基于智能推荐的居民用电需求响应方法技术

一种基于智能推荐的居民用电需求响应方法，属于电力自动化需求响应研究领域。该方法采用K‑Means算法对居民用户的历史用电数据进行聚类，提取居民用电特征，针对特定的需求响应计划获取有参与潜力的目标用户群。将受电网运行状态以及新能源接入影响的一天中不同时段的电力看作具有灵活售价的电力产品，根据用电量的多少为目标用户对不同时段电力的喜爱程度进行模拟打分。采用基于物品的协同过滤算法为目标用户的用电兴趣进行建模，挖掘可能满足其用电兴趣与需求响应要求的的电力产品并推荐。本发明专利技术通过智能推荐的方法实现对参与需求响应的潜力用户群的准确定位以及参与双方的灵活互动，有效提高需求响应计划执行的实时性、导向性、交互性与完成率。

Residential Electricity Demand Response Method Based on Intelligent Recommendation

【技术实现步骤摘要】
基于智能推荐的居民用电需求响应方法
本专利技术涉及一种基于智能推荐的居民用电需求响应方法，属于电力自动化需求响应研究领域。
技术介绍
随着我国经济的发展，电能消耗量急剧增加，电网峰谷差逐渐增大、负荷高峰频率激增以及新能源发电随机性与间歇性特征导致的弃光、弃风等问题给电网的调度工作带来挑战。而在居民用户侧，由于生活水平的提高、环保意识的增强，大量的智能柔性设备与新型储能设备在居民家庭普及使用。夏季高峰时段，一线中心城市的空调负荷比率已超过40％，居民用户的电力消费能力与负荷调控能力明显提高，研究电网侧与居民用户侧的新兴需求响应业务具有重要意义。目前，针对工商业领域的需求响应，一般可以采用价格型与激励型两种策略。价格型策略包括分时电价(TOU)、尖峰电价(CPP)、实时电价(RTP)等，激励型策略包括直接负荷控制(DLC)、可中断负荷(IL)、紧急需求响应(EDR)等。国内外学者针对基于居民用户侧所拥有的响应资源、居民用户的经济差异性特征以及用户舒适度的需求响应进行了研究，但是，当前的研究无法满足新能源发电随机性特征下需求响应制定的实时性、居民用电行为多样性特征下潜力用户获取的准确性以及本文档来自技高网...

【技术保护点】
1.一种基于智能推荐的居民用电需求响应方法，其特征在于，采用无监督学习方法中的K‑Means聚类算法，通过聚类分析提取居民用户的历史用电特征，获取有潜力参与需求响应计划的目标用户群；通过对潜力用户的历史用电数据进行模拟打分获得用户历史用电行为数据库，包含用户对不同时段电力的喜爱度评分；应用基于物品的协同过滤算法对目标用户的用电兴趣进行建模，挖掘其不同时段间的用电相似性；最后为用户推荐可能满足其用电兴趣与需求响应要求的电力产品。该方法步骤为：步骤1：对原始的居民用户历史用电数据进行预处理；步骤2：在经过预处理的历史用电数据上进行居民用电模式聚类并提取用户用电特征。步骤3：结合用户用电特征和需求响...

【技术特征摘要】
1.一种基于智能推荐的居民用电需求响应方法，其特征在于，采用无监督学习方法中的K-Means聚类算法，通过聚类分析提取居民用户的历史用电特征，获取有潜力参与需求响应计划的目标用户群；通过对潜力用户的历史用电数据进行模拟打分获得用户历史用电行为数据库，包含用户对不同时段电力的喜爱度评分；应用基于物品的协同过滤算法对目标用户的用电兴趣进行建模，挖掘其不同时段间的用电相似性；最后为用户推荐可能满足其用电兴趣与需求响应要求的电力产品。该方法步骤为：步骤1：对原始的居民用户历史用电数据进行预处理；步骤2：在经过预处理的历史用电数据上进行居民用电模式聚类并提取用户用电特征。步骤3：结合用户用电特征和需求响应计划的要求(发生时间、需减少/消纳的负荷量等)获取有参与潜力的目标用户群。步骤4：以用户在不同时段的用电量为指标，为目标用户的历史用电数据进行模拟打分，将目标用户在不同时段的用电量的多少转换为用户对该时段电力的喜爱程度的评分；步骤5：在评分数据库中为目标用户的历史用电兴趣进行建模，挖掘与其历史用电兴趣相似的用电时段，结合需求响应要求为用户推荐合适的电力产品。2.根据权利要求1所述的一种基于智能推荐的居民用电需求响应方法，其特征在于，所述的数据预处理的步骤为：步骤1：采用均值插补的方法对原始的用户用电数据进行缺失值的填充；步骤2：使用(0,1)标准规范化对数据进行归一化处理以避免数值大的特征掩盖数值小的特征，使数值小的特征不能得到有效分析。3.根据权利要求1所述的一种基于智能推荐的居民用电需求响应方法，其特征在于，所述...

【专利技术属性】
技术研发人员：齐林海，吴相发，王红，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11