面向居民用电负荷的非侵入式需求响应研究 [PDF全文]
(浙江科技学院 自动化与电气工程学院,杭州 310023)
针对传统面向工业用电的需求响应调度方法对象单一、缺乏用户信任、难以感知具体用电负荷等问题,提出了一种面向居民用电负荷的非侵入式需求响应模型。首先构建基于一维卷积神经网络(convolutional neural network,CNN)与长短期记忆网络(long-short-term memory network,LSTM)的非侵入式负荷分解模型; 然后对多个居民用户用电负荷进行分解与监测,并根据分解结果对社区内的同一种居民用电负荷集群进行功率预测; 最后建立基于分时电价的需求响应模型,在仿真环境下对居民用电负荷进行调度。仿真试验结果表明,在同一家庭数据集下,结合CNN与LSTM的非侵入式负荷分解算法结果,相比降噪自编码、门控循环单元、序列到序列神经网络和循环神经网络的负荷分解,准确率可提高13.6%,在不同季节下对居民用电负荷预测的准确率约达到89.3%。本方法能够有效保障电网平稳运行,并为获取用户侧泛在电气信息及为居民用电负荷参与电网调峰智能化提供了途径与方法。
Research on non-intrusive demand response for residential electricity load
XIAN Chao, ZHANG Jinjiang
(School of Automation and Electrical Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, Zhejiang, China)
Aiming at the problems that the traditional demand response scheduling method for industrial electricity has a single object, lacks user trust, and is difficult to perceive the specific electricity load, a non-intrusive demand response model for residential electricity load was proposed. Firstly, a non-intrusive load decomposition model was constructed on the basis of one-dimensional convolutional neural network(CNN)and long short-term memory network(LSTM); secondly, electricity loads of multiple residential users were decomposed and monitored, forecasting the power of the same kind of residential electricity load cluster in the community according to the decomposition results; finally, a demand response model based on time-of-use tariff was established to schedule residential electricity loads in a simulation environment. Simulation experiments show that under the same family dataset, compared with denoising autoencoders, gated recurrent units, sequence-to-sequence neural networks, and recurrent neural networks, the non-intrusive load decomposition algorithms combining convolutional neural networks and long short-term memory networks can improve the accuracy of load decomposition by 13.6%, with the accuracy of residential electricity load forecasting in different seasons up to about 89.3%. The method can effectively guarantee the stable operation of the power grid, and provide a way and approach for obtaining the ubiquitous electrical information on the user side and for the residential electricity load to participate in the intelligent peak regulation of the power grid.
引言

随着移动互联网、人工智能及物联网等一系列新技术的发展,中国电网正朝着坚强智能电网及泛在电力物联网方向发展[1-2],其主要目标是提高用户体验,优化运营管理方式,为电网扩展新的业务模型,比如用电异常感知与诊断[3]、分布式电源储能管理系统[4]、家庭能源优化管理[5]、家庭设备需求响应调度[6]等具体应用场景。目前,中国居民用电占比不断提高,居民家中的用电设备已经成为电网进行需求响应调度的重要对象。据统计,2015年夏季高峰时段江苏省居民用电负荷已超过全省用电功率的三分之一[7],空调、电动汽车等家庭用电设备已经成为电网进行需求响应调度的数据来源。面对以上情况,国家于2020年对电网需求响应能力建设提出新要求:通过引导和激励电力用户挖掘调峰资源,形成占年度最大用电负荷3%左右的需求响应能力[8]

在传统的电力系统中,居民用电负荷由于没有低成本的监测系统,通常不在需求响应的调度范围之内,然而引入非侵入式负荷监测系统(non-intrusive load monitoring,NILM)则能够解决这个问题。非侵入式负荷监测技术由Hart于20世纪80年代提出[9],通过用户住宅进线处聚合负荷电气信号,包括用电总功率、进线处电流电压等,取得住宅内各用电设备的能耗情况与用电规律等信息。目前主流的NILM算法可以分为以下3类:基于事件的NILM方法、基于隐马尔可夫模型的NILM方法和基于深度学习的NILM方法[10-12]。通过智能电表与电力运营端之间的通信,电网可以实时了解用户的家庭内部用电情况,当出现用电高峰时,电网会做出更加灵活的需求响应调度策略[13-15]。基于非侵入式方案的需求响应调度,不需要安装侵入式传感器来采集用户住宅内部相关用电信息,仅通过智能电表采集的进线处数据即可实现对用电设备的感知与调度。采用这种方案的优势在于两方面:在工程方面,使用非侵入式负荷监测方法取代原有对用户安装侵入式传感器的方案,降低了工程成本,容易大规模推广; 在系统方面,有效提高居民用电负荷在需求响应调度中的参与度,系统性地缓解用电高峰期电网的压力[16]

近年来,国内外研究者将NILM技术与需求响应相结合,在解决居民用电负荷参与调度方式、用户与电网之间信任缺失等问题上有了一定进展。Ning等[17]利用负载水平差异和季节性变化提出了一种无监督负荷分解方法,对单一用户及大型负荷中心的需求响应潜力进行评估,并将其应用于四个不同的场景,提高了需求响应的可靠性。Aur等[18]提出了一种用于需求响应程序的非侵入式负荷监测模型,能够解决需求响应过程中各方的信任缺失等问题。Lin等[19]提出了一项基于NILM技术的多目标电力调度计划,通过对家庭用电数据集进行仿真试验,证明可以通过自动调度用户内的用电设备来缓解电网高峰期的用电紧张。

以上研究通过试验证明,居民用电负荷在需求响应方面能够成为重要的调度对象,但目前较难作为需求响应调度对象,其中最主要的原因在于电力运营商难以获取居民用电数据,从而无法制定更加科学的需求响应模型。本研究提出了一种基于NILM的居民用电负荷需求响应调度方法。首先建立基于一维卷积神经网络(convolutional neural network,CNN)与长短期记忆网络(long-short-term memory network,LSTM)的非侵入式负荷分解模型对居民住宅进线处智能电表采集的总功率进行训练,实现对不同负荷的分解及功率预测; 然后再获取居民用电数据,构建分时电价需求响应模型; 最后根据提取后的居民用电数据对目标电器进行需求响应调度。仿真试验结果表明,本方法能有效分解居民家中的用电负荷并对其功率进行预测,为电力公司提供科学灵活的居民用电负荷需求响应调度方案。

1 面向需求响应的非侵入式负荷监测框架1.1 居民用电负荷需求响应整体流程

非侵入式负荷监测技术通过居民住宅进线处采集的有功功率、谐波电流等不同维度的电气信息,对居民用电负荷进行分解及监测。具体步骤如下:首先需要选择合适的数据类型,相比电流、电压等用电特征,总用电功率受噪声影响的程度更低,因此通常选择有功功率作为非侵入式负荷监测技术的数据类型进行负荷分解; 其次,通过事件检测算法提取目标电器在运行过程中的负荷事件,建立负荷特征库,因为居民住宅内用电设备类型众多,同一时刻会有多个负荷事件产生; 随后通过非侵入式负荷监测技术,完成对居民用电负荷的分解与监测; 最后根据电网的需求响应调度目标,建立需求响应模型。

需求响应可以分为两大类:激励型需求响应及时效电价型需求响应。激励型需求响应指电网通过对用户的优惠计划来改变其用电行为模式,以达到保障电网平稳运行; 时效电价型需求响应指用户根据实时电价来改变其用电方式。同时根据响应过程的自动化程度,需求响应又可以分为三个层级:手动需求响应、半自动需求响应和自动需求响应。基于生活用电的特殊性,本研究构建分时电价型需求响应,实现半自动化层级的需求响应调度。

1.2 基于NILM的需求响应系统功能架构

图1 系统功能架构<br/>Fig.1 System functional architecture

图1 系统功能架构
Fig.1 System functional architecture

参与需求响应调度流程主要有云端、社区以及用户三方; 在需求响应调度的过程中则主要分为三步,分别是数据采集、负荷分解及需求响应调度。系统功能架构如图1所示。

在用户端,每个电气入口处都安装了控制器。控制器对需求响应调度的目标电器进行断开及闭合,并且与用户家中的智能终端进行通信,受用户指令控制。用户终端指用户家中的笔记本电脑或智能手机等,其功能主要是接收云端控制中心发出的需求响应调度信息及相关说明。

在社区中,将不同社区内各个用户家中通过智能电表采集到的聚合功率数据汇集到一起,上传至云端进行下一步处理。

在云端接收到用户家中的聚合有功功率数据后,需要进行以下几步处理:首先将接收到的聚合有功功率数据作为非侵入式负荷监测的输入,进行负荷事件提取及负荷分解。接着把提取到的负荷事件存放到负荷事件数据库,用于提高之后负荷分解的精度,并为之后电网展开其他家庭层级应用提供有效的数据信息。最后根据非侵入式负荷监测技术提取到的居民用电数据,电力运营商可以制定相关需求响应调度模型,通过改变电价实现半自动化需求响应调度。

2 基于NILM技术的居民住宅用电负荷需求响应模型的建立2.1 基于CNN-BiLSTM的非侵入式负荷分解模型

非侵入式负荷监测是典型的时间序列分析问题。以数据类型为有功功率为例,某个时刻的总有功功率为住宅内该时刻各个电器消耗的有功功率总和,其计算公式如下:

式(1)中:y(t)为在采样时间点t时刻家庭总电表采集的总有功功率; N为待分解电器的数量; yi(t)为第i个电器在t时刻所消耗的有功功率; e(t)为测量环境中产生的噪声。

非侵入式负荷监测就是在已知y(t)的情况下,求解出yi(t)。因此可以通过训练神经网络,用训练结果(^overy)i(t)近似表示yi(t),即

式(2)中:f(y(t))为在神经网络学习过程中建立的非线性关系。

考虑到各个负荷与时间周期之间的相关性,在式(2)的基础上,建立基于CNN-BiLSTM的负荷分解数学模型:

式(3~4)中:tanh( )为双曲正切函数; wTi,j为连接输入层y(t)与第j个隐藏神经元的权重; M为隐藏神经元的个数;(-overy)(t)为经过CNN层提取的时间序列特征。vi,j为经过tanh函数归一化后的输出,j表示第j个隐藏神经元。Vi(t)为各个隐藏神经元的输出集合,实际上是一个状态矩阵。zi为连接隐藏神经元与输出(^overX)i(t)之间的权重。通过Vi(t)与zi(t)之间的线性组合,能够表示真实值yi(t)的估计值(^overy)i(t)。

2.2 神经网络模型构建

相比传统的LSTM,CNN能够提取连续数据之间的内在特征,所需的神经元数量更少,在提高模型整体性能的基础上减少了训练时间,但CNN不能有效利用负荷长期运行时的上下状态之间的关联性。而LSTM虽然能够有效利用时间序列数据集的关联性,进行学习与预测,但是对于负荷特征分析不足。因此本研究提出了基于CNN-BiLSTM的神经网络模型,能够结合两者的优点,有效提高负荷分解模型的性能。CNN-BiLSTM神经网络结构如图2所示。

图2 CNN-BiLSTM神经网络结构<br/>Fig.2 CNN-BiLSTM neural network structure

图2 CNN-BiLSTM神经网络结构
Fig.2 CNN-BiLSTM neural network structure

在CNN-BiLSTM模型中,CNN主要用于提取负荷运行过程中的时间序列特征,LSTM主要用于预测负荷功率,其主要步骤如下:1)将输入数据按比例分为训练集以及测试机,并将其重构为CNN-BiLSTM模型所需要的维度; 2)通过卷积层对输入数据中的特征进行提取; 3)将卷积后的结果输入BiLSTM中,通过遗忘门、输入门以及输出门学习负荷在不同运行状态下的时间关联性,并对其进行预测; 4)最后通过全连接层输出预测后的结果。通过以上步骤,CNN-BiLSTM模型能够对输入数据中的深层特征进行识别,完成对负荷分解并预测的任务。在非侵入式负荷监测模型取得的居民用电数据的基础上,电网可以制定更加科学的需求响应模型,对居民用电负荷进行有效调度。

2.3 分时电价需求响应模型

在本研究中,电价根据电网的峰谷时段进行调整。电网高峰期指某社区内的用电负荷量大于0.5×(Pavg+Pavg,max); 而电网低谷期指某社区内的用电量小于0.5×(Pavg+Pavg,min)。其中Pavg、Pavg,max和Pavg,min分别指该社区该日的日平均负荷、日最高负荷及日最低负荷。基于分时电价的需求响应模型能将目标电器充电负荷集群从用电高峰期转移到用电低谷期,以减少电网在高峰期的运行压力,降低用电高峰期占比。

本研究建立的模型在不同用电时间段设置不同电价,通过每个家庭的用电成本来优化目标电器的充电行为。假设实时电价由该区域内的总用电量决定,则

式(5)中:Ycost(t)为在t时刻该区域的电价; Psum(t)为该区域在t时刻的总用电负荷; Pmax(t)为该区域在t时刻的最大用电负荷; Ycost,B为该区域的基本电价。

本研究建立的需求项响应模型其目标函数如下:

式(6)中:Pi(t)为第i个电器在t时刻的用电负荷; Bi(t)表示第i个电器在t时刻的运行状态,为0~1变量。

约束条件主要包括以下3个方面:

1)调度容量限制

0≤PDR(t)≤PDR,max(t)。(7)

2)工作时长限制

ti,start≤ti≤ti,end。(8)

3)最大调度限制

PDR(t+1)-PDR(t)≤d。(9)

式(7)~(9)中:PDR(t)为在t时刻调度目标电器的总消耗功率; PDR,max(t)为在t时刻调度目标电器的最大需求消耗功; d为相邻目标电器总功率之间的变化率; ti,start为第i个目标电器的用电开始时刻; ti,end为第i个电器的用电结束时刻; ti为第i个电器的用电时长。用电时长决定了用户对需求响应调度的接受概率,因此需要对目标电器的用电时长进行约束,以提高用户对需求响应的满意度。在目标电器的负荷事件中,将最小持续时间设置为正常充电时间的80%。

通过约束条件中的调度容量及工作时长,可以评估不同家庭电器参与电网进行需求响应调度的弹性。为了量化弹性,本研究使用2个指标进行表示,分别是最大延迟时间及在最大延时时间下的可调用电量。图3为电器参与需求响应弹性。在最大延迟时间小于3 h情况下,电动汽车所能增加的容量与削减的容量基本上一致,而在大于3 h的情况下,相比能够增加的容量,其能够削减的容量略多。空调参与需求响应调度的弹性与用户舒适度相关,因此在同一最大延迟时间下,其可调用电量相比电动汽车较少。同时,随着最大延迟时间的增加,空调的可调用电量增幅较为平缓。

图3 电器参与需求响应弹性<br/>Fig.3 Participation demand response elasticity of electrical appliances

图3 电器参与需求响应弹性
Fig.3 Participation demand response elasticity of electrical appliances

3 试验与结果分析3.1 试验场景设计

在本仿真试验中,使用了Dataport数据库,该数据库对美国722个家庭的居民用电负荷进行长达数年的监测,并完成对不同类型的居民用电负荷的标记[20]。为了评估本研究提出的非侵入式需求响应模型,本试验选择电动汽车及空调作为调度对象,试验场景设计步骤如下:1)通过数据集训练CNN-BiLSTM模型; 2)完成模型训练后,通过NILM技术实现对目标电器的负荷分解以及预测; 3)根据预测的数据,调整实时电价,电力运行商在电网用电高峰期进行需求响应调度。

3.2 NILM模型负荷分解结果分析

本次试验首先将基于CNN-BiLSTM神经网络模型的试验结果与其他相似深度学习算法进行对比,其中包括降噪自编码(denoising autoencoder,DAE)、门控循环单元(gate current unit,GRU)、序列到序列神经网络(sequence to sequence,Seq2Seq)及循环神经网络(recurrent neural network,RNN)。为客观评价不同算法的分解效果,本研究选择F1值、平均绝对误差(mean absolute error,MAE)及均方根误差(root mean square,RMS)作为评价指标,进行量化比较。不同模型训练结果如图4所示,从中可以看出在3种不同的指标上,本文算法在4种目标电器上的识别效果均好于对比算法。相比Seq2Seq网络及RNN,GRU和DAE的F1分数较高。其原因在于卷积层及RNN在学习过程中难以对基于时间序列的数据进行有效权重调整。DAE通过对输入数据进行编码和解码,能够有效降低输入数据中由于采集设备等原因产生的噪声,故其在F1分数上高于其他2种神经网络算法。GRU网络则是RNN的一种变体,通过各种门函数解决RNN中存在的长依赖问题。而本研究提出的神经网络架构在F1值上比GRU网络具有更好的表现,主要是因为对目标电器的负荷事件进行提取,排除了系统内噪声及长期运行负载功率的干扰,提高了对目标电器的识别率。在其他2种指标上同样印证了以上结果分析。

图4 模型训练结果<br/>Fig.4 Model training results

图4 模型训练结果
Fig.4 Model training results

图5为电动汽车和空调负荷分解结果。通过本研究提出的NILM技术,能有效提取目标电器的负荷事件。通过NILM技术提取到的负荷事件,电力运营商能够获取启停时间、有功功率等用电数据,这一方面能了解用户家中的用电设备使用习惯,另一方面能制定面向居民用电负荷的需求响应模型。

图5 负荷分解结果<br/>Fig.5 Result of load decomposition

图5 负荷分解结果
Fig.5 Result of load decomposition

3.3 基于分时电价需求响应调度结果分析

图6显示了在不同季节下本模型对空调功耗的预测值,空调参与分时电价需求响应后的功耗及真实情况下空调的功耗。由图6可知,空调在春夏秋3季中的用电时间及用电量分布,在下午3点至晚上8点是空调使用的高峰期; 而冬季的用电时间分布则与其他3季相反,用电高峰主要出现在凌晨5点至上午10点。可见夏季空调的用电量比其他3季显著增加,在高峰期易对电网造成较大影响,这是需求响应调度的重要方向。同时还可以看出在夏季空调参与基于分时电价需求响应的效果有限,主要是因为该电器的用电时长受用户的约束较大。对于空调此类负荷,本模型还需要进一步优化,以提高需求响应调度效果。

图6 不同季节下空调参与分时电价需求响应后的功耗对比<br/>Fig.6 Power consumption comparison of air conditioners participating in time -of-use tariff demand response in different seasons

图6 不同季节下空调参与分时电价需求响应后的功耗对比
Fig.6 Power consumption comparison of air conditioners participating in time -of-use tariff demand response in different seasons

图7显示了在不同季节下本模型对电动汽车功耗的预测值,电动汽车参与分时电价需求响应后的功耗以及真实情况下电动汽车的功耗。由图7的电动汽车用电分布可知,在各季节的晚上6点至第二日凌晨4点之间为电动汽车用电高峰,而该区域的总用电高峰期在各季节的下午4点至晚上8点之间。因此需求响应调度将电动汽车用电负荷转移至早上至上午这一时间段,从而实现在转移电网高峰期用电负荷的同时不会导致在其他时段出现新的用电高峰。通过比较可以看出,电动汽车更适合作为电网进行需求响应调度的对象。

图7 不同季节下电动汽车参与分时电价需求响应后的功耗对比<br/>Fig.7 Power consumption comparison of electric vehicles participating in time -of-use tariff demand response in different seasons

图7 不同季节下电动汽车参与分时电价需求响应后的功耗对比
Fig.7 Power consumption comparison of electric vehicles participating in time -of-use tariff demand response in different seasons

4 结 论

本研究从非侵入式负荷监测算法与分时电价需求响应模型入手,建立需求响应整体框架方案,在低成本、非侵入式的情况下对用户侧负荷进行有效分解与监测,为电网提供面向居民用电负荷的需求响应调度方案。仿真试验结果表明,本文方法对不同类型的家庭负荷进行分解与监测的效果较好,并且能减轻电网在用电高峰时的压力,有效保障电网的平稳运行。同时表明居民用电负荷是电网需求响应的重要调度对象。然而,本文方案所选择的分时电价需求响应模型仍有一定的局限性,如未考虑到电网在遇到短时用电高峰进行紧急需求响应的情况,这有待进一步深入研究与探讨。

参考文献