峰谷套利模式下，如何精准识别工商业储能用户？

近年来，在储能发展政策的扶持引导下，用户侧储能数量实现了进一步增长。在此背景下，如何深入挖掘已装储能用户并实施精细化管理，成为新型电力系统负荷调控的一项新的研究内容。

本文以识别峰谷套利模式下的工商业用户侧储能为目标，结合储能投运策略和负荷曲线变化，构建典型特征指标体系，通过MiniBatch K-Means聚类分群、随机森林特征优选及多维度交叉迭代模型，精准识别已装储能用户，助力电网企业用户侧储能资源排查和统一管理工作开展。

用户侧储能识别，难点几何？

2024年4月，国家能源局发布了《关于促进新型储能并网和调度运用的通知》（国能发科技〔2024〕26号），旨在规范新型储能的并网接入管理并优化其调度运行机制，更有效地发挥新型储能的作用，以支撑新型电力系统的构建。

用户侧储能具备显著的降本增效作用，通过峰谷用电转移可以有效减少高价用电，还能与光伏结合提升日间新能源消纳水平减少碳排放，在促进环保和可持续发展的同时，能够有效平衡电网负荷、降低供电设备扩容成本，兼具实用性、价值性和推广潜力，为用户和电网带来了丰厚的经济和管理效益。

然而，早期用户侧储能投资主要由企业驱动，并未强制要求并网管理，导致电力公司对已投运用户储能信息掌握不足，难以调动储能资源参与电网互动，用户也无法根据电网缺口和补贴政策及时调整储能运行策略，限制了储能经济价值的进一步发挥。

为降低信息核查难度，需要结合储能设备安装前后用户用电行为变化，构建已装储能用户识别模型，辅助基层业务高效开展储能用户摸排，支撑电网开展精细化的储能负荷资源管理。

目前储能用户识别工作开展存在以下问题：

1、研究样本稀缺：早期粗放式管理使得电力公司对储能用户管控有限，上门核查需要用户配合且耗时费力，导致可用于分析的样本数据不足，不利于规律的识别，不仅增加了算法学习的难度，也影响了识别的准确性和泛化能力。

2、用电特征复杂度高：大用户受生产经营影响，用电负荷本身波动性大。此外，还有多种因素干扰用电特征分析。

一是当储能容量较小时，储能产生的负荷调节效应容易淹没在企业本身的用电调整变化中；二是为了降低用电成本，很多用户已经主动开展错峰用电，负荷调节效果与储能相似不易区分；三是大用户安装光伏的比例较高，发电水平波动大对日间负荷的影响较大，也会对用电特征分析产生一定干扰。

3、储能充放电灵活性高：储能设备输入输出功率可控，但不一定会按照恒定功率充放，会呈现多种充放电轮廓，同时目前电力公司对企业内部用电的精细化监测不足，因此无法采用典型负荷剥离的方式进行分析，仍需要结合业务和数据表现综合考虑制定解决方案。

问题解决思路

为解决用户侧储能识别过程中数据稀缺、特征复杂等问题，本文提出一套以数据增幅典型样本筛选方法为基础，基于峰谷套利模式下的工商业用户侧储能识别模型。具体解决思路包括以下四方面：

1、基于数据增幅的典型样本筛选与数据优化策略：为应对设备级负荷数据缺失的问题，通过筛选典型样本和小步迭代优化相结合的策略，不断扩充储能样本库，动态调整特征规则和阈值，逐步提升储能负荷识别模型的准确性。

2、基于MiniBatch K-Means聚类的用户分群：通过精细化的聚类分析对样本用户的负荷曲线进行分群，筛选出典型用户群体，为用户侧储能识别指标体系的构建提供方向，提升分析的准确性和针对性。

3、基于随机森林分类模型的特征精选与寻优：在统一数据来源的前提下，利用随机森林模型进行特征选择和优化，提取关键指标并设定指标阈值，建立完善的指标体系，提高模型的适应性和泛化能力。

4、基于多维特征交叉迭代的模型优化：通过构建多维度业务特征交叉迭代模型，根据识别结果持续优化指标组合及阈值，不断迭代提升识别精度，并增强寻优的适用性，利于算法的推广应用。

总体思路如图所示：

图1 总体框架

基于数据增幅的典型样本筛选与数据优化策略

由于设备级负荷数据缺失，无法通过多元负荷解构分析直接识别出储能负荷，秉承“抓典型”的分析思路，结合数据增幅的典型样本筛选与优化策略，进行样本数据筛选与清洗。本文将研究对象聚焦于用电容量在630kW以上的工商业用户群体，采用分步优化流程实现识别模型的迭代改进：

1、典型负荷用户提取：提取用户月度负荷曲线，剔除负荷完整率较低的日期数据，并针对少量缺失值进行拉格朗日插值拟合，形成高质量的月度平均负荷曲线；同时，排除节假日、春节等特殊日期影响，提升分析的准确性。

2、基准月筛选：基于谷时段用电增加的特征，使用时间窗口滑动方式，捕捉负荷明显跃升的月份作为基准月，从而有效锁定分析周期，确保储能特征的稳定性和代表性。

3、时段特征构建：在特征构建中，重点聚焦凌晨、上午和午间低谷时段，兼顾光伏发电对用电负荷的影响，衍生出更多特征指标和规则阈值，标记出储能用户的典型特征。

4、小步快跑迭代优化：以单个地市为单位逐步推进，对每一批识别出的储能用户进行验证，不断扩充样本库，优化特征和规则，从而提升模型识别精度并实现数据处理流程的持续迭代改进。

通过以上步骤，逐步丰富储能识别特征库，为进一步推广储能用户识别技术奠定基础。数据处理流程如图2所示。

图2 数据处理流程

基于MiniBatch K-Means聚类算法的精细化用户分群

在对储能用户的初步负荷曲线分析中发现存在用户用电特征的显著差异及数据量有限、特征不明显等问题，难以直接进行精细化分析。

为此，本文拟采取两步策略：

首先，利用MiniBatch K-Means聚类算法对用户进行精细化分群，基于96点负荷数据筛选出储能特征最显著的用户群体，并结合初始业务假设构建业务指标体系；其次，逐一对比各指标下储能用户与非储能用户的数据分布差异，筛选出具有显著差异的指标，以此系统性地揭示并阐述各类用户的用电特征。

遵循一系列迭代流程——涵盖初始化、采样、分配、更新及重复环节，同时运用肘部法则作为分析方法确定了最佳的聚类数目，并随后展示了各类别的聚类结果可视化图表。

图3 聚类结果

为了深入探索并挖掘典型储能用户的用电特征，本文充分考虑了储能用户与非储能用户之间在用电行为上的差异，同时也区分了储能用户中充放电行为有明显规律的典型用户与充放电行为无明显规律的非典型用户。基于聚类结果对所有用户的96点负荷曲线进行细致的人工二次核查与分析。

通过这一过程，结合数据特征标签，最终将所有用户划分为四大类特征：典型储能用户、非典型储能用户、典型非储能用户以及非典型非储能用户。

其中非典型往往还会呈现出更加多样性的特征。这样的分类方式不仅有助于更精确地理解各类用户的用电行为模式，也为后续的储能特征挖掘和用户识别提供了有力的基础数据支撑。

表1 聚类结果展示

基于随机森林模型的特征精选与寻优

储能用户特征指标涵盖用户档案、电量波动、负荷波动等多维数据，特征数量多且阈值划分难度大，筛选寻优尤为关键。

通过聚类算法初步筛选典型储能用户，结合基础96点电负荷数据及其属性特征深入分析，精确划分用户的用电数据基础指标，开展后续相关指标的加工处理。引入随机森林、决策树等经典机器学习分类模型，构建高效的分类识别模型，准确提取各特征指标的影响程度及方式，从而优化和筛选关键指标并进行相应的阈值初步设定。

图4  用电数据基础指标

在模型构建过程中，严格监控数据的完整性和合理性，剔除不合格的数据，妥善处理缺失值和极端值等异常情况。通过标准化的采样、学习和集成流程，结合基尼不纯度和信息增益等评估准则，在每个决策树节点上精细选择最具区分度的特征进行划分，确保模型有效捕捉数据集中的关键信息，构建出准确的分类识别模型，从而提升数据的利用率和价值，为后续多维度业务特征的交叉融合优化迭代奠定了坚实基础，确保分析结果的准确性和可靠性。

最终，形成储能用户识别指标体系，如下表所示：

表2  储能用户识别指标表

基于多维度业务特征的交叉融合模型

通过随机森林模型筛选出一些优质特征及阈值，但由于各特征间存在相关性和互补性，不同特征对准确性的影响也有所不同，因此需要有效组合这些特征以提高识别精度。

为此，本文引入交叉融合算法，通过特征的线性组合生成新的组合特征，并在多指标体系中进行交叉验证。在不断增加的用户数据基础上进行迭代优化，提炼出最优规则集合，深度挖掘数据中的潜在模式，最终生成一份高准确率的交叉融合规则表。

1. 表3 交叉融合后最终规则表

以某市样本数据为基础，其中选取示范区作为模型训练阶段的测试集，开展模型研究与优化。基于训练好的较优模型，对其他地市的储能用户进行识别和验证。

基于上述规则，测试集在命中的21个储能用户里，较为典型的储能用户有14户，占比66.7%。这类用户11-13点用电量很高，属于储能充电的时间段，储能用户呈明显的阶梯状曲线，该类储能用户用电都是在谷期用电较高，峰期用电较低，尤其是在午间充电，是非常典型的储能用户。

图5 典型储能11-13用电较高的用户

另一种特征较为显著的储能用户有7户，占比33.3%，这类用户，在夜间用电较高，均属于储能充电的时间段，总体曲线走向观察出夜间用电均比午间用电要高，也是本次筛选过程中所发现的一类新的储能用户特征曲线。

图6 典型储能0-8用电较高的用户

进一步对其他地市储能用户进行识别，以某市为例进行识别验证集结果，按照上述交叉模型，共筛选出储能用户59户，经核实后确认储能用户54户，准确率达91.5%。

储能识别研究应用

开展已装储能用户识别，对储能项目精细化管理和电网可调负荷资源调度具有重要的数据支撑作用。当前模型经多地市数据验证，识别效果良好，具有推广潜力。未来可根据实际反馈对模型进一步优化，并推广至全省及其他地区，实现大规模的储能用户识别与分类摸排，以填补以往储能用户识别市场的空缺。

在识别模型的基础上，进一步分析并构建了储能用户特征画像，能够准确把握当前区域内储能用户的用电负荷特性及各行业容量配置的概况，为储能负荷调节奠定基础。

图7 储能用户画像

结语

本文聚焦用户侧储能的精准识别问题，利用聚类算法和机器学习分类技术，对当前监管体系外的储能用户进行精确识别。通过用户电力负荷曲线的深入分析，建立储能用户识别模型，有效提升识别准确率，使电力公司能够全面掌握用户侧储能分布。

未来工作将围绕储能投资潜力用户模型和收益测算模型两大方向展开。通过分析现有用户特征和盈利模式，挖掘高收益潜力用户，提供配置建议以扩大储能市场。随着电力系统和需求的演变，将逐步纳入用户放电能力和收益测算，推动电网负荷调节与智能调度的协同，优化资源管理，实现效益最大化。