一种用户参与需求响应最佳业务模式的测试方法及系统与流程

本发明涉及电力需求响应通信网络，特别涉及用户参与需求响应最佳业务模式的测试方法及系统。

背景技术：

1、

2、基于客户一年历史日负荷数据，可以研究不同日负荷模式的发生概率，跟踪客户中长期用电量模式。但考虑到住宅客户日常用电行为具有较强的不确定性，中长期时间尺度画像结果在处理小概率事件时对客户需求响应潜力的描绘存在一定偏差，不利于准确识别能够参与需求响应计划的住宅客户。为此，综合考虑用户需求响应的适应度、日负荷模式的概率特征和需求响应能力，提出了基于中长期和短期idr适应度评价的用户需求响应潜力选择机制。

技术实现思路

1、针对传统需求响应实施过程中用户大多根据自己主观意识与实际用电需求自主选择参与何种响应模式，并没有结合其历史负荷数据的动态特性，导致不能兼顾用户参与需求响应业务的质量与其自身用电舒适度的问题。鉴于上述存在的问题，提出了本发明。发明提供了用户参与需求响应最佳业务模式的测试方法及相关装置，可自适应的为用户选择最适合其自身的响应模式。

2、因此，本发明解决的技术问题是：当前技术无法兼顾用户参与需求响应业务的质量与其自身用电舒适度。

3、为解决上述技术问题，本发明提供如下技术方案，一种用户参与需求响应最佳业务模式的测试方法，包括，

4、作为本发明所述的用户参与需求响应最佳业务模式的测试方法的一种优选方案，其中：

5、采集用户历史用电数据，对所述用户历史用电数据进行数据清洗，并提取用户常见的需求响应模式，分析用户参与对应需求响应模式事件的概率特征；

6、构建用户基线需求响应适应度模型，分析用户负荷基线容量；

7、根据综合基线需求响应适应度曲线的结果，结合频谱聚类算法对住宅用户组进行分类；

8、对用户全面需求响应适应度评估，得到适合用户的最佳响应模式。

9、作为本发明所述的用户参与需求响应最佳业务模式的测试方法的一种优选方案，其中：所述分析用户参与对应需求响应模式事件的概率特征包括，根据用户历史用电数据提取用户常见的日负荷模式，统计一年中用户u不同日负荷模式l发生的概率，表示为：

10、

11、其中，l为用户常见的日负荷模式数量，nl为日负荷模式l发生的频率；利用用户u的日负载模式事件概率特征γu＝[γu,1,γu,2,...,γu,l]，表征用户对各种常见日负荷模式发生的个体偏好特征。

12、作为本发明所述的用户参与需求响应最佳业务模式的测试方法的一种优选方案，其中：构建用户基线需求响应适应度模型包括，计算区域用户用电需求乘数ρlocal＝aecpclocal/aecpcbase，确定区域的平均用电量水平；其中，aecpclocal为区域年人均用电量，aecpcbase为基准年人均用电量；

13、然后，在归一化负荷值中引入归一化需求乘数，并以1/ρlocal作为基准值识别用户的峰值负荷，将归一化值大于1/ρlocal的时间段作为用户尖峰负荷时间段，将用户u在负荷模式l下每天第k个时间段内尖峰负荷发生的频率fu,l,k计算为：

14、

15、

16、其中，为归一化日负荷曲线在第k个时段的属性值，nu,l为用户u处于用电模式l的频率、g为典型负荷用电模式的个数、jg,k表示第g种用电模式在第k个时段的尖峰负荷发生的状态；

17、再构建基于非参数核密度估计方法，计算用户u处于负荷模式l下，一天中第k时段的统计概率pu,l,k以及一年内需求响应事件的历史频率pkdr，具体如下：

18、

19、其中，t为一天的总小时数；y(·)为核函数，本文采用高斯核函数；h表示带宽，是核密度估计的平滑参数，t为当时时刻；

20、

21、其中，fidr表示用户u在第i时参与需求响应的概率；

22、通过srcc模式之间的正负相关程度，其取值范围为[-1,1]，测量尖峰之间的相关性；各负荷模式的负荷与需求响应事件的概率分布模式相匹配，且srcc值越大，该负荷模式与当日需求响应方案的适合度越高；基于峰值负荷的基线需求响应适应度定为：

23、

24、其中，是pu,l,k和pkdr降序排列后的阶差。

25、作为本发明所述的用户参与需求响应最佳业务模式的测试方法的一种优选方案，其中：所述分析用户负荷基线容量包括，构建用户日负荷模式基线容量，用户u的综合需求响应适应度由用户负载模式的事件概率特征γu＝[γu,1,γu,2,...,γu,l]决定；用户u的负荷模式的综合基线需求响应适应度βu,l由各类型日负荷模式的基线需求响应适应度bu,l和基线容量pu,l定义：

26、βu,l＝γu.l·bu,l·pu,l

27、用户需求响应综合基准适应度矩阵

28、其中，β的所有行向量表示n个住宅用户在l级日负荷模式下需求响应的综合基线适应度曲线的结果。

29、作为本发明所述的用户参与需求响应最佳业务模式的测试方法的一种优选方案，其中：所述结合频谱聚类算法对住宅用户组进行分类包括，将用户u各负荷模式的需求响应适应度之和记为综合需求响应适应度为:

30、

31、则将每一类用户的平均综合需求响应适应度定义为：

32、

33、其中，ng为聚类后第g类用户所在集群的用户数量；

34、采用频谱聚类算法将住宅用户聚类划分为g类,那么这g类用户可以表示为集合u＝{u1,u2,…,ug}。

35、作为本发明所述的用户参与需求响应最佳业务模式的测试方法的一种优选方案，其中：所述对用户全面需求响应适应度评估，得出适合用户的最佳响应模式包括，根据综合需求响应适应度fu对所有用户进行由高到低的排序，将每个用户的中长期适应度排名记为集合：

36、

37、其中，表示用户u的中长期适应度排序结果，其值等于fu的递减排序顺序；

38、对用户短期dr适应度评价与排序，基于midxofy算法，选取x天历史中y天的日负荷曲线与中负荷水平的平均值作为需求响应当日客户的假设负荷预测结果，结合当日dr信号周期分布计算短期住宅客户适宜性评价指标；

39、

40、

41、其中，ju,d,τ和sν分别表示用户u在d天时间τ的峰值负荷发生状态和d天时间ν的需求响应期发生状态，若事件发生，则记为1，反之记为0；λ表示需求响应可以利用的价值评分函数；μ表示尺度因子，它控制λ对时间序列差分τ的灵敏度；v表示调平因子，控制灵敏度非饱和区域的分布位置；

42、将所有用户的短期适应度排名按降序表示为：

43、

44、其中，表示用户u的短期适应度排序结果，其值等于descend_order(au)的降序排序；

45、通过加权得到用户的综合体能排名

46、

47、其中，α和1-α分别表示中长期和短期适应度排名的权重；

48、用按降序排列所有用户，可以得到用户真实的综合适应度排名结果，记为:

49、

50、计算g类用户聚类的适应度排名迁移率，g类用户聚类的适应度排名迁移率定义为：

51、

52、其中，n(·)表示括号中集合的元素个数，n(llong_term(ug))表示g类用户的长期和短期适应度排序集合的交集元素个数；取值范围[0,1]，用于综合表征g类用户中长期适应度排序和短期适应度排序的一致性；考虑到不同类型用户中长期和短期健身排名相对信度的差异，分别取作为α，计算出用户u在g类型用户群中修正后的综合适宜性排名结果：

53、

54、根据用户真实适应度排名lgeneral(u)的结果，引导基于激励的需求响应潜在用户的选择。