图1 本文研究框架
Fig.1 Research framework of this paper
摘要 随着现代信息技术掀起数字革命浪潮，新型电力系统需求侧调节能力日益提升，动态可控负荷逐渐成为能够缓解系统频率波动的潜在调频资源。在此背景下，研究负荷动态调节特性并利用其参与电网调频的动态需求响应逐渐得到发展。该文系统地归纳并分析了不同类型动态可控负荷调频特性，对动态需求控制策略相关研究现状进行综述，并进一步厘清动态需求控制技术瓶颈与关键研究方向。首先，从工业负荷、商业负荷、居民负荷三个主要负荷类型入手分析典型动态可控负荷调频灵活性来源与特定功率控制方式下的调频特性。然后，结合动态需求响应过程，从规则控制、优化控制、智能控制三个方面深入分析动态需求控制实现方式。最后，梳理动态需求响应实际工程应用项目，分析动态需求控制技术瓶颈，并对未来的研究方向进行展望。
关键词：新型电力系统 频率调节 动态可控负荷 调频特性 动态需求控制
在国家“双碳”目标战略背景下，可再生能源在我国碳减排进程中发挥关键作用，以新能源为主体的新型电力系统正加速构建[1]。截至2024年底，全国可再生能源装机达到18.89亿kW，约占全国总装机的56%[2]。长期以来，以传统同步发电机为基础的集中式发电方式因其大惯性和高可控性，是支撑电力系统频率稳定的主力。然而，高比例新能源出力的随机性和波动性给新型电力系统安全运行带来了巨大挑战，系统逐渐呈现低惯量、低备用与低抗扰特征，致使大电网频率失稳现象愈发频繁[3]。近年来出现了多起电力系统频率安全事故，如2019年英国风电场脱网导致的电网低频停电事故[4]，2021年美国得州电网供需严重失衡导致的低频停电事故等[5]，频率波动加剧成为现代电网必须应对的一个关键问题[6]。
应对频率波动的一种传统解决方法是预留一定的火电备用容量，在系统功率失衡时及时调整出力，实现发用电的实时平衡[7-8]。随着以风光为代表的清洁能源占比逐渐提高，提供主调频备用容量的传统火电占比相对降低，使得电力系统迫切需要更加充沛的调频资源，以应对由高比例可再生能源接入带来的频率波动风险[9-10]。利用新能源提供调频备用容量是一种可行的解决方案，西班牙要求风电场提供装机1.5%的备用容量预留，德国要求100 MW以上的风电场需具备2%的一次调频能力，我国则明确提出新能源场站应根据电网需求具有2%～10%的调差率[11]，利用新能源参与电力调频的相关研究现状可见文献[3]。另一种增加电力系统调频备用容量的方式是通过大规模部署储能单元，利用储能的快速充放电能力以应对频率波动[12]。英国、美国相关储能项目已经陆续建成并投入应用，关于储能参与电力调频的相关技术综述可见文献[13]。然而，新能源的间歇性与波动性使其难以提供稳定可靠的备用容量，而储能虽然具备快速充放电能力，却也受到容量、成本及充放电周期的制约，难以实现经济性和可持续性。随着新型电力系统不断建设，负荷侧灵活调节能力日益提升，动态可控负荷（Dynamic Controllable Load, DCL）正逐渐成为备受关注的新型调频资源[14]。
动态可控负荷是指能够进行快速控制以动态调节功率水平的用电侧负荷，具备参与电力系统频率调节的能力[15]。利用动态可控负荷参与电力系统频率恢复的研究最早可以追溯到20世纪80年代[16]，但直到2007年，英国学者J. A. Short等提出了动态需求控制（Dynamic Demand Control, DDC）的概念之后，利用动态可控负荷参与电力系统调频才逐渐引起学者们的关注[17]。2014年，有学者提出快速需求响应（fast Demand Response, fast DR），强调可调负荷资源响应的快速性[18]。文献[19]探讨了利用直接负荷控制（Direct Load Control, DLC）改善电力系统频率质量的可行性，并分析了其技术特点与发展趋势。文献[20]综述了自动需求响应（Auto- mated Demand Response, ADR）技术的发展历程，指出通过价格或激励的实时信息可以实现负荷侧的实时化自动需求响应，能够参与电力系统二次调频。ADR提出后，对于负荷参与电力系统动态响应的研究相继出现，动态需求响应（Dynamic Demand Response, DDR）的概念被提出并得到扩展，学者们逐渐意识到，用电侧动态可控负荷资源不仅可以用来维持电力系统功率平衡以达到频率恢复的目的，更可以通过“提前决策，分散响应”方式改善频率动态过程[21]。DDR描述的是动态可控负荷参与电网调频过程，包括动态可控负荷建模、调节能力量化、控制策略设计等关键技术环节，鉴于本文重点关注DCL参与电网调频过程中的控制策略，因此后续将统一采用“动态需求控制”这一术语，指代DDR中相关调频策略。
动态需求控制的引入为维持电网频率稳定提供了新手段。本文首先针对当前研究关注点分散的问题，统一梳理了典型动态可控负荷的灵活性来源及特定功率控制方式下的调频特性；其次，突破了传统控制架构的分类模式，从规则控制、优化控制到智能控制三个层面深入剖析动态需求控制实现方式；最后，结合政策导向与工程应用分析技术挑战，从而形成从工程实践到技术展望的完整研究链条。本文的研究框架如图1所示。
动态可控负荷的调频灵活性是指其在电网频率发生波动时，以基线负荷为参考快速调节功率的能力[22]。本文参考国内外调频辅助服务产品的技术规范，除传统调节范围、爬坡率等参数外，另引入“综合响应时间”量化从频率扰动发生到负荷完成功率调节的全过程延时，引入“设备响应时间”量化DCL接收控制指令到功率完成变化所需的时间，以分析DCL调频特性[23]。
图1 本文研究框架
Fig.1 Research framework of this paper
据《中国统计年鉴2023》数据，全国工业负荷年度用电量相对于全社会总用电量占比高达64.8%，拥有可观的潜在调节能力[24]。以电解铝工业、水泥制造业、电石工业等为典型可调节工业负荷的用电占比占全社会总用电量的10%以上，可提供约30 GW的调节灵活性[25]。以电解铝负荷、电解制氢负荷为代表，现代工业负荷可以通过智能化控制系统在短时间尺度内实现对用电功率的调整，满足调频快速性与实时性要求[26]。
1.1.1 电解铝负荷
电解铝工业负荷中，电解槽作为主要生产型负荷占总用电量的90%左右，具有较大热惯性，短暂的功率调整对电解铝生产过程不会造成较大影响，是电解铝负荷主要的调频灵活性来源[27]。文献[28]建立了电解槽可调容量评估模型，并考虑电解槽能量流优化将电解铝负荷调节范围提升至-16.69%(pu)～19.37%(pu)（以额定功率进行标幺化，下同）。另一方面，根据热量平衡原理，对电解槽热损失进行控制[29]或通过储放热手段[30]以平衡因功率调整带来的热量变化，亦可以提升电解铝负荷调频灵活性。
在电解铝负荷快速功率控制方面，目前多数电解铝负荷仍采用不控整流方式，通过调节交流侧电压、有载变压器、饱和电抗器等方式以调整直流侧电压，进而调节电解槽功率，不同电解制铝负荷调控方式调频特性见附表1[31]。其中，调节交流侧电压需要调整发电机端电压，本质上属于源侧调整；而有载变压器调节方式为离散控制，无法实现功率的平滑调整，且频繁调节会造成机械磨损；因此，目前采用不控整流方式的电解铝负荷多通过调节饱和电抗器的方式以参与电网调频。饱和电抗器控制方式下设备响应时间为ms级，其调节范围在-10%(pu)～5%(pu)之间，适合参与电网惯性支撑以及一次调频应用场景[32-33]。
当电解铝负荷采用可控整流方式时，实测数据表明，通过控制晶闸管开通过程，s级时间尺度内电解槽功率可实现约-8%(pu)的快速功率削减[34]。整体来看，电解铝负荷单体功率一般在百MW以上，设备响应时间可达ms级，且因电解槽热惯性其调节持续时间可达h级，具有较大的调节潜力，是负荷侧重要调频资源之一。
1.1.2 电解制氢负荷
电解制氢负荷的调频灵活性主要来源于电解堆栈的功率快速响应特性，在提供电力调频辅助服务方面具有较大潜力[35]。各类电解制氢技术调频特性见附表2。附表2给出了目前较为成熟的碱性电解（Alkaline Electrolysis, AEL）技术、质子交换膜（Proton Exchange Membrane, PEM）电解技术、固体氧化物电解（Solid Oxid Electrolysis, SOEL）技术的调频灵活性量化数据，三种电解制氢负荷均具备较宽的功率调节范围与快速功率调节能力[36]。
电解堆栈功率快速调节方式主要通过整流桥控制实现，其设备响应时间在0.1～1 s之间[37]。文献[38]通过实际试验测试了PEM电解槽调频特性，考虑压力平衡限制前提下其爬坡速率为8%(pu)/s，下垂系数为40%(pu)/200 mHz，调节持续时间约75 min，可参与一次调频与二次调频服务。随着近年来制氢工业的快速发展，其凭借灵活调节能力逐渐受到关注。
1.1.3 其他工业负荷
一些其他类型的工业负荷亦具备一定的调频灵活性，如钢铁工业、电石工业等电弧类蓄热型工业负荷，水泥制造业等电机驱动型工业负荷，以及碳化硅工业等电阻炉型工业负荷。蓄热型工业负荷因其热惯性较大，可以进行h级的功率持续调节[39]。而以水泥工业为代表的电机驱动型工业负荷能够通过转速控制以提供旋转备用服务，其调频特性与传统发电机相似[40]。文献[41]研究了上述工业负荷用电特点与参与一次调频的潜力，结果表明，典型工业负荷的理论可调潜力可达总功率的20%以上，持续时间在0.5～4 h之间。然而，相较于电解类负荷，目前上述类型工业负荷多数研究仍停留在电气建模及自身优化运行环节，较少关注其参与电网调频的应用场景。
总体而言，工业负荷展现出显著的调频潜力，其核心优势在于单体容量大、可持续数小时的调节时长以及既有的自动化控制基础，是提供电网大容量、持续性频率支撑的理想资源。然而，其调控能力深受生产工艺流程刚性的约束，功率的频繁调整可能引起能效损失或生产波动，参与调频的机会成本较大。因此，工业负荷更适合作为基础性调频资源，在系统发生较大功率缺额时，提供集中式、大规模的持续功率支撑。
商业负荷是指与商业活动相关的电力负荷。近年来，我国不断加强数字基础设施布局，商业负荷呈现出多样化、智能化的发展趋势，其可控性日益提升。商业楼宇、大数据中心、5G基站等新型基础设施建设日益加速，为新型电力系统提供了潜在的调频资源。
1.2.1 商业楼宇
据2024年《世界能源展望》相关统计数据，各类楼宇能耗约占用电侧能耗的37%[42]，因此目前对商业负荷参与电力调频的研究多聚焦于商业楼宇的调频灵活性。暖通空调（Heating, Ventilation, and Air Conditioning, HVAC）系统用电能耗约占商业楼宇用电总能耗的48.4%，是其调频灵活性的主要来源[43]。商业楼宇HVAC系统中空气处理单元（Air Handling Unit, AHU）用电耗能约占总能耗的34%[43]，通过改变风机转速以调整新风流量，可以在20%(pu)～100%(pu)范围内连续调节功率，在满足用户最低通风需求前提下参与电网调频服务[44]。实测数据表明，风机转速控制调节性能受到风机型号与机械惯性影响，爬坡率约为18%(pu)/s[45]，考虑到通信延迟等因素，其综合响应时间在1 min左右，多应用于二次调频服务场景。文献[46]研究了香港地区商业建筑HVAC系统调频灵活性，结果表明，AHU可提供高达220 MW的旋转备用持续约30 min，接近香港地区所需频率调节容量的一半。
商业楼宇HVAC系统中制冷机组亦具备一定调频能力，其用电耗能约占系统总能耗的43%[43]。相对于空气处理单元，制冷机组爬坡率受限于本地控制器参数与机组性能，在3%(pu)/min～5%(pu)/min之间，且频繁调整会影响其使用寿命[47]。文献[48]分析了商业楼宇HVAC系统制冷机组的调频能力，仿真结果表明在室内温度变化范围不超过1.5℃情况下，通过改变供水温度设定值，商业楼宇HVAC系统制冷机组能够在1 min左右完成相对于基准功率上下35%的功率调控指令，并持续约30 min。
商业楼宇HVAC系统功率可达百kW，考虑到用户舒适度与设备自身约束，其综合响应时间在min级，持续时间可达h级，因此一般参与电力系统二次调频服务。文献[49]提出了商业楼宇HVAC系统跟踪调频信号的控制框架，通过改变机组侧循环水出口温度以实现机组跟踪5 min周期的能源市场信号，改变AHU新风流量以实现4 s周期的调频信号，实现了商业楼宇HVAC系统参与电力二次调频服务。
此外，随着屋顶光伏、分布式储能的迅速发展，近年来楼宇综合能源系统逐渐成为未来实现高比例可再生能源接入电网负荷侧的重要应用场景与载体[50]。文献[51]将楼宇综合能源系统灵活性分为五种类型，可根据不同辅助服务需求灵活调整用电功率，其设备响应时间、持续状态等特性见附表3。楼宇综合能源系统具备多元灵活调节能力，既能够实现内部源荷协调与能效提升，亦可以提供可观的调节容量，能够作为灵活负荷资源参与电网频率调节。
1.2.2 数据中心
随着国家对数字新基建的部署逐渐推进，互联网数据中心行业发展迅速。据中国信通院发布数据，截至2023年底，我国数据中心在用标准机架总耗电量占全社会用电的1.6%，并呈现逐年递增趋势，已逐渐成为电力需求增长的重要驱动力。在数据中心能耗构成中，近52%的电力由服务器等信息设备消耗，38%由冷却系统消耗，剩余10%由其他设备消耗，因此，数据中心的调频灵活性主要来源于服务器等信息设备能耗负荷与建筑制冷负荷[52]。文献[53]梳理了数据中心负荷的能耗模型，并将数据中心灵活性分为时间灵活性、空间灵活性以及多能转换灵活性。此外，数据中心负荷需要稳定的电力供应，因此支撑其运行的不间断电源亦可以作为调频灵活性资源，提供快速可靠的频率支持[54]。结合数据中心不间断电源系统供电模式的特征，数据中心可以与储能相配合，基于“备用+储能”的模式为新型电力系统提供更多的调频灵活性[55]。
数据中心负荷展现出多时间尺度的调频灵活性，附表4总结了数据中心调频灵活性来源及其特定功率控制方式下的调频特性[56-58]。数据中心服务器与IT负载可在ms级～s级内实现功率调整，受到CPU利用率及任务延迟限制，持续时间在min级～h级，可以为系统提供惯性支撑及一次调频服务[56]；通过转移离线负载工作时段和动态调整中央处理器资源分配，数据中心设备响应时间可达s级，持续时间为min级～h级[57]；此外，数据中心中制冷系统亦具备一定的调频灵活性[58]，其调频特性与商业楼宇HVAC系统类似，此处不再赘述。
1.2.3 5G基站
近年来5G通信技术方兴未艾，海量的5G通信基站是未来有潜力的负荷侧灵活资源。5G基站运行功率可以灵活调节，具有良好的参与调频辅助服务的能力[59]。截至2024年底，中国已经建成的5G基站约425万个[60]，单个5G基站可调节功率为1.5～1.6 kW，占满载功率的40%左右[61]。5G基站可通过亚帧关断、通道关断、深度休眠、4G/5G基站协同等技术，实现功率控制[62]。然而，目前较少关于基于上述控制方法的5G基站参与调频服务的研究，多数研究仍聚焦于5G基站所配置储能电池的调频灵活性[63]。此时5G基站调频特性与储能类似，其控制方式为变流器控制，设备响应时间为ms～s级，可参与惯性支撑与一次调频服务。随着5G基站规模化部署，其对备用储能的需求将进一步扩大，盘活5G基站的分散调频资源将成为提升新型电力系统频率安全的重要途径之一[64]。
商业负荷的调频价值在于其良好的空间可聚合性与灵活的调控方式。商业负荷展现出丰富的调控维度，但其调节能力普遍受限于对内部环境舒适性或对服务质量的保障要求，调节深度与持续时间存在明确上限，须在维持商业活动正常进行的前提下为电网提供调频灵活性。
相比于工业负荷与商业负荷，居民负荷的调频灵活性呈现单体可调功率小、数量大、分布散的特点，且居民负荷用电行为受用户影响较大，因此在发挥其调频灵活性时需要考虑用户的用电舒适度、随机用电行为、用电偏好等因素[65]。在居民侧DCL中，受到较多关注的是电动汽车与温控负荷。
1.3.1 电动汽车
近年来中国电动汽车保有量迅速增加，截至2024年底已达到3 140万辆[66]，逐渐成为居民负荷中备受关注的调频资源。电动汽车的调频灵活性主要来源于车载蓄电池的储能特性，通过对电动汽车的充电功率进行直接控制或基于价格的间接引导，可以在满足用户出行需求的情况下为电力系统提供调频辅助服务[67]。电动汽车调频灵活性受电池容量[68]、用户意愿[69]以及电池充放电裕度[70]等因素影响，其充电模式主要可以分为7 kW、21 kW交流慢充模式与60 kW、120 kW直流快充模式[71]。电动汽车通常配备有高性能变流器，其设备响应时间在s级，综合响应时间一般为0.5～2 min，持续时间则根据其入网离网时间与储能电池荷电水平，在1～2 h[72]。
随着车网互动（Vehicle to Grid, V2G）技术发展，电动汽车可以为电网注入电能，实现电动汽车的放电控制，进一步提供更多的调节空间[73]。在V2G模式下，电动汽车可视为高灵活性的可控分布式储能单元，可根据系统调度指令在允许的功率范围内快速切换充放电状态，其设备响应时间可达到s级甚至ms级，具备参与系统一次调频[74]、二次调频[75]的能力。电动汽车单体可调节功率小，一般以集群形式参与调频辅助服务，以提升资源整合度与调度效率，已逐步成为当前居民侧负荷中极具潜力与代表性的调频资源之一[76]。
1.3.2 温控负荷
居民侧温控负荷的调频灵活性主要来源于其热惯性与用电可转移特性，能够在短时间内通过降低或增加功率响应电网频率波动，而不会对用户的舒适性产生明显影响[77]。可参与电力调频的居民侧温控负荷主要包括空调、电热水器、冰箱、家用热泵等，根据功率快速控制方式不同大致可以分为基于启停控制的定频温控负荷与基于压缩机转速控制的变频温控负荷。
定频温控负荷如定频空调、电冰箱、电热水器等功率等级在几kW，一般采用启停控制以改变用电功率，具有设备响应时间短、控制逻辑简单的特点，其综合响应时间可达s级。文献[78]研究了启停控制方式下定频空调的调节能力，从集群层面来看，其可调范围约占总额定容量的15%。相对来说，变频温控负荷通过改变压缩机工作频率以实现转速控制，能够实现功率的连续调节，设备响应时间可达ms级，具备参与电力系统综合惯性支撑服务的能力[79]。文献[80]评估了变频空调的调节容量、激活时间、持续时间等调频能力，实测数据表明，变频空调负荷在11 s内可减少约60%(pu)，满足电力系统调频快速性要求，能够参与电力系统调频服务。
居民负荷潜力在于庞大的用户基数所带来的规模效应，但这也带来了其高度的分散性与用户行为不确定性的核心挑战。居民负荷调频灵活性的开发依赖高效的聚合技术、可靠的通信架构以及合理的用户激励机制[81]。实际场景下，居民负荷通常需要通过负荷聚合商、虚拟电厂等中间主体以集群形式参与电网的二次调频。
综合上述分析，表1总结了典型动态可控负荷调频控制方式及其调频特性。可以发现，不同类型动态可控负荷在功率等级、调节范围、响应时间、持续时间等方面展现出较大差异。综合考虑频率检测延迟、通信延迟等因素，各类型DCL综合响应时间尺度从ms级至min级不等，从而适用于不同的调频辅助服务场景，如图2所示。
表1 典型动态可控负荷调频控制方式及其调频特性
Tab.1 Frequency modulation characteristics of dynamically controllable load
类别主要类型功率等级调频控制方式最大调节范围设备响应时间持续时间最大爬坡率经济性水平[82] 工业负荷电解铝[28]百MW饱和电抗器调节-20%～+20%ms级h级约2%(pu)/s单位调节成本较低，但调节可能导致生产中断，机会成本较高 电解制氢[37]AEL: MWPEM: MWSOEL: kW变流器控制AEL: -90%～+10%PEM: -100%～+60%SOEL: -80%～+25%ms级～s级h级AEL: 0.2%～20%(pu)/sPEM: 约8%(pu)/sSOEL: 暂无 电弧类[41]百MW电极控制约-10%～+8%s级min级暂无 电机类[41]MW定频电机启停约-20%～+0%ms级～s级h级暂无 商业负荷智能楼宇百kW风扇转速控制[45]出水温度控制[48]风扇: -15%～+25%s级～min级min级取决于设备性能初始投资适中，运行补偿成本是主体 机组: ±50%
（续）
类别主要类型功率等级调频控制方式最大调节范围设备响应时间持续时间最大爬坡率经济性水平[82] 商业负荷数据中心[53]百kW变流器控制暂无s级min级取决于控制策略初始投资适中，运行补偿成本是主体 5G基站[61]数kW变流器控制40%左右ms级～s级min级取决于控制策略 居民负荷电动汽车[72]数十kW变流器控制0%～100%ms级～s级min级取决于控制策略边际成本是核心，聚合成本高，但资源规模效应显著 温控负荷数kW启停控制[78]0%～100%s级～min级min级取决于设备性能 变频控制[79]-60%～0%
图2 动态可控负荷综合响应时间尺度
Fig.2 Comprehensive response time scales of DCLs
在DCL规模方面，截至2021年底，工业可调节负荷资源削减能力可达20.78 GW，主要集中在水泥、石灰、炼钢等领域；商业楼宇签约可调节容量达到4.81 GW；相对而言，5G基站、数据中心、电动汽车与家用空调等分散资源虽规模可观，但由于受到设备与通信条件限制，现阶段可利用的调节规模仍然有限[83]。基于国际能源署对中国2030年承诺目标情景的量化评估结果，中国可调负荷资源可开发量保守估计在50 GW以上，DCL可覆盖最高约22%的调频灵活性缺口，且在终端用能电气化与智能化推进下，其可供调频的潜力仍将扩大[84]。
正常情况下，除部分电机类等频率敏感型负荷外，动态可控负荷有功消耗基本不响应系统频率波动[85]，因此需要附加动态需求控制手段，以充分发挥动态可控负荷调频特性，参与电力系统动态需求响应，其基本过程如图3所示。
第1节对不同类型动态可控负荷参与电网调频的快速功率调整实现方式及其调频特性进行了深入分析，即图3中动态可控负荷及其本地控制策略。本节关注动态需求响应实现的另外两个关键环节：动态需求控制策略及其实现方式。本节围绕动态可控负荷参与电网调频策略，从规则控制、优化控制、智能控制三个方面聚焦三类典型动态需求控制策略，并分别从个体层面与集群层面分析各类调频策略核心逻辑、适用场景与策略特点。需要说明的是，本部分主要关注动态可控负荷作为负荷侧可调节资源参与电网调频的实现方式，因此下文对动态可控负荷种类并未做明显区分。
图3 动态需求响应过程
Fig.3 Process of dynamic demand response
2.1.1 个体规则控制
根据DCL个体控制逻辑不同，个体规则控制可分为三类典型控制策略：阈值控制、频率下垂控制、惯性模拟控制。
1）阈值控制
阈值控制是一种基于预设频率上下限值实现开关式功率调节的控制策略，当系统频率偏差超过阈值时，负荷进行固定功率的增加或减少，即
（1）
式中，
为功率调整指令；
为频率偏差；
为频率偏差阈值；h( · )为所设计的映射关系。
阈值控制逻辑清晰、实现简单，适用于定频空调、家用电冰箱等小功率居民负荷，如基于频率阈值的启停控制[86-87]、基于温度阈值的启停控制等[88]。然而，阈值控制策略容易造成负荷集群的整体动作，反而可能对电网造成冲击，一般可通过对负荷设备响应时间进行随机化处理，或通过引入模糊控制手段[89]，实现集群层面的自适应调整，以降低集群同步动作的风险[90]。
2）频率下垂控制
频率下垂控制是一类基于频率偏差与功率调节之间连续函数映射关系的控制策略，其基本原理是将频率偏差直接转换为负荷功率调整量，表示为
（2）
式中，
为下垂系数。
下垂控制适用于具备连续可调功率特性的负荷，一般需要负荷侧安装变流器以进行连续的功率调节[91-92]。频率下垂控制策略对频率最低点有较好的支撑，但其难以消除频率偏差，属于有差控制，目前多采用自适应下垂系数调整方案进行频率响应[93]。
3）惯性模拟控制
惯性模拟控制通过赋予负荷节点虚拟惯量行为，可以使得负荷有功功率响应频率变化率，同时对频率最低点有支撑效果。
（3）
惯性模拟控制主要包括虚拟同步机（Virtual Synchronous Generator, VSG）控制与综合惯性（Synthetic Inertia, SI）控制两种代表方法。二者均适用于具备电力电子接口和快速调节能力的负荷节点，如电解制氢负荷[94-95]、变频空调负荷、电动汽车[96]等。较下垂控制来说，惯性模拟控制能够提供类同步机的频率动态响应行为，从而提升系统整体惯性水平。但此种控制策略也固定了功率变化模式，难以考虑负荷本身用电特性，且同时也面临控制参数整定困难的问题[97]。
2.1.2 集群规则控制
集群规则控制主要关注调频任务指令的高效分解。按照DCL个体关键状态变量控制方法的不同，本文将集群规则控制策略分为特征状态变量一致性控制与基于指标排序的队列控制。
1）特征变量一致性控制
特征变量一致性控制基本思想是通过确保集群中所有负荷设备的关键状态变量趋于一致，从而实现负荷集群的协同响应，如比例控制、电动汽车的荷电状态（State of Charge, SOC）一致性控制、温控负荷温度一致性控制、用户舒适度一致性控制 等[98-100]。文献[98]根据个体调频区间宽度对EV子群及个体实施比例控制，实现了规模化EV调频指令逐层分解。文献[99]基于室内温度及其变化率一致性控制，保证了建筑HVAC调节过程的公平性。文献[100]通过定义一个相对于可调容量的荷电状态指标，提出基于虚拟出清的调频信号变换方法使各基站指标趋于一致，实现了集群5G基站参与电力二次调频。特征变量一致性控制可以通过简单的局部通信协议来实现全局协同响应，能够有效减少通信负担和计算复杂度。但此种控制方法对负荷调控特性相似程度要求较高，协调多类型可调负荷时特征变量的设计可能面临困难。
2）队列排序控制
基于指标排序的队列控制通过设定优先级和队列机制，按顺序调度动态可控负荷个体以实现集群对电网频率波动的有效响应。文献[101]根据用户过往调频表现对用户进行降序排序，以选定表现更加稳定的用户参与系统调频。文献[102]基于温度队列排序，实现了电加热负荷的分布式控制，有效抑制了系统在故障时频率急剧下降。通过调整设备响应的先后顺序，队列控制能够避免过度集中响应或响应滞后带来的负面影响。这种方法的优点在于其实现简单，并且能够针对不同负荷设备的特性和需求灵活调节响应顺序。但队列控制无法充分考虑设备之间的耦合效应，可能导致集群整体调节效果不理想，通常需要与其他控制策略结合使用。
基于规则的动态需求控制（Rule-based Dynamic Demand Control, RDDC）优势在于其控制逻辑的简洁性，对中心通信的依赖度较低，这使其在支撑系统惯性方面具有应用价值。然而，规则控制难以实现系统层面的最优经济分配，控制精度有限，且在参数设置不当时存在引发负荷群体同步动作的风险。
RDDC通过建立频率偏差与动态可控负荷功率调整指令之间的数学模型，以实现DCL快速响应频率变化。相较来说，基于优化的动态需求控制（Optimization-based DDC, ODDC）侧重于在满足频率控制要求的基础上，追求总体调节性能的最优。
2.2.1 个体优化控制
在新型频率服务市场中，负荷个体必须评估其调频备用容量。以美国PJM市场为例，DCL个体需要在日前进行调频容量申报，从而能够在次日响应电力调度中心发布的归一化调频信号[103]。个体优化控制一般面向系统与控制过程较为复杂的负荷类型，如电解类工业负荷、商业楼宇HVAC系统等，其优化控制策略的设计直接影响其响应能力与系统可调度性。按照调频备用优化过程是否考虑不确定因素，DCL个体优化控制可以分为确定性优化与不确定性优化。
1）确定性优化控制
确定性优化主要假设优化模型中相关参数或约束的已知性和确定性，通过构建多目标静态优化模型或基于模型预测控制框架的滚动优化模型来求解得到负荷个体用电安排与调频备用容量。根据优化问题构建过程，可采用线性规划（Linear Pro- gramming, LP）、整数规划（Integer Programming, IP）、混合整数线性规划（Mixed Integer Linear Programming, MILP）等方法进行求解。其中，LP适用于负荷响应行为线性的、调控边界明确的场景，实际应用过程中需要对优化模型的相关约束进行线性化处理[104]；IP适合处理以离散方式启停或切换的设备，如定频温控负荷[105]；MILP能够处理连续变量与整数变量，适用于控制逻辑复杂、涉及多种状态切换与容量连续调节的系统，如车-桩协同的电动汽车充放电规划场景等[106]。
2）不确定性优化控制
针对于优化问题中存在的负荷等效模型不确定性、环境不确定性与调频指令不确定性，可通过引入概率模型或鲁棒优化框架进行处理。文献[107]考虑利用正态分布描述电动汽车用户调频响应意愿，同时考虑调频指令与市场电价不确定性构建鲁棒优化模型，以制定次日基线功率与调频容量。文献[108]对调频过程中自动发电控制信号的每小时最大累积偏移进行概率分布建模，并基于LP优化HVAC系统日前功率使用基线和调频竞标容量。文献[109]提出了基于鲁棒MPC的优化控制框架，用于商业HVAC集群调度和提供二次频率控制储备。
2.2.2 集群优化控制
集群层面的ODDC更注重系统层面资源的统筹与分配，力求在满足总体功率调节需求与安全性约束的前提下，最大化调频性能与经济效益。集群层面优化控制策略更多关注控制架构的部署与协调机制的设计，主要可分为集中式的统一联合优化与分层分布式优化。
1）统一联合优化
统一联合优化以系统运营商为中心，构建全局的最优问题模型，通过集中调度计算实现负荷集群的最优调度。文献[110]研究了基于负荷聚合商的动态需求控制框架，实现了负荷聚合商间的公平分配与所辖负荷的有效管理。文献[111]设计了基于多周期通信的模型预测控制架构，以实现虚拟电厂参与电力二次调频服务。然而，统一联合优化策略依赖中心决策的有效性，且面临通信延迟和单点故障等问题。文献[112]分析了5G网络中的通信延迟和通信带宽对电力系统频率调节性能的影响，强调了优化通信策略的重要性。文献[113]研究了5G网络切片技术降低虚拟电厂参与调频服务的通信延迟，以提高虚拟电厂参与调频服务的效能。文献[114]提出了一种通信资源配置模型，通过对有限的通信资源进行优化配置以减少通信延迟，着重解决了分布式调频资源在参与频率调节时由于通信延迟带来的性能影响。
统一协调优化策略通常基于完整信息假设，考虑全局目标函数和耦合约束，并利用数学规划模型统一求解。然而，其计算负担大、通信压力高，难以适应大规模动态响应负荷的实时调控场景，因此目前多应用于时间尺度较长的二次调频场景[115]。
2）分层分布式优化
集中式控制能够对动态可控负荷进行精细化管理，但具有相当大的通信成本。另一方面，当采用基于规则控制的分散式控制框架时，其难以实现负荷集群层面的调节性能最优，因此为了对上述矛盾进行折中，提出了结合两种控制架构特点的分层分布式控制方法。
文献[116]提出了一种“集中调参，分散决策”的动态需求控制策略，负荷控制决策由本地控制器做出，而控制参数则由控制中心进行更新。文献[117]将电动汽车聚合商（Electric Vehicle Aggregator, EVA）的部分控制权下放给各个电动汽车，以降低集中式控制的计算复杂度与通信要求。文献[118]建立了输电网、配电网以及用电侧的层次化电力系统控制模型，以提升系统阻尼比为优化目标，采用顺序非线性规划算法求解各时段发用电的最优用电功率，提高了系统频率稳定性。
分层分布式控制策略能够兼顾全局优化需求与局部灵活性，在可扩展性、鲁棒性与适应异构负荷方面具有明显优势，在电动汽车集群等动态可控负荷中应用广泛[119]。然而，这种控制策略对协调机制设计提出了较高要求，如何避免信息交互不足或冗余，仍然是其面临的技术挑战。
ODDC能够统筹协调负荷资源，在满足安全约束前提下追求调频性能或经济效益的最优。然而，其效能严重依赖模型精度，且无论是集中式还是分布式求解，都伴随着可观的计算与通信负担，使其在应对惯性支撑与一次调频场景时面临现实挑战。
随着人工智能、数据驱动建模和强化学习等技术在能源系统中的快速发展，基于学习的智能动态需求控制策略（Intelligent DDC, IDDC）逐渐成为研究热点[120-121]。
个体层面，IDDC主要面向负荷模型或响应行为较为复杂的动态需求响应场景。文献[122]基于频率偏差等信息，通过积分强化学习智能生成电动汽车充放电功率指令，解决了可能出现的电动汽车拒绝服务而导致调频效果下降的问题。文献[123]通过智能设定出水温度与用户室内温度以改变用电功率，实现了商业楼宇HVAC制冷机组参与二次调频服务。文献[124]基于安全深度强化学习方法处理建筑室内人类行为不确定性，实现了区域供冷系统参与电网调频备用过程舒适度最优。个体层面IDDC训练过程通常需要大量的历史数据和多次试错，前者对负荷终端计算资源要求较高，后者则需要进行大量的仿真或实际操作以完成有效学习，因此个体层面的IDDC在目前实际应用中仍存在较多限制。
集群层面，IDDC通过构建马尔可夫决策过程（Markov Decision Process, MDP）框架，使优化调度过程在与电网环境交互中不断学习最优调节策略。文献[125]将电力系统负荷频率控制优化模型构建为MDP过程，基于近端策略优化强化学习方法实现了异构调频资源的协调。文献[126]基于潮流、频率、电压等信息以建立状态空间，通过强化学习生成动作空间，并根据奖励函数确定最优功率调整指令，实现电动汽车集群与其他分布式调频资源协同参与电力调频服务。文献[127]提出了一种基于深度强化学习的最优电动汽车集群控制策略，基于控制中心调频信号分解得到电动汽车个体调节指令，从而智能调整电动汽车集群功率。随着多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）方法的发展，可通过局部策略协同实现整体频率控制性能提升[128]，有效应对动态可控负荷调频资源的地域分布性与响应异质性。
IDDC代表了动态需求控制技术研究的前沿方向。数据驱动的控制范式规避了对精确物理模型的依赖，在面对复杂场景时具备较强的环境自适应能力。然而，该类策略目前仍面临数据依赖性强、决策逻辑可解释性差、对终端设备的本地计算能力要求高等挑战，在实际电力系统中的应用仍受到较多限制。
根据负荷对频率扰动的感知能力与综合响应时间尺度，DDC可以实现从s级惯性支撑到min级二次调频的多时间尺度调频辅助服务，其调频控制架构可以归纳为图4。图4中，
为发电功率偏差，
为负荷功率偏差，DFAM为电力系统动态频率分析模型（Dynamic Frequency Analysis Model, DFAM），在文献[3]中有详细总结。如图4a所示，当动态可控负荷参与电网惯性支撑时，其调节作用体现在系统阻尼D中[129-130]，基本思想是利用动态需求控制策略增大系统等效阻尼比，降低频率变化速率并延缓频率变化进程。如图4b所示，当通信延迟
较小且DCL设备响应时间较短时，DDC可以与发电机组协同，参与电力系统一次频率调节[131]。如图4c、图4d所示，基于区域控制误差（Area Control Error, ACE）信号[132]或区域控制需求（Area Regulation Requirement, ARR）信号[133]设计动态需求控制策略，可实现动态可控负荷参与min级时间尺度的二次调频辅助服务[134]。
图4 考虑DDC的调频控制架构
Fig.4 Control architecture with DDC
表2对比分析了不同类别DDC策略特点。整体来看，动态需求控制技术近年来整体呈现出从低复杂度向高智能化、从静态规则响应到动态优化决策的技术演进路径。其中，RDDC响应机制清晰，实时性强，适用于实时性要求较高的惯性支撑和一次调频场景，但在协调控制方面存在局限。ODDC虽能在多约束条件下实现DCL调节效果的最优解，但其对模型准确性、信息完整性与计算能力要求较高，应用时需考虑优化模型的求解时效性。随着人工智能技术的应用深化，IDDC逐渐展现出在数据驱动、自主适应与复杂系统建模中的优势，在面对多源信息融合与响应行为异构性方面表现出较强的鲁棒性与泛化能力，但其依赖大量数据训练及算力资源，在实际部署中仍需进一步突破可靠性难以度量、可解释性差等一系列技术瓶颈。
表2 动态需求控制策略对比分析
Tab.2 Comparison of dynamic demand control strategies
类别控制思想典型控制策略适用调频场景特点局限性 RDDC依赖预设的控制规律进行本地或分布式响应个体层面：阈值控制、下垂控制、惯性模拟控制集群层面：特征变量一致性控制、队列排序控制惯性支撑、一次二次调频响应快、实现简单、通信需求低，便于大规模部署控制精度低，协调性差，难以兼顾系统优化目标 ODDC构建数学优化模型，进行调频容量预留与功率分配个体层面：确定性/不确定性优化控制集群层面：统一联合优化、分布式优化调频备用预留、二次调频能统筹约束、适应系统目标，协调性强，适用于中大规模复杂系统调控模型构建与参数获取成本高，计算复杂导致，难适应高频快速响应 IDDC利用数据驱动建模或强化学习进行策略学习与执行强化学习、多智能体强化学习惯性支撑、一次二次调频不依赖精确模型，适应性强训练成本高，策略可解释性差，部署受限于计算资源
动态可控负荷参与电力调频需要一定的政策激励[135]，因此，本部分首先介绍国内外关于推动动态可控负荷参与电力调频服务的相关政策，之后结合实际应用项目或相关研究，分析动态需求响应工程应用现状。
全球范围内，电力运营商已经注意到了动态可控负荷在支撑电网调频方面的应用潜力。英国国家电网自2020年起陆续推出了四项新型频率响应服务，商业楼宇负荷、电动汽车充电设施等未在平衡机制中注册的用电侧负荷可通过辅助服务调度平台进行通信，参与2 s内启动响应，10 s内完成响应的动态校准（Dynamic Regulation, DR）或0.5 s内启动响应，1 s内完成响应的动态调节（Dynamic Moderation, DM）服务[136]。欧洲调频辅助服务市场允许工业负荷和商业负荷等通过聚合提供快速频率响应服务，最小持续时间根据资源类型和规模为5 s或30 s[137]。美国联邦能源监管委员自2018年起陆续通过755[138]、841[139]等法令推动了调频辅助服务市场参与主体多元化发展，使得负荷侧资源可以根据自身成本和调节能力，在同一市场中与发电侧资源竞争，获得经济收益。日本在2020年完成第五轮电力体制改革之后，负荷侧资源可以与可调度发电设备、储能等可调资源参与调频服务竞标，并根据实际调度量支付kW·h费用[140]。
在中国，随着政策导向、标准制定、补贴机制等方面的不断完善，动态可控负荷日益成为电力调频辅助服务市场的重要组成部分。《电力需求侧管理办法》指出，各省需求响应能力需要达到最大用电负荷的3%～5%，并到2030年形成规模化的实时需求响应能力。2022年，《可调节负荷并网运行与控制技术规范》出台，明确了工业负荷、大型商业负荷等单一高容量负荷主体可直接通过专用通信通道与调度机构对接，而其余小容量负荷则可以通过车联网平台、虚拟电厂、综合能源服务平台等方式接入以实现聚合控制。在标准制定方面，动态可控负荷在参与调频服务时，需满足综合调节速率不小于1.5%(pu)/min、调节精度误差小于1.5%、综合响应时间小于30 s等基本指标，以确保响应的及时性与可靠性[141-142]。在补贴机制方面，动态可控负荷调频补偿由调频里程、性能系数与市场出清价格共同决定，且出清价格设有15元/(MW·h)上限，以兼顾系统激励与成本控制。
工业负荷方面，利用电解铝负荷参与电力调频已有成熟的商业应用。美国铝业公司在2008年即成功实现了用工业电解铝负荷参与美国中西部电网调频[143]。德国最大的铝生产企业Trimet公司，可提供80～600 MW/s的调节能力，能够为电力系统提供一次调频、二次调频等服务[144]。在中国，云南省文山供电局在2022年进行了电解铝负荷中断实验，成功实现了快速调降负荷的预期目标，验证了电解铝负荷参与电网调频的可行性[145]。电解制氢负荷相关项目目前仍多关注参与电力系统“削峰填谷”，参与动态需求响应相关应用仍处于探索阶段，尚处于在模拟环境中进行可行性验证的环节[146]。
商业负荷相关工程项目仍以商业楼宇HVAC系统为主，其参与电网调频能力已在实际环境中的现场试验作为支撑[147]。“上海黄浦区商业楼宇虚拟电厂示范项目”作为首个国家级商业楼宇需求侧管理示范项目，预计在2030年建成20 MW二次调频能力的商业楼宇虚拟电厂[148]，通过智能楼宇控制系统实现负荷的精准调节。数据中心负荷[149]、5G基站负荷[150]处于快速发展阶段，因此相关动态需求响应技术落地较少，仍停留在模拟环境中的仿真验证阶段。
居民负荷方面，除电动汽车外，其他类型居民侧动态可控负荷相关落地应用仍受到前期控制设备投入的制约。截至2025年4月，全球有151个车网互动项目，为电网提供调频、备用等服务[151]。由丹麦Energinet推动的Parker项目已进入商业应用环节，通过利用电动汽车电池储能参与频率调节，在频率发生波动时能够在150 s内自动触发并完成电动汽车集群功率响应[152]。在国内，国网华东电力调频实践中，通过有序充电示范场景，表明参与调频时电动汽车的调节容量和设备响应时间均较传统负荷性能更优[153]。西南电网源网荷储多级协同调控示范工程实践中，以电动汽车参与电网调频为应用场景实现了对电动汽车的s级控制，获得了与传统机组相似的二次调频效果[154]。温控负荷方面，尽管利用空调、电冰箱等温控负荷参与电力调频已有大量的相关理论研究，但由于居民侧温控负荷小、众、散的特点，利用其参与电网调频仍受到前期控制设备投入与居民用户用电不确定性制约，目前仍处于模拟环境验证阶段，关于其落地应用项目鲜有报道。
结合前述技术验证程度与工程应用规模，图5展示了各类型DCL参与电网调频的技术成熟度（Technology Readiness Level, TRL）。总体来看，电解铝负荷与电动汽车DDC技术成熟度较高，而其余类型DCL相关技术的落地应用尚处于早期阶段，仍需克服诸如硬件设施标准化、系统整合及技术验证等一系列实际问题。
图5 各类型DCL动态需求响应技术成熟度
Fig.5 Technology readiness level of various types of DCL for dynamic demand response
动态需求控制在电力系统调频中的应用代表了新型电力系统需求侧灵活化和智能化的发展方向。然而，由图5可以发现，尽管动态需求响应技术具备理论上的诸多优势，目前其技术成熟度却与理论研究深度不完全匹配。为此，本节基于前文对负荷特性、控制策略及工程应用的系统性分析，深入剖析当前动态需求控制面临的主要技术瓶颈，并对未来研究方向进行展望。
4.1.1 动态可控负荷建模泛化性与层级性不足
从前文对各类动态可控负荷调频特性的详细剖析可以看出，即使同类负荷，由于其功率快速控制机理的不同，其动态响应特性也存在显著区别。这导致特定的建模方法及控制策略仅局限于技术参数相似的同类型负荷之间，难以真正服务于实际场景。另一方面，现有研究在方法论上呈现明显的“自下而上”倾向，即以负荷层局部响应建模与控制策略优化为研究重点，而对系统层频率动态过程的建模与控制反馈机制处理较为粗略。这种研究方法虽然能够在理论层面构建可解析的优化框架，但在实际多扰动、高波动的运行条件下难以充分刻画电力系统惯性响应、频率恢复路径及区域节点间动态耦合等关键特征，削弱了控制策略在实际应用过程中的适应性。因此，尽管单一类型负荷（如电解铝）的调频应用已取得进展，但其建模与控制经验难以复制到其他负荷类型，且缺乏跨电压等级、跨行政区域的层级化协同建模方法，限制了其在更大电网范围内的规模化应用价值。
4.1.2 控制时效受限于通信与数据处理能力
动态需求控制的能效高度依赖通信与计算资源的及时性与可靠性。不同类型动态可控负荷的基础设施能力存在差距：工业负荷本地通信系统通常封闭且安全隔离性强，外部调频指令的接入频率和优先级受到严格限制[155]；商业楼宇HVAC自控系统则因跨设备、跨系统的异构性而导致信息交互延迟较高[156]；居民负荷更是普遍面临低带宽通信接入的瓶颈，信号传输的延迟与丢包现象突出[157]。与此同时，控制策略本身对计算资源的需求也存在显著差异：规则控制响应快但通信需求低，优化控制性能优但需要全局信息交互与计算复杂，学习控制自适应强但依赖大量数据与训练资源。随着控制策略向更复杂的优化与学习方向发展，其对通信与计算资源的需求快速增长，这与多数负荷侧终端有限的计算资源形成了尖锐的矛盾。因此，当前动态需求控制仍受到通信条件与终端计算能力的双重制约，其实时性、可靠性与工程可行性提升手段仍亟待深入研究。
4.1.3 异质性控制策略导致协调困难
由表2可以看出，规则控制、优化控制与学习控制等不同范式在响应机制、时空特性与目标函数方面存在根本性差异，形成了模型驱动与数据驱动并存、集中控制与自主控制并行的复杂格局。这种控制策略层面的异质性，与第1节所揭示的负荷资源本身的异质性相互交织，使得在多类型动态可控负荷协同参与电网调频时，极易因缺乏统一的协调机制而导致响应方向冲突、调节效果相互抵消甚至引发系统振荡。例如，追求快速性的规则控制可能与追求经济性的优化控制目标不一致，而“黑箱”特性的学习控制又难以与传统模型驱动控制方法有效协同。因此，如何在不牺牲各类策略局部自主性与灵活性的前提下，构建能够整合异质控制策略的统一协调框架，实现系统整体调频性能的优化，是当前面临的关键挑战之一。
4.2.1 多层级动态可控负荷聚合模型
面对动态可控负荷的多样化与分布的广泛性，开发能够处理多类型，多种类的动态可控负荷聚合模型仍是解决大规模分散负荷群体同步调节问题的关键，未来应进一步研究大规模动态可控负荷调节能力等效方法，以形成足够充裕的调频资源池。更进一步地，动态可控负荷聚合建模层次也应与电力网络层级有所对应。接入不同电压等级动态可控负荷响应特性差异较大，现有大多数研究采用局限于微电网、区域配电网内的动态可控负荷建模方法，较少能考虑电网的层级化运行。未来研究应重点探讨分层优化控制框架下的系统层建模方法，从而设计从局部负荷到配电网再到输电网的全网逐级协调控制策略，既能确保局部稳定性，又能提升全网的调频效果[158-159]。
4.2.2 通信-计算协同架构下的低延迟控制策略
为突破通信能力不足与终端计算资源有限对动态需求控制实时性与实用性的制约，未来研究可从负荷集群参数降维[160]、控制-通信协同[161]、引入事件触发机制[162]等方向展开，以降低控制过程中的通信压力，提升控制效率。其次，为确保在实时性要求下控制策略的有效性，有必要通过RTDS、RT-Lab等硬件在环实时仿真平台，对控制策略在通信延迟、计算时延等实际约束下的运行性能进行评估，为工程化应用提供可行性依据。
4.2.3 多场景、多技术融合动态需求控制体系
虚拟电厂、负荷聚合商、综合能源系统服务商等新兴市场主体的出现，使得动态可控负荷资源能够通过聚合实现集约化调度，为参与电力辅助服务提供更加灵活的调控途径[163]。与此同时，区块链[164]、云计算与边缘计算[165]等新兴技术的涌现，带来各自独特的控制架构，催生出新颖的研究方向。因此，构建“多场景、多技术融合”的动态需求控制体系已成为推动负荷侧灵活性释放与系统调控能力提升的关键路径。未来研究需聚焦于多场景下动态需求控制策略的兼容适配、异构数据融合与分布式算法协同，及其在复杂电网环境中的鲁棒性与可扩展性验证，以推动动态可控负荷在更大规模与更高可靠性层面参与电力辅助服务。
供需协同是新型电力系统的重要特征之一。本文认为，在电力系统频率动态品质下降的背景下，动态需求控制技术能够作为传统调频控制策略的有效补充。本文首次系统地归纳了各类负荷的灵活性来源与调频特性；并提出了基于规则控制、优化控制和智能控制的分类论述体系，深入分析了动态可控负荷调频策略；结合工程实践，总结了动态可控负荷参与电网调频面临的主要挑战，并展望了动态需求控制未来发展的方向。在未来发展中，动态需求控制相关研究可以进一步完善多层级可控负荷动态响应模型和低延迟控制策略，并关注新场景、新技术下新颖的研究方向，为新型电力系统发展赋能。
附 录
附表1 不同电解制铝负荷调控方式调频特性[31]
App.Tab.1 Electrolytic aluminum load regulation characteristics[31]
调控量设备响应时间控制方式最大调节容量(%) 高压侧母线电压ms级连续24.7 有载变压器电压比6～7 s/挡离散25 饱和电抗器压降ms级连续8
附表2 各类电解制氢技术调频特性[36]
App.Tab.2 Frequency modulation characteristics of dynamically controllable load[36]
负荷类型AELPEMSOEL 堆栈典型功率1 MW1 MW5 kW 调节范围(%)10～1100～16020～125 启停时间1 s～10 min1 s～5 min暂无 爬坡率0.2%～20%(pu)/s100%(pu)/s暂无
附表3 商业楼宇综合能源系统灵活性分类[51]
App.Tab.3 Classification of integrated energy systems in commercial buildings[51]
灵活性类别设备响应时间持续状态响应方向来源 快速调节s级连续双向调节热电联产机组、储能、电动汽车、变频负荷、可调照明系统 适度调节5～15 min连续双向调节热电联产机组、储能、变频空调系统 负荷削减≤min级min～h单向削减HVAC系统、储能、电动汽车、可调照明系统 负荷转移h级连续双向调节电池、电动汽车、HVAC系统、可转移设备
附表4 数据中心调频特性[56-58]
App.Tab.4 Frequency modulation characteristics of data center[56-58]
调频灵活性来源控制方式设备响应时间持续时间 服务器/IT负载动态电压频率调整、动态关机/休眠、虚拟机迁移ms级min级～h级 工作负载调度计算任务转移s级min级～h级 制冷系统调整风机转速、冷冻水温设定s级数十分钟 电池储能系统变流器控制ms级数十分钟
参考文献
[1] 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): 2806-2818.
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): 2806-2818.
[2] 国家能源局. 2024年可再生能源并网运行情况[EB/OL].(2025-01-27)[2025-04-17]. https://www.nea.gov.cn/ 20250221/e10f363cabe3458aaf78ba4558970054/c.html.
[3] 汪梦军, 郭剑波, 马士聪, 等. 新能源电力系统暂态频率稳定分析与调频控制方法综述[J]. 中国电机工程学报, 2023, 43(5): 1672-1693.
Wang Mengjun, Guo Jianbo, Ma Shicong, et al. Review of transient frequency stability analysis and frequency regulation control methods for renewable power systems[J]. Proceedings of the CSEE, 2023, 43(5): 1672-1693.
[4] 孙华东, 许涛, 郭强, 等. 英国“8·9”大停电事故分析及对中国电网的启示[J]. 中国电机工程学报, 2019, 39(21): 6183-6191.
Sun Huadong, Xu Tao, Guo Qiang, et al. Analysis on blackout in Great Britain power grid on August 9th, 2019 and its enlightenment to power grid in China[J]. Proceedings of the CSEE, 2019, 39(21): 6183-6191.
[5] 王伟胜, 林伟芳, 何国庆, 等. 美国得州2021年大停电事故对我国新能源发展的启示[J]. 中国电机工程学报, 2021, 41(12): 4033-4042.
Wang Weisheng, Lin Weifang, He Guoqing, et al. Enlightenment of 2021 Texas blackout to the rene- wable energy development in China[J]. Proceedings of the CSEE, 2021, 41(12): 4033-4042.
[6] 安军, 李可心, 周毅博, 等. 面向抑制频率波动的新型电力系统调频能力需求评估[J]. 电工技术学报, 2026, 41(5): 1495-1509.
An Jun, Li Kexin, Zhou Yibo, et al. Frequency fluctuation suppression-oriented evaluation of frequency regulation capability requirements for new-type power systems[J]. Transactions of China Electro- technical Society, 2026, 41(5): 1495-1509.
[7] 王锡凡. 现代电力系统分析[M]. 北京: 科学出版社, 2003.
[8] Rebours Y G, Kirschen D S, Trotignon M, et al. A survey of frequency and voltage control ancillary services: part I: Technical features[J]. IEEE Trans- actions on Power Systems, 2007, 22(1): 350-357.
[9] 陈春宇, 黄宸恺, 王剑晓, 等. 考虑风电不确定性的调频辅助服务市场多时间尺度出清调度策略[J]. 电工技术学报, 2024, 39(21): 6804-6818.
Chen Chunyu, Huang Chenkai, Wang Jianxiao, et al. Multi-time-scale frequency regulation market clearing and dispatch strategy considering wind power uncertainty[J]. Transactions of China Electrotechnical Society, 2024, 39(21): 6804-6818.
[10] 韩磊, 胥国毅, 王程, 等. 新能源电力系统调频资源与频率时空动态关联分析及分布表征[J]. 中国电机工程学报, 2025, 45(13): 5106-5118, I0014.
Han Lei, Xu Guoyi, Wang Cheng, et al. Correlation analysis and distribution characterization of frequency regulation resources and frequency spatiotemporal dynamics in renewable energy power systems[J]. Proceedings of the CSEE, 2025, 45(13): 5106-5118, I0014.
[11] GB/T 40595—2021 并网电源一次调频技术规定及试验导则[S].
[12] 王廷涛, 苗世洪, 姚福星, 等. 计及频率电压稳定性约束的电力系统多层级储能协同优化运行策略[J]. 电工技术学报, 2024, 39(21): 6759-6777.
Wang Tingtao, Miao Shihong, Yao Fuxing, et al. Multi-level energy storage collaborative optimization operation strategy for power systems considering frequency and voltage stability constraints[J]. Trans- actions of China Electrotechnical Society, 2024, 39(21): 6759-6777.
[13] Akram U, Nadarajah M, Shah R, et al. A review on rapid responsive energy storage technologies for frequency regulation in modern power systems[J]. Renewable and Sustainable Energy Reviews, 2020, 120: 109626.
[14] 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.
[15] 沈运帷. 动态可控负荷参与电力系统调频辅助服务理论与市场化应用研究[D]. 南京: 东南大学, 2020.
Shen Yunwei. Research on theory and market application of power system frequency regulation service considering dynamic controllable load[D]. Nanjing: Southeast University, 2020.
[16] Schweppe F C, Tabors R D, Kirtley J L, et al. Homeostatic utility control[J]. IEEE Transactions on Power Apparatus and Systems, 1980, PAS-99(3): 1151-1163.
[17] Short J A, Infield D G, Freris L L. Stabilization of grid frequency through dynamic demand control[J]. IEEE Transactions on Power Systems, 2007, 22(3): 1284-1293.
[18] Nikolic D, Negnevitsky M, de Groot M, et al. Fast demand response as an enabling technology for high renewable energy penetration in isolated power systems[C]//2014 IEEE PES General Meeting| Conference & Exposition, National Harbor, MD, USA, 2014: 1-5.
[19] 徐冰亮, 曹世光, 于继来, 等. 基于需求侧管理的频率质量控制探讨[J]. 电力系统自动化, 2003, 27(11): 72-76.
Xu Bingliang, Cao Shiguang, Yu Jilai, et al. Dsm based frequency quality control of power systems[J]. Automation of Electric Power Systems, 2003, 27(11): 72-76.
[20] 高赐威, 梁甜甜, 李扬. 自动需求响应的理论与实践综述[J]. 电网技术, 2014, 38(2): 352-359.
Gao Ciwei, Liang Tiantian, Li Yang. A survey on theory and practice of automated demand response[J]. Power System Technology, 2014, 38(2): 352-359.
[21] 姚建国, 张凯锋, 丁哲通, 等. 动态需求响应概念扩展及研究重点[J]. 电力系统自动化, 2019, 43(14): 207-215.
Yao Jianguo, Zhang Kaifeng, Ding Zhetong, et al. Concept extension and research focus of dynamic demand response[J]. Automation of Electric Power Systems, 2019, 43(14): 207-215.
[22] 王飞, 李美颐, 张旭东, 等. 需求响应资源潜力评估方法、应用及展望[J]. 电力系统自动化, 2023, 47(21): 173-191.
Wang Fei, Li Meiyi, Zhang Xudong, et al. Assessment methods for demand response resource potential and their application and prospect[J]. Automation of Electric Power Systems, 2023, 47(21): 173-191.
[23] 陈亦平, 卓映君, 刘映尚, 等. 高比例可再生能源电力系统的快速频率响应市场发展与建议[J]. 电力系统自动化, 2021, 45(10): 174-183.
Chen Yiping, Zhuo Yingjun, Liu Yingshang, et al. Development and recommendation of fast frequency response market for power system with high pro- portion of renewable energy[J]. Automation of Electric Power Systems, 2021, 45(10): 174-183.
[24] 国家能源局. 2023年全社会用电量同比增长6.7%[EB/OL]. (2024-01-18) [2025-04-17]. https:// www.nea.gov.cn/2024-01/18/c_1310760885.htm.
[25] 张晓萱. 中国工业部门需求响应潜力及其碳排放和经济效应分析[D]. 哈尔滨: 哈尔滨工业大学, 2024.
Zhang Xiaoxuan. An analysis of demand response potential and its energy-environmental-economic benefits in China’s industrial sector[D]. Harbin: Harbin Institute of Technology, 2024.
[26] Zhang Qi, Grossmann I E. Enterprise-wide optimi- zation for industrial demand side management: Fundamentals, advances, and perspectives[J]. Chemical Engineering Research and Design, 2016, 116: 114- 131.
[27] Yu Qingfang, Xu Jian, Liao Siyang, et al. Adaptive load control of electrolytic aluminum for power system frequency regulation based on the aluminum production operation state[J]. Energy Reports, 2022, 8: 1259-1269.
[28] 廖思阳, 卞士琪, 徐箭, 等. 考虑电解槽能量流优化的电解铝负荷网荷互动可调容量评估[J]. 中国电机工程学报, 2025, 45(6): 2110-2120, I0006.
Liao Siyang, Bian Shiqi, Xu Jian, et al. Evaluation of grid-load interactive adjustable capacity of elec- trolytic aluminum load considering optimization of electrolytic cell energy flow[J]. Proceedings of the CSEE, 2025, 45(6): 2110-2120, I0006.
[29] Lavoie P, Namboothiri S, Dorreen M, et al. Increasing the power modulation window of aluminium smelter pots with shell heat exchanger technology[M]// Lindsay S. J. Light Metals 2011. Cham: Springer International Publishing, 2016: 369-374.
[30] Mottaghizadeh P, Fardadi M, Jabbari F, et al. Thermodynamic and dynamic analysis of a wind- powered off-grid industrial building integrated with solid oxide fuel cell and electrolyzer for energy management and storage[J]. Journal of Electro- chemical Energy Conversion and Storage, 2022, 19(3): 031003.
[31] 廖思阳, 皮山泉, 徐箭, 等. 新型电力系统直控式负荷多层级协同调控关键技术综述[J]. 高电压技术, 2023, 49(9): 3669-3683.
Liao Siyang, Pi Shanquan, Xu Jian, et al. Review of key technologies for multi-level cooperative regu- lation of direct-controlled loads in new power systems[J]. High Voltage Engineering, 2023, 49(9): 3669-3683.
[32] 聂世豪, 黄润, 陈磊, 等. 考虑能量恢复的电解铝负荷一次调频自适应控制[J]. 电力系统自动化, 2024, 48(17): 37-45.
Nie Shihao, Huang Run, Chen Lei, et al. Adaptive control of primary frequency regulation for electrolytic aluminum load considering energy recovery[J]. Automation of Electric Power Systems, 2024, 48(17): 37-45.
[33] Bao Yi, Xu Jian, Liao Siyang, et al. Field verification of frequency control by energy-intensive loads for isolated power systems with high penetration of wind power[J]. IEEE Transactions on Power Systems, 2018, 33(6): 6098-6108.
[34] 刘陇平, 邢沛. 直供电系统中电解铝负荷参与调频的方法[J]. 甘肃冶金, 2015, 37(5): 34-37, 39.
Liu Longping, Xing Pei. Participation of electrolytic aluminium load in the frequency control in direct power supply system[J]. Gansu Metallurgy, 2015, 37(5): 34-37, 39.
[35] Takahashi A, Imai J, Funabiki S. Experimental verification of suppressing power fluctuation in photo- voltaic generation system using water electrolyzer[C]// 2017 IEEE International Telecommunications Energy Conference (INTELEC), Broadbeach, QLD, Australia, 2017: 562-565.
[36] ENTSO-E. Potential of P2H2 technologies to provide system services[EB/OL]. (2022-06-30) [2025-04-17]. https://eepublicdownloads.blob.core.windows.net/public- cdn-container/clean-documents/Publications/Position%20papers%20and%20reports/ENTSO-E_Study_on_ Flexibility_from_Power-to-Hydrogen__P2H2_.pdf.
[37] Dozein M G, De Corato A M, Mancarella P. Virtual inertia response and frequency control ancillary services from hydrogen electrolyzers[J]. IEEE Trans- actions on Power Systems, 2023, 38(3): 2447-2459.
[38] Peter C, Vrettos E, Büchi F N. Polymer electrolyte membrane electrolyzer and fuel cell system chara- cterization for power system frequency control[J]. International Journal of Electrical Power & Energy Systems, 2022, 141: 108121.
[39] 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.
[40] Golmohamadi H, Keypour R, Bak-Jensen B, et al. A multi-agent based optimization of residential and industrial demand response aggregators[J]. Inter- national Journal of Electrical Power & Energy Systems, 2019, 107: 472-485.
[41] 聂世豪, 陈磊, 闵勇, 等. 工业负荷参与一次调频潜力与特性分析[J]. 电网技术, 2023, 47(10): 3994- 4004.
Nie Shihao, Chen Lei, Min Yong, et al. Potential and characteristic analysis on participation of industrial load in primary frequency regulation[J]. Power System Technology, 2023, 47(10): 3994-4004.
[42] IEA. World Energy Outlook 2024[EB/OL]. (2024-10- 16) [2025-04-17]. https://iea.blob.core.windows.net/assets/a5ba91c9-a41c-420c-b42e-1d3e9b96a215/WorldEnergyOutlook2024.pdf.
[43] US Energy Information Administration. 2018 Commercial Buildings Energy Consumption Survey Consumption and Expenditures Highlights[EB/OL]. (2022-12-01) [2025-04-17]. https://www.eia.gov/con- sumption/commercial/data/2018/pdf/CBECS%202018% 20CE%20Release%202%20Flipbook.pdf.
[44] Murphy J. High-performance VAV systems[J]. Ashrae Journal, 2011, 53(10): 18.
[45] Maasoumy M, Ortiz J, Culler D, et al. Flexibility of commercial building HVAC fan as ancillary service for smart grid[PP/OL]. ArXiv (2013-11-24) [2025-04-17]. https://arxiv.org/abs/1311.6094.
[46] Wang Huilong, Wang Shengwei, Tang Rui. Deve- lopment of grid-responsive buildings: Opportunities, challenges, capabilities and applications of HVAC systems in non-residential buildings in providing ancillary services by fast demand responses to smart grids[J]. Applied Energy, 2019, 250: 697-712.
[47] Su L, Norford L K. Demonstration of HVAC chiller control for power grid frequency regulation: Part 2: Discussion of results and considerations for broader deployment[J]. Science and Technology for the Built Environment, 2015, 21(8): 1143-1153.
[48] Xie Kang, Hui Hongxun, Ding Yi, et al. Modeling and control of central air conditionings for providing regulation services for power systems[J]. Applied Energy, 2022, 315: 119035.
[49] Wang Wenyi, Tian Guanyu, Sun Qun zhou, et al. A control framework to enable a commercial building HVAC system for energy and regulation market signal tracking[J]. IEEE Transactions on Power Systems, 2023, 38(1): 290-301.
[50] 张沈习, 王丹阳, 程浩忠, 等. 双碳目标下低碳综合能源系统规划关键技术及挑战[J]. 电力系统自动化, 2022, 46(8): 189-207.
Zhang Shenxi, Wang Danyang, Cheng Haozhong, et al. Key technologies and challenges of low-carbon integrated energy system planning for carbon emission peak and carbon neutrality[J]. Automation of Electric Power Systems, 2022, 46(8): 189-207.
[51] Tang Hong, Wang Shengwei, Li Hangxin. Flexibility categorization, sources, capabilities and technologies for energy-flexible and grid-responsive buildings: State-of-the-art and future perspective[J]. Energy, 2021, 219: 119598.
[52] Güğül G N, Gökçül F, Eicker U. Sustainability analysis of zero energy consumption data centers with free cooling, waste heat reuse and renewable energy systems: a feasibility study[J]. Energy, 2023, 262: 125495.
[53] 丁肇豪, 曹雨洁, 张素芳, 等. 能源互联网背景下数据中心与电力系统协同优化(一): 数据中心能耗模型[J]. 中国电机工程学报, 2022, 42(9): 3161- 3176.
Ding Zhaohao, Cao Yujie, Zhang Sufang, et al. Coordinated operation for data center and power system in the context of energy Internet (Ⅰ): Energy demand management model of data center[J]. Proceedings of the Chinese Society for Electrical Engineering, 2022, 42(9): 3161-3176.
[54] Kaur K, Garg S, Kumar N, et al. An adaptive grid frequency support mechanism for energy management in cloud data centers[J]. IEEE Systems Journal, 2020, 14(1): 1195-1205.
[55] 马浩然, 袁至, 王维庆, 等. 考虑数据中心和储能接入的主动配电网经济调度研究[J]. 发电技术, 2025, 46(4): 748-757, 634.
Ma Haoran, Yuan Zhi, Wang Weiqing, et al. Research on economic scheduling of active distribution networks with inclusion of data center and energy storage[J]. Power Generation Technology, 2025, 46(4): 748-757, 634.
[56] Ahmed K M U, Bollen M H J, Alvarez M. A review of data centers energy consumption and reliability modeling[J]. IEEE Access, 2021, 9: 152536-152563.
[57] Ghatikar G, Ganti V, Matson N, et al. Demand response opportunities and enabling technologies for data centers: findings from field studies[R]. Berkeley: Lawrence Berkeley National Lab, 2012.
[58] Fu Yangyang, Han Xu, Baker K, et al. Assessments of data centers for provision of frequency regulation[J]. Applied Energy, 2020, 277: 115621.
[59] 张新, 岳园园, 曾好, 等. 面向电网规划的重点需求侧资源响应潜力评估方法[J]. 电力系统自动化, 2023, 47(16): 162-170.
Zhang Xin, Yue Yuanyuan, Zeng Hao, et al. Response potential evaluation method of key demand-side resources for power grid planning[J]. Automation of Electric Power Systems, 2023, 47(16): 162-170.
[60] 新华社. 我国5G基站达到425万个[EB/OL]. (2025- 01-21) [2025-04-15]. https://www.gov.cn/lianbo/bumen/ 202501/content_7000341.htm.
[61] 周宸宇, 冯成, 王毅. 基于移动用户接入控制的5G通信基站需求响应[J]. 中国电机工程学报, 2021, 41(16): 5452-5461.
Zhou Chenyu, Feng Cheng, Wang Yi. Demand response of 5G communication base stations based on admission control of mobile users[J]. Proceedings of the CSEE, 2021, 41(16): 5452-5461.
[62] 雍培, 张宁, 慈松, 等. 5G通信基站参与需求响应: 关键技术与前景展望[J]. 中国电机工程学报, 2021, 41(16): 5540-5551.
Yong Pei, Zhang Ning, Ci Song, et al. 5G com- munication base stations participating in demand response: key technologies and prospects[J]. Pro- ceedings of the CSEE, 2021, 41(16): 5540-5551.
[63] 林固静, 高赐威, 宋梦, 等. 含通信基站备用储能的虚拟电厂构建及调度方法[J]. 电力系统自动化, 2022, 46(18): 99-107.
Lin Gujing, Gao Ciwei, Song Meng, et al. Con- struction and dispatch method of virtual power plant with backup energy storage in communication base stations[J]. Automation of Electric Power Systems, 2022, 46(18): 99-107.
[64] 麻秀范, 孟祥玉, 朱秋萍, 等. 计及通信负载的5G基站储能调控策略[J]. 电工技术学报, 2022, 37(11): 2878-2887.
Ma Xiufan, Meng Xiangyu, Zhu Qiuping, et al. Control strategy of 5G base station energy storage considering communication load[J]. Transactions of China Electrotechnical Society, 2022, 37(11): 2878- 2887.
[65] 郑若楠, 李志浩, 唐雅洁, 等. 考虑居民用户参与度不确定性的激励型需求响应模型与评估[J]. 电力系统自动化, 2022, 46(8): 154-162.
Zheng Ruonan, Li Zhihao, Tang Yajie, et al. Incentive demand response model and evaluation considering uncertainty of residential customer participation degree[J]. Automation of Electric Power Systems, 2022, 46(8): 154-162.
[66] 新华社. 图表: 超3000万辆！我国新能源汽车保有量高速增长[EB/OL]. (2025-01-17) [2025-04-17]. https://www.gov.cn/zhengce/jiedu/tujie/202501/content_ 6999527.htm.
[67] 陆凌蓉, 文福拴, 薛禹胜, 等. 电动汽车提供辅助服务的经济性分析[J]. 电力系统自动化, 2013, 37(14): 43-49, 58.
Lu Lingrong, Wen Fushuan, Xue Yusheng, et al. Economic analysis of ancillary service provision by plug-in electric vehicles[J]. Automation of Electric Power Systems, 2013, 37(14): 43-49, 58.
[68] Yao Enxin, Wong V W S, Schober R. Robust frequency regulation capacity scheduling algorithm for electric vehicles[J]. IEEE Transactions on Smart Grid, 2017, 8(2): 984-997.
[69] 杨德健, 卢学炫, 王枭, 等. 考虑用户特征与意愿的电动汽车调节功率刻画及频率支撑策略[J]. 电工技术学报, 2025, 40(11): 3560-3571.
Yang Dejian, Lu Xuexuan, Wang Xiao, et al. Adjusting power characterization and frequency support strategies for electric vehicles considering characteristics and willingness[J]. Transactions of China Electrotechnical Society, 2025, 40(11): 3560- 3571.
[70] 吴盛军, 曹路, 陈浩, 等. 基于充放电裕度的电动汽车集群一次调频控制策略[J]. 电力工程技术, 2024, 43(2): 154-162, 188.
Wu Shengjun, Cao Lu, Chen Hao, et al. Primary frequency regulation control strategy for electric vehicle aggregation based on charging and dis- charging margin[J]. Jiangsu Electrical Engineering, 2024, 43(2): 154-162, 188.
[71] 肖朝霞, 刘翔宇, 王璇, 等. 大型社区多功率等级的电动汽车充电负荷预测[J]. 电力系统及其自动化学报, 2025, 37(11): 11-23.
Xiao ZhaoXia, Liu Xiangyu, Wang Xuan, et al. Charging load prediction of electric vehicles with multiple power levels in large communities[J]. Proceedings of the CSU-EPSA, 2025, 37(11): 11-23.
[72] 曹冬志, 姚良忠, 袁荣湘, 等. 一种适用多辅助服务场景调节需求的柔性负荷资源动态聚合方法[J]. 全球能源互联网, 2026, 9(1): 133-147.
Cao Dongzhi, Yao Liangzhong, Yuan Rongxiang, et al. A dynamic aggregation method for flexible load resources participating in demand response con- sidering multiple ancillary service scenarios regu- lation requirements[J]. Journal of Global Energy Interconnection, 2026, 9(1): 133-147.
[73] 刘宝柱, 焦玺玮, 潘羿, 等. 计及规模化电动汽车参与调控的系统调频容量需求与效用评估方法[J]. 电工技术学报, 2026, 41(5): 1709-1723.
Liu Baozhu, Jiao Xiwei, Pan Yi, et al. Capacity requirement and effectiveness assessment metho- dology for system frequency regulation incorporating large-scale electric vehicles[J]. Transactions of China Electrotechnical Society, 2026, 41(5): 1709-1723.
[74] 苏粟, 李家浩, 李泽宁, 等. 考虑用户需求的电动汽车虚拟同步机辅助调频控制策略[J]. 电力自动化设备, 2021, 41(11): 40-47.
Su Su, Li Jiahao, Li Zening, et al. Auxiliary frequency regulation control strategy based on virtual synchronous machine for electric vehicles considering user demand[J]. Electric Power Automation Equipment, 2021, 41(11): 40-47.
[75] 付卓铭, 胡俊杰, 马文帅, 等. 规模化电动汽车参与电力系统二次调频研究综述[J]. 电力建设, 2023, 44(2): 1-14.
Fu Zhuoming, Hu Junjie, Ma Wenshuai, et al. Review of research on participation of numerous electric vehicles in power system secondary frequency- regulation service[J]. Electric Power Construction, 2023, 44(2): 1-14.
[76] 黄学良, 刘永东, 沈斐, 等. 电动汽车与电网互动: 综述与展望[J]. 电力系统自动化, 2024, 48(7): 3-23.
Huang Xueliang, Liu Yongdong, Shen Fei, et al. Vehicle to grid: review and prospect[J]. Automation of Electric Power Systems, 2024, 48(7): 3-23.
[77] Verbeke S, Audenaert A. Thermal inertia in buildings: a review of impacts across climate and building use[J]. Renewable and Sustainable Energy Reviews, 2018, 82: 2300-2318.
[78] Hui Hongxun, Ding Yi, Liu Weidong, et al. Operating reserve evaluation of aggregated air conditioners[J]. Applied Energy, 2017, 196: 218-228.
[79] 周特, 周意, 王帅, 等. 变频温控负荷参与电力系统调频的综合惯量支撑技术评述[J]. 中国电机工程学报, 2026, 46(3): 970-994.
Zhou Te, Zhou Yi, Wang Shuai, et al. Review on synthetic inertia support from inverter-based thermo- statically controlled loads for power system frequency regulation[J]. Proceedings of the CSEE, 2026, 46(3): 970-994.
[80] Hui Hongxun, Ding Yi, Zheng Menglian. Equivalent modeling of inverter air conditioners for providing frequency regulation service[J]. IEEE Transactions on Industrial Electronics, 2019, 66(2): 1413-1423.
[81] 祁琪, 石富岭, 陈宋宋, 等. 居民负荷参与电力系统调控关键技术综述与展望[J]. 电网技术, 2024, 48(2): 809-818.
Qi Qi, Shi Fuling, Chen Songsong, et al. Review and prospect of key technologies for residential loads participating in power system dispatch and control[J]. Power System Technology, 2024, 48(2): 809-818.
[82] 高志远, 耿建, 李峰, 等. 计及成本和价值的长周期负荷侧调节能力投入策略[J]. 全球能源互联网, 2024, 7(1): 37-45.
Gao Zhiyuan, Geng Jian, Li Feng, et al. Invocation strategy for long-cycle load side regulation capacity considering cost and value[J]. Journal of Global Energy Interconnection, 2024, 7(1): 37-45.
[83] 田君豪, 张鸿宇, 王宇. 新型灵活性资源市场机制研究: 面向高比例可再生能源系统[J]. 北京理工大学学报(社会科学版), 2023, 25(3): 53-60.
Tian Junhao, Zhang Hongyu, Wang Yu. Study of market mechanisms for new flexibility resources: towards a high percentage renewable power system[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2023, 25(3): 53-60.
[84] IEA. Meeting Power System Flexibility Needs in China by 2030[EB/OL]. (2024-11-13) [2025-10-15]. https://www.iea.org/reports/meeting-power-system- flexibility-needs-in-china-by-2030.
[85] 孙元章, 徐箭, 廖思阳, 等. 提升新型电力系统调频能力的受控负荷阻尼因子控制器[J]. 中国电机工程学报, 2023, 43(3): 868-877.
Sun Yuanzhang, Xu Jian, Liao Siyang, et al. Con- trolled load/frequency response to substantially increase frequency regulation capability for power system with high penetration renewable energy[J]. Proceedings of the CSEE, 2023, 43(3): 868-877.
[86] Trovato V, Sanz I M, Chaudhuri B, et al. Advanced control of thermostatic loads for rapid frequency response in Great Britain[J]. IEEE Transactions on Power Systems, 2017, 32(3): 2106-2117.
[87] Xu Zhao, Ostergaard J, Togeby M. Demand as frequ- ency controlled reserve[J]. IEEE Transactions on Power Systems, 2011, 26(3): 1062-1071.
[88] Lin Yashen, Barooah P, Meyn S, et al. Experimental evaluation of frequency regulation from commercial building HVAC systems[J]. IEEE Transactions on Smart Grid, 2015, 6(2): 776-783.
[89] Nema S, Prakash V, Pandžić H. Frequency-responsive refrigerator switching controller[J]. IEEE Trans- actions on Smart Grid, 2024, 15(3): 2819-2830.
[90] Tian Guanyu, Sun Qun zhou. A stochastic controller for primary frequency regulation using ON/OFF demand side resources[J]. IEEE Transactions on Smart Grid, 2023, 14(5): 4141-4144.
[91] De Carne G, Buticchi G, Liserre M, et al. Real-time primary frequency regulation using load power control by smart transformers[C]//2020 IEEE Power & Energy Society General Meeting (PESGM), Montreal, QC, Canada, 2020: 1.
[92] Liu Hui, Qi Junjian, Wang Jianhui, et al. EV dispatch control for supplementary frequency regulation considering the expectation of EV owners[J]. IEEE Transactions on Smart Grid, 2018, 9(4): 3763-3772.
[93] Bao Peng, Wang Yaoqiang, Jiang Xin, et al. A statistical-based approach for decentralized demand response toward primary frequency support: a case study of large-scale 5G base stations with adaptive droop control[J]. IEEE Transactions on Smart Grid, 2025, 16(3): 2208-2221.
[94] 张崇, 李博, 李笑宇, 等. 基于虚拟同步机控制参数自适应调节的储能系统调频方法[J]. 发电技术, 2024, 45(4): 772-780.
Zhang Chong, Li Bo, Li Xiaoyu, et al. A frequency regulation method of energy storage system based on adaptive adjustment of virtual synchronous generator control parameters[J]. Power Generation Technology, 2024, 45(4): 772-780.
[95] 周特, 周梦, 李继东, 等. 基于时间触发机制的温控负荷集群综合惯性控制研究[J]. 全球能源互联网, 2024, 7(3): 325-335.
Zhou Te, Zhou Meng, Li Jidong, et al. Synthetic inertia control strategy for thermostatically controlled load cluster integrating time-triggered mechanism[J]. Journal of Global Energy Interconnection, 2024, 7(3): 325-335.
[96] Ke Song, Yang Jun, Chen Lei, et al. A frequency control strategy for EV stations based on MPC-VSG in islanded microgrids[J]. IEEE Transactions on Industrial Informatics, 2024, 20(2): 1819-1831.
[97] 郭潇镁, 李永刚, 周一辰. 基于变权重自适应模型预测控制的虚拟同步发电机调频策略[J]. 电工技术学报, 2025, 40(21): 6956-6969.
Guo Xiaomei, Li Yonggang, Zhou Yichen. Virtual synchronous generator frequency regulation control strategy based on variable weight adaptive model predictive control[J]. Transactions of China Electro- technical Society, 2025, 40(21): 6956-6969.
[98] 陈文哲, 孙海顺, 徐瑞林, 等. 电动汽车参与调频服务的云边融合分层调控技术研究[J]. 中国电机工程学报, 2023, 43(3): 914-926.
Chen Wenzhe, Sun Haishun, Xu Ruilin, et al. Cloud- edge collaboration based hierarchical dispatch technology for EV participating in frequency regulation service[J]. Proceedings of the Chinese Society for Electrical Engineering, 2023, 43(3): 914-926.
[99] Le Lingling, Fang Jiakun, Ai Xiaomeng, et al. Aggregation and scheduling of multi-chiller HVAC systems in continuous-time stochastic unit com- mitment for flexibility enhancement[J]. IEEE Trans- actions on Smart Grid, 2023, 14(4): 2774-2785.
[100] 张沛超, 赵建立, 李进鑫, 等. 5G基站二次调频虚拟电厂的协调控制方法[J]. 电网技术, 2026, 50(5): 2019-2030.
Zhang Peichao, Zhao Jianli, Li Jinxin, et al. Coor- dinated control method of 5G base station virtual power plant for participating in secondary frequency regulation[J]. Power System Technology, 2026, 50(5): 2019-2030.
[101] 胡江溢, 郑涛, 金玉龙, 等. 计及用户决策不确定性与调频备用需求的空调负荷聚合策略[J]. 电网技术, 2022, 46(9): 3534-3542.
Hu Jiangyi, Zheng Tao, Jin Yulong, et al. An aggregation strategy of air conditioning loads considering uncertainty of customer behavior and frequency regulation demand[J]. Power System Technology, 2022, 46(9): 3534-3542.
[102] Li Shoudong, Bao Guangqing, Zhang Xiaoying, et al. Distributed response strategy of electric heating loads based on temperature queue sorting[J]. Electric Power Systems Research, 2022, 211: 108196.
[103] PJM. Markets and operations[EB/OL]. [2025-04-17]. https://www.pjm.com/markets-and-operations/.
[104] Liu Yang, Yu Nanpeng, Shi Jie, et al. Evaluation of frequency regulation provision by commercial building HVAC systems[C]//2017 13th IEEE Con- ference on Automation Science and Engineering (CASE), Xi’an, China, 2018: 888-893.
[105] Kasis A, Timotheou S, Polycarpou M. Optimal secondary frequency regulation with ON-OFF loads in power networks[J]. IEEE Transactions on Control Systems Technology, 2022, 30(6): 2490-2505.
[106] 张谦, 邓小松, 岳焕展, 等. 计及电池寿命损耗的电动汽车参与能量-调频市场协同优化策略[J]. 电工技术学报, 2022, 37(1): 72-81.
Zhang Qian, Deng Xiaosong, Yue Huanzhan, et al. Coordinated optimization strategy of electric vehicle cluster participating in energy and frequency regu- lation markets considering battery lifetime degra- dation[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 72-81.
[107] 徐湘楚, 米增强, 詹泽伟, 等. 考虑多重不确定性的电动汽车聚合商参与能量-调频市场的鲁棒优化模型[J]. 电工技术学报, 2023, 38(3): 793-805.
Xu Xiangchu, Mi Zengqiang, Zhan Zewei, et al. A robust optimization model for electric vehicle agg- regator participation in energy and frequency regulation markets considering multiple uncertainties[J]. Trans- actions of China Electrotechnical Society, 2023, 38(3): 793-805.
[108] Wang Huilong, Wang Shengwei. A hierarchical optimal control strategy for continuous demand response of building HVAC systems to provide frequency regulation service to smart power grids[J]. Energy, 2021, 230: 120741.
[109] Vrettos E, Oldewurtel F, Andersson G. Robust energy-constrained frequency reserves from agg- regations of commercial buildings[J]. IEEE Trans- actions on Power Systems, 2016, 31(6): 4272-4285.
[110] Mudaheranwa E, Sonder H B, Udoakah Y O, et al. Participation of load aggregator in grid frequency stabilization with consideration of renewable energy resources integration[J]. Energy Reports, 2023, 9: 3967-3988.
[111] Bao Peng, Zhang Wen, Zhang Yuxi. Secondary frequency control considering optimized power support from virtual power plant containing aluminum smelter loads through VSC-HVDC link[J]. Journal of Modern Power Systems and Clean Energy, 2023, 11(1): 355-367.
[112] He Hongjie, Cai Xiao, Su Yibo, et al. Impact of communication time delay in a 5G network on frequency regulation performance of a high renewable energy penetrated power system[J]. IEEE Internet of Things Journal, 2024, 11(14): 24376-24388.
[113] Feng Cheng, Chen Qixin, Wang Yi, et al. Frequency regulation service provision for virtual power plants through 5G RAN slicing[J]. IEEE Transactions on Smart Grid, 2022, 13(6): 4943-4956.
[114] He Hongjie, Zhang Ning, Kang Chongqing, et al. Communication resources allocation for time delay reduction of frequency regulation service in high renewable penetrated power system[J]. CSEE Journal of Power and Energy Systems, 2024, 10(2): 468-480.
[115] Kasis A, Lestas I. Frequency regulation with thermo- statically controlled loads: aggregation of dynamics and synchronization[J]. IEEE Transactions on Auto- matic Control, 2022, 67(10): 5602-5609.
[116] Shi Qingxin, Cui Hantao, Li Fangxing, et al. A hybrid dynamic demand control strategy for power system frequency regulation[J]. CSEE Journal of Power and Energy Systems, 2017, 3(2): 176-185.
[117] Wang Mingshen, Mu Yunfei, Shi Qingxin, et al. Electric vehicle aggregator modeling and control for frequency regulation considering progressive state recovery[J]. IEEE Transactions on Smart Grid, 2020, 11(5): 4176-4189.
[118] Duan Chao, Chakraborty P, Nishikawa T, et al. Hierarchical power flow control in smart grids: enhancing rotor angle and frequency stability with demand-side flexibility[J]. IEEE Transactions on Control of Network Systems, 2021, 8(3): 1046-1058.
[119] 余洋, 张瑞丰, 陆文韬, 等. 基于稳定经济模型预测控制的集群电动汽车辅助电网调频控制策略[J]. 电工技术学报, 2022, 37(23): 6025-6040.
Yu Yang, Zhang Ruifeng, Lu Wentao, et al. Auxiliary frequency regulation control strategy of aggregated electric vehicles based on Lyapunov-based economic model predictive control[J]. Transactions of China Electrotechnical Society, 2022, 37(23): 6025-6040.
[120] Yu Peipei, Zhang Hongcai, Song Yonghua, et al. Safe reinforcement learning for power system control: a review[J]. Renewable and Sustainable Energy Reviews, 2025, 223: 116022.
[121] Su Tong, Wu Tong, Zhao Junbo, et al. A review of safe reinforcement learning methods for modern power systems[J]. Proceedings of the IEEE, 2025, 113(3): 213-255.
[122] Sun Jian, Qi Guanqiu, Chai Yi, et al. An adaptive V2G capacity-based frequency regulation scheme with integral reinforcement learning against DoS attacks[J]. IEEE Transactions on Smart Grid, 2024, 15(1): 834-847.
[123] Wang Huilong, Ding Zhikun, Tang Rui, et al. A machine learning-based control strategy for improved performance of HVAC systems in providing large capacity of frequency regulation service[J]. Applied Energy, 2022, 326: 119962.
[124] Yu Peipei, Zhang Hongcai, Song Yonghua, et al. Frequency regulation capacity offering of district cooling system: an intrinsic-motivated reinforcement learning method[J]. IEEE Transactions on Smart Grid, 2023, 14(4): 2762-2773.
[125] Ma Yuxin, Hu Zechun, Song Yonghua. A reinfor- cement learning based coordinated but differentiated load frequency control method with heterogeneous frequency regulation resources[J]. IEEE Transactions on Power Systems, 2024, 39(1): 2239-2250.
[126] Alfaverh F, Denaï M, Sun Yichuang. Optimal vehicle-to-grid control for supplementary frequency regulation using deep reinforcement learning[J]. Electric Power Systems Research, 2023, 214: 108949.
[127] Bi Dehuang, Zhao Yuming, Chen Jiaming, et al. A control strategy for electric vehicles participating in frequency regulation considering user demand and battery longevity[C]//2023 6th International Con- ference on Electronics and Electrical Engineering Technology (EEET), Nanjing, China, 2024: 166-172.
[128] Ye Yujian, Papadaskalopoulos D, Yuan Quan, et al. Multi-agent deep reinforcement learning for coor- dinated energy trading and flexibility services pro- vision in local electricity markets[J]. IEEE Trans- actions on Smart Grid, 2023, 14(2): 1541-1554.
[129] Ibraheem, Kumar P, Kothari D P. Recent philosophies of automatic generation control strategies in power systems[J]. IEEE Transactions on Power Systems, 2005, 20(1): 346-357.
[130] Huang Hao, Li Fangxing. Sensitivity analysis of load-damping characteristic in power system frequ- ency regulation[J]. IEEE Transactions on Power Systems, 2013, 28(2): 1324-1335.
[131] Ali Pourmousavi S, Nehrir M H. Introducing dynamic demand response in the LFC model[J]. IEEE Trans- actions on Power Systems, 2014, 29(4): 1562-1572.
[132] 李家壮, 艾欣, 胡俊杰. 电动汽车参与电网二次调频建模与控制策略[J]. 电网技术, 2019, 43(2): 495- 503.
Li Jiazhuang, Ai Xin, Hu Junjie. Supplementary frequency regulation modeling and control strategy with electric vehicles[J]. Power System Technology, 2019, 43(2): 495-503.
[133] Liu Hui, Huang Kai, Wang Ni, et al. Optimal dispatch for participation of electric vehicles in frequency regulation based on area control error and area regulation requirement[J]. Applied Energy, 2019, 240: 46-55.
[134] Wang Jinning, Li Fangxing, Fang Xin, et al. Electric vehicles charging time constrained deliverable pro- vision of secondary frequency regulation[J]. IEEE Transactions on Smart Grid, 2024, 15(4): 3892-3903.
[135] Douglass P J, Garcia-Valle R, Nyeng P, et al. Demand as frequency controlled reserve: Implementation and practical demonstration[C]//2011 2nd IEEE PES Inter- national Conference and Exhibition on Innovative Smart Grid Technologies, Manchester, UK, 2012: 1-7.
[136] National Grid ESO, London, United Kingdom. New dynamic services(DC/DM/DR), 2024.[EB/OL]. 2024[2025- 04-17]. https://www.neso.energy/industry-information/ balancing-services/frequency-response-services/dynamic- services-dcdmdr?technical-requirements=&page=1& order=title&sort=desc.
[137] Modig N, Eriksson R, Ruokolainen P, et al. Overview of frequency control in the Nordic power system[R]. Nordic Analysis Group, 2022.
[138] Federal Energy Regulatory Commission. Frequency Regulation Compensation in the Organized Wholesale Power Markets, Order No.755[EB/OL]. (2011-03-01) [2025-04-17]. https://www.ferc.gov/sites/default/files/ 2020-06/OrderNo.755.pdf.
[139] Federal Energy Regulatory Commission. Electric Storage Participation in Markets Operated by Regional Transmission Organizations and Independent System Operators, Order No.841[EB/OL]. (2018-03-06) [2025- 04-17]. https://www.ferc.gov/media/order-no-841.
[140] 经济产业省. 供需调节市场指南[EB/OL]. (2024-03- 25) [2025-04-19]. https://www.emsc.meti.go.jp/info/ guideline/pdf/20240325001b.pdf.
[141] 国家能源局东北监管局. 东北区域电力辅助服务管理实施细则[EB/OL]. (2024-03-14) [2025-04-17]. https://dbj.nea.gov.cn/hdhy/dczj/202402/P020240314524104842621.pdf.
[142] 国家能源局华中监管局. 湖北、江西、重庆电力调频辅助服务市场运行规则[EB/OL]. (2025-04-02) [2025-04-19]. https://hzj.nea.gov.cn/dtyw/tzgg/202504/ P020250402414856913103.pdf.
[143] Todd D, Helms B, Caufield M, et al. Providing reliability services through demand response: a preli- minary evaluation of the demand response capabilities of alcoa inc[R]. Oak Ridge National Laboratory, 2009.
[144] Hauck H. Aluminium-Flex-Elektrolyse als Virtueller Stromspeicher[J]. Trimet Aluminium SE: Essen, Germany, 2017.
[145] 陈义宣, 李玲芳, 李文云, 等. 电解铝负荷参与电网稳定控制方案研究[J]. 电力需求侧管理, 2022, 24(1): 21-27.
Chen Yixuan, Li Lingfang, Li Wenyun, et al. Research on electrolytic aluminum load participating in power grid stability control scheme[J]. Power Demand Side Management, 2022, 24(1): 21-27.
[146] 张丝钰, 张宁, 卢静, 等. 绿氢示范项目模式分析与发展展望[J]. 南方能源建设, 2023, 10(3): 89-96.
Zhang Siyu, Zhang Ning, Lu Jing, et al. Analysis and development outlook on the typical modes of green hydrogen projects[J]. Southern Energy Construction, 2023, 10(3): 89-96.
[147] Lin Yashen, Barooah P, Meyn S, et al. Experimental evaluation of frequency regulation from commercial building HVAC systems[J]. IEEE Transactions on Smart Grid, 2015, 6(2): 776-783.
[148] 上海市黄浦区人民政府. 黄浦区人民政府关于印发《黄浦区碳达峰实施方案》的通知[EB/OL]. (2023-01- 28) [2024-05-28]. https://www.shhuangpu.gov.cn/zw/ 009002/009002030/009002030004/009002030004001/ 20230128/f7a3b740-b5dc-4336-a159-ad85ca26af7d. html.
[149] 曹雨洁, 丁肇豪, 王鹏, 等. 能源互联网背景下数据中心与电力系统协同优化(二): 机遇与挑战[J]. 中国电机工程学报, 2022, 42(10): 3512-3526.
Cao Yujie, Ding Zhaohao, Wang Peng, et al. Coordinated operation for data center and power system in the context of energy Internet (II): Opportunities and challenges[J]. Proceedings of the CSEE, 2022, 42(10): 3512-3526.
[150] 谭力, 于娟. 数据中心和5G基站参与新型电力系统需求响应: 发展潜能与对策建议[J]. 工业技术创新, 2023, 10(5): 78-83.
Tan Li, Yu Juan. Data centers and 5G base stations participating in demand response of new electric power system: development potential and counter- measures[J]. Industrial Technology Innovation, 2023, 10(5): 78-83.
[151] V2G Hub. V2G Around the world[EB/OL]. [2025-04- 17]. https: //www.v2g-hub.com/insights#graphs.
[152] Everoze (2018). V2G Global Roadtrip: Around the World in 50 Projects[EB/OL]. (2018-10-01) [2025- 04-17]. http://everoze.com/v2g-global-roadtrip/.
[153] 赵轩, 张元星, 李斌, 等. 国内外车网互动试点成效分析与发展建议[J]. 电力自动化设备, 2022, 42(10): 280-292.
Zhao Xuan, Zhang Yuanxing, Li Bin, et al. Effect analysis and development suggestion of domestic and foreign vehicle grid integration pilots[J]. Electric Power Automation Equipment, 2022, 42(10): 280-292.
[154] 兰强, 周宇晴, 邱燕军, 等. 可调负荷参与多级电网实时调控: 关键技术与工程应用[J]. 电力系统保护与控制, 2022, 50(6): 141-148.
Lan Qiang, Zhou Yuqing, Qiu Yanjun, et al. Adjustable load participating in real-time dispatching and control of a multi-lever power grid: key tech- nology and engineering application[J]. Power System Protection and Control, 2022, 50(6): 141-148.
[155] Angueira P, Val I, Montalbán J, et al. A survey of physical layer techniques for secure wireless com- munications in industry[J]. IEEE Communications Surveys & Tutorials, 2022, 24(2): 810-838.
[156] Lu Xing, Adetola V, O’Neill Z. What are the impacts on the HVAC system when it provides frequency regulation?—A comprehensive case study with a multi-zone variable air volume (VAV) system[J]. Energy and Buildings, 2021, 243: 110995.
[157] Ramalingam S P, Shanmugam P K. A comprehensive review on wired and wireless communication technologies and challenges in smart residential buildings[J]. Recent Advances in Computer Science and Communications, 2022, 15(9): 1140-1167.
[158] 张远航, 寇鹏, 梅铭洋, 等. 电压敏感型负荷参与频率响应的分层模型预测控制策略[J]. 电工技术学报, 2026, 41(1): 127-141.
Zhang Yuanhang, Kou Peng, Mei Mingyang, et al. Control of voltage-dependent loads for grid frequency response based on hierarchical model predictive control[J]. Transactions of China Electrotechnical
Society, 2026, 41(1): 127-141.
[159] Duan Chao, Chakraborty P, Nishikawa T, et al. Hierarchical power flow control in smart grids: Enhancing rotor angle and frequency stability with demand-side flexibility[J]. IEEE Transactions on Control of Network Systems, 2021, 8(3): 1046-1058.
[160] Feng Cheng, Chen Qixin, Wang Yi, et al. Provision of contingency frequency services for virtual power plants with aggregated models[J]. IEEE Transactions on Smart Grid, 2023, 14(4): 2798-2811.
[161] He Hongjie, Zhang Ning, Kang Chongqing, et al. Communication resources allocation for time delay reduction of frequency regulation service in high renewable penetrated power system[J]. CSEE Journal of Power and Energy Systems, 2024, 10(2): 468-480.
[162] Kang Wenfa, Guan Yajuan, Yu Yun, et al. Distributed event-triggered secondary frequency regulation by sharing HESS power in microgrids[J]. IEEE Trans- actions on Smart Grid, 2024, 15(4): 3375-3389.
[163] 莫理莉, 兰峻焜, 周亮, 等. 虚拟电厂下灵活资源多时间尺度调频控制[J]. 电力系统自动化, 2024, 48(18): 76-86.
Mo Lili, Lan Junkun, Zhou Liang, et al. Multi- timescale frequency regulation control of flexible resources in virtual power plant[J]. Automation of Electric Power Systems, 2024, 48(18): 76-86.
[164] Hajizadeh A, Hakimi S M. Blockchain in decentra- lized demand-side control of microgrids[M]//Shafie- khan M. Blockchain-based Smart Grids. San Diego: Academic Press, 2020: 145-167.
[165] Bachoumis A, Andriopoulos N, Plakas K, et al. Cloud-edge interoperability for demand response- enabled fast frequency response service provision[J]. IEEE Transactions on Cloud Computing, 2022, 10(1): 123-133.
Abstract Dynamic controllable loads (DCLs) are emerging as dispatchable frequency- regulation resources with increasing demand-side flexibility in new power systems. This study proposes an integrated framework that links the device-level response mechanisms of major DCL categories to system-level dynamic demand control (DDC), encompassing flexibility quantification, control strategy organization, and engineering deployment. Within a unified description, the framework explains how heterogeneous loads with different power ratings, response speeds, and duty constraints can be aligned with inertia support, primary frequency control, and secondary frequency control across multiple time scales.
First, DCLs are organized into industrial, commercial, and residential classes. Typical representatives—such as electrolytic aluminum, power-to-hydrogen units, commercial HVAC systems, data centers, 5G base stations, electric vehicles, and thermostatically controlled appliances—are analyzed. For each type, adjustment range, comprehensive response time (from frequency disturbance to power completion), device response time (to control signals), and sustainable duration are identified. DCL response spans from millisecond-level power-electronics control to minute-level aggregated comfort-constrained adjustment, and from kilowatt-level end users to hundred-megawatt industrial facilities, enabling differentiated participation in frequency services.
A DDC strategy framework is proposed that includes three control approaches: rule-based, optimization- based, and intelligent control. Rule-based DDC relies on local response rules and is well-suited to decentralized, low-communication implementations for fast frequency containment. Optimization-based DDC formulates reserve scheduling and power allocation as mathematical programming problems (including deterministic and robust formulations) for individual devices and aggregated clusters, aiming to coordinate their participation in secondary frequency regulation under technical and economic constraints. Intelligent DDC introduces data-driven models and reinforcement learning to handle uncertainties and nonlinearities in DCL behavior, enabling adaptive decision-making and multi-agent coordination among heterogeneous resources. These three categories are compared in terms of modeling requirements, computational complexity, communication needs, and achievable control performance.
Policy documents, technical specifications, and engineering projects related to DCL-based frequency services are further analyzed. Typical technical norms are summarized by minimum ramp rate, response accuracy, and allowable comprehensive response time for controllable loads. Demonstration projects involving electrolytic aluminum plants, commercial building HVAC systems, and vehicle-to-grid clusters are compared with emerging pilots for power-to-hydrogen units, data centers, 5G base stations, and residential thermostatic loads. By mapping these cases to Technology Readiness Levels (TRL) for dynamic demand response, the study indicates that only a few DCL types, such as electrolytic aluminum and electric vehicles, have reached large-scale commercial application.
The conclusions are drawn as follows. Multi-layer aggregation models can consistently represent heterogeneous DCLs from local devices through distribution networks to transmission-level frequency dynamics. Low-latency control schemes under realistic communication and computation conditions incorporate model reduction, control–communication co-design, and event-triggered mechanisms. Multi-scenario, multi-technology DDC architectures exploit virtual power plants, integrated energy systems, and emerging digital infrastructures to coordinate diverse rule-based, optimization-based, and intelligent controllers. This paper provides a reference for engineering applications of DCLs.
keywords：New power system, frequency regulation, dynamic controllable load, characteristics of frequency regulation, dynamic demand control
DOI: 10.19595/j.cnki.1000-6753.tces.251442
中图分类号：TM732
国家自然科学基金（52477085）、山东省自然科学基金（ZR2023ME162）和宁夏自然科学基金（2024AAC02084）资助项目。
收稿日期 2025-08-13
改稿日期 2025-11-14
姜帅豪 男，1998年生，博士研究生，研究方向为分布式冷热负荷的建模与控制、动态需求控制策略。E-mail: shuaihaojiang@163.com
宋蕙慧 女，1983年生，博士，教授，研究方向为可再生能源系统、储能、微电网非线性控制，电力网络分布式控制。E-mail: songhh@hitwh.edu.cn（通信作者）