計(jì)及尖峰電價(jià)機(jī)制的短期負(fù)荷預(yù)測(cè)研究

劉文 于強(qiáng) 龔文杰 張智晟

摘要：? 針對(duì)需求響應(yīng)的實(shí)施對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)帶來(lái)的新挑戰(zhàn)，本文構(gòu)建了計(jì)及尖峰電價(jià)需求響應(yīng)機(jī)制的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型。研究了基于尖峰電價(jià)的需求響應(yīng)機(jī)理，依據(jù)基于消費(fèi)者心理學(xué)的用戶(hù)響應(yīng)模型，對(duì)實(shí)施需求響應(yīng)后的負(fù)荷序列進(jìn)行模擬。同時(shí)，構(gòu)造了Elman神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型，由于Elman神經(jīng)網(wǎng)絡(luò)的承接層反饋使其具有較好的動(dòng)態(tài)存儲(chǔ)功能，使模型對(duì)非線(xiàn)性負(fù)荷序列具有良好的預(yù)測(cè)性能，并給出實(shí)際算例進(jìn)行仿真分析。仿真結(jié)果表明，采用計(jì)及尖峰電價(jià)需求響應(yīng)機(jī)制的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，能較準(zhǔn)確預(yù)測(cè)在需求響應(yīng)策略影響下負(fù)荷曲線(xiàn)的變化，最大相對(duì)誤差為4.34%，平均絕對(duì)誤差為2.14%;而未考慮需求響應(yīng)的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，預(yù)測(cè)精度明顯較低，其最大相對(duì)誤差為10.76%，平均絕對(duì)誤差為6.71%，說(shuō)明將需求響應(yīng)作為影響因素的預(yù)測(cè)模型可有效提高模型的預(yù)測(cè)精度。該研究為計(jì)及需求響應(yīng)的短期負(fù)荷預(yù)測(cè)提供了理論依據(jù)。

關(guān)鍵詞：? 需求響應(yīng); 尖峰電價(jià); Elman神經(jīng)網(wǎng)絡(luò); 短期負(fù)荷預(yù)測(cè); 電力系統(tǒng)

中圖分類(lèi)號(hào)： TM715 文獻(xiàn)標(biāo)識(shí)碼： A

需求響應(yīng)（demand response，DR）是指為了保證電力系統(tǒng)的可靠穩(wěn)定運(yùn)行，提高系統(tǒng)收益，電力用戶(hù)在供電方發(fā)出的直接補(bǔ)償通知或者調(diào)整電價(jià)信號(hào)作用下，改變其原有用電習(xí)慣的短期行為。近年來(lái)，隨著智能電網(wǎng)的出現(xiàn)和需求響應(yīng)的快速發(fā)展，電力用戶(hù)在需求響應(yīng)技術(shù)作用下，不再僅僅作為剛性負(fù)荷，而是具有一定的彈性。通過(guò)實(shí)施合理有效的需求響應(yīng)項(xiàng)目，將這些分散的彈性負(fù)荷整合，使其轉(zhuǎn)化成發(fā)電側(cè)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(cè)負(fù)荷峰谷差，優(yōu)化電力系統(tǒng)的能源配置。許多歐美國(guó)家對(duì)需求響應(yīng)的研究起步較早，技術(shù)較成熟，并且很多需求響應(yīng)項(xiàng)目試點(diǎn)已經(jīng)成功開(kāi)展。陸蘇青等人[1]介紹了美國(guó)所實(shí)施的需求響應(yīng)項(xiàng)目中運(yùn)用的相關(guān)技術(shù)及新興的運(yùn)作模式;R. Sharifi等人[2]利用消費(fèi)者理論和常數(shù)替代彈性（constant elasticity of substitution，CES）效用函數(shù)，將住宅消費(fèi)者的需求（根據(jù)他們的習(xí)慣和生活方式）合并到需求響應(yīng)行動(dòng)中，提出了基于分時(shí)電價(jià)的DR模型;李娜等人[3]采用歷史數(shù)據(jù)均值化的預(yù)處理方法，構(gòu)建了基于最小二乘支持向量機(jī)回歸技術(shù)的用戶(hù)峰谷分時(shí)電價(jià)需求響應(yīng)負(fù)荷預(yù)測(cè)模型，降低了除價(jià)格外的其它因素隨機(jī)波動(dòng)對(duì)用戶(hù)需求響應(yīng)行為的影響;孫宇軍等人[4]考慮了源、荷兩側(cè)資源的不確定性，將價(jià)格型和激勵(lì)型 DR 與多種資源在不同時(shí)間尺度上進(jìn)行優(yōu)化配置，構(gòu)建了日前日內(nèi)時(shí)間尺度的源荷互動(dòng)決策模型，增強(qiáng)了源荷互動(dòng)效果。實(shí)施需求響應(yīng)項(xiàng)目后，電力系統(tǒng)負(fù)荷曲線(xiàn)將會(huì)發(fā)生改變，如果繼續(xù)使用傳統(tǒng)方法對(duì)負(fù)荷曲線(xiàn)進(jìn)行預(yù)測(cè)，則無(wú)法準(zhǔn)確反映用電負(fù)荷在需求響應(yīng)信號(hào)作用下的變化，將無(wú)法獲得理想的預(yù)測(cè)精度?；诖?，本文構(gòu)建了考慮尖峰電價(jià)的需求響應(yīng)機(jī)制的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)與未考慮需求響應(yīng)的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行對(duì)比，驗(yàn)證了該模型的有效性與實(shí)用性。

1 基于尖峰電價(jià)的需求響應(yīng)機(jī)制

1.1 尖峰電價(jià)

按照參與需求響應(yīng)項(xiàng)目的用戶(hù)所接受的響應(yīng)信號(hào)的不同，可以將需求響應(yīng)劃分為兩種類(lèi)型，即基于電價(jià)的DR（pricebased DR）和基于激勵(lì)的DR（incentivebasedDR）?；陔妰r(jià)的DR主要分為分時(shí)電價(jià)（time of use，

TOU）、尖峰電價(jià)（critical peak pricing，CPP）和實(shí)時(shí)電價(jià)（realtime pricing，RTP）。目前，我國(guó)需求響應(yīng)試行項(xiàng)目采用分時(shí)電價(jià)，在一定程度上緩解了供電壓力，優(yōu)化了資源配置，但由于最近幾年我國(guó)高峰負(fù)荷逐年增加，電網(wǎng)的安全可靠運(yùn)行受到很大威脅。CPP是在TOU和RTP的基礎(chǔ)上發(fā)展起來(lái)的一種動(dòng)態(tài)電價(jià)機(jī)制，在需求響應(yīng)領(lǐng)域已被關(guān)注，它是在分時(shí)電價(jià)上疊加尖峰費(fèi)率而形成，CPP和TOU費(fèi)率體系間的關(guān)系如表1所示。

表1中，Pg、Pp、Pf、Pc分別表示低谷時(shí)段、平時(shí)段、高峰時(shí)段和尖峰時(shí)段電價(jià);r表示尖峰日到非尖峰日的電價(jià)折扣率。CPP相對(duì)于RTP，雖然其經(jīng)濟(jì)效率有所下降，但價(jià)格風(fēng)險(xiǎn)較低，這有利于引導(dǎo)參與者轉(zhuǎn)移或削減尖峰時(shí)段的用電負(fù)荷，經(jīng)濟(jì)效率相對(duì)TOU更高。綜合經(jīng)濟(jì)效率和價(jià)格風(fēng)險(xiǎn)2個(gè)方面，CPP取得了良好的折中。

1.2 用戶(hù)響應(yīng)模型

基于消費(fèi)者心理學(xué)的響應(yīng)模型在反映價(jià)格杠桿原理的同時(shí)，考慮價(jià)格影響消費(fèi)者響應(yīng)的飽和問(wèn)題，通過(guò)調(diào)整電價(jià)刺激消費(fèi)者改變其原有用電習(xí)慣，電價(jià)差需要在合理的范圍內(nèi)才能有效實(shí)現(xiàn)調(diào)峰填谷的作用。當(dāng)電價(jià)差過(guò)小時(shí)，電力用戶(hù)的負(fù)荷量基本沒(méi)有發(fā)生削減或轉(zhuǎn)移，即處于死區(qū);而當(dāng)電價(jià)差過(guò)大時(shí)，消費(fèi)者的轉(zhuǎn)移或削減負(fù)荷能力已達(dá)到上限，即處于飽和區(qū);當(dāng)電價(jià)差處于死區(qū)與飽和區(qū)之間時(shí)，電價(jià)差與負(fù)荷轉(zhuǎn)移率基本呈線(xiàn)性關(guān)系?；诩夥咫妰r(jià)的需求響應(yīng)機(jī)制中，6種電價(jià)差與負(fù)荷轉(zhuǎn)移率應(yīng)予以考慮，它們包括尖谷時(shí)段電價(jià)差與負(fù)荷轉(zhuǎn)移率、尖平時(shí)段電價(jià)差與負(fù)荷轉(zhuǎn)移率λcp、尖峰時(shí)段電價(jià)差與負(fù)荷轉(zhuǎn)移率λcf、峰平時(shí)段電價(jià)差與負(fù)荷轉(zhuǎn)移率λfp、

1.3 計(jì)及尖峰電價(jià)的需求響應(yīng)機(jī)制的負(fù)荷序列

在現(xiàn)行分時(shí)電價(jià)時(shí)段劃分的基礎(chǔ)上，對(duì)高峰時(shí)段進(jìn)行重新劃分，分成高峰和尖峰2個(gè)時(shí)段。計(jì)及尖峰電價(jià)需求響應(yīng)機(jī)制負(fù)荷曲線(xiàn)如圖2所示。首先選取超過(guò)當(dāng)月最高預(yù)測(cè)負(fù)荷值的95%的日期作為尖峰日，同時(shí)尖峰日的天數(shù)規(guī)定不多于5 d;再利用模糊隸屬度對(duì)確定為尖峰日的負(fù)荷預(yù)測(cè)數(shù)據(jù)進(jìn)行尖峰時(shí)段的劃分，最短尖峰時(shí)段為0.5 h。較高的尖峰費(fèi)率能夠激勵(lì)用戶(hù)轉(zhuǎn)移或者削減尖峰時(shí)段的負(fù)荷，并且在非尖峰日采取電價(jià)折扣的方式來(lái)激勵(lì)用戶(hù)參與CPP合同。選擇某地區(qū)電網(wǎng)2008年7月歷史負(fù)荷數(shù)據(jù)作為研究數(shù)據(jù)，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?；谙M(fèi)者心理學(xué)機(jī)理的需求響應(yīng)模型參數(shù)如表2所示。

2 計(jì)及尖峰電價(jià)需求響應(yīng)機(jī)制Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2.1 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)不同，Elman神經(jīng)網(wǎng)絡(luò)帶有承接層，它是隱含層輸出的反饋，被用作下一個(gè)時(shí)刻輸入層的輸入。在Elman神經(jīng)網(wǎng)絡(luò)中，由于反饋所具有的動(dòng)態(tài)存儲(chǔ)功能，使模型可以更好地對(duì)歷史數(shù)據(jù)進(jìn)行刻畫(huà)，因此特別適用于非線(xiàn)性負(fù)荷序列的預(yù)測(cè)。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，

2.2 計(jì)及尖峰電價(jià)需求響應(yīng)機(jī)制的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)造

在傳統(tǒng)的ElmanNN負(fù)荷預(yù)測(cè)模型中，模型輸入量一般包括歷史負(fù)荷數(shù)據(jù)、氣象類(lèi)型、溫度以及日類(lèi)型4類(lèi)元素。在實(shí)施尖峰電價(jià)后，參與需求響應(yīng)項(xiàng)目的用戶(hù)的日負(fù)荷曲線(xiàn)會(huì)發(fā)生變化，所以為了提高預(yù)測(cè)結(jié)果的精度，負(fù)荷預(yù)測(cè)模型應(yīng)做出一定的改進(jìn)。將1 d分為96個(gè)時(shí)段，每隔15 min取一個(gè)采樣點(diǎn)。由于相鄰日期的負(fù)荷數(shù)據(jù)之間的相關(guān)性較高，故確定模型的輸入量共35維，包括的預(yù)測(cè)時(shí)刻以及前2個(gè)時(shí)刻的DR值共9維;預(yù)測(cè)日前3 d以及預(yù)測(cè)日的日最高溫度、最低溫度、平均溫度和氣象類(lèi)型共16維;預(yù)測(cè)日的日類(lèi)型因素共1維。模型的輸出量為1維，即預(yù)測(cè)日預(yù)測(cè)時(shí)刻的負(fù)荷預(yù)測(cè)值。

3.2 算例結(jié)果分析

在預(yù)測(cè)仿真實(shí)驗(yàn)中，將計(jì)及尖峰電價(jià)需求響應(yīng)機(jī)制的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型（模型1）與未考慮需求響應(yīng)的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型（模型2）進(jìn)行對(duì)比分析，對(duì)某地區(qū)電網(wǎng)日96點(diǎn)負(fù)荷進(jìn)行預(yù)測(cè)。Elman神經(jīng)網(wǎng)絡(luò)的隱含層激勵(lì)函數(shù)采用tansig函數(shù)，輸出層激勵(lì)函數(shù)采用purelin函數(shù)，隱含層神經(jīng)元的數(shù)目取12。模型1和模型2的負(fù)荷預(yù)測(cè)結(jié)果如圖4和圖5所示。

由圖4和圖5可以看出，在17點(diǎn)到21點(diǎn)尖峰時(shí)段，由于采用了需求響應(yīng)策略，負(fù)荷曲線(xiàn)出現(xiàn)了明顯的凹陷，而在8點(diǎn)到12點(diǎn)的高峰時(shí)段，負(fù)荷削減量與尖峰時(shí)段相比較少?？紤]與不考慮需求響應(yīng)因素，兩種模型負(fù)荷預(yù)測(cè)結(jié)果誤差指標(biāo)對(duì)比如表3所示。由表3可以看出，采用計(jì)及尖峰電價(jià)的需求響應(yīng)機(jī)制的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，能夠較準(zhǔn)確預(yù)測(cè)到在需求響應(yīng)策略影響下負(fù)荷曲線(xiàn)的變化，最大相對(duì)誤差為4.34%，平均絕對(duì)誤差為2.14%;

而未考慮需求響應(yīng)的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，預(yù)測(cè)精度明顯較低，對(duì)負(fù)荷在需求響應(yīng)作用下產(chǎn)生的移峰填谷的趨勢(shì)不能準(zhǔn)確捕捉，其最大相對(duì)誤差為10.76%，平均絕對(duì)誤差為6.71%。由此可以看出，在短期負(fù)荷預(yù)測(cè)模型中，將需求響應(yīng)因素融入到模型中，可以有效提高預(yù)測(cè)精度。

4 結(jié)束語(yǔ)

本文構(gòu)建了計(jì)及尖峰電價(jià)的需求響應(yīng)機(jī)制的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型。依據(jù)基于消費(fèi)者心理學(xué)的響應(yīng)模型，對(duì)實(shí)施需求響應(yīng)后的負(fù)荷序列進(jìn)行了模擬，構(gòu)造了Elman神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型。經(jīng)實(shí)際算例仿真，證明了相比于傳統(tǒng)預(yù)測(cè)模型，將需求響應(yīng)作為影響因素的預(yù)測(cè)模型可有效提高模型的預(yù)測(cè)精度。該模型只考慮了實(shí)施需求響應(yīng)后產(chǎn)生的負(fù)荷轉(zhuǎn)移，并未考慮負(fù)荷削減，對(duì)模型的進(jìn)一步優(yōu)化將成為下一步的研究方向。

參考文獻(xiàn)：

[1] 陸蘇青， 唐楠， 王蓓蓓， 等. 美國(guó)需求響應(yīng)技術(shù)和思考（下）[J]. 電力需求側(cè)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(shù)據(jù)均值化及LSSVM算法的峰谷電價(jià)需求響應(yīng)模型[J]. 中國(guó)電力， 2016， 49（9）： 137141.

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

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

[6] 馬永武， 趙國(guó)生， 黃明山， 等. 峰谷分時(shí)電價(jià)下用戶(hù)需求響應(yīng)行為模型的研究[J]. 鄭州大學(xué)學(xué)報(bào)： 理學(xué)版， 2015， 47（4）： 119122.

[7] 劉榮， 方鴿飛. 改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的綜合氣象短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)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(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2016， 28（3）： 5964.

[9] 楊麗君， 李健強(qiáng)， 李學(xué)平， 等. 考慮需求響應(yīng)的含風(fēng)電電力系統(tǒng)日前經(jīng)濟(jì)調(diào)度[J]. 電工電能新技術(shù)， 2015， 34（11）： 2936.

[10] 王蓓蓓. 面向智能電網(wǎng)的用戶(hù)需求響應(yīng)特性和能力研究綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2014， 34（22）： 36543663.

[11] 張舒菡. 智能電網(wǎng)條件下的需求響應(yīng)關(guān)鍵技術(shù)[J]. 電子技術(shù)與軟件工程， 2017， 34（6）： 35763589.

[12] 蘇衛(wèi)華， 儲(chǔ)琳琳， 張亮， 等. 考慮需求側(cè)管理的負(fù)荷預(yù)測(cè)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(guó)電力需求響應(yīng)的措施與應(yīng)用方法[J]. 電力需求側(cè)管理， 2013， 15（1）： 14， 6.

[15] 朱晟， 蔣傳文， 侯志儉. 基于氣象負(fù)荷因子的Elman神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 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.