關鍵詞： AI 需求側響應 算法
電力需求側響應，是指在用電高峰時段或系統安全可靠性存在風險時，電力用戶針對價格信號或激勵機制做出響應，自覺、自願地調整其用電設備負荷以滿足電力系統可靠性、動態優化平衡及系統性節能減排的市場參與行為。需求側響應（Demand Response, DR）在市場調節的機理上，可以按照響應的機制，分兩種控制與響應的機制：從電力價格信號上對用戶電力需求直接響應機制的“定價-需求”機制，以及在額外補貼激勵傳導的“激勵-需求”響應機制。在“定價”傳導方面，我國已經實施的分時電價機制，國外的尖峰負荷電價、實時現貨電價都能夠成為向需求側傳導的信號。在市場機制激勵措施方面，對可中斷、可調負荷予以在特定時段、特定響應功率可以給與固定補貼。
在需求側響應從行政管理手段轉向市場化的趨勢下，可以使得電力用戶更加自覺主動參與，調控上也更為友好。但在市場化波動的情況下，需求側精準控制也成為了電力用戶需要自主把握的問題，這也直接影響他們的用電生產和需求側響應收益。在國外市場條件較為成熟的地區，市場參與者已經開始通過數據分析和人工智能算法，參與到需求側響應的工作中。
非侵入式用戶負荷偵測管理
在需求側響應中的第一步，就是對擁有負荷進行辨別並歸類管理，才能有效瞭解電力用戶終端用電負荷的主動響應能力和靈活調控能力。在用戶側設備精細化、信息化手段不足的情況下，實地常常只能拿到用戶一級表的數據，對用電設備的具體使用情況就缺乏瞭解，從而對需求側可響應負荷不能有準確的把握。在這樣的前提下，非侵入式負荷監測成為對需求側管理的有效手段之一，這也是結合我國電力工業實際，近年研究和實踐的重點。
負荷辨識方法旨在解決多個居民用電負載同時接入用電迴路時辨識準確率低的問題，從而為智能負荷控制器的接入“即插即用”式電器條件下的需求控制提供依據。多參量隱馬爾可夫模型(MPHMM)的負荷辨識方法，採用負載特性參數電流、有功功率、無功功率，功率因素作為MPHMM的觀測向量（觀測狀態序列），推測出不同負載在時段內的開關情況（隱藏狀態）。在判斷之前，模型的建立需要一個數據學習的過程，依靠歷史觀測狀態數據和實際的開關情況，依靠前向後向算法，獲得與MPHMM模型隱藏狀態相匹配的觀測序列的最大輸出概率以及概率最大的最優的狀態序列模型。根據該模型在武漢某高校需求管理系統的使用結果，對以阻性負載為主的用戶，識別率在85%以上，為後續根據負荷情況選擇性投切，提供了較好的依據。
多參量隱馬爾可夫模型系統示意圖
除了MPHMM算法外，近年來，小波檢測分析算法、聚類檢測算法也在負荷識別中有所應用。在所需訓練數據量，計算速度，識別準確度上有所區別，在實踐中應根據現場實際選擇使用。
遺傳算法助力多用戶協調控制
對於代理電力用戶的售電公司來說，為了能夠滿足獲得需求側響應補貼的條件，就必須對電力用戶的負荷特性有更加深入的預測。Meng提出了一種結合博弈論和遺傳算法的自學習策略，以更加優化制定響應策略。遺傳算法在其中解決了需求響應在不同用電習慣的電力用戶之間的協調控制和電量分配的問題，通過價格信號，初始設定各電力用戶的響應，再通過響應特徵的組合交叉（Cross-over）和變異(Mutation)，形成經濟性（組合健康度，Fitness）更優的新用戶響應集。不斷迭代後從而達到對於代理售電公司的近似最優解。
從算法的效果來看，以2012年新英格蘭州實時現貨價格作為學習信號，對於一個代理100個家庭用戶的售電公司，在240次的遺傳迭代後，其售電收益增長了11.08%，效果較為顯著。
AI學習避峰降費
位於加拿大安大略省滑鐵盧的Empowered公司在幫助電力大用戶錯峰的控制上也充分利用了機器學習的算法，從而降低用戶電費開支。因為安大略省在計算電力用戶的需量電費時，依據每日滾動發佈的若干系統峰值時刻（5 Coincident Peaks）統計用戶最大負荷，並計算每一用戶在系統峰值中的貢獻率，以確定需量電費的收取。對於用戶而言，提前確定自己的生產計劃，避開系統發佈的峰值檢測時刻，是降低需量電費的有效方法。
在機器學習的算法中，除了考慮日常生產安排，節假日，極端天氣等情況，氣溫波動、其他用戶對負荷的響應等因素也成為算法的輸入條件。這些因素有些還存在一定的關聯性，算法根據敏感性和獨立性，考慮輸入條件的影響因素大小，對系統峰值和檢測時刻加以預測。算法使用了最近三年的用戶15分鐘表計數據和外部影響因素數據，在經過清洗之後，將其分割為訓練數據集和測試數據集，利用測試數據集來持續跟蹤預測準確率，並迭代訓練，改善模型。傳統的需求側響應方法，一般是根據固定電價對應的時刻，設置在不同用戶負載水平下的調峰指令邏輯，在面對靈活的電價計算方法，尤其是與系統總負荷掛鉤的計算方法時，往往無能為力，這也就成為機器學習算法大展身手的舞臺。
通過以上的算法，Empowered公司代理大用戶的需量電費平均下降了30%，因需避開系統檢測時刻而臨時發送的調峰指令下降了64%，在減低用戶用電成本，優化生產流程排班方面發揮了顯著的作用。
以上我們介紹了在需求側管理中人工智能算法的研究與應用的一些成果。從負荷的識別到需求側響應的競價策略和控制策略，不同的算法模型均在實踐中發揮了顯著作用。不可否認的是，用戶的需求和市場環境的不同，會產生對算法的差異化需求。在實踐中沒有算法高低級之分，更沒有一招通行天下的秘籍，滿足用戶和市場需求的才是合適的算法。
參考文獻：
Meng (2015),A GAME-THEORETIC AND MACHINE-LEARNING APPROACH TO DEMAND RESPONSEMANAGEMENT FORTHE SMART GRID
國家電網 (2017)，電力需求側響應：動中求靜
張麗等(2017) 一種基於多參量隱馬爾可夫模型的負荷辨識方法
GordonFeller (2019)，AI And MachineLearning for Better Energy Demand Response
作者 | 莊弘
欄目負責人 | 容瑋悅
投稿請聯繫 | [email protected]
◆ ◆ ◆ ◆ ◆
交能網諮詢團隊提供能源電力領域專業的
數據分析 | 行業諮詢 | 中歐對接
交能網訂閱號原創內容包括能源電力行業資訊焦點挖掘、新興技術分析與市場動態研究等內容，轉載需註明原作者及來源，請在後臺留言或聯繫小編。
本文部分圖片及內容提煉、摘取或翻譯自其它參考來源，版權歸原作者所有
閱讀更多 交能網 的文章
