CN110535130A - 一种基于细粒度用户数据的需求侧响应方法 - Google Patents

Abstract

本发明提供一种基于细粒度用户数据的需求侧响应方法，首先通过细粒度的用户分项数据获取调控潜力、拟合用户电量响应曲线；然后以激励补偿成本最小为目标，满足用户调控潜力、用户电量响应曲线和电压的约束，基于粒子群优化算法计算配电线路各节点的最优需求侧响应激励定价序列，实现最经济的需求侧响应调控；最后根据调控后获取的最新“激励定价和负荷转移率”样本更新用户电量响应曲线参数。该方法能够利用细粒度用户数据评价确定对象响应程度的能力，通过优化算法实现调控的经济最优，且用户电量响应曲线参数的优化机制具备自学习能力，能够不断地提高需求侧响应方法的性能。

Description

一种基于细粒度用户数据的需求侧响应方法

技术领域

本发明涉及一种需求侧响应方法，具体涉及一种利用细粒度用户分项数据评价确定对象响应程度的能力，通过优化算法计算各配电节点最优激励定价的需求侧响应方法。

背景技术

电力系统要时刻保持供需平衡，传统的做法是在负荷需求高时增加发电机组出力，但负荷高峰时段往往持续时间较短，为了满足这部分需求而增加的发电和输配电投资利用率很低，而且调峰机大多是成本高、不环保的火电机组，因此可以通过减少或者延迟需求侧的电力负荷来实现供需平衡，这就是需求侧响应(Demand Response)。

需求侧响应策略主要分为两种:基于价格和基于激励。其中基于价格的需求侧响应策略分为分时电价、尖峰电价和实时电价。但是，所有需求侧响应价格和激励的制定难度在于需要结合用户的可调节响应能力。

随着非侵入量测技术的成熟和推广，用户细粒度分项数据的识别能力得到有力的提升。利用该能力可以有效的评估特定对象是否可以参与需求侧响应、参与需求响应的潜力如何以及是否已经响应了需求侧响应。从而基于激励电价的策略有了应用的环境，以达到负荷最大程度、最大精细化的参与电网优化运行的目标。但是现有技术缺乏基于细粒度用户数据的需求侧响应方法。

发明内容

针对现有技术存在的问题，本发明提供一种基于细粒度用户数据的需求侧响应方法。首先通过细粒度的用户分项数据获取调控潜力、拟合用户电量响应曲线；然后以激励补偿成本最小为目标，满足用户调控潜力、用户电量响应曲线和电压的约束，基于粒子群优化算法计算配电线路各节点的最优需求侧响应激励定价序列，实现最经济的需求侧响应调控；最后根据调控后获取的最新“激励定价和负荷转移率”样本更新用户电量响应曲线参数。

一种基于细粒度用户数据的需求侧响应方法，其特征在于，包括以下步骤：

步骤1：配电线路参数获取。获取需求侧响应目标调控区域的首节点电压、节点个数、节点间的线路参数、以及各用户与节点的对应关系。结束后至步骤2。

步骤2：用户电量响应能力曲线参数初始化。根据用户电量响应能力曲线参数初始化方法对用户电量响应能力曲线参数进行初始化，初始化的用户电量响应能力曲线参数能够反应确定的需求侧响应激励定价与负荷转移率的数值关系。结束后至步骤3。

步骤3：基于细粒度分项电量的各用户可调控潜力计算。根据细粒度分项电量，通过用户可调控潜力计算方法，计算各配电节点的可调控潜力。结束后至步骤4。

步骤4：基于粒子群算法的最优激励定价序列求取并实施。按照基于粒子群的细粒度用户需求侧响应优化算法求得最优需求侧响应激励定价序列，并将对应节点的定价序列发送到响应的节点用户以等待用户接受响应，开始激励核算。结束后至步骤5。

步骤5：最新激励定价与负荷转移率的关系样本获取，用户电量响应能力曲线参数优化。根据1天内不同“激励电价”与“负荷转移率”的数据样本，根据用户电量响应能力曲线参数优化方法，重新对用户电量响应能力曲线参数进行优化。结束后进入步骤3。

1)用户电量响应能力曲线参数初始化方法

用户电量响应能力曲线参数是反应需求侧响应激励定价与负荷转移率的数值关系曲线。数值关系满足以下公式：

其中λ为负荷转移率，s为激励电价，s₁为激励电价第一阀值，s₂为激励电价第二阀值，k为负荷转移响应斜率。

用户电量响应能力曲线参数初始化方法即通过历史的峰谷差数据拟合获得s₁、s₂和k值。具体步骤如下：

(1)获取不同用户不同日的15分钟周期的分项电量数据。

(2)以峰/谷差转换时刻点为标点，计算(1)获取的数据中，每个用户每天中峰/谷差转换时刻点往谷时段计算半小时的电量数据，命名为该用户该天该时刻的谷时电量；以及峰/谷差转换时刻点往峰时段计算半小时的电量数据，命名为该用户该天该时刻的峰时电量。因为一天存在两组峰/谷转换时刻，所以每个用户每天将获得两组谷时电量和峰时电量。

(3)将每个用户每天的两组谷时电量和峰时电量中，每组的谷时电量减去峰时电量。获得两组峰/谷电量差值。

(4)设定激励电价第一阀值s₁为谷时电价乘以20％；以所有计算获得的峰/谷电量差值与峰/谷电价差值为样本，求解每个样本对应的样本负荷转移响应斜率，取平均值为负荷转移响应斜率k；设λ＝1，根据已确定的s₁和k，求得的s值即为s₂。

2)用户可调控潜力计算方法

包括以下步骤：

(1)按照以下公式计算每个用户的空调可减少功率。

式中所述的i为用户序号，P₁(i)为用户i空调可减少功率，P_air为空调实际功率，P_air(i)为用户用户i的空调实际功率，Num_act(i)为用户i的空调实际运行台数，η(i)为用户i的空调的运行效率，为所有用户空调平均运行效率。

(2)计算每个用户的热水器可减少功率。用户编号为i的热水器可减少功率P₂(i)当满足以下条件时等于实际的该用户的实际热水器运行功率P_hot(i)，否则等于0：①运行在峰时段，②已持续运行1个小时。

(3)计算每个用户的可调控潜力。编号为i的用户的可调控潜力P(i)＝P₁(i)+P₂(i)。

(4)根据需求侧响应方法步骤1中所获得的各用户与节点对应关系，累加每个配电节点下所有用户的可调控潜力即为该配电节点可调控潜力。

3)基于粒子群的细粒度用户需求侧响应优化算法

优化目标函数为：MinF＝Min(∑(ΔP(j)×s(j)))，其中F为激励补偿成本，MinF表达的意思为激励补偿成本最小，ΔP(j)为节点j响应的功率，s(j)为节点j的需求侧响应激励定价。∑(ΔP(j)×s(j))表示激励补偿成本为各节点响应功率与响应激励定价乘积的累加值。

约束条件为：

(1)满足用户调控潜力约束，即满足ΔP(j)＜P(j)，其中P(j)为在步骤3求得的节点j的可调控潜力；

(2)满足用户电量响应曲线约束，即满足需求侧响应激励定价与负荷转移率的数值关系。该数值关系由步骤2确定，经步骤5后经步骤5优化。

(3)各节点电压约束，即满足|U(j)-U_set|/U_set≤0.05，其中U(j)为节点j的电压，U_set为设定的标称电压。

满足各约束条件，基于粒子群算法以目标函数为适应度函数，求取各节点的最优定价s(j)，整合为最优激励定价序列。

4)用户电量响应能力曲线参数优化方法

经过步骤4的实施，获得实际的需求侧响应定价s(j)与响应功率ΔP(j)样本，从而根据梯度下降法对权利要求2所述的用户电量响应能力曲线参数进行重新获取，获取后的最新激励电价第一阀值s₁，激励电价第二阀值s₂，负荷转移响应斜率k所反映的用户电量响应能力曲线为优化后用户电量响应能力曲线。

本发明有益效果包括：

(1)该方法能够利用细粒度用户数据评价确定对象响应程度的能力，通过优化算法实现调控的经济最优，具备较高的经济性和工程应用价值。

(2)用户电量响应曲线参数的优化机制具备自学习能力，能够不断地提高需求侧响应方法的性能。

附图说明

图1基于细粒度用户数据的需求侧响应方法步骤图；

图2用户与配电节点关系示意图；

图3用户电量响应能力曲线参数初始化方法步骤图；

图4用户激励响应特性曲线；

图5IEEE 33节点配电系统接线图；

图6调节前后电压分布曲线；

图7最优激励定价序列；

图8各节点响应功率。

具体实施方式

下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1所示的基于细粒度用户数据的需求侧响应方法流程图，包括以下步骤：

步骤1：配电线路参数获取。获取需求侧响应目标调控区域的首节点电压、配电节点个数、配电节点间的线路参数、以及各用户与配电节点的对应关系；结束后至步骤2。首节点指110kV转10kV的变压器末端，如图2所示，首节点后为配电线路上的各配电节点，各配电节点上接有各用户。

步骤2：用户电量响应能力曲线参数初始化。根据用户电量响应能力曲线参数初始化方法对户电量响应能力曲线参数进行初始化，初始化的用户电量响应能力曲线参数能够反应确定的需求侧响应激励电价与负荷转移率的数值关系；结束后转至步骤3。所述激励电价指当用户接受补偿请求后支付给用户的补偿金额。

用户电量响应能力曲线是反应需求侧响应激励定价与负荷转移率的数值关系曲线，二者的数值关系满足以下公式：

其中λ为负荷转移率，s为激励电价，s₁为激励电价第一阀值，s₂为激励电价第二阀值，k为负荷转移响应斜率。

所述的用户电量响应能力曲线参数初始化为通过历史的峰谷差数据拟合获得s₁、s₂和k值，结合图2所示，包括以下具体步骤：

(1)获取不同用户、不同日的15分钟周期的分项电量数据，分项电量指用户家用各电器的电量；

(2)计算不同用户、不同日的谷时电量和峰时电量。以峰/谷差转换时刻点为标点，计算上一步骤中获取的数据中，每个用户每天峰/谷差转换时刻点往谷周期计算半小时的电量数据，命名为该用户该天该时刻的谷时电量；以及峰/谷差转换时刻点往峰周期计算半小时的电量数据，命名为该用户该天该时刻的峰时电量。由于一天存在两组峰/谷转换时刻，所以每个用户每天将获得两组谷时电量和峰时电量；

(3)将每个用户每天的两组谷时电量和峰时电量中，每组的谷时电量减去峰时电量，获得两组峰谷电量差值；

(4)设定激励电价第一阀值s₁为谷时电价乘以20％；以所有计算获得的峰谷电量差值与峰谷电价差值为样本，所述峰谷电价差值指的是测试区域的峰电价减去谷电价，根据公式(1)求解每个样本对应的样本负荷转移响应斜率，取平均值得到负荷转移响应斜率k；根据公式(1)，设λ＝1，根据已确定的s₁和k，求得的s值即为s₂。

步骤3：基于细粒度分项电量计算各配电节点的用户可调控潜力。根据细粒度分项电量，通过用户可调控潜力计算方法，计算各配电节点的可调控潜力。结束后转至步骤4。

所述的用户可调控潜力计算方法包括以下步骤：

(1)按照以下公式计算每个用户的空调可减少功率。

式中所述的i为用户序号，P₁(i)为用户i空调可减少功率，P_air为空调实际功率，P_air(i)为用户i的空调实际功率，Num_act(i)为用户i的空调实际运行台数，η(i)为用户i的空调的运行效率，为所有用户空调平均运行效率。

(2)计算每个用户的热水器可减少功率。用户编号为i的热水器可减少功率P₂(i)当满足以下条件时等于该用户的实际热水器运行功率P_hot(i)，否则等于0：①运行在峰时段，②已持续运行1个小时。

(3)计算每个用户的可调控潜力。编号为i的用户的可调控潜力P(i)＝P₁(i)+P₂(i)。

(4)根据需求侧响应方法步骤1所获得的各用户与配电节点对应关系，累加每个配电节点下所有用户的可调控潜力即为该配电节点j可调控潜力P(j)，j代表节点编号。

步骤4：基于粒子群算法求取最优激励定价序列并实施。

按照基于粒子群的细粒度用户需求侧响应优化算法求得最优需求侧响应激励定价序列，并将对应配电节点的定价序列发送到响应的用户节点以等待用户接受响应，开始激励核算。结束后至步骤5。

其中，基于粒子群的细粒度用户需求侧响应优化算法的优化目标函数为：

MinF＝Min(∑(ΔP(j)×s(j)))

其中F为激励补偿成本，MinF表达激励补偿成本最小，ΔP(j)为配电节点j响应的功率，s(j)为配电节点j的需求侧响应激励定价，∑(ΔP(j)×s(j))表示各配电节点响应功率与响应激励定价乘积的累加值。

约束条件为：

(1)满足用户调控潜力约束，即满足ΔP(j)＜P(j)，其中P(j)为在步骤3求得的节点j的可调控潜力；

(2)满足用户电量响应曲线约束，即满足需求侧响应激励定价与负荷转移率的数值关系，该数值关系由步骤2确定，并通过步骤5优化。

(3)各配电节点电压约束，即满足|U(j)-U_set|/U_set≤0.05，其中U(j)为配电节点j的电压，U_set为设定的标称电压。

满足各约束条件，基于粒子群算法以目标函数为适应度函数，求取各配电节点的最优定价s(j)，整合为最优激励定价序列。

步骤5：最新激励定价与负荷转移率的关系样本获取，用户电量响应能力曲线参数优化。根据1天内不同“激励电价”与“负荷转移率”的数据样本，根据用户电量响应能力曲线参数优化方法，重新对用户电量响应能力曲线参数进行优化。结束后进入步骤3。

通过步骤4，获得实际的需求侧响应定价s(j)与响应功率ΔP(j)样本，从而根据梯度下降法对步骤2所述的用户电量响应能力曲线参数进行重新获取，获取后的最新激励电价第一阀值s₁，激励电价第二阀值s₂，负荷转移响应斜率k所反映的用户电量响应能力曲线为优化后用户电量响应能力曲线。

下面按实际数据对步骤2进行描述：

通过分析一组实际算例数据：

表1电量数据及分析计算

这里设激励第一阀值s₁为谷时电价0.3883的20％即0.07767元，样本中的峰谷差为对应时段的峰谷电量差值，设定实施峰谷电价差即为激励，为0.5583-0.3883＝0.17元，由此根据公式(1)求得7：00-9:00时段的k值为0.251/(0.17-0.07767)＝2.72，20:00-22：00时段的k值为0.284/(0.17-0.07767)＝3.08，两个时段的k的平均值作为激励响应特性曲线的k值，即(3.08+2.72)/2＝2.90。设定负荷转移率为1，利用公式(1)，计算得到激励第二阀值s₂，即1/2.90+0.0776＝0.4224元。最后绘制以表1算例数据为基础的用户激励响应特性曲线如图4所示。

图中实线为最终的目标用户电量响应能力曲线，两条虚线分别为当天的两个峰谷切换点样本绘制的曲线。

下面结合具体示例，对步骤4进行实际算例描述：

如图5所示，基于IEEE-33节点配电网结构，使用前推回代法，构建IEEE-33节点的配电网电压计算模型。

各配电节点需要调节的功率值利用步骤4的方法进行计算，算出的各配电节点的功率值可以换算成需要的负荷转移率，再利用前文定义的用户电量响应能力曲线确定需求侧响应定价s(j)，从而实施需求侧响应调节，假设所有节点负荷均可参加需求侧响应，实施需要测响应控制前后的电压分布图如图6所示。图中包含最优控制的电压分布曲线、为控制前电压分布曲线，除这两条曲线外的其他曲线为非最优解时预测的电压分布式曲线。由图6可以直观的看出通过需求侧响应条件使得电压能够完全满足电压约束。最优解是所有满足约束的解中，电压分布最靠近所有解下边缘的，可见要抬高电压需要付出更高的补偿代价，但并不是电压越低代价越小。

图7所示为利用前面求得的公式(1)对应参数，求得的最优解对应各配电节点的最优激励定价序列，其中矩形为各节点定价，虚线为激励第一阀值0.07767元。图8示出了最优定价序列得到的各节点响应功率，及响应后剩余负荷功率的展示图。

因此通过算例分析可以直观的看出，步骤4中基于粒子群算法求取最优激励定价序列并实施能够根据电压约束和调控潜力约束，合理的调整各节点的激励定价，且最终的总补偿代价最小。图8示出了各配电节点的响应功率计剩余功率。

通过本发明能够利用细粒度用户数据评价确定对象响应程度的能力，通过优化算法实现调控的经济最优，具备较高的经济性和工程应用价值。用户电量响应曲线参数的优化机制具备自学习能力，能够不断地提高需求侧响应方法的性能。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于细粒度用户数据的需求侧响应方法，其特征在于，包括以下步骤：

步骤1：配电线路参数获取：获取需求侧响应目标调控区域的首配电节点电压、配电节点个数、配电节点间的线路参数、以及各用户与配电节点的对应关系；

步骤2：用户电量响应能力曲线参数初始化：根据用户电量响应能力曲线参数初始化方法对用户电量响应能力曲线参数进行初始化，初始化的用户电量响应能力曲线参数能够反应确定的需求侧响应激励定价与负荷转移率的数值关系；

步骤3：基于细粒度分项电量的各用户可调控潜力计算：根据细粒度分项电量，通过用户可调控潜力计算方法，计算各配电节点的可调控潜力；

步骤4：基于粒子群算法的最优激励定价序列求取并实施：按照基于粒子群的细粒度用户需求侧响应优化算法求得最优需求侧响应激励定价序列，并将对应配电节点的定价序列发送到相应的配电节点下的用户，以等待用户接受响应；

步骤5：最新激励定价与负荷转移率的关系样本获取，用户电量响应能力曲线参数优化：根据1天内不同“激励电价”与“负荷转移率”的数据样本，根据用户电量响应能力曲线参数优化方法，重新对用户电量响应能力曲线参数进行优化。

2.根据权利要求1所述的一种基于细粒度用户数据的需求侧响应方法，其中步骤2所述的用户电量响应能力曲线限定为反应需求侧响应激励定价与负荷转移率的数值关系曲线，其数值关系满足以下公式：

其中λ为负荷转移率，s为激励电价，s₁为激励电价第一阀值，s₂为激励电价第二阀值，k为负荷转移响应斜率。

3.根据权利要求2所述的一种基于细粒度用户数据的需求侧响应方法，其中所述的用户电量响应能力曲线参数初始化的过程为通过采集的历史峰/谷差数据拟合获得s₁、s₂和k值的过程。

4.根据权利要求3所述的一种基于细粒度用户数据的需求侧响应方法，所述用户电量响应能力曲线参数初始化的具体方法包括：

(1)获取不同用户不同日的15分钟周期的分项电量数据；

(2)以峰/谷差转换时刻点为标点，计算步骤(1)获取的数据中，每个用户每天峰/谷差转换时刻点往谷时段计算半小时的电量数据，命名为该用户该天该时刻的谷时电量；以及峰/谷差转换时刻点往峰时段计算半小时的电量数据，命名为该用户该天该时刻的峰时电量；每用户每天共获得两组谷时电量和峰时电量；

(3)将每用户每天的两组谷时电量和峰时电量中，每组的谷时电量减去峰时电量，获得两组峰/谷电量差值；

(4)设定激励电价第一阀值s₁为谷时电价乘以20％；以所有计算获得的峰/谷电量差值与峰/谷电价差值为样本，求解每个样本对应的样本负荷转移响应斜率，取平均值为负荷转移响应斜率k；设λ＝1，根据已确定的s₁和k，求得的s值即为s₂。

5.根据权利要求1所述的一种基于细粒度用户数据的需求侧响应方法，其中步骤3所述的用户可调控潜力计算包括以下步骤：

(1)按照以下公式计算每个用户的空调可减少功率：

式中所述的i为用户序号，P₁(i)为用户i空调可减少功率，P_air为空调实际功率，P_air(i)为用户i的空调实际功率，Num_act(i)为用户i的空调实际运行台数，η(i)为用户i的空调的运行效率，为所有用户空调平均运行效率；

(2)计算每个用户的热水器可减少功率：用户编号为i的热水器可减少功率P₂(i)当满足以下条件时等于实际的该用户的实际热水器运行功率P_hot(i)，否则等于0：①运行在峰时段，②已持续运行1个小时；

(3)计算每个用户的可调控潜力：编号为i的用户的可调控潜力P(i)＝P₁(i)+P₂(i)；

(4)根据权利要求1中步骤1所获得的各用户与配电节点对应关系，累加每个配电节点下所有用户的可调控潜力即为该配电节点可调控潜力。

6.根据权利要求5所述的一种基于细粒度用户数据的需求侧响应方法，其中步骤4所述的基于粒子群的细粒度用户需求侧响应优化包括建立优化目标函数为：

MinF＝Min(∑(ΔP(j)×s(j)))，

其中，F为激励补偿成本，MinF为激励补偿成本最小，ΔP(j)为配电节点j响应的功率，s(j)为配电节点j的需求侧响应激励定价，∑(ΔP(j)×s(j))表示激励补偿成本为各配电节点响应功率与响应激励定价乘积的累加值；

该目标函数的约束条件包括：

(1)满足用户调控潜力约束，即满足ΔP(j)＜P(j)，其中P(j)为在所述步骤3求得的配电节点j的可调控潜力；

(2)满足用户电量响应曲线约束，即满足由步骤2确定的需求侧响应激励定价与负荷转移率的数值关系，并通过步骤5优化；

(3)各配电节点电压约束，即满足|U(j)-U_set|/U_set≤0.05，其中U(j)为配电节点j的电压，U_set为设定的标称电压；

满足各约束条件，基于粒子群算法以目标函数为适应度函数，求取各配电节点的最优定价s(j)，整合为最优激励定价序列。

7.根据权利要求6所述的一种基于细粒度用户数据的需求侧响应方法，其中步骤5所述的用户电量响应能力曲线参数优化方法包括：

依据步骤4获得的实际需求侧响应定价s(j)与响应功率ΔP(j)样本，利用梯度下降法对步骤1所述的用户电量响应能力曲线参数进行重新获取，获取后的最新激励电价第一阀值s₁，激励电价第二阀值s₂，负荷转移响应斜率k所反映的用户电量响应能力曲线为优化后用户电量响应能力曲线。