面向需求响应的数据驱动零售电价定价策略_阮嘉祺.pdf

第 47卷 第 7期 2023年 4月 10日Vol.47 No.7 Apr.10，2023http：/www.aeps-面向需求响应的数据驱动零售电价定价策略阮嘉祺1，2，柳文轩1，2，赵俊华1，2，梁高琪1，2，杨超1，文福拴3（1.香港中文大学（深圳）理工学院，广东省深圳市 518172；2.深圳市人工智能与机器人研究院，广东省深圳市 518038；3.浙江大学电气工程学院，浙江省杭州市 310027）摘要：需求响应旨在削峰填谷和改善负荷轮廓，以提升电力系统运行的安全性和经济性。合理的电力零售定价有助于引导用户调整用能行为，促进需求响应。在此背景下，提出一种用能行为学习模型和一种个性化零售定价方案。首先，分析用能行为特征，利用基于多类注意力机制的长短期记忆网络提取特征关联性，构建用能行为学习模型。然后，考虑价格风险，以最大程度开发用户需求响应潜力为目标，建立个性化零售定价模型。算例仿真结果验证了所采用的学习模型相对传统深度学习模型的优势，提出的个性化零售定价方案可开发时变需求响应潜力，且能有效规避零售商收益风险和用户购电成本风险。关键词：需求响应；电力零售定价；用能；注意力机制；深度学习0 引言电力峰值需求管理（peak demand management，PDM）旨在降低电网峰荷，减少峰荷引起的电网运行安全风险，提升运行经济性1。电力需求增长给PDM 带来了挑战2。此外，电网低碳转型使传统高碳排放火电逐步被清洁能源发电取代3。火电机组逐步退役，可再生能源装机容量持续上升，导致电网转动惯量逐步下降4，对系统的调节能力提出了更高要求。高比例清洁能源加剧了 PDM 的问题，会导致电力系统安全问题，甚至引起停电，如英国大停电5与美国加州轮流停电6。需求响应（demand response，DR）可用于降低系统峰荷水平，是 PDM 的基础7。DR改变传统“发电跟踪负荷”调度模式，通过价格响应或激励机制引导用户理性用电，主动改变用电负荷轮廓，支持电力供需动态平衡。DR 包括激励驱动和价格驱动8。激励驱动 DR 可通过电力零售商与用户签订补偿协议，在高峰负荷时段远端控制部分设备停运，降低系统负荷；因设备控制权交付于零售商，激励驱动 DR影响用户用电体验。价格驱动 DR 对用户征收与电力需求相匹配的电价（如实时电价等），引导用能行为，避免高峰用电；价格驱动 DR 不干涉用户用电自主权，用户根据自身需要安排用电。现有的对价格驱动 DR 的研究主要分为下述两类。第一类采用经济学中的价格弹性，研究用户在不同电价下的 DR 行为。文献 9 在电价自弹性的基础上提出交叉弹性，定义了电价弹性矩阵。文献10 提出一种弹性矩阵简化方法以量化用户电价弹性。文献 11 采用模糊推理构建居民用户电价弹性矩阵，反映时变弹性。上述研究受限于经济学理论假设，如预设弹性系数与用能行为模式，未考虑外部实际因素，如温、湿度等对电力需求的影响，因此在实际应用中受到 DR行为评估不准确等限制。第二类采用机器学习方法研究不同电价下的DR 行为。这类研究从数据驱动角度出发，可从电力大数据中学习用户的电价弹性和用能行为，弥补了第一类研究中 DR 行为评估不准确的缺点。此外，使用数据驱动方法无须获取用户的特定用能偏好，有利于保护用户隐私、减少人工成本。文献12 应用深度强化学习模型研究用户 DR 的反应程度。文献 13 采用神经网络和小波变换技术，预测不同价格水平下的居民用能行为。文献 14 应用长短时神经网络和多层感知器模型，考虑温度、电价和历史用电，预测用能行为。然而，现有研究大多局限于纯数据驱动的机器学习模型，忽略了行为内生逻辑，不完全契合真实环境用能行为和 DR 评估。此外，现有研究通常只考虑现有电价结构对用能行为的影响，较少研究如何通过数据驱动设计新的定价模式减少用户峰时用电，开发 DR潜力。DOI：10.7500/AEPS20220824007收稿日期：2022-08-24；修回日期：2022-10-15。上网日期：2022-12-14。国家自然科学基金资助项目（72171206）。1332023，47（7）研制与开发 新一轮电改下，全国电力市场建设工作稳步推进，但电力零售市场仍属于发展阶段，亟须加强零售市场建设。合理的零售定价可促进用户参与市场积极性，挖掘用户侧需求响应潜力，进而参与电网调节。本文从电力零售商的视角，提出一种面向 DR的数据驱动电力零售定价策略。该方法适用于扮演负荷聚集商的电力零售商，其用户需签订个性化定价协议并装有智能电表用于电价更新。首先，提出采用多类注意力机制的长短期记忆神经网络（long short-term memory，LSTM）提取用户用电行为特征，通过学习识别出用户在不同外界因素下的用能行为。之后，提出时变 DR 潜力评估思路，并以天为单位评估用户在不同电价套餐下的时变 DR 潜力。最后，在用能行为学习模型和时变 DR 潜力评估体系的基础上，构建个性化零售定价模型，对冲电价波动风险，以最大程度开发用户时变 DR潜力。1 用户侧用能行为学习模型本章提出一套基于深度学习架构的用户侧用能行为学习模型。1.1用能行为学习模型的通用深度学习框架用能行为学习模型的通用深度学习框架包含行为特征、特征处理、深度学习、用能行为预测四部分。行为特征部分主要输入有关用能行为的相关信息，包括历史行为、电价、温度、湿度、风力、时间；特征处理将各类特征信息进行数据处理，如归一化，以减少特征量纲不统一对学习能力的影响；再通过深度学习技术构建用能行为与各特征的关系，如多层感知器、递归神经网络等；最后预测特征信息下的用能行为。1.2用能行为特征用户的电力需求来源于各类用电设备的使用。在进行用电安排时，会根据多维信息的叠加选择使用不同的用电设备类型。在建立用户侧用能行为学习模型时，主要可考虑以下六类特征。1）历史行为：每个用户的用能行为都具有自身特点。在不同典型日，如工作日、周末、节假日等，都会产生与自身喜好相关的用能水平与用能模式。历史行为信息可以帮助学习用户在不同典型日的电力消费行为模式，构建用能行为学习模型的基准线。该基准线将联合其他特征共同输出用能行为结果，提高预测性能。2）电价：用户根据自身的收入、消费水平等客观因素形成特有的电价弹性，该弹性会随电价改变产生不同的用能行为。例如，洗衣机和烘干机属于可转移负荷资源。当电价升高时，用户可能将洗衣机、烘干机转移到低电价时段使用，以减小电费开支，从而造成用能行为的改变。3）温度：温度主要对空调、热水器等具有冷热负荷特性的用电设备使用具有显著影响。具体而言，用户在夏季炎热时段频繁使用空调等制冷负荷实现降温，在冬季使用取暖负荷提高温度以提升生活舒适度。此外，高温对计算机硬件运行会产生影响，例如数据中心会利用空调减少服务器运转产生的热量。4）湿度：类似于温度，湿度主要对加湿/除湿器、新风系统等能调节室内湿度的负荷产生影响。用户根据自身对环境的适应程度，在湿度过高或过低时，通过电设备调整室内湿度。同时，湿度过高会降低电气设备的绝缘强度、腐蚀金属元件、降低设备的性能和使用寿命，甚至造成电气故障。因此，对一些制造业的电力用户而言，会制定室内湿度标准以减小电气故障风险。5）风力：由于房屋构造原因，室外风速、风向通过门窗等通风口对室内空气动力产生影响。直接作用于室内空调、新风系统的运转模式与状态，会引起用能行为的变化。此外，对于喜欢自然风的用户，在室外风力充足的情况下，会减少空调、风扇和新风系统的使用，进而改变其自身的用能行为。6）时间：由于个体作息规律，用户对特定用电设备的使用具有时间偏好，如早晨使用面包机做早餐，夜晚下班后对电动汽车充电等。日内时间偏好将构成典型用能行为模式。通过学习时间特征，有利于构建准确的用能行为学习模型。1.3基于 LSTM 网络的时间模式注意力机制如上文介绍，在建立用户侧用能行为学习模型时，时间维度是影响用能行为的关键因素之一，且历史用能行为、电价、温度、湿度、风力也具有时间维度。因此，使用对时间序列有较好处理能力的神经网络可有效提取特征的内在信息，提高模型精度。LSTM 是循环神经网络的一种变体，在处理序列数据上具有天然优势15。然而，LSTM 对所有信息进行无差别压缩，忽略了特征之间的相关性和输入信息的时间差16。由于注意力机制在处理特征时，可提取特征间的相关信息，从而提高模型精准度17。因此，本文提出一种结合 LSTM 神经网络和时间模式注意力机制（temporal pattern attention，TPA）18 的深度学习算法，以加强用户侧用能行为学习模型的学习能力。首先，使用一层一维卷积神经网络提升 LSTM网 络 隐 藏 状 态 的 表 征 学 习 能 力。假 设HLSTM=h1，h2，hu Rm u为 LSTM 层的隐状态矩阵，134阮嘉祺，等 面向需求响应的数据驱动零售电价定价策略http：/www.aeps-其中维度m为特征数量，维度u为时间步，hi Rm为LSTM 层第i步隐状态。对前u-1步隐状态矩阵H=h1，h2，hu-1 Rm(u-1)进 行 一 维 卷 积处理。HCi，j=l=1THi，qcj，l（1）式中：HCi，j为HC中第i行、第j列元素，代表H中第i个行向量和第j个卷积核cj RT处理的结果值；K为卷积核数量；Hi，q为H中第i行、第q列元素，其中，q=u-T-1+l为时间步u下的第l步卷积操作；T为卷积视野域；cj，l为cj中第l个元素。将卷积核沿H的行向量计算卷积，即可提取在卷积核范围内的时间模式矩阵HC，HC Rm K为卷积操作后矩阵。之后，引入评分机制s()以评估第u步（即最新时间步）的隐状态hu与卷积时间模型矩阵HC的行向量的相关性。s(hCi，hu)=hCiWahu（2）式中：hCi RK为HC中第i行向量，维度K为所有卷积核处理后的特征数；Wa RK m为得分机制中的注意力映射矩阵。利用Sigmoid()激活函数对得分机制进行归一化，得到代表hu和hCi相关信息的注意力系数i，便于选择多变量关联性。i=Sigmoid(s(hCi，hu)（3）根据得到的注意力系数，进行注意力加权和加法 运 算，可 输 出 时 间 模 式 注 意 力 机 制 下 的 隐状态hu。hu=Whhu+Wvi=1m(ihCi)（4）式中：Wh Rm m和Wv Rm K均为 TPA 层的可学习参数矩阵；hu Rm为 LSTM 层和 TPA 层处理后的第u步隐状态，包含m个特征。1.4基于多类注意力机制的用户侧用能行为学习模型用户侧用能行为学习模型的建立，需要充分考虑不同输入特征的特性，设置对应的神经网络层挖掘输入特征与行为模式之间的关联。由上文分析可知，模型输入主要分为五类时间序列：历史行为、电价、温度、湿度、风力。历史行为时间序列为用户在往日的用能行为曲线。给定lt RN为用户在第t天N个时段（对应电价 出 清 时 间 粒 度）的 电 能 量 消 费 向 量，则Lt=lt-S，lt-S+1，lt-1 RS N为第t天时包含过去S天的用户历史行为信息。采用所提时间模式注意力机制（TPA-LSTM 层）提取用户在不同典型日的电力消费模式，预测用户在第t天的用能行为基准值，输出为hLt RN。电价时间序列为零售商给电力用户制定的电价套餐，可根据市场出清时间粒度 1 h、30 min、15 min每天形成 24、48、96 个时段电价。构建处理电价的神经网络层，需要考虑典型日影响。通过对历史行为 数 据 的 时 序 学 习（LSTM 层）和 常 规 注 意 力 层（Sigmoid 层）得到对应电价数据的零一指标。将该指标与电价数据进行点乘运算，剔除低重要性电价数据。给定pt RN为第t天包含N个时段电价的电价 套 餐，对Lt进 行 有 关pt的 LSTM 层（以 函 数LSTM()表示）处理，得到与用能行为相关的电价隐状态hPt RN。hPt=LSTM(Lt)（5）通过 Sigmoid 层得到有关电价的注意力指标aPt RN。aPt=Sigmoid(hPt)（6）再通过点乘