一种考虑差异化需求响应方案的居民用户用电优化策略

1.本发明属于电力需求侧管理技术领域，具体涉及一种考虑差异化需求响应方案的居民用户用电优化策略。


背景技术：

2.随着新型电力系统和能源互联网技术的急速发展，居民用户规模不断增长，电力行业重心转移正不断推进，从单一需求侧管理转向用户侧柔性资源主动参与源荷互动，维持电力系统供需平衡；现阶段电力负荷数据呈海量的特征，需求响应可用度评估，对提高电网运行经济性和鲁棒性具有重要研究价值；当前，需求响应方面研究可分为激励型和价格型两类；激励型通过补贴灵活引导用户时移电负荷，而价格型通过时变价格鼓励用户灵活调整，以获取最大收益；但由于不同用电行为画像的用户对上述两种响应策略的适配度不同，若按不体现差异化特性的传统响应方案施行，则无法同时满足所有用户的效益最优；因此，根据用电模式精确辨识适配度，制定差异化需求响应策略具备很高的经济利用价值。
3.在用电行为画像方面，现有技术通过调查问卷形式萃取反映用户特征的用电模式，从负荷曲线数据和调控潜力的角度出发，基于加权表决的集成综合聚类方法提取典型模式，探究对居民用户用能习惯和选择的影响；然而，该方式主观性较强，在数据精确度层面具有很大的局限性；鉴于此，现阶段对基于聚类的居民用户画像主要分析不同用电指标的关联度，采用数据分析聚类算法挖掘用电模式和行为画像；但当前研究多侧重于分析标签生成，多维行为标签相对简单，缺乏对基于行为画像的需求响应方案优选和可用度验证的深入研究。
4.在需求响应方案解析方面并未有明确的界定模式，缺乏从行为画像分类的角度出发研究需求响应可用度评估，进而辨识精细化需求响应方案；价格型是指用户根据时段划分进行时段和电量的重新安排，分时电价能够更好地适配价格型优选用户，可达到移峰填谷的效果；而在时段划分方面，现有时段划分模式可能不再适用，时段界限变得模糊，可能影响可再生能源消纳率，因此亟需制定更精确的时段划分模式；激励型是指电力公司设定补偿电价，吸引用户参与响应进行用电时段转移；针对激励型辨识技术，由于居民用户日用电行为间歇性较强，在应对小概率事件时，长期尺度的画像结果对用户激励型潜力刻画存在一定偏差；因此综合考虑长短期调度尺度下提出激励型优选用户潜力辨识机制具有重要意义。
5.用电行为优化方法的研究尚处于起步阶段，需求响应参与主体较少，市场化不强；同时在可平移负荷控制方面，对用电实际情况的研究不够深入，缺乏对用户实际用能情况的贴合度，无法起到有效的激励作用和有效调节；此外，伴随新型电力系统改革不断推进，源荷互动能力得到广泛关注，居民用电优化主动性更加明显，同时对可再生能源高比例消纳的要求也更高；现有技术缺乏对可再生能源出力间歇不确定性对用户优化策略的研究，多采用随机规划方式生成随机场景，进而制定优化策略；但该方法局限于精确出力概率分布函数，且计算复杂度严重影响调度结果。


技术实现要素：

6.本发明的目的是为了克服现有技术的不足，而提供一种精确辨识高潜力的目标用户，实现对激励型需求响应适配度的精准画像，提高需求响应潜力用户优选的决策精度，提升源荷匹配水平、用户响应意愿和风光消纳水平的考虑差异化需求响应方案的居民用户用电优化策略。
7.本发明的目的是这样实现的：一种考虑差异化需求响应方案的居民用户用电优化策略，它包括以下步骤：
8.s1、针对用户用电行为的多元化趋势，通过萃取用户共性模式和分析用户对于不同日负荷模式的发生概率，构建用户日负荷模式特征分析模型，表征多元化的用电行为；基于wasserstein距离构建用户数据模糊集精确化反映用户基准容量；基于用户各类模式的发生概率特征和基准容量制定画像；
9.s2、针对居民用户行为的模糊性和长期画像的局限性等问题，构建计及双时间尺度的需求响应适配用户优选机制；首先，采用谱聚类算法划分用电模式，并对长期综合可用度进行评估和排序；其次，利用历史周期内负荷集中的曲线均值和时段分布情况构建短期可用度评估指标，并按降序进行排列；最后，加权处理长期&短期评估结果，并通过量化二者可用度排序的相对可靠度以确定权重比值；
10.s3、针对价格型优选用户，采用模糊聚类模型重构电价时段；首先，考虑消费者心理构造响应意愿函数，表征与电价变化的关联关系；其次，明晰实际响应过程中非线性转移率特征，采用logistic函数描述价格型优选用户模糊响应意愿；最后，利用pairs sum聚类模型刻画峰谷平时段，进而量化实际负荷曲线；
11.s4、综合价格型和激励型差异化需求响应方案辨识方式，建立日前-日内两时段源荷互动鲁棒决策框架；日前阶段考虑风光预测出力，以决策成本最低为目标，结合价格型优选用户模糊负荷转移率，优化得到以1h为时间尺度的预测决策方案；日内阶段以调控成本最低为目标，构建考虑风光间歇性和激励适配需求响应用户的日内调控模型；最后采用二阶模型松弛、线性对偶算法和列约束理论将模型交互迭代求解，在满足风光全消纳的前提下，综合集成调度结果的经济性和健壮性。
12.所述步骤s1包括：
13.s11：确定居民用户日负荷模式事件概率特征画像
14.通过提取居民用户共性日负荷模式和统计各日模式的发生概率，实现对居民用户多元化用电行为的数字特征画像；设萃取的日负荷模式共分为l类，则一年中用户u日负荷模式l的发生概率和事件概率特征画像γu为：
[0015][0016]
γu＝[γ
u,1
,γ
u,2
,
…
,γ
u,l
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017]
其中，γ
u,l
为用户u日负荷模式l的发生概率；n
l
为日负荷模式l的发生频次；
[0018]
s12：确定居民用户日负荷模式基准容量
[0019]
步骤a1：假定用户历史负荷数据预测误差样本数据为基于wasserstein算法计算不同概率分布间的距离：
[0020][0021]
其中，w(p1,p2)为两概率分布p1和p2间的wasserstein距离；||
·
||为范数；ξ1和ξ2分别服从于概率分布p1和p2；π(d(ξ1),d(ξ2))为边缘分布为p1和p2的联合分布概率；
[0022]
步骤a2：根据wasserstein距离构造以为中心，ε为半径的模糊不确定集ω：
[0023][0024][0025][0026]
其中，m(ξ)为支撑集ξ中的全部概率分布；β为置信水平；为样本平均值；
[0027]
步骤a3：对样本数据集进行标准化处理，并构建数据驱动支撑集ξ；
[0028][0029][0030]
其中，为样本协方差矩阵；是的第s个元素；l是的边界；
[0031]
步骤a4：构建数据驱动支撑集b：
[0032][0033]
其中，b
max
为上边界；p
std
、为的真实和经验分布；φ
std
为的模糊集；φ表示一个较高的置信水平；
[0034]
步骤a5：基于区间边界求得的支撑集ξ，获得日负荷模式基准容量p
u,l
：
[0035][0036][0037]
s13：构建需求响应适配度画像
[0038]
综合s11-s12结果，描述用户u负荷模式l的综合基准需求响应可用度β
u,l
，并结合谱聚类算法对用户群体进行分类，将用户u各模式的需求响应可用度之和定义为需求响应综合可用度ψu，进而构建用户激励型可用度画像：
[0039]
β
u,l
＝γ
u,l
·
p
u,l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0040][0041]
所述步骤s2包括：
[0042]
s21：根据居民用户综合需求响应可用度fu，对所有用户按照降序进行排列，以获得各居民用户长期可用度排序集合：
[0043]
e(u)＝{eu＝ordering(ψu)|u∈u}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0044]
其中，eu为用户u的长期可用度排列结果，其值为ψu的降序排列名次；
[0045]
s22：以假想负荷预测结果和当日响应信号的时段分布为依据，计算各居民用户短期需求响应可用性评估指标
[0046][0047][0048]
其中，j
u,d,τ
、sv为用户u尖峰负荷和需求响应事件发生状态；ε为需求响应能用价值打分函数；ο为尺度因子；η为平移因子，控制敏感度非饱和区的分布位置；
[0049]
然后，对短期需求响应可用度评估指标降序排序，公式如下：
[0050]
s(u)＝{su＝ordering(ψu)|u∈u}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0051]
其中，su为用户u的短期可用度排序结果，其值等于ψu的降序排列名次；
[0052]
s23：通过统计同类用户集群在短长期需求响应可用度排序方面的差异，量化二者相对可靠度，制定合理的权重系数θ构建激励型潜力用户优选指标，公式如下：
[0053][0054]
所述步骤s3包括：
[0055]
s31：根据消费者心理定义负荷转移率λ为价格型优选负荷转移量与电价差值δp之比，传统线性负荷转移率函数公式如下：
[0056][0057]
其中，l
ab
为死区阈值；h
ab
为饱和区阈值；λ
max
为最大负荷转移率；
[0058]
s32：采用logistic函数构建负荷模糊响应意愿非线性模型；λ
pv
为峰谷负荷转移率；m为乐观隶属度；δp
pv
为峰谷电价差；模糊响应公式如下：
[0059][0060]
在“死区”部分，用户积极性差，可采用乐观&悲观曲线平均值表征响应意愿；在“饱和区”，由于乐观和悲观曲线重合，拟合为最大负荷转移率表示；在“响应区”，用户响应跟随电价差变化，且随电价差增大趋向乐观曲线，采用偏大半梯型隶属度函数计算：
[0061][0062][0063]
其中，a、c、μ均为常量；为模糊负荷转移率拟合值；和分别为乐观、悲观负荷转移率；同理可得峰转平，平转谷的模糊负荷转移率与
[0064]
s33：综合负荷转移率模糊模型，利用pairs sum聚类模型刻画不确定条件下的峰谷平时段，进而量化经由峰谷时段后的实际负荷曲线；时段划分基本流程如下：
[0065]
步骤b1：设总时段为t，i、j分别为某时段的开始时刻和结束时刻；在划分时段中考虑连续性问题：
[0066]
(1)若开始时刻i小于结束时刻j，则时刻k(i＜k＜j)属于同一时段；
[0067]
(2)若开始时刻i大于结束时刻j，则该时段范围为i≤k≤t及1≤k≤j；
[0068]
步骤b2：采用欧氏距离归一化对象i、j之间距离：
[0069][0070]
步骤b3：采用pairs sum模型将待划分时段聚类为k个典型时段，目标函数：
[0071][0072][0073]
最后采用分支定界法进行求解；通过设置参数k，结合模糊负荷转移率函数，求解可得差异条件下的时段划分方案；
[0074]
步骤b4：设价格型用户i原始负荷为li(t)，在步骤b3制定的峰谷平时段下，计及模糊负荷转移率响应后的负荷为：
[0075][0076]
式中：t
p
、tf、tv为峰、平、谷时段集合；为响应前负荷平均值。
[0077]
所述步骤s4包括：
[0078]
s41：构建日前-日内双层灵活鲁棒优化决策基础模型为：
[0079][0080]
式中：x为日前决策变量；y为日内调控变量；u为随机参数；其余为常系矩阵；
[0081]
s42：基于风光出力和负荷预测值，以日前调度成本最低为目标，构建考虑网络安全约束和价格型适配用户负荷转移率的日前用电优化模型，公式如下：
[0082][0083][0084]
其中，δt为时间步长；n
mt
为燃气轮机机组数量；n
pdr
为参与价格型需求响应负荷数量；a
mt
和b
mt
为燃气轮机机组的成本系数；p
mt,j
(t)为燃气轮机j在日前t时段的输出电功率；σ(t)为峰平谷分时电价；为日前t时段向上级电网购售电单位电价；和为日前向上级电网购售电功率；
[0085]
s43：在调度日风光实际出力下，建立日内用电调控模型，公式如下：
[0086]
[0087][0088]
其中，为燃气轮机j上下调控惩罚单价；为燃气轮机j上下调控功率；λ
wind,j
、λ
solar,j
为风光惩罚成本单价；为t时段风光机组注入功率；和为t时段日内阶段的关口购售电单价；和为t时段关口购售电功率；n
idr
表示激励型优选用户的可转移负荷数量；为单位补偿价格系数；表示t时段转移功率；
[0089]
s44：结合s41-s43，构建双层互动鲁棒决策模型的求解步骤如下：
[0090]
步骤c1：基于可调鲁棒优化方法利用盒式集对风光出力随机间歇性表征：
[0091][0092]
考虑到连续调控时段中很难取到边界，引入预算数γ对风光出力约束：
[0093][0094]
步骤c2：采用列约束算法将原模型解耦为主子问题，并基于线性对偶理论和大m法线性处理子问题，最终主子问题用公式表述如下：
[0095]
[0096][0097]
其中，α、β、γ为对偶变量，ξ为辅助变量；u
up
、u
down
为风光出力集合极限；ξ
+
、ξ-代表ξ的正负取值；为0-1辅助变量；当为1，为0时，风光出力取到上界，ξi为正，相反取下界，ξi为负，若两者都为0，则为预测值；
[0098]
步骤c3：针对上述主子问题迭代求解，首先假设某一风光出力场景为初始场景求解主问题；求解子问题获得相应的最恶劣出力场景，并增加新约束；主问题在获得新的恶劣场景后重新求解，如此迭代直到收敛；随着迭代的进行，代表最恶劣情形的可再生能源出力场景不断迭代，主问题的结果即为日前用电策略优化的鲁棒方案。
[0099]
本发明的有益效果：本发明所提基于用户用电行为剖析结果的激励型适配画像方法，有效分析用户用能习惯和用能需求间的关联和群体共性特征，有助精确辨识高潜力的目标用户；所提基于数据驱动构建历史负荷数据分布的模糊集，可有效反映用户日负荷模式下的基准容量，进而实现对激励型需求响应适配度的精准画像；所提双时间尺度下的激励型潜力用户优选机制相较单一时间尺度下的优选方法，能有效应对日用电行为波动性较大和长期尺度画像方法在处理小概率事件时局限性等问题，通过统计类内用户集群在双时间尺度下的可用度差异，可有效量化可用度排序的相对可靠性，并提高需求响应潜力用户优选的决策精度；所提模糊聚类模型重构分时电价时段相比于现有时段聚类划分算法，能很好的解决调度时段的连续性问题，又能应用于不同随机场景中，充分发挥分时电价调节价格类负荷曲线的能力，提升源荷匹配水平，进一步提升用户响应意愿；所提日前-日内两时段源荷互动鲁棒决策方法相较结果驱动优化算法，通过预算鲁棒不确定集萃取技术改善风光出力随机间歇性对决策方案的影响，综合集成调度结果的经济性和健壮性，并尽可能提升风光消纳水平。
附图说明
[0100]
图1为本发的总体方法路线图。
[0101]
图2为本发明的模糊非线性负荷转移率示意图。
[0102]
图3为本发明的日前-日内两阶段源荷互动框架示意图。
[0103]
图4为本发明的两阶段源荷互动鲁棒求解流程示意图。
具体实施方式
[0104]
下面结合附图对本发明做进一步的说明。
[0105]
如图1所示，本发明包括以下步骤：s1、针对用户用电行为的多元化趋势，通过萃取用户共性模式和分析用户对于不同日负荷模式的发生概率，构建用户日负荷模式特征分析模型，表征多元化的用电行为；基于wasserstein距离构建用户数据模糊集精确化反映用户基准容量；基于用户各类模式的发生概率特征和基准容量制定画像；
[0106]
s2、针对居民用户行为的模糊性和长期画像的局限性等问题，构建计及双时间尺度的需求响应适配用户优选机制；首先，采用谱聚类算法划分用电模式，并对长期综合可用度进行评估和排序；其次，利用历史周期内负荷集中的曲线均值和时段分布情况构建短期可用度评估指标，并按降序进行排列；最后，加权处理长期&短期评估结果，并通过量化二者可用度排序的相对可靠度以确定权重比值；
[0107]
s3、针对价格型优选用户，采用模糊聚类模型重构电价时段；首先，考虑消费者心理构造响应意愿函数，表征与电价变化的关联关系；其次，明晰实际响应过程中非线性转移率特征，采用logistic函数描述价格型优选用户模糊响应意愿；最后，利用pairs sum聚类模型刻画峰谷平时段，进而量化实际负荷曲线；
[0108]
s4、综合价格型和激励型差异化需求响应方案辨识方式，建立日前-日内两时段源荷互动鲁棒决策框架；日前阶段考虑风光预测出力，以决策成本最低为目标，结合价格型优选用户模糊负荷转移率，优化得到以1h为时间尺度的预测决策方案；日内阶段以调控成本最低为目标，构建考虑风光间歇性和激励适配需求响应用户的日内调控模型；最后采用二阶模型松弛、线性对偶算法和列约束理论将模型交互迭代求解，在尽量满足风光全消纳的前提下，综合集成调度结果的经济性和健壮性。
[0109]
所述步骤s1包括：
[0110]
s11：确定居民用户日负荷模式事件概率特征画像
[0111]
通过提取居民用户共性日负荷模式和统计各日模式的发生概率，实现对居民用户多元化用电行为的数字特征画像；设萃取的日负荷模式共分为l类，则一年中用户u日负荷模式l的发生概率和事件概率特征画像γu为：
[0112][0113]
γu＝[γ
u,1
,γ
u,2
,
…
,γ
u,l
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0114]
其中，γ
u,l
为用户u日负荷模式l的发生概率；n
l
为日负荷模式l的发生频次；
[0115]
s12：确定居民用户日负荷模式基准容量
[0116]
步骤a1：假定用户历史负荷数据预测误差样本数据为基于wasserstein算法计算不同概率分布间的距离：
[0117][0118]
其中，w(p1,p2)为两概率分布p1和p2间的wasserstein距离；||
·
||为范数；ξ1和ξ2分别服从于概率分布p1和p2；π(d(ξ1),d(ξ2))为边缘分布为p1和p2的联合分布概率；
[0119]
步骤a2：根据wasserstein距离构造以为中心，ε为半径的模糊不确定集ω：
[0120][0121][0122][0123]
其中，m(ξ)为支撑集ξ中的全部概率分布；β为置信水平；为样本平均值；
[0124]
步骤a3：对样本数据集进行标准化处理，并构建数据驱动支撑集ξ；
[0125][0126][0127]
其中，为样本协方差矩阵；是的第s个元素；l是的边界；
[0128]
步骤a4：构建数据驱动支撑集b：
[0129][0130]
其中，b
max
为上边界；p
std
、为的真实和经验分布；φ
std
为的模糊集；φ表示一个较高的置信水平；
[0131]
步骤a5：基于区间边界求得的支撑集ξ，获得日负荷模式基准容量p
u,l
：
[0132][0133][0134]
s13：构建需求响应适配度画像
[0135]
综合s11-s12结果，描述用户u负荷模式l的综合基准需求响应可用度β
u,l
，并结合谱聚类算法对用户群体进行分类，将用户u各模式的需求响应可用度之和定义为需求响应综合可用度ψu，进而构建用户激励型可用度画像：
[0136]
β
u,l
＝γ
u,l
·
p
u,l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0137][0138]
所述步骤s2包括：
[0139]
s21：根据居民用户综合需求响应可用度fu，对所有用户按照降序进行排列，以获得各居民用户长期可用度排序集合：
[0140]
e(u)＝{eu＝ordering(ψu)|u∈u}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0141]
其中，eu为用户u的长期可用度排列结果，其值为ψu的降序排列名次；
[0142]
s22：以假想负荷预测结果和当日响应信号的时段分布为依据，计算各居民用户短期需求响应可用性评估指标
[0143][0144][0145]
其中，j
u,d,τ
、sv为用户u尖峰负荷和需求响应事件发生状态；ε为需求响应能用价值打分函数；ο为尺度因子；η为平移因子，控制敏感度非饱和区的分布位置；
[0146]
然后，对短期需求响应可用度评估指标降序排序，公式如下：
[0147]
s(u)＝{su＝ordering(ψu)|u∈u}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0148]
其中，su为用户u的短期可用度排序结果，其值等于ψu的降序排列名次；
[0149]
s23：通过统计同类用户集群在短长期需求响应可用度排序方面的差异，量化二者相对可靠度，制定合理的权重系数θ构建激励型潜力用户优选指标，公式如下：
[0150][0151]
所述步骤s3包括：
[0152]
s31：根据消费者心理定义负荷转移率λ为价格型优选负荷转移量与电价差值δp之比，传统线性负荷转移率函数公式如下：
[0153][0154]
其中，l
ab
为死区阈值；h
ab
为饱和区阈值；λ
max
为最大负荷转移率；
[0155]
s32：采用logistic函数构建负荷模糊响应意愿非线性模型，如图2所示；λ
pv
为峰谷负荷转移率；m为乐观隶属度；δp
pv
为峰谷电价差；模糊响应公式如下：
[0156][0157]
在“死区”部分，用户积极性差，可采用乐观&悲观曲线平均值表征响应意愿；在“饱和区”，由于乐观和悲观曲线重合，拟合为最大负荷转移率表示；在“响应区”，用户响应跟随电价差变化，且随电价差增大趋向乐观曲线，采用偏大半梯型隶属度函数计算：
[0158][0159][0160]
其中，a、c、μ均为常量；为模糊负荷转移率拟合值；和分别为乐观、悲观负荷转移率；同理可得峰转平，平转谷的模糊负荷转移率与
[0161]
s33：综合负荷转移率模糊模型，利用pairs sum聚类模型刻画不确定条件下的峰谷平时段，进而量化经由峰谷时段后的实际负荷曲线；时段划分基本流程如下：
[0162]
步骤b1：设总时段为t，i、j分别为某时段的开始时刻和结束时刻；在划分时段中需考虑连续性问题：
[0163]
(1)若开始时刻i小于结束时刻j，则时刻k(i＜k＜j)属于同一时段；
[0164]
(2)若开始时刻i大于结束时刻j，则该时段范围为i≤k≤t及1≤k≤j；
[0165]
步骤b2：采用欧氏距离归一化对象i、j之间距离：
[0166][0167]
步骤b3：采用pairs sum模型将待划分时段聚类为k个典型时段，目标函数：
[0168][0169][0170]
最后采用分支定界法进行求解；通过设置参数k，结合模糊负荷转移率函数，求解可得差异条件下的时段划分方案；
[0171]
步骤b4：设价格型用户i原始负荷为li(t)，在步骤b3制定的峰谷平时段下，计及模糊负荷转移率响应后的负荷为：
[0172][0173]
式中：t
p
、tf、tv为峰、平、谷时段集合；为响应前负荷平均值。
[0174]
所述步骤s4包括：
[0175]
s41：考虑可再生能源出力间歇不确定性和模糊负荷非线性转移率，构建基于鲁棒调度策略的日前-日内两阶段源荷互动框架，如图3所示。价格型需求响应嵌入日前时段引导适配用户削峰填谷，降低配电网运行压力。激励型优选用户在日内阶段根据合同要求进行负荷平移，在满足经济性的前提下尽可能实现风光全消纳。结合日前-日内综合运行成本，解析制定安全可靠的源荷互动计划，并量化分析需求响应带来的效益。由此，构建日前-日内双层灵活鲁棒优化决策基础模型为：
[0176][0177]
式中：x为日前决策变量；y为日内调控变量；u为随机参数；其余为常系矩阵；
[0178]
s42：基于风光出力和负荷预测值，以日前调度成本最低为目标，构建考虑网络安全约束和价格型适配用户负荷转移率的日前用电优化模型，公式如下：
[0179][0180][0181]
其中，δt为时间步长；n
mt
为燃气轮机机组数量；n
pdr
为参与价格型需求响应负荷数量；a
mt
和b
mt
为燃气轮机机组的成本系数；p
mt,j
(t)为燃气轮机j在日前t时段的输出电功率；σ(t)为峰平谷分时电价；为日前t时段向上级电网购售电单位电价；和为日前向上级电网购售电功率；
[0182]
(1)网络安全约束
[0183]
在实际运行过程中，考虑整个网络架构的潮流约束，忽略无功功率的影响，采用标幺值表示节点电压，可得到灵敏度因子，公式如下：
[0184][0185]
其中，为ui的共轭值；y为节点导纳矩阵；pj为节点j的注入电功率；
[0186]
(2)功率平衡约束
[0187][0188]
(3)燃气轮机运行约束
[0189][0190]
其中，s
mt,j
(t)为t时段燃气轮机j运行状态；分别表示燃气轮机j出力极限；燃气轮机j上下爬坡功率极限；
[0191]
(4)电储能约束
[0192][0193]
其中，为t时段充放电状态；为充放极限功率；为容量与极限；为充放效率；
[0194]
(5)关口交互功率约束
[0195][0196]
其中，为t时段交互和极限功率；为交互状态；
[0197]
s43：在调度日风光实际出力下，建立日内用电调控模型，公式如下：
[0198][0199][0200]
其中，为燃气轮机j上下调控惩罚单价；为燃气轮机j上下调控功率；λ
wind,j
、λ
solar,j
为风光惩罚成本单价；为t时段风光机组注入功率；和为t时段日内阶段的关口购售电单价；和为t时段关口购售电功率；n
idr
表示激励型优选用户的可转移负荷数量；为单位补偿价格系数；表示t时段转移功率；
[0201]
(1)网络安全约束
[0202]
与日前阶段网络安全约束相同；
[0203]
(2)日内功率平衡约束
[0204][0205]
式中：为t时段日内购售电量；
[0206]
(3)可再生能源机组出力约束
[0207][0208]
(4)可控机组日内调控约束
[0209][0210]
其中，为t时段燃气轮机j的上下调控状态；为t时段燃气轮机j的上下调控极限；
[0211]
(5)日内阶段关口交互功率约束
[0212][0213]
其中，为t时刻日内调控阶段购售电状态；
[0214]
(6)激励型需求响应约束
[0215][0216][0217]
其中，为t时段激励型优选用户j转入/出负荷量及极限；为t时段响应状态；
[0218]
s44：结合s41-s43，构建双层互动鲁棒决策模型的求解步骤如下：
[0219]
步骤c1：基于可调鲁棒优化方法利用盒式集对风光出力随机间歇性表征：
[0220][0221]
考虑到连续调控时段中很难取到边界，引入预算数γ对风光出力约束：
[0222][0223]
步骤c2：采用列约束算法将原模型解耦为主子问题，并基于线性对偶理论和大m法线性处理子问题，最终主子问题用公式表述如下：
[0224][0225][0226]
其中，α、β、γ为对偶变量，ξ为辅助变量；u
up
、u
down
为风光出力集合极限；ξ
+
、ξ-代表ξ的正负取值；为0-1辅助变量；当为1，为0时，风光出力取到上界，ξi为正，相反取下界，ξi为负，若两者都为0，则为预测值；
[0227]
步骤c3：针对上述主子问题迭代求解，首先假设某一风光出力场景为初始场景求解主问题；求解子问题获得相应的最恶劣出力场景，并增加新约束；主问题在获得新的恶劣场景后重新求解，如此迭代直到收敛；随着迭代的进行，代表最恶劣情形的可再生能源出力场景不断迭代，主问题的结果即为日前用电策略优化的鲁棒方案，具体求解步骤如图4所示。
[0228]
本发明所提基于用户用电行为剖析结果的激励型适配画像方法，有效分析用户用能习惯和用能需求间的关联和群体共性特征，有助精确辨识高潜力的目标用户；所提基于数据驱动构建历史负荷数据分布的模糊集，可有效反映用户日负荷模式下的基准容量，进而实现对激励型需求响应适配度的精准画像；所提双时间尺度下的激励型潜力用户优选机制相较单一时间尺度下的优选方法，能有效应对日用电行为波动性较大和长期尺度画像方法在处理小概率事件时局限性等问题，通过统计类内用户集群在双时间尺度下的可用度差异，可有效量化可用度排序的相对可靠性，并提高需求响应潜力用户优选的决策精度；所提
模糊聚类模型重构分时电价时段相比于现有时段聚类划分算法，能很好的解决调度时段的连续性问题，又能应用于不同随机场景中，充分发挥分时电价调节价格类负荷曲线的能力，提升源荷匹配水平，进一步提升用户响应意愿；所提日前-日内两时段源荷互动鲁棒决策方法相较结果驱动优化算法，通过预算鲁棒不确定集萃取技术改善风光出力随机间歇性对决策方案的影响，综合集成调度结果的经济性和健壮性，并尽可能提升风光消纳水平。