导语
中国电科院调研数据显示夏季用电高峰期空调负荷占总负荷的近40%，夏季气温攀升，尖峰负荷凸显，空调设备用电的快速增长导致电力系统的峰谷负荷屡创新高，电网尖峰负荷矛盾问题突出，对空调用电进行调控迫在眉睫。
传统的空调柔性负荷识别基于空调设备参数、运行参数等进行分析判断，但实际工作中这些数据往往不易获取，方法难以落地实施。准确识别空调负荷，有序引导用户参与需求响应，有利于更加合理的调控电网负荷供应，保障电网运行安全及用户用电需求。
为此本文提出一种基于电网现有数据条件的可行方案，通过对用户用电行为的分析，判别用户空调开关状态下的用电负荷，基于负荷规律识别空调柔性负荷，挖掘用户需求响应潜力，为需求响应精准推荐不同时段的用户清单及响应负荷，优化客户侧需求响应资源调度管理。
（文章来源 微信公众号：朗新研究院 作者：林鹏、刘惠惠 ID：Longshine-R）
空调柔性负荷识别优化需求
（一）现有分析方法的局限性
目前常见的空调柔性负荷模拟研究方法有以下两类：
其一，以具体结构参数为基础的精确模拟方法。该方法需要精确掌握空调设备额定功率、工作时段的负载率、供冷的总面积、设备运行开始时间、设备运行结束时间等参数，而实际中空调系统不仅各部件具体结构参数难以获取，且设备在不同环境中运行工况有较大差异。
其二，通过实验数据进行拟合或采取经验公式进行模拟。该方法针对特定的场景及支持对空调回路进行单独计量的用户进行分析，样本数量较少，且不同类型的用户，因其用电行为的特殊性，用电模式也不相同，实验数据难以覆盖实际生活中纷繁复杂的场景。
上述两种方法局限性较大，难以覆盖海量电力用户挖掘需求。
（二）空调柔性负荷识别新思路
目前电力系统中用户总表负荷数据采集覆盖率较高，从用户负荷结构角度剖析，空调负荷因对温度敏感而呈现出典型的季节性和一定程度的稳定性，因此可以基于空调投运状态差异，对电力用户总表负荷数据进行解构分析，融合季节、气象、用户行业差异等因素，对用户负荷曲线进行解构分析，识别空调柔性可调节负荷，能够满足电力应用系统中海量用户分析的需求。
由于酒店、住宿、餐饮业、房地产、物业管理、综合零售、商务及居民服务业等用户空调负荷以季节为主要波动因素，且季节内日常用电较为稳定，本研究以此类用户为对象开展分析工作。
通过营销数据中台获取用户档案、用户标签、负荷信息等内部数据，聚合采集的节假日、气象信息等外部数据，从周期性、温度敏感性等角度分析用户用电行为习惯，基于负荷规律挖掘用户用电特征，以非空调使用周期内的负荷为对照基准，分别构建单用户空调柔性可调负荷识别模型和群体用户空调柔性可调负荷识别模型。
挖掘用户个体及群体空调特性及调节空间，支撑可调节负荷资源管理及需求响应任务拆解，形成用户空调柔性可调负荷资源管理应用体系，为需求响应任务精准推荐用户群，助力需求响应负荷调控精准、有序开展。
图1 空调柔性负荷识别与分析
单用户空调柔性可调负荷识别
结合季节特性探究用户日常用电规律，构建冬夏典型负荷曲线及基准负荷曲线，从而识别用户空调柔性可调节负荷区间，计算对应的可调节系数，支撑后续需求响应负荷测算。主要流程如下：
图2 空调柔性可调负荷分析流程图
（一）用户负荷季节特性分析
基于用户平均负荷与日最高气温分布情况可看出，夏季高温和冬季低温天气，用电负荷较高，峰值出现在夏季；春秋气温适宜，空调类用电需求低，用电负荷处于年度低谷期，负荷与最高气温呈现较强的相关性。因此根据季节划分空调开关状态，即夏、冬季（气温在30度以上，10度以下）开空调，而春、秋季（气温在10-30度左右）为不开空调状态。
图3 用户春夏秋冬季平均负荷与最高气温分布
（二）基准负荷选取
剥离夏、冬空调负荷影响，以春秋季负荷数据为基础剔除极端数据影响，拟合不开空调日期类型的基准负荷曲线，并基于夏、冬季开空调日期类型的负荷曲线特征获得典型负荷曲线。
图4 基准负荷拟合分析
（三）空调负荷识别
分析月平均日负荷较去年同期平均日负荷的增速，结合夏、冬季开空调日期类型的去年同期基准负荷、典型负荷，得出今年的夏、冬季开空调日期类型的典型负荷、基准负荷上限，典型负荷与基准负荷所围面积即为空调负荷区间。
图5 用户空调负荷分析
（四）空调柔性可调负荷识别
通过定积分求解空调负荷，在区间[t1, t2]时段内，典型负荷曲线y=f（x）位于基准负荷曲线y=g（x）的上方，即f（x）> g（x），求解典型负荷曲线y=f（x）所围成的区域面积，计算公式如下：
求解所围成的区域面积，计算公式如下：
分析用户各时段可调节系数，识别用户空调开启高峰时段，计算逻辑如下：
【案例】选取一用户，基于2023年7月-2023年9月期间的日负荷数据拟合典型负荷曲线， 2023年3月-2023年5月日负荷数据拟合基准负荷曲线，结果如下：
1、空调开启高峰时段分析
图6 空调开启高峰时段分析
2、用户各时点可调节系数值
以15min为间隔，把全天处理为96个时点，测算用户各时点可调节系数，如0:00的负荷=mean(时点1-2时段内负荷值)，详见下表所示：
表1 用户各时点可调负荷系数表
依据可调节系数指标在各时段内的分布可知，该用户空调开启用电高峰时段主要在6:00-13:00，期间柔性负荷可调节潜力较大。
差异化用户群体空调柔性可调负荷识别
考虑不同行业用户用电特性差异，以及不同用户用电同时率等问题，在单一用户柔性负荷识别方法的基础上，结合大数据聚类分析、相似性、因子分析算法，挖掘不同用户群体生产经营的用电负荷特征，在此基础上对不同行业相同用电特征用户群体的可调节负荷评估方法进行优化，形成精细化的行业总体用户空调柔性可调负荷评估策略。
（一）基于不同用电规律的用户分群
基于用户96点负荷曲线，通过DTW聚类，提取用户典型负荷特性，并将用户归为不同的生产班次类型。如下图：
图7 生产经营聚类效果图
【案例】左图为用户每日96点负荷，右图为该用户日均96负荷曲线图，以及该用户生产经营时段标签。
（二）用户群体空调柔性可调负荷识别
基于上述用户群负荷特征的分类分析，拟合同一生产特征用户群体的基准负荷曲线、典型负荷曲线，分析不同用户群体柔性负荷可调节系数，快速评估该类别用户的空调柔性可调负荷，如下图所示为生产高峰时段早10晚9的用户群体。
图8 用户群典型负荷与基准负荷聚类分布
酒店、商场、办公楼、大型商业综合体等行业用户的生产经营的负荷特性及可调负荷分析结果如下表可见，不同类型用户群体，空调负荷对应时段及可调系数存在显著的差异。
表2 细分行业空调柔性可调负荷系数表
空调柔性可调负荷识别结果应用
个体与群体用户空调柔性可调负荷识别结果，对电力负荷资源资源管理及需求响应资源调度具有重要的支撑作用。
（一）负荷资源画像
通过对所有用户群体的空调柔性可调负荷资源识别后，构建柔性负荷资源看板，全面直观地掌握空调可调负荷资源及分布；构建用户画像，精准把握每一个用户的用电负荷特征与空调柔性可调负荷情况。
图9 空调柔性可调负荷资源管理
（二）需求响应指标分解与资源推荐
掌握用户群体特征及可调负荷资源分布后，一方面，可以综合权衡地市、区县地域的负荷总量、用户群体分布、指标类型和日期等因素，通过构建区域响应指标分解模型，测算各区域的需求响应负荷分解指标。
另一方面，基于需求响应任务特性，以大小户兼顾、响应次数与响应量均衡为主要指标，构建需求响应执行策略模型，采用蒙特卡洛算法利用随机数和概率统计方法来模拟问题，通过大量随机样本的采样，以获得问题的近似解，高效匹配到更精确的目标用户群，提高需求响应邀约率和需求响应执行完成率，支撑需求响应资源的调度管理。
结语
本文基于对用户用电规律的分析识别各类群体的空调柔性可调负荷，形成一套精准、可实施的解决方案，有效支撑需求响应的精准推荐，实现电网柔性负荷精细化调控。目前尚未对空调温度的升降调节与柔性负荷变化的关系进行量化分析，后续可持续开展研究。
