編者按

在新型電力系統(tǒng)建設(shè)過程中，新能源比例不斷提升。由于新能源的不確定性、波動性等特點(diǎn)，電力系統(tǒng)需要足夠的靈活性資源來保障電力供需平衡和系統(tǒng)安全穩(wěn)定，而其中重要的一個環(huán)節(jié)就是來自需求側(cè)的靈活性資源。在國內(nèi)的用電結(jié)構(gòu)中，工業(yè)用戶用電占比高達(dá)66%，與商業(yè)、居民等類型用戶相比，工業(yè)用戶具有用能容量大、用能邏輯性強(qiáng)等特點(diǎn)，通過調(diào)整生產(chǎn)計(jì)劃、啟停設(shè)備等方式響應(yīng)電網(wǎng)的調(diào)控信號，充分調(diào)用其生產(chǎn)中的靈活性空間，能夠有效支持電力系統(tǒng)的穩(wěn)定運(yùn)行。

《中國電力》2024年第1期刊發(fā)了蘇湘波等人撰寫的《基于負(fù)荷臺階的工業(yè)需求響應(yīng)用戶優(yōu)選方法》一文。文章首先提出了負(fù)荷臺階的數(shù)學(xué)概念，并給出了相應(yīng)的數(shù)據(jù)處理方法；然后根據(jù)用戶日前15天的歷史負(fù)荷數(shù)據(jù)，提出了基于負(fù)荷臺階的工業(yè)用戶需求響應(yīng)潛力評估的指標(biāo)體系，采用逼近理想值排序法（technique for order preference by similarity to ideal solution，TOPSIS）建立了用戶優(yōu)選模型，從3個時間維度進(jìn)行需求響應(yīng)潛力量化；最后采用k-means聚類和近鄰傳播算法實(shí)現(xiàn)用戶優(yōu)選。

 

 

 

 

摘要

在未來高比例新能源滲透下，供需平衡不確定性逐步增加，需求響應(yīng)是通過挖掘用戶側(cè)靈活性資源保障系統(tǒng)電力電量平衡的重要手段。在電力部門進(jìn)行需求響應(yīng)工作時，需要使用歷史數(shù)據(jù)來初步評估負(fù)荷響應(yīng)潛力，以便選擇潛力高的用戶并展開動員工作。面向表征工業(yè)用戶用能特點(diǎn)的負(fù)荷臺階，對其進(jìn)行了定義并給出了數(shù)學(xué)表達(dá)，進(jìn)而提出了基于負(fù)荷臺階的工業(yè)需求響應(yīng)用戶優(yōu)選方法。首先，構(gòu)建了基于負(fù)荷臺階的工業(yè)用戶多時間尺度需求響應(yīng)潛力指標(biāo)體系；然后，構(gòu)建了需求響應(yīng)用戶優(yōu)選模型，實(shí)現(xiàn)對不同用戶響應(yīng)潛力的初評估，并利用k-means算法和近鄰傳播算法進(jìn)行群體劃分，在不同時間尺度對用戶進(jìn)行優(yōu)選；最后，基于水泥、造紙等4個行業(yè)的多個工業(yè)用戶實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行算例分析，呈現(xiàn)了所提方法下工業(yè)需求響應(yīng)的用戶優(yōu)選結(jié)果。

 

負(fù)荷臺階可以準(zhǔn)確描述用戶的相對穩(wěn)定狀態(tài)，臺階之間的負(fù)荷量之差可以反映用戶的可調(diào)節(jié)潛力。需要說明的是，可調(diào)節(jié)潛力是在生產(chǎn)流程中由于用能變化產(chǎn)生的理論潛力。本章提出負(fù)荷臺階的數(shù)學(xué)定義，并給出負(fù)荷臺階信息矩陣的提取算法。

1.1  負(fù)荷臺階數(shù)學(xué)定義

       負(fù)荷臺階是指在用戶的日負(fù)荷曲線中一段超過1 h以上的局部變化率低于某一數(shù)值的穩(wěn)定負(fù)荷。

        局部變化率α為

式中：p為局部負(fù)荷；Δp為整體負(fù)荷的差分值，即相鄰兩點(diǎn)間的負(fù)荷差，下標(biāo)min、max、mean、std分別代表最小值、最大值、均值和方差。

通常取α＜3作為臺階的判斷條件。如圖1所示，日前15天以1次/（15 min）的采樣頻率的負(fù)荷差分值的分布是近似服從高斯分布的。負(fù)荷臺階代表這段時間內(nèi)的負(fù)荷在一個穩(wěn)定的范圍內(nèi)波動，而當(dāng)它的波動范圍Δp_max處于整體的負(fù)荷差分值的正常取值范圍[0,p_mean+3Δp_std]，說明用戶的生產(chǎn)狀態(tài)處于相對穩(wěn)定狀態(tài)。而當(dāng)α≥3時，說明用戶脫離了用電的相對穩(wěn)定狀態(tài)，處于暫態(tài)過程。物理意義上的負(fù)荷臺階代表著工業(yè)用戶實(shí)際生產(chǎn)過程中整體設(shè)備用電狀態(tài)切換導(dǎo)致的不同負(fù)荷水平。

圖1  日前15天負(fù)荷差分值分布

Fig.1  Distribution of load difference values for the previous 15 days

對負(fù)荷臺階的識別，在數(shù)學(xué)上是指在處理負(fù)荷數(shù)據(jù)時只保留負(fù)荷臺階的穩(wěn)態(tài)信息，舍棄負(fù)荷臺階之間的暫態(tài)信息。對于保留的穩(wěn)態(tài)信息，記錄這段負(fù)荷臺階的平均值、起始時間和結(jié)束時間。對于舍棄的暫態(tài)信息，可以通過負(fù)荷臺階之間的高度差和轉(zhuǎn)換時間進(jìn)行近似處理。負(fù)荷臺階示意如圖2所示。

圖2  負(fù)荷臺階示意

Fig.2  Schematic diagram of load step effect

圖2中淺藍(lán)色實(shí)線代表的是某用戶某日以1次/（15 min）的采樣頻率實(shí)際日負(fù)荷曲線，紅色虛線代表的是經(jīng)過負(fù)荷臺階處理過后的日負(fù)荷曲線，灰色虛線框標(biāo)注的是負(fù)荷臺階。由圖2可知，負(fù)荷臺階可以有效記錄穩(wěn)態(tài)信息，去除臺階內(nèi)不必要的負(fù)荷波動，從而減少冗余信息。

1.2  負(fù)荷臺階提取流程

以采樣頻率為1次/(15 min)的日前15天的日負(fù)荷數(shù)據(jù)為例，通過對日負(fù)荷曲線中所有的數(shù)據(jù)進(jìn)行遍歷，找出所有的臺階。具體步驟如下。

1）定義初始數(shù)組和判斷條件。定義一個候選臺階數(shù)組a，用于存儲初始的4個負(fù)荷值。使用局部變化率α＜3作為負(fù)荷臺階判斷條件。

 

2）遍歷歷史負(fù)荷數(shù)據(jù)W，識別負(fù)荷臺階。遍歷方式為

根據(jù)式（4）對a進(jìn)行更新。其中t的初始值為5，代表的是遍歷的最新位置。t的更新方式為：①若W(t)屬于一個負(fù)荷臺階，則t=t+1；②若W(t)不在負(fù)荷臺階上但W(t−1)在負(fù)荷臺階上，則t=t+3；③若W(t)和W(t−1)都不在負(fù)荷臺階上，則t=t+1。

3）記錄被識別的第i個負(fù)荷臺階的信息P_j(i)

式中：p_j,1(i)、p_j,2(i)和p_j,3(i)分別為存儲負(fù)荷臺階的原歷史負(fù)荷數(shù)據(jù)的平均值、起始時間和結(jié)束時間；n_i為整個日負(fù)荷曲線中被識別的臺階數(shù)量。

日前第i天日負(fù)荷曲線的臺階信息矩陣T_i為

綜上，日前15天的負(fù)荷臺階信息矩陣T為

 

面向需求響應(yīng)的工業(yè)負(fù)荷潛力指標(biāo)體系是建立在實(shí)時削峰、日內(nèi)移峰、日前調(diào)峰3個維度上的，是實(shí)行工業(yè)需求響應(yīng)用戶優(yōu)選的基礎(chǔ)。其中實(shí)時削峰潛力指在電網(wǎng)緊急情況下，電力公司于需求響應(yīng)執(zhí)行前30 min，通過平臺向參與主體下發(fā)調(diào)節(jié)指令，告知響應(yīng)范圍、需求量、時段等信息，用戶能參與實(shí)時需求響應(yīng)實(shí)現(xiàn)削峰的能力大小。實(shí)時削峰潛力可以從可削減的負(fù)荷、響應(yīng)所需的時間、用戶高峰負(fù)荷出現(xiàn)的靈活程度3個維度來量化。日內(nèi)移峰潛力指用戶參與約時需求響應(yīng)在日內(nèi)通過可平移負(fù)荷實(shí)現(xiàn)削峰填谷的潛力大小。日前調(diào)峰潛力指用戶可以合理調(diào)節(jié)生產(chǎn)計(jì)劃，分配休息日與工作日，實(shí)現(xiàn)休息日與工作日之間的負(fù)荷平移潛力。

從實(shí)時、日內(nèi)和日前3個時間尺度，對工業(yè)用戶參與需求響應(yīng)做了潛力量化，構(gòu)成了面向需求響應(yīng)的工業(yè)負(fù)荷潛力指標(biāo)體系。相較于目前已經(jīng)提出的指標(biāo)體系，本文在實(shí)時削峰潛力方面，基于負(fù)荷臺階的切換時間提出了主階響應(yīng)時間這一指標(biāo)，而以往的負(fù)荷數(shù)據(jù)指標(biāo)卻很難描述該特征，響應(yīng)時間是實(shí)時響應(yīng)需要著重考慮的因素，這也是采用負(fù)荷臺階構(gòu)建指標(biāo)體系的優(yōu)點(diǎn)所在；在日內(nèi)移峰潛力方面，負(fù)荷臺階將隨機(jī)性較強(qiáng)的峰谷負(fù)荷用代表性更強(qiáng)的最高負(fù)荷臺階和最低負(fù)荷臺階代替，使得對應(yīng)的日內(nèi)可平移負(fù)荷更為可靠；在日前調(diào)峰潛力方面，基于負(fù)荷臺階計(jì)算了高負(fù)荷日和低負(fù)荷日之間的可調(diào)峰負(fù)荷和分布情況，可較好地反映其日前潛力。

2.1  實(shí)時削峰潛力

實(shí)時削峰潛力從參與削峰的負(fù)荷量、峰值負(fù)荷的靈活削減程度和響應(yīng)削峰需求所用時間3個角度進(jìn)行刻畫。

2.1.1  主次削減負(fù)荷γ₁

日負(fù)荷曲線中最高的負(fù)荷臺階稱為主階，主階旁邊的兩個臺階稱為次階，主階與次階之間的最大差值就稱為主次削減負(fù)荷。主次削減負(fù)荷值越大，說明用戶參與實(shí)時削峰的可實(shí)現(xiàn)潛力就越大。考慮15天內(nèi)主次削減負(fù)荷的平均值，主次削減負(fù)荷公式為

式中：p_peak,1(i)為臺階信息矩陣T_i中第一列臺階高度的最大值；p_peak−1,1(i),p_peak+1,1(i)則是最高臺階旁邊臺階的高度。

2.1.2  主階靈活性負(fù)荷γ₂

峰值靈活性負(fù)荷指的是主階負(fù)荷值在15天內(nèi)的標(biāo)準(zhǔn)差，該值越大說明階的靈活性越強(qiáng)，用戶參與實(shí)時削峰的潛力越大。

式中：為15天內(nèi)p_peak,1(i)的平均值。

2.1.3  主階響應(yīng)時間γ₃

主階響應(yīng)時間指的是主階負(fù)荷削減所需要的時間，即往兩側(cè)臺階轉(zhuǎn)換所需要的時間，主階響應(yīng)時間越小，代表用戶參與實(shí)時削峰的潛力越大。

式中：p_peak,2(i)、p_peak,3(i)分別代表第i天的主階負(fù)荷的出現(xiàn)時間和終止時間；p_peak−1,3(i)、p_peak+1,2(i)分別代表主階左側(cè)臺階的終止時間和主階右側(cè)臺階的出現(xiàn)時間。

2.2  日內(nèi)移峰潛力

日內(nèi)移峰潛力從用戶的日內(nèi)可平移負(fù)荷量、進(jìn)行移峰的可靠性和以及負(fù)荷臺階出現(xiàn)的靈活性3個角度進(jìn)行刻畫。

2.2.1  日內(nèi)可平移負(fù)荷γ₄

對于參與日內(nèi)移峰用電的工業(yè)用戶，采用15天以來每日的主階負(fù)荷減去每日負(fù)荷臺階的最小值的平均值作為其日內(nèi)可平移負(fù)荷的大小，其值越大就代表該用戶日內(nèi)移峰用電潛力越大。

式中：p_valley,1(i)為第i天負(fù)荷臺階的最小值。

2.2.2  日內(nèi)峰谷差率γ₅

日內(nèi)峰谷差率是15天內(nèi)峰谷平均值的差與峰值的比值，其值越大說明進(jìn)行移峰的可靠性越強(qiáng)，對應(yīng)的潛力也就越大。

式中：代表p_valley,1(i)在日前15天的平均值。

2.2.3  臺階波動率γ₆

臺階波動率指的是用戶在日前15天內(nèi)所有負(fù)荷臺階的高度組成的數(shù)列的方差除以均值，臺階波動越大，說明負(fù)荷可平移的潛力越大。

式中：σ_i、μ_i分別為第i天經(jīng)過加權(quán)的負(fù)荷臺階高度的方差值、均值。

每個臺階高度的加權(quán)值取決于該臺階的持續(xù)時間占該日所有臺階的持續(xù)時間的比例。

2.3  日前調(diào)峰潛力

日前調(diào)峰潛力從用戶調(diào)節(jié)生產(chǎn)計(jì)劃的日間可調(diào)峰負(fù)荷量、高峰負(fù)荷日出現(xiàn)的比例和日間負(fù)荷水平的靈活性3個角度進(jìn)行刻畫。

2.3.1  日前可調(diào)峰負(fù)荷γ₇

日前可調(diào)峰負(fù)荷用15天的負(fù)荷臺階化后每日平均負(fù)荷μ_i中的最大值與最小值之差來表示，其值越大，說明用戶日前調(diào)峰潛力越大。其公式為

 

2.3.2  日前負(fù)荷率γ₈

日前負(fù)荷率越大，說明可以參與調(diào)峰的潛力越大，其公式為

 

2.3.3  日前負(fù)荷散度γ₉

計(jì)算每日負(fù)荷臺階的平均值的散度，該值越大，說明負(fù)荷分布越分散，隨著天數(shù)的變化比較大，可以參與調(diào)峰的潛力也越大。

式中：為μ_i的平均值，表示15天內(nèi)經(jīng)過加權(quán)的負(fù)荷臺階高度的均值。

2.4  特征指標(biāo)權(quán)重配置

要準(zhǔn)確評定不同指標(biāo)在潛力量化中的作用和貢獻(xiàn)，需要對不同的指標(biāo)配置不同的權(quán)重。權(quán)重是各個指標(biāo)貢獻(xiàn)大小的度量參數(shù)，可以反映指標(biāo)之間的獨(dú)立性和變異程度。通常有主觀賦權(quán)和客觀賦權(quán)兩種方法。為了從客觀角度對不同的潛力指標(biāo)進(jìn)行綜合排序，本文采用熵權(quán)法進(jìn)行權(quán)重配置。熵權(quán)法是一種客觀賦權(quán)方法，根據(jù)各項(xiàng)指標(biāo)的變異程度來確定指標(biāo)權(quán)數(shù)，反映指標(biāo)的信息量和重要性，廣泛應(yīng)用于輸電網(wǎng)規(guī)劃、電能質(zhì)量評估和機(jī)組運(yùn)行評價等領(lǐng)域，具有客觀、適用性強(qiáng)和精度高的優(yōu)點(diǎn)。具體步驟如下。

1）歐幾里得歸一化。將每個指標(biāo)縮放到單位長，可以使得每個特征向量的長度相同，從而消除不同特征之間的量綱差異，使得它們在計(jì)算相似度或距離時具有相同的權(quán)重。

式中：f_ij為第j個指標(biāo)下第i個被評對象的貢獻(xiàn)度；r_ij為實(shí)測數(shù)據(jù)；i=1,2,?,m；j=1,2,?,n。

2）計(jì)算熵值h_j。熵值越小，說明指標(biāo)的變異程度越大，提供的信息量也就越多，在綜合評價中起的作用越大，則該指標(biāo)的權(quán)重也應(yīng)越大。如果某項(xiàng)指標(biāo)的值全部相等，則該指標(biāo)在綜合評價中不起作用。

式中：h_j為第j個指標(biāo)的熵值；i=1,2,?,m；j=1,2,?,n。

3）計(jì)算熵權(quán)ω_j。當(dāng)同類指標(biāo)差異較小時，傳統(tǒng)熵權(quán)計(jì)算方法誤差較大，基于指數(shù)函數(shù)進(jìn)行修正，可表示為

4）求出對應(yīng)特征向量的權(quán)重。

量化由多個指標(biāo)確定的綜合潛力值，需要計(jì)算不同的指標(biāo)的重要性，并保證不同的潛力量化結(jié)果處于同一維度，得到綜合的客觀評價。本文采用熵權(quán)法確定多指標(biāo)的客觀權(quán)重，利用TOPSIS法對用戶的需求響應(yīng)潛力進(jìn)行量化評估，并采用k-means算法和近鄰傳播算法識別工業(yè)用戶的群體分布，實(shí)現(xiàn)用戶在多個響應(yīng)潛力指標(biāo)上的排序和在整個用戶群體中的定位。

3.1  參數(shù)初始化

3.1.1  構(gòu)建初始潛力矩陣

首先，設(shè)定實(shí)時削峰潛力為D₁，日內(nèi)移峰潛力為D₂，日前調(diào)峰潛力為D₃，用戶集C=[c₁,?,c_i,?,c_m]，有m個用戶；特征向量V=[v₁,?,v_j,?,v_n]，有n個指標(biāo)值，分別屬于不同的潛力D_k(k∈1,2,3)。對于不同的潛力，建立的初始潛力矩陣S為
 

式中：v_ij為用戶i的第j個指標(biāo)的值。

初始潛力矩陣作為需求響應(yīng)量化潛力模型的數(shù)據(jù)基礎(chǔ)，同時也為用戶優(yōu)選提供數(shù)據(jù)支撐。

3.1.2  指標(biāo)值預(yù)處理

由于不同的指標(biāo)量綱不同，不同的用戶之間負(fù)荷水平存在數(shù)量級的差距，為了避免導(dǎo)致量化誤差，需要對指標(biāo)值進(jìn)行如下處理。

1）負(fù)荷歸一化。在提取負(fù)荷臺階信息之前，對負(fù)荷歸一化以避免后續(xù)指標(biāo)中用戶量級導(dǎo)致的量化誤差。

式中：

p₀代表用戶日前15天的負(fù)荷；p_max代表用戶日前15天中的最大負(fù)荷。

2）量綱歸一化。將v_ij歸一化后變成y_ij，從而消除指標(biāo)間的量綱。

式中：i=1,2,?,m；j=1,2,?,n；M通常取0.25~0.75。

3）單位范數(shù)歸一化。

通過單位范數(shù)歸一化可以消除不同用戶之間的量綱差異，減少噪聲和異常值的影響。

3.1.3  熵權(quán)法權(quán)重配置

針對不同的潛力，D_k(k∈1,2,3)對每個處理后的潛力矩陣進(jìn)行權(quán)重配置，得到合理分配權(quán)重的加權(quán)潛力矩陣S′為

3.2  基于TOPSIS法量化排序

TOPSIS法是一種根據(jù)評價對象與理想化目標(biāo)的接近程度進(jìn)行排序的距離綜合評價方法，能精確反映各評價用戶之間潛力的差距，具有較強(qiáng)的實(shí)用性和通用性。具體來說，TOPSIS法是一種多屬性決策分析方法，其基本思想是選擇一個最接近正理想解并且最遠(yuǎn)離負(fù)理想解的用戶作為最有潛力的用戶，使用相對接近度作為衡量潛力大小的參數(shù)。具體步驟如下。

1）確定正理想解和負(fù)理想解，分別是各屬性值最大和最小的組合。除了主階響應(yīng)時間以最小值作為正理想解，其余均選擇最大值作為正理想解。相反，則可得負(fù)理想解。

式中：A^∗和A⁻分別代表正理想解向量和負(fù)理想解向量；v^∗和v⁻分別代表不同指標(biāo)ω_jz_ij中的正理想值和負(fù)理想值。

2）計(jì)算每個方案到正理想解和負(fù)理想解的距離，使用歐幾里得距離度量。

式中：分別代表用戶i到正理想解、負(fù)理想解的歐氏距離。

3）計(jì)算每個方案的相對接近度，即到負(fù)理想解距離與到正理想解距離之和的比值。根據(jù)相對接近度對各方案進(jìn)行排序，相對接近度越大，排名越靠前。

綜上，能得到3類潛力量化矩陣，即參與需求響應(yīng)的用戶集C的實(shí)時削峰潛力矩陣日內(nèi)移峰潛力矩陣日前調(diào)峰潛力矩陣從而得到用戶的綜合潛力矩陣D為

然后根據(jù)用戶在各個潛力上的相對大小，就能對用戶的響應(yīng)潛力進(jìn)行排序。用戶優(yōu)選不僅要確定用戶在潛力上的排序，而且還需要對整個用戶群體進(jìn)行合理的劃分。

本文采用k-means算法和近鄰傳播算法進(jìn)行群體劃分。其中k-means算法對單個潛力矩陣（D₁,D₂,D₃）逐一進(jìn)行高中低潛力的劃分，近鄰傳播算法則對用戶綜合潛力矩陣D進(jìn)行聚類，將數(shù)量眾多的用戶劃分為幾個特點(diǎn)明顯的群體，從而可以針對不同的群體采用不同的用戶策略。與傳統(tǒng)群體識別方法相比，近鄰傳播算法具有誤差小、復(fù)雜度低、穩(wěn)定性好的優(yōu)勢，且不需要提前設(shè)定聚類數(shù)目，有較好的群體識別效果。

綜上，本文提出了面向多時間尺度需求響應(yīng)潛力評估的用戶優(yōu)選方法，其流程如圖3所示。

基于某省份某一地區(qū)的水泥、造紙、鋁冶煉和石油開采4個行業(yè)實(shí)際用戶數(shù)據(jù)，本算例抽取48個連續(xù)15天的用戶負(fù)荷數(shù)據(jù)作為樣本，用戶編號從1~48，以1次/(15 min)采樣頻率進(jìn)行分析。其中編號1~13的用戶來自水泥行業(yè)，編號14~25的用戶來自造紙行業(yè)，編號26~39的用戶來自鋁冶煉行業(yè)，編號40~48的用戶來自石油開采行業(yè)。

算例分析的流程如下。

1）負(fù)荷數(shù)據(jù)臺階化。負(fù)荷臺階的判斷條件取α＜3，提取用戶每天的負(fù)荷臺階，得到每個用戶日前15天的臺階信息矩陣。

2）特征提取。計(jì)算每個用戶的各類潛力指標(biāo)，得到需求響應(yīng)綜合評價模型中所需要的初始值。

3）參數(shù)初始化。對數(shù)據(jù)進(jìn)行去量綱化和權(quán)重配置。取M=0.6，得到的權(quán)重配置參數(shù)如下：實(shí)時削峰潛力γ₁、γ₂、γ₃的權(quán)重分別為0.4471、0.3305、0.2224；日內(nèi)移峰潛力γ₄、γ₅、γ₆分別為0.3320、0.3561、0.3119；日前調(diào)峰潛力γ₇、γ₈、γ₉分別為0.3933、0.2644、0.3423。

4）用戶優(yōu)選。分別對3種類型的潛力進(jìn)行量化計(jì)算，得到最終的需求響應(yīng)潛力綜合數(shù)值進(jìn)行優(yōu)選。

4.1  工業(yè)用戶需求響應(yīng)潛力優(yōu)選

不同的行業(yè)之間需求響應(yīng)潛力由于生產(chǎn)方式有很大的不同，行業(yè)內(nèi)部的用戶由于生產(chǎn)規(guī)模也有很大的不同，用戶在一年不同的時間段由于生產(chǎn)計(jì)劃也存在區(qū)別。對48名用戶的潛力值由大到小降序排列，并采用k-means算法進(jìn)行一維聚類，聚類數(shù)目為3，劃分為高潛力、中潛力和低潛力行業(yè)。結(jié)果如圖4所示。

圖4  不同類別用戶潛力量化

Fig.4  Quantification of user potential by different categories

在實(shí)時削峰潛力的聚類結(jié)果中，高潛力量化值大于等于0.4494，中潛力量化值在[0.2704, 0.4166]區(qū)間，低潛力量化值小于等于0.2517。在日內(nèi)移峰潛力的聚類結(jié)果中，高潛力量化值大于等于0.5196，中潛力量化值在[0.2603, 0.4589]區(qū)間，低潛力量化值小于等于0.1660。在日前調(diào)峰潛力的聚類結(jié)果中，高潛力量化值大于等于0.5393，中潛力量化值在[0.2677, 0.4864]區(qū)間，低潛力量化值小于等于0.2258。

由圖4可知，用戶12為典型的高潛力用戶，用戶46為典型的低潛力用戶。通過繪制用戶15天內(nèi)的負(fù)荷曲線，對日平均負(fù)荷最大和最小的負(fù)荷曲線進(jìn)行了加粗，并將兩條曲線進(jìn)行了負(fù)荷臺階化，分別用淺紅色細(xì)線和黑色細(xì)線區(qū)分，如圖5所示。用戶12是水泥行業(yè)的用戶，從日平均負(fù)荷最大曲線可知，峰時負(fù)荷可中斷性強(qiáng)，切負(fù)荷時間相當(dāng)短，近似為一條傾角90°的直角，說明削峰負(fù)荷大且切換時間短，符合實(shí)時削峰潛力強(qiáng)的負(fù)荷特性；從日內(nèi)移峰的角度來說，其整個負(fù)荷曲線呈現(xiàn)高負(fù)荷、低負(fù)荷兩階梯的形態(tài)，且兩段時間相當(dāng)，說明日內(nèi)可平移負(fù)荷容量大，符合日內(nèi)移峰潛力高的負(fù)荷特性；從日前調(diào)峰的角度來說，其低負(fù)荷日和高負(fù)荷的負(fù)荷差距大且低負(fù)荷的天數(shù)占到總數(shù)的2/3，可以配合電網(wǎng)需求進(jìn)行生產(chǎn)計(jì)劃的靈活調(diào)整，符合日前調(diào)峰潛力強(qiáng)的負(fù)荷特性。同時，從低潛力代表用戶42的負(fù)荷曲線分析，用戶42是石油開采行業(yè)的用戶，日內(nèi)的負(fù)荷水平波動小，整體負(fù)荷率較高，日間的最大負(fù)荷和最小負(fù)荷差距也很小，因此用戶42的負(fù)荷可調(diào)性弱，故而其實(shí)時、日內(nèi)和日前的潛力都為低潛力。

圖5  高、低潛力代表的用戶負(fù)荷曲線

Fig.5  Load curves of users with high and low potential

通過對不同時間尺度下用戶需求響應(yīng)能力的劃分和排序，能夠?yàn)殡娏Σ块T提前遴選高潛力的需求響應(yīng)用戶提供有效支撐，有助于其制定更適合的需求響應(yīng)策略。

4.2  工業(yè)負(fù)荷響應(yīng)潛力群體識別

對各行業(yè)用戶潛力值取平均后，得到4個行業(yè)用戶的綜合潛力對比如圖6所示。水泥行業(yè)在實(shí)時削峰潛力、日內(nèi)移峰潛力和日前調(diào)峰潛力上都是最強(qiáng)的，而石油開采行業(yè)這3項(xiàng)潛力都是最差的；而造紙行業(yè)的日前能力較強(qiáng)，其余比較一般；鋁冶煉的日內(nèi)移峰能力較強(qiáng)，日前調(diào)峰潛力較弱，比較符合當(dāng)下的行業(yè)共識。

圖6  不同行業(yè)綜合潛力對比

Fig.6  Comparison of comprehensive potential among different industries

基于求得的需求響應(yīng)綜合量化潛力值，使用近鄰傳播算法進(jìn)行工業(yè)用戶群體識別，得到48個用戶的聚類結(jié)果如圖7所示。

圖7  工業(yè)用戶群體識別

Fig.7  Identification of industrial user groups

由圖7可知，通過近鄰傳播算法聚類之后，將近鄰傳播算法自動聚成了6類，同類別用戶需求響應(yīng)潛力特征相似度高共性特征明顯且差異性小，聚類中心分別是用戶2、用戶7、用戶12、用戶22、用戶36和用戶47。

6類群體代表用戶潛力值和15天的負(fù)荷曲線如圖8~9所示。

圖8  6類群體代表用戶潛力值

Fig.8  Six categories of groups represent user potential values

圖9  6類群體代表用戶15天的負(fù)荷曲線

Fig.9  Load profile of groups represent user of six categories for fifteen days

由圖8和圖9可知，類別2、3的用戶群體整體表現(xiàn)為高潛力，實(shí)時削峰潛力、日內(nèi)移峰潛力和日前調(diào)峰潛力都是高潛力；而類別6的用戶的3類潛力均為低潛力。由圖10行業(yè)用戶聚類結(jié)果的分布可知，類別2、3均只含水泥用戶，類別6以石油開采行業(yè)用戶為主，符合水泥用戶高響應(yīng)潛力、石油開采因負(fù)荷穩(wěn)定性好而響應(yīng)潛力弱的特點(diǎn)。

圖10  不同行業(yè)用戶聚類結(jié)果分布

Fig.10  Distribution of user clustering results by different industries

特別地，由圖9可知，不同類別聚類中心之間的負(fù)荷曲線輪廓相似度小，負(fù)荷特性差異大，不同類別之間行業(yè)用戶的分布也具有顯著差異，說明了基于負(fù)荷臺階的特征體系在群體識別的有效性、科學(xué)性，同時管理側(cè)也可以根據(jù)不同行業(yè)的潛力特點(diǎn)、不同群體各類潛力的高低對整個群體進(jìn)行優(yōu)選，開展合適的需求響應(yīng)策略。

算例結(jié)果表明，本文提出的方法可以在僅使用歷史負(fù)荷數(shù)據(jù)的情況下，從多時間尺度刻畫用戶響應(yīng)能力，準(zhǔn)確區(qū)分不同行業(yè)間的負(fù)荷特性，有效地實(shí)現(xiàn)潛力評估和群體劃分，可以幫助負(fù)荷聚合商和電網(wǎng)調(diào)度中心在不同場景的需求下實(shí)現(xiàn)用戶優(yōu)選，助力需求響應(yīng)的大規(guī)模推廣。

本文針對在工業(yè)用戶推廣需求響應(yīng)時數(shù)據(jù)有限、面向范圍廣的特點(diǎn)提出了一種基于負(fù)荷臺階的優(yōu)選方法。本文給出了負(fù)荷臺階的數(shù)學(xué)定義及其提取方法，能同時對多種類型的工業(yè)用戶進(jìn)行分析，而不僅僅只局限特定類型的用戶；能從實(shí)時、日內(nèi)和日前3個角度分析用戶響應(yīng)潛力，適用于更多場景；所用方法考慮用戶隱私，不需要響應(yīng)數(shù)據(jù)和內(nèi)部模型數(shù)據(jù)，僅使用日前15天歷史負(fù)荷數(shù)據(jù)可實(shí)現(xiàn)工業(yè)需求響應(yīng)的用戶優(yōu)選。基于負(fù)荷臺階的需求響應(yīng)潛力指標(biāo)體系，采用TOPSIS法從實(shí)時削峰潛力、日內(nèi)移峰潛力和日前輪休潛力對工業(yè)用戶參與需求響應(yīng)的潛力進(jìn)行了量化。采用近鄰傳播算法對工業(yè)用戶參與需求響應(yīng)的能力進(jìn)行了群體識別。算例通過對水泥、造紙等4個行業(yè)48名用戶15天的數(shù)據(jù)進(jìn)行潛力評估，能有效分析用戶的用電行為模式，通過負(fù)荷臺階的高低落差來計(jì)算可控調(diào)節(jié)潛力，臺階轉(zhuǎn)換時間計(jì)算響應(yīng)時間，從實(shí)時、日內(nèi)和日前的角度量化評估不同用戶參與需求響應(yīng)的可靠調(diào)節(jié)能力，在多個場景的需求下實(shí)現(xiàn)用戶優(yōu)選，為需求響應(yīng)的大規(guī)模推廣提供了有效的支撐。

 

注：本文內(nèi)容呈現(xiàn)略有調(diào)整，如需要請查看原文。