CN112365298A - 一种考虑用户差异性的分时电价需求响应优化方法和系统 - Google Patents
一种考虑用户差异性的分时电价需求响应优化方法和系统 Download PDFInfo
- Publication number
- CN112365298A CN112365298A CN202011405371.XA CN202011405371A CN112365298A CN 112365298 A CN112365298 A CN 112365298A CN 202011405371 A CN202011405371 A CN 202011405371A CN 112365298 A CN112365298 A CN 112365298A
- Authority
- CN
- China
- Prior art keywords
- time
- electricity price
- power
- demand response
- use electricity
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 176
- 230000004044 response Effects 0.000 title claims abstract description 127
- 238000005457 optimization Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 21
- 230000008901 benefit Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种考虑用户差异性的分时电价需求响应优化方法和系统,针对具有不同性质的需求响应电力用户,考虑电力用户的负荷特性指标和需求弹性指标的差异,首先通过聚类得到不同电力用户的典型特性指标,通过设计多个分时电价组合,构建用户对于多个分时电价组合时的选择模型,得到不同类型电力用户对需求响应价格组合的反馈,从而建立包含多组分时电价的多目标需求响应优化模型,最后对多目标需求响应优化模型求解最优解,得到优化策略,提高了电力用户参与需求响应的主动性,解决了现有的峰谷分时电价需求响应方式无法实现最大程度地促进用户主动参与需求响应,可操作性较差,不利于提高电能运转效率和电力市场收益的技术问题。
Description
技术领域
本申请涉及电力系统需求响应技术领域,尤其涉及一种考虑用户差异性的分时电价需求响应优化方法和系统。
背景技术
峰谷分时电价是指根据电网的负荷变化,将每天24小时划分为高峰、平段和低谷等多个时段,对各时段分别制定不同的电价水平,以鼓励用户合理安排用电时间,削峰平谷,为电网提供需求响应,提高电力资源的利用率。
在现有的峰谷分时电价设计中,同一地区通常制定一套分时电价对用户进行激励,然后用户侧需求响应资源种类多样,不同需求响应资源的用电方式、移峰方式、移峰量、对激励信号的敏感程度都有较大差异,而为存在差异的不同用户提供同一套分时电价方案,往往无法实现最大程度地促进用户主动参与需求响应,可操作性较差,不利于提高电能运转效率和电力市场收益。
发明内容
本申请提供了一种考虑用户差异性的分时电价需求响应优化方法和系统,用于解决现有的峰谷分时电价需求响应方式无法实现最大程度地促进用户主动参与需求响应,可操作性较差,不利于提高电能运转效率和电力市场收益的技术问题。
有鉴于此,本申请第一方面提供了一种考虑用户差异性的分时电价需求响应优化方法,包括:
获取电力系统的电力用户的原始用电数据,从所述原始用电数据中提取电力用户的特性指标,所述特性指标包括负荷特性指标和需求弹性指标;
对所有电力用户的所述特性指标进行聚类,得到聚类结果;
建立用户分时电价组合的选择模型,对所述聚类结果对应的电力用户的分时电价组合的选择模型进行预测;
计算电力用户对每组分时电价组合的选择模型,并构建供电公司的收益成本模型;
根据所述收益成本模型,构建包含所有分时电价组合的多目标需求响应优化模型;
对所述多目标需求响应优化模型求最优解,得到电力用户的分时电价需求响应优化策略。
可选地,所述对所有电力用户的所述特性指标进行聚类,得到聚类结果,包括:
构建各电力用户的所有所述特性指标对应的特性指标向量,并对所述特性指标向量进行初始化,得到初始化的特性指标向量集合;
从所述特性指标向量集合中随机抽取若干个样本作为簇中心;
计算各电力用户到簇中心的距离,提炼簇标记,并将各电力用户的所述特性指标向量归入距离最近的簇中;
计算每个簇中每个所述特性指标向量到簇中其他向量的平均距离,将平均距离最近的电力用户作为所在簇的新聚类中心电力用户;
重复以上初始化之后的步骤,直至聚类中心不再发生变化,得到聚类结果。
可选地,所述建立用户分时电价组合的选择模型,对所述聚类结果对应的电力用户的分时电价组合的选择模型进行预测,包括:
建立用户分时电价组合的选择模型,基于效用最大化的离散决策模型预测所述聚类结果对应的电力用户选择分时电价组合的概率。
可选地,所述计算电力用户对每组分时电价组合的选择模型,并构建供电公司的收益成本模型,包括:
计算供电公司在峰时段、平时段和谷时段的购电成本模型;
根据所述在峰时段、平时段和谷时段的购电成本计算供电公司的售电收益模型。
可选地,所述根据所述收益成本模型,构建包含所有分时电价组合的多目标需求响应优化模型,包括:
根据所述收益成本模型计算供电公司通过需求响应获得的效益增量;
计算所有电力用户的峰时段负载率;
根据所述效益增量和所述峰时段负载率,构建包含所有分时电价组合的多目标需求响应优化模型。
可选地,所述多目标需求响应优化模型为:
其中,为效益增量,φPH,EDC为峰时段负载率,为供电公司每日的总售电收益,和分别为分时电价取值的下限和上限,xH为x时段,PH为峰时段,OH为平时段,VH为谷时段,为第j组xH时段的分时电价取值,N为分时电价组合数,M为总电力用户数,ωk(i)为以用户i为簇中心的簇k的电力用户占总电力用户的比重,为电力用户没有参与需求响应项目时的目录电价,Qi,0为用户i没有参与需求响应项目时的单日平均用电量。
可选地,所述对所述多目标需求响应优化模型求最优解,得到电力用户的分时电价需求响应优化策略,包括:
采用NSGA-Ⅱ算法对所述多目标需求响应优化模型进行优化求解,得到分时电价组合对应的帕累托优化解;
遍历所有分时电价组合对应的帕累托优化解,将帕累托优化解并入帕累托最优解集合,直到不再产生新的帕累托最优解为止;
从所述帕累托最优解集合中选择综合效益最好的帕累托最优解对应的分时电价组合组和分时电价取值作为输出,得到电力用户的分时电价需求响应优化策略。
可选地,所述负荷特性指标包括负荷率、日峰谷差率、峰时段负载率、时段负载率和谷时段负载率;
所述需求弹性指标包括本时段需求弹性指标和交叉时段需求弹性指标。
可选地,所述本时段需求弹性指标为:
所述交叉时段需求弹性指标为:
其中,Ei,t-t为电力用户i在t时段的本时段需求弹性系数,Ei,t-t′为t′时段电价变化对t时段需求的交叉时段需求弹性系数,λt与Δλ分别为供电公司在t时段的初始电价和电价变化量,Qi,t与ΔQi,t分别为电力用户i在t时段的初始用电量与用电量变化。
本申请第二方面提供了一种考虑用户差异性的分时电价需求响应优化系统,包括:
特性指标提取模块,用于获取电力系统的电力用户的原始用电数据,从所述原始用电数据中提取电力用户的特性指标,所述特性指标包括负荷特性指标和需求弹性指标;
聚类模块,用于对所有电力用户的所述特性指标进行聚类,得到聚类结果;
预测模块,用于建立用户分时电价组合的选择模型,对所述聚类结果对应的电力用户的分时电价组合的选择模型进行预测;
收益成本模型构建模块,用于计算电力用户对每组分时电价组合的选择模型,并构建供电公司的收益成本模型;
多目标需求响应优化模型建立模块,用于根据所述收益成本模型,构建包含所有分时电价组合的多目标需求响应优化模型;
最优解求解模块,用于对所述多目标需求响应优化模型求最优解,得到电力用户的分时电价需求响应优化策略。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中提供了一种考虑用户差异性的分时电价需求响应优化方法,包括:获取电力系统的电力用户的原始用电数据,从原始用电数据中提取电力用户的特性指标,特性指标包括负荷特性指标和需求弹性指标;对所有电力用户的特性指标进行聚类,得到聚类结果;建立用户分时电价组合的选择模型,对聚类结果对应的电力用户的分时电价组合的选择模型进行预测;计算电力用户对每组分时电价组合的选择模型,并构建供电公司的收益成本模型;根据收益成本模型,构建包含所有分时电价组合的多目标需求响应优化模型;对多目标需求响应优化模型求最优解,得到电力用户的分时电价需求响应优化策略。
本申请提供的分时电价需求响应优化方法,针对具有不同性质的需求响应电力用户,考虑电力用户的负荷特性指标和需求弹性指标的差异,首先通过聚类得到不同电力用户的典型特性指标,通过设计多个分时电价组合,构建用户对于多个分时电价组合时的选择模型,得到不同类型电力用户对需求响应价格组合的反馈,从而建立包含多组分时电价的多目标需求响应优化模型,最后对多目标需求响应优化模型求解最优解,得到优化策略,提高了电力用户参与需求响应的主动性,解决了现有的峰谷分时电价需求响应方式无法实现最大程度地促进用户主动参与需求响应,可操作性较差,不利于提高电能运转效率和电力市场收益的技术问题。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术用户员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例中提供的一种考虑用户差异性的分时电价需求响应优化方法的一个流程示意图;
图2为本申请实施例中提供的一种考虑用户差异性的分时电价需求响应优化系统的一个结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
本申请提供的一种考虑用户差异性的分时电价需求响应优化方法的一个实施例,包括:
步骤101、获取电力系统的电力用户的原始用电数据,从原始用电数据中提取电力用户的特性指标,特性指标包括负荷特性指标和需求弹性指标。
需要说明的是,电力用户通常是根据负荷容量、用电习惯、位置等因素进行分类的,本申请实施例中,首先需要从电力用户的原始用电数据中提取电力用户的负荷特性和需求弹性两大类指标。
电力用户的负荷特性可以根据用户的负荷曲线和相关的数据指标来体现,由于日负荷曲线的测量比较困难,为了便于分析,本申请实施例中将每天的24小时分为峰时段、平时段和谷时段3个时段,采用日负荷特性指标来对用户负荷曲线进行降维,如表1所示:
表1
指标(符号表示) | 定义 | 物理意义 |
负荷率(φ<sub>LF,i</sub>) | P<sub>av</sub>/P<sub>max</sub> | 反应全天负荷不平衡性 |
日峰谷差率(φ<sub>D,i</sub>) | (P<sub>max</sub>-P<sub>min</sub>)/P<sub>max</sub> | 反应电网调峰需求 |
峰时段负载率(φ<sub>PH,i</sub>) | P<sub>av,1</sub>/P<sub>av</sub> | 反应峰时段负荷变化 |
平时段负载率(φ<sub>OH,i</sub>) | P<sub>av,2</sub>/P<sub>av</sub> | 反应平时段负荷变化 |
谷时段负载率(φ<sub>VH,i</sub>) | P<sub>av,3</sub>/P<sub>av</sub> | 反应谷时段负荷变化 |
其中,Pav、Pmax和Pmin分别为日均负荷、最大日负荷和最小日负荷,Pav,1、Pav,2与Pav,3分别为峰时段、平时段和谷时段的平均负荷。
电力用户的弹性需求指标反应了电力用户应对于电价波动的响应程度。不同类型的电力用户,其针对电价波动的敏感度也不相同,主要取决于电力用户的用电习惯、负荷的灵活性,以及用户主动参与需求响应的意愿程度等因素。用户对于电力价格的弹性系数可以表达为用电量变化比值与价格变化比值之比,包括了本时段的需求弹性指标和交叉时段的需求弹性指标。
本时段需求弹性指标可以表示为:
交叉时段需求弹性指标可以表示为:
其中,Ei,t-t为电力用户i在t时段的本时段需求弹性系数,Ei,t-t′为t′时段电价变化对t时段需求的交叉时段需求弹性系数,λt与Δλ分别为供电公司在t时段的初始电价和电价变化量,Qi,t与ΔQi,t分别为电力用户i在t时段的初始用电量与用电量变化。
步骤102、对所有电力用户的特性指标进行聚类,得到聚类结果。
需要说明的是,聚类是按照某个特定标准(如距离准则,即数据点之间的距离)把一个数据集分割成不同的类或簇,使得同一个簇内的数据对象的相似性尽可能大,同时不在同一个簇中的数据对象的差异性也尽可能地大。本申请实施中选择K均值算法聚类。K均值算法以K为参数,把n个对象分成K个簇,使簇内具有较高的相似度,而簇间的相似度较低。使用K均值算法对电力用户进行聚类,K的取值可以在实际数据中根据电力用户种类选取。在对电力用户的特性指标进行聚类之后,得到聚类结果,聚类中心不再发生变化。
对电力用户特性指标的聚类过程可以表示为:
(1)初始化各电力用户的特性指标向量。
电力用户i的特性指标量为Vi={φLF,i,φD,i,φPH,i,φOH,i,φVH,i,Ei,xH-xH},其中,Ei,xH-xH为电力用户i的弹性矩阵,表示为:
(2)从特性指标向量集合中随机抽取若干个样本作为簇中心,计算各电力用户到簇中心的距离,提炼簇标记,并将各电力用户的特性指标向量归入距离最近的簇中。
(4)重复(2)和(3)步骤,直至聚类中心不再变化。
步骤103、建立用户分时电价组合的选择模型,对聚类结果对应的电力用户的分时电价组合的选择模型进行预测。
需要说明的是,若存在N组不同的分时电价组合,每组分时电价组合包含峰时段(用PH表示)、平时段(用OH表示)和谷时段(用VH表示)的不同电价,则电力用户i选择第j组分时电价组合后在xH(xH∈{PH,OH,VH})时段的用电量为
即:
当xH=PH时:
当xH=OH时:
当xH=VH时:
其中, 为电力用户没有参与需求响应项目时的目录电价,为电力用户在内有参与需求响应项目时的不同时段用电量情况,TxH为xH时段的长度,单位为小时,Qi,0为电力用户i没有参与需求响应项目时的单日平均用电量。
电力用户会倾向于选择对自己最有利的分时电价组合,对于电力用户的选择,可以用基于效用最大化理论的离散决策模型(DCM)来分析,可以采用离散选择模型中应用最广泛的多项Logit(MNL)模型来预测用户选择某一分时电价组合的概率。
采用MNL模型预测电力用户i选择第j组分时电价组合的概率为:
其中,β用来衡量用户选择分时电价组合时的敏感程度,β越接近0,代表电力用户对电价越不敏感,倾向于做随机选择,反之,则代表用户倾向于利益最大化的选择,可以通过对用户的意向调查获得。
步骤104、计算电力用户对每组分时电价组合的选择模型,并构建供电公司的收益成本模型。
需要说明的是,供电公司的收益成本模型包括购电成本模型和售电收益模型。根据电力市场价格的波动,供电公司在不同时段的购电成本不同,设峰时段、平时段和谷时段的供电公司购电成本为:
式中,M为电力用户总数,ωk(i)为以电力用户i为簇中心的簇k的电力用户占总电力用户的比重。
因此,供电公司的总购电成本可以表示为:
同样的,供电公司每日的总售电收益为:
步骤105根据收益成本模型,构建包含所有分时电价组合的多目标需求响应优化模型。
需要说明的是,本申请实施例中,在构建供电公司的收益成本模型之后,建立包含N组分时电价组合的需求响应优化模型,即包含所有分时电价组合的多目标需求响应优化模型。
采用峰时段负载率指标来衡量电力用户错峰、避峰的效果,所有电力用户的峰时段负载率可以表示为:
电力用户在参与需求响应项目前的电费支出满足以下约束条件:
因此,可得到需求响应的多目标优化模型为:
其中,为效益增量,φPH,EDC为峰时段负载率,为供电公司每日的总售电收益,和分别为分时电价取值的下限和上限,xH为x时段,PH为峰时段,OH为平时段,VH为谷时段,为第j组xH时段的分时电价取值,N为分时电价组合数,M为总电力用户数,ωk(i)为以用户i为簇中心的簇k的电力用户占总电力用户的比重,为电力用户没有参与需求响应项目时的目录电价,Qi,0为用户i没有参与需求响应项目时的单日平均用电量。
步骤106、对多目标需求响应优化模型求最优解,得到电力用户的分时电价需求响应优化策略。
需要说明的是,可以采用启发式算法对多目标问题进行优化求解,本申请实施中采用NSGA-Ⅱ算法,得到一组帕累托优化解,记为S。递增N=N+1,重复步骤103-步骤105的步骤,并将新的优化解SN并入S,其中S为从1到N的所有SN中帕累托优化解最优解集合,直到不再产生系的帕累托优化解最优解为止。从S中选择综合效益最好的优化解作为输出,得到电力用户的分时电价需求响应优化策略。
在基于分时电价的需求响应优化设计中,需要遵守以下原则:其一是用户收益原则,即不应增加用户的总购电成本;其二是实施方的利益不受损原则,供电企业的总效益不应减少;其三,可以减少尖峰负荷和峰谷负荷差,提高发电资产利用效率。在满足以上原则的基础上,考虑对具有不同用电习惯的用户差异,通过优化模型制定多套可供用户选择的分时需求响应价格,满足用户的差异化需求,可以有效激励用户主动进行需求响应,从而提高需求响应资源的可操作性、运转效率及利润效益,对于完善电力零售市场机制、激发用户侧的需求响应潜力具有重要意义。
本申请实施例提供的分时电价需求响应优化方法,针对具有不同性质的需求响应电力用户,考虑电力用户的负荷特性指标和需求弹性指标的差异,首先通过聚类得到不同电力用户的典型特性指标,通过设计多个分时电价组合,构建用户对于多个分时电价组合时的选择模型,得到不同类型电力用户对需求响应价格组合的反馈,从而建立包含多组分时电价的多目标需求响应优化模型,最后对多目标需求响应优化模型求解最优解,得到优化策略,提高了电力用户参与需求响应的主动性,解决了现有的峰谷分时电价需求响应方式无法实现最大程度地促进用户主动参与需求响应,可操作性较差,不利于提高电能运转效率和电力市场收益的技术问题。
为了便于理解,请参阅图2,本申请中提供了一种考虑用户差异性的分时电价需求响应优化系统的实施例,包括:
特性指标提取模块,用于获取电力系统的电力用户的原始用电数据,从所述原始用电数据中提取电力用户的特性指标,所述特性指标包括负荷特性指标和需求弹性指标;
聚类模块,用于对所有电力用户的所述特性指标进行聚类,得到聚类结果;
预测模块,用于建立用户分时电价组合的选择模型,对所述聚类结果对应的电力用户的分时电价组合的选择模型进行预测;
收益成本模型构建模块,用于计算电力用户对每组分时电价组合的选择模型,并构建供电公司的收益成本模型;
多目标需求响应优化模型建立模块,用于根据所述收益成本模型,构建包含所有分时电价组合的多目标需求响应优化模型;
最优解求解模块,用于对所述多目标需求响应优化模型求最优解,得到电力用户的分时电价需求响应优化策略。
本申请实施例提供的分时电价需求响应优化系统,针对具有不同性质的需求响应电力用户,考虑电力用户的负荷特性指标和需求弹性指标的差异,首先通过聚类得到不同电力用户的典型特性指标,通过设计多个分时电价组合,构建用户对于多个分时电价组合时的选择模型,得到不同类型电力用户对需求响应价格组合的反馈,从而建立包含多组分时电价的多目标需求响应优化模型,最后对多目标需求响应优化模型求解最优解,得到优化策略,提高了电力用户参与需求响应的主动性,解决了现有的峰谷分时电价需求响应方式无法实现最大程度地促进用户主动参与需求响应,可操作性较差,不利于提高电能运转效率和电力市场收益的技术问题。
需要说明的是,本申请实施例中提供的考虑用户差异性的分时电价需求响应优化系统实施例,是与前述的考虑用户差异性的分时电价需求响应优化方法实施例对应的系统实施例,其用于执行考虑用户差异性的分时电价需求响应优化方法实施例中的任一种考虑用户差异性的分时电价需求响应优化方法,能够取得与考虑用户差异性的分时电价需求响应优化方法实施例取得相同的技术效果,在此不再对本申请实施例中的系统的实现方案和取得的技术效果进行赘述。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种考虑用户差异性的分时电价需求响应优化方法,其特征在于,包括:
获取电力系统的电力用户的原始用电数据,从所述原始用电数据中提取电力用户的特性指标,所述特性指标包括负荷特性指标和需求弹性指标;
对所有电力用户的所述特性指标进行聚类,得到聚类结果;
建立用户分时电价组合的选择模型,对所述聚类结果对应的电力用户的分时电价组合的选择模型进行预测;
计算电力用户对每组分时电价组合的选择模型,并构建供电公司的收益成本模型;
根据所述收益成本模型,构建包含所有分时电价组合的多目标需求响应优化模型;
对所述多目标需求响应优化模型求最优解,得到电力用户的分时电价需求响应优化策略。
2.根据权利要求1所述的考虑用户差异性的分时电价需求响应优化方法,其特征在于,所述对所有电力用户的所述特性指标进行聚类,得到聚类结果,包括:
构建各电力用户的所有所述特性指标对应的特性指标向量,并对所述特性指标向量进行初始化,得到初始化的特性指标向量集合;
从所述特性指标向量集合中随机抽取若干个样本作为簇中心;
计算各电力用户到簇中心的距离,提炼簇标记,并将各电力用户的所述特性指标向量归入距离最近的簇中;
计算每个簇中每个所述特性指标向量到簇中其他向量的平均距离,将平均距离最近的电力用户作为所在簇的新聚类中心电力用户;
重复以上初始化之后的步骤,直至聚类中心不再发生变化,得到聚类结果。
3.根据权利要求1所述的考虑用户差异性的分时电价需求响应优化方法,其特征在于,所述建立用户分时电价组合的选择模型,对所述聚类结果对应的电力用户的分时电价组合的选择模型进行预测,包括:
建立用户分时电价组合的选择模型,基于效用最大化的离散决策模型预测所述聚类结果对应的电力用户选择分时电价组合的概率。
4.根据权利要求1所述的考虑用户差异性的分时电价需求响应优化方法,其特征在于,所述计算电力用户对每组分时电价组合的选择模型,并构建供电公司的收益成本模型,包括:
计算供电公司在峰时段、平时段和谷时段的购电成本模型;
根据所述在峰时段、平时段和谷时段的购电成本计算供电公司的售电收益模型。
5.根据权利要求4所述的考虑用户差异性的分时电价需求响应优化方法,其特征在于,所述根据所述收益成本模型,构建包含所有分时电价组合的多目标需求响应优化模型,包括:
根据所述收益成本模型计算供电公司通过需求响应获得的效益增量;
计算所有电力用户的峰时段负载率;
根据所述效益增量和所述峰时段负载率,构建包含所有分时电价组合的多目标需求响应优化模型。
7.根据权利要求6所述的考虑用户差异性的分时电价需求响应优化方法,其特征在于,所述对所述多目标需求响应优化模型求最优解,得到电力用户的分时电价需求响应优化策略,包括:
采用NSGA-Ⅱ算法对所述多目标需求响应优化模型进行优化求解,得到分时电价组合对应的帕累托优化解;
遍历所有分时电价组合对应的帕累托优化解,将帕累托优化解并入帕累托最优解集合,直到不再产生新的帕累托最优解为止;
从所述帕累托最优解集合中选择综合效益最好的帕累托最优解对应的分时电价组合组和分时电价取值作为输出,得到电力用户的分时电价需求响应优化策略。
8.根据权利要求1所述的考虑用户差异性的分时电价需求响应优化方法,其特征在于,所述负荷特性指标包括负荷率、日峰谷差率、峰时段负载率、时段负载率和谷时段负载率;
所述需求弹性指标包括本时段需求弹性指标和交叉时段需求弹性指标。
10.一种考虑用户差异性的分时电价需求响应优化系统,其特征在于,包括:
特性指标提取模块,用于获取电力系统的电力用户的原始用电数据,从所述原始用电数据中提取电力用户的特性指标,所述特性指标包括负荷特性指标和需求弹性指标;
聚类模块,用于对所有电力用户的所述特性指标进行聚类,得到聚类结果;
预测模块,用于建立用户分时电价组合的选择模型,对所述聚类结果对应的电力用户的分时电价组合的选择模型进行预测;
收益成本模型构建模块,用于计算电力用户对每组分时电价组合的选择模型,并构建供电公司的收益成本模型;
多目标需求响应优化模型建立模块,用于根据所述收益成本模型,构建包含所有分时电价组合的多目标需求响应优化模型;
最优解求解模块,用于对所述多目标需求响应优化模型求最优解,得到电力用户的分时电价需求响应优化策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405371.XA CN112365298A (zh) | 2020-12-04 | 2020-12-04 | 一种考虑用户差异性的分时电价需求响应优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405371.XA CN112365298A (zh) | 2020-12-04 | 2020-12-04 | 一种考虑用户差异性的分时电价需求响应优化方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365298A true CN112365298A (zh) | 2021-02-12 |
Family
ID=74535831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011405371.XA Pending CN112365298A (zh) | 2020-12-04 | 2020-12-04 | 一种考虑用户差异性的分时电价需求响应优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365298A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358640A (zh) * | 2022-10-20 | 2022-11-18 | 四川中电启明星信息技术有限公司 | 一种基于阶梯式激励的居民台区需求响应方法 |
CN115659228A (zh) * | 2022-12-26 | 2023-01-31 | 国网浙江省电力有限公司宁波供电公司 | 一种用户用电激励方法、系统及可读存储介质 |
-
2020
- 2020-12-04 CN CN202011405371.XA patent/CN112365298A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358640A (zh) * | 2022-10-20 | 2022-11-18 | 四川中电启明星信息技术有限公司 | 一种基于阶梯式激励的居民台区需求响应方法 |
CN115659228A (zh) * | 2022-12-26 | 2023-01-31 | 国网浙江省电力有限公司宁波供电公司 | 一种用户用电激励方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A framework of customizing electricity retail prices | |
Luo et al. | Personalized residential energy usage recommendation system based on load monitoring and collaborative filtering | |
CN112365298A (zh) | 一种考虑用户差异性的分时电价需求响应优化方法和系统 | |
CN104331840B (zh) | 电力市场环境下负荷零售商的最优购电方法 | |
CN110580585A (zh) | 一种基于负荷分解的电力用户聚类用电行为特性分析方法 | |
Sun et al. | An ensemble clustering based framework for household load profiling and driven factors identification | |
Sianaki et al. | A fuzzy TOPSIS approach for home energy management in smart grid with considering householders' preferences | |
Han et al. | Scaling up cooperative game theory-based energy management using prosumer clustering | |
CN106447108A (zh) | 一种考虑业扩报装数据的用电需求分析预测方法 | |
CN113554354A (zh) | 一种考虑用户多元响应特性的负荷聚合商最优调度方法 | |
Sanchez et al. | Clients segmentation according to their domestic energy consumption by the use of self-organizing maps | |
KR101965301B1 (ko) | 잉여 전력 생산을 유도하는 전력 거래 중개 시스템 및 방법 | |
CN111062506A (zh) | 一种基于用户行为的分时电价时段划分和价格制定方法 | |
CN110610294A (zh) | 一种考虑用户消费心理的售电公司电量套餐设计方法 | |
Kojury-Naftchali et al. | Identifying susceptible consumers for demand response and energy efficiency policies by time-series analysis and supplementary approaches | |
Capezza et al. | Additive stacking for disaggregate electricity demand forecasting | |
Ramos et al. | Data mining contributions to characterize MV consumers and to improve the suppliers-consumers settlements | |
CN109636465A (zh) | 一种基于电量等效价值波动的微电网售电套餐设计方法 | |
Fang et al. | Data-driven load pattern identification based on R-vine copula and random forest method | |
Guo et al. | User-centric recommendations on energy-efficient appliances in smart grids: A Multi-task learning approach | |
CN114037161A (zh) | 一种社会福利最大化的零售电价套餐优化模型的建模方法 | |
CN111861278A (zh) | 一种电力系统的用电负荷峰谷时段划分方法及系统 | |
CN111476606A (zh) | 多目标资源分配方法、装置、计算机设备及存储介质 | |
CN113538041A (zh) | 基于负荷曲线聚类分析的电力套餐推荐方法和装置 | |
Gao et al. | Approximation algorithms for the partial assignment problem |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |