CN115496627A - 一种可调资源响应潜力的评估方法及系统 - Google Patents

一种可调资源响应潜力的评估方法及系统 Download PDF

Info

Publication number
CN115496627A
CN115496627A CN202211462841.5A CN202211462841A CN115496627A CN 115496627 A CN115496627 A CN 115496627A CN 202211462841 A CN202211462841 A CN 202211462841A CN 115496627 A CN115496627 A CN 115496627A
Authority
CN
China
Prior art keywords
resource
adjustable
time node
data
response potential
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
Application number
CN202211462841.5A
Other languages
English (en)
Inventor
王坤
程宝华
张利
刘浩宇
王森
甘智勇
孔祥玉
王宁
艾邓鑫
冀睿琳
赵越
赵晨阳
郝爽
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 Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin 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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211462841.5A priority Critical patent/CN115496627A/zh
Publication of CN115496627A publication Critical patent/CN115496627A/zh
Pending legal-status Critical Current

Links

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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Abstract

本发明公开了一种可调资源响应潜力的评估方法及系统，所述方法包括：基于影响可调资源响应潜力的不确定性因素，建立响应潜力评估模型；获取所述响应潜力评估模型在各时间节点的关键参数；将所述关键参数带入所述响应潜力评估模型进行求解，得到所述可调资源在各时间节点的可调容量的概率分布。本发明考虑不同时间节点可调资源用电特征差异，能够在多时间节点上对可调资源响应潜力进行评估，从而得到可调资源集群不同时间节点响应潜力的概率分布。

Description

一种可调资源响应潜力的评估方法及系统
技术领域
本发明属于电网工程技术领域，特别涉及一种可调资源响应潜力的评估方法及系统。
背景技术
虚拟电厂（VPP）参与需求响应是电网需求侧管理的一种重要方式。当电网预测峰(谷)负荷量达到警戒值时，将会触发削峰(填谷)信号。电网控制中心检测到响应信号后，向需求响应平台发布相应信息。VPP作为电网需求响应重要参与者可与电网公司达成削减负荷或者增加负荷的任务合同，并将是否参与响应的信息推送给合同用户，并根据用户反馈的信息确定参与响应的用户。最后，将增加负荷量或者减少负荷量的任务分发给参与的用户，确保电网运行的安全性与高效性。因此，确定VPP中的可调资源集群的响应潜力评估是VPP参与电网平衡业务确保电网安全运行的关键。在可调资源集群响应潜力评估方面，现有技术中，对建筑集群、电动汽车集群、空调集群等潜在集群模型进行了研究，并从响应设备层面分析了用户参与响应。然而，集群能耗行为的随机性使得很难获得用户个体的精确需求响应特征。现有技术之一利用高斯混合模型(GMM)对智能电表采集的用户在不同时段的用电量数据进行分析，得到集群负荷下降的概率分析模型。但是概率模型中没有用户的历史响应数据，因此模型不能反映实际用户的个人响应特征。现有技术之二考虑了温度对用户响应行为的影响，提出了一种混合密度神经网络需求响应潜力评估模型，解决了温度对用户参与需求响应的影响问题。但用户响应参与不仅受温度的影响，还受用户行为和激励价格的影响。
在制定激励价格策略时，现有技术之三从用户负荷高峰、用电高峰时间和负荷弹性三个角度分析用户用电曲线，建立了满足用户基本约束条件下DR利润最大化的模型。现有技术之四提出了一种在线实时需求响应定价策略，通过在时间维度上更精细化、更灵活的价格设定来提高电力服务提供商的DR利润。然而，这些优化模型的研究并没有考虑不同集群的特点。所有DR的价格都是统一设定的，不可能充分挖掘各个集群用户的需求响应潜力。也有一些从用户分类的角度进行的研究。现有技术之五将用户负载分为灵活和不灵活两种类型，并针对不同类型的用户制定了激励措施。
现有技术之六使用分类算法，根据消费者的个人信息将其划分为不同的类别，然后向不同类别的用户提供价格计划列表，鼓励不同的用户参与需求响应。但是，用户响应行为具有多样化的特点，会随着时间的推移而变化。基于简单划分的激励措施比较粗糙，难以准确反映用户响应行为的差异。因此，有必要进一步研究不同激励价格和时段下集群的需求响应潜力，以支持VPP制定激励策略。
综上所述，当前针对可调资源集群的响应模型主要侧重于在较长时间尺度上对各类可调资源集群自身用电特性进行分析，没有考虑较短的不同时间节点下可调资源用电特征之间的差异性。针对响应不确定性问题，当前研究主要针对同行业或单集群自身长时间尺度下考虑不确定性的响应潜力的分析，得到的仅是可调资源在特定激励下考虑不确定性的响应容量，对多时间节点上不确定性影响因素下的可调资源集群响应潜力的概率分布情况没有给出进一步的分析。
发明内容
针对上述问题，本发明提供了一种可调资源响应潜力的评估方法，包括：
基于影响可调资源响应潜力的不确定性因素，建立响应潜力评估模型；
获取所述响应潜力评估模型在各时间节点的关键参数；
将所述关键参数带入所述响应潜力评估模型进行求解，得到所述可调资源在各时间节点的可调容量的概率分布。
优选地，所述基于影响可调资源响应潜力的不确定性因素，建立响应潜力评估模型包括：
梳理可调资源的历史负荷数据，所述历史负荷数据包括：可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度；
分析所述不确定性因素的影响下，所述响应潜力与所述激励强度的关系；
基于所述响应潜力与所述激励强度的关系，对基于消费者心理学的需求响应模型进行改进，获得所述响应潜力评估模型。
优选地，所述获取所述响应潜力评估模型在各时间节点的关键参数包括：
将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据；
采用EMD算法分解所述用电功率时序数据，得到所述可调资源用电功率单时间序列的本征模态分量；
通过自编码器对所述本征模态分量进行特征提取，将提取后的特征参数集合，形成m维用电特征参数集；
采用主成分分析法对所述m维用电特征参数集进行降维处理，得到降维数据，并采用最小二乘拟合所述降维数据得到所述关键参数。
优选地，采用EMD算法分解所述可调资源用电功率时序数据，得到所述可调资源用电功率单时间序列的本征模态分量包括：
采用EMD算法将所述可调资源用电功率时序数据
Figure 673645DEST_PATH_IMAGE001
分解为多个IMF分量：
Figure 46857DEST_PATH_IMAGE002
；
式中：
Figure 645329DEST_PATH_IMAGE003
表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分解 得到的第i个本征模态分量，
Figure 522018DEST_PATH_IMAGE004
表示对第k个可调资源在时间节点t下的功率时序数据使 用EMD分解得到的全部残余分量，k表示可调资源的编号，i表示本征模态分量的编号，n表示 本征模态分量的总编号，a表示残余分量的总编号，t表示时间节点；
迭代提取第i个IMF分量直至满足迭代停止条件。
优选地，所述迭代提取第i个IMF分量直至满足迭代停止条件包括：
所述第i个IMF分量的一次迭代过程的计算式为：
Figure 937956DEST_PATH_IMAGE005
；
式中：当i=1时，有
Figure 532885DEST_PATH_IMAGE006
，
Figure 669468DEST_PATH_IMAGE007
表示全部残余分量中的第i个残余分量，
Figure 666243DEST_PATH_IMAGE008
表示全部残余分量中的第i-1个残余分量，
Figure 987503DEST_PATH_IMAGE009
表示对第k个可调资源在时间节点t下 的功率时序数据使用EMD分解得到的第i个本征模态分量；
所述迭代停止条件
Figure 804149DEST_PATH_IMAGE010
的计算式为：
Figure 134637DEST_PATH_IMAGE011
；
式中：
Figure 861284DEST_PATH_IMAGE012
表示对可调资源k的第j次迭代过程中的分解模态分量，
Figure 353445DEST_PATH_IMAGE013
表示 对可调资源k第j-t′次迭代过程中的分解模态分量，k表示可调资源的编号，t′表示迭代的 次数，r表示迭代的总次数，所述迭代停止条件
Figure 922967DEST_PATH_IMAGE014
表示两个连续的分解模态分量
Figure 525987DEST_PATH_IMAGE015
和
Figure 231775DEST_PATH_IMAGE016
的标准差，d表示标准差的编号。
优选地，所述通过自编码器对所述本征模态分量
Figure 35782DEST_PATH_IMAGE017
和
Figure 827021DEST_PATH_IMAGE018
进行特征提取，将 提取后的特征参数集合，形成m维用电特征参数集hi包括:
给定n个可调资源，则自编码器的输入数据为Xi:
Figure 499311DEST_PATH_IMAGE019
；
式中：
Figure 325184DEST_PATH_IMAGE020
表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得 到的第i个本征模态分量，
Figure 34514DEST_PATH_IMAGE021
表示对第2个可调资源的在时间节点t下的功率时序数据 使用EMD分解得到的第i个本征模态分量，
Figure 578628DEST_PATH_IMAGE022
表示对第k′个可调资源的在时间节点t下 的功率时序数据使用EMD分解得到的第i个本征模态分量；
编码过程为通过编码函数f将输入数据转化为隐藏层状态
Figure 789030DEST_PATH_IMAGE023
:
Figure 469410DEST_PATH_IMAGE024
；
式中：
Figure 349641DEST_PATH_IMAGE025
和
Figure 115472DEST_PATH_IMAGE026
分别为单时间节点下第i个本征分量特征提取的输入层与隐含层 之间权重矩阵和偏置向量，Xi为自编码器的输入数据；
解码过程为通过函数g对隐藏层状态hi进行重构为解码之后输出的数据
Figure 863985DEST_PATH_IMAGE027
:
Figure 398871DEST_PATH_IMAGE028
；
式中：
Figure 840217DEST_PATH_IMAGE029
和
Figure 968710DEST_PATH_IMAGE030
分别为第i个本征分量特征提取的隐含层与输出层之间权重矩阵和 偏置向量；
设置自编码器训练的目标为最小化重构误差，并通过自编码器编码过程与解码过 程的不断自迭代，最终使得编码过程输入的数据
Figure 520914DEST_PATH_IMAGE031
与解码之后输出的数据
Figure 910307DEST_PATH_IMAGE027
相等：
Figure 522554DEST_PATH_IMAGE032
；
式中：
Figure 997398DEST_PATH_IMAGE033
为
Figure 228659DEST_PATH_IMAGE034
，
Figure 738138DEST_PATH_IMAGE035
，
Figure 521286DEST_PATH_IMAGE036
和
Figure 483426DEST_PATH_IMAGE037
的取值，
Figure 829962DEST_PATH_IMAGE038
和
Figure 193947DEST_PATH_IMAGE039
分别为单时间节点下第i个本征分 量特征提取的输入层与隐含层之间的权重矩阵和偏置向量，
Figure 147997DEST_PATH_IMAGE040
和
Figure 597433DEST_PATH_IMAGE037
分别为第i个本征分量 特征提取的隐含层与输出层之间权重矩阵和偏置向量，L为
Figure 170497DEST_PATH_IMAGE041
与
Figure 654568DEST_PATH_IMAGE042
的误差函数，
Figure 513939DEST_PATH_IMAGE043
为编码 过程输入的数据，
Figure 372043DEST_PATH_IMAGE044
为解码之后输出的数据，argmin表示使目标函数取最小值时的变量 值。
优选地，所述采用主成分分析法对所述m维用电特征参数集hi进行降维处理得到降维数据，并采用最小二乘拟合所述降维数据得到所述关键参数的计算式为：
Figure 631289DEST_PATH_IMAGE045
；
式中：q表示特征指标的编号，Q表示特征指标的总编号，p表示可调资源用电特征指标的主成分的编号，P表示可调资源用电特征指标的主成分的总编号，t表示时间节点b1p（t)、b2p（t)和b3p（t)分别表示时间节点t下关键参数r1、r2、r3的特征系数，Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分，aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数，hq为第q个特征指标的取值，r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
优选地，所述将所述关键参数带入所述响应潜力评估模型进行求解，得到所述可调资源在各时间节点的可调容量的概率分布包括：
通过响应历史数据集进行点估计，得到各时间节点下的估计值，将所述估计值视为时间节点t下考虑不确定性因素影响的随机参数r4(t)满足的正态分布参数：
Figure 969867DEST_PATH_IMAGE046
；
式中：
Figure 141085DEST_PATH_IMAGE047
表示可调资源在各时间节点的可调容量的概率分布，
Figure 893009DEST_PATH_IMAGE048
表示激励 强度，
Figure 932510DEST_PATH_IMAGE049
表示激励强度的模糊值，
Figure 266539DEST_PATH_IMAGE050
、
Figure 733292DEST_PATH_IMAGE051
、
Figure 379037DEST_PATH_IMAGE052
、
Figure 222229DEST_PATH_IMAGE053
、
Figure 410764DEST_PATH_IMAGE054
、
Figure 48419DEST_PATH_IMAGE055
、
Figure 181460DEST_PATH_IMAGE056
和
Figure 562763DEST_PATH_IMAGE057
分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、 均值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值，
Figure 464860DEST_PATH_IMAGE058
为均值 估计值，
Figure 148782DEST_PATH_IMAGE059
为标准差模糊值，
Figure 34699DEST_PATH_IMAGE060
为均值的偏差，
Figure 954113DEST_PATH_IMAGE061
为标准差的偏差，
Figure 241875DEST_PATH_IMAGE062
表示时 间节点t下的激励强度，
Figure 96698DEST_PATH_IMAGE063
表示时间节点t下的激励强度模糊值，r1(t)、r2(t)和r3(t)分 别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数；
通过对可调资源各个时间节点的时序数据进行滚动分析，得到可调资源在不同时间节点的可调容量的概率分布。
本发明还提供一种可调资源响应潜力的评估系统，包括：
建立单元，用于基于影响可调资源响应潜力的不确定性因素，建立响应潜力评估模型；
获取单元，用于获取所述响应潜力评估模型在各时间节点的关键参数；
求解单元，用于将所述关键参数带入所述响应潜力评估模型进行求解，得到所述可调资源在各时间节点的可调容量的概率分布。
优选地，所述建立单元包括：
梳理模块，用于梳理可调资源的历史负荷数据，所述历史负荷数据包括：可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度；
分析模块，用于分析所述不确定性因素的影响下，所述响应潜力与所述激励强度的关系；
获得模块，用于基于所述响应潜力与所述激励强度的关系，对基于消费者心理学的需求响应模型进行改进，获得所述响应潜力评估模型。
优选地，所述获取单元包括：
组成模块，用于将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据；
分解模块，用于采用EMD算法分解所述用电功率时序数据，得到所述可调资源用电功率单时间序列的本征模态分量；
提取模块，用于通过自编码器对所述本征模态分量进行特征提取，将提取后的特征参数集合，形成m维用电特征参数集；
降维处理模块，用于采用主成分分析法对所述m维用电特征参数集进行降维处理，得到降维数据，并采用最小二乘拟合所述降维数据得到所述关键参数。
优选地，分解模块包括：
分解子模块，用于采用EMD算法将所述可调资源用电功率时序数据
Figure 938752DEST_PATH_IMAGE001
分解为多 个IMF分量：
Figure 661858DEST_PATH_IMAGE064
；
式中：
Figure 804126DEST_PATH_IMAGE003
表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分解 得到的第i个本征模态分量，
Figure 954485DEST_PATH_IMAGE004
表示对第k个可调资源在时间节点t下的功率时序数据使 用EMD分解得到的全部残余分量，k表示可调资源的编号，i表示本征模态分量的编号，n表示 本征模态分量的总编号，a表示残余分量的总编号，t表示时间节点；
迭代子模块，用于迭代提取第i个IMF分量直至满足迭代停止条件。
优选地，所述第i个IMF分量的一次迭代过程的计算式为：
Figure 690360DEST_PATH_IMAGE005
；
式中：当i=1时，有
Figure 951577DEST_PATH_IMAGE065
，
Figure 948352DEST_PATH_IMAGE007
表示全部残余分量中的第i个残余分量，
Figure 269611DEST_PATH_IMAGE066
表示全部残余分量中的第i-1个残余分量，
Figure 227203DEST_PATH_IMAGE009
表示对第k个可调资源在时间节 点t下的功率时序数据使用EMD分解得到的第i个本征模态分量；
所述迭代停止条件
Figure 557690DEST_PATH_IMAGE010
的计算式为：
Figure 471289DEST_PATH_IMAGE011
；
式中：
Figure 963450DEST_PATH_IMAGE012
表示对可调资源k的第j次迭代过程中的分解模态分量，
Figure 267392DEST_PATH_IMAGE067
表示 对可调资源k第j-t′次迭代过程中的分解模态分量，k表示可调资源的编号，t′表示迭代的 次数，r表示迭代的总次数，所述迭代停止条件
Figure 11357DEST_PATH_IMAGE014
表示两个连续的分解模态分量
Figure 717145DEST_PATH_IMAGE068
和
Figure 645787DEST_PATH_IMAGE069
的标准差，d表示标准差的编号。
优选地，所述提取模块包括:
给定子模块，用于给定n个可调资源，则自编码器的输入数据为Xi:
Figure 437025DEST_PATH_IMAGE070
；
式中：
Figure 984681DEST_PATH_IMAGE020
表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得 到的第i个本征模态分量，
Figure 544976DEST_PATH_IMAGE021
表示对第2个可调资源的在时间节点t下的功率时序数据 使用EMD分解得到的第i个本征模态分量，
Figure 644519DEST_PATH_IMAGE022
表示对第k′个可调资源的在时间节点t下 的功率时序数据使用EMD分解得到的第i个本征模态分量；
编码子模块，用于在编码过程中通过编码函数f将输入数据转化为隐藏层状态
Figure 657474DEST_PATH_IMAGE023
:
Figure 867876DEST_PATH_IMAGE024
；
式中：
Figure 423622DEST_PATH_IMAGE025
和
Figure 694066DEST_PATH_IMAGE071
分别为单时间节点下第i个本征分量特征提取的输入层与隐含层 之间权重矩阵和偏置向量，Xi为自编码器的输入数据；
解码子模块，用于在解码过程中通过函数g对隐藏层状态
Figure 459897DEST_PATH_IMAGE072
进行重构为解码之后 输出的数据
Figure 473989DEST_PATH_IMAGE027
:
Figure 884242DEST_PATH_IMAGE073
；
式中：
Figure 325588DEST_PATH_IMAGE029
和
Figure 578714DEST_PATH_IMAGE030
分别为第i个本征分量特征提取的隐含层与输出层之间权重矩阵和 偏置向量；
自迭代子模块，用于设置自编码器训练的目标为最小化重构误差，并通过自编码 器编码过程与解码过程的不断自迭代，最终使得编码过程输入的数据
Figure 130919DEST_PATH_IMAGE074
与解码之后输出 的数据
Figure 661257DEST_PATH_IMAGE027
相等：
Figure 7925DEST_PATH_IMAGE075
；
式中：
Figure 748348DEST_PATH_IMAGE033
为
Figure 104243DEST_PATH_IMAGE034
，
Figure 489088DEST_PATH_IMAGE035
，
Figure 272236DEST_PATH_IMAGE076
和
Figure 234376DEST_PATH_IMAGE037
的取值，
Figure 862803DEST_PATH_IMAGE038
和
Figure 492367DEST_PATH_IMAGE039
分别为单时间节点下第i个本征分 量特征提取的输入层与隐含层之间的权重矩阵和偏置向量，
Figure 321783DEST_PATH_IMAGE040
和
Figure 771219DEST_PATH_IMAGE037
分别为第i个本征分量 特征提取的隐含层与输出层之间权重矩阵和偏置向量，L为
Figure 468917DEST_PATH_IMAGE077
与
Figure 952988DEST_PATH_IMAGE078
的误差函数，
Figure 953305DEST_PATH_IMAGE043
为编码 过程输入的数据，
Figure 890037DEST_PATH_IMAGE079
为解码之后输出的数据，argmin表示使目标函数取最小值时的变量 值。
优选地，采用主成分分析法对所述m维用电特征参数集hi进行降维处理得到降维数据，并采用最小二乘拟合所述降维数据得到所述关键参数的计算式为：
Figure 860267DEST_PATH_IMAGE080
；
式中：q表示特征指标的编号，Q表示特征指标的总编号，p表示可调资源用电特征指标的主成分的编号，P表示可调资源用电特征指标的主成分的总编号，t表示时间节点b1p（t)、b2p（t)和b3p（t)分别表示时间节点t下关键参数r1、r2、r3的特征系数，Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分，aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数，hq为第q个特征指标的取值，r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
优选地，所述求解单元包括：
估计模块，用于通过响应历史数据集进行点估计，得到各时间节点下的估计值，将所述估计值视为时间节点t下考虑不确定性因素影响的随机参数r4(t)满足的正态分布参数：
Figure 198844DEST_PATH_IMAGE081
；
式中：
Figure 494696DEST_PATH_IMAGE047
表示可调资源在各时间节点的可调容量的概率分布，
Figure 794091DEST_PATH_IMAGE048
表示激励 强度，
Figure 833591DEST_PATH_IMAGE049
表示激励强度的模糊值，
Figure 26675DEST_PATH_IMAGE050
、
Figure 493428DEST_PATH_IMAGE051
、
Figure 280119DEST_PATH_IMAGE052
、
Figure 123310DEST_PATH_IMAGE053
、
Figure 170900DEST_PATH_IMAGE054
、
Figure 808555DEST_PATH_IMAGE055
、
Figure 82541DEST_PATH_IMAGE056
和
Figure 198265DEST_PATH_IMAGE057
分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、 均值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值，
Figure 365941DEST_PATH_IMAGE058
为均值 估计值，
Figure 174497DEST_PATH_IMAGE059
为标准差模糊值，
Figure 60413DEST_PATH_IMAGE082
为均值的偏差，
Figure 737686DEST_PATH_IMAGE061
为标准差的偏差，
Figure 635235DEST_PATH_IMAGE062
表示时 间节点t下的激励强度，
Figure 880272DEST_PATH_IMAGE063
表示时间节点t下的激励强度模糊值，r1(t)、r2(t)和r3(t)分 别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数；
滚动分析模块，用于通过对可调资源各个时间节点的时序数据进行滚动分析，得到可调在不同时间节点的可调容量的概率分布。
本发明的有益效果：本发明提出了一种考虑不确定因素的单集群聚合响应潜力评估方法，该方法考虑不同时间节点可调资源用电特征差异，能够在多时间节点上对可调资源响应潜力进行评估，从而得到可调资源集群不同时间节点响应潜力的概率分布。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1为本发明一种可调资源响应潜力的评估方法的流程示意图；
图2为本发明在不确定性因素影响下可调资源响应与激励强度关系图；
图3为本发明提取第i个IMF的迭代过程示意图；
图4为本发明SAE网络结构与可调资源数据训练示意图；
图5为本发明可调资源多时间节点潜力评估数据输入与输出示意图；
图6为本发明可调资源多时间节点可调容量评估流程示意图；
图7为本发明具体应用实例的现货市场实时购电价格图；
图8为本发明具体应用实例的集群在各时间节点下的模型参数图；
图9为本发明具体应用实例的集群在各时间节点下响应潜力分析结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一种可调资源响应潜力的评估方法的流程示意图，如图1所示，本发明提供了一种可调资源响应潜力的评估方法，包括步骤：
S1基于影响可调资源响应潜力的不确定性因素，建立响应潜力评估模型；
S2获取所述响应潜力评估模型在各时间节点的关键参数；
S3将所述关键参数带入所述响应潜力评估模型进行求解，得到所述可调资源在各时间节点的可调容量的概率分布。
具体地，所述S1基于影响可调资源响应潜力的不确定性因素，建立响应潜力评估模型包括步骤：
S1.1梳理可调资源的历史负荷数据，所述历史负荷数据包括：可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度；
S1.2分析所述不确定性因素的影响下，所述响应潜力与所述激励强度的关系；
S1.3基于所述响应潜力与所述激励强度的关系，对基于消费者心理学的需求响应模型进行改进，获得所述响应潜力评估模型。
本实施例以基于消费者心理学的需求响应模型为基础 ，进一步考虑可调资源参与响应的不确定性，提出面向不同类型单集群可调资源的日前可调潜力评估方法。不同行业可调资源由于其自身产生效益及需求的不同，用户的响应程度也根据电价或激励的变化各不相同。根据用户以最小用电成本的心理倾向，不同可调资源参与需求响应也满足一定的规律。尤其是针对集群可调资源，该规律更加明显。
图2为本发明在不确定性因素影响下可调资源响应与激励强度关系图；如图2所示，不考虑响应不确定性因素影响时，该模型将用户参与需求响应的响应率与激励强度的关系描述为一个分段线性函数。图2中A为激励强度的死区拐点，激励强度低于A点时，用户对激励没有响应，即在该激励价格下可调资源没有响应潜力。B为激励强度的饱和区拐点，激励强度大于B点时，用户对激励的增加不再反应，主要是因为用户可调资源的总功率是有限的，当用户响应达到自身调节最大限值时，即使提高激励价格也无法再提高响应率。A点和B点之间为线性区，在该范围内用户的响应率随着激励的增加而增加。随着激励强度的增大，用户响应行为会经历由死区到线性区再到饱和区的变化。
考虑到对可调资源响应潜力评估时各种不确定因素的影响，线性区通常认为由图2中线条一和线条二围成的区域表示，即在线性区的某一个激励强度下，用户响应率不是唯一的一个点位，而是在一个可能的区域内变化。取线性区的用户响应率上边界曲线时，得到的响应潜力为该激励下的响应上限，取下边界曲线时，得到的响应潜力为该激励下的响应下限，最终用户在该激励下的响应潜力可认为是由两条曲线的中间部分来表示。
忽略可调资源在死区和饱和区响应的随机性，所以本实施例主要针对线性区的相关参数建模求解，具体包括死区拐点r1（激励强度最低值）、饱和区拐点r2（激励强度最大值）及其纵坐标r3（用户响应率）。由于考虑到不确定性因素的影响，因此无法使用线性函数来对线性区建模考虑，本实施例将线性区响应曲线用二次函数表示：
Figure 722326DEST_PATH_IMAGE083
；（1）
式中：a、b为二次模型的相关参数，r4为考虑不确定性影响的随机参数；
Figure 445431DEST_PATH_IMAGE084
为用户 响应率；
Figure 587699DEST_PATH_IMAGE085
为激励强度。若已知某用户参与响应的模型关键参数，即拐点(r1，0)和(r2，r3) 已知，则用户响应负荷率可由下式得到：
Figure 613424DEST_PATH_IMAGE086
；（2）
式中：
Figure 942774DEST_PATH_IMAGE084
为用户响应率；
Figure 469571DEST_PATH_IMAGE085
为激励强度，r1、r2和r3分别为第一确定性关键参数、 第二确定性关键参数和第三确定性关键参数，r4为考虑不确定性影响的随机参数，通过r4的 随机性变化可以刻画可调资源参与响应过程的随机特征。本实施例认为用户的确定性参数 r1、r2、r3具有个体间的差异性，而随机参数r4对同种类可调资源响应潜力的影响具有相似 性。本实施例在用户聚类分析的基础上，对具有用电行为相似性的一类可调资源分析其随 机参数r4对可调资源响应潜力的影响。
具体地，所述S2获取所述响应潜力评估模型在各时间节点的关键参数包括：
S2.1将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据；
本实施例中，采集系统在特定时间节点每日采集的用电功率组成可调资源用电功 率时序数据
Figure 466345DEST_PATH_IMAGE087
。可调资源用电功率时序数据由采集系统在特定时间节点每日采集的用电 功率组成，将采集到的每日用电功率
Figure 787605DEST_PATH_IMAGE087
数据进行单时间节点切分得到用电功率时序数据
Figure 745197DEST_PATH_IMAGE088
，其中k为可调资源编号，t表示时间节点。为描述方便，下面仅考虑单时间节点下对功 率时间序列
Figure 810105DEST_PATH_IMAGE088
进行特征分析，并提取出可调资源在该时间节点下的用电特征，
Figure 926966DEST_PATH_IMAGE088
的 维度取决于采集的样本数据天数。
S2.2将获得的用电功率时序数据
Figure 419127DEST_PATH_IMAGE088
采用EMD算法分解获得可调资源用电功率 单时间序列的本征模态分量
Figure 864015DEST_PATH_IMAGE003
和
Figure 467034DEST_PATH_IMAGE089
；
步骤S2.2具体包括：
S2.21采用EMD算法将所述可调资源用电功率时序数据
Figure 438401DEST_PATH_IMAGE088
分解为多个IMF分量；
S2.22迭代提取第i个IMF分量直至满足迭代停止条件；
本实施例中，将获得的用电功率时序数据
Figure 101464DEST_PATH_IMAGE088
采用EMD(empirical mode decomposition, 经验模态分解）算法分解获得可调资源用电功率单时间序列的本征模态 分量
Figure 33648DEST_PATH_IMAGE003
和
Figure 440358DEST_PATH_IMAGE089
。EMD是一种非平稳信号分析算法，该算法基于两种假设：①信号由不同的 IMF(Intrinsic Mode Fuction,本征模态分量 )组合而成；②IMF同时具备线性和非线性特 点。从而可以使用EMD算法将用电功率时序数据
Figure 266232DEST_PATH_IMAGE088
分解为一系列IMF分量，可以用如下计 算式表示：
Figure 365775DEST_PATH_IMAGE090
；（3）
式中：
Figure 519676DEST_PATH_IMAGE003
表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分解 得到的第i个本征模态分量，
Figure 730077DEST_PATH_IMAGE004
表示对第k个可调资源在时间节点t下的功率时序数据使 用EMD分解得到的全部残余分量，k表示可调资源的编号，i表示本征模态分量的编号，n表示 本征模态分量的总编号，a表示残余分量的总编号，t表示时间节点
提取第i个IMF的迭代过程可以如图3所示（图3为本发明提取第i个IMF的迭代过程 示意图）。EMD对时序数据分解是通过对局部极大、极小值用三次样条曲线连接起来形成上 下包络线，并取其均值
Figure 784359DEST_PATH_IMAGE091
，接着从初始序列
Figure 54803DEST_PATH_IMAGE088
中减去这些包络线的平均值得到剩余序 列
Figure 696000DEST_PATH_IMAGE092
，有：
Figure 444513DEST_PATH_IMAGE093
；（4）
式中：当i=1时，有
Figure 244979DEST_PATH_IMAGE094
，
Figure 686324DEST_PATH_IMAGE007
表示全部残余分量中的第i个残余分量，
Figure 814817DEST_PATH_IMAGE095
表示全部残余分量中的第i-1个残余分量，
Figure 367022DEST_PATH_IMAGE009
表示对第k个可调资源在时间节 点t下的功率时序数据使用EMD分解得到的第i个本征模态分量。
以上步骤是IMF求取的一次迭代过程，针对剩余序列
Figure 756415DEST_PATH_IMAGE007
局部的极大值与极小值继 续形成上下包络线均值
Figure 103082DEST_PATH_IMAGE096
，并将该剩余序列在迭代过程中表示为分解模态分量
Figure 843505DEST_PATH_IMAGE097
，然后用分解模态分量
Figure 74766DEST_PATH_IMAGE098
减去包络线均值
Figure 584245DEST_PATH_IMAGE099
，得到下一次迭代过程中的 分解模态分量
Figure 101814DEST_PATH_IMAGE100
，重复上述过程，直到满足某个给定的停止标准，通常使用
Figure 329533DEST_PATH_IMAGE100
两个连 续的分解结果之间的标准差
Figure 98906DEST_PATH_IMAGE101
指标作为迭代停止条件，该指标根据如下公式计算得到：
Figure 728471DEST_PATH_IMAGE011
；（5）
式中：
Figure 416941DEST_PATH_IMAGE012
表示对可调资源k的第j次迭代过程中的分解模态分量，
Figure 131956DEST_PATH_IMAGE013
表示 对可调资源k第j-t′次迭代过程中的分解模态分量，k表示可调资源的编号，t′表示迭代的 次数，r表示迭代的总次数，所述迭代停止条件
Figure 705020DEST_PATH_IMAGE014
表示两个连续的分解模态分量
Figure 923511DEST_PATH_IMAGE102
和
Figure 48462DEST_PATH_IMAGE016
的标准差，d表示标准差的编号。
从而获得第i个IMF和剩余序列
Figure 985194DEST_PATH_IMAGE103
。继续对剩余序列
Figure 361949DEST_PATH_IMAGE103
（全部残余分量中的第i 个残余分量）提取第i+1个IMF，直到剩余序列（对第k个可调资源的在时间节点t下的功率时 序数据使用EMD分解得到的全部残余分量）
Figure 700526DEST_PATH_IMAGE104
无法再分解。
S2.3通过自编码器对所述本征模态分量进行特征提取，将提取后的特征参数集合，形成m维用电特征参数集hi；
S2.4采用主成分分析法对所述m维用电特征参数集hi进行降维处理，得到降维数据，并采用最小二乘拟合所述降维数据得到所述关键参数（第一确定性关键参数r1、第二确定性关键参数r2、第三确定性关键参数r3和考虑不确定性影响的随机参数r4）。
本实施例中，将得到的可调资源用电功率时序数据各本征分量
Figure 996379DEST_PATH_IMAGE105
和
Figure 420407DEST_PATH_IMAGE106
通过 自编码器进行特征提取，并将提取后的特征参数作为各分量下的用电特征参数集hi。具体 方法如下：
采用SAE对可调资源用电功率进行特征提取，SAE是由自编码器（Autoencoder,AE）栈式堆叠构成的一种深层神经网络，通过引入多个隐含层从而能够学习原始数据多种内在联系，主要适用于特征提取、数据分类等任务。图4为一个具有N个隐含层的SAE网络结构，如图4所示，SAE网络由对称的编码器与解码器组成，通过编码器与解码器的互相学习迭代完成网络训练。
给定含n个可调资源的集群，SAE网络的输入为：
Figure 194328DEST_PATH_IMAGE107
；
其中：
Figure 262778DEST_PATH_IMAGE108
表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得 到的第i个本征模态分量，
Figure 729531DEST_PATH_IMAGE021
表示对第2个可调资源的在时间节点t下的功率时序数据 使用EMD分解得到的第i个本征模态分量，
Figure 640855DEST_PATH_IMAGE022
表示对第k′个可调资源的在时间节点t下 的功率时序数据使用EMD分解得到的第i个本征模态分量；
则编码过程就是通过编码函数将输入转化为隐藏层状态
Figure 218467DEST_PATH_IMAGE023
：
Figure 407003DEST_PATH_IMAGE109
；（6）
式中：
Figure 44658DEST_PATH_IMAGE025
和
Figure 177699DEST_PATH_IMAGE110
分别为单时间节点下第i个本征分量特征提取的输入层与隐含层 之间权重矩阵和偏置向量，Xi为自编码器的输入数据；
解码过程为通过函数g对隐藏层状态hi进行重构为解码之后输出的数据
Figure 824581DEST_PATH_IMAGE027
:
Figure 726678DEST_PATH_IMAGE111
；（7）
其中
Figure 410600DEST_PATH_IMAGE029
和
Figure 30937DEST_PATH_IMAGE030
分别表示第i个本征分量特征提取的隐含层与输出层之间权重矩阵 和偏置向量。
设置网络训练的目标为最小化重构误差，并通过网络编码过程与解码过程的不断 自迭代，最终使得编码过程输入的数据
Figure 215931DEST_PATH_IMAGE074
与解码之后输出的
Figure 238114DEST_PATH_IMAGE027
尽可能相等，该过程可表示 为：
Figure 92937DEST_PATH_IMAGE112
；（8）
式中：
Figure 466150DEST_PATH_IMAGE033
为
Figure 189255DEST_PATH_IMAGE034
，
Figure 800365DEST_PATH_IMAGE035
，
Figure 216303DEST_PATH_IMAGE113
和
Figure 686598DEST_PATH_IMAGE037
的取值，
Figure 213395DEST_PATH_IMAGE114
和
Figure 210169DEST_PATH_IMAGE039
分别为单时间节点下第i个本征分 量特征提取的输入层与隐含层之间的权重矩阵和偏置向量，
Figure 672375DEST_PATH_IMAGE040
和
Figure 754600DEST_PATH_IMAGE037
分别为第i个本征分量 特征提取的隐含层与输出层之间权重矩阵和偏置向量，L为
Figure 577367DEST_PATH_IMAGE077
与
Figure 428648DEST_PATH_IMAGE078
的误差函数，
Figure 186388DEST_PATH_IMAGE043
为编码 过程输入的数据，
Figure 365697DEST_PATH_IMAGE079
为解码之后输出的数据，argmin表示使目标函数取最小值时的变量 值。
通过网络训练使得重构误差足够小时，认为隐含层状态
Figure 234296DEST_PATH_IMAGE115
包含了原始数据的全部 特征信息，从而该隐含层状态
Figure 205663DEST_PATH_IMAGE115
即为提取出的特征。在SAE中，该隐藏层往往具有多层，从而 能够提取出原始数据更多维度的特征。迭代过程中，将上一个隐藏层的输出作为下一个隐 藏层的输入进一步提取特征，最后一个隐藏层和输出层进行数据重构，从而完成多隐藏层 的迭代训练过程。网络训练完成后，可以将编码器与解码器组合在一起作为可调资源时序 分量特征提取器，对多个IMF分量进行特征提取可以得到可调资源用电功率时序数据的所 有特征量。将一天24小时按照15min间隔划分为96个时间节点，各时间节点下集群可调资源 潜力评估输入与输出如图5所示（图5中xn，T表示第n个可调资源集群在日期T的用电功率时 序数据，dn，D表示第n个可调资源在时间节点D下的历史响应数据），输入数据为集群在各个 时间节点下不同日期用电功率的时序数据，输出为n个可调资源在各时间节点下的历史响 应数据，包含历史降负荷率
Figure 9671DEST_PATH_IMAGE116
和参与响应的激励价格
Figure 800909DEST_PATH_IMAGE117
，即有
Figure 207620DEST_PATH_IMAGE118
。输入数据先 通过EMD方法进行分解，然后将分解后的各IMF分量作为SAE网络的输入，提取集群各可调资 源的用电特征。输出数据一方面作为全连接层的输出参与神经网络的训练，另一方面作为 计算分布鲁棒不确定性参数的输入数据。
通过上述特征提取方法得到m维的特征集hi，在此基础上对该集群使用主成分分析法对特征集降维处理，并采用最小二乘拟合挖掘用户可调潜力模型关键参数（第一确定性关键参数r1、第二确定性关键参数r2、第三确定性关键参数r3和考虑不确定性影响的随机参数r4）。具体步骤为对该集群使用主成分分析法对特征集降维处理，并采用最小二乘拟合挖掘用户可调潜力模型关键参数，最终得到如下关系式：
Figure 33493DEST_PATH_IMAGE119
；（9）
式中：q表示特征指标的编号，Q表示特征指标的总编号，p表示可调资源用电特征指标的主成分的编号，P表示可调资源用电特征指标的主成分的总编号，t表示时间节点b1p（t)、b2p（t)和b3p（t)分别表示时间节点t下关键参数r1、r2、r3的特征系数，Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分，aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数，hq为第q个特征指标的取值，r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
将获得的可调资源在日内各时间节点关键参数带入可调潜力模型进行求解，进而得到可调资源在多时间节点的可调容量的概率分布。具体步骤为：通过对响应历史数据集进行点估计得到各时间节点下的估计值，将该估计值视为r4(t)满足的正态分布参数。
Figure 867457DEST_PATH_IMAGE120
；（10）
式中：
Figure 286937DEST_PATH_IMAGE047
表示可调资源在各时间节点的可调容量的概率分布，
Figure 887552DEST_PATH_IMAGE048
表示激励 强度，
Figure 567932DEST_PATH_IMAGE049
表示激励强度的模糊值，
Figure 713742DEST_PATH_IMAGE050
、
Figure 479573DEST_PATH_IMAGE051
、
Figure 228086DEST_PATH_IMAGE052
、
Figure 28552DEST_PATH_IMAGE053
、
Figure 79685DEST_PATH_IMAGE054
、
Figure 332811DEST_PATH_IMAGE055
、
Figure 885015DEST_PATH_IMAGE056
和
Figure 539988DEST_PATH_IMAGE057
分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、 均值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值，
Figure 27601DEST_PATH_IMAGE058
为均值 估计值，
Figure 768024DEST_PATH_IMAGE059
为标准差模糊值，
Figure 858340DEST_PATH_IMAGE060
为均值的偏差，
Figure 367818DEST_PATH_IMAGE061
为标准差的偏差，
Figure 26333DEST_PATH_IMAGE062
表示时 间节点t下的激励强度，
Figure 254052DEST_PATH_IMAGE063
表示时间节点t下的激励强度模糊值，r1(t)、r2(t)和r3(t)分 别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
进一步通过对可调资源各个时间节点的时序数据进行滚动分析，得到该集群在不同时间的可调容量潜力的概率分布。图6为本发明可调资源多时间节点可调容量评估流程示意图，如图6所示，通过采用本方法逐个对日内各时间节点进行分析，进而得到可调资源在多时间节点的可调容量的概率分布。
实施例1
实施例1所用数据为某市2019年5月10日至2020年2月25日含500个可调资源的集 群的用电负荷数据，数据的采集频率为15min/点。由于难以获得15min/点的气温数据，本实 施例采用日最高气温与日最低气温 来分析温度对可调资源各时序分量用电特征的影响。 为了分析节假日、气象数据等非参数化数据对可调资源用电时序各分量的影响，使用布尔 变量对非参数化影响因素进行参数化处理。由于当前缺少可调资源在各个时间节点的历史 响应数据，本实施例采用表1所示的不同类型可调资源在各个时间节点价格弹性系数
Figure 148058DEST_PATH_IMAGE121
仿真数据，500个可调资源在各个时间节点的响应降负荷数据设置为满足
Figure 246464DEST_PATH_IMAGE122
的正 态分布，其中
Figure 200514DEST_PATH_IMAGE123
取0.1
Figure 56475DEST_PATH_IMAGE124
。可调资源的响应激励电价设置为如图7所示的现货市场实时 购电价格，可调资源在各时间节点参与响应的降负荷率可根据价格弹性系数与实时购电价 格计算得到。
表1可调资源价格弹性系数仿真数据
Figure 488593DEST_PATH_IMAGE125
在对用电时序IMF分量进行特征提取时，最终设定SAE的超参数为：SAE编码、解码层各4层，即进行4次自编码过程，最终将可调资源功率时序数据降维至20个深层特征参数，进一步可根据该特征参数求取各时间节点的模型参数。
通过SAE对集群I提取的各IMF分量进行网络训练并提取特征，然后通过最小二乘 法对集群进行拟合求取消费者心理学模型各参数。各时间节点下的参数求取结果如图8所 示（图8中，
Figure 707085DEST_PATH_IMAGE126
和
Figure 832035DEST_PATH_IMAGE127
分别为均值基准值和标准差基准值，r1、r2和r3分别为第一确定性关 键参数、第二确定性关键参数和第三确定性关键参数），可知可调资源在各时间节点下模型 参数都有所变化。其中r1参数物理含义为用户参与响应的初始激励价格，由各时间节点下 的求取结果可知，在夜间与凌晨可调资源用电需求并不急迫，因此初始激励价格较低，但白 天可调资源因生产或用户自身意愿等原因，部分资源参与响应意愿较低，因此初始激励价 格较高。并且由r2参数也能看出，可调资源白天达到最大降负荷率的激励价格也比夜间较 高，即可调资源白天因为参与响应需要牺牲更多的舒适度或，因此需要更高的激励才能达 到更高的降负荷率。并且在白天即使给予较高的激励，可调资源参与响应的降负荷率也比 夜间有所下降。
以上分析反映了当前进行需求响应促进削峰填谷时普遍存在的问题，即白天用电压力较大时，可调资源管理者（调度中心，虚拟电厂等）参与响应时，响应代价较高且降负荷效果难以达到理想情况，本文所提的针对多时间节点可调资源潜力评估方法能够针对各时间节点下可调资源响应特性进行分析，为后续可调资源管理者参与响应业务的政策制定提供一定的支撑。
进一步将求取的可调资源消费者心理学模型各参数代入公式4-10，并将90%置信度下的降负荷率作为可调资源响应潜力的概率区间，从而可以得到图9所示集群I在各时间节点下响应潜力的分析结果。由图9中的(a)所示潜力评估结果可知，在高峰用电时段内，可调资源由于自身用电需求等因素的影响其响应降负荷率较低，即使提高响应激励价格其最大降负荷率也较为有限。但在夜间等非高峰时段时，可调资源必要用电需求下降，此时提高响应激励价格能明显提高其响应潜力。由图9中的(b)所示为选取的第29个时间节点下可调资源响应降负荷率评估结果，当响应激励价格达到0.31¥/kWh这一起始响应激励时，可调资源才开始参与响应，随着激励价格的提升可调资源降负荷率也逐渐提高，但当激励价格达到1¥/kWh时，再增加激励价格降负荷率不再增加，可调资源内部存在部分必要用电设施无法参与响应。在激励价格处于0.31~1¥/kWh之间时，在特定激励下可调资源在90%置信度下的降负荷率分布如图中阴影部分所示。该潜力评估结果表明本文所提方法能够分析不同时间节点下可调资源响应特征的差异性，进一步为可调资源管理者参与响应业务的激励价格制定提供支撑。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (16)

1.一种可调资源响应潜力的评估方法，其特征在于，包括：
基于影响可调资源响应潜力的不确定性因素，建立响应潜力评估模型；
获取所述响应潜力评估模型在各时间节点的关键参数；
将所述关键参数带入所述响应潜力评估模型进行求解，得到所述可调资源在各时间节点的可调容量的概率分布。
2.根据权利要求1所述的可调资源响应潜力的评估方法，其特征在于，所述的基于影响可调资源响应潜力的不确定性因素，建立响应潜力评估模型包括：
梳理可调资源的历史负荷数据，所述历史负荷数据包括：可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度；
分析所述不确定性因素的影响下，所述响应潜力与所述激励强度的关系；
基于所述响应潜力与所述激励强度的关系，对基于消费者心理学的需求响应模型进行改进，获得所述响应潜力评估模型。
3.根据权利要求1所述的可调资源响应潜力的评估方法，其特征在于，所述的获取所述响应潜力评估模型在各时间节点的关键参数包括：
将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据；
采用EMD算法分解所述用电功率时序数据，得到所述可调资源用电功率单时间序列的本征模态分量；
通过自编码器对所述本征模态分量进行特征提取，将提取后的特征参数集合，形成m维用电特征参数集；
采用主成分分析法对所述m维用电特征参数集进行降维处理，得到降维数据，并采用最小二乘拟合所述降维数据得到所述关键参数。
4.根据权利要求3所述的可调资源响应潜力的评估方法，其特征在于，所述的采用EMD算法分解所述可调资源用电功率时序数据，得到所述可调资源用电功率单时间序列的本征模态分量包括：
采用EMD算法将所述可调资源用电功率时序数据
Figure 80944DEST_PATH_IMAGE001
分解为多个IMF分量：
Figure 732505DEST_PATH_IMAGE002
；
式中：
Figure 308980DEST_PATH_IMAGE003
表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分解得到的 第i个本征模态分量，
Figure 563244DEST_PATH_IMAGE004
表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分 解得到的全部残余分量，k表示可调资源的编号，i表示本征模态分量的编号，n表示本征模 态分量的总编号，a表示残余分量的总编号，t表示时间节点；
迭代提取第i个IMF分量直至满足迭代停止条件。
5.根据权利要求4所述的可调资源响应潜力的评估方法，其特征在于，所述迭代提取第i个IMF分量直至满足迭代停止条件包括：
所述第i个IMF分量的一次迭代过程的计算式为：
Figure 439933DEST_PATH_IMAGE005
；
式中：当i=1时，有
Figure 59133DEST_PATH_IMAGE006
，
Figure 60587DEST_PATH_IMAGE007
表示全部残余分量中的第i个残余分量，
Figure 56225DEST_PATH_IMAGE008
表 示全部残余分量中的第i-1个残余分量，
Figure 584159DEST_PATH_IMAGE009
表示对第k个可调资源在时间节点t下的 功率时序数据使用EMD分解得到的第i个本征模态分量；
所述迭代停止条件
Figure 374260DEST_PATH_IMAGE010
的计算式为：
Figure 863010DEST_PATH_IMAGE011
；
式中：
Figure 459077DEST_PATH_IMAGE012
表示对可调资源k的第j次迭代过程中的分解模态分量，
Figure 44779DEST_PATH_IMAGE013
表示对可 调资源k第j-t′次迭代过程中的分解模态分量，k表示可调资源的编号，t′表示迭代的次数， r表示迭代的总次数，所述迭代停止条件
Figure 333678DEST_PATH_IMAGE014
表示两个连续的分解模态分量
Figure 372041DEST_PATH_IMAGE015
和
Figure 381585DEST_PATH_IMAGE016
的标准差，d表示标准差的编号。
6.根据权利要求3所述的可调资源响应潜力的评估方法，其特征在于，所述的通过自编 码器对所述本征模态分量
Figure 87373DEST_PATH_IMAGE017
和
Figure 219277DEST_PATH_IMAGE018
进行特征提取，将提取后的特征参数集合，形成m 维用电特征参数集hi包括:
给定n个可调资源，则自编码器的输入数据为Xi:
Figure 807253DEST_PATH_IMAGE019
；
式中：
Figure 682805DEST_PATH_IMAGE020
表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得到的 第i个本征模态分量，
Figure 243100DEST_PATH_IMAGE021
表示对第2个可调资源的在时间节点t下的功率时序数据使用 EMD分解得到的第i个本征模态分量，
Figure 749167DEST_PATH_IMAGE022
表示对第k′个可调资源的在时间节点t下的功 率时序数据使用EMD分解得到的第i个本征模态分量；
编码过程为通过编码函数f将输入数据转化为隐藏层状态
Figure 293281DEST_PATH_IMAGE023
:
Figure 238103DEST_PATH_IMAGE024
；
式中：
Figure 387325DEST_PATH_IMAGE025
和
Figure 64294DEST_PATH_IMAGE026
分别为单时间节点下第i个本征分量特征提取的输入层与隐含层之间 权重矩阵和偏置向量，Xi为自编码器的输入数据；
解码过程为通过函数g对隐藏层状态hi进行重构为解码之后输出的数据
Figure 298966DEST_PATH_IMAGE027
:
Figure 578638DEST_PATH_IMAGE028
；
式中：
Figure 847945DEST_PATH_IMAGE029
和
Figure 695815DEST_PATH_IMAGE030
分别为第i个本征分量特征提取的隐含层与输出层之间权重矩阵和偏置 向量；
设置自编码器训练的目标为最小化重构误差，并通过自编码器编码过程与解码过程的 不断自迭代，最终使得编码过程输入的数据
Figure 441221DEST_PATH_IMAGE031
与解码之后输出的数据
Figure 524584DEST_PATH_IMAGE027
相等：
Figure 382818DEST_PATH_IMAGE032
；
式中：
Figure 401590DEST_PATH_IMAGE033
为
Figure 610854DEST_PATH_IMAGE034
，
Figure 497908DEST_PATH_IMAGE035
，
Figure 476228DEST_PATH_IMAGE036
和
Figure 400322DEST_PATH_IMAGE037
的取值，
Figure 96882DEST_PATH_IMAGE038
和
Figure 522048DEST_PATH_IMAGE039
分别为单时间节点下第i个本征分量特 征提取的输入层与隐含层之间的权重矩阵和偏置向量，
Figure 886033DEST_PATH_IMAGE040
和
Figure 43345DEST_PATH_IMAGE037
分别为第i个本征分量特征 提取的隐含层与输出层之间权重矩阵和偏置向量，L为
Figure 164884DEST_PATH_IMAGE041
与
Figure 331424DEST_PATH_IMAGE042
的误差函数，
Figure 81074DEST_PATH_IMAGE043
为编码过程 输入的数据，
Figure 674866DEST_PATH_IMAGE044
为解码之后输出的数据，argmin表示使目标函数取最小值时的变量值。
7.根据权利要求3所述的可调资源响应潜力的评估方法，其特征在于，所述的采用主成分分析法对所述m维用电特征参数集hi进行降维处理得到降维数据，并采用最小二乘拟合所述降维数据得到所述关键参数的计算式为：
Figure 18123DEST_PATH_IMAGE045
；
式中：q表示特征指标的编号，Q表示特征指标的总编号，p表示可调资源用电特征指标的主成分的编号，P表示可调资源用电特征指标的主成分的总编号，t表示时间节点b1p（t)、b2p（t)和b3p（t)分别表示时间节点t下关键参数r1、r2、r3的特征系数，Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分，aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数，hq为第q个特征指标的取值，r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
8.根据权利要求1所述的可调资源响应潜力的评估方法，其特征在于，所述的将所述关键参数带入所述响应潜力评估模型进行求解，得到所述可调资源在各时间节点的可调容量的概率分布包括：
通过响应历史数据集进行点估计，得到各时间节点下的估计值，将所述估计值视为时间节点t下考虑不确定性因素影响的随机参数r4(t)满足的正态分布参数：
Figure 988353DEST_PATH_IMAGE046
；
式中：
Figure 858089DEST_PATH_IMAGE047
表示可调资源在各时间节点的可调容量的概率分布，
Figure 622782DEST_PATH_IMAGE048
表示激励强度，
Figure 453335DEST_PATH_IMAGE049
表示激励强度的模糊值，
Figure 961677DEST_PATH_IMAGE050
、
Figure 685919DEST_PATH_IMAGE051
、
Figure 887093DEST_PATH_IMAGE052
、
Figure 267259DEST_PATH_IMAGE053
、
Figure 251396DEST_PATH_IMAGE054
、
Figure 33407DEST_PATH_IMAGE055
、
Figure 202220DEST_PATH_IMAGE056
和
Figure 69682DEST_PATH_IMAGE057
分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、均 值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值，
Figure 185405DEST_PATH_IMAGE058
为均值估 计值，
Figure 759606DEST_PATH_IMAGE059
为标准差模糊值，
Figure 37004DEST_PATH_IMAGE060
为均值的偏差，
Figure 188500DEST_PATH_IMAGE061
为标准差的偏差，
Figure 842335DEST_PATH_IMAGE062
表示时间 节点t下的激励强度，
Figure 271042DEST_PATH_IMAGE063
表示时间节点t下的激励强度模糊值，r1(t)、r2(t)和r3(t)分别 为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数；
通过对可调资源各个时间节点的时序数据进行滚动分析，得到可调资源在不同时间节点的可调容量的概率分布。
9.一种可调资源响应潜力的评估系统，其特征在于，包括：
建立单元，用于基于影响可调资源响应潜力的不确定性因素，建立响应潜力评估模型；
获取单元，用于获取所述响应潜力评估模型在各时间节点的关键参数；
求解单元，用于将所述关键参数带入所述响应潜力评估模型进行求解，得到所述可调资源在各时间节点的可调容量的概率分布。
10.根据权利要求9所述的可调资源响应潜力的评估系统，其特征在于，所述建立单元包括：
梳理模块，用于梳理可调资源的历史负荷数据，所述历史负荷数据包括：可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度；
分析模块，用于分析所述不确定性因素的影响下，所述响应潜力与所述激励强度的关系；
获得模块，用于基于所述响应潜力与所述激励强度的关系，对基于消费者心理学的需求响应模型进行改进，获得所述响应潜力评估模型。
11.根据权利要求9所述的可调资源响应潜力的评估系统，其特征在于，所述获取单元包括：
组成模块，用于将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据；
分解模块，用于采用EMD算法分解所述用电功率时序数据，得到所述可调资源用电功率单时间序列的本征模态分量；
提取模块，用于通过自编码器对所述本征模态分量进行特征提取，将提取后的特征参数集合，形成m维用电特征参数集；
降维处理模块，用于采用主成分分析法对所述m维用电特征参数集进行降维处理，得到降维数据，并采用最小二乘拟合所述降维数据得到所述关键参数。
12.根据权利要求11所述的可调资源响应潜力的评估系统，其特征在于，所述分解模块包括：
分解子模块，用于采用EMD算法将所述可调资源用电功率时序数据
Figure 719341DEST_PATH_IMAGE001
分解为多个 IMF分量：
Figure 623712DEST_PATH_IMAGE064
；
式中：
Figure 815659DEST_PATH_IMAGE003
表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分解得到的 第i个本征模态分量，
Figure 426769DEST_PATH_IMAGE065
表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分 解得到的全部残余分量，k表示可调资源的编号，i表示本征模态分量的编号，n表示本征模 态分量的总编号，a表示残余分量的总编号，t表示时间节点；
迭代子模块，用于迭代提取第i个IMF分量直至满足迭代停止条件。
13.根据权利要求12所述的可调资源响应潜力的评估系统，其特征在于：
所述第i个IMF分量的一次迭代过程的计算式为：
Figure 249231DEST_PATH_IMAGE005
；
式中：当i=1时，有
Figure 313002DEST_PATH_IMAGE066
，
Figure 370957DEST_PATH_IMAGE007
表示全部残余分量中的第i个残余分量，
Figure 570994DEST_PATH_IMAGE067
表示 全部残余分量中的第i-1个残余分量，
Figure 564358DEST_PATH_IMAGE009
表示对第k个可调资源在时间节点t下的功 率时序数据使用EMD分解得到的第i个本征模态分量；
所述迭代停止条件
Figure 115425DEST_PATH_IMAGE010
的计算式为：
Figure 914754DEST_PATH_IMAGE011
；
式中：
Figure 297193DEST_PATH_IMAGE012
表示对可调资源k的第j次迭代过程中的分解模态分量，
Figure 523775DEST_PATH_IMAGE068
表示对可 调资源k第j-t′次迭代过程中的分解模态分量，k表示可调资源的编号，t′表示迭代的次数， r表示迭代的总次数，所述迭代停止条件
Figure 234242DEST_PATH_IMAGE014
表示两个连续的分解模态分量
Figure 571683DEST_PATH_IMAGE015
和
Figure 808629DEST_PATH_IMAGE016
的标准差，d表示标准差的编号。
14.根据权利要求11所述的可调资源响应潜力的评估系统，其特征在于，所述提取模块包括:
给定子模块，用于给定n个可调资源，则自编码器的输入数据为Xi:
Figure 878216DEST_PATH_IMAGE069
；
式中：
Figure 669455DEST_PATH_IMAGE070
表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得到的 第i个本征模态分量，
Figure 545007DEST_PATH_IMAGE021
表示对第2个可调资源的在时间节点t下的功率时序数据使用 EMD分解得到的第i个本征模态分量，
Figure 902039DEST_PATH_IMAGE071
表示对第k′个可调资源的在时间节点t下的功 率时序数据使用EMD分解得到的第i个本征模态分量；
编码子模块，用于在编码过程中通过编码函数f将输入数据转化为隐藏层状态
Figure 204844DEST_PATH_IMAGE023
:
Figure 155483DEST_PATH_IMAGE072
；
式中：
Figure 834726DEST_PATH_IMAGE025
和
Figure 46264DEST_PATH_IMAGE073
分别为单时间节点下第i个本征分量特征提取的输入层与隐含层之间 权重矩阵和偏置向量，Xi为自编码器的输入数据；
解码子模块，用于在解码过程中通过函数g对隐藏层状态
Figure 785550DEST_PATH_IMAGE074
进行重构为解码之后输出 的数据
Figure 957906DEST_PATH_IMAGE027
:
Figure 175260DEST_PATH_IMAGE075
；
式中：
Figure 506885DEST_PATH_IMAGE029
和
Figure 151492DEST_PATH_IMAGE030
分别为第i个本征分量特征提取的隐含层与输出层之间权重矩阵和偏置 向量；
自迭代子模块，用于设置自编码器训练的目标为最小化重构误差，并通过自编码器编 码过程与解码过程的不断自迭代，最终使得编码过程输入的数据
Figure 139040DEST_PATH_IMAGE076
与解码之后输出的数 据
Figure 97769DEST_PATH_IMAGE027
相等：
Figure 221583DEST_PATH_IMAGE077
；
式中：
Figure 364988DEST_PATH_IMAGE033
为
Figure 574252DEST_PATH_IMAGE078
，
Figure 71093DEST_PATH_IMAGE035
，
Figure 49413DEST_PATH_IMAGE036
和
Figure 363720DEST_PATH_IMAGE079
的取值，
Figure 60280DEST_PATH_IMAGE038
和
Figure 360812DEST_PATH_IMAGE039
分别为单时间节点下第i个本征分量特 征提取的输入层与隐含层之间的权重矩阵和偏置向量，
Figure 193639DEST_PATH_IMAGE040
和
Figure 678846DEST_PATH_IMAGE079
分别为第i个本征分量特征 提取的隐含层与输出层之间权重矩阵和偏置向量，L为
Figure 862703DEST_PATH_IMAGE080
与
Figure 701346DEST_PATH_IMAGE081
的误差函数，
Figure 654259DEST_PATH_IMAGE082
为编码过程 输入的数据，
Figure 513630DEST_PATH_IMAGE044
为解码之后输出的数据，argmin表示使目标函数取最小值时的变量值。
15.根据权利要求11所述的可调资源响应潜力的评估系统，其特征在于，采用主成分分析法对所述m维用电特征参数集hi进行降维处理得到降维数据，并采用最小二乘拟合所述降维数据得到所述关键参数的计算式为：
Figure 981521DEST_PATH_IMAGE083
；
式中：q表示特征指标的编号，Q表示特征指标的总编号，p表示可调资源用电特征指标的主成分的编号，P表示可调资源用电特征指标的主成分的总编号，t表示时间节点b1p（t)、b2p（t)和b3p（t)分别表示时间节点t下关键参数r1、r2、r3的特征系数，Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分，aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数，hq为第q个特征指标的取值，r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
16.根据权利要求9所述的可调资源响应潜力的评估系统，其特征在于，所述求解单元包括：
估计模块，用于通过响应历史数据集进行点估计，得到各时间节点下的估计值，将所述估计值视为时间节点t下考虑不确定性因素影响的随机参数r4(t)满足的正态分布参数：
Figure 951751DEST_PATH_IMAGE084
；
式中：
Figure 696853DEST_PATH_IMAGE047
表示可调资源在各时间节点的可调容量的概率分布，
Figure 484984DEST_PATH_IMAGE048
表示激励强度，
Figure 440171DEST_PATH_IMAGE049
表示激励强度的模糊值，
Figure 682933DEST_PATH_IMAGE050
、
Figure 548121DEST_PATH_IMAGE051
、
Figure 483716DEST_PATH_IMAGE052
、
Figure 926199DEST_PATH_IMAGE053
、
Figure 972652DEST_PATH_IMAGE054
、
Figure 692346DEST_PATH_IMAGE055
、
Figure 798843DEST_PATH_IMAGE056
和
Figure 728621DEST_PATH_IMAGE057
分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、均 值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值，
Figure 828033DEST_PATH_IMAGE058
为均值估 计值，
Figure 730130DEST_PATH_IMAGE059
为标准差模糊值，
Figure 945211DEST_PATH_IMAGE085
为均值的偏差，
Figure 34390DEST_PATH_IMAGE061
为标准差的偏差，
Figure 750542DEST_PATH_IMAGE062
表示时间 节点t下的激励强度，
Figure 507145DEST_PATH_IMAGE063
表示时间节点t下的激励强度模糊值，r1(t)、r2(t)和r3(t)分别 为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数；
滚动分析模块，用于通过对可调资源各个时间节点的时序数据进行滚动分析，得到可调在不同时间节点的可调容量的概率分布。
CN202211462841.5A 2022-11-22 2022-11-22 一种可调资源响应潜力的评估方法及系统 Pending CN115496627A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211462841.5A CN115496627A (zh) 2022-11-22 2022-11-22 一种可调资源响应潜力的评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211462841.5A CN115496627A (zh) 2022-11-22 2022-11-22 一种可调资源响应潜力的评估方法及系统

Publications (1)

Publication Number Publication Date
CN115496627A true CN115496627A (zh) 2022-12-20

Family

ID=85114950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211462841.5A Pending CN115496627A (zh) 2022-11-22 2022-11-22 一种可调资源响应潜力的评估方法及系统

Country Status (1)

Country Link
CN (1) CN115496627A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116544930A (zh) * 2023-06-25 2023-08-04 国网浙江省电力有限公司丽水供电公司 一种分布式资源聚合体可调节能力评估方法及装置
CN116957306A (zh) * 2023-09-20 2023-10-27 国网山西省电力公司营销服务中心 基于资源协同互动的用户侧响应潜力评估方法及系统
CN117236532A (zh) * 2023-11-16 2023-12-15 国网天津市电力公司营销服务中心 一种基于负荷数据的用电高峰负荷预测的方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102891770A (zh) * 2012-10-22 2013-01-23 哈尔滨工业大学深圳研究生院 一种利用短相关模型预测长相关序列的方法
CN103034757A (zh) * 2012-12-02 2013-04-10 中国科学院电工研究所 基于经验模态分解的风电场时频域建模方法
CN105046383A (zh) * 2015-09-19 2015-11-11 东北电力大学 一种基于集合经验模态分解和相关向量机的风电功率实时预测方法
CN107292453A (zh) * 2017-07-24 2017-10-24 国网江苏省电力公司电力科学研究院 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法
CN110263971A (zh) * 2019-05-14 2019-09-20 西安理工大学 基于支持向量机的超短期风电功率组合预测方法
CN115313361A (zh) * 2022-07-25 2022-11-08 天津大学 一种规模化可调资源的联合优化控制方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102891770A (zh) * 2012-10-22 2013-01-23 哈尔滨工业大学深圳研究生院 一种利用短相关模型预测长相关序列的方法
CN103034757A (zh) * 2012-12-02 2013-04-10 中国科学院电工研究所 基于经验模态分解的风电场时频域建模方法
CN105046383A (zh) * 2015-09-19 2015-11-11 东北电力大学 一种基于集合经验模态分解和相关向量机的风电功率实时预测方法
CN107292453A (zh) * 2017-07-24 2017-10-24 国网江苏省电力公司电力科学研究院 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法
CN110263971A (zh) * 2019-05-14 2019-09-20 西安理工大学 基于支持向量机的超短期风电功率组合预测方法
CN115313361A (zh) * 2022-07-25 2022-11-08 天津大学 一种规模化可调资源的联合优化控制方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孔祥玉等: ""考虑动态过程的可调资源集群多时间节点响应潜力评估方法"", 《电力系统自动化》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116544930A (zh) * 2023-06-25 2023-08-04 国网浙江省电力有限公司丽水供电公司 一种分布式资源聚合体可调节能力评估方法及装置
CN116544930B (zh) * 2023-06-25 2023-09-19 国网浙江省电力有限公司丽水供电公司 一种分布式资源聚合体可调节能力评估方法及装置
CN116957306A (zh) * 2023-09-20 2023-10-27 国网山西省电力公司营销服务中心 基于资源协同互动的用户侧响应潜力评估方法及系统
CN116957306B (zh) * 2023-09-20 2024-01-12 国网山西省电力公司营销服务中心 基于资源协同互动的用户侧响应潜力评估方法及系统
CN117236532A (zh) * 2023-11-16 2023-12-15 国网天津市电力公司营销服务中心 一种基于负荷数据的用电高峰负荷预测的方法及系统
CN117236532B (zh) * 2023-11-16 2024-04-02 国网天津市电力公司营销服务中心 一种基于负荷数据的用电高峰负荷预测的方法及系统

Similar Documents

Publication Publication Date Title
Liu et al. A hybrid FCW-EMD and KF-BA-SVM based model for short-term load forecasting
Mansoor et al. Comparison of echo state network and feed-forward neural networks in electrical load forecasting for demand response programs
CN115496627A (zh) 一种可调资源响应潜力的评估方法及系统
CN111582911A (zh) 一种多元用户与电网友好互动用电系统
CN113610303A (zh) 一种负荷预测方法及系统
Nwulu et al. Modelling and predicting electricity consumption using artificial neural networks
Mustapha et al. Classification of electricity load forecasting based on the factors influencing the load consumption and methods used: An-overview
CN106372739B (zh) 一种基于需求响应基线的需求响应效果评估方法
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
Zhang et al. A novel sequence to sequence data modelling based CNN-LSTM algorithm for three years ahead monthly peak load forecasting
CN112803398A (zh) 基于经验模态分解和深度神经网络的负荷预测方法及系统
Kojury-Naftchali et al. Identifying susceptible consumers for demand response and energy efficiency policies by time-series analysis and supplementary approaches
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
CN115796915A (zh) 一种面向电力交易市场的电价预测方法及系统
Mansoor et al. Past vector similarity for short term electrical load forecasting at the individual household level
Lou et al. Mts-lstdm: multi-time-scale long short-term double memory for power load forecasting
CN115049102A (zh) 一种电价预测方法、装置、移动终端及存储介质
CN113919594A (zh) 一种基于深度森林的需求响应潜力评估方法
Yang et al. Multi-objective based demand response strategy optimization considering differential demand on reliability of power system
Rostamnia et al. Investigating the effect of competitiveness power in estimating the average weighted price in electricity market
Livas-García et al. Forecasting of locational marginal price components with artificial intelligence and sensitivity analysis: A study under tropical weather and renewable power for the mexican southeast
Sari et al. The effectiveness of hybrid backpropagation Neural Network model and TSK Fuzzy Inference System for inflation forecasting
Silva et al. Impact evaluation of feature selection to short-term load forecasting models considering weather inputs and load history
CN114140176B (zh) 一种负荷聚集平台的可调容量预测方法及装置
Cao et al. A hybrid electricity load prediction system based on weighted fuzzy time series and multi-objective differential evolution

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: 20221220