基于用户分类的综合能源系统低碳运行策略
2024-01-15张春雁窦真兰白冰青王玲玲蒋传文
张春雁, 窦真兰, 白冰青, 王玲玲, 蒋传文, 熊 展
(1.国网上海综合能源服务有限公司,上海200023; 2.上海交通大学 电力传输与功率变换控制教育部重点实验室,上海 200240)
随着碳达峰、碳中和目标的提出,作为碳排放主要来源之一的电力行业正积极响应“双碳”目标,主动降低碳排放水平[1-2].综合能源系统(Integrated Energy System,IES)是实现“双碳”目标的重要支撑,可以提高能源利用效率,促进可再生能源消纳,从而降低用户用能过程中的碳排放水平[3-4].而用户作为IES中的重要组成部分,其建模方式和行为规律是影响IES运行的重要方面[5].在此背景下,从用户行为分析出发,研究IES低碳运行策略具有现实意义.
目前IES中对用户行为的研究主要集中于需求侧响应(Demand Response,DR)的建模上[6].传统的DR包括价格型和激励型两种响应形式[7-8].IES具有多能耦合的特点,可以进一步进行综合需求侧响应(Integrated DR,IDR),同步调节系统内的多元能源应对负荷调节需求.文献[9]中将电负荷分为纯电负荷和电制热负荷来实现热电负荷的联合调度,但能源转换形式比较单一;文献[10]中基于综合需求响应和主从博弈构建IES调度模型,论证了博弈均衡解的存在,验证了IDR机制的价值;文献[11]中在IES的IDR建模中考虑了热网气网的管网动态特性,动态模型相比稳态模型反映工况更加准确;文献[12]中在IDR的基础上考虑了多主体间的博弈关系,通过联盟博弈实现用户间的制约平衡;文献[13]中基于演化博弈分析用户DR的行为,讨论用户用能行为可能造成的影响.上述文献均利用DR体现用户用能可采取的行为,但对用户行为这一概念没有明确定义,用户在IES中处于被动接受的定位.文献[14-15]中提出用户行为的建模,但和传统DR的模式表述一致,尚未对用户行为进行分类分析.因此需要系统性地提出IES中用户行为的分析建模方法,作为IES用户研究的理论依据.
目前对IES低碳运行方面的研究,主要考虑碳交易机制和系统的碳排放水平.文献[16-17]中在模型的目标函数中考虑CO2排放量,提出了含热电联产(Combined Heat and Power,CHP)机组的低碳经济调度方案.文献[18]中在综合能源的调度模型中考虑碳排放目标约束,有效降低了碳排放水平.文献[19]中在电能量和旋转备用市场的背景下,将阶梯式碳交易引入模型,分析电-热IES的低碳优化运行方案.文献[20]中考虑高比例新能源,进行多能源园区低碳经济调度,提高能源利用率和调度灵活性.文献[21]中运用生命周期分析折算IES的碳排放,利用碳市场交易机制促使IES主动降低碳排放水平.尽管上述研究中对碳排放的计量和低碳运行策略进行了一系列研究,但没有考虑用户行为在IES低碳运行中可能发挥的作用.在碳达峰、碳中和背景下,有必要深入研究考虑用户行为的IES低碳运行策略.
基于以上分析,提出IES的用户行为建模方法,从主体、环境、手段、结果、客体5个维度构建IES用户行为的数据特征,输入卷积神经网络(Convolutional Neural Network,CNN) 后实现用户类型分类.分析IES参与碳交易和其他能源市场的机制,建立考虑碳交易和用户分类IES决策模型,通过多次迭代模拟IES的交易过程.在算例中分析不同方案下IES收益的变化,验证基于用户分类运行策略的有效性.
1 IES用户分类
1.1 用户行为模型
用户行为模型主要用于分析用户的用电活动规律和意愿,是电力系统的重要研究方向.IES中用户的能源需求包括电、热、气等多种形式,能源间存在转化关系,用户行为模型更为复杂.同时,IES代表用户参与碳市场时需要考虑用户满意度.因此,需要对用户行为进行建模分析,如图1所示.
图1 IES用户行为模型
在社会学领域中,可以将人的行为分为主体、环境、手段、结果、客体5个部分[22].在IES中,同样可以采用该方法分析能源用户.行为主体指能源用户自身,包含其个人信息;行为环境指IES中的价格、气象、网络通畅情况等;行为手段指用户在能源系统运行过程中对自身用能的调整;行为结果指最终的能源需求和供给情况;行为客体指用能行为执行过程中受到操作的部分.
(1) 行为主体建模.IES的用户主体可以使用一系列的用户属性表示,包括年龄、家庭成员、用能习惯等信息,分别将其编码化计入数据库,如下式所示:
(1)
式中:B为主体矩阵;Bi为第i种用户属性,每种属性有ni种情况,用(0,1,…,ni)中的整数表示,其中0代表该属性未知.
(2) 行为环境建模.对IES用户所处的环境建模,用户行为环境包括外部和内部环境,其中外部环境指用户的用能价格、能源供应方式等;内部环境包括用户自身具有的能源设备、经济水平、基础负荷曲线.行为环境问题是系统运行的初始化条件,可以认为短时间内不会发生突变,环境矩阵表示为
(2)
式中:Ein为内部环境,其中ein,i为对应变量的取值;Eout为外部环境,其中eout,i为对应变量的取值.
(3) 行为手段建模.用户手段包含改变自身设备出力,通过改变储能、分布式能源的工作状态,修改自身的负荷需求,在系统能源价格变化时进行需求响应.手段矩阵表示为
(3)
(4) 行为结果建模.行为结果包含用户的用能成本和用能体验.对用户而言,决定自身用能方案和完成用能体验不同步.一般而言,用户先完成用能决策,用能完成后获得全部体验,从而得到满意度.结果矩阵表示为
(4)
(5) 行为客体建模.包括用户负荷和设备的数学建模,负荷模型包括用户自调节负荷和系统调节负荷模型;设备模型包括用户自身具有的分布式光伏储能等设备.
1.2 基于CNN的用户类型分类
不同类型的用户对用能感知不同,需要对用户进行分类从而设计合适的能源套餐.考虑用户信息种类繁多,常规聚类方法难以发挥全部信息的作用,因此基于CNN进行用户分类从而区分用户的交易意愿和风险偏好.
1.2.1神经网络建模 CNN设计的参数如表1所示,其中“空白”表示无该数据.输入信息包括IES用户信息,即用户行为模型中主体矩阵、环境矩阵和手段矩阵,其中涉及个人信息的方面主要通过问卷获取.输出信息为不同用户类型的概率.
表1 CNN参数
输入信息需要对原始数据进行处理,包括数据清洗和编码化.数据来自爱尔兰电力智能计量技术试验[22],以问卷形式的信息为主,包含用户的性别、家庭、收入等基础信息,家用设备的种类和数量等设备信息,用能态度和用能习惯等生活信息.问卷信息中存在问题未回答的现象,将这一类缺失数据统一设定为-1,其他已回答的问题,根据答案编号进行编码,主要分为以下5种情况:①对于“是”和“否”类型等二元答案分别按照2和1编码,拒绝回答按照0编码;②对于存在多个选项的答案分别按照1-n′编码,拒绝回答按照0编码;③对于数量类的答案按照实际数量编码,拒绝回答按照0编码;④对于态度类型的答案按照强烈同意、一般同意、中立、一般反对、强烈反对从1~5编码,拒绝回答按照0编码;⑤对于文字类回答不进行编码,不输入神经网络.
1.2.2用户特征区分 传统DR形式从综合能源商的需求角度分为价格型和激励型,通过不同响应形式实现综合能源商对用户的影响.从用户行为角度出发,将用户分为保守型和激进型,用户特征如下.
(1) 保守型用户(A).保守型用户行为主体参与市场意愿低,对电价敏感度不高,调节自身负荷意愿低,为其提供的套餐峰谷价差小,每一时段的价格波动也更低,受环境影响负荷变化小.
(5)
行为结果包括保守型用户的用能成本和满意度:
(6)
(7)
(2) 激进型用户(C).激进型用户参与市场意愿比较强烈,部分用户配置了分布式发电设备,以分布式光伏为主,配合少量储能.该类行为主体在市场中交易行为较多,对价格敏感度高,调节自身负荷的意愿高,为其提供的套餐峰谷价差大,每一时段的价格波动也更大.
(8)
行为结果包括激进型用户的用能成本和满意度:
(9)
(10)
2 IES建模
2.1 IES结构
IES结构如图2所示.运营商从外部购入电力和天然气,参与碳市场交易,对内和用户签订供能协议,为用户提供多种能源.在IES中,外网的电、气经过传输端口进入系统,共同构成输入能源集合.系统通过风力发电、光伏提供清洁电能,通过CHP机组热电联供,通过燃气锅炉和电锅炉产热.
图2 IES结构
随着“双碳”目标的逐步推进,IES在未来会参与碳市场交易.参考目前碳市场交易规则[23],根据IES因自身的电热负荷水平获得一定的初始碳配额,外购电和系统燃气机组运行中产生的碳排放会消耗碳额度,额度不足时需向碳市场购买,额度充足时剩余额度可以参与碳市场交易获得收益.
2.2 IES运营商运行模型
2.2.1目标函数 IES运营商优化目标为经济效益最高,目标函数f包括系统供能成本C1,弃光成本C2和参与碳市场的碳交易成本C3,R为售能收益,表示为
(11)
2.2.2约束条件
(1) 电力约束,包括电功率平衡约束和机组出力约束:
(12)
(2) 热力约束,包括热功率平衡约束和机组产热约束:
(13)
(3) 用户相关约束:
(14)
2.3 IES运营商的交易策略
2.3.1用户套餐制订 运营商依据用户分类结果为不同的IES用户设计供能套餐.不同套餐的供热价格相同,保证用户基础热需求,并允许实际供热量10%以内的波动.供电套餐如表2所示,其中23:00—8:00为谷时,17:00—20:00为峰时,剩余时段为平时.针对保守型用户,考虑其用能情况不受价格波动影响,为其提供峰谷价差小的能源套餐;针对激进型用户,考虑其在应对价格波动时积极响应,会主动调节用量,为其提供峰谷价差大的能源套餐.考虑IES中存在新接入的用户或拒绝提供个人信息的用户,无法进行用户分类,因此为其提供介于保守和激进之间的过渡型套餐.套餐中每时段的价格存在波动,用户负荷会相应变化.
表2 能源套餐
2.3.2交易流程 IES交易流程如图3所示,运营商通过问卷和智能仪表收集用户信息,输入神经网络初步判断用户类型,为用户提供能源套餐推荐;待用户选择后,综合能源运营商根据套餐执行供能方案.同时考虑基于CNN的用户分类方法存在误差,运营商在系统的实际运行中可根据运行结果修订用户信息和分类,修改能源套餐推荐,提高用户和综合能源运营商的收益.
图3 交易流程
每日的运行中首先输入原始日负荷数据,根据用户套餐的价格区间选择用能单价,考虑用户的负荷需求变化和机组约束计算收益,多次修订价格后选择收益最高的方法运行.
2.3.3迭代求解 IES的交易分为两个迭代过程.一种是在每日运行中的迭代,需要多次计算用能单价,并更新价格变化对负荷水平的影响,确定日运行方案;另一种一般以月度为单位更换用户信息,为用户提供新的用能套餐,确定价格区间.
3 算例分析
3.1 算例基本参数设置
为验证考虑用户分类的IES低碳运行方法的有效性,设计如下算例:用户数据采用文献[24]中提供的问卷信息和负荷曲线,分为保守型和激进型两种,如图4所示.部分激进型用户设有分布式光伏和储能,光伏自发自用,余量不上网,用户储能容量为系统储能的1/10.IES设备参数参考文献[25],并根据用户负荷水平修改设备配置,得到本文电热气IES的相关参数,如表3所示.
表3 系统参数
图4 用户初始负荷 (P)
3.2 用户分类精度分析
IES的用户分类基于1.2节中设计的CNN进行.数据来自爱尔兰电力智能计量技术试验,共 4 232 组实验前问卷和 3 423 组实验后问卷.数据处理后统计实验前后一致且有效回答的用户共 2 446 户.根据用户在实验后用电量的变化情况,将其分为保守型和激进型用户.选用其中 2 000 组作为训练集,446组作为测试集,迭代200次进行训练.
由图中可以看出,用户分类的精度可达到0.825.神经网络在迭代100次前处于0.600~0.700的精度,观察数据集后发现,此时输出的用户分类结果均为同一用户,因此该精度没有意义.迭代150次后神经网络基本收敛,此时可以实现大部分用户分类.
如果不使用CNN的方法进行分类,交由用户自身判断,通过对比用户在实验前后的问卷信息,选择在实验前后用户判断自身用电变化的一栏,则用户判断成功率为 0.523 6.通过分析数据集可以发现,多数用户在实验开始前认为自己是激进型用户,可以根据电价调整自身用电量,但实验后激进型用户的比例并没有预期高,因此交由用户自身判断适合的套餐精度具有局限性,而使用本文方法能够提升系统用户分类的精度,服务系统运行.
3.3 用户分类的影响分析
方案1系统运营初期,用户信息不充分,用户偏好不确定,用户全部选择过渡型.
方案2用户分类错误,用户偏好不符合能源套餐.
方案3用户分类正确,用户偏好符合能源套餐.
其中,保守型、过渡型、激进型用户分别简称为A、B、C类用户.
3.3.1经济性分析
(1) 成本收益分析.IES在3种模式下的成本收益如表4所示.运营商在方案1中所获收益最高,这是因为此时用户对自身信息不完全了解,用户选择过渡型套餐后,系统运营商可以借助用户的认知缺陷获得超额收益,导致用户的能源成本较高.方案2中用户所选套餐同自身偏好相反,导致用户用能成本急剧上升,用户付出了更多成本,IES运营商的收益没有上升,是一种双输的局面,说明用户正确分类对运营商和用户都十分重要.方案3中,用户的用能成本最低,说明在正确进行用户分类后,通过让用户选择正确的套餐可以有效降低用户用能,提高用能体验.而对于运营商而言,方案3所获收益相比用户分类错误的方案2更高,说明正确的分类对运营商和用户都有益处.同时方案3相比过渡态的方案1收益下降了2%,下降程度比较低,属于提高用户体验可接受的代价,且方案1的超额收益来自系统初期的过渡阶段,是不可持续的收益,过渡到方案3符合IES的发展规律.
表4 3种方案的成本收益参数
(2) 价格迭代分析.以过渡型为例,修订价格前后的能源套餐对比如表5所示.可以看到通过价格修订,运营商收益明显上升,用户购电成本反而略微下降,这是因为通过价格的调整使得用户主动调整其用电曲线,总用电量下降,最终通过能源套餐的变化使运营商和用户获得双赢.
表5 能源套餐变化
3.3.2系统工况分析 图5为系统在方案1、2、3下各设备的运行结果.由图可知,3种方案下IES运行策略基本一致,系统内光伏得到全额消纳,CHP机组基本满发,全程保持额定功率发热发电.燃气锅炉作为供热的补充手段,在3个供热高峰期工作,储能主要根据外购电的价格波动削峰填谷,同时配合消纳多余的光伏发电.
图5 系统设备出力(Poutput)
3种方案的不同之处在于外购电的水平不同.在方案1下,因为用户选择了过渡型,实际负荷水平处于中间态,外购电曲线比较低,系统成本相对可控,所获收益也最高.在方案2下,用户偏好选择判断错误,导致套餐同用户适配性很差,用户实际负荷水平高,导致外购电量很多,用户成本和系统成本上升,整体收益下降.在方案3下,得益于用户的正确分类,用户实际用电量最低,IES在满足用户用能需求的同时,也有效降低了用能成本,从而提高系统收益,是运营商合理的运营策略.
3.3.3用户工况分析 系统热负荷供应在3种套餐相同,以满足用户热负荷基础需求为准,允许上下限浮动,因此主要关注套餐中不同的电负荷.
3种方案的用户电负荷水平如图6所示,其中方案1和3的负荷水平区别不大,说明用户选择中间的过渡型套餐和适配自身的套餐对负荷影响较小,主要影响用能成本.可以看出,在17:00—20:00的电价峰值区,方案3的用电量明显低于方案1,说明适合用户的能源套餐有助于负荷曲线优化,从而提高用户体验和运营商收益.而方案2因为对用户类型判断错误,导致负荷变化较大,用户体验和运营商收益都有所下降,说明用户分类需要足够的准确度,否则会对IES运营策略的制定产生不利影响.
图6 用户电负荷
用户的储能和光伏工作情况如图7所示.用户光伏实现全额消纳,用户储能在15:00—20:00电价高的时间段内以释放电能为主,在其他电价低的时间段内以存储电能为主,同时帮助修正用户负荷曲线,起到了削峰填谷的作用.
图7 用户设备使用情况
用户满意度水平如表6所示,其中用电总量的参考值取用户初始负荷,用电成本和用热成本的参考值参考过渡型用户数值,式(7)和(10)中的b1、b2、b3分别取0.8、0.5和0.6.可以看出方案2中用户的用能满意度最低,说明错误的用户分类会降低用户体验.方案1的满意度也低于方案3,虽然方案1运营商可获利润更高,但考虑方案1状态的不可持续和利润差距仅为2%,提高用户满意度的方案3更符合长久运营观念.方案3中,运营商可获得较高收益,用户也有最高的满意度,实现了用户和运营商的双赢.
3.3.4低碳运行分析 3种方案中,方案3的碳交易成本即碳排放水平最低.这是因为IES中碳排放的主要来源为燃气机组和外购电,3种方案的燃气机组水平基本相同,方案3因为对用户的用电情况掌握最好,通过正确的用户分类,有效降低了用户的用电量,提高用电效率,从而降低了综合能源系的碳排放水平,符合当前的发展趋势.
3.4 套餐修订的影响
IES在系统运行初期,对用户信息掌握不完全,存在部分用户拒绝提供个人信息或者提供信息有误的情况,此时推荐此类用户选择过渡型套餐;当系统经过一段时间运行后,获得了足够信息,可为用户提供新一轮的套餐选择.因此,可分为以下两个阶段:
阶段1系统运行初期,假设其中50%用户选择过渡型套餐,50%用户提供个人信息后,参与综合能源运营商的用户分类,根据3.2中的计算结果,分类准确度为82.5%,该类用户根据综合能源运营商推荐选择用能方案.
阶段2经过月度运行后,综合能源运营商获得所有用户的信息,根据用户信息再次进行用户分类,为用户提供新的能源套餐,分类准确度同样取82.5%.
不同阶段的运行结果如表7所示.可知,经过阶段1到阶段2的转变,运营商收益基本不变,用户购能成本和系统碳交易成本明显下降.由此说明综合能源运营商可以通过对用户信息的数据挖掘,为用户提供更精确的套餐,从而提高收益.
表7 两个阶段的成本收益参数
4 结论
基于用户行为分析,提出IES的用户分类方法,并在碳交易的背景下建立考虑用户分类的IES决策模型,研究IES的运行策略,得出以下结论:
(1) 用户行为模型和CNN可以构成高精度的用户分类技术.通过对用户行为进行分析,总结包含用户行为特征的数据结构,输入CNN训练后可以得到高精度的IES用户分类.
(2) 用户分类是IES运行中的重要环节.用户对自身用能偏好的认知存在缺陷,需要运营商通过精准的用户分类,为用户提供合适的能源套餐,从而有效降低用户用能成本,提高IES的经济效益.
(3) IES的碳排放主要来自外购电和燃气机组,参与碳市场后,为控制碳交易成本,需要尽可能消纳可再生能源,减少系统用电量,从而在保护环境的同时提高系统收益.