基于数据驱动的客户侧需求响应资源精准唤醒

杨嘉睿，俞楚天，叶少杰

(国网浙江省电力有限公司经济技术研究院，浙江 杭州 310020)

0 引言

2002 年以来，国内电力供需失衡地区性差异越发明显，可再生能源消纳的矛盾也日益突出，电力持续紧张的局面开始显现，电力用户以需求响应形式参与电网“双向互动”，是缓解电力供应紧张矛盾的有效手段[1]，也是消纳清洁能源、实现社会可持续发展的有力支撑[2]，随着以新能源为主体的新型电力系统发展，规模化灵活需求侧互动响应资源的挖掘成为必然[3]。为促进电力供需平衡和保障重点用户用电，提升能源利用效率，促进节能减排，电网公司应充分利用已有的数据资源[4-5]，精准识别客户侧需求响应高潜力资源，解决在开展需求响应工作时遇到的无法精准排查出高潜力需求响应目标用户、用户在答复邀约中缺乏技术辅助手段、缺乏系统性的需求响应结果分析与建议等困难点，提升用户在签约、答复邀约和需求响应实施过程中的体验感和成功率，从而实现与用户的有效互动，进一步推进需求响应工作的开展。

目前，已有不少学者对需求响应开展了应用研究。文献[6]提出了低碳需求响应机制，以动态碳排放因子为引导信号，以用户自身减碳意愿或碳市场中的价格因素为激励信号，引导用户主动响应并降低系统碳排放的电力系统碳减排新机制；文献[7]基于智能配电网中负荷的主动响应能力，在保证分布式电源可靠供电的同时，开展促进分布式电源就地消纳的研究；文献[8]考虑到用户响应行为的不确定性，提出以参与度、响应时间等多重影响因素与净负荷功率构建高维参数空间，利用响应前后净负荷包络域期望量化用户响应能力等。但基于电力数据开展客户侧需求响应资源精准唤醒的相关研究尚不多见。

1 研究思路

需求响应是电力需求侧管理的重要解决方案，也是建设能源互联网的有效推进措施之一[9]。需求响应是电力用户根据市场价格信号或激励机制主动调整用电方式，以保证系统运行的安全性和可靠性，实现节能降耗、提高终端用电效率等功能[10]。需求侧管理主要用于削峰填谷、节能省电和能源替换等[11]，当前面临的主要问题如下。

1) 无法精准排查出目标用户，工作效率低。

2) 用户在答复邀约过程中存在报量输入不准、需求响应实施过程中调节负荷精确度不高等问题，导致用户需求响应失败。

3) 需求响应参与方案的灵活度不强。

随着需求侧管理工作的推进，智能电表和用电采集系统逐渐普及，电网公司可方便及时地获得终端电力用户的用电信息，为评估需求响应潜力奠定了数据基础[12]；同时，智能技术(如深度强化学习等)能够对复杂的外部环境做出较为准确的识别并做出最优决策，能够满足需求响应的相关要求[13]。因此，通过聚合电力系统的用户档案数据、用户负荷数据、用户用电量数据等，利用大数据分析技术，实现客户需求响应潜力分析、客户生产经验特征分析、客户需求响应预评估、客户需求响应结果分析等模型的构建，实现客户侧需求响应高潜力用户的精准筛选，持续提升用户需求响应的参与度和成功率。

2 需求响应分析模型构建

2.1 客户需求响应潜力分析模型

基于近3 个月高压用户96 点日负荷数据，采用大数据算法，构建削峰填谷响应潜力模型，其中早高峰为10 时至11 时，午高峰为13 时至17 时，凌晨低谷为0 时至6 时、中午低谷为11 时至12 时。根据削峰填谷响应潜力值划分高、较高、中、低四个响应潜力等级，输出需求侧削峰填谷响应潜力用户清单；同时对比分析用户开空调状态下及不开空调状态下的负荷特征，并根据客户负荷可调节潜力值，输出需求侧响应潜力清单。

2.1.1 削峰填谷潜力

基于用户历史各日早高峰及午高峰、各日凌晨低谷及中午低谷的负荷水平分布情况，推导得到用户各时段的可调整负荷值，并结合各行业的潜力系数，得到最终的早高峰削峰及午高峰削峰、凌晨低谷填谷及中午低谷填谷的响应潜力。行业潜力系数则通过综合分析历史参与需求侧响应的用户行业特征及响应情况得到。具体分析步骤如下。

1) 获取用户近3 个月96 点的日负荷数据，计算96 点各点近3 个月日均负荷数据，同时剔除节假日数据、小于等于零的数值及异常大的数值。

2) 基于用户近3 个月96 点日均负荷数据，取65 %的负荷值(从低到高)作为峰电量的基准值。

3) 将用户负荷特征曲线各点值与峰电量基准值相减，大于零的时段初步定义为用电高峰时段。

4) 将大于零的时点从小到大排序，按时点的连续性进行归类，中间连续无时点间断的归为1 类，依次归纳到N类，定义为M1，M2，……，Mn并分别计算M1，M2，……，Mn对应的连续点数Q1，Q2，……，Qn；间隔时点数D1，D2，……，Dn-1。

5) 将M1，M2，……，Mn进行高峰时段粘连，如果Di＜4 (24 个点Di＜1)，且Qi＞Di，Qi+1＞Qi，Mi与Mi+1粘连，其他情况下则终止粘连，粘连后的连续时段为最后粘连的时点距最初粘连的时点，依次归类为m类，定义为m1，m2，……，mm。

6) 判断mi对应的时点数，如果mi≥4 (若负荷数据为24 点，则阈值为大于等于1)，则判断为峰时段，从时段大小分别定义为f1，f2，……，fn。

7) 当非峰时段的日均负荷与峰时段的日均负荷大于等于0.8 时，定义为无峰。

8) 计算各峰时段的平均负荷值。

式中：di为各锋时段里各点对应的负荷值，n为峰时段里的负荷点数。

2.1.1.1 削峰响应潜力

1) 早高峰响应潜力。

3) 削峰响应潜力。

4) 削峰响应潜力等级制定。针对削峰响应潜力大于零的用户，制定削峰响应潜力等级，如表1所示。

表1 削峰响应潜力等级

2.1.1.2 填谷响应潜力

1) 折算前凌晨低谷响应潜力。

2) 折算前中午低谷响应潜力。

3) 折算前填谷响应潜力。

4) 填谷响应潜力折算系数。

5) 填谷响应潜力基准负荷。

6) 计算最终的凌晨低谷响应潜力、中午低谷响应潜力、填谷响应潜力。

a) 计算凌晨低谷响应潜力。

b) 计算中午低谷响应潜力。

c) 计算填谷响应潜力。

7) 填谷响应潜力等级制定。针对填谷响应潜力大于零的用户，制定填谷响应潜力等级，如表2所示。

表2 填谷响应潜力等级

2.1.2 柔性可调节负荷潜力

基于不同日期类型下用户开空调和不开空调时负荷变化，通过分析用户空调负荷可调节程度和可调节负荷值，综合得到用户空调负荷可调节潜力，并按照表3 进行分类，具体应用步骤分析如下。

表3 空调负荷可调节潜力等级

1) 基于“工作日期类型”“空调状态”“季节”三个字段信息将数据划分成冬季节假日开空调，夏季节假日开空调、节假日不开空调，冬季工作日开空调，夏季工作日开空调、工作日不开空调六大类；剔除各日期类型中的异常负荷曲线以及日均负荷前5 %及后5 %的日期。

2) 选取节假日(工作日)冬天开空调日期类型中各点处于前5 %的点值，作为冬天节假日(工作日)开空调日期类型的可调节负荷上限；同理可得出夏天节假日(工作日)开空调日期类型的可调节负荷上限；同时取开空调日期类型的平均值负荷曲线。

3) 选取节假日(工作日)冬天不开空调日期类型的平均值负荷曲线，作为冬天节假日(工作日)开空调日期类型的可调节负荷下限；同理可得出夏天节假日(工作日)开空调日期类型的可调节负荷下限。

4) 基于用户的负荷特征分析，得出用户四种日期类型(冬季节假日开空调、夏季节假日开空调、冬季工作日开空调、夏季工作日开空调)全日及一日及24 个时点各时点的柔性负荷特征值。

5) 可调节负荷值得分(S2矩阵)计算如下。

式中：S＇为数据标准化后的可调节负荷，分别代表所有用户某日期类型下序列中的15 %、55 %、75 %、100 %分位点对应的值。

6) 可调节程度得分(S1矩阵)计算如下。

式中：P＇为数据标准化后的理论可调节程度，分别代表所有用户某日期类型下P＇序列中的15 %、55 %、75 %、100 %分位点对应的值。

7) 可调节潜力得分。

2.2 客户生产经验特征分析模型

2.2.1 生产班次特征

通过用户近3 个月96 点负荷数据，采用K-Means 算法[14-16]、动态时间规整聚类[17-19](dynamic time warping，DTW)等大数据算法，对用户生产特征进行归类分析，得到用户全面的生产班次类型(单班、双班等)、集中生产时段、生产特征类型等生产班次特征画像(见表4)。具体分析步骤如下。

表4 生产班次特征标签

1) 开展数据清洗。基于聚类箱型图等方法挖掘突增突减等异常负荷数据，并基于均值插补法做数据清洗。

2) 用户生产特征类型研究。基于DTW 聚类算法，抽样部分用户，将各用户典型的96 点(24点)负荷曲线进行聚类，聚成n类，聚类效果通过Silhouette Coefficient、Calinski-Harabasz 等系数确定最近聚类类别，n最大值取16。用户生产特征类型研究流程具体如下。

① 基于分类结果进行生产特征分析，通过观测曲线特征，进行生产特征归纳，确定每个聚类类别的生产特征类型。

② 开展全用户分类，确定抽样用户每个聚类类别的中心点，基于全用户96 点(24 点)的平均负荷曲线，根据DTW 算法将每个用户归纳至中心点最近的类别，以此完成全用户的归纳。

③ 企业非全天生产的生产时段分析。

a) 根据用户清洗后的日均负荷曲线，统计用户96 个点负荷值中排名为40 %的负荷值(从低到高)作为负荷差异状态的阈值线。

b) 将用户96 点各时刻的负荷值与该阈值对比，若某一时刻的负荷值高于该阈值线，则标记为高，否则标记为低，计算如下。

其中，Li表示第 时刻的负荷，Lthreshold表示负荷阈值。

c) 判断用户的集中生产时段。将高负荷的时点从小到大排序，按时点的连续性进行时点归类，中间连续无时点间断的归为1 类，依次归纳为n类，定义为M1，M2，……，Mn，分别计算M1，M2，……，Mn对应的连续点数Q1，Q2，……，Qn以及间隔的时点数Q1，Q2，……，Qn-1。

将M1，M2，……，Mn进行集中时段粘连，如果Di＜4 ( 24 个点Di＜1)，且Qi＞Di，Qi+1＞Di，Mi与Mi+1粘连，其他情况下则终止粘连，粘连后的连续时段为最后粘连的时点据最初粘连的时点，依次归类为m类，并定义为m1，m2，……，mn。

判断mi对应的时点数，如果大于等于4 (若负荷数据为24 点，则阈值为大于等于1)，则判断为集中时段。

2.2.2 假日用电特征

通过用户近1 年日电量数据，形成用户周一到周日的日用电曲线、节日用电曲线，分别采用DTW 聚类等大数据算法，对用户周一至周日用电差异特征、节日用电特征进行归类分析，得到用户全面的节日开工情况、假日开工情况等节假日用电特征画像(见表5)，具体分析步骤如下。

表5 假日用电特征标签

1) 用户周一至周日用电曲线分类，基于DTW聚类算法抽样部分用户，将各用户周一至周日用电曲线进行聚类(聚成n类)，聚类效果通过Silhouette Coefficient、Calinski-Harabasz 等系数确定最近聚类类别，n最大值取16。

2) 基于分类结果进行周一至周日用电差异特征分析，通过观测曲线特征，进行周一至周日用电差异特征归纳，确定每个聚类类别的周一至周日用电差异特征类型。

3) 全用户分类方法，确定抽样用户每个聚类类别的中心点，基于全用户周一至周日用电曲线，根据DTW 算法将每个用户归纳至中心点最近的类别，以此完成全用户的归纳。

4) 基于近1 年用户日电量数据，分别统计假日日电量平均值、工作日日电量平均值。

5) 计算假日开工率。假日开工率=假日日电量平均值/工作日日电量平均值

式中：Pv为假日日电量平均值；Pw为工作日日电量平均值。

6) 设置假日开工率阈值，基于假日开工率判定企业在假日里开工的状态(全开工、半开工、不开工)。

2.2.3 节日用电特征

通过用户近1 年日电量数据，形成用户节日用电曲线，分别采用DTW 聚类等大数据算法，对用户节日用电曲线进行归类分析，得到用户全面的节日开工情况、节日用电差异特征等节日用电特征画像(见表6)，具体分析步骤如下。

表6 节日用电特征标签

1)—4) 可参照假日用电特征计算步骤。

5) 基于近1 年用户日电量数据，分别统计节日日电量平均值、工作日日电量平均值。

6) 计算节日开工率。节日开工率=节日日电量平均值/工作日日电量平均值。

7) 设置节日开工率阈值，基于节日开工率判定企业在节日开工的状态(全开工、半开工、不开工)。

3 客户需求响应资源精准识别

3.1 客户潜力需求响应潜力识别

基于需求响应运营支持平台，获取潜力用户信息，并按照不同供电单位、不同行业、不同响应等级(削峰响应潜力等级、填谷响应潜力等级)，输出潜力用户的响应潜力值、潜力排名、日用电量、负荷等信息。

3.1.1 削峰响应潜力

基于削峰潜力分析模型，明确用户削峰响应潜力用户的用户画像，包括峰类型、削峰响应潜力等级、削峰响应潜力、削峰响应潜力排名、早高峰、午高峰的削峰响应潜力等，如图1 所示。

图1 削峰响应潜力用户信息展示

3.1.2 填谷响应潜力

基于填谷潜力分析模型，明确填谷响应潜力用户的用户画像，包括峰类型、填谷响应潜力等级、填谷响应潜力、填谷响应潜力排名、早高峰、午高峰的填谷响应潜力等，如图2 所示。

图2 填谷响应用户信息展示

3.1.3 柔性负荷可调节潜力

基于柔性可调节负荷潜力分析模型，明确柔性负荷可调节潜力用户的用户画像，包括可调节负荷值、常态可调节负荷值、可调节潜力值、可调节潜力排名、可调节潜力等级等，如图3 所示。

图3 柔性负荷可调节潜力用户信息展示

3.2 客户生产经验特征识别

3.2.1 生产班次特征

基于企业生产班次特征分析模型，明确客户生产班次特征画像，包括生产班次类型、集中生产时段、生产特征等。

3.2.2 假日用电特征

基于假日用电特征分析模型，明确潜力用户假日开工情况、周一至周日用电差异特征、工作日日均电量、周末日均电量等。

3.2.3 节日用电特征

基于节日用电特征分析模型，明确潜力用户节日用电负荷特征，包括用户节日开工情况、节日用电差异特征、节日日均电量、工作日日均电量等。

4 结束语

为有效辅助需求响应工作的高效开展，国网浙江省电力有限公司充分发挥自身电力数据资源优势，在深入开展数据挖掘的基础上，提出了客户需求响应分析模型与特征分析模型构建方案，通过历史参与需求响应用户、高潜用户客户标签体系，精准筛选客户侧高潜力资源。通过平台应用验证，该方案可准确找出电网内削峰填谷潜力较高的用户，明确高潜力用户生产班次特征及节假日用电特征等，有效推进电网公司需求响应工作的开展。