基于用电行为聚类筛选的智能电网需求响应建模研究

曹骏，徐健，冯亦凡，孟楠

(1. 国网江苏省电力有限公司苏州供电分公司， 江苏， 苏州 215000；2. 杭州赫智电子科技有限公司， 浙江， 杭州 310000)

0 引言

智能电网涉及电能处理及转化的每一个环节，在确保稳定可靠的基础上，对经济效益的要求也越来越高。智能电网的最终目标是实现能源高效利用以及系统可靠稳定运行，实现经济和能源效益最大化，而需求响应项目通过信息技术双向传递将用户与供电公司利益绑定在一起，减少负荷大幅波动，为智能电网的效益最大化提供了技术支撑，为电网结构调整、负荷调度优化提供了有效手段，在改进用电模式方面具有极大的现实意义。

1 智能电网需求响应整体分析

1.1 智能电网的概念与特征

电力系统由电缆、变压器、电线、断路器等组件按特有方式连接构成，范围广泛且线路繁杂，整体功能的管控变得十分困难。在这种背景下，融合了先进通信技术、以传感器技术为核心，集成多种信息技术的自动化智能电网应运而生。智能电网集成分布式通信系统以及自动控制系统，利用电子终端确保传感器与电厂、用户与供电公司的双向通信，兼容性强且拥有自我管理与修复的功能，可以融合分布式能源、可再生能源与目前的电力系统协调运转，是一种更安全、更精准用电的网络部署，一般具有以下几类特征。

(1) 高可靠性：智能电网具备故障检测以及自我修复功能，拥有高可靠性以及安全性。

(2) 集成分布式能源：分布式能源属于小功率电源，对于智能电网的发展有很好的促进作用。

(3) 实现需求响应：需求响应为用户提供了参与条件，便于用户错峰用电[1]。

(4) 应用智能技术：智能电网中智能电表的实用使得计量更为精准，也进一步提升了用电信息收集速率，为配电自动化提供助力。

(5) 智能控制：智能电网可以更及时地获取相关数据，各类监测结果也更精准，利于实现各类控制选项。

(6) 双向通信：用户与电网之间可实现双向通信，智能化改变用电模式。

1.2 电力需求响应的内涵与分类

电力系统的需求响应(demand response，DR)指在竞争性的市场环境下用户根据价格信号或者激励机制做出相应的反应，进而改变自身消费模式的行为。需求响应是针对如何发挥需求侧作用以此提升系统稳定性以及运行效率提出的理念。所以广义上来说，需求响应是一种参与行为，一种管理方法，确保系统各个时段可靠性之外还可以促进资源配置优化，促进服务质量提升。

需求响应属于引导用户转变用电模式得到节能、优化、保障的管理活动。根据用户的响应方式，可以将需求响应DR归纳为两类：基于价格的需求响应(price-based DR，PDR)、基于激励的需求响应(incentive-based DR，IDR)，PDR是用户根据电价变化调整自身用电方式及时间，包括分时电价、实时电价、尖峰电价等，IDR是用户根据激励措施调整负荷，包括可中断负荷、直接负荷控制、紧急需求响应等。整体分类情况如图1所示。

图1 DR分类

1.3 相关参与方分析

智能电网的需求响应需要多个方面的协同配合，参与者主要包括供电公司、电力用户、监管部门、第三方机构。供电公司既是需求响应的发起者，也是激励的提供者，主要负责监控电网状态、发布需求、落实执行情况。电力用户是需求响应的主要参与者，主要负责响应相关事件，参与负荷转移或削减，同时也是激励的受益者[2]。监管部门是整个需求响应过程中的监督者，虽然不参与具体执行过程，但可以起到管制效应，确保项目实施。包括能源服务公司以及项目代理企业在内的第三方机构，可以整合分散的用户，也便于评估项目实施效果。

1.4 利益方博弈均衡分析

在智能电网中，各个利益方之间互相制约才能达到平衡，其中电价是电厂成本、供需关系的直接反映，最终的定价是发电方与用电方的博弈结果。电网与电厂之间则体现在利益分配上，确保电能容量稳定，利益方之间的博弈关系如图2所示。

图2 智能电网需求响应博弈模型

2 电力用户的用电方式聚类分析

在制定智能电网的需求响应方案之前，分析用户的用电方式是必不可少的准备工作，所谓“知彼知己，百战不殆”，只有首先了解用户在各个时段的用电行为习惯，才能更有针对性的制定高响应度的调度策略。

2.1 用电特征

本文选择尖峰时段用电量占比、平价时段用电量占比、低谷时段用电量占比以及平均负荷与最大负荷比值的负荷率作为用电行为的初始特征，设每个特征量Xj=[xi]T(i=1,…,M)(M为用户数)，进行归一化处理之后可得。

(1)

2.2 改进k均值算法聚类

传统的k均值算法存在初始聚类中心选取不当导致局部最优、以及量级大样本聚类个数难以确定的缺陷，本文针对性的做了改进。

(1) 初始聚类中心选择：将数据分布密度作为初始聚类中心：

(2)

其中，d为任意2个对象的欧氏距离，MeansDis为平均距离，Den(xp)为xp这一对象的密度，以此获得密度集D={Den(x1),Den(x2),…,Den(xn)}作为初始聚类中心[3]。

(2) 聚类个数：以聚类之间的距离为依据，密度越大则距离越小，最终结果越可以反映真实对象的类别。设聚类个数为k，则p个类的距离平均值为密度MeanDis(p)，d为距离，不断重设，直至以下式(3)达到最小，取此时的k值为聚类个数：

(3)

利用改进后的k均值算法对上一章节获得的综合信息矩阵进行聚类收敛，形成用户聚类，作为构建用户筛选模型的原始数据。

3 需求响应用户筛选模型构建

需求响应项目在实施过程中是通过经济策略以及激励措施引导并改变用户的消费模式。其中作为项目实施对象的用户极为关键，因此本章构建用户筛选模型，计算出响应程度高的用户，以此提升需求响应项目的具体实施效果。

3.1 电价敏感度定义

本文定义用户电价敏感度来反映用户对项目的参与程度，数值越大表明参与效果越好。电价是影响用户行为的关键因素，因此选择电价敏感度进行建模。设价格转换前后的时间段为ts，则转换点之前与之后两段的平均用户负荷为

(4)

其中，Lt为用户负荷量，f(pt)为价格对负荷的影响函数。利用平均负荷变化率与电价变化率的比值来计算用户的电价敏感度λij，即可得出：

(5)

由此可知，电价敏感度与转换的时间有关，将转换点的负荷量比值作为权重来进行加权电价敏感度λi的计算：

(6)

其中，λi为用户i在价格转换点下的电价敏感度，R为价格转换点总数，Lj为tj时刻的负荷。

3.2 多目标用户筛选

对于电价敏感的用户组成备选用户集U，根据电价敏感度的计算公式可得到用户集U对应的电价敏感度集λu，设参与需求响应项目的报价为Cu，在模型构建过程中不能只追求单项指标最优，而是需要综合考虑多种因素，因此我们寻求综合考虑λ和C的最优解[4]。利用遗传算法进行计算，可得到筛选模型：

(7)

其中，λ为综合电价敏感度，λmax为综合敏感度的最大值，C为总报价，Cmax为总报价的最大值，kλ与kc为各自权重，λi∈λu为用户i所有价格转换点下的加权电价敏感度，Ci∈Cu为用户i参与项目的报价，Li为用户i参与项目的负荷，LTmin和LTmax为总体负荷量的最小最大值，ui为筛选标识，0代表用户i不参与，1代表用户i参与。

4 需求响应电价计算模型构建

4.1 支持向量机学习算法

支持向量机(support vector machine, SVM)算法广泛应用于各个领域的数据挖掘，是一种建立在VC维理论以及结构风险最小化原理上的学习算法，属于二分类模型，基本原理是求解能够正确划分训练数据集且几何间隔最大的分离超平面。在非线性、维度高的分类以及回归问题的解决上效果良好，可以克服维数灾难等问题[5]。

4.2 电价计算模型

设电价计算模型为Model1，利用支持向量机原理进行建模，选择合适的输入输出量进行训练，模型辨识结构如图3所示。

图3 支持向量模型辨识结构

由此可得，输入上周同一天类型负荷Li-5，前一天负荷Li-1，目标负荷Li以及计算日的温度Ti，可计算电价pi为

(8)

其中，Model1的f映射关系由支持向量机学习获取，S1为输入量，S0为输出量。

5 算例验证分析

为验证本文构建的用户筛选模型以及电价计算模型的准确性，选用了真实数据进行实测，结果如下。

(1) 用户筛选

取国内某地区120户电力用户的负荷数据进行数据实测，聚类结果如表1所示。

表1 用户用电行为聚类

由此可以看出，B、C类用户电价敏感度较高，选用这部分90户进行筛选，设目标负荷为LT∈[100,200]KW，权重kλ和kc取0.5，代入本文设计模型，筛选出31户最优用户，结果如表2所示。

表2 敏感度及筛选结果

(2) 电价计算

取国内某地区7月数据以及气象局公布温度，设基准电价为0.7元，影响系数γ取5，代入本文构建的数学模型进行计算，部分时间点准确度较高，部分时间点存在误差[6-7]，见表3。

表3 误差分析

整体来说，电价越高负荷削减就会越多，确保95%的置信度的前提下可通过电价信号调度负荷：

a) 调高负荷：E>-0.132 8，则E1=μ+E>0.427 6，如果要调高负荷且保证置信率，电价应不超过0.411元。

b) 调低负荷：E<-0.132 8，则E1=μ+E<0.693 2，如果要调低负荷且保证置信率，电价应不低于0.644元。

6 总结

本文从分析智能电网的需求响应项目实施过程中的参与者与利益均衡关系出发，利用改进的K均值算法对用户的用电方式进行聚类收敛，构建了多目标优化用户筛选模型以及电价计算模型，但在模型构建过程中尚未考虑竞价、成本、线路容量等实际场景的因素，在算法误差修正方面也还需进一步深入探索。