王嘯峰， 蘇慧玲， 宋天立， 黃奇峰

(1. 國網(wǎng)江蘇省電力有限公司，江蘇 南京 210024； 2. 國網(wǎng)電能計量重點實驗室(國網(wǎng)江蘇省電力有限公司電力科學研究院)， 江蘇 南京 210019；3. 東南大學電氣工程學院，江蘇 南京 210096)

0 引言

隨著能源轉(zhuǎn)型的不斷發(fā)展，電力需求響應(yīng)被認為是消納新能源、解決棄風棄光問題的有效措施[1-5]。在電力需求響應(yīng)項目效果評價中，用戶基線負荷(customer baseline load，CBL)預(yù)測能夠為評價電力需求響應(yīng)以及對用戶負荷調(diào)整程度提供定量的依據(jù)。

常用基線負荷預(yù)測方法有一次指數(shù)平滑法(exponential moving average，EMA)、High X of Y平均值法、Middle X of Y平均值法、線性回歸法等?，F(xiàn)有文獻從不同角度研究了CBL的預(yù)測，如考慮用戶次日保電計劃和檢修計劃的相似日負荷平均值法[6]、基于負荷特性聚類分析的基線負荷預(yù)測方法[7-8]。但由于用戶用電行為的多樣化[9]，現(xiàn)有文獻缺乏對用戶用電行為及其影響因素的差異化考慮。而且，迎峰型負荷是當前國內(nèi)需求響應(yīng)的重點，其基線負荷預(yù)測精度也是關(guān)注的難點。因此，如何篩選迎峰型負荷，精細化該類型負荷的用電行為分析，挖掘其差異化用電模式，提高CBL預(yù)測精度對于能源轉(zhuǎn)型下需求響應(yīng)的應(yīng)用發(fā)展有著重要的意義。

本文提出一種基于負荷細分的差異化CBL預(yù)測方法。該方法采用Ward-模糊C均值(fuzzy C-means,FCM)聚類法并結(jié)合日負荷率、日峰谷差率等負荷特性指標，篩選出迎峰型用電負荷用戶；考慮城市微氣象以及節(jié)假日影響因素，分別建立基于靈敏度的用電行為差異化分析模型，精細化挖掘用戶用電行為特征，提出溫度敏感型、節(jié)假日敏感型以及兩者均不敏感型等3種差異化用電模式；針對每一種用電模式，提出其基線負荷預(yù)測方法，并建立綜合評估模型分析其預(yù)測準確度。算例分析驗證了本文所提方法的有效性。

1 Ward-FCM聚類法

本文以迎峰型負荷為重點進行分析，采用Ward-FCM聚類法[10-11]同時結(jié)合負荷特性指標篩選迎峰型負荷。

Ward-FCM聚類法采用基于離差平方和法(Ward法)的系統(tǒng)聚類法進行一次聚類，如式(1)所示，得到初始聚類中心，并以該聚類中心作為FCM聚類的初始值進行二次聚類，進而得到二次聚類中心。其中，一次聚類采用系統(tǒng)聚類法對負荷特性進行分類；二次聚類采用FCM法，聚類中心由初次系統(tǒng)聚類結(jié)果提供。這樣，既可避免FCM法對初始參數(shù)的敏感性，又能取得分類準確客觀的聚類效果。

(1)

為進一步提高用戶負荷曲線聚類結(jié)果的有效性，本文考慮日負荷率、日峰谷差率等負荷特性指標，如式(2)、(3)所示，對二次聚類的結(jié)果做進一步聚類處理，以優(yōu)化聚類中心。

(2)

(3)

式中：α為日負荷率；Pav為當日平均負荷；Pmax為日最高負荷；β為日峰谷差率；Pmin為日最低負荷。

2 多維用電行為差異化分析模型

基于敏感性分析理論，從氣象維度和時間維度建立差異化分析模型，針對精細化用電模式進行分析，并且將迎峰型負荷用戶的用電行為分為氣溫敏感型、節(jié)假日敏感型以及兩者均不敏感型等3種差異化用電模式。其中，氣象維度是分析用戶負荷對氣溫及溫濕效應(yīng)、氣溫累積效應(yīng)等城市微氣象的敏感程度；時間維度是分析用戶負荷對節(jié)假日的相關(guān)性。

2.1 氣象維度

由于電力負荷受到溫濕效應(yīng)[12]和氣溫累積效應(yīng)[13-14]等城市微氣象的影響。因此為了減小這種影響，使負荷能夠更加準確地反映實際氣溫的變化，在分析負荷與氣溫的關(guān)聯(lián)性之前，要對氣溫進行修正[15-17]，如圖1所示。

圖1 體感溫度與實際氣溫對比曲線Fig.1 Comparisons between somatosensory temperature and actual temperature

選取日最高氣溫大于30 ℃時用戶典型負荷中的日最大負荷和日最高氣溫作為研究對象，采用最小二乘法進行線性回歸，定義回歸系數(shù)為氣溫靈敏度，建立考慮氣溫維度的用電行為差異化模型如式(4)所示。若靈敏度大于1，則認為該用戶為高溫敏感負荷。

(4)

式中：ρ為氣溫靈敏度；n為一年中日最高氣溫大于30℃時的總天數(shù)；Pi為每天的日最大負荷；Ti為每天的日最高氣溫。

2.2 時間維度

為了分析是否存在節(jié)假日的影響，建立考慮節(jié)假日維度的用電行為差異化模型，如式(5)所示。其中，定義節(jié)假日大于50%的用戶為節(jié)假日敏感負荷。

(5)

式中：λ為節(jié)假日占比；Ds為對用戶一年365日負荷曲線樣本進行聚類分析后得到的每類負荷所含的樣本個數(shù)；Dh為Ds中屬于節(jié)假日的樣本個數(shù)。

3 考慮用電行為差異化的基線負荷預(yù)測算法

3.1 預(yù)測方法

傳統(tǒng)基線負荷的預(yù)測過程一般分為數(shù)據(jù)選擇、基線計算和調(diào)整計算3個步驟。結(jié)合傳統(tǒng)3種基線負荷計算方法，考慮氣溫敏感型、節(jié)假日敏感型以及兩者均不敏感型等3種差異化用電模式，本文提出考慮不同用戶用電模式下的差異化基線負荷預(yù)測方法。

(1) 氣溫敏感用電模式。因為該類用戶對應(yīng)的用電模式為僅溫度敏感，故在數(shù)據(jù)選擇時不用考慮節(jié)假日的影響，在調(diào)整計算環(huán)節(jié)則須考慮溫度敏感的CBL調(diào)整方法。即在計算初次CBL后，根據(jù)需求響應(yīng)當天的實際負荷與溫度，采用線性回歸發(fā)對初次CBL進行調(diào)整。

(2) 節(jié)假日敏感用電模式。該模式下的歷史數(shù)據(jù)選擇時要考慮節(jié)假日的影響。例如：若需求響應(yīng)當天是工作日，則選擇歷史數(shù)據(jù)時只選擇工作日。反之，若需求響應(yīng)當天為節(jié)假日，則須選擇只有節(jié)假日的歷史數(shù)據(jù)。

(3) 節(jié)假日和溫度均不敏感用電模式。在該模式下，CBL不考慮兩者對基線負荷預(yù)測的影響。具體表現(xiàn)為：在數(shù)據(jù)選擇環(huán)節(jié)直接向前選取歷史數(shù)據(jù)計算窗口，不用考慮計算窗口是否為節(jié)假日，同時也不考慮計及溫度的調(diào)整計算。故針對該類型用戶，只要進行CBL簡單計算即可，進而簡化了傳統(tǒng)CBL計算過程。

簡單CBL計算采用傳統(tǒng)的EMA、High X of Y和 Middle X of Y平均值法。3種方法在美國各地區(qū)ISO中均有應(yīng)用，例如New England ISO(NEISO)采用EMA，對過去5個工作日的負荷求平均值，剔除參與需求響應(yīng)項目的那些天，并剔除1 d內(nèi)連續(xù)4 h低于事件期間平均用電量的75%或高于其125%的那些天。New York ISO(NYISO)、PJM和California ISO(CAISO)均采用High X of Y平均值法，但是在具體數(shù)據(jù)選擇以及調(diào)整方法上不盡相同。美國德州電力可靠性委員會(ERCOT)采用Middle X of Y平均值法，同樣以過去10個工作日為時間挑選窗口，去除日用電量(kW)最大值和最小值的2 d，再對剩下的8 d求平均值，剔除實施了需求響應(yīng)項目的那些天。

3.2 CBL綜合評估方法

綜合考慮基線負荷和實際負荷的偏差程度以及偏差趨勢，建立綜合評估(overall performance index， OPI)模型，如式(6)所示。

γOPI=λ|γRRMSE|+(1-λ)|γARE|

(6)

其中，γRRMSE為相對均方根誤差，反映了基線負荷和實際負荷的偏差程度，如式(7)所示；γARE為平均相對誤差，表示預(yù)測負荷偏離實際負荷的趨勢，如式(8)所示。

(7)

(8)

3.3 預(yù)測流程

考慮用電行為差異化的基線負荷流程如圖2所示。首先，對用戶用電負荷進行數(shù)據(jù)挖掘分析，篩選出迎峰型負荷。然后，分析其氣溫敏感度、節(jié)假日敏感度，根據(jù)迎峰型負荷差異化特征分為節(jié)假日敏感型、氣溫敏感型和節(jié)假日及氣溫均不敏感型等3種用電模式，分別計算不同用電模式下的CBL。最后，采用綜合評估方法分析其預(yù)測精度。

圖2 差異化基線負荷預(yù)測流程框架Fig.2 Flow chart of differentiated baseline load forecasting

4 算例分析

4.1 Ward-FCM聚類分析

以分布于不同行業(yè)的250個用電大客戶為對象(如圖3所示)，進行96點日負荷數(shù)據(jù)的挖掘分析。結(jié)果如圖4所示，250個用電大客戶的日負荷數(shù)據(jù)聚類為8類。

圖3 用電大客戶的行業(yè)占比Fig.3 The percentage of power consumers in different sectors

圖4 用電大客戶負荷聚類曲線Fig. 4 Load clustering curve of power consumers from Class 1 to Class 8 (a-h respectively)

按照聚類中心負荷曲線形狀，可以將用電行為特征分為迎峰型、避峰型、高負荷率型、連續(xù)型。由圖4可知，第二、三、五、八類負荷曲線具有明顯的高峰和低谷，負荷高峰出現(xiàn)在白天，低谷出現(xiàn)在晚上，為迎峰型負荷；第一、六類負荷高峰出現(xiàn)在晚上，低谷出現(xiàn)在白天，為避峰型負荷；第七類負荷日負荷率非常高，沒有明顯的負荷高峰和負荷低谷，負荷曲線整體保持平穩(wěn)，波動較小，為高負荷率型；第四類負荷峰期與谷期的負載率都比較高，可以認為白天和夜間都在連續(xù)生產(chǎn)，為連續(xù)型負荷，但該類型負荷存在較明顯的負荷高峰，負荷波動較大。

不同特征類型的負荷占比分析如圖5所示。迎峰型負荷在行業(yè)用戶中的占比最高，且其日用電特征比較符合人們正常的生產(chǎn)與生活方式，主要集中在金融、房地產(chǎn)、商務(wù)及居民服務(wù)業(yè)、住宿和餐飲業(yè)、批發(fā)和零售業(yè)、公共事業(yè)及管理組織、衛(wèi)生、社會保障和社會福利業(yè)，這些行業(yè)一般白天用峰電較多，而晚上用電較少，處于低谷狀態(tài)。相較避峰型、高負荷率型、連續(xù)型而言，迎峰型具有較大的需求響應(yīng)潛力，是多維用電行為分析的重點負荷類型。

圖5 行業(yè)用戶不同特征類型負荷占比分析Fig.5 The percentage of different power features

4.2 差異化用電行為分析

將用戶用電負荷分為節(jié)假日敏感、氣溫敏感和節(jié)假日及氣溫均不敏感負荷型。圖6所示為某節(jié)假日敏感用戶全年日負荷曲線聚類結(jié)果。該用戶包含2種負荷特征曲線。

圖6 某用戶全年日負荷曲線數(shù)據(jù)挖掘分析Fig.6 Data mining analysis of annual daily load curve

分析負荷特征曲線Ⅰ、負荷特征曲線Ⅱ的氣溫敏感度、節(jié)假日敏感度，如表1所示。由表1可知，該用戶負荷特征曲線Ⅱ的節(jié)假日占比為71%，為節(jié)假日敏感負荷，負荷特征曲線Ⅰ的氣溫敏感度和節(jié)假日敏感度均較小，為節(jié)假日和氣溫均不敏感負荷。

表1 某用戶全年日負荷曲線氣溫敏感度和節(jié)假日敏感度Tab.1 Temperature and holiday sensitivities of annual daily load curve

負荷曲線天數(shù)節(jié)假日占比/%氣溫靈敏度Ⅰ266170.60Ⅱ80710.48

4.3 CBL分析

首先，分析3種差異化用電模式下的基線負荷預(yù)測精度。其次，隨機抽取某用戶對其進行CBL進行計算，驗證本文方法的有效性。

4.3.1 CBL預(yù)測綜合評估

在節(jié)假日/溫度敏感用電模式下，選取某個典型用戶，分別采用EMA、High X of Y和Middle X of Y 3種CBL方法，分析對比本文所提方法與傳統(tǒng)常規(guī)方法的預(yù)測精度，如圖7所示。針對節(jié)假日敏感用電模式，對于3種不同的計算方法而言，在數(shù)據(jù)選擇環(huán)節(jié)時考慮節(jié)假日的數(shù)據(jù)選擇將均有助于提升CBL計算的準確性。針對溫度敏感用電模式，采用調(diào)整的CBL計算方法均比不采用調(diào)整的計算方法誤差要低。

圖7 敏感用電模式下本文方法和傳統(tǒng)方法預(yù)測精度對比Fig.7 Prediction accuracy comparison with traditional method in sensitive mode

在節(jié)假日/溫度均不敏感模式下，CBL的計算不受節(jié)假日/溫度的影響，可以直接采用傳統(tǒng)基線負荷方法，但是由于EMA考慮了需求響應(yīng)當日的實際負荷，因此其預(yù)測準確度較High X of Y和Middle X of Y更高，如圖8所示。

圖8 節(jié)假日/溫度均不敏感模式的基線負荷準確度對比Fig.8 Customer baseline load accuracy for holiday/temperature insensitivity

4.3.2 CBL預(yù)測結(jié)果

為了證明本文所提方法的有效性，隨機抽某一用戶對其CBL進行計算，假設(shè)需求響應(yīng)時間段為13:00:00至18:00:00，需求響應(yīng)當天用電模式由相似日計算得出。將本文方法和傳統(tǒng)方法作對比，結(jié)果如圖9所示。本文方法考慮了用戶用能模式的差異化，較傳統(tǒng)方法而言能夠有效提高CBL預(yù)測的準確度。

圖9 基于聚類的CBL計算方法與傳統(tǒng)方法對比分析Fig.9 Prediction accuracy comparison with traditional method in sensitive mode

綜上，相比較與傳統(tǒng)方法，針對節(jié)假日或溫度敏感型用戶負荷，考慮節(jié)假日的數(shù)據(jù)選擇和考慮溫度的調(diào)整則提升了CBL計算的準確性； 針對節(jié)假日和溫度均不敏感用戶負荷，不考慮節(jié)假日和溫度簡化了用戶CBL的計算步驟。

5 結(jié)語

基線負荷預(yù)測精度是評估需求響應(yīng)效果的關(guān)鍵因素。本文提出了一種基于負荷細分的差異化CBL預(yù)測方法。該方法能夠有效篩選出迎峰型負荷用戶；將迎峰型負荷進一步精細化為氣溫敏感型、節(jié)假日敏感型和氣溫及節(jié)假日均不敏感型等3種差異化用電模式，在此基礎(chǔ)上提出了不同用電模式的差異化CBL預(yù)測。分析結(jié)果表明，迎峰型負荷具有較大的需求響應(yīng)潛力，在行業(yè)負荷中占比較大，是基線負荷分析的重點，本文所提方法能夠有效提高CBL的預(yù)測精度。

未來在綜合能源系統(tǒng)下，用戶用能形式將更加多樣化、復(fù)雜化，所提方法能夠精細化分析綜合能源下的用能行為特征，提高綜合能源系統(tǒng)的CBL預(yù)測精度，為綜合能源系統(tǒng)的需求響應(yīng)評估提供一定的參考和借鑒意義。