CN109344895A - 一种激励型需求响应下的用户响应可靠性评估方法 - Google Patents

一种激励型需求响应下的用户响应可靠性评估方法 Download PDF

Info

Publication number
CN109344895A
CN109344895A CN201811141307.8A CN201811141307A CN109344895A CN 109344895 A CN109344895 A CN 109344895A CN 201811141307 A CN201811141307 A CN 201811141307A CN 109344895 A CN109344895 A CN 109344895A
Authority
CN
China
Prior art keywords
response
user
same day
formula
period
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811141307.8A
Other languages
English (en)
Other versions
CN109344895B (zh
Inventor
吴红斌
任印泽
夏勇
陈振宇
栾开宁
杨世海
曹晓冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co Ltd
Hefei University of Technology
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co Ltd, Hefei University of Technology filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN201811141307.8A priority Critical patent/CN109344895B/zh
Publication of CN109344895A publication Critical patent/CN109344895A/zh
Application granted granted Critical
Publication of CN109344895B publication Critical patent/CN109344895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种激励型需求响应下的用户响应可靠性评估方法，是按如下步骤进行：1获取居民用户的历史用电数据和电网给定的用电负荷曲线；2建立用户的响应行为模型，利用最小二乘法计算用户的响应行为模型参数；3制定单一用户响应的可靠性指标，利用主成分分析法将单一用户响应的可靠性指标标准化；4结合用户总体的响应行为模型和响应可靠性指标，预测下一次响应的用户负荷曲线，计算用户响应的可靠性。本发明通过研究在不同激励对用户响应的影响，建立了激励政策下的用户响应行为模型，并根据历史数据求解响应行为模型参数，从而对用户的响应结果进行评价，进而为电网的需求响应政策提供依据和参考。

Description

一种激励型需求响应下的用户响应可靠性评估方法
技术领域
本发明涉及响应可靠性评估领域，具体涉及用户响应的负荷预测和响应的可靠性评估方法。
背景技术
随着经济的发展，用户的用电量持续增长，用电需求的增加推进了电力体制的改革；电力需求响应通过电价信号或激励政策使用户主动改变原有的用电习惯，以此来改善负荷曲线，起到削峰填谷的目的。目前，江苏电网已经在示范区开展需求响应的工作，通过负荷集成商向用户下发响应信号，并通过安装智能电表获得用户的用电数据。
对于用户的响应行为，国内外已有部分学者研究，主要方法有基于价格弹性矩阵，消费者心理学原理和基于统计学原理。价格弹性矩阵和基于消费者心理学原理是研究分时电价下用户的响应行为模型，通过改变电价来改变用户的用电方式，但分时电价不适用于国内的需求响应政策，基于统计学原理需要获取足够的历史响应负荷数据。此外实施需求响应政策后需要对响应的结果进行评价，目前国内外很少有关于响应可靠性的研究和相关的响应可靠性指标，因此研究用户的响应行为和响应可靠性十分必要。
发明内容
本发明是为避免上述现有技术所存在的不足之处，提供了一种激励型需求响应下的用户响应可靠性评估方法，以期能根据不同激励对用户响应的影响，建立相应激励政策下的用户响应行为模型，并根据历史数据求解响应行为模型参数，从而对用户的响应结果进行评价，进而为电网的需求响应政策提供依据和参考。
为了达到上述目的，本发明所采用的技术方案为：
本发明一种激励型需求响应下的用户响应可靠性评估方法的特点是按如下步骤进行；
步骤一、获取居民用户的历史用电数据，包括：用户第n次响应当天的前x天的用电负荷数据、用户前n-1次响应时的日负荷数据和最大响应日负荷数据；
获取电网给定的用电负荷曲线，包括：用户前n-1次响应时电网给定的用电负荷数据、电网对用户响应激励政策的相关参数；
步骤二、建立用户的响应行为模型，利用最小二乘法计算用户的响应行为模型参数：
步骤2.1、利用式(1)建立激励政策下的用户的响应行为模型：
式(1)中：R为用户总体的响应程度，K为响应的收益率，cK为响应行为模型的线性区斜率，Rmax为用户总体响应的最大值，Kmin和Kmax分别为用户响应行为模型的死区阈值和饱和区阈值；
步骤2.2、将一天中电网要求用户响应的时间区间分为h个响应时段，共有k个用户参与响应，则根据用户第n次响应当天的前x天的负荷数据，利用式(2)计算第n次响应当天第i个用户在第t个响应时段的基准功率P0(n),i(t)，从而得到第n次响应当天第i个用户在所有h个响应时段的基准功率{P0(n),i(1),P0(n),i(2),…,P0(n),i(t),…,P0(n),i(h)}，进而得到第n次响应当天k个用户在所有h个响应时段的基准功率1≤i≤k，1≤t≤h：
式(2)中，P0(n),i(-d,t)为第n次响应当天第i个用户在前d天当天的第t个响应时段的实际功率；
步骤2.3、利用式(3)计算第n次响应当天用户总体在第t个响应时段的基准功率P0(n)(t)，从而得到第n次响应当天用户总体在所有h个响应时段的基准功率{P0(n)(1),P0(n)(2),…,P0(n)(t),…,P0(n)(h)}：
步骤2.4、根据第n次响应当天所有h个响应时段用户总体的基准功率、电网给定的用电标准负荷功率和用户的最大响应负荷功率，利用式(4)计算第n次响应当天第t个响应时段用户总体的标准响应程度αb(n)(t)，从而得到第n次响应当天所有h个响应时段的标准响应程度{αb(n)(1),αb(n)(2),…,αb(n)(t),…,αb(n)(h)}：
式(4)中：Pb(n)(t)为第n次响应当天第t个响应时段电网给定的用电负荷功率；Pmax(n)(t)为第n次响应当天第t个响应时段用户的最大响应负荷功率；
步骤2.5、根据前n次响应中每次响应当天用户的实际负荷数据，利用式(5)计算第m次响应当天第t个响应时段用户总体的实际响应程度α(m)(t)，从而得到第m次响应当天所有h个响应时段用户总体的实际响应程度{α(m)(1),α(m)(2),…,α(m)(t),…,α(m)(h)}，进而得到前n次响应中每次响应当天所有h个响应时段用户总体的实际响应程度1≤m≤n：
式(5)中：P(m)(t)为第m次响应当天第t个响应时段用户总体的实际功率，P0(m)(t)为第m次响应当天第t个响应时段用户总体的基准功率；Pmax(m)(t)为第m次响应当天第t个响应时段用户总体的最大响应负荷；
步骤2.6、利用式(5)计算第m次响应当天用户总体的标准平均响应程度从而得到前n次响应中每次响应当天用户总体的标准平均响应程度
步骤2.7、利用式(7)计算第m次响应当天用户总体的平均响应程度从而得到前n次响应中每次响应当天用户总体的平均响应程度
步骤2.8、利用式(8)计算第m次响应当天用户总体的响应完成度R(m)，从而得到前n次响应中每次响应当天用户总体的响应完成度{R(1),R(2),…,R(m),…,R(n)}：
步骤2.9、利用式(9)计算第m次响应当天用户总体的最大响应完成度Rmax(m)，从而得到前n次响应中每次响应当天用户总体的最大响应完成度{Rmax(1),Rmax(2),…,Rmax(m),…,Rmax(n)}：
步骤2.10、利用式(10)计算第m次响应当天用户总体的响应完成率L(m)，从而得到前n次响应中每次响应当天用户总体的响应完成率{L(1),L(2),…,L(m),…,L(n)}：
步骤2.11、利用式(11)计算第m次响应当天的响应收益率K(m)，从而得到前n次响应中每次响应当天的响应收益率{K(1),K(2),…,K(m),…,K(n)}：
式(11)中：αmin(m)表示第m次响应当天激励政策奖励的响应程度起始阈值，αmid(m)表示第m次响应当天激励政策奖励的响应程度中间值，αmax(m)表示第m次响应当天激励政策奖励的响应程度饱和阈值；k1(m)表示第m次响应当天激励政策奖励线性区间(αmin(m),αmid(m))的斜率，k2(m)表示第m次响应当天激励政策奖励线性区间(αmid(m),αmax(m))的斜率；
步骤2.12、利用式(12)计算前n－1次响应的响应完成度和响应收益率的均值
步骤2.13、利用式(13)计算响应行为模型参数的线性区斜率c和死区阈值Kmin；
步骤三、制定用户响应的可靠性指标，利用主成分分析法将响应的可靠性指标标准化：
步骤3.1、利用式(14)计算第n次响应当天第t个响应时段的响应权重系数b(n)(t)，从而计算所有h个响应时段的响应权重系数{b(n)(1),b(n)(2),…,b(n)(t),…,b(n)(h)}：
步骤3.2、利用式(15)计算第n次响应当天第i用户第t个响应时段的响应率从而获得第n次响应当天所有k个用户第t个响应时段的响应率进而获得第n次响应当天所有k个用户的所有h个响应时段的响应率
式(15)中：计算第n次响应当天第i个用户的第t个响应时段的响应率；
步骤3.3、利用主成分分析法将用户的响应可靠性指标标准化；
步骤3.3.1、利用式(16)计算第n次响应当天第t个响应时段用户响应率的均值从而获得第n次响应当天所有h个响应时段的用户响应率的均值
步骤3.3.2、利用式(17)计算第n次响应当天第t个响应时段用户总体的响应率方差s(n)(t)，从而获得第n次响应当天所有h个响应时段用户总体的响应率方差{s(n)(1),s(n)(2),…,s(n)(t),…,s(n)(h)}：
步骤3.3.3、利用(18)将第n次响应当天第i个用户第t个响应时段的响应率标准化，得到第n次响应当天第i个用户第t个响应时段标准化的响应率从而得到第n次响应当天第i个用户所有h个响应时段标准化的响应率进而得到第n次响应当天所有k个用户所有h个响应时段标准化的响应率，并以矩阵的形式表示记为
步骤3.3.4、利用式(19)计算所有h个响应时段响应率的关联矩阵G(n)：
步骤3.3.5、计算关联矩阵G(n)的k个特征值，并将其中大于0的特征值按降序排列，记为{λ1(n),λ2(n),…,λp(n),…,λq(n)}，1≤p≤q，并计算q个特征值分别对应的特征向量，记为{ξ1(n),ξ2(n),…,ξp(n),…,ξq(n)}；
步骤3.3.6、计算前v个主成分使得累计方差贡献率u(n)(v)达到定值u时的最小v值；
步骤3.3.6.1、令v＝1；
步骤3.3.6.2、利用式(20)计算前v个主成分的累计方差贡献率u(n)(v)：
步骤3.3.6.3、判断满足u(n)(v)≥u是否成立，若成立，则转至步骤3.3.7，否则将v+1赋值给v，转到步骤3.3.6.2；
步骤3.3.7、将步骤3.3.5中所求得的特征向量中的前v个特征向量单位正交化，得到单位正交化后的v个特征向量，记为{ξ'1(n),ξ'2(n),…,ξ'p(n),…,ξ'v(n)}，1≤p≤v，并以矩阵的形式表示为并有：其中表示矩阵A(n)的第t行第p列的元素；
步骤3.3.8、利用式(21)计算前p个主成分的方差贡献率up(n)，从而得到前v个主成分的方差贡献率{u1(n),u2(n),…,up(n),…,uv(n)}：
步骤3.3.9、利用式(22)计算第n次响应当天第t个响应时段的综合响应率系数wt(n)，从而得到第n次响应当天所有h个响应时段的综合响应率系数{w1(n),w2(n),…,wt(n),…,wh(n)}：
步骤3.4、利用式(23)计算第n次响应当天第i个用户的标准响应评价指标y(n)(i)，从而得到第n次响应当天所有k个用户标准响应评价指标{y(n)(1),y(n)(2),…,y(n)(i),…,y(n)(k)}：
步骤四、结合用户响应行为模型和用户响应可靠性指标，根据前n-1次的用户实际响应功率，计算第n次用户响应后负荷功率的预测值；根据用户第n次实际响应的功率大小，计算用户响应的可靠性：
步骤4.1、利用式(24)计算第n次响应当天用户总体的响应完成度预测值Rre(n)：
步骤4.2、判断是否满足Rre(n)≥Rmax(n)，若满足，则将Rmax(n)赋值给Rre(n)，并转到步骤4.3；否则，直接转到步骤4.3；
步骤4.3、利用式(25)计算在第n次响应当天在响应完成度预测值Rre(n)下所预测的第t个响应时段的用户总体响应程度预测值αre(n)(t)，从而获得第n次响应当天所有h个响应时段的用户总体响应程度预测值{αre(n)(1),αre(n)(2),…,αre(n)(t),…,αre(n)(h)}：
步骤4.4、利用式(26)计算第n次响应当天第t个响应时段用户响应后的负荷功率预测值Pre(n)(t)，从而获得第n次响应当天所有h个响应时段用户响应后的负荷功率预测值{Pre(n)(1),Pre(n)(2),…,Pre(n)(t),…,Pre(n)(h)}；
Pre(n)(t)＝P0(n)(t)-αre(n)(t)(P0(n)(t)-Pmax(n)(t)) (26)
步骤4.5、计算第n次响应当天用户总体的响应可靠性指标；
步骤4.5.1、利用式(27)计算用户响应成功率CSRFI：
式(27)中：D(n)(t)表示第n次响应当天第h个响应时段的响应情况，D(n)(t)＝1表示第t个响应时段的响应满足响应要求，D(n)(t)＝0表示第t个响应时段的响应不满足响应要求；
步骤4.5.2、利用式(28)计算用户平均响应程度CARDI：
步骤4.5.3、利用式(29)计算用户平均响应完成度CARCI：
步骤4.5.4、利用式(30)计算用户平均负荷转移率CALTR：
与已有技术相比，本发明的有益效果体现在：
1、本发明根据现有的需求响应政策，建立了用户的响应行为模型，该模型反映出激励政策的收益率与用户响应的关系，用户响应可以通过改变收益率来改变，为需求响应激励政策的制定或修改提供依据；
2、本发明基于响应的历史数据，利用最小二乘法求解用户响应行为模型的相关参数，量化了响应模型的参数，为预测用户响应后的负荷曲线提供数学模型，使供电公司更加准确的掌握用户的响应特性；
3、本发明根据需求响应政策中所要求的标准负荷曲线和激励政策，通过用户的响应行为模型，预测用户响应后的负荷曲线，预测结果更加精确；
4、本发明在评价用户的响应结果时，考虑到不同时段的重要程度不同，根据标准响应程度，基线功率大小，计算不同时段的权重系数，对各时段赋予权重系数来更准确的评价用户的响应行为，尽可能的做到评价结果的公正性；
5、本发明根据权重系数计算每个用户的响应可靠性指标——响应率，并利用主成分分析法将响应率标准化，根据标准化之后的响应率，评价各用户对该次响应的贡献大小，公平的比较各用户对用户总体响应的贡献大小；
6、本发明将用户响应的结果与最大响应和响应标准对比，制定响应可靠性指标，从多方面评价响应结果，并给出响应可靠性指标的计算公式，从概率、时间和程度多方面反映出响应的可靠性；
附图说明
图1为用户总体的响应负荷预测和响应可靠性评估方法流程示意图。
具体实施方式
本实施例中，如图1所示，一种激励型需求响应下的用户响应可靠性评估方法是按如下步骤进行：
步骤一、获取居民用户的历史用电数据，包括：用户第n次响应当天的前x天的用电负荷数据、用户前n-1次响应时的日负荷数据和最大响应日负荷数据；
计算用户的响应行为参数和响应可靠性，需要三类负荷数据：
1、预测基准负荷：根据历史数据预测响应当天未实施需求响应的基线负荷；
2、最大响应负荷：根据基线负荷和响应潜力得出用户在响应当天的最大响应负荷，即响应充分发挥响应潜力后的负荷曲线，属于理想的负荷曲线，通过计算用户的可调度潜力来获得。
3、标准响应负荷：电网根据基线负荷和最大响应负荷给出响应当天的响应标准。
获取电网给定的用电负荷曲线，包括：用户前n-1次响应时电网给定的用电负荷数据、电网对用户响应激励政策的相关参数；
步骤二、建立用户的响应行为模型，利用最小二乘法计算用户的响应行为模型参数：
步骤2.1、利用式(1)建立激励政策下的用户的响应行为模型：
式(1)中：R为用户总体的响应程度，K为响应的收益率，cK为响应行为模型的线性区斜率，Rmax为用户总体响应的最大值，Kmin和Kmax分别为用户响应行为模型的死区阈值和饱和区阈值；
步骤2.2、根据历史负荷数据，预测当天的基线负荷，常用的负荷预测方法有均值法和回归法，本文利用回归法预测用户的基线负荷；将一天中电网要求用户响应的时间区间分为h个响应时段，共有k个用户参与响应，则根据用户第n次响应当天的前x天的负荷数据，利用式(2)计算第n次响应当天第i个用户在第t个响应时段的基准功率P0(n),i(t)，从而得到第n次响应当天第i个用户在所有h个响应时段的基准功率{P0(n),i(1),P0(n),i(2),…,P0(n),i(t),…,P0(n),i(h)}，进而得到第n次响应当天k个用户在所有h个响应时段的基准功率1≤i≤k，1≤t≤h：
式(2)中，P0(n),i(-d,t)为第n次响应当天第i个用户在前d天当天的第t个响应时段的实际功率；
步骤2.3、利用式(3)计算第n次响应当天用户总体在第t个响应时段的基准功率P0(n)(t)，从而得到第n次响应当天用户总体在所有h个响应时段的基准功率{P0(n)(1),P0(n)(2),…,P0(n)(t),…,P0(n)(h)}：
步骤2.4、根据第n次响应当天所有h个响应时段用户总体的基准功率、电网给定的用电标准负荷功率和用户的最大响应负荷功率，利用式(4)计算第n次响应当天第t个响应时段用户总体的标准响应程度αb(n)(t)，从而得到第n次响应当天所有h个响应时段的标准响应程度{αb(n)(1),αb(n)(2),…,αb(n)(t),…,αb(n)(h)}：
式(4)中：Pb(n)(t)为第n次响应当天第t个响应时段电网给定的用电负荷功率；Pmax(n)(t)为第n次响应当天第t个响应时段用户的最大响应负荷功率；
步骤2.5、根据前n次响应中每次响应当天用户的实际负荷数据，利用式(5)计算第m次响应当天第t个响应时段用户总体的实际响应程度α(m)(t)，从而得到第m次响应当天所有h个响应时段用户总体的实际响应程度{α(m)(1),α(m)(2),…,α(m)(t),…,α(m)(h)}，进而得到前n次响应中每次响应当天所有h个响应时段用户总体的实际响应程度1≤m≤n：
式(5)中：P(m)(t)为第m次响应当天第t个响应时段用户总体的实际功率，P0(m)(t)为第m次响应当天第t个响应时段用户总体的基准功率；Pmax(m)(t)为第m次响应当天第t个响应时段用户总体的最大响应负荷；
步骤2.6、利用式(5)计算第m次响应当天用户总体的标准平均响应程度从而得到前n次响应中每次响应当天用户总体的标准平均响应程度
步骤2.7、利用式(7)计算第m次响应当天用户总体的平均响应程度从而得到前n次响应中每次响应当天用户总体的平均响应程度
步骤2.8、计算用户的等效响应程度计算需要考虑：每个时段的响应完成度，用户的平均响应完成度，不同的时间段电网对用户响应的要求不同；利用式(8)计算第m次响应当天用户总体的响应完成度R(m)，从而得到前n次响应中每次响应当天用户总体的响应完成度{R(1),R(2),…,R(m),…,R(n)}：
步骤2.9、利用式(9)计算第m次响应当天用户总体的最大响应完成度Rmax(m)，从而得到前n次响应中每次响应当天用户总体的最大响应完成度{Rmax(1),Rmax(2),…,Rmax(m),…,Rmax(n)}：
步骤2.10、每次响应的最大响应负荷曲线不同，电网所给出的标准响应负荷曲线不同，因此要根据最大响应完成度将响应完成度先转化为响应完成率，在利用最小二乘法求解响应行为参数；利用式(10)计算第m次响应当天用户总体的响应完成率L(m)，从而得到前n次响应中每次响应当天用户总体的响应完成率{L(1),L(2),…,L(m),…,L(n)}：
步骤2.11、响应收益能够使用户最直观的看到响应的所带来的回报，用户在同等的响应下，收益越高，响应收益率越高，因此响应收益的线性区间越大，响应的线性区斜率越大，响应的收益率越高；利用式(11)计算第m次响应当天的响应收益率K(m)，从而得到前n次响应中每次响应当天的响应收益率{K(1),K(2),…,K(m),…,K(n)}：
式(11)中：αmin(m)表示第m次响应当天激励政策奖励的响应程度起始阈值，αmid(m)表示第m次响应当天激励政策奖励的响应程度中间值，αmax(m)表示第m次响应当天激励政策奖励的响应程度饱和阈值；k1(m)表示第m次响应当天激励政策奖励线性区间(αmin(m),αmid(m))的斜率，k2(m)表示第m次响应当天激励政策奖励线性区间(αmid(m),αmax(m))的斜率；
步骤2.12、利用式(12)计算前n－1次响应的响应完成度和响应收益率的均值
步骤2.13、利用式(13)计算响应行为模型参数的线性区斜率c和死区阈值Kmin；
步骤三、制定用户响应的可靠性指标，利用主成分分析法将响应的可靠性指标标准化：
步骤3.1、根据用户的负荷曲线和电网给定的响应标准负荷，可以得出响应各时段的权重系数，基线负荷越大的时段和标准响应程度越大的时段，权重系数越大，判断出各时段的权重系数，其次再对各时段权重系数标准化，利用式(14)计算第n次响应当天第t个响应时段的响应权重系数b(n)(t)，从而计算所有h个响应时段的响应权重系数{b(n)(1),b(n)(2),…,b(n)(t),…,b(n)(h)}：
步骤3.2、利用式(15)计算第n次响应当天第i用户第t个响应时段的响应率从而获得第n次响应当天所有k个用户第t个响应时段的响应率进而获得第n次响应当天所有k个用户的所有h个响应时段的响应率
式(15)中：计算第n次响应当天第i个用户的第t个响应时段的响应率；
步骤3.3、利用主成分分析法将用户的响应可靠性指标标准化；
步骤3.3.1、实际当中对于每个用户，无法获得其最大响应负荷这一数据，对所有用户的响应贡献进行比较，因根据用户的在各响应时段所减少的用电量比例来衡量；利用式(16)计算第n次响应当天第t个响应时段用户响应率的均值从而获得第n次响应当天所有h个响应时段的用户响应率的均值
步骤3.3.2、利用式(17)计算第n次响应当天第t个响应时段用户总体的响应率方差s(n)(t)，从而获得第n次响应当天所有h个响应时段用户总体的响应率方差{s(n)(1),s(n)(2),…,s(n)(t),…,s(n)(h)}：
步骤3.3.3、利用(18)将第n次响应当天第i个用户第t个响应时段的响应率标准化，得到第n次响应当天第i个用户第t个响应时段标准化的响应率从而得到第n次响应当天第i个用户所有h个响应时段标准化的响应率进而得到第n次响应当天所有k个用户所有h个响应时段标准化的响应率，并以矩阵的形式表示记为
步骤3.3.4、由于响应率已经标准化，因此对于矩阵Z(n)的各列向量Zt(n)的元素均满足期望值等于0，方差等于1，即E(Zt(n))＝0,D(Zt(n))＝1；因此利用式(19)计算所有h个响应时段响应率的关联矩阵G(n)：
步骤3.3.5、计算关联矩阵G(n)的k个特征值，并将其中大于0的特征值按降序排列，记为{λ1(n),λ2(n),…,λp(n),…,λq(n)}，1≤p≤q，并计算q个特征值分别对应的特征向量，记为{ξ1(n),ξ2(n),…,ξp(n),…,ξq(n)}；
步骤3.3.6、计算前v个主成分使得累计方差贡献率u(n)(v)达到定值u时的最小v值，u的值一般取0.7到0.9之间；
步骤3.3.6.1、令v＝1；
步骤3.3.6.2、利用式(20)计算前v个主成分的累计方差贡献率u(n)(v)：
步骤3.3.6.3、判断满足u(n)(v)≥u是否成立，若成立，则转至步骤3.3.7，否则将v+1赋值给v，转到步骤3.3.6.2；
步骤3.3.7、将步骤3.3.5中所求得的特征向量中的前v个特征向量单位正交化，得到单位正交化后的v个特征向量，记为{ξ'1(n),ξ'2(n),…,ξ'p(n),…,ξ'v(n)}，1≤p≤v，并以矩阵的形式表示为并有：其中表示矩阵A(n)的第t行第p列的元素；
步骤3.3.8、利用式(21)计算前p个主成分的方差贡献率up(n)，从而得到前v个主成分的方差贡献率{u1(n),u2(n),…,up(n),…,uv(n)}：
步骤3.3.9、利用式(22)计算第n次响应当天第t个响应时段的综合响应率系数wt(n)，从而得到第n次响应当天所有h个响应时段的综合响应率系数{w1(n),w2(n),…,wt(n),…,wh(n)}：
步骤3.4、利用式(23)计算第n次响应当天第i个用户的标准响应评价指标y(n)(i)，从而得到第n次响应当天所有k个用户标准响应评价指标{y(n)(1),y(n)(2),…,y(n)(i),…,y(n)(k)}：
根据标准化之后的响应评价指标，可以判断各用户对该次响应的贡献率大小；
步骤四、结合用户响应行为模型和用户响应可靠性指标，根据前n-1次的用户实际响应功率，计算第n次用户响应后负荷功率的预测值；根据用户第n次实际响应的功率大小，计算用户响应的可靠性：
根据前n-1次响应的结果，预测第n次响应后的负荷功率大小，从而与实际响应后的负荷功率对比；
步骤4.1、利用式(24)计算第n次响应当天用户总体的响应完成度预测值Rre(n)：
步骤4.2、判断是否满足Rre(n)≥Rmax(n)，若满足，则将Rmax(n)赋值给Rre(n)，并转到步骤4.3；否则，直接转到步骤4.3；
步骤4.3、利用式(25)计算在第n次响应当天在响应完成度预测值Rre(n)下所预测的第t个响应时段的用户总体响应程度预测值αre(n)(t)，从而获得第n次响应当天所有h个响应时段的用户总体响应程度预测值{αre(n)(1),αre(n)(2),…,αre(n)(t),…,αre(n)(h)}：
步骤4.4、利用式(26)计算第n次响应当天第t个响应时段用户响应后的负荷功率预测值Pre(n)(t)，从而获得第n次响应当天所有h个响应时段用户响应后的负荷功率预测值{Pre(n)(1),Pre(n)(2),…,Pre(n)(t),…,Pre(n)(h)}；
Pre(n)(t)＝P0(n)(t)-αre(n)(t)(P0(n)(t)-Pmax(n)(t)) (26)
步骤4.5、计算第n次响应当天用户总体的响应可靠性指标；
步骤4.5.1、利用式(27)计算用户响应成功率CSRFI(customer successfulresponse frequency index)：
式(27)中：D(n)(t)表示第n次响应当天第h个响应时段的响应情况，D(n)(t)＝1表示第t个响应时段的响应满足响应要求，D(n)(t)＝0表示第t个响应时段的响应不满足响应要求；
步骤4.5.2、利用式(28)计算用户平均响应程度CARDI(customer averageresponse degree index)：
步骤4.5.3、利用式(29)计算用户平均响应完成度CARCI(customer averageresponse completion index)：
步骤4.5.4、利用式(30)计算用户平均负荷转移率CALTR(customer average loadtranslating rate)：
评估用户响应的可靠性需要从多方面根据一定的标准来评估，本文通过3个方面评估用户响应的可靠性；
响应的成功率：表示用户的响应满足响应要求的概率；
用户平均响应程度：表示用户发挥响应潜力的程度，取值范围在(0,1)之间，平均响应程度越大，响应潜力越小；
用户平均响应完成度：表明用户的响应相对于响应标准的完成度，实际中，用户的响应往往会比标准的响应更多，因此平均响应完成度一般大于1。

Claims (1)

1.一种激励型需求响应下的用户响应可靠性评估方法，其特征是按如下步骤进行；
步骤一、获取居民用户的历史用电数据，包括：用户第n次响应当天的前x天的用电负荷数据、用户前n-1次响应时的日负荷数据和最大响应日负荷数据；
获取电网给定的用电负荷曲线，包括：用户前n-1次响应时电网给定的用电负荷数据、电网对用户响应激励政策的相关参数；
步骤二、建立用户的响应行为模型，利用最小二乘法计算用户的响应行为模型参数：
步骤2.1、利用式(1)建立激励政策下的用户的响应行为模型：
式(1)中：R为用户总体的响应程度，K为响应的收益率，cK为响应行为模型的线性区斜率，Rmax为用户总体响应的最大值，Kmin和Kmax分别为用户响应行为模型的死区阈值和饱和区阈值；
步骤2.2、将一天中电网要求用户响应的时间区间分为h个响应时段，共有k个用户参与响应，则根据用户第n次响应当天的前x天的负荷数据，利用式(2)计算第n次响应当天第i个用户在第t个响应时段的基准功率P0(n),i(t)，从而得到第n次响应当天第i个用户在所有h个响应时段的基准功率{P0(n),i(1),P0(n),i(2),…,P0(n),i(t),…,P0(n),i(h)}，进而得到第n次响应当天k个用户在所有h个响应时段的基准功率
式(2)中，P0(n),i(-d,t)为第n次响应当天第i个用户在前d天当天的第t个响应时段的实际功率；
步骤2.3、利用式(3)计算第n次响应当天用户总体在第t个响应时段的基准功率P0(n)(t)，从而得到第n次响应当天用户总体在所有h个响应时段的基准功率{P0(n)(1),P0(n)(2),…,P0(n)(t),…,P0(n)(h)}：
步骤2.4、根据第n次响应当天所有h个响应时段用户总体的基准功率、电网给定的用电标准负荷功率和用户的最大响应负荷功率，利用式(4)计算第n次响应当天第t个响应时段用户总体的标准响应程度αb(n)(t)，从而得到第n次响应当天所有h个响应时段的标准响应程度{αb(n)(1),αb(n)(2),…,αb(n)(t),…,αb(n)(h)}：
式(4)中：Pb(n)(t)为第n次响应当天第t个响应时段电网给定的用电负荷功率；Pmax(n)(t)为第n次响应当天第t个响应时段用户的最大响应负荷功率；
步骤2.5、根据前n次响应中每次响应当天用户的实际负荷数据，利用式(5)计算第m次响应当天第t个响应时段用户总体的实际响应程度α(m)(t)，从而得到第m次响应当天所有h个响应时段用户总体的实际响应程度{α(m)(1),α(m)(2),…,α(m)(t),…,α(m)(h)}，进而得到前n次响应中每次响应当天所有h个响应时段用户总体的实际响应程度
式(5)中：P(m)(t)为第m次响应当天第t个响应时段用户总体的实际功率，P0(m)(t)为第m次响应当天第t个响应时段用户总体的基准功率；Pmax(m)(t)为第m次响应当天第t个响应时段用户总体的最大响应负荷；
步骤2.6、利用式(5)计算第m次响应当天用户总体的标准平均响应程度从而得到前n次响应中每次响应当天用户总体的标准平均响应程度
步骤2.7、利用式(7)计算第m次响应当天用户总体的平均响应程度从而得到前n次响应中每次响应当天用户总体的平均响应程度
步骤2.8、利用式(8)计算第m次响应当天用户总体的响应完成度R(m)，从而得到前n次响应中每次响应当天用户总体的响应完成度{R(1),R(2),…,R(m),…,R(n)}：
步骤2.9、利用式(9)计算第m次响应当天用户总体的最大响应完成度Rmax(m)，从而得到前n次响应中每次响应当天用户总体的最大响应完成度{Rmax(1),Rmax(2),…,Rmax(m),…,Rmax(n)}：
步骤2.10、利用式(10)计算第m次响应当天用户总体的响应完成率L(m)，从而得到前n次响应中每次响应当天用户总体的响应完成率{L(1),L(2),…,L(m),…,L(n)}：
步骤2.11、利用式(11)计算第m次响应当天的响应收益率K(m)，从而得到前n次响应中每次响应当天的响应收益率{K(1),K(2),…,K(m),…,K(n)}：
式(11)中：αmin(m)表示第m次响应当天激励政策奖励的响应程度起始阈值，αmid(m)表示第m次响应当天激励政策奖励的响应程度中间值，αmax(m)表示第m次响应当天激励政策奖励的响应程度饱和阈值；k1(m)表示第m次响应当天激励政策奖励线性区间(αmin(m),αmid(m))的斜率，k2(m)表示第m次响应当天激励政策奖励线性区间(αmid(m),αmax(m))的斜率；
步骤2.12、利用式(12)计算前n－1次响应的响应完成度和响应收益率的均值
步骤2.13、利用式(13)计算响应行为模型参数的线性区斜率c和死区阈值Kmin；
步骤三、制定用户响应的可靠性指标，利用主成分分析法将响应的可靠性指标标准化：
步骤3.1、利用式(14)计算第n次响应当天第t个响应时段的响应权重系数b(n)(t)，从而计算所有h个响应时段的响应权重系数{b(n)(1),b(n)(2),…,b(n)(t),…,b(n)(h)}：
步骤3.2、利用式(15)计算第n次响应当天第i用户第t个响应时段的响应率从而获得第n次响应当天所有k个用户第t个响应时段的响应率进而获得第n次响应当天所有k个用户的所有h个响应时段的响应率
式(15)中：计算第n次响应当天第i个用户的第t个响应时段的响应率；
步骤3.3、利用主成分分析法将用户的响应可靠性指标标准化；
步骤3.3.1、利用式(16)计算第n次响应当天第t个响应时段用户响应率的均值从而获得第n次响应当天所有h个响应时段的用户响应率的均值
步骤3.3.2、利用式(17)计算第n次响应当天第t个响应时段用户总体的响应率方差s(n)(t)，从而获得第n次响应当天所有h个响应时段用户总体的响应率方差{s(n)(1),s(n)(2),…,s(n)(t),…,s(n)(h)}：
步骤3.3.3、利用(18)将第n次响应当天第i个用户第t个响应时段的响应率标准化，得到第n次响应当天第i个用户第t个响应时段标准化的响应率从而得到第n次响应当天第i个用户所有h个响应时段标准化的响应率进而得到第n次响应当天所有k个用户所有h个响应时段标准化的响应率，并以矩阵的形式表示记为
步骤3.3.4、利用式(19)计算所有h个响应时段响应率的关联矩阵G(n)：
步骤3.3.5、计算关联矩阵G(n)的k个特征值，并将其中大于0的特征值按降序排列，记为{λ1(n),λ2(n),…,λp(n),…,λq(n)}，1≤p≤q，并计算q个特征值分别对应的特征向量，记为{ξ1(n),ξ2(n),…,ξp(n),…,ξq(n)}；
步骤3.3.6、计算前v个主成分使得累计方差贡献率u(n)(v)达到定值u时的最小v值；
步骤3.3.6.1、令v＝1；
步骤3.3.6.2、利用式(20)计算前v个主成分的累计方差贡献率u(n)(v)：
步骤3.3.6.3、判断满足u(n)(v)≥u是否成立，若成立，则转至步骤3.3.7，否则将v+1赋值给v，转到步骤3.3.6.2；
步骤3.3.7、将步骤3.3.5中所求得的特征向量中的前v个特征向量单位正交化，得到单位正交化后的v个特征向量，记为{ξ'1(n),ξ'2(n),…,ξ'p(n),…,ξ'v(n)}，1≤p≤v，并以矩阵的形式表示为并有：其中表示矩阵A(n)的第t行第p列的元素；
步骤3.3.8、利用式(21)计算前p个主成分的方差贡献率up(n)，从而得到前v个主成分的方差贡献率{u1(n),u2(n),…,up(n),…,uv(n)}：
步骤3.3.9、利用式(22)计算第n次响应当天第t个响应时段的综合响应率系数wt(n)，从而得到第n次响应当天所有h个响应时段的综合响应率系数{w1(n),w2(n),…,wt(n),…,wh(n)}：
步骤3.4、利用式(23)计算第n次响应当天第i个用户的标准响应评价指标y(n)(i)，从而得到第n次响应当天所有k个用户标准响应评价指标{y(n)(1),y(n)(2),…,y(n)(i),…,y(n)(k)}：
步骤四、结合用户响应行为模型和用户响应可靠性指标，根据前n-1次的用户实际响应功率，计算第n次用户响应后负荷功率的预测值；根据用户第n次实际响应的功率大小，计算用户响应的可靠性：
步骤4.1、利用式(24)计算第n次响应当天用户总体的响应完成度预测值Rre(n)：
步骤4.2、判断是否满足Rre(n)≥Rmax(n)，若满足，则将Rmax(n)赋值给Rre(n)，并转到步骤4.3；否则，直接转到步骤4.3；
步骤4.3、利用式(25)计算在第n次响应当天在响应完成度预测值Rre(n)下所预测的第t个响应时段的用户总体响应程度预测值αre(n)(t)，从而获得第n次响应当天所有h个响应时段的用户总体响应程度预测值{αre(n)(1),αre(n)(2),…,αre(n)(t),…,αre(n)(h)}：
步骤4.4、利用式(26)计算第n次响应当天第t个响应时段用户响应后的负荷功率预测值Pre(n)(t)，从而获得第n次响应当天所有h个响应时段用户响应后的负荷功率预测值{Pre(n)(1),Pre(n)(2),…,Pre(n)(t),…,Pre(n)(h)}；
Pre(n)(t)＝P0(n)(t)-αre(n)(t)(P0(n)(t)-Pmax(n)(t)) (26)
步骤4.5、计算第n次响应当天用户总体的响应可靠性指标；
步骤4.5.1、利用式(27)计算用户响应成功率CSRFI：
式(27)中：D(n)(t)表示第n次响应当天第h个响应时段的响应情况，D(n)(t)＝1表示第t个响应时段的响应满足响应要求，D(n)(t)＝0表示第t个响应时段的响应不满足响应要求；
步骤4.5.2、利用式(28)计算用户平均响应程度CARDI：
步骤4.5.3、利用式(29)计算用户平均响应完成度CARCI：
步骤4.5.4、利用式(30)计算用户平均负荷转移率CALTR：
CN201811141307.8A 2018-09-28 2018-09-28 一种激励型需求响应下的用户响应可靠性评估方法 Active CN109344895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811141307.8A CN109344895B (zh) 2018-09-28 2018-09-28 一种激励型需求响应下的用户响应可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811141307.8A CN109344895B (zh) 2018-09-28 2018-09-28 一种激励型需求响应下的用户响应可靠性评估方法

Publications (2)

Publication Number Publication Date
CN109344895A true CN109344895A (zh) 2019-02-15
CN109344895B CN109344895B (zh) 2021-06-29

Family

ID=65307136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811141307.8A Active CN109344895B (zh) 2018-09-28 2018-09-28 一种激励型需求响应下的用户响应可靠性评估方法

Country Status (1)

Country Link
CN (1) CN109344895B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816273A (zh) * 2019-02-26 2019-05-28 合肥工业大学 一种计及发电资源不确定性的需求响应备用风险分析方法
CN109978336A (zh) * 2019-02-26 2019-07-05 合肥工业大学 一种考虑需求响应可靠性的响应容量区间评估计方法
CN111242423A (zh) * 2019-12-31 2020-06-05 深圳能源售电有限公司 主动需求响应潜力分析方法、装置、设备以及存储介质
CN113642942A (zh) * 2021-10-14 2021-11-12 启东通奕自动化设备有限公司 基于大数据分析的需求响应管理方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106300368A (zh) * 2016-09-22 2017-01-04 天津大学 面向含有界不确定参数的家庭负荷调度方法
WO2018052175A1 (ko) * 2016-09-19 2018-03-22 한양대학교 에리카산학협력단 이산 제조 시설에서 에너지 관리를 위한 실시간 수요 입찰 방법 및 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018052175A1 (ko) * 2016-09-19 2018-03-22 한양대학교 에리카산학협력단 이산 제조 시설에서 에너지 관리를 위한 실시간 수요 입찰 방법 및 시스템
CN106300368A (zh) * 2016-09-22 2017-01-04 天津大学 面向含有界不确定参数的家庭负荷调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHAOYUE ZHAO: "Multi-stage robust unit commitment considering wind and demand response uncertainties", 《2014 IEEE PES GENERAL MEETING | CONFERENCE & EXPOSITION》 *
牛文娟: "计及不确定性的需求响应机理模型及应用研究", 《中国优秀硕士论文全文数据库》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816273A (zh) * 2019-02-26 2019-05-28 合肥工业大学 一种计及发电资源不确定性的需求响应备用风险分析方法
CN109978336A (zh) * 2019-02-26 2019-07-05 合肥工业大学 一种考虑需求响应可靠性的响应容量区间评估计方法
CN109816273B (zh) * 2019-02-26 2020-08-07 合肥工业大学 一种计及发电资源不确定性的需求响应备用风险分析方法
CN109978336B (zh) * 2019-02-26 2021-02-05 合肥工业大学 一种考虑需求响应可靠性的响应容量区间评估方法
CN111242423A (zh) * 2019-12-31 2020-06-05 深圳能源售电有限公司 主动需求响应潜力分析方法、装置、设备以及存储介质
CN113642942A (zh) * 2021-10-14 2021-11-12 启东通奕自动化设备有限公司 基于大数据分析的需求响应管理方法与系统
CN113642942B (zh) * 2021-10-14 2022-03-25 启东通奕自动化设备有限公司 基于大数据分析的需求响应管理方法与系统

Also Published As

Publication number Publication date
CN109344895B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN109344895A (zh) 一种激励型需求响应下的用户响应可靠性评估方法
Asadinejad et al. Evaluation of residential customer elasticity for incentive based demand response programs
Mathieu Modeling, analysis, and control of demand response resources
Zeng et al. Hybrid probabilistic-possibilistic approach for capacity credit evaluation of demand response considering both exogenous and endogenous uncertainties
KR101012863B1 (ko) 고객기준부하 산출을 위한 부하 예측 비교 분석 시스템
Li et al. An efficient irrigation water allocation model under uncertainty
Sinden A utility approach to the valuation of recreational and aesthetic experiences
Sianaki et al. A fuzzy TOPSIS approach for home energy management in smart grid with considering householders' preferences
Wang et al. A two-layer framework for quantifying demand response flexibility at bulk supply points
Xiang et al. A novel domestic electric water heater control method
Albert et al. Finding the right consumers for thermal demand-response: An experimental evaluation
CN107609790A (zh) 智能电网综合效益评估方法、装置、介质及计算机设备
CN110516882A (zh) 负荷代理商日前可用聚合响应容量预测方法
Zhou et al. Eliciting private user information for residential demand response
CN114069642B (zh) 一种考虑用户满意度的温控负荷综合调峰方法
Skaloumpakas et al. Predicting thermal comfort in buildings with machine learning and occupant feedback
Meng et al. Peak regulation strategies for ground source heat pump demand response of based on load forecasting: A case study of rural building in China
CN117091242A (zh) 空调温控负荷集群的评估方法、温度设定方法及系统
CN109818358A (zh) 一种用于双向互动的用电需求响应方法、装置及系统
Ahmed et al. Financial benefit analysis of an electric water heater with direct load control in demand response
Khadgi et al. Modeling demand response using utility theory and model predictive control
CN112446551A (zh) 电网投资测算方法、装置、电子设备及存储介质
Li et al. Incorporating Occupant cooling behaviors into novel thermal comfort models for residential demand response
CN116544930B (zh) 一种分布式资源聚合体可调节能力评估方法及装置
CN117541004B (zh) 一种静压管桩施工可视化管理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant