基于融合FCN-TCN-L...业大用户可调节潜力分析模型_李彬.pdf

第 43 卷 第 7 期2023 年 7 月电 力 自 动 化 设 备Electric Power Automation EquipmentVol.43 No.7Jul.2023基于融合FCN-TCN-LSTM的工业大用户可调节潜力分析模型李彬1，明雨1，郝一浩1，陈宋宋2，3，王隗东2，3（1.华北电力大学 电气与电子工程学院，北京 102206；2.需求侧多能互补优化与供需互动技术北京市重点实验室，北京 100192；3.中国电力科学研究院有限公司，北京 100192）摘要：综合考虑调控成本和价格激励的影响，开展工业大用户双向可调节潜力的分时段分析是提升新型电力系统负荷管理能力的关键。建立一种基于融合全卷积网络、时域卷积网络、长短期记忆网络的模型，以分析工业大用户可调节潜力。建立全卷积网络数据集重构模型，并基于典型负荷特性指标实现对具有高可调节潜力负荷数据的工业大用户的遴选；以高可调节潜力数据集为基础，建立改进时域卷积网络模型，对工业大用户进行调控成本影响下的可调节潜力分析测算。基于实际数据对所提模型进行验证，算例结果表明，所提模型可分析出工业大用户典型设备的可调节潜力，且模型的稳定性与精确度较高。关键词：需求响应；可调节潜力；工业设备调控；全卷积网络；时间卷积网络；长短期记忆网络中图分类号：TM73 文献标志码：ADOI：10.16081/j.epae.2022090280 引言随着新型电力系统建设进程的不断推进，仅考虑电源侧、电网侧的调节资源已难以满足系统稳定运行的需求。需求侧资源主动参与电网调节可以有效缓解电源侧、电网侧的调节压力，稳定电网系统供需平衡，因而深度挖掘需求侧资源的可调节潜力成为必然12。需求侧资源能够快速响应新能源短周期尺度的调节需求，2022年5月国家发展改革委、国家能源局联合发布的 关于促进新时代新能源高质量发展的实施方案，要求全面提升电力系统的调节能力与灵活性，加快构建以新能源为主体的新型电力系统3。需求响应（demand response，DR）是需求侧资源参与电网灵活互动的重要途经，工业大用户是组成需求侧资源的主体，在参与需求响应的用户中，工业大用户负荷占95%以上45，因此，分析工业大用户的可调节潜力可以提高新型电力系统负荷管理能力和系统的稳定性6。目前，针对工业大用户的可调节潜力分析方法有2种：一种为数据分析法，该方法通过对比节假日时段、检修时段、高峰时段的工业大用户工作情况得出其轮休潜力、检修潜力和避峰潜力，再通过数学建模方式对可调节潜力进行量化78；另一种为聚类分组分析法，该方法基于调研方式得出工业大用户的响应次数、响应容量等自身特性和温度、湿度等自然环境特性，利用机器学习方法对工业大用户进行分类，得出具有可调节潜力的工业大用户类别910。利用这2种方法可进行工业大用户调节能力的初筛，但现有相关研究未综合考虑调控成本、价格激励等影响来开展工业大用户双向可调节潜力的分时段分析。人工智能技术发展快速，已在需求响应业务中得到广泛应用11，在工商业12、居民13的可调节潜力分析中发挥着重要作用。深度学习分类模型可以基于负荷特性指标映射对工业大用户用电数据进行分类，构建出具有高可调节潜力的工业用电数据集。时序处理模型可以基于工业大用户调控成本通过卷积计算方式对工业设备进行可调节潜力分析，得到与真实数据对比后的可调节潜力结果。为提取工业大用户的可调节特性，得到调控成本影响下的分时段设备可调节潜力结果，本文首先利用全卷积网络（fully convolutional network，FCN）对工业大用户数据集进行重构，提取具有可调节潜力的时段，得到高可调节潜力数据集，然后建立改进的时域卷积网络（temporal convolutional network，TCN），以窗口形式将设备用电数据与对应时段的调控成本输入模型，利用TCN对长时段时序数据关联信息的强大挖掘能力14，以历史响应数据和对应调控成本为基准，对不同电价下调控成本对应的设备负荷通过模型进行拟合，计算出不同时段下的设备调节用电结果，再通过与实际用电的对比得出设备可调节潜力范围。改进后的 TCN同时可以对自备收稿日期：20220602；修回日期：20220920在线出版日期：20221010基金项目：国家电网有限公司总部科技项目（分布式“源荷储”资源聚合调控通信技术研究及应用）（5700202258216A11ZN）Project supported by the Science and Technology Program of Headquarters of State Grid Corporation of China（Research and Application of Distributed Resource Aggregation Regulation Communication Technology for“Source，Load and Storage”）（5700202258216A11ZN）151电 力 自 动 化 设 备第 43 卷电厂发电数据进行拟合，得到对应时段的发电占比，并提升数据的计算能力和修正能力。1 工业设备建模分析1.1主要生产设备工业大用户的主要生产设备负荷占用电量的80%左右，这些设备主要包括持续型冲击负荷设备与间接型冲击负荷设备，对负荷模型进行分析是工业设备可调节潜力分析的基础。1.1.1持续型冲击负荷设备持续型冲击负荷设备是工业生产的关键，典型设备包括电动机等，这类设备负荷的功率波动极其强烈，且波动周期短，波动功率大，这类设备具有极高的可调节潜力。根据持续型冲击负荷设备的负荷特性对其进行建模，表达式如式（1）所示，负荷仿真图如附录A图A1所示。Pss()=0 =offPess/ss =on（1）式中：Pss()为持续型冲击负荷设备在时段的功率；off为关停时段；on为开启时段；Pess为持续型冲击负荷设备的额定功率；ss为持续型冲击负荷设备从开始工作到达到额定功率所需要的时间。在需求响应期间，可以根据负荷不同的调节需求利用持续型冲击负荷的波动性对设备生产或停止编排特定时段，以完成负荷调节。1.1.2间接型冲击负荷设备间接型冲击负荷是工业设备负荷中的典型负荷，典型设备包括电弧炉等，这类设备负荷具有间接型波动特性，波动功率大。根据间接型冲击负荷设备的工作特性与工作流程对其进行建模15，表达式如式（2）所示，负荷仿真图如附录A图A2所示。Pis(t)=|0 t tison，t tisoffPeistup()t-tisontison t tison+tup()1+()tPeis tison+tup t tisoff-tdownPeistdown()toff-t tisoff-tdownton+t2Psn-k1()t-toff toffttoff+t1Ps1 toff+t1ttonPs1+k2()t-ton tontton+t2（3）式中：Ps(t)为辅助生产设备在时刻t的功率；Psn为辅助生产设备的额定功率；ton、toff分别为辅助生产设备的开启、关闭时刻；t1、t2分别为辅助生产设备的功率下降、爬升时间；k1、k2分别为辅助生产设备功率降低、升高的爬坡速度；Ps1为调整功率。辅助生产设备只对工业材料的生产进行辅助，调控稳定性高，若工厂需紧急调整用电负荷，则可首先对辅助生产设备进行调整，再按照生产流程对主要生产设备进行缓慢调控。1.3调控成本工业企业经济成本分为固有成本和可变成本，固有成本为控制装置的一次投资成本，根据企业具体设备确定，可变成本为设备负荷在参与调节的过程中对工业生产造成的产业影响。由于不同企业设备的品牌和质量不同，因此，本文只考虑工业企业的可变成本。根据工业大用户参与电网向上或者向下调节的不同方向，将经济成本模型分为向下调节成本模型与向上调节成本模型。向下调节成本模型为：Ed=(s-c)/FP（4）式中：Ed为向下调节成本；s为负荷单位工业产品售价；c为负荷单位工业产品生产成本；FP为工业产品单位产量耗电量。向上调节成本模型为：Eu=b()lu-lall+slall/lu（5）式中：Eu为向上调节成本；b为购电电价；lu为向上调节总电量；lall为对应时段下的全部发电量；s为自备电厂发电成本。调控成本是反映工业企业参与需求响应意愿的重要组成部分，通过电价激励工业大用户参与需求响应来进行负荷调节，是提高工业大用户用电效率、缓解电网用电高峰压力的重要手段，调控成本是对工业负荷进行可调节潜力分析的重要影响因素。经济效益是工业大用户参与需求响应的第一因素，也是影响工业大用户用电走向的重要因素，工业企152第 7 期李彬，等：基于融合FCN-TCN-LSTM的工业大用户可调节潜力分析模型业经济效益直接影响该企业参与需求响应后的可调节潜力。将调控成本作为影响因素对工业企业典型设备进行可调节潜力测算，可得到准确测算结果。2 基于FCN的高可调节潜力数据集重构2.1FCN时序提取本文以各类负荷特性指标为依据，以典型工业大用户用电负荷数据为基础，通过建立FCN提取工业大用户的潜力时序数据。负荷特性指标如附录B表B1所示。根据表中指标数据计算工业负荷特征指标值，对工业大用户进行负荷数据集重构。在负荷特性指标的映射下，原数据中的负荷数据点经卷积、池化后通过多分类层得到遴选数据点，在全部样本数据分类完成后，通过重组得到工业大用户高可调节潜力数据集。FCN卷积公式为：yn=u，v(Xvi+i，vj+j，0i，ju)（6）式中：yn为经卷积运算后提取的用电数据，n为数据点总数；u，v为确定层的类型，如卷积、平均池化的矩阵乘法、最大池化的空间最大值或激活函数的元素非线性，u为卷积核限值，v为采样因子；Xvi+i，vj+j为第i、j个数据点经对应采样因子进行卷积运算后的值，vi、vj分别为第i、j 个数据点对应的采样因子，i、j分别为一次卷积操作对第i、j 个数据点所使用的卷积核大小，即一次卷积操作所选取的卷积系数。2.2工业时序数据集重构数据集重构示意图如图1所示。基于原始工业大用户数据计算表B1中的负荷特性指标，将得到的指标值作为特征输入，通过独热编码得到编码结果并将其作为标签输入FCN模型进行卷积，池化后经多分类层得到高可调节潜力数据点，将遴选出的数据进行重新组合，构建出高可调节潜力数据集。数据集重构并非创造新的数据点，而是对工业大用户实际用电数据的重新组合。工业大用户数据量庞大，用电情况多样，用户具有可调节潜力的数据分散，数据集重构可对这些数据进行遴选，重新组合后的高可调节潜力数据集为分析计算调控成本影响下的各时段可调节潜力提供了数据基础。3 基于TCN和长短期记忆网络的典型工业可调节负荷潜力分析模型TCN能捕捉时间序列的复杂组合模式，并且对时延具有鲁棒性16。根据对工业设备的建模分析可知，主要生产设备与辅助生产设备模型均为时间系数下的数学模型，且经济效益模型是通过对时间进行累计而得到的，因此，选取TCN对工业设备负荷进行可调节潜力分析是具有可靠性的。3.1TCNTCN整体结构如附录A图A4所示，TCN由残差链接结构堆叠而成。工业典型用电设备模型是以时间为变量的函数，调控后设备负荷的变化与调控前设备的用电情况密切相关，TCN利用因果卷积来保证日前输出结果不会用到未来的信息，扩张卷积使TCN卷积核有更大的感受野，从而可以拟合更多的历史负荷数据，保证工业企业可调节潜力分析结果的准确性。TCN的卷积网络结构如附录A图A5所示。扩张卷积计算公式为：zni=()f dyni=c=0s-1fyni-dc（7）式中：zni为在FCN遴选后的第i个数据点yni处的卷积结果；()f dyni表示 f 对设备历史数据进行卷积，f 为TCN滤波器系数，d为扩张系数，“”表示卷积；s为卷积核尺寸；yni-dc为扩张卷积前的第i个数据。输入数据经 1 个隐藏层卷积后，d 就会以指数形式增长1次，多层卷积计算使得TCN获得更大的感受野，图A5中第一层感受野为2，第二层感受野为3，依此增加，这使得TCN能够更精确地捕捉到负