. 灵活性资源参与的电热综合能源系统低碳优化[J]. 电工技术学报, 2023, 38(6): 1633-1647. Pan Chao, Fan Gongbo, Wang Jinpeng, et al. Low-carbon optimization of electric and heating integrated energy system with flexible resource participation[J]. Transactions of China Electrotechnical Society, 2023, 38(6): 1633-1647.
[4] 王雨晴, 王文诗, 徐心竹, 等. 面向低碳交通的含新能源汽车共享站电-氢微能源网区间-随机混合规划方法[J]. 电工技术学报, 2023, 38(23): 6373-6390. Wang Yuqing, Wang Wenshi, Xu Xinzhu, et al. Hybrid interval/stochastic planning method for new energy vehicle sharing station-based electro-hydrogen micro-energy system for low-carbon transportation[J]. Transactions of China Electrotechnical Society, 2023, 38(23): 6373-6390.
[5] 张玉莹, 曾博, 周吟雨, 等. 碳减排驱动下的数据中心与配电网交互式集成规划研究[J]. 电工技术学报, 2023, 38(23): 6433-6450. Zhang Yuying, Zeng Bo, Zhou Yinyu, et al. Research on interactive integration planning of data centers and distribution network driven by carbon emission reduction[J]. Transactions of China Electrotechnical Society, 2023, 38(23): 6433-6450.
[6] 王宇绅, 陈皓勇, 黄宇翔, 等. 多重不确定性下的虚拟电厂参与电能量和需求响应市场鲁棒优化调度策略[J]. 发电技术, 2024, 45(6): 1173-1185. Wang Yushen, Chen Haoyong, Huang Yuxiang, et al. Robust optimal scheduling strategy for virtual power plant participation in electric energy and demand response markets under multiple uncertainties[J]. Power Generation Technology, 2024, 45(6): 1173-1185.
[7] Shoreh M H, Siano P, Shafie-khah M, et al. A survey of industrial applications of demand response[J]. Electric Power Systems Research, 2016, 141: 31-49.
[8] 张海亮, 王艺博, 蔡国伟, 等. 面向风电消纳与电熔镁高载能负荷调控的源荷协调优化策略[J]. 电工技术学报, 2022, 37(17): 4401-4410. Zhang Hailiang, Wang Yibo, Cai Guowei, et al. Source-load coordination optimization strategy for wind power accommodation and high energy load regulation of electric fused magnesium[J]. Transa-ctions of China Electrotechnical Society, 2022, 37(17): 4401-4410.
[9] 邢文, 段斌. 基于负荷转移调度的高耗能企业电能需量控制[J]. 电气技术, 2016, 17(9): 70-76. Xing Wen, Duan Bin. Power demanding control for energy-intensive enterprises based on load transfer dispatch[J]. Electrical Engineering, 2016, 17(9): 70-76.
[10] 晋宏杨, 孙宏斌, 牛涛, 等. 考虑风险约束的高载能负荷—风电协调调度方法[J]. 电力系统自动化, 2019, 43(16): 9-16. Jin Hongyang, Sun Hongbin, Niu Tao, et al. Coordinated dispatch method of energy-extensive load and wind power considering risk constraints[J]. Automation of Electric Power Systems, 2019, 43(16): 9-16.
[11] 刘闯, 孙傲, 王艺博, 等. 计及电熔镁负荷与储能联合调峰的电力系统日前-日内联合经济调度方法[J]. 电力自动化设备, 2022, 42(2): 8-15. Liu Chuang, Sun Ao, Wang Yibo, et al. Day-ahead and intra-day joint economic dispatching method of electric power system considering combined peak-shaving of fused magnesium load and energy storage[J]. Electric Power Automation Equipment, 2022, 42(2): 8-15.
[12] Xenos D P, Mohd Noor I, Matloubi M, et al. Demand-side management and optimal operation of industrial electricity consumers: an example of an energy-intensive chemical plant[J]. Applied Energy, 2016, 182: 418-433.
[13] 彭春华, 张金克, 陈露, 等. 计及差异化需求响应的微电网源荷储协调优化调度[J]. 电力自动化设备, 2020, 40(3): 1-7. Peng Chunhua, Zhang Jinke, Chen Lu, et al. Source-load-storage coordinated optimal scheduling of micro-grid considering differential demand response[J]. Electric Power Automation Equipment, 2020, 40(3): 1-7.
[14] Paulus M, Borggrefe F. The potential of demand-side management in energy-intensive industries for electricity markets in Germany[J]. Applied Energy, 2011, 88(2): 432-441.
[15] Zhang Yingfeng, Ma Shuaiyin, Yang Haidong, et al. A big data driven analytical framework for energy-intensive manufacturing industries[J]. Journal of Cleaner Production, 2018, 197: 57-72.
[16] 文晶, 刘文颖, 谢昶, 等. 计及风电消纳效益的电力系统源荷协调二层优化模型[J]. 电工技术学报, 2015, 30(8): 247-256. Wen Jing, Liu Wenying, Xie Chang, et al. Source-load coordination optimal model considering wind power consumptive benefits based on bi-level programming[J]. Transactions of China Electrotechnical Society, 2015, 30(8): 247-256.
[17] 周宁, 杨知方, 钟海旺, 等. 售电侧市场的工业园区能源代理模式设计[J]. 电力系统自动化, 2015, 39(17): 147-152, 191. Zhou Ning, Yang Zhifang, Zhong Haiwang, et al. Energy agent mechanism design for industrial parks in retail electricity markets[J]. Automation of Electric Power Systems, 2015, 39(17): 147-152, 191.
[18] 胡殿刚, 齐晓琳, 李韶瑜, 等. 考虑最优风电投标量的高载能用户电价决策模型[J]. 电网技术, 2016, 40(8): 2265-2272. Hu Diangang, Qi Xiaolin, Li Shaoyu, et al. Price decision model of high-load users considering optimal wind bidding strategy[J]. Power System Technology, 2016, 40(8): 2265-2272.
[19] 王健, 鲁宗相, 乔颖, 等. 高载能负荷提高风电就地消纳的需求响应模式研究[J]. 电网技术, 2017, 41(7): 2115-2124. Wang Jian, Lu Zongxiang, Qiao Ying, et al. Research on demand response mechanism of wind power local accommodation utilizing energy-intensive loads[J]. Power System Technology, 2017, 41(7): 2115-2124.
[20] 张智刚, 康重庆. 碳中和目标下构建新型电力系统的挑战与展望[J]. 中国电机工程学报, 2022, 42(8): 2806-2819. Zhang Zhigang, Kang Chongqing. Challenges and prospects for constructing the new-type power system towards a carbon neutrality future[J]. Proceedings of the CSEE, 2022, 42(8): 2806-2819.
[21] Golmohamadi H. Demand-side management in industrial sector: a review of heavy industries[J]. Renewable and Sustainable Energy Reviews, 2022, 156: 111963.
[22] dos Santos S A B, Soares J M, Barroso G C, et al. Demand response application in industrial scenarios: a systematic mapping of practical implementation[J]. Expert Systems with Applications, 2023, 215: 119393.
[23] Heffron R, Körner M F, Wagner J, et al. Industrial demand-side flexibility: a key element of a just energy transition and industrial development[J]. Applied Energy, 2020, 269: 115026.
[24] Gao Tianming, Shen Lei, Shen Ming, et al. Analysis of material flow and consumption in cement production process[J]. Journal of Cleaner Production, 2016, 112: 553-565.
[25] Ishak S A, Hashim H. Low carbon measures for cement plant–a review[J]. Journal of Cleaner Production, 2015, 103: 260-274.
[26] Galitsky C, Worrell E. Energy efficiency improvement and cost saving opportunities for cement making[R]. Washington D. C.: Energy Star, 2008.
[27] Jamali D H, Noorpoor A. Optimization of a novel solar-based multi-generation system for waste heat recovery in a cement plant[J]. Journal of Cleaner Production, 2019, 240: 117825.
[28] Yao Mingtao, Hu Zhaoguang, Sifuentes F, et al. Integrated power management of conventional units and industrial loads in China’s ancillary services scheduling[J]. Energies, 2015, 8(5): 3955-3977.
[29] Cadavid-Giraldo N, Velez-Gallego M C, Restrepo-Boland A. Carbon emissions reduction and financial effects of a cap and tax system on an operating supply chain in the cement sector[J]. Journal of Cleaner Production, 2020, 275: 122583.
[30] Kermeli K, Edelenbosch O Y, Crijns-Graus W, et al. The scope for better industry representation in long-term energy models: modeling the cement industry[J]. Applied Energy, 2019, 240: 964-985.
[31] Hasanbeigi A, Price L, Lu Hongyou, et al. Analysis of energy-efficiency opportunities for the cement indus-try in Shandong Province, China: a case study of 16 cement plants[J]. Energy, 2010, 35(8): 3461-3473.
[32] Tesema G, Worrell E. Energy efficiency improvement potentials for the cement industry in Ethiopia[J]. Energy, 2015, 93: 2042-2052.
[33] Atmaca A, Kanoglu M. Reducing energy consumption of a raw mill in cement industry[J]. Energy, 2012, 42(1): 261-269.
[34] Golmohamadi H, Keypour R, Bak-Jensen B, et al. Robust self-scheduling of operational processes for industrial demand response aggregators[J]. IEEE Transactions on Industrial Electronics, 2020, 67(2): 1387-1395.
[35] Huang Y H, Chang Yilin, Fleiter T. A critical analysis of energy efficiency improvement potentials in Taiwan’s cement industry[J]. Energy Policy, 2016, 96: 14-26.
[36] Hasanbeigi A, Menke C, Therdyothin A. The use of conservation supply curves in energy policy and economic analysis: the case study of Thai cement industry[J]. Energy Policy, 2010, 38(1): 392-405.
[37] Hossain S R, Ahmed I, Azad F S, et al. Empirical investigation of energy management practices in cement industries of Bangladesh[J]. Energy, 2020, 212: 118741.
[38] Tabereaux A T, Peterson R D. Aluminum production [M]//Seetharaman S, Mclean A, Sohn H Y, et al. Treatise on Process Metallurgy. Amsterdam: Elsevier, 2014: 839-917.
[39] 丁鑫, 徐箭, 孙元章, 等. 联网型高耗能电解铝工业电网源荷协调平抑风电功率波动控制策略[J]. 电力自动化设备, 2022, 42(11): 47-55. Ding Xin, Xu Jian, Sun Yuanzhang, et al. Source-load coordinated control strategy for smoothing wind power fluctuation in grid-connected high energy consuming electrolytic aluminum industrial power grid[J]. Electric Power Automation Equipment, 2022, 42(11): 47-55.
[40] Chen Runze, Wang Jianhui, Sun Hongbin. Clearing and pricing for coordinated gas and electricity day-ahead markets considering wind power uncertainty[J]. IEEE Transactions on Power Systems, 2018, 33(3): 2496-2508.
[41] Nguyen H T, Le Long bao, Wang Zhaoyu. A bidding strategy for virtual power plants with the intraday demand response exchange market using the stochastic programming[J]. IEEE Transactions on Industry Applications, 2018, 54(4): 3044-3055.
[42] 陈光宇, 杨锡勇, 江海洋, 等. 高比例新能源接入下计及工业负荷特性的电网需求响应调控策略[J]. 电力自动化设备, 2023, 43(4): 177-184. Chen Guangyu, Yang Xiyong, Jiang Haiyang, et al. Demand response regulation strategy for power grid accessed with high proportion of renewable energy considering industrial load characteristics[J]. Electric Power Automation Equipment, 2023, 43(4): 177-184.
[43] Jiang Hao, Lin Jin, Song Yonghua, et al. Demand side frequency control scheme in an isolated wind power system for industrial aluminum smelting production [J]. IEEE Transactions on Power Systems, 2014, 29(2): 844-853.
[44] Alharbi H, Bhattacharya K. Participation of pumped hydro storage in energy and performance-based regulation markets[J]. IEEE Transactions on Power Systems, 2020, 35(6): 4307-4323.
[45] Du Y, Li F. A hierarchical real-time balancing market considering multimicrogrids with distributed sustainable resources[J]. IEEE Transactions on Sustainable Energy, 2020, 11(1): 72-83.
[46] Zhang Yanfang, Li Wangxing, Yang Jianhong, et al. A techno-economic optimization model for aluminium electrolysis production[M]//Suarez C E. Light Metals 2012. Cham: Springer International Publishing, 2012: 709-714.
[47] Haraldsson J, Johansson M T. Review of measures for improved energy efficiency in production-related processes in the aluminium industry-from electrolysis to recycling[J]. Renewable and Sustainable Energy Reviews, 2018, 93: 525-548.
[48] Royo P, Ferreira V J, López-Sabirón A M, et al. Retrofitting strategies for improving the energy and environmental efficiency in industrial furnaces: a case study in the aluminium sector[J]. Renewable and Sustainable Energy Reviews, 2018, 82: 1813-1822.
[49] Bogdanov D, Gulagi A, Fasihi M, et al. Full energy sector transition towards 100% renewable energy supply: integrating power, heat, transport and industry sectors including desalination[J]. Applied Energy, 2021, 283: 116273.
[50] Gong Feixiang, Ren Kaikai, Zhang Aiqun, et al. Review of electrolytic aluminum load participating in demand response to absorb new energy potential and methods[C]//2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), Nanchang, China, 2021: 1015-1019.
[51] Hao Han, Geng Yong, Hang Wen. GHG emissions from primary aluminum production in China: regional disparity and policy implications[J]. Applied Energy, 2016, 166: 264-272.
[52] Golmohamadi H, Keypour R, Bak-Jensen B, et al. A multi-agent based optimization of residential and industrial demand response aggregators[J]. Interna-tional Journal of Electrical Power & Energy Systems, 2019, 107: 472-485.
[53] Bao Peng, Zhang Wen, Cheng Dingyi, et al. Hierarchical control of aluminum smelter loads for primary frequency support considering control cost[J]. International Journal of Electrical Power & Energy Systems, 2020, 122: 106202.
[54] Shen Xun, Chen Lingen, Xia Shaojun, et al. Burdening proportion and new energy-saving technologies analysis and optimization for iron and steel production system[J]. Journal of Cleaner Production, 2018, 172: 2153-2166.
[55] Kong Haining, Qi Ershi, Li Hui, et al. An MILP model for optimization of byproduct gases in the integrated iron and steel plant[J]. Applied Energy, 2010, 87(7): 2156-2163.
[56] Zhang Qi, Wei Ziqing, Ma Jialin, et al. Optimization of energy use with CO2 emission reducing in an integrated iron and steel plant[J]. Applied Thermal Engineering, 2019, 157: 113635.
[57] Zhao Xiancong, Bai Hao, Shi Qi, et al. Optimal scheduling of a byproduct gas system in a steel plant considering time-of-use electricity pricing[J]. Applied Energy, 2017, 195: 100-113.
[58] Liu Changxin, Xie Zhihui, Sun Fengrui, et al. Exergy analysis and optimization of coking process[J]. Energy, 2017, 139: 694-705.
[59] Xiong Bing, Chen Lingen, Meng Fankai, et al. Modeling and performance analysis of a two-stage thermoelectric energy harvesting system from blast furnace slag water waste heat[J]. Energy, 2014, 77: 562-569.
[60] Meng Fankai, Chen Lingen, Sun Fengrui, et al. Thermoelectric power generation driven by blast furnace slag flushing water[J]. Energy, 2014, 66: 965-972.
[61] Chen Lingen, Yang Bo, Shen Xun, et al. Thermodynamic optimization opportunities for the recovery and utilization of residual energy and heat in China’s iron and steel industry: a case study[J]. Applied Thermal Engineering, 2015, 86: 151-160.
[62] Zhang Zelong, Chen Lingen, Yang Bo, et al. Thermodynamic analysis and optimization of an air Brayton cycle for recovering waste heat of blast furnace slag[J]. Applied Thermal Engineering, 2015, 90: 742-748.
[63] Liu Changxin, Xie Zhihui, Sun Fengrui, et al. Optimization for sintering proportioning based on energy value[J]. Applied Thermal Engineering, 2016, 103: 1087-1094.
[64] Rossi M, Comodi G, Piacente N, et al. Energy recovery in oil refineries by means of a hydraulic power recovery turbine (HPRT) handling viscous liquids[J]. Applied Energy, 2020, 270: 115097.
[65] Nezhadfard M, Khalili-Garakani A. Power generation as a useful option for flare gas recovery: enviro-economic evaluation of different scenarios[J]. Energy, 2020, 204: 117940.
[66] Aminmahalati A, Fazlali A, Safikhani H. Multi-objective optimization of CO boiler combustion chamber in the RFCC unit using NSGA II algorithm[J]. Energy, 2021, 221: 119859.
[67] Gholian A, Mohsenian-Rad H, Hua Yingbo, et al. Optimal industrial load control in smart grid: a case study for oil refineries[C]//2013 IEEE Power & Energy Society General Meeting, Vancouver, BC, 2013: 1-5.
[68] Alarfaj O, Bhattacharya K. Material flow based power demand modeling of an oil refinery process for optimal energy management[J]. IEEE Transactions on Power Systems, 2019, 34(3): 2312-2321.
[69] Golmohamadi H, Asadi A. Integration of joint power-heat flexibility of oil refinery industries to uncertain energy markets[J]. Energies, 2020, 13(18): 4874.
[70] Madlool N A, Saidur R, Rahim N A, et al. An overview of energy savings measures for cement industries[J]. Renewable and Sustainable Energy Reviews, 2013, 19: 18-29.
[71] Nejad M A, Golmohamadi H, Bashian A, et al. Application of demand response programs to heavy industries: a case study on a regional electric company[J]. International Journal of Smart Electrical Engineering, 2017, 6: 93-99.
[72] Eid C, Koliou E, Valles M, et al. Time-based pricing and electricity demand response: existing barriers and next steps[J]. Utilities Policy, 2016, 40: 15-25.
[73] 姚明涛, 胡兆光, 张宁, 等. 工业负荷提供辅助服务的多智能体响应模拟[J]. 中国电机工程学报, 2014, 34(25): 4219-4226. Yao Mingtao, Hu Zhaoguang, Zhang Ning, et al. Multi-agent response simulation of industrial loads for ancillary services[J]. Proceedings of the CSEE, 2014, 34(25): 4219-4226.
[74] 周竞, 耿建, 唐律, 等. 可调节负荷资源参与电力辅助服务市场规则分析与思考[J]. 电力自动化设备, 2022, 42(7): 120-127. Zhou Jing, Geng Jian, Tang Lü, et al. Rule analysis and cogitation for adjustable load resources participating in ancillary service market[J]. Electric Power Automation Equipment, 2022, 42(7): 120-127.
[75] Roesch M, Bauer D, Haupt L, et al. Harnessing the full potential of industrial demand-side flexibility: an end-to-end approach connecting machines with markets through service-oriented IT platforms[J]. Applied Sciences, 2019, 9(18): 3796.
[76] Emir T, Güler M G. Production planning using day-ahead prices in a cement plant[M]//Dincer I, Ozgur Colpan C, Kizilkan O. Exergetic, Energetic and Environmental Dimensions. Amsterdam: Elsevier, 2018: 149-166.
[77] Yao Mingtao, Hu Zhaoguang, Zhang Ning, et al. Low-carbon benefits analysis of energy-intensive industrial demand response resources for ancillary services[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(1): 131-138.
[78] Lund P D, Lindgren J, Mikkola J, et al. Review of energy system flexibility measures to enable high levels of variable renewable electricity[J]. Renewable and Sustainable Energy Reviews, 2015, 45(1): 785-807.
[79] Nelson J R, Johnson N G. Model predictive control of microgrids for real-time ancillary service market participation[J]. Applied Energy, 2020, 269: 114963.
[80] Blomberg J, Söderholm P. Factor demand flexibility in the primary aluminium industry: evidence from stagnating and expanding regions[J]. Resources Policy, 2011, 36(3): 238-248.
[81] Castro P M, Sun Lige, Harjunkoski I. Resource–task network formulations for industrial demand side management of a steel plant[J]. Industrial & Engi-neering Chemistry Research, 2013, 52(36): 13046-13058.
[82] Xu Tengfang, Karali N, Sathaye J. Undertaking high impact strategies: the role of national efficiency measures in long-term energy and emission reduction in steel making[J]. Applied Energy, 2014, 122: 179-188.
[83] Gholian A, Mohsenian-Rad H, Hua Yingbo. Optimal industrial load control in smart grid[J]. IEEE Transactions on Smart Grid, 2016, 7(5): 2305-2316.
[84] Zhao Ruijie, Nowicki C, Gosselin L, et al. Energy and exergy inventory in aluminum smelter from a thermal integration point-of-view[J]. International Journal of Energy Research, 2016, 40(10): 1321-1338.
[85] Zhang Xiao, Hug G, Harjunkoski I. Cost-effective scheduling of steel plants with flexible EAFs[J]. IEEE Transactions on Smart Grid, 2017, 8(1): 239-249.
[86] Ramin D, Spinelli S, Brusaferri A. Demand-side management via optimal production scheduling in power-intensive industries: the case of metal casting process[J]. Applied Energy, 2018, 225: 622-636.
[87] Dranka G G, Ferreira P. Load flexibility potential across residential, commercial and industrial sectors in Brazil[J]. Energy, 2020, 201: 117483.
[88] Huang Chao, Zhang Hongcai, Song Yonghua, et al. Demand response for industrial micro-grid consi-dering photovoltaic power uncertainty and battery operational cost[J]. IEEE Transactions on Smart Grid, 2021, 12(4): 3043-3055.
[89] 高倩, 杨知方, 李文沅. 电力系统混合整数线性规划问题的运筹决策关键技术综述与展望[J]. 电工技术学报, 2024, 39(11): 3291-3307. Gao Qian, Yang Zhifang, Li Wenyuan. Prospect on operations research for mixed-integer linear programming problems in power systems[J]. Transactions of China Electrotechnical Society, 2024, 39(11): 3291-3307.
[90] Gerami N, Ghasemi A, Lotfi A, et al. Energy consumption modeling of production process for industrial factories in a day ahead scheduling with demand response[J]. Sustainable Energy, Grids and Networks, 2021, 25: 100420.
[91] Li Baodong. Modeling energy consumption in the production processes of industrial units based on load response programs in the energy market[J]. Energy Engineering, 2023, 120(2): 461-481.
[92] 王越, 谢海鹏, 祝昊. 电解铝工业园区的源荷协同优化配置方法[J]. 电力自动化设备, 2024, 44(7): 132-140. Wang Yue, Xie Haipeng, Zhu Hao. Source-load coordinated optimal planning method of electrolytic aluminum industrial park[J]. Electric Power Automation Equipment, 2024, 44(7): 132-140.
[93] Yue Xiaoyu, Liao Siyang, Xu Jian, et al. Collaborative optimization of renewable energy power systems integrating electrolytic aluminum load regulation and thermal power deep peak shaving[J]. Applied Energy, 2024, 373: 123869.
[94] Lin Shunfu, He Tianhang, Shen Yunwei, et al. Bilevel optimal dispatch model for a peak regulation ancillary service in an industrial park of energy-intensive loads[J]. Electric Power Systems Research, 2024, 230: 110272.
[95] Chen Yuandong, Ding Jinliang, Chen Qingda. A reinforcement learning based large-scale refinery production scheduling algorithm[J]. IEEE Transactions on Automation Science and Engineering, 2024, 21(4): 6041-6055.
[96] Wu Naiqi, Li Zhiwu, Qu Ting. Energy efficiency optimization in scheduling crude oil operations of refinery based on linear programming[J]. Journal of Cleaner Production, 2017, 166: 49-57.
[97] Reka S S, Ramesh V. Industrial demand side response modelling in smart grid using stochastic optimisation considering refinery process[J]. Energy and Buildings, 2016, 127: 84-94.
[98] Xu Tiantian, Long Jian, Zhao Liang, et al. Material and energy coupling systems optimization for large-scale industrial refinery with sustainable energy penetration under multiple uncertainties using two-stage stochastic programming[J]. Applied Energy, 2024, 371: 123525.
[99] Alves M J, Henggeler Antunes C. A new exact method for linear bilevel problems with multiple objective functions at the lower level[J]. European Journal of Operational Research, 2022, 303(1): 312-327.
[100] 曾丹, 姚建国, 杨胜春, 等. 应对风电消纳中基于安全约束的价格型需求响应优化调度建模[J]. 中国电机工程学报, 2014, 34(31): 5571-5578. Zeng Dan, Yao Jianguo, Yang Shengchun, et al. Optimization dispatch modeling for price-based demand response considering security constraints to accommodate the wind power[J]. Proceedings of the CSEE, 2014, 34(31): 5571-5578.
[101] 高倩, 杨知方, 李文沅, 等. 分支定界搜索信息深度引导的电-气互联系统调度决策加速求解方法[J]. 电工技术学报, 2024, 39(13): 3990-4002. Gao Qian, Yang Zhifang, Li Wenyuan, et al. Dispatch acceleration of integrated electricity and gas system using branch-and-bound search information[J]. Tran-sactions of China Electrotechnical Society, 2024, 39(13): 3990-4002.
[102] 汪恭书, 刘静宜, 唐立新. 连铸-轧制混流生产模式下轧批调度问题的分支-定价算法[J]. 自动化学报, 2017, 43(7): 1178-1189. Wang Gongshu, Liu Jingyi, Tang Lixin. Branch-and-price algorithm for rolling batch scheduling problem in continuous-casting and rolling processes with hybrid production mode[J]. Acta Automatica Sinica, 2017, 43(7): 1178-1189.
[103] 江岳文, 罗泽宇, 程诺. 基于线性化方法的交直流混合配电系统网架规划[J]. 电工技术学报, 2024, 39(5): 1404-1418. Jiang Yuewen, Luo Zeyu, Cheng Nuo. Network planning of AC/DC hybrid distribution system based on linearization method[J]. Transactions of China Electrotechnical Society, 2024, 39(5): 1404-1418.
[104] Wang Yihan, Chen Chen, Tao Yuan, et al. A many-objective optimization of industrial environmental management using NSGA-III: a case of China’s iron and steel industry[J]. Applied Energy, 2019, 242: 46-56.
[105] Zeng Zhiqiang, Hong Mengna, Li Jigeng, et al. Integrating process optimization with energy-efficiency scheduling to save energy for paper mills [J]. Applied Energy, 2018, 225: 542-558.
[106] Roesch M, Linder C, Zimmermann R, et al. Smart grid for industry using multi-agent reinforcement learning[J]. Applied Sciences, 2020, 10(19): 6900.
[107] Talebjedi B, Khosravi A, Laukkanen T, et al. Energy modeling of a refiner in thermo-mechanical pulping process using ANFIS method[J]. Energies, 2020, 13(19): 5113.
[108] Rajalakshmi M, Jeyadevi S, Karthik C. An application of hybrid firefly and pso with support vector regression for modeling a clarifier process in sugar industry[C]//2018 National Power Engineering Con-ference (NPEC), Madurai, India, 2018: 1-10.
[109] Ji Xiaoyuan, Ye Hu, Zhou Jianxin, et al. An improved teaching-learning-based optimization algorithm and its application to a combinatorial optimization problem in foundry industry[J]. Applied Soft Computing, 2017, 57: 504-516.
[110] Owolabi T O, Suleiman M A, Adeyemo H B, et al. Estimation of minimum ignition energy of explosive chemicals using gravitational search algorithm based support vector regression[J]. Journal of Loss Prevention in the Process Industries, 2019, 57: 156-163.
[111] Ullah I, Hussain I, Singh M. Exploiting grasshopper and cuckoo search bio-inspired optimization algorithms for industrial energy management system: smart industries[J]. Electronics, 2020, 9(1): 105.
[112] Qadeer K, Qyyum M A, Lee M. Krill-herd-based investigation for energy saving opportunities in offshore liquefied natural gas processes[J]. Industrial & Engineering Chemistry Research, 2018, 57(42): 14162-14172.
[113] Xu Lei, Hou Lei, Zhu Zhenyu, et al. Mid-term prediction of electrical energy consumption for crude oil pipelines using a hybrid algorithm of support vector machine and genetic algorithm[J]. Energy, 2021, 222: 119955.
[114] 赵曰浩, 鞠平. 考虑供气约束与净负荷预测误差的电-气综合能源系统调度策略[J]. 电力自动化设备, 2022, 42(7): 221-228. Zhao Yuehao, Ju Ping. Scheduling strategy of integrated electricity and gas system considering constraint of gas supplying and prediction error of net power load[J]. Electric Power Automation Equipment, 2022, 42(7): 221-228.
[115] de Souza Amorim F M, da Silva Arantes M, de Souza Ferreira M P, et al. MILP formulation and hybrid evolutionary algorithms for the glass container industry problem with multiple furnaces[J]. Computers & Industrial Engineering, 2021, 158: 107398.
[116] Pan Ruilin, Wang Qiong, Li Zhenghong, et al. Steelmaking-continuous casting scheduling problem with multi-position refining furnaces under time-of-use tariffs[J]. Annals of Operations Research, 2022, 310(1): 119-151.
[117] Kumar V, Naresh R, Sharma V. GAMS environment based solution methodologies for ramp rate constrained profit based unit commitment problem[J]. Iranian Journal of Science and Technology, Transactions of Electrical Engineering, 2021, 45(4): 1325-1342.
[118] Zondervan E, Grossmann I E, de Haan A B. Energy optimization in the process industries: unit com-mitment at systems level[J]. Computer Aided Chemical Engineering, 2010, 28: 931-936.
[119] Ianda T F, Sales E B, Nascimento A N, et al. Optimizing the cooperated ‘multi-countries’ biodiesel production and consumption in sub-saharan africa[J]. Energies, 2020, 13(18): 4717.
[120] Jabari F, Mohammadi-ivatloo B, Bannae Sharifian M B, et al. Design and robust optimization of a novel industrial continuous heat treatment furnace[J]. Energy, 2018, 142: 896-910.
[121] Clerget C H, Petit N. Dynamic optimization of processes with time varying hydraulic delays[J]. Journal of Process Control, 2019, 83: 20-29.
[122] Diekerhof M, Monti A, Lebedeva E, et al. Production and demand management[M]//AIRO Springer Series. Cham: Springer International Publishing, 2020: 3-25.
[123] Ishaq H, Dincer I. A new energy efficient single-stage flash drying system integrated with heat recovery applications in industry[J]. Drying Technology, 2020, 38(5/6): 735-746.
[124] Jiang Hao, Lin Jin, Song Yonghua, et al. MPC-based frequency control with demand-side participation: a case study in an isolated wind-aluminum power system[J]. IEEE Transactions on Power Systems, 2015, 30(6): 3327-3337.
[125] 柯德平, 冯帅帅, 刘福锁, 等. 新能源发电调控参与的送端电网直流闭锁紧急频率控制策略快速优化[J]. 电工技术学报, 2022, 37(5): 1204-1218. Ke Deping, Feng Shuaishuai, Liu Fusuo, et al. Rapid optimization for emergent frequency control strategy with the power regulation of renewable energy during the loss of DC connection[J]. Transactions of China Electrotechnical Society, 2022, 37(5): 1204-1218.
[126] 黎博, 陈民铀, 钟海旺, 等. 高比例可再生能源新型电力系统长期规划综述[J]. 中国电机工程学报, 2023, 43(2): 555-581. Li Bo, Chen Minyou, Zhong Haiwang, et al. A review of long-term planning of new power systems with large share of renewable energy[J]. Proceedings of the CSEE, 2023, 43(2): 555-581.
[127] 徐成司, 董树锋, 张舒鹏, 等. 面向工业园区的集中-分布式综合需求响应方法[J]. 电网技术, 2021, 45(2): 489-500. Xu Chengsi, Dong Shufeng, Zhang Shupeng, et al. Centralized-distributed integrated demand response method for industrial park[J]. Power System Technology, 2021, 45(2): 489-500.
[128] 吴珊, 边晓燕, 张菁娴, 等. 面向新型电力系统灵活性提升的国内外辅助服务市场研究综述[J]. 电工技术学报, 2023, 38(6): 1662-1677. Wu Shan, Bian Xiaoyan, Zhang Jingxian, et al. A review of domestic and foreign ancillary services market for improving flexibility of new power system[J]. Transactions of China Electrotechnical Society, 2023, 38(6): 1662-1677.
[129] Annala S, Viljainen S, Tuunanen J, et al. Does know-ledge contribute to the acceptance of demand response?[J]. Journal of Sustainable Development of Energy, Water and Environment Systems, 2014, 2(1): 51-60.
Abstract With the global rise in new energy generation, power systems increasingly face challenges in accommodating a high share of renewable sources. The intermittent nature of renewables like wind and solar presents significant difficulties for grid stability and reliability. Stimulating the demand response flexibility of industrial energy-intensive loads has become crucial for effectively integrating these renewables. By scheduling these loads based on new energy output and system supply-demand dynamics, the grid's capacity to absorb renewable energy and maintain operational stability is enhanced.
Differentiated industrial energy-intensive loads are defined, and a comprehensive flexibility analysis is conducted on three typical types: cement plants, aluminum electrolysis plants, and refineries. These industries consume substantial electrical energy and possess varying degrees of operational flexibility suitable for demand response. Their optimization scheduling objectives—such as minimizing operational costs, reducing peak demand, and improving energy efficiency—are explored, along with their market participation characteristics, including responsiveness to price signals and provision of ancillary services.
Scheduling models for these industrial loads are introduced, considering specific operational constraints, production requirements, and flexibility potentials. For example, the cement plant model accounts for kiln thermal characteristics and clinker storage capacity, while the aluminum electrolysis model addresses electrolytic cell sensitivity to power interruptions. The refinery model incorporates processing unit complexities and product demands. Existing solution algorithms and solvers are analyzed, discussing the pros and cons of traditional optimization methods, heuristic algorithms, and their applicability in solving these models.
The application challenges and future development directions of these loads in power systems are summarized. Emphasis is placed on designing effective incentive mechanisms—such as dynamic pricing and financial incentives—to motivate industry participation in demand response programs. Enhancing data management capabilities is crucial, as accurate and timely data on energy consumption and market prices are essential for effective scheduling. The dissemination of operational skills among industry personnel is also highlighted to facilitate the adoption of advanced scheduling practices.
This study fills a domestic gap in reviews on demand response flexibility for industrial energy-intensive loads, providing significant theoretical support for policymakers, researchers, and industry practitioners. Leveraging the demand response potential of these industries promotes the green and low-carbon transformation of the power system, contributing to sustainable energy development and environmental protection goals.
The findings enhance understanding of the role of industrial energy-intensive loads in demand response and offer practical insights into optimizing their participation in the electricity market. Integrating industrial load flexibility improves renewable energy accommodation, reduces operational costs, and enhances grid stability. Future research directions include developing advanced scheduling models that better capture industrial complexities and uncertainties, exploring novel incentive schemes aligning industry and power system operator interests, and integrating emerging technologies like big data analytics and artificial intelligence to enhance predictive capabilities.
By addressing these aspects, the study contributes to the transition toward a more flexible, efficient, and sustainable power system. Effective engagement of industrial energy-intensive loads in demand response benefits the power system and provides economic and environmental advantages for the industries, fostering a mutually beneficial relationship between energy providers and consumers.
In summary, stimulating industrial load flexibility is pivotal in transitioning to greener power systems. Addressing challenges and seizing opportunities can lead to significant advancements in energy efficiency, economic savings, and environmental protection. This analysis serves as a foundation for future efforts to integrate industrial demand response into power system planning and operation, ultimately contributing to global sustainability objectives.
keywords：Differentiated industrial energy-intensive load, flexibility analysis, optimization scheduling methods, solution algorithms
DOI: 10.19595/j.cnki.1000-6753.tces.240537
中图分类号：TM73
国家自然科学基金面上项目资助（52477178）。
收稿日期 2024-04-02
改稿日期 2024-09-19
赵旭东 男，1999年生，助理实验师，硕士研究生，研究方向为电力系统需求侧响应、可再生能源整合。E-mail：XudongZhao8181@163.com
王艺博 男，1989年生，副教授，硕士生导师，研究方向为电力系统需求侧响应、可再生能源整合、电力市场、风电特性分析等。E-mail：wangyibofangyuan@126.com（通信作者）
（编辑 赫 蕾）