郭亦宗,馮 斌,岳鉑雄,郭創(chuàng)新,潘 軍,朱以順
(1. 浙江大學(xué)電氣工程學(xué)院,浙江省杭州市310027;2. 廣東電網(wǎng)有限責(zé)任公司廣州供電局,廣東省廣州市510600)
需求響應(yīng)(demand response,DR)技術(shù)能夠充分挖掘用戶側(cè)資源,引導(dǎo)用戶主動參與電力市場運(yùn)營與調(diào)控,也為電力系統(tǒng)的削峰填谷起到了較大的促進(jìn)作用,是推動能源互聯(lián)網(wǎng)建設(shè)的關(guān)鍵技術(shù)之一[1-2]。隨著電鍋爐等能量轉(zhuǎn)換設(shè)備和儲能技術(shù)不斷提高,有關(guān)需求側(cè)的研究不再僅僅面向電力負(fù)荷的DR,而是包含多種形式負(fù)荷、儲能、分布式電源的DR[3]。DR 資源的分散性較強(qiáng),其彈性水平往往達(dá)不到電網(wǎng)DR 的要求,難以單獨(dú)與DR 購買者進(jìn)行雙邊交易,且單一用戶的決策無法滿足DR 的管理和優(yōu)化要求[4]。因此,有學(xué)者提出負(fù)荷聚合商(load aggregator,LA)這一商業(yè)模式,旨在整合分散的DR資源,統(tǒng)一調(diào)控[5]。
LA 作為連接DR 資源購買者與DR 資源的中介,是DR 得以實(shí)施的有效途徑,而DR 則是LA 參與電力市場獲得收益的主要方式[6]。一般來說,LA通過與用戶簽訂DR 合同來實(shí)現(xiàn)需求側(cè)管理,對用戶的柔性負(fù)荷具有一定的控制權(quán)[7]。LA 為追求收益最大化,通過DR 改變用戶的原始用能行為,從而影響負(fù)荷的變化趨勢,現(xiàn)有的超短期負(fù)荷預(yù)測方法無法很好地反映LA 決策,因此研究在LA 模式下的超短期負(fù)荷預(yù)測具有必要性意義[8]。同時,在LA 模式下進(jìn)行超短期負(fù)荷預(yù)測是LA 制定發(fā)電計劃、調(diào)度計劃以及研究DR 彈性的基礎(chǔ),具有重要意義[9-10]。
國內(nèi)外諸多學(xué)者對超短期負(fù)荷預(yù)測的方法做了較多研究,但較少在LA 模式下考慮DR 的影響,其預(yù)測結(jié)果不能很好地服務(wù)于LA 模式的后續(xù)研究[11-13]。文獻(xiàn)[14]建立了基于Logistic 函數(shù)的用戶模糊DR 機(jī)理,將DR 因素引入徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超短期負(fù)荷預(yù)測;文獻(xiàn)[15]對計及LA 模式的DR 進(jìn)行建模分析,并引入到RBF 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超短期負(fù)荷預(yù)測,但是未考慮分布式電源、用戶側(cè)儲能、可控?zé)嶝?fù)荷以及用戶參與DR 的不確定性。也有學(xué)者在負(fù)荷預(yù)測的算法上進(jìn)行改進(jìn),文 獻(xiàn)[16]將 長 短 期 記 憶(long short-term memory,LSTM)網(wǎng)絡(luò)應(yīng)用于負(fù)荷預(yù)測,驗(yàn)證了在DR 影響下該模型的預(yù)測精度更高;文獻(xiàn)[17]對LSTM 方法進(jìn)行了改進(jìn),利用卷積神經(jīng)網(wǎng)絡(luò)提取特征向量以達(dá)到更高的預(yù)測精度;文獻(xiàn)[18]提出深度LSTM 模型應(yīng)用于超短期負(fù)荷預(yù)測,適用于離線訓(xùn)練實(shí)時預(yù)測;文獻(xiàn)[19]提出了基于Attention-LSTM的超短期負(fù)荷預(yù)測模型,利用負(fù)荷的時序特性,改進(jìn)預(yù)測精度。
為更好地預(yù)測LA 模式下的負(fù)荷變化,本文首先分析LA 模式下的DR 機(jī)制,并進(jìn)一步考慮用戶用能習(xí)慣、用戶自建光伏、用戶儲能行為以及電熱耦合,建立可中斷電負(fù)荷(interruptible load,IL)、可轉(zhuǎn)移電負(fù)荷(transferable load,TL)、光伏儲能單元以及供暖型熱負(fù)荷(heating load,HL)的DR 信號模型,并建立用戶參與DR 的不確定性模型;然后提出不計及DR 信號和計及DR 信號的LSTM 網(wǎng)絡(luò)負(fù)荷預(yù)測模型,并選取實(shí)施LA 模式的某地區(qū)實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行算例分析。調(diào)用CPLEX 求解DR 信號并作為預(yù)測輸入的一部分,預(yù)測結(jié)果驗(yàn)證了LA 模式的可行性和計及DR 信號的LSTM 負(fù)荷預(yù)測模型具有更好的預(yù)測性能,并且考慮DR 不確定性后預(yù)測精度將進(jìn)一步提高。
LA 模式存在著DR 行為,LA 具有一定程度的負(fù)荷控制權(quán),能夠根據(jù)與用戶簽訂的雙邊合同對負(fù)荷進(jìn)行削減或轉(zhuǎn)移、對儲能進(jìn)行放電或充電,這一行為影響著負(fù)荷的未來變化趨勢。因此,在LA 模式下進(jìn)行負(fù)荷預(yù)測需要充分考慮LA 參與DR 的決策行為,體現(xiàn)在預(yù)測網(wǎng)絡(luò)上則是增加了LSTM 的輸入量。
本文立足于LA 模式建立各類DR 資源的DR信號模型,并將合成DR 信號作為LSTM 的一個輸入量,改進(jìn)訓(xùn)練網(wǎng)絡(luò)。所謂DR 信號,即LA 以收益最大為目標(biāo)所優(yōu)化得到的各時段負(fù)荷削減或轉(zhuǎn)移量、儲能放電或充電量。
建立基于LA 模式的DR 機(jī)制,如圖1 所示。
圖1 基于LA 模式的DR 機(jī)制Fig.1 DR mechanism based on LA mode
LA 模式主要包含3 類參與者,分別為DR 資源購買者、LA 和DR 資源。其中,DR 資源購買者包含發(fā)電商、電網(wǎng)公司、售電公司等,可與LA 形成雙邊交易,通過設(shè)定合同激勵價格促進(jìn)LA 參與DR[20]。LA 是以盈利為目的的中介公司,利用先進(jìn)的通信和互聯(lián)網(wǎng)技術(shù)聚合各類DR 資源,響應(yīng)購買者削峰填谷的需求并獲得其提供的經(jīng)濟(jì)報酬[7,21]。DR 資源是具有DR 潛力的用戶,根據(jù)負(fù)荷性質(zhì)、DR 能力、各元件的組合特性劃分為4 類DR 資源,分別為:IL、TL、光伏儲能單元和HL。所有參與DR 的用戶與LA 簽訂電價合同,合同規(guī)定了一日內(nèi)的DR 時長、響應(yīng)功率總額、合同定價等內(nèi)容。用戶將自身用電計劃的部分決策權(quán)交于LA,為LA 響應(yīng)DR 資源購買者的需求提供保障,相應(yīng)會獲得由LA 支付的經(jīng)濟(jì)獎勵。同時,合同還規(guī)定了違約的懲罰機(jī)制,以降低不確定性的影響。
在實(shí)際運(yùn)行中需要考慮供暖型熱負(fù)荷的能量供應(yīng)是由電鍋爐通過電-熱轉(zhuǎn)化而得到的。因此,本章將在LA 模式下建立4 種DR 資源的優(yōu)化模型和電鍋爐的數(shù)學(xué)模型,求解各DR 子信號。
合同激勵價格在不同時段是不一樣的,在負(fù)荷高峰時段價格較高,能夠有效促進(jìn)IL 主動削減,以降低系統(tǒng)在用電高峰時的功率平衡壓力,延緩輸電線路建設(shè)。本文在LA 模式下進(jìn)行負(fù)荷預(yù)測,LA 負(fù)責(zé)行使DR 的控制權(quán),需要以LA 為主體,對區(qū)域內(nèi)所管理的IL 進(jìn)行用電計劃優(yōu)化。因此,以LA 盈利最大為優(yōu)化目標(biāo),IL 的DR 子信號優(yōu)化模型為:
式中:Pmax和Emax分別為合同規(guī)定的負(fù)荷最大削減功率和一日內(nèi)最大削減電量;Δt 為時段間隔。
LA 模式下用戶削減負(fù)荷的持續(xù)時間受到限制,若持續(xù)時間太長,將會降低用戶滿意度,若持續(xù)時間太短,常無法滿足電網(wǎng)DR 的要求。因此,需要限制DR 的持續(xù)時間。同時,從用戶削減負(fù)荷的心理角度考慮,用戶不希望多次削減負(fù)荷,而是期望在一日內(nèi)至多有一次連續(xù)削減。
TL 是通過實(shí)時電價的指導(dǎo)作用,主動引導(dǎo)用戶將高峰電價時段下的部分電負(fù)荷轉(zhuǎn)移到低谷電價時段使用,保證一日內(nèi)負(fù)荷總量不變。LA 模式下,對于TL 用戶的DR 調(diào)度方式與IL 用戶相似,目標(biāo)函數(shù)也一致,故在此不再贅述。然而,整體的約束條件略有不同,具體列出如下:
光伏等分布式電源和儲能都是LA 模式下DR的重要資源,兩者往往組成光儲單元聯(lián)合調(diào)度[22]。本節(jié)考慮用戶的儲能行為,建立此場景的能源集線器結(jié)構(gòu)如附錄A 圖A1 所示。
結(jié)合能源集線器結(jié)構(gòu),單一光儲單元用戶期望的充放電行為分析如下:當(dāng)供給光儲單元用戶i 的光伏出力PPVi,t大于固定負(fù)荷PFLi,t或t 時段電價為低谷電價時儲能充電;當(dāng)用戶光伏出力PPVi,t小于固定負(fù)荷PFLi,t且t 時段電價為高峰電價時儲能放電。
結(jié)合附錄A 的推導(dǎo)分析過程,得到光儲單元用戶在每一時段充放電行為的數(shù)學(xué)模型如下:
式中:δ 為儲能設(shè)備的自放電率。
在室內(nèi)的舒適溫度范圍內(nèi),溫度的小幅度變化不會影響人體感官的舒適程度。因此,LA 可以在確保用戶滿意度的前提下與HL 用戶簽訂DR 合同。本文采用基于電路模擬的等效熱參數(shù)方法建立建筑物一階熱力學(xué)模型,反映熱負(fù)荷與室內(nèi)溫度的關(guān)系[23]。
式中:Tin,t+1和Tin,t分別為t+1 和t 時刻的室內(nèi)溫度;Tout,t為t 時刻的室外溫度;R 為建筑物等效熱阻;C 為室內(nèi)空氣的比熱容;Qt為t 時刻的熱負(fù)荷。
式(21)和式(22)變形后得到削減后的熱負(fù)荷Q1,t及削減的熱負(fù)荷量ΔQt:
式中:Q0,t為削減前t 時刻的熱負(fù)荷。
熱負(fù)荷的削減伴隨著溫度的下降,為保證用戶的舒適度,溫度下降有一限值,滿足如下約束:
HL 的溫度削減過程與IL 相似,其DR 子信號優(yōu)化的目標(biāo)函數(shù)也相似。
本文中電鍋爐的輸入端連接配電網(wǎng)節(jié)點(diǎn),輸出端連接HL,實(shí)現(xiàn)了熱負(fù)荷參與系統(tǒng)DR。因此,需要建立電鍋爐的能量轉(zhuǎn)換模型,具體如下:
計算上述4 個DR 子信號,通過疊加形成DR 信號并輸入LSTM 的輸入層。
式中:R 為LA 聚合后的DR 信號。
為更清晰地凸顯DR 信號的構(gòu)成及特點(diǎn),通過圖例加以展現(xiàn),如附錄A 圖A2 所示。
考慮到用戶用電的不確定性,在面對突發(fā)事件或該時段用電能夠帶來更大收益的情況下,用戶寧愿支付一定數(shù)額的違約金而選擇拒絕響應(yīng)?;谙M(fèi)者心理學(xué),用戶削減或轉(zhuǎn)移負(fù)荷的響應(yīng)率與經(jīng)濟(jì)激勵的大小呈正相關(guān),經(jīng)濟(jì)激勵越大,用戶響應(yīng)率也越大,并在某一經(jīng)濟(jì)激勵下達(dá)到飽和。圖2 為用戶參與DR 不確定性的規(guī)律,其中響應(yīng)率可用樂觀和悲觀情形下的線性函數(shù)λmax( p)和λmin( p)描述,能夠滿足工程要求[24]。
式中:p 為經(jīng)濟(jì)激勵;kmax和kmin分別表示樂觀和悲觀情形下的響應(yīng)率曲線斜率;a 和b 分別為臨界激勵和飽和激勵;λmax0為無激勵條件下用戶的自身最大響應(yīng)率;λmax為用戶能達(dá)到的最大響應(yīng)率。
圖2 用戶DR 不確定性機(jī)理Fig.2 DR uncertainty mechanism of user
經(jīng)濟(jì)激勵為0 時,用戶響應(yīng)率只受用戶自身響應(yīng)意愿的影響,隨著經(jīng)濟(jì)激勵的增大,具備響應(yīng)潛力的用戶會傾向于響應(yīng)削減指令,響應(yīng)率期望增加,波動范圍減?。划?dāng)經(jīng)濟(jì)激勵增大到飽和值時,用戶響應(yīng)率達(dá)到最大值且波動范圍可近似忽略。
針對經(jīng)濟(jì)激勵下的響應(yīng)率不確定問題,現(xiàn)有的研究多以模糊參數(shù)來表征,且采用三角隸屬度函數(shù)描述模糊參數(shù)更符合DR 項(xiàng)目實(shí)際[25-26]。建立三角隸屬度函數(shù)如下,其函數(shù)圖像見附錄A 圖A3。
式中:λ1,λ2,λ3均為隸屬度參數(shù)。
隸屬度函數(shù)值越接近1,則用戶DR 的不確定程度越大,反之則越小。某一經(jīng)濟(jì)激勵下的響應(yīng)率是從悲觀情形到樂觀情形的一個范圍,且隨著λ 的增大,不確定程度表現(xiàn)為先增大后減小,反映出用戶DR 不確定性。
循環(huán)神經(jīng)網(wǎng)絡(luò)可以解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不能持續(xù)記憶的問題,允許之前的信息保留一段時間,其記憶特性適用于超短期負(fù)荷預(yù)測。但是循環(huán)神經(jīng)網(wǎng)絡(luò)在輸入序列較長時存在長期依賴問題。因此,文獻(xiàn)[27]提出LSTM 以解決此問題。LSTM 是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體,也是鏈?zhǔn)浇Y(jié)構(gòu),但是重復(fù)模塊有所差異,標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)的重復(fù)模塊內(nèi)只有一個神經(jīng)網(wǎng)絡(luò)層,而LSTM 有4 個網(wǎng)絡(luò)層,它們以一種特殊的形式交互。
LSTM 的核心是引入了一個新的單元狀態(tài),在傳遞線性循環(huán)信息的同時輸出信息給隱藏狀態(tài),如圖3 所示貫穿整個重復(fù)結(jié)構(gòu)的水平線就是單元狀態(tài)。圖 中,σ 和tanh 分 別 代 表sigmoid 和tanh 激 活 函數(shù),xt為輸入量,ht和ht-1為當(dāng)前和上一時間步的隱藏狀態(tài),Ct和Ct-1為當(dāng)前和上一時間步的單元狀態(tài),it,ft,ot分別為當(dāng)前時刻的輸入門、遺忘門和輸出門。
圖3 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Network structure of LSTM
LSTM 通過3 個控制門單元(輸入門、遺忘門、輸出門)選擇保留或者忘記信息。式(32)形成了當(dāng)前時刻的單元狀態(tài),式(33)形成了當(dāng)前時刻的隱藏狀態(tài),式(34)表示輸入門控制當(dāng)前時刻的輸入信息有多少需要保留;式(35)表示遺忘門控制上一時刻的信息需要丟棄多少;式(36)表示輸出門控制當(dāng)前時刻有多少信息需要輸出給隱藏狀態(tài)ht。LSTM 網(wǎng)絡(luò)每一時間步的狀態(tài)更新公式如下:
式中:W 為權(quán)重矩陣;b 為偏置常數(shù);下標(biāo)c,i,f,o 分別表示單元狀態(tài)、輸入門、遺忘門和輸出門。
LSTM 有能力刪除或增加神經(jīng)元狀態(tài)中的信息,這一機(jī)制被稱為門限的結(jié)構(gòu)精心管理。門限是以sigmoid 函數(shù)為激勵函數(shù)的前饋神經(jīng)網(wǎng)絡(luò),本質(zhì)上是一種讓信息選擇性通過的方式,通過sigmoid 神經(jīng)網(wǎng)絡(luò)層和逐點(diǎn)相乘器形成。使用sigmoid 函數(shù)的原因是其輸出在[0,1]區(qū)間,可以等效為一組權(quán)重值。當(dāng)輸出值為0,門限將遺忘所有信息;當(dāng)輸出值為1,門限將保留所有信息。
因此,LSTM 選擇性遺忘或保留的能力能夠有效解決標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)在序列信息過長時面臨的梯度彌散或梯度爆炸問題,有利于序列信息建模。
2.2.1 不計及DR 信號的超短期負(fù)荷預(yù)測
不計及DR 信號時,輸入數(shù)據(jù)只有歷史負(fù)荷數(shù)據(jù),輸出數(shù)據(jù)為下一時間點(diǎn)的預(yù)測數(shù)據(jù)。預(yù)測的負(fù)荷時間間隔與輸入負(fù)荷數(shù)據(jù)的時間間隔一致。
超短期負(fù)荷預(yù)測時采取迭代負(fù)荷預(yù)測的方法。所謂迭代預(yù)測指每次均根據(jù)若干個歷史數(shù)據(jù)點(diǎn)預(yù)測下一個時間點(diǎn)的負(fù)荷數(shù)據(jù)。舉例說明,根據(jù)09:00,10:00,11:00,12:00 這4 個時刻的負(fù)荷數(shù)據(jù),預(yù)測13:00 的負(fù)荷數(shù)據(jù),在下一次預(yù)測時,將13:00 的真實(shí)歷史負(fù)荷數(shù)據(jù)連同10:00,11:00,12:00 共4 個時刻的歷史負(fù)荷數(shù)據(jù)一起輸入至神經(jīng)網(wǎng)絡(luò)模型中預(yù)測得到14:00 的負(fù)荷預(yù)測值。不計及DR 信號的模型輸入如附錄B 圖B1 所示。
網(wǎng)絡(luò)的損失函數(shù)是均方誤差(MSE)函數(shù)式:
式中:ηMSE為均方誤差;yi為功率真實(shí)值;y′i為功率預(yù)測值。
2.2.2 計及DR 信號的超短期負(fù)荷預(yù)測
計及DR 信號后的模型輸入及分析如附錄B 圖B2 和圖B3 所示。在考慮DR 信號后,模型輸入的歷史數(shù)據(jù)為過去4 個時間點(diǎn)的負(fù)荷數(shù)據(jù)以及與之對應(yīng)的4 個DR 信號構(gòu)成的2×4 矩陣,模型的(標(biāo)簽)輸出值仍然為下一個時間點(diǎn)的負(fù)荷數(shù)據(jù)。此外,模型輸入數(shù)據(jù)的變化將導(dǎo)致參數(shù)維度變化,但模型結(jié)構(gòu)仍然不變。
對于輸入數(shù)據(jù)的預(yù)處理過程,不僅需要對負(fù)荷數(shù)據(jù)歸一化,還需要對上文由CPLEX 求解器求得的DR 信號進(jìn)行歸一化處理,消除信號之間量綱和數(shù)值大小的差異。預(yù)測方法與不計及DR 信號的相同,也采用迭代負(fù)荷預(yù)測方法。
需要說明的是,本文還探討了用戶參與DR 的不確定性對超短期負(fù)荷預(yù)測的影響,考慮這一因素僅會改變輸入的DR 信號數(shù)值大小,不改變預(yù)測的模型結(jié)構(gòu)和預(yù)測方法,在此不再贅述。
2.2.3 LA 模式下LSTM 超短期負(fù)荷預(yù)測流程
上述預(yù)測過程中,DR 是伴隨LA 模式而存在的,在LA 模式下進(jìn)行負(fù)荷預(yù)測時需要考慮其影響進(jìn)而提高預(yù)測精度。流程圖及分析如附錄C 圖C1。
本文的預(yù)測評價指標(biāo)選取為均方根誤差(RMSE)和平均絕對百分比誤差(MAPE),如式(38)和式(39)所示。RMSE 與MAPE 的值越接近0,預(yù)測誤差越小,模型的預(yù)測效果越好。
式 中:ηRMSE和ηMAPE分 別 為RMSE 和MAPE 的 指標(biāo)值。
本算例分析LA 模式下DR 信號對超短期負(fù)荷預(yù)測的影響,并探究用戶參與DR 的不確定性在改善預(yù)測效果的作用。首先,利用LA 與用戶簽訂的合同以及某地區(qū)電網(wǎng)實(shí)際數(shù)據(jù)計算上文各DR 資源子信號。然后,將DR 總信號引入LSTM 網(wǎng)絡(luò)模型,設(shè)計了3 種預(yù)測場景,對比3 種場景下的負(fù)荷預(yù)測值與真實(shí)值。最后,分析LA 模式下的DR 信號和用戶參與DR 的不確定性對超短期負(fù)荷預(yù)測精度的影響。
本算例選取美國PJM 市場下LA 和用戶的合同數(shù)據(jù),如附錄D 表D1 所示,DR 資源購買者提供給LA 的合同激勵價格如附錄D 圖D1 所示。DR 資源包含HL,選取北方某地冬季一日內(nèi)的室外溫度為數(shù)據(jù),如附錄D 圖D2 所示。建筑物的等效熱阻R=18 ℃/kW,空 氣 的 等 效 比 熱 容 C=0.525(kW ?h)/℃,電鍋爐電熱轉(zhuǎn)換系數(shù)η=0.90。DR 不確定性是通過改善DR 信號從而提高預(yù)測精度的,根據(jù)上文建立的模糊參數(shù)響應(yīng)率模型,參考文獻(xiàn)[24-26]并進(jìn)行調(diào)研,算例基于合同約定的用戶最大響應(yīng)功率,設(shè)定無激勵下的最大響應(yīng)率為10%,飽和激勵時用戶能達(dá)到的最大響應(yīng)率為95%,臨界激勵和飽和激勵分別為合同電價的1 倍和1.25 倍。模糊表達(dá)的響應(yīng)率介于樂觀情形和悲觀情形之間,描述用戶的真實(shí)響應(yīng)情況,其時間尺度與下文負(fù)荷預(yù)測時間尺度一致。
需要說明的是,在LA 模式下,LA 與系統(tǒng)運(yùn)營商之間也會簽署雙邊合同,若LA 因用戶違約無法滿足系統(tǒng)運(yùn)營商的合同需求,系統(tǒng)運(yùn)營商將安排發(fā)電機(jī)組多發(fā)電以補(bǔ)足負(fù)荷功率。因此,本文為分析方便,設(shè)定LA 與系統(tǒng)運(yùn)營商、LA 與用戶之間的違約懲罰成本均為上網(wǎng)電價。
分別求解不考慮DR 不確定性與考慮DR 不確定性2 種情況下的DR 信號,如附錄D 圖D3 所示,且得到各DR 資源最優(yōu)收益情況如附錄D 表D2 所示。
不確定性能夠進(jìn)一步反映用戶真實(shí)的響應(yīng)情況。對比2 種情況分析,不考慮用戶DR 的不確定性時,DR 信號取得理想下的最大值;考慮用戶DR 的不確定性后,由于用戶存在違約的可能,各時段的DR 信號均有所減小。
無論是否考慮DR 的不確定性,LA 為實(shí)現(xiàn)經(jīng)濟(jì)收益最大化,都會盡可能在電價高峰時段安排削減負(fù)荷和儲能放電,在低谷電價時段安排轉(zhuǎn)移負(fù)荷和儲能充電,這也滿足了電網(wǎng)削峰填谷的要求。同時,用戶在自己可以接受的削負(fù)荷范圍內(nèi)能夠根據(jù)合同獲得來自LA 的獎勵。據(jù)此也驗(yàn)證了電網(wǎng)、LA、用戶三者的互利共贏關(guān)系以及LA 模式的可行性。
本文選取某地75 日電網(wǎng)工作日負(fù)荷數(shù)據(jù),負(fù)荷數(shù)據(jù)的時間間隔為15 min,即24 h 含有96 點(diǎn)負(fù)荷數(shù)據(jù)。依據(jù)0.8∶0.2 的比例劃分訓(xùn)練集和測試集,得到60 個工作日的訓(xùn)練集和15 個工作日的測試集,并在附錄D 圖D4 中展現(xiàn)出一周的歷史負(fù)荷數(shù)據(jù)。
考慮到負(fù)荷數(shù)值的變化相對于基量的變化不夠明顯,因此需要利用min-max 歸一化處理以凸顯負(fù)荷的變化趨勢。同時,將數(shù)據(jù)歸一化到[0,1]之間也有利于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,得到更準(zhǔn)確的預(yù)測值。
為便于分析DR 信號和用戶參與DR 不確定性這2 種因素對LSTM 超短期負(fù)荷預(yù)測模型的影響,需設(shè)置預(yù)測場景進(jìn)行對比。同時,根據(jù)上文方法及流程圖可知,若不計及LA 模式下的DR 信號,即在負(fù)荷預(yù)測中忽略DR 的作用,則不存在關(guān)于是否計及用戶參與DR 不確定性的討論。因此,本算例設(shè)定3 種預(yù)測場景如下:
場景1:不計及LA 的DR 信號,不考慮用戶參與DR 的不確定性,預(yù)測下一個15 min 時段的負(fù)荷。
場景2:計及LA 的DR 信號,但不考慮用戶參與DR 的不確定性,預(yù)測下一個15 min 時段的負(fù)荷。
場景3:計及LA 的DR 信號,并考慮用戶參與DR 的不確定性,預(yù)測下一個15 min 時段的負(fù)荷。
在計算各場景預(yù)測結(jié)果時,為得到最優(yōu)超參數(shù),首先依照經(jīng)驗(yàn)試驗(yàn)部分超參數(shù),得到了最優(yōu)超參數(shù)的大致范圍;然后依據(jù)網(wǎng)格搜索法,搜尋得到適用于4 種場景的最優(yōu)超參數(shù)均為:網(wǎng)絡(luò)層數(shù)為5 層、學(xué)習(xí)率為0.01、批處理數(shù)為32。
根據(jù)上述算例,求得3 個場景負(fù)荷預(yù)測值與真實(shí)值,并進(jìn)行對比。圖4 展現(xiàn)了測試集中某一周的周一預(yù)測分析曲線,在附錄D 圖D5 中展示該周其余工作日的負(fù)荷預(yù)測結(jié)果。同時,為更清晰地凸顯各場景差異,考慮到用戶用電在峰時段和谷時段受DR 信號的影響較大,因此選取部分峰時段和谷時段的預(yù)測結(jié)果,如附錄D 圖D6 和圖D7 所示。
圖4 各場景負(fù)荷預(yù)測結(jié)果與真實(shí)值Fig.4 Load forecasting result and real value of each scenario
將圖4 各預(yù)測結(jié)果與真實(shí)值的對比作定性分析,3.1 節(jié)得到的DR 信號對LSTM 模型產(chǎn)生了一定影響,主要體現(xiàn)在峰時段和谷時段能夠更好地模擬用戶行為,反映負(fù)荷變化趨勢,使得超短期負(fù)荷預(yù)測效果更佳,更接近真實(shí)值。同時,在考慮用戶參與DR 不確定性后,即場景3,能夠進(jìn)一步減小與真實(shí)值曲線的誤差。
為定量分析3 種場景下的預(yù)測誤差情況,計算一日內(nèi)各時段的相對百分比誤差,如圖5 所示。
圖5 各場景一日內(nèi)的相對百分比誤差Fig.5 Relative percentage error of each scenario in one day
可以發(fā)現(xiàn),從場景1、場景2 到場景3,相對百分比誤差整體上逐漸減小,尤其是在峰時段及谷時段誤差減小得更加明顯。同時,場景1 所有時段的誤差波動范圍為0.36%~2.40%,場景2 所有時段的誤差波動范圍為0.38%~1.85%,場景3 所有時段的誤差波動范圍為0.17%~1.48%,波動范圍逐漸減小。
進(jìn)一步,為驗(yàn)證本文所提計及LA 模式下DR 信號的超短期負(fù)荷預(yù)測方法的泛化能力,選取測試集中5 個工作日,按上文所述方法進(jìn)行誤差分析,計算得到周一至周五及整個測試集在3 種場景負(fù)荷預(yù)測RMSE 值和MAPE 值,如 表1 所示。
表1 測試集預(yù)測誤差對比Table 1 Comparison of prediction error of test sets
可以發(fā)現(xiàn),一周內(nèi)工作日的情況略有差別,但從場景1 到場景2 再 到場景3 的RMSE 值和MAPE 值均逐漸減小,預(yù)測效果逐漸變好。為了反映一周內(nèi)的整體變化情況,需要分析整個測試集的RMSE 值和MAPE 值。相較場景1,場景2 在計及LA 模式下DR 信號后,獲取了DR 的信息,反映用戶用電行為,負(fù)荷預(yù)測曲線能夠更接近真實(shí)值曲線,RMSE 值減小0.79 MW,MAPE 值減小0.12%,提高了10.91%的精度。相較場景2,場景3 在計及LA 模式下DR信號的基礎(chǔ)上,進(jìn)一步考慮用戶參與DR 的不確定性,更接近用戶行為的實(shí)際情況,提高了DR 信號的準(zhǔn)確度,使得負(fù)荷預(yù)測曲線更加接近真實(shí)值曲線,RMSE 值減小0.61 MW,MAPE 誤差減小0.09%,進(jìn)一步提高了8.18%的精度。
總的來說,雖然計及DR 信號的負(fù)荷預(yù)測模型增加了輸入量的維度,使模型在LSTM 結(jié)構(gòu)和訓(xùn)練上更復(fù)雜,但在LA 模式下,負(fù)荷預(yù)測時考慮DR 信號以及用戶參與DR 的不確定性因素能夠更好地預(yù)測負(fù)荷的變化趨勢,減小預(yù)測誤差。
本文提出了基于LA 模式下DR 信號的LSTM超短期負(fù)荷預(yù)測方法,主要研究成果如下:
1)分析了LA 模式的DR 機(jī)制,建立了IL、TL、光儲單元和HL 這4 種DR 資源的優(yōu)化模型。
2)考慮用戶參與DR 的不確定性,基于消費(fèi)者心理學(xué),通過三角隸屬度函數(shù)描述的模糊參數(shù)反映用戶參與DR 實(shí)際項(xiàng)目的不確定性。
3)在預(yù)測方法方面,在傳統(tǒng)LSTM 負(fù)荷預(yù)測模型的基礎(chǔ)上進(jìn)一步考慮LA 模式下DR 的影響,建立了計及DR 信號的LSTM 負(fù)荷預(yù)測模型。
4)以實(shí)施LA 的某地區(qū)歷史負(fù)荷作為算例分析,對比3 種預(yù)測場景驗(yàn)證了本文所提方法的優(yōu)勢,計及DR 信號并考慮DR 不確定性后能夠更好地反映用戶行為,誤差更小,峰時段和谷時段尤為明顯。
5)對比3 種場景下的平均值,計及DR 信號后預(yù)測精度提高10.91%,在此基礎(chǔ)上考慮用戶參與DR的不確定性后,預(yù)測精度進(jìn)一步提高了8.18%,RMSE 值減小到8.04 MW,MAPE 值減小到0.89%,滿足誤差要求,也驗(yàn)證了所提方法的泛化能力。
本文研究在LA 模式下考慮DR 信號的超短期負(fù)荷預(yù)測,具有一定的工程實(shí)用價值,在LA 規(guī)劃、調(diào)度、制定電價等方面起到了基礎(chǔ)性作用。下一步的研究將探討引入用戶決策行為的DR 信號形成方法,以及進(jìn)一步研究LA 模式的電價預(yù)測和負(fù)荷彈性預(yù)測。
本文受到廣東電網(wǎng)有限責(zé)任公司廣州供電局科技項(xiàng)目(GZHKJXM20180152)資助,特此感謝!
附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx),掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。