基于用户侧负荷曲线的潜在储能客户预测算法研究与设计

文维 周远智 黄伟 黄志发

（广州海颐软件有限公司 广东省广州市 510660）

近年来，电力行业的体制也随着电力行业的发展中不断革新变化，储能技术也在不断的推广应用，其中储能用户逐渐成为各类能源投资服务商展开争夺的主要业务之一[1]。国内对潜在储能用户探索主要集中在实行峰谷电价的区域内获取，峰谷电价是储能收益获取利润空间[2]。

1 负荷预测种类及相关因素分析

现阶段预测电力负荷的方法种类较多，按照电力负荷的基本原理分为用地仿真类预测法、根据密度指标为参考的预测方法、趋势类预测空间负荷方法和多元变量的预测负荷方法。

此外，还可以根据预测负荷过程中能否采用解析式表达将负荷预测的方法分为分为解析类和非解析类用电负荷预测法；

第三种预测负荷分类的方法是根据总量负荷与元胞负荷之间的先后顺序把用电负荷预测的方法分为由上至下和由下至上这两种用电负荷预测的方法。

2 常用的储能调度运行控制策略及模型

2.1 基于电价运行控制策略的储能模型

现在电网的朝着智能化的方向发展，用电管理措施不断提升，用电市场能够把实时的用电价格及时准确的反馈给电力用户，用电的价格也是对用电需求的反馈，侧面反映了电力用户对用电量的需求。鉴于此，进一步地挖掘用电价格的管理措施下，储能单位的充电和放电的特点，能够有效的通过调整电价达到调节储能资源的有效调度。

本文根据储能系统的充电放电的原理，以及电价制度下储能用户的充、放电规律，把电价的影响因素作为研究依据，建立了电价控制措施与储能充、放电负荷曲线模型。

2.2 构建实时电价与储能调度的数学模型

储能系统是电力系统中具有灵活性和有效性的需求侧资源，在一些程度上和其他需求响应资源相类似，通过大量的聚合负荷聚合商机构，进而对需求侧采取管理措施。

储能用户通常是在用电负荷较高的时间段实施电能释放，在用电负荷较低时间段进行储能补充电能，一方面实现了削峰填谷，另一方面也实现了在储能放电的过程中获取一定的利润。在电价合同背景下建立的储能系统调度模型中，是把储能用户获取最大的利润设定为优化策略的目标，并以此来确定储能系统的最合适充电、放电时间段。储能用户在签订合同时对电力交易市场实时电价波动非常关注，以此实现储能系统运行收益的最大化。以上述调度的数据模型为依据，制定最合理的执行方案。

3 计算方法设计

3.1 计算方法的设计步骤

在设计计算方法时，通过将不同负荷密度指标体系建立起来就可以得到影响到各种类型用电负荷的因素以及影响因素所对应的样本库，以作为预测分析用电负荷的参考。该指标体系也提供了预测模型所与之对应的训练样本集，以此为支持依据能够得到准确度更高的预测数据，具体的负荷指标体系建立过程如下：

图1：用户用电负荷图

图2：日负荷曲线呈“驼峰”形示意图

（1）通过分别从电力抄表系统以及相关规划部门统计的数据库确定影响负荷密度相关系的原因。统计分析各种类型负荷密度存在的影响因素，对统计的影响因素数据进行储存和进一步的处理。

（2）通过建立负荷密度相关的数据指标体系，得到各个类型负荷的数据样本，确定与之对应的样本数据库以及负荷相应的密度值。

3.2 算法设计

深入对用户的负荷的大数据和用户负荷建立的特性曲线进行研究，进而找到能满足储能用户的负荷曲线规律特征，进而可以实现为投资建设的储能项目的提供具有重要技术参数，来实现经济效益的最大化。取每个储能用户的计量点负荷数据特性归为一组，来区分不同聚类的类别界限；由于储能用户每天都有着不同的负荷量，因此，储能量满足削峰填谷的需求负荷量就有有着很多变化。本文的算法设计采用FCM 算法对储能用户侧的负荷特性进行分析，实现对潜在的储能用户进行分析，进而实现能源投资商获利最大化。

设计的步骤：

3.2.1 数据获取用户的用电负荷

本文设计的算法采取自动抄表系统，采集时间为每隔15min，一天按照24h 计算，每日需采集96 个时间点的负荷数据。（如图一：某用户某日96 个计量点负荷曲线图，横坐标以小时为单位时刻，纵坐标为该用户用电负荷值，单位为kW•h）。获取用户的用电负荷数据如图1 所示。

3.2.2 找出不同商业模式的各类储能用户负荷曲线规律

通过收集本区域中储能用户所在行业中比较典型的用户负荷曲线，可以总结得出三种非常有代表性的负荷特性曲线。以下场景默认设定每日分时的峰值电价时间在：白天9:00-12:00，夜间19:00-22:00；用户谷时电价时间段：次日0:00-06:00，N=ji，(N 采集计量点负荷，每个计量点信息为j，每日采取96 个样本，i=1～96)，用户的变压器报装容量为C=a，引入模糊匹配参数ɑ（0-100%），储能用户潜力值Q，ɑ 的数据接近Q 则说明储能用户的市场价值越大。按照每时刻采集的数据进行分类组合排序，具体算法描述如下：

第一步：聚类数据分组进行确定，

第二步：储能用户建立模糊类似矩阵，筛选峰谷时段的数据某个n1～i组s1～i，依据公式

第三步：算法迭代，绘制出最佳储能用户的图形。

3.2.2.1 “驼峰”形负荷曲线

夜间22 点到次日8 点使用电量比较少，这种负荷曲线在市政商业区域，诸如写字楼、商场较多。主要特点是，从早上7 点开始到晚上10 点范围内（尤其夏季格外突出）为主要用电高峰期，基本占变压器容量总负荷70%以上，而非用上班营业时间负荷将降到接近10%以下。结合负荷图像的相关特性，以此获取样本采集分析数据：

如这类用户的日负荷曲线呈““驼峰””形布局，如图2 所示。

3.2.2.2 “直线”形负荷曲线

连续负荷曲线特性为24 小时负荷基本平稳，变化幅度小于20%。如图3 所示。

3.2.2.3 “心电图”形负荷曲线

冲击负荷曲线特性为每15 分钟负荷变化很大，超过20%，如图4。

4 储能特性用户的聚类结果分析

4.1 预处理预测模型输入的数据

在输入量确定完毕的预测模型，且进行统一归一化处理存储的输入量数据。这样的处理措施可以避免一些输入量较小的数据淹没在数量级差别很大的数据样本中。

本文在每日类型的影响影子中把工作日以及周六和周日的影响因子分别定义为1、0.75 和0.5。若未对数据进行归一化处理而直接同其他量纲的输入量进行比较，数据可能会被淹没。通过归一化处理来对算法进行限制，统一了不同类型的输入量的数据，能够让预测的结果更加准确。

4.2 储能预测

根据定义数据模糊匹配度ɑ，其中i 表示24 个时刻点，Sn,i和Sn-1,i-1分别表示在i 时内，n 时刻负荷值前一个与后一个计量点负荷n-1 负荷对应时刻的负荷值，C 为用户的报装容量，公式如式1 所示：

模糊匹配度ɑ 越大，则说明潜在储能用户的日负荷情况将与储能容量想匹配，满足分时电价的时段内的最优负荷需求，让储能投资得到最大的收益。

4.3 预测性能比较

本文结合某地区电网的负荷、气象等实际数据，构造出储能用户充放电的预测模型。建立的预测模型曲线的结果对储能用户实现有效调度效益最大化有着很重要的影响。忽略该地区的影响因素时，所建立的预测曲线就不能完全呈现出调度行为的影响，与实际含有储能的负荷曲线差别较大，拟合结果与实际的储能负荷曲线误差较大，拟合结果偏差的主要原因是预测模型中基本输入量未完全表征储能用户对储能影响下的负荷曲线。

图3：“直线”形负荷曲线示意图

图4：“心电图”形负荷曲线示意图

5 结论

储能用户能实现用电负荷的准确预测不仅仅是体现了电网的调度能力，而且也体现了电网的智能化水平，反映着电企的服务能力。本文研究了储能用户算法设计的一般方法并设计了相应的算法，通过该项研究，得出如下结论：

（1）目前，储能预测的相关技术有着较高的发展，也出现了几种电网储能客户的预测模型，对电网的智能化水平提高起到重要作用。

（2）本文设计的算法通过基于用户侧负荷曲线特性预测潜在储能客户的建模方法，以FCM 聚类储能用户的特性曲线为基础，在此结果建立的相关算法模型上，通过，找出在实现分时电价的区域内潜在优质的储能用户，能源投资服务商带来最大效益。