基于數(shù)據(jù)驅(qū)動的客戶側(cè)需求響應(yīng)資源精準(zhǔn)喚醒

楊嘉睿，俞楚天，葉少杰

(國網(wǎng)浙江省電力有限公司經(jīng)濟技術(shù)研究院，浙江 杭州 310020)

0 引言

2002 年以來，國內(nèi)電力供需失衡地區(qū)性差異越發(fā)明顯，可再生能源消納的矛盾也日益突出，電力持續(xù)緊張的局面開始顯現(xiàn)，電力用戶以需求響應(yīng)形式參與電網(wǎng)“雙向互動”，是緩解電力供應(yīng)緊張矛盾的有效手段[1]，也是消納清潔能源、實現(xiàn)社會可持續(xù)發(fā)展的有力支撐[2]，隨著以新能源為主體的新型電力系統(tǒng)發(fā)展，規(guī)?；`活需求側(cè)互動響應(yīng)資源的挖掘成為必然[3]。為促進電力供需平衡和保障重點用戶用電，提升能源利用效率，促進節(jié)能減排，電網(wǎng)公司應(yīng)充分利用已有的數(shù)據(jù)資源[4-5]，精準(zhǔn)識別客戶側(cè)需求響應(yīng)高潛力資源，解決在開展需求響應(yīng)工作時遇到的無法精準(zhǔn)排查出高潛力需求響應(yīng)目標(biāo)用戶、用戶在答復(fù)邀約中缺乏技術(shù)輔助手段、缺乏系統(tǒng)性的需求響應(yīng)結(jié)果分析與建議等困難點，提升用戶在簽約、答復(fù)邀約和需求響應(yīng)實施過程中的體驗感和成功率，從而實現(xiàn)與用戶的有效互動，進一步推進需求響應(yīng)工作的開展。

目前，已有不少學(xué)者對需求響應(yīng)開展了應(yīng)用研究。文獻[6]提出了低碳需求響應(yīng)機制，以動態(tài)碳排放因子為引導(dǎo)信號，以用戶自身減碳意愿或碳市場中的價格因素為激勵信號，引導(dǎo)用戶主動響應(yīng)并降低系統(tǒng)碳排放的電力系統(tǒng)碳減排新機制；文獻[7]基于智能配電網(wǎng)中負(fù)荷的主動響應(yīng)能力，在保證分布式電源可靠供電的同時，開展促進分布式電源就地消納的研究；文獻[8]考慮到用戶響應(yīng)行為的不確定性，提出以參與度、響應(yīng)時間等多重影響因素與凈負(fù)荷功率構(gòu)建高維參數(shù)空間，利用響應(yīng)前后凈負(fù)荷包絡(luò)域期望量化用戶響應(yīng)能力等。但基于電力數(shù)據(jù)開展客戶側(cè)需求響應(yīng)資源精準(zhǔn)喚醒的相關(guān)研究尚不多見。

1 研究思路

需求響應(yīng)是電力需求側(cè)管理的重要解決方案，也是建設(shè)能源互聯(lián)網(wǎng)的有效推進措施之一[9]。需求響應(yīng)是電力用戶根據(jù)市場價格信號或激勵機制主動調(diào)整用電方式，以保證系統(tǒng)運行的安全性和可靠性，實現(xiàn)節(jié)能降耗、提高終端用電效率等功能[10]。需求側(cè)管理主要用于削峰填谷、節(jié)能省電和能源替換等[11]，當(dāng)前面臨的主要問題如下。

1) 無法精準(zhǔn)排查出目標(biāo)用戶，工作效率低。

2) 用戶在答復(fù)邀約過程中存在報量輸入不準(zhǔn)、需求響應(yīng)實施過程中調(diào)節(jié)負(fù)荷精確度不高等問題，導(dǎo)致用戶需求響應(yīng)失敗。

3) 需求響應(yīng)參與方案的靈活度不強。

隨著需求側(cè)管理工作的推進，智能電表和用電采集系統(tǒng)逐漸普及，電網(wǎng)公司可方便及時地獲得終端電力用戶的用電信息，為評估需求響應(yīng)潛力奠定了數(shù)據(jù)基礎(chǔ)[12]；同時，智能技術(shù)(如深度強化學(xué)習(xí)等)能夠?qū)?fù)雜的外部環(huán)境做出較為準(zhǔn)確的識別并做出最優(yōu)決策，能夠滿足需求響應(yīng)的相關(guān)要求[13]。因此，通過聚合電力系統(tǒng)的用戶檔案數(shù)據(jù)、用戶負(fù)荷數(shù)據(jù)、用戶用電量數(shù)據(jù)等，利用大數(shù)據(jù)分析技術(shù)，實現(xiàn)客戶需求響應(yīng)潛力分析、客戶生產(chǎn)經(jīng)驗特征分析、客戶需求響應(yīng)預(yù)評估、客戶需求響應(yīng)結(jié)果分析等模型的構(gòu)建，實現(xiàn)客戶側(cè)需求響應(yīng)高潛力用戶的精準(zhǔn)篩選，持續(xù)提升用戶需求響應(yīng)的參與度和成功率。

2 需求響應(yīng)分析模型構(gòu)建

2.1 客戶需求響應(yīng)潛力分析模型

基于近3 個月高壓用戶96 點日負(fù)荷數(shù)據(jù)，采用大數(shù)據(jù)算法，構(gòu)建削峰填谷響應(yīng)潛力模型，其中早高峰為10 時至11 時，午高峰為13 時至17 時，凌晨低谷為0 時至6 時、中午低谷為11 時至12 時。根據(jù)削峰填谷響應(yīng)潛力值劃分高、較高、中、低四個響應(yīng)潛力等級，輸出需求側(cè)削峰填谷響應(yīng)潛力用戶清單；同時對比分析用戶開空調(diào)狀態(tài)下及不開空調(diào)狀態(tài)下的負(fù)荷特征，并根據(jù)客戶負(fù)荷可調(diào)節(jié)潛力值，輸出需求側(cè)響應(yīng)潛力清單。

2.1.1 削峰填谷潛力

基于用戶歷史各日早高峰及午高峰、各日凌晨低谷及中午低谷的負(fù)荷水平分布情況，推導(dǎo)得到用戶各時段的可調(diào)整負(fù)荷值，并結(jié)合各行業(yè)的潛力系數(shù)，得到最終的早高峰削峰及午高峰削峰、凌晨低谷填谷及中午低谷填谷的響應(yīng)潛力。行業(yè)潛力系數(shù)則通過綜合分析歷史參與需求側(cè)響應(yīng)的用戶行業(yè)特征及響應(yīng)情況得到。具體分析步驟如下。

1) 獲取用戶近3 個月96 點的日負(fù)荷數(shù)據(jù)，計算96 點各點近3 個月日均負(fù)荷數(shù)據(jù)，同時剔除節(jié)假日數(shù)據(jù)、小于等于零的數(shù)值及異常大的數(shù)值。

2) 基于用戶近3 個月96 點日均負(fù)荷數(shù)據(jù)，取65 %的負(fù)荷值(從低到高)作為峰電量的基準(zhǔn)值。

3) 將用戶負(fù)荷特征曲線各點值與峰電量基準(zhǔn)值相減，大于零的時段初步定義為用電高峰時段。

4) 將大于零的時點從小到大排序，按時點的連續(xù)性進行歸類，中間連續(xù)無時點間斷的歸為1 類，依次歸納到N類，定義為M1，M2，……，Mn并分別計算M1，M2，……，Mn對應(yīng)的連續(xù)點數(shù)Q1，Q2，……，Qn；間隔時點數(shù)D1，D2，……，Dn-1。

5) 將M1，M2，……，Mn進行高峰時段粘連，如果Di＜4 (24 個點Di＜1)，且Qi＞Di，Qi+1＞Qi，Mi與Mi+1粘連，其他情況下則終止粘連，粘連后的連續(xù)時段為最后粘連的時點距最初粘連的時點，依次歸類為m類，定義為m1，m2，……，mm。

6) 判斷mi對應(yīng)的時點數(shù)，如果mi≥4 (若負(fù)荷數(shù)據(jù)為24 點，則閾值為大于等于1)，則判斷為峰時段，從時段大小分別定義為f1，f2，……，fn。

7) 當(dāng)非峰時段的日均負(fù)荷與峰時段的日均負(fù)荷大于等于0.8 時，定義為無峰。

8) 計算各峰時段的平均負(fù)荷值。

式中：di為各鋒時段里各點對應(yīng)的負(fù)荷值，n為峰時段里的負(fù)荷點數(shù)。

2.1.1.1 削峰響應(yīng)潛力

1) 早高峰響應(yīng)潛力。

3) 削峰響應(yīng)潛力。

4) 削峰響應(yīng)潛力等級制定。針對削峰響應(yīng)潛力大于零的用戶，制定削峰響應(yīng)潛力等級，如表1所示。

表1 削峰響應(yīng)潛力等級

2.1.1.2 填谷響應(yīng)潛力

1) 折算前凌晨低谷響應(yīng)潛力。

2) 折算前中午低谷響應(yīng)潛力。

3) 折算前填谷響應(yīng)潛力。

4) 填谷響應(yīng)潛力折算系數(shù)。

5) 填谷響應(yīng)潛力基準(zhǔn)負(fù)荷。

6) 計算最終的凌晨低谷響應(yīng)潛力、中午低谷響應(yīng)潛力、填谷響應(yīng)潛力。

a) 計算凌晨低谷響應(yīng)潛力。

b) 計算中午低谷響應(yīng)潛力。

c) 計算填谷響應(yīng)潛力。

7) 填谷響應(yīng)潛力等級制定。針對填谷響應(yīng)潛力大于零的用戶，制定填谷響應(yīng)潛力等級，如表2所示。

表2 填谷響應(yīng)潛力等級

2.1.2 柔性可調(diào)節(jié)負(fù)荷潛力

基于不同日期類型下用戶開空調(diào)和不開空調(diào)時負(fù)荷變化，通過分析用戶空調(diào)負(fù)荷可調(diào)節(jié)程度和可調(diào)節(jié)負(fù)荷值，綜合得到用戶空調(diào)負(fù)荷可調(diào)節(jié)潛力，并按照表3 進行分類，具體應(yīng)用步驟分析如下。

表3 空調(diào)負(fù)荷可調(diào)節(jié)潛力等級

1) 基于“工作日期類型”“空調(diào)狀態(tài)”“季節(jié)”三個字段信息將數(shù)據(jù)劃分成冬季節(jié)假日開空調(diào)，夏季節(jié)假日開空調(diào)、節(jié)假日不開空調(diào)，冬季工作日開空調(diào)，夏季工作日開空調(diào)、工作日不開空調(diào)六大類；剔除各日期類型中的異常負(fù)荷曲線以及日均負(fù)荷前5 %及后5 %的日期。

2) 選取節(jié)假日(工作日)冬天開空調(diào)日期類型中各點處于前5 %的點值，作為冬天節(jié)假日(工作日)開空調(diào)日期類型的可調(diào)節(jié)負(fù)荷上限；同理可得出夏天節(jié)假日(工作日)開空調(diào)日期類型的可調(diào)節(jié)負(fù)荷上限；同時取開空調(diào)日期類型的平均值負(fù)荷曲線。

3) 選取節(jié)假日(工作日)冬天不開空調(diào)日期類型的平均值負(fù)荷曲線，作為冬天節(jié)假日(工作日)開空調(diào)日期類型的可調(diào)節(jié)負(fù)荷下限；同理可得出夏天節(jié)假日(工作日)開空調(diào)日期類型的可調(diào)節(jié)負(fù)荷下限。

4) 基于用戶的負(fù)荷特征分析，得出用戶四種日期類型(冬季節(jié)假日開空調(diào)、夏季節(jié)假日開空調(diào)、冬季工作日開空調(diào)、夏季工作日開空調(diào))全日及一日及24 個時點各時點的柔性負(fù)荷特征值。

5) 可調(diào)節(jié)負(fù)荷值得分(S2矩陣)計算如下。

式中：S＇為數(shù)據(jù)標(biāo)準(zhǔn)化后的可調(diào)節(jié)負(fù)荷，分別代表所有用戶某日期類型下序列中的15 %、55 %、75 %、100 %分位點對應(yīng)的值。

6) 可調(diào)節(jié)程度得分(S1矩陣)計算如下。

式中：P＇為數(shù)據(jù)標(biāo)準(zhǔn)化后的理論可調(diào)節(jié)程度，分別代表所有用戶某日期類型下P＇序列中的15 %、55 %、75 %、100 %分位點對應(yīng)的值。

7) 可調(diào)節(jié)潛力得分。

2.2 客戶生產(chǎn)經(jīng)驗特征分析模型

2.2.1 生產(chǎn)班次特征

通過用戶近3 個月96 點負(fù)荷數(shù)據(jù)，采用K-Means 算法[14-16]、動態(tài)時間規(guī)整聚類[17-19](dynamic time warping，DTW)等大數(shù)據(jù)算法，對用戶生產(chǎn)特征進行歸類分析，得到用戶全面的生產(chǎn)班次類型(單班、雙班等)、集中生產(chǎn)時段、生產(chǎn)特征類型等生產(chǎn)班次特征畫像(見表4)。具體分析步驟如下。

表4 生產(chǎn)班次特征標(biāo)簽

1) 開展數(shù)據(jù)清洗?；诰垲愊湫蛨D等方法挖掘突增突減等異常負(fù)荷數(shù)據(jù)，并基于均值插補法做數(shù)據(jù)清洗。

2) 用戶生產(chǎn)特征類型研究?；贒TW 聚類算法，抽樣部分用戶，將各用戶典型的96 點(24點)負(fù)荷曲線進行聚類，聚成n類，聚類效果通過Silhouette Coefficient、Calinski-Harabasz 等系數(shù)確定最近聚類類別，n最大值取16。用戶生產(chǎn)特征類型研究流程具體如下。

① 基于分類結(jié)果進行生產(chǎn)特征分析，通過觀測曲線特征，進行生產(chǎn)特征歸納，確定每個聚類類別的生產(chǎn)特征類型。

② 開展全用戶分類，確定抽樣用戶每個聚類類別的中心點，基于全用戶96 點(24 點)的平均負(fù)荷曲線，根據(jù)DTW 算法將每個用戶歸納至中心點最近的類別，以此完成全用戶的歸納。

③ 企業(yè)非全天生產(chǎn)的生產(chǎn)時段分析。

a) 根據(jù)用戶清洗后的日均負(fù)荷曲線，統(tǒng)計用戶96 個點負(fù)荷值中排名為40 %的負(fù)荷值(從低到高)作為負(fù)荷差異狀態(tài)的閾值線。

b) 將用戶96 點各時刻的負(fù)荷值與該閾值對比，若某一時刻的負(fù)荷值高于該閾值線，則標(biāo)記為高，否則標(biāo)記為低，計算如下。

其中，Li表示第 時刻的負(fù)荷，Lthreshold表示負(fù)荷閾值。

c) 判斷用戶的集中生產(chǎn)時段。將高負(fù)荷的時點從小到大排序，按時點的連續(xù)性進行時點歸類，中間連續(xù)無時點間斷的歸為1 類，依次歸納為n類，定義為M1，M2，……，Mn，分別計算M1，M2，……，Mn對應(yīng)的連續(xù)點數(shù)Q1，Q2，……，Qn以及間隔的時點數(shù)Q1，Q2，……，Qn-1。

將M1，M2，……，Mn進行集中時段粘連，如果Di＜4 ( 24 個點Di＜1)，且Qi＞Di，Qi+1＞Di，Mi與Mi+1粘連，其他情況下則終止粘連，粘連后的連續(xù)時段為最后粘連的時點據(jù)最初粘連的時點，依次歸類為m類，并定義為m1，m2，……，mn。

判斷mi對應(yīng)的時點數(shù)，如果大于等于4 (若負(fù)荷數(shù)據(jù)為24 點，則閾值為大于等于1)，則判斷為集中時段。

2.2.2 假日用電特征

通過用戶近1 年日電量數(shù)據(jù)，形成用戶周一到周日的日用電曲線、節(jié)日用電曲線，分別采用DTW 聚類等大數(shù)據(jù)算法，對用戶周一至周日用電差異特征、節(jié)日用電特征進行歸類分析，得到用戶全面的節(jié)日開工情況、假日開工情況等節(jié)假日用電特征畫像(見表5)，具體分析步驟如下。

表5 假日用電特征標(biāo)簽

1) 用戶周一至周日用電曲線分類，基于DTW聚類算法抽樣部分用戶，將各用戶周一至周日用電曲線進行聚類(聚成n類)，聚類效果通過Silhouette Coefficient、Calinski-Harabasz 等系數(shù)確定最近聚類類別，n最大值取16。

2) 基于分類結(jié)果進行周一至周日用電差異特征分析，通過觀測曲線特征，進行周一至周日用電差異特征歸納，確定每個聚類類別的周一至周日用電差異特征類型。

3) 全用戶分類方法，確定抽樣用戶每個聚類類別的中心點，基于全用戶周一至周日用電曲線，根據(jù)DTW 算法將每個用戶歸納至中心點最近的類別，以此完成全用戶的歸納。

4) 基于近1 年用戶日電量數(shù)據(jù)，分別統(tǒng)計假日日電量平均值、工作日日電量平均值。

5) 計算假日開工率。假日開工率=假日日電量平均值/工作日日電量平均值

式中：Pv為假日日電量平均值；Pw為工作日日電量平均值。

6) 設(shè)置假日開工率閾值，基于假日開工率判定企業(yè)在假日里開工的狀態(tài)(全開工、半開工、不開工)。

2.2.3 節(jié)日用電特征

通過用戶近1 年日電量數(shù)據(jù)，形成用戶節(jié)日用電曲線，分別采用DTW 聚類等大數(shù)據(jù)算法，對用戶節(jié)日用電曲線進行歸類分析，得到用戶全面的節(jié)日開工情況、節(jié)日用電差異特征等節(jié)日用電特征畫像(見表6)，具體分析步驟如下。

表6 節(jié)日用電特征標(biāo)簽

1)—4) 可參照假日用電特征計算步驟。

5) 基于近1 年用戶日電量數(shù)據(jù)，分別統(tǒng)計節(jié)日日電量平均值、工作日日電量平均值。

6) 計算節(jié)日開工率。節(jié)日開工率=節(jié)日日電量平均值/工作日日電量平均值。

7) 設(shè)置節(jié)日開工率閾值，基于節(jié)日開工率判定企業(yè)在節(jié)日開工的狀態(tài)(全開工、半開工、不開工)。

3 客戶需求響應(yīng)資源精準(zhǔn)識別

3.1 客戶潛力需求響應(yīng)潛力識別

基于需求響應(yīng)運營支持平臺，獲取潛力用戶信息，并按照不同供電單位、不同行業(yè)、不同響應(yīng)等級(削峰響應(yīng)潛力等級、填谷響應(yīng)潛力等級)，輸出潛力用戶的響應(yīng)潛力值、潛力排名、日用電量、負(fù)荷等信息。

3.1.1 削峰響應(yīng)潛力

基于削峰潛力分析模型，明確用戶削峰響應(yīng)潛力用戶的用戶畫像，包括峰類型、削峰響應(yīng)潛力等級、削峰響應(yīng)潛力、削峰響應(yīng)潛力排名、早高峰、午高峰的削峰響應(yīng)潛力等，如圖1 所示。

圖1 削峰響應(yīng)潛力用戶信息展示

3.1.2 填谷響應(yīng)潛力

基于填谷潛力分析模型，明確填谷響應(yīng)潛力用戶的用戶畫像，包括峰類型、填谷響應(yīng)潛力等級、填谷響應(yīng)潛力、填谷響應(yīng)潛力排名、早高峰、午高峰的填谷響應(yīng)潛力等，如圖2 所示。

圖2 填谷響應(yīng)用戶信息展示

3.1.3 柔性負(fù)荷可調(diào)節(jié)潛力

基于柔性可調(diào)節(jié)負(fù)荷潛力分析模型，明確柔性負(fù)荷可調(diào)節(jié)潛力用戶的用戶畫像，包括可調(diào)節(jié)負(fù)荷值、常態(tài)可調(diào)節(jié)負(fù)荷值、可調(diào)節(jié)潛力值、可調(diào)節(jié)潛力排名、可調(diào)節(jié)潛力等級等，如圖3 所示。

圖3 柔性負(fù)荷可調(diào)節(jié)潛力用戶信息展示

3.2 客戶生產(chǎn)經(jīng)驗特征識別

3.2.1 生產(chǎn)班次特征

基于企業(yè)生產(chǎn)班次特征分析模型，明確客戶生產(chǎn)班次特征畫像，包括生產(chǎn)班次類型、集中生產(chǎn)時段、生產(chǎn)特征等。

3.2.2 假日用電特征

基于假日用電特征分析模型，明確潛力用戶假日開工情況、周一至周日用電差異特征、工作日日均電量、周末日均電量等。

3.2.3 節(jié)日用電特征

基于節(jié)日用電特征分析模型，明確潛力用戶節(jié)日用電負(fù)荷特征，包括用戶節(jié)日開工情況、節(jié)日用電差異特征、節(jié)日日均電量、工作日日均電量等。

4 結(jié)束語

為有效輔助需求響應(yīng)工作的高效開展，國網(wǎng)浙江省電力有限公司充分發(fā)揮自身電力數(shù)據(jù)資源優(yōu)勢，在深入開展數(shù)據(jù)挖掘的基礎(chǔ)上，提出了客戶需求響應(yīng)分析模型與特征分析模型構(gòu)建方案，通過歷史參與需求響應(yīng)用戶、高潛用戶客戶標(biāo)簽體系，精準(zhǔn)篩選客戶側(cè)高潛力資源。通過平臺應(yīng)用驗證，該方案可準(zhǔn)確找出電網(wǎng)內(nèi)削峰填谷潛力較高的用戶，明確高潛力用戶生產(chǎn)班次特征及節(jié)假日用電特征等，有效推進電網(wǎng)公司需求響應(yīng)工作的開展。