加拿大pc微信信誉群

作者: seo 分类: seo基础 发布时间: 2019-07-08 16:39

  电力系统及发电设备控制和仿真国家重点实验室(清华大学电机系) 、国网(苏州)城市能源研究院、国网能源研究院有限公司的研究人员王毅、张宁、康重庆、奚巍民、霍沫霖,在2019年第10期《电工技术学报》上撰文指出,在高比例可再生能源并网和电力市场改革不断推进的背景下,通过广泛的用户互动为电力系统提供了灵活性、实现个性化的用户服务,成为未来智能电网发展的必然要求。

  随着智能电表等信息获取手段的不断普及,电力系统“物理-信息-社会”深度耦合的特征日益突出,对电力用户的分析面临手段上的突破,以物理模型与数据模型相结合的综合分析成为重要趋势。

  本文提出电力用户行为模型的概念,借鉴社会学对于用户行为的解读,从行为主体、行为环境、行为手段、行为结果和行为效用五个方面进行剖析,然后进一步延拓为集群行为和预见行为;在此基础上对电力用户行为模型的内涵和外延进行分析,阐述用户行为模型的研究意义;最后对电力用户行为建模的理论研究框架进行了分析。

  高比例可再生能源并网和电力市场改革不断推进使得广泛用户互动成为智能电网发展的必然要求:高比例可再生能源并网需要电力系统提供更多灵活性平抑其波动性,而传统电力系统中用户往往是“被动用电”,没有主动地参与到与电力系统的互动中去,其灵活性有待进一步挖掘;售电市场的不断放开客观上要求售电商更加重视电力用户的用电体验,开展以用户为中心的售电服务以提升自身竞争力。

  智能电网为广泛用户互动提供了物理、信息和市场全方位的支撑:随着分布式可再生能源、储能等的并网,电力用户从消费者转变为“产消者(Prosumer)”,能够对用电设备、储能等进行合理控制从而实现效用最优,这为用户互动提供物理基础;智能电表和通信网络、数据管理系统共同构成的先进量测体系(Advanced Metering Infrastructure, AMI),在采集用电数据,实现能量流与信息流双向流动中扮演重要角色,为用户互动提供信息通信基础;开放的售电市场将催生繁荣的商业模式,从电价设计、用户代理、需求响应等各方面开展用户服务,为用户互动提供市场基础。

  电力系统除传统电力设备外,还需要信息系统的支撑,以及调度员、用户等人的参与。电力系统日益成为一个“电力-信息-社会”高度融合的复杂系统,单纯的物理视角建模不足以全面描述电力系统全貌,需要充分考虑环境、经济、社会因素和人的行为对整个电力系统的影响。

  “物理-信息”耦合电力系统的研究已经受到了广泛的关注,重点考虑信息安全、大数据技术等对电力系统的影响,为电力系统提供信息视角。然而目前研究对“物理-信息-社会”深度耦合电力系统的社会视角建模较少,对电力系统中的“用户”建模不够。

  电力负荷作为整个电力系统的重要组成部分,其建模受到了广泛的关注和研究,具体包括综合负荷建模和负荷预测等,为电力系统规划、运行和稳定性分析等奠定了基础。对用户负荷的研究也主要关注其电气特性或功率特性,或开展综合负荷建模(如构建ZIP模型)以用于电力系统网络计算;或对电力负荷进行若干相关因素的敏感性分析和预测,以用于电力系统规划和运行。

  电力负荷是由于电力用户使用电器而产生的,传统电网仅关注负荷本身,而没有关注到电力负荷背后的电力用户,没有充分考虑电力用户行为对电力系统的影响,即对需求侧的建模仅考虑负荷的电气特性,如物理视角的综合负荷建模,而不分析海量用户本身,对电力用户行为的分析较少。

  随着智能电网的进一步发展,对需求响应、能效管理、用电大数据分析等相关的研究也较多。部分研究从物理视角构建面向用户需求响应等的优化模型;另一部分则开展数据驱动的分析,通过聚类等方式对用户某些特定用电方式进行电价设计,也有开展用户用电行为分析方面的研究。

  数据驱动的分析(Data Analytics)本质上是将数据转换为知识从而做出更好决策的过程,一般来说包括三个阶段:描述性分析(Deive Analytics),对数据的基本特性有一定程度的认识;预测性分析(Predictive Analytics),感知未来数据的发展趋势;决策性分析(Preive Analytics),通过数据做出一定的决策。

  在负荷分析方面,具体包括坏数据辨识、窃电检测和用电模式辨识等研究;在负荷预测方面,具体包括不含智能电表数据预测、含智能电表数据预测和概率预测等研究;在负荷管理方面,具体包括用户特性辨识、需求响应资源定位和需求响应实施等研究。

  可以看到,国内外学者已经在用电数据分析方面开展了大量的研究,这些研究在需求响应、电价设计、系统运行等方面具有广阔的应用前景。然而目前研究往往还是围绕某一具体应用开展的,类似于“面向过程”的程序编写,缺乏对电力用户行为体系化的认知,没有“面向对象”的整体设计。

  也就是说,目前的研究还没有准确分析电力用户行为的确切含义,也没有“系统性”地构建“用户行为”的模型,对用户行为的认知没有像“物理-信息”一样上升到“系统”或“模型”的层面。

  当下,行为学和社会学在各个行业的研究与应用受到越来越多的关注,自然(Nature)期刊出版社研究专门开辟在线论坛供研究者探讨和分享行为学和社会学研究及其在各行业的应用,能源行业就是其中之一。所以未来在需求侧建模与分析时,需要提供更多的社会学、行为学等视角,以重新审视未来越来越“主动”的电力用户。

  电力系统中的用户本身是一个复杂的系统,鲜有现成的解析化模型可以进行分析,所以电力用户行为的建模是难以模型驱动的,而海量用电大数据为数据驱动的用户行为分析提供了新的解决途径。

  本文以电力用户行为为核心,从社会学视角剖析电力用户行为的基本构成及其内在逻辑关系,将电力用户行为模型的构建转化为一系列用户特征属性辨识及其关联关系构建问题,从用户肖像、用电结构、用电曲线、用电趋势以及用户集群等方面开展前瞻性的基础理论与方法的研究工作,构建数据驱动的电力用户行为建模研究框架。研究工作在我国高比例可再生能源并网和售电市场逐步放开的大趋势下将具有重要的理论和实用价值。

  用户行为模型的概念在供应链管理、软件系统设计、用户画像、网络推荐、情报文献管理等领域已经被广泛应用,以实现个性化的用户服务;而电力用户是在电力系统中的一种特定用户,电力用户行为模型是用户行为模型和电力系统的交汇点。

  “行为”一词具有丰富的含义,在不同研究领域具有不同的解读方式。本文所描述的电力用户行为是从社会学和心理学的角度进行解读:电力用户行为是指电力用户在外界环境影响下所产生的用电活动和表现出来与用电相关的态度。其中产生的用电活动是能够通过传感器如智能电表等计量或察觉到的显性行为;而表现的用电态度(包括是否接受需求响应等)是不容易被直接观察到的思维方式、态度等隐性行为。

  在社会学领域,人的行为一般由行为主体、行为环境、行为手段、行为结果和行为客体五个部分组成。相似地,图1给出了电力用户行为的基本构成及其延拓。在电力系统中,电力用户具有自身的效用函数,其所做出的用电行为是为了追求更大的效用,所以对于电力用户而言,其行为构成中行为客体用行为效用替代。

  电力用户行为的基本组成主要包括五个部分:①行为主体:电力用户本身,其中电力用户是具有认知和思维能力的人,拥有特定的社会经济信息等属性;②行为环境:影响电力用户行为的外界环境,如电力网络、气象因素、电价因素、节假日因素、其他用户行为等;③行为手段:电力用户为达到某一目标需要采取的手段,包括对所有家用电器、电动汽车、分布式储能、分布式可再生能源等的使用或控制;④行为结果:电力用户最终产生的用电曲线或特定的用电模式,即与电网所交换的功率;⑤行为效用:电力用户通过用电给自身带来的效用,包括用电成本(负效用)、舒适度效用、其他某一具体目标达成的效用等。

  以上五个组成部分具有紧密的内在逻辑关系:行为主体(电力用户)根据自身属性和当时的行为环境(外界因素),采取一定的行为手段(使用电器设备),从而产生行为结果(形成电力消费),以实现最高的行为效用(如获利等)。

  五个组成部分呈现电力用户行为由本征到表象的递进关系、从隐性行为到显性行为的承接关系。需要指出的是,电力用户行为和用户用电行为是两个不同的概念,用户用电行为仅描述用户用电所表现出来的功率特性,是一种用户显性行为,也就是说用户用电行为是电力用户行为的重要组成部分。

  对于单一电力用户行为,可以进行空间上的延拓,即集群行为,根据某一用户特性,将多个相似的用户聚集到一起,构成若干个具有某一相似特性的用户集群;还可以进行时间上的延拓,即预见行为,对未来一段时间的用户行为的变化趋势,其中用电行为预测(负荷预测)是最常见的一种延拓。

  在此基础上,可以进一步定义电力用户行为模型。电力用户行为模型就是利用多元化信息,通过优化建模、数据分析等手段,揭示和描述行为主体、行为环境、行为手段、行为结果、行为效用、预见行为、集群行为的内在特性及其相互关联关系,实现对电力用户行为的一种抽象和特征的规范化表达。

  面向某一具体应用的用户用电数据分析类似于“面向过程”的程序编写,是为了作该应用提供特定的解决方案的;而电力用户行为模型的构建类似于“面向对象”的整体性设计,针对用户行为这个具体对象,设计五个基本构成和两个派生行为,行为模型则是在描述这些行为构成和派生之间的关联关系。

  智能电表等的普及为需求侧的更广泛、更细粒度的数据采集提供了基础,包括用户用电数据、电动汽车充放电数据、气象数据、电价数据等。电力用户是具有一定认知和思维能力的人,用户本身就可以认为是世界上最复杂的系统。

  对电力系统物理元件的建模有先验的物理模型,然后开展参数估计;而对人行为的建模不同,往往是基于大量观测的经验总结,所以需要以多元化数据为支撑,而不是简单的几个物理参数。

  电力用户行为模型一般是以优化建模和数据分析为手段的。如基于一定的效用假设建立一定外界环境下的用户用电优化模型,进而分析用户用电行为;又如用户的社会经济属性如何影响用户的用电曲线,或者用户用电曲线如何反映用户社会经济属性是没有现成模型去描述的,可以认为是一个高维且非线性的映射关系,此时需要用先进的数据分析手段描述两者之间的关系。

  一个模型一般包含目标、变量和关系三个部分,由于用户行为有五个基本构成和时空尺度两种延拓,所以用户行为模型应该是一系列子模型的集合,而每一个子模型均描述用户行为构成之间的关系,拥有自己的目标、变量和关系。

  例如,用户肖像辨识子模型,以用户用电曲线为变量,以辨识用户社会经济等信息为目标,构建起两者之间的高维非线性关系;又如用户分布式光伏、储能的主动负荷辨识子模型,以外界环境、用电曲线等为变量,以剥离分布式光伏、储能等为目标,构建起主动负荷出力和外界环境因素以及最终净负荷曲线 外延

  用户行为模型这个概念在个性化推荐系统、社交网络、个性化城市导航、人机交互设计、自适应新闻访问等领域已经具有广泛的应用,其根本目的是实现个性化的用户服务从而提升市场竞争力并增加盈利。例如在市场营销领域,可以尝试构建用户“肖像”,描述用户的某些关键特征,从而对用户进行分类,然后根据每一类用户的特性提供不同类型的服务,推销特定的商品等;又如在广告推送领域,可以根据用户的网站浏览记录及其路径,对用户购买行为进行建模,从而推送个性化的广告。

  从服务提供者角度来看,构建用户行为模型的本质是挖掘用户在不同“动作”(如商品购买、网页浏览等)之间可能存在的关系,从而推断出用户未来潜在的需求或喜好,从而实现高效的个性化服务。从用户角度来看,用户享受到的服务可能是趋同的,或者存在多元化的服务,用户却不能高效地找到最符合自身的服务,面临“信息过载”的问题,而用户行为模型的构建希望实现服务的主动推荐与提供。

  从“电力系统被动满足需求”到“电力用户主动需求响应”的转变是智能电网和能源互联网发展的重要特征之一。售电市场的放开与繁荣使得市场众多参与主体如售电商、负荷聚集商为用户提供多样化的产品,例如不同类型的电价套餐、多样化的需求响应合同等,电力用户接受到的服务产品是多样且复杂的,也存在“信息过载”的问题。

  在智能电网和能源互联网的背景下,电力用户扮演了至关重要的角色,仅仅关注电力系统的物理特性不足以对整个电力系统进行全面的建模,需要充分考虑电力用户行为的建模,从而挖掘其互动特性。虽然需求响应等的研究已经涉及到用户行为与互动,但主要还是关注用户用电设备安排等更加微观的物理模型。因此需要更全面地对用户行为进行建模,特别是从社会学、心理学等视角进行分析,真正实现以电力用户为核心的电力系统价值创造。

  电力用户行为具有效用趋优性、主动性、多样性、可预见性、不确定性、高维复杂性、集群特性和弱可观测性等基本特性,这些特性也将成为构建用户行为模型的基础。下面将分别阐述。

  作为有认知和思维能力的人,用户最终产生用电行为一定是受到外界环境的影响,通过使用或控制某些电器设备,从而满足自身日常或某些特定需求,从而实现效用最大化。在用户需求响应和家庭能量管理系统中,其内在设置也是通过合理安排电器设备的使用,在满足用户舒适度的情况下实现用电成本最低。虽然用户不能像软件程序一样对自己的用电行为进行精确建模并求得最优,但也是趋向于增加自己的用电效用,降低自己的用电成本。

  用户不是消极被动地接受电力系统的供电,而是具有一定主观能动性的,为了实现效用趋优,会根据外部环境的变化,主动地改变自己的用电行为。目前开展的需求响应和能效管理等项目都需要充分调动用户的主观能动性,将传统“被动负荷”转变为“主动负荷”。

  不同用户具有自身不同的效用度量标准(即效用函数);也因为用电设备的不同,导致行为手段也有所不同;此外,不同区域的用户所受到的外界环境刺激也是不一样的。不同行为主体、行为时段在不同行为环境下所产生的行为结果当然是具有多样性的,包括不同用户的多样性和同一用户不同时段的多样性。

  用户的效用趋优性使得用户行为具有一定内在规律,在掌握了这些内在规律的情况下,可以对用户的各种行为有一定的预见,例如根据用户的历史用电曲线分析,可以预测用户未来一段时间的用电曲线,也可以通过用户的社会经济等信息推测其未来用电的基本模式。用户行为的可预见性来自于同一个用户行为的稳定性以及不同用户行为具有的相似规律。

  用户行为在具有可预见性的同时也具有不确定性,用户的用电行为实质上是用户长期工作与生活习惯的基础上叠加一系列随机事件的结果。因此电力用户行为模型中将不可避免地存在不确定性。不确定性既可能来源于纯粹的随机事件导致的用户随机行为,又可能来源于未辨识出的用户规律性行为所导致的模型偏差。

  电力用户行为模型的不确定性在时间维度上体现为其时变性,对于短期而言,电力用户模型在一天内不同时段、工作日和休息日可能存在差异,对长期而言,随着电力用户生活方式的变化、消费水平的升级以及用电设备智能化水平的提高,其用户行为模型也将随之变化。因此,电力用户行为模型的构建离不开对其不确定性的刻画。

  对用户用电行为的刻画涉及到用户的一系列基本属性,由于人的自然属性与社会属性具有高度的复杂性,人的行为具有多个复杂的侧面,无法采用几个简单属性对用户用电行为进行全方位的刻画,因此电力用户行为模型必将存在高维复杂性。“世界上没有两片完全相同的树叶,更没有完全相同的两个人”,每个用户都将是高维用户行为模型空间中的一个实例。

  人的生产活动具有社会性,所以电力用户行为表现出一定的集群特性,即不同用户个体的用电模型在属性空间或者其子空间上自主地形成一系列的组团,每个组团中用户的用电特征趋同,不同组团中用电特征具有明显差异。用户的集群特性为用户模型的聚类分析与组团建模提供了线 弱可观测性

  电力用户行为是复杂多变的,而电力系统与电力用户的信息交互往往仅通过智能电表进行,实现对用电曲线等显性行为的直接观测;而对其内部用电行为,包括单一电器的用电行为、分布式光伏的出力、分布式储能的响应行为、用户态度等隐性行为都无法直接观测。于是需要电力系统融合更多元化和更细粒度的数据应对这种弱可观测性带来的 挑战。

  由于电力用户行为模型是用来描述电力用户行为主要构成及其拓展内在特性和相互关联关系的模型,所以为了规范化地描述电力用户行为模型,需要对电力用户行为的主要构成部分进行数学定义,其中相关的数学符号见表1。

  具体地,在数据收集模块中,需要广泛地收集多元化的与用户用电特征相关的数据,而数据的获取方式包括两个途径:①主动获取途径,如智能电表数据、气象数据、电价数据等;②用户反馈途径,包括直接的反馈数据(如对某个项目是否感兴趣等)和间接的反馈数据(如用户对不同电价下的用电行为等)。

  (1)应用驱动性:用户属性是描述电力用户特征的规范化表达方法,用户本身是复杂的,需要海量的属性进行全面的刻画,而构建用户行为模型的目的是为了实现对用户的个性化服务以及用户与电网的优化互动,所以需要对用户的属性进行筛选,保留重要的具有在电力系统中应用潜力的属性。例如需要对用户的社会经济信息进行挖掘,以在语音服务、电器推销等方面进行应用;又如用电模式的辨识为分时电价制定等提供基础。

  (2)属性漂移性:用户的属性并不是一成不变的,可能随时间发生一定的变化,对于属性漂移,需要对用户的属性进行实时或定时地修正,例如基于权值衰减的属性修正方法。为了实现对可变用户行为模型的及时建立和更新,需要滚动地或以一定周期重新获取包括用电数据、气象数据、电价数据和问卷数据等在内的各种用户行为数据,在此基础上对用户行为模型的核心关系和参数进行更新或修正。

  (3)属性一致性:用户属性集之间应该保证内在的一致性,不同的属性刻画用户的不同方面,所得到的属性值不能存在互相矛盾的地方,而是相互印证,尽可能全面刻画用户本身及其用电的特性。

  (4)可评价性:不同属性值的表现形式是不一样的,但需要能够对该属性进行评价从而更好地指导数据的采集和属性的辨识,例如概率化模型可以通过分位数损失评价、分类离散值通过准确度或者分类熵评价等,所有的属性表达应该是具体化的数值表达,并且有相应的评价指标,包括定性的评价和定量的评价,也有基于统计数值的评价和基于效用的评价。

  对于行为主体,可以实现用户的肖像描绘,包括用户基本属性,如性别年龄、职业薪酬、社会阶层、房屋情况等,用户偏好属性,如需求响应意愿、用电偏好等。

  图6给出了三个用户的平均周负荷曲线和对应的用户社会经济信息,以方便更直观地从用电曲线中获取部分用户社会经济信息。

  已退休的用户#1018在工作时间用电水平也维持在较高水平,而未退休的用户#1020和用户#1032除周末外,在工作时间段用电水平较低,这与三个用户的工作状态是相符的。用户#1032的卧室数量较少,其用电水平也相对较低。家中有小孩的用户#1018在较晚的时候仍然有较高的用电水平,可能是该用户房屋类型为平房(类似别墅),所有家庭成员都居住在一起,有家庭其他成员在夜间仍然保持活跃的用电,甚至为了在夜间照顾小孩。三个用户在晚间18 00~20 00之间都保持较为活跃的用电,这与一般家庭用电习惯相符。

  对于行为手段,即用户用电行为结构解析可以做两方面的解读,其一是直接根据总用电负荷对用户某一或某些设备的运行状态进行分解。非侵入式辨识(Non-intrusive Load Monitoring, NILM)就是对居民甚至楼宇用户用电行为进行结构解析的重要手段,利用秒级甚至更细粒度的用电数据,将其中用电负荷分解成为若干个单一用电设备的功率曲线。

  非侵入式辨识的研究可以追溯到20世纪70年代,然而目前相关研究还没有充分考虑分布式可再生能源和储能等接入的影响。另一种解读则是对用户不同的分量进行解析,例如将用户的用电行为结构解析为气象敏感分量、电价敏感分量、基础用电分量等;又如将用户用电行为结构解析为季节分量、周分量、日分量等;再如将用户用电行为结构解析为低频稳定分量和高频随机分量等。

  对于行为结果,可以辨识用户用电的基本模式、用电的动态特性、不确定性等各种指标。通过对负荷曲线的聚类就可以实现用户用电模式的提取,文献[40]则从稀疏视角重新审视用户用电曲线,认为用户用电曲线本质上是几种用电行为的叠加,如图7所示,然后将用户行为模式提取问题建模为一个稀疏编码问题,能够有效辨识用户用电子模式,实现海量用电数据的压缩。

  对于预见行为,对未来用电行为的估计可能具有不同的时间尺度,如超短期、短期和中长期。用户负荷预测就是一种典型的对行为结果的预见,为了更好地描述用户用电行为的不确定性,目前国内外学者开展了越来越多的面向单一用户的概率性负荷预测研究。

  例如文献[42]提出分位数长短时记忆网络模型,对单一用户未来用电趋势进行概率性预测。图8给出了典型的超短期居民用户概率性负荷预测示例,通过一系列的分位数描述其未来不确定性。

  对于集群行为,可以根据不同的标准即某一用户行为特征对用户进行集群划分,如根据用户基本属性、电器设备使用、用电曲线形态等进行集群辨识,如图9所示。

  本文提出了电力用户行为模型的基本概念,剖析了用户行为的基本组成部分,包括行为主体、行为环境、行为手段、行为模式和行为效用,然后进一步延拓为集群行为和预见行为,在此基础上,通过若干示例给出了电力用户行为建模的理论研究框架,希望本文能够为电力用户行为模型的研究提供参考,构架数据驱动的以用户为中心的研究与应用“生态”,进一步促进能源互联网背景下的用户互动。

如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!