盧 婕，劉向向，趙振佐，趙文輝，鄧娜娜，王 博

（1.國網(wǎng)江西省電力有限公司 供電服務管理中心，南昌 330001；2.北京理工大學 管理與經(jīng)濟學院，北京 100081）

0 引言

近年來因家庭電力消費帶來的能源消耗與碳排放問題日益嚴峻［1—2］。居民用電迅速增長是造成電網(wǎng)高峰時段用電負荷呈現(xiàn)兩位數(shù)增長、峰谷差不斷增大的重要原因［3—4］。我國電力系統(tǒng)面臨緩解供需矛盾、節(jié)能減排的雙重壓力，在“雙碳”的目標下，電網(wǎng)供應側的規(guī)模擴張受到了極大的束縛，因此我國迫切需要從需求側開展居民用能管理，提高需求側互動能力。

電力需求響應作為需求側管理的重要舉措，在全世界范圍內得到了廣泛的應用［5—6］。國內外學者圍繞園區(qū)［7］，以及工、商業(yè)用戶［8］的電力需求響應開展了一系列的研究和試點應用。居民電力消費具有單體負荷小、分布散、隨機性強、可控性低等特點，為針對家庭用戶開展需求側管理帶來了挑戰(zhàn)。

因此，本文基于長短期記憶神經(jīng)網(wǎng)絡（long shortterm memory,LSTM）構建居民電力需求響應自學習優(yōu)化模型。需求響應開展情況如下：每天早上通過短信的方式發(fā)送信息給用戶，通知當天19：00—20：30將開展需求響應活動，對于有意愿參與的用戶，若這1.5 h內比前一天（基準日）用電量減少1 kWh，將給予相應的紅包獎勵。需求響應實驗針對迎峰度夏與迎峰度冬場景多次開展，涉及居民百萬余戶。

此后，在相應時間段采集需求響應數(shù)據(jù)，通過構建基于時間卷積神經(jīng)網(wǎng)絡模型的多變量時間序列模型，對居民用戶響應電量進行預測；針對特定削峰填谷目標，基于居民需求響應行為預測結果，得到微觀家庭差異化響應策略優(yōu)先級排序，基于優(yōu)化算法制定個性化需求響應調控指標分配方案，以最小的成本實現(xiàn)需求響應目標。

1 參與需求響應用戶關鍵特征識別

1.1 關鍵特征提取

為了詳細分析回復邀約用戶、節(jié)電響應用戶與不同響應程度用戶的特征，在采集數(shù)據(jù)后，開展特征工程，充分挖掘歷史用電序列信息構建特征，再運用機器學習方法，對所構建的特征與響應標簽（是否回復邀約、是否行動響應、響應程度高、中、低）進行模型擬合，最終對擬合的響應結果進行評估和優(yōu)化，流程圖如圖1所示。

1.2 特征工程

1.2.1 數(shù)據(jù)預處理

首先通過最小二乘法擬合缺失的用電量，對數(shù)據(jù)進行補充。其次通過經(jīng)驗模態(tài)分解方法對原始用電時間序列進行分析，基于日用電特征（由高速寬帶載波（high power line carrier,HPLC）智能電能表每15 min采集得來）、年用電序列特征與調查問卷中關于居民的社會與經(jīng)濟屬性，通過對歷史用電序列信息進行充分的挖掘，分別構建歷史時間序列整體特征與局部特征。整體序列特征包括居民平均用電量、居民用電序列標準差、歷史用電峰度、居民用電長短期趨勢等。局部特征包括時間序列的周期性及波動性的近似熵和分位數(shù)。

1.2.2 特征篩選

首先對用戶基準電量等變量做歸一化處理，其次，由于影響居民節(jié)電響應程度的原因極為復雜，因此選用機器學習中應用廣泛的神經(jīng)網(wǎng)絡模型對數(shù)據(jù)進行擬合。通過反復地構建模型，將篩選出的特征放入列表中，在剩余特征上重復該過程，貢獻度特征重要性前6名如表1所示。

排名123456貢獻度特征重要性用戶基準電量需求響應實驗日期歷史用電中位數(shù)歷史用電25%分位數(shù)用電長期增長率歷史平均用電量

2 居民需求響應自學習優(yōu)化模型

2.1 需求響應用戶行為分析

用戶在參與需求響應過程中，主要目標是在保證生活舒適和電力設備穩(wěn)定的基礎上，實現(xiàn)電力消費最小化。針對多方面因素對用戶的需求響應潛力進行評估并形成潛力優(yōu)先級順序，從而在一定裕度下優(yōu)選合適數(shù)量用戶參與需求響應，使得在精確達成削減負荷目標的前提下，合理控制需求響應成本。

根據(jù)電力削減負荷的目標，結合居民智慧用能標本庫中用戶負荷數(shù)據(jù)和參與需求響應的歷史信息，通過構建基于時間卷積神經(jīng)網(wǎng)絡模型的多變量時間序列模型，對上述居民用戶響應電量進行預測。在不同的邀約比例下，對上述的居民排序進行仿真模擬得到用戶響應負荷潛力的情況。

2.2 基于LSTM的用戶需求響應預測建模

本文采用LSTM對需求響應用戶的響應程度進行預測。輸入數(shù)據(jù)選擇對用戶用電影響最大的環(huán)境因素（溫度和濕度）、零售電價、需求響應激勵、用戶特征等，輸出數(shù)據(jù)為用戶聚合體的用電負荷。

遺忘門ft決定上一時刻的狀態(tài)單元中要舍棄和保留的信息

式中：ft為遺忘門輸出變量；σ為sigmoid函數(shù)；xt為輸入數(shù)據(jù)，指溫度和濕度、零售電價、需求響應激勵、用戶特征等信息；ht為用戶用電情況；wf為權值；bf為偏值，分別是各層的神經(jīng)元系數(shù)。

輸入門使用上一個時刻的輸出和本次輸入計算當前輸入單元狀態(tài)，算法如式（2），對于當前的輸入狀態(tài)計算如式（3）

式中：it為更新的狀態(tài)單元，是LSTM能夠長期保持記憶的關鍵；wi、wc為權值；zt為當前輸入狀態(tài)；bi,bc為偏值；ct-1為上一時刻單元狀態(tài)；ct為本時刻單元狀態(tài)；tanh為雙曲正切函數(shù)，將ct控制在［-1,1］之間，表示輸出門狀態(tài)更新。輸出門使用上一個時刻的輸出和本次輸出計算當前輸出單元狀態(tài)，算法如式（5），當前輸出狀態(tài)如式（6）

具體預測結果為

式中：ot為更新的輸出單元；xt為輸入數(shù)據(jù)；wo、wd為權值，bo、bd為偏值，為輸出神經(jīng)元系數(shù)；每個時刻輸入變量包含上一時刻單元狀態(tài)ct；yt為最終輸出的用戶用電情況。

3 算例分析

在給定削減負荷目標場景下，若向全部用戶發(fā)送邀約，則成本高、效果存在不確定性，產生不必要的需求響應成本。根據(jù)需求響應用戶特點，針對給定削減負荷目標，依次選擇合適比例的用戶進行邀約，能夠以最小成本實現(xiàn)需求響應目標。

3.1 用戶響應預測

本研究基于2019年7月19日至2019年8月19日在江西多地開展的6次居民電力需求響應試點數(shù)據(jù)，結合158 000戶邀約用戶24個月的月度用電量以及上述居民參與需求響應前后7天HPLC智能電能表每15 min的用電數(shù)據(jù)。同時，集成12 600份參與需求響應用戶微觀調查問卷數(shù)據(jù)（包含家庭收入、家庭人口結構、家庭常用電器等多種信息）。

將具有完整標簽的用戶數(shù)據(jù)匯聚成數(shù)據(jù)集，將數(shù)據(jù)集合按照7∶3的比例分為訓練集與測試集，對訓練結果進行驗證。關于用戶是否進行需求響應的判別模型中的目標變量，取用戶響應為1，不響應為0，進行模型訓練，驗證結果如表2。

類別/指標模型準確度未響應用戶0.82響應用戶0.90

模型在未響應用戶判斷的準確率為82%，模型在響應用戶的判別上，準確率為90%，說明設置的模型能夠較高程度識別用戶響應情況。

依據(jù)對居民進行的特征工程分析，繼續(xù)衡量居民是否接受邀約的影響因素。本文進一步對重要信息與預測結果的關系進行探究，得出用戶基準電量與用戶是否接受邀約有正相關關系，而歷史用電中位數(shù)等信息對判斷用戶是否接受邀約作用較小，具體關系如圖2，根據(jù)分析結果，為居民響應預測提供參考。

3.2 需求響應潛力預測

為了構建電力數(shù)據(jù)和需求響應潛力之間的關聯(lián)，或通過電力消費數(shù)據(jù)反推用戶需求響應潛力，構建神經(jīng)網(wǎng)絡模型，對標簽進行學習，進而外推到其他未獲取到問卷的用戶。采取LSTM方式，輸入環(huán)境溫度、濕度、電價等數(shù)據(jù)，進行月度數(shù)據(jù)的自動特征提取。訓練過程中的均方根誤差為

式中：RMSE為均方根誤差值；M為測試樣本總數(shù)；factual，fpredict分別為消費數(shù)據(jù)的實際值與預測值。

從模型訓練結果來看，模型很快就達到收斂狀態(tài)，損失函數(shù)穩(wěn)定在0.000 015左右。模型快速收斂，且誤差較小。從預測結果看，整體預測效果較好，可以進一步推廣應用。預測結果如圖3所示。

根據(jù)居民用戶特征工程后的標簽，對居民實際響應量進行模擬預測，推斷用戶需求響應潛力，使需求響應潛力更大的用戶排序更靠前，并不斷修正排序結果，最終得到目標水平下的最優(yōu)激勵水平。

3.3 定制化需求響應策略生成

目前，江西應用自學習優(yōu)化模型開展了居民電力需求響應試點工作。逐步形成分地區(qū)、分層次的需求響應調節(jié)潛力方案，根據(jù)電網(wǎng)調節(jié)需求，在削峰負荷目標確定的情況下確定合適的邀約比例，根據(jù)居民需求響應潛力自動優(yōu)化形成精準的目標客戶推送策略。

4 結束語

本文針對特定削峰目標，基于大規(guī)模激勵型居民需求響應試驗數(shù)據(jù)，應用特征工程，分析居民用戶特點，標簽化用戶各類屬性；結合神經(jīng)網(wǎng)絡構建居民電力需求響應自學習優(yōu)化模型，對用戶響應情況以及響應潛力進行預測，提供有針對性的需求響應優(yōu)化策略，為電力公司需求響應工作開展提供了高效細致的解決方案，降低了需求響應的成本。此研究成果在江西省進行試用，取得了較為良好的成效。本研究針對用電量進行預測，受限于樣本庫質量，在后續(xù)研究中會進一步擴大樣本庫規(guī)模，不斷提高預測效果，實現(xiàn)需求響應管理智能化決策。D