基于用電行為聚類篩選的智能電網需求響應建模研究

曹駿，徐健，馮亦凡，孟楠

(1. 國網江蘇省電力有限公司蘇州供電分公司， 江蘇， 蘇州 215000；2. 杭州赫智電子科技有限公司， 浙江， 杭州 310000)

0 引言

智能電網涉及電能處理及轉化的每一個環節，在確保穩定可靠的基礎上，對經濟效益的要求也越來越高。智能電網的最終目標是實現能源高效利用以及系統可靠穩定運行，實現經濟和能源效益最大化，而需求響應項目通過信息技術雙向傳遞將用戶與供電公司利益綁定在一起，減少負荷大幅波動，為智能電網的效益最大化提供了技術支撐，為電網結構調整、負荷調度優化提供了有效手段，在改進用電模式方面具有極大的現實意義。

1 智能電網需求響應整體分析

1.1 智能電網的概念與特征

電力系統由電纜、變壓器、電線、斷路器等組件按特有方式連接構成，范圍廣泛且線路繁雜，整體功能的管控變得十分困難。在這種背景下，融合了先進通信技術、以傳感器技術為核心，集成多種信息技術的自動化智能電網應運而生。智能電網集成分布式通信系統以及自動控制系統，利用電子終端確保傳感器與電廠、用戶與供電公司的雙向通信，兼容性強且擁有自我管理與修復的功能，可以融合分布式能源、可再生能源與目前的電力系統協調運轉，是一種更安全、更精準用電的網絡部署，一般具有以下幾類特征。

(1) 高可靠性：智能電網具備故障檢測以及自我修復功能，擁有高可靠性以及安全性。

(2) 集成分布式能源：分布式能源屬于小功率電源，對于智能電網的發展有很好的促進作用。

(3) 實現需求響應：需求響應為用戶提供了參與條件，便于用戶錯峰用電[1]。

(4) 應用智能技術：智能電網中智能電表的實用使得計量更為精準，也進一步提升了用電信息收集速率，為配電自動化提供助力。

(5) 智能控制：智能電網可以更及時地獲取相關數據，各類監測結果也更精準，利于實現各類控制選項。

(6) 雙向通信：用戶與電網之間可實現雙向通信，智能化改變用電模式。

1.2 電力需求響應的內涵與分類

電力系統的需求響應(demand response，DR)指在競爭性的市場環境下用戶根據價格信號或者激勵機制做出相應的反應，進而改變自身消費模式的行為。需求響應是針對如何發揮需求側作用以此提升系統穩定性以及運行效率提出的理念。所以廣義上來說，需求響應是一種參與行為，一種管理方法，確保系統各個時段可靠性之外還可以促進資源配置優化，促進服務質量提升。

需求響應屬于引導用戶轉變用電模式得到節能、優化、保障的管理活動。根據用戶的響應方式，可以將需求響應DR歸納為兩類：基于價格的需求響應(price-based DR，PDR)、基于激勵的需求響應(incentive-based DR，IDR)，PDR是用戶根據電價變化調整自身用電方式及時間，包括分時電價、實時電價、尖峰電價等，IDR是用戶根據激勵措施調整負荷，包括可中斷負荷、直接負荷控制、緊急需求響應等。整體分類情況如圖1所示。

圖1 DR分類

1.3 相關參與方分析

智能電網的需求響應需要多個方面的協同配合，參與者主要包括供電公司、電力用戶、監管部門、第三方機構。供電公司既是需求響應的發起者，也是激勵的提供者，主要負責監控電網狀態、發布需求、落實執行情況。電力用戶是需求響應的主要參與者，主要負責響應相關事件，參與負荷轉移或削減，同時也是激勵的受益者[2]。監管部門是整個需求響應過程中的監督者，雖然不參與具體執行過程，但可以起到管制效應，確保項目實施。包括能源服務公司以及項目代理企業在內的第三方機構，可以整合分散的用戶，也便于評估項目實施效果。

1.4 利益方博弈均衡分析

在智能電網中，各個利益方之間互相制約才能達到平衡，其中電價是電廠成本、供需關系的直接反映，最終的定價是發電方與用電方的博弈結果。電網與電廠之間則體現在利益分配上，確保電能容量穩定，利益方之間的博弈關系如圖2所示。

圖2 智能電網需求響應博弈模型

2 電力用戶的用電方式聚類分析

在制定智能電網的需求響應方案之前，分析用戶的用電方式是必不可少的準備工作，所謂“知彼知己，百戰不殆”，只有首先了解用戶在各個時段的用電行為習慣，才能更有針對性的制定高響應度的調度策略。

2.1 用電特征

本文選擇尖峰時段用電量占比、平價時段用電量占比、低谷時段用電量占比以及平均負荷與最大負荷比值的負荷率作為用電行為的初始特征，設每個特征量Xj=[xi]T(i=1,…,M)(M為用戶數)，進行歸一化處理之后可得。

(1)

2.2 改進k均值算法聚類

傳統的k均值算法存在初始聚類中心選取不當導致局部最優、以及量級大樣本聚類個數難以確定的缺陷，本文針對性的做了改進。

(1) 初始聚類中心選擇：將數據分布密度作為初始聚類中心：

(2)

其中，d為任意2個對象的歐氏距離，MeansDis為平均距離，Den(xp)為xp這一對象的密度，以此獲得密度集D={Den(x1),Den(x2),…,Den(xn)}作為初始聚類中心[3]。

(2) 聚類個數：以聚類之間的距離為依據，密度越大則距離越小，最終結果越可以反映真實對象的類別。設聚類個數為k，則p個類的距離平均值為密度MeanDis(p)，d為距離，不斷重設，直至以下式(3)達到最小，取此時的k值為聚類個數：

(3)

利用改進后的k均值算法對上一章節獲得的綜合信息矩陣進行聚類收斂，形成用戶聚類，作為構建用戶篩選模型的原始數據。

3 需求響應用戶篩選模型構建

需求響應項目在實施過程中是通過經濟策略以及激勵措施引導并改變用戶的消費模式。其中作為項目實施對象的用戶極為關鍵，因此本章構建用戶篩選模型，計算出響應程度高的用戶，以此提升需求響應項目的具體實施效果。

3.1 電價敏感度定義

本文定義用戶電價敏感度來反映用戶對項目的參與程度，數值越大表明參與效果越好。電價是影響用戶行為的關鍵因素，因此選擇電價敏感度進行建模。設價格轉換前后的時間段為ts，則轉換點之前與之后兩段的平均用戶負荷為

(4)

其中，Lt為用戶負荷量，f(pt)為價格對負荷的影響函數。利用平均負荷變化率與電價變化率的比值來計算用戶的電價敏感度λij，即可得出：

(5)

由此可知，電價敏感度與轉換的時間有關，將轉換點的負荷量比值作為權重來進行加權電價敏感度λi的計算：

(6)

其中，λi為用戶i在價格轉換點下的電價敏感度，R為價格轉換點總數，Lj為tj時刻的負荷。

3.2 多目標用戶篩選

對于電價敏感的用戶組成備選用戶集U，根據電價敏感度的計算公式可得到用戶集U對應的電價敏感度集λu，設參與需求響應項目的報價為Cu，在模型構建過程中不能只追求單項指標最優，而是需要綜合考慮多種因素，因此我們尋求綜合考慮λ和C的最優解[4]。利用遺傳算法進行計算，可得到篩選模型：

(7)

其中，λ為綜合電價敏感度，λmax為綜合敏感度的最大值，C為總報價，Cmax為總報價的最大值，kλ與kc為各自權重，λi∈λu為用戶i所有價格轉換點下的加權電價敏感度，Ci∈Cu為用戶i參與項目的報價，Li為用戶i參與項目的負荷，LTmin和LTmax為總體負荷量的最小最大值，ui為篩選標識，0代表用戶i不參與，1代表用戶i參與。

4 需求響應電價計算模型構建

4.1 支持向量機學習算法

支持向量機(support vector machine, SVM)算法廣泛應用于各個領域的數據挖掘，是一種建立在VC維理論以及結構風險最小化原理上的學習算法，屬于二分類模型，基本原理是求解能夠正確劃分訓練數據集且幾何間隔最大的分離超平面。在非線性、維度高的分類以及回歸問題的解決上效果良好，可以克服維數災難等問題[5]。

4.2 電價計算模型

設電價計算模型為Model1，利用支持向量機原理進行建模，選擇合適的輸入輸出量進行訓練，模型辨識結構如圖3所示。

圖3 支持向量模型辨識結構

由此可得，輸入上周同一天類型負荷Li-5，前一天負荷Li-1，目標負荷Li以及計算日的溫度Ti，可計算電價pi為

(8)

其中，Model1的f映射關系由支持向量機學習獲取，S1為輸入量，S0為輸出量。

5 算例驗證分析

為驗證本文構建的用戶篩選模型以及電價計算模型的準確性，選用了真實數據進行實測，結果如下。

(1) 用戶篩選

取國內某地區120戶電力用戶的負荷數據進行數據實測，聚類結果如表1所示。

表1 用戶用電行為聚類

由此可以看出，B、C類用戶電價敏感度較高，選用這部分90戶進行篩選，設目標負荷為LT∈[100,200]KW，權重kλ和kc取0.5，代入本文設計模型，篩選出31戶最優用戶，結果如表2所示。

表2 敏感度及篩選結果

(2) 電價計算

取國內某地區7月數據以及氣象局公布溫度，設基準電價為0.7元，影響系數γ取5，代入本文構建的數學模型進行計算，部分時間點準確度較高，部分時間點存在誤差[6-7]，見表3。

表3 誤差分析

整體來說，電價越高負荷削減就會越多，確保95%的置信度的前提下可通過電價信號調度負荷：

a) 調高負荷：E>-0.132 8，則E1=μ+E>0.427 6，如果要調高負荷且保證置信率，電價應不超過0.411元。

b) 調低負荷：E<-0.132 8，則E1=μ+E<0.693 2，如果要調低負荷且保證置信率，電價應不低于0.644元。

6 總結

本文從分析智能電網的需求響應項目實施過程中的參與者與利益均衡關系出發，利用改進的K均值算法對用戶的用電方式進行聚類收斂，構建了多目標優化用戶篩選模型以及電價計算模型，但在模型構建過程中尚未考慮競價、成本、線路容量等實際場景的因素，在算法誤差修正方面也還需進一步深入探索。