面向負(fù)荷聚合商的工業(yè)用戶短期調(diào)峰負(fù)荷預(yù)測方法研究

褚夏永，石 琳，耿慶慶

（1.西安工程大學(xué) 電子信息學(xué)院，陜西 西安；2.西安廣林匯智能源科技有限公司，陜西 西安）

引言

在“2030 碳達(dá)峰，2060 碳中和”戰(zhàn)略背景下，中國新能源將迎來新一輪爆發(fā)式增長，截止2021 年底，中國風(fēng)電累計(jì)裝機(jī)3.3 億KW，光伏發(fā)電累計(jì)裝機(jī)3.1 億KW，同比增長16.6%和20.9%，均居世界首位，但新能源發(fā)電具有間歇性、波動性等特點(diǎn)，新能源大發(fā)階段的發(fā)電量必須能夠被及時消納[1]。現(xiàn)階段中國的調(diào)峰手段還是以火電機(jī)組參與調(diào)峰為主，但新能源快速發(fā)展，調(diào)峰需求激增，火電機(jī)組參與調(diào)峰的手段已經(jīng)遇到了發(fā)展瓶頸，機(jī)組的調(diào)節(jié)速率、穩(wěn)定運(yùn)行能力受到極大挑戰(zhàn)[2]，急需改變現(xiàn)有的調(diào)峰消納手段。為此，國內(nèi)外研究者對負(fù)荷聚合商調(diào)峰策略以及用能企業(yè)負(fù)荷預(yù)測方法開展了大量研究。其中文獻(xiàn)[3]站在電網(wǎng)側(cè)角度構(gòu)建了計(jì)及調(diào)峰主動性約束的風(fēng)- 光- 水- 火- 儲能聯(lián)合系統(tǒng)的優(yōu)化調(diào)度模型，有效促進(jìn)新能源消納，提升系統(tǒng)運(yùn)行的經(jīng)濟(jì)性。

近年來，隨著負(fù)荷側(cè)調(diào)峰工作的推進(jìn)，國內(nèi)外研究者關(guān)注重點(diǎn)從電網(wǎng)側(cè)逐漸擴(kuò)展到用戶側(cè)，其中文獻(xiàn)[4]站在負(fù)荷聚合商角度提出基于模型預(yù)測控制的端對端(peer-to-peer，P2P)市場交易策略，指導(dǎo)市場主體的電量投標(biāo)。

工業(yè)用戶負(fù)荷短期預(yù)測結(jié)果是負(fù)荷聚合商安排調(diào)峰任務(wù)的重要依據(jù)，文獻(xiàn)[5]深入分析了負(fù)荷聚合商的需求響應(yīng)機(jī)制，以改善優(yōu)化模型；文獻(xiàn)[6]將工業(yè)用戶負(fù)荷分解為高低頻模態(tài)分量，避免了高斯噪聲對模態(tài)分解的影響，將各分量疊加重構(gòu)得到預(yù)測結(jié)果。

目前國內(nèi)外學(xué)者都是以電網(wǎng)側(cè)和負(fù)荷聚合商為角度，缺乏從用戶企業(yè)自身角度分析其參與調(diào)峰消納收益分析，為此本文開展工業(yè)用戶負(fù)荷特性分析和短期調(diào)峰消納收益預(yù)測方法研究，協(xié)助用戶企業(yè)上報(bào)調(diào)峰負(fù)荷曲線，增強(qiáng)用戶企業(yè)參與負(fù)荷側(cè)調(diào)峰的自驅(qū)力，從根本上提高用戶側(cè)參與調(diào)峰消納的能力。

1 工業(yè)用戶調(diào)峰收益預(yù)測方法

工業(yè)用戶具有響應(yīng)容量大、自動化水平高、生產(chǎn)流程穩(wěn)定、電價敏感性高等特點(diǎn)，是負(fù)荷聚合商主要的調(diào)峰資源。為此，本文主要針對工業(yè)用戶短期調(diào)峰收益預(yù)測方法進(jìn)行研究，通過對工業(yè)用戶的負(fù)荷預(yù)測得到其未參與調(diào)峰和參與調(diào)峰的負(fù)荷曲線和參與調(diào)峰時段的調(diào)峰容量，繼而得到工業(yè)用戶短期參與調(diào)峰所獲得的調(diào)峰收益。

同時根據(jù)用戶企業(yè)參與調(diào)峰消納的電量，結(jié)合調(diào)峰差額補(bǔ)償費(fèi)用和新能源消納補(bǔ)貼費(fèi)用，計(jì)算出用戶企業(yè)未來短期參與調(diào)峰消納的收益情況。

2 數(shù)據(jù)分析與模型原理

基于GA-SVR 的工業(yè)用戶負(fù)荷短期預(yù)測模型：

考慮到SVR 預(yù)測模型對解決非線性的小樣本問題更具實(shí)用性，GA 遺傳優(yōu)化算法擴(kuò)展性強(qiáng)，能夠避免其陷入局部極小的狀況，因數(shù)據(jù)存在非線性且樣本量小的情況，所以本文采用GA 遺傳優(yōu)化算法對SVR 進(jìn)行優(yōu)化迭代，提高SVR 的預(yù)測精度，進(jìn)而對工業(yè)用戶的調(diào)峰收益進(jìn)行預(yù)測。實(shí)現(xiàn)流程如下：

（1）選擇徑向?qū)ΨQ且光滑性好處理簡單的高斯徑向基核函數(shù)，其公式如式（1）所示：

式中：K（x，xi）為高斯徑向基核函數(shù)，x，xi為核函數(shù)中心，σ 為函數(shù)的寬度參數(shù)，控制函數(shù)的徑向作用范圍。

（2）采集企業(yè)實(shí)時負(fù)荷數(shù)據(jù)，建立樣本集，通過引入松弛變量和懲罰參數(shù)得到優(yōu)化問題，其公式如式（2）所示：

式中：W 為樣本向量，ξi，ξi* 為松弛變量，C 為懲罰參數(shù)。

（3）通過以上公式進(jìn)而求得它的對偶問題，最終得出決策函數(shù)，其公式如式（3）所示：

式中：Y為決策函數(shù)，αi、αi*為拉格朗日乘子。

（4）使用遺傳算法對支持向量機(jī)回歸進(jìn)行優(yōu)化改進(jìn)，調(diào)整懲罰參數(shù)、損失函數(shù)、核函數(shù)系數(shù)進(jìn)行優(yōu)化，提高負(fù)荷預(yù)測的預(yù)測精度，其負(fù)荷預(yù)測流程見圖1。

圖1 負(fù)荷預(yù)測流程

3 算例分析

3.1 工業(yè)用戶負(fù)荷數(shù)據(jù)分析

水泥行業(yè)具有負(fù)荷高、電價敏感性強(qiáng)、高負(fù)荷設(shè)備種類多等特點(diǎn)，是極具代表性的調(diào)峰企業(yè)。本文以西北地區(qū)兩家水泥企業(yè)為研究對象，通過其用能情況分析推斷企業(yè)調(diào)峰可行性與調(diào)峰收益情況。分別將A、B兩家水泥企業(yè)4 月份參與和未參與調(diào)峰消納新能源的單日各時段平均負(fù)荷數(shù)據(jù)進(jìn)行統(tǒng)計(jì)如圖2 所示，兩家水泥企業(yè)申報(bào)基線與參與調(diào)峰消納曲線在四月份中都呈現(xiàn)出明顯的“雙低谷”現(xiàn)象，將24 時匯總為兩類：早上8 時和下午19 時呈現(xiàn)低負(fù)荷狀態(tài)，原因是在此期間進(jìn)行換班調(diào)整，凌晨12 時至早7 時處和上午10 時至下午17 時達(dá)到相對高負(fù)荷狀態(tài)，凌晨12 時至早7 時出現(xiàn)高負(fù)荷生產(chǎn)的原因是凌晨正處于電價較低時刻，此時企業(yè)高負(fù)荷生產(chǎn)成本較低，上午10 時至下午15 時出現(xiàn)高負(fù)荷生產(chǎn)的原因是按要求參與電網(wǎng)側(cè)調(diào)峰消納新能源，企業(yè)在新能源消納補(bǔ)貼條件下，高負(fù)荷生產(chǎn)成本同樣較低。

圖2 A、B 企業(yè)4 月份調(diào)峰消納趨勢圖

3.2 工業(yè)用戶負(fù)荷預(yù)測

為了促進(jìn)水泥企業(yè)能夠按要求積極參與調(diào)峰消納新能源，減少水泥企業(yè)參與難度，本文選擇運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型、SVR 回歸預(yù)測模型、GA-SVR 預(yù)測模型三種預(yù)測模型對水泥企業(yè)進(jìn)行負(fù)荷預(yù)測，進(jìn)而對企業(yè)參與調(diào)峰消納新能源收益進(jìn)行預(yù)測。為驗(yàn)證三種模型的預(yù)測準(zhǔn)確度，預(yù)測未來24 小時的負(fù)荷情況，本文依舊采用A、B 兩家水泥企業(yè)4 月份未參與調(diào)峰的實(shí)時數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其中訓(xùn)練集與測試集按照8:2 進(jìn)行分割，三種預(yù)測模型進(jìn)行對比分析見圖3。

圖3 模型預(yù)測精度對比

很明顯圖3 中GA-SVR 精度更高，穩(wěn)定性更好。為了更直接的反映GA-SVR 預(yù)測模型的優(yōu)越性，本文通過平均絕對百分比誤差MAPE、平均絕對誤差MAE、均方根誤差RMSE、決定系數(shù)R2 這4 個參數(shù)作為衡量負(fù)荷預(yù)測模型精度的評價指標(biāo)，見表1。

表1 GA-SVR 與BP、SVR 預(yù)測模型的性能比較

根據(jù)指標(biāo)評價分析，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型、SVR 預(yù)測模型與GA-SVR 預(yù)測模型的4 種指標(biāo)差距較大，GA-SVR 預(yù)測模型的MAPE 為8.28%，意味著負(fù)荷預(yù)測的平均預(yù)測精度為91.72%，明顯優(yōu)于其他兩種預(yù)測模型的81.61%和89.08%，且R2 為0.88 也明顯比其他兩種預(yù)測模型更靠近1，說明GA-SVR 預(yù)測模型的擬合性比其他兩種預(yù)測模型更有優(yōu)勢。由此可見，GA-SVR 預(yù)測模型的負(fù)荷預(yù)測精度明顯高于BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型和SVR 預(yù)測模型。

3.3 調(diào)峰收益預(yù)測分析

收益預(yù)測的訓(xùn)練數(shù)據(jù)選A、B 兩家水泥企業(yè)近2 個月參與和未參與調(diào)峰消納新能源的訓(xùn)練數(shù)據(jù)，對第二日兩種不同工況下的負(fù)荷曲線進(jìn)行預(yù)測，結(jié)果見圖4。

圖4 A、B 企業(yè)參與和未參與調(diào)峰消納負(fù)荷曲線預(yù)測

在保證生產(chǎn)計(jì)劃達(dá)標(biāo)、企業(yè)正常生產(chǎn)的情況下，依據(jù)負(fù)荷聚合商向電網(wǎng)側(cè)申報(bào)調(diào)峰消納計(jì)劃后進(jìn)行調(diào)峰消納分配，A、B 兩家水泥企業(yè)首先根據(jù)生產(chǎn)計(jì)劃在6:00-10:00 時段停運(yùn)工序1、3、4 中的部分生產(chǎn)設(shè)備，降低負(fù)荷，而在10:00-16:00 參與調(diào)峰時段，在材料儲存廠房、設(shè)備生產(chǎn)滿足需求的前提下，全力開啟停運(yùn)的石灰石破碎機(jī)、破碎機(jī)、球磨機(jī)等高負(fù)荷設(shè)備，拉高負(fù)荷積極調(diào)峰消納新能源。同時在18:00-23:00 日常用電高峰期拉低負(fù)荷，保證生產(chǎn)計(jì)劃達(dá)標(biāo)情況下，降低電網(wǎng)供電壓力。

根據(jù)圖4 所示的A、B 企業(yè)第二日參與和未參與調(diào)峰消納負(fù)荷預(yù)測結(jié)果，A 企業(yè)未參與調(diào)峰消納日總用電量為1 035 981kWh，參與調(diào)峰消納日總用電量為1 067 387kWh，B 企業(yè)未參與調(diào)峰消納前日總用電量為620 566kWh，參與調(diào)峰消納后日總用電量為645 757kWh，在企業(yè)生產(chǎn)計(jì)劃波動范圍之內(nèi)。其中A、B 企業(yè)在10:00-16:00 處參與調(diào)峰消納新能源期間，分別消納新能源發(fā)電量56 536kWh、35 600kWh，按照負(fù)荷聚合商參與調(diào)峰消納新能源發(fā)電量給予平均0.3 元/kWh 補(bǔ)貼進(jìn)行計(jì)算，即A、B水泥企業(yè)在10:00-16:00 參與調(diào)峰消納期間的預(yù)測收益分別為：1.69 萬元、1.06 萬元，考慮企業(yè)參與調(diào)峰前后預(yù)測結(jié)果互有8.28%波動，A、B 兩家企業(yè)收益范圍分別在：1.41-1.97 萬元、0.89-1.24 萬元，見表2。

表2 A、B 企業(yè)調(diào)峰消納收益預(yù)測情況

4 結(jié)論

本文以負(fù)荷側(cè)調(diào)峰技術(shù)為研究背景，以西北地區(qū)A、B 兩家水泥企業(yè)的實(shí)時負(fù)荷數(shù)據(jù)為對象，以GA-SVR為基礎(chǔ)預(yù)測模型預(yù)測了其未來24 小時的負(fù)荷情況與參與調(diào)峰獲得的收益情況，得到以下結(jié)論：

（1）GA-SVR 預(yù)測模型明顯比BP、SVR 預(yù)測模型的預(yù)測精度高、模型擬合性好。

（2）根據(jù)算例分析，A、B 兩家水泥企業(yè)屬于優(yōu)質(zhì)的調(diào)峰資源。兩家企業(yè)在不改變生產(chǎn)任務(wù)的前提下，僅通過10:00-16:00 時間段內(nèi)參與調(diào)峰消納新能源，即可在實(shí)現(xiàn)企業(yè)“降碳”的同時，獲得單日調(diào)峰收益1 萬元以上，經(jīng)濟(jì)、環(huán)境、社會效益均都很顯著。