基于负荷分类的电力需求响应基线计算方法的选取方法与流程

本发明属于电力需求响应基线计算技术领域，尤其是涉及一种基于负荷分类的电力需求响应基线计算方法的选取方法。

背景技术

电力需求响应通过价格信号和激励机制，引导用户在特定的时段减少(增加)用电，从而促进电力供需平衡，维护系统可靠性和提高系统运行效率。基线负荷是指用户在不实施电力需求响应的情况下可能的用电负荷，是对未发生情况的一个估计值。而负荷响应量是由响应时段的实际用电负荷减去基线负荷计算出来的，因此基线负荷的计算是用户需求响应性能评价的基础，是用户补偿结算的重要前提。基线负荷的计算本质上是一种短期负荷预测方法，在具体实践过程中由于要求简便、透明、易于理解，往往采用平均值法或回归分析法等某一种确定的方法，对不同类别用户的准确性差别相当的明显。由于生产工艺和流程的差异，工业企业负荷特性不一样，响应能力不同，基线负荷的计算方法也应有所区别。因此，基于用电行为特性对用户进行分类，选择差异化的基线负荷计算方法是必要的。因此提出一种基于负荷分类的电力需求响应基线负荷的计算方法。

公开号为cn106372739a的发明申请公开了一种基于需求响应基线的需求响应效果评估方法，根据实施需求响应的基线和实施需求响应的负荷曲线确定需求响应量，并对需求响应量进行评估，得到需求响应效果评估因数，需求响应效果评估因数反映需求响应效果。该发明基于参数识别确定需求响应基线，既保证了预测速度，又将天气等影响因素纳入了考虑范围，获得了较为精确的需求响应基线确定方法，未计算需求响应削减量提供新思路。研究需求响应基线新的计算方法有助于挖掘参与需求响应项目用户的潜力，评估其项目效果，提高其参与需求响应积极性；也有利于电力公司制定更加有效的电网调度方案，实现用电资源的合理的分配，提高电网效率。然而，该发明没有考虑到由于生产工艺和流程的差异，工业企业负荷特性不一样，响应能力不同，基线负荷的计算方法单一会带影响准确性。

技术实现要素：

有鉴于此，本发明的目的是针对现有技术的不足，提供一种基于负荷分类的电力需求响应基线计算方法的选取方法，其基于用户用电行为的差异，可有效提高基线负荷计算的精度，有助于公平合理测算用户需求响应规模。

为达到上述目的，本发明采用以下技术方案：

基于负荷分类的电力需求响应基线计算方法的选取方法，包括以下步骤：

(1)采集基础数据：包括省网用电8760负荷数据和参与电力需求响应用户统调用电8760负荷数据；

(2)计算用电负荷特性：分别计算省网用电负荷和参与电力需求响应的各个电力用户的用电负荷特性，所述用户负荷特性指标包括年负荷静态下降系数k和月负荷率年平均值σ；

(3)用户分类：以月负荷率年平均值σ为横坐标，年负荷静态下降系数k为纵坐标，以省网负荷特性指标k和σ为象限交叉点，用户可分为三类：位于第一象限的高负荷率小波动类型、位于第二象限的中负荷率中波动类型和位于第三象限的低负荷率大波动类型；

(4)基线计算方法的选取：高负荷率小波动类型的用户采取基于数据挖掘聚类的基线负荷计算方法、中负荷率中波动类型的用户采用二次指数平滑法对历史统计序列逐层平滑计算、低负荷率大波动类型的用户采取前20个工作日负荷的加权平均来计算基线负荷。

在所述步骤(1)中，基础数据的采集周期为1小时，时间维度为1年。

在所述步骤(2)中，年负荷静态下降系数k的计算公式如下：

k＝p′n.max/pn.max

式中，p′n.max为静态最小负荷月的最大负荷；pn.max为静态年最大负荷，也即最大负荷月的最大负荷。

在所述步骤(2)中，月负荷率年平均值σ的计算公式如下：

式中，为月平均负荷；为各月最大负荷日平均负荷。

在所述步骤(3)中，高负荷率小波动类型的用户包括有色金属行业、煤炭工业、交通运输业；该类用户负荷月负荷率年平均值均大于省网负荷月负荷率年平均值，该类用户年负荷静态下降系数均大于省网年负荷静态下降系数，月负荷率较高且负荷波动小。

在所述步骤(3)中，中负荷率中波动类型的用户包括黑色金属行业、化学工业、食品烟草业；该类用户负荷月负荷率平均值均小于省网负荷月负荷率年平均值，该类用户年负荷静态下降系数均大于省网年负荷静态下降系数，月负荷率一般且负荷波动不大。

在所述步骤(3)中，低负荷率大波动类型的用户包括非金属矿物制品业、工艺品制造业、批发零售业和金属制品业；该类用户负荷月负荷率平均值均小于省网负荷月负荷率年平均值，该类用户年负荷静态下降系数均小于省网年负荷静态下降系数，月负荷率较低且负荷波动较大。本发明的有益效果是：

本发明针对目前由于生产工艺和流程的差异，工业企业负荷特性不一样，响应能力不同，统一的基线负荷的计算方法对于不同类别用户的准确性差别相当的明显的问题，提供一种基于负荷分类的电力需求响应基线计算方法，首先，采集省网用电8760负荷数据和参与电力需求响应用户统调用电8760负荷数据；之后，分别计算省网用电负荷和参与电力需求响应的各个电力用户的用电负荷特性，用户负荷特性指标包括年负荷静态下降系数k和月负荷率年平均值σ；之后，以月负荷率年平均值σ为横坐标，年负荷静态下降系数k为纵坐标，以省网负荷特性指标k和σ为象限交叉点，用户可分为三类：位于第一象限的高负荷率小波动类型、位于第二象限的中负荷率中波动类型和位于第三象限的低负荷率大波动类型；

之后，根据用户分类的不同选取相适应的基线计算方法：其中，高负荷率小波动类型的用户，由于其用电行为往往具有相似性，通过聚类法能有效挖掘用户用电行为的规律，因此对该类用户采取基于数据挖掘聚类的基线负荷计算方法；中负荷率中波动类型的用户采用二次指数平滑法对历史统计序列逐层平滑计算，能够消除随机因素造成的影响，能较好拟合用电负荷变化趋势；低负荷率大波动类型的用户采取前20个工作日负荷的加权平均来计算基线负荷，能够尽可能的抵消其随机性带来的不利影响。

在步骤(4)中，基线负荷计算方法选择原因陈述：

对于高负荷率小波动类型的用户，用电行为稳定、规律性明显，通过聚类法能够有效挖掘此类用户用电行为的规律性，基于大量的历史数据分析能取得更为准确的结果。

对于中负荷率中波动类型的用户，用电行为有一定的趋势，二次指数平滑法通过对历史数据的逐层平滑计算，消除随机因素造成的影响，能够较好拟合用电负荷的基本变化趋势，算法简单、预测精度较高。

低负荷率大波动类型的用户，用电波动性大且没有明显的趋势，利用前20个工作日负荷的加权平均，适当扩大近期负荷对响应日基线负荷预测的影响，可尽可能地抵消其随机性。

基线负荷计算方法步骤描述：

基于数据挖掘聚类的负荷计算方法步骤如下：1)选取响应日前2个月的历史负荷数据进行k-means聚类，根据聚类中心与所有历史负荷距离平均值的变化，得到最合适的聚类个数n，将历史负荷数据聚为n类。2)计算响应日约定响应时段前负荷数据与各个聚类中心的欧氏距离，距离最小者即为所属的类别n。3)将响应日前5天响应时段的历史负荷与类别n对应时段的历史负荷数据求平均，即为所求的基线负荷。

二次指数平滑法的预测模型如下：其中，为t+t期的预测值，平滑系数第t期的一次指数平滑值为第t期的二次指数平滑值为a为加权系数，当负荷波动不大，在0.05～0.2之间取值，当波动较大时，在0.3～0.7之间取值，yt为第t期的实际值。

加权平均法的预测模型如下：y＝∑(xi×ωi)÷∑(ωi)；其中，xi为前20个工作日响应时段历史用电负荷，ωi为各历史用电负荷对应权数，且近期的权重应适当加大。

本发明基于用户用电行为的差异，提出基于负荷分类的基线负荷计算方法，可有效提高基线负荷计算的精度，有助于公平合理测算用户需求响应规模。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

图1为本发明的流程图；

图2为本发明中电力需求响应用户用电负荷分类散点示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图1和附图2，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1和图2，基于负荷分类的电力需求响应基线计算方法的选取方法，包括以下步骤：

(1)采集基础数据：包括省网用电8760负荷数据和参与电力需求响应用户统调用电8760负荷数据；

(2)计算用电负荷特性：分别计算省网用电负荷和参与电力需求响应的各个电力用户的用电负荷特性，所述用户负荷特性指标包括年负荷静态下降系数k和月负荷率年平均值σ；

(3)用户分类：以月负荷率年平均值σ为横坐标，年负荷静态下降系数k为纵坐标，以省网负荷特性指标k和σ为象限交叉点，用户可分为三类：位于第一象限的高负荷率小波动类型、位于第二象限的中负荷率中波动类型和位于第三象限的低负荷率大波动类型；

如表1所示，为某省典型行业与省网符合特性指标汇总表，图2为本实施例中根据表1的数据绘制的电力需求响应用户用电负荷分类散点示意图。

(4)基线计算方法的选取：高负荷率小波动类型的用户采取基于数据挖掘聚类的基线负荷计算方法、中负荷率中波动类型的用户采用二次指数平滑法对历史统计序列逐层平滑计算、低负荷率大波动类型的用户采取前20个工作日负荷的加权平均来计算基线负荷。

在所述步骤(1)中，基础数据的采集周期为1小时，时间维度为1年。

在所述步骤(2)中，年负荷静态下降系数k的计算公式如下：

k＝p′n.max/pn.max

式中，p′n.max为静态最小负荷月的最大负荷；pn.max为静态年最大负荷，也即最大负荷月的最大负荷。

在所述步骤(2)中，月负荷率年平均值σ的计算公式如下：

式中，为月平均负荷；为各月最大负荷日平均负荷。

在所述步骤(3)中，高负荷率小波动类型的用户包括有色金属行业、煤炭工业、交通运输业；该类用户负荷月负荷率年平均值均大于省网负荷月负荷率年平均值，该类用户年负荷静态下降系数均大于省网年负荷静态下降系数，月负荷率较高且负荷波动小。

在所述步骤(3)中，中负荷率中波动类型的用户包括黑色金属行业、化学工业、食品烟草业；该类用户负荷月负荷率平均值均小于省网负荷月负荷率年平均值，该类用户年负荷静态下降系数均大于省网年负荷静态下降系数，月负荷率一般且负荷波动不大。

在所述步骤(3)中，低负荷率大波动类型的用户包括非金属矿物制品业、工艺品制造业、批发零售业和金属制品业；该类用户负荷月负荷率平均值均小于省网负荷月负荷率年平均值，该类用户年负荷静态下降系数均小于省网年负荷静态下降系数，月负荷率较低且负荷波动较大。

本发明提供一种基于负荷分类的电力需求响应基线计算方法，首先，采集省网用电8760负荷数据和参与电力需求响应用户统调用电8760负荷数据；之后，分别计算省网用电负荷和参与电力需求响应的各个电力用户的用电负荷特性，用户负荷特性指标包括年负荷静态下降系数k和月负荷率年平均值σ；之后，以月负荷率年平均值σ为横坐标，年负荷静态下降系数k为纵坐标，以省网负荷特性指标k和σ为象限交叉点，用户可分为三类：位于第一象限的高负荷率小波动类型、位于第二象限的中负荷率中波动类型和位于第三象限的低负荷率大波动类型；之后，根据用户分类的不同选取相适应的基线计算方法：其中，高负荷率小波动类型的用户，由于其用电行为往往具有相似性，通过聚类法能有效挖掘用户用电行为的规律，因此对该类用户采取基于数据挖掘聚类的基线负荷计算方法；中负荷率中波动类型的用户采用二次指数平滑法对历史统计序列逐层平滑计算，能够消除随机因素造成的影响，能较好拟合用电负荷变化趋势；低负荷率大波动类型的用户采取前20个工作日负荷的加权平均来计算基线负荷，能够尽可能的抵消其随机性带来的不利影响。

本发明基于用户用电行为的差异，提出基于负荷分类的基线负荷计算方法，可有效提高基线负荷计算的精度，有助于公平合理测算用户需求响应规模。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。