CN117132420B - 一种电力需求响应对象的响应特性分析方法和系统 - Google Patents

Abstract

本公开提供了一种电力需求响应对象的响应特性分析方法和系统，属于电力负荷分析技术领域；该方法包括：获取目标需求响应对象的历史负荷数据，历史负荷数据中依次记载有目标需求响应对象在响应日之前连续天中不同时刻的负荷；利用STL算法将历史负荷数据进行分解，得到趋势负荷分量和周期负荷分量；根据趋势负荷分量预测出目标需求响应对象在响应日的生产规模因子；利用S‑G滤波算法对周期负荷分量进行滤波处理，并根据滤波后的周期负荷分量预测出目标需求响应对象在响应日中预设响应时段内的可中断负荷信息；生成用于表征目标需求响应对象在响应日中预设响应时段的响应特性的响应特征向量，响应特征向量包括生产规模因子和可中断负荷信息。

Description

一种电力需求响应对象的响应特性分析方法和系统

技术领域

本公开涉及电力负荷分析技术领域，特别涉及一种电力需求响应对象的响应特性分析方法和系统。

背景技术

对于电力企业而言，负荷管理的总体原则是根据电网运行和负荷缺口情况，按照“需求响应优先、有序用电保底、节约用电助力”的总体原则，进行负荷资源统筹调节，其中相关柔性资源响应能力评估是纳入储备资源的重要环节。目前，对于需求响应对象的响应特性的评估往往采用定性评估方式，难以实现量化和分析。由此可见，本领域亟需一种对需求响应对象的响应特性进行定量评估分析的方法。

发明内容

本公开旨在解决相关技术中只能对需求响应对象的响应特性进行定性评估，难以实现量化和分析的问题；为解决上述技术问题，本公开提供了一种电力需求响应对象的响应特性分析方法和系统。

第一方面，本公开实施例提供了一种电力需求响应对象的响应特性分析方法，包括：

获取目标需求响应对象的历史负荷数据，所述历史负荷数据中依次记载有所述目标需求响应对象在响应日之前连续天中不同时刻的负荷，/>且为整数；

利用STL算法将所述历史负荷数据进行分解，得到趋势负荷分量和周期负荷分量；

根据所述趋势负荷分量预测出所述目标需求响应对象在所述响应日的生产规模因子；

利用S-G滤波算法对所述周期负荷分量进行滤波处理，并根据滤波后的所述周期负荷分量预测出所述目标需求响应对象在响应日中预设响应时段内的可中断负荷信息；

生成用于表征所述目标需求响应对象在响应日中所述预设响应时段的响应特性的响应特征向量，所述响应特征向量包括所述生产规模因子和所述可中断负荷信息。

在一些实施例中，在生成用于表征所述目标需求响应对象在所述预设响应时段的响应特性的响应特征向量的步骤之前，还包括：

获取响应日之前M次历史需求响应活动的历史需求响应记录，所述历史需求响应记录中记载有对应历史需求响应活动的申报参与对象信息和实际参与对象信息；

根据M次历史需求响应活动的历史需求响应记录，得到所述目标需求响应对象的历史响应效果特征；

所述响应特征向量还包括所述历史响应效果特征。

在一些实施例中，所述历史响应效果特征包括：历史申报参与率和历史有效响应率/>：

表示第i次历史需求响应活动中目标需求响应对象的申报参与情况，若申报参与第i次历史需求响应活动则/>取值为1，若申报不参与第i次历史需求响应活动则/>取值为0；

表示第i次历史需求响应活动中目标需求响应对象的实际参与情况，若实际有效参与第i次历史需求响应活动则/>取值为1，若实际未有效参与第i次历史需求响应活动则/>取值为0。

在一些实施例中，在生成用于表征所述目标需求响应对象在所述预设响应时段的响应特性的响应特征向量的步骤之前，还包括：

获取所述目标需求响应对象响应于所述响应日中预设响应时段所对应需求响应活动邀约所提供的响应信息，所述响应信息包括所述目标需求响应对象响应邀约后所申报的负荷功率响应量和期望用电补贴单价；

根据所述响应信息确定所述目标需求响应对象针对所述响应日中预设响应时段所对应需求响应活动的邀约响应特征；

所述响应特征向量还包括所述邀约响应特征。

在一些实施例中，所述邀约响应特征包括：日前响应邀约响应量占比和日前响应邀约补贴占比/>；

为所述负荷功率响应量，/>为所述目标需求响应对象的用电容量；

为所述期望用电补贴单价，/>为预先为所述响应日中预设响应时段所对应需求响应活动所配置的申报用电补贴单价上限。

在一些实施例中，所述根据所述趋势负荷分量预测出所述目标需求响应对象在所述响应日的生产规模因子的步骤包括：

根据所述趋势负荷分量确定出在响应日之前天中的每一天的趋势性负荷均值：

其中，表示第j天的趋势性负荷均值，/>，/>表示对所述趋势负荷分量进行采样时每一天的采样点总数，/>表示对所述趋势负荷分量中第j天进行采样时第k个采样点的负荷量；

根据响应日之前天中的每一天的趋势性负荷均值确定出所述目标需求响应对象在所述响应日的生产规模因子：

为所述生产规模因子，/>表示/>天的趋势性负荷均值的平均值，/>表示最后一天的趋势性负荷均值。

在一些实施例中，所述利用S-G滤波算法对所述周期负荷分量进行滤波处理，并根据滤波后的所述周期负荷分量预测出所述目标需求响应对象在响应日中预设响应时段内的可中断负荷信息的步骤包括：

利用S-G滤波算法对所述周期负荷分量所对应第一负荷曲线进行滤波处理，以去除所述周期负荷分量所对应第一负荷曲线上的毛刺；

确定所述第一负荷曲线所包含的曲线平台部分以及各曲线平台部分所对应的平台负荷，其中所述曲线平台部分为所述第一负荷曲线中呈连续且负荷极大值与负荷极小值之差小于等于预设差值阈值的部分，所述曲线平台部分的平台负荷为所述曲线平台部分中的负荷极小值；

根据所述第一负荷曲线在所述预设响应时段的开始时刻所对应的负荷、所述第一负荷曲线在所述预设相应时段内所存在的各曲线平台部分的平台负荷，生成可中断负荷向量/>：

其中，若所述第一负荷曲线在所述预设相应时段内不存在曲线平台部分，则可中断负荷向量；

若所述第一负荷曲线在所述预设相应时段内包括m个曲线平台部分，则可中断负荷向量为一个m维向量，其中/>表示m个曲线平台部分分别所对应的平台负荷。

根据所述可中断负荷向量生成可中断负荷信息。

在一些实施例中，所述根据所述可中断负荷向量生成可中断负荷信息的步骤包括：

将所述可中断负荷向量作为所述可中断负荷信息；

或者，将所述可中断负荷向量中数值最大的一维分量作为所述可中断负荷信息；

或者，先确定m个曲线平台部分分别在所述预设相应时段内的持续时长，然后根据所述可中断负荷向量和m个曲线平台部分/>分别在所述预设相应时段内的持续时长/>计算出等效可中断负荷/>，并将所述等效可中断负荷作为所述可中断负荷信息；

其中，表示m个曲线平台部分中第r个曲线平台部分，/>为第r个曲线平台部分/>所对应的权值。

在一些实施例中，在生成用于表征所述目标需求响应对象在响应日中所述预设响应时段的响应特性的响应特征向量的步骤之后，还包括：

根据所述目标需求响应对象在响应日中所述预设响应时段的响应特性的响应特征向量，得到所述目标需求响应对象有效参与响应日中所述预设响应时段所对应需求响应活动的概率。

第二方面，本公开实施例提供了一种电力需求响应对象的响应特性分析系统，所述系统可用于实现第一方面中的所述方法，所述系统包括：

第一获取模块，配置为获取目标需求响应对象的历史负荷数据，所述历史负荷数据中依次记载有所述目标需求响应对象在响应日之前连续天中不同时刻的负荷；

分解模块，配置为利用STL算法将所述历史负荷数据进行分解，得到趋势负荷分量和周期负荷分量；

第一预测模块，配置为根据所述趋势负荷分量预测出所述目标需求响应对象在所述响应日的生产规模因子；

第二预测模块，配置为利用S-G滤波算法对所述周期负荷分量进行滤波处理，并根据滤波后的所述周期负荷分量预测出所述目标需求响应对象在响应日中预设响应时段内的可中断负荷信息；

生成模块，配置为生成用于表征所述目标需求响应对象在响应日中所述预设响应时段的响应特性的响应特征向量，所述响应特征向量包括所述生产规模因子和所述可中断负荷信息。

本公开提供了一种电力需求响应对象的响应特性分析方法和系统，可以根据目标需求响应对象的历史负荷数据，预测出目标需求响应对象在响应日的生产规模因子，以及目标需求响应对象在响应日中预设响应时段内的可中断负荷信息，并根据生产规模因子和可中断负荷信息构建用于表征目标需求响应对象在响应日中预设响应时段的响应特性的响应特征向量，从而实现对目标需求响应对象的响应特性的量化。基于用电对象的响应特性的量化结果，可帮助电网企业更好地了解用电对象的需求和行为，优化未来需求响应设计和开发过程。

附图说明

图1为本公开实施例提供的一种电力需求响应对象的响应特性分析方法的流程图；

图2为本公开实施例中利用STL算法将历史负荷曲线分解的一种示意图；

图3为本公开实施例中周期负荷分量所对应负荷曲线内曲线平台部分的示意图；

图4为本公开实施例提供的一种电力需求响应对象的响应特性分析方法的流程图；

图5为利用STL算法对某化工企业的历史负荷数据进行分解的一种示意图；

图6为基于周期负荷分量分析某化工企业在9:00-10:00时段的可中断负荷的一种示意图；

图7为利用STL算法对某高新科技企业的历史负荷数据进行分解的一种示意图；

图8为基于周期负荷分量分析某高新企业在9:00-10:00时段的可中断负荷的一种示意图；

图9为本公开实施例提供的一种电力需求响应对象的响应特性分析系统的结构框图；

图10为本公开实施例的一种电子设备的结构示意图。

具体实施方式

为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

在下文中描述了本公开的许多特定的细节，例如步骤的可选实现方法、某些示例的算法等，以便更清楚地理解本公开。但正如本领域的技术人员能够理解的那样，可以不按照这些特定的细节来实现本公开。

需要说明的是，在下文所描述的“负荷”具体只是指用电功率。

另在，在下文所描述的某个对象是否“有效参与”或“有效响应”对应的需求响应活动，对于“有效参与”或“有效响应”的评判可根据电力公司预先所设定的“有效参与评判规则”来确定；在实际应用中，不同地区或不同需求响应活动所设置的“有效参与评判规则”可能相同，也可能不同。作为一个示例，作为某省电力公司所设定的“有效参与评判规则”为例，若用电对象在需求响应活动所对应响应时段同时满足以下3个条件，则认定为用电对象有效参与（有效响应）需求响应活动：1）实际最大负荷小于预设基线最大负荷；2）实际平均负荷小于预设基线平均负荷，且预设基线平均负荷与实际平均负荷的差值不小于用电对象事先申报响应量的50%；3）不少于50%时点的实际负荷应小于等于对应时点的基线负荷。上述内容仅为一个示例性描述，对于“有效参与”或“有效响应”的具体判断规则，本公开不作限定。

图1为本公开实施例提供的一种电力需求响应对象的响应特性分析方法的流程图。如图1所示，该方法包括：

步骤S1、获取目标需求响应对象的历史负荷数据。

其中，历史负荷数据中依次记载有目标需求响应对象在响应日之前连续天中不同时刻的负荷，/>且为整数。在实际应用中，/>的具体取值可根据实际需要进行预先设定和调整，例如6天、10天、14天等，本公开对此不作限制。

步骤S2、利用STL算法将历史负荷数据进行分解，得到趋势负荷分量和周期负荷分量。

步骤S3、根据趋势负荷分量预测出目标需求响应对象在响应日的生产规模因子。

其中，生产规模因子用于表征目标需求响应对象在一天中的整体生产规模；生产规模因子的数值越大，则表明目标需求响应对象在一天中的整体生产规模越大，即一天的整体耗电量越高、平均功率越大。

通过步骤S3所预测出的生产规模因子越大，则表明预测出目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的意愿（也可看作是概率或潜力）越低。

步骤S4、利用S-G滤波算法对周期负荷分量进行滤波处理，并根据滤波后的周期负荷分量预测出目标需求响应对象在响应日中预设响应时段内的可中断负荷信息。

其中，可中断负荷是指通过签订经济合同（协议），在电网高峰时段或紧急状况下，电力用户可以中断的负荷部分。

本公开中的“可中断负荷信息”是指能够对可中断负荷进行量化描述的相关信息，具体形式可以为一个具体数值，也可以为一个一维或多维向量，也可以为数组，本公开对此不作限定。

步骤S5、生成用于表征目标需求响应对象在响应日中预设响应时段的响应特性的响应特征向量。

其中，响应特征向量包括生产规模因子和可中断负荷信息；生产规模因子和可中断负荷信息可以分别从“生产行为角度”和“可中断负荷角度”，来量化目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的意愿（也可看作是概率或潜力），从而实现对目标需求响应对象的响应特性的精准量化。

本公开提供了一种电力需求响应对象的响应特性分析方法，可以根据目标需求响应对象的历史负荷数据，预测出目标需求响应对象在响应日的生产规模因子，以及目标需求响应对象在响应日中预设响应时段内的可中断负荷信息，并根据生产规模因子和可中断负荷信息构建用于表征目标需求响应对象在响应日中预设响应时段的响应特性的响应特征向量，从而实现对目标需求响应对象的响应特性的量化。在实际应用中，获取到响应特征向量可作为一种辨识负荷的管理手段，基于用电对象的响应特性的量化结果，可帮助电网企业更好地了解用电对象的需求和行为，优化未来需求响应设计和开发过程。

图2为本公开实施例中利用STL算法将历史负荷曲线分解的一种示意图。如图2所示，在步骤S2中，利用STL算法将历史负荷数据所构成的原始时序数据拆分成三部分：

其中，为原始时序数据，/>表示趋势负荷分量，/>表示周期负荷分量，/>表示残差负荷分量。

STL算法由两个递归过程组成，分别为内循环和外循环。内循环用于更新时间序列的趋势负荷分量和周期负荷分量，外循环用于计算下一轮内循环所需的稳健权重。

在内循环中，设为第k次迭代的结果，则第k+1次内循环的迭代过程如下：

首先,去趋势，以便计算周期负荷分量。计算去趋势的序列为：

然后,对周期序列进行Loess平滑处理，进而得到临时周期序列/>，并计算周期负荷分量。对/>应用低通滤波器得到/>，即为去除高频部分后得到临时周期序列/>。第k +1次迭代的周期负荷分量/>计算表达式为：

接着,去除周期负荷分量，得到去周期的时间序列/>，表达式为：

最后，计算趋势负荷分量。利用平滑方法对前面得到的时间序列进行Loess平滑处理，得到k+1次迭代的趋势负荷分量/>。

在外循环中，设经过一次内循环后得到的周期负荷分量和趋势负荷分量分别为Sv、Tv。残差负荷分量的计算式为：

后对每一个时间点引入稳健权重。稳健权重的大小反映了残差负荷分量的极端情况，在后续的内循环过程中，对周期负荷分量和时间序列的进行Loess平滑时，其权重值应该在原有权重值的基础上乘以对应时刻的稳健权重/>，以减少异常值对分解的影响。稳健权重/>的计算如下：

其中，为时间点v对应的稳健权重，/>为时间点v对应的残差负荷分量，为中位数函数，/>为双平方权重函数。

需要说明的是，通过步骤S2所得到的趋势负荷分量可用于表征目标需求响应对象的用电负荷随时间变化的趋势情况；周期负荷分量是设定一天为一个周期，其可以用于表征目标需求响应对象每天都在重复的用电负荷情况。

在本公开实施例中，基于趋势负荷分量可预测目标需求响应在响应日的生产规模情况。

在一些实施例中，步骤S3包括：

步骤S301、根据趋势负荷分量确定出在响应日之前天中的每一天的趋势性负荷均值：

其中，表示第j天的趋势性负荷均值，/>，/>表示对趋势负荷分量进行采样时每一天的采样点总数，/>表示对趋势负荷分量中第j天进行采样时第k个采样点的负荷量。

步骤S302、根据响应日之前天中的每一天的趋势性负荷均值确定出目标需求响应对象在响应日的生产规模因子：

为生产规模因子，/>表示/>天的趋势性负荷均值的平均值，/>表示最后一天的趋势性负荷均值，/>表示/>天的趋势性负荷均值的标准差。

当预测出的目标需求响应对象在响应日的生产规模因子大于1时，则表明预测出目标需求响应对象在响应日的整体生产规模大于等于1时，则表明预测出目标需求响应对象在响应日的生产规模会大于前/>天的平均水平或与前/>天的平均水平持平，由此可在一定程度上表征目标需求响应对象去有效参与响应日的需求响应活动意愿（也可看作是概率或潜力）偏低。反之，当预测出的目标需求响应对象在响应日的生产规模因子/>小于1时，可在一定程度上表征目标需求响应对象去有效参与响应日的需求响应活动意愿偏高。由此可见，生产规模因子/>越大，则表明目标需求响应对象去有效参与响应日的需求响应活动意愿越低。

作为一个示例，当需要对目标需求响应对象是否会有效参与响应日的需求响应活动进行预测分类时，可设定生产规模因子的基准阈值为1，若生产规模因子小于1，则可得到基于生产规模因子角度的预测分类结果为“有效参与”；若若生产规模因子大于等于1，则可得到基于生产规模因子角度的预测分类结果为“非有效参与”。

在本公开实施例中，基于周期负荷分量可预测目标需求响应在响应日的预设相应时段的可中断负荷情况。

图3为本公开实施例中周期负荷分量所对应负荷曲线内曲线平台部分的示意图。如图3所示，在一些实施例中，步骤S4包括：

步骤S401、利用S-G滤波算法对周期负荷分量所对应第一负荷曲线进行滤波处理。

其中，通过S-G滤波算法对周期负荷分量进行滤波处理，可以去除周期负荷分量所对应第一负荷曲线上的毛刺；具体可包括如下一些处理过程：

（1）选择滤波窗口大小（窗口长度）：根据数据的特点和噪声水平，选择适当的滤波窗口大小。窗口大小通常是一个奇数，例如3、5、7等。

（2）计算S-G滤波器的系数：根据选择的窗口大小和多项式拟合的阶数，计算S-G滤波器的系数。系数的计算基于一种最小二乘拟合方法，通过对窗口内的数据点进行多项式拟合来估计滤波后的数据点。

（3）滑动窗口处理：从数据的起始位置开始，选择窗口内的数据点进行多项式拟合，以估计当前数据点的平滑值。然后，滑动窗口向后移动一个数据点，并重复该过程，直到处理完所有数据点。

（4）边界处理：在数据序列的边界处，窗口可能无法完全覆盖所需的数据点。可以使用多种方法来处理边界问题，例如重复边界值、补零等。

步骤S402、确定第一负荷曲线所包含的曲线平台部分以及各曲线平台部分所对应的平台负荷。

其中，曲线平台部分为第一负荷曲线中呈连续且负荷极大值与负荷极小值之差小于等于预设差值阈值的部分，且该部分所对应时长大于预设时长（例如10分钟），曲线平台部分的平台负荷为曲线平台部分中的负荷极小值。

步骤S403、根据第一负荷曲线在预设响应时段的开始时刻所对应的负荷、第一负荷曲线在预设相应时段内所存在的各曲线平台部分的平台负荷，生成可中断负荷向量/>。

其中，若第一负荷曲线在预设相应时段内不存在曲线平台部分，则可中断负荷向量；若第一负荷曲线在预设相应时段内包括m个曲线平台部分，则可中断负荷向量为一个m维向量/>，其中/>表示m个曲线平台部分/>分别所对应的平台负荷。

步骤S404、根据可中断负荷向量生成可中断负荷信息。

作为一种可选实施方案，可将可中断负荷向量作为可中断负荷信息。其中，直接将中断负荷向量作为可中断负荷信息，使得可中断负荷信息能够所记载的预设相应时段内所有可中断负荷的相关情况，即中断负荷信息所记载内容最为全面。

作为另一种可选实施方案，将可中断负荷向量中数值最大的一维分量作为可中断负荷信息。其中，数值最大的一维分量可表征目标需求响应有效参与响应日的需求响应活动的最大潜力。

作为再一种可选实施方案，先确定m个曲线平台部分分别在预设相应时段内的持续时长/>，然后根据可中断负荷向量和m个曲线平台部分/>分别在预设相应时段内的持续时长/>计算出等效可中断负荷/>，并将等效可中断负荷作为可中断负荷信息/>，其中/>

表示m个曲线平台部分中第r个曲线平台部分，/>为第r个曲线平台部分/>所对应的权值。

其中，通过对各维分量进行加权求和，即可求得可中断负荷的等效功率（等效功率是电网领域中极为重要的一项指标），其可表征目标需求响应有效参与响应日的需求响应活动的等效潜力。

当然，本公开中还可以根据实际需要采用其他算法来对步骤S403所得到的可中断负荷向量进行处理（例如，对中断负荷向量中的每一维分量求均值，或者找中断负荷向量中的每一维分量的中位数等），以得到可中断负荷信息。本公开对此不作限定。

图4为本公开实施例提供的一种电力需求响应对象的响应特性分析方法的流程图。如图4所示，本实施例提供的响应特性分析方法不但包括前面实施例中的步骤S1～S5，还可以选择性的包括步骤S5a～S5b、步骤S5c～S5d和步骤S6中至少之一，其中步骤S5a～S5b、步骤S5c～S5d位于步骤S5之前执行（附图中仅示例性画出了步骤S5a～S5b、步骤S5c～S5d位于步骤S4和步骤S5之间执行的情况，该情况仅起到示例性作用），步骤S6位于步骤S5之后执行。下面仅对步骤S5a～S5b、步骤S5c～S5d和步骤S6作详细描述。

步骤S5a、获取响应日之前M次历史需求响应活动的历史需求响应记录。

其中，历史需求响应记录中记载有对应历史需求响应活动的申报参与对象信息（受到邀约后申报参与对应的需求响应活动的用电对象的信息）和实际参与对象信息（受到邀约后实际有效参与对应的需求响应活动的用电对象的信息）。

步骤S5b、根据M次历史需求响应活动的历史需求响应记录，得到目标需求响应对象的历史响应效果特征。

此时，在步骤S5中所生成的响应特征向量还包括历史响应效果特征。

在一些实施例中，历史响应效果特征包括：历史申报参与率和历史有效响应率/>：

/>

表示第i次历史需求响应活动中目标需求响应对象的申报参与情况，若申报参与第i次历史需求响应活动则/>取值为1，若申报不参与第i次历史需求响应活动则/>取值为0；

表示第i次历史需求响应活动中目标需求响应对象的实际参与情况，若实际有效参与第i次历史需求响应活动则/>取值为1，若实际未有效参与第i次历史需求响应活动则/>取值为0。

其中，历史申报参与率可以表征目标需求响应对象对需求响应活动的申报积极性，历史有效响应率可以表征目标需求响应对象实际有效参与需求响应活动的积极性。历史响应效果特征可以从“历史响应角度”，来量化目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的意愿（也可看作是概率或潜力）。

步骤S5c、获取目标需求响应对象响应于响应日中预设响应时段所对应需求响应活动邀约所提供的响应信息。

其中，响应信息包括目标需求响应对象响应邀约后所申报的负荷功率响应量（参与预设响应时段所对应需求响应活动时所中断负荷量）和期望用电补贴单价（希望电力公司对每度电进行补贴的价格）。

步骤S5d、根据响应信息确定目标需求响应对象针对响应日中预设响应时段所对应需求响应活动的邀约响应特征。

此时，在步骤S5中所生成的响应特征向量还包括邀约响应特征。

在一些实施例中，邀约响应特征包括：日前响应邀约响应量占比和日前响应邀约补贴占比/>；

为负荷功率响应量，/>为目标需求响应对象的用电容量；

为期望用电补贴单价，/>为预先为响应日中预设响应时段所对应需求响应活动所配置的申报用电补贴单价上限。

其中，日前响应邀约响应量占比可以表征目标需求响应对象对本次响应日的需求响应活动的申报积极性，日前响应邀约补贴占比可以表征本次响应日对目标需求响应对象的价值。历史响应效果特征可以从“日前响应角度”，来量化目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的意愿（也可看作是概率或潜力）。

作为一种示例，步骤S5中所生成的响应特征向量包括有生产规模因子/>、可中断负荷信息/>、历史申报参与率/>、历史有效响应率/>、日前响应邀约响应量占比/>和日前响应邀约补贴占比/>；此时，响应特征向量/>可表示为：

该响应特征向量可以从4个不同角度（生产行为角度、可中断负荷角度、历史响应角度、日前响应角度）来。量化目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的意愿（概率或潜力）。

步骤S6、根据目标需求响应对象在响应日中预设响应时段的响应特性的响应特征向量，得到目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的预测概率。

作为响应特征向量的一种可选应用，基于该响应特征向量可以来预测目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的概率。

作为一种可选实现方案，可针对响应特征向量中的每一维分别配置对应的预测概率算法，即基于每一维的数据去单独预测目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的概率，然后根据每一维所得到的概率去计算得到响应特征向量所对应的最终预测概率；例如，可以对每一维所得到的概率进行求平均或加权求平均等方式计算得到最终预测概率。从而实现结合多个角度对目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的概率进行综合预测。

另外，由于响应特征向量中包括有预测出的“可中断负荷信息”，因此也可以结合响应特征向量中所包含的其他维数据来预测出目标需求响应对象在本次响应日的需求响应活动中的可中断负荷量范围。

作为另一种可选实现方法，可以根据1次或多次历史需求响应活动的历史需求响应记录，来获得正样本和负样本。以某一次历史需求响应活动为例，受到邀约后最终有效参与该次历史需求响应活动的用电对象作为正样本，受到邀约后未有效参与该次历史需求响应活动的用电对象作为负样本，然后采用前述步骤S1～步骤S5（可以包含步骤S5a～步骤S5d）来对各正、负样本分别提取响应特征向量，然后利用正、负样本对初始分类模型进行训练，得到能够用于预测用电对象是否能有效参与需求响应活动的预测分类模型，该预测分类模型的输入为用电对象的响应特征向量，输出结果至少包括目标需求响应对象有效参与需求响应活动的预测概率。在步骤S6中，可将目标需求响应对象的响应特征向量输入到该预测分类模型中，即可得到目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的预测概率。

公开的技术方案对于根据响应特征向量得到目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的预测概率，所采用的具体算法不作限定。

以某省2023年1月实际需求响应案例中用户参与9:00-10:00时段的日前响应削峰型需求响应为例来进行案例分析，案例分析的数据包括用户的历史用电数据、历史响应数据以及需求响应邀约申报数据，数据颗粒度为一天96个采样点，采样间隔为15min。

首先化学原料和化学制品制造业、计算机、通信和其他电子设备制造业、非金属矿物制品业、黑色金属冶炼和压延加工业、汽车制造业5个行业为午、晚高峰可调节负荷的主力军，历史响应占比分别为16.05%、12.97%、8.34%、6.4%和5.84%，可压降负荷约占错避峰资源的一半。并且由于化工用户在冬夏高峰时段具有使用低谷电特征，能错开9:00-10:00的高峰电价，该行业用户在面对冬夏高峰时具有较大的可挖掘潜力，因此选择化工企业为案例进行分析。

图5为利用STL算法对某化工企业的历史负荷数据进行分解的一种示意图。图6为基于周期负荷分量分析某化工企业在9:00-10:00时段的可中断负荷的一种示意图。如图5和图6所示，其STL分解结果可参见图5所示，接下来分析柔性资源的时序特征，根据趋势负荷分量中分析可预测出该化工企业在响应日内的相对生产规模因子为0.983，即响应日内的生产规模相较于之前有减小（θ＜1）的趋势，与需求响应的目的相吻合。再根据图6所示的曲线平台部分可计算得该化工股份有限公司的可中断负荷量信息/>（在9:00-10:00时段只有一个曲线平台部分）为5541.3Kw。

再分析该化工企业的历史响应特征和日前响应特征。其历史申报参与率，历史有效响应率/>，表明历史响应情况较好，这类企业往往倾向于选择差值较大的曲线平台部分来完成需求响应邀约的任务；日前响应邀约响应量占比/>，日前响应邀约补贴占比/>，反映出该化工股份有限公司接受邀约后在系统中的申报量与价值之比，一方面体现出该用户响应量很大，已经达到了最高补贴的标准；另外一方面也侧面体现出该化工企业日常的庞大用电量。

综上，可得到能够表征该化工企业在响应日中预设响应时段的响应特性的响应特征向量，并且结合上文分析的各个指标含义，可以看出该企业具有较好的柔性资源响应特性。

图7为利用STL算法对某高新科技企业的历史负荷数据进行分解的一种示意图。图8为基于周期负荷分量分析某高新企业在9:00-10:00时段的可中断负荷的一种示意图。如图7和图8所示，选取高新科技企业作为与前述化工企业的对比，该高新科技企业的STL分解结果可参见图7所示。基于图7结果所示，不论是工作日还是非工作日，该企业整体用电比较平稳，根据趋势负荷分量中分析可得用户在需求响应响应日内的相对生产规模因子为1.014，即响应日内的生产规模相较于之前有增大（θ＞1）的趋势，这与需求响应的目的相矛盾。再根据图8所示的曲线平台部分分析该高新科技企业的可中断负荷量，发现在活动时段（9:00-10:00时段）内的不存在曲线平台部分（在9:00-10:00时段内负荷波动明显，且9:00-10:00负荷曲线绝大部分都在9:00所对应趋势线上方），这说明在9:00-10:00内基本不存在可中断负荷，可中断负荷量信息为0Kw，这种情况下用户需求响应执行效果往往不太理想。

再分析该化工企业的历史响应特征和日前响应特征。其历史申报参与率，历史有效响应率/>，表明历史响应情况一般；日前响应邀约响应量占比/>日前响应邀约补贴占比/>，反映出该高新企业接受邀约后在系统中的申报量与价值之比。

综上，可得到能够表征该高新科技企业在响应日中预设响应时段的响应特性的响应特征向量，结合上文分析的各个指标含义，可以看出该高新科技企业的柔性资源响应特性并不理想。

基于同一发明构思，本公开实施例还提供了一种电力需求响应对象的响应特性分析系统。图9为本公开实施例提供的一种电力需求响应对象的响应特性分析系统的结构框图。如图9所示，该响应特性分析系统可用于实现前面实施例提供的任一响应特性分析方法，该响应特性分析系统包括：第一获取模块1、分解模块2、第一预测模块3、第二预测模块4和生成模块5。

其中，第一获取模块1配置为获取目标需求响应对象的历史负荷数据，历史负荷数据中依次记载有目标需求响应对象在响应日之前连续天中不同时刻的负荷。

分解模块2配置为利用STL算法将历史负荷数据进行分解，得到趋势负荷分量和周期负荷分量。

第一预测模块3配置为根据趋势负荷分量预测出目标需求响应对象在响应日的生产规模因子。

第二预测模块4配置为利用S-G滤波算法对周期负荷分量进行滤波处理，并根据滤波后的周期负荷分量预测出目标需求响应对象在响应日中预设响应时段内的可中断负荷信息。

生成模块5配置为生成用于表征目标需求响应对象在响应日中预设响应时段的响应特性的响应特征向量，响应特征向量包括生产规模因子和可中断负荷信息。

在一些实施例中，该响应特性分析系统还包括：预测模块6；其中预测模块6配置为根据目标需求响应对象在响应日中预设响应时段的响应特性的响应特征向量，得到目标需求响应对象有效参与响应日中预设响应时段所对应需求响应活动的预测概率。

对于上述各功能模块的具体描述，可参见前面实施例中的内容，此处不再赘述。

基于同一发明构思，本公开实施例还提供了一种电子设备。图10为本公开实施例的一种电子设备的结构示意图。如图10所示，本公开实施例提供一种电子设备包括：一个或多个处理器101、存储器102、一个或多个I/O接口103。存储器102上存储有一个或多个程序，当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现如上述实施例中任一的响应特性分析方法；一个或多个I/O接口103连接在处理器与存储器之间，配置为实现处理器与存储器的信息交互。

其中，处理器101为具有数据处理能力的器件，包括但不限于中央处理器（CPU）等；存储器102为具有数据存储能力的器件，包括但不限于随机存取存储器（RAM，更具体如SDRAM、DDR等）、只读存储器（ROM）、带电可擦可编程只读存储器（EEPROM）、闪存（FLASH）；I/O接口（读写接口）103连接在处理器101与存储器102间，能实现处理器101与存储器102的信息交互，包括但不限于数据总线（Bus）等。

在一些实施例中，处理器101、存储器102和I/O接口103通过总线104相互连接，进而与计算设备的其它组件连接。

在一些实施例中，该一个或多个处理器101包括现场可编程门阵列。

根据本公开的实施例，还提供一种计算机可读介质。该计算机可读介质上存储有计算机程序，其中，该程序被处理器执行时实现如上述实施例中任一的响应特性分析方法中的步骤。

特别地，根据本公开实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本公开的系统中限定的上述功能。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (7)

1.一种电力需求响应对象的响应特性分析方法，其特征在于，包括：

获取目标需求响应对象的历史负荷数据，所述历史负荷数据中依次记载有所述目标需求响应对象在响应日之前连续天中不同时刻的负荷，/>且为整数；

利用STL算法将所述历史负荷数据进行分解，得到趋势负荷分量和周期负荷分量；

根据所述趋势负荷分量预测出所述目标需求响应对象在所述响应日的生产规模因子，所述生产规模因子用于表征所述目标需求响应对象在一天中的整体生产规模；

利用S-G滤波算法对所述周期负荷分量进行滤波处理，并根据滤波后的所述周期负荷分量预测出所述目标需求响应对象在响应日中预设响应时段内的可中断负荷信息，所述中断负荷信息为能够对可中断负荷进行量化描述的相关信息；

生成用于表征所述目标需求响应对象在响应日中所述预设响应时段的响应特性的响应特征向量，所述响应特征向量包括所述生产规模因子和所述可中断负荷信息；

所述根据所述趋势负荷分量预测出所述目标需求响应对象在所述响应日的生产规模因子的步骤包括：

根据所述趋势负荷分量确定出在响应日之前天中的每一天的趋势性负荷均值：

；

其中，表示第j天的趋势性负荷均值，/>，/>表示对所述趋势负荷分量进行采样时每一天的采样点总数，/>表示对所述趋势负荷分量中第j天进行采样时第k个采样点的负荷量；

根据响应日之前天中的每一天的趋势性负荷均值确定出所述目标需求响应对象在所述响应日的生产规模因子：

；

为所述生产规模因子，/>表示/>天的趋势性负荷均值的平均值，/>表示最后一天的趋势性负荷均值；

所述利用S-G滤波算法对所述周期负荷分量进行滤波处理，并根据滤波后的所述周期负荷分量预测出所述目标需求响应对象在响应日中预设响应时段内的可中断负荷信息的步骤包括：

利用S-G滤波算法对所述周期负荷分量所对应第一负荷曲线进行滤波处理，以去除所述周期负荷分量所对应第一负荷曲线上的毛刺；

确定所述第一负荷曲线所包含的曲线平台部分以及各曲线平台部分所对应的平台负荷，其中所述曲线平台部分为所述第一负荷曲线中呈连续且负荷极大值与负荷极小值之差小于等于预设差值阈值的部分，所述曲线平台部分的平台负荷为所述曲线平台部分中的负荷极小值；

根据所述第一负荷曲线在所述预设响应时段的开始时刻所对应的负荷、所述第一负荷曲线在所述预设响应时段内所存在的各曲线平台部分的平台负荷，生成可中断负荷向量：

其中，若所述第一负荷曲线在所述预设响应时段内不存在曲线平台部分，则可中断负荷向量；

若所述第一负荷曲线在所述预设响应时段内包括m个曲线平台部分，则可中断负荷向量为一个m维向量，其中/>表示m个曲线平台部分分别所对应的平台负荷；

根据所述可中断负荷向量生成可中断负荷信息；

所述根据所述可中断负荷向量生成可中断负荷信息的步骤包括：

将所述可中断负荷向量作为所述可中断负荷信息；

或者，将所述可中断负荷向量中数值最大的一维分量作为所述可中断负荷信息；

或者，先确定m个曲线平台部分分别在所述预设响应时段内的持续时长/>，然后根据所述可中断负荷向量和m个曲线平台部分/>分别在所述预设响应时段内的持续时长/>计算出等效可中断负荷/>，并将所述等效可中断负荷作为所述可中断负荷信息；

；

其中，表示m个曲线平台部分中第r个曲线平台部分，/>为第r个曲线平台部分/>所对应的权值。

2.在根据权利要求1所述的方法，其特征在于，在生成用于表征所述目标需求响应对象在所述预设响应时段的响应特性的响应特征向量的步骤之前，还包括：

获取响应日之前M次历史需求响应活动的历史需求响应记录，所述历史需求响应记录中记载有对应历史需求响应活动的申报参与对象信息和实际参与对象信息；

根据M次历史需求响应活动的历史需求响应记录，得到所述目标需求响应对象的历史响应效果特征；

所述响应特征向量还包括所述历史响应效果特征。

3.根据权利要求2所述的方法，其特征在于，所述历史响应效果特征包括：历史申报参与率和历史有效响应率/>：

；

表示第i次历史需求响应活动中目标需求响应对象的申报参与情况，若申报参与第i次历史需求响应活动则/>取值为1，若申报不参与第i次历史需求响应活动则/>取值为0；

表示第i次历史需求响应活动中目标需求响应对象的实际参与情况，若实际有效参与第i次历史需求响应活动则/>取值为1，若实际未有效参与第i次历史需求响应活动则/>取值为0。

4.根据权利要求1所述的方法，其中，在生成用于表征所述目标需求响应对象在所述预设响应时段的响应特性的响应特征向量的步骤之前，还包括：

获取所述目标需求响应对象响应于所述响应日中预设响应时段所对应需求响应活动邀约所提供的响应信息，所述响应信息包括所述目标需求响应对象响应邀约后所申报的负荷功率响应量和期望用电补贴单价；

根据所述响应信息确定所述目标需求响应对象针对所述响应日中预设响应时段所对应需求响应活动的邀约响应特征；

所述响应特征向量还包括所述邀约响应特征。

5.根据权利要求4所述的方法，其特征在于，所述邀约响应特征包括：日前响应邀约响应量占比和日前响应邀约补贴占比/>；

；/>；

为所述负荷功率响应量，/>为所述目标需求响应对象的用电容量；

为所述期望用电补贴单价，/>为预先为所述响应日中预设响应时段所对应需求响应活动所配置的申报用电补贴单价上限。

6.根据权利要求1至5中任一所述的方法，其特征在于，在生成用于表征所述目标需求响应对象在响应日中所述预设响应时段的响应特性的响应特征向量的步骤之后，还包括：

根据所述目标需求响应对象在响应日中所述预设响应时段的响应特性的响应特征向量，得到所述目标需求响应对象有效参与响应日中所述预设响应时段所对应需求响应活动的预测概率。

7.一种电力需求响应对象的响应特性分析系统，其特征在于，所述系统可用于实现权利要求1至6中任一所述方法，所述系统包括：

第一获取模块，配置为获取目标需求响应对象的历史负荷数据，所述历史负荷数据中依次记载有所述目标需求响应对象在响应日之前连续天中不同时刻的负荷；

分解模块，配置为利用STL算法将所述历史负荷数据进行分解，得到趋势负荷分量和周期负荷分量；

第一预测模块，配置为根据所述趋势负荷分量预测出所述目标需求响应对象在所述响应日的生产规模因子；

第二预测模块，配置为利用S-G滤波算法对所述周期负荷分量进行滤波处理，并根据滤波后的所述周期负荷分量预测出所述目标需求响应对象在响应日中预设响应时段内的可中断负荷信息；

生成模块，配置为生成用于表征所述目标需求响应对象在响应日中所述预设响应时段的响应特性的响应特征向量，所述响应特征向量包括所述生产规模因子和所述可中断负荷信息；

其中，所述第一预测模块具体配置为：

根据所述趋势负荷分量确定出在响应日之前天中的每一天的趋势性负荷均值：

；

其中，表示第j天的趋势性负荷均值，/>，/>表示对所述趋势负荷分量进行采样时每一天的采样点总数，/>表示对所述趋势负荷分量中第j天进行采样时第k个采样点的负荷量；

以及，根据响应日之前天中的每一天的趋势性负荷均值确定出所述目标需求响应对象在所述响应日的生产规模因子：

；

为所述生产规模因子，/>表示/>天的趋势性负荷均值的平均值，/>表示最后一天的趋势性负荷均值；

所述第二预测模块具体配置为：

利用S-G滤波算法对所述周期负荷分量所对应第一负荷曲线进行滤波处理，以去除所述周期负荷分量所对应第一负荷曲线上的毛刺；

确定所述第一负荷曲线所包含的曲线平台部分以及各曲线平台部分所对应的平台负荷，其中所述曲线平台部分为所述第一负荷曲线中呈连续且负荷极大值与负荷极小值之差小于等于预设差值阈值的部分，所述曲线平台部分的平台负荷为所述曲线平台部分中的负荷极小值；

根据所述第一负荷曲线在所述预设响应时段的开始时刻所对应的负荷、所述第一负荷曲线在所述预设响应时段内所存在的各曲线平台部分的平台负荷，生成可中断负荷向量：

其中，若所述第一负荷曲线在所述预设响应时段内不存在曲线平台部分，则可中断负荷向量；

若所述第一负荷曲线在所述预设响应时段内包括m个曲线平台部分，则可中断负荷向量为一个m维向量，其中/>表示m个曲线平台部分分别所对应的平台负荷；

以及，根据所述可中断负荷向量生成可中断负荷信息；

所述根据所述可中断负荷向量生成可中断负荷信息具体包括：

将所述可中断负荷向量作为所述可中断负荷信息；

或者，将所述可中断负荷向量中数值最大的一维分量作为所述可中断负荷信息；

或者，先确定m个曲线平台部分分别在所述预设响应时段内的持续时长/>，然后根据所述可中断负荷向量和m个曲线平台部分/>分别在所述预设响应时段内的持续时长/>计算出等效可中断负荷/>，并将所述等效可中断负荷作为所述可中断负荷信息；

；

其中，表示m个曲线平台部分中第r个曲线平台部分，/>为第r个曲线平台部分/>所对应的权值。