考虑多重因素耦合的广义负荷特征曲线的模式分析

韦善阳，黎静华，黄 乾，雷永胜，朱梦姝

（广西大学电气工程学院,广西壮族自治区南宁市530004）

0 引言

传统的电力负荷一般是指对外呈现消耗功率状态的用电设备综合。随着智能电网的发展,电力系统的节点既连接了用电设备,又连接了主动负荷、分布式电源等“综合”设备,使得节点负荷既具有“负荷”特性,又具有“电源”特性,称之为广义负荷［1-2］。与传统的负荷相比,广义负荷的特征更加复杂,需要开展专门的研究。

对于广义负荷数据的获取,目前文献大多采用模拟生成的方法。根据考虑的影响因素的不同,模拟产生的广义负荷数据可以分为以下3 类。

1）考虑新能源接入的广义负荷。文献［3-5］将电网实际基础负荷减去新能源发电功率后的“净负荷”作为广义负荷。文献［6-7］提出了考虑风电、光伏出力特性的随机生产模拟方法,获得考虑负荷及新能源时序变化特性的机组出力仿真数据,该数据在数值上等价于广义负荷。

2）考虑电动汽车充电的广义负荷。文献［2,8-9］采用蒙特卡洛法模拟产生电动汽车充电负荷,并叠加电网基础负荷,获得电动汽车充电场景下的广义负荷数据。

3）考虑需求侧响应的广义负荷。文献［10-11］构建了电力用户的电价行为响应模型,将电价响应后的电网总负荷当成广义负荷。文献［12］以平抑新能源接入带来的负荷波动为优化目标,建立了主动负荷响应新能源变化的需求侧响应模型,获得考虑需求侧响应的广义负荷数据。

上述文献所提出的方法为获取广义负荷数据提供了有益思路。但这些方法考虑的影响因素比较单一,而在一些实际场景中广义负荷受多重因素的耦合影响,因此,这些方法获得的广义负荷数据与实际情况相比偏差较大。

在广义负荷特征曲线提取方面,目前各种聚类方法被不断研究和应用于提取用户负荷模式［13-19］,其中k 均值（k-means）方法和模糊C 均值（fuzzy Cmeans,FCM）方法最为常见［20］。文献［13］采用奇异值分解法对日负荷曲线降维,基于降维指标采用kmeans 算法对负荷曲线进行聚类,能够较快速地提取出用户用电模式。然而k-means 算法对离群点十分敏感,通常需要在聚类之前将离群点剔除。由于广义负荷曲线之间形态差异较大,一些离群点本身可能就是具有研究价值的一类。因此,采用k-means算法提取广义负荷模式可能会产生较大的误差。文献［14］提出一种基于云模型与FCM 聚类的方法,能较好地提取出负荷模式。然而FCM 聚类方法存在计算量大、需预先多次迭代以确定聚类数目等缺点,处理规模较大的广义负荷数据时运算效率低。因此,仍需要研究适用于广义负荷的聚类算法。

在广义负荷的曲线分析方面,尚存在以下问题:①现有研究模拟产生广义负荷数据后,大多直接应用于研究负荷预测方法［3-5］或研究需求侧响应策略［21］等,而缺乏对广义负荷曲线特征的分析；②现有研究考虑的广义负荷的因素仍比较单一。随着新能源并网规模不断扩大,以及电动汽车、储能等主动负荷不断增多,未来将会出现多种广义负荷场景,如新能源占比分别为10%、20%、50% 的场景［22］等。电力系统的负荷预测、电力规划、运行、调度、控制等都需要分析这些场景下的负荷曲线模式特征,以更好地消纳新能源电力、提高运行安全性和经济性。然而,目前尚未有较全面地考虑这些因素影响的负荷曲线场景模拟及特征的研究。

基于以上分析,本文对广义负荷特征曲线开展如下研究:①在广义负荷数据模拟方面,建立了包含电动汽车、新能源和需求侧响应的广义负荷模拟模型,针对当前广义负荷数据模拟模型均只考虑单一影响因素的问题,提出了考虑多重因素耦合作用下的广义负荷模拟模型,获取了单因素影响下及多重因素耦合影响下的广义负荷数据；②在广义负荷特征曲线提取方面,采用基于密度的DBSCAN 聚类方法［23-25］对广义负荷数据进行聚类,DBSCAN 聚类具有对离群点不敏感、无须预先设定聚类数、计算速度快等优点,能较好、较快地提取出广义负荷的特征曲线；③在广义负荷的曲线分析方面,通过设置不同的广义负荷场景,探索了未来多种可能场景下的广义负荷曲线形态和特征。本文分析结果呈现了未来广义负荷曲线的特征形态,可为新能源电力系统的规划、运行和调控提供参考。

1 广义负荷的定义及影响因素分析

目前研究对广义负荷尚缺乏明确的定义。对此,本文尝试给出广义负荷的定义:在高比例可再生能源并网和智能电网不断发展的背景下,负荷侧的可再生能源出力、灵活性资源和实际用电需求的总和,定义为广义负荷。

广义负荷的成分如图1 所示。可以看到广义负荷的组成复杂,不仅包含传统用电设备,还包含风电、光伏等分布式电源,以及电动汽车、主动负荷等灵活性资源。广义负荷的各成分分别受到多重因素的影响,其中分布式风电和光伏受到风速、风向、光照辐射、云量等气象因素的影响；电动汽车充电负荷受到交通情况、用户出行习惯等因素影响；主动负荷受到市场电价及需求侧响应策略等因素的影响。由此可知,广义负荷受上述多重因素的叠加影响。此外,广义负荷的各成分之间往往也存在耦合影响。例如,主动负荷的需求侧响应策略通常与新能源出力情况相关［12,21］。因此,在分析广义负荷特征时,需要考虑多重因素对广义负荷的耦合影响。

图1 广义负荷成分示意图Fig.1 Schematic diagram of component of generalized load

实际中,可根据广义负荷所包含成分的不同对其进行分类,如分为考虑新能源接入的广义负荷、考虑电动汽车充电的广义负荷等。对于某一类型的广义负荷,当其成分参数取值不同时,便对应了不同的广义负荷场景。例如,对于考虑新能源接入的广义负荷,不同的新能源渗透率对应不同的广义负荷场景。本文研究电动汽车充电、新能源发电、需求侧响应等成分因素单独和耦合影响下的5 种广义负荷类型,并研究这5 种类型的广义负荷在不同场景下的负荷曲线形态特征。

2 广义负荷数据模拟模型与负荷模式提取

本文建立了如下5 种类型的广义负荷数据模拟模型,以获得相应广义负荷数据进行分析。

2.1 考虑电动汽车充电的广义负荷模拟模型

首先,建立电动汽车充电模型。将每一辆电动汽车充电负荷曲线累加可得到总充电负荷曲线:

式中:PEV,load(t)为t 时段电动汽车充电总功率,t=1,2,…,N,N 为总时段数；PEV,k(t)为第k 辆电动汽车在t 时段的充电功率,k=1,2,…,n,n 为电动汽车总数。PEV,k(t)由蒙特卡洛法模拟产生［26］,需要确定的参数包括电动汽车充电特性参数和电动汽车出行参数。其中,电动汽车充电特性参数与电动汽车类型有关。电动汽车出行参数包括每日返程时间的概率分布、行驶里程的概率分布和荷电状态的概率分布,分别由式（2）至式（4）计算得到。

本文假设电动汽车每日返程时间t0服从正态分布,其概率密度函数为［2］:

式中:σt和μt分别为车辆返回时刻的均值和标准差。

假设电动汽车每日行驶里程S 也服从正态分布,其概率密度函数［26］为:

式中:σs和μs分别为电动汽车每日行驶里程S 的均值和标准差。对于不同类型的电动汽车,σt、μt、σs和μs的取值不同。

电动汽车的荷电状态TC计算公式如下:

式中:W100为电动汽车每百公里能耗；Pc为充电功率；ηC,EV为充电效率。

模拟生成电动汽车充电功率后,可获得考虑电动汽车充电的广义负荷向量PGL,EV:

式中:Pbase为电网基础负荷向量,其体现了气象、经济、日期类型等“常规”因素的影响；PEV,load为电动汽车充电功率向量。当不同规模、不同类型的电动汽车充电时,可获得相应不同场景下的PGL,EV。

2.2 考虑新能源接入的广义负荷模拟模型

考虑新能源接入的广义负荷PGL,re计算式如下:

式中:Pre为新能源发电功率向量。当不同渗透率的新能源接入时,可获得相应不同场景下的PGL,re。

2.3 考虑电价型负荷响应的广义负荷模拟模型

需求侧的灵活性负荷中,有一部分负荷受电价的影响较大,称之为电价型负荷。电价型负荷根据电价信号改变其自身用电行为,从而改变广义负荷曲线形状。电价对电价型负荷的影响通常采用需求价格弹性系数来描述:

式中:εi,j为第i 时段对第j 时段的需求价格弹性系数,其中i,j=1,2,…,N；ΔPi为第i 时段用电需求的变化量；Pi为第i 时段的初始用电需求；Δλj为第j 时段价格的变化量；λj为第j 时段的初始价格。由此,可以计算出第i 时段电价型负荷的变化量为:

计算式（8）需要已知价格弹性系数ε。ε 可认为服从正态分布,第i 对第j 时段的价格弹性系数可由下式计算获得［11］:

式中:δ 为根据转移时间距离的增加来调节弹性系数减小强度的参数。

第i 时段响应后的电价型负荷P˜price(i)为:

式中:Pprice(i)为第i 时段响应电价变化前的电价型负荷。

考虑响应电价变化的广义负荷向量PGL,price为:

式中:P˜price为响应后的电价型负荷向量。当电价型负荷占总负荷比例不同时,可获得相应不同场景下的广义负荷PGL,price。

2.4 考虑响应新能源变化的广义负荷模拟模型

目前需求侧响应技术正被广泛应用于促进新能源消纳、克服新能源并网带来的不利影响。因此,广义负荷场景中有必要考虑需求侧响应和新能源互动的情况。

激励型负荷是一种可直接控制的负荷,包括可转移负荷Ptrans和可中断负荷PIL。激励型负荷能够快速、可靠、精确地响应系统信号,因此常被用来追踪新能源出力,平抑电网净负荷波动［21,27］。据此,本文以需求侧响应后广义负荷波动最小为优化目标,建立激励型负荷响应可再生能源出力变化的模型:

式中:PGL,dr(t)为第t 时段需求侧响应后的广义负荷值,t=1,2,…,N；PGL,av为N 个时段内响应后广义负荷的平均值；P˜trans(t)和P˜IL(t)分别为第t 时段响应后的可转移负荷和可中断负荷,P˜IL(t)由式（13）计算获得；Pre(t)为t 时段的可再生能源发电功率。模型约束的最后一项表示,时段N 内可转移负荷转移前后的负荷总量不变。

本文设定当广义负荷的爬坡功率大于给定值时,可中断负荷被切除。可中断负荷的计算公式如式（13）所示。

其中

式中:DGL(t)为第t 时段广义负荷爬坡功率；Dmax为爬坡功率限值；ΔD(t)为爬坡功率越限部分。

式（12）至式（14）构成了考虑响应新能源变化的广义负荷模型。当新能源渗透率、可转移负荷占比、可中断负荷占比设置为不同值时,可获得不同场景下的广义负荷PGL,dr。

2.5 考虑多重因素耦合影响的广义负荷模拟模型

未来电力系统中,广义负荷受多重因素的耦合影响,建立多重因素耦合影响下的广义负荷数据模拟模型十分重要。为此,基于以上考虑单因素影响的广义负荷模型,本文提出一种考虑电价、新能源和主动负荷耦合影响的广义负荷数据生成模型。该模型将主动负荷分为2 个部分:一部分为电价型负荷,参与电价的需求响应；另一部分为激励型负荷,参与消纳可再生能源的需求响应。具体模型如下:

式中:PGL,com为考虑多重因素耦合影响的广义负荷向量；P˜price,P˜IL,P˜trans为模型变量,其中P˜price为响应后的电价型负荷向量,由式（7）至式（11）获得,响应后的可中断负荷向量P˜IL和响应后的可转移负荷向量P˜trans由式（12）至式（14）获得。

式（7）至式（15）构成了考虑多重因素耦合影响的广义负荷模型,其中电价型负荷响应反映了主动负荷和电价的耦合关系,激励型负荷响应反映了主动负荷与新能源发电的耦合关系,因此,该模型能够较真实地反映主动负荷与电价和新能源发电之间的耦合特性。当新能源渗透率、电价型负荷占比、激励型负荷占比不同时,可获得相应不同场景下的广义负荷PGL,com。

2.6 广义负荷模式提取

获得广义负荷数据后,需要通过聚类算法提取广义负荷特征曲线。DBSCAN 聚类方法可以对任意形状的数据集进行聚类,对数据集中的离群点不敏感,且无须预先设定聚类数［23-25］。因此,本文采用该方法提取广义负荷特征曲线的典型模式。DBSCAN 聚类方法的具体步骤可参考文献［25］。

3 广义负荷特征曲线模式分析

本章通过仿真实验,对不同场景下广义负荷特征曲线的模式进行分析。

3.1 仿真场景设置

基于所建立的广义负荷模拟模型,本文研究的广义负荷场景如表1 所示。

表1 广义负荷场景设置Table 1 Generalized load scenario settings

3.2 仿真基础数据分析

本文采用的基础数据包括电网基础负荷Pbase、电价数据λ 和新能源发电功率数据Pre。

所采用的电网基础负荷数据为ISO New England 2017 年1 月1 日 至7 月31 日 共212 d 的 负 荷数据。对基础负荷曲线采用DBSCAN 方法进行聚类,取各类的聚类中心曲线作为负荷的特征曲线,如附录A 图A1（a）所示。可以看出,基础负荷的特征曲线具有3 类典型模式:第1 类典型模式呈“单峰型”,第2 类和第3 类典型模式呈“双峰型”。

所采用的电价数据为ISO New England 2017年1 月1 日至7 月31 日的实时电价数据。电价数据特征曲线的典型模式如附录A 图A1（b）所示。

所采用的新能源发电数据为德国Tennet 公司2016 年1 月1 日至7 月31 日的风 电、光 伏数据。采用DBSCAN 聚类方法提取风电、光伏的特征曲线,其典型模式结果如附录A 图A1（c）和图A1（d）所示。由图A1（c）可知,不同风电典型模式之间区别较大,如第1 类风电典型模式在一日中保持较高的出力水平,而第3 类风电典型模式在晚上出力水平较高,在白天出力水平较低。由图A1（d）可知,各类光伏典型模式出力高峰期均在时段12～15 区域内。

由图A1 也可以看出,DBSCAN 聚类方法能够较好地提取出负荷、电价、风电、光伏的特征曲线,各类特征曲线之间形态差异明显。

3.3 多场景下的广义负荷特征曲线模式分析

3.3.1 不同规模电动汽车充电的广义负荷场景

本文根据文献［28］对ISO New England 地区的电动汽车数量预测结果,分别研究10 万、50 万、100 万、150 万、300 万辆电动汽车充电场景下的广义负荷特征曲线。每一种规模下的电动汽车参数均设置如下:电动汽车类型包括电动私家车、电动出租车和电动公交车,这3 类电动汽车的比例为5∶3∶2；这3 类电动汽车的充电额定功率、起始荷电状态、电池容量、出发和返回时间概率分布、行驶里程概率分布等均采用文献［2］中的参数。基于式（1）至式（5）产生不同规模的电动汽车充电负荷数据,进而得到相应不同场景下的广义负荷数据。

附录A 图A2 为100 万辆电动汽车充电场景下的广义负荷聚类结果。图A2（a）和图A2（c）中的红色虚线为各类广义负荷特征曲线,即典型负荷模式。由图可知,该场景下的广义负荷具有3 种典型模式。以图A2（a）中的典型模式1 为例进行分析,该典型模式在时段3 附近具有较高的负荷峰值,原因是电动汽车倾向于利用夜间时间进行充电。而由图A1（a）可知,基础负荷在时段3 附近处于全天的负荷低谷期。这表明大规模电动汽车充电会改变原负荷的峰谷情况。对比图A2（d）与图A1（a）可发现,电动汽车充电场景下的广义负荷模式波动更强。

图2 所示为10 万、50 万、150 万、300 万辆电动汽车充电场景下的广义负荷典型模式。图中括号内的数字分别表示3 类广义负荷模式的负荷曲线数目。

图2（a）中的广义负荷典型模式与图A1（a）中的基础负荷典型模式相似,这是因为10 万辆电动汽车的充电负荷相对于基础负荷而言仍较小,对负荷曲线模式影响不大。当电动汽车规模为50 万辆时,广义负荷曲线形态发生明显改变,如图2（b）所示。

对比图2（a）至图2（d）可以发现,随着电动汽车规模增加,广义负荷典型模式之间的形态愈接近,如图2（d）中的3 类负荷典型模式十分相似。这表明当电动汽车大规模接入时,电动汽车的充电功率负荷是影响广义负荷曲线形态的主要因素。电动汽车充电场景下的广义负荷特征,可用于指导考虑电动汽车的输、配电网规划［29］和电动汽车充电桩规划。

图2 不同规模电动汽车充电场景下的广义负荷特征曲线Fig.2 Characteristic curves of generalized load in scenarios with different numbers of charging EVs

3.3.2 不同渗透率新能源接入的广义负荷场景

由式（6）获得考虑新能源接入的广义负荷数据。图3 所示为不同渗透率新能源接入场景下的广义负荷特征曲线。

图3 不同渗透率新能源接入场景下的广义负荷特征曲线Fig.3 Characteristic curves of generalized load in scenarios with different penetration of renewable energy accessing levels

图3（a）为渗透率为20%的风电接入的场景,该场景下的广义负荷特征曲线具有5 种典型模式,其中典型模式1、2、4、5 均呈“双峰型”,典型模式3 为“单峰型”。可见,风电接入使负荷模式变得多样化,这意味着增加了负荷的不确定性,给电力系统规划和运行计划的制定带来一些困难。

图3（b）为渗透率为20%的光伏发电接入的场景。该场景下广义负荷特征曲线典型模式的主要特点是负荷曲线中间凹陷,即在中午时段负荷曲线有较大的谷值,这是因为光伏出力曲线呈典型的单峰状且峰值出现在中午。此外可看到典型模式5 在中午出现了负值,此时电网用电全部由光伏发电提供,且光伏发电尚有剩余,可以外送。

同时考虑风电和光伏接入且风电和光伏发电渗透率均设置为10%时,广义负荷典型模式如图3（c）所示。可见当风电和光伏同时接入电网时,广义负荷模式变得比两者单独接入时更加复杂。图3（d）为风电、光伏渗透率均为20%的场景,该场景下的广义负荷典型模式主要体现了光伏接入时的特征,即在中午时段负荷曲线向下凹陷。

整体来看,图3（a）至图3（d）中的广义负荷典型模式均为5 类,与图A1（a）对比可知,新能源接入使广义负荷曲线模式变得更多样和更复杂。这将导致电力系统的规划和运行方式也变得更复杂、多样。这些广义负荷特征,在进行含风电、光伏的输电网规划、配电网规划和电源规划时需予以考虑。

3.3.3 响应电价变化的广义负荷场景

基于式（7）至式（11）,获得不同电价型负荷占比场景下响应电价变化的广义负荷数据。其中,计算弹性系数时参数δ 的取值参考了文献［11］的做法。

附录A 图A3 为电价型负荷占比为10%场景下广义负荷特征曲线的典型模式。可以看出,图A3中的4 类广义负荷特征曲线均比较平缓。

图4 所示为电价型负荷占比分别为5%,15%,25%,35% 场景下的广义负荷典型模式。对比图A1（a）和图4（a）至图4（d）可知,与传统负荷相比,考虑电价响应的广义负荷模式发生了较大变化。总的来说,电价响应后的广义负荷模式主要呈“单峰型”,这明显区别于传统负荷模式中常见的双峰形状。此外,对比图4（a）至图4（d）可知,随着电价型负荷占比的增加,广义负荷曲线模式的形状更加平坦,负荷峰谷差更小。这是因为电价响应可以使负荷从电价高峰期向电价低谷期转移,而电价低谷期往往对应着负荷的低谷期,从而实现了负荷的“削峰填谷”。当进行考虑电价响应影响的电网规划［30］、变电站容量规划时,应将上述场景下的广义负荷特征考虑在内。

图4 不同电价型负荷占比场景下的广义负荷特征曲线Fig.4 Characteristic curves of generalized load in scenarios with different proportions of price-type load

3.3.4 响应新能源变化的广义负荷场景

由式（12）至式（14）获得响应新能源变化的广义负荷。其中,激励型负荷中可转移负荷和可中断负荷的比例设置为5∶1,新能源中风电和光伏发电渗透率均设置为10%。

当激励型负荷占总负荷的10%时,响应新能源变化后的广义负荷特征曲线如附录A 图A4 所示。对比图A4 和图A1（a）中的典型负荷模式可发现,图A4 中各个负荷典型模式曲线更光滑,负荷峰谷差更小。这说明需求侧响应可以平抑可再生能源接入带来的负荷波动,并实现一定程度的削峰填谷。

图5 所示为不同激励型负荷占比场景下广义负荷特征曲线的典型模式。由图5（a）可看到,当激励型负荷占比为5%时,广义负荷具有5 种典型模式,且各负荷典型模式均呈“双峰型”。当激励型负荷占比为15%时,如图5（b）所示,广义负荷的典型模式变为3 种,表明随着激励型负荷占比的提高,广义负荷曲线模式变少。由图5（b）至图5（d）可看到,随着激励型负荷占比的提高,属于第2 类典型模态的广义负荷曲线变多。这表明,随着激励型负荷占比的提高,广义负荷曲线可能会朝着某一形态演变。由图5（d）可看到,当激励型负荷占比为35%时,广义负荷在时段0～5 的曲线变得平直。这将使得电网的供需平衡变得十分方便。该场景下的广义负荷特征可用于指导考虑需求侧新能源消纳的输电网规划［31］、配电网规划和微网规划。

图5 不同激励型负荷占比场景下的广义负荷特征曲线Fig.5 Characteristic curves of generalized load in scenarios with different proportions of incentive-type load

3.3.5 同时响应电价、新能源变化的广义负荷场景

基于式（7）至式（15）,获得同时响应电价、新能源变化的广义负荷场景下的广义负荷数据。其中新能源数据中风电、光伏渗透率各设为10%。

图6（a）和（b）分别为电价型负荷和激励型负荷占比均为5%和占比均为15%场景下广义负荷特征曲线的典型模式。对比图中负荷特征曲线的形态可以发现,图6（a）中负荷曲线波动起伏较大,而图6（b）中负荷曲线均较为平滑,在时段0～5 和20～24 负荷曲线趋于平直。电价型负荷和激励型负荷均属于主动负荷。图6（a）和图6（b）表明主动负荷占比越高,广义负荷曲线越平滑,越有利于电力的供需平衡。

图6（c）为电价型负荷和激励型负荷占比分别为10%和30%场景下广义负荷特征曲线的典型模式,图6（d）为电价型负荷和激励型负荷占比分别为30%和10%场景下广义负荷特征曲线的典型模式。对比图6（c）和图6（d）在时段20～24 负荷曲线的形态可以发现,图6（c）在该时段的负荷曲线更加平直,表明激励型负荷占比更大时,主动负荷平抑负荷波动的能力更强。

为探究高比例主动负荷场景下广义负荷的模式,将电价型负荷占比和激励型负荷占比均设为30%。该场景下的广义负荷聚类结果如附录A 图A5 所示。由图A5 可知,该场景下广义负荷共有4 类典型模式,这4 类典型模式的负荷曲线在午间有一个波谷,其余时段均趋近于直线。可见,当主动负荷占比很高时,通过需求侧响应可以使负荷曲线趋于平直。同时也发现,当光伏渗透率为10%时,即使主动负荷占比高达60%,光伏接入引起的午间负荷波谷仍难以被填平。这些负荷特征,在考虑需求侧响应的电源、输电网、配电网、微网规划［32］中应予以考虑。

图6 不同价格型负荷和激励型负荷占比场景下的广义负荷特征曲线Fig.6 Characteristic curves of generalized load in scenarios with different proportions of price- and incentive-type load

值得注意的是,本文主要提供广义负荷数据的模拟模型,以及广义负荷特征分析方法。具体应用于电力规划时,需要根据特定区域数据开展更具体的分析。

4 结语

本文分析了不同场景下的广义负荷特征曲线模式。首先,为获取广义负荷数据,研究了考虑电动汽车、电价响应、新能源、需求侧响应的广义负荷模拟生成模型,提出了综合考虑各因素影响的广义负荷模型。其次,采用DBSCAN 聚类方法,较好地提取了各场景下的广义负荷典型模式。最后,对不同场景下广义负荷典型模式的特点进行了分析,为新能源电力系统规划运行提供了较全面的负荷场景信息。后续研究工作包括:①更深入地研究和完善广义负荷与多重因素的耦合关系；②更全面地探索和分析包含综合能源系统在内的多场景下的广义负荷曲线特征。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。