面向负荷聚合商的工业用户短期调峰负荷预测方法研究

2023-03-30褚夏永耿庆庆

科学技术创新 2023年5期

褚夏永，石琳，耿庆庆

（1.西安工程大学电子信息学院，陕西西安；2.西安广林汇智能源科技有限公司，陕西西安）

引言

在“2030 碳达峰，2060 碳中和”战略背景下，中国新能源将迎来新一轮爆发式增长，截止2021 年底，中国风电累计装机3.3 亿KW，光伏发电累计装机3.1 亿KW，同比增长16.6%和20.9%，均居世界首位，但新能源发电具有间歇性、波动性等特点，新能源大发阶段的发电量必须能够被及时消纳[1]。现阶段中国的调峰手段还是以火电机组参与调峰为主，但新能源快速发展，调峰需求激增，火电机组参与调峰的手段已经遇到了发展瓶颈，机组的调节速率、稳定运行能力受到极大挑战[2]，急需改变现有的调峰消纳手段。为此，国内外研究者对负荷聚合商调峰策略以及用能企业负荷预测方法开展了大量研究。其中文献[3]站在电网侧角度构建了计及调峰主动性约束的风- 光- 水- 火- 储能联合系统的优化调度模型，有效促进新能源消纳，提升系统运行的经济性。

近年来，随着负荷侧调峰工作的推进，国内外研究者关注重点从电网侧逐渐扩展到用户侧，其中文献[4]站在负荷聚合商角度提出基于模型预测控制的端对端(peer-to-peer，P2P)市场交易策略，指导市场主体的电量投标。

工业用户负荷短期预测结果是负荷聚合商安排调峰任务的重要依据，文献[5]深入分析了负荷聚合商的需求响应机制，以改善优化模型；文献[6]将工业用户负荷分解为高低频模态分量，避免了高斯噪声对模态分解的影响，将各分量叠加重构得到预测结果。

目前国内外学者都是以电网侧和负荷聚合商为角度，缺乏从用户企业自身角度分析其参与调峰消纳收益分析，为此本文开展工业用户负荷特性分析和短期调峰消纳收益预测方法研究，协助用户企业上报调峰负荷曲线，增强用户企业参与负荷侧调峰的自驱力，从根本上提高用户侧参与调峰消纳的能力。

1 工业用户调峰收益预测方法

工业用户具有响应容量大、自动化水平高、生产流程稳定、电价敏感性高等特点，是负荷聚合商主要的调峰资源。为此，本文主要针对工业用户短期调峰收益预测方法进行研究，通过对工业用户的负荷预测得到其未参与调峰和参与调峰的负荷曲线和参与调峰时段的调峰容量，继而得到工业用户短期参与调峰所获得的调峰收益。

同时根据用户企业参与调峰消纳的电量，结合调峰差额补偿费用和新能源消纳补贴费用，计算出用户企业未来短期参与调峰消纳的收益情况。

2 数据分析与模型原理

基于GA-SVR 的工业用户负荷短期预测模型：

考虑到SVR 预测模型对解决非线性的小样本问题更具实用性，GA 遗传优化算法扩展性强，能够避免其陷入局部极小的状况，因数据存在非线性且样本量小的情况，所以本文采用GA 遗传优化算法对SVR 进行优化迭代，提高SVR 的预测精度，进而对工业用户的调峰收益进行预测。实现流程如下：

（1）选择径向对称且光滑性好处理简单的高斯径向基核函数，其公式如式（1）所示：

式中：K（x，xi）为高斯径向基核函数，x，xi为核函数中心，σ 为函数的宽度参数，控制函数的径向作用范围。

（2）采集企业实时负荷数据，建立样本集，通过引入松弛变量和惩罚参数得到优化问题，其公式如式（2）所示：

式中：W 为样本向量，ξi，ξi* 为松弛变量，C 为惩罚参数。

（3）通过以上公式进而求得它的对偶问题，最终得出决策函数，其公式如式（3）所示：

式中：Y为决策函数，αi、αi*为拉格朗日乘子。

（4）使用遗传算法对支持向量机回归进行优化改进，调整惩罚参数、损失函数、核函数系数进行优化，提高负荷预测的预测精度，其负荷预测流程见图1。

图1 负荷预测流程

3 算例分析

3.1 工业用户负荷数据分析

水泥行业具有负荷高、电价敏感性强、高负荷设备种类多等特点，是极具代表性的调峰企业。本文以西北地区两家水泥企业为研究对象，通过其用能情况分析推断企业调峰可行性与调峰收益情况。分别将A、B两家水泥企业4 月份参与和未参与调峰消纳新能源的单日各时段平均负荷数据进行统计如图2 所示，两家水泥企业申报基线与参与调峰消纳曲线在四月份中都呈现出明显的“双低谷”现象，将24 时汇总为两类：早上8 时和下午19 时呈现低负荷状态，原因是在此期间进行换班调整，凌晨12 时至早7 时处和上午10 时至下午17 时达到相对高负荷状态，凌晨12 时至早7 时出现高负荷生产的原因是凌晨正处于电价较低时刻，此时企业高负荷生产成本较低，上午10 时至下午15 时出现高负荷生产的原因是按要求参与电网侧调峰消纳新能源，企业在新能源消纳补贴条件下，高负荷生产成本同样较低。

图2 A、B 企业4 月份调峰消纳趋势图

3.2 工业用户负荷预测

为了促进水泥企业能够按要求积极参与调峰消纳新能源，减少水泥企业参与难度，本文选择运用BP 神经网络预测模型、SVR 回归预测模型、GA-SVR 预测模型三种预测模型对水泥企业进行负荷预测，进而对企业参与调峰消纳新能源收益进行预测。为验证三种模型的预测准确度，预测未来24 小时的负荷情况，本文依旧采用A、B 两家水泥企业4 月份未参与调峰的实时数据作为训练数据，其中训练集与测试集按照8:2 进行分割，三种预测模型进行对比分析见图3。

图3 模型预测精度对比

很明显图3 中GA-SVR 精度更高，稳定性更好。为了更直接的反映GA-SVR 预测模型的优越性，本文通过平均绝对百分比误差MAPE、平均绝对误差MAE、均方根误差RMSE、决定系数R2 这4 个参数作为衡量负荷预测模型精度的评价指标，见表1。

表1 GA-SVR 与BP、SVR 预测模型的性能比较

根据指标评价分析，BP 神经网络预测模型、SVR 预测模型与GA-SVR 预测模型的4 种指标差距较大，GA-SVR 预测模型的MAPE 为8.28%，意味着负荷预测的平均预测精度为91.72%，明显优于其他两种预测模型的81.61%和89.08%，且R2 为0.88 也明显比其他两种预测模型更靠近1，说明GA-SVR 预测模型的拟合性比其他两种预测模型更有优势。由此可见，GA-SVR 预测模型的负荷预测精度明显高于BP 神经网络预测模型和SVR 预测模型。

3.3 调峰收益预测分析

收益预测的训练数据选A、B 两家水泥企业近2 个月参与和未参与调峰消纳新能源的训练数据，对第二日两种不同工况下的负荷曲线进行预测，结果见图4。

图4 A、B 企业参与和未参与调峰消纳负荷曲线预测

在保证生产计划达标、企业正常生产的情况下，依据负荷聚合商向电网侧申报调峰消纳计划后进行调峰消纳分配，A、B 两家水泥企业首先根据生产计划在6:00-10:00 时段停运工序1、3、4 中的部分生产设备，降低负荷，而在10:00-16:00 参与调峰时段，在材料储存厂房、设备生产满足需求的前提下，全力开启停运的石灰石破碎机、破碎机、球磨机等高负荷设备，拉高负荷积极调峰消纳新能源。同时在18:00-23:00 日常用电高峰期拉低负荷，保证生产计划达标情况下，降低电网供电压力。

根据图4 所示的A、B 企业第二日参与和未参与调峰消纳负荷预测结果，A 企业未参与调峰消纳日总用电量为1 035 981kWh，参与调峰消纳日总用电量为1 067 387kWh，B 企业未参与调峰消纳前日总用电量为620 566kWh，参与调峰消纳后日总用电量为645 757kWh，在企业生产计划波动范围之内。其中A、B 企业在10:00-16:00 处参与调峰消纳新能源期间，分别消纳新能源发电量56 536kWh、35 600kWh，按照负荷聚合商参与调峰消纳新能源发电量给予平均0.3 元/kWh 补贴进行计算，即A、B水泥企业在10:00-16:00 参与调峰消纳期间的预测收益分别为：1.69 万元、1.06 万元，考虑企业参与调峰前后预测结果互有8.28%波动，A、B 两家企业收益范围分别在：1.41-1.97 万元、0.89-1.24 万元，见表2。