基于用户画像的企业负荷调峰分组方法

董晓天,周 全,缪瑞峰,邱林泉,孟 萍,王绍平

(国网合肥供电公司，安徽 合肥 230000)

0 引言

近年来,我国城市经济建设成绩斐然。经济的发展离不开电力的支撑,而随着电力需求不断增大,尤其是2022年夏季,我国大部分地区出现了短暂性电力短缺现象,供电稳定性受到挑战,影响群众生产生活用电。如何有效推动电力需求侧改革,引导用户改变用电模式,保障供需平衡,近年来越来越受到研究者关注[1]。2023年,安徽省能源局印发《关于进一步做好电力需求响应工作的通知》(皖能源电调函〔2023〕37号),进一步增强电力系统应急调节能力,鼓励具备省内独立电力营销户号,符合37号文件规定条件的各类用户参与[2]。随着各种类型电力用户参与,电力需求响应主体越发多元化,使得在出现电力缺口时,无法综合考虑到各参与用户主体实际需求响应潜力,尚未做到对资源的最优利用,影响用户参与需求响应的积极性。

国内外研究者对需求响应决策做了大量研究,包括需求响应负荷优化控制模型、需求侧竞价决策模型、柔性可调负荷控制模型。其中,由于国外已形成完善的电力交易市场,因此国外研究更多侧重于通过市场手段来引导用户对需求响应措施产生反应,从而实现负荷调控的目的[3]。文献[4]通过市场的杠杆作用,建立了供电企业与用户的协作模型,实现了需求侧负荷资源的管理。我国目前尚处于电力市场改革的起步阶段,需求侧负荷资源的研究更多关注通过峰谷电价、政策激励等手段引导用户行为[5]。文献[6]提出一种基于改进的遗传算法的用户负荷调峰计划模型,通过进行网络重构,实现企业联合负荷调峰。文献[7]对用户进行了负荷分类,提出了用户参与调峰的模型。文献[8]从时间和空间两个角度出发,考虑了用户用电过程中的网损,实现对用户的需求响应决策进行优化。

综上,现有文献均是从用户的角度出发,偏向于保证用户的个体利益,并没有实现对需求资源的利用和用户参与满意度最大化,并且在实际开展需求响应过程中,也从未考虑用户参与需求响应的实际意愿和生产情况。基于此,本文提出了基于用户画像的企业调峰轮休的分组算法,根据不同用户的需求响应潜力、实际生产情况对用户进行分组,在考虑用户满意度的基础上,实现对需求响应资源的利用最大化,从而对用户参与响应提供指导,保障需求响应效果,尽可能提高用户参与响应的补贴。

1 用户画像建模

参与需求响应的主体存在多种类型,电网公司通过对多用户发起需求响应邀约开展调峰调控。为不同的类型的用户主体构建评价指标,设置用户标签,确定用户画像,可以为后续开展需求响应负荷资源提供确切指导。本文基于参与用户实际负荷数据,提出基于k-means的用户画像算法。

本文为用户共设定4个用户标签类型,来构建负荷资源库,分别为自身用电负荷时段特性标签、检修安排方式标签、最小停电时段标签、可降负荷潜力标签。其中,自身用电负荷时段特性标签表示用户日常高峰负荷的所处时段,根据用户实际负荷情况,分为全天型生产类用户、白天和晚高峰型生产用户、白天型生产类用户;检修安排方式标签表示用户的检修计划安排方式,根据用户生产检修计划开展方式,分为固定检修计划用户与非固定检修计划用户,固定检修计划用户在安排停休时需要按照要求提前数天通知;最小停电标签表示用户在被安排停休时,最小和最大的停电天数;可降负荷潜力标签表示用户理论上可停休的最大负荷,该类型标签往往需要通过用户经理上门走访摸排商谈确认。

根据用户的4个数据标签,开展k-means数据聚类形成不同用户画像,流程如图1所示,步骤如下:

图1 k-means算法训练流程图

1)输入n个样本为S=x1,x2,…,xn,每个样本代表一个用户,每个用户数据具有上述四个标签作为数据特征,随机选取k(k≤n)个点μ1、μ2、…、μk作为聚类中心,k代表所希望的用户类别数量,需要根据实际情况和画像结果进行筛选;

2)计算每个点分别到k个聚类中心的距离,然后将该点分到最近的聚类中心,这样就形成了k个簇,即:

(1)

3)再重新计算每个簇的质心(均值),即:

(2)

4)重复以上第(2)～(4)步,直到所设定的聚类中心数据不再发生变化或者迭代次数满足设定要求,视为对用户已实现了用户画像[9]。

2 企业调峰轮休分组建模

调峰用电是指根据电网负荷周期波动特性,通过行政、技术、经济等手段将电网用电高峰时期的部分负荷转移到用电低谷时期,从而减少电网的峰、谷负荷落差,均衡电网负荷,提高发供电设备的利用率,优化资源的配置,提高电网的经济性和安全性[10]。在我国需求响应的实践中,经常采取错开用户工作日期的轮休计划方案,即根据需要提前数天通知一部分用户集中休息,并选择适当天数与其他用户进行换休,从而实现调峰的目的,进一步缓解电力紧缺。

在建立调峰轮休计划时,由于参与响应主体的生产设备存在停休要求,需要结合用户检修计划提前数天进行通知,用户生产设备停电后也存在一个最小停电时间,因此为用户安排合适的调峰轮休计划十分复杂。基于此,本文基于用户画像的结果,构建调峰轮休的分组数学模型。

1)目标函数。该模型以对全天型用户影响最小化最为目标函数,以减少社会损失,公式如下。

(3)

2)功率约束。对于任意时段,用户停电负荷与需求响应负荷之和应大于负荷缺口,公式如下。

(4)

3)停电通知约束。用户参与调峰停电时,需要按照提前接到停电通知,在接到通知当天,用户仍会正常用电,公式如下。

(5)

(6)

(7)

4)停电约束。调峰停电时间需要考虑到用户开展检修计划时至多的停电天数和需求响应执行天数。用户接到通知后,在第二天会开启调峰停电,按调峰分组要求要求进行停电或停电至需求响应结束,公式如下。

(8)

(9)

(10)

(11)

(12)

(13)

其中,EDi表示用户i检修计划中一次停电至多可以持续的天数。

5)逻辑约束。在本次调峰轮休中,用户仅存在两种状态,即停电状态和生产状态,仅存在两种状态变化,即停电状态恢复为生产状态和生产状态转变为停电状态,公式如下。

(14)

(15)

(16)

(17)

(18)

(19)

3 调峰轮休方案实施

本文提出的调峰轮休方案实施如图2所示。

图2 调峰轮休方案实施流程图

1)确定电力负荷缺口,确定需求响应负荷档级,档级决定了本次参与的用户清单;

2)根据需求响应通知,确定本次需求响应开展的时间段、持续天数,并立即向清单内的用户发起需求响应通知;

3)利用用户画像算法对清单内的用户进行数据分析,形成用户标签;

4)使用用户调峰轮休分组算法进行用户优化计算,确定用户的调峰轮休排班表,实现对需求响应负荷的最优调控;

5)根据调控结果,向用户发起邀约和建议。

4 算例分析

本文选取某省某市32家企业实际参与需求响应数据进行算例分析。在该算例中,全天型负荷的用户16家,为用户1～用户16;其他型负荷的用户8家,为用户17～用户24;白天型负荷的用户8户,为用户25～用户32。每个用户按照自身生产要求、设备要求等因素,上报了停电需要的提前通知天数与最大停电持续天数。算例中的用户具体数据如表1所示,设定每个用户在接到通知前均处于正常用电状态。

表1 某省某市32家企业实际参与需求响应数据表

设定本次需求响应每天的缺口负荷大小相同,为第一档级,缺口负荷大小为5 000 kW,持续天数设为周一至周五,共5天。以对全天型负荷最小化为目标开展需求响应负荷资源的最优化调度,算例结果如表2所示。从全天型用户的算例结果可知,在本次需求响应过程中,全天型的用户没有收到邀约,全程正常进行生产安排,符合算法预期。

表2 全天型用户调峰轮休排班表

其他型用户的算例结果见表3。从表3可知,在本次需求响应过程中,用户17～用户22共有6位参与了需求响应,用户23和用户24没有参与需求响应邀约。邀约结果表明,该调峰轮休安排均满足每个用户的提前通知天数和最大持续停电时间。

表3 其他型用户调峰轮休表

用户17、用户18和用户19需要提前的通知时间较短,且持续停电时间较长,因此在开始需求响应后立刻接收到邀约并按照计划控制负荷。用户23和用户24要求提前通知天数较长,分别为4天与5天,因此并没有对两位用户进行需求响应邀约。

白天型用户的算例结果见表4。从表4可知,在本次需求响应过程中,用户25～用户30共有6位参与了需求响应,用户31和用户32没有参与需求响应邀约。邀约结果表明,该调峰轮休安排均满足每个用户的提前通知天数和最大持续停电时间。

表4 白天型用户调峰轮休表

用户25、用户26、用户27和用户28需要提前的通知时间较短,且持续停电时间较长,因此在开始需求响应后立刻接收到邀约并按照计划控制负荷。用户31和用户32要求提前通知天数较长,分别为4天与5天,因此并没有对两位用户进行需求响应邀约。

表5为需求响应缺口填补情况表。根据表5的结果可知,本次调峰轮休安排可以很好地填补需求响应的缺口,满足了需求响应的负荷要求。结合表2的结果,可以发现该调峰轮休安排实现了对全天型用户的影响最小化,符合算法预期。

表5 需求响应缺口填补情况表

5 结论

本文提出的基于用户画像的用户调峰轮休分组算法,通过综合考虑用户的自身用电负荷时段特性标签、检修安排方式标签、最小停电时段标签、可降负荷潜力标签四类标签对用户进行数据聚类。并基于数据聚类结果对用户建立调峰轮休安排表,在对全天型用户影响最小的前提下,实现对需求响应负荷资源的最优调控,极大地减少对于用户生产的影响。算例的结果表明该方法是可行的。

本文解决了用户调峰轮休算法问题,但在用户画像标签设定的标签较少,仅仅选取了4个进行数据分析,在后续的研究中还可以考虑用户生产成本等多种因素,增加用户数据特征。