考虑光伏不确定性的居民需求响应潜力评估方法及系统技术方案

考虑光伏不确定性的居民需求响应潜力评估方法及系统，将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集；对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；针对雨天净负荷数据集进行聚类，划分具有相似用电特性的居民；对聚类出的每类居民分别构建阴天光伏发电数据模型；对聚类出的每类居民分别计算其晴天光伏发电数据模型；基于深度学习对聚类出的每类居民构建负荷预测模型；基于光伏发电模型与负荷预测模型对参与需求响应居民进行需求响应潜力评估。本发明专利技术针对光伏发电不确定性场景下评估居民需求响应潜力难度大误差大的问题，能提高需求响应潜力评估的准确程度。力评估的准确程度。力评估的准确程度。

【技术实现步骤摘要】
考虑光伏不确定性的居民需求响应潜力评估方法及系统


[0001]本专利技术涉及电力居民需求响应评估领域，尤其涉及考虑光伏不确定性的居民需求响应潜力评估方法及系统。

技术介绍

[0002]传统调度模式是以发电侧资源作为调控对象，随着电网新技术的应用和新型控制技术的发展，使得需求响应资源成为理想的、优质的和较为经济的可调度资源，电源
‑
电网
‑
居民三者的有效互动将改变固有的电网调度模式。在欧美等发达国家的电力系统中，需求响应可以通过参与电能市场和辅助服务市场的方式参与电网互动运行，例如PJM、新英格兰、加州等电力市场中均具有较为成熟的需求响应技术体系及市场机制。近年来，国内也高度重视需求响应技术的发展，并且已经开展了部分试点项目和示范工程，目前，我国的需求响应试点城市已包括北京/苏州/唐山/佛山和上海市五家。
[0003]对于调度部门来说，知晓居民的需求响应潜力具有重要的意义，可用于日后协调需求响应资源来源分配与发布与发布需求响应指令。凭借着多种智能家电、空调、电动汽车、光伏储能设备的技术发展，居民作为需求响应的一大重要储备，研究居民的需求响应潜力具有一定的意义。然而，由于居民所使用的光伏设备通常不连接单独的计量装置，而是居民在进户处装有总的智能电表测量光伏与其他所有家用负荷，因此无法将光伏发电与其余负荷分离开。另外考虑到光伏发电的不确定性与居民用电的不确定性，对居民进行需求响应评估具有一定的难度。

技术实现思路

[0004]为解决现有技术中存在的不足，本专利技术的目的在于，提供一种考虑光伏不确定性的居民需求响应潜力评估方法及系统。
[0005]本专利技术采用如下的技术方案：
[0006]考虑光伏不确定性的居民需求响应潜力评估方法，包括以下步骤：
[0007]步骤1，采集居民用电总负荷数据以及对应时间段内的历史天气数据，并将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集；
[0008]步骤2，根据历史天气数据，对工作日用电数据集和非工作日用电数据集进行划分，得到雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；
[0009]步骤3，针对雨天净负荷数据集进行聚类，得到居民分类结果；
[0010]步骤4，对聚类得到的每类居民，利用雨天净负荷数据集和阴天总负荷数据集，构建阴天光伏发电数据模型；
[0011]步骤5，对聚类得到的每类居民，利用雨天净负荷数据集和晴天总负荷数据集，构建晴天光伏发电数据模型；
[0012]步骤6，基于深度学习对聚类得到的每类居民构建负荷预测模型；
[0013]步骤7，基于光伏发电数据模型与负荷预测模型对参与需求响应居民进行需求响
应潜力评估。
[0014]步骤2中，根据历史天气数据，对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；
[0015]雨天的总负荷数据与净负荷数据相等，即：
[0016][0017]划分数据集后一共包含六个数据集，分别为：工作日雨天净负荷数据集，工作日阴天总负荷数据集，工作日晴天总负荷数据集，非工作日雨天净负荷数据集，非工作日阴天总负荷数据集，非工作日晴天总负荷数据集。
[0018]在所述步骤3中，所述聚类方法为：
[0019]步骤3.1，对于任意一样本m
i
，选择适当聚类数目k；
[0020]步骤3.2，随机选取k个点作为初始化聚类中心；
[0021]步骤3.3，计算样本x
i
到各聚类中心c
j
,j＝1,2,
…
k的欧式距离；
[0022]欧式距离计算公式为：
[0023]步骤3.4，将样本x
i
划分到欧式距离最小的聚类中心c
j
所在的类中；
[0024]步骤3.5，重新计算各类的聚类中心；
[0025]计算公式为：
[0026]其中，c
j
’
为重新计算后的第j类聚类中心；
[0027]步骤3.6，重复步骤3.3至步骤3.5，直到达到提前设定的最大迭代次数或者k个聚类中心的位置不再改变，输出聚类中心与聚类划分结果。
[0028]随机选取k个点作为初始化聚类中心的方法为：
[0029][0030]其中，a(i)为样本m
i
的类内不相似度，b(i)为样本m
i
的类间不相似度，s(i)的值介于[
‑
1,1]之间，取s(i)数目相同的k数目；
[0031]类内不相似度a(i)的计算公式如下：
[0032][0033]其中，c
i
为m
i
所在的类，n为类c
i
中除m
i
其他所有的点，|n|为n的个数；
[0034]类间不相似度b(i)计算公式如下：
[0035][0036]其中c为所有的类，p为除了ci以外的类中的所有点，|p|为p的个数。
[0037]步骤4中，所述阴天光伏发电数据模型包括：工作日阴天光伏发电数据模型与非工作日阴天光伏发电数据模型。
[0038]根据步骤3的聚类结果，对第j聚类的工作日阴天光伏发电数据模型为该聚类内所
有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日阴天总负荷叠加数据的差；
[0039]对第j聚类的非工作日阴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日阴天总负荷叠加数据的差。
[0040]针对每一类的居民进行阴天光伏发电数据模型的构建，构建方法满足如下关系式：
[0041][0042]式中，
[0043]分别第j聚类内所有居民的工作日雨天净负荷叠加数据，第j聚类内所有居民的工作日阴天总负荷叠加数据，第j聚类内所有居民的工作日阴天光伏发电数据模型；
[0044]其中，第j聚类内所有居民的非工作日阴天光伏发电数据模型，满足如下关系式：
[0045][0046]式中，
[0047]分别为第j聚类内所有居民的非工作日雨天净负荷叠加数据，第j聚类内所有居民的非工作日阴天总负荷叠加数据，第j聚类内所有居民的非工作日阴天光伏发电数据模型。
[0048]晴天光伏发电数据模型模型分为工作日晴天光伏发电数据模型与非工作日晴天光伏发电数据模型；根据步骤3的聚类结果，对第j聚类的工作日晴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日晴天总负荷叠加数据的差；
[0049]对第j聚类的非工作日晴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日晴天总负荷叠加数据的差。
[0050]构建晴天光伏发电数据模型具体为：
[0051][0052][0053]其中，分别为按本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，所述评估方法包括以下步骤：步骤1，采集居民用电总负荷数据以及对应时间段内的历史天气数据，并将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集；步骤2，根据历史天气数据，对工作日用电数据集和非工作日用电数据集进行划分，得到雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；步骤3，针对雨天净负荷数据集进行聚类，得到居民分类结果；步骤4，对聚类得到的每类居民，利用雨天净负荷数据集和阴天总负荷数据集，构建阴天光伏发电数据模型；步骤5，对聚类得到的每类居民，利用雨天净负荷数据集和晴天总负荷数据集，构建晴天光伏发电数据模型；步骤6，基于深度学习对聚类得到的每类居民构建负荷预测模型；步骤7，基于光伏发电数据模型与负荷预测模型对参与需求响应居民进行需求响应潜力评估。2.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，步骤2中，根据历史天气数据，对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；雨天的总负荷数据与净负荷数据相等，即：划分数据集后一共包含六个数据集，分别为：工作日雨天净负荷数据集，工作日阴天总负荷数据集，工作日晴天总负荷数据集，非工作日雨天净负荷数据集，非工作日阴天总负荷数据集，非工作日晴天总负荷数据集。3.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，在所述步骤3中，所述聚类方法为：步骤3.1，对于任意一样本m
i
，选择适当聚类数目k；步骤3.2，随机选取k个点作为初始化聚类中心；步骤3.3，计算样本x
i
到各聚类中心c
j
,j＝1,2,
…
k的欧式距离；欧式距离计算公式为：步骤3.4，将样本x
i
划分到欧式距离最小的聚类中心c
j
所在的类中；步骤3.5，重新计算各类的聚类中心；计算公式为：其中，c
j
′
为重新计算后的第j类聚类中心；步骤3.6，重复步骤3.3至步骤3.5，直到达到提前设定的最大迭代次数或者k个聚类中心的位置不再改变，输出聚类中心与聚类划分结果。
4.根据权利要求3所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，随机选取k个点作为初始化聚类中心的方法为：其中，a(i)为样本m
i
的类内不相似度，b(i)为样本m
i
的类间不相似度，s(i)的值介于[
‑
1,1]之间，取s(i)数目相同的k数目；类内不相似度a(i)的计算公式如下：其中，c
i
为m
i
所在的类，n为类c
i
中除m
i
其他所有的点，|n|为n的个数；类间不相似度b(i)计算公式如下：其中c为所有的类，p为除了ci以外的类中的所有点，|p|为p的个数。5.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，步骤4中，所述阴天光伏发电数据模型包括：工作日阴天光伏发电数据模型与非工作日阴天光伏发电数据模型。根据步骤3的聚类结果，对第j聚类的工作日阴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日阴天总负荷叠加数据的差；对第j聚类的非工作日阴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日阴天总负荷叠加数据的差。6.根据权利要求5所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，针对每一类的居民进行阴天光伏发电数据模型的构建，构建方法满足如下关系式：式中，分别第j聚类内所有居民的工作日雨天净负荷叠加数据，第j聚类内所有居民的工作日阴天总负荷叠加数据，第j聚类内所有居民的工作日阴天光伏发电数据模型；其中，第j聚类内所有居民的非工作日阴天光伏发电数据模型，满足如下关系式：式中，分别为第j聚类内所有居民的非工作日雨天净负荷叠加数据，第j聚类内所有居民的非工作日阴天总负荷叠加数据，第j聚类内所有居民的非工作日阴天光伏发电数据模型。
7.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，所述晴天光伏发电数据模型模型分为工作日晴天光伏发电数据模型与非工作日晴天光伏发电数据模型；根据步骤3的聚类结果，对第j聚类的工作日晴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日晴天总负荷叠加数据的差；对第j聚类的非工作日晴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日晴天总负荷叠加数据的差。8.根据权利要求7所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，所述构建晴天光伏发电数据模型具体为：所述构建晴天光伏发电数据模型具体为：其中，分别为按上述方法计算的第j类内的所有居民的工作日雨天总负荷叠加数据，第j类内的所有居民的工作日晴天总负荷叠加数据，工作日晴天光伏发电数据模型；分别为按上述方法计算的第j类内的所有居民的非工作日雨天总负荷叠加数据，第j类内的所有居民的非工作日晴天总负荷叠加数据，非工作日晴天光伏发电数据模型。9.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，所述深度学习具体为LSTM深度学习模型；针对每类居民训练并优化一个负荷预测模型，共训练4种负荷预测模型，分别为工作日阴天负荷预测模型、非工作日阴天负荷预测模型、工作日晴天负荷预测模型、非工作日晴天负荷预测模型。10.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，在需求响应事件发生后，记录实际负荷P
real
...

【专利技术属性】
技术研发人员：林林，胡新雨，严锋，王嘉楠，徐晓轶，胡楠，李勇生，吴晓楠，罗勇，周进飞，金震，
申请(专利权)人：国网江苏省电力有限公司南通供电分公司，
类型：发明
国别省市：