用于需求响应能力评估的概率负荷识别方法

欧 飞，刘 敏

（贵州大学 电气工程学院，贵州 贵阳 550025）

0 引言

随着居民可控电器的增多、通信技术的高速发展以及智能电表的快速普及，需求响应（demand response，DR）问题受到越来越多学者的关注。通过实时电价或激励措施来调整电力用户的用电行为，进而优化电网供需平衡[1]是当前的研究热点。

实时电价的制定和激励政策的出台，能引导用户改变用电行为[2]，调动电力用户参与需求响应的积极性。用户参与需求响应的能力受到用户用电习惯和用电设备类型等的影响；因此，对用户需求响应能力进行评估，能帮助电网公司制定需求响应策略。

运用非侵入式负荷识别（non-intrusive load monitoring，NILM）技术，可根据电力用户安装的智能电表收集的用电信息，如有功功率、无功功率、谐波等，来识别用户内部电器的使用情况，如负荷的数量、负荷的类别、负荷所处的工作状态以及对应的电能使用情况等[3]。用户常用的可控电器，如热水器、洗衣机、空调等，被认为是用户参与需求响应的主要用电设备，可以利用物联网技术来调控这些设备参与需求响应[4]。因此，计算出用户可控负荷的用电量，可以为评估其参与需求响应的能力提供有力的依据。

关于非侵入式负荷识别技术的研究，目前主要还是着力于深度学习的应用方面。文献[5]研究了非侵入式负荷监测模式下，基于卷积块注意力模型的非侵入式负荷分解算法。运用该算法能有效提取有用特征，丢弃无用特征，提升分解准确率。文献[6]研究了基于卷积神经网络的非侵入式负荷辨识算法：将电流数据转换成图片形式来对模型进行训练，提取负荷特征，达到负荷辨识的目的。文献[7]从时间角度对电器进行建模，构建了深度神经网络以进行负荷分解。以上研究虽然提高了算法准确率，但都聚焦于复杂的算法。这就导致了算法运算速度相对较慢，应用场景针对性差。

对于将非侵入式负荷识别应用到需求响应，已有学者做过相关研究。文献[8]提出一种基于非侵入式负荷识别的聚合负荷需求响应能力在线评估方法：首先基于多元高斯模型提出非侵入式低压负荷构成辨识方法，实现居民用能的在线分解；再提出由下至上的台区负荷需求响应能力在线聚合监测方法，实现台区负荷资源参与需求响应的能力评估。文献[9]提出了基于非侵入式负荷监测的用户行为精细化分析方法：根据历史数据分析用户行为特征，在此基础上建立基于精细化负荷数据的用户需求响应潜力评估指标。上述文献旨在将非侵入式负荷识别技术应用于需求响应，但在进行负荷识别时需将用户的所有电器进行分解，进而找出能参与需求响应的用电设备，故工作量过大。

本文结合文献[10]，提出了一种用于需求响应能力评估的概率负荷识别方法。使用该方法时，只需识别出目标设备，故而解决了识别算法复杂、识别速度慢的问题。

本文首先介绍概率负荷识别模型以及进行负荷识别时的判别标准，然后根据电事件引起的有功功率变化来计算可控电器的用电量，进而根据用电量来评估用户参与需求响应的能力，最后在真实数据上进行验证，结果表明本方法具有速度快、精度高的优点。

1 概率负荷识别

电力用户在使用电器时涉及到设备的启停和设备的档位切换，这被认为是一个电事件[11]。电事件发生时，智能电表[12]会检测到用户用电信息的变化，包括有功功率、无功功率、谐波等。

一个或者多个设备状态的改变、配电线路中的噪声与干扰、连续变化型负载的正常运行，都有可能引起采集数据中负荷特征的变化[13]。根据电力设备的特性，设备在开关或切换时，有功功率、无功功率、谐波等特征值的变化，变化值会在设备运行状态变化前后2种状态的平均值或额定值的差值附近；同时，检测到的变化值应不超过设备运行时该特征受噪声影响后的最大值和最小值。

在此基础上引入高斯模型[14]，根据式（1）计算电事件由目标设备引起的概率。

式中：x为智能电表检测到的某一特征的变化值。这一特征可以是有功功率、无功功率或谐波，即x对应为ΔP、ΔQ或ΔH。f(x)为该特征变化是目标设备引起的概率；d(a,b)为a，b的距离；xμ为设备运行2状态（如停运与运行）特征的额定值或平均值的差；xmax，xmin分别为设备运行时，该特征受噪声影响的最大值和最小值；k为截断正态分布尾部的标定参数。

本研究聚焦于电力用户能参与需求响应的设备，如热水器、空调、洗衣机等。这些设备额定功率较大；电网波动后，其运行时的有功功率波动值较大。由于设备状态切换时的特征变化值不会超出一个小范围，因此由特征变化值计算得到的概率可由正态概率分布如图1表示。

图1 由特征值得到的概率分布Fig.1 Probability distribution

由图1可以看出，当检测到的特征变化值在区间[xμ_min，xμ_max]内时，概率值为 1，即电事件可以判定为事件必是由目标设备引起的。当特征值不在[xμ_min，xμ_max]内，但是在[xmin，xmax]内时，则电事件有可能是由目标设备引起的，需要通过计算概率来判断。当特征变化值不在[xmin，xmax]内时，概率值为0，即可判定电事件不可能是由目标设备引起的。

基于此，可将（1）式进行修正为：

式中：xμ_max和xμ_min分别是设备稳定运行时，2状态特征值变化的上下限。此区间的设定基于设备多次状态切换时，特征变化值有90%以上的可能性在此区间内，但区间端点之差不应超过10%，否则以端点之差为基准来确定区间。

最后按一定的权重将各特征的概率进行加权组合，即得到该电事件是由目标设备引起的概率。若概率大于0.8，则认为电事件是由目标设备引起的。计算式如下：

式中：ωΔP、ωΔQ和ωΔH分别为有功功率、无功功率和谐波变化特征概率的权重系数；f(ΔP)、f(ΔQ)和f(ΔH)分别为对应特征算得的概率。

权重系数一般根据经验知识来确定。取ωΔP=0.8，ωΔQ=0.15，ωΔH=0.05 即能得到合理的结果[10]。

进行概率负荷识别的流程如图2所示。

图2 概率负荷识别流程Fig.2 Probabilistic load identification process

2 需求响应能力评估

2.1 可控设备用电量计算

当确定一个电事件是由目标设备引起后，则可以根据设备在某状态运行时的有功功率来计算目标设备的用电量。在进行概率负荷识别后，可以得到设备状态切换时的采样节点和设备运行状态的切换状态，进而得到设备在某一状态的有功功率和持续时间，然后通过式（4）即可求出设备的用电量。

式中：j为测量时段内设备的第j个状态，总共有n个状态；Pj为设备在第j个状态下的有功功率；Δtj为设备在第j个状态下持续的采样周期数；T为智能电表的采样周期；W为计算得到的目标设备在测量时段内的用电量。

设备运行在某个状态的有功功率，为设备在该状态稳定运行时有功功率的平均值或额定功率。应注意到，当检测到的第一个电事件的ΔP＜0时，则之前有一个ΔP＞0的事件不在测量时段内。此时，本研究把测量起始时刻设为ΔP＞0的事件发生时刻；同样，当测量时段内最后一个电事件为ΔP＞0时，把测量结束时刻设为ΔP＜0的电事件发生时刻。用电量计算的具体流程如图3所示。

图3 目标设备用电量计算流程Fig.3 Flow of power consumption calculation of target equipment

2.2 参与需求响应能力评估

2.2.1 总体需求响应能力评估

基于可控设备的用电量，可以用式（5）评估用户参与需求响应的总体能力[15-16]：

式中：RΩ为用户参与需求响应的能力，kW·h；α为需求响应系数，即可控负荷用电量参与需求响应的比例。参与需求响应意愿强的用户，α可取到1。

2.2.2 实时需求响应能力评估

除需评估用户参与需求响应的总体能力外，当需要用户参与削峰填谷时，则还需要评估用户实时参与需求响应的能力。此时可根据式（6）进行计算。

由式（6）可以计算出目标设备在某一状态参与需求响应的平均能力，而该状态实时参与需求响应的能力也可以用Rt来近似估计。

3 实例验证

为验证模型的有效性，使用真实数据对其进行测试。本文案例数据整理自某网络平台，包括热水壶、白炽灯、打印机、饮水机、电吹风和电视机等电器单独运行和多设备同时运行时的有功功率、无功功率、谐波等相关数据。数据采样间隔为1 s，单位有功功率设为0.1 W，电流谐波表示为谐波含有率。

3.1 单设备运行测试

由于饮水机的运行特性与能参与需求响应的热水器类似，运行状态都为加热和保温，而本实例数据中恰有饮水机的用电数据，故用饮水机数据进行验证。饮水机单独运行时的用电特性如图4所示。

图4 饮水机单独用电特征Fig.4 Single power consumption characteristics of water dispenser

由图4可知，通过有功功率和谐波特征可以很好地区分饮水机的运行状态。饮水机无功功率变化很小，这是因为饮水机在加热时属于阻性负载。针对饮水机的用电特性，概率加权组合可修正为：

使用式（2）和式（7）对饮水机单独运行时的数据进行计算，得到电事件发生的节点、概率以及状态变化如表1所示。

表1 单设备运行时识别结果Tab.1 Single device run-time identification results

由表1可知，设备单独运行时，对于状态切换的真实情况，本模型都能准确捕捉到。利用式（4）计算出的设备用电量为0.032 6 kW·h。根据有功功率实际数据可计算得到设备的实际耗电量为0.032 2 kW·h，误差为1.24%。因此，在只有一个设备运行的真实数据情况下，通过该模型能精确判断电事件的发生，也可以计算出设备的用电量；再根据式（5）和式（6），即可计算出用户参与需求响应的能力。

3.2 多设备运行测试

将饮水机单独运行时的模型应用于有笔记本电脑、白炽灯、饮水机、电吹风和电视机等多设备运行的场景。此时的用电特性如图 5所示。

图5 多设备用电特征Fig.5 Multi-equipment power consumption characteristic

用多设备运行场景的数据对所训练的模型进行测试，计算得到的可能由目标设备引起的电事件的概率和状态切换情况如表2所示。

表2 饮水机识别结果Tab.2 Water dispenser identification results

根据表2中的数据，概率大于0.8的电事件发生的节点为20、850、984、1 732，这与实际情况吻合，说明设备运行状态切换的情况计算准确。用模型计算得到的用电量为0.136 9 kW·h，实际用电量为0.138 2 kW·h，误差为0.94%。

在相同设备运行场景下，白炽灯的识别结果如表3所示。

表3 白炽灯识别结果Tab.3 Incandescent lamp identification results

由于白炽灯功率较低，所以模型探测到的事件较多，但最后能排除不是由其引起的电事件。1 336时间节点由于ΔP过小，未能识别出。

在相同设备运行场景下，电吹风的识别结果如表4所示。

表4 电吹风识别结果Tab.4 Hair dryer identification results

在此识别过程中，电吹风由1档冷风切换为1档热风的时间节点未能识别出。

在相同的多设备运行场景下，电视机的识别结果如表5所示。

表5 电视机识别结果Tab.5 TV identification results

再将模型应用于某热水壶和激光打印机同时运行的场景。热水壶的识别结果如表6所示。

表6 热水壶识别结果Tab.6 Electric water kettle identification results

经过多次尝试，本方法总识别准确率为92%。与其他几种识别方法的准确率比较如表7所示。

表7 几种识别方法准确率对比Tab.7 Comparison of accuracy of several identification methods %

在多设备运行的情况下，本方法从识别设备状态切换到计算设备总用电量，只用了0.023 s。与其他非侵入式负荷识别方法的识别时间比较如表8所示。

表8 几种识别方法所用时间对比Tab.8 Comparison of the time consumed by different identification methods s

4 结论

本文引用高斯模型对用电设备的特征变化进行描述，建立概率负荷识别模型，根据检测到的有功功率、无功功率和谐波的变化来计算电事件由目标设备状态切换引起的概率，然后针对性的识别出可控负荷及其运行状态。结果表明，在利用目标设备的单独运行数据进行训练后，不仅可以快速地识别出目标设备并计算出目标设备的用电量，而且准确率高。将本方法用于用户需求响应能力评估时，能节省大量的时间成本和计算成本。