一种应用智能电表数据的需求响应潜力分析方法

摘要

本发明提出了一种应用智能电表数据的需求响应潜力分析方法。本发明构建各个用户能耗时序数据、气象时序数据，计算皮尔逊相关系数；通过线性回归方法计算温控负荷小时能耗以及用户的温度转折点，进一步构建用户的能耗特征参数向量，将筛选后的用户特征数据向量集合采用改进k‑means方法聚类，进一步计算温控负荷用户基准负荷；通过室内温度，计算用户每个小时的温控负荷实时功率，进一步计算用户每个小时的温控负荷实时能耗费用；通过用户每个小时的室内温度、用户每个小时的温控负荷实时能耗费用构建评价指标以及评价指标对应的评语子集；通过对比分析基准负荷数据，实现对居民温控负荷需求响应潜力的评估。

说明书

技术领域

本发明属于智能电网技术领域，尤其涉及一种应用智能电表数据的需求响应潜力分析方法。

背景技术

随着经济的快速发展，居民用户的能源消耗需求也越来越大，同时用户侧调峰潜力未能开发。因此，分析并利用需求侧资源，进行需求响应成为解决电力供需不平衡这一难题的重要途径。同时，智能电表在需求响应中起到至关重要的作用。通过智能电表，用户可以方便地接入电力系统，实现与电力公司信息、能量的双向流动。相关数据统计，居民用户参与需求响应降低负荷的比例分别为27％，但需求响应目前还尚未在居民用户中普及，居民负荷的响应潜力尚未得到完全开发。

在智能电表数据分析应用相关技术领域，目前在负荷预测或需求响应分析工作中大多忽略了用户行为对负荷群体的影响，较少考虑到在需求响应活动中用户行为对响应结果造成的极大影响。同时在响应潜力分析方面，现有技术侧重于分析响应后的负荷曲线的预测分析，缺少需求响应前用户基准负荷的确定和对比分析。基于此，本发明充分考虑了在需求响应活动中用户为不确定性问题，模拟用户决策，通过于基础负荷对比分析得出区域响应潜力。

发明内容

本发明的技术方案为一种应用智能电表数据的需求响应潜力分析方法，包括以下步骤：

步骤1：构建各个用户能耗时序数据、气象时序数据，计算能耗时序数据与各气象因素时序数据之间的皮尔逊相关系数，通过线性回归方法计算温控负荷小时能耗，根据温控负荷小时能耗计算用户的总能耗，计算用户的温度转折点，进一步构建用户的能耗特征参数向量，根据用户的能耗特征参数向量进行筛选得到筛选后的用户特征数据向量集合；

步骤2，将筛选后的用户特征数据向量集合采用改进k-means聚类方法对负载模式相似的用户分为同一聚类，进一步计算温控负荷用户基准负荷；

步骤3：计算用户每个小时的温控负荷单位功率下的制冷量，进一步计算进一步计算用户每个小时的室内温度，计算用户每个小时的温控负荷实时功率，进一步计算用户每个小时的温控负荷实时能耗费用，通过用户每个小时的室内温度、用户每个小时的温控负荷实时能耗费用构建评价指标以及评价指标对应的评语子集；

步骤4：通过对比分析基准负荷数据，实现对居民温控负荷需求响应潜力的评估。

作为优选，步骤1所述构建各个用户能耗时序数据、气象时序数据，计算能耗时序数据与各气象因素时序数据之间的皮尔逊相关系数为：

所述用户能耗时序数据为：

X

其中，m＝1,2,…,M，M为用户总数，X

所述用户气象时序数据为：

Y

y

其中，Y

所述第m个用户的可见度时序数据为：vis

所述能耗时序数据与可见度因素时序数据之间的皮尔逊相关系数为：

其中，cov(X

其中，

步骤1所述通过线性回归方法计算温控负荷小时能耗为：

所述计算温控负荷小时能耗为：

Wtcl

其中，Wtcl

Tout

α

cp

β

γ

S

步骤1所述进一步根据温控负荷小时能耗计算用户的总能耗为：

其中，W

步骤1所述计算用户的温度转折点，具体计算方法为：

根据能耗时序数据X

cp

其中，cp

Min(Tout

通过回归模型求解得到该模型下能耗回归序列：

f

其中，f

并计算在该回归模型下回归相关系数为:

其中，R

从而形成第m个用户的l个模型回归相关系数集合为：

经取最值求得：

此时回归相关系数最大，回归误差最小，回归模型效果最优；

通过单个用户最优回归模型进行回归分析，建立单个用户温控负荷方程：

其中，Wtcl

步骤1所述用户的能耗特征参数向量为：

其中，m∈[1,M]，M为用户总数，

步骤1所述根据用户的能耗特征参数向量进行筛选得到筛选后的用户特征数据向量集合为：

得到N个筛选后的用户特征数据向量，构建筛选后的用户特征数据向量集合；

所述筛选后的用户特征数据向量集合为：

其中，

作为优选，步骤2所述改进k-means聚类方法k-means的聚类目标函数为：

其中，SSE为最小误差平方和，为目标函数；num

步骤2所述对负载模式相似的用户分为同一聚类为：

步骤2.1，初始化聚类中心u＝{u

其中，u

步骤2.2，从输入的数据点集合D中随机选择一个点作为第一个聚类中心u

步骤2.3，对于数据集中的每一个点

其中，

步骤2.4，选择一个新的数据点作为新的聚类中心，选择的原则是：

其中，u

步骤2.5，重复步骤2.3、步骤2.4直到选择出K个聚类中心；

通过上述步骤即可对初始聚类中心进行优化；

步骤2.6，计算所有样本点

步骤2.7，按照公式

其中，u

步骤2.8，重复步骤2.6、2.7，直至达到最大迭代次数Iteration＝500或者聚类中心u不再发生变化；此时得到更新后的K个簇c

将数据点数量最多的簇的聚类中心定义温控负荷用户基准点：

其中：K

步骤2所述温控负荷用户基准负荷计算如下：

用户温控用户基准负荷可定义为：

Wtcl

其中：

Tout

S

其中，Tout

根据上述参数与步骤即可求得温控负荷用户基准负荷。

作为优选，步骤3所述计算用户每个小时的温控负荷单位功率下的制冷量为：

其中，z∈[1,N]，N为温控负荷用户数量，i∈[1,I]，I为小时的总数量，

步骤3所述进一步计算用户每个小时的室内温度为：

其中，

步骤3所述计算用户每个小时的温控负荷实时功率为：

其中，

步骤3所进一步计算用户每个小时的温控负荷实时能耗费用为：

其中，

步骤3所述选取用户每个小时的室内温度、用户每个小时的温控负荷实时能耗费用作为评价指标，定义评语子集以及评价指标的权重；

通过第m

评价指标为：

其中，U

步骤3所述评语子集为：

v

v

其中，v

步骤3所述所述评价指标的权重向量为：

A＝{a

其中，a

人体热舒适度指标计算如下：

其中，Tin为环境温度，PMV为人体热舒适度指标；

本文取人体舒适舒适度指标弹性范围值：PMV

在模糊处理中，对于温度在T

所述模糊隶属度函数模型为：

其中，

当模糊变量为室内温度

同理模糊变量为电费时，可对评语子集v

评估矢量计算处理

利用模糊合成算子，将评价指标的权重向量A与评判矩阵R

其中

加权平均原则处理模糊综合评估矢量得到用户满意度量化结果：

其中，

步骤3.3，本文以一天为时间单位，对用户综合满意度进行优化，输出每天的优化结果。

目标函数为：

其中：j＝D*24+1,D*24+2,…,D*24+24；D＝1,2,…,Mod[I/24],表示第D天的1～24中第j个时刻，共计Data＝mod[I/24]天；

al＝1,2,…,(Tin

对于用户来说，只有上述共计(Tin

通过上述满意度寻优模型，用户m

即用户m

将此温度值带入用户m

作为优选，由步骤1可得温控负荷用户在i时刻基准负荷为Wtcl

本文以天为时间长度对温控负荷用户需求响应潜力进行评估。用户m

其中，

则温控负荷用户群体在第D天的响应潜力为：

其中，DRP

本发明充分考虑了在需求响应活动中用户为不确定性问题，模拟用户决策，通过于基础负荷对比分析得出区域响应潜力。

附图说明

图1：本发明方法流程图。

图2：能耗气象相关系数热图。

图3：用户能耗温度回归示意图。

图4：回归参数分布。

图5：居民TCL。

图6：TCL功率曲线聚类结果。

图7：单个用户决策结果。

图8：响应前后群体TCL曲线图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施示例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

下面结合图1至图8介绍本发明的具体实施方式为一种应用智能电表数据的需求响应潜力分析方法，包括以下步骤：

本发明主要构建了基于居民用户智能电表数据的居民TCL需求响应潜力评估模型。在该模型中，通过对居民用户能耗数据于气象因素皮尔逊相关性分析、线性回归分析、k-means聚类分析，得到居民用户TCL能耗基准曲线；通过模糊综合评估法，提出了计及用户环境舒适和费用支出的综合满意度的TCL调度策略；在分时电价场景下，通过居民用户TCL参与响应前后能耗数据的对比分析，对TCL需求响应潜力进行评估。最后对单个TCL用户和区域内TCL用户群体进行仿真，计算证明调度策略和评估模型的有效性。本发明主要技术路线如图1所示。

包括以下步骤：

步骤1：构建各个用户能耗时序数据、气象时序数据，计算能耗时序数据与各气象因素时序数据之间的皮尔逊相关系数，通过线性回归方法计算温控负荷小时能耗，根据温控负荷小时能耗计算用户的总能耗，计算用户的温度转折点，进一步构建用户的能耗特征参数向量，根据用户的能耗特征参数向量进行筛选得到筛选后的用户特征数据向量集合；

步骤1所述构建各个用户能耗时序数据、气象时序数据，计算能耗时序数据与各气象因素时序数据之间的皮尔逊相关系数为：

所述用户能耗时序数据为：

X

其中，m＝1,2,…,M，M为用户总数，X

所述用户气象时序数据为：

Y

y

其中，Y

所述第m个用户的可见度时序数据为：vis

所述能耗时序数据与可见度因素时序数据之间的皮尔逊相关系数为：

其中，cov(X

其中，

将功率、温度、可见度、露点、气压、湿度和风速七项数据间的皮尔逊相关系数形成矩阵并进行可视化处理，用渐近色带表示矩阵元素大小的变化，即可得到热图，如图2所示。热图中越深表示皮尔逊相关系数越大，正相关性越强。

步骤1所述通过线性回归方法计算温控负荷小时能耗为：

所述计算温控负荷小时能耗为：

Wtcl

其中，Wtcl

Tout

α

cp

β

γ

S

对居民能耗数据与温度数据进行回归，得到如图3所示结果。对于以上回归结果，得到用户TCL回归日曲线如图5，回归结果显示TCL在在上午10：00达到负荷高峰，此后一直持续至20：00，此后有下降趋势。在夜间0：00-5：00为低谷。

步骤1所述进一步根据温控负荷小时能耗计算用户的总能耗为：

其中，W

步骤1所述计算用户的温度转折点，具体计算方法为：

根据能耗时序数据X

cp

其中，cp

Min(Tout

通过回归模型求解得到该模型下能耗回归序列：

f

其中，f

并计算在该回归模型下回归相关系数为:

其中，R

从而形成第m个用户的l个模型回归相关系数集合为：

经取最值求得：

此时回归相关系数最大，回归误差最小，回归模型效果最优；

通过单个用户最优回归模型进行回归分析，建立单个用户温控负荷方程：

其中，Wtcl

步骤1所述用户的能耗特征参数向量为：

其中，m∈[1,M]，M为用户总数，

图4显示了用户回归参数分布情况。

步骤1所述根据用户的能耗特征参数向量进行筛选得到筛选后的用户特征数据向量集合为：

得到N个筛选后的用户特征数据向量，构建筛选后的用户特征数据向量集合；

所述筛选后的用户特征数据向量集合为：

其中，

步骤2，将筛选后的用户特征数据向量集合采用改进k-means聚类方法对负载模式相似的用户分为同一聚类，进一步计算温控负荷用户基准负荷；根据TCL回归特性参数，应用k-means聚类对这些曲线分析，结果如图6所示

步骤2所述改进k-means聚类方法k-means的聚类目标函数为：

其中，SSE为最小误差平方和，为目标函数；num

步骤2所述对负载模式相似的用户分为同一聚类为：

步骤2.1，初始化聚类中心u＝{u

其中，u

步骤2.2，从输入的数据点集合D中随机选择一个点作为第一个聚类中心u

步骤2.3，对于数据集中的每一个点

其中，

步骤2.4，选择一个新的数据点作为新的聚类中心，选择的原则是：

其中，u

步骤2.5，重复步骤2.3、步骤2.4直到选择出K个聚类中心；

通过上述步骤即可对初始聚类中心进行优化；

步骤2.6，计算所有样本点

步骤2.7，按照公式

其中，u

步骤2.8，重复步骤2.6、2.7，直至达到最大迭代次数Iteration＝500或者聚类中心u不再发生变化；此时得到更新后的K个簇c

将数据点数量最多的簇的聚类中心定义温控负荷用户基准点：

D

其中：K

步骤2所述温控负荷用户基准负荷计算如下：

用户温控用户基准负荷可定义为：

Wtcl

其中：

Tout

S

其中，Tout

根据上述参数与步骤即可求得温控负荷用户基准负荷。

步骤3：计算用户每个小时的温控负荷单位功率下的制冷量，进一步计算用户每个小时的室内温度，计算用户每个小时的温控负荷实时功率，进一步计算用户每个小时的温控负荷实时能耗费用，通过用户每个小时的室内温度、用户每个小时的温控负荷实时能耗费用构建评价指标以及评价指标对应的评语子集；

步骤3所述计算用户每个小时的温控负荷单位功率下的制冷量为：

其中，z∈[1,N]，N为温控负荷用户数量，i∈[1,I]，I为小时的总数量，

步骤3所述进一步计算用户每个小时的室内温度为：

其中，

步骤3所述计算用户每个小时的温控负荷实时功率为：

其中，

步骤3所进一步计算用户每个小时的温控负荷实时能耗费用为：

其中，

步骤3所述选取用户每个小时的室内温度、用户每个小时的温控负荷实时能耗费用作为评价指标，定义评语子集以及评价指标的权重；

通过第m

评价指标为：

其中，U

步骤3所述评语子集为：

v

v

其中，v

步骤3所述所述评价指标的权重向量为：

A＝{a

其中，a

人体热舒适度指标计算如下：

其中，Tin为环境温度，PMV为人体热舒适度指标；

本文取人体舒适舒适度指标弹性范围值：PMV

在模糊处理中，对于温度在T

所述模糊隶属度函数模型为：

其中，

当模糊变量为室内温度

同理模糊变量为电费时，可对评语子集v

评估矢量计算处理

利用模糊合成算子，将评价指标的权重向量A与评判矩阵R

其中

加权平均原则处理模糊综合评估矢量得到用户满意度量化结果：

其中，

步骤3.3，本文以一天为时间单位，对用户综合满意度进行优化，输出每天的优化结果。

目标函数为：

其中：j＝D*24+1,D*24+2,…,D*24+24；D＝1,2,…,Mod[I/24],表示第D天的1～24中第j个时刻，共计Data＝mod[I/24]天；

al＝1,2,…,(Tin

对于用户来说，只有上述共计(Tin

通过上述满意度寻优模型，用户m

即用户m

将此温度值带入用户m

步骤4：通过对比分析基准负荷数据，实现对居民温控负荷需求响应潜力的评估。

由步骤1可得温控负荷用户在i时刻基准负荷为Wtcl

本文以天为时间长度对温控负荷用户需求响应潜力进行评估。用户m

其中，

则温控负荷用户群体在第D天的响应潜力为：

其中，DRP

本发明第二实施例包括以下步骤：

步骤1：基于智能电表数据，应用皮尔逊相关系数、线性回归、k-means聚类得到居民用户温控负荷基准曲线；

步骤2：在分时电价场景下，基于温控负荷热电模型，通过模糊综合评估法对计及环境舒适和费用支出的用户综合满意度进行量化寻优，模拟用户决策，得到用户响应后负荷量。通过对比分析基准负荷数据，实现对居民温控负荷需求响应潜力的评估。

2.根据权利要求1所述的应用智能电表数据的需求响应负荷基准曲线分析，其特征在于：

步骤1中所述建立居民用户温控负荷基准曲线具体步骤如下：

本文以我国华东某地区为例，假设此地区内有1500户居民用户，对居民用户分时电价场景下的TCL需求响应状况进行仿真分析。该地区亚热带季风性气候，一年内变化气温为0～35℃左右，夏季高温多雨，冬季较为温和，气象数据采用典型夏季气象数据。

步骤1.1：气象条件，温度、可见度、露点、气压、湿度和风速等因素均会对居民用户能耗产生影响，利用皮尔逊相关系数对能耗-气象因素相关性进行分析。对于能耗、气象时序数据X＝[x

其中cov(X,Y)为X，Y的协方差，σ为标准差。ρ的取值范围为-1～1。经计算于能耗相关性最大的是温度，其皮尔逊相关系数为0.61，表明具有较强相关性。

步骤1.2：温度-能耗回归分析

1.为表征温度与居民用户负荷之间的具体相关关系，某用户温控负荷实时能耗表述为：

W

其中，W

S(t)为温控负荷状态参数，取值如下：

2.用户一天的总能耗

其中，W为用户总能耗，对温控负荷和基础负荷在一天时间上累计求和，W＝58kW·h。

具体过程为

1)首先通过遍历温度点确定变化点C

2)通过数据进行回归分析，对单个居民用户的温度响应状态进行描述。

3)由温度响应状态计算温控负荷，确定用户是否使用温控负荷以及开启的时间段。

步骤1.3：基于相关性分析以及回归分析，在95％显著水平下，对ρ＞0.5，回归斜率γ＞0的用户判定为温控负荷用户，采用k-means聚类，对负载模式相似的居民用户进行分组，最终得到温控负荷用户基准负荷。

1.k-means聚类目标函数

其中SSE为误差平方和，其中C

2.聚类收敛条件

其中C

3.超参数优化

第对于第i+1个初始聚类中心对应的样本x应满足：

其中0≤i＜n，表示下一个聚类中心x应满足距离

表示前i个聚类中心对应的离各自最远样本点的距离集合。

3.根据权利要求1所述的应用智能电表数据的需求响应潜力分析,其特征在于：

步骤2中所述评估居民用户温控负荷响应潜力具体步骤如下：

步骤2.1，在某时刻下通过温控负荷机组热电参数，建立温控负荷功率、室外温度、室温之间的时序关系。

1.温度与能耗函数关系：

其中，T

Q(t)＝s(t)·P·k

其中k为温控负荷能效比,k＝3，代表温控负荷单位功率下的制冷量。S代表温控负荷运行状态，P为温控负荷额定功率,p＝3kW。

2.温控负荷实时功率为：

p(t)＝s(t)·P

3.温控负荷实时能耗费用为：

c(t)＝p(t)·p

其中c为实时电费，P

步骤2.2，采用模糊综合评估法对包含环境舒适以及电费支出两个指标的温控负荷居民用户用电满意度进行量化分析。

1.确定评价因素集U＝{u

2.确定模糊隶属度函数：

根据人体热舒适度指标可以对具体环境下大部分人的冷暖平均水平进行描述。以夏季居民用户住宅为例，忽略室内风速、湿度以及人体代谢服饰热阻等影响,计算公式可简化如下：

其中T为环境温度。PMV为人体热舒适度指标。T＝26℃，PMV＝0。由此确定室内温度模糊隶属度函数为：

其中a、b、c、d表示隶属度函数上下界，由PMV值确定：a＝22,b＝24,c＝26,d＝29。

3.评估矢量计算处理

利用模糊合成算子，将模糊权重矢量A与评判矩阵R合成得到评估结果矢量B：

其中

加权平均原则处理模糊综合评估矢量得到用户满意度量化结果：

其中y

步骤2.3，在某时刻t，对不同电费与温度组成不同的模糊评估因素集进行评估，得到用户不同状态下的满意度，进行优化寻求用户最大满意度。

目标函数为：

其中

该时刻点用户在部分温度下满意度为：

分析发现在室内温度28.6℃时用户综合满意度最大，为2.9985。

图6(a)为TCL用户聚类结果，图6(b)为对应的频率分布。分析发现用户主要集中于第一类用户，占比为63％，其α值最小，代表基础能耗相对最低，而反应温度响应度的β最大，即表明该类型用户具有较好的负荷灵活性。故将其定为TCL基准曲线，并用于后文的响应潜力分析。

在分时电价场景下，对单个TCL用户进行仿真计算，结果如图7所示。其中图7(a)分别为室外温度T

步骤2.4，通过满意度决策模型，模拟用户决策、确定其响应能耗。通过综合比较用户温控负荷基准曲线，得到需求响应潜力。

群体用户相关参数取值为：

模拟居民用户TCL群体需求响应行为，分析负荷群体对分时电价的响应行为，在基准负荷基础上评估了其响应潜力。

计算结果如图8所示。其中三角形标记曲线为无需求响应情况下的总功率，圆形标记曲线为基准负荷功率。图8中响应后负荷降低的时间段，主要集中在10：00～20：00和1：00～6：00午夜时间段。中午至晚上时间段，参加需求响应的负荷群体总负荷趋势呈现较响应前平稳，而非响应前出现的明显高峰。结合室外温度，分时电价等数据分析，在午夜时间段，此时室外温度较低，综合用户舒适和费用支出的满意度考虑，用户此时室内温度设定基本跟随室外温度，TCL能耗明显降低。在中午至下午时间段内，此时电价较高，用户综合满意度反映出用户出于费用支出考虑，在一定舒适度前提下适量调高室内温度跟随室外温度，以降低电费，所以此时负荷量相对平稳。

计算结果如表所示。

由计算结果可知参与需求响应负荷量以及费用降低明显，荷波动大大减少，响应后各项指标均优于响应前。响应潜力即为响应容量降低值，为14MW·h。

应当理解的是，本申请书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本申请专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本申请权利要求所保护的范围情况下，还可以做出替换或变形，均落入本申请的保护范围之内，本申请的请求保护范围应以所附权利要求为准。