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

一种基于细粒度用户数据的需求侧响应方法 Download PDF

Info

Publication number
CN110535130A
CN110535130A CN201910850866.4A CN201910850866A CN110535130A CN 110535130 A CN110535130 A CN 110535130A CN 201910850866 A CN201910850866 A CN 201910850866A CN 110535130 A CN110535130 A CN 110535130A
Authority
CN
China
Prior art keywords
user
electricity
price
demand side
curve
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
CN201910850866.4A
Other languages
English (en)
Other versions
CN110535130B (zh
Inventor
徐涛
黄莉
朱明杰
李敏蕾
周赣
傅萌
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.)
Southeast University
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Southeast University
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Southeast University, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Southeast University
Priority to CN201910850866.4A priority Critical patent/CN110535130B/zh
Publication of CN110535130A publication Critical patent/CN110535130A/zh
Application granted granted Critical
Publication of CN110535130B publication Critical patent/CN110535130B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

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,Pair为空调实际功率,Pair(i)为用户用户i的空调实际功率,Numact(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Phot(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)-Uset|/Uset≤0.05,其中U(j)为节点j的电压,Uset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,Pair为空调实际功率,Pair(i)为用户i的空调实际功率,Numact(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Phot(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)-Uset|/Uset≤0.05,其中U(j)为配电节点j的电压,Uset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,Pair为空调实际功率,Pair(i)为用户i的空调实际功率,Numact(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Phot(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)-Uset|/Uset≤0.05,其中U(j)为配电节点j的电压,Uset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。
CN201910850866.4A 2019-09-10 2019-09-10 一种基于细粒度用户数据的需求侧响应方法 Active CN110535130B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910850866.4A CN110535130B (zh) 2019-09-10 2019-09-10 一种基于细粒度用户数据的需求侧响应方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910850866.4A CN110535130B (zh) 2019-09-10 2019-09-10 一种基于细粒度用户数据的需求侧响应方法

Publications (2)

Publication Number Publication Date
CN110535130A true CN110535130A (zh) 2019-12-03
CN110535130B CN110535130B (zh) 2022-03-11

Family

ID=68667868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910850866.4A Active CN110535130B (zh) 2019-09-10 2019-09-10 一种基于细粒度用户数据的需求侧响应方法

Country Status (1)

Country Link
CN (1) CN110535130B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324864A (zh) * 2020-02-21 2020-06-23 国网河南省电力公司经济技术研究院 一种电力需求响应实施成本和补偿标准评估方法
CN113256031A (zh) * 2021-06-25 2021-08-13 国网江西省电力有限公司供电服务管理中心 一种基于居民需求响应策略自学习优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376385A (zh) * 2014-11-27 2015-02-25 重庆大学 一种微电网电价优化方法
WO2015039464A1 (zh) * 2013-09-18 2015-03-26 江苏省电力公司南京供电公司 一种基于时间尺度的全局优化调度策略库
CN104778631A (zh) * 2015-03-11 2015-07-15 国家电网公司 一种面向需求响应的居民用户用电模式优化方法
CN106779365A (zh) * 2016-12-02 2017-05-31 合肥工业大学 一种基于需求响应的家庭负荷优化调度方法
CN108805326A (zh) * 2018-04-19 2018-11-13 浙江工业大学 一种基于多时间尺度需求响应模型的电价定价方法
CN109872173A (zh) * 2017-12-04 2019-06-11 北京京东尚科信息技术有限公司 构建用户画像标签的方法、系统及终端设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015039464A1 (zh) * 2013-09-18 2015-03-26 江苏省电力公司南京供电公司 一种基于时间尺度的全局优化调度策略库
CN104376385A (zh) * 2014-11-27 2015-02-25 重庆大学 一种微电网电价优化方法
CN104778631A (zh) * 2015-03-11 2015-07-15 国家电网公司 一种面向需求响应的居民用户用电模式优化方法
CN106779365A (zh) * 2016-12-02 2017-05-31 合肥工业大学 一种基于需求响应的家庭负荷优化调度方法
CN109872173A (zh) * 2017-12-04 2019-06-11 北京京东尚科信息技术有限公司 构建用户画像标签的方法、系统及终端设备
CN108805326A (zh) * 2018-04-19 2018-11-13 浙江工业大学 一种基于多时间尺度需求响应模型的电价定价方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324864A (zh) * 2020-02-21 2020-06-23 国网河南省电力公司经济技术研究院 一种电力需求响应实施成本和补偿标准评估方法
CN113256031A (zh) * 2021-06-25 2021-08-13 国网江西省电力有限公司供电服务管理中心 一种基于居民需求响应策略自学习优化方法
CN113256031B (zh) * 2021-06-25 2021-10-26 国网江西省电力有限公司供电服务管理中心 一种基于居民需求响应策略自学习优化方法

Also Published As

Publication number Publication date
CN110535130B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
Wei et al. A bi-level scheduling model for virtual power plants with aggregated thermostatically controlled loads and renewable energy
Nan et al. Optimal residential community demand response scheduling in smart grid
Jiang et al. Day-ahead stochastic economic dispatch of wind integrated power system considering demand response of residential hybrid energy system
CN110728410A (zh) 一种计及需求响应灵活性和不确定性的负荷聚合商经济调度方法
CN112163687A (zh) 一种基于负荷聚合商的用户侧两阶段调峰响应方法
US10713674B2 (en) Reducing substation demand fluctuations using decoupled price schemes for demand response
Jiang et al. Residential power scheduling based on cost efficiency for demand response in smart grid
CN110535130A (zh) 一种基于细粒度用户数据的需求侧响应方法
CN113794200A (zh) 一种用于虚拟电厂的多类型负荷资源聚合方法
Zhang et al. Local energy and planned ramping product joint market based on a distributed optimization method
Yang et al. A novel dynamic load-priority-based scheduling strategy for home energy management system
Xia et al. Local measurements and virtual pricing signals for residential demand side management
CN116914847A (zh) 一种虚拟电厂内多台发电机组聚合互补及优化调度方法
CN111950934A (zh) 电力需求响应聚合负荷协同控制方法、装置和系统
Ni et al. A computational intelligence approach for residential home energy management considering reward incentives
CN111915107A (zh) 一种基于动态聚类的负荷分群控制方法
Mitra et al. A two-part dynamic pricing policy for household electricity consumption scheduling with minimized expenditure
CN112734593A (zh) 配电网规划方法
Ahmed et al. A fair and effective approach to managing distributed energy resources through peer-to-peer energy trading with load prioritization among smart homes
CN107769198A (zh) 不同电价机制下含光伏发电的家庭智能用电规划方法
CN116432807A (zh) 考虑耦合效应与不确定性的综合需求响应系统及其方法
Telaretti et al. A novel operating strategy for customer-side energy storages in presence of dynamic electricity prices
CN116073366A (zh) 一种基于需求响应的居民家庭微电网协调互动方法及系统
JP2021002956A (ja) 電力管理装置および電力管理方法
CN107346473A (zh) 一种电价设定方法及系统

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