计及尖峰电价机制的短期负荷预测研究

刘文 于强 龚文杰 张智晟

摘要：  针对需求响应的实施对电力系统短期负荷预测带来的新挑战，本文构建了计及尖峰电价需求响应机制的电力系统短期负荷预测模型。研究了基于尖峰电价的需求响应机理，依据基于消费者心理学的用户响应模型，对实施需求响应后的负荷序列进行模拟。同时，构造了Elman神经网络短期负荷预测模型，由于Elman神经网络的承接层反馈使其具有较好的动态存储功能，使模型对非线性负荷序列具有良好的预测性能，并给出实际算例进行仿真分析。仿真结果表明，采用计及尖峰电价需求响应机制的Elman神经网络预测模型，能较准确预测在需求响应策略影响下负荷曲线的变化，最大相对误差为4.34%，平均绝对误差为2.14%;而未考虑需求响应的Elman神经网络预测模型，预测精度明显较低，其最大相对误差为10.76%，平均绝对误差为6.71%，说明将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该研究为计及需求响应的短期负荷预测提供了理论依据。

關键词：  需求响应; 尖峰电价; Elman神经网络; 短期负荷预测; 电力系统

中图分类号： TM715 文献标识码： A

需求响应（demand response，DR）是指为了保证电力系统的可靠稳定运行，提高系统收益，电力用户在供电方发出的直接补偿通知或者调整电价信号作用下，改变其原有用电习惯的短期行为。近年来，随着智能电网的出现和需求响应的快速发展，电力用户在需求响应技术作用下，不再仅仅作为刚性负荷，而是具有一定的弹性。通过实施合理有效的需求响应项目，将这些分散的弹性负荷整合，使其转化成发电侧资源，从而在一定程度上缓解电力供需的紧张状况，降低需求侧负荷峰谷差，优化电力系统的能源配置。许多欧美国家对需求响应的研究起步较早，技术较成熟，并且很多需求响应项目试点已经成功开展。陆苏青等人[1]介绍了美国所实施的需求响应项目中运用的相关技术及新兴的运作模式;R. Sharifi等人[2]利用消费者理论和常数替代弹性（constant elasticity of substitution，CES）效用函数，将住宅消费者的需求（根据他们的习惯和生活方式）合并到需求响应行动中，提出了基于分时电价的DR模型;李娜等人[3]采用历史数据均值化的预处理方法，构建了基于最小二乘支持向量机回归技术的用户峰谷分时电价需求响应负荷预测模型，降低了除价格外的其它因素随机波动对用户需求响应行为的影响;孙宇军等人[4]考虑了源、荷两侧资源的不确定性，将价格型和激励型 DR 与多种资源在不同时间尺度上进行优化配置，构建了日前日内时间尺度的源荷互动决策模型，增强了源荷互动效果。实施需求响应项目后，电力系统负荷曲线将会发生改变，如果继续使用传统方法对负荷曲线进行预测，则无法准确反映用电负荷在需求响应信号作用下的变化，将无法获得理想的预测精度。基于此，本文构建了考虑尖峰电价的需求响应机制的Elman神经网络预测模型，通过与未考虑需求响应的Elman神经网络预测模型进行对比，验证了该模型的有效性与实用性。

1 基于尖峰电价的需求响应机制

1.1 尖峰电价

按照参与需求响应项目的用户所接受的响应信号的不同，可以将需求响应划分为两种类型，即基于电价的DR（pricebased DR）和基于激励的DR（incentivebasedDR）。基于电价的DR主要分为分时电价（time of use，

TOU）、尖峰电价（critical peak pricing，CPP）和实时电价（realtime pricing，RTP）。目前，我国需求响应试行项目采用分时电价，在一定程度上缓解了供电压力，优化了资源配置，但由于最近几年我国高峰负荷逐年增加，电网的安全可靠运行受到很大威胁。CPP是在TOU和RTP的基础上发展起来的一种动态电价机制，在需求响应领域已被关注，它是在分时电价上叠加尖峰费率而形成，CPP和TOU费率体系间的关系如表1所示。

表1中，Pg、Pp、Pf、Pc分别表示低谷时段、平时段、高峰时段和尖峰时段电价;r表示尖峰日到非尖峰日的电价折扣率。CPP相对于RTP，虽然其经济效率有所下降，但价格风险较低，这有利于引导参与者转移或削减尖峰时段的用电负荷，经济效率相对TOU更高。综合经济效率和价格风险2个方面，CPP取得了良好的折中。

1.2 用户响应模型

基于消费者心理学的响应模型在反映价格杠杆原理的同时，考虑价格影响消费者响应的饱和问题，通过调整电价刺激消费者改变其原有用电习惯，电价差需要在合理的范围内才能有效实现调峰填谷的作用。当电价差过小时，电力用户的负荷量基本没有发生削减或转移，即处于死区;而当电价差过大时，消费者的转移或削减负荷能力已达到上限，即处于饱和区;当电价差处于死区与饱和区之间时，电价差与负荷转移率基本呈线性关系。基于尖峰电价的需求响应机制中，6种电价差与负荷转移率应予以考虑，它们包括尖谷时段电价差与负荷转移率、尖平时段电价差与负荷转移率λcp、尖峰时段电价差与负荷转移率λcf、峰平时段电价差与负荷转移率λfp、

1.3 计及尖峰电价的需求响应机制的负荷序列

在现行分时电价时段划分的基础上，对高峰时段进行重新划分，分成高峰和尖峰2个时段。计及尖峰电价需求响应机制负荷曲线如图2所示。首先选取超过当月最高预测负荷值的95%的日期作为尖峰日，同时尖峰日的天数规定不多于5 d;再利用模糊隶属度对确定为尖峰日的负荷预测数据进行尖峰时段的划分，最短尖峰时段为0.5 h。较高的尖峰费率能够激励用户转移或者削减尖峰时段的负荷，并且在非尖峰日采取电价折扣的方式来激励用户参与CPP合同。选择某地区电网2008年7月历史负荷数据作为研究数据，符合尖峰日条件的日期分别为该月的5日，9日，15日，20日以及28日。基于消费者心理学机理的需求响应模型参数如表2所示。

2 计及尖峰电价需求响应机制Elman神经网络预测模型

2.1 Elman神经网络

Elman神经网络主要由输入层、隐含层、承接层和输出层组成。与其它前馈神经网络不同，Elman神经网络带有承接层，它是隐含层输出的反馈，被用作下一个时刻输入层的输入。在Elman神经网络中，由于反馈所具有的动态存储功能，使模型可以更好地对历史数据进行刻画，因此特别适用于非线性负荷序列的预测。Elman神经网络结构如图3所示，

2.2 计及尖峰电价需求响应机制的Elman神经网络预测模型构造

在传统的ElmanNN负荷预测模型中，模型输入量一般包括历史负荷数据、气象类型、温度以及日类型4类元素。在实施尖峰电价后，参与需求响应项目的用户的日负荷曲线会发生变化，所以为了提高预测结果的精度，负荷预测模型应做出一定的改进。将1 d分为96个时段，每隔15 min取一个采样点。由于相邻日期的负荷数据之间的相关性较高，故确定模型的输入量共35维，包括的预测时刻以及前2个时刻的DR值共9维;预测日前3 d以及预测日的日最高温度、最低温度、平均温度和气象类型共16维;预测日的日类型因素共1维。模型的输出量为1维，即预测日预测时刻的负荷预测值。

3.2 算例结果分析

在预测仿真实验中，将计及尖峰电价需求响应机制的Elman神经网络预测模型（模型1）与未考虑需求响应的Elman神经网络预测模型（模型2）进行对比分析，对某地区电网日96点负荷进行预测。Elman神经网络的隐含层激励函数采用tansig函数，输出层激励函数采用purelin函数，隐含层神经元的数目取12。模型1和模型2的负荷预测结果如图4和图5所示。

由图4和图5可以看出，在17点到21点尖峰时段，由于采用了需求响应策略，负荷曲线出现了明显的凹陷，而在8点到12点的高峰时段，负荷削减量与尖峰时段相比较少。考虑与不考虑需求响应因素，两种模型负荷预测结果误差指标对比如表3所示。由表3可以看出，采用计及尖峰电价的需求响应机制的Elman神经网络预测模型，能够较准确预测到在需求响应策略影响下负荷曲线的变化，最大相对误差为4.34%，平均绝对误差为2.14%;

而未考虑需求响应的Elman神经网络预测模型，预测精度明显较低，对负荷在需求响应作用下产生的移峰填谷的趋势不能准确捕捉，其最大相对误差为10.76%，平均绝对误差为6.71%。由此可以看出，在短期负荷预测模型中，将需求响应因素融入到模型中，可以有效提高预测精度。

4 结束语

本文构建了计及尖峰电价的需求响应机制的电力系统短期负荷预测模型。依据基于消费者心理学的响应模型，对实施需求响应后的负荷序列进行了模拟，构造了Elman神经网络短期负荷预测模型。经实际算例仿真，证明了相比于传统预测模型，将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该模型只考虑了实施需求响应后产生的负荷转移，并未考虑负荷削减，对模型的进一步优化将成为下一步的研究方向。

参考文献：

[1] 陆苏青， 唐楠， 王蓓蓓， 等. 美国需求响应技术和思考（下）[J]. 电力需求侧管理， 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， 张文月， 王玉玮， 等. 基于数据均值化及LSSVM算法的峰谷电价需求响应模型[J]. 中国电力， 2016， 49（9）： 137141.

[4] 孙宇军， 王岩， 王蓓蓓， 等. 考虑需求响应不确定性的多时间尺度源荷互动决策方法[J]. 电力系统自动化， 2018， 42（2）： 106113.

[5] 梁甜甜， 王磊， 高赐威. 基于用户响应的尖峰电价模型研究[J]. 华东电力， 2013， 41（1）： 4246.

[6] 马永武， 赵国生， 黄明山， 等. 峰谷分时电价下用户需求响应行为模型的研究[J]. 郑州大学学报： 理学版， 2015， 47（4）： 119122.

[7] 刘荣， 方鸽飞. 改進Elman神经网络的综合气象短期负荷预测[J]. 电力系统保护与控制， 2012， 40（22）：  113117.

[8] 陈艳平， 毛弋， 陈萍， 等. 基于EEMD样本熵和Elman神经网络的短期电力负荷预测[J]. 电力系统及其自动化学报， 2016， 28（3）： 5964.

[9] 杨丽君， 李健强， 李学平， 等. 考虑需求响应的含风电电力系统日前经济调度[J]. 电工电能新技术， 2015， 34（11）： 2936.

[10] 王蓓蓓. 面向智能电网的用户需求响应特性和能力研究综述[J]. 中国电机工程学报， 2014， 34（22）： 36543663.

[11] 张舒菡. 智能电网条件下的需求响应关键技术[J]. 电子技术与软件工程， 2017， 34（6）： 35763589.

[12] 苏卫华， 储琳琳， 张亮， 等. 考虑需求侧管理的负荷预测方法研究[J]. 华东电力， 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， 陈曦寒， 陈江华， 等. 我国电力需求响应的措施与应用方法[J]. 电力需求侧管理， 2013， 15（1）： 14， 6.

[15] 朱晟， 蒋传文， 侯志俭. 基于气象负荷因子的Elman神经网络短期负荷预测[J]. 电力系统及其自动化学报， 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.