基于分层匹配的辅助服务市场用户集群动态分组策略研究

《International Transactions on Electrical Energy Systems》：Research on a Hierarchical Matching–Based Dynamic Grouping Strategy for User Clusters in Ancillary Service Markets

　　

用户集群基于聚合参与辅助服务市场(ancillary service market)已成为高比例可再生能源渗透下电力系统运行的重要组成部分。然而，现有研究大多集中于分散式负荷聚合的优化，对已聚合用户集群的两两组合关注相对较少。本文研究了参与辅助服务市场的用户集群动态分组策略。在构建用户集群综合动态调节特性(dynamic regulation characteristics)指标的基础上，提出了一种基于分层匹配(hierarchical matching)的动态分组策略。在外层匹配(outer-layer matching)中，对大量用户集群的可调节功率曲线进行聚类，并基于互补性系数(complementarity coefficient)计算选取最具互补性的集群集合对。在内层匹配(inner-layer matching)中，通过计算个体互补性系数，确定每个选定集合内用户集群的两两组合。算例分析表明，所提出的动态分组策略能够有效增强组合后用户集群的动态调节能力，使其在辅助服务市场中发挥更重要的作用并获得更高的经济效益。

**论文解读：基于分层匹配的辅助服务市场用户集群动态分组策略研究**

**一、研究背景与现存问题**

在全球能源转型背景下，可再生能源已成为推动绿色低碳能源发展的关键力量。风电、光伏等可再生能源的快速增长在提升清洁能源占比的同时，也给电力系统运行引入了不确定性与波动性，对电力系统的安全稳定运行构成新的挑战。为实现源-荷平衡的灵活调节，需求响应(demand response, DR)作为一种关键的灵活调节机制受到广泛关注。通过调动用户侧资源参与电力系统调节，DR能够提升系统运行的经济性和可靠性，同时促进高比例可再生能源的消纳。实施DR的主要途径之一是用户集群参与辅助服务市场。通过聚合多个用户的DR能力，负荷聚合商可以参与电网调节服务。相较响应能力有限、调节成本高的单个用户，用户集群的聚合与协调能够显著提升整体响应能力和调节能力，为电力系统提供稳定可靠的辅助服务。

然而，现有研究仍存在两方面不足：其一，已有研究主要聚焦大规模用户集群的聚合建模与调度优化，较少关注已聚合用户集群之间的两两分组。实际上，即使已具备辅助服务能力的用户集群，仍可通过两两分组进一步增强动态调节能力，且此类两两组合天然契合电力市场标准双边合同，具有可实施性强、法律责任清晰、结算简便的优势。其二，现有方法缺乏对用户集群"动态调节特性"的综合定量评估，可调节功率水平、持续时间、波动性等关键指标直接决定分组策略的有效性，但现有研究往往忽视利用互补性指标指导分组策略设计。

**二、研究内容与总体结论**

针对上述问题，研究人员提出了一种面向辅助服务市场用户集群的动态分组策略。该策略首先构建用户集群动态调节特性的综合评价指标，进而设计包含外层匹配与内层匹配的分层匹配机制：外层匹配对大量用户集群的可调节功率曲线进行聚类，基于互补性系数选取最具互补性的集群集合对；内层匹配在选定集合内基于个体互补性系数确定用户集群的两两组合。通过两两组合，用户集群整体动态调节性能显著提升，实现"1+1>2"效应。研究成果发表于《International Transactions on Electrical Energy Systems》。

**三、关键技术方法**

研究人员采用的主要技术方法包括：（1）构建动态调节特性综合评价指标，涵盖可调节功率水平、持续时间与波动性三个子指标，经加权集成后求解优化问题确定最优参与时段；（2）运用K-means聚类算法对可调节功率曲线进行特征聚类；（3）设计分层匹配机制，包括基于集合中心曲线的外层互补性评估和基于个体互补性系数的内层贪心匹配；（4）采用配对t检验进行统计显著性验证。算例数据来源于中国苏州2015年4月16日357家工业企业（以电子元件制造和纺织行业为主）的实际运行负荷曲线，按20%固定负荷灵活率提取基线可调节功率曲线，经波动性筛选后保留250个有效用户集群。

**四、研究结果**

**4.1 可调节功率聚类分析**

研究人员通过肘方法确定最优聚类数N=12，该取值实现分组性能与计算成本的最佳权衡。聚类结果表明，不同用户集群类型呈现明显的时间特性差异：部分集群（如G1、G2、G9、G11）呈现正调峰特性，白天可调节功率高而夜间低；另一些集群（如G3、G4、G5、G8）呈现负调峰特性，白天低而夜间高。可调节功率曲线的时间互补性为分组增强动态调节特性奠定了基础。

**4.2 外层匹配结果分析**

通过求解优化问题获得各集群集合的可用参与时段与动态调节特性指标S。不同集群集合的S值差异显著，其中G3动态调节特性指标最差，G10最佳。互补性系数热力图显示，部分集合对的互补性系数为负，表明分组反而会降低动态调节特性；在所有集合组合中，G8与G11的互补性系数最高，被选定进行内层匹配。

**4.3 内层匹配结果分析**

在G8与G11内计算个体间互补性系数并选取排名前三的用户集群对进行分组。分组后用户集群在可调节功率水平、持续时间和波动性三方面均获得显著改善，例如第一组组合中单个集群分组前可调节功率持续时间不足6小时且波动性较高，组合后持续时间达16小时且波动性降低。与随机配对（57.9%）、特征距离匹配（74.2%）、相关性启发式匹配（69.1%）相比，所提分层匹配策略的平均动态调节特性提升率达125.2%；与全局混合整数线性规划(MILP)精确求解器（148.9%，5.824秒）相比，所提方法计算时间仅需0.310秒，实现了性能提升与计算效率的良好权衡。配对t检验结果显示p<0.001，证实性能提升具有高度统计显著性。

**4.4 经济效益分析与结算评估**

以综合指标S作为结算评估模型，将权重映射至实际容量补偿价格、持续时间激励率和波动性惩罚系数后，研究证实所提分组策略的经济优势通过"1+1>2"协同效应实现。第一组组合的结算收益由组合前的313.61提升至473.00，净增50.8%；第二组由459.34提升至532.61，净增16.0%；第三组由520.99提升至566.09，净增8.7%。这表明分层匹配策略在改善物理调节特性的同时，还为聚合商在结算阶段带来可观的经济收益。

**五、讨论与结论**

研究表明：不同用户集群的可调节功率曲线具有时间互补性，部分集群呈正调峰特性（白天功率高、夜间低），部分呈负调峰特性（白天低、夜间高），可用参与时段在时间上互补；通过分层匹配策略识别并组合最具互补性的用户集群，能够显著提升整体动态调节特性。受时间和范围限制，本研究仅针对调峰辅助服务提供了分层匹配策略的实例。未来研究将考虑用户集群同时参与不同类型辅助服务市场的场景，探索更复杂的动态分组策略，以实现用户集群调节能力在多种辅助服务市场中的协调优化。