面向园区能源互联网的多元负荷特性及其调控潜力研究现状与展望

任洪波， 陈 杰， 李琦芬， 吴 琼， 杨涌文， 赵鹏翔

（1.上海电力大学， 上海 200090； 2.国网综合能源服务集团有限公司， 北京 100052）

0 引言

能源互联网是当前全球能源发展的重要趋势，也是我国中长期能源发展的战略重点[1]。 在能源互联网建设过程中，具有量大集中、用户多样、用能多元等特点的工商业园区， 兼具用户资源、自然资源和空间资源，已成为当前国内外能源互联网建设和发展的主战场[2]。

从本质而言，园区能源互联网确立了以需求侧为导向的按需供能体系，因此对需求侧的深入剖析与研究是园区能源互联网实施和推进的前提与基础。 首先，针对园区能源互联网用户类型多样化、消费品种多元化、用能品质差异化、时空分布动态化等关键特征，须要对用户负荷进行多维度精准画像，从而支撑园区能源互联网的决策评估；其次，针对多元负荷的多维度影响因素，须要深入剖析其影响机制， 并进行多尺度负荷预测，从而指导园区能源互联网的规划设计与优化运行；最后，针对多元负荷的物理差异性、主体差异性、时序差异性等异质特性，须要充分挖掘用户间、能源间的互动调控潜力，从而提升园区能源互联网的综合运行效果。

自园区能源互联网相关理念提出以来，国内外学者已充分认识到需求侧负荷研究的重要性，并进行了大量的研究，取得了很大进展，提出了一些新理念、新思路和新方法[3]～[5]。 本文针对园区能源互联网需求侧研究的基本需求， 从多主体和多类型负荷的特性分析、协同预测、互补调控等方面，对国内外相关研究进行了梳理与归纳，确立了需求侧负荷研究的理论与方法体系。同时，结合当前能源互联网领域的新理念、新技术、新业态等创新思想， 提出了未来园区能源互联网负荷侧研究的可行思路。

1 数据驱动型用户负荷画像及其类型化研究

在能源领域，负荷是指用户取用冷、热、电等不同类型能源的瞬时功率， 具有时序相关性和动态特性。 不同类型用户通常具有个性化的负荷特性。 为此，负荷研究的起点和立足点是负荷画像，即从不同角度探究负荷所呈现的多样化、 个性化特征。用户负荷特征具有定性和定量两个方面：定性特征大多属于经验性特征， 只适用于宏观层面分析；定量特征是对负荷数据的精准画像，可以在微观层面指导整个能源系统的优化配置乃至运行调度，通常以一系列指标形式呈现。

1.1 多元负荷共性指标

所谓共性指标，是指冷、热、电等多元负荷均具有的单一负荷特性指标。根据指标设定的目的，大致可归纳为绝对值指标、 密度值指标和波动值指标3 大类（表1）[6]～[8]。

表1 多元负荷共性指标体系Table 1 Common index system of multiple load

负荷的绝对值指标是基于统计期内的单一负荷数据，在一定时域周期内所呈现出的绝对物理量值，对于确定园区供能系统规模具有一定指导意义。 例如：对于孤网型系统，必须按最大电负荷确定供电设备容量；对于并网型系统，一般按最大电负荷的20%～50%选择容量[9]。

密度值指标表征了负荷的密集程度，可用于判断园区能源互联网中分布式供能系统的适用性。 特别是单位面积负荷指标被广泛应用于国内外建筑能源相关设计手册和标准[9]，[10]。

波动值指标表征了一定期间内负荷的平准化程度，对于园区供能系统的稳定运行具有较强的指导意义。 文献[11]以冷负荷波动率最小为目标函数，提出了面向区域供冷系统的建筑群最佳混合比优化方法。

1.2 多元负荷耦合指标

园区能源互联网的一个典型特征是需求侧多元负荷共存，各单元负荷既独立存在，又通过一些耦合元件形成关联。把握多元负荷间的定量关系，不但有利于后续需求侧负荷预测及互动调控，对于供给侧多能联供系统的设计与运行也大有裨益。 为此，可以以差值、比值等形成确立多元负荷的耦合指标，如冷电差/冷电比、热电差/热电比、冷热差/冷热比等[12]。 特别是热电比、冷电比指标已被广泛应用于热（冷）电联供系统的经济技术可行 性 分 析 及 优 化 运 行[13]～[16]。

1.3 多元负荷的聚类分析

负荷聚类的目的：基于前述负荷特性指标，通过提取典型负荷曲线，减小负荷特征之间的信息冗余，降低后续分析的复杂度。 具体而言，基于前述共性指标（最大负荷、最小负荷、负荷率等）或耦合指标（电热比、电冷比、热冷比等），按照聚类算法（K-means 聚类、小波聚类、密度聚类、SOM 聚类等），将规范化的多元负荷数据在给定聚类数的前提下完成聚类[17]～[20]。 聚类结果的优劣通常与数据的规范化样式、算法的稳定性等因素有关。

在园区能源互联网中， 需求侧负荷基数多而复杂，聚类结果受提取过程中多种因素影响，须要在选取聚类方法时进行前期实验性工作， 以保证各环节匹配效果良好。同时，针对多元多因素耦合特性，还须要对传统聚类算法进行优化改进，以满足规模数据的快速提取需求。 文献[21]采用仿射传播聚类算法对广义负荷进行建模， 其聚类方法的适用效果明显，可应用于多元负荷的仿真计算。文献[22]提出了基于Spark 大数据平台和平衡迭代规约聚类方法的用户用能行为聚类分析算法。

1.4 多元负荷的相关性分析

影响园区能源互联网需求侧冷、热、电负荷的因素众多，大体可归纳为自身属性、运行属性、社会经济属性3 个方面。

自身属性主要是指相对稳定的终端用户物理和空间特性。对于建筑用户而言，一般包括建筑朝向、围护结构、窗墙比等。自身属性对建筑受热、传热、散热特性有较大影响，从而影响冷、热负荷规模。

运行属性主要是指工艺生产流程、 人员作息时间、气候气象条件等。前者会影响负荷的时序特性，后者是冷、热负荷的决定性因素。

社会经济属性是园区物理空间所处的文化、政策等软环境，如分时电价、调峰政策等。 社会经济属性对区域多元负荷的影响具有持久性、 广域性。

通过负荷相关性分析，可以确定影响负荷动态变化的关键因素，进而通过构建负荷及其影响因子间的定量关系模型，支撑动态负荷预测。 文献[23]针对建筑围护结构平均窗墙比、中庭屋顶天窗面积比等指标，探讨了传热系数与建筑能耗的相关性。 文献[24]提出了一种分析气温对负荷特性指标影响及其内在关联特征的数据挖掘方法。 Pearson 相关系数法一直被广泛应用于定量分析冷、热、电负荷的影响因素，但只局限于探讨变量间的线性关系。针对多维度影响因素对负荷的影响， 更重要的是处理相互间的非线性关系。作为新兴的相关性分析理论，Copula 理论能精确捕捉变量间非线性特性，在负荷分析领域已得到初步尝试[25]。

2 园区多元负荷预测理论与方法研究

负荷预测是园区能源互联网规划设计的前提与基础， 也是后续运行管理的主要依据。 总体而言，园区负荷预测在时间（短期、中期、长期）、空间（设备、用户、区域）和类型（冷、热、电、气）维度均呈现多样化特性。3 个维度、各个要素间既相互独立，又存在一定的交互影响，从而形成了多元能源负荷的多时空尺度预测体系。

负荷预测方法根据所采取的整体预测思路，大体可分为自上而下和自下而上两大类。 前者属于宏观类预测方法，是将整个区域看成一个整体，从宏观层面寻求能耗消费与经济、人口、自然环境等因素间的内在联系，并构建如产值单耗、负荷密度、弹性系数等相应指标关系；后者属于微观类预测方法， 其聚焦于各种因素对区域内每个单元的影响，着重探讨负荷的动态特性。

2.1 单元用户通用负荷预测方法

作为以需求为导向的精细化供用能体系，自下而上的负荷预测方法对园区能源互联网的规划设计和运行管理更为适用。 根据负荷预测的前提和采用手段的差异性， 自下而上的单元用户负荷预测方法又有机理推演型和数据驱动型两大类。

①机理推演型负荷预测是通过建立物理模型， 利用经典的热平衡机理， 考虑不同的气候条件、环境控制系统（供暖、空调）、不同的使用条件（人员流动、设备运行、门窗开闭）等状态，针对给定物理空间计算特定用户的逐时负荷。 该方法在建筑冷、热负荷预测中应用较为广泛。由于热平衡机理的复杂性， 为支撑上述负荷预测方法的工程应用，国内外已开发100 多种相关软件，主要包括美国的EnergyPlus/BLAST，加拿大的HOT2XP，英国的ESP-r， 日本的HASP/ACLD 以及中国的DeST/HKDLC 等[26]，[27]。 该 方 法 可 以 根 据 详 尽 的建筑和环境参数计算出较为详尽的负荷数据，但也存在因信息获取不完备而导致预测性能欠佳 的 风 险[28]，[29]。

②数据驱动型负荷预测是通过建立数学模型，利用历史数据进行分析和外推。数据驱动型预测方法早期主要以线性回归、多元回归为主，随着变量的增多、 维度的增加， 以ARIMA，SVM 和LSTM 为代表的、 具有深度学习功能的神经网络等智能预测方法得到广泛应用[30]，[31]。 上述方法早期在电负荷预测中应用较多， 近年来， 随着大数据、物联网技术的应用，在冷、热负荷预测中也逐渐得到推广[32]～[34]。 该方法预测精度高、维度广，具有良好的泛化能力和强大的非线性映射学习能力。

③机理-数据耦合型负荷预测是将上述两种方法结合，综合两者优点，构建基于数据驱动的神经网络算法模型， 并辅以机理推演型模拟计算，从而修正预测结果、提高预测精准度，两者相辅相成[35]。

一直以来，冷、热、电等多元负荷预测大多独立实施。进入21 世纪，国内外电负荷预测相关研究如火如荼， 随着人们对舒适度要求的提升，对冷热负荷预测的研究也逐步加强。 2010 年以来，在多能互补、综合能源和能源互联网等理念推动下，国内外学者开始涉足冷、热、电负荷的联合预测相关研究。 文献[36]应用多变量相空间重构和卡尔曼滤波方法预测冷、热、电负荷，达到了较高的精度； 但由于空间重构增加了变量间的维数，使多变量间参数调节难度加大， 延长了预测时间。 文献[34]采用NARX 非线性自回归模型预测某校园建筑的冷、热、电负荷，在95%置信限内，负荷预测较为准确，但输入变量较为复杂，且参数较多、耗时较长。 文献[4]采用深度结构多任务学习方法预测多元负荷，也存在预测耗时较长的弊病。

2.2 园区负荷一体化预测方法

从能源需求角度而言，园区是由多个功能、特性不一的单元用户构成的用户群。显然，园区整体负荷特性取决于区域内各单元用户的负荷特性，但又不是各单元用户负荷的简单叠加。 在园区能源系统概念提出之前， 对于园区负荷的计算大多采用自上而下的方法， 如价格弹性法、 负荷密度法、产值单耗法、负荷因子法等[37]～[40]。上世纪70 年代后， 为支撑区域供热供冷系统的规划设计，以“负荷原单位”为代表的基于逐时负荷叠加的负荷因子法被日本等发达国家广泛应用[41]。 该方法可有效避免不同类型用户间同时使用系数设定的主观性问题。近年来，随着区域能源理念在我国的推广应用，情景分析法被引入园区负荷预测中，通过与机理推演型方法和数据驱动型方法的有机结合，可有效地解决影响园区负荷的多重不确定性，确定园区冷、热、电动态负荷特性。 文献[42]在缺乏详细参数的条件下，通过设定若干可能情景，实现了园区负荷的一体化预测。 文献[43]提出了基于模拟软件的“典型模拟+修正”方法，实现了从单元用户负荷到园区整体负荷的预测转化。 文献[34]以园区冷、热、电负荷间的相关性确定输入变量，并以环境变量作为输入影响变量，耦合应用人工神经网络方法， 确立了园区动态负荷的合理预测值。

总而言之，园区负荷预测正由宏观粗放型、机理推动型向微观精细型和数据驱动型转变。 负荷影响因素由单一化转向多元化； 由静态预测转向动态预测；使园区负荷预测方法更具可变性，预测结果更为精准。

3 园区多元负荷互补互动调控潜力研究

在园区能源互联网框架下，冷、热、电等多类型负荷呈现多时空动态特性， 异质能源又具有迥异的物理特性。 例如，电能易于传输而难以储存，热能易于储存而不宜传输。 上述多维度差异性形成了多元负荷互补、调控的空间和潜力。 一方面，同类负荷大多具有显著的时序动态特性， 若能使得负荷曲线平准化， 则对于提升供给侧设备性能大有裨益； 另一方面， 异类负荷间存在更大的互补、互动可能性，根据不同类型能源的价格波动、供给侧性能提升等特性， 可以在需求侧进行负荷转化与调整。

3.1 同类负荷的时序调控潜力

同类负荷的时序调控可分为技术和市场两种手段。在市场层面，同类负荷的时序调控主要针对可平移、可转移的可控负荷（图1）。 常规方法是采用分时、尖峰、动态等价格模式的价格机制形成需求侧的主动响应，从而实现负荷的时序调控。在技术层面，储电、储热、储冷等储能装置的引入可以有效改变负荷的时序特性， 实现削峰填谷与错时平衡。 文献[44]充分考虑储能充放电所引起的负荷变化，构建了短期负荷预测模型。 文献[45]协同考虑可控负荷与储能调控对负荷的双重影响，建立了电负荷时序调度模型。

3.2 异类负荷的互动调控潜力

异类负荷间的互动调控，须要考虑多类型能源在价格、转化方式、需求特性上的异质特性以及能源转换设备（电转热、电转冷、热转电等）的运行特性，根据价值优先、效率优先的原则对多类型负荷进行合理排序，从而实现单一用能主体内部、多元用能主体之间多元负荷互动调控潜力的最大化（图2）。

图2 异类负荷互动调控方案Fig.2 Complementary regulation method of different-type loads

文献[46]通过在冷、热、电三联供（CCHP）系统中引入储热装置，增大了热电比调节空间，并能够根据园区动态负荷灵活调整热、电出力，提升系统整体运行经济性。 文献[47]通过引入储热和电加热装置实现了燃气轮机机组的热电解耦， 有效地提升系统灵活性。文献[48]考虑多类型能源在产能、用能和价格特性上的差异性，建立了基于多能互补的广义需求响应互动优化模型。

4 园区能源互联网负荷侧研究展望

4.1 负荷空间分布与品质特征分析

在园区能源互联网中， 各单元负荷除具有自身时序特性外，还具有相对稳定的空间定位。负荷的空间分布将会影响能源互联网网络拓扑结构及其网内电源、热源点的布局。 为此，有必要在负荷时序分析的基础上，借鉴地理信息系统（GIS）等技术， 构建多元负荷的时空地理模型。 这样， 通过GIS 平台供给层与需求层叠加分析， 可以判定特定单元区块能源的过余或不足， 为园区用户间能源融通与能源网络构建提供支撑。

任何一种冷、热、电能源形式，除了具有数量属性外，还具有质量属性。高能高用、低能低用、品位对口才是最佳的能源使用方式。因此，有必要深入挖掘园区内不同类型用户对能源需求的品位差异，以便通过合理布局能源网络，实现能源在全域范围内的综合梯级利用。 多类型用户的用能可靠性需求也存在一定的差异性， 通过把握可靠性差别， 可以为后续园区能源互联网规划设计与运行管理提供支撑， 确保在异常情景下实现对重要用户的可靠供能。

4.2 耦合行为动力学的负荷预测

对于非工业型园区能源互联网， 其能耗除与前述的自身因素、 运行因素、 社会经济因素相关外，人的行为也是其决定性因素。 任何能源需求，其最终目的均是为了满足人的工作、生活、娱乐等多方面需求。然而，人的行为往往具有高度不确定性，除外界因素外，还受到生理、心理等内在因素的影响。因此，为了满足园区能源互联网精确供能的需求，可以通过AI 技术和BI 技术在线采集、识别分析人的行为要素，并应用行为经济学、行为动力学理论对人的不确定性用能行为模型化， 构建以人为核心的智能化负荷预测方法。

4.3 需求侧多类型灵活性资源的协调优化

针对园区内存在的分布式电源、电动汽车、虚拟储能、柔性负荷等多类型灵活性资源，须要深入剖析其可调控潜力、响应速度等基本特性，设计合理的优化协调与调度策略， 通过需求侧的主动响应以维持供给侧高性能工作状态，从而提升园区整体能效。 由于单个用户的用能规模相对较小，在大型园区，可以考虑将具有类似用能特性的单个用户打捆形成负荷聚合商，作为一个独立主体参与需求侧响应，从而增强需求侧在整个能源互联网中的主体地位。 基于市场机制的制度设计是需求侧灵活性资源优化协调的核心所在。 良好的制度应该是多赢的， 既能保证资源提供方的利益，亦能提升资源受让方的效益，并最终实现全社会总福利提升。 制度的实现必须借助现代数字化、智能化技术（如物联网技术、5G 技术等），通过配置以BEMS，CEMS 为核心的层次型能源管理系统，有效推进园区能源互联网各环节对实时供能、用能行为的感知水平，并主动、快速、积极地响应与参与需求侧调控行为。

5 结论

作为“互联网+能源”理念在城市和区域层面的具体体现，园区能源互联网是能源互联网战略的突破口。 在园区能源互联网中，源、网、储、荷各环节自成一体、耦合互动，其中，负荷是问题的根本。 因此，深入探讨园区能源互联网需求侧多元负荷特性，充分挖掘其互补调控潜力至关重要。

本文立足于需求侧负荷研究的根本宗旨与基本流程，从多元负荷的共性和耦合指标，负荷聚类与相关性分析等方面，探讨了基于数据驱动的用户负荷画像及其类型化方法，分析了单元用户及园区整体负荷预测方法。 在此基础上，讨论了同类负荷及异类负荷的互补调控潜力，展望了未来园区能源互联网需求侧研究的主要关注点。目前，需求侧分析是园区能源互联网领域的新兴研究热点，本文可为后续的需求侧负荷研究提供参考。