中國儲能網(wǎng)訊：
導語
近年來，在儲能發(fā)展政策的扶持引導下，用戶側儲能數(shù)量實現(xiàn)了進一步增長。在此背景下，如何深入挖掘已裝儲能用戶并實施精細化管理，成為新型電力系統(tǒng)負荷調(diào)控的一項新的研究內(nèi)容。
本文以識別峰谷套利模式下的工商業(yè)用戶側儲能為目標，結合儲能投運策略和負荷曲線變化，構建典型特征指標體系，通過MiniBatch K-Means聚類分群、隨機森林特征優(yōu)選及多維度交叉迭代模型，精準識別已裝儲能用戶，助力電網(wǎng)企業(yè)用戶側儲能資源排查和統(tǒng)一管理工作開展。
用戶側儲能識別，難點幾何？
2024年4月，國家能源局發(fā)布了《關于促進新型儲能并網(wǎng)和調(diào)度運用的通知》（國能發(fā)科技〔2024〕26號），旨在規(guī)范新型儲能的并網(wǎng)接入管理并優(yōu)化其調(diào)度運行機制，更有效地發(fā)揮新型儲能的作用，以支撐新型電力系統(tǒng)的構建。
用戶側儲能具備顯著的降本增效作用，通過峰谷用電轉移可以有效減少高價用電，還能與光伏結合提升日間新能源消納水平減少碳排放，在促進環(huán)保和可持續(xù)發(fā)展的同時，能夠有效平衡電網(wǎng)負荷、降低供電設備擴容成本，兼具實用性、價值性和推廣潛力，為用戶和電網(wǎng)帶來了豐厚的經(jīng)濟和管理效益。
然而，早期用戶側儲能投資主要由企業(yè)驅(qū)動，并未強制要求并網(wǎng)管理，導致電力公司對已投運用戶儲能信息掌握不足，難以調(diào)動儲能資源參與電網(wǎng)互動，用戶也無法根據(jù)電網(wǎng)缺口和補貼政策及時調(diào)整儲能運行策略，限制了儲能經(jīng)濟價值的進一步發(fā)揮。
為降低信息核查難度，需要結合儲能設備安裝前后用戶用電行為變化，構建已裝儲能用戶識別模型，輔助基層業(yè)務高效開展儲能用戶摸排，支撐電網(wǎng)開展精細化的儲能負荷資源管理。
目前儲能用戶識別工作開展存在以下問題：
1、研究樣本稀缺：早期粗放式管理使得電力公司對儲能用戶管控有限，上門核查需要用戶配合且耗時費力，導致可用于分析的樣本數(shù)據(jù)不足，不利于規(guī)律的識別，不僅增加了算法學習的難度，也影響了識別的準確性和泛化能力。
2、用電特征復雜度高：大用戶受生產(chǎn)經(jīng)營影響，用電負荷本身波動性大。此外，還有多種因素干擾用電特征分析。
一是當儲能容量較小時，儲能產(chǎn)生的負荷調(diào)節(jié)效應容易淹沒在企業(yè)本身的用電調(diào)整變化中；二是為了降低用電成本，很多用戶已經(jīng)主動開展錯峰用電，負荷調(diào)節(jié)效果與儲能相似不易區(qū)分；三是大用戶安裝光伏的比例較高，發(fā)電水平波動大對日間負荷的影響較大，也會對用電特征分析產(chǎn)生一定干擾。
3、儲能充放電靈活性高：儲能設備輸入輸出功率可控，但不一定會按照恒定功率充放，會呈現(xiàn)多種充放電輪廓，同時目前電力公司對企業(yè)內(nèi)部用電的精細化監(jiān)測不足，因此無法采用典型負荷剝離的方式進行分析，仍需要結合業(yè)務和數(shù)據(jù)表現(xiàn)綜合考慮制定解決方案。
問題解決思路
為解決用戶側儲能識別過程中數(shù)據(jù)稀缺、特征復雜等問題，本文提出一套以數(shù)據(jù)增幅典型樣本篩選方法為基礎，基于峰谷套利模式下的工商業(yè)用戶側儲能識別模型。具體解決思路包括以下四方面：
1、基于數(shù)據(jù)增幅的典型樣本篩選與數(shù)據(jù)優(yōu)化策略：為應對設備級負荷數(shù)據(jù)缺失的問題，通過篩選典型樣本和小步迭代優(yōu)化相結合的策略，不斷擴充儲能樣本庫，動態(tài)調(diào)整特征規(guī)則和閾值，逐步提升儲能負荷識別模型的準確性。
2、基于MiniBatch K-Means聚類的用戶分群：通過精細化的聚類分析對樣本用戶的負荷曲線進行分群，篩選出典型用戶群體，為用戶側儲能識別指標體系的構建提供方向，提升分析的準確性和針對性。
3、基于隨機森林分類模型的特征精選與尋優(yōu)：在統(tǒng)一數(shù)據(jù)來源的前提下，利用隨機森林模型進行特征選擇和優(yōu)化，提取關鍵指標并設定指標閾值，建立完善的指標體系，提高模型的適應性和泛化能力。
4、基于多維特征交叉迭代的模型優(yōu)化：通過構建多維度業(yè)務特征交叉迭代模型，根據(jù)識別結果持續(xù)優(yōu)化指標組合及閾值，不斷迭代提升識別精度，并增強尋優(yōu)的適用性，利于算法的推廣應用。
總體思路如圖所示：
圖1 總體框架
基于數(shù)據(jù)增幅的典型樣本篩選與數(shù)據(jù)優(yōu)化策略
由于設備級負荷數(shù)據(jù)缺失，無法通過多元負荷解構分析直接識別出儲能負荷，秉承“抓典型”的分析思路，結合數(shù)據(jù)增幅的典型樣本篩選與優(yōu)化策略，進行樣本數(shù)據(jù)篩選與清洗。本文將研究對象聚焦于用電容量在630kW以上的工商業(yè)用戶群體，采用分步優(yōu)化流程實現(xiàn)識別模型的迭代改進：
1、典型負荷用戶提取：提取用戶月度負荷曲線，剔除負荷完整率較低的日期數(shù)據(jù)，并針對少量缺失值進行拉格朗日插值擬合，形成高質(zhì)量的月度平均負荷曲線；同時，排除節(jié)假日、春節(jié)等特殊日期影響，提升分析的準確性。
2、基準月篩選：基于谷時段用電增加的特征，使用時間窗口滑動方式，捕捉負荷明顯躍升的月份作為基準月，從而有效鎖定分析周期，確保儲能特征的穩(wěn)定性和代表性。
3、時段特征構建：在特征構建中，重點聚焦凌晨、上午和午間低谷時段，兼顧光伏發(fā)電對用電負荷的影響，衍生出更多特征指標和規(guī)則閾值，標記出儲能用戶的典型特征。
4、小步快跑迭代優(yōu)化：以單個地市為單位逐步推進，對每一批識別出的儲能用戶進行驗證，不斷擴充樣本庫，優(yōu)化特征和規(guī)則，從而提升模型識別精度并實現(xiàn)數(shù)據(jù)處理流程的持續(xù)迭代改進。
通過以上步驟，逐步豐富儲能識別特征庫，為進一步推廣儲能用戶識別技術奠定基礎。數(shù)據(jù)處理流程如圖2所示。
圖2 數(shù)據(jù)處理流程
基于MiniBatch K-Means聚類算法的精細化用戶分群
在對儲能用戶的初步負荷曲線分析中發(fā)現(xiàn)存在用戶用電特征的顯著差異及數(shù)據(jù)量有限、特征不明顯等問題，難以直接進行精細化分析。
為此，本文擬采取兩步策略：
首先，利用MiniBatch K-Means聚類算法對用戶進行精細化分群，基于96點負荷數(shù)據(jù)篩選出儲能特征最顯著的用戶群體，并結合初始業(yè)務假設構建業(yè)務指標體系；其次，逐一對比各指標下儲能用戶與非儲能用戶的數(shù)據(jù)分布差異，篩選出具有顯著差異的指標，以此系統(tǒng)性地揭示并闡述各類用戶的用電特征。
遵循一系列迭代流程——涵蓋初始化、采樣、分配、更新及重復環(huán)節(jié)，同時運用肘部法則作為分析方法確定了最佳的聚類數(shù)目，并隨后展示了各類別的聚類結果可視化圖表。
圖3 聚類結果
為了深入探索并挖掘典型儲能用戶的用電特征，本文充分考慮了儲能用戶與非儲能用戶之間在用電行為上的差異，同時也區(qū)分了儲能用戶中充放電行為有明顯規(guī)律的典型用戶與充放電行為無明顯規(guī)律的非典型用戶?；诰垲惤Y果對所有用戶的96點負荷曲線進行細致的人工二次核查與分析。
通過這一過程，結合數(shù)據(jù)特征標簽，最終將所有用戶劃分為四大類特征：典型儲能用戶、非典型儲能用戶、典型非儲能用戶以及非典型非儲能用戶。
其中非典型往往還會呈現(xiàn)出更加多樣性的特征。這樣的分類方式不僅有助于更精確地理解各類用戶的用電行為模式，也為后續(xù)的儲能特征挖掘和用戶識別提供了有力的基礎數(shù)據(jù)支撐。
表1 聚類結果展示
基于隨機森林模型的特征精選與尋優(yōu)
儲能用戶特征指標涵蓋用戶檔案、電量波動、負荷波動等多維數(shù)據(jù)，特征數(shù)量多且閾值劃分難度大，篩選尋優(yōu)尤為關鍵。
通過聚類算法初步篩選典型儲能用戶，結合基礎96點電負荷數(shù)據(jù)及其屬性特征深入分析，精確劃分用戶的用電數(shù)據(jù)基礎指標，開展后續(xù)相關指標的加工處理。引入隨機森林、決策樹等經(jīng)典機器學習分類模型，構建高效的分類識別模型，準確提取各特征指標的影響程度及方式，從而優(yōu)化和篩選關鍵指標并進行相應的閾值初步設定。
圖4 用電數(shù)據(jù)基礎指標
在模型構建過程中，嚴格監(jiān)控數(shù)據(jù)的完整性和合理性，剔除不合格的數(shù)據(jù)，妥善處理缺失值和極端值等異常情況。通過標準化的采樣、學習和集成流程，結合基尼不純度和信息增益等評估準則，在每個決策樹節(jié)點上精細選擇最具區(qū)分度的特征進行劃分，確保模型有效捕捉數(shù)據(jù)集中的關鍵信息，構建出準確的分類識別模型，從而提升數(shù)據(jù)的利用率和價值，為后續(xù)多維度業(yè)務特征的交叉融合優(yōu)化迭代奠定了堅實基礎，確保分析結果的準確性和可靠性。
最終，形成儲能用戶識別指標體系，如下表所示：
表2 儲能用戶識別指標表
基于多維度業(yè)務特征的交叉融合模型
通過隨機森林模型篩選出一些優(yōu)質(zhì)特征及閾值，但由于各特征間存在相關性和互補性，不同特征對準確性的影響也有所不同，因此需要有效組合這些特征以提高識別精度。
為此，本文引入交叉融合算法，通過特征的線性組合生成新的組合特征，并在多指標體系中進行交叉驗證。在不斷增加的用戶數(shù)據(jù)基礎上進行迭代優(yōu)化，提煉出最優(yōu)規(guī)則集合，深度挖掘數(shù)據(jù)中的潛在模式，最終生成一份高準確率的交叉融合規(guī)則表。
表3 交叉融合后最終規(guī)則表
以某市樣本數(shù)據(jù)為基礎，其中選取示范區(qū)作為模型訓練階段的測試集，開展模型研究與優(yōu)化?；谟柧毢玫妮^優(yōu)模型，對其他地市的儲能用戶進行識別和驗證。
基于上述規(guī)則，測試集在命中的21個儲能用戶里，較為典型的儲能用戶有14戶，占比66.7%。這類用戶11-13點用電量很高，屬于儲能充電的時間段，儲能用戶呈明顯的階梯狀曲線，該類儲能用戶用電都是在谷期用電較高，峰期用電較低，尤其是在午間充電，是非常典型的儲能用戶。
圖5 典型儲能11-13用電較高的用戶
另一種特征較為顯著的儲能用戶有7戶，占比33.3%，這類用戶，在夜間用電較高，均屬于儲能充電的時間段，總體曲線走向觀察出夜間用電均比午間用電要高，也是本次篩選過程中所發(fā)現(xiàn)的一類新的儲能用戶特征曲線。
圖6 典型儲能0-8用電較高的用戶
進一步對其他地市儲能用戶進行識別，以某市為例進行識別驗證集結果，按照上述交叉模型，共篩選出儲能用戶59戶，經(jīng)核實后確認儲能用戶54戶，準確率達91.5%。
儲能識別研究應用
開展已裝儲能用戶識別，對儲能項目精細化管理和電網(wǎng)可調(diào)負荷資源調(diào)度具有重要的數(shù)據(jù)支撐作用。當前模型經(jīng)多地市數(shù)據(jù)驗證，識別效果良好，具有推廣潛力。未來可根據(jù)實際反饋對模型進一步優(yōu)化，并推廣至全省及其他地區(qū)，實現(xiàn)大規(guī)模的儲能用戶識別與分類摸排，以填補以往儲能用戶識別市場的空缺。
在識別模型的基礎上，進一步分析并構建了儲能用戶特征畫像，能夠準確把握當前區(qū)域內(nèi)儲能用戶的用電負荷特性及各行業(yè)容量配置的概況，為儲能負荷調(diào)節(jié)奠定基礎。
圖7 儲能用戶畫像
結語
本文聚焦用戶側儲能的精準識別問題，利用聚類算法和機器學習分類技術，對當前監(jiān)管體系外的儲能用戶進行精確識別。通過用戶電力負荷曲線的深入分析，建立儲能用戶識別模型，有效提升識別準確率，使電力公司能夠全面掌握用戶側儲能分布。
未來工作將圍繞儲能投資潛力用戶模型和收益測算模型兩大方向展開。通過分析現(xiàn)有用戶特征和盈利模式，挖掘高收益潛力用戶，提供配置建議以擴大儲能市場。隨著電力系統(tǒng)和需求的演變，將逐步納入用戶放電能力和收益測算，推動電網(wǎng)負荷調(diào)節(jié)與智能調(diào)度的協(xié)同，優(yōu)化資源管理，實現(xiàn)效益最大化。
