基于用戶用電行為預(yù)測的需求側(cè)負荷調(diào)控

馬爽，王繹

(1.北京信息科技大學 自動化學院，北京 100192；2.中國電建集團昆明勘測設(shè)計研究院有限公司，昆明 650051)

0 引言

風力和光伏的大規(guī)模接入為電力系統(tǒng)提供了更多的清潔能源形式，但可再生能源的隨機性和波動性也為電網(wǎng)的安全穩(wěn)定運行帶來了新的挑戰(zhàn)。隨著智能電表的普及和科技的發(fā)展，需求側(cè)的可控負荷資源為電力系統(tǒng)削峰填谷和新能源消納等提供了新的解決方案[1]。然而，用戶的用電行為具有復(fù)雜性和多樣性[2]，在一定程度上影響了負荷調(diào)控效果。在先進量測技術(shù)和數(shù)據(jù)管理技術(shù)的基礎(chǔ)上，利用負荷數(shù)據(jù)研究用戶的用電規(guī)律并預(yù)測用戶用電行為隨時間的變化趨勢，建立合理的需求側(cè)負荷調(diào)控機制，對于節(jié)約響應(yīng)成本和促進可再生能源消納具有重要意義。

目前，已有學者針對需求側(cè)電力用戶用電行為展開研究。文獻[3]建立了基于分時電價的用戶可調(diào)節(jié)潛力指標，基于負荷的調(diào)節(jié)潛力大小對用戶的用電行為進行聚類分析。文獻[4]在分析居民用戶基本負荷、可調(diào)度負荷、電動汽車負荷和儲能負荷的基礎(chǔ)上，以電網(wǎng)負荷波動最小為調(diào)控目標建立需求側(cè)響應(yīng)模型，并通過對用戶側(cè)用電行為的聚類分析求解調(diào)控結(jié)果。文獻[5-6]通過分析用戶用電行為的多維影響因素，提出了融合K-means和自組織競爭神經(jīng)網(wǎng)絡(luò)的用戶可調(diào)節(jié)潛力的二次聚類方法，實現(xiàn)基于負荷特性的可調(diào)節(jié)潛力綜合聚類。類似地，文獻[7-8]將無監(jiān)督極限學習機和主成分分析用于用戶用電行為分析，針對用電行為的復(fù)雜性、隨機性和不確定性，對用電負荷數(shù)據(jù)進行聚類，得到不同的用電模式。整體而言，目前的研究大多以居民的靜態(tài)負荷數(shù)據(jù)為基礎(chǔ)，通過對歷史負荷數(shù)據(jù)的聚類分析得到各時段的可調(diào)控負荷潛力或居民用電模式。但是電力負荷數(shù)據(jù)本質(zhì)上是一種隨時間推移而觀測到的時間序列值，具有典型的趨勢性、季節(jié)性和周期性等，負荷用戶用電行為的時間尺度特征需要進一步挖掘。

在需求側(cè)負荷調(diào)控策略方面，文獻[9]以電熱水器為對象，研究了面向新能源消納的聚合負荷協(xié)同控制策略，在建立熱水器負荷控制模型的基礎(chǔ)上，從狀態(tài)感知、實時分析、科學決策和精準執(zhí)行4個環(huán)節(jié)進行負荷控制，實現(xiàn)了電網(wǎng)的供需平衡調(diào)節(jié)。為降低不確定性對負荷調(diào)控的影響，文獻[10]從時間角度描述了影響負荷調(diào)控的不確定性因素，建立了考慮魯棒性與經(jīng)濟性的電熱水器調(diào)控兩階段優(yōu)化模型，在不確定集合的約束下實現(xiàn)對新能源的精準消納。文獻[11]融合了中央空調(diào)的調(diào)控特性、居民舒適度和用電經(jīng)濟性等多方因素，提出了3種中央空調(diào)負荷聚合策略，并研究了聚合負荷參與平抑分布式電源出力的性能。文獻[12]通過分析居民用戶對電熱水器和中央空調(diào)的使用習慣，提出一種考慮時域特性的異構(gòu)溫控負荷聯(lián)合調(diào)控策略，使負荷的使用時段與風電出力盡可能匹配。現(xiàn)有研究針對需求側(cè)的負荷調(diào)控取得了較好的效果，但用戶負荷時間序列的隨機性和規(guī)律性對負荷調(diào)控的影響仍需要深入研究。在面向新能源消納時，較少考慮可調(diào)節(jié)負荷序列與新能源發(fā)電出力序列之間的趨勢相關(guān)性。

綜上所述，本文以新能源消納為研究場景，針對用戶用電行為的日周期性和周周期性，提出基于時間序列預(yù)測的用電行為分析和需求側(cè)負荷調(diào)控策略。在分析用戶歷史負荷序列的基礎(chǔ)上，采用雙周期季節(jié)性差分自回歸移動平均模型預(yù)測用戶可調(diào)控負荷的時域使用行為。從用戶負荷功率與風力發(fā)電出力的時序關(guān)聯(lián)度出發(fā)設(shè)置調(diào)控優(yōu)先級，實現(xiàn)用戶可轉(zhuǎn)移負荷參與新能源消納的有序調(diào)控。

1 用戶用電行為時間序列預(yù)測

居民用戶可參與需求側(cè)互動的負荷主要包括可削減負荷和可轉(zhuǎn)移負荷兩類?？上鳒p負荷為在不影響用戶舒適度的情況下可削減的部分負荷量，如：空調(diào)、智能電子設(shè)備等；可轉(zhuǎn)移負荷則為在規(guī)定的時間段內(nèi)滿足用電需求即可的負荷，如熱水器、洗碗機、電動汽車等[13]。為了最大程度地減少需求側(cè)調(diào)控對居民用電的限制，本文只針對熱水器和電動汽車兩種可轉(zhuǎn)移負荷展開研究，不削減用戶的總用電量，并假設(shè)在智能電表和非入侵式探測技術(shù)的幫助下，可以獲取居民家庭每種電器的負荷序列。

用戶負荷雖然隨時間波動，但也表現(xiàn)出與居民行為習慣強相關(guān)的周期性，例如電熱水器的使用與用戶的洗浴行為有關(guān)，其使用時段相對集中在早晨及晚上。根據(jù)2015 年深圳市夏季典型負荷曲線[14]，居民用戶的負荷具有明顯的日周期性和周周期性，工作日和周末也可以明顯被區(qū)分開。借鑒文獻[15]的交通流預(yù)測模型，本文采用雙周期季節(jié)性差分自回歸移動平均(double seasonal autoregressive integrated moving average，DSARIMA)模型實現(xiàn)對居民用戶可轉(zhuǎn)移負荷使用行為的預(yù)測。差分自回歸移動平均(autoregressive integrated moving average，ARIMA)模型的基本思想為將預(yù)測對象隨時間推移而形成的數(shù)據(jù)序列描述為一個隨機序列，再依據(jù)時間序列的過去值及現(xiàn)在值預(yù)測未來值。DSARIMA模型則在ARIMA模型的基礎(chǔ)上考慮了時間序列的周期性，在模型中采用了一個以天為單位的短季節(jié)周期和一個以周為單位的長季節(jié)周期，如式(1)所示：

φ(B)φ(BSS)φ(BSL)(1-B)d(1-B)DS(1-B)DLxt=

C+θ(B)θ(BSS)θ(BSL)εt

(1)

式中：xt為可轉(zhuǎn)移負荷的時間序列；B為后移算子，滿足Bnxt=xt-n；d為差分次數(shù)；SS和SL分別為短季節(jié)和長季節(jié)周期的長度；DS和DL分別為短季節(jié)和長季節(jié)差分次數(shù)；BSS和BSL分別為短季節(jié)和長季節(jié)周期的后移算子；φ(B)和θ(B)分別為ARIMA模型的自回歸系數(shù)多項式和移動平滑系數(shù)多項式；C為常數(shù)；εt為殘差項。

φ(BSS)=1-φ1BSS，1-φ2BSS,2…-φPSBSS,PS為短季節(jié)模型的自回歸系數(shù)多項式；θ(BSS)=1-θ1BSS，1-θ2BSS,2…-θQSBSS,QS為短季節(jié)模型的移動平滑系數(shù)多項式；φ(BSL)=1-φ1BSL，1-φ2BSL,2…-φPLBSL,PL為長季節(jié)模型的自回歸系數(shù)多項式；θ(BSL)=1-θ1BSL，1-θ2BSL,2…-θQLBSL,QL為長季節(jié)模型的移動平滑系數(shù)多項式；其中PS和PL分別為短季節(jié)和長季節(jié)周期自回歸(seasonal autoregressive，SAR)項的滯后階數(shù)，QS和QL分別為短季節(jié)和長季節(jié)周期移動平均(seasonal moving average，SMR)項的滯后階數(shù)。

DSARIMA模型同時考慮了兩個周期的時間序列預(yù)測，符合居民用戶在工作日和周末具有不同用電行為的特定規(guī)律?；贒SARIMA模型的用戶負荷時間序列預(yù)測將每周劃分為工作日(周一到周五)與非工作日(周六與周日)兩個周期，并將每天劃分為n個時段，將當前預(yù)測時間段的前Z天(同為工作日或非工作日)同一時間段的負荷構(gòu)建為時間序列，分別預(yù)測兩類日期中各時段的熱水器和電動汽車負荷，以描述用戶在不同時段對兩類電器的使用行為，具體流程為：

1)采用自相關(guān)圖法對所選取的熱水器和電動汽車負荷序列的平穩(wěn)性進行檢驗，并通過差分運算處理不平穩(wěn)的序列，確定差分次數(shù)d、DS和DL；

2)根據(jù)最小信息量準則確定模型階數(shù)PS、QS、PL和QL；

3)采用最大似然估計法對DSARIMA模型進行參數(shù)估計，確定φ和θ值；

4)對參數(shù)確定后的模型進行殘差檢驗，確定檢驗結(jié)果呈現(xiàn)隨機正態(tài)分布且不自相關(guān)；

5)利用最終確定的模型進行熱水器和電動汽車負荷序列預(yù)測并得出結(jié)果。

2 面向風電出力消納的負荷有序調(diào)控

本文所提出的面向風電出力消納的需求側(cè)負荷調(diào)控架構(gòu)如圖1所示，假設(shè)風電出力信息可由電網(wǎng)側(cè)獲取，通過對各個時間段內(nèi)可轉(zhuǎn)移負荷的有序調(diào)控，實現(xiàn)對目標風力發(fā)電的消納。具體描述為：

1)電網(wǎng)調(diào)度中心根據(jù)風力發(fā)電出力的歷史數(shù)據(jù)等信息，確定各個時段需要消納的風力發(fā)電量，作為待消納的已知目標量下發(fā)給聚合商；

2)聚合商提前與參與風電消納的用戶簽訂合同，并獲取用戶對于電熱水器和電動汽車的負荷可允許轉(zhuǎn)移時間約束；

3)聚合商根據(jù)所采集的用戶負荷歷史數(shù)據(jù)，分別構(gòu)建工作日和非工作日的負荷時間序列，采用DSARIMA模型預(yù)測消納時段內(nèi)用戶對電熱水器和電動汽車負荷的用電行為；

4)在消納時段，聚合商根據(jù)用戶可轉(zhuǎn)移負荷的響應(yīng)容量與風電出力的差異和時序相關(guān)度等，確定用戶的調(diào)控優(yōu)先級及各時段內(nèi)的調(diào)控量，實現(xiàn)負荷有序調(diào)控。

為了跟蹤風電出力，確保各個時間段內(nèi)取得良好的新能源消納效果，本文以各時間段內(nèi)風電出力功率與需求側(cè)負荷聚合功率之間的偏差最小為目標函數(shù)，如式(2)所示。

(2)

針對上述調(diào)控目標與約束，按照負荷優(yōu)先級劃分的調(diào)控方法，實現(xiàn)對各時間段內(nèi)用戶負荷的有序調(diào)度。各時段可聚合的負荷功率為

(3)

式中：p1,j和p2,j分別為參與消納的電熱水器和電動汽車的固定功率；μ1,j和μ2,j分別為參與消納的電熱水器和電動汽車的調(diào)控因子；M和N分別為參與消納的電熱水器和電動汽車的數(shù)量。

用戶可轉(zhuǎn)移負荷的調(diào)控因子如式(4)和式(5)所示，只有當調(diào)控時間處于用戶允許的時間范圍內(nèi)才可參與需求側(cè)響應(yīng)。

(4)

(5)

式中：T1,j和T2,j分別為電熱水器和電動汽車的負荷可允許轉(zhuǎn)移時間段。

負荷調(diào)控優(yōu)先級同時受到用戶使用習慣、用戶行為預(yù)測結(jié)果和風電出力的影響。為了最大程度地降低負荷調(diào)控對用戶舒適度和用電習慣的影響，本文根據(jù)式(6)確定各時段電熱水器和電動汽車的負荷調(diào)控優(yōu)先級：

(6)

式中：γi,j表示i時間段內(nèi)第j個參與消納的負荷(電熱水器或電動汽車)的負荷時間序列預(yù)測值與風電出力功率之間的皮爾遜相關(guān)度，具體計算方法可參考文獻[16]。λi,j取值范圍為[0,1]且與γi,j呈正相關(guān)，以確保各時段內(nèi)與風電出力功率變化趨勢相似性最高的負荷優(yōu)先參與消納，同時減少對用戶電器使用習慣的影響。在負荷調(diào)控過程中，按照λi,j確定各類負荷的調(diào)控順序。

3 算例分析

以某住宅區(qū)域用戶夏季某一工作日/非工作日的用電情況為例，調(diào)控時段為該日0點至24點，將1天劃分為48個時段，每個時段30 min。以預(yù)測日前50 d的歷史負荷數(shù)據(jù)作為樣本集，其中工作日35 d，非工作日15 d，分別預(yù)測下一個工作日/非工作日的用戶負荷功率情況，算例仿真平臺為Matlab。

對于下一個工作日的每一個時段，采集該時段前35 d同一時段的數(shù)據(jù)和該時段前24個時段的數(shù)據(jù)，依據(jù)DSARIMA模型采用1階差分進行預(yù)測，得到第36個工作日的負荷數(shù)據(jù)。同樣地，對于下一個非工作日的每一個時段，采集同樣的方法得到第16個非工作日的負荷數(shù)據(jù)。分別采用基本ARIMA模型和DSARIMA模型預(yù)測負荷時間序列，差分階數(shù)均為1。在負荷歷史數(shù)據(jù)時間序列的基礎(chǔ)上，根據(jù)最小信息量準則確定模型參數(shù)PS、QS、PL和QL分別為7、7、4、6，并依據(jù)絕對平均誤差(mean absolute error，MAE)和均方根誤差(root mean square error，RMSE)評價預(yù)測性能，結(jié)果如表1所示。

表1 負荷時間序列預(yù)測結(jié)果分析 kW

從表1可以看出，采用DSARIMA模型進行負荷時間序列預(yù)測時，在工作日和非工作日都取得了更好的效果，從而說明用戶用電在工作日和非工作日都呈現(xiàn)一定的規(guī)律性和周期性，而DSARIMA模型能夠更好地捕捉用戶行為在不同時期的變化趨勢。

圖2為采用DSARIMA模型對某一用戶工作日負荷的預(yù)測結(jié)果與真實負荷數(shù)據(jù)的對比圖。由圖2可知，負荷時間序列的預(yù)測值能夠較為準確地刻畫用戶對家用電器的使用習慣，為需求側(cè)負荷的有序調(diào)控奠定了基礎(chǔ)。

圖2 基于DSARIMA模型的負荷序列預(yù)測結(jié)果

為了驗證本文面向風電出力消納的負荷有序調(diào)控策略的可行性，以我國西部地區(qū)某風電場一天的實際風電出力曲線作為消納目標，如圖3中的藍色實線所示。需求側(cè)電熱水器和電動汽車的相關(guān)參數(shù)設(shè)置如表2所示，分別采用本文算法和文獻[12]的貝葉斯網(wǎng)絡(luò)模型預(yù)測用戶的用電行為，并分析負荷參與風電出力消納的效果，結(jié)果如圖3所示。

表2 可轉(zhuǎn)移負荷參數(shù)設(shè)置

圖3 風電消納效果對比分析

由圖3對比結(jié)果可知，本文策略在全天均取得更好的消納效果，受居民用戶的用電習慣影響，當深夜風電出力功率較大時，參與需求側(cè)調(diào)控的可轉(zhuǎn)移負荷功率略顯不足。本文的調(diào)控策略從用戶用電習慣分析及其與新能源發(fā)電出力的相關(guān)性出發(fā)，在負荷可轉(zhuǎn)移時間的約束下，優(yōu)先聚合各時段內(nèi)與風電出力功率變化趨勢相似的負荷，從而在很大程度上避免需求側(cè)調(diào)控對用戶正常用電帶來的影響，提升新能源消納效果與能源利用效率。

4 結(jié)束語

本文以新能源消納為應(yīng)用場景，研究了基于負荷時間序列預(yù)測的用戶用電行為分析和需求側(cè)負荷有序調(diào)控方法。針對用戶負荷使用習慣在工作日和非工作日呈現(xiàn)出的周期性，采用DSARIMA模型預(yù)測各個時間段的用戶可轉(zhuǎn)移負荷序列。以負荷功率與風力發(fā)電出力的差異性作為消納目標函數(shù)，以二者的時序相關(guān)性指導(dǎo)負荷有序參與需求側(cè)新能源消納。本文的研究方法可適用于居民家用負荷參與電網(wǎng)負荷調(diào)峰、新能源消納等場景，下一步將重點研究包含電力負荷在內(nèi)的需求側(cè)綜合能源調(diào)控。