1. 工业用户可调节负荷基线建模与验证

轧钢生产线可调节负荷基线建模任务

某钢铁企业轧钢生产线包含粗轧、精轧、卷取三段主要负荷，总装机约 42 MW。需求响应项目中，需要从历史负荷数据中分离出"可调节负荷"部分，建立基线模型，并用非响应日数据验证精度。本案例以 15 分钟采样间隔的负荷数据为对象，采用典型日基线法 + 温度修正建立基线，输出基线偏差率。

数据准备与刚性负荷分离

取该产线连续 30 天 15 分钟负荷数据（共 2880 点），标记其中 6 天为响应日（参与电网削峰），24 天为非响应日。轧钢生产线的刚性负荷主要由加热炉、主传动电机冷却系统、除尘风机等连续运行设备构成，其功率波动小；可调节负荷集中在精轧机组的轧制节奏调整和卷取机的间歇运行。

基线模型构建

采用加权典型日法：从 24 个非响应日中，按"日产量相近、环境温度相近"筛选出 5 个典型日，对同一时刻的负荷取加权平均，权重按日产量占比分配。再引入温度修正项：轧钢车间温度每升高 1℃，冷却系统负荷增加约 0.35 MW，需从基线中扣除该部分以还原"标准工况基线"。

# 基线建模核心计算（Python 示例）
import numpy as np

# 假设已加载: load_matrix (24天 x 96点), temp_matrix (24天 x 96点)
# 筛选典型日：日产量在均值±5%内，且温度在均值±3℃内
daily_prod = load_matrix.sum(axis=1)
daily_temp = temp_matrix.mean(axis=1)
mask = (np.abs(daily_prod - daily_prod.mean()) / daily_prod.mean() < 0.05) & \
       (np.abs(daily_temp - daily_temp.mean()) < 3)
typical_days = load_matrix[mask]          # 选出典型日
typical_temp = temp_matrix[mask]

# 加权平均（权重=日产量占比）
w = daily_prod[mask] / daily_prod[mask].sum()
baseline_raw = np.average(typical_days, axis=0, weights=w)

# 温度修正：以25℃为标准工况，每偏离1℃修正0.35MW
temp_ref = 25.0
temp_avg = typical_temp.mean(axis=0)
baseline = baseline_raw - 0.35 * (temp_avg - temp_ref)

# 刚性负荷（取非响应日夜间02:00-04:00最小值）
rigid_load = load_matrix[:, 8:16].min(axis=1).mean()
adjustable_baseline = baseline - rigid_load
print(f"刚性负荷: {rigid_load:.2f} MW")
print(f"可调节基线峰值: {adjustable_baseline.max():.2f} MW")

基线精度验证

用剩余 19 个非响应日（未参与建模）作为验证集，计算逐点偏差率：

偏差率 = (实际负荷 − 基线负荷) / 基线负荷 × 100%

行业通常要求基线偏差率在 ±5% 以内为合格，±3% 以内为优秀。验证时需分别统计全天平均偏差率、峰值时段偏差率和低谷时段偏差率，因为轧钢生产线的峰值时段（精轧高峰）偏差通常大于低谷时段。

结果判读与常见问题

• 偏差率超标：若峰值时段偏差率超过 ±5%，通常是因为典型日筛选未覆盖产量波动大的日期，需增加典型日数量或引入产量作为回归变量。
• 温度修正过度：若温度修正后基线在低温日反而偏高，说明 0.35 MW/℃ 的系数偏大，应重新标定。
• 响应日误用：若误将响应日数据纳入建模，基线会被拉低，导致后续响应量被高估。务必在数据预处理阶段严格标记响应日。