基于自學(xué)習(xí)優(yōu)化模型的定制化居民需求響應(yīng)預(yù)測研究

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(wù)管理中心，南昌 330001；2.北京理工大學(xué) 管理與經(jīng)濟(jì)學(xué)院，北京 100081）

0 引言

近年來因家庭電力消費(fèi)帶來的能源消耗與碳排放問題日益嚴(yán)峻［1—2］。居民用電迅速增長是造成電網(wǎng)高峰時段用電負(fù)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(biāo)下，電網(wǎng)供應(yīng)側(cè)的規(guī)模擴(kuò)張受到了極大的束縛，因此我國迫切需要從需求側(cè)開展居民用能管理，提高需求側(cè)互動能力。

電力需求響應(yīng)作為需求側(cè)管理的重要舉措，在全世界范圍內(nèi)得到了廣泛的應(yīng)用［5—6］。國內(nèi)外學(xué)者圍繞園區(qū)［7］，以及工、商業(yè)用戶［8］的電力需求響應(yīng)開展了一系列的研究和試點應(yīng)用。居民電力消費(fèi)具有單體負(fù)荷小、分布散、隨機(jī)性強(qiáng)、可控性低等特點，為針對家庭用戶開展需求側(cè)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(luò)（long shortterm memory,LSTM）構(gòu)建居民電力需求響應(yīng)自學(xué)習(xí)優(yōu)化模型。需求響應(yīng)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(dāng)天19：00—20：30將開展需求響應(yīng)活動，對于有意愿參與的用戶，若這1.5 h內(nèi)比前一天（基準(zhǔn)日）用電量減少1 kWh，將給予相應(yīng)的紅包獎勵。需求響應(yīng)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(yīng)時間段采集需求響應(yīng)數(shù)據(jù)，通過構(gòu)建基于時間卷積神經(jīng)網(wǎng)絡(luò)模型的多變量時間序列模型，對居民用戶響應(yīng)電量進(jìn)行預(yù)測；針對特定削峰填谷目標(biāo)，基于居民需求響應(yīng)行為預(yù)測結(jié)果，得到微觀家庭差異化響應(yīng)策略優(yōu)先級排序，基于優(yōu)化算法制定個性化需求響應(yīng)調(diào)控指標(biāo)分配方案，以最小的成本實現(xiàn)需求響應(yīng)目標(biāo)。

1 參與需求響應(yīng)用戶關(guān)鍵特征識別

1.1 關(guān)鍵特征提取

為了詳細(xì)分析回復(fù)邀約用戶、節(jié)電響應(yīng)用戶與不同響應(yīng)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(gòu)建特征，再運(yùn)用機(jī)器學(xué)習(xí)方法，對所構(gòu)建的特征與響應(yīng)標(biāo)簽（是否回復(fù)邀約、是否行動響應(yīng)、響應(yīng)程度高、中、低）進(jìn)行模型擬合，最終對擬合的響應(yīng)結(jié)果進(jìn)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(yù)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(jìn)行補(bǔ)充。其次通過經(jīng)驗?zāi)B(tài)分解方法對原始用電時間序列進(jìn)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(diào)查問卷中關(guān)于居民的社會與經(jīng)濟(jì)屬性，通過對歷史用電序列信息進(jìn)行充分的挖掘，分別構(gòu)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(biāo)準(zhǔn)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(zhǔn)電量等變量做歸一化處理，其次，由于影響居民節(jié)電響應(yīng)程度的原因極為復(fù)雜，因此選用機(jī)器學(xué)習(xí)中應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)進(jìn)行擬合。通過反復(fù)地構(gòu)建模型，將篩選出的特征放入列表中，在剩余特征上重復(fù)該過程，貢獻(xiàn)度特征重要性前6名如表1所示。

排名123456貢獻(xiàn)度特征重要性用戶基準(zhǔn)電量需求響應(yīng)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(yīng)自學(xué)習(xí)優(yōu)化模型

2.1 需求響應(yīng)用戶行為分析

用戶在參與需求響應(yīng)過程中，主要目標(biāo)是在保證生活舒適和電力設(shè)備穩(wěn)定的基礎(chǔ)上，實現(xiàn)電力消費(fèi)最小化。針對多方面因素對用戶的需求響應(yīng)潛力進(jìn)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(yīng)，使得在精確達(dá)成削減負(fù)荷目標(biāo)的前提下，合理控制需求響應(yīng)成本。

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

2.2 基于LSTM的用戶需求響應(yīng)預(yù)測建模

本文采用LSTM對需求響應(yīng)用戶的響應(yīng)程度進(jìn)行預(yù)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(yīng)激勵、用戶特征等，輸出數(shù)據(jù)為用戶聚合體的用電負(fù)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(yīng)激勵、用戶特征等信息；ht為用戶用電情況；wf為權(quán)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(dāng)前輸入單元狀態(tài)，算法如式（2），對于當(dāng)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(guān)鍵；wi、wc為權(quán)值；zt為當(dāng)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(dāng)前輸出單元狀態(tài)，算法如式（5），當(dāng)前輸出狀態(tài)如式（6）

具體預(yù)測結(jié)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(quán)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(fù)荷目標(biāo)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(chǎn)生不必要的需求響應(yīng)成本。根據(jù)需求響應(yīng)用戶特點，針對給定削減負(fù)荷目標(biāo)，依次選擇合適比例的用戶進(jìn)行邀約，能夠以最小成本實現(xiàn)需求響應(yīng)目標(biāo)。

3.1 用戶響應(yīng)預(yù)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(yīng)試點數(shù)據(jù)，結(jié)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(yīng)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(yīng)用戶微觀調(diào)查問卷數(shù)據(jù)（包含家庭收入、家庭人口結(jié)構(gòu)、家庭常用電器等多種信息）。

將具有完整標(biāo)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(xùn)練集與測試集，對訓(xùn)練結(jié)果進(jìn)行驗證。關(guān)于用戶是否進(jìn)行需求響應(yīng)的判別模型中的目標(biāo)變量，取用戶響應(yīng)為1，不響應(yīng)為0，進(jìn)行模型訓(xùn)練，驗證結(jié)果如表2。

類別/指標(biāo)模型準(zhǔn)確度未響應(yīng)用戶0.82響應(yīng)用戶0.90

模型在未響應(yīng)用戶判斷的準(zhǔn)確率為82%，模型在響應(yīng)用戶的判別上，準(zhǔn)確率為90%，說明設(shè)置的模型能夠較高程度識別用戶響應(yīng)情況。

依據(jù)對居民進(jìn)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(jìn)一步對重要信息與預(yù)測結(jié)果的關(guān)系進(jìn)行探究，得出用戶基準(zhǔn)電量與用戶是否接受邀約有正相關(guān)關(guān)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(guān)系如圖2，根據(jù)分析結(jié)果，為居民響應(yīng)預(yù)測提供參考。

3.2 需求響應(yīng)潛力預(yù)測

為了構(gòu)建電力數(shù)據(jù)和需求響應(yīng)潛力之間的關(guān)聯(lián)，或通過電力消費(fèi)數(shù)據(jù)反推用戶需求響應(yīng)潛力，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，對標(biāo)簽進(jìn)行學(xué)習(xí)，進(jìn)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(jìn)行月度數(shù)據(jù)的自動特征提取。訓(xùn)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(fèi)數(shù)據(jù)的實際值與預(yù)測值。

從模型訓(xùn)練結(jié)果來看，模型很快就達(dá)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(yù)測結(jié)果看，整體預(yù)測效果較好，可以進(jìn)一步推廣應(yīng)用。預(yù)測結(jié)果如圖3所示。

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

3.3 定制化需求響應(yīng)策略生成

目前，江西應(yīng)用自學(xué)習(xí)優(yōu)化模型開展了居民電力需求響應(yīng)試點工作。逐步形成分地區(qū)、分層次的需求響應(yīng)調(diào)節(jié)潛力方案，根據(jù)電網(wǎng)調(diào)節(jié)需求，在削峰負(fù)荷目標(biāo)確定的情況下確定合適的邀約比例，根據(jù)居民需求響應(yīng)潛力自動優(yōu)化形成精準(zhǔn)的目標(biāo)客戶推送策略。

4 結(jié)束語

本文針對特定削峰目標(biāo)，基于大規(guī)模激勵型居民需求響應(yīng)試驗數(shù)據(jù)，應(yīng)用特征工程，分析居民用戶特點，標(biāo)簽化用戶各類屬性；結(jié)合神經(jīng)網(wǎng)絡(luò)構(gòu)建居民電力需求響應(yīng)自學(xué)習(xí)優(yōu)化模型，對用戶響應(yīng)情況以及響應(yīng)潛力進(jìn)行預(yù)測，提供有針對性的需求響應(yīng)優(yōu)化策略，為電力公司需求響應(yīng)工作開展提供了高效細(xì)致的解決方案，降低了需求響應(yīng)的成本。此研究成果在江西省進(jìn)行試用，取得了較為良好的成效。本研究針對用電量進(jìn)行預(yù)測，受限于樣本庫質(zhì)量，在后續(xù)研究中會進(jìn)一步擴(kuò)大樣本庫規(guī)模，不斷提高預(yù)測效果，實現(xiàn)需求響應(yīng)管理智能化決策。D