編者按

在新型電力系統(tǒng)建設過程中，新能源比例不斷提升。由于新能源的不確定性、波動性等特點，電力系統(tǒng)需要足夠的靈活性資源來保障電力供需平衡和系統(tǒng)安全穩(wěn)定，而其中重要的一個環(huán)節(jié)就是來自需求側(cè)的靈活性資源。在國內(nèi)的用電結(jié)構(gòu)中，工業(yè)用戶用電占比高達66%，與商業(yè)、居民等類型用戶相比，工業(yè)用戶具有用能容量大、用能邏輯性強等特點，通過調(diào)整生產(chǎn)計劃、啟停設備等方式響應電網(wǎng)的調(diào)控信號，充分調(diào)用其生產(chǎn)中的靈活性空間，能夠有效支持電力系統(tǒng)的穩(wěn)定運行。

《中國電力》2024年第1期刊發(fā)了蘇湘波等人撰寫的《基于負荷臺階的工業(yè)需求響應用戶優(yōu)選方法》一文。文章首先提出了負荷臺階的數(shù)學概念，并給出了相應的數(shù)據(jù)處理方法；然后根據(jù)用戶日前15天的歷史負荷數(shù)據(jù)，提出了基于負荷臺階的工業(yè)用戶需求響應潛力評估的指標體系，采用逼近理想值排序法（technique for order preference by similarity to ideal solution，TOPSIS）建立了用戶優(yōu)選模型，從3個時間維度進行需求響應潛力量化；最后采用k-means聚類和近鄰傳播算法實現(xiàn)用戶優(yōu)選。

 

 

 

 

摘要

在未來高比例新能源滲透下，供需平衡不確定性逐步增加，需求響應是通過挖掘用戶側(cè)靈活性資源保障系統(tǒng)電力電量平衡的重要手段。在電力部門進行需求響應工作時，需要使用歷史數(shù)據(jù)來初步評估負荷響應潛力，以便選擇潛力高的用戶并展開動員工作。面向表征工業(yè)用戶用能特點的負荷臺階，對其進行了定義并給出了數(shù)學表達，進而提出了基于負荷臺階的工業(yè)需求響應用戶優(yōu)選方法。首先，構(gòu)建了基于負荷臺階的工業(yè)用戶多時間尺度需求響應潛力指標體系；然后，構(gòu)建了需求響應用戶優(yōu)選模型，實現(xiàn)對不同用戶響應潛力的初評估，并利用k-means算法和近鄰傳播算法進行群體劃分，在不同時間尺度對用戶進行優(yōu)選；最后，基于水泥、造紙等4個行業(yè)的多個工業(yè)用戶實際負荷數(shù)據(jù)進行算例分析，呈現(xiàn)了所提方法下工業(yè)需求響應的用戶優(yōu)選結(jié)果。

 

負荷臺階可以準確描述用戶的相對穩(wěn)定狀態(tài)，臺階之間的負荷量之差可以反映用戶的可調(diào)節(jié)潛力。需要說明的是，可調(diào)節(jié)潛力是在生產(chǎn)流程中由于用能變化產(chǎn)生的理論潛力。本章提出負荷臺階的數(shù)學定義，并給出負荷臺階信息矩陣的提取算法。

1.1  負荷臺階數(shù)學定義

       負荷臺階是指在用戶的日負荷曲線中一段超過1 h以上的局部變化率低于某一數(shù)值的穩(wěn)定負荷。

        局部變化率α為

式中：p為局部負荷；Δp為整體負荷的差分值，即相鄰兩點間的負荷差，下標min、max、mean、std分別代表最小值、最大值、均值和方差。

通常取α＜3作為臺階的判斷條件。如圖1所示，日前15天以1次/（15 min）的采樣頻率的負荷差分值的分布是近似服從高斯分布的。負荷臺階代表這段時間內(nèi)的負荷在一個穩(wěn)定的范圍內(nèi)波動，而當它的波動范圍Δp_max處于整體的負荷差分值的正常取值范圍[0,p_mean+3Δp_std]，說明用戶的生產(chǎn)狀態(tài)處于相對穩(wěn)定狀態(tài)。而當α≥3時，說明用戶脫離了用電的相對穩(wěn)定狀態(tài)，處于暫態(tài)過程。物理意義上的負荷臺階代表著工業(yè)用戶實際生產(chǎn)過程中整體設備用電狀態(tài)切換導致的不同負荷水平。

圖1  日前15天負荷差分值分布

Fig.1  Distribution of load difference values for the previous 15 days

對負荷臺階的識別，在數(shù)學上是指在處理負荷數(shù)據(jù)時只保留負荷臺階的穩(wěn)態(tài)信息，舍棄負荷臺階之間的暫態(tài)信息。對于保留的穩(wěn)態(tài)信息，記錄這段負荷臺階的平均值、起始時間和結(jié)束時間。對于舍棄的暫態(tài)信息，可以通過負荷臺階之間的高度差和轉(zhuǎn)換時間進行近似處理。負荷臺階示意如圖2所示。

圖2  負荷臺階示意

Fig.2  Schematic diagram of load step effect

圖2中淺藍色實線代表的是某用戶某日以1次/（15 min）的采樣頻率實際日負荷曲線，紅色虛線代表的是經(jīng)過負荷臺階處理過后的日負荷曲線，灰色虛線框標注的是負荷臺階。由圖2可知，負荷臺階可以有效記錄穩(wěn)態(tài)信息，去除臺階內(nèi)不必要的負荷波動，從而減少冗余信息。

1.2  負荷臺階提取流程

以采樣頻率為1次/(15 min)的日前15天的日負荷數(shù)據(jù)為例，通過對日負荷曲線中所有的數(shù)據(jù)進行遍歷，找出所有的臺階。具體步驟如下。

1）定義初始數(shù)組和判斷條件。定義一個候選臺階數(shù)組a，用于存儲初始的4個負荷值。使用局部變化率α＜3作為負荷臺階判斷條件。

 

2）遍歷歷史負荷數(shù)據(jù)W，識別負荷臺階。遍歷方式為

根據(jù)式（4）對a進行更新。其中t的初始值為5，代表的是遍歷的最新位置。t的更新方式為：①若W(t)屬于一個負荷臺階，則t=t+1；②若W(t)不在負荷臺階上但W(t−1)在負荷臺階上，則t=t+3；③若W(t)和W(t−1)都不在負荷臺階上，則t=t+1。

3）記錄被識別的第i個負荷臺階的信息P_j(i)

式中：p_j,1(i)、p_j,2(i)和p_j,3(i)分別為存儲負荷臺階的原歷史負荷數(shù)據(jù)的平均值、起始時間和結(jié)束時間；n_i為整個日負荷曲線中被識別的臺階數(shù)量。

日前第i天日負荷曲線的臺階信息矩陣T_i為

綜上，日前15天的負荷臺階信息矩陣T為

 

面向需求響應的工業(yè)負荷潛力指標體系是建立在實時削峰、日內(nèi)移峰、日前調(diào)峰3個維度上的，是實行工業(yè)需求響應用戶優(yōu)選的基礎。其中實時削峰潛力指在電網(wǎng)緊急情況下，電力公司于需求響應執(zhí)行前30 min，通過平臺向參與主體下發(fā)調(diào)節(jié)指令，告知響應范圍、需求量、時段等信息，用戶能參與實時需求響應實現(xiàn)削峰的能力大小。實時削峰潛力可以從可削減的負荷、響應所需的時間、用戶高峰負荷出現(xiàn)的靈活程度3個維度來量化。日內(nèi)移峰潛力指用戶參與約時需求響應在日內(nèi)通過可平移負荷實現(xiàn)削峰填谷的潛力大小。日前調(diào)峰潛力指用戶可以合理調(diào)節(jié)生產(chǎn)計劃，分配休息日與工作日，實現(xiàn)休息日與工作日之間的負荷平移潛力。

從實時、日內(nèi)和日前3個時間尺度，對工業(yè)用戶參與需求響應做了潛力量化，構(gòu)成了面向需求響應的工業(yè)負荷潛力指標體系。相較于目前已經(jīng)提出的指標體系，本文在實時削峰潛力方面，基于負荷臺階的切換時間提出了主階響應時間這一指標，而以往的負荷數(shù)據(jù)指標卻很難描述該特征，響應時間是實時響應需要著重考慮的因素，這也是采用負荷臺階構(gòu)建指標體系的優(yōu)點所在；在日內(nèi)移峰潛力方面，負荷臺階將隨機性較強的峰谷負荷用代表性更強的最高負荷臺階和最低負荷臺階代替，使得對應的日內(nèi)可平移負荷更為可靠；在日前調(diào)峰潛力方面，基于負荷臺階計算了高負荷日和低負荷日之間的可調(diào)峰負荷和分布情況，可較好地反映其日前潛力。

2.1  實時削峰潛力

實時削峰潛力從參與削峰的負荷量、峰值負荷的靈活削減程度和響應削峰需求所用時間3個角度進行刻畫。

2.1.1  主次削減負荷γ₁

日負荷曲線中最高的負荷臺階稱為主階，主階旁邊的兩個臺階稱為次階，主階與次階之間的最大差值就稱為主次削減負荷。主次削減負荷值越大，說明用戶參與實時削峰的可實現(xiàn)潛力就越大。考慮15天內(nèi)主次削減負荷的平均值，主次削減負荷公式為

式中：p_peak,1(i)為臺階信息矩陣T_i中第一列臺階高度的最大值；p_peak−1,1(i),p_peak+1,1(i)則是最高臺階旁邊臺階的高度。

2.1.2  主階靈活性負荷γ₂

峰值靈活性負荷指的是主階負荷值在15天內(nèi)的標準差，該值越大說明階的靈活性越強，用戶參與實時削峰的潛力越大。

式中：為15天內(nèi)p_peak,1(i)的平均值。

2.1.3  主階響應時間γ₃

主階響應時間指的是主階負荷削減所需要的時間，即往兩側(cè)臺階轉(zhuǎn)換所需要的時間，主階響應時間越小，代表用戶參與實時削峰的潛力越大。

式中：p_peak,2(i)、p_peak,3(i)分別代表第i天的主階負荷的出現(xiàn)時間和終止時間；p_peak−1,3(i)、p_peak+1,2(i)分別代表主階左側(cè)臺階的終止時間和主階右側(cè)臺階的出現(xiàn)時間。

2.2  日內(nèi)移峰潛力

日內(nèi)移峰潛力從用戶的日內(nèi)可平移負荷量、進行移峰的可靠性和以及負荷臺階出現(xiàn)的靈活性3個角度進行刻畫。

2.2.1  日內(nèi)可平移負荷γ₄

對于參與日內(nèi)移峰用電的工業(yè)用戶，采用15天以來每日的主階負荷減去每日負荷臺階的最小值的平均值作為其日內(nèi)可平移負荷的大小，其值越大就代表該用戶日內(nèi)移峰用電潛力越大。

式中：p_valley,1(i)為第i天負荷臺階的最小值。

2.2.2  日內(nèi)峰谷差率γ₅

日內(nèi)峰谷差率是15天內(nèi)峰谷平均值的差與峰值的比值，其值越大說明進行移峰的可靠性越強，對應的潛力也就越大。

式中：代表p_valley,1(i)在日前15天的平均值。

2.2.3  臺階波動率γ₆

臺階波動率指的是用戶在日前15天內(nèi)所有負荷臺階的高度組成的數(shù)列的方差除以均值，臺階波動越大，說明負荷可平移的潛力越大。

式中：σ_i、μ_i分別為第i天經(jīng)過加權(quán)的負荷臺階高度的方差值、均值。

每個臺階高度的加權(quán)值取決于該臺階的持續(xù)時間占該日所有臺階的持續(xù)時間的比例。

2.3  日前調(diào)峰潛力

日前調(diào)峰潛力從用戶調(diào)節(jié)生產(chǎn)計劃的日間可調(diào)峰負荷量、高峰負荷日出現(xiàn)的比例和日間負荷水平的靈活性3個角度進行刻畫。

2.3.1  日前可調(diào)峰負荷γ₇

日前可調(diào)峰負荷用15天的負荷臺階化后每日平均負荷μ_i中的最大值與最小值之差來表示，其值越大，說明用戶日前調(diào)峰潛力越大。其公式為

 

2.3.2  日前負荷率γ₈

日前負荷率越大，說明可以參與調(diào)峰的潛力越大，其公式為

 

2.3.3  日前負荷散度γ₉

計算每日負荷臺階的平均值的散度，該值越大，說明負荷分布越分散，隨著天數(shù)的變化比較大，可以參與調(diào)峰的潛力也越大。

式中：為μ_i的平均值，表示15天內(nèi)經(jīng)過加權(quán)的負荷臺階高度的均值。

2.4  特征指標權(quán)重配置

要準確評定不同指標在潛力量化中的作用和貢獻，需要對不同的指標配置不同的權(quán)重。權(quán)重是各個指標貢獻大小的度量參數(shù)，可以反映指標之間的獨立性和變異程度。通常有主觀賦權(quán)和客觀賦權(quán)兩種方法。為了從客觀角度對不同的潛力指標進行綜合排序，本文采用熵權(quán)法進行權(quán)重配置。熵權(quán)法是一種客觀賦權(quán)方法，根據(jù)各項指標的變異程度來確定指標權(quán)數(shù)，反映指標的信息量和重要性，廣泛應用于輸電網(wǎng)規(guī)劃、電能質(zhì)量評估和機組運行評價等領域，具有客觀、適用性強和精度高的優(yōu)點。具體步驟如下。

1）歐幾里得歸一化。將每個指標縮放到單位長，可以使得每個特征向量的長度相同，從而消除不同特征之間的量綱差異，使得它們在計算相似度或距離時具有相同的權(quán)重。

式中：f_ij為第j個指標下第i個被評對象的貢獻度；r_ij為實測數(shù)據(jù)；i=1,2,?,m；j=1,2,?,n。

2）計算熵值h_j。熵值越小，說明指標的變異程度越大，提供的信息量也就越多，在綜合評價中起的作用越大，則該指標的權(quán)重也應越大。如果某項指標的值全部相等，則該指標在綜合評價中不起作用。

式中：h_j為第j個指標的熵值；i=1,2,?,m；j=1,2,?,n。

3）計算熵權(quán)ω_j。當同類指標差異較小時，傳統(tǒng)熵權(quán)計算方法誤差較大，基于指數(shù)函數(shù)進行修正，可表示為

4）求出對應特征向量的權(quán)重。

量化由多個指標確定的綜合潛力值，需要計算不同的指標的重要性，并保證不同的潛力量化結(jié)果處于同一維度，得到綜合的客觀評價。本文采用熵權(quán)法確定多指標的客觀權(quán)重，利用TOPSIS法對用戶的需求響應潛力進行量化評估，并采用k-means算法和近鄰傳播算法識別工業(yè)用戶的群體分布，實現(xiàn)用戶在多個響應潛力指標上的排序和在整個用戶群體中的定位。

3.1  參數(shù)初始化

3.1.1  構(gòu)建初始潛力矩陣

首先，設定實時削峰潛力為D₁，日內(nèi)移峰潛力為D₂，日前調(diào)峰潛力為D₃，用戶集C=[c₁,?,c_i,?,c_m]，有m個用戶；特征向量V=[v₁,?,v_j,?,v_n]，有n個指標值，分別屬于不同的潛力D_k(k∈1,2,3)。對于不同的潛力，建立的初始潛力矩陣S為
 

式中：v_ij為用戶i的第j個指標的值。

初始潛力矩陣作為需求響應量化潛力模型的數(shù)據(jù)基礎，同時也為用戶優(yōu)選提供數(shù)據(jù)支撐。

3.1.2  指標值預處理

由于不同的指標量綱不同，不同的用戶之間負荷水平存在數(shù)量級的差距，為了避免導致量化誤差，需要對指標值進行如下處理。

1）負荷歸一化。在提取負荷臺階信息之前，對負荷歸一化以避免后續(xù)指標中用戶量級導致的量化誤差。

式中：

p₀代表用戶日前15天的負荷；p_max代表用戶日前15天中的最大負荷。

2）量綱歸一化。將v_ij歸一化后變成y_ij，從而消除指標間的量綱。

式中：i=1,2,?,m；j=1,2,?,n；M通常取0.25~0.75。

3）單位范數(shù)歸一化。

通過單位范數(shù)歸一化可以消除不同用戶之間的量綱差異，減少噪聲和異常值的影響。

3.1.3  熵權(quán)法權(quán)重配置

針對不同的潛力，D_k(k∈1,2,3)對每個處理后的潛力矩陣進行權(quán)重配置，得到合理分配權(quán)重的加權(quán)潛力矩陣S′為

3.2  基于TOPSIS法量化排序

TOPSIS法是一種根據(jù)評價對象與理想化目標的接近程度進行排序的距離綜合評價方法，能精確反映各評價用戶之間潛力的差距，具有較強的實用性和通用性。具體來說，TOPSIS法是一種多屬性決策分析方法，其基本思想是選擇一個最接近正理想解并且最遠離負理想解的用戶作為最有潛力的用戶，使用相對接近度作為衡量潛力大小的參數(shù)。具體步驟如下。

1）確定正理想解和負理想解，分別是各屬性值最大和最小的組合。除了主階響應時間以最小值作為正理想解，其余均選擇最大值作為正理想解。相反，則可得負理想解。

式中：A^∗和A⁻分別代表正理想解向量和負理想解向量；v^∗和v⁻分別代表不同指標ω_jz_ij中的正理想值和負理想值。

2）計算每個方案到正理想解和負理想解的距離，使用歐幾里得距離度量。

式中：分別代表用戶i到正理想解、負理想解的歐氏距離。

3）計算每個方案的相對接近度，即到負理想解距離與到正理想解距離之和的比值。根據(jù)相對接近度對各方案進行排序，相對接近度越大，排名越靠前。

綜上，能得到3類潛力量化矩陣，即參與需求響應的用戶集C的實時削峰潛力矩陣日內(nèi)移峰潛力矩陣日前調(diào)峰潛力矩陣從而得到用戶的綜合潛力矩陣D為

然后根據(jù)用戶在各個潛力上的相對大小，就能對用戶的響應潛力進行排序。用戶優(yōu)選不僅要確定用戶在潛力上的排序，而且還需要對整個用戶群體進行合理的劃分。

本文采用k-means算法和近鄰傳播算法進行群體劃分。其中k-means算法對單個潛力矩陣（D₁,D₂,D₃）逐一進行高中低潛力的劃分，近鄰傳播算法則對用戶綜合潛力矩陣D進行聚類，將數(shù)量眾多的用戶劃分為幾個特點明顯的群體，從而可以針對不同的群體采用不同的用戶策略。與傳統(tǒng)群體識別方法相比，近鄰傳播算法具有誤差小、復雜度低、穩(wěn)定性好的優(yōu)勢，且不需要提前設定聚類數(shù)目，有較好的群體識別效果。

綜上，本文提出了面向多時間尺度需求響應潛力評估的用戶優(yōu)選方法，其流程如圖3所示。

基于某省份某一地區(qū)的水泥、造紙、鋁冶煉和石油開采4個行業(yè)實際用戶數(shù)據(jù)，本算例抽取48個連續(xù)15天的用戶負荷數(shù)據(jù)作為樣本，用戶編號從1~48，以1次/(15 min)采樣頻率進行分析。其中編號1~13的用戶來自水泥行業(yè)，編號14~25的用戶來自造紙行業(yè)，編號26~39的用戶來自鋁冶煉行業(yè)，編號40~48的用戶來自石油開采行業(yè)。

算例分析的流程如下。

1）負荷數(shù)據(jù)臺階化。負荷臺階的判斷條件取α＜3，提取用戶每天的負荷臺階，得到每個用戶日前15天的臺階信息矩陣。

2）特征提取。計算每個用戶的各類潛力指標，得到需求響應綜合評價模型中所需要的初始值。

3）參數(shù)初始化。對數(shù)據(jù)進行去量綱化和權(quán)重配置。取M=0.6，得到的權(quán)重配置參數(shù)如下：實時削峰潛力γ₁、γ₂、γ₃的權(quán)重分別為0.4471、0.3305、0.2224；日內(nèi)移峰潛力γ₄、γ₅、γ₆分別為0.3320、0.3561、0.3119；日前調(diào)峰潛力γ₇、γ₈、γ₉分別為0.3933、0.2644、0.3423。

4）用戶優(yōu)選。分別對3種類型的潛力進行量化計算，得到最終的需求響應潛力綜合數(shù)值進行優(yōu)選。

4.1  工業(yè)用戶需求響應潛力優(yōu)選

不同的行業(yè)之間需求響應潛力由于生產(chǎn)方式有很大的不同，行業(yè)內(nèi)部的用戶由于生產(chǎn)規(guī)模也有很大的不同，用戶在一年不同的時間段由于生產(chǎn)計劃也存在區(qū)別。對48名用戶的潛力值由大到小降序排列，并采用k-means算法進行一維聚類，聚類數(shù)目為3，劃分為高潛力、中潛力和低潛力行業(yè)。結(jié)果如圖4所示。

圖4  不同類別用戶潛力量化

Fig.4  Quantification of user potential by different categories

在實時削峰潛力的聚類結(jié)果中，高潛力量化值大于等于0.4494，中潛力量化值在[0.2704, 0.4166]區(qū)間，低潛力量化值小于等于0.2517。在日內(nèi)移峰潛力的聚類結(jié)果中，高潛力量化值大于等于0.5196，中潛力量化值在[0.2603, 0.4589]區(qū)間，低潛力量化值小于等于0.1660。在日前調(diào)峰潛力的聚類結(jié)果中，高潛力量化值大于等于0.5393，中潛力量化值在[0.2677, 0.4864]區(qū)間，低潛力量化值小于等于0.2258。

由圖4可知，用戶12為典型的高潛力用戶，用戶46為典型的低潛力用戶。通過繪制用戶15天內(nèi)的負荷曲線，對日平均負荷最大和最小的負荷曲線進行了加粗，并將兩條曲線進行了負荷臺階化，分別用淺紅色細線和黑色細線區(qū)分，如圖5所示。用戶12是水泥行業(yè)的用戶，從日平均負荷最大曲線可知，峰時負荷可中斷性強，切負荷時間相當短，近似為一條傾角90°的直角，說明削峰負荷大且切換時間短，符合實時削峰潛力強的負荷特性；從日內(nèi)移峰的角度來說，其整個負荷曲線呈現(xiàn)高負荷、低負荷兩階梯的形態(tài)，且兩段時間相當，說明日內(nèi)可平移負荷容量大，符合日內(nèi)移峰潛力高的負荷特性；從日前調(diào)峰的角度來說，其低負荷日和高負荷的負荷差距大且低負荷的天數(shù)占到總數(shù)的2/3，可以配合電網(wǎng)需求進行生產(chǎn)計劃的靈活調(diào)整，符合日前調(diào)峰潛力強的負荷特性。同時，從低潛力代表用戶42的負荷曲線分析，用戶42是石油開采行業(yè)的用戶，日內(nèi)的負荷水平波動小，整體負荷率較高，日間的最大負荷和最小負荷差距也很小，因此用戶42的負荷可調(diào)性弱，故而其實時、日內(nèi)和日前的潛力都為低潛力。

圖5  高、低潛力代表的用戶負荷曲線

Fig.5  Load curves of users with high and low potential

通過對不同時間尺度下用戶需求響應能力的劃分和排序，能夠為電力部門提前遴選高潛力的需求響應用戶提供有效支撐，有助于其制定更適合的需求響應策略。

4.2  工業(yè)負荷響應潛力群體識別

對各行業(yè)用戶潛力值取平均后，得到4個行業(yè)用戶的綜合潛力對比如圖6所示。水泥行業(yè)在實時削峰潛力、日內(nèi)移峰潛力和日前調(diào)峰潛力上都是最強的，而石油開采行業(yè)這3項潛力都是最差的；而造紙行業(yè)的日前能力較強，其余比較一般；鋁冶煉的日內(nèi)移峰能力較強，日前調(diào)峰潛力較弱，比較符合當下的行業(yè)共識。

圖6  不同行業(yè)綜合潛力對比

Fig.6  Comparison of comprehensive potential among different industries

基于求得的需求響應綜合量化潛力值，使用近鄰傳播算法進行工業(yè)用戶群體識別，得到48個用戶的聚類結(jié)果如圖7所示。

圖7  工業(yè)用戶群體識別

Fig.7  Identification of industrial user groups

由圖7可知，通過近鄰傳播算法聚類之后，將近鄰傳播算法自動聚成了6類，同類別用戶需求響應潛力特征相似度高共性特征明顯且差異性小，聚類中心分別是用戶2、用戶7、用戶12、用戶22、用戶36和用戶47。

6類群體代表用戶潛力值和15天的負荷曲線如圖8~9所示。

圖8  6類群體代表用戶潛力值

Fig.8  Six categories of groups represent user potential values

圖9  6類群體代表用戶15天的負荷曲線

Fig.9  Load profile of groups represent user of six categories for fifteen days

由圖8和圖9可知，類別2、3的用戶群體整體表現(xiàn)為高潛力，實時削峰潛力、日內(nèi)移峰潛力和日前調(diào)峰潛力都是高潛力；而類別6的用戶的3類潛力均為低潛力。由圖10行業(yè)用戶聚類結(jié)果的分布可知，類別2、3均只含水泥用戶，類別6以石油開采行業(yè)用戶為主，符合水泥用戶高響應潛力、石油開采因負荷穩(wěn)定性好而響應潛力弱的特點。

圖10  不同行業(yè)用戶聚類結(jié)果分布

Fig.10  Distribution of user clustering results by different industries

特別地，由圖9可知，不同類別聚類中心之間的負荷曲線輪廓相似度小，負荷特性差異大，不同類別之間行業(yè)用戶的分布也具有顯著差異，說明了基于負荷臺階的特征體系在群體識別的有效性、科學性，同時管理側(cè)也可以根據(jù)不同行業(yè)的潛力特點、不同群體各類潛力的高低對整個群體進行優(yōu)選，開展合適的需求響應策略。

算例結(jié)果表明，本文提出的方法可以在僅使用歷史負荷數(shù)據(jù)的情況下，從多時間尺度刻畫用戶響應能力，準確區(qū)分不同行業(yè)間的負荷特性，有效地實現(xiàn)潛力評估和群體劃分，可以幫助負荷聚合商和電網(wǎng)調(diào)度中心在不同場景的需求下實現(xiàn)用戶優(yōu)選，助力需求響應的大規(guī)模推廣。

本文針對在工業(yè)用戶推廣需求響應時數(shù)據(jù)有限、面向范圍廣的特點提出了一種基于負荷臺階的優(yōu)選方法。本文給出了負荷臺階的數(shù)學定義及其提取方法，能同時對多種類型的工業(yè)用戶進行分析，而不僅僅只局限特定類型的用戶；能從實時、日內(nèi)和日前3個角度分析用戶響應潛力，適用于更多場景；所用方法考慮用戶隱私，不需要響應數(shù)據(jù)和內(nèi)部模型數(shù)據(jù)，僅使用日前15天歷史負荷數(shù)據(jù)可實現(xiàn)工業(yè)需求響應的用戶優(yōu)選。基于負荷臺階的需求響應潛力指標體系，采用TOPSIS法從實時削峰潛力、日內(nèi)移峰潛力和日前輪休潛力對工業(yè)用戶參與需求響應的潛力進行了量化。采用近鄰傳播算法對工業(yè)用戶參與需求響應的能力進行了群體識別。算例通過對水泥、造紙等4個行業(yè)48名用戶15天的數(shù)據(jù)進行潛力評估，能有效分析用戶的用電行為模式，通過負荷臺階的高低落差來計算可控調(diào)節(jié)潛力，臺階轉(zhuǎn)換時間計算響應時間，從實時、日內(nèi)和日前的角度量化評估不同用戶參與需求響應的可靠調(diào)節(jié)能力，在多個場景的需求下實現(xiàn)用戶優(yōu)選，為需求響應的大規(guī)模推廣提供了有效的支撐。

 

注：本文內(nèi)容呈現(xiàn)略有調(diào)整，如需要請查看原文。