廖 濤,鄭建華,張卿瑜,劉 洋,劉天齊,王 平

1.國網(wǎng)河南省電力公司營銷服務(wù)中心,河南 鄭州 450051

2.國網(wǎng)河南省電力公司南陽供電公司,河南 南陽 473000

0 引言

計(jì)算需求響應(yīng)補(bǔ)貼時,往往需要先求取基線負(fù)荷,基線負(fù)荷與響應(yīng)時段用戶實(shí)際用電負(fù)荷的差值即為用戶的響應(yīng)負(fù)荷量[1]。基線負(fù)荷計(jì)算的準(zhǔn)確與否直接關(guān)系到用戶響應(yīng)負(fù)荷量及最終補(bǔ)貼。查閱國內(nèi)外文獻(xiàn)發(fā)現(xiàn),目前國外基線負(fù)荷的計(jì)算方法較多,且更傾向于采用均值法和加權(quán)平均法[2]。而國內(nèi)相關(guān)研究較少,部分學(xué)者采用聚類算法和神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了探索,但用戶的基線負(fù)荷計(jì)算仍需要結(jié)合具體情況選擇最符合實(shí)際情況的計(jì)算方法。本文以某用戶實(shí)際用電情況為例,分別采用均值法、加權(quán)平均法、聚類分析法、卷積神經(jīng)網(wǎng)絡(luò)算法求取基線負(fù)荷,對各計(jì)算結(jié)果與實(shí)際負(fù)荷的誤差進(jìn)行了對比分析,確定了最終基線負(fù)荷及其計(jì)算方法,為管理部門和用戶計(jì)算需求響應(yīng)量提供參考。

1 基線負(fù)荷計(jì)算方法及適用性分析

1.1 均值法

設(shè)事件日當(dāng)天為D1,一般以D1往前推5 d、10 d或20 d的用戶負(fù)荷數(shù)據(jù)為基礎(chǔ),求取用戶負(fù)荷平均值作為基線負(fù)荷。對節(jié)假日比較敏感的用戶,可考慮選取節(jié)假日或非節(jié)假日對應(yīng)的天數(shù)。均值法計(jì)算公式為:

(1)

1.2 加權(quán)平均法

設(shè)事件日當(dāng)天為D2,以D2前5天或前10天的用戶電力負(fù)荷數(shù)據(jù)為計(jì)算對象。計(jì)算公式為:

(2)

1.3 聚類算法

一般先采用聚類分析法將用戶進(jìn)行分類,再按不同類別采用對應(yīng)的公式進(jìn)行計(jì)算[4]。采用聚類算法分析后,可將用戶分為節(jié)日敏感型和非敏感型2類。

首先從若干個已分類好的用戶中各挑選2個典型用戶的負(fù)荷值作為聚類中心,然后其他用戶負(fù)荷值分別計(jì)算與聚類點(diǎn)的距離,并分類;重新計(jì)算每個類別新的聚類中心;最后循環(huán)步驟2和3,直至聚類中心重合,由此可求得最終聚類結(jié)果。

各點(diǎn)到聚類中心的距離計(jì)算公式為:

(3)

基線負(fù)荷計(jì)算公式為:

(4)

1.4 卷積神經(jīng)網(wǎng)絡(luò)算法

采用卷積神經(jīng)網(wǎng)絡(luò)算法(couvolutional neural networks,CNN)一般需選取一定數(shù)量的訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù),同時可考慮的因素包含氣溫、天氣、周末、節(jié)日、歷史特殊數(shù)據(jù)等。將歷史用電負(fù)荷數(shù)據(jù)和各預(yù)測影響因素作為卷積神經(jīng)網(wǎng)絡(luò)輸入層,另外根據(jù)需要構(gòu)建卷積層和池化層等[5],其具體結(jié)構(gòu)如圖1所示。

圖1 CNN算法層次結(jié)構(gòu)

其中卷積層和池化層可以根據(jù)需要設(shè)置更多層數(shù)。圖1中從輸入層到輸出層的全過程可以按以下公式計(jì)算。

F=Y(W×X+B)

(5)

式中:X為輸入向量,W為各輸入向量的權(quán)重,B為偏置項(xiàng),Y為激活函數(shù),F為最終輸出結(jié)果。取一定數(shù)量的歷史數(shù)據(jù)作為訓(xùn)練樣本,通過不斷學(xué)習(xí)修正,即可得到輸入到輸出的映射,將驗(yàn)證數(shù)據(jù)作為輸入,可對訓(xùn)練的模型進(jìn)行驗(yàn)證。

1.5 各方法適用性分析

均值法由于未考慮各影響因素,適合負(fù)荷較為平穩(wěn)的粗略估算,其誤差通常較大;若用戶為趨勢型用戶,則采用加權(quán)平均法,考慮趨勢因素影響,計(jì)算結(jié)果更為準(zhǔn)確;若用戶存在明顯的季節(jié)性或節(jié)日性特點(diǎn),則應(yīng)采用聚類算法,對客戶進(jìn)行聚類分析后,結(jié)合用戶特點(diǎn)和要求選取均值法、加權(quán)平均法或CNN計(jì)算法;若需考慮環(huán)境影響因素,則可采用CNN計(jì)算法,通過訓(xùn)練,使計(jì)算結(jié)果更接近實(shí)際情況。

為更好地闡述各方法的適用范圍和使用方法,下面以某客戶需求響應(yīng)具體實(shí)例入手進(jìn)行分析。

2 基線負(fù)荷計(jì)算求解及綜合評價(jià)

2.1 基線負(fù)荷計(jì)算

2022年6月,河南某用戶進(jìn)行電力需求響應(yīng),并計(jì)算基線負(fù)荷。該用戶為需求響應(yīng)簽約用戶,并于6月25日(周六)午峰10：00—12：00進(jìn)行了需求響應(yīng)。取6月4日至6月25日共計(jì)21天該用戶10：00—12：00實(shí)際平均負(fù)荷,并代入各公式進(jìn)行計(jì)算。采用以下幾種方法計(jì)算基線負(fù)荷。

M1:前20天均值法計(jì)算法。

M2:前5個節(jié)假日均值計(jì)算法。

M3:前20天加權(quán)平均法。

M4:聚類分析后,根據(jù)聚類結(jié)果進(jìn)行計(jì)算。

M5:考慮各類因素的CNN算法。

M1、M2、M3可直接代入公式計(jì)算即可。M1和M2進(jìn)行計(jì)算時,由于并未進(jìn)行聚類分析,不清楚該用戶是否是節(jié)日敏感型,分別采用前20天均值和前5個節(jié)假日均值進(jìn)行計(jì)算。M4進(jìn)行聚類計(jì)算后,確定所屬類別再進(jìn)行相應(yīng)的計(jì)算。M5需要將數(shù)據(jù)代入已搭建的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,確定映射模型后,代入各影響量數(shù)據(jù),進(jìn)而求得最終基線負(fù)荷值。

2.2 基線負(fù)荷計(jì)算結(jié)果綜合評價(jià)

由于采用模擬電力需求側(cè)響應(yīng)進(jìn)行計(jì)算,用戶的實(shí)際負(fù)荷已知,因此可對各方法計(jì)算誤差進(jìn)行分析。根據(jù)相對均方根誤差和平均相對誤差構(gòu)建綜合評價(jià)模型如下。

εz=α|εR|+(1-α)|εA|

式中:εz為綜合評價(jià)精度,α為綜合評價(jià)權(quán)重系數(shù),εR為計(jì)算基線負(fù)荷與實(shí)際負(fù)荷的相對均方根誤差,εA為其平均相對誤差。

εR和εA的計(jì)算方法為:

(6)

(7)

3 計(jì)算結(jié)果分析

根據(jù)用戶歷史負(fù)荷數(shù)據(jù),代入各基線負(fù)荷計(jì)算方法,得到的綜合評價(jià)精度如圖2所示,具體分析如下。

圖2 各計(jì)算方法綜合評價(jià)精度

1)由綜合評價(jià)結(jié)果可知,計(jì)算方法M1、M3、M5的誤差精度分別為0.223、0.233、0.212,3種的誤差結(jié)果較為接近。M1和M3結(jié)果接近,說明用戶并沒有明顯的負(fù)荷趨勢變化,對于本例用戶,加權(quán)平均算法未對用戶誤差精度產(chǎn)生正向影響,說明用戶用電負(fù)荷本身不是趨勢型用戶,加權(quán)計(jì)算的意義不大。

2)M1和M3計(jì)算結(jié)果誤差相對較大,說明用戶負(fù)荷可能存在一定的波動性。分析用戶實(shí)際負(fù)荷發(fā)現(xiàn),用戶工作日和節(jié)假日負(fù)荷存在較大波動,計(jì)算結(jié)果符合用戶用電行為。

3)卷積神經(jīng)網(wǎng)絡(luò)計(jì)算法由于考慮了相關(guān)影響因素,但效果不明顯,該用戶負(fù)荷對各參與計(jì)算的影響因素并不敏感,由此可知,CNN計(jì)算法雖然適用范圍較廣,但計(jì)算精度不一定高,若用戶對環(huán)境影響不敏感,則此方法不是最佳選擇。

4)M2和M4誤差較為接近,僅相差3%。且誤差精度均明顯小于其余3種方法。M2方法直接采用前5個節(jié)假日均值計(jì)算法,M4方法則先進(jìn)行聚類分析,辨別出用戶為節(jié)日敏感型用戶后,采用前5個節(jié)假日加權(quán)法進(jìn)行計(jì)算。明顯可以看出本例用戶為節(jié)假日敏感型用戶,對其進(jìn)行基線負(fù)荷計(jì)算時采用M2或M4方法均可。但計(jì)算前,并未知曉用戶是否為節(jié)日敏感型用戶,因此采用M4方法更為合適。

5)由分析過程可知,對不同類型用戶應(yīng)根據(jù)需求和特點(diǎn)選取不同的計(jì)算方法。具體計(jì)算時,可先觀察用戶負(fù)荷情況,采用聚類算法分析后,選擇均值法或加權(quán)平均算法。若用戶負(fù)荷較為復(fù)雜,沒有明顯的規(guī)律則可考慮采用CNN計(jì)算法。本案例通過分析各方法特點(diǎn)及使用場景,得到各計(jì)算結(jié)論,并進(jìn)一步分析各方法與實(shí)際情況的差別,以期為電力需求側(cè)響應(yīng)分析、基線負(fù)荷計(jì)算提供有效參考。需要說明的是,目前并未有一種通用且誤差最小的計(jì)算方法,分析時可參照本例中各方法結(jié)合用戶負(fù)荷特點(diǎn),選擇最優(yōu)的計(jì)算方法。

4 結(jié)束語

計(jì)算電力需求響應(yīng)負(fù)荷時離不開對用戶基線負(fù)荷進(jìn)行合理的計(jì)算或預(yù)測。本文以某用戶的實(shí)際負(fù)荷為例,采用M1(前20天均值法計(jì)算法)、M2(前5個節(jié)假日均值計(jì)算法)、M3(前20天加權(quán)平均法)、M4(聚類分析后,根據(jù)聚類結(jié)果進(jìn)行計(jì)算)和M5(考慮各類因素的卷積神經(jīng)網(wǎng)絡(luò)算法)求取基線負(fù)荷,并對計(jì)算結(jié)果進(jìn)行了綜合誤差評價(jià)。計(jì)算結(jié)果表明:用戶是節(jié)日敏感型用戶,因此采用M2和M4計(jì)算方法,其誤差較小。計(jì)算過程和結(jié)果分析為類似用戶進(jìn)行基線負(fù)荷計(jì)算提供了有效參考。