CN116722557A - 一种基于小波分解的需求响应回弹时长分析方法及系统 - Google Patents
一种基于小波分解的需求响应回弹时长分析方法及系统 Download PDFInfo
- Publication number
- CN116722557A CN116722557A CN202310628322.XA CN202310628322A CN116722557A CN 116722557 A CN116722557 A CN 116722557A CN 202310628322 A CN202310628322 A CN 202310628322A CN 116722557 A CN116722557 A CN 116722557A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- load
- rebound effect
- rebound
- demand response
- 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
Links
- 230000004044 response Effects 0.000 title claims abstract description 149
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 117
- 238000004458 analytical method Methods 0.000 title claims abstract description 75
- 230000001739 rebound effect Effects 0.000 claims abstract description 217
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013095 identification testing Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 15
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 206010038001 Rebound effect Diseases 0.000 description 173
- 230000008569 process Effects 0.000 description 20
- 238000005485 electric heating Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000011160 research Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/58—The condition being electrical
- H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种基于小波分解的需求响应回弹时长分析方法及系统，针对一类灵活性负荷，进行小波分解、小波处理和小波重构的操作得到回弹效应辨识时长指标；通过预设的辨识检验模型得到最优的回弹效应辨识时长指标对应的小波基和阈值，以小波基和阈值作为对基于小波分解的需求响应回弹时长分析的最优结果。根据小波基和阈值指导实际应用中对回弹效应的时长进行正确的估计，得到准确度高的回弹效应时长，进而提升各类基线负荷估计方法的估计精度，避免最终的基线负荷估计结果出现过大偏差，使得电网在需求响应期间能够对用户进行合理的经济补偿。
Description
技术领域
本发明涉及电力系统需求响应领域，具体为一种基于小波分解的需求响应回弹时长分析方法及系统。
背景技术
随着新能源机组不断增加的占比，压缩了具有良好调峰能力的火电机组在电力系统当中的比例。由于新能源本身的不确定性，借助以“源随荷动”为原则的电力系统平衡策略难以为继。如何确保新能源占比逐渐提高的新型电力系统中的功率平衡，提升电力系统的稳定性，是我国电力行业亟待解决的问题。这一问题的有效解决方案之一是从源荷两端着手，通过需求响应的方式，通过“源荷联动”的策略，确保电网中的负荷平衡。
需求响应通过激励用户减少尖峰负荷的方式，确保电力系统功率平衡，在提升电网安全稳定的基础上，降低电网运行维护的操作成本。需求响应的两种最基本形式是价格型需求响应和激励型需求响应，其中激励型需求响应通常通过签订电网和用户之间的合同，在需求响应事件结束之后，电网会将需求响应期间用户削减负荷的多少，对用户进行经济补偿。
为了更加合理的确定对于用户经济补偿的多少，需要知道用户在未参加任何需求响应计划的前提下，其本应消耗的负荷。从而获得更加准确的负荷削减量，提升用户经济补偿的合理性，从而使更多用户有意愿参与到激励型需求响应项目中来。
影响用户基线负荷估计结果准确性的因素有很多，其中一个重要的影响因素是回弹效应，回弹效应是指用户的用电负荷在需求响应事件结束之后，由于需求响应期间削减了用电负荷，导致在需求响应结束后的时段出现的负荷反弹回升现象。
小波分析是考虑傅里叶分解无法分析时域成分的特点而开发出来的一种信号分析方法。小波变换尤其擅长处理在非平稳信号的分析，因此受到了各界的广泛应用。小波分析被广泛应用于数学领域、量子力学、控制论、计算机识别、医学成像与诊断等领域。在电力领域，小波分析也被用于负荷数据纠错与平滑，电机故障监测等方向。
目前关于需求响应回弹效应方面的研究大多基于模型的角度，从分析电网调度或者负荷性质的角度出发，使用模拟案例的方式进行研究，分析在回弹效应发生之前对电网和负荷的调度方法和策略。但是，使用数据驱动的方式，对已经发生的回弹效应进行识别，从而修正回弹效应造成的影响方面的研究仍属空白，同时将小波分析方法应用于电力系统需求响应当中，特别是电力系统需求响应回弹效应辨识方面的研究仍有待开展。
回弹效应的存在会使非DR时段的负荷数据受到DR时段负荷削减过程的干扰，使非DR时段负荷发生改变，负荷估计过程因此受到了DR时段的影响。导致回弹效应的时长无法进行正确的估计，进而降低了各类基线负荷估计方法的估计精度，使基线负荷估计结果出现过大偏差，使得电网在需求响应期间对用户进行经济补偿出现误差，产生经济问题。
发明内容
为了解决上述问题，本发明提出了一种基于小波分解的需求响应回弹时长分析方法及系统，能够对回弹效应的时长进行正确的估计，提升了各类负荷估计方法的估计精度，避免最终的负荷估计结果出现偏差，使得电网在需求响应期间能够按照正确的规划对用户进行经济补偿。
为了实现上述目的，本发明采用了如下技术方案：
本发明提出了一种基于小波分解的需求响应回弹时长分析方法，包括，
获取电力系统中的各类灵活性负荷以及对应的负荷曲线；
通过对各类灵活性负荷的负荷曲线进行需求响应潜力分析，生成各类灵活性负荷对应的考虑回弹效应的需求响应事件；
针对一类灵活性负荷，设置对应的小波基，根据预设的小波分解模型对一类灵活性负荷对应的考虑回弹效应的需求响应事件进行小波分解，得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数；根据预设的小波处理模型，将近似小波系数CAn和不同尺度的细节小波系数中的低频部分置零，得到回弹效应对应的小波系数；所述预设的小波重构模型，对回弹效应对应的小波系数进行重构，得到重构后的负荷曲线；通过设置阈值分析重构后的负荷曲线回弹效应的开始时刻和结束时刻，得到回弹效应辨识时长指标；
通过调整小波基或者阈值，得到不同类型的回弹效应辨识时长指标，通过预设的辨识检验模型，判断出准确性最优的回弹效应辨识时长指标，得到最优的回弹效应辨识时长指标中对应的小波基和阈值，以小波基和阈值作为对基于小波分解的需求响应回弹时长分析的最优结果。
优选的，所述灵活性负荷包括典型负荷和非典型负荷；
所述考虑回弹效应的需求响应事件包括考虑回弹效应的典型需求响应事件和考虑回弹效应的非典型需求响应事件。
优选的，所述对各类灵活性负荷的负荷曲线进行需求响应潜力分析包括对典型负荷的负荷曲线和非典型负荷的负荷曲线进行分析；
通过对典型负荷的负荷曲线进行分析，得到对应的潜力分析结果；
所述典型负荷包括温控负荷和电动汽车负荷；
所述温控负荷进行需求响应潜力分析的公式如下：
式中，Troom表示室内温度，T0表示环境温度，R表示建筑等效热阻，C表示建筑等效热容，Q表示等效热率，Δt表示时刻t和相邻下一时刻t+1之间的时间长度，t表示时间；
所述电动汽车负荷进行需求响应潜力分析的公式如下：
(SOCDrend-SOCDrstart)×C＝Pevpot×(TDrend-TDrstart)；
(SOCneed-SOCDrend)×C＝Pcv×(Tdrop-TDrend)；
式中，SOCDrstart表示电动汽车蓄电池在DR时段开始时刻的荷电状态，SOCDrend表示电动汽车蓄电池在DR时段结束时刻的荷电状态，Pevpot为电动汽车响应潜力，TDrstart表示DR时段的开始时间，TDrend表示DR时段的结束时间；
根据潜力分析结果生成对应的考虑回弹效应的典型需求响应事件；
所述非典型负荷类型通过切比雪夫定理生成对应的考虑回弹效应的非典型需求响应事件。
优选的，所述对应的小波基从预设的各类小波中选择与灵活性负荷的负荷曲线的形状最相似的小波。
优选的，所述预设的小波分解模型的公式如下：
式中，i为节点号，j为分解级数，k为对应的各个负荷时刻，n表为分解的小波层数，ψ(t)为小波母函数，h(n)和g(n)＝(-1)nh(1-n)为一对正交镜像滤波器，为小波分解系数。
优选的，所述根据预设的小波分解模型对一类灵活性负荷对应的考虑回弹效应的需求响应事件进行小波分解，得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数具体包括，
第一次分解得到第一层级的近似小波系数CA1和细节小波系数CD1；
将第一层级的近似小波系数CA1进行分解，得到第二层级的近似小波系数CA2和细节小波系数CD2；
不断分解上一层级的近似小波系数CAn-1，得到本层级的近似小波系数CAn和细节小波系数CDn；
所述不同尺度的细节小波系数包括第一层级的细节小波系数CD1、第二层级的细节小波系数CD2以及第n层级的细节小波系数CD。
优选的，所述通过设置阈值分析重构后的负荷曲线回弹效应的开始时刻和结束时刻，得到回弹效应辨识时长指标具体包括，
通过设置阈值Tthre划定重构后回弹效应识别的范围为从需求响应结束时刻Tend到阈值对应时刻Tend+Tthre，在重构后回弹效应识别的范围中找到负荷最大值对应的时刻Tmax；
回弹效应时长辨识指标为在Tmax的附近得到最近的前零点和后零点，所述前零点作为重构后的回弹效应事件开始时刻Trebst，所述后零点重构后的回弹效应事件结束时刻Trebed。
优选的，所述通过预设的辨识检验模型判断出准确性最优的回弹效应辨识时长指标具体包括，
根据预设的重构前的回弹效应事件的开始时刻Trebst_real和预设的重构前的回弹效应事件的结束时刻Trebed_real建立回弹效应评价准确性评估指标，对回弹效应进行辨识，对应的公式如下：
MAEreb＝|Trebst_real-Trebst|+|Trebed_real-Trebed|；
式中，MAEreb表示回弹效应辨识准确度指标；
根据回弹效应辨识准确度指标分别判断不同类型的回弹效应辨识时长指标的准确度，得到准确度最高的回弹效应辨识时长指标。
本发明提出了一种基于小波分解的需求响应回弹时长分析系统，包括，
采集模块，获取电力系统中的各类灵活性负荷以及对应的负荷曲线；
生成模块，通过对各类灵活性负荷的负荷曲线进行分析，生成各类灵活性负荷对应的考虑回弹效应的需求响应事件；
小波分析模块，针对一类灵活性负荷，设置对应的小波基，根据预设的小波分解模型对一类灵活性负荷对应的考虑回弹效应的需求响应事件进行小波分解，得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数；根据预设的小波处理模型，将近似小波系数CAn和不同尺度的细节小波系数中的低频部分置零，得到回弹效应对应的小波系数；所述预设的小波重构模型，对回弹效应对应的小波系数进行重构，得到重构后的负荷曲线；通过设置阈值分析重构后的负荷曲线回弹效应的开始时刻和结束时刻，得到回弹效应辨识时长指标；
辨识检验模块，通过调整小波基或者阈值，得到不同类型的回弹效应辨识时长指标，通过预设的辨识检验模型，判断出准确性最优的回弹效应辨识时长指标，得到最优的回弹效应辨识时长指标中对应的小波基和阈值,以小波基和阈值作为对基于小波分解的需求响应回弹时长分析的最优结果。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述的一种基于小波分解的需求响应回弹时长分析方法。
与现有技术相比，本发明的有益效果在于：
本发明提出了一种基于小波分解的需求响应回弹时长分析方法，通过对各类灵活性负荷的负荷曲线进行分析，生成各类灵活性负荷对应的考虑回弹效应的需求响应事件；针对一类灵活性负荷，进行小波分解、小波处理和小波重构的操作，得到回弹效应辨识时长指标；通过调整小波基或者阈值，得到不同类型的回弹效应辨识时长指标，通过预设的辨识检验模型，判断出准确性最优的回弹效应辨识时长指标，得到最优的回弹效应辨识时长指标对应的小波基和阈值，以小波基和阈值作为对基于小波分解的需求响应回弹时长分析的最优结果。准确性最优的回弹效应辨识时长指标中对应的小波基和阈值是针对一类灵活性负荷准确度最优的分析结果，根据小波基和阈值能够指导实际应用中对回弹效应的时长进行正确的估计，得到准确度高的回弹效应时长，进而提升各类基线负荷估计方法的估计精度，避免最终的基线负荷估计结果出现过大偏差，使得电网在需求响应期间能够对用户进行合理的经济补偿。
进一步的，通过分别对典型负荷和非典型负荷的负荷曲线进行分析，得到各自对应的潜力分析结果，将灵活性负荷进行分类，使用不同的方法对不同的负荷曲线分析需求潜力分析结果，使产生的对应的考虑回弹效应的需求响应事件更加趋向于现实应用，提高后续对回弹效应进行分析的准确性。
本发明提出了一种基于小波分解的需求响应回弹时长分析系统，提高了辨识的准确度，根据准确度高的规划对用户分发经济补偿，进而激励用户减少尖峰负荷的方式，确保电力系统功率平衡，在提升电网安全稳定的基础上，降低电网运行维护的操作成本。
附图说明
图1为本发明提出了一种基于小波分解的需求响应回弹时长分析方法及系统的方法流程图。
图2为本发明提出了一种基于小波分解的需求响应回弹时长分析方法及系统的小波分解的流程图。
图3为本发明提出了一种基于小波分解的需求响应回弹时长分析方法及系统的小波分解过程的二叉树图。
图4为本发明提出了一种基于小波分解的需求响应回弹时长分析方法及系统的系统模块图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
本发明提出了一种基于小波分解的需求响应回弹时长分析方法，请参阅图1，包括，
获取电力系统中的各类灵活性负荷以及对应的负荷曲线；
通过对各类灵活性负荷的负荷曲线进行需求响应潜力分析，生成各类灵活性负荷对应的考虑回弹效应的需求响应事件；
针对一类灵活性负荷，设置对应的小波基，根据预设的小波分解模型对一类灵活性负荷对应的考虑回弹效应的需求响应事件进行小波分解，得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数；
根据预设的小波处理模型，将近似小波系数CAn和不同尺度的细节小波系数中的低频部分置零，得到回弹效应对应的小波系数；
所述预设的小波重构模型，对回弹效应对应的小波系数进行重构，得到重构后的负荷曲线；
通过设置阈值分析重构后的负荷曲线回弹效应的开始时刻和结束时刻，得到回弹效应辨识时长指标；
通过调整小波基或者阈值，得到不同类型的回弹效应辨识时长指标，通过预设的辨识检验模型，判断出准确性最优的回弹效应辨识时长指标，得到最优的回弹效应辨识时长指标中对应的小波基和阈值，以小波基和阈值作为对基于小波分解的需求响应回弹时长分析的最优结果。
在生成考虑回弹效应的需求响应事件时，首先要考虑各类灵活性负荷，如电动汽车和电采暖负荷等的实际情况，结合灵活性负荷自带的负荷曲线，对负荷区间进行需求响应潜力分析，进而实现需求响应事件的生成，并结合电动汽车、电采暖等负荷类型的对应约束条件，从而生成考虑回弹效应的需求响应事件。
接着进行小波分析的过程，首先使用小波分解的方式，对考虑回弹效应的需求响应事件的负荷曲线进行小波分解，小波处理以及小波重构，从而生成对应的重构后的负荷曲线。
根据重构后的负荷曲线，生成回弹效应辨识时长指标，通过辨识检验模型对回弹效应辨识时长指标进行最终辨检验，得到最优的回弹效应辨识时长指标对应的小波基和阈值，以此作为对回弹效应辨识时长指标的标准。
能够对回弹效应的时长进行正确的估计，提升了各类负荷估计方法的估计精度，避免最终的负荷估计结果出现偏差，使得电网在需求响应期间能够按照正确的规划对用户进行经济补偿。进而激励用户减少尖峰负荷的方式，确保电力系统功率平衡，在提升电网安全稳定的基础上，降低电网运行维护的操作成本。
在本发明的具体实施例中，请参阅图1，所述灵活性负荷包括典型负荷和非典型负荷；
所述考虑回弹效应的需求响应事件包括考虑回弹效应的典型需求响应事件和考虑回弹效应的非典型需求响应事件。
由于灵活性负荷中具有不同的类型，因此对不同类型的负荷要进行不同的处理操作，从而得到对应的考虑回弹效应的需求响应事件，能够提高最终辨识结果的准确度。
在本发明的具体实施例中，请参阅图1，所述对各类灵活性负荷的负荷曲线进行需求响应潜力分析包括对典型负荷的负荷曲线和非典型负荷的负荷曲线进行分析；
通过对典型负荷的负荷曲线进行分析，得到对应的潜力分析结果；
所述典型负荷包括温控负荷和电动汽车负荷；
所述温控负荷进行需求响应潜力分析的公式如下：
式中，Troom表示室内温度，T0表示环境温度，R表示建筑等效热阻，C表示建筑等效热容，Q表示等效热率，Δt表示时刻t和相邻下一时刻t+1之间的时间长度，t表示时间；
所述电动汽车负荷进行需求响应潜力分析的公式如下：
(SOCDrend-SOCDrstart)×C＝Pevpot×(TDrend-TDrstart)；
(SOCneed-SOCDrend)×C＝Pcv×(Tdrop-TDrend)；
式中，SOCDrstart表示电动汽车蓄电池在DR时段开始时刻的荷电状态，SOCDrend表示电动汽车蓄电池在DR时段结束时刻的荷电状态，Pevpot为电动汽车响应潜力，TDrstart表示DR时段的开始时间，TDrend表示DR时段的结束时间；
根据潜力分析结果生成对应的考虑回弹效应的典型需求响应事件；
所述非典型负荷类型通过切比雪夫定理生成对应的考虑回弹效应的非典型需求响应事件。
对于温控负荷，其需求响应潜力分析可以基于温控负荷用电量与对应温度的随时间变化的对应模型，即
以电采暖负荷为例，表示在电采暖负荷关闭时，室内的温度随时间推移而降低的过程，/>表示电采暖负荷开启时，室内的温度随时间推移而升高的过程。
针对温控负荷的需求响应潜力分析模型，如果假设对应数据时间分辨率为1小时，则可设其时间区间集合为T∈{1，2...i...24}，对于该时间集合中任意时刻t，其下一个时刻为t+1，时刻t和相邻下一时刻t+1之间的时间长度为Δt，当数据分辨率为1小时的情况下，其Δt也为1小时。时间集合T对应的元素数目可以根据对应待分析日的负荷数据分辨率进行调整，以对应负荷数据的分辨率改为15min举例，当改为15min时，对应的时间集合可以将变为T∈{1，2...t...96}，对应Δt的长度也将变为15min。Troom表示室内温度，T0表示环境温度，R表示建筑等效热阻，C表示建筑等效热容，Q表示等效热率。
其中R、C、和Q均通过对于系统观察得到的温度和功率变化曲线拟合得到。以此构建温控负荷模型，从而进行温控负荷潜力分析。分析的具体过程如下：
电采暖运行的目的，是为了在运行过程中，使室内的温度保持在一定的舒适度区间范围内，因此，当电采暖负荷运行在正常状态时，电采暖负荷会以一定的频率进行开关，使得温度恒定维持在舒适度区间范围内。而在参与需求响应的过程中，为了实现负荷削减，用户往往会关闭电采暖负荷或减少电采暖负荷的功率，这一过程虽然会导致负荷削减，但也可能导致室内的温度低于对应舒适度区间的范围。因此在需求响应事件结束之后，为了使温度尽快回升到舒适度范围内，电采暖会在该时段不关闭的状态以恒定功率运行，使得该时段内的平均负荷升高，从而导致回弹效应的出现，因此，如果能够获得需求响应时段结束时刻的室内温度Tepdrend，就可以通过中对应R、C、和Q等历史负荷数据拟合得到的参数，以及对应时段内电采暖负荷的功率Preb，根据获得电采暖负荷能够使得温度回升到舒适度区间内时，所需要的回弹时间长度。而该时段电采暖负荷最大的运行功率，就是其回弹效应对应时段的最大回弹功率大小。
对于电动汽车负荷，是在已知对应电动汽车充电站大量历史负荷曲线的前提下，分析其电动汽车到达和离开时间对应范围，并基于电动汽车最大可能的预计到达和离开时间Tarr和Tdrop，结合电动汽车期望电量SOCneed以及电动汽车电池的最大充电功率Pcv和电池容量以及DR时段开始时间TDrstart和结束时间TDrend，得到电动汽车充电站全天各个时刻的响应潜力。
具体到回弹场景分析的角度，电动汽车参与需求响应期间，其充电功率会出现衰减，如果情况需要，电动汽车在参与需求响应的过程中甚至会出现向充电站倒放电的情况。因此在需求响应结束时刻开始，到电动汽车离开充电站期间，电动汽车必须以相对较大的功率进行充电，从而满足电动汽车离开时刻前，电池内的电量达到车主满意的期望电量，这个过程的存在，也会导致回弹效应的出现。电动汽车充电站内大量电动汽车参与需求响应的过程同时结束之后，随之发生的回弹效应会显著改变充电站需求响应结束后的负荷需求，电动汽车充电站的回弹效应因此变得不可忽略。
在上述分析温控负荷、电动汽车充电站等典型负荷参与需求响应过程的基础上，生成对应的回弹效应场景。具体流程如下：
首先，进行灵活性负荷分类研究：
对于电采暖类型的灵活性负荷，使用建立的温控负荷的需求响应潜力分析模型，计算得到电采暖类型灵活性负荷的最大响应潜力。
对于电动汽车类型的灵活性负荷，使用建立电动汽车充电站全天各个时刻的需求响应潜力分析模型，计算得到电动汽车充电站类型灵活性负荷的最大响应潜力。
进而计算得到的电采暖、电动汽车等典型负荷的最大响应潜力，以及对应最大响应潜力部分对应的最大回弹效应负荷。电动汽车集群或温控负荷可以在最大需求响应潜力范围内以任意的负荷削减量参与需求响应，而在参与需求响应之后的回弹效应，通过对应的潜力分析模型计算得到，通过分析温控负荷和电动汽车的潜力分析模型，可以获得电动汽车和温控负荷等柔性负荷类型参与需求响应事件导致的回弹效应对应的负荷回弹量。
对于非典型负荷，其回弹效应可以使用如下步骤进行分析：
假设用户每日时段为T∈{1，2...i...24}，提取历史月负荷中各个小时的历史负荷，如对于上月各时刻负荷，每月0点的负荷集合为T0∈{t0-0,t1-0...ti-0...t24-0}，每月1点的负荷集合为T1∈{t0-1,t1-1...ti-1...t24-1}，依次类推。依次计算各时刻负荷集合的平均值和标准差，根据切比雪夫定理，用户的用电负荷数据中，3/4将分布在平均值上下两个标准差的范围内波动。以每月所有0点负荷集合的分析为例，计算得到每月0点负荷集合中的标准差σ0和平均值avg0，可以获得用户在0点的用能区间为[avg0-2σ0,avg0+2σ0]。由于用户的回弹效应过程中，负荷上升的范围不会超过用户的正常用能区间，但是用户的负荷量会由于回弹效应而显著增加，因此使用avg0+2σ0的范围表征对应用户因为回弹效应增加到的负荷值。
在本发明的具体实施例中，请参阅图1，所述对应的小波基从预设的各类小波中选择与灵活性负荷的负荷曲线的形状最相似的小波。
根据二尺度方程构造如下小波基：
在本发明的具体实施例中，请参阅图1，所述预设的小波分解模型的递推公式如下：
式中，i为节点号，j为分解级数，k为对应的各个负荷时刻，n表为分解的小波层数，ψ(t)为小波母函数，h(n)和g(n)＝(-1)nh(1-n)为一对正交镜像滤波器，为小波分解系数。
若假设生成的带有回弹效应的用电负荷曲线为g(t)，则可以将其进行小波分解，根据选定的小波基，生成的带有回弹效应的用电负荷曲线表示一个负荷序列，其各时刻的负荷可以表用集合的形式表示为{f(0),gf1)...fi)...f(24)}，对于其中各个点的负荷进行小波分解，对于集合内第k个时刻的负荷进行小波分解可以获得对应第k个时刻的小波系数，通过多级分解可以获得多级对应的小波系数。
在本发明的具体实施例中，请参阅图1、图2和图3，所述根据预设的小波分解模型对一类灵活性负荷对应的考虑回弹效应的需求响应事件进行小波分解，得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数具体包括，
第一次分解得到第一层级的近似小波系数CA1和细节小波系数CD1
将第一层级的近似小波系数CA1进行分解，得到第二层级的近似小波系数CA2和细节小波系数CD2；
不断分解上一层级的近似小波系数CAn-1，得到本层级的近似小波系数CAn和细节小波系数CDn；
所述不同尺度的细节小波系数包括第一层级的细节小波系数CD1、第二层级的细节小波系数CD2以及第n层级的细节小波系数CDn；
最终得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数；
所述预设的小波处理模型将近似小波系数CAn和部分低频对应的细节小波系数CDn,CDn-1置零；
所述预设的小波重构模型进行重构，得到重构后的负荷曲线。
将每一层级的低频成分进行逐级递推，不断分离低频成分的高频信息，获得原回弹场景f(t)对应的负荷曲线的近似小波系数CAn和多层细节小波系数CDn,CDn-1,CDn- 2...CD1，其中不同层级的小波系数，分别代表回弹效应对应负荷曲线的低频和高频成分。
对小波系数进行处理，将代表低频成分的近似小波系数CAn和部分代表低频的细节小波系数等置零，从而实现去除回弹负荷曲线中的低频成分，仅保留高频成分，也就是回弹效应导致的负荷突变量对应的小波系数。利用已经对系数进行处理后的结果进行小波重构。获得重构后的波形。对于处理之后的回弹效应场景对应的各级小波系数，使用如下公式进行小波重构：若假设原始信号的长度为m×2N，则有：
其中，和/>分别为根据二尺度方程构造出的小波基函数，/>和是信号/>在第j级，k点处的小波分解系数。从而得到重构后的回弹效应负荷的高频部分，也就是代表考虑回弹效应当中负荷突变量对应部分的曲线。
小波分解是逐层分解，每次分解都能得到对应的，代表高频分量和低频分量的小波系数，分解得到的最终结果，是如图3所示的一组类似于二叉树的系数。
在需要进行小波重构时，首先需要进行小波分解过程的回顾。为进行小波分解过程的计算，需要首先获得某一级的系数进行下一级分解时，其所需要的小波基函数，如果假设对第j-1级的第i个节点的小波系数进行分解，将其进行下一级分解时，其可以得到的小波系数在节点当中的编号为2i和2i+1，因此可以根据二尺度方程，构造其下一级节点编号分别为2i和2i+1的节点对应的小波基；
其中，节点编号分别为2i的节点，其小波系数计算过程需要的小波基为
节点编号分别为2i+1的节点，其小波系数计算过程需要的小波基为
在小波分解完成之后，基于小波分解的系数，还原得到其原本的负荷曲线，也就是小波重构过程，需要基于第j级下的小波系数，获得对应第j-1级下的小波系数。如果已知其第j级下的小波系数，而其上一级，即(j-1)级下对应节点编号为i，则其下一级，也就是第j级下的小波系数所在的节点编号分别为2i和2i+1；
对应的的含义，就是已知其j-1级节点编号为i的情况下，其下一级小波分解系数，第j级的系数的节点编号为2i的节点对应的小波系数。
对应的的含义，就是已知其j-1级节点编号为i的情况下，其下一级小波分解系数，第j级的系数的节点编号为2i+1的节点对应的小波系数。
在本发明的具体实施例中，请参阅图1，所述通过设置阈值分析重构后的负荷曲线回弹效应的开始时刻和结束时刻，得到回弹效应辨识时长指标具体包括，
通过设置阈值Tthre划定重构后回弹效应识别的范围为从需求响应结束时刻Tend到阈值对应时刻Tend+Tthre，在重构后回弹效应识别的范围中找到负荷最大值对应的时刻Tmax；
回弹效应时长辨识方案为在Tmax的附近得到最近的前零点和后零点，所述前零点作为重构后的回弹效应事件开始时刻Trebst，所述后零点重构后的回弹效应事件结束时刻Trebed；
对于重构后波形进行分析，获得回弹效应开始和结束时刻
之后，对于小波重构之后的曲线，首先划定回弹效应识别的搜寻范围，设置对应的阈值Tthre，之后在需求响应结束时刻Tend到之后阈值部分对应时刻Tend+Tthre，搜寻重构后曲线的最大值，即若重构后负荷曲线在对应时段内的负荷依次为f(Tend)，f(Tend+1)…f(Tend+Tthre)，则待搜寻时刻为Tmax＝arg(f(Tend)，f(Tend+1)…f(Tend+Tthre))..其中arg表示搜寻f(Tend)，f(Tend+1)…f(Tend+Tthre)中最大值对应的时刻。之后，在Tmax附近，搜寻其之前和之后的过零点Tbeforezero，Tafterzero，将其分别作为重构后的回弹效应开始时刻Trebst和重构后的回弹效应结束时刻Trebed。
在本发明的具体实施例中，请参阅图1，所述通过预设的辨识检验模型判断出准确性最优的回弹效应辨识时长指标具体包括，
根据预设的重构前的回弹效应事件的开始时刻Trebst_real和预设的重构前的回弹效应事件的结束时刻Trebed_real建立回弹效应评价准确性评估指标，对回弹效应进行辨识，对应的公式如下：
MAEreb＝|Trebst_real-Trebst|+|Trebed_real-Trebed|；
式中，MAEreb表示回弹效应辨识准确度指标。
根据回弹效应辨识准确度指标分别判断不同类型的回弹效应辨识时长指标的准确度，得到准确度最高的回弹效应辨识时长指标。
将回弹效应开始和结束时刻与预设的辨识检验模型根据预设的重构前的回弹效应事件的开始时刻Trebst_real和预设的重构前的回弹效应事件的结束时刻Trebed_real进行对比，建立回弹效应评价准确性评估指标，对于生成的回弹效应，设置其生成回弹效应事件时，原本设置的回弹效应开始时刻和结束时刻分别为Trebst_real和Trebed_real，通过本方法获得的回弹效应开始和结束时刻分别为Trebst和Trebed。
使用多种不同小波基和不同小波系数处理方法进行分析，对于待实现回弹效应辨识的用户，通过改变搜寻范围阈值Tthre对应的数值大小，或者选取不同类型的小波基进行分解，从而确定不同类型的回弹效应辨识方案。对多种不同方案进行对比，获得最优方案。通过本专利建立的MAEreb指标，分析不同回弹效应辨识方案的性能，从而选择最优的回弹效应辨识方法对应的小波函数和阈值Tthre。
本发明提出了一种基于小波分解的需求响应回弹时长分析系统，请参阅图3，包括，
采集模块，获取电力系统中的各类灵活性负荷以及对应的负荷曲线；
生成模块，通过对各类灵活性负荷的负荷曲线进行分析，生成各类灵活性负荷对应的考虑回弹效应的需求响应事件；
小波分析模块，针对一类灵活性负荷，设置对应的小波基，根据预设的小波分解模型对一类灵活性负荷对应的考虑回弹效应的需求响应事件进行小波分解，得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数；根据预设的小波处理模型，将近似小波系数CAn和不同尺度的细节小波系数中的低频部分置零，得到回弹效应对应的小波系数；所述预设的小波重构模型，对回弹效应对应的小波系数进行重构，得到重构后的负荷曲线；通过设置阈值分析重构后的负荷曲线回弹效应的开始时刻和结束时刻，得到回弹效应辨识时长指标；
辨识检验模块，通过调整小波基或者阈值，得到不同类型的回弹效应辨识时长指标，通过预设的辨识检验模型，判断出准确性最优的回弹效应辨识时长指标，得到最优的回弹效应辨识时长指标中对应的小波基和阈值,以小波基和阈值作为对基于小波分解的需求响应回弹时长分析的最优结果。
利用小波分解方法进行需求响应回弹效应辨识，将带有回弹效应的负荷曲线进行小波分解，获取负荷曲线对应的多个层级的小波系数，小波系数可以分为近似小波系数和细节小波系数两类。其中近似小波系数和一部分细节小波系数代表负荷曲线的低频成分，另一部分细节小波系数代表负荷曲线中的高频成分。将代表低频成分的小波系数去除，仅使用代表高频成分的小波系数进行小波重构，对于重构后的曲线，在一定阈值范围内寻找需求响应结束时段后的过零点，将一前一后两个过零点作为回弹效应的开始和结束时刻。经过使用生成预先已知开始结束时刻的回弹事件进行验证的方式，因此具有辨识准确度高的优点。在电力系统领域的应用较为新颖，且应用效果良好，不但填补了电力系统需求响应基线负荷估计领域无法识别用户已经发生的回弹效应的空白，而且为大规模的用户集群批量识别回弹效应发生时段提供了可供使用的系统。
本发明提出了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述的一种基于小波分解的需求响应回弹时长分析方法。
在本发明中提出一种具体实施例，步骤1：生成对应待分析考虑回弹效应的虚拟DR场景。并在生成的虚拟DR场景当中增加回弹效应事件。所述步骤1具体可以包含以下子步骤：
步骤11：数据选取：所述分析数据集包含来自北京地区某非工业热力生产与供应用户，其电压等级为交流10kV，数据时间跨度为2021年1月1日到2022年12月31日,数据集时间分辨率为15min。由于本专利对应数据集中并未包含真实的激励型DR事件，因此需要根据一定原则，选取数据集时间跨度内的某些日期，并假设它们中的某些时段内出现了DR事件，进而生成对应的，考虑回弹效应的虚拟DR事件。同时，根据开源气象网站的查询，查找北京石景山地区对应待分析时段的室外气象温度，结合设定的室内温度舒适区间，根据温控负荷ETP模型，拟合得到对应用户模型的热力参数，结合目前学界研究的温控负荷参与需求响应控制策略，生成考虑需求响应与回弹效应对应场景。
步骤12：DR事件与时段选择：本项目选取DR事件发生日期与时段的原则如下：选择该数据集当中日负荷最高的10天作为假设发生虚拟DR事件的日期，对应选择各个日期负荷最高的时段为对应的虚拟DR事件的发生时段。
步骤13：生成需求响应与回弹事件：本项目假设发生DR事件后，负荷用能变为原来的0.5倍，即对于回弹效应期间任意时刻的用电负荷，若假设对应负荷大小为Pdr(t)，原时刻负荷大小为Pdrorg(t)，则有Pdr(t)＝Pdrorg(t)×0.5。同时，根据目前对于温控负荷的研究成果，观察目前对于温控负荷参与需求响应后的回弹效应波形形状，生成对应参与需求响应后的温控负荷回弹效应场景。
本领域的技术人员容易理解的是，除了电采暖负荷类型之外，其他各种类型的负荷，如电动汽车及其充电站与充电桩负荷、工业灵活负荷等其他各类柔性负荷，都可以用于本专利使用的方法生成的虚拟DR场景中。
本领域的技术人员容易理解的是，除了本专利当前使用的改变负荷幅值的方法之外，给负荷曲线添加高斯白噪音，以及使用其他各类概率分布模型，如正态分布和偏态分布，如威布尔分布等，所生成的考虑回弹效应的需求响应场景，均可以使用在本专利提出的方法当中。
步骤2：编写适用于回弹效应的小波分解程序：通过小波分解程序将负荷曲线分解成表征不同频率特征的多层小波系数，将小波系数进行处理后重构小波，从而获得对应的小波处理后曲线。
步骤21：基于Python语言中带有的pywt库内置的pywt.wavedec函数，进行本专利对应的小波分解部分，本专利使用harr小波进行小波分解，小波分解层数使用pywt.wavedec函数默认值,对待分析的考虑回弹效应的虚拟DR场景,在时间分辨率为15min时,每次传入对应待分析虚拟DR场景发生当天全部数据,即传入数据包含当天24小时内的维度为的一维有功功率数据.则有可以根据pywt.wavedec函数,使用harr小波分解得到1层近似小波系数和6层细节小波系数.对应过程中，若设小波系数集合为coeffs，则有coeffs＝pywt.wavedec(data,'haar')，其中data对应的是待分解的96点负荷曲线。
本领域的技术人员容易理解的是，除了分辨率为15min的负荷数据之外，其他各类分辨率对应的数据，如分辨率为1小时的负荷数据，或者分辨率为1分钟的负荷数据等，都可以应用到本专利所提出的小波分解方法进行需求响应回弹效应辨识的过程当中去。同时，将小波系数分解层数过程进行进一步的细分或者简化的回弹效应辨识方法，也都包含在本专利所述方法之内。
步骤22:针对分解得到的各级小波系数进行对应数据处理，基于Python中pywt.wavedec函数的小波分解原理为对于低频部分逐级分解,在采取默认分解层数的前提下,该函数生成的小波分解对应结果为长度为7的一个列表.列表中存储的各数据,分别代表小波分解的不同层级系数.其中在列表中的索引越低,则更趋向于代表对应生成的回弹效应需求响应负荷曲线中的低频成分,在列表中的索引越高,则更趋向于代表对应生成的回弹效应需求响应负荷曲线中的高频成分.本专利对于小波分解系数的处理方法,为将索引为0,1,2层的小波分解系数置零.即coeffs[1]*＝0，coeffs[2]*＝0，coeffs[0]*＝0。
步骤23:针对处理之后的各级小波系数进行小波重构，针对置零之后的各级小波系数,使用Python语言中带有的pywt库内置的pywt.waverec函数,进行小波重构,从而还原得到对应原考虑回弹效应的负荷曲线当中的高频成分.由于高频成分可以反应原负荷曲线中因为回弹效应导致的突变成分,因此可以进行后续对于回弹效应导致的负荷突变量的分析.假设meta为重构后的曲线，则有meta＝pywt.waverec(coeffs,'haar')。
优选地，还可通过例如C、C++、MATLAB等编程语言来编写对应小波分解程序。
步骤3：寻找一定时间范围内的小波极大值：由于在生成对应的考虑回弹效应的虚拟DR事件时,虚拟DR事件对应的结束时间是已知的,因此可以根据已知的DR事件结束时间,在设置号的阈值范围内寻找到高频负荷变化的极大值,从而寻找到回弹效应影响到的时间区间范围中的对应时刻。
步骤31：通过python中的最大值查找函数，即rebtime＝np.argmax(meta1)进行一定时间阈值范围内的小波重构曲线极大值查找，其中meta1是通过阈值方法截取到的DR事件结束到指定阈值范围内的负荷重构曲线。
步骤32:寻找回弹效应影响的开始和结束时刻：在寻找到的小波极大值附近,寻找对应之前和之后的过零点,过零点的时刻即为小波分解对应的回弹开始和结束时刻.
步骤33：建立回弹效应辨识准确性评估指标：建立回弹效应评价辨识准确性评估指标，对于生成的回弹效应，设置其生成回弹效应场景时，原本设置的回弹效应开始时刻和结束时刻分别为Trebst_real和Trebed_real，通过本专利所述方法获得的回弹效应开始和结束时刻分别为Trebst和Trebed。之后，将其开始和结束时刻的误差时间分别设置为|Trebst_real-Trebst|和|Trebed_real-Trebed|。则若设回弹效应辨识准确度指标为MAEreb，则有MAEreb＝|Trebst_real-Trebst|+|Trebed_real-Trebed|。
本领域的技术人员容易理解的是，除了本专利目前提出的对应评价指标之外，其他类型的评价指标，如将回弹开始时刻和回弹结束时刻的识别误差区分开来，变为两个指标综合考量，或者使用鲁棒性分析等方法提出其他类型的回弹效应辨识方法准确性评价指标，都可以应用在本专利提出的评价指标建立方法之内。
步骤34：使用不同小波基,不同阈值方案下小波分解方法对应回弹效应辨识效果的对比：分析不同阈值方案,如1.5小时，2小时，3小时,4小时,5小时等下的小波分解方法辨识回弹效应的效果好坏.同时,改变小波函数选择类型,如选择db小波、Symlet小波,Coiflet小波等不同类型,进行小波分解效果的分析.对比效果显示,在设置生成的回弹时间为1小时的前提下,使用本专利中的数据进行分析时,设置1.5小时的阈值方案,同时使用harr小波进行分析时,可以获得最好的分析效果.
优选地，其他任意可以用作小波分解的小波类型，都可以用于本专利提出方法的小波分解过程当中去。其他不同阈值时刻设置，也都可以应用在本专利所提出的方法之中。
步骤35：进行实际辨识效果的分析：通过使用不同小波系数置零之后的辨识效果进行分析,结果显示对于96点的分析数据中,将harr小波分解获得的7层小波系数的前3层进行置零,能够获得最好的识别效果.
步骤36:获得最优的使用小波分解方法进行回弹效应辨识的对应方案：将小波分解的效果带入生成的事件进行分析,获得对应的小波分解方法进行回弹效应辨识结果偏差量,综合分析使用小波分解方法辨识得到的对应生成的10个虚拟DR场景的对应误差,通过本专利构建的辨识方法和判断指标,
判断指标方法如下所示：
通过计算分析，可得平均每个场景的辨识误差为0.45小时，考虑到辨识误差的指标同时结合了回弹开始和回弹结束时间，将辨识误差与设置的总回弹时间为2.5小时进行对比，可以证明本专利提出的使用小波分解方法进行回弹效应的辨识效果良好。
本领域的技术人员容易理解的是，除了生成10个虚拟DR场景之外，生成20个，30乃至更多个场景，以及使用不同的虚拟DR日和DR时段选取方法，都适用于本专利提出的方法之中。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (10)
1.一种基于小波分解的需求响应回弹时长分析方法，其特征在于，包括，
获取电力系统中的各类灵活性负荷以及对应的负荷曲线；
通过对各类灵活性负荷的负荷曲线进行需求响应潜力分析，生成各类灵活性负荷对应的考虑回弹效应的需求响应事件；
针对一类灵活性负荷，设置对应的小波基，根据预设的小波分解模型对一类灵活性负荷对应的考虑回弹效应的需求响应事件进行小波分解，得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数；根据预设的小波处理模型，将近似小波系数CAn和不同尺度的细节小波系数中的低频部分置零，得到回弹效应对应的小波系数；所述预设的小波重构模型，对回弹效应对应的小波系数进行重构，得到重构后的负荷曲线；通过设置阈值分析重构后的负荷曲线回弹效应的开始时刻和结束时刻，得到回弹效应辨识时长指标；
通过调整小波基或者阈值，得到不同类型的回弹效应辨识时长指标，通过预设的辨识检验模型，判断出准确性最优的回弹效应辨识时长指标，得到最优的回弹效应辨识时长指标中对应的小波基和阈值，以小波基和阈值作为对基于小波分解的需求响应回弹时长分析的最优结果。
2.根据权利要求1所述的一种基于小波分解的需求响应回弹时长分析方法，其特征在于，所述灵活性负荷包括典型负荷和非典型负荷；
所述考虑回弹效应的需求响应事件包括考虑回弹效应的典型需求响应事件和考虑回弹效应的非典型需求响应事件。
3.根据权利要求2所述的一种基于小波分解的需求响应回弹时长分析方法，其特征在于，所述对各类灵活性负荷的负荷曲线进行需求响应潜力分析包括对典型负荷的负荷曲线和非典型负荷的负荷曲线进行分析；
通过对典型负荷的负荷曲线进行分析，得到对应的潜力分析结果；
所述典型负荷包括温控负荷和电动汽车负荷；
所述温控负荷进行需求响应潜力分析的公式如下：
式中，Troom表示室内温度，T0表示环境温度，R表示建筑等效热阻，C表示建筑等效热容，Q表示等效热率，Δt表示时刻t和相邻下一时刻t+1之间的时间长度，t表示时间；
所述电动汽车负荷进行需求响应潜力分析的公式如下：
(SOCDrend-SOCDrstart)×C＝Pevpot×(TDrend-TDrstart)；
(SOCneed-SOCDrend)×C＝Pcv×(Tdrop-TDrend)；
式中，SOCDrstart表示电动汽车蓄电池在DR时段开始时刻的荷电状态，SOCDrend表示电动汽车蓄电池在DR时段结束时刻的荷电状态，Pevpot为电动汽车响应潜力，TDrstart表示DR时段的开始时间，TDrend表示DR时段的结束时间；
根据潜力分析结果生成对应的考虑回弹效应的典型需求响应事件；
所述非典型负荷类型通过切比雪夫定理生成对应的考虑回弹效应的非典型需求响应事件。
4.根据权利要求1所述的一种基于小波分解的需求响应回弹时长分析方法，其特征在于，所述对应的小波基从预设的各类小波中选择与灵活性负荷的负荷曲线的形状最相似的小波。
5.根据权利要求4所述的一种基于小波分解的需求响应回弹时长分析方法，其特征在于，所述预设的小波分解模型的公式如下：
式中，i为节点号，j为分解级数，k为对应的各个负荷时刻，n表为分解的小波层数，ψ(t)为小波母函数，h(n)和g(n)＝(-1)nh(1-n)为一对正交镜像滤波器，为小波分解系数。
6.根据权利要求5所述的一种基于小波分解的需求响应回弹时长分析方法，其特征在于，所述根据预设的小波分解模型对一类灵活性负荷对应的考虑回弹效应的需求响应事件进行小波分解，得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数具体包括，
第一次分解得到第一层级的近似小波系数CA1和细节小波系数CD1；
将第一层级的近似小波系数CA1进行分解，得到第二层级的近似小波系数CA2和细节小波系数CD2；
不断分解上一层级的近似小波系数CAn-1，得到本层级的近似小波系数CAn和细节小波系数CDn；
所述不同尺度的细节小波系数包括第一层级的细节小波系数CD1、第二层级的细节小波系数CD2以及第n层级的细节小波系数CD。
7.根据权利要求6所述的一种基于小波分解的需求响应回弹时长分析方法，其特征在于，所述通过设置阈值分析重构后的负荷曲线回弹效应的开始时刻和结束时刻，得到回弹效应辨识时长指标具体包括，
通过设置阈值Tthre划定重构后回弹效应识别的范围为从需求响应结束时刻Tend到阈值对应时刻Tend+Tthre，在重构后回弹效应识别的范围中找到负荷最大值对应的时刻Tmax；
回弹效应时长辨识指标为在Tmax的附近得到最近的前零点和后零点，所述前零点作为重构后的回弹效应事件开始时刻Trebst，所述后零点重构后的回弹效应事件结束时刻Trebed。
8.根据权利要求7所述的一种基于小波分解的需求响应回弹时长分析方法，其特征在于，所述通过预设的辨识检验模型判断出准确性最优的回弹效应辨识时长指标具体包括，
根据预设的重构前的回弹效应事件的开始时刻Trebst_real和预设的重构前的回弹效应事件的结束时刻Trebed_real建立回弹效应评价准确性评估指标，对回弹效应进行辨识，对应的公式如下：
MAEreb＝|Trebst_real-Trebst|+|Trebed_real-Trebed|；
式中，MAEreb表示回弹效应辨识准确度指标；
根据回弹效应辨识准确度指标分别判断不同类型的回弹效应辨识时长指标的准确度，得到准确度最高的回弹效应辨识时长指标。
9.一种基于小波分解的需求响应回弹时长分析系统，其特征在于，包括，
采集模块，获取电力系统中的各类灵活性负荷以及对应的负荷曲线；
生成模块，通过对各类灵活性负荷的负荷曲线进行分析，生成各类灵活性负荷对应的考虑回弹效应的需求响应事件；
小波分析模块，针对一类灵活性负荷，设置对应的小波基，根据预设的小波分解模型对一类灵活性负荷对应的考虑回弹效应的需求响应事件进行小波分解，得到回弹效应事件对应的近似小波系数CAn和不同尺度的细节小波系数；根据预设的小波处理模型，将近似小波系数CAn和不同尺度的细节小波系数中的低频部分置零，得到回弹效应对应的小波系数；所述预设的小波重构模型，对回弹效应对应的小波系数进行重构，得到重构后的负荷曲线；通过设置阈值分析重构后的负荷曲线回弹效应的开始时刻和结束时刻，得到回弹效应辨识时长指标；
辨识检验模块，通过调整小波基或者阈值，得到不同类型的回弹效应辨识时长指标，通过预设的辨识检验模型，判断出准确性最优的回弹效应辨识时长指标，得到最优的回弹效应辨识时长指标中对应的小波基和阈值,以小波基和阈值作为对基于小波分解的需求响应回弹时长分析的最优结果。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述的一种基于小波分解的需求响应回弹时长分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310628322.XA CN116722557B (zh) | 2023-05-30 | 2023-05-30 | 一种基于小波分解的需求响应回弹时长分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310628322.XA CN116722557B (zh) | 2023-05-30 | 2023-05-30 | 一种基于小波分解的需求响应回弹时长分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116722557A true CN116722557A (zh) | 2023-09-08 |
| CN116722557B CN116722557B (zh) | 2024-06-21 |
Family
ID=87867114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310628322.XA Active CN116722557B (zh) | 2023-05-30 | 2023-05-30 | 一种基于小波分解的需求响应回弹时长分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116722557B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110808580A (zh) * | 2019-10-25 | 2020-02-18 | 国网天津市电力公司电力科学研究院 | 基于小波变换和极限学习机的电压暂降源快速辨识方法 |
| CN111985361A (zh) * | 2020-08-05 | 2020-11-24 | 武汉大学 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
| CN112633571A (zh) * | 2020-12-18 | 2021-04-09 | 浙江大学 | 源网荷互动环境下基于lstm的超短期负荷预测方法 |
| CN113922361A (zh) * | 2021-09-24 | 2022-01-11 | 西安理工大学 | 一种基于非侵入式配用电信息分解的安全隐患及故障保护方法 |
| CN113920375A (zh) * | 2021-11-01 | 2022-01-11 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 |
| CN114707690A (zh) * | 2022-01-29 | 2022-07-05 | 南京邮电大学 | 一种电动汽车充电桩负荷预测方法及装置 |
| CN115564197A (zh) * | 2022-09-22 | 2023-01-03 | 国网经济技术研究院有限公司 | 用户侧灵活性资源响应潜力评估方法、系统、设备和介质 |
| CN115587311A (zh) * | 2022-09-09 | 2023-01-10 | 北京兆瓦云数据科技有限公司 | 一种虚拟电厂调节负荷分解与辨识方法 |
-
2023
- 2023-05-30 CN CN202310628322.XA patent/CN116722557B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110808580A (zh) * | 2019-10-25 | 2020-02-18 | 国网天津市电力公司电力科学研究院 | 基于小波变换和极限学习机的电压暂降源快速辨识方法 |
| CN111985361A (zh) * | 2020-08-05 | 2020-11-24 | 武汉大学 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
| CN112633571A (zh) * | 2020-12-18 | 2021-04-09 | 浙江大学 | 源网荷互动环境下基于lstm的超短期负荷预测方法 |
| CN113922361A (zh) * | 2021-09-24 | 2022-01-11 | 西安理工大学 | 一种基于非侵入式配用电信息分解的安全隐患及故障保护方法 |
| CN113920375A (zh) * | 2021-11-01 | 2022-01-11 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 |
| CN114707690A (zh) * | 2022-01-29 | 2022-07-05 | 南京邮电大学 | 一种电动汽车充电桩负荷预测方法及装置 |
| CN115587311A (zh) * | 2022-09-09 | 2023-01-10 | 北京兆瓦云数据科技有限公司 | 一种虚拟电厂调节负荷分解与辨识方法 |
| CN115564197A (zh) * | 2022-09-22 | 2023-01-03 | 国网经济技术研究院有限公司 | 用户侧灵活性资源响应潜力评估方法、系统、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116722557B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116703183B (zh) | 一种新型配电网系统用电负荷评估方法 | |
| CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
| Unterluggauer et al. | Short‐term load forecasting at electric vehicle charging sites using a multivariate multi‐step long short‐term memory: A case study from Finland | |
| Verma et al. | A data-driven approach to identify households with plug-in electrical vehicles (PEVs) | |
| CN115169232B (zh) | 一种日高峰负荷预测方法、计算机设备以及可读存储介质 | |
| CN114548586B (zh) | 一种基于混合模型的短期电力负荷预测方法及系统 | |
| Zou et al. | A hybrid model based on multi-stage principal component extraction, GRU network and KELM for multi-step short-term wind speed forecasting | |
| DE102022202882A1 (de) | Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster | |
| CN112001521A (zh) | 一种基于多峰高斯分布拟合的电动汽车充电需求预测方法 | |
| CN117556369A (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
| Shuai et al. | Intelligent diagnosis of abnormal charging for electric bicycles based on improved dynamic time warping | |
| CN114977162A (zh) | 一种电动汽车充电监测方法及系统 | |
| CN116933962A (zh) | 一种面向电力用户负荷特性和可调节潜力的聚类方法 | |
| CN113809365B (zh) | 氢燃料电池系统电压衰减的确定方法、系统及电子设备 | |
| CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
| CN118137582A (zh) | 基于区域级电力系统源网荷储多目标动态调度方法及系统 | |
| CN116722557B (zh) | 一种基于小波分解的需求响应回弹时长分析方法及系统 | |
| CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
| CN109670875B (zh) | 一种铁路客票浮动定价优化管理方法 | |
| CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
| CN115470985A (zh) | 一种电动汽车充电负荷的预测方法及系统 | |
| CN113212244B (zh) | 一种新能源车辆动力电池寿命预测方法及系统 | |
| CN114239759A (zh) | 电动汽车的故障诊断方法、装置、电子设备及存储介质 | |
| Shen et al. | A Novel AI-based Method for EV Charging Load Profile Clustering | |
| Rajagopalan et al. | Electric Vehicle Charging Behavior Prediction using Machine Learning Models |
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 |