一种基于居民需求响应策略自学习优化方法

摘要

本发明公开了一种基于居民需求响应策略自学习优化方法，首先建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型，得出用户响应度、用户群体参与率与激励水平之间的历史参数；其次，量化评估用户响应潜力，形成响应优先级队列，并在优先级队列下确定不同邀约比例下用户响应负荷潜力关系，据此确定合适的邀约比例；再次，基于需求响应削减负荷目标，构建需求响应成本模型，在响应成本最小化约束下，输出激励水平值；最后，基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性。

说明书

技术领域

本发明涉及居民电力需求响应技术领域，具体为一种基于居民需求响应策略自学习优化方法。

背景技术

伴随着我国经济的快速发展和人民的水平日益提升，从可持续发展的角度看，现阶段我国的电力供需仍处于紧张状态，在部分地区甚至存在电力供应不足的现象。作为智能电网的主要组成部分，需求响应的发展可以进一步提高需求侧负荷的调节能力，进而利用电力需求弹性来降低高峰时段电力负荷补充、互相促进。

居民需求响应措施的主要参与者为：群体为居民和小型商业性质的中小用户。参与者会根据电力市场发布的电力价格信号、相关优惠政策等信息做相应的响应，即居民会在自身利益的驱使下，选择改变自身的用电行为参与到需求侧响应的过程中，使得电力市场更具高效性和灵活性。但是这一类用户具有较大的分散性，响应参与程度具有随机性、时滞性、难预测性等特点。用户侧的参与响应行为不确定性是电网运营商或负荷聚合商针对某次需求响应事件的策略制订中考虑的焦点问题。

由于并不是所有用户都会对需求响应的邀约做出反应，因此为了筛选出具有受邀潜力的居民群体，确定最优的邀约比例，即对所掌握的居民需求响应资源的调用比例；并且在最优邀约比例下，有利于制定响应用户最优的补贴单价，避免产生不必要的需求响应成本。

另一方面，在需求响应过程中居民用电行为的复杂性、用电场景的多元化等因素导致数据量巨大，数据的时间尺度更加复杂等问题。

发明内容

本发明的目的在于提供一种基于居民需求响应策略自学习优化方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于居民需求响应策略自学习优化方法，包括如下步骤：

S1：建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型；

S2：评估用户响应潜力，确定用户响应优先级队列下需求响应用户邀约比例；

S3：基于需求响应削减负荷目标，构建需求响应成本模型，输出激励水平值；

S4：基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性。

优选的，所述步骤S1具体包括：

基于用户需求响应结果数据匹配大规模调查问卷数据建立居民智慧用能标本库。

构建用户激励弹性模型。用户激励弹性模型可以反映居民用户在需求响应事件中的响应行为与激励水平的关系，其中激励水平从个体响应程度与群体参与率两方面影响用户行为。

优选的，所述步骤S2具体包括：

评估用户需求响应潜力值，形成响应优先级队列。实际中削减负荷目标一般低于最大调节潜力，通过优先调度潜力大的资源用户，可提高调峰效率同时降低成本。根据用户的负荷数据及历史参与响应信息，对用户下一次需求响应事件响应潜力进行量化评估。在每次实施需求响应前可根据需求响应潜力值形成优先级队列，排序靠前的用户将优先作为该次需求响应事件的资源。

邀约比例优化，根据需求响应用户优先级队列顺序，针对给定削减负荷目标，依次选择合适比例的用户进行邀约。通过仿真，得出对于优先级队列采取不同邀约比例条件下的用户响应负荷潜力曲线。根据采用优先级队列情况下邀约比例与响应潜力间的曲线关系确定合适的邀约比例。

优选的，所述步骤S3具体包括：

建立以需求响应成本最小化为目标的用户需求响应成本模型；居民需求响应成本模型揭示了电网运营商实施居民需求响应所产生的成本。主要由三部分组成：一是根据用户响应功率向实际参与响应的用户发放激励补贴；二是为了使邀约用户达到预期响应效果产生的调度成本，如通信费用、宣传费用等；三是需求响应带来的售电减少的损失。

在满足一次需求响应事件中指定目标的前提下，居民需求响应的策略应使得需求响应成本尽可能降低，以使得净收益最大化，并在削减负荷量满足需求响应目标的等式约束下，可优化出最小化需求响应成本的激励水平值。

优选的，所述步骤S4具体包括：

基于时间卷积神经网络模型（Temporal Convolutional Network，TCN）的多变量时间序列模型对用户响应电量进行预测。针对不同场景需求响应实验，预测不同激励水平下用户响应电量，据此评估需求响应效果;通过不断地输入新的场景下响应的实验数据，从而对模型输出参数不断训练优化，从而提高模型输出参数的准确性，实现自学习优化。

与现有技术相比，本发明的有益效果是：

本发明提供的一种基于居民需求响应策略自学习优化方法，本发明首先基于需求响应结果数据匹配大规模调查问卷数据建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型，得出历史用户响应度、用户群体参与率与激励水平之间的参数；其次，根据历史参数构建模型对用户响应潜力进行量化评估，形成响应优先级队列，并在优先级队列下确定不同邀约比例下用户响应负荷潜力关系，根据采用优先级队列情况下邀约比例与响应潜力间的曲线关系确定合适的邀约比例；再次，基于需求响应削减负荷目标，构建需求响应成本模型，输出激励水平值；最后，基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性，实现需求响应的自学习优化。

附图说明

图1为本发明居民需求响应策略自学习优化方法的流程示意图；

图2为响应度激励弹性曲线；

图3为参与率激励弹性曲线；

图4为不同邀约比例下用户响应负荷潜力曲线；

图5为TCN的架构图。

具体实施方式

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、完整地描述，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。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。

实施例1

本发明提供了如图1的一种基于居民需求响应策略自学习优化方法，包括如下步骤：

S1：建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型；

S2：评估用户响应潜力，确定用户响应优先级队列下需求响应用户邀约比例；

S3：基于需求响应削减负荷目标，构建需求响应成本模型，输出激励水平值；

S4：基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性。

具体的，所述步骤S1具体包括：

建立居民智慧用能标本库，该标本库不仅包括用户需求响应结果数据即试点地区用户响应用电量数据，自然环境数据如气温数据、降水、风速及相对湿度数据，同时匹配大规模调查问卷数据获取用户家庭收入、教育水平等属性数据。同时随着不同批次场景下需求响应实验的开展，标本库数据也会根据相应批次进行更新，从而为实现在输出一次模型参数后，对模型输出参数进行多次自优化，提高模型输出参数的准确性提供数据支撑。

基于用户消费心理曲线及以往用户负荷数据及参与需求响应的历史数据，构建用户激励弹性模型，用户激励弹性模型可以反映居民用户在需求响应事件中的响应行为与激励水平的关系，其中激励水平从个体响应程度与群体参与率两方面影响用户行为。

其中用户个体响应程度与激励水平关系如式（1）所示：

其中

采用分段线性模型描述响应度与经济激励水平间的关系如图2所示。

当激励水平为0时，用户存在一定的响应空间；随着激励水平的增大，具有需求响应潜力的用户会产生减少用电的行为，期望负荷削减量增加；当激励水平达到饱和点时，用户期望负荷削减量达到最大且波动范围近似忽略，所有响应潜力均已挖掘。

其中用户群体参与率与激励水平的关系如式（2）所示：

其中

当经济激励水平达到下阈值即引起反应最小（最弱）的刺激值时，居民客户群体中开始有用户参与需求响应事件；我们根据历史需求响应试验数据中历史经济激励水平及相对应的用户的参与率之间关系，随着经济激励水平的提升用户的参与率也会相应提升；参与率有最大值，在达到饱和值后，经济激励水平的提高将不能再使用户群体的参与率上升。采用分段线性模型描述参与率与经济激励水平间的关系如图3所示。

综合以上分析，我们可以得出用户的参与率和响应程度随激励水平变化的具体参数。

用户响应总容量采用随机变量表示为：

其中

具体的，所述步骤S2具体包括：

评估用户需求响应潜力值，形成响应优先级队列。实际中削减负荷目标一般低于最大调节潜力，通过优先调度潜力大的资源用户，可提高调峰效率同时降低成本。根据用户的负荷数据及历史参与响应信息，在指定削减负荷目标场景下，对用户下一次需求响应事件响应潜力进行量化评估，在每次实施需求响应前可根据需求响应潜力值形成优先级队列，排序靠前的用户将优先作为该次需求响应事件的资源。用户需求响应潜力值如式（3）所示:

式中

在给定削减负荷目标场景下，向全部用户发送邀约会使得削减负荷过多，产生不必要的需求响应成本。根据需求响应用户优先级队列顺序，针对给定削减负荷目标，依次选择合适比例的用户进行邀约。通过仿真，得出对于优先级队列采取不同邀约比例条件下的用户响应负荷潜力曲线如图4所示。根据采用优先级队列情况下邀约比例与响应潜力间的曲线关系确定合适的邀约比例。

具体的，所述步骤S3具体包括：

建立以需求响应成本最小化为目标的用户需求响应成本模型；居民需求响应成本模型揭示了电网运营商实施居民需求响应所产生的成本。主要由三部分组成：一是根据用户响应功率向实际参与响应的用户发放激励补贴，激励补贴成本与激励水平和用户实际响应电量成正比；二是为了使邀约用户达到预期响应效果产生的调度成本，如通信费用、宣传费用等，可抽象为线性函数和二次函数的分段形式；三是需求响应带来的售电减少的损失，与居民用电电价和实际响应电量成正比。

需求响应成本最小化：

需求响应目标约束：

其中

在满足一次需求响应事件中指定目标的前提下，居民需求响应的策略应使得需求响应成本尽可能降低，以使得净收益最大化，并在削减负荷量满足需求响应目标的等式约束下，可优化出最小化需求响应成本的激励水平值。

具体的，所述步骤S4具体包括：

基于时间卷积神经网络模型（Temporal Convolutional Network，TCN）的多变量时间序列模型对用户响应电量进行预测。针对不同场景需求响应实验，预测不同激励水平下用户响应电量，据此评估需求响应效果；通过不断地输入新的场景下响应的实验数据，从而对模型输出参数不断训练优化，从而提高模型输出参数的准确性。

本发明所采用的时间卷积神经网络的架构如图5所示。堆叠的扩张因果卷积被构造以捕获时间依赖性。传统TCN模型部分时点的输出与当前时点的One-Hot编码（编码长度为周期的长度

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。