CN110460045A - 一种基于回归分析法的基线负荷模型的负荷辨识方法 - Google Patents

Abstract

本发明涉及一种基于回归分析法的基线负荷模型的负荷辨识方法，该方法包括以下步骤：步骤1：对电力用户数据根据用户类型和所在地区进行分类；步骤2：针对经过分类的电力用户数据的每一类用户取其中个别用户的用电负荷数据及相关影响因素数据建立回归式；步骤3：根据回归式进一步获得该类群体用户中其他用户的需求响应期基线负荷；步骤4：利用获得的基线负荷辨识错峰潜力负荷。与现有技术相比，本发明具有准确率高，适用性针对性强等优点。

Description

一种基于回归分析法的基线负荷模型的负荷辨识方法

技术领域

本发明涉及电网错峰调度技术领域，尤其是涉及一种基于回归分析法的基线负荷模型的负荷辨识方法。

背景技术

随着国民经济的快速发展、产业结构的升级调整、人民生活水平的不断提高，社会各方面对电力的需求急剧增大，而当前电力的供应远远跟不上建设发展的需要，导致电力供需矛盾的不断加剧，进一步增加了电网的运行风险及运行成本。同时，由于各种新型用电设备的不断涌现，居民降温取暖电器的拥有率及使用率逐年上升，各用电客户的用电负荷特性也产生了诸多变化，用电结构发生了重大变化，这一切都对当前供电企业的运行和管理工作提出了新的要求。

当前的错峰计划大都由技术人员手工编制而成，响应速度慢、编制工作量大、缺乏系统的管理。在以前的实际用电管理工作中，往往是在电力紧缺的情况下，进行错峰调度管理，对供电用户实行错峰、避峰、限电、拉闸等措施，来抑制高峰负荷。随着智能电网的建设和需求侧管理相关研究的深入以及需求侧管理相关应用的逐步成熟，面向智能电网的需求侧管理开始在削峰填谷、提高能效、节能减排等方面发挥其不可忽视的作用。目前，电力需求侧管理在移峰填谷方面的应用主要是通过对工商业用户实行分时计量电量，实行尖峰、峰谷平分时电价措施引导工商业用户调整生产运行方式，转移高峰时刻的用电负荷，降低高峰用电需求，从而提高电网供电设备的负荷率和利用率，缓和高峰时刻的供用电矛盾。错峰用电管理属于需求侧管理的一部分，科学合理地开展错峰用电，可以在减小波峰负荷的同时增加波谷负荷，达到削峰填谷的最佳效果。现有错峰用电管理在安排用户错峰时通常不考虑用户的实际用电特点，主要是根据用户的用电性质和负荷等级进行优先排序，这样相对粗放的安排方式往往会使得错峰效果不佳。而且，由于我国错峰用电管理是在电力的紧张形势下兴起的，因此很多电力部门仅将它当成缺电期间的短期工作来对待，单纯依靠行政手段实施错峰，没有真正认识错峰用电管理的关键和重要性。其实无论是电力过剩时期还是电力紧缺时期，我们都应从长远的角度来出发，坚持完善错峰用电工作。而且，随着智能表计大规模应用和系统接入，用电信息数据资源开始急剧增长并形成了一定的规模，我国电力行业开始步入大数据时代。通过大数据技术的引入和应用，可以释放“大数据”的业务潜力，应用到错峰用电领域，可以实现错峰用电管理应用的实用化、精益化、高效化。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于回归分析法的基线负荷模型的负荷辨识方法。

本发明的目的可以通过以下技术方案来实现：

一种基于回归分析法的基线负荷模型的负荷辨识方法，该方法包括以下步骤：

步骤1：对电力用户数据根据用户类型和所在地区进行分类；

步骤2：针对经过分类的电力用户数据的每一类用户取其中个别用户的用电负荷数据及相关影响因素数据建立回归式；

步骤3：根据回归式进一步获得该类群体用户中其他用户的需求响应期基线负荷；

步骤4：利用获得的基线负荷辨识错峰潜力负荷。

进一步地，所述的步骤1中的电力用户数据包括执行需求响应前多日与需求响应期同时段的用户实际用电负荷以及对应的影响用户用电负荷的影响因素数据和执行需求响应当日，按设定周期采集需求响应期前多个小时内各时刻用户实际用电负荷数据以及对应的影响用户用电负荷的影响因素数据。

进一步地，所述的步骤2包括以下分步骤：

步骤21：将用户在典型日或典型小时内的每一个用电负荷数据拆分成基本分量和受气温和湿度影响的敏感分量；

步骤22：根据不同情况获取所有用电负荷数据的需求响应期各个时刻的用户负荷基本分量；

步骤23：根据不同情况通过回归式获取所有用电负荷数据的需求响应期各个时刻的用户负荷敏感分量。

进一步地，所述的步骤3具体包括：对步骤2获得的需求响应期各时刻基本分量、敏感分量进行求和，得到不同时刻基线负荷值并由此进一步得到需求响应期用户基线负荷。

进一步地，所述的步骤22具体包括：如果利用典型日内有关数据计算需求响应期用户负荷基本分量，则利用典型日内与需求响应期对应时刻的历史负荷数据基本分量平均值，作为需求响应期各个时刻的用户负荷基本分量；

如果利用典型小时有关数据计算需求响应期用户负荷基本分量，则利用典型小时内不同时刻历史负荷数据基本分量平均值，作为需求响应期各个时刻的用户负荷基本分量。

进一步地，所述的步骤23具体包括：如果利用典型日内有关数据计算需求响应期用户负荷敏感分量，则利用各典型日内同一时刻历史负荷数据敏感分量、影响因素数据的加权值建立回归式，求得回归式的回归参数，然后将需求响应期对应时刻的影响因素数据加权值代入回归式，求得相应时刻用户负荷敏感分量，最后按照上述方法求得需求响应期不同时刻的用户负荷敏感分量；

如果利用典型小时内有关数据计算需求响应期用户负荷敏感分量，则利用典型小时内不同时刻历史负荷数据敏感分量及相应的影响因素数据加权值建立回归式，求得回归式的回归参数，然后将需求响应期各个时刻影响因素数据加权值代入回归式，求得需求响应期不同时刻用户负荷敏感分量。

进一步地，所述的步骤3中的回归式中的敏感分量，其计算公式为：

p_1s＝β₀+β₁×WTHI₁

式中，p_1s表示回归式中的敏感分量的集合，β₀和β₁表示回归式参数，WTHI₁表示用户在某时刻的气温、湿度影响因素的加权指标的集合。

进一步地，所述的步骤3中的需求响应期基线负荷，其计算公式为：

p_n,j＝p_n,jb+p_n,js

式中，p_n,j表示需求响应期基线负荷，p_n,jb表示需求响应期基线负荷的基本分量，p_n,js表示需求响应期基线负荷的敏感分量。

与现有技术相比，本发明具有以下优点：

(1)本发明提出的回归分析法的基于典型日、行业电价、空调负荷基线的错峰潜力量化负荷辨识方法能够精确衡量用户、行业及区域参与各类负荷错峰措施的适合程度和贡献程度，实现电力用户的可错峰调控能力量化评估，为有序用电方案智能化编制、自动化执行提供依据，确保有序用电工作科学、合理的开展，适用性针对性好。

(2)本发明回归分析法运用统计学理论，基于负荷数据和影响负荷变化的影响因素数据(气温、湿度等)建立回归模型，并采用电力用户参与需求响应当日的影响因素数据计算电力用户未参与需求响应情况下的负荷曲线，即基线负荷，与日期匹配法相比，计算过程相对复杂，但在历史负荷数据不完整、数据记录错误等因素导致历史负荷数据质量不高时，运用回归分析方法能够提高基线负荷计算的准确性。

附图说明

图1为本发明的方法流程图。

具体实施方式

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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示为本发明一种基于回归分析法的基线负荷模型的负荷辨识方法的方法流程图，其具体步骤流程如下：

回归分析方法可以针对单个用户计算基线负荷，但也适用于针对用户群体计算基线负荷，主要步骤为：首先根据用户类型、所在地区等进行分类；然后针对每一类用户取其中个别用户的用电负荷数据及其所在地气温/湿度等影响因素数据建立回归式，求出回归式参数；最后根据建立的回归式，估计该类群体用户中其他用户的需求响应期基线负荷。

(1)选择数据

主要运用以下两类数据进行回归分析，计算需求响应期用户基线负荷。

1)执行需求响应前数日(典型日)，与需求响应期同时段的用户实际用电负荷以及影响用户用电负荷的影响因素(气温、湿度等)，运用执行需求响应前数日的数据进行分析时，根据需求响应期属于工作日或非工作日而分别考虑选取数据的时间范围。

1.若为工作日，则选择前10日(即星期一至星期五，参与需求响应日除外)内与需求响应期对应时段，并按T0为周期采集相应时刻的负荷数据、影响因素数据等；

2.若为非工作日，则选择前3日(即星期六、星期日及节假日，参与需求响应日除外)内与需求响应期对应时段，并按T₀为周期采集相应时刻的负荷数据、影响因素数据等；

2)执行需求响应当日，按T₀为周期采集需求响应期前数小时(典型小时)内各时刻用户实际用电负荷数据以及影响用户用电负荷的影响因素数据(气温、湿度等)。

取d_n-1,d_n-2,...d_n-i(i＝3或10)等典型日与执行需求响应当日d_n需求响应期对应的时间段，按T₀为周期取t₁,t₂,...t_j-1,t_j等不同时刻的相关数据，获得：

d_n-1日t_n-1,1,t_n-1,2,...t_n-1,j-1,t_n-1,j等时刻对应的平均温度T_n-1,1,T_n-1,2,...T_n-1,j-1,T_n-1,j对应的平均湿度RH_n-1,1,RH_n-1,2,...RH_n-1,j-1,RH_n-1,j；

d_n-1日t_n-1,1,t_n-1,2,...t_n-1,j-1,t_n-1,j等时刻对应的历史负荷值p_n-1,1,p_n-1,2,...p_n-1,j-1,p_n-1,j；

(2)模型设计

1)将用户在典型日或典型小时内的每一个用电负荷数据拆分为两部分，即基本分量，以及受气温、湿度等因素影响的敏感分量。

2)如果利用典型日内有关数据计算需求响应期用户负荷基本分量，则利用典型日内与需求响应期对应时刻的历史负荷数据基本分量平均值，作为需求响应期对应时刻用户负荷基本分量。

如果利用典型小时有关数据计算需求响应期用户负荷基本分量，则利用典型小时内不同时刻历史负荷数据基本分量平均值，作为需求响应期各个时刻用户负荷基本分量。

3)如果利用典型日内有关数据计算需求响应期用户负荷敏感分量，则利用各典型日内同一时刻历史负荷数据敏感分量、影响因素数据的加权值建立回归式，求得回归式的回归参数，然后将需求响应期对应时刻的影响因素数据加权值代入回归式，求得相应时刻用户负荷敏感分量，最后按照上述方法求得需求响应期不同时刻的用户负荷敏感分量。

如果利用典型小时内有关数据计算需求响应期用户负荷敏感分量，则利用典型小时内不同时刻历史负荷数据敏感分量及相应的影响因素数据加权值建立回归式，求得回归式的回归参数，然后将需求响应期各个时刻影响因素数据加权值一一代入回归式，求得需求响应期不同时刻用户负荷敏感分量。

4)将求得的需求响应期各时刻基本分量、敏感分量相加，得到不同时刻基线负荷值，由此求得需求响应期用户基线负荷。

1.负荷分解

a)用户负荷包括基本分量及受气温、湿度等因素影响的敏感分量，以下式表示；

式中，表示需求响应值第t_j时刻的基线负荷值，表示需求响应值第t_j时刻的基线负荷值的基本分量，表示需求响应值第t_j时刻的基线负荷值的敏感分量。

b)分析用户参与需求响应的用电系统或设备的类型、负荷容量、用能特性等，确定分解比例k，k由以下公式求得：

式中，W_s表示运行特性受影响因素影响的用电系统或设备的额定负荷容量，W_b表示运行特性不受影响因素影响的用电系统或设备的额定总负荷容量。

c)按分解比例将每一个历史负荷值分解为基本分量p_n-1,jb、敏感分量p_n-1,js。即p_n-1,j＝p_n-1,jb+p_n-1,js＝p_n-1,jb+kp_n-1,jb＝(1+k)p_n-1,jb；

由此，根据求得p_n-1,jb；

2.基本分量计算

根据下式：

求得p_n,1b，p_n,2b，…，p_n,(j-1)b，p_n,jb，即需求响应期各时刻需求响应基线负荷值的基本分量。

3.敏感分量计算

a)运用不同典型日同一时刻的历史负荷敏感分量p_n-i,js、影响因素数据A_n-i,j(如温度、湿度等)进行回归，建立回归模型；

b)回归参数计算

与需求响应期第1个时刻对应的历史负荷敏感分量序列P_1s＝{p_n-1,1s,p_n-2,1s...,p_n-i,1s}；

与需求响应期第1个时刻对应的温度序列T₁＝{T_n-1,1,T_n-2,1...,T_n-i,1}；

与需求响应期第1个时刻对应的湿度序列RH₁＝{RH_n-1,1,RH_n-2,1...,RH_n-i,1}；

依次类推，可以求得与需求响应期第2个时刻，直至第j个时刻的敏感分量、温度、湿度等序列。

c)回归式参数计算数据准备

设WTHI_t为用户于第t时刻的气温、湿度等影响因素的加权指标，为回归式的自变量。

式中，T_t表示第t时刻的气温，RH_t表示第t时刻的湿度，p_t表示气温所占的权重，q_t表示湿度所占的权重，气温所占的权重与湿度所占的权重之和为1。

利用已有数据，将各个影响因素数据变化率对敏感负荷变动的贡献度进行比较，获得气温、湿度以及其他影响因素的权重值。

d)回归式参数计算

利用P_1s＝{p_n-1,1s,p_n-2,1s...,p_n-i,1s}、WTHI₁＝{WTHI_n-1,1,WTHI_n-2,1...,WTHI_n-i,1}进行回归计算，得到回归模型：

p_1s＝β₀+β₁×WTHI₁

式中，p_1s表示回归式中的敏感分量的集合，β₀和β₁表示回归式参数，WTHI₁表示用户在某时刻的气温、湿度影响因素的加权指标的集合。

e)计算需求响应日负荷敏感分量

根据上式，代入需求响应日d_n对应第1个时刻对应的WTHI_n,1，求得p_n,1s；

同理，求得需求响应日d_n对应第2至j个时刻对应的p_n,2s，p_n,3s，…，p_n,js

4.基线负荷值计算

根据下式：

p_n,j＝p_n,jb+p_n,js

得到基线负荷值的序列P_b＝{p_n,1,p_n,2,...p_n,j-1,p_n,j}。

综上所述，本发明一种基于回归分析法的基线负荷模型的负荷辨识方法，该方法包括以下步骤：

步骤1：对电力用户数据根据用户类型和所在地区进行分类；

步骤2：针对经过分类的电力用户数据的每一类用户取其中个别用户的用电负荷数据及相关影响因素数据建立回归式；

步骤3：根据回归式进一步获得该类群体用户中其他用户的需求响应期基线负荷；

步骤4：利用获得的基线负荷辨识错峰潜力负荷。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于回归分析法的基线负荷模型的负荷辨识方法，其特征在于，该方法包括以下步骤：

步骤1：对电力用户数据根据用户类型和所在地区进行分类；

步骤2：针对经过分类的电力用户数据的每一类用户取其中个别用户的用电负荷数据及相关影响因素数据建立回归式；

步骤3：根据回归式进一步获得该类群体用户中其他用户的需求响应期基线负荷；

步骤4：利用获得的基线负荷辨识错峰潜力负荷。

2.根据权利要求1所述的一种基于回归分析法的基线负荷模型的负荷辨识方法，其特征在于，所述的步骤1中的电力用户数据包括执行需求响应前多日与需求响应期同时段的用户实际用电负荷以及对应的影响用户用电负荷的影响因素数据和执行需求响应当日，按设定周期采集需求响应期前多个小时内各时刻用户实际用电负荷数据以及对应的影响用户用电负荷的影响因素数据。

3.根据权利要求1所述的一种基于回归分析法的基线负荷模型的负荷辨识方法，其特征在于，所述的步骤2包括以下分步骤：

步骤21：将用户在典型日或典型小时内的每一个用电负荷数据拆分成基本分量和受气温和湿度影响的敏感分量；

步骤22：根据不同情况获取所有用电负荷数据的需求响应期各个时刻的用户负荷基本分量；

步骤23：根据不同情况通过回归式获取所有用电负荷数据的需求响应期各个时刻的用户负荷敏感分量。

4.根据权利要求1所述的一种基于回归分析法的基线负荷模型的负荷辨识方法，其特征在于，所述的步骤3具体包括：对步骤2获得的需求响应期各时刻基本分量、敏感分量进行求和，得到不同时刻基线负荷值并由此进一步得到需求响应期用户基线负荷。

5.根据权利要求3所述的一种基于回归分析法的基线负荷模型的负荷辨识方法，其特征在于，所述的步骤22具体包括：如果利用典型日内有关数据计算需求响应期用户负荷基本分量，则利用典型日内与需求响应期对应时刻的历史负荷数据基本分量平均值，作为需求响应期各个时刻的用户负荷基本分量；

如果利用典型小时有关数据计算需求响应期用户负荷基本分量，则利用典型小时内不同时刻历史负荷数据基本分量平均值，作为需求响应期各个时刻的用户负荷基本分量。

6.根据权利要求3所述的一种基于回归分析法的基线负荷模型的负荷辨识方法，其特征在于，所述的步骤23具体包括：如果利用典型日内有关数据计算需求响应期用户负荷敏感分量，则利用各典型日内同一时刻历史负荷数据敏感分量、影响因素数据的加权值建立回归式，求得回归式的回归参数，然后将需求响应期对应时刻的影响因素数据加权值代入回归式，求得相应时刻用户负荷敏感分量，最后按照上述方法求得需求响应期不同时刻的用户负荷敏感分量；

如果利用典型小时内有关数据计算需求响应期用户负荷敏感分量，则利用典型小时内不同时刻历史负荷数据敏感分量及相应的影响因素数据加权值建立回归式，求得回归式的回归参数，然后将需求响应期各个时刻影响因素数据加权值代入回归式，求得需求响应期不同时刻用户负荷敏感分量。

7.根据权利要求1所述的一种基于回归分析法的基线负荷模型的负荷辨识方法，其特征在于，所述的步骤3中的回归式中的敏感分量，其计算公式为：

p_1s＝β₀+β₁×WTHI₁

式中，p_1s表示回归式中的敏感分量的集合，β₀和β₁表示回归式参数，WTHI₁表示用户在某时刻的气温、湿度影响因素的加权指标的集合。

8.根据权利要求1所述的一种基于回归分析法的基线负荷模型的负荷辨识方法，其特征在于，所述的步骤3中的需求响应期基线负荷，其计算公式为：

p_n,j＝p_n,jb+p_n,js

式中，p_n,j表示需求响应期基线负荷，p_n,jb表示需求响应期基线负荷的基本分量，p_n,js表示需求响应期基线负荷的敏感分量。