CN106410781B - 一种电力用户需求响应潜力确定方法 - Google Patents

Abstract

本发明涉及一种电力用户需求响应潜力确定方法，包括：获取用户观测年每日96点的历史负荷数据；获取影响用户负荷的特征量，特征量共1个；分别对历史负荷数据和特征量对应当天的负荷数据进行预处理；基于时间维度对历史负荷数据进行聚类分析，获取聚类中心C，将用户分为m类；利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心C_s；计算用户预测日的需求响应潜力；本发明提供的方法，在用户负荷特性分析的基础上，动态计算用户的每日每时需求响应最大可削减负荷量，对需求响应活动中单个电力用户的需求响应潜力进行精细化计算，为需求响应策略制订提供了科学理论支持，充分发挥了其运行效率。

Description

一种电力用户需求响应潜力确定方法

技术领域

本发明涉及电力系统运行控制领域，具体涉及一种电力用户需求响应潜力确定方法。

背景技术

随着经济的高速发展和负荷的不断增长，电力供需经常处于偏紧状态，电网高峰负荷压力增加，使得电网运行效率与经济性受到影响。另一方面，经济发展与能源环境的矛盾日趋尖锐，能源短缺和能源浪费的问题十分严重。这对电力系统的优化运行提出了新的要求。电力系统优化运行不仅涵盖发电侧，实际上用户侧蕴含了大量的电力资源，但在当前的调度体制和技术手段无法真正体现用户侧的需求响应能力，无法准确获知用户侧的需求响应策略。在传统的体制下，存在以实施节能调荷为目标的需求侧管理，即中长期负荷控制手段，但是远未纳入电力调度范围，用户侧资源也远未得到充分的利用，特别是在实时调度中往往是为了满足用户的刚性需求，因此闲置的用户需求响应资源，事实上需要在电源侧增加投资，因此浪费了大量的社会资源。更深入研究电力用户的需求响应潜力分析技术有助于更好地制定需求响应策略，实现电力系统的经济运行。

目前的需求响应潜力分析大多着眼于节约电量，但从系统运行的角度来说，更重要的是获得用户参与需求响应可节约的电力；另一方面，节约电力的分析技术也往往是从调研等角度开展的，获得是固定值，但事实上用户的用电行为不是一成不变的，在不同的用电行为下其可削减的负荷量也是变化的，为此必须动态及计算用户的需求响应潜力。

发明内容

针对现有技术的不足，本发明提供一种基于多源数据的交直流协调控制效果评估方法，在用户负荷特性分析的基础上，动态计算用户的每日每时需求响应最大可削减负荷量，对需求响应活动中单个电力用户的需求响应潜力进行精细化计算，为需求响应策略制订提供了科学理论支持，充分发挥了其运行效率。

本发明的目的是采用下述技术方案实现的：

一种电力用户需求响应潜力确定方法，其改进之处在于，所述方法包括：

(1)获取用户观测年每日96点的历史负荷数据；

(2)获取影响用户负荷的特征量，所述特征量共l个；

(3)分别对所述历史负荷数据和所述特征量对应当天的负荷数据进行预处理；

(4)基于时间维度对所述历史负荷数据进行聚类分析，获取聚类中心C，将用户分为m类；

(5)利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心C_s；

(6)计算用户预测日的需求响应潜力。

优选的，所述特征量包括：气温和日类型。

优选的，所述步骤(3)中，对所述历史负荷数据进行预处理，包括：

获取用户t时刻的平均负荷值

式(1)中，p_i,t为用户第i日t时刻的负荷值，n为观测日总数，t为每日观测时间点数；

获取用户t时刻的负荷的方差

式(2)中，为用户t时刻的平均负荷值，p_i,t为用户第i日t时刻的负荷值，n为观测日总数，t为每日观测时间点数；

判断p_i,t是否满足ε为阈值，取1-1.5，为用户t时刻的平均负荷值，p_i,t为用户第i日t时刻的负荷值，若满足，则将p_i,t代入式(3)进行修正，获取p_i,t的修正结果p’_i,t；

式(3)中，α、β和γ均为权重系数且满足α+β+γ＝1，p_i-1,t和p_i+1,t分别为第i-1天和第i+1天t时刻的负荷值，和均为距离p_i,t最近的相似日负荷值，为用户t时刻的平均负荷值。

优选的，所述步骤(3)中，对所述特征量对应当天的负荷数据进行预处理，包括：

分别获取特征量y和z在第i日的观测值y_i和z_i并计算所述特征量y和z的统计相关系数r：

式中，r为相关系数，为特征量y在全年的平均观测值，为特征量z在全年的平均观测值，n为观测日总数；

若r大于0.6，则表示所述特征量y和z强相关，随机删去一个。

优选的，所述步骤(4)中，基于时间维度对所述历史负荷数据进行聚类分析，将用户分为m类，包括：

(4-1)采用最短距离法对所述历史负荷数据进行系统聚类，获取初始聚类中心c，所述最短距离法的类间距离公式为：

D_KL＝min{d_ij:p_i∈G_k,p_j∈G_L} (5)

式(5)中，p_i为类G_k中元素，对应第i日用户的历史负荷数据序列，p_j为类G_L中元素，对应第j日用户的历史负荷数据序列，D_KL为类G_k与类G_L之间的距离，d_ij为元素p_i与元素p_j之间的距离，公式为：

式(6)中，p_i,t为用户第i日t时刻的负荷值，p_j,t为用户第j日t时刻的负荷值；

(4-2)采用模糊C均值聚类法进行第二次聚类，包括：

计算元素p_j关于第i类初始聚类中心c_i的隶属度u_ij，公式为：

式(7)中，u_ij介于0至1之间，m为聚类类数，q为加权指数，q∈[1,∞)，d_kj为元素p_k与元素p_j之间的距离，d_ij′为p_j与第i类初始聚类中心c_i之间的距离，公式为：

式(8)中，p_j,t为用户第j日t时刻的负荷值，c_it为第i类初始聚类中心c_i中第t个数据点；

计算价值函数J(U,c₁,c₂,……,c_m)，公式为：

式(9)中，U为隶属矩阵，n聚类中心中元素个数；价值函数值若小于阈值A或相对于上一次迭代中的价值函数值的变量小于阈值B，则停止迭代；

更新所述初始聚类中心C，其中，新的聚类中心C_i公式为：

优选的，所述步骤(5)中，利用贝叶斯分类法预测指定预测日的用户行为模式类别，包括：

(5-1)根据预测日的用户特征量测量值形成预测元祖X＝{x₁,x₂,……,x_l}，根据观测日的用户特征量测量值形成|D|个训练元祖，训练元组和相关联的类标号形成训练集D；

(5-2)计算第j类聚类中心C_j先验概率P(C_j)，j＝1,2,……m，若类的先验概率未知，则假定P(C₁)＝P(C₂)＝……＝P(C_m)，否则：

P(C_j)＝|C_j,D|/|D| (11)

式(11)中，|C_j,D|为D中C_j类的训练元组数，|D|为D中训练元祖数；

(5-3)假定属性值有条件地相互独立，即在属性间不存在依赖关系，计算发生C_j类情况时发生X的概率P(X|C_j)，公式为：

式(12)中，x_k为元组X第k个属性的值，若x_k为分类属性，则P(x_k|C_j)为D中第k个属性的值为x_k的C_j类的元组数除以D中C_j类的元组数；若x_k为连续值属性，则P(x_k|C_j)为：

式(13)中，和分别为C_j类训练元组第k个属性的值的均值和标准差；

(5-4)根据贝叶斯定理计算发生X情况时发生C_j的概率P(C_j|X)，公式为：

式(14)中，P(X)为属性X发生的概率，若类的先验概率未知，则使P(X|C_j)最大的类为所述预测日用户行为模式的聚类中心C_s，否则使P(X|C_j)P(C_j)最大的类为所述预测日用户行为模式的聚类中心C_s。

优选的，所述步骤(6)中，计算用户预测日的需求响应潜力，包括：

获取最小负荷用电模式的用户负荷P_min(t)，公式为：

式(15)中，C_g为第g类聚类中心，C_g,t为第g类聚类中心第t个数据点，C_k,t为第k类聚类中心第t个数据点；

用户预测日的需求响应力R(t)为：

R(t)＝C_s(t)-P_min(t) (16)

式(16)中，C_s(t)表示t时段预测日用户行为模式的聚类中心。

本发明的有益效果：

本发明提供的一种电力用户需求响应潜力确定方法能够对于所辖用户基于时间尺度进行聚类形成不同的用户行为模式，并充分考虑影响用户行为模式的多重影响因素，对预测日的用户行为模式进行合理预测，在此基础上计算用户的预测日需求响应潜力，并且充分考虑了气象等因素对用户负荷的影响，动态地计算用户的每日每时需求响应最大可削减负荷量，为电力市场运行提供科学理论支持。

附图说明

图1是本发明一种电力用户需求响应潜力确定方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作详细说明。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供的一种电力用户需求响应潜力确定方法，如图1所示，包括：

(1)获取用户观测年每日96点的历史负荷数据；

(2)获取影响用户负荷的特征量，所述特征量共l个，其中，所述特征量包括：气温和日类型；

(3)分别对所述历史负荷数据和所述特征量对应当天的负荷数据进行预处理；

(4)基于时间维度对所述历史负荷数据进行聚类分析，获取聚类中心C，将用户分为m类；

(5)利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心C_s；

(6)计算用户预测日的需求响应潜力。

具体的，所述步骤(3)中，对所述历史负荷数据进行预处理，包括：

获取用户t时刻的平均负荷值

式(1)中，p_i,t为用户第i日t时刻的负荷值，n为观测日总数，t为每日观测时间点数；

获取用户t时刻的负荷的方差

式(2)中，为用户t时刻的平均负荷值，p_i，t为用户第i日t时刻的负荷值，n为观测日总数，t为每日观测时间点数；

判断p_i,t是否满足ε为阈值，取1-1.5，为用户t时刻的平均负荷值，p_i,t为用户第i日t时刻的负荷值，若满足，则将p_i,t代入式(3)进行修正，获取p_i,t的修正结果p’_i,t；

式(3)中，α、β和γ均为权重系数且满足α+β+γ＝1，p_i-1,t和p_i+1,t分别为第i-1天和第i+1天t时刻的负荷值，和均为距离p_i,t最近的相似日负荷值，为用户t时刻的平均负荷值。

进一步的，所述步骤(3)中，对所述特征量对应当天的负荷数据进行预处理，包括：

分别获取特征量y和z在第i日的观测值y_i和z_i并计算所述特征量y和z的统计相关系数r：

式中，r为相关系数，为特征量y在全年的平均观测值，为特征量z在全年的平均观测值，n为观测日总数；

若r大于0.6，则表示所述特征量y和z强相关，随机删去一个。

所述步骤(4)中，基于时间维度对所述历史负荷数据进行聚类分析，将用户分为m类，包括：

(4-1)采用最短距离法对所述历史负荷数据进行系统聚类，获取初始聚类中心c，所述最短距离法的类间距离公式为：

D_KL＝min{d_ij:p_i∈G_k,p_j∈G_L} (5)

式(5)中，p_i为类G_k中元素，对应第i日用户的历史负荷数据序列，p_j为类G_L中元素，对应第j日用户的历史负荷数据序列，D_KL为类G_k与类G_L之间的距离，d_ij为元素p_i与元素p_j之间的距离，公式为：

式(6)中，p_i,t为用户第i日t时刻的负荷值，p_j,t为用户第j日t时刻的负荷值；

(4-2)采用模糊C均值聚类法进行第二次聚类，包括：

计算元素p_j关于第i类初始聚类中心c_i的隶属度u_ij，公式为：

式(7)中，u_ij介于0至1之间，m为聚类类数，q为加权指数，q∈[1,∞)，d_kj为元素p_k与元素p_j之间的距离，d_ij′为p_j与第i类初始聚类中心c_i之间的距离，公式为：

式(8)中，p_j,t为用户第j日t时刻的负荷值，c_it为第i类初始聚类中心c_i中第t个数据点；

计算价值函数J(U,c₁,c₂,……,c_m)，公式为：

式(9)中，U为隶属矩阵，n聚类中心中元素个数；价值函数值若小于阈值A或相对于上一次迭代中的价值函数值的变量小于阈值B，则停止迭代；

更新所述初始聚类中心C，其中，新的聚类中心C_i公式为：

所述步骤(5)中，利用贝叶斯分类法预测指定预测日的用户行为模式类别，包括：

(5-1)根据预测日的用户特征量测量值形成预测元祖X＝{x₁,x₂,……,x_l}，根据观测日的用户特征量测量值形成|D|个训练元祖，训练元组和相关联的类标号形成训练集D；

(5-2)计算第j类聚类中心C_j先验概率P(C_j)，j＝1,2,……m，若类的先验概率未知，则假定P(C₁)＝P(C₂)＝……＝P(C_m)，否则：

P(C_j)＝|C_j,D|/|D| (11)

式(11)中，|C_j,D|为D中C_j类的训练元组数，|D|为D中训练元祖数；

(5-3)假定属性值有条件地相互独立，即在属性间不存在依赖关系，计算发生C_j类情况时发生X的概率P(X|C_j)，公式为：

式(12)中，x_k为元组X第k个属性的值，若x_k为分类属性，则P(x_k|C_j)为D中第k个属性的值为x_k的C_j类的元组数除以D中C_j类的元组数；若x_k为连续值属性，则P(x_k|C_j)为：

式(13)中，和分别为C_j类训练元组第k个属性的值的均值和标准差；

(5-4)根据贝叶斯定理计算发生X情况时发生C_j的概率P(C_j|X)，公式为：

式(14)中，P(X)为属性X发生的概率，由于P(X)对所有类为常数，因此，只需要P(X|C_j)P(C_j)最大即可，若类的先验概率未知，则使P(X|C_j)最大的类为所述预测日用户行为模式的聚类中心C_s，否则使P(X|C_j)P(C_j)最大的类为所述预测日用户行为模式的聚类中心C_s。

所述步骤(6)中，计算用户预测日的需求响应潜力，包括：

获取最小负荷用电模式的用户负荷P_min(t)，公式为：

式(15)中，C_g为第g类聚类中心，C_g,t为第g类聚类中心第t个数据点，C_k,t为第k类聚类中心第t个数据点；

用户预测日的需求响应力R(t)为：

R(t)＝C_s(t)-P_min(t) (16)

式(16)中，C_s(t)表示t时段预测日用户行为模式的聚类中心。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (4)

1.一种电力用户需求响应潜力确定方法，其特征在于，所述方法包括：

(1)获取用户观测年每日96点的历史负荷数据；

(2)获取影响用户负荷的特征量，所述特征量共l个；

(3)分别对所述历史负荷数据和所述特征量对应当天的负荷数据进行预处理；

(4)基于时间维度对所述历史负荷数据进行聚类分析，获取聚类中心C，将用户分为m类；

(5)利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心C_s；

(6)计算用户预测日的需求响应潜力；

步骤(3)中，对所述特征量对应当天的负荷数据进行预处理，包括：

分别获取特征量y和z在第i日的观测值y_i和z_i并计算所述特征量y和z的统计相关系数r：

式中，r为相关系数，为特征量y在全年的平均观测值，为特征量z在全年的平均观测值，n为观测日总数；

若r大于0.6，则表示所述特征量y和z强相关，随机删去一个；

步骤(4)中，基于时间维度对所述历史负荷数据进行聚类分析，将用户分为m类，包括：

(5-1)采用最短距离法对所述历史负荷数据进行系统聚类，根据类间距离获取初始聚类中心c，其中，所述最短距离法的类间距离公式为：

D_KL＝min{d_ij:p_i∈G_k,p_j∈G_L} (5)

式(5)中，p_i为类G_k中元素，对应第i日用户的历史负荷数据序列，p_j为类G_L中元素，对应第j日用户的历史负荷数据序列，D_KL为类G_k与类G_L之间的距离，d_ij为元素p_i与元素p_j之间的距离，公式为：

式(6)中，p_i,t为用户第i日t时刻的负荷值，p_j,t为用户第j日t时刻的负荷值；

(5-2)采用模糊C均值聚类法进行第二次聚类，包括：

计算元素p_j关于第i类初始聚类中心c_i的隶属度u_ij，公式为：

式(7)中，u_ij介于0至1之间，m为聚类类数，q为加权指数，q∈[1,∞)，d_kj为元素p_k与元素p_j之间的距离，d_ij′为p_j与第i类初始聚类中心c_i之间的距离，公式为：

式(8)中，p_j,t为用户第j日t时刻的负荷值，c_it为第i类初始聚类中心c_i中第t个数据点；

计算价值函数J(U,c₁,c₂,……,c_m)，公式为：

式(9)中，U为隶属矩阵，n聚类中心中元素个数；价值函数值若小于阈值A或相对于上一次迭代中的价值函数值的变量小于阈值B，则停止迭代；

更新所述初始聚类中心C，其中，新的聚类中心C_i公式为：

步骤(5)中，利用贝叶斯分类法预测指定预测日的用户行为模式类别，包括：

(6-1)根据预测日的用户特征量测量值形成预测元祖X＝{x₁,x₂,……,x_l}，根据观测日的用户特征量测量值形成|D|个训练元祖，训练元组和相关联的类标号形成训练集D；

(6-2)计算第j类聚类中心C_j先验概率P(C_j)，j＝1,2,……m，若类的先验概率未知，则假定P(C₁)＝P(C₂)＝……＝P(C_m)，否则：

P(C_j)＝|C_j,D|/|D| (11)

式(11)中，|C_j,D|为D中Cj类的训练元组数，|D|为D中训练元祖数；

(6-3)假定属性值有条件地相互独立，即在属性间不存在依赖关系，计算发生C_j类情况时发生X的概率P(X|C_j)，公式为：

式(12)中，x_k为元组X第k个属性的值，若x_k为分类属性，则P(x_k|C_j)为D中第k个属性的值为x_k的C_j类的元组数除以D中C_j类的元组数；若x_k为连续值属性，则P(x_k|C_j)为：

式(13)中，和分别为C_j类训练元组第k个属性的值的均值和标准差；

(5-4)根据贝叶斯定理计算发生属性X情况时发生C_j的概率P(C_j|X)，公式为：

式(14)中，P(X)为属性X发生的概率，若类的先验概率未知，则使P(X|C_j)最大的类为所述预测日用户行为模式的聚类中心C_s，否则使P(X|C_j)P(C_j)最大的类为所述预测日用户行为模式的聚类中心C_s。

2.如权利要求1所述的方法，其特征在于，步骤(2)中所述特征量包括：气温和日类型。

3.如权利要求1所述的方法，其特征在于，步骤(3)中，对所述历史负荷数据进行预处理，包括：

获取用户t时刻的平均负荷值

式(1)中，p_i,t为用户第i日t时刻的负荷值，n为观测日总数，t为每日观测时间点数；

获取用户t时刻的负荷的方差

式(2)中，为用户t时刻的平均负荷值，p_i,t为用户第i日t时刻的负荷值，n为观测日总数，t为每日观测时间点数；

判断p_i,t是否满足ε为阈值，取1-1.5，为用户t时刻的平均负荷值，p_i,t为用户第i日t时刻的负荷值，若满足，则将p_i,t代入式(3)进行修正，获取p_i,t的修正结果p’_i,t；

式(3)中，α、β和γ均为权重系数且满足α+β+γ＝1，p_i-1,t和p_i+1,t分别为第i-1天和第i+1天t时刻的负荷值，和均为距离p_i,t最近的相似日负荷值，为用户t时刻的平均负荷值。

4.如权利要求1所述的方法，其特征在于，步骤(6)中，计算用户预测日的需求响应潜力，包括：

获取最小负荷用电模式的用户负荷P_min(t)，公式为：

式(15)中，C_g为第g类聚类中心，C_g,t为第g类聚类中心第t个数据点，C_k,t为第k类聚类中心第t个数据点；

用户预测日的需求响应力R(t)为：

R(t)＝C_s(t)-P_min(t) (16)

式(16)中，C_s(t)表示t时段预测日用户行为模式的聚类中心。