近年来，电力系统面临新能源规模化并网和局部时段“缺电”等挑战，需求响应（Demand Response,DR）因提供低成本的可调度容量资源被广泛应用。需求响应潜力评估为制定和实施DR策略提供基础支持，受到工业和学术界的广泛关注[1-2]。此外，评估区域能源系统的DR潜力，也有助于支撑大规模新能源消纳[3]。

DR潜力评估的研究对象主要是柔性负荷设备，包括工商业可调负荷以及居民负荷中空调等可调设备[4-5]。工商业负荷具有高能耗和高可控性的特点，其参与DR潜力高，调控容易，获利显著[6]，因而现有研究和示范项目多集中在工商业负荷参与DR[7]。现有研究中对能够进行灵活调度的居民空调负荷进行DR潜力评估，主要针对其参与电网削峰填谷能力[8]，或利用优化算法对包括多类型负荷的居民负荷进行DR潜力评估，为电网指定DR策略提供理论支持[9-10]。

然而，文献[6-10]侧重于用户群的需求潜力评估，忽略了海量零散的负荷资源。对零散负荷进行DR潜力评估需要考虑多方面用电行为影响因素，如气候、经济、文化等[11]。文献[12]建立了主网负荷曲线的潜力评估体系，但未考虑用户主观因素的影响。文献[13]构建了负荷资源互动模型，但未建立综合分析指标，导致评估复杂且适用性不高。为更精确地建立潜力评估指标体系，部分学者提出基于非侵入负荷检测（Non-Intrusive Load Monitoring,NILM）方法对居民用户多类型负荷进行DR潜力评估，即基于单个用电设备的用电行为进行潜力评估。NILM具有前期投入低、性能稳定、可行性高等优点[14]，但数据源采集、算法精度和可扩展性问题也亟待解决[15]。

在NILM中事件检测算法一般分为规则检测和概率模型检测2类。文献[16]比较几种常用用电设备识别方式，建立基于谐波电流面积的负荷监测规则方法。文献[17]选取电气特征和外部数据为特征量，提出一种基于贝叶斯概率模型非侵入式家庭负荷动态监测模型，提升低频负荷辨识准确率。而负荷识别通过负荷功耗曲线来确认各曲线与负荷分类的对应关系。现有的NILM大多借助高频信息[18]设计负荷识别算法。本文将经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD)[19]这技术和深度学习代表卷积神经网络（Convolutional Neural Network,CNN)[20]结合，通过挖掘低频信息，提高负荷识别精度，为需求响应潜力评估提供数据支撑。

综上所述，本文首先利用CEEMD技术对各类负荷用电曲线的低频信号提取图像特征，进而通过CNN神经网络高效地识别各种负荷类型，分离出各自的功耗曲线。然后，本文考虑了负荷的使用习惯、弹性程度以及在电网运行中的潜在影响和适应能力等因素，建立一个多维度的DR潜力指标体系。最后，通过算例计算各种潜力指标，得到了负荷需求响应的综合潜力评估指数，明确了各类需求响应资源容量，验证了本文方法的有效性。

1、DR潜力评估的方法

基于居民用户用电数据，本文采用事件检测器截取各事件时间节点前后的负荷能耗波形，通过CEEMD算法和CNN神经网络，对所截取波形进行分解和学习，识别居民用户多类型负荷曲线。由于需求响应负荷潜力评估具有较多的不确定性因素，对于每个用户而言，使用情况差别较大，因此本文将单个用户使用的负荷类型分类归纳，主要考虑微波炉、洗碗机和热水器3类。从多类型负荷的使用频率、一致性指数和高峰使用功耗3个维度，建立不同用户不同类型负荷的需求响应潜力指标体系，定量评估其需求响应潜力，如图1所示。

图1 DR潜力评估框架示意图

2、负荷监测与识别

本文选择低频功率作为基础数据集，从输出曲线中提取多阶本征模态函数（Intrinsic Mode Function,IMF）和最终趋势，从而有效提高负荷识别准确度。

2.1 负荷监测

事件检测器通过监测负荷事件发生的具体时间节点，得到发生前后一段时间内的功耗曲线。

事件检测有广义似然比（Generalized Likelihood Ratio Test,GLRT）、卡方拟合优度[21]、贝叶斯信息准则（Bayesian Information Criterion,BIC)[22]和累计和（Cumulative Sum,CUSUM）方法[23]等，如表1所示。因GLRT[24]在小样本数据的优越表现，本文选择其进行负荷事件检测。

表1 概率模型事件检测算法优缺点

Table 1 Advantages and disadvantages of probability model event detection algorithm

GLRT算法如图2所示。其中，投票前窗长度ω0，投票后窗长度ω1，投票窗口长度ωv，功率差阈值θp以及票数阈值θv作为事件检测器的相关参数。ω0和ω1用于定义事件窗口的起始和结束位置，ωv用于确定投票的窗口大小，θp用于判断事件发生的功率变化阈值，θv则用于决定事件的发生与否，根据在投票窗口内超过功率差阈值的次数是否达到票数阈值，判断事件是否发生。因此，通过遍历可变参数，建立衡量准确率的相关函数，确定检测器参数。

图2 GLRT检测算法示意图

2.2 CEEMD分解与CNN神经网络

对于低频采样得到的非平稳功率数据信号，CEEMD通过迭代计算混合原始信号的各阶IMF降低噪声[25-26]，使得剩余噪声保持在较小程度，同时大幅节省计算资源。因此，CEEMD分解能将复杂的信号分解为一系列简单的IMFs，这些IMFs包含了原始信号的丰富信息，并用于绘制负荷特征波形图。

对特征序列图坐标系进行隐藏，并将其压缩为64×64像素的图像，如图3所示。已剔除无用信息，当采用卷积神经网络进行负荷识别时，提高其运算准确率。CNN模型如图4所示。在卷积神经网络中，图片可以直接输入卷积网络进行训练，并且可以有效减少模型参数的数量，提高模型的训练速度。

图3 CEEMD分解的结果示意图

图4 CNN各层功能及模型示意图

将CNN与CEEMD算法结合，能够更好地捕捉局部特征，学习更高层次的抽象特征，进而提高整个模型信号处理和分类的性能[27]，具体步骤如图5所示。

图5 算法流程图

3、综合潜力指标体系

在负荷识别的基础上，对各类负荷的潜力进行评估，得到各类负荷的响应潜力综合指数。在量化评估多类型用户负荷的需求响应潜力时，提出负荷使用频率、使用一致性及高峰时段使用情况3个核心评估指标，旨在捕捉用户用电习惯与电网实际运行状态的关联，评估负荷在电网中的可调度性和可调节范围。指标的数据来源直观，计算方法简便，具有较高的简洁性和可操作性，并不易受到短期波动的影响，确保了评估结果的稳定性和鲁棒性。

在构建需求响应潜力评估指标体系时，充分考虑评估目的、指标的针对性和评估的可行性，以确保评估结果的有效性和可靠性。从“削峰填谷”的目的出发，确保评估目的明确、指标具有针对性且评估过程可行，建立需求响应潜力评估指标体系。通过对负荷曲线的分析，建立综合潜力指标体系，结合多个维度进行具体指标的刻画。通过训练历史数据和识别用户的负荷类型，对不同用户负荷定量评估其需求响应潜力。即，每个用户i∈[1,…,N]和电器类型j∈[1,…,J]在第k∈[1,…,K]天在t时的单小时耗电量为Pijk(t)，其中，t∈[1:T](T=24)。通过研究各类型负荷的功率消耗变化，根据Pijk(t)可计算需求响应潜力评估指数，更加准确地刻画各类型负荷的特点。在计算各维度潜力评估指数时，本文所有属性的上标n表示通过Min-Max归一化对原始计算数据的线性变换，使结果值映射到[0,1]范围内。

3.1 负荷使用频率指数

负荷使用频率是在一定时间内负荷事件发生的频率，即电力系统中用户能量需求的变化频率。当负荷事件发生的频率较高时，电力系统需要更加灵活的需求响应机制，以适应频繁的负荷波动。此时电力系统对需求响应的实时性和快速性更为敏感，而高频率表示电力系统处于高负荷状态，更容易出现过载或不稳定的情况，使得负荷需求响应的潜力也会更高。

根据用户使用情况的不同，每种电器负荷的使用频率也不同，可以通过历史数据中每种电器在采集周期内被打开的次数或时间来计算。因此，建立与负荷使用频率相关的负荷使用频率指数（），通过归一化处理，得到归一化后的负荷使用频率指数为：

式中：τj为电器类别所具有的最小耗电阈值，用于消除数据中由于噪音或待机功率造成的误差；K为历史总天数。

因此，以某种电器被激活的天数与历史总天数之间的比例作为潜力指标。

3.2 负荷使用一致性指数

负荷使用一致性是对电器使用习惯的刻画，这一属性旨在衡量用户在某个时段的行为是有周期性的还是随机性的。倘若具有高度一致性，则可以通过研究用电行为更好地进行负荷管理。从投资效益的角度来看，这一指标反映了用户保持预期使用习惯不变的可能性，对更具周期性的用户进行投资，投资商的收益更高。

给定天数的归一化耗电值为：

式中：Kop为设备运行的天数集；为整段时间K天跨度内归一化日曲线的平均值（j∈{洗碗机，微波炉}）。

[t1:t2]是潜在DR时间范围，由于本文研究的是连续全天的负荷使用一致性，故t1为1,t2为T。考虑同一种电器负荷在多个用户中显示出不同的耗电水平，式（2）中进行归一化处理，避免在潜力评估时出现偏差。

而是均方根误差()对各个用户进行归一化后的结果。求得非标准化的为：

式中：为观测值与所有天数的平均值的偏差。

对于交流负载或一般的可控负载，由于每天有多个周期，故将周期性评估限制在DR时限附近；而对于可延时负载（如微波炉、洗碗机等），由于每天的启动次数有限，可以在全天范围内测量其一致性。经过归一化处理，在[0,1]范围内变化的负荷事件周期性参数为：

3.3 负荷高峰时段使用指数

考虑需求响应是以“削峰填谷”为目标，因此用户负荷在高峰时段的功耗，决定了需求响应时用户能为电力系统平稳运行提供的最大电能让渡。

用电高峰时段需要负荷调节的倾向性更大，因此负荷在高峰时段的使用功耗越高，说明该种类型的用户负荷越适合进行负荷投切和转移。根据电网电价在高峰时段（[t1:t2]）和低谷时段（[1:t1,t2:24]）的定价标准M(t)，定义为：

式中：M1为[t1:t2]时段的每度电的价格；M2为[1:t1,t2:24]时段的每度电的价格。

考虑电力价格随着用电高峰和低谷同步波动，代表某种类型用户负荷在高峰时间段内每日的能耗指数。通过对所有用户的数据进行归一化，计算出与负荷高峰时段使用功耗有关的指数∈[0,1]，如式（7）所示，该指数描述的是同一负载类型的耗电量在1 d中不同时间段的变化。

3.4 综合潜力评估指数S

将,和3个维度的指标统一进行归一化处理，能够避免用户本身的平均功耗水平对综合潜力评估指数的影响。当每个用户每种负荷的需求响应综合潜力指标统一在1个功耗水平下时，综合潜力指标的评估才更有意义。

因此，利用,和属性指数，定义了某类用户负荷的综合潜力评估指数Sij:

3种属性指数相乘，其中任一个属性值较低，则Sij综合潜力评分降低。考虑每个用户的总负荷功耗大小也会对综合潜力评估指数大小产生的影响，各类型负荷都采用归一化的方法，能够将不同属性指数统一到相同的尺度上，降低总负荷对综合潜力评估指数的影响。因此，当用户总功耗较大时，其需求响应的潜力也较大。对Sij进行归一化处理，获得DR综合潜力评分∈[0,1]，即：

采用Sij对不同负载类型（j）的用户进行排序，针对不同负载类型确定用户参与的优先级。同时，用户参与需求响应其本身也存在灵活性，可以通过统计分析用户对DR事件的历史响应情况，结合问卷调查等方式，量化潜力指数和真实用户需求响应贡献度之间的联系。

4、算例分析

本文基于参考能量分解数据集（Reference Energy Disaggregation Dataset,REDD）进行NILM，选取用户1、用户2和用户3在采样频率为1 Hz时的低频功率数据进行算例仿真。截取其中3种常用电器类型（洗碗机、微波炉、热水器）的数据进行事件检测与负荷识别，使用MATLAB R2018b和Python实现CNN模型的训练与测试。

4.1 基于CEEMD的CNN负荷识别分析

基于已有REDD数据集中的功率数据，利用CEEMD分解算法对各电器的功率特征进行进一步挖掘。首先，对电力设备投切前后的功率序列进行CEEMD分解，获得一阶和二阶IMF以及最终趋势；然后，将CEEMD分解的结果和原始信号序列生成的4条序列进行图形化，并将这4个特征波形图对应4个象限，保存为1张复合特征波形图。根据运行得到的最佳事件检测器参数，横轴范围设定为事件检测发生前后的10个采样点，而纵轴的范围设定为0～1 700 W。

以用户1的洗碗机、微波炉和热水器这3种常用电器设备为例，对其各自发生负荷事件节点前后的功率序列信号进行CEEMD分解，并制图贴上单独的标签。将最终得到的负荷复合特征图与负荷单一功率特征波形图进行对比，如图6所示。

图6 用户1负荷单一特征与复合特征波形对比

对比同一负荷类型的波形图，可以发现单一特征波形图只包含一个特征的信息，而复合特征波形图则包含了多个特征的信息。因此，经过CEEMD分解后的复合特征具有更高密度的信息量。因此，在CNN中使用复合特征作为输入，CNN能够更好地理解和学习数据的内在结构，提高负荷识别的准确性[28]。

损失值由交叉熵损失函数进行计算。在CNN的输出层中，使用交叉熵损失函数[29]来度量网络输出与真实值之间的差异，无量纲，即图7中的损失值。图7为CEEMD分解前后的CNN训练残差对比图。处理后的曲线表现出更低的整体损失值，表明其有效减少了原始负荷曲线与拟合曲线之间的误差，提高了模型的拟合度。此外，处理后的残差图曲线更加平滑，说明其能有效去除原始负荷曲线中的高频噪声和干扰，为后续通过曲线进行负荷识别分类的研究提供了更可靠的数据支持。

图7 CEEMD分解前后CNN训练残差对比图

在得到特征波形图的基础上，需要对图像文件进行随机分组。通过Python进行文件转移，分别以70%,50%,30%比例将图像文件转移至训练集和验证集文件夹，在2个文件夹中各分配一半作为训练集和测试集，余下部分文件作为独立测试集存入另一文件夹。采用这种分配方法能够确保模型在各种数据上都能得到充分的训练。接着，使用CNN模型对训练数据进行批量处理学习，观察在不同训练集比例下模型的准确率，找出最优的训练集比例。

由表2可知，在未经过CEEMD处理的情况下，训练数据较多时，负荷识别准确率较高，随着训练数据的减少，负荷识别准确率明显下降。在经过CEEMD处理的情况下，随着训练数据的减少，负荷识别准确率虽然总体小幅下降，但均保持在95%以上。说明训练数据占比较低时，分解后的特征图依然可以利用有限的数据达到很高的识别准确率。因此，基于CEEMD的CNN负荷识别方法具有更低的数据依赖性。

表2 不同训练数据占比下对用户1负荷识别准确率对比

此外，算法对于不同训练数据比例均具有良好的稳定性，即使使用比例差异较大的数据进行训练，也不会因为训练数据的变化而产生很大的性能波动。

4.2 用户各类型负荷设备潜力评估指数分析

表3显示了3个不同的用户（用户1、用户2、用户3）中2种不同类型的设备（洗碗机和微波炉）需求响应潜力评估指数。对于洗碗机而言，用户2的综合潜力评估指数是最高的，而用户1和用户3的此类设备潜力得分较低，实行负荷管理的可能性和效果都较为不理想，这说明用户2更适合作为切入口进行负荷的管理。而在微波炉这种设备类型中，用户3的综合潜力评分最高，用户2的评分也较高。整体来看，这2个用户对于DR都有较大的价值。

表3 不同用户不同类型负荷潜力指数对比

对于3个用户来说，用户1的2种设备需求响应潜力都较低，而用户2总体的响应潜力是最高的，可以作为电网需求响应时进行负荷投切的重点对象。由表3可知，负荷使用一致性始终保持较高的水平，则用户的使用习惯是比较统一的，而高峰时段的使用指数参差不齐，导致其成为影响需求响应潜力大小的主要因素。

4.4 潜力评估各指标影响

图8展示了不同综合潜力评估指数下的负荷功耗曲线，每个子图说明了所有历史天数（[1,…,K]天）的综合潜力指数和各维度潜力指数值。

图8 用户1,2,3不同潜力指标值的日常功耗曲线

用户2每天都会使用洗碗机，其用电行为的一致性高，在高峰时间段内，功率消耗量也最高，因此综合潜力指数较高。而与用户2相比，用户1和3的洗碗机频率相对较低，高峰时段负荷使用的功耗也较低，综合潜力指数不高。因此，用户1和3不适宜参与DR活动。

用户1和用户3使用微波炉的频率比洗碗机更高，用户2使用微波炉的频率与洗碗机几乎一致。且用户2和用户3在高峰时段使用微波炉产生的功耗都较大，因此用户2和用户3的综合潜力指数比较高。这也说明微波炉整体参与需求响应的潜力比较高。

结合2种用户负荷来看，用户2整体需求响应的潜力更高，电力公司更倾向于选择与用户2相似的用户参与需求响应。

5、结论

本文针对需求响应潜力评估中的数据处理和指标设计问题，提出一种面向多类型用户负荷的需求响应潜力量化评估方法，从而明确电网零散的需求响应资源，得出如下结论：

1）采用事件检测算法深入分析用户总负荷能耗数据，并经过CEEMD分解，获得具有复合特征的负荷曲线，提高信息的密度值，增加负荷预测的准确性。

2）通过CNN神经网络的训练，高效识别各种负荷类型，负荷识别准确率均达到90%以上。基于CEEMD的CNN负荷识别方法对于不同训练数据比例均具有良好的稳定性和更低的数据依赖性。

3）通过建立综合潜力指标体系，可以寻找出参与需求响应的最优用户，为明确需求响应资源、激活负荷侧管理提供切实可行的框架。

未来研究拟通过扩展数据来源、优化算法和探索深度学习模型等手段，提升负荷识别和需求响应潜力评估模型的适用性和精度。

参考文献:

[1]王飞,李美颐,张旭东,等.需求响应资源潜力评估方法､应用及展望[J].电力系统自动化,2023,47(21):173-191.

[2]王樊云,刘敏,李庆生,等.新型电力系统下电力用户的需求响应潜力评估[J].电测与仪表,2023,60(8):105-113,132.

[3]朱勐婷.区域综合能源系统综合需求响应研究[D].杭州:浙江大学,2023.

[4]王兴东,马磊,杨金成,等.计及需求侧资源可调潜力的互动关键技术发展综述及展望[J].供用电,2023,40(3):71-78.

[5]张新,岳园园,曾好,等.面向电网规划的重点需求侧资源响应潜力评估方法[J].电力系统自动化,2023,47(16):162-170.

[6]孙诗洁,叶承晋,郭超,等.考虑工业用户生产特性的精细化用电管控模型及实证研究[J].电力科学与技术学报,2023,38(6):44-54.

[7]唐冬来,李擎宇,龚奕宇,等.基于5G通信技术的商业楼宇需求响应方法[J].江西科学,2023,41(5):951-954,1004.

[8]曾庆彬,梁伟强,张勇军,等.考虑多重轮换调控的空调负荷调控潜力评估与控制策略[J].电力系统自动化,2024,48(4):123-131.

[9]朱明辉,权琛,朱超,等.耦合聚类基线及舒适度的居民负荷需求响应评估方法[J].电网与清洁能源,2023,39(5):99-105,112.

[10]赵一诺.居民用户用电柔性负荷识别与潜力评估技术研究[D].保定:华北电力大学,2022.

[11]宋毅,罗凤章,冯少亭,等.面向区域网格的灵活性资源响应潜力评估方法[J].电力系统及其自动化学报,2023,35(8):103-113.

[12]曹斯明,张慧波,曹凯,等.数据驱动的中大型能源用户多类型用能特性画像及评价方法[J].供用电,2022,39(2):71-79.

[13]余蕾,岳超,车怡然,等.电价激励下电力负荷响应潜力评估研究——基于净负荷的广义负荷资源互动分析[J].价格理论与实践,2022(8):154-159.

[14]王至远,肖辉,吴姿瑾,等.非侵入式居民电力负荷监测技术研究[J].电气传动自动化,2020,42(5):49-51.

[15]郭红霞,陆进威,杨苹,等.非侵入式负荷监测关键技术问题研究综述[J].电力自动化设备,2021,41(1):135-146.

[16]于海龙,赵宏伟,豆兴伟,等.基于非入侵式负荷小区用电设备监测技术[J].后勤工程学院学报,2014,30(1):75-78.

基金资助:国家重点研发计划资助项目(2022YFB2703502)~~;

文章来源:李新国,杨轩,程少靖,等.面向多类型用户负荷的需求响应潜力量化评估[J].智慧电力,2024,52(09):56-64.