基于邊緣計(jì)算的臺區(qū)負(fù)荷可調(diào)節(jié)潛力研究

祁 兵，李鵬云，李 彬

（華北電力大學(xué) 電氣與電子工程學(xué)院，北京 102206）

0 引言

我國電力企業(yè)越來越重視需求側(cè)的互動和服務(wù)，用戶也初步具備了參與電網(wǎng)公司開展需求響應(yīng)工作的意愿，需求響應(yīng)強(qiáng)化了用戶與電網(wǎng)的交互能力，更有利于挖掘用戶側(cè)的調(diào)節(jié)能力[1-3]。由于電力系統(tǒng)需要保持靈活敏捷的調(diào)控能力，從需求側(cè)進(jìn)行負(fù)荷可調(diào)度能力的分析，有助于電網(wǎng)側(cè)高效解決負(fù)荷峰谷差的問題，改善用戶用電，達(dá)到削峰填谷的作用[4]。為了支撐更多終端資源參與到電網(wǎng)企業(yè)提供的可調(diào)節(jié)負(fù)荷相關(guān)互動與服務(wù)中，以及解決云計(jì)算中心海量的電力數(shù)據(jù)的問題[5]，提出了邊緣計(jì)算模式的融合[6]。邊緣計(jì)算模型將計(jì)算分析功能擴(kuò)展到網(wǎng)絡(luò)邊緣側(cè)一些具備計(jì)算能力的設(shè)備，只需要將計(jì)算分析結(jié)果上傳至云中心，即可很大程度上減輕云計(jì)算中心的壓力。

近年來，國內(nèi)外研究人員在負(fù)荷可調(diào)節(jié)潛力方面進(jìn)行了大量研究，主要是集中在溫控負(fù)荷的建模以及調(diào)節(jié)能力評估上。文獻(xiàn)[7]提出了一種基于溫度預(yù)報(bào)的戶用電采暖負(fù)荷可調(diào)節(jié)能力的評估方法，引入基于數(shù)值天氣預(yù)報(bào)獲取未來一定時(shí)間段內(nèi)的溫度參數(shù),評估了在滿足人體舒適度的溫度區(qū)間下的戶用電采暖負(fù)荷的可調(diào)節(jié)能力。文獻(xiàn)[8]針對靈活可調(diào)的負(fù)荷，建立了電熱負(fù)荷參數(shù)的均勻聚類模型，分析了其調(diào)節(jié)電熱負(fù)荷聚類的潛力。文獻(xiàn)[9]針對電動汽車和空調(diào)，提出了一種粒子群算法，通過該算法進(jìn)行了柔性負(fù)荷可調(diào)度潛力策略研究。文獻(xiàn)[10]建立了一種基于實(shí)時(shí)電價(jià)下的用戶可調(diào)節(jié)能力模型，解決了供電與用電間的電力供需不平衡問題，實(shí)現(xiàn)用戶積極響應(yīng)及利益最大化。文獻(xiàn)[11]針對不同用戶響應(yīng)行為的不確定性、響應(yīng)時(shí)延等問題，提出了一種基于需求響應(yīng)信息物理系統(tǒng)的耦合特性，對用戶可調(diào)節(jié)潛力和聚合商調(diào)度可靠性進(jìn)行了建模。文獻(xiàn)[12]考慮用戶負(fù)荷特性和可調(diào)節(jié)潛力的用戶用電行為，提出了一種融合K?means 和自組織映射（Self?Organizing Maps，SOM）進(jìn)行二次聚類綜合聚類的方法。部分研究學(xué)者認(rèn)為，在臺區(qū)開展可調(diào)節(jié)潛力分析具有重要的意義，但需要考慮大規(guī)模用戶負(fù)荷在不同時(shí)間維度下所展現(xiàn)的動態(tài)調(diào)節(jié)潛力的分析，目前相關(guān)研究工作正在開展。圍繞影響調(diào)節(jié)潛力的共性因素，本文提出一種面向臺區(qū)大規(guī)模用戶負(fù)荷進(jìn)行潛力分析研究的方法，采用邊緣計(jì)算的模式，依靠長短期記憶（Long Short?term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)算法評估不同維度下的用戶終端可調(diào)節(jié)潛力，并通過算例仿真分析驗(yàn)證了該方法的可行性與有效性。

1 基于邊緣計(jì)算的臺區(qū)可調(diào)節(jié)潛力分析架構(gòu)

在傳統(tǒng)臺區(qū)內(nèi)，由于缺乏智能化的方法和設(shè)備，導(dǎo)致邊緣側(cè)計(jì)算能力較弱，無法支撐邊緣計(jì)算模型以及進(jìn)行大規(guī)模的負(fù)荷可調(diào)節(jié)潛力分析。因此，在臺區(qū)內(nèi)最重要的是安裝智能配變終端[13]?；谶吘売?jì)算能力的臺區(qū)智能融合終端是配電臺區(qū)以及用電側(cè)的邊緣物聯(lián)節(jié)點(diǎn)，具備海量數(shù)據(jù)存儲及強(qiáng)大的邊緣計(jì)算能力，可以分擔(dān)主站功能，實(shí)現(xiàn)對用戶和包括電能表在內(nèi)的用采終端的管控，實(shí)現(xiàn)信息實(shí)時(shí)的互聯(lián)互通，推動營配貫通。

1.1 臺區(qū)電氣連接架構(gòu)

智能化終端設(shè)備采用“硬件平臺化，軟件APP化”的設(shè)計(jì)理念，配電臺區(qū)作為數(shù)據(jù)匯聚和邊緣計(jì)算中心[14]。根據(jù)智能配變終端功能及定位，提出基于邊緣模式下臺區(qū)電氣連接架構(gòu)圖，如圖1所示。

圖1 基于邊緣計(jì)算臺區(qū)結(jié)構(gòu)示意圖Fig.1 Structure diagram based on edge computing platform

用戶側(cè)作為數(shù)據(jù)源頭，主要功能是生產(chǎn)數(shù)據(jù)和執(zhí)行決策。線路側(cè)主要由智能開關(guān)構(gòu)成，以便實(shí)現(xiàn)邊緣計(jì)算賦能和統(tǒng)一通信能力。配變側(cè)主要由智能配變終端、臺區(qū)總表、進(jìn)線總漏電保護(hù)器、進(jìn)出線柱頭等構(gòu)成。智能配變終端是具備邊緣計(jì)算能力的邊緣物聯(lián)節(jié)點(diǎn)，將基站功能與終端集成為一體。

在邊緣側(cè)對智能電能表、監(jiān)測設(shè)備采集的數(shù)據(jù)進(jìn)行就地分析處理并提供就地決策，實(shí)現(xiàn)設(shè)備管理、單元能效優(yōu)化、臺區(qū)管理等功能，以提高管理效率和滿足實(shí)時(shí)性要求。對于設(shè)備預(yù)測能力及其維護(hù)等需要在云端進(jìn)行數(shù)據(jù)處理、分析和訓(xùn)練。訓(xùn)練模型可在邊緣智能設(shè)備中定期更新，以提供更精準(zhǔn)的決策。

1.2 融合邊緣計(jì)算的智能分析系統(tǒng)架構(gòu)

融合邊緣計(jì)算的智能分析系統(tǒng)架構(gòu)如圖2 所示。該系統(tǒng)主要包括數(shù)據(jù)采集終端、邊緣智能處理單元和云中心三個(gè)模塊。數(shù)據(jù)采集終端將歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)采集上傳處理，為邊緣計(jì)算提供數(shù)據(jù)支撐。邊緣智能處理單元主要處理實(shí)時(shí)輕量型數(shù)據(jù)，對數(shù)據(jù)進(jìn)行存儲處理之后，將模型訓(xùn)練數(shù)據(jù)上傳至云中心。云中心適合處理非實(shí)時(shí)性、復(fù)雜度高的數(shù)據(jù)，主要對歷史數(shù)據(jù)進(jìn)行LSTM算法模型訓(xùn)練，并將訓(xùn)練好的模型移植到邊緣智能處理單元中，通過邊緣處理單元存儲實(shí)時(shí)數(shù)據(jù)進(jìn)行邊緣計(jì)算，進(jìn)而完成可調(diào)節(jié)潛力的實(shí)時(shí)分析。

圖2 融合邊緣計(jì)算的智能分析系統(tǒng)架構(gòu)Fig.2 Intelligent analysis system with edge computing

融合邊緣計(jì)算的智能分析系統(tǒng)將云中心的部分功能下放到邊緣側(cè)，邊緣計(jì)算既能夠減輕云中心的數(shù)據(jù)流量壓力，又能夠提高數(shù)據(jù)處理效率，實(shí)現(xiàn)可調(diào)節(jié)潛力分析的高實(shí)時(shí)性和低時(shí)延特性。

2 基于邊緣計(jì)算的負(fù)荷調(diào)節(jié)潛力算法

2.1 LSTM神經(jīng)網(wǎng)絡(luò)算法原理

LSTM深度神經(jīng)網(wǎng)絡(luò)屬于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recur?rent Neural Network，RNN）的一種，當(dāng)前輸出不僅與當(dāng)前輸入相關(guān)，還與RNN 之前的輸出有關(guān)，即此刻狀態(tài)與上一刻的歷史狀態(tài)有一定程度的關(guān)系，且可能導(dǎo)致下一刻狀態(tài)的變化[15]。

LSTM網(wǎng)絡(luò)有三個(gè)門結(jié)構(gòu)，分別是輸入門，用于控制信息輸入；遺忘門，用于控制細(xì)胞歷史狀態(tài)信息的保留；輸出門，用于控制信息輸出[16]。激勵函數(shù)σ使得遺忘門的輸出值在[0，1]，當(dāng)遺忘門輸出為0時(shí)，表示上一狀態(tài)的信息全部丟棄；當(dāng)遺忘門輸出為1時(shí)，表示上一狀態(tài)的信息全部保留，其涉及的過程和公式如下：

遺忘門：

輸入門：

記憶單元狀態(tài)：

圖3 LSTM神經(jīng)元內(nèi)部結(jié)構(gòu)Fig.3 Internal structure of LSTM neurous

輸出門：

式中：ht-1為t-1 時(shí)刻的輸出數(shù)據(jù)；xt為t 時(shí)刻的輸入數(shù)據(jù)；ct-1為t-1 時(shí)刻的細(xì)胞狀態(tài)；ft為遺忘門系數(shù)；it為輸入門系數(shù)；為通過tanh 函數(shù)得到的輸入數(shù)據(jù)；ct為t時(shí)刻更新后的細(xì)胞狀態(tài)；ot為輸出系數(shù)；ht為t時(shí)刻的輸出數(shù)據(jù)；σ為sigmoid函數(shù)；Wf和bf分別為t-1 時(shí)刻到達(dá)t 時(shí)刻的神經(jīng)元所對應(yīng)的遺忘門的權(quán)重和偏置；Wi和bi分別為t-1 時(shí)刻到達(dá)t時(shí)刻的神經(jīng)元所對應(yīng)的輸入門的權(quán)重和偏置；Wc和bc分別為t-1 時(shí)刻到達(dá)t 時(shí)刻的神經(jīng)元所對應(yīng)的輸入數(shù)據(jù)的權(quán)重和偏置；Wo和bo分別為t-1時(shí)刻到達(dá)t時(shí)刻的神經(jīng)元所對應(yīng)的輸出門的權(quán)重和偏置。

由于LSTM神經(jīng)網(wǎng)絡(luò)具有特殊的門結(jié)構(gòu)和記憶功能，可以避免傳統(tǒng)RNN梯度消失問題[17-19]，且可以記憶數(shù)據(jù)的長期依賴關(guān)系，非常適用于處理具有時(shí)間相關(guān)性的序列信息[20]。

基于LSTM的神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下：

（1）將t 時(shí)刻數(shù)據(jù)特征輸入輸入層，經(jīng)過激勵函數(shù)輸出結(jié)果；

（2）將輸入層輸出結(jié)果、t-1時(shí)刻隱藏層輸出結(jié)果和t-1 時(shí)刻Cell 單元存儲的信息輸入LSTM 結(jié)構(gòu)的節(jié)點(diǎn)中，通過輸入門、輸出門、遺忘門和Cell 單元的處理，輸出數(shù)據(jù)到下一層隱藏層或輸出層；

（3）將LSTM結(jié)構(gòu)節(jié)點(diǎn)的輸出結(jié)果代入輸出層神經(jīng)元，輸出結(jié)果；

（4）誤差反向傳播，更新各個(gè)權(quán)值。

2.2 負(fù)荷調(diào)節(jié)潛力評估方法

對于電力負(fù)荷的可調(diào)節(jié)潛力分析評估，采用數(shù)據(jù)分析與負(fù)荷預(yù)測融合的方法開展研究[21]。首先對原始數(shù)據(jù)特征進(jìn)行選取，提取臺區(qū)內(nèi)家庭用戶正常生活的電氣數(shù)據(jù)，并且進(jìn)行預(yù)處理，消除不同量綱的影響，選擇與負(fù)荷可調(diào)節(jié)潛力高度相關(guān)的狀態(tài)變量作為輸入變量。其次是LSTM 預(yù)測模型訓(xùn)練過程，將采集處理之后狀態(tài)變量作為輸入變量，電力負(fù)荷作為輸出，接著對LSTM 網(wǎng)絡(luò)進(jìn)行訓(xùn)練[22]，通過迭代更新權(quán)值和偏置使誤差最小，獲得負(fù)荷功率預(yù)測模型。最后，進(jìn)行負(fù)荷調(diào)節(jié)潛力計(jì)算，采用兩種方法、兩個(gè)維度進(jìn)行可調(diào)節(jié)潛力分析處理：方法一，直接對歷史負(fù)荷數(shù)據(jù)進(jìn)行數(shù)學(xué)計(jì)算，量化為可調(diào)節(jié)潛力，再利用歷史負(fù)荷可調(diào)節(jié)潛力數(shù)據(jù)進(jìn)行預(yù)測；方法二，先將歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測分析，再利用數(shù)學(xué)方法進(jìn)行潛力分析。在不同方法分析過程中，采用特征對比明顯的時(shí)間段進(jìn)行潛力分析會更加準(zhǔn)確，因此利用時(shí)間維度對負(fù)荷數(shù)據(jù)進(jìn)行劃分，維度一采用不同月份之間的負(fù)荷數(shù)據(jù)，維度二采用工作日與節(jié)假日之間的負(fù)荷數(shù)據(jù)，以提高模型的適用性。

2.2.1 LSTM算法模型

LSTM算法模型一共5層，包括兩個(gè)LSTM層、兩個(gè)dropout層和一個(gè)全連接層。第一層LSTM網(wǎng)絡(luò)中隱藏層的神經(jīng)元個(gè)數(shù)設(shè)置為80，第二層LSTM網(wǎng)絡(luò)中隱藏層的神經(jīng)元個(gè)數(shù)設(shè)置為100，模型的損失函數(shù)設(shè)置為預(yù)測結(jié)果與實(shí)際值的均方誤差，并采用Adam優(yōu)化器。LSTM模型的訓(xùn)練參數(shù)見表1。

表1 LSTM模型訓(xùn)練參數(shù)Tab.1 Parameters of LSTM training model

為評價(jià)電力可調(diào)節(jié)能力預(yù)測模型的性能，評價(jià)指標(biāo)選擇均方根誤差（Root Absolute Error，RMSE），式中記作RMSE、均方誤差（Mean Square Error，MSE），式中記作MSE，各評價(jià)指標(biāo)的計(jì)算公式分別如式（7）、式（8）所示：

式中：fi，yi分別為某個(gè)時(shí)刻負(fù)荷實(shí)際值、預(yù)測值，其中i=1，2，…，N，N 為數(shù)據(jù)集時(shí)間序列的長度。在預(yù)測模型評價(jià)指標(biāo)中，MSE是指參數(shù)估計(jì)值與參數(shù)真實(shí)值之差平方的期望值；RMSE 是均方誤差的算術(shù)平方根。MSE和RMSE可以評價(jià)數(shù)據(jù)的變化程度和預(yù)測結(jié)果的準(zhǔn)確性，MSE和RMSE的值越小，說明預(yù)測模型描述試驗(yàn)數(shù)據(jù)的精確度越高。

2.2.2 負(fù)荷可調(diào)節(jié)潛力計(jì)算流程

綜合考慮上述算法特點(diǎn)，提出了基于LSTM 深度學(xué)習(xí)算法的負(fù)荷潛力評估模型。該計(jì)算模型主要包括三個(gè)過程：數(shù)據(jù)采集處理過程、LSTM預(yù)測過程和負(fù)荷潛力分析評估過程。具體流程圖如圖4所示。

圖4 基于LSTM模型的潛力分析流程圖Fig.4 Flow chart of potential analysis based on LSTM model

基于邊緣計(jì)算模式的負(fù)荷可調(diào)節(jié)潛力的計(jì)算方法主要包括以下步驟；

（1）在臺區(qū)內(nèi)安裝邊緣計(jì)算裝置，利用邊緣計(jì)算裝置采集不同用戶、不同時(shí)刻、不同類別的電氣特征參數(shù)作為模型訓(xùn)練測試數(shù)據(jù)集；

（2）對數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理；

（3）選取與待測時(shí)刻的電氣特征參數(shù)同一類簇的歷史數(shù)據(jù)作為云平臺預(yù)測模型的訓(xùn)練樣本，通過LSTM 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，得到臺區(qū)負(fù)荷潛力預(yù)測模型，訓(xùn)練完成后使用sklearn數(shù)據(jù)庫提供的pickle 函數(shù)將模型每一層的結(jié)構(gòu)、權(quán)重和偏置及映射關(guān)系等參數(shù)進(jìn)行保存；

（4）將保存的分析模型移植到邊緣計(jì)算的終端設(shè)備中，并通過實(shí)時(shí)待測電氣參數(shù)的驅(qū)動，得到實(shí)時(shí)負(fù)荷潛力曲線。

3 算例分析驗(yàn)證

3.1 算例說明

為了驗(yàn)證LSTM模型在電力負(fù)荷調(diào)節(jié)潛力方面應(yīng)用的可行性與有效性，本文選取某地區(qū)實(shí)際電力負(fù)荷數(shù)據(jù)部分樣本（每15 min 一個(gè)采樣點(diǎn)，每日96點(diǎn)，量綱為MW）進(jìn)行算例分析。按照前文所述兩種方法、每種方法兩個(gè)維度進(jìn)行展開，采用2014 年8月與1月的10戶電力負(fù)荷數(shù)據(jù)進(jìn)行維度一分析，以2014-09-26—09-30電力負(fù)荷數(shù)據(jù)為工作日樣本數(shù)據(jù)，以2014-10-01—10-05 電力負(fù)荷數(shù)據(jù)為節(jié)假日樣本數(shù)據(jù)進(jìn)行維度二分析。

經(jīng)過訓(xùn)練集多次迭代，得出最優(yōu)負(fù)荷可調(diào)節(jié)潛力預(yù)測模型，使用該模型對測試集進(jìn)行預(yù)測，所得預(yù)測曲線如圖5所示。由圖5可知，LSTM模型的預(yù)測結(jié)果接近實(shí)際曲線，精確度較高。

圖5 各維度負(fù)荷預(yù)測曲線Fig.5 Load predication curve of each dimension

為了進(jìn)一步驗(yàn)證LSTM 模型的預(yù)測性能，分別計(jì)算RMSE、MSE 值，將LSTM 模型與RNN 模型預(yù)測結(jié)果進(jìn)行對比，見表2。在使用相同方法、相同維度、不同模型的情況下，評價(jià)指標(biāo)會呈現(xiàn)不同程度的差異。在方法一、維度一情況下，LSTM 模型比RNN模型的MSE指標(biāo)下降了5.3%，RMSE指標(biāo)下降了2.6%；在方法一、維度二情況下，LSTM 模型比RNN模型的MSE指標(biāo)下降了5.5%，RMSE指標(biāo)下降了2.7%。在方法二、維度一情況下，8月與1月結(jié)果中，LSTM 模型比RNN 模型的MSE 指標(biāo)分別下降了2.1%和0.3%，RMSE 指標(biāo)分別下降了1.1%和3.7%；在方法二、維度二情況下，節(jié)假日與工作日結(jié)果中，LSTM 模型比RNN 模型的MSE 指標(biāo)分別下降了16.9%和1.2%，RMSE 指標(biāo)分別下降了8.1%和0.6%。綜上所述，LSTM 模型的MSE、RMSE 值分別比RNN 模型都有不同程度的降低，驗(yàn)證了LSTM 模型在電力負(fù)荷可調(diào)節(jié)潛力預(yù)測上具有良好的適用性。在仿真環(huán)境下，LSTM預(yù)測模型精度較高，為負(fù)荷可調(diào)節(jié)潛力的進(jìn)一步深入分析奠定了基礎(chǔ)。

表2 兩種預(yù)測模型的評價(jià)指標(biāo)比較Tab.2 Evaluation indexes of the prediction model

3.2 負(fù)荷可調(diào)節(jié)潛力結(jié)果分析

3.2.1 不同月份之間可調(diào)節(jié)潛力分析

由于受溫度、天氣等眾多因素影響，相對來說8月負(fù)荷數(shù)據(jù)要高于1月數(shù)據(jù)。將數(shù)據(jù)集前20 d數(shù)據(jù)劃分為訓(xùn)練集，后10 d 數(shù)據(jù)劃分為測試集，利用該數(shù)據(jù)訓(xùn)練測試，得到不同月份之間調(diào)控能力的曲線圖如圖6所示。

圖6 不同月份可調(diào)節(jié)能力曲線Fig.6 Adjustable capacity curve of different months

分別從調(diào)節(jié)潛力的峰值、谷值、均值和總和方面對兩種方法進(jìn)行比較分析，結(jié)果見表3?？梢钥闯?，在不同月份可調(diào)節(jié)潛力峰值方面，方法二比方法一降低了93.969 MW，均值降低了42.421 MW。兩種方法進(jìn)行潛力分析的結(jié)果差異不大。

表3 維度一不同方法結(jié)果比較分析Tab.3 Comparative analysis of results of different methods in demension MW

3.2.2 工作日與節(jié)假日之間可調(diào)節(jié)潛力分析

由于測試樣本絕大部分為家庭用電數(shù)據(jù)，因此節(jié)假日比工作日負(fù)荷相對要高，采用5 d數(shù)據(jù)，由前3 d數(shù)據(jù)訓(xùn)練，測試后2 d數(shù)據(jù)，得到工作日與節(jié)假日調(diào)控能力的曲線圖如圖7所示。

圖7 節(jié)假日與工作日可調(diào)節(jié)能力曲線Fig.7 Holiday and working day adjustable capacity curve

分別從調(diào)節(jié)潛力的峰值、谷值、均值和總和方面對不同方法進(jìn)行比較分析，結(jié)果見表4。由表4可以看出，在節(jié)假日與工作日可調(diào)節(jié)潛力峰值方面，方法一比方法二降低了42.084 MW；方法二比方法一均值降低了29.876 MW。兩種方法進(jìn)行潛力分析的結(jié)果差異不大。

表4 維度二不同方法結(jié)果比較分析Tab.4 Compartive analysis of results of different methods in dimension 2 MW

4 結(jié)論

本文提出了一種基于邊緣計(jì)算的LSTM負(fù)荷可調(diào)節(jié)潛力分析模型。相比傳統(tǒng)RNN方法，本文方法具有如下優(yōu)勢：

（1）針對可調(diào)節(jié)潛力分析需求，提出了基于邊緣計(jì)算的方法，利用機(jī)器學(xué)習(xí)模型，自上而下對數(shù)據(jù)進(jìn)行全面分析，提高數(shù)據(jù)分析的高效性、合理性和實(shí)時(shí)性。

（2）將與可調(diào)節(jié)潛力高度相關(guān)狀態(tài)變量作為LSTM 算法的輸入變量，綜合考慮選取兩種不同時(shí)間維度進(jìn)行分析，有效提高了電力負(fù)荷可調(diào)節(jié)潛力分析的準(zhǔn)確性。

本文提出的基于邊緣計(jì)算的臺區(qū)負(fù)荷可調(diào)節(jié)潛力研究，與傳統(tǒng)電網(wǎng)集中式對數(shù)據(jù)存儲及潛力分析相比，很大程度上減輕了主站的數(shù)據(jù)處理壓力，將算力邊緣化，更加有效、實(shí)時(shí)處理數(shù)據(jù)，進(jìn)而提高了電力負(fù)荷可調(diào)節(jié)潛力分析的準(zhǔn)確性、實(shí)時(shí)性，為后續(xù)需求側(cè)負(fù)荷研究提供了參考。