邢 文段 斌，3

（1. 湘潭大学信息工程学院，湖南 湘潭 411105；2. 湖南省风电装备与电能变换协同创新中心，湖南 湘潭 411105；3. 智能计算与信息处理教育部重点实验室，湖南 湘潭 411105）



基于负荷转移调度的高耗能企业电能需量控制

邢 文1，2段 斌1，2，3

（1. 湘潭大学信息工程学院，湖南 湘潭 411105；
2. 湖南省风电装备与电能变换协同创新中心，湖南 湘潭 411105；3. 智能计算与信息处理教育部重点实验室，湖南 湘潭 411105）

针对需量控制下高耗能企业用电响应的问题，基于现行两部制电价的前提下，考虑生产的基本电费成本，提出一种负荷转移调度的高耗能企业电能需量控制方法。本文采用Elman神经网络进行负荷预测，以最小化基本电费成本为激励，建立高耗能企业日前负荷转移调度模型，增大高耗能企业最大需量控制的可调控范围。并通过算例表明，在某钢铁企业实施负荷转移调度模型与不实施需量控制相比，日均基本电费降比约2.7%；比仅有智能设备实时需量控制时日均基本电费降比约1.04%。

负荷预测；需量控制；负荷调度；需求侧管理；智能设备；神经网络

目前，高耗能企业对国内生产的贡献率呈下降趋势，国家节能减排约束性指标要求工业加快转变发展方式。实施能源消耗总量控制，将对工业发展形成硬性约束，工业转型升级为节能降耗提供良好契机。加大节能降耗力度，是走中国特色新型工业化道路的必然选择［1］。

电能是高耗能企业生产过程必不可少的能源［2］。高耗能企业通常是所在地区的用电大户，由于用电负荷在时间上的不均衡产生了高峰与低谷负荷，峰谷差越大，电网运行越不经济，企业的用电成本也越高［3］。在现行工业电力用户实行的两部制电价的前提下［4］，用户的大峰谷差运行，一方面增加了用电成本，广大用电大户企业每年须支付大量的峰值电费（基本电费）；另一方面发电机组频繁起停或压机运行造成资源浪费，并威胁电网的安全运行［5］。

高能耗企业经济负荷调度，可改善企业经济运行水平，相关研究得到国内外学者的关注和应用［6-8］。文献［9］采用神经网络的预测方法，利用历史负荷数据，能够准确的预测用电企业负荷的峰值和谷值。文献［10］围绕电网所给出的电价信号，分析电网电价、自发电成本等因素对企业发用电决策的影响，建立了分时电价下的发用电一体化调度模型，以使得所给出的价格信号能够更好地起到削峰填谷的作用。文献［11］针对广大用电大户企业每年须支付大量的峰值（需量）电费，提出智能设备（电弧炉）可以实时预测负荷峰值，在将要出现负荷高峰危险时，自动断开适合的用电设备或者将其转换到较低的功率等级。根据实践可知，大概可以调节实施前需量平均值的 10%左右。文献［12］针对如何降低某钢铁厂最大需量问题展开讨论，通过智能最大需量控制系统在该钢厂的实际应用，证明了该系统有利于降低最大需量，能够提高电力系统运行的经济性和安全性。综观，现有研究一般侧重于对智能用电设备实行实时需量控制的策略研究，这种策略虽简单易操作，但可调控的最大需量范围有限，有时不能满足高耗能企业需要，如文献［11］所述的需量控制策略只能调节实施前需量平均值的10%左右。因此，建立高耗能企业日前负荷转移调度模型，将有利于进一步增大高耗能企业最大需量控制的可调控范围。

在现行工业电力用户实行的两部制电价基础上，本文重点考虑生产用电的基本电费成本，提出一种基于负荷转移调度的高耗能企业电能需量控制方法。通过采用Elman神经网络进行负荷预测，以最小化基本电费成本为激励，建立高耗能企业日前负荷转移调度模型，增大高耗能企业最大需量控制的可调控范围，维持设备的安全运行，实现高耗能企业更高层次的节能减排。

1 问题描述

高耗能企业的智能设备可以实时预测负荷峰值，在即将出现负荷高峰危险时，自动断开适合的用电设备或者将其转换到较低的功率等级，避免形成过高功率峰值。根据实践可知，这样可以调节实施前需量平均值的10%左右。智能设备的需量控制系统虽然简单易实现，但是可调控的最大需量范围有限，有时不能满足高耗能企业的需要。图1为某钢铁企业内电弧炉进行实时负荷调节前后的对比图。从图1中可以看出，经过电弧炉的实时调节后，没有把负荷值控制在与电网约定的最大需量控制线P以下，增加了企业生产用电中的基本电费成本。本文提出的面向电能需量控制的高耗能企业负荷转移调度方法目的在于降低用电成本。根据负荷预测的结果，在基本电费和日前可转移负荷的基础上，通过负荷转移调度模型，缩小负荷曲线峰谷差，增强企业的需量调控能力，降低基本电费。

图1 智能设备负荷调节前后对比

图2为负荷预测到负荷转移调度的电能需量控制流程图。图2中的历史负荷数据是该高耗能企业总的负荷数据（注：文中所述负荷预测的历史数据都是高耗能企业总的负荷数据，下文不再详述）。本文特别说明的是通过建立高耗能企业负荷转移调度模型，调度可转移负荷，能够增强钢铁企业的电能需量控制能力。首先采集企业各个智能电表中的历史负荷数据，对企业日负荷曲线进行预测；其次，分析预测企业一天的负荷曲线中的负荷高峰，判断是否超过智能设备（电弧炉）需量控制系统可调控的负荷范围。若超过，高耗能企业需要按照本文的负荷转移调度模型提前对生产任务进行重调度；否则，按照正常秩序进行生产。高耗能企业电能需量管理的总流程如图2所示。

2 问题建模

由图2所示的电能需量控制流程图可知，本文提出的基于负荷转移调度的高耗能企业电能需量控制方法，首先需对负荷预测进行分析建模，在此基础上以最小化基本电费成本为激励，建立高耗能企业日前负荷转移调度模型，增大高耗能企业最大需量控制的可调控范围，维持设备的安全运行。

图2　电能需量控制流程图

2.1短期负荷预测

智能电表是实现电网智能化管理的必须环节。智能电表的重要用途是用采集的负荷数据对负荷进行分析和预测［13］。对于整个高耗能企业，通过采集各智能电表中的历史负荷数据，对企业日负荷曲线进行预测［14-15］。目前，短期负荷预测主要采用时间序列法、支持向量机、神经网络、小波分析等方法。文献［16］提出了一种预测精度较高、收敛速度较快的Elman神经网络预测方法，它考虑了电网负荷预测样本时变性强、不确定性因素较多等特点。

本文以高耗能企业中的历史负荷数据为基础，拟用 Elman神经网络对高耗能企业总负荷进行预测。通过准确的电力负荷预测，可提前一天预知用户24h的电力负荷走势，准确预测负荷曲线的峰值，为高耗能企业进行日前负荷转移调度打下坚实基础。如图3所示，神经网络的输入、输出节点以及隐含层的节点的确定，使其能反映电力负荷运行规律。

图3 Elman神经网络模型

图3是Elman人工神经网络的预测模型。Elman的非线性状态空间表达式为

式中，y为m维输出结点向量；x为n维中间层结点单元向量；v为r维输入向量；xc为n维反馈状态向量；w3为中间层到输出层连接权值；w2为输入层到中间层连接权值；w1为承接层到中间层的连接权值；G（*）为输出神经元的传递函数，是中间层输出的线性组合；f （*）为中间层神经元的传递函数，经常采用sigmoid函数，即

2.2日前负荷转移优化调度

传统的电力调度中负荷被认为是固定不变的，随着需求响应技术的发展及基于用户电价和基于激励的项目的实施［3］，负荷将逐渐呈现出一定的弹性，所以可对负荷进行分类建模［17］，提高负荷调度的可实施性。高耗能企业中的总负荷需求取决于消耗电能的生产任务（或者负荷）。一些负荷可以在不影响整体生产流程的情况下一定时间范围内移动。这些可转移负荷被看作是启动时间可调节的。在负荷转移方式下，改变电能使用的时间，无需中断或者停止生产负荷，不影响生产。用户根据自身用电情况，考虑需量控制下的基本电费，在负荷预测模型建立的基础上，拟建高耗能企业负荷转移调度模型，调度可转移负荷，增强高耗能企业的电能需量控制能力。

1）需量控制下的企业净电费

高耗能企业采用的两部制电价中，将电价分成基本电价与电度电价两部。基本电价是按照工业用户的变压器容量或者最大需用量，即一月中一定时间段内（譬如：1h）平均负荷的最大值，作为计算电价的依据，按最大需量方式计算企业的基本电费时，计费容量是按供电局安装的最大需量表记录的最大需量。本文约定所谓“最大需量”是用户计费月当月用电高峰持续一定时间的最大负荷。基本电价是由供电部门与用电部门签订合同，确定限额，每月固定收取；电度电价，是按用电部门实际耗电度数计算的电价［4］。两部制电价的计算式如下：

式中，C为总电价，Cb为基本电价，Cd为电度电价。

假定用电合同约定最大需量为Pc，采用按最大需量计费时基本电费Cb是一分段函数，即

式中，kwU（元/kW）为按最大需量计价单价，factP （kW）为实际需量。从式（2）可以看出，基本电费不仅与实际需量有关，还与约定最大需量有关。当时，采用的计算基本电费的方式说明约定最大需量过大，还有节约空间；当时，采用的计算基本电费的方式是属于比较理想的情况；当时，采用的计算基本电费的方式说明约定最大需量过小，不能满足生产需量，则企业需要支付惩罚性的基本电费。

2）需量控制下的负荷分段考核

本文将高耗能企业的负荷划分为两类：可转移负荷和剩余不可控的基本负荷。其中，可转移负荷是指负荷的启动时间可以在指定时间段内进行调整，启动后运行一段固定时间的负荷。则在第k个考核时间段内的总负荷表达为

可移动负荷一旦启动，就不能打断。对可移动负荷m如图4所示，其启动/停止时间与考核时段k之间的关系有4种情况。

高耗能企业中对有些可转移负荷进行转移需要支付一定成本，如保温成本，按常理可认为转移负荷跨度时间越大，所支付的代价也越高。本文将第m个任务的转移成本表示为注意有些可转移负荷进行转移并不需要支付转移成本，但会受到其他条件约束，本文针对这点没有详细叙述和建模。

3）负荷转移调度模型

本文拟建一个需量控制下高耗能企业最优需求响应的可转移负荷调度模型。该模型以整个企业的总用电成本最小为目标；企业总用电成本包括两个部分，即基本电价成本bC和电度电价成本dC。目标函数为

决策变量为kl。其中，由于日内可转移负荷是指运行时段可在1天内进行调整，运行功率和用电量基本不变的负荷，即：dC不变；定义fact，kP（kW）为第 k个考核时段的实际需量，则有fact，kP（kW）等于第k个考核时段的总负荷kL（kW），即

由于本文约定所谓“最大需量”是用户计费月当月用电高峰持续一定时间的最大负荷。由式（6）、式（7）、式（8）和式（9）联合可知：

本文针对高耗能企业需量控制的问题，采用连续时间建模方式，建立以整个企业的总用电成本最小为目标的线性规划模型；继而可以采用线性规划等方法求解。

3 算例分析

本文原始数据来自国内某钢铁企业。钢铁企业的主要用电设备包括炼钢炉（电弧炉）、轧钢、制氧制氮、公辅设施等。一般炼钢过程分为：焦化/烧结工序、炼钢、连铸、轧钢。本文重点关注两部制电价体系下，在采用神经网络对电力负荷准确预测的基础上，以最小化基本电费成本为激励，用户进行用电管理以响应基本电费信号的变化。为此，本文在算例分析中忽略掉一些复杂的因素，采用简单示例来说明和解释问题。

3.1负荷预测

1）预测算例描述

算例以某钢铁企业各个智能电表采集的 2010 年4月份30组总电力负荷数据为例。一天为一组数据，每天24h，每1h对电力负荷进行一次测量，取此时段的平均值，一天共测得24个负荷数据。采用Elman神经网络方法进行建模预测，下表为该钢铁企业2010年4月份经过归一化的数据，出于篇幅的原因，本表格只显示每天9—14时共6h的部分负荷数据，电力系统负荷数据见表1。

表1　电力系统归一化的负荷数据

将某钢铁企业的29组电力负荷的平均值数据，代入该模型中，预测下一组的平均值。负荷预测的Matlab仿真结果如图5和图6所示。

图5　第一次负荷调控前后的输出对比图

由图5可知，该企业在智能设备（电弧炉）需量控制系统的调节下，从企业的历史生产案例分析得知最多能调节的需量为5MW，通过电弧炉的最大需量控制系统这类智能设备对用电设备进行实时的“削峰填谷”，能够一定程度上降低企业的电力负荷高峰；但并不能够把总体电力负荷值控制在用电合同约定的最大需量Pc以下。本文通过建立高耗能企业负荷转移调度模型，调度可转移负荷，增强高耗能企业的电能需量控制能力。

2）预测结果处理

本文以一天的负荷调度问题为例，该钢铁企业与电网 4月份用电合同约定的最大需量为 Pc= 285MW。在仿真图5中标出原始负荷预测曲线的最大需量控制线上的“峰值”负荷，具体见表2。

表2　预测后各“峰值”负荷

由图5可知，经过电弧炉的最大需量控制系统这类智能设备进行“削峰填谷”后，表2中的1号“峰值”已在Pc内，不需要支付惩罚性的基本电费；表2中的2、3、4号“峰值”虽有所下降，但是仍在Pc上。从图5和表2所知，仅使用智能设备需量控制系统并不能把预测负荷“峰值”调节到最大需量控制线以下。

3.2负荷转移调度

该钢铁企业在生产过程中合理地调度生产负荷，能够更大程度上把总体电力负荷值控制在用电合同约定的最大需量Pc以内。以企业的历史生产调度数据为例，设定算例中可调度的生产任务见表3。

表3　可调度的生产任务

在日前负荷转移调度模型的指导下，负荷调度结果如图6所示。

由图6可知，第一条“11原始预测输出”负荷曲线在经过智能设备（电弧炉）需量控制系统调节后变成了第二条“智能设备调节后的预测输出”负荷曲线，结果在图5中也有所显示。在此过程中，一定程度上实时地平滑电力负荷曲线，亦能消掉一些负荷“峰值”，例如表2中1号“峰值”；但它不能更大程度上“削峰”，例如表2中的2、3、4号“峰值”。如此，这一天预测的负荷值都在用电合同约定的最大需量Pc以下，不需要支付惩罚性的基本电费。在图6中的任务所处的位置坐标纵轴不代表各自大小，各自生产任务的耗能大小已在表3中列出。通过本文建立的高耗能企业日前负荷转移调度模型，进行日前生产任务重调度，重调度了表2中的任务1、2、3，呈现了图5中的第三条负荷曲线“经过负荷调控后的预测输出”。由第三条负荷曲线可以看出，这一天预测的负荷曲线都在用电合同约定的最大需量Pc以下，所以不需要支付惩罚性的基本电费。

图6　第二次负荷调控前后的输出对比图

从图5和图6可以看出，本文提出的一种基于负荷转移调度的高耗能企业电能需量控制方法，增大了高耗能企业最大需量控制的可调控范围，使得设备安全有序地运行，节约企业的用电成本，实现企业更高层次的节能减排。

在实际生产过程中，根据预测时间段的负荷峰谷值，经过分析和判断企业一天的预测负荷曲线中的负荷高峰后，提前一天对钢铁生产的任务进行重调度，然后采用钢铁企业的电弧炉等装有最大需量控制系统等智能设备进行实时地消减“峰值”负荷，能增大高耗能企业最大需量控制的可调控范围。

3.3用电响应的经济效益分析

算例中面向电能需量控制的高耗能企业负荷转移调度方法的成功实施，能够更加准确地、便捷地进行负荷调度，维持设备的安全运行，增大了高耗能企业最大需量控制的可调控范围，使得这一天预测的负荷值都在用电合同约定的最大需量Pc以下，亦不需要支付惩罚性的基本电费。

在两部制电价体系下，本算例在实施两阶段优化方法前后对比见表 4。由此可知，主要节省的是基本电费。按最大需量方式计算企业的基本电费时，计费容量是按供电局安装的最大需量表记录的最大需量。所谓“最大需量”是用户计费月当月用电高峰持续一定时间的最大负荷。由式（5）、式（6）、式（7）、式（8）等可知，假设其他参数如下：Ukw，k= 33元/kW、Pc=285MW。基本电价是由供电部门与用电部门签订合同，确定限额，每月固定收取。为了突显算例中的电能需量控制方法实用性，折算到一天的基本电价。

表4　一天内各负荷曲线的基本电价对比

从表4中的数据可以看出，算例图4中的第三条负荷曲线“经过负荷调控后的预测输出”一天的基本电价成本比第一条负荷曲线“原始预测输出”节省基本电费，降比约2.7%；第三条负荷曲线比第二条负荷曲线“智能设备调节后的预测输出曲线”也节省基本电费，降比约1.04%。

从以上数据可以看出，本文提出的面向电能需量控制的高耗能企业负荷转移调度方法，一方面保证了用户的经济利益，节约了企业的基本电费，提高了用户参与负荷调度的积极性，充分挖掘了负荷侧的资源潜力；另一方面，用户通过响应基本电费信号调整自身负荷，参与了电网运行调峰，促进了电网稳定，实现了更高层次的节能减排。

4 结论

本文综合考虑节约企业生产用电中的基本电费成本，提出一种基于负荷转移调度的高耗能企业电能需量控制方法。验证结果表明，该模型能够达到较好的负荷调度效果，在有效调整负荷曲线，节约企业电费成本，增强高耗能企业的电能需量控制能力，提高电力系统运行的经济性和安全性的同时；还可以实现高耗能企业更高层次的节能减排。

本文以可转移负荷为例进行日前负荷转移调度，增强高耗能企业的电能需量控制能力还可以采用可储能负荷、可中断负荷等多种负荷进行一体化调度。如何将多种负荷调度手段建立负荷一体化调度模型，有待进一步深入研究。

［1］《企业•行业•产业 转型升级科学发展政策法规汇编》课题研究组. 工业节能“十二五”规划［G］. 浙江工商大学出版社，2013，693-703.

［2］Paulus M，Borggrefe F. The potential of demand-side management in energy-intensive industries for electricity markets in Germany［J］. Applied Energy，2011，88（2，SI）：432-441.

［3］谭貌，段斌，苏永新，等. 分时电价下面向经济负荷调度的热轧批量计划两阶段优化［J］. 中南大学学报（自然科学版），2014，10（10）：3456-3462.

［4］陈庆. 两部制电价中约定最大需量的选择［J］. 电力需求侧管理，2012，14（4）：53-54.

［5］肖欣，周渝慧，郑凯中，等. 台湾实施可中断电价进行削峰填谷的需求响应策略及其成本效益分析［J］.中国电机工程学报，2014，34（22）：3615-3622.

［6］Hadera H，Harjunkoski I，Sand G，et al. Optimization of steel production scheduling with complex timesensitive electricity cost［J］. Computers & Chemical Engineering，2015，76（8）：117-136.

［7］Godoy-Alcantar J M. Cruz-Maya J A. optimal scheduling and self-generation for load management in the Mexican power sector［J］. Electric Power Systems Research，2011，81（7）：1357-1362.

［8］Wang Z，Gao F，Zhai Q，et al. An integrated optimization model for generation and batch production load scheduling in energy intensive enterprise［C］// Power and Energy Society General Meeting，2012 IEEE.IEEE，2012（10）：1-8.

［9］刘荣. 基于 Elman神经网络的短期负荷预测［D］. 杭州：浙江大学，2013.

［10］刘晓琳，王兆杰，高峰，等. 分时电价下的高耗能企业发用电响应［J］. 电力系统自动化，2014，8（8）：41-49.

［11］马丁，等. 电力负荷控制（DSM）节能装置在大型钢厂的研究与实践［J］. 金属世界，2006，6（3）：17-22，25.

［12］陈翔，熊嘉，陈朋. 智能最大需量控制系统在某钢铁厂的应用［J］. 科技与企业，2013，14（14）：336-337，339.

［13］王思彤，周晖，袁瑞铭，等. 智能电表的概念及应用［J］. 电网技术，2010，4（4）：17-23.

［14］曾利军，陈敏，罗细飞. 改进蚁群化学聚类算法在短期负荷预测中的应用［J］. 电力系统保护与控制，2012，40（4）：59-62，70.

［15］毛力，王运涛，刘兴阳，等. 基于改进极限学习机的短期电力负荷预测方法［J］. 电力系统保护与控制，2012，40（20）：140-144.

［16］刘荣，方鸽飞. 改进 Elman神经网络的综合气象短期负荷预测［J］. 电力系统保护与控制，2012，40（22）：113-117.

［17］黄毅成，杨洪耕. 改进遗传 K均值算法在负荷特性分类的应用［J］. 电力系统及其自动化学报，2014，26（7）：70-75.

国内首次光伏虚拟同步发电机测试成功开展

近日，国家能源太阳能发电研发（实验）中心成功开展国内首次光伏虚拟同步发电机测试工作，标志着中国电科院已具备了光伏虚拟同步发电机的全项测试能力。

光伏发电站并网使用的光伏逆变器不具备惯性调频、自主调压能力，运用光伏虚拟同步发电机并网可使光伏发电具备与常规机组接近的外特性。光伏虚拟同步发电机测试依据为中国电科院牵头编制的相关技术标准，被测产品额定容量为500kW，储能单元容量为50kW。测试项目包括：惯量特性测试、一次调频、无功功率控制、电网适应性等。

中国电科院于2016年4月成立“张北风光储输基地虚拟同步机示范工程”项目工作组，开展相关标准的编制和检测平台的升级改造。针对光伏虚拟同步发电机惯性时间常数可设置、可参与一次调频以及可自动调节无功输出、支撑系统电压等技术指标，为虚拟同步机示范工程的顺利实施提供了技术支撑，也为光伏虚拟同步发电机装备的产业化奠定了坚实的基础。

Power Demanding Control for Energy-intensive Enterprises based on Load Transfer Dispatch

Xing Wen1，2Duan Bin1，2，3
（1. College of Information Engineering，Xiangtan University，Xiangtan，Hu’nan 411105；2. Cooperative Innovation Center of Wind Power Equipment and Energy Conversion，Xiangtan，Hu’nan 411105；3. Key Laboratory of Intelligent Computing & Information Processing of Ministry of Education，Xiangtan，Hu’nan 411105）

According to the problem of energy-intensive enterprises for using electrical response under demand control and then considering the cost of basic tariff in the production under the premise of the existing two-part tariff ，therefore，a load transfer dispatch in energy-intensive enterprises approach is proposed for power demand control. We adopted the load forecasting by Elman neural network on this basis of minimizing the cost of basic tariff for motivation and established model of day-ahead load transfer dispatch in energy-intensive enterprises production. It could increase the range of maximum demand controlling for energy-intensive enterprises demand control system. The example shows that the daily basic tariff ratio is about 2.7% when implementing model of load transfer dispatch compared with no implementing demanding control，the daily basic tariff ratio is control about 1.04% compared against when only owned smart device real-time demanding.

load forecasting； demand control； load dispatch； DSM； smart device； neural network

邢文（1988-），男，湘潭大学在读硕士研究生，研究方向为负荷预测和调度、需求响应。

国家自然科学基金资助项目（61170191，61402391）