智能電網中用電感知的數據分析需求響應方案研究

李鑫，楊方，肖湘晨，王海元，黃紅橋

(1. 國網湖南省電力有限公司供電服務中心(計量中心)，長沙 410004；2. 智能電氣量測與應用技術湖南省重點實驗室，長沙 410004)

0 引 言

住宅、商業、工業和交通等不同類型的用電需求的快速增長，加大了電網的負擔[1]。其中住宅用電約占總電力消耗的38%，且預計將保持0.3%的年增長率。為滿足這一增長需求，電力企業需要建立新的基礎設施，或者采取手段削減高峰負荷需求，使當前資源能夠滿足用戶負荷需求。為減少負荷需求，電力企業需要對連接負荷的需求響應進行管理，以降低電網總體負擔[2-3]。

目前，研究人員提出了一些對住宅用電的DR管理策略。如文獻[4]提出了用于智能建筑的DR管理方案，基于多代理少數者博弈以降低電網的高峰用電需求。但該方案不適用于未部署太陽能PV板的家庭。另外，智能化數據分析方法也用于進行需求響應管理，如文獻[5-6]分析從SHs采集的數據，并利用決策樹和支持向量機進行竊電檢測。但該方案著眼于SH中的數據分析，且并未通過SHs的DR管理來降低高峰負荷。文獻[7]利用最小二乘支持向量回歸識別用電過量的SHs，并有針對性地進行DR管理。但該方案未考慮用戶負荷需求的瞬時變化，且DR管理方案僅針對用電量異常的SHs。文獻[8]利用不同家庭的采集數據對住宅電器進行DR管理，降低電網峰值負荷。根據從用戶調查中計算出的各種指標來促發DR控制事件。但其假定每個家庭的負荷曲線是相同的，且對每個家庭中不同電器使用了相同的使用模式。

為此，提出了SHs的用電感知數據分析需求響應(DADR)管理方案，通過數據分析降低電網高峰負荷。其主要工作和創新如下：(1)通過分析SHs的用電數據，設計了各種不同因子，例如電器調節系數，電器優先級指標，電器削負荷優先級等；(2)分別提出用于用戶和電力企業的不同算法，由此制定SHs中的DR決策，降低SG的高峰負荷。此外，對SHs中的瞬時負荷變化進行實時管理，以保持電網的負荷曲線。

1 本文方案概述

本章將詳細介紹智能家居(SHs)的DR管理方案，從而在每個時隙開始時，實時降低智能電網(SG)在高峰時段的負荷。文中方法使用了固定的計費策略，以確保不會在電網中產生回升高峰[9-10]。為了將提出的方案應用于現實中，需要將SHs的用電數據傳遞至電力企業。圖1給出了SHs和電力企業服務器之間的通信場景。通過實施輕量級加密安全機制來確保數據的安全性和隱私性，該安全機制不會影響到整體系統性能。如圖1所示，數據采集過程被分為三層。第1層中，SHs中的設備將其用電數據傳遞至各自家庭中的本地控制器。第2層利用接入點(APs)，將本地控制器的采集數據傳遞至第3層中的SG服務器。在數據傳遞至SG服務器后，立即執行數據分析以做出DR決策，其后將DR決策轉回本地家庭控制器，以控制各自家庭中的設備。

圖1 SHs與SG的通信簡圖Fig.1 Communication diagram of SHs and SG

將完整的一天劃分為多個等間隔時隙，并在每個時隙內進行高峰負荷管理。設電網在第t個時隙開始時的發電容量為G(t)(單位kW)(考慮到裝機容量以及可再生能源發電)，SHs的總數量為n，第i個家庭在第t個時隙的用電需求為Hu(i,t)(單位kW)。若存在以下情況，則應該對電網負荷進行管理：

(1)

在這種情況下需要削減負荷需求，則總能量缺口為：

(2)

式中 Δt表示第t個時隙的持續時長。

為填補式(2)中的缺口，基于從SHs采集到的數據在SHs中進行負荷需求削減。為此，提出的方案使用ZigBEE、WiFi和IEEE 802.15.4a/c/f技術，將各種電器的數據傳遞至本地控制器；并使用WiFi、WiMAX和長期演進(LTE)技術將數據從本地控制器傳遞至電力企業服務器[11]。圖2給出了完整方案流程圖。

圖2 提出的方案的流程圖Fig.2 Flow chart of the proposed scheme

2 方案的重要環節

2.1 DR決策制定中使用的因子

本小節將解釋直接影響DR決策過程的各種因子的計算方式。這些因子主要取決于SHs采集數據，可通過分析每個時隙的數據來計算。

(1)電器利用系數(AUF)：AUF為某個電器的功率與家庭總耗電量的比率，表示為：

(3)

(2)電器運行時長系數(ARF)：ARF表示特定電器在上一個時隙過程中處于運行狀態(打開)的時長占比。舉例來說，設每時隙為15分鐘，電器“A”在一個時隙中開啟了12分鐘，則“A”的ARF為0.8。利用上一個時隙采集到的運行狀態相關數據，計算出第i個SH中第j個電器的ARF：

(4)

(3)電器調節系數(AAF)：AAF表示是否可通過提出的方案對該電器進行調節(即負荷削減)。AAF數值為0或1，取決于以下條件(本文方案僅在AAF=1的情況下進行電器調節)：

(5)

式中AAFj(i,t)為第i個SH的第j個設備的調節系數；τ為預定義閾值；Sj(i)表示第j個設備的當前狀態，計算如下：

(6)

在計算AAF數值式還使用了兩個列表，D和E。列表中保存了不同類型電器的相關信息。列表E包含不受DADR方案控制的所有應急設備，例如：燈具、風扇和醫療設備等，因此此類電器的AAF均設為0。列表D包含洗衣機、電熨斗等各種電器和所有廚房電器(例如微波爐、電飯鍋和烤箱等)。

AAF的意義在于，設備在完成某部分的周期工作時間(由τ指定)的情況下不應該進行調節，否則將會影響到正在進行的工作。此外，AAF確保了應急電器不受DR管理的影響。

(4)電器優先級指標(API)：API是最重要的參數，通過分析從各種SHs所采集到的數據而計算[12-21]。API用于衡量某個電器相較于其他電器，在負荷削減中的優先級。在優先級計算中，還考慮到用戶舒適度(即該電器在負荷條件相似的其他家庭中的使用情況)。這是因為，負荷條件相似的家庭會對DR表現出相似的用電模式響應。因此，可將其作為計算SH中電器優先級的指標，而不用考慮所有SHs。通過用戶檔案找到負荷條件相似的家庭并進行聚類。為此，提出的方案中使用了k均值聚類技術。k均值聚類中涉及到以下步驟：

步驟1：將每個用戶隨機分配至任意一個用戶群集c(c= 1, 2,…,C)。

步驟2：計算每個群集的中心：

(7)

式中μc為第c個群集的中心；xi為第i個用戶的特征值；Cc為群集c中的用戶集合；Nc為Cc中的用戶數量。

步驟3：將每個用戶分配到群集中，以使其特征值與新中心(d(x,μ))之間的距離為最小值：

(8)

式中x和μ分別表示所有用戶和群集中心的特征向量；S為特征向量大小。

步驟4：重復步驟2和步驟3，直至群集中心不再發生顯著變化(即群集保持穩定)。

基于Hu，使用上述步驟為每個時隙生成SHs群集，以考慮電器使用的動態特性。一旦群集穩定，則計算出電器j的API(APIj(i,t))：

(9)

式中n為連接到SG的SHs總數量；m為群集Cd中的SHs數量；Cd表示在第i個SH的Hu方面表現出相同行為的用戶群集(使用式(7)計算)；θ為比例常數。θjk值表示第k個SH中電器j的當前工作狀態，通過以下公式計算：

(10)

即第k個SH中，j為開啟狀態時θjk=1，否則θjk=0。式(8)中的分子表示群集Cd中，第j個電器為開啟狀態的SHs的總數量。m表示群集Cd中SHs總數量，n表示SHs總數量，由此計算出第i個SH中電器j的優先級。該計算的基礎在于，相似SHs中某電器的使用頻率越高，則其優先級也應該越高。由此，電器的API數值越大，則該電器在其SH中的優先級越高。

(5)電器削負荷優先級(ACP)：使用ACP因子，增加SH中(在被電力企業關閉后)頻繁被用戶重新打開的電器的優先級。因此，ACP數值越高，表示該電器的優先級越高，不應被削減負荷。該因子計算如下：

(11)

式中ACPj(i,t)為第i個SH中第j個電器在第t個時隙的ACP值;γ為比例常數;pnj表示一天中第i個SH中的電器j被電力企業所關閉的次數。利用式(8)計算出APIj(i,t)的數值，從列表AP(使用算法1建立)中提取出pnj的數值。列表AP中包含被電力企業進行過負荷削減的所有SHs的所遇電器的pn值。

(6)相對耗電指數(RCI)：RCI有助于識別耗電量較大的家庭。第t個時隙中，第i個SH的RCI值計算為：

(12)

上述公式將計算第i個SH相對于其所在群集Cd中耗電量最大的SH的相對能耗。RCI數值越高，表明第i個SH相較于其他RCI值較低的SHs的耗電量越大。

(7)用戶削負荷系數(CCF)：CCF是提出的DADR方法中，唯一需要用戶指定的因子。CCF表示電力企業在任何時間可削減負荷的最大期望限值。若將CCF值設為1%，則削減負荷不會超過總負荷的1%。用戶可增加或減少其CCF值，以控制其在DR管理過程中的參與度。

CCF還被用于計算用戶滿意度和舒適度，因為用戶將根據自身適用情況來設定CCF。若負荷削減低于或等于用戶指定的CCF值，則考慮用戶是滿意的?；贑CF，可通過負荷削減來節約第t個時隙中的能耗(Es(i,t))：

(13)

式中CCF(i,t)為第t個時隙的第i個SH中用戶指定CCF值。式(13)中，EC(i)表示通過實際負荷削減(通過式(14)確定)，第i個SH累積節約的電量。Es(i,t)的下界設為0，以避免任何負值。

(14)

式中Ej表示在Δt持續時間內第j個電器的削減電量，計算為：

(15)

如式(14)所示，在一天開始時Ec(i)的值被設為0。其他時間，將關閉電器(j)所節約的電量加入到Ec(i)中。

2.2 制定DR決策

使用前文定義的因子，通過提出的兩個算法來制定DR決策。第一個算法(以用戶為中心的DADR算法)從用戶的角度出發，通過考慮用戶舒適度來降低高峰負荷。該算法中，負荷削減取決于用戶指定的CCF值，且不會超過該數值。因此，該算法所降低的高峰負荷有限，但能夠確保負荷削減不會影響到用戶舒適度。第二個算法(以電企為中心的DADR算法)從電網角度出發，確保削減更多的高峰負荷，但可能會降低用戶舒適度。為對此進行補償，需要給予用戶額外的獎勵。電力企業可根據情況僅使用算法1，或同時使用算法1和算法2。使用提出的算法，通過削減SH的負荷需求來保持SG的負荷曲線平穩。

首先，使用算法1降低SHs中的負荷。該算法的第一步是計算所有SHs中所有電器的API和ACP。其后，根據電器的ACP值，按升序存儲在列表中。列表的意義在于，電器在該列表中排名最前，該電器在其他SHs中使用最少，因此優先級也最低。對于該電器(k)，計算AAF值，并對AAF≠0的電器進行負荷削減：計算出相應SH的Es(i,t)值(基于CCF)，若Ek

算法1： 以用戶為中心CC-DADR算法

1.for (i= 1;i≤s;i++) do//s為SHs的總數量

2.?j，計算API //j為SH中的電器

3.?j，計算API

4.end for

5.按升序對ACPj(i,t) 進行排序并保存在列表中

7.for (k= 1;k≤n;k++) do//n為中的總電器數量

8.提取相關家庭(h)

9.使用式(4)計算第k個設備的AAF

10.if (AAFk(h,t)≠0) then

11.得到家庭h的CCF

12.使用式(12)計算Es(h,t)

13.if (Ek

14.關閉電器k

15.在列表AP中保存電器k；pnk=pnk+1

16.將該決策傳遞至h的本地控制器

17.使用式(14)更新Ec(i)

19.end if

20.end if

21.end for

22.end while

由此，算法1根據用戶指定的CCF值，減少了家庭中的負荷。然而，在遵守每個SH的CCF的情況下，電網負荷可能依然超過其發電容量。這種情況下，需要使用算法2以使電網負荷曲線保持平穩。

算法2 ：以企業為中心 UC-DADR算法

1.for (i= 1;i≤s;i++) do//s為SHs的總數量

2.使用式(11)計算RCI

3.for (k= 1;k≤m;k++) do //m為1個SH中的總電器數

4.使用式(3)計算AUF

5.計算Appk(i,t)=RCI(i,t)×AUFk(i,t)

6.將Appk(i,t)，k和i的數值保存在列表中。

7.end for

8.end for

9.根據Appk(i,t)數值，以降序對列表進行排序

10.for (q= 1;q≤n;q++) do //n為列表中的總電器數

13.關閉電器q

14.將該決策傳遞至h的本地控制器

16.使用式(15)更新Ec(i)

17.end while

18.end for

瞬時負荷變化管理：由于負荷具有本質上的動態性，且用戶可在任何時候解除SH中的負荷控制，因此在任何DR管理方案中，對負荷需求的瞬時變化進行管理是至關重要的。為此，提出的方案采用了算法3。

算法3：

1.當1個新設備d(能量要求Ed)SHs中瞬時負荷變化的管理被打開時

3.打開d

4.若d在列表AP中，則將其從表中移除

5.else if(Sig=‘urgent’) then//Sig為優先級信號

6.for (?/j, 其中Sj(i)=1) do//j表示電器，i表示SH

7.得到APIj(i,t) ，并將其在列表Temp中按升序排序

8. end for

9.?/j∈Temp

10.從Temp中關閉電器，直至∑Ej≥Ed

11.將這些電器保存在列表AP中；pnj= 1

12.打開新設備d

13.else

14.將d保存在列表AP中；pnd=pnd+ 1

15.end if

16.當一個當前設備o(能耗Eo)被關閉時

17.if (Sig≠ ‘urgen’) then

19.else

20.break；

21.end if

3 實驗與結果

文中在仿真環境中，測試了所提方案在降低電網高峰負荷需求方面的有效性。實驗設置如下，每時隙持續時長為15 min。選用文獻[22]的SHs數據集，提供了家庭中各種用途的每小時能耗值，包括照明、供暖、降溫、熱水器、基礎設施及各種雜項。將這些數值調整為15 min間隔，并根據EIA提供的用電模式[23]分配至相應電器。表1給出了實驗中使用的其他參數。仿真中，為每戶家庭隨機指定CCF值。

表1 仿真參數的設置Tab.1 Setting of simulation parameters

3.1 SG的負荷降低

提出的DADR方案的主要目的是降低高峰負荷。在方案評價中，選取了真實電力場景進行案例分析。電網發電數據[24]和負荷數據的數值單位為kW·h，將發電數據按比例縮小125倍；負荷區域的用電量縮小2.25倍?？紤]負荷區域包含200個SHs。圖3給出了發電數據和用電數據的最終數值。從中可以觀察到，高峰負荷需求出現在午間時段(12點～16點)，其后負荷需求開始下降。將負荷需求曲線建模為始終與現實世界的負荷需求相一致。

圖3 電網的負荷需求曲線Fig.3 Load demand curve of power grid

在用電需求超過發電容量的時隙中應用提出的方案。首先對SHs進行聚類，以計算所有SHs的每個電器的API值。為此，對于每個時隙，將Hu方面表現出相似特征的家庭聚類在一起，根據案例分析中SHs的數量，將群集數量設為4(即C=4)?；谌杭畔?，分別使用式(8)和式(10)計算出所有電器的API和ACP值。

為削減高峰負荷需求，電力企業首先采用CC-DADR算法；若未成功削減高峰負荷，則電企再利用UC-DADR算法。圖3給出了單獨應用CC-DADR算法，以及先后應用兩種算法后的電網負荷需求情況。圖3還給出了僅使用UC-DADR算法進行DR管理的樣例。從中可觀察到，僅使用UC-DADR算法，與使用兩種算法，實現了較為相似的負荷削減。但僅使用UC-DADR算法，會對用戶舒適度造成較大影響。另外，單獨應用CC-DADR算法，不能在所有時隙中成功削減高峰負荷。舉例來說，在14點時原始負荷需求為1 432 kW，在應用CC-DADR算法后降至1 324.5 kW，負荷需求依然大于發電容量。這種情況下，電企應采用UC-DADR算法，以使電網負荷曲線更加平穩。應用兩種算法后，負荷需求在14點時降至1 264 kW(見圖3)。由此證明，提出的方案使用CC-DADR和UC-DADR算法，能夠有效降低電網高峰負荷，使其滿足發電容量限制。

3.2 SHs支出節約

電網的高峰負荷削減也降低了SHs中的總能耗，由此減少了用戶的電費支出：

(16)

由表2可知，僅使用CC-DADR算法的電費支出高于其他案例。這是因為在CC-DADR算法中，SH中的負荷削減無法超過用戶指定的CCF值。但某些情況下(SH5)，僅使用CC-DADR算法，與僅使用UC-DADR算法或兩種算法的電費支出相同。這是因為這種情況下，UC-DADR算法并未削減SH5的電器負荷。從表4還可發現，僅使用UC-DADR算法，與依次使用兩種算法之間的電費支出差異并不大。

表2 使用DADR方案的電力成本(/元)Tab.2 Power cost of using DADR scheme (/yuan)

3.3 用戶滿意度評價

若用戶可通過參與DADR方案降低電費支出，且舒適度未受過大影響，則考慮用戶是滿意的。提出的方案中使用兩個度量，即電費節約和舒適度，來評價用戶滿意度。

(1)用戶電費節約：用戶參與文中方案，可從兩方面節約支出。一方面，使用提出的方案在SHs中減少的能耗會直接降低電費支出，在每天結束時計算該數值。另一方面，用戶會得到獎勵，從而間接降低電費支出。在每月結束時計算出間接節約，可用于抵扣電費；

(2)用戶舒適度：提出的DADR方案通過兩種方式確保用戶舒適度。首先，通過觀察相似負荷條件下的SHs中的電器使用趨勢進行負荷削減。其次，提出的方案試圖將一個SH中的負荷削減保持在CCF值之下(用戶根據舒適度直接制定CCF值)。發現：使用CC-DADR算法時，負荷調整系數(LAF)值始終低于CCF值。但若電企使用了兩種算法，少數情況下可能會發生LAF>CCF的情況。這種情況下，向用戶發放更高的獎勵，以補償舒適度損失。在僅使用UC-DADR時，LAF常會超過平均CCF值。這表明UC-DADR算法忽視了用戶設定的舒適度水平，因此不應該僅使用該算法削減高峰負荷。提出的方案以最優方式考慮了用戶舒適性，盡量滿足用戶舒適和電企約束。

3.4 與當前其他方案的比較

文中從電網總負荷削減和SHs成本節約方面，對提出的方案與當前其他方案進行了比較。圖4展示了各方案的電網平均負荷降低和SH平均成本節約。從中可以觀察到，使用提出的方案實現了最大的負荷降低，且成本節約與文獻[8]大致相當；文獻[7]的方案在兩方面的表現最差。此外，提出的方案中還可以通過犧牲用戶舒適度來進一步提高成本節約?？赏ㄟ^尋找用戶和電企均可接收的舒適度與成本之間的最優權衡點來實現這一點。此外，如表3所示，與其他方案相比，提出的方案在更多數量的SHs上進行了測試，且SHs中包含的設備數量更多。從中可知，提出的方案在大規模實施中的可靠性更高。

圖4 平均負荷削減和用戶電費節約方面的比較Fig.4 Comparison between average load reduction and user electricity cost saving

表3 SHs數量和設備數量方面的比較Tab.3 Comparison of SHs quantity and equipment quantity

4 結束語

文章提出了數據分析需求響應(DADR)方案，以解決SG高峰負荷削減問題?；趶腟Hs中采集的數據，提出了各種因子的計算，以制定需求響應決策。提出的方案可視為2級控制方案，首先以不影響用戶舒適度的方式進行負荷削減(僅使用CC-DADR算法)。若負荷需求依然超量，則使用第二級控制以進一步降低高峰負荷(使用UC-DADR算法)。這可能會降低用戶舒適度，需要通過獎勵方案對用戶進行補償。此外，提出的方案還能夠處理SH的能耗模式中的瞬時負荷變化。結果表明提出的方案具有兩方面優勢：(1)有效管理SG中的高峰負荷需求；(2)降低用戶電費支出。

未來，將探索在家庭數、電器數量和采樣速率大幅提升的情況下的容錯問題和大數據管理問題。此外，可加入更多SHs相關信息來測試提出的方案的效率。