王嘯峰， 蘇慧玲， 宋天立， 黃奇峰

(1. 國網(wǎng)江蘇省電力有限公司，江蘇 南京 210024； 2. 國網(wǎng)電能計量重點實驗室(國網(wǎng)江蘇省電力有限公司電力科學研究院)， 江蘇 南京 210019；3. 東南大學電氣工程學院，江蘇 南京 210096)

0 引言

隨著能源轉型的不斷發(fā)展，電力需求響應被認為是消納新能源、解決棄風棄光問題的有效措施[1-5]。在電力需求響應項目效果評價中，用戶基線負荷(customer baseline load，CBL)預測能夠為評價電力需求響應以及對用戶負荷調整程度提供定量的依據(jù)。

常用基線負荷預測方法有一次指數(shù)平滑法(exponential moving average，EMA)、High X of Y平均值法、Middle X of Y平均值法、線性回歸法等?，F(xiàn)有文獻從不同角度研究了CBL的預測，如考慮用戶次日保電計劃和檢修計劃的相似日負荷平均值法[6]、基于負荷特性聚類分析的基線負荷預測方法[7-8]。但由于用戶用電行為的多樣化[9]，現(xiàn)有文獻缺乏對用戶用電行為及其影響因素的差異化考慮。而且，迎峰型負荷是當前國內需求響應的重點，其基線負荷預測精度也是關注的難點。因此，如何篩選迎峰型負荷，精細化該類型負荷的用電行為分析，挖掘其差異化用電模式，提高CBL預測精度對于能源轉型下需求響應的應用發(fā)展有著重要的意義。

本文提出一種基于負荷細分的差異化CBL預測方法。該方法采用Ward-模糊C均值(fuzzy C-means,FCM)聚類法并結合日負荷率、日峰谷差率等負荷特性指標，篩選出迎峰型用電負荷用戶；考慮城市微氣象以及節(jié)假日影響因素，分別建立基于靈敏度的用電行為差異化分析模型，精細化挖掘用戶用電行為特征，提出溫度敏感型、節(jié)假日敏感型以及兩者均不敏感型等3種差異化用電模式；針對每一種用電模式，提出其基線負荷預測方法，并建立綜合評估模型分析其預測準確度。算例分析驗證了本文所提方法的有效性。

1 Ward-FCM聚類法

本文以迎峰型負荷為重點進行分析，采用Ward-FCM聚類法[10-11]同時結合負荷特性指標篩選迎峰型負荷。

Ward-FCM聚類法采用基于離差平方和法(Ward法)的系統(tǒng)聚類法進行一次聚類，如式(1)所示，得到初始聚類中心，并以該聚類中心作為FCM聚類的初始值進行二次聚類，進而得到二次聚類中心。其中，一次聚類采用系統(tǒng)聚類法對負荷特性進行分類；二次聚類采用FCM法，聚類中心由初次系統(tǒng)聚類結果提供。這樣，既可避免FCM法對初始參數(shù)的敏感性，又能取得分類準確客觀的聚類效果。

(1)

為進一步提高用戶負荷曲線聚類結果的有效性，本文考慮日負荷率、日峰谷差率等負荷特性指標，如式(2)、(3)所示，對二次聚類的結果做進一步聚類處理，以優(yōu)化聚類中心。

(2)

(3)

式中：α為日負荷率；Pav為當日平均負荷；Pmax為日最高負荷；β為日峰谷差率；Pmin為日最低負荷。

2 多維用電行為差異化分析模型

基于敏感性分析理論，從氣象維度和時間維度建立差異化分析模型，針對精細化用電模式進行分析，并且將迎峰型負荷用戶的用電行為分為氣溫敏感型、節(jié)假日敏感型以及兩者均不敏感型等3種差異化用電模式。其中，氣象維度是分析用戶負荷對氣溫及溫濕效應、氣溫累積效應等城市微氣象的敏感程度；時間維度是分析用戶負荷對節(jié)假日的相關性。

2.1 氣象維度

由于電力負荷受到溫濕效應[12]和氣溫累積效應[13-14]等城市微氣象的影響。因此為了減小這種影響，使負荷能夠更加準確地反映實際氣溫的變化，在分析負荷與氣溫的關聯(lián)性之前，要對氣溫進行修正[15-17]，如圖1所示。

圖1 體感溫度與實際氣溫對比曲線Fig.1 Comparisons between somatosensory temperature and actual temperature

選取日最高氣溫大于30 ℃時用戶典型負荷中的日最大負荷和日最高氣溫作為研究對象，采用最小二乘法進行線性回歸，定義回歸系數(shù)為氣溫靈敏度，建立考慮氣溫維度的用電行為差異化模型如式(4)所示。若靈敏度大于1，則認為該用戶為高溫敏感負荷。

(4)

式中：ρ為氣溫靈敏度；n為一年中日最高氣溫大于30℃時的總天數(shù)；Pi為每天的日最大負荷；Ti為每天的日最高氣溫。

2.2 時間維度

為了分析是否存在節(jié)假日的影響，建立考慮節(jié)假日維度的用電行為差異化模型，如式(5)所示。其中，定義節(jié)假日大于50%的用戶為節(jié)假日敏感負荷。

(5)

式中：λ為節(jié)假日占比；Ds為對用戶一年365日負荷曲線樣本進行聚類分析后得到的每類負荷所含的樣本個數(shù)；Dh為Ds中屬于節(jié)假日的樣本個數(shù)。

3 考慮用電行為差異化的基線負荷預測算法

3.1 預測方法

傳統(tǒng)基線負荷的預測過程一般分為數(shù)據(jù)選擇、基線計算和調整計算3個步驟。結合傳統(tǒng)3種基線負荷計算方法，考慮氣溫敏感型、節(jié)假日敏感型以及兩者均不敏感型等3種差異化用電模式，本文提出考慮不同用戶用電模式下的差異化基線負荷預測方法。

(1) 氣溫敏感用電模式。因為該類用戶對應的用電模式為僅溫度敏感，故在數(shù)據(jù)選擇時不用考慮節(jié)假日的影響，在調整計算環(huán)節(jié)則須考慮溫度敏感的CBL調整方法。即在計算初次CBL后，根據(jù)需求響應當天的實際負荷與溫度，采用線性回歸發(fā)對初次CBL進行調整。

(2) 節(jié)假日敏感用電模式。該模式下的歷史數(shù)據(jù)選擇時要考慮節(jié)假日的影響。例如：若需求響應當天是工作日，則選擇歷史數(shù)據(jù)時只選擇工作日。反之，若需求響應當天為節(jié)假日，則須選擇只有節(jié)假日的歷史數(shù)據(jù)。

(3) 節(jié)假日和溫度均不敏感用電模式。在該模式下，CBL不考慮兩者對基線負荷預測的影響。具體表現(xiàn)為：在數(shù)據(jù)選擇環(huán)節(jié)直接向前選取歷史數(shù)據(jù)計算窗口，不用考慮計算窗口是否為節(jié)假日，同時也不考慮計及溫度的調整計算。故針對該類型用戶，只要進行CBL簡單計算即可，進而簡化了傳統(tǒng)CBL計算過程。

簡單CBL計算采用傳統(tǒng)的EMA、High X of Y和 Middle X of Y平均值法。3種方法在美國各地區(qū)ISO中均有應用，例如New England ISO(NEISO)采用EMA，對過去5個工作日的負荷求平均值，剔除參與需求響應項目的那些天，并剔除1 d內連續(xù)4 h低于事件期間平均用電量的75%或高于其125%的那些天。New York ISO(NYISO)、PJM和California ISO(CAISO)均采用High X of Y平均值法，但是在具體數(shù)據(jù)選擇以及調整方法上不盡相同。美國德州電力可靠性委員會(ERCOT)采用Middle X of Y平均值法，同樣以過去10個工作日為時間挑選窗口，去除日用電量(kW)最大值和最小值的2 d，再對剩下的8 d求平均值，剔除實施了需求響應項目的那些天。

3.2 CBL綜合評估方法

綜合考慮基線負荷和實際負荷的偏差程度以及偏差趨勢，建立綜合評估(overall performance index， OPI)模型，如式(6)所示。

γOPI=λ|γRRMSE|+(1-λ)|γARE|

(6)

其中，γRRMSE為相對均方根誤差，反映了基線負荷和實際負荷的偏差程度，如式(7)所示；γARE為平均相對誤差，表示預測負荷偏離實際負荷的趨勢，如式(8)所示。

(7)

(8)

3.3 預測流程

考慮用電行為差異化的基線負荷流程如圖2所示。首先，對用戶用電負荷進行數(shù)據(jù)挖掘分析，篩選出迎峰型負荷。然后，分析其氣溫敏感度、節(jié)假日敏感度，根據(jù)迎峰型負荷差異化特征分為節(jié)假日敏感型、氣溫敏感型和節(jié)假日及氣溫均不敏感型等3種用電模式，分別計算不同用電模式下的CBL。最后，采用綜合評估方法分析其預測精度。

圖2 差異化基線負荷預測流程框架Fig.2 Flow chart of differentiated baseline load forecasting

4 算例分析

4.1 Ward-FCM聚類分析

以分布于不同行業(yè)的250個用電大客戶為對象(如圖3所示)，進行96點日負荷數(shù)據(jù)的挖掘分析。結果如圖4所示，250個用電大客戶的日負荷數(shù)據(jù)聚類為8類。

圖3 用電大客戶的行業(yè)占比Fig.3 The percentage of power consumers in different sectors

圖4 用電大客戶負荷聚類曲線Fig. 4 Load clustering curve of power consumers from Class 1 to Class 8 (a-h respectively)

按照聚類中心負荷曲線形狀，可以將用電行為特征分為迎峰型、避峰型、高負荷率型、連續(xù)型。由圖4可知，第二、三、五、八類負荷曲線具有明顯的高峰和低谷，負荷高峰出現(xiàn)在白天，低谷出現(xiàn)在晚上，為迎峰型負荷；第一、六類負荷高峰出現(xiàn)在晚上，低谷出現(xiàn)在白天，為避峰型負荷；第七類負荷日負荷率非常高，沒有明顯的負荷高峰和負荷低谷，負荷曲線整體保持平穩(wěn)，波動較小，為高負荷率型；第四類負荷峰期與谷期的負載率都比較高，可以認為白天和夜間都在連續(xù)生產，為連續(xù)型負荷，但該類型負荷存在較明顯的負荷高峰，負荷波動較大。

不同特征類型的負荷占比分析如圖5所示。迎峰型負荷在行業(yè)用戶中的占比最高，且其日用電特征比較符合人們正常的生產與生活方式，主要集中在金融、房地產、商務及居民服務業(yè)、住宿和餐飲業(yè)、批發(fā)和零售業(yè)、公共事業(yè)及管理組織、衛(wèi)生、社會保障和社會福利業(yè)，這些行業(yè)一般白天用峰電較多，而晚上用電較少，處于低谷狀態(tài)。相較避峰型、高負荷率型、連續(xù)型而言，迎峰型具有較大的需求響應潛力，是多維用電行為分析的重點負荷類型。

圖5 行業(yè)用戶不同特征類型負荷占比分析Fig.5 The percentage of different power features

4.2 差異化用電行為分析

將用戶用電負荷分為節(jié)假日敏感、氣溫敏感和節(jié)假日及氣溫均不敏感負荷型。圖6所示為某節(jié)假日敏感用戶全年日負荷曲線聚類結果。該用戶包含2種負荷特征曲線。

圖6 某用戶全年日負荷曲線數(shù)據(jù)挖掘分析Fig.6 Data mining analysis of annual daily load curve

分析負荷特征曲線Ⅰ、負荷特征曲線Ⅱ的氣溫敏感度、節(jié)假日敏感度，如表1所示。由表1可知，該用戶負荷特征曲線Ⅱ的節(jié)假日占比為71%，為節(jié)假日敏感負荷，負荷特征曲線Ⅰ的氣溫敏感度和節(jié)假日敏感度均較小，為節(jié)假日和氣溫均不敏感負荷。

表1 某用戶全年日負荷曲線氣溫敏感度和節(jié)假日敏感度Tab.1 Temperature and holiday sensitivities of annual daily load curve

負荷曲線天數(shù)節(jié)假日占比/%氣溫靈敏度Ⅰ266170.60Ⅱ80710.48

4.3 CBL分析

首先，分析3種差異化用電模式下的基線負荷預測精度。其次，隨機抽取某用戶對其進行CBL進行計算，驗證本文方法的有效性。

4.3.1 CBL預測綜合評估

在節(jié)假日/溫度敏感用電模式下，選取某個典型用戶，分別采用EMA、High X of Y和Middle X of Y 3種CBL方法，分析對比本文所提方法與傳統(tǒng)常規(guī)方法的預測精度，如圖7所示。針對節(jié)假日敏感用電模式，對于3種不同的計算方法而言，在數(shù)據(jù)選擇環(huán)節(jié)時考慮節(jié)假日的數(shù)據(jù)選擇將均有助于提升CBL計算的準確性。針對溫度敏感用電模式，采用調整的CBL計算方法均比不采用調整的計算方法誤差要低。

圖7 敏感用電模式下本文方法和傳統(tǒng)方法預測精度對比Fig.7 Prediction accuracy comparison with traditional method in sensitive mode

在節(jié)假日/溫度均不敏感模式下，CBL的計算不受節(jié)假日/溫度的影響，可以直接采用傳統(tǒng)基線負荷方法，但是由于EMA考慮了需求響應當日的實際負荷，因此其預測準確度較High X of Y和Middle X of Y更高，如圖8所示。

圖8 節(jié)假日/溫度均不敏感模式的基線負荷準確度對比Fig.8 Customer baseline load accuracy for holiday/temperature insensitivity

4.3.2 CBL預測結果

為了證明本文所提方法的有效性，隨機抽某一用戶對其CBL進行計算，假設需求響應時間段為13:00:00至18:00:00，需求響應當天用電模式由相似日計算得出。將本文方法和傳統(tǒng)方法作對比，結果如圖9所示。本文方法考慮了用戶用能模式的差異化，較傳統(tǒng)方法而言能夠有效提高CBL預測的準確度。

圖9 基于聚類的CBL計算方法與傳統(tǒng)方法對比分析Fig.9 Prediction accuracy comparison with traditional method in sensitive mode

綜上，相比較與傳統(tǒng)方法，針對節(jié)假日或溫度敏感型用戶負荷，考慮節(jié)假日的數(shù)據(jù)選擇和考慮溫度的調整則提升了CBL計算的準確性； 針對節(jié)假日和溫度均不敏感用戶負荷，不考慮節(jié)假日和溫度簡化了用戶CBL的計算步驟。

5 結語

基線負荷預測精度是評估需求響應效果的關鍵因素。本文提出了一種基于負荷細分的差異化CBL預測方法。該方法能夠有效篩選出迎峰型負荷用戶；將迎峰型負荷進一步精細化為氣溫敏感型、節(jié)假日敏感型和氣溫及節(jié)假日均不敏感型等3種差異化用電模式，在此基礎上提出了不同用電模式的差異化CBL預測。分析結果表明，迎峰型負荷具有較大的需求響應潛力，在行業(yè)負荷中占比較大，是基線負荷分析的重點，本文所提方法能夠有效提高CBL的預測精度。

未來在綜合能源系統(tǒng)下，用戶用能形式將更加多樣化、復雜化，所提方法能夠精細化分析綜合能源下的用能行為特征，提高綜合能源系統(tǒng)的CBL預測精度，為綜合能源系統(tǒng)的需求響應評估提供一定的參考和借鑒意義。