計及尖峰電價機制的短期負荷預測研究

劉文 于強 龔文杰 張智晟

摘要：? 針對需求響應的實施對電力系統短期負荷預測帶來的新挑戰，本文構建了計及尖峰電價需求響應機制的電力系統短期負荷預測模型。研究了基于尖峰電價的需求響應機理，依據基于消費者心理學的用戶響應模型，對實施需求響應后的負荷序列進行模擬。同時，構造了Elman神經網絡短期負荷預測模型，由于Elman神經網絡的承接層反饋使其具有較好的動態存儲功能，使模型對非線性負荷序列具有良好的預測性能，并給出實際算例進行仿真分析。仿真結果表明，采用計及尖峰電價需求響應機制的Elman神經網絡預測模型，能較準確預測在需求響應策略影響下負荷曲線的變化，最大相對誤差為4.34%，平均絕對誤差為2.14%;而未考慮需求響應的Elman神經網絡預測模型，預測精度明顯較低，其最大相對誤差為10.76%，平均絕對誤差為6.71%，說明將需求響應作為影響因素的預測模型可有效提高模型的預測精度。該研究為計及需求響應的短期負荷預測提供了理論依據。

關鍵詞：? 需求響應; 尖峰電價; Elman神經網絡; 短期負荷預測; 電力系統

中圖分類號： TM715 文獻標識碼： A

需求響應（demand response，DR）是指為了保證電力系統的可靠穩定運行，提高系統收益，電力用戶在供電方發出的直接補償通知或者調整電價信號作用下，改變其原有用電習慣的短期行為。近年來，隨著智能電網的出現和需求響應的快速發展，電力用戶在需求響應技術作用下，不再僅僅作為剛性負荷，而是具有一定的彈性。通過實施合理有效的需求響應項目，將這些分散的彈性負荷整合，使其轉化成發電側資源，從而在一定程度上緩解電力供需的緊張狀況，降低需求側負荷峰谷差，優化電力系統的能源配置。許多歐美國家對需求響應的研究起步較早，技術較成熟，并且很多需求響應項目試點已經成功開展。陸蘇青等人[1]介紹了美國所實施的需求響應項目中運用的相關技術及新興的運作模式;R. Sharifi等人[2]利用消費者理論和常數替代彈性（constant elasticity of substitution，CES）效用函數，將住宅消費者的需求（根據他們的習慣和生活方式）合并到需求響應行動中，提出了基于分時電價的DR模型;李娜等人[3]采用歷史數據均值化的預處理方法，構建了基于最小二乘支持向量機回歸技術的用戶峰谷分時電價需求響應負荷預測模型，降低了除價格外的其它因素隨機波動對用戶需求響應行為的影響;孫宇軍等人[4]考慮了源、荷兩側資源的不確定性，將價格型和激勵型 DR 與多種資源在不同時間尺度上進行優化配置，構建了日前日內時間尺度的源荷互動決策模型，增強了源荷互動效果。實施需求響應項目后，電力系統負荷曲線將會發生改變，如果繼續使用傳統方法對負荷曲線進行預測，則無法準確反映用電負荷在需求響應信號作用下的變化，將無法獲得理想的預測精度?；诖耍疚臉嫿丝紤]尖峰電價的需求響應機制的Elman神經網絡預測模型，通過與未考慮需求響應的Elman神經網絡預測模型進行對比，驗證了該模型的有效性與實用性。

1 基于尖峰電價的需求響應機制

1.1 尖峰電價

按照參與需求響應項目的用戶所接受的響應信號的不同，可以將需求響應劃分為兩種類型，即基于電價的DR（pricebased DR）和基于激勵的DR（incentivebasedDR）。基于電價的DR主要分為分時電價（time of use，

TOU）、尖峰電價（critical peak pricing，CPP）和實時電價（realtime pricing，RTP）。目前，我國需求響應試行項目采用分時電價，在一定程度上緩解了供電壓力，優化了資源配置，但由于最近幾年我國高峰負荷逐年增加，電網的安全可靠運行受到很大威脅。CPP是在TOU和RTP的基礎上發展起來的一種動態電價機制，在需求響應領域已被關注，它是在分時電價上疊加尖峰費率而形成，CPP和TOU費率體系間的關系如表1所示。

表1中，Pg、Pp、Pf、Pc分別表示低谷時段、平時段、高峰時段和尖峰時段電價;r表示尖峰日到非尖峰日的電價折扣率。CPP相對于RTP，雖然其經濟效率有所下降，但價格風險較低，這有利于引導參與者轉移或削減尖峰時段的用電負荷，經濟效率相對TOU更高。綜合經濟效率和價格風險2個方面，CPP取得了良好的折中。

1.2 用戶響應模型

基于消費者心理學的響應模型在反映價格杠桿原理的同時，考慮價格影響消費者響應的飽和問題，通過調整電價刺激消費者改變其原有用電習慣，電價差需要在合理的范圍內才能有效實現調峰填谷的作用。當電價差過小時，電力用戶的負荷量基本沒有發生削減或轉移，即處于死區;而當電價差過大時，消費者的轉移或削減負荷能力已達到上限，即處于飽和區;當電價差處于死區與飽和區之間時，電價差與負荷轉移率基本呈線性關系。基于尖峰電價的需求響應機制中，6種電價差與負荷轉移率應予以考慮，它們包括尖谷時段電價差與負荷轉移率、尖平時段電價差與負荷轉移率λcp、尖峰時段電價差與負荷轉移率λcf、峰平時段電價差與負荷轉移率λfp、

1.3 計及尖峰電價的需求響應機制的負荷序列

在現行分時電價時段劃分的基礎上，對高峰時段進行重新劃分，分成高峰和尖峰2個時段。計及尖峰電價需求響應機制負荷曲線如圖2所示。首先選取超過當月最高預測負荷值的95%的日期作為尖峰日，同時尖峰日的天數規定不多于5 d;再利用模糊隸屬度對確定為尖峰日的負荷預測數據進行尖峰時段的劃分，最短尖峰時段為0.5 h。較高的尖峰費率能夠激勵用戶轉移或者削減尖峰時段的負荷，并且在非尖峰日采取電價折扣的方式來激勵用戶參與CPP合同。選擇某地區電網2008年7月歷史負荷數據作為研究數據，符合尖峰日條件的日期分別為該月的5日，9日，15日，20日以及28日。基于消費者心理學機理的需求響應模型參數如表2所示。

2 計及尖峰電價需求響應機制Elman神經網絡預測模型

2.1 Elman神經網絡

Elman神經網絡主要由輸入層、隱含層、承接層和輸出層組成。與其它前饋神經網絡不同，Elman神經網絡帶有承接層，它是隱含層輸出的反饋，被用作下一個時刻輸入層的輸入。在Elman神經網絡中，由于反饋所具有的動態存儲功能，使模型可以更好地對歷史數據進行刻畫，因此特別適用于非線性負荷序列的預測。Elman神經網絡結構如圖3所示，

2.2 計及尖峰電價需求響應機制的Elman神經網絡預測模型構造

在傳統的ElmanNN負荷預測模型中，模型輸入量一般包括歷史負荷數據、氣象類型、溫度以及日類型4類元素。在實施尖峰電價后，參與需求響應項目的用戶的日負荷曲線會發生變化，所以為了提高預測結果的精度，負荷預測模型應做出一定的改進。將1 d分為96個時段，每隔15 min取一個采樣點。由于相鄰日期的負荷數據之間的相關性較高，故確定模型的輸入量共35維，包括的預測時刻以及前2個時刻的DR值共9維;預測日前3 d以及預測日的日最高溫度、最低溫度、平均溫度和氣象類型共16維;預測日的日類型因素共1維。模型的輸出量為1維，即預測日預測時刻的負荷預測值。

3.2 算例結果分析

在預測仿真實驗中，將計及尖峰電價需求響應機制的Elman神經網絡預測模型（模型1）與未考慮需求響應的Elman神經網絡預測模型（模型2）進行對比分析，對某地區電網日96點負荷進行預測。Elman神經網絡的隱含層激勵函數采用tansig函數，輸出層激勵函數采用purelin函數，隱含層神經元的數目取12。模型1和模型2的負荷預測結果如圖4和圖5所示。

由圖4和圖5可以看出，在17點到21點尖峰時段，由于采用了需求響應策略，負荷曲線出現了明顯的凹陷，而在8點到12點的高峰時段，負荷削減量與尖峰時段相比較少。考慮與不考慮需求響應因素，兩種模型負荷預測結果誤差指標對比如表3所示。由表3可以看出，采用計及尖峰電價的需求響應機制的Elman神經網絡預測模型，能夠較準確預測到在需求響應策略影響下負荷曲線的變化，最大相對誤差為4.34%，平均絕對誤差為2.14%;

而未考慮需求響應的Elman神經網絡預測模型，預測精度明顯較低，對負荷在需求響應作用下產生的移峰填谷的趨勢不能準確捕捉，其最大相對誤差為10.76%，平均絕對誤差為6.71%。由此可以看出，在短期負荷預測模型中，將需求響應因素融入到模型中，可以有效提高預測精度。

4 結束語

本文構建了計及尖峰電價的需求響應機制的電力系統短期負荷預測模型。依據基于消費者心理學的響應模型，對實施需求響應后的負荷序列進行了模擬，構造了Elman神經網絡短期負荷預測模型。經實際算例仿真，證明了相比于傳統預測模型，將需求響應作為影響因素的預測模型可有效提高模型的預測精度。該模型只考慮了實施需求響應后產生的負荷轉移，并未考慮負荷削減，對模型的進一步優化將成為下一步的研究方向。

參考文獻：

[1] 陸蘇青， 唐楠， 王蓓蓓， 等. 美國需求響應技術和思考（下）[J]. 電力需求側管理， 2016， 17（1）： 5561.

[2] Sharifi R， AnvariMoghaddam A， Fathi S H， et al. Economic demand response model in liberalisedelectricity markets with respect to flexibility of consumers[J]. Iet Generation Transmission & Distribution， 2017， 11（17）： 42914298.

[3] 李娜， 張文月， 王玉瑋， 等. 基于數據均值化及LSSVM算法的峰谷電價需求響應模型[J]. 中國電力， 2016， 49（9）： 137141.

[4] 孫宇軍， 王巖， 王蓓蓓， 等. 考慮需求響應不確定性的多時間尺度源荷互動決策方法[J]. 電力系統自動化， 2018， 42（2）： 106113.

[5] 梁甜甜， 王磊， 高賜威. 基于用戶響應的尖峰電價模型研究[J]. 華東電力， 2013， 41（1）： 4246.

[6] 馬永武， 趙國生， 黃明山， 等. 峰谷分時電價下用戶需求響應行為模型的研究[J]. 鄭州大學學報： 理學版， 2015， 47（4）： 119122.

[7] 劉榮， 方鴿飛. 改進Elman神經網絡的綜合氣象短期負荷預測[J]. 電力系統保護與控制， 2012， 40（22）：? 113117.

[8] 陳艷平， 毛弋， 陳萍， 等. 基于EEMD樣本熵和Elman神經網絡的短期電力負荷預測[J]. 電力系統及其自動化學報， 2016， 28（3）： 5964.

[9] 楊麗君， 李健強， 李學平， 等. 考慮需求響應的含風電電力系統日前經濟調度[J]. 電工電能新技術， 2015， 34（11）： 2936.

[10] 王蓓蓓. 面向智能電網的用戶需求響應特性和能力研究綜述[J]. 中國電機工程學報， 2014， 34（22）： 36543663.

[11] 張舒菡. 智能電網條件下的需求響應關鍵技術[J]. 電子技術與軟件工程， 2017， 34（6）： 35763589.

[12] 蘇衛華， 儲琳琳， 張亮， 等. 考慮需求側管理的負荷預測方法研究[J]. 華東電力， 2010， 38（8）： 12361239.

[13] Moghaddam M P， Abdollahi A， Rashidinejad M. Flexible demand response programs modeling in competitive electricity markets[J]. Applied Energy， 2011， 88（9）： 32573269.

[14] 高賜威， 陳曦寒， 陳江華， 等. 我國電力需求響應的措施與應用方法[J]. 電力需求側管理， 2013， 15（1）： 14， 6.

[15] 朱晟， 蔣傳文， 侯志儉. 基于氣象負荷因子的Elman神經網絡短期負荷預測[J]. 電力系統及其自動化學報， 2005， 17（1）： 2326.

[16] Sharifi R， AnvariMoghaddam A， Fathi S H， et al. An economic customeroriented demand response model in electricity markets[C]∥IEEE International Conference on Industrial TechnologyIcit. Lyon， France： IEEE， 2018.

[17] Kelo S， Dudul S. A wavelet elmanneural network for shortterm electrical load prediction under the influence of temperature[J]. International Journal of Electrical Power & Energy Systems， 2012， 43（1）： 10631071.

[18] Albadi M H， ElSaadany E F. A summary of demand response in electricity markets[J]. Electric Power Systems Research， 2008， 78（11）： 19891996.

[19] Herter K， Mcauliffe P， Rosenfeld A. An exploratory analysis of californiaresidential customer response to critical peak pricing of electricity[J]. Energy， 2007， 32（1）： 2534.

[20] Zhang Q， Wang X F， Fu M. Optimal implementation strategies for critical peak pricing[C]∥International Conference on the European Energy Market. Leuven， Belgium： IEEE， 2009： 2729.