CN116720322A - 一种需求响应潜力用户、行业、线路的智能推荐模型设计方法 - Google Patents

一种需求响应潜力用户、行业、线路的智能推荐模型设计方法 Download PDF

Info

Publication number
CN116720322A
CN116720322A CN202310545816.1A CN202310545816A CN116720322A CN 116720322 A CN116720322 A CN 116720322A CN 202310545816 A CN202310545816 A CN 202310545816A CN 116720322 A CN116720322 A CN 116720322A
Authority
CN
China
Prior art keywords
response
user
demand response
data
load
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
CN202310545816.1A
Other languages
English (en)
Inventor
唐佳誉
吴一鸣
李捷
陈俊
韦航
杨舟
何涌
李刚
唐利涛
徐植
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.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid 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 Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN202310545816.1A priority Critical patent/CN116720322A/zh
Publication of CN116720322A publication Critical patent/CN116720322A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，包括以下步骤：（1）数据收集与处理，包括数据获取步骤和数据清洗步骤；（2）需求响应客户画像，在需求响应中应用聚类分析区分具有不同用电特征的用户群，进而评估不同用户群参与需求响应的潜力；（3）客户快速响应负荷资源精准定位；（4）需求响应潜力客户智能推荐模型构建。本发明据响应潜力智能化提供响应方案及清单，针对性改善负荷均衡水平、进行市场化削峰填谷、被动式应急调节提供参考依据，有效提高需求响应计划执行的实时性、导向性、交互性与完成率，有效支撑和推动电网需求侧响应业务的有序发展。

Description

一种需求响应潜力用户、行业、线路的智能推荐模型设计方法
技术领域
本发明涉及电力行业需求侧管理技术领域，尤其涉及一种需求响应潜力用户、行业、线路的智能推荐模型设计方法。
背景技术
需求响应兴起于国外，其颁布的相关政策标准相对我国较为完善，理论研究范围相对较广、深度相对较深，需求响应体系较为完善。但国外需求响应的研究主要集中在需求响应资源负荷接口标准(规范)、需求响应电价机制、需求响应竞价等方面，需求响应资源管理中需求响应资源的查找定位在需求响应体系建设中是相对薄弱的，当需求响应资源数量大幅度增加时，将会影响需求响应资源管理及需求响应项目计划的制定，成为自动需求响应系统建设的瓶颈。
国内需求响应发展较晚，前期国内的需求响应试点参与需求响应项目的电力用户较少，对需求响应资源管理要求不高。但是随着新型电力系统建设的开展，作为新型电力生产关系的主要表现形式之一，我国新型电力系统规划和建设对于需求侧响应极为重视。以“新能源为主体的新型电力系统”目标的确立，使得新能源规模快速增长和负荷峰谷差持续拉大成为趋势，将进一步提高系统灵活性资源需求。为实现灵活性资源与新能源和传统电源的协调发展，应注重电源侧挖潜，推动需求侧破局，扩展电网侧形式，而构建精细化、市场化、专业化和智能化需求侧资源利用体系是重要方式之一。需求响应的智能推荐为实现信息高效传递提供了理想的解决途径，因此智能推荐已被引入到了用电领域。吴相发等人利用聚类和协同过滤相结合的算法进行需求响应的居民用电推荐，但是协同过滤算法面临着冷启动和海量数据场景下的稀疏性问题。刘甲林提出了基于社交网络的智能用电服务推荐，可通过预先构建的社交网络实现新加入用户的推荐，但是随着构建的社交网络规模逐渐增大会面临严重的稀疏性问题，从而导致推荐精度的大幅度下降。
但随着电力市场化交易体系的发展，现货交易参与用户规模持续增长，暴露出了一些问题和技术瓶颈，主要原因是对需求侧响应行为的分析不足，缺少对需求侧响应需求、响应能力的挖掘及响应资源的智能推荐，难以支撑不同场景下的及时响应。
因此亟需一种日内、隔天、近期等不同场景下需求动态响应的智能推荐模型，可以根据需求调节任务，以智能化的方式，提供参与需求动态响应的用户、行业、线路的参考清单，支撑各供电局快速满足需求动态响应任务要求。
发明内容
针对现有技术的不足，本发明的目的是提供一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，根据响应潜力智能化提供响应方案及清单，针对性改善负荷均衡水平、进行市场化削峰填谷、被动式应急调节提供参考依据，有效提高需求响应计划执行的实时性、导向性、交互性与完成率，有效支撑和推动电网需求侧响应业务的有序发展。
为了实现上述目的，本发明采用的技术方案如下：
本发明一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，包括以下步骤：
(1)数据收集与处理，包括数据获取步骤和数据清洗步骤；
所述数据获取步骤为获取客户档案、客户表计信息、用电负荷数据、客户参与需求响应的历史信息；并通过用户编号实现客户档案、客户表计信息、客户参与需求响应的历史信息的关联，通过表计编号实现客户表计信息、用电负荷数据的关联；所述客户参与需求响应的历史信息包括邀约信息、响应信息和答复信息；所述邀约信息包括客户信息、供电范围、响应类型、计划响应规模、响应时段、应约响应量、邀约答复截止时间；所述响应信息包括客户信息、实际响应负荷；所述答复信息包括邀约答复率、响应邀约积极性、需求响应成功率、时间契合度、响应潜力水平；
所述数据清洗步骤为挖掘用电负荷数据中异常负荷数据，并做数据清洗；
(2)需求响应客户画像，在需求响应中应用聚类分析区分具有不同用电特征的用户群，进而评估不同用户群参与需求响应的潜力；
(3)客户快速响应负荷资源精准定位，包括以下步骤：
首先基于EM算法的源数据分析与处理技术对用户用电量数据进行处理，再基于小波分析技术进行用户快速响应负荷精准定位，最后基于聚类分析的快速响应用户时段定位与响应潜力分析；对用户负荷曲线做拆解，识别出高频负荷用户，分析响应潜力等级、响应时段、响应类别；
(4)需求响应潜力客户智能推荐模型构建，包括以下步骤：
应用蚁群算法针对每次需求响应所对应的供电范围、计划响应规模、响应时间段的差异，结合客户历史参与需求响应的响应邀约积极性、需求响应成功率、时间契合度、响应潜力水平来构建需求响应潜力客户智能推荐模型，获得客户分批次推荐策略建议。
进一步地，构建需求响应潜力客户智能推荐模型的具体方法为：
1)需求响应模型目标函数构建：分别构建邀约答复率最高目标函数、响应成功率最高目标函数、邀约成本最低目标函数；
所述邀约答复率最高目标函数的构建方法为：
邀约答复率通过用户历史邀约答复率来表示，则邀约答复率目标函数F1为：
F1＝max(mean(S1+S2+…+Sn))；
其中，S1，S2，…Sn为第n个用户历史邀约答复率；
响应成功率最高目标函数的构建方法为：
响应成功率通过用户历史响应成功率来表示，响应成功率目标函数F2为：
F2＝max(mean(RS1+RS2+…+RSn))；
其中，RS1，RS2，…RSn为第n个用户历史响应成功率；
邀约成本最低目标函数的构建方法为：
邀约成本通过邀约人数来表示，邀约成本目标函数F3为：
F3＝min(n)
其中，n为邀约人数；
2)目标函数权重分析：运用灰色关联法计算各评估指标的最终权重，结合各目标函数的相应指标进行权重挖掘；具体包括以下步骤：
①建立数据分布，观察各指标数据分布特征；
②计算权重系数：
通过主观赋权法：得出各目标函数重要程度权重系数：α、β、γ、δ；
通过客观赋权法：p个指标的权重系数：τ1，τ2……τp；
通过灰色关联度计算各目标函数最终权重：ω1，ω2，ω3，…
③形成总体目标函数TFun：TFun＝F1ω1+F2ω2+F3ω3+F4ω4…
3)需求响应模型约束条件分析，包括以下步骤：
①计划响应规模限制：
1.5P＜Q1+Q2+…+Qn＜2.5P
P为计划相应规模；Q1，Q2，…Qn为用户响应潜力值；
②推荐用户响应潜力水平限制：
对响应潜力水平过低用户暂不考虑推荐，即Qi＜L的用户将暂不推荐；
其中，Qi为用户响应潜力水平；L为可推荐用户响应潜力水平的最低值；
③推荐时间段与用户需求响应时间段契合度限制：
推荐用户适用时间段与用户需求响应时间段契合度不能过小，即：
其中，Di为用户需求响应时间段；E为推荐时间段；H为可推荐用户需求响应时间段契合度的最低值。
进一步地，还包括需求响应模型寻优与求解步骤，该步骤具体为：
通过获取到的真实业务数据，结合客户需求响应业务逻辑构建供电公司和用户推荐匹配模型，基于需求响应模型的匹配结果与历史邀约数据进行对比，对需求响应模型的模型效果进行检验与评判求解获得评判结果，基于评判结果对模型进行调优。
进一步地，还包括需求响应模型求解无解无法获得评判结果时的调整策略：
①放宽限制条件，包括以下步骤：
a:调整推荐用户响应潜力合计值；
b:调整单用户最低需求响应潜力水平L；
c:调整推荐时间段与用户响应时间段契合度阈值H；
②策略调整逻辑，包括以下步骤：
设定阈值ζ、阈值θ、阈值μ；
a:客户邀约推荐答复率目标函数调整为在阈值ζ之上即为推荐成功，ζ通过匹配状态选择是否调整，直到有解；
b:客户响应成功率目标函数调整为在阈值θ之上即为邀约推荐成功，θ通过匹配状态选择是否调整，直到有解；
c:客户邀约推荐成本目标函数调整为在阈值μ之上即为邀约推荐成功，μ通过匹配状态选择是否调整，直到有解；
所述匹配状态包括有解和无解；选择是否调整具体为：有解不再调整，无解进一步调整。
进一步地，所述挖掘用电负荷数据中异常负荷数据的具体方法为根据聚类箱型图挖掘出现突增突减异常的用电负荷数据。
进一步地，所述数据清洗采用均值插补法。
进一步地，基于EM算法的源数据分析与处理技术对用户用电量数据进行处理的具体方法为：
用户用电量数据处理包括用户异常数据处理和用户漏采数据处理；
用户异常数据处理包括以下流程：根据聚类箱型图原理设定用户用电量阈值，若用户用电量数据不在用电量阈值范围内，程序会自动检索用户用电量数据的异常数据，检索出异常数据后，采用手工或处理，处理规则采用平均值法或插值法；
用户漏采数据处理方法：设定用户漏采率阈值为5％；计算用户漏采率；用户漏采率低于用户漏采率阈值，采用线性插值法填补的方法；若漏采率高于用户漏采率阈值，采用EM算法填补的方法。
进一步地，基于小波分析的用户快速响应负荷精准定位的具体方法为：
对于一般的含噪音的负荷信号，可以表示为如下形式：
s(i)＝f(i)+σe(i),i＝0,1,...,n-1
式中：s(i)为含噪音负荷信号；f(i)为真实负荷信号；e(i)为噪声信号；σ为系数；
在小波分解去噪中，将带有噪声的负荷信号s(i)进行小波分析，对各个频段进行阈值处理，将低于阈值的系数舍弃，得到去噪后的真实负荷信号f(i)；f(i)通常表现为低频或稳定的特征，e(i)表现为高频的特征，在高频段上应用较高的阈值，在低频段上应用较低的阈值，则可以根据信号和噪声在小波分解尺度上的不同规律，抑制信号中的噪声部分e(i)，分离出真实负荷信号f(i)；利用真实负荷信号，进行用户快速响应负荷精准定位。
进一步地，基于聚类分析的快速响应用户时段定位与响应潜力分析的具体方法为：
针对具有临时性、突发性的高频负荷用户，对其负荷数据进行聚类分析，提取典型高频负荷阈值、时段、对应的增速值的分位数与整体平均值比例，评估用户参与快速响应的潜力；具有高频负荷阈值较高、响应时段契合度好、对应的增速值的分位数与整体平均值比例高的特点的一类用户，其用户参与快速响应潜力高，反之，用户参与快速响应潜力低。
与现有技术相比，本发明的有益效果是：本发明基于行业、用户、线路的需求响应能力，通过构建需求响应资源画像，运用小波分析技术快速响应负荷精准定位，基于蚁群算法对需求响应客户精准推荐。构建日内、隔天、近期、紧急等不同场景下需求动态响应的智能推荐模型，根据需求调节任务，以智能化的方式，提供参与需求动态响应的用户、行业、线路的参考清单，支撑各供电局快速满足需求动态响应任务要求，有效支撑和推动广西电网需求侧响应业务的有序发展。
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简单地介绍，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人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的需求响应客户资源群体画像实现思路图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本发明公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
如图1所示，一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，包括以下步骤：
(1)数据收集与处理，包括数据获取步骤和数据清洗步骤；
数据获取步骤为获取客户档案、客户表计信息、用电负荷数据、客户参与需求响应的历史信息；并通过用户编号实现客户档案、客户表计信息、客户参与需求响应的历史信息的关联，通过表计编号实现客户表计信息、用电负荷数据的关联。客户参与需求响应的历史信息包括邀约信息、响应信息和答复信息；所述邀约信息包括客户信息、供电范围、响应类型、计划响应规模、响应时段、应约响应量、邀约答复截止时间。响应信息包括客户信息、实际响应负荷。答复信息包括邀约答复率、响应邀约积极性、需求响应成功率、时间契合度、响应潜力水平。
数据清洗步骤为挖掘用电负荷数据中异常负荷数据，并做数据清洗；挖掘用电负荷数据中异常负荷数据的具体方法为根据聚类箱型图挖掘出现突增突减异常的用电负荷数据。数据清洗采用均值插补法。
(2)需求响应客户画像，在需求响应中应用聚类分析区分具有不同用电特征的用户群，进而评估不同用户群参与需求响应的潜力；
(3)客户快速响应负荷资源精准定位，包括以下步骤：
首先基于EM算法的源数据分析与处理技术对用户用电量数据进行处理，再基于小波分析技术进行用户快速响应负荷精准定位，最后基于聚类分析的快速响应用户时段定位与响应潜力分析；对用户负荷曲线做拆解，识别出高频负荷用户，分析响应潜力等级、响应时段、响应类别。
基于EM算法的源数据分析与处理技术对用户用电量数据进行处理的具体方法为：
用户用电量数据处理包括用户异常数据处理和用户漏采数据处理；
用户异常数据处理包括以下流程：根据聚类箱型图原理设定用户用电量阈值，若用户用电量数据不在用电量阈值范围内，程序会自动检索用户用电量数据的异常数据，检索出异常数据后，采用手工或处理，处理规则采用平均值法或插值法；
用户漏采数据处理方法：设定用户漏采率阈值为5％；计算用户漏采率；用户漏采率低于用户漏采率阈值，采用线性插值法填补的方法；若漏采率高于用户漏采率阈值，采用EM算法填补的方法。
基于小波分析的用户快速响应负荷精准定位的具体方法为：
对于一般的含噪音的负荷信号，可以表示为如下形式：
s(i)＝f(i)+σe(i),i＝0,1,…,n-1
式中：s(i)为含噪音负荷信号；f(i)为真实负荷信号；e(i)为噪声信号；σ为系数。
在小波分解去噪中，将带有噪声的负荷信号s(i)进行小波分析，对各个频段进行阈值处理，将低于阈值的系数舍弃，得到去噪后的真实负荷信号f(i)。f(i)通常表现为低频或稳定的特征，e(i)表现为高频的特征，在高频段上应用较高的阈值，在低频段上应用较低的阈值，则可以根据信号和噪声在小波分解尺度上的不同规律，抑制信号中的噪声部分e(i)，分离出真实负荷信号f(i)。利用真实负荷信号，进行用户快速响应负荷精准定位。
基于聚类分析的快速响应用户时段定位与响应潜力分析的具体方法为：
针对具有临时性、突发性的高频负荷用户，基于K-means、DBSCAN等聚类算法对其负荷数据进行聚类分析，提取典型高频负荷阈值、时段、对应的增速值的分位数与整体平均值比例，评估用户参与快速响应的潜力。具有高频负荷阈值较高、响应时段契合度好、对应的增速值的分位数与整体平均值比例高的特点的一类用户，其用户参与快速响应潜力高，反之，用户参与快速响应潜力低。
(4)需求响应潜力客户智能推荐模型构建，包括以下步骤：
应用蚁群算法针对每次需求响应所对应的供电范围、计划响应规模、响应时间段的差异，结合客户历史参与需求响应的响应邀约积极性、需求响应成功率、时间契合度、响应潜力水平来构建需求响应潜力客户智能推荐模型，获得客户分批次推荐策略建议。
构建需求响应潜力客户智能推荐模型的具体方法为：
1)需求响应模型目标函数构建：分别构建邀约答复率最高目标函数、响应成功率最高目标函数、邀约成本最低目标函数；
所述邀约答复率最高目标函数的构建方法为：
邀约答复率通过用户历史邀约答复率来表示，则邀约答复率目标函数F1为：
F1＝max(mean(S1+S2+…+Sn))；
其中，S1，S2，…Sn为第n个用户历史邀约答复率；
响应成功率最高目标函数的构建方法为：
响应成功率通过用户历史响应成功率来表示，响应成功率目标函数F2为：
F2＝max(mean(RS1+RS2+…+RSn))；
其中，RS1，RS2，…RSn为第n个用户历史响应成功率；
邀约成本最低目标函数的构建方法为：
邀约成本通过邀约人数来表示，邀约成本目标函数F3为：
F3＝min(n)
其中，n为邀约人数；
2)目标函数权重分析：运用灰色关联法计算各评估指标的最终权重，结合各目标函数的相应指标进行权重挖掘；具体包括以下步骤：
①建立数据分布，观察各指标数据分布特征；如：指标关联度R、各指标信息熵H(X)、指标离散度等。
②计算权重系数：
通过主观赋权法：得出各目标函数重要程度权重系数：α、β、γ、δ；
通过客观赋权法：p个指标的权重系数：τ1，τ2……τp；
通过灰色关联度计算各目标函数最终权重：ω1，ω2，ω3，…
③形成总体目标函数TFun：TFun＝F1ω1+F2ω2+F3ω3+F4ω4…
3)需求响应模型约束条件分析，包括以下步骤：
①计划响应规模限制：
1.5P＜Q1+Q2+…+Qn＜2.5P
P为计划相应规模；Q1，Q2，…Qn为用户响应潜力值；
②推荐用户响应潜力水平限制：
对响应潜力水平过低用户暂不考虑推荐，即Qi＜L的用户将暂不推荐；
其中，Qi为用户响应潜力水平；L为可推荐用户响应潜力水平的最低值；
③推荐时间段与用户需求响应时间段契合度限制：
推荐用户适用时间段与用户需求响应时间段契合度不能过小，即：
其中，Di为用户需求响应时间段；E为推荐时间段；H为可推荐用户需求响应时间段契合度的最低值。
(5)需求响应模型寻优与求解步骤，该步骤具体为：
通过获取到的真实业务数据，结合客户需求响应业务逻辑构建供电公司和用户推荐匹配模型，基于需求响应模型的匹配结果与历史邀约数据进行对比，对需求响应模型的模型效果进行检验与评判求解获得评判结果，基于评判结果对模型进行调优。
需求响应模型求解无解无法获得评判结果时的调整策略：
①放宽限制条件，包括以下步骤：
a:调整推荐用户响应潜力合计值；
b:调整单用户最低需求响应潜力水平L；
c:调整推荐时间段与用户响应时间段契合度阈值H。
②策略调整逻辑，包括以下步骤：
设定阈值ζ、阈值θ、阈值μ；
a:客户邀约推荐答复率目标函数调整为在阈值ζ之上即为推荐成功，ζ通过匹配状态(有解/无解)选择是否调整(有解不再调整，无解进一步调整)，直到有解；
b:客户响应成功率目标函数调整为在阈值θ之上即为邀约推荐成功，θ通过匹配状态(有解/无解)选择是否调整(有解不再调整，无解进一步调整)，直到有解。
c:客户邀约推荐成本目标函数调整为在阈值μ之上即为邀约推荐成功，μ通过匹配状态(有解/无解)选择是否调整(有解不再调整，无解进一步调整)，直到有解。
最终得到推荐结果，下表1为需求响应潜力用户、行业、线路智能推荐清单的结果示例。
表1需求响应潜力用户、行业、线路智能推荐清单
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，其特征在于，包括以下步骤：
(1)数据收集与处理，包括数据获取步骤和数据清洗步骤；
所述数据获取步骤为获取客户档案、客户表计信息、用电负荷数据、客户参与需求响应的历史信息；并通过用户编号实现客户档案、客户表计信息、客户参与需求响应的历史信息的关联，通过表计编号实现客户表计信息、用电负荷数据的关联；所述客户参与需求响应的历史信息包括邀约信息、响应信息和答复信息；所述邀约信息包括客户信息、供电范围、响应类型、计划响应规模、响应时段、应约响应量、邀约答复截止时间；所述响应信息包括客户信息、实际响应负荷；所述答复信息包括邀约答复率、响应邀约积极性、需求响应成功率、时间契合度、响应潜力水平；
所述数据清洗步骤为挖掘用电负荷数据中异常负荷数据，并做数据清洗；
(2)需求响应客户画像，在需求响应中应用聚类分析区分具有不同用电特征的用户群，进而评估不同用户群参与需求响应的潜力；
(3)客户快速响应负荷资源精准定位，包括以下步骤：
首先基于EM算法的源数据分析与处理技术对用户用电量数据进行处理，再基于小波分析技术进行用户快速响应负荷精准定位，最后基于聚类分析的快速响应用户时段定位与响应潜力分析；对用户负荷曲线做拆解，识别出高频负荷用户，分析响应潜力等级、响应时段、响应类别；
(4)需求响应潜力客户智能推荐模型构建，包括以下步骤：
应用蚁群算法针对每次需求响应所对应的供电范围、计划响应规模、响应时间段的差异，结合客户历史参与需求响应的响应邀约积极性、需求响应成功率、时间契合度、响应潜力水平来构建需求响应潜力客户智能推荐模型，获得客户分批次推荐策略建议。
2.根据权利要求1所述的一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，其特征在于，构建需求响应潜力客户智能推荐模型的具体方法为：
1)需求响应模型目标函数构建：分别构建邀约答复率最高目标函数、响应成功率最高目标函数、邀约成本最低目标函数；
所述邀约答复率最高目标函数的构建方法为：
邀约答复率通过用户历史邀约答复率来表示，则邀约答复率目标函数F1为：
F1＝max(mean(S1+S2+…+Sn))；
其中，S1，S2，…Sn为第n个用户历史邀约答复率；
响应成功率最高目标函数的构建方法为：
响应成功率通过用户历史响应成功率来表示，响应成功率目标函数F2为：
F2＝max(mean(RS1+RS2+…+RSn))；
其中，RS1，RS2，…RSn为第n个用户历史响应成功率；
邀约成本最低目标函数的构建方法为：
邀约成本通过邀约人数来表示，邀约成本目标函数F3为：
F3＝min(n)
其中，n为邀约人数；
2)目标函数权重分析：运用灰色关联法计算各评估指标的最终权重，结合各目标函数的相应指标进行权重挖掘；具体包括以下步骤：
①建立数据分布，观察各指标数据分布特征；
②计算权重系数：
通过主观赋权法：得出各目标函数重要程度权重系数：α、β、γ、δ；
通过客观赋权法：p个指标的权重系数：τ1，τ2……τp；
通过灰色关联度计算各目标函数最终权重：ω1，ω2，ω3，…
③形成总体目标函数TFun：TFun＝F1ω1+F2ω2+F3ω3+F4ω4…
3)需求响应模型约束条件分析，包括以下步骤：
①计划响应规模限制：
1.5P＜Q1+Q2+…+Qn＜2.5P
P为计划相应规模；Q1，Q2，…Qn为用户响应潜力值；
②推荐用户响应潜力水平限制：
对响应潜力水平过低用户暂不考虑推荐，即Qi＜L的用户将暂不推荐；
其中，Qi为用户响应潜力水平；L为可推荐用户响应潜力水平的最低值；
③推荐时间段与用户需求响应时间段契合度限制：
推荐用户适用时间段与用户需求响应时间段契合度不能过小，即：
其中，Di为用户需求响应时间段；E为推荐时间段；H为可推荐用户需求响应时间段契合度的最低值。
3.根据权利要求1所述的一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，其特征在于，还包括需求响应模型寻优与求解步骤，该步骤具体为：
通过获取到的真实业务数据，结合客户需求响应业务逻辑构建供电公司和用户推荐匹配模型，基于需求响应模型的匹配结果与历史邀约数据进行对比，对需求响应模型的模型效果进行检验与评判求解获得评判结果，基于评判结果对模型进行调优。
4.根据权利要求3所述的一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，其特征在于，还包括需求响应模型求解无解无法获得评判结果时的调整策略：
①放宽限制条件，包括以下步骤：
a:调整推荐用户响应潜力合计值；
b:调整单用户最低需求响应潜力水平L；
c:调整推荐时间段与用户响应时间段契合度阈值H；
②策略调整逻辑，包括以下步骤：
设定阈值ζ、阈值θ、阈值μ；
a:客户邀约推荐答复率目标函数调整为在阈值ζ之上即为推荐成功，ζ通过匹配状态选择是否调整，直到有解；
b:客户响应成功率目标函数调整为在阈值θ之上即为邀约推荐成功，θ通过匹配状态选择是否调整，直到有解；
c:客户邀约推荐成本目标函数调整为在阈值μ之上即为邀约推荐成功，μ通过匹配状态选择是否调整，直到有解；
所述匹配状态包括有解和无解；选择是否调整具体为：有解不再调整，无解进一步调整。
5.根据权利要求1所述的一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，其特征在于，所述挖掘用电负荷数据中异常负荷数据的具体方法为根据聚类箱型图挖掘出现突增突减异常的用电负荷数据。
6.根据权利要求1所述的一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，其特征在于，所述数据清洗采用均值插补法。
7.根据权利要求1所述的一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，其特征在于，基于EM算法的源数据分析与处理技术对用户用电量数据进行处理的具体方法为：
用户用电量数据处理包括用户异常数据处理和用户漏采数据处理；
用户异常数据处理包括以下流程：根据聚类箱型图原理设定用户用电量阈值，若用户用电量数据不在用电量阈值范围内，程序会自动检索用户用电量数据的异常数据，检索出异常数据后，采用手工或处理，处理规则采用平均值法或插值法；
用户漏采数据处理方法：设定用户漏采率阈值为5％；计算用户漏采率；用户漏采率低于用户漏采率阈值，采用线性插值法填补的方法；若漏采率高于用户漏采率阈值，采用EM算法填补的方法。
8.根据权利要求1所述的一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，其特征在于，基于小波分析的用户快速响应负荷精准定位的具体方法为：
对于一般的含噪音的负荷信号，可以表示为如下形式：
s(i)＝f(i)+σe(i),i＝0,1,...,n-1
式中：s(i)为含噪音负荷信号；f(i)为真实负荷信号；e(i)为噪声信号；σ为系数；
在小波分解去噪中，将带有噪声的负荷信号s(i)进行小波分析，对各个频段进行阈值处理，将低于阈值的系数舍弃，得到去噪后的真实负荷信号f(i)；f(i)通常表现为低频或稳定的特征，e(i)表现为高频的特征，在高频段上应用较高的阈值，在低频段上应用较低的阈值，则可以根据信号和噪声在小波分解尺度上的不同规律，抑制信号中的噪声部分e(i)，分离出真实负荷信号f(i)；利用真实负荷信号，进行用户快速响应负荷精准定位。
9.根据权利要求1所述的一种需求响应潜力用户、行业、线路的智能推荐模型设计方法，其特征在于，基于聚类分析的快速响应用户时段定位与响应潜力分析的具体方法为：
针对具有临时性、突发性的高频负荷用户，对其负荷数据进行聚类分析，提取典型高频负荷阈值、时段、对应的增速值的分位数与整体平均值比例，评估用户参与快速响应的潜力；具有高频负荷阈值较高、响应时段契合度好、对应的增速值的分位数与整体平均值比例高的特点的一类用户，其用户参与快速响应潜力高，反之，用户参与快速响应潜力低。
CN202310545816.1A 2023-05-15 2023-05-15 一种需求响应潜力用户、行业、线路的智能推荐模型设计方法 Pending CN116720322A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310545816.1A CN116720322A (zh) 2023-05-15 2023-05-15 一种需求响应潜力用户、行业、线路的智能推荐模型设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310545816.1A CN116720322A (zh) 2023-05-15 2023-05-15 一种需求响应潜力用户、行业、线路的智能推荐模型设计方法

Publications (1)

Publication Number Publication Date
CN116720322A true CN116720322A (zh) 2023-09-08

Family

ID=87874229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310545816.1A Pending CN116720322A (zh) 2023-05-15 2023-05-15 一种需求响应潜力用户、行业、线路的智能推荐模型设计方法

Country Status (1)

Country Link
CN (1) CN116720322A (zh)

Similar Documents

Publication Publication Date Title
US10181165B2 (en) Critical peak pricing demand response participant assessment
CN108846530B (zh) 一种基于“聚类-回归”模型的短期负荷预测方法
CN113610303A (zh) 一种负荷预测方法及系统
CN107370157B (zh) 一种基于潮流熵的电网可用输电能力风险效益决策方法
CN113033953A (zh) 一种基于大数据的用户侧需求响应决策建议方法
CN116579590B (zh) 一种虚拟电厂中的需求响应评估方法和系统
CN112598215A (zh) 发电权交易方案评估方法、装置及系统
CN113435627A (zh) 基于工单轨迹信息的电力客户投诉预测方法及装置
CN115238167A (zh) 兼顾负荷与社会信息的电力用户精细化画像与管理方法
CN109241190A (zh) 电力大数据混合计算架构
CN114069642A (zh) 一种考虑用户满意度的温控负荷综合调峰方法
CN112488404B (zh) 一种配电网大规模电力负荷多线程高效预测方法及系统
CN114021624A (zh) 用户用电行为分析方法、设备、存储介质及程序产品
CN110414776B (zh) 分行业用电特性快速响应分析系统
CN116720322A (zh) 一种需求响应潜力用户、行业、线路的智能推荐模型设计方法
CN116245379A (zh) 面向电网建设工程效果评价的指标权重优化方法及装置
CN115994778A (zh) 多元用户用能行为精细画像方法
CN111814314B (zh) 基于稳定性评价的水电站补偿分摊方案评价方法
CN113052719B (zh) 一种考虑需求响应的数据中心数据服务定价方法及装置
CN115660248A (zh) 一种基于k线时序图的企业生产特性可视化方法
CN114997470A (zh) 基于lstm神经网络的短期用电负荷预测方法
CN115149554A (zh) 一种电动汽车参与电网互动响应能力的评估方法及系统
Bo et al. Research of Typical Line Loss Rate in Transformer District Based on Data-Driven Method
Shen et al. A Novel AI-based Method for EV Charging Load Profile Clustering
CN112712396A (zh) 一种基于服务群落演替预测模型的服务互联网控制方法

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