汪惟源， 竇飛， 虞瑄， 劉高維， 張露青， 解大

(1.國網(wǎng)江蘇省電力有限公司，江蘇 南京 210000；2.中國電力工程顧問集團華東電力設(shè)計院有限公司，上海 200001；3.上海交通大學(xué) 電子信息與電氣工程學(xué)院，上海 200240)

0 引 言

在電力市場改革的大背景下，電力負(fù)荷預(yù)測需要考慮能源價格與市場行為的互動影響，這是電能供應(yīng)和消費背后無數(shù)主體意愿交織的結(jié)果[1-2]。因此，考慮新形勢下負(fù)荷-電價-新能源的互動關(guān)系，研究新電改下的電力負(fù)荷預(yù)測算法十分必要。負(fù)荷預(yù)測方法包含參數(shù)化方法和人工智能方法。參數(shù)化方法應(yīng)用時需要有較強的針對性，否則效果不理想。而人工智能方法主要包括機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)[3-4]。機器學(xué)習(xí)較廣泛地應(yīng)用于短期負(fù)荷預(yù)測中，經(jīng)典算法包括：Knn(k-最近鄰)、DT(決策樹)、SVM(支持向量機)和集成學(xué)習(xí)算法，如隨機森林[5]。

本文分析了電力市場環(huán)境下，對電力負(fù)荷預(yù)測產(chǎn)生影響的因素，改進(jìn)SVR算法，提出新電改下的中長期負(fù)荷預(yù)測算法，通過仿真驗證了其有效性。

1 電力市場改革及對負(fù)荷預(yù)測的影響

1.1 競爭性電價

在電力市場環(huán)境下，購售電服務(wù)是競爭性的，競爭主體將由售電公司、能源服務(wù)商以及負(fù)荷聚合商(load aggregator，LA)構(gòu)成。售電公司代理用戶參與批發(fā)市場進(jìn)行購電，再于零售市場向用戶售電，為用戶提供基本電力銷售和附加增值服務(wù)。能源服務(wù)商參與日前和日內(nèi)電力市場交易，從上游能源市場購置大量分布式能源，滿足用戶對于能量的需求。LA集合大量的主動分布負(fù)荷，以用戶的用電需求為主要指標(biāo)在電力市場中競價并購買能源[6-8]，競爭性將帶來電價降低以及負(fù)荷增加。

1.2 交易方式改革

開放售電側(cè)后，不同售電主體間相互競爭與合作使電價和負(fù)荷響應(yīng)的變化也更明顯。購售雙方的實時交易增強了供電企業(yè)與售電主體及用電客戶的互動性。在新型負(fù)荷預(yù)測中，必須通過模擬市場實時交易，來確定用戶對電價響應(yīng)以及電能交易報價最終達(dá)到的平衡點。

1.3 綠證交易

綠證全稱為綠色電力證書，又稱為可再生能源證書(tradable green certificates, TGC)，代表了廠商發(fā)出相應(yīng)數(shù)量的可再生能源發(fā)電量。

綠證交易促進(jìn)可再生能源的開發(fā)及利用，進(jìn)而促使發(fā)電商采用更多的可再生能源發(fā)電，提升其積極性。

2 考慮市場改革因素的負(fù)荷預(yù)測

2.1 LA負(fù)荷用電函數(shù)

通過控制可中斷負(fù)荷，LA能夠直接減少尖峰負(fù)荷量。本文通過帶有限制峰谷約束的加權(quán)移動平均模型來模擬LA對負(fù)荷的整合作用。

(1)

式中:LR,t為LA供應(yīng)的區(qū)域R中t時刻的總負(fù)荷；ai,k為權(quán)重系數(shù)；Lk,t-i為節(jié)點k在t-i時刻的負(fù)荷；LR,max、LR,min、ΔLR,u及ΔLR,l分別為峰時負(fù)荷上限、谷時負(fù)荷下限以及相應(yīng)的控制限值；n為加權(quán)移動平均模型每次平均所取的負(fù)荷值數(shù)量。

LA負(fù)荷用電函數(shù)對于負(fù)荷的整合效果如圖1所示。

2.2 交易方式改革相關(guān)預(yù)測

2.2.1 交易報價預(yù)測

電力用戶會因電價的調(diào)整而改變自身的用電行為，從而產(chǎn)生負(fù)荷以及市場成交價格的變化。因此，中長期負(fù)荷預(yù)測也將受到電價、行為和網(wǎng)絡(luò)等不確定性因素的影響。

通過預(yù)測節(jié)點邊際電價來預(yù)測報價，構(gòu)成一種中長期節(jié)點電價模型。

(2)

2.2.2 實時電價響應(yīng)

利用彈性系數(shù)可以獲取負(fù)荷對電價變化的響應(yīng)模式,其中采用的電價響應(yīng)模型如式(3)所示。

(3)

式中：Qk、Lk和Pk分別為節(jié)點k的供電量、負(fù)荷電量和電價；彈性系數(shù)εQ,k為節(jié)點k的電量對預(yù)測電價響應(yīng)；彈性系數(shù)εL,k為節(jié)點k的電力對預(yù)測電價的響應(yīng)。年電量及負(fù)荷變化如式(4)所示。

(4)

式中：LY為一定周期T內(nèi)的總負(fù)荷量；t0為周期開始時刻。

2.3 綠證交易電量占比變化

綠證交易電量直接反映了可再生能源的發(fā)展趨勢，通過增加約束條件的生長曲線預(yù)測法，對新能源裝機容量在總裝機容量中的占比變化進(jìn)行預(yù)測。構(gòu)建新能源裝機容量占比變化預(yù)測模型為：

(5)

式中：λt為第t個時段內(nèi)的新能源占比；a,b,c為控制參數(shù)；ελ與Δλm分別為占比變化最小、最大值。通過歷史數(shù)據(jù)擬合λt，完成未來變化的預(yù)測功能。

3 考慮市場改革因素的改進(jìn)SVR算法

3.1 SVR算法原理

記支持向量的函數(shù)為：y=wTx+b，那么SVR的目標(biāo)函數(shù)是：

(6)

式中：w為特征權(quán)向量；R為允許誤差系數(shù);εi為松弛系數(shù)；n為樣本數(shù)量。約束可以寫為：

y(i)(wTx(i)+b)≥1-εi

(7)

式中：y(i)為第i個樣本的負(fù)荷值。該算法成為拉格朗日乘子法求解的優(yōu)化問題。

3.2 改進(jìn)SVR算法

通過結(jié)合Bagging算法并設(shè)計中長期負(fù)荷預(yù)測輸入?yún)?shù)，實現(xiàn)SVR算法的應(yīng)用。

Bagging是一種隨機抽樣和綜合輸出結(jié)果的方法，稱為袋裝。初始樣本的參數(shù)選擇如表1所示。對樣本訓(xùn)練后的集成預(yù)測模型進(jìn)行預(yù)測便能實現(xiàn)負(fù)荷初步預(yù)測。中長期電力負(fù)荷預(yù)測的流程如圖2所示。

表1 電力負(fù)荷預(yù)測參數(shù)表

該模型由三大部分組成：第一部分為LA負(fù)荷預(yù)測；第二部分為電力市場電價響應(yīng)；第三部分將擴展負(fù)荷預(yù)測的時間長度?？紤]綠證交易影響，將可再生能源占比的變化納入模型中繼續(xù)迭代預(yù)測。

4 仿真算例

本節(jié)通過按不同的影響因素分別進(jìn)行仿真，從而驗證預(yù)測模型的有效性。選取2013年1月至2018年6月中國全社會用電負(fù)荷作為輸入數(shù)據(jù)，以普通SVR負(fù)荷預(yù)測為對照組，分別考慮不同的電改因素對負(fù)荷預(yù)測的影響，結(jié)果如圖3、圖4所示。

圖3(a)中，在不考慮電力市場的情況下，改進(jìn)SVR預(yù)測部分實現(xiàn)了電力負(fù)荷的預(yù)測功能，并且可以反映負(fù)荷分布的季節(jié)特征，但對于負(fù)荷增長趨勢的反映尚不明顯，預(yù)測得到的2019年用電負(fù)荷60 754.4億千瓦時，與2017年以及2018年的負(fù)荷量基本持平。在圖3(b)中，此時的負(fù)荷預(yù)測相比普通負(fù)荷預(yù)測僅有了596.6億千瓦時的增加，說明LA單獨作用時只是對負(fù)荷進(jìn)行平抑，而對負(fù)荷預(yù)測的影響并不大。在圖3(c)中，負(fù)荷量相比原來增加4 263.7億千瓦時，充分反映出了實時交易可以有效刺激用電需求增加。在圖3(d)中，總負(fù)荷量增加了1 959.3億千瓦時。可再生能源的穩(wěn)定發(fā)展促進(jìn)了用電需求的增加，然而僅根據(jù)可再生能源的占比變化無法反映出其在交易市場中的作用。

如圖4所示，負(fù)荷明顯增加，增量達(dá)到6 297.3億千瓦時，同時促進(jìn)可再生能源發(fā)展，占比達(dá)到7.13%。在新電改、綠證和實時交易等電力市場手段的促進(jìn)下，用電負(fù)荷和國民經(jīng)濟將迅速增長。

5 結(jié)束語

本文通過結(jié)合，實現(xiàn)了以下成果：

(1)將改進(jìn)SVR算法、LA負(fù)荷用電函數(shù)、實時交易以及綠證交易納入負(fù)荷預(yù)測算法中，提出了新電改下的電力負(fù)荷預(yù)測算法。

(2)通過仿真驗證了所提出的負(fù)荷預(yù)測算法的有效性，證明了新電改對于用電負(fù)荷以及經(jīng)濟發(fā)展的促進(jìn)作用。