基于用电采集数据的需求响应削峰潜力评估方法

任炳俐，张振高，王学军，李慧，闫大威，张沛

(1．天津大学电气与自动化工程学院，天津市 300072；2．国网天津市电力公司，天津市 300010；3．国网天津市电力公司经济技术研究院，天津市 300171)

基于用电采集数据的需求响应削峰潜力评估方法

任炳俐1，张振高2，王学军2，李慧2，闫大威3，张沛1

(1．天津大学电气与自动化工程学院，天津市 300072；2．国网天津市电力公司，天津市 300010；3．国网天津市电力公司经济技术研究院，天津市 300171)

目前，电网规划按规划年最大负荷场景对电网网架进行规划设计。需求侧响应能达到削减年度尖峰负荷的效果，对电网规划产生影响。文章提出了一种基于用电采集数据的需求响应削峰潜力评估方法。首先，利用统计分析确定峰荷时段。其次，提出利用K-means聚类算法，以日负荷率、日峰谷差率、峰期负荷率、平期负荷率、谷期负荷率5个关键指标，对单一负荷进行降维聚类分析，从而确定适用于评估需求响应能力的用户典型日负荷曲线。在此基础上，综合考虑负荷所在行业的需求响应降负荷率和负荷峰谷差，量化评估负荷的削峰潜力。最后，根据拓扑结构，通过逐层叠加计算总需求响应的潜力及对峰值负荷的总影响。此文提出的方法可以帮助电网规划人员有效量化需求响应对系统峰荷的影响潜力，从而在规划时能考虑需求响应的影响，制定合理的未来电网投资方案。

需求响应；日负荷曲线；削峰；聚类分析

0 引 言

近年来，为缓解电力需求急速增长和电网扩容困难两者之间的矛盾问题，需求侧管理(demand side management，DSM)得到越来越多的重视[1]。2015年电改九号文及其配套文件都提出了要积极开展电力需求响应和能效管理的要求。未来将大规模实施各类需求侧管理，需求响应将成为削减高峰负荷、维持供需平衡的有效手段之一[2]。

需求响应(demand response，DR)是指电力公司采取一系列有效的激励措施以及适宜的运作方式，通过正确的设计和引导消费方向，激励和诱导用户调整电力消费方式及行为，依靠科学技术进步，与用户共同提高终端用电效率，降低电量消耗和电力需求所进行的管理活动[1-2]。随着需求侧管理的推进，智能电表和用电采集系统也在逐渐普及，电网公司能够越来越多地获得终端电力用户的用电信息，这为评估需求响应潜力奠定了数据基础。2010年颁布的《电力需求侧管理办法》中指出，电网企业应通过电力负荷管理系统开展负荷监测和控制，负荷监测能力达到本地区最大用电负荷的70%以上，100 kV·A及以上用户全部纳入负荷管理范围[3]。“十二五”规划要求，2017年全国拟实现全覆盖目标[4]。

随着需求响应的推广和应用，在根据规划年最大负荷预测值进行电网传统规划设计基础上，需要考虑需求响应对电网的规划影响。需求响应可以降低负荷峰值，进而达到推迟发电、输电和配电扩容需求，节约资源和效益优化的目的[5-11]。

需求响应对电网规划的影响首先体现在对负荷的影响。目前需求响应潜力的评估方法是在最大负荷的基础上应用需求响应降负荷率。文献[12-14]都是在最大负荷基础上乘以不同类型用户及措施的削峰系数来计算需求响应可削峰容量。文献[13]和[14]还提出将需求侧管理考虑为负荷的影响变量之一，采用回归分析直接进行负荷预测的思路。用回归分析法只能测算出综合用电负荷的发展水平，无法具体测算出各供电区、各节点的负荷发展水平。文献[15]对用户进行需求侧资源的分类，而后利用不同的平均降耗率，定量分析预测期内各类用户不同需求侧资源对负荷的影响效果，经多层次叠加技术测算得到预测区域内考虑需求侧资源的最大负荷。文献[12-15]中将用户分成工业、商业和民用负荷，类别较笼统，没有具体结合每个用户的用电特性及响应特性，也未考虑电网拓扑，仅得到总的需求响应削减量。文献[16]中指出DSM策略对负荷形状的影响可以通过试点实验确定或通过计算机仿真确定，但并未给出明确评估模型。

区域电网通过需求响应获得的削峰效果是基于每个电力用户的用电行为改变叠加而成，不同类型电力用户的需求响应能力和意愿不同，这就决定了分析需求响应潜力必须要以终端用户为单位进行分析，要使结果更具代表性，必须要先得到用户的典型负荷曲线[17-21]。因此，本文提出一种基于用电采集数据的需求响应削峰潜力分析方法，对全网夏季月份的负荷数据进行分析，确定系统的尖峰负荷。通过统计方法选取多个尖峰负荷时刻来保证方法的鲁棒性。采用负荷指标进行降维聚类确定用户典型的用电模式，并在此基础上获得用户典型日负荷曲线。而后综合考虑负荷所在行业的需求响应降负荷率和用户负荷的实际峰谷差约束，确定单个用户的需求响应削峰容量。按照网络拓扑结构，分层计算需求侧响应对馈线、变电站等各层级负荷的影响，从而能将需求侧响应对负荷的影响落实到具体的每个母线节点，以便规划人员后续开展潮流计算等系统分析工作。

1 削峰潜力评估方法

1.1 总体思路

首先确定需求响应潜力分析的区域范围。其次对区域范围内的夏季月份整体负荷量进行分析，确定此区域的尖峰负荷时段。然后采用负荷指标的降维聚类分析方法确定每个负荷的典型用电模式，再综合考虑负荷所在行业的需求响应降负荷率和用户负荷峰谷差，计算出每个用户的需求响应削峰潜力。负荷所在行业的需求响应降负荷率是根据行业统计得到的，体现了此行业负荷的响应能力和降低负荷能力。同时，该方法还考虑到此负荷的实际峰谷差，体现了负荷的实际降负荷能力。最后，将每个用户的需求响应削峰容量按照网络拓扑结构进行叠加，从而分层计算出需求响应对馈线、变电站等各层级负荷的影响，最终实现对选定区域内的峰值负荷的影响评估。

1.2 系统尖峰负荷时段确定

1.3 单个用户需求响应削峰潜力评估

目前国内的需求响应措施主要是面向工业和商业用户，而且工业和商业用户大多数是由专用变压器供电，用电采集系统对工业和商业用户负荷的采集周期能达到15 min，具有较好的数据基础。需要说明的是由于居民用户响应潜力较低，而且居民用户用电量小、单位户数量大，本研究不涵盖居民负荷的分析。因此本文在进行用户需求响应削峰潜力研究中，只针对削峰潜力较大的工业和商业用户。

衡量负荷特性优劣的主要指标是负荷率、峰谷差、峰谷差率和最大负荷利用小时数，这些指标从不同方面反映了用户全天的用电特性。同时为了反映用户不同时段的用电特性以及负荷错峰潜力，引入峰、谷、平负荷率。日最大负荷利用小时数为日负荷率乘以采样频率，所以本文采用的指标计算方法如下详述。

(1)

(2)

(3)

(4)

(5)

(6)

用户每天计算得到的5个特征指标作为一个样本，则用户i表示负荷曲线特征指标的待聚类矩阵为YN×5。采用K-means聚类方法进行聚类。Yi矩阵为输入，以欧式距离为相似性判据进行聚类。随机选取Yi中k个样本作为初始聚类中心，以此计算各个样本到初始聚类中心的距离，样本被归入距离最小的类中，然后重新计算各聚类中心，重复进行距离计算、归类及聚类中心的计算，直至达到规定迭代次数或类内距离不再减小，完成类数为k的聚类。

设a(x)为聚类Cj中的样本x与类内所有其他样本的平均距离，表征类内的紧密程度；d(x,Ci)为样本x到另一个类Ci的所有样本的平均距离；b(x)为样本x到所有非同类样本的最小平均距离，用于表征

类间的离散程度，b(x)=min{d(x,Ci)}，i=1,2,…,k，i≠j。每个样本x的Silhouette指标计算公式如式(7)所示。

(7)

样本x的Silhouette指标值S(x)在[-1,1]范围内变动。a(x)越小，b(x)越大，此时，S(x)越接近1，样本i所属类j的类内紧密性和类间分离性越好，聚类质量越好。当a(x)>b(x)，此时S(x)<0，样本x距非同类样本的距离小于类内样本的距离，聚类失效。Silhouette指标越大，表示聚类质量越好，其最大值对应的类数为最优的聚类个数。

(8)

式中λi为用户i的需求响应措施下的平均降负荷率，即实施需求响应时，负荷平均削减量占最大负荷的比率。

不同行业用户需求响应的基础数据如表1所示。

表1 用户参与需求响应特征表

Table 1 Characteristics of users’ demand response

同时，用户的实际需求响应削峰潜力不应超过系统尖峰时刻，用户实际负荷与日最小负荷的差值，即此值为用户需求响应潜力可能的最大值。根据用户i的典型负荷曲线数据可以得到用户i在尖峰时刻与日最小负荷的差值。

(9)

式中：h表示系统的尖峰时刻，取值为1—Z；limin为用户i的典型负荷曲线中日最小负荷。

用户i最终的需求响应降峰负荷潜力为

(10)

1.4 需求响应对整个区域负荷的削峰潜力评估

不同用户的需求响应削峰潜力不同，根据所选定区域内电网的拓扑结构，从馈线上进行用户需求响应削峰潜力自下而上的叠加。同一馈线上不同类型的用户响应量叠加得到馈线处响应量，同一变电站辐射范围内多条馈线响应量的叠加得到变电站等级的响应量。需求响应潜力叠加的拓扑结构如图1所示。

图1 需求响应潜力叠加的拓扑结构

同一馈线j上多个用户的需求响应削峰潜力通过式(11)求解。

(11)式中：Fj表示馈线j上的需求响应削峰容量；i∈j表示用户i在馈线j上；Fi为用户i的需求响应削峰容量。

由于整个变电站涵盖多条用电线路，因此，在求取总需求响应对峰荷的影响时，需要考虑每条用电线路的用电状况，同一变电站上多条馈线的需求响应削峰潜力为

(12)

式中：Fs表示变电站s的需求响应对峰值负荷的影响容量；j∈s表示馈线j与变电站s相关联。

获得各变电站的需求响应削峰容量后，可以在负荷预测结果的基础上计及此影响，然后进行潮流计算以及电网规划。系统需求响应削峰潜力为系统内所有变电站需求响应削峰容量的叠加。

Ftotal=∑Fs

(13)

1.5 整体计算流程

削峰潜力的整体计算流程如图2所示。

(1)确定需求响应潜力分析范围，对范围内用户进行分类，通常选取某一变电站辐射范围为分析区域。

(2)确定全网的系统峰荷时段。基于全网负荷数据进行统计，明确系统尖峰负荷时段。

图2 削峰潜力计算流程

(4)用户削峰能力自下而上叠加。基于每个用户的需求响应潜力分析，进行自下而上的叠加分析，得到不同节点削峰潜力容量，进而得到整个区域的需求响应削峰潜力评估结果。

2 算例分析

以某地市电力公司下属某变电站覆盖范围为研究对象，针对此区域内用户进行筛选分析，计算需求响应削峰容量。所研究区域内无居民用户，需要进行分析的工业和商业用户共13户。

2.1 系统尖峰负荷时段选取

根据此地市电力公司某年夏季7、8、9月份的负荷数据，确定尖峰负荷时段。选取全网夏季7、8、9月共计92天的负荷数据。夏季2 208 h的历史负荷数据中，负荷值超过最大负荷85%的时间有254 h，平均每天2.76 h。因此选择3 h作为尖峰时段。在进行数据统计后，获得全天各个时刻峰荷出现的频数分布，如图3所示。

图3中10:00—11:00、13:00—14:00、14:00—15:00为尖峰出现频率排名前3的时段，由此可以确定这3个时段为系统最易出现峰荷的时段。

图3 峰荷时刻总频数分布

2.2 单个用户需求响应削峰潜力

从用电采集系统，获得13户工业和商业用户的日负荷数据。图4为用户1的30天历史负荷曲线。

图4 用户1的日负荷曲线示意图

根据公式(2)—(6)计算用户日负荷数据指标，结果如表2所示，并采用K-means聚类方法进行聚类，通过对用户归类后的历史负荷数据进行统计分析，将类别2的非典型日曲线剔除后，其余取平均值后得到用户的典型日负荷曲线。图5展示了用户1的典型日负荷曲线。

水利工程建设项目评价是政府在招标过程中的主要参考因素。通常情况下，项目在竞标之间，是要进行一些列咨询和科学合理的评价等准备工作的，以便为工程的据测工作作不时之需。可是中小型水利工程项目显然是没有这样充分的准备工作，也缺乏高效有力的评估组织团队，施工的质量也就难以保证了。尽管我国现在已经出台了很多相关方面的规章制度，但几乎没有基层水利工程是严格遵照这样的标准和要求去执行的。

表3为电网峰、谷、平时段的划分。根据公式(8)计算得到用户可能的需求响应潜力为5.01 kW。根据公式(9)，系统峰荷时，用户1的负荷峰与谷值差值为19.02 kW，用户可能发生的需求响应容量不应超过尖峰时刻平均负荷与负荷最小值的差值，因此用户1的需求响应潜力为5.01 kW。

表4为13个用户削峰潜力的统计结果。从表4中可以看出，不同用户的削峰潜力差异较大。理论可能的削减负荷百分值因为用户的用电特性不同，实现程度也不同。此时用户的需求响应潜力受系统尖峰时段内，用户负荷与用户日最小负荷差值的限制。用户5和用户9的结果中可以看出，其实际响应量远小于理论值。

表2 用户负荷指标计算结果

Table 2 Calculation results of user load index

图5 用户1的典型日负荷曲线

表4中最后一列的计算结果为直接利用用户负荷最大值计算得到的需求响应潜力结果，未结合用电采集数据。与本文提出需求响应潜力计算结果相比，其结果过于理想。而且，在未结合用电采集数据的情形下，在进行自下而上的响应潜力叠加时，需计算每个叠加点的负荷同时率，则要用到馈线、母线、变压器等负荷数据，为数据收集增加难度。本文提出的结合用电采集数据所实现的需求响应潜力分析，可操作性强，评估结果也更加接近实际操作。

表4 13个用户削峰潜力统计结果

Table 4 Peak load shifting potential of 13 customers kW

2.3 综合需求响应削峰潜力

图6为某变电站负荷的示意图。按照所选定区域的配电网拓扑结构进行削峰潜力结果的叠加计算。馈线1、2、3上多个用户的需求响应削峰潜力分别为用户1—6、用户7—10和用户11—13需求响应潜力的叠加，削峰潜力分别为109.52 kW、243.16 kW和55.58 kW。因此，同一变电站上多条馈线的需求响应削峰潜力为408.26 kW。

图6 某变电站负荷示意图

若需要在10:00—11:00、13:00—14:00、14:00—15:00的系统尖峰时段实施需求响应，则变电站处实施需求响应前后负荷曲线变化如图7所示。

图7 需求响应实施前后变电站负荷曲线

算例结果是仅为工业和商业供电的变电站节点处的需求响应曲线，需求响应的实施是为了缓解系统高峰，与变电站节点的高峰时段不一定完全重合。获得的需求响应削峰容量为可操作容量，具体实施情况还受激励、政策、人为和客观因素影响。

3 结 论

(1)需求响应可以短时间内有效削减高峰，负荷削减潜力与用户负荷形态有很大关系。因此需求响应的分析必须与用户负荷数据相结合。需求响应可以作为缓解负荷高峰的有效措施。

(2)基于用户日负荷曲线的需求响应潜力分析比只考虑用户最大负荷的评估方法所获得的评估结果更具实践性。

本文方法旨在为电网规划人员提供关于需求响应实施的量化评估新思路，从而将需求响应纳入到电网规划中，实现效益优化。本文所提出的方法和模型具备一定的可操作性、可复制性和可扩展性，可结合不同地区不同的负荷情况进行计算分析。

[1]梁甜甜，高赐威，王蓓蓓．智能电网下电力需求侧管理应用[J]. 电力自动化设备，2012，32(5)：81-85． LIANG Tiantian, GAO Ciwei, WANG Beiei. Application of demand side management in smart grid[J].Electric Power Automation Equipment, 2012，32(5)：81-85．

[2]中共中央国务院. 关于进一步深化电力体制改革的若干意见[EB/OL].(2015-03-22)[2015-12-28]. http://www.ne21.com/news/show-64828.html.

[3]曾鸣, SMEERS Y. 美国和西欧用于削减用电峰值的几种需求侧管理(DSM)措施[J]. 电力建设, 1993, 14(11): 64-66, 63.

[4]国家发展和改革委员会.关于印发《电力需求侧管理办法》的通知[EB/OL].(2010-11-24)[2016-03-25]. http://bgt.ndrc.gov.cn/zcfb/201011/t20101116_498818.html.

[5]MARWAN M, KAMEL F. Demand side response to mitigate electrical peak demand in eastern and southern Australia[J]. Energy Procedia, 2011, 12: 133-142．

[6]KARANGELOS E, BOUFFARD F. Towards full integration of demand-side resources in joint forward energy/reserve electricity markets[J]. IEEE Transactions on Power Systems, 2012, 27(1): 280-289.

[7]PEDRASA M A A，SPOONER T D, MACGILL I F. Scheduling of demand side resources using binary particle swarm optimization[J]．IEEE Transactions on Power Systems,2009,24(3)：1173-1181．

[8]RAMANATHAN B，VITTAL V. A framework for evaluation of advanced direct load control with minimum disruption[J], IEEE Transactions on Power Systems, 2008, 23(4): 1681-1688.

[9]PALENSKY P, DIETRICH D．Demand side management：demand response, intelligent energy systems ,and smart loads[J]．IEEE Transactions on Industrial Informatics. 2011, 7(3):381-388.

[10]宋毅, 欧阳邵杰, 王旭阳, 等. 考虑需求侧资源的新型电网规划模式[J]. 电力建设, 2013, 34(11): 12-16. SONG Yi, OUYANG ShaoJie, WANG Xuyang,et al. New power grid planning model with considering demand side resources[J]. Electric Power Construction, 2013, 34(11): 12-16.

[11]薛万磊, 赵龙, 张杰, 等. 兼容需求侧综合资源的输配电容量规划项目评价研究[J]. 电力建设, 2015, 36(4): 16-20. XUE Wanlei, ZHAO Long, ZHANG Jie, et al. Evaluation of transmission and distribution capacity planning with considering comprehensive demand-side resources[J]. Electric Power Construction, 2015, 36(4): 16-20.

[12]李亚平, 王珂, 郭晓蕊, 等. 基于多场景评估的区域电网需求响应潜力[J]. 电网与清洁能源, 2015, 31(7): 1-7. LI Yaping, WANG Ke, GUO Xiaorui,et al. Demand response potential based on multi-scenarios assessment in regional power system[J].Power System and Clean Energy, 2015, 31(7): 1-7.

[13]苏卫华, 储琳琳, 张亮, 等. 考虑需求侧管理的负荷预测方法研究[J]. 华东电力, 2010 , 38(8): 1236-1239. SU Weihua, CHU Linlin, ZHANG Liang, et al. Study on load forecast method considering demand side management[J]. East China Electric Power, 2010 , 38(8): 1236-1239.

[14]周江昕.考虑需求侧管理的负荷预测方法研究[D].上海：上海交通大学, 2012. ZHOU Jiangxin. Research on load forecasting method considering power demand side management[D]. Shanghai: Shanghai Jiao Tong University, 2012.

[15]曾鸣, 李娜, 王涛, 等. 兼容需求侧资源的负荷预测新方法[J]. 电力自动化设备, 2013, 33(10): 59-62, 73. ZENG Ming, LI Na, WANG Tao, et al. Load forecasting compatible with demand-side resources[J]. Electric Power Automation Equipment, 2013, 33(10): 59-62, 73.

[16]YAU T S, SMITH W M, HUFF R G, et al. Demand-side management impact on the transmission and distribution system[J]. IEEE Transactions on Power Systems, 1990, 5(2): 506-512.

[17]赵岩, 李磊, 刘俊勇, 等. 上海电网需求侧负荷模式的组合识别模型[J]. 电网技术, 2010, 34(1): 145-151. ZHAO Yan, LI Lei, LIU Junyong, et al. Combinational recognition model for demand side load profile in Shanghai power grid[J]. Power System Technology, 2010, 34(1): 145-151.

[18]孟令奎, 段红伟, 黄长青, 等. 一种基于语义聚类的典型日负荷曲线选取方法[J]. 华北电力大学学报(自然科学版), 2013, 40(1): 43-48. MENG Lingkui, DUAN Hongwei, HUANG Changqing, et al. A semantic clustering method for selecting the typical day load curve[J]. Journal of North China Electric Power University(Natural Science Edition), 2013, 40(1): 43-48.

[19]李欣然, 姜学皎, 钱军, 等. 基于用户日负荷曲线的用电行业分类与综合方法[J]. 电力系统自动化, 2010, 34(10): 56-61. LI Xinran, JIANG Xuejiao, QIAN Jun, et al. A classifying and synthesizing method of power consumer industry based on the daily load profile[J]. Automation of Electric Power Systems, 2010, 34(10): 56-61.

[20]张忠华. 电力系统负荷分类研究[D]. 天津: 天津大学, 2007. ZHANG Zhonghua. Study on load classification in power system[D]. Tianjin: Tianjin University, 2007.

[21]张靠社, 何优琪, 刘福潮, 等. 基于曲线相似性的负荷分类方法及其应用研究[J]. 电网与清洁能源, 2014, 30(7): 32-37. ZHANG Kaoshe, HE Youqi, LIU Fuchao, et al. Load clustering method and its application based on the similarity of curves[J]. Power System and Clean Energy, 2014, 30(7): 32-37.

(编辑 景贺峰)

Assessment Method of Demand Response Peak Shaving Potential Based on Metered Load Data

REN Bingli1, ZHANG Zhengao2, WANG Xuejun2, LI Hui2, YAN Dawei3, ZHANG Pei1

(1.School of Electrical Engineering and Automation, Tianjin University, Tianjin 300072, China; 2.State Grid Tianjin Electric Power Company, Tianjin 300010, China; 3.Economic Research Institute of State Grid Tianjin Electric Power Company, Tianjin 300171, China)

Currently, grid planning study is typically based on the maximum annual peak load scenario. The demand response can achieve the reduction of annual peak load, which has impact on power grid planning. This paper proposes a new method of assessing peak load reduction due to demand response based on metered load data. Firstly, we use statistic analysis to determine the peak load time frame. Secondly, we carry out the dimension-reducing clustering analysis on single load based onK-means clustering method with five key indicators, daily load rate, peak-valley ratio, peak load rate, normal load rate and valley load rate, and then determine user’s typical daily load curve suitable for the assessment of demand response ability. On this basis, we quantitatively evaluate the peak load reduction potential with comprehensively considering load-reducing rate and peak-valley difference of demand response in different industry. Finally, according to the topology we calculate the total demand response potential and its impact on peak load by aggregating all of electricity users’ peak load reduction potentials. The proposed method can effectively quantify the demand response program’s impact on peak load reduction, therefore it can consider the impact of demand response in the planning and formulate reasonable future investment scheme of power grid.

demand response; daily load curve; peak shaving; clustering analysis

国网天津市电力公司科技项目(SGTYHT/14-JS-188)

TM 73

A

1000-7229(2016)11-0064-07

10.3969/j.issn.1000-7229.2016.11.010

2016-07-22

任炳俐(1991)，女，硕士研究生，主要研究方向为电力需求响应；

张振高(1972)，男，硕士，高级工程师，主要研究方向为电网规划与管理；

王学军(1975)，男，硕士，高级工程师，主要研究方向为电网规划；

李慧(1981)，女，硕士，高级工程师，主要研究方向为输电网规划；

闫大威(1977)，男，硕士，高级工程师，主要研究方向为配电规划和配电自动化；

张沛(1972)，男，博士，教授级高级工程师，主要研究方向为电力系统可靠性和风险评估。