基于辨識(shí)解耦的含高滲透分布式光伏用戶集群基線負(fù)荷估計(jì)方法

申洪濤，劉寶銘，任 鵬，張洋瑞，張 超，趙俊鵬，王 飛

基于辨識(shí)解耦的含高滲透分布式光伏用戶集群基線負(fù)荷估計(jì)方法

申洪濤1，劉寶銘2，任 鵬1，張洋瑞1，張 超1，趙俊鵬1，王 飛2

(1.國網(wǎng)河北省電力有限公司營銷服務(wù)中心，河北 石家莊 050022；2.華北電力大學(xué)，河北 保定 071003)

近年來，表后分布式光伏迅猛發(fā)展，其不可觀特性給需求響應(yīng)集群基線負(fù)荷(Aggregated baseline load, ABL)估計(jì)帶來巨大挑戰(zhàn)。為提升高滲透分布式光伏下ABL的估計(jì)精度，提出了一種基于辨識(shí)解耦的ABL估計(jì)方法。首先，提出了一種基于天氣狀態(tài)驅(qū)動(dòng)特征的分布式光伏用戶辨識(shí)方法，將光伏用戶與非光伏用戶解耦分離。其次，根據(jù)兩類用戶凈負(fù)荷的特點(diǎn)，分別建立估計(jì)模型：針對光伏用戶建立了天氣類型分類估計(jì)模型，針對非光伏用戶建立了溫度與負(fù)荷的分段線性回歸模型。最后，將兩類用戶的估計(jì)值相加，得到最終ABL估計(jì)值。仿真結(jié)果表明，與直接估計(jì)法和其他分類估計(jì)方法相比，所提方法在平均絕對百分比誤差指標(biāo)上平均降低42.07%，在標(biāo)準(zhǔn)均方根誤差指標(biāo)上平均降低23.93 %。

基線負(fù)荷估計(jì)；分布式光伏；辨識(shí)解耦；天氣類型

0 引言

需求響應(yīng)(Demand Response, DR)利用價(jià)格和激勵(lì)信號(hào)實(shí)現(xiàn)電動(dòng)汽車、分布式儲(chǔ)能、彈性負(fù)荷等需求側(cè)資源的海量聚合和快速響應(yīng)[1-3]，在提升系統(tǒng)供需平衡能力、削峰填谷、促進(jìn)新能源消納等方面發(fā)揮著重要作用[4-5]。DR分為價(jià)格型[6]與激勵(lì)型[7]兩種。與價(jià)格型DR相比，激勵(lì)型DR具有更快的響應(yīng)速度和更強(qiáng)的容量擴(kuò)展?jié)摿?，在提升電力系統(tǒng)安全穩(wěn)定性以及促進(jìn)新能源消納等方面有著更加廣泛的應(yīng)用[8-9]。參與補(bǔ)償金是激勵(lì)型DR實(shí)施者向參與者支付的補(bǔ)償，等于負(fù)荷響應(yīng)量與其補(bǔ)償單價(jià)的乘積。響應(yīng)量即“用戶不參與DR時(shí)本應(yīng)消耗的負(fù)荷與參與DR后實(shí)際消耗的負(fù)荷兩者之差的絕對值”，其中后者是實(shí)際測量數(shù)據(jù)，前者就是用戶基線負(fù)荷，即用戶不參與DR時(shí)本應(yīng)消耗的負(fù)荷[10]，如圖1所示。圖中紅色虛線為用戶執(zhí)行DR后的負(fù)荷曲線，藍(lán)色實(shí)線為用戶未執(zhí)行DR的負(fù)荷曲線，也即用戶基線負(fù)荷。紅色虛線與藍(lán)色實(shí)線之間的面積為負(fù)荷響應(yīng)量。用戶一旦參與了激勵(lì)型DR，其基線負(fù)荷真實(shí)值無法通過表計(jì)測量得到，因此必須對其進(jìn)行估計(jì)。

準(zhǔn)確的基線負(fù)荷估計(jì)對于激勵(lì)型DR的實(shí)施十分重要，因?yàn)楣烙?jì)值過高或者過低都會(huì)影響DR效果的認(rèn)定，進(jìn)而影響DR實(shí)施者和參與者雙方的利益[11]。

圖1 光伏用戶的CBL示意圖

按照空間層級劃分，基線負(fù)荷可以分為2類：個(gè)體和集群。個(gè)體基線負(fù)荷(Customer baseline load, CBL)指的是單個(gè)參與DR的用戶基線負(fù)荷，其估計(jì)結(jié)果主要服務(wù)于DR參與者補(bǔ)償金的事后結(jié)算；集群基線負(fù)荷(Aggregated baseline load, ABL)指的是負(fù)荷聚合商集成代理用戶的基線負(fù)荷之和，其估計(jì)結(jié)果主要服務(wù)于負(fù)荷聚合商和上級DR資源購買者(如系統(tǒng)運(yùn)營商)之間的補(bǔ)償結(jié)算[12]。

對于CBL估計(jì)，目前國內(nèi)外主要有三類估計(jì)方法：平均法、回歸法和對照組法。平均法通過計(jì)算用戶歷史負(fù)荷數(shù)據(jù)的平均值來估計(jì)基線負(fù)荷。按照歷史數(shù)據(jù)選取的不同，平均法可以進(jìn)一步分為HighXofY[13]、LowXofY[14]、MidXofY[15]等。國外多個(gè)獨(dú)立系統(tǒng)運(yùn)營商采用平均法來估計(jì)基線負(fù)荷。回歸法通過擬合影響因素(歷史負(fù)荷、氣溫、濕度等)與負(fù)荷間的關(guān)系來估計(jì)基線負(fù)荷。文獻(xiàn)[16]利用分段線性回歸法擬合溫度和負(fù)荷之間的線性關(guān)系，實(shí)現(xiàn)了商業(yè)建筑CBL的準(zhǔn)確估計(jì)。對照組法將全部用戶按是否參與DR分為：參與的DR組和不參與的對照組，其基本思想是利用與被估計(jì)對象具有相似負(fù)荷模式的對照組用戶的負(fù)荷數(shù)據(jù)來估計(jì)DR用戶的基線負(fù)荷[17]。對于ABL估計(jì)，尚無針對性研究[18]，目前都采用個(gè)體用戶估計(jì)值直接累加的方式得到。

近年來，分布式光伏產(chǎn)業(yè)發(fā)展迅猛，越來越多的居民用戶開始安裝分布式光伏發(fā)電系統(tǒng)。大多數(shù)小型分布式光伏系統(tǒng)(＜10 kWp)安裝在表后(Behind-the-meter)[19]，其沒有單獨(dú)表計(jì)計(jì)量，現(xiàn)有表計(jì)測得的是凈負(fù)荷數(shù)據(jù)(即實(shí)際負(fù)荷減去光伏出力)。近年來，表后分布式光伏辨識(shí)與出力估計(jì)問題越來越得到國際學(xué)術(shù)屆的關(guān)注，相關(guān)研究逐漸增多[20-22]。在現(xiàn)實(shí)中，即使系統(tǒng)運(yùn)營商或者負(fù)荷聚合商可以在與用戶合作之前要求用戶提供表后光伏相關(guān)信息，但是以下兩種情況的存在使得用戶提供的信息可能不準(zhǔn)確：1) 用戶故意隱瞞。用戶為了騙取補(bǔ)貼，可能存在違法安裝[23]、私自擴(kuò)容[24]行為，因此不愿透露安裝光伏這一“隱私”信息，這導(dǎo)致聚合商獲得的信息與實(shí)際情況不符；2) 用戶無意誤報(bào)。大多數(shù)分布式光伏用戶由于不具備相關(guān)專業(yè)知識(shí)，因此對于安裝的分布式光伏系統(tǒng)缺乏掌握，如果光伏系統(tǒng)由于種種原因故障導(dǎo)致退出運(yùn)行，用戶可能全然不知，這也可能導(dǎo)致用戶提供的信息與實(shí)際不符。

表后光伏的不可觀性加上光伏本身具有的隨機(jī)間歇特性大大增加了ABL估計(jì)的難度，因?yàn)榫哂胁淮_定性的光伏出力和同樣具有不確定性的用戶負(fù)荷相互耦合，不確定性更強(qiáng)[25-27]。針對該問題，文獻(xiàn)[28]提出了一種“光伏-負(fù)荷”解耦的CBL估計(jì)方法。該方法將每個(gè)用戶的分布式光伏出力和用戶負(fù)荷從凈負(fù)荷中解耦，然后分別進(jìn)行估計(jì)，最后再將兩者合并得到CBL估計(jì)值。但該方法適用于單個(gè)用戶的CBL估計(jì)，在ABL估計(jì)方面尚無文獻(xiàn)考慮分布式光伏的影響。事實(shí)上，光伏出力水平在不同天氣類型下存在明顯差異[29-30]，這會(huì)導(dǎo)致光伏用戶的凈負(fù)荷曲線形態(tài)在不同天氣類型情況下存在較大差異，而非光伏用戶的凈負(fù)荷曲線形態(tài)則較為相似，即光伏用戶凈負(fù)荷相較于非光伏用戶更容易受天氣類型影響。為此，應(yīng)將兩類用戶分開考慮，針對各自特點(diǎn)建立不同的估計(jì)模型。

為此，本文提出了一種基于辨識(shí)解耦的含高滲透分布式光伏ABL估計(jì)方法。首先，提出一種基于天氣狀態(tài)驅(qū)動(dòng)特征的光伏用戶辨識(shí)方法，將用戶集群中的光伏用戶與非光伏用戶解耦分離；其次，對光伏用戶集群建立基于天氣類型分類的估計(jì)模型，對非光伏用戶集群建立分段線性回歸估計(jì)模型；最后將兩類用戶的估計(jì)值累加得到最終ABL的估計(jì)值，以此提高ABL估計(jì)精度。

1 基于辨識(shí)解耦的ABL估計(jì)方法

本文提出了一種基于辨識(shí)解耦的用戶集群基線負(fù)荷估計(jì)方法。該方法的步驟如下：

(1) 用戶辨識(shí)解耦。基于不同天氣類型下的用戶凈負(fù)荷特征，識(shí)別出用戶集群中的光伏用戶與非光伏用戶，并將用戶集群分為光伏用戶集群和非光伏用戶集群兩個(gè)子集群。

(2) 非光伏用戶ABL估計(jì)。非光伏用戶負(fù)荷受天氣類型影響較小，只需考慮其與溫度之間的關(guān)系，建立分段線性回歸模型估計(jì)非光伏用戶的ABL。

(3) 光伏用戶ABL估計(jì)。光伏用戶負(fù)荷受天氣影響較大，對光伏用戶集群建立四種天氣類型下的支持向量回歸模型估計(jì)其基線負(fù)荷。

(4) 將步驟(2)和(3)兩步的估計(jì)結(jié)果累加，得到最終的ABL估計(jì)值。

本文提出的估計(jì)方法總體框架如圖2所示。

圖2 估計(jì)方法總體框架圖

2 集群用戶辨識(shí)解耦方法

光伏出力易受天氣因素影響，與天氣類型緊密相關(guān)。因此，與非光伏用戶相比，在不同天氣類型下光伏用戶凈負(fù)荷區(qū)別明顯，根據(jù)這一特點(diǎn)，本文提出了基于天氣狀態(tài)驅(qū)動(dòng)特征的光伏用戶辨識(shí)方法。該方法分為4個(gè)步驟如下述。

步驟1：根據(jù)可觀測光伏出力，使用K-means聚類方法將所有日劃分到幾類天氣類型下，在此之前需確定聚類數(shù)。晴天、多云、陣雨、大雨是四類具有典型代表意義的天氣類型，這4種天氣類型下的光伏出力各自具有鮮明的特點(diǎn)，且出現(xiàn)的幾率較高，涵蓋了絕大多數(shù)日期對應(yīng)的天氣狀態(tài)[30]。因此，本文利用K-means將所有天氣類型歸并成4種廣義天氣類型，并且得到每日的天氣類型標(biāo)簽。

K-means是一種保證簇內(nèi)各樣本間相似性的聚類算法。將樣本分為個(gè)簇類，并獲取各簇均值向量——簇心，其目標(biāo)是通過最小化簇內(nèi)樣本與簇心的距離，保證簇內(nèi)相似性最高，簇間相似性最低，如式(1)所示。

步驟2：為了降低居民負(fù)荷隨機(jī)波動(dòng)對辨識(shí)結(jié)果的不利影響，對每個(gè)用戶提取不同廣義天氣類型下的典型凈負(fù)荷曲線，如式(2)所示。

式中：表示第k類天氣類型包含的天數(shù)；表示第k類天氣類型下第天第t時(shí)段的凈負(fù)荷功率；表示第k類天氣類型下第t時(shí)段的典型凈負(fù)荷功率。據(jù)此，繪制4種廣義天氣類型下的兩類用戶的凈負(fù)荷曲線，如圖3所示。

(1) A類和D類天氣類型下凈負(fù)荷絕對值之比

(2) 凹凸特性

一旦時(shí)間窗口確定后，存在一條連接起始點(diǎn)和結(jié)束點(diǎn)的直線，可用式(4)來表示。

據(jù)此，第二個(gè)特征可由式(6)計(jì)算得到。

步驟4：由于用戶集群中各個(gè)用戶的類別(光伏用戶或者非光伏用戶)都是未知的，也就是說沒有已知標(biāo)簽的樣本可供訓(xùn)練，因此這是一個(gè)典型的無監(jiān)督學(xué)習(xí)問題，可采用聚類算法來進(jìn)行辨識(shí)。將歸一化后的特征向量作為輸入，采用K-means算法將所有用戶聚成2類，聚類中心特征值較大的那類對應(yīng)光伏用戶，剩下的即為非光伏用戶。

3 ABL估計(jì)方法

3.1 非光伏用戶ABL估計(jì)方法

影響非光伏用戶負(fù)荷變化的主要因素為歷史負(fù)荷和溫度，在構(gòu)建估計(jì)模型時(shí)應(yīng)合理考慮溫度的處理方式。當(dāng)溫度高于一定值時(shí)，溫度越高，用戶制冷負(fù)荷越大；當(dāng)溫度低于一定值時(shí)，溫度越低，用戶采暖負(fù)荷越大；當(dāng)溫度處在“死區(qū)”時(shí)，負(fù)荷幾乎不隨溫度變化[16]。溫度與負(fù)荷之間的非線性關(guān)系可以由分段的線性關(guān)系來刻畫。溫度與負(fù)荷的關(guān)系如圖4所示。

圖4 室外溫度與用戶負(fù)荷的關(guān)系曲線

本文針對非光伏用戶集群建立含有一周時(shí)間變量和分段溫度的線性回歸模型來估計(jì)ABL。多元線性回歸模型研究多個(gè)自變量和一個(gè)因變量之間的映射關(guān)系，模型簡單易懂，相較于神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)模型，具有因果清晰、易解釋等優(yōu)點(diǎn)。

根據(jù)上述內(nèi)容，構(gòu)建回歸模型如式(7)。

根據(jù)DR時(shí)段及相應(yīng)溫度，即可得到該時(shí)段的負(fù)荷估計(jì)值。

表1 溫度分段計(jì)算示例

3.2 光伏用戶ABL估計(jì)方法

針對光伏用戶在4類天氣下凈負(fù)荷差異明顯的問題，本文考慮將光伏用戶每日數(shù)據(jù)根據(jù)四種典型天氣類型分類，按4種天氣類型分別使用SVR建立估計(jì)模型。

SVR的基本思想是通過非線性映射將輸入空間的數(shù)據(jù)映射到高維特征空間中，并在該空間中進(jìn)行線性回歸。然后通過損失函數(shù)解決回歸問題。

引入稀疏數(shù)據(jù)點(diǎn)對決策函數(shù)予以表征：

圖5 每種天氣類型下估計(jì)模型的輸入輸出示意圖

4 算例仿真

4.1 數(shù)據(jù)集

本文使用的數(shù)據(jù)集來自Ausgrid，該公司為澳大利亞悉尼的170萬個(gè)家庭供電，在其網(wǎng)站上提供了從300個(gè)隨機(jī)選擇的家庭收集的用電數(shù)據(jù)以及屋頂太陽能光伏出力數(shù)據(jù)。每個(gè)用戶都有一個(gè)獨(dú)立的儀表來記錄分布式光伏出力數(shù)據(jù)。因此，凈負(fù)荷數(shù)據(jù)、光伏輸出功率和實(shí)際負(fù)荷功率都是已知的。選擇2012年1月1日至12月31日的全年數(shù)據(jù)，采樣間隔為1 h。

考慮正午光伏出力造成的用戶凈負(fù)荷低谷，本文聚焦于填谷需求響應(yīng)，選取了10個(gè)“類DR日”來驗(yàn)證基線負(fù)荷的估計(jì)精度，DR時(shí)段為11：00—14：00?！邦怐R日”是指與DR日具有相似的天氣條件，但實(shí)際沒有執(zhí)行DR的日子。對于這些“類DR日”，其真實(shí)的基線負(fù)荷是已知的。利用提出的方法估計(jì)“類DR日”DR時(shí)段的負(fù)荷，而后將該值與真實(shí)的基線負(fù)荷進(jìn)行比較，以此評價(jià)基線負(fù)荷估計(jì)得準(zhǔn)確與否。

4.2 評價(jià)指標(biāo)

4.2.1光伏用戶辨識(shí)評價(jià)指標(biāo)

混淆矩陣(Confusion Matrix)用來評估分類模型的精度，它包含關(guān)于實(shí)際類和預(yù)測類的所有信息，如式(13)所示。

其具體評價(jià)指標(biāo)有產(chǎn)品精度(Product's Accuracy, PA)、用戶精度(User's Accuracy, UA)和整體精度(Overall Accuracy, OA)，分別如式(14)—式(16)所示。

產(chǎn)品精度PA指標(biāo)是指對實(shí)際某類對象分類的正確率；用戶精度UA指標(biāo)是指模型輸出的某一類分類結(jié)果的正確率；整體精度OA指標(biāo)是指所有分類結(jié)果的正確率。

4.2.2 ABL估計(jì)評價(jià)指標(biāo)

本文對ABL估計(jì)的評價(jià)采用如下指標(biāo)：平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)、標(biāo)準(zhǔn)平均絕對誤差(Normalized Mean Absolute Error, NMAE)、標(biāo)準(zhǔn)均方根誤差(Normalized Root Mean Square Error, NRMSE)。

4.3 仿真結(jié)果

4.3.1辨識(shí)解耦仿真結(jié)果

對數(shù)據(jù)集中300個(gè)光伏用戶進(jìn)行可重復(fù)隨機(jī)抽樣得到700個(gè)非光伏用戶的負(fù)荷數(shù)據(jù)，并將這1 000個(gè)用戶數(shù)據(jù)作為光伏用戶辨識(shí)的仿真數(shù)據(jù)，辨識(shí)結(jié)果的混淆矩陣如表2所示。

表2 辨識(shí)結(jié)果的混淆矩陣

由表2可以看到，本文所提出的光伏用戶辨識(shí)方法識(shí)別正確的用戶總數(shù)為843，其中有光伏用戶290個(gè)，非光伏用戶553個(gè)。錯(cuò)誤識(shí)別的用戶中，有10個(gè)光伏用戶可能由于安裝的分布式光伏容量較小(經(jīng)過數(shù)據(jù)分析發(fā)現(xiàn)，當(dāng)用戶安裝的分布式光伏年度最大出力與用戶年度最大負(fù)荷之比小于20%時(shí)，可認(rèn)為光伏容量較小，相應(yīng)的光伏用戶容易被誤判為非光伏用戶)，光伏出力對凈負(fù)荷的影響不顯著，因而不同天氣類型下的典型負(fù)荷區(qū)別不明顯，導(dǎo)致其被誤識(shí)為非光伏用戶；147個(gè)非光伏用戶可能由于一些其他因素(用電習(xí)慣等)導(dǎo)致不同日期下負(fù)荷差異明顯，致使其被誤識(shí)為光伏用戶。

上述光伏用戶辨識(shí)結(jié)果的精度指標(biāo)如表3所示。由表3可以看到，本文所提出的光伏用戶辨識(shí)方法精度較高，能夠?qū)崿F(xiàn)光伏用戶與非光伏用戶的準(zhǔn)確解耦分離。

表3 辨識(shí)精度指標(biāo)

4.3.2 ABL估計(jì)結(jié)果

針對辨識(shí)解耦出的非光伏用戶集群，采用分段線性回歸的方法進(jìn)行ABL估計(jì)；針對光伏用戶集群，利用溫度和負(fù)荷數(shù)據(jù)建立4種不同天氣類型下的估計(jì)模型。將兩個(gè)子集群的估計(jì)結(jié)果相加，得到最終的ABL估計(jì)值。

為了證明所提方法的有效性，本文將該方法與其他六種方法進(jìn)行了對比，其中方法一～方法三為直接估計(jì)法(即不進(jìn)行解耦)，方法四～方法六是其他分類估計(jì)方法。

方法一：使用HighXofY直接進(jìn)行集群基線負(fù)荷估計(jì)。

方法二：使用MidXofY直接進(jìn)行集群基線負(fù)荷估計(jì)。

方法三：使用分段線性回歸直接進(jìn)行集群基線負(fù)荷估計(jì)。

方法四：對所有日使用本文的天氣類型分類方法進(jìn)行分類，然后為每種天氣類型建立SVR估計(jì)模型，進(jìn)行集群用戶基線負(fù)荷估計(jì)。

方法五：對所有日使用本文的天氣類型分類方法進(jìn)行分類，然后為每種天氣類型建立LSTM估計(jì)模型進(jìn)行集群用戶基線負(fù)荷估計(jì)。LSTM的參數(shù)設(shè)置如表4所示。

表4 LSTM參數(shù)設(shè)置

方法六：利用K-means根據(jù)非DR時(shí)段負(fù)荷數(shù)據(jù)將日負(fù)荷分為4類，每類分別建立SVR估計(jì)模型進(jìn)行集群基線負(fù)荷估計(jì)。

方法七：本文所提方法。

將七種方法得到的估計(jì)結(jié)果進(jìn)行比較，評價(jià)指標(biāo)如表5所示。

表5 ABL估計(jì)結(jié)果對比

從表5中可以看出，本文所提方法估計(jì)結(jié)果的三種評價(jià)指標(biāo)值均為最小，其估計(jì)性能優(yōu)于三種直接估計(jì)方法(HighXofY、MidXofY和回歸法)以及三種分類估計(jì)方法。這是因?yàn)閷⒕哂酗@著特性差異的兩類用戶混合一起估計(jì)會(huì)增加ABL的估計(jì)難度，對用戶類型不加區(qū)分且不考慮各自的負(fù)荷特性，僅對集群建立單一估計(jì)模型所得的估計(jì)結(jié)果并不理想。而本文將兩類用戶辨識(shí)分離并根據(jù)各自的負(fù)荷特性建立估計(jì)模型可有效提高估計(jì)的準(zhǔn)確率。此外，與直接使用K-means根據(jù)負(fù)荷數(shù)據(jù)進(jìn)行分類的方法相比，本文的天氣類型分類方法更能反映不同天氣類型下的光伏出力特征，因而基于天氣類型分類的估計(jì)方法所得結(jié)果的NMAE與NRMSE值更低，效果更好。

將某個(gè)DR日中的七種ABL估計(jì)結(jié)果與真實(shí)值進(jìn)行對比，如圖6所示。

圖6 用戶集群基線負(fù)荷估計(jì)結(jié)果

圖6中紅色實(shí)線表示實(shí)際基線負(fù)荷，藍(lán)色實(shí)線表示本文提出的基于辨識(shí)解耦的基線負(fù)荷估計(jì)方法的估計(jì)結(jié)果。其余六條虛線分別代表直接估計(jì)方法和其他分類估計(jì)方法的估計(jì)結(jié)果。從圖中可以看出，本文所提方法的估計(jì)結(jié)果與實(shí)際值更加接近。

4.4 用戶辨識(shí)精度的影響

為探究用戶辨識(shí)精度對最終ABL估計(jì)精度的影響，本文設(shè)置不同光伏用戶辨識(shí)精度(1-被誤判為非光伏用戶的光伏用戶數(shù)/光伏用戶總數(shù))下的ABL估計(jì)場景，這里選取了90%、80%、70%、60%、50%五種辨識(shí)精度。具體步驟如下：

(1) 考慮到分布式光伏容量較小的光伏用戶更易被誤判為非光伏用戶，本文從300個(gè)光伏用戶中選擇分布式光伏容量較小的180個(gè)用戶。

(2) 從180個(gè)用戶中按照隨機(jī)抽樣的方式，形成不同辨識(shí)精度下的數(shù)據(jù)。

(3) 對每種辨識(shí)精度下的數(shù)據(jù)，用本文方法進(jìn)行ABL估計(jì)，計(jì)算相應(yīng)的MAPE、NRMSE、NMAE值。

為減小隨機(jī)因素的影響，確保結(jié)果的可靠性，對上述步驟重復(fù)100次，得到結(jié)果如圖7所示。由圖可知，隨著辨識(shí)精度的降低，ABL估計(jì)方法對應(yīng)的三項(xiàng)指標(biāo)均呈現(xiàn)遞增趨勢，其中，MAPE值與NMAE值最為明顯。根據(jù)上述實(shí)驗(yàn)現(xiàn)象，我們可以得出結(jié)論：隨著用戶辨識(shí)精度的降低，最終ABL估計(jì)精度呈下降趨勢。

5 結(jié)論

光伏用戶和非光伏用戶的負(fù)荷特性存在顯著差異，將兩者混合在一起進(jìn)行基線負(fù)荷估計(jì)會(huì)導(dǎo)致較大的估計(jì)誤差。據(jù)此，本文提出了一種基于辨識(shí)解耦的含高滲透分布式光伏ABL估計(jì)方法。將光伏用戶與非光伏用戶解耦分離，分別考慮二者負(fù)荷特性并建立相應(yīng)的估計(jì)模型。在實(shí)際數(shù)據(jù)集上的仿真結(jié)果表明：

(1) 本文所提的光伏用戶辨識(shí)方法可準(zhǔn)確區(qū)分光伏用戶與非光伏用戶。

(2) 基于辨識(shí)解耦的ABL估計(jì)方法與直接估計(jì)法和其他分類估計(jì)方法相比，估計(jì)精度更高。

[1] 何黎君, 程杉, 陳梓銘. 考慮交互功率控制和雙邊競價(jià)交易的多微電網(wǎng)雙層優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(11): 10-17.

HE Lijun, CHENG Shan, CHEN Ziming. A scheduling model of a multi-microgrid system based on bi-layer optimization with consideration of PCC power control and bilateral bidding[J]. Power System Protection and Control, 2020, 48(11): 10-17.

[2] MING Hao, XIA Bainian, LEE K Y, et al. Prediction and assessment of demand response potential with coupon incentives in highly renewable power systems[J]. Protection and Control of Modern Power Systems, 2020, 5(2): 124-137.

[3] 劉堅(jiān), 熊英, 金亨美, 等. 電動(dòng)汽車參與電力需求響應(yīng)的成本效益分析—以上海市為例[J]. 全球能源互聯(lián)網(wǎng), 2021, 4(1): 86-94.

LIU Jian, XIONG Ying, JIN Hengmei, et al. Economic assessment of demand response delivered by electric vehicles in Shanghai[J]. Journal of Global Energy Interconnection, 2021, 4(1): 86-94.

[4] 張穎, 容展鵬, 張宇雄, 等. 基于微電網(wǎng)的電網(wǎng)需求響應(yīng)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(21): 20-26.

ZHANG Ying, RONG Zhanpeng, ZHANG Yuxiong, et al. Study of grid demand response based on micro grid[J]. Power System Protection and Control, 2015, 43(21): 20-26.

[5] WANG Fei, XU Hanchen, XU Ti, et al. The values of market-based demand response on improving power system reliability under extreme circumstances[J]. Applied Energy, 2017, 193: 220-231.

[6] 王文超, 龐丹, 成龍, 等. 考慮電價(jià)型需求響應(yīng)的交直流混合配電網(wǎng)優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2019, 43(5): 1675-1682.

WANG Wenchao, PANG Dan, CHENG Long, et al. Optimal dispatch approach for hybrid AC/DC distribution networks considering price-based demand response[J]. Power System Technology, 2019, 43(5): 1675-1682.

[7] 許漢平, 李姚旺, 苗世洪, 等. 考慮可再生能源消納效益的電力系統(tǒng)“源-荷-儲(chǔ)”協(xié)調(diào)互動(dòng)優(yōu)化調(diào)度策略[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(17): 18-25.

XU Hanping, LI Yaowang, MIAO Shihong, et al. Optimization dispatch strategy considering renewable energy consumptive benefits based on “source-load-energy” coordination in power system[J]. Power System Protection and Control, 2017, 45(17): 18-25.

[8] 陳冉, 楊超, 沈冰, 等. 基于微電網(wǎng)的需求響應(yīng)優(yōu)化策略[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(11): 124-130.

CHEN Ran, YANG Chao, SHEN Bing, et al. Micro-grid based demand response optimization policy[J]. Power System Protection and Control, 2018, 46(11): 124-130.

[9] 孫毅, 劉迪, 崔曉昱, 等. 面向居民用戶精細(xì)化需求響應(yīng)的等梯度迭代學(xué)習(xí)激勵(lì)策略[J]. 電網(wǎng)技術(shù), 2019, 43(10): 3597-3605.

SUN Yi, LIU Di, CUI Xiaoyu, et al. Equal gradient iterative learning incentive strategy for accurate demand response of resident users[J]. Power System Technology, 2019, 43(10): 3597-3605.

[10] 牛文娟, 王磊, 李揚(yáng). 需求響應(yīng)項(xiàng)目中用戶基線負(fù)荷計(jì)算方法及其應(yīng)用[J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版), 2014, 44(3): 556-560.

NIU Wenjuan, WANG Lei, LI Yang. Calculation method and application of customer baseline load in demand response project[J]. Journal of Southeast University (Natural Science Edition), 2014, 44(3): 556-560.

[11] 王均, 黃琦. 基于優(yōu)惠券激勵(lì)的需求響應(yīng)雙層優(yōu)化機(jī)制[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(1): 108-114.

WANG Jun, HUANG Qi. Coupon incentives based customers voluntary demand response program via bilevel optimization mechanism[J]. Power System Protection and Control, 2019, 47(1): 108-114.

[12] 吳宛潞, 韓帥, 孫樂平, 等. 負(fù)荷聚合商多類型需求側(cè)資源激勵(lì)價(jià)格制定一般模型及應(yīng)用[J]. 電力建設(shè), 2021, 42(1): 1-9.

WU Wanlu, HAN Shuai, SUN Leping, et al. A general incentive pricing model and its application for multi-type demand-side resources of load aggregators[J]. Electric Power Construction, 2021, 42(1): 1-9.

[13] COUGHLIN K, PIETTE M A, GOLDMAN C, et al. Estimating demand response load impacts: evaluation of baseline load models for non-residential buildings in California[R]. Berkeley: Lawrence Berkeley National Laboratory, 2008.

[14] WIJAYA T K, VASIRANI M, ABERER K. When bias matters: an economic assessment of demand response baselines for residential customers[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 1755-1763.

[15] MOHAJERYAMI S, DOOSTAN M, ASADINEJAD A. An investigation of the relationship between accuracy of customer baseline calculation and efficiency of peak time rebate program[C] // 2016 IEEE Power and Energy Conference at Illinois (PECI), February 19-20, Urbana, IL, USA: 1-8.

[16] MATHIEU J L, PRICE P N, KILICCOTE S, et al. Quantifying changes in building electricity use, with application to demand response[J]. IEEE Transactions on Smart Grid, 2011, 2(3): 507-518.

[17] WANG Fei, LI Kangping, LIU Chun, et al. Synchronous pattern matching principle-based residential demand response baseline estimation: mechanism analysis and approach description[J]. IEEE Transactions on Smart Grid, 2018, 9(6): 6972-6985.

[18] 孫毅, 劉昌利, 劉迪, 等. 計(jì)及滾動(dòng)評價(jià)的居民群需求響應(yīng)策略[J]. 中國電力, 2019, 52(2): 34-45.

SUN Yi, LIU Changli, LIU Di, et al. Residents demand response strategy considering rolling evaluation[J]. Electric Power, 2019, 52(2): 34-45.

[19] LI Kangping, WANG Fei, MI Zengqiang, et al. Capacity and output power estimation approach of individual behind-the-meter distributed photovoltaic system for demand response baseline estimation[J]. Applied Energy, 2019, 253.

[20] ZHANG Xiaochen, GRIJALVA S. A data-driven approach for detection and estimation of residential PV installations[J]. IEEE Transactions on Smart Grid, 2016, 7(5): 2477-2485.

[21] BU F, DEHGHANPOUR K, YUAN Yuxuan, et al. A data-driven game-theoretic approach for behind-the-meter PV generation disaggregation[J]. IEEE Transactions on Smart Grid, 2020, 35(4): 3133-3144.

[22] KABIR F, YU Nanpeng, YAO Weixin, et al. Joint estimation of behind-the-meter solar generation in a community[J]. IEEE Transactions on Sustainable Energy, 2021, 12(1): 682-694.

[23] Hawai'i Free Press. HECO prepares to disconnect unapproved solar systems[EB/OL]. [2021-05-07]. http:// www.hawaiifreepress.com/Articles-Main/ID/13463/HECO-Prepares-to-Disconnect-Unapproved-Solar-Systems.

[24]光伏盒子. 私自增容被罰款19萬! 擴(kuò)容光伏電站多賺錢, 正規(guī)渠道看這里![EB/OL]. [2021-05-07]. https://mp. weixin.qq.com/s/3vNIuoK9rvApFBsT9uoEiA.

[25] WANG Chong, LEI Shunbo, JU Ping, et al. MDP-based distribution network reconfiguration with renewable distributed generation: approximate dynamic programming approach[J]. IEEE Transactions on Smart Grid, 2020, 11(4): 3620-3631.

[26] 左遠(yuǎn)龍, 黃玉水, 楊曉輝, 等. 基于 PFA-MBAS-BP 神經(jīng)網(wǎng)絡(luò)模型的光伏發(fā)電短期預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(15): 84-91.

ZUO Yuanlong, HUANG Yushui, YANG Xiaohui, et al. Short-term prediction of photovoltaic power generation based on a PFA-MBAS-BP neural network model[J]. Power System Protection and Control, 2020, 48(15): 84-91.

[27] 方保民, 李紅志, 孔祥鵬, 等. 含高比例光伏出力的長期分布式儲(chǔ)能配置研究[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(2): 121-129.

FANG Baomin, LI Hongzhi, KONG Xiangpeng, et al. Research on long-term distributed energy storage configuration with a high proportion of photovoltaic output[J]. Power System Protection and Control, 2021, 49(2): 121-129.

[28] XUAN Zhiming, GAO Xue, LI Kangping, et al. PV-load decoupling based demand response baseline load estimation approach for residential customer with distributed PV system[J]. IEEE Transactions on Industry Applications, 2020, 56(6): 6128-6137.

[29] 王晶, 黃越輝, 李馳, 等. 考慮空間相關(guān)性和天氣類型劃分的多光伏電站時(shí)間序列建模方法[J]. 電網(wǎng)技術(shù), 2020, 44(4): 1376-1384.

WANG Jing, HUANG Yuehui, LI Chi, et al. Time series modeling method for multi-photovoltaic power stations considering spatial correlation and weather type classification[J]. Power System Technology, 2020, 44(4): 1376-1384.

[30] 王飛, 米增強(qiáng), 甄釗, 等. 基于天氣狀態(tài)模式識(shí)別的光伏電站發(fā)電功率分類預(yù)測方法[J]. 中國電機(jī)工程學(xué)報(bào), 2013, 33(34): 75-82.

WANG Fei, MI Zengqiang, ZHEN Zhao, et al. A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition[J]. Proceedings of the CSEE, 2013, 33(34): 75-82.

Aggregated baseline load estimation method under high distributed photovoltaic penetration based on identification and decoupling

SHEN Hongtao1, LIU Baoming2, REN Peng1, ZHANG Yangrui1, ZHANG Chao1, ZHAO Junpeng1, WANG Fei2

(1. Marketing Service Center, State Grid Hebei Electric Power Co., Ltd., Shijiazhuang 050022, China; 2. North China Electric Power University, Baoding 071003, China)

In recent years, behind-the-meter distributed photovoltaic (PV) systems have developed rapidly, and their unobservable characteristics pose huge challenges to demand response aggregated baseline load (ABL) estimation. To improve the ABL estimation accuracy under high penetration of distributed PVs, an ABL estimation method based on identification and decoupling is proposed. First, a PV user identification and decoupling method based on weather state-driven features is proposed. This separates PV users from non-PV users. Secondly, estimation models are established respectively according to the characteristics of two types of users' net load: the estimation model based on weather type classification is established for PV users, and the piecewise linear regression model of temperature and load is established for non-PV users. Finally, a final ABL estimation is obtained by adding the estimated values of the two types of users. The simulation results show that, compared with the direct estimation methods and other classification estimation methods, the proposed method has an average decrease of 42.07% on the mean absolute percentage error (MAPE) and an average decrease of 23.93% on the normalized root mean square error (NRMSE).

This work is supported by the Science and Technology Project of State Grid Corporation of China (No. SGHEYX00SCJS2000037).

baseline load estimation; distributed photovoltaic; identification and decoupling; weather type

10.19783/j.cnki.pspc.210540

國家電網(wǎng)公司科技項(xiàng)目資助(SGHEYX00SCJS2000037)

2021-05-08；

2021-08-27

申洪濤(1969—)，男，學(xué)士，教授級高級工程師，研究方向?yàn)殡姕y量技術(shù)、用電信息采集技術(shù)；E-mail: shht1234@ sina.com

王 飛(1973—)，男，通信作者，工學(xué)博士，教授/博導(dǎo)，研究方向?yàn)樾履茉垂β暑A(yù)測、綜合能源與能源物聯(lián)網(wǎng)、電力市場與需求響應(yīng)。E-mail: feiwang@ncepu.edu.cn

(編輯 魏小麗)