计及生产行为约束的工业用户时序调节潜力分析方法.pdf

第 卷 第 期 年 月南京理工大学学报 .收稿日期:修回日期:基金项目:国家电网公司总部科技项目()作者简介:刘晗()男硕士生主要研究方向:电力系统及其自动化:.通讯作者:柳伟()男博士副教授主要研究方向:主动配电网分布式控制及优化:.引文格式:刘晗肖飞崔勇等.计及生产行为约束的工业用户时序调节潜力分析方法.南京理工大学学报():.投稿网址:/.计及生产行为约束的工业用户时序调节潜力分析方法刘 晗肖 飞崔 勇耿 建张俊芳柳 伟(.南京理工大学 自动化学院江苏 南京.国网上海市电力公司上海.中国电力科学研究院有限公司(南京)江苏 南京)摘 要:该文提出一种集数据处理量化预测全环节融合的时序潜力评估方法 该方法数据处理部分采用三次样条插值法补充缺失值数据量化采用基于 和深度神经网络()相结合的聚类模型相对于以往的单层聚类具有更高的聚类效果数据预测部分采用融合变分模态分解()和优化时间卷积网络()优点的综合预测方法预测效果更好 首先充分提取用户在不同时间序列下各类影响工业用户潜力的特征提出考虑负荷综合特性的可调节潜力指标体系 其次为实现对工业负荷潜力的量化分析该文提出基于 的多层反馈聚合模型 再次基于多层反馈聚合分析结果采用基于 潜力分析方法对工业负荷进行潜力分析 最后以某地区的实际工业用户负荷数据为例呈现了工业用户负荷时序可调节潜力分析结果关键词:工业负荷调节潜力多层反馈聚合模型变分模态分解时间卷积网络中图分类号:文章编号:():./.(.()南京理工大学学报第 卷第 期:.().()().:“十四五”期间随着我国对风电、光伏等新能源的持续大规模应用给电力系统稳定调控带来严峻挑战此外电力系统面临高比例新能源和高比例电力电子设备接入的“双高”问题给电网平衡带来新的挑战 工业企业作为我国能源消耗大户在用电方面更是占据主导地位在当前国家新一轮电力改革的背景下工业用户负荷因具有灵活性、经济性等特征成为优化改革的主要对象可有效提高系统运行效率与稳定 因此对工业用户负荷进行时序调节以及对其潜力分析尤为重要而工业负荷由于特征数据复杂且庞大给工业负荷的分析工作带来不小的挑战分析方法的选择对潜力分析的结果有着举足轻重的影响目前对于工业负荷相关分析已有足够深入的研究 为了充分利用工业负荷本身属性发挥其潜能有必要深入挖掘负荷数据提炼出更准确的工业用户用电特性建立负荷调控潜力指标 文献通过分析可调节负荷多元需求响应模型调控和调峰、调频市场的技术差异为工业用户负荷调控评估能力构建了四维度评估指标体系制定了可调节负荷调控能力标准并验证了可行性 文献针对工业用户提出了一种新的调控潜力分析方法将调控能力分为长短期以此分析工业用户的可调节潜力 文献通过工业用户在多个时间度量下的用电特征构建多时间尺度潜力评估体系实现对调控潜力的评估量化随着数据量的不断增多常规的分析方法往往不能满足需求因此机器学习常常被用于工业负荷的潜力评估 文献通过需求侧调控需求量化工业负荷数据并分为不同小组按小组构建调控潜力评估体系分析优化结果 文献提出行空间聚类分析方法并构建区域能力评价模型寻找热点区域进而挖掘潜力 文献提出优化 和带权负荷指标的 聚类算法对负荷进行聚类分析并基于聚类结果对各类用户的需求响应潜力进行分析 此外还有利用神经网络进行潜力分析为工业负荷提供了新的方向综上所述本文结合聚类方法和神经网络的优点提出一种基于数据模型双驱动的工业负荷可调节潜力评估方法 与以往组合预测方法不同该方法融合了多层聚类模型优化聚类效果提高预测精度并以某地实际数据验证该方法的有效性 工业用户时序调节潜力模型.工业用户时序调节潜力影响因素分析分析工业用户用电方式及用电行为影响可准确判断工业用户用电特性 本文在文献所提出的工业用户用电行为构成的基础上从用户总第 期刘 晗 肖 飞 崔 勇 耿 建 张俊芳 柳 伟 计及生产行为约束的工业用户时序调节潜力分析方法 行为维度和用户成本维度出发将工业用户时序调节潜力影响因素分为两大类:用户行为影响因素和用户成本影响因素.工业用户时序可调节潜力指标体系工业用户可调节潜力指标体系就是综合考虑用户行为影响因素和用户成本影响因素所构建的它代表了工业负荷的调控价值.工业用户行为特征指标()订单需求订单需求是表示用户基本生产行为的指标用来表征用户生产周期及时间变化 该指标的表达式为()式中:该订单用电量需求为用户每天的用电量为生产系数 为生产周期()最大负荷小时利用数最大负荷利用小时数是指用户年用电量与年最大负荷的比值 不同类型的工业负荷其最大负荷利用小时数也不同具体数值可见表 表 各典型工业用户最大负荷利用小时数典型工业负荷最大负荷利用小时数有色金属冶炼煤炭工业石油工业钢铁工业化学工业建材工业纺织工业食品工业 ()节能效益节能成本指标表示工业用户需求响应所节约的电费其公式为()式中:为年所节约用电量表示峰时段削减的用电量表示峰时段的电价表示平时段削减的用电量表示平时段的电价表示谷时段削减的用电量表示谷时段的电价.工业用户成本特征指标()维修成本维修成本是指工业用户需要对生产设备进行维修时的负荷特征 通过检修行为特征来衡量对工业负荷的检修能力和检修时的负荷变化特征该指标的表达式如下()/()式中:为用户周期内维持成本为用户周期内用电高峰时段的最大峰值负荷为用户的安全生产保障负荷为用户连续厂休日最大天数为一个周期内总天数 为用户生产成本()新增电能成本新增电能成本用于衡量每日用户负荷变化剧烈程度和电网调峰能力该值越大说明用户负荷变化越剧烈同时也能体现电网调峰能力越强该指标的表达式如下()()()式中:为企业在在时段 内新增电能成本为企业在时段 的平均用电功率为用户原始生产负荷()时间成本时间成本用于衡量用户用电时间百分比数值越大说明用户用电舒适度越高 该指标的表达式如下 ()式中:为企业生产周期 的时间成本 工业用户时序调节潜力分析方法本文提出一种基于多层反馈聚类模型和 的综合性方法来分析工业用户的潜力具体流程图如图 所示图 工业用户时序调节潜力分析流程图南京理工大学学报第 卷第 期.基于三次样插值法的数据预处理由于在采样中可能会导致采集的时间序列数据存在缺失值因此要对工业负荷展开研究首先需要寻找出缺失数据并对其进行填补以便展开后续的研究按照负荷功率曲线定位到数据缺失点并综合比较缺失值前后几天同时刻的负荷数据通过构造三次样条插值拟合函数()对缺失数据点进行补全得到完整数据 填充值公式可表示为()()()式中:为负荷数据缺失时间点()为 点填充值.基于多层反馈聚合模型的工业负荷聚类研究单一的聚类模型受数据的影响较为严重适应能力较弱因此本文提出基于 和 的多层反馈聚类模型旨在通过神经网络强大的自适应学习能力以及非线性映射能力从负荷特性和可调节潜力特性两方面对用户进行综合聚类为后续潜力分析奠定基础.基于一次聚类的工业用户负荷特性提取 算法作为处理大量负荷数据的首选算法具有多种优点因此本文采用 算法对工业用户进行一次聚类 流程图如图 所示图 算法流程图最佳聚类数 轮廓系数确定 轮廓系数公式如下()()()()()()式中:表示样本点的内聚度 轮廓系数 的取值范围为 轮廓系数越大聚类效果越好.基于二次聚类的工业用户潜力特征融合二次聚类的输入为考虑用户行为影响因素和用户成本影响因素的指标数据 由于指标数据复杂且繁多因此需要对其进行降维 本文采用主成分分析法()对工业负荷历史数据进行降维在提取指标数据主成分时需要根据贡献率选取前 个主成分并将贡献率靠前的主成分作为输入进行二次聚类 贡献率表达式为 贡献率 ()降维之后对一次聚类输出结果进行二次聚类本文采用自组织竞争神经网络()方法 步骤如下:()归一化处理 将贡献率最高的主成分与竞争层中的权向量进行归一化处理得到 和()()寻找胜利神经元 将与 最相似的权向量判定为胜利神经即为 距离计算方法采用欧氏距离()()()()输出与调整 获胜的神经元可以调整权向量获胜神经元输出为 其余输出为 ()()式中:表示学习速率逐渐减小完成一个循环之后继续重复()()直到学习速率 并输出最终结果.基于 和 的多层反馈聚类模型一次聚类结果代表了工业用户本身的负荷信息二次聚类结果代表了工业用户的可调节潜力信息二次结果通过反馈机制修正一次结果在修正一次聚类误差的同时可以将工业用户的可调节潜力信息与原始负荷信息融合从而得到具有可调节潜力考虑多重因素的处理数据为后续分析调节潜力奠定基础基于此本文提出基于 和 的多层反 馈 聚 类 模 型 如 图 所 示 首 先 利 用算法对工业用户进行聚类分析判断不同负荷特性的用户 其次针对同种负荷类型的用户利用 对其进行降维并作为输入进入 中得到二次聚类结果 最后将二次聚类结果作为输入利用 训练修正一次聚类结果最终得到综合考虑工业用户综合特性和多种影响因素的聚类结果总第 期刘 晗 肖 飞 崔 勇 耿 建 张俊芳 柳 伟 计及生产行为约束的工业用户时序调节潜力分析方法 图 基于 和 的多层反馈聚类模型图.基于 的工业用户时序调节潜力分析针对输入数据结构复杂、存在噪声、端点效应和虚假分量等问题本文利用基于 算法的方法来分析工业用户的潜力将已聚合的数据代入到工业用户时序调节潜力模型中初步求得潜力数据再进行基于 的潜力分析主要分为三个部分 首先通过 分解得到不同频次的子模态然后再将各个模态输入 网络输出各模态预测结果将预测结果叠加输出负荷潜力上下限最后进行一系列误差分析.基于 算法的数据分解采用交替方向乘子法()解决变分问题从中找到增加的拉格朗日 的鞍点以解决原始最小化问题 由于 分解的优势其子序列 分量个数 可以被人为设定当选择到合适的分量个数 分解出的各分量比一些传统分解技术(如 小波分解 经验模态分解)的分解结果更为清晰 采用中心频率法确定 值.基于 网络的模态分析基于 的工业负荷分析模型的整体架构如图 所示主要分为输入部分、网络残差模块部分和输出部分首先利用该结构对历史数据特征进行提取将 组负荷特征向量 单独放置在两个通道中提取特征 其次历史数据的特征提取工作是通过 基本卷积结构的残差模块堆叠而进行的 的 个残差模块以输入到输出的连接方式进行堆叠 再次取各个卷积核提取的序列最后一个时间点值为特征向量(维度为卷积核个数)与时间特征 串联连接到具有一个全连接隐藏层的神经网络进行输出输出层维度为 输出负荷预测值 最后将 组负荷预测子序列进行叠加图 基于 的负荷分析模型架构 算例分析本文以某大型地区电网数据为例对工业负荷的时序可调节潜力进行实例分析与验证 本文分别建立反向传播神经网络()、变分模态分解法组合长短期记忆神经网络()以及 共三种组合预测模型并进行对比分析.数据预处理由于信号传输中断传感器装置失灵等原因会导致采集到的数据出现随机性缺失如图 所示为某个用户在一段时间内的负荷缺失情况在经过数据填充预处理后使用采样间隔为 的量测电表数据该典型用户经三次样条插值处理后的情况如图 所示图 某典型用户负荷缺失情况.多层反馈聚类模型分析针对经预处理以后的某地实测工业负荷数据本文首先采用 算法对负荷进行一次聚类其次根据轮廓系数确定一次聚类的最佳聚类数 如图 所示南京理工大学学报第 卷第 期图 经三次样条插值后的某典型用户负荷情况图 基于轮廓系数的一次聚类结果最终可以得到三类不同特性的工业用户群如图 所示 从图可以看出每类用户相对于聚类中心的距离各不相同子类 距离聚类中心的距离较近且各自距离中心的距离较为均匀说明用户特性具有一定规律可调节潜力较强而子类 距离聚类中心的距离较远说明用户随机性较强可调节潜力较差图 基于 的二次聚类结果基于上述分析得到的三种不同特性的用户群体因指标对其影响的不同每一类用户的可调节潜力可能存在差异因此还需分析各类用户的可调节潜力.工业用户时序调节潜力分析在实际应用中可调节能力强的工业用户往往参与调节因此基于上文分析出的可调节潜力能力本节将采用子类 进行可调节潜力的分析.基于 算法的负荷时间序列分解由表 可知当潜力上限模态分解数 为 时 的中心频率为 .和 的中心频率 .量级相同因此潜力上限模态分解数 取 同样地潜力下限模态分解数 为 时 的中心频率和 的中心频率量级相同因此潜力下限模态分解数 取 表 不同 对应的中心频率模态数模态 模态 模态 模态 模态.运用 算法对计算出来的潜力上下限数据进行分解如图 所示选取了 个数据点的分解结果图 分解结果.基于 算法的潜力分析对每个模态分别进行 建模并将每个模态所得到的结果进行求和重构即可得到子类 某一天的时序可调节潜力的上下限 如图 所示 由图可知此工业用户在凌晨 点到 点时处于电价优惠区可下调潜力明显较小而此时可上调潜力明显较大在 点到 点处于用电高峰区可上调潜力小于可下调潜力在晚高峰 点到 点时的可上调潜力和可下调潜力都较小符合实际生产和用电需求总第 期刘 晗 肖 飞 崔 勇 耿 建 张俊芳 柳 伟 计及生产行为约束的工业用户时序调节潜力分析方法 图 潜力分析结果.模型分析结果对比为了验证本文所提算法的准确性建立了 和 两种模型来对用户的可调潜力进 行 分 析 并 采 用 平 均 绝 对 误 差 百 分 比()、均方根误差()和 决定系数(系数)作为评价指标对分析结果进行比较 对比结果见表 表 不同方法下的分析质量对比分析方法系数.由表 可以看出本文所提的潜力分析模型表现最佳 模型 误差仅为.误差仅为.系数为.较表现相对较优的 模型的预测误差下降了近 本文所提的潜力分析模型达到了一个新的预测精度完全验证了该模型框架的能力 结论本文从工业用户负荷调节潜力的角度出发提出一种基于多层反馈聚类模型和 算法相融合的调节潜力分析方法对聚类效果和预测精度有明显改善 并以某地实际数据为例验证本文所提分类方法的性能优越性 算例结果表明:()采用基于 和 算法的多层反馈聚类模型基于 的一次聚类和基于 的二次聚类相互影响相互促进改善了单一聚类模型寻类不佳的问题提高了聚类效果同时充分考虑了工业用户本身特性和成本特性对用户可调节潜力的改进能力()采用基于 的潜力分析算法将负荷时间序列分解为不同中心频率的子模态能够有效降低模型的复杂度 以多层聚类结果为基础对不同模态分别建模后输入 网络可以有效提高模型精度又能结合时效性问题从而提升模型整体性能 与、神经网络对比所提方法对用户潜力分析的误差更小可为模型的整体精度提供可靠数据保证从而提高准确性和效率()在多场景下对于不同用户具有适用性可以有效分析用户在满足自身生产需求下参与新型电力系统削峰填谷具有一定的工程应用前景参考文献:.().():.李建林.双碳目标下储能系统关键技术及应用.电力工程技术():.():.任冲柯贤波王吉利等.高比例新能源电网新能源功率优化分配方法.电力工程技术():.():.郝然艾芊肖斐.基于多元大数据平台的用电行为分析构架研究.电力自动化设备():.():.朱天怡艾芊贺兴等.基于数据驱动的用电行为分析方法及应用综述.电网技术():.():.文旭杨可毛锐等.可调节负荷调控能力评估行业标准研究及应用.电网技术():.():.南京理工大学学报第 卷第 期徐航.综合能源系统中的综合需求响应策略研究.杭州:浙江大学.徐青山丁一帆颜庆国等.大用户负荷调控潜力及价值评估研究.中国电机工程学报():.():.陈逸涵李扬沈运帷.基于负荷控制潜力量化模型的工业用户群体画像方法.电力自动化设备():.():.李彬曹望璋崔高颖等.基于二次分组的避峰负荷优化调控方法.电网技术():.():.赵振宇苑曙光胡明辉.基于空间聚类统计模型的风电消纳潜力区域分析.电网技术():.():.李春燕蔡文悦赵溶生等.基于优化 和带权负荷特性指标的 聚类用户用电行为分析.电工技术学报():.():.张慧波王守相赵倩宇等.考虑数据不均衡的居民用户负荷曲线分类方法.电力工程技术():.():.李江杨润冰于文双等.基于模糊 均值聚类及学习向量量化神经网络的负荷同时系数预测模型.南京理工大学学报():.():.王毅张宁康重庆等.电力用户行为模型:基本概念与研究框架.电工技术学报():.:.():.国家发展改革委员会.有序用电管理办法(发改运行()号)/.:/./.朱震曙薄煜明吴盘龙等.基于 的短期电力负荷预测模型.南京理工大学学报():.():.孙毅毛烨华李泽坤等.面向电力大数据的用户负荷特性和可调节潜力综合聚类方法.中国电机工程学报():.():.孙新程孔建寿刘钊.基于核主成分分析与改进神经网络的电力负荷中期预测模型.南京理工大学学报():.():.郭婧耿海军吴勇.基于菌群优化的 均值聚类算法研究.南京理工大学学报():.():.():.():.