关键词： AI 需求侧响应 算法
电力需求侧响应，是指在用电高峰时段或系统安全可靠性存在风险时，电力用户针对价格信号或激励机制做出响应，自觉、自愿地调整其用电设备负荷以满足电力系统可靠性、动态优化平衡及系统性节能减排的市场参与行为。需求侧响应（Demand Response, DR）在市场调节的机理上，可以按照响应的机制，分两种控制与响应的机制：从电力价格信号上对用户电力需求直接响应机制的“定价-需求”机制，以及在额外补贴激励传导的“激励-需求”响应机制。在“定价”传导方面，我国已经实施的分时电价机制，国外的尖峰负荷电价、实时现货电价都能够成为向需求侧传导的信号。在市场机制激励措施方面，对可中断、可调负荷予以在特定时段、特定响应功率可以给与固定补贴。
在需求侧响应从行政管理手段转向市场化的趋势下，可以使得电力用户更加自觉主动参与，调控上也更为友好。但在市场化波动的情况下，需求侧精准控制也成为了电力用户需要自主把握的问题，这也直接影响他们的用电生产和需求侧响应收益。在国外市场条件较为成熟的地区，市场参与者已经开始通过数据分析和人工智能算法，参与到需求侧响应的工作中。
非侵入式用户负荷侦测管理
在需求侧响应中的第一步，就是对拥有负荷进行辨别并归类管理，才能有效了解电力用户终端用电负荷的主动响应能力和灵活调控能力。在用户侧设备精细化、信息化手段不足的情况下，实地常常只能拿到用户一级表的数据，对用电设备的具体使用情况就缺乏了解，从而对需求侧可响应负荷不能有准确的把握。在这样的前提下，非侵入式负荷监测成为对需求侧管理的有效手段之一，这也是结合我国电力工业实际，近年研究和实践的重点。
负荷辨识方法旨在解决多个居民用电负载同时接入用电回路时辨识准确率低的问题，从而为智能负荷控制器的接入“即插即用”式电器条件下的需求控制提供依据。多参量隐马尔可夫模型(MPHMM)的负荷辨识方法，采用负载特性参数电流、有功功率、无功功率，功率因素作为MPHMM的观测向量（观测状态序列），推测出不同负载在时段内的开关情况（隐藏状态）。在判断之前，模型的建立需要一个数据学习的过程，依靠历史观测状态数据和实际的开关情况，依靠前向后向算法，获得与MPHMM模型隐藏状态相匹配的观测序列的最大输出概率以及概率最大的最优的状态序列模型。根据该模型在武汉某高校需求管理系统的使用结果，对以阻性负载为主的用户，识别率在85%以上，为后续根据负荷情况选择性投切，提供了较好的依据。
多参量隐马尔可夫模型系统示意图
除了MPHMM算法外，近年来，小波检测分析算法、聚类检测算法也在负荷识别中有所应用。在所需训练数据量，计算速度，识别准确度上有所区别，在实践中应根据现场实际选择使用。
遗传算法助力多用户协调控制
对于代理电力用户的售电公司来说，为了能够满足获得需求侧响应补贴的条件，就必须对电力用户的负荷特性有更加深入的预测。Meng提出了一种结合博弈论和遗传算法的自学习策略，以更加优化制定响应策略。遗传算法在其中解决了需求响应在不同用电习惯的电力用户之间的协调控制和电量分配的问题，通过价格信号，初始设定各电力用户的响应，再通过响应特征的组合交叉（Cross-over）和变异(Mutation)，形成经济性（组合健康度，Fitness）更优的新用户响应集。不断迭代后从而达到对于代理售电公司的近似最优解。
从算法的效果来看，以2012年新英格兰州实时现货价格作为学习信号，对于一个代理100个家庭用户的售电公司，在240次的遗传迭代后，其售电收益增长了11.08%，效果较为显著。
AI学习避峰降费
位于加拿大安大略省滑铁卢的Empowered公司在帮助电力大用户错峰的控制上也充分利用了机器学习的算法，从而降低用户电费开支。因为安大略省在计算电力用户的需量电费时，依据每日滚动发布的若干系统峰值时刻（5 Coincident Peaks）统计用户最大负荷，并计算每一用户在系统峰值中的贡献率，以确定需量电费的收取。对于用户而言，提前确定自己的生产计划，避开系统发布的峰值检测时刻，是降低需量电费的有效方法。
在机器学习的算法中，除了考虑日常生产安排，节假日，极端天气等情况，气温波动、其他用户对负荷的响应等因素也成为算法的输入条件。这些因素有些还存在一定的关联性，算法根据敏感性和独立性，考虑输入条件的影响因素大小，对系统峰值和检测时刻加以预测。算法使用了最近三年的用户15分钟表计数据和外部影响因素数据，在经过清洗之后，将其分割为训练数据集和测试数据集，利用测试数据集来持续跟踪预测准确率，并迭代训练，改善模型。传统的需求侧响应方法，一般是根据固定电价对应的时刻，设置在不同用户负载水平下的调峰指令逻辑，在面对灵活的电价计算方法，尤其是与系统总负荷挂钩的计算方法时，往往无能为力，这也就成为机器学习算法大展身手的舞台。
通过以上的算法，Empowered公司代理大用户的需量电费平均下降了30%，因需避开系统检测时刻而临时发送的调峰指令下降了64%，在减低用户用电成本，优化生产流程排班方面发挥了显著的作用。
以上我们介绍了在需求侧管理中人工智能算法的研究与应用的一些成果。从负荷的识别到需求侧响应的竞价策略和控制策略，不同的算法模型均在实践中发挥了显著作用。不可否认的是，用户的需求和市场环境的不同，会产生对算法的差异化需求。在实践中没有算法高低级之分，更没有一招通行天下的秘籍，满足用户和市场需求的才是合适的算法。
参考文献：
Meng (2015),A GAME-THEORETIC AND MACHINE-LEARNING APPROACH TO DEMAND RESPONSEMANAGEMENT FORTHE SMART GRID
国家电网 (2017)，电力需求侧响应：动中求静
张丽等(2017) 一种基于多参量隐马尔可夫模型的负荷辨识方法
GordonFeller (2019)，AI And MachineLearning for Better Energy Demand Response
作者 | 庄弘
栏目负责人 | 容玮悦
投稿请联系 | [email protected]
◆ ◆ ◆ ◆ ◆
交能网咨询团队提供能源电力领域专业的
数据分析 | 行业咨询 | 中欧对接
交能网订阅号原创内容包括能源电力行业资讯焦点挖掘、新兴技术分析与市场动态研究等内容，转载需注明原作者及来源，请在后台留言或联系小编。
本文部分图片及内容提炼、摘取或翻译自其它参考来源，版权归原作者所有
閱讀更多 交能網 的文章
