一种基于居民需求响应策略自学习优化方法技术

本发明专利技术公开了一种基于居民需求响应策略自学习优化方法，首先建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型，得出用户响应度、用户群体参与率与激励水平之间的历史参数；其次，量化评估用户响应潜力，形成响应优先级队列，并在优先级队列下确定不同邀约比例下用户响应负荷潜力关系，据此确定合适的邀约比例；再次，基于需求响应削减负荷目标，构建需求响应成本模型，在响应成本最小化约束下，输出激励水平值；最后，基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性。

【技术实现步骤摘要】
一种基于居民需求响应策略自学习优化方法
本专利技术涉及居民电力需求响应
，具体为一种基于居民需求响应策略自学习优化方法。
技术介绍
伴随着我国经济的快速发展和人民的水平日益提升，从可持续发展的角度看，现阶段我国的电力供需仍处于紧张状态，在部分地区甚至存在电力供应不足的现象。作为智能电网的主要组成部分，需求响应的发展可以进一步提高需求侧负荷的调节能力，进而利用电力需求弹性来降低高峰时段电力负荷补充、互相促进。居民需求响应措施的主要参与者为：群体为居民和小型商业性质的中小用户。参与者会根据电力市场发布的电力价格信号、相关优惠政策等信息做相应的响应，即居民会在自身利益的驱使下，选择改变自身的用电行为参与到需求侧响应的过程中，使得电力市场更具高效性和灵活性。但是这一类用户具有较大的分散性，响应参与程度具有随机性、时滞性、难预测性等特点。用户侧的参与响应行为不确定性是电网运营商或负荷聚合商针对某次需求响应事件的策略制订中考虑的焦点问题。由于并不是所有用户都会对需求响应的邀约做出反应，因此为了筛选出具有受邀潜力的居民群体，确定最优的邀约比例，即对所掌握的居民需求响应资源的调用比例；并且在最优邀约比例下，有利于制定响应用户最优的补贴单价，避免产生不必要的需求响应成本。另一方面，在需求响应过程中居民用电行为的复杂性、用电场景的多元化等因素导致数据量巨大，数据的时间尺度更加复杂等问题。
技术实现思路
本专利技术的目的在于提供一种基于居民需求响应策略自学习优化方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于居民需求响应策略自学习优化方法，包括如下步骤：S1：建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型；S2：评估用户响应潜力，确定用户响应优先级队列下需求响应用户邀约比例；S3：基于需求响应削减负荷目标，构建需求响应成本模型，输出激励水平值；S4：基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性。优选的，所述步骤S1具体包括：基于用户需求响应结果数据匹配大规模调查问卷数据建立居民智慧用能标本库。构建用户激励弹性模型。用户激励弹性模型可以反映居民用户在需求响应事件中的响应行为与激励水平的关系，其中激励水平从个体响应程度与群体参与率两方面影响用户行为。优选的，所述步骤S2具体包括：评估用户需求响应潜力值，形成响应优先级队列。实际中削减负荷目标一般低于最大调节潜力，通过优先调度潜力大的资源用户，可提高调峰效率同时降低成本。根据用户的负荷数据及历史参与响应信息，对用户下一次需求响应事件响应潜力进行量化评估。在每次实施需求响应前可根据需求响应潜力值形成优先级队列，排序靠前的用户将优先作为该次需求响应事件的资源。邀约比例优化，根据需求响应用户优先级队列顺序，针对给定削减负荷目标，依次选择合适比例的用户进行邀约。通过仿真，得出对于优先级队列采取不同邀约比例条件下的用户响应负荷潜力曲线。根据采用优先级队列情况下邀约比例与响应潜力间的曲线关系确定合适的邀约比例。优选的，所述步骤S3具体包括：建立以需求响应成本最小化为目标的用户需求响应成本模型；居民需求响应成本模型揭示了电网运营商实施居民需求响应所产生的成本。主要由三部分组成：一是根据用户响应功率向实际参与响应的用户发放激励补贴；二是为了使邀约用户达到预期响应效果产生的调度成本，如通信费用、宣传费用等；三是需求响应带来的售电减少的损失。在满足一次需求响应事件中指定目标的前提下，居民需求响应的策略应使得需求响应成本尽可能降低，以使得净收益最大化，并在削减负荷量满足需求响应目标的等式约束下，可优化出最小化需求响应成本的激励水平值。优选的，所述步骤S4具体包括：基于时间卷积神经网络模型（TemporalConvolutionalNetwork，TCN）的多变量时间序列模型对用户响应电量进行预测。针对不同场景需求响应实验，预测不同激励水平下用户响应电量，据此评估需求响应效果;通过不断地输入新的场景下响应的实验数据，从而对模型输出参数不断训练优化，从而提高模型输出参数的准确性，实现自学习优化。与现有技术相比，本专利技术的有益效果是：本专利技术提供的一种基于居民需求响应策略自学习优化方法，本专利技术首先基于需求响应结果数据匹配大规模调查问卷数据建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型，得出历史用户响应度、用户群体参与率与激励水平之间的参数；其次，根据历史参数构建模型对用户响应潜力进行量化评估，形成响应优先级队列，并在优先级队列下确定不同邀约比例下用户响应负荷潜力关系，根据采用优先级队列情况下邀约比例与响应潜力间的曲线关系确定合适的邀约比例；再次，基于需求响应削减负荷目标，构建需求响应成本模型，输出激励水平值；最后，基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性，实现需求响应的自学习优化。附图说明图1为本专利技术居民需求响应策略自学习优化方法的流程示意图；图2为响应度激励弹性曲线；图3为参与率激励弹性曲线；图4为不同邀约比例下用户响应负荷潜力曲线；图5为TCN的架构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1本专利技术提供了如图1的一种基于居民需求响应策略自学习优化方法，包括如下步骤：S1：建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型；S2：评估用户响应潜力，确定用户响应优先级队列下需求响应用户邀约比例；S3：基于需求响应削减负荷目标，构建需求响应成本模型，输出激励水平值；S4：基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性。具体的，所述步骤S1具体包括：建立居民智慧用能标本库，该标本库不仅包括用户需求响应结果数据即试点地区用户响应用电量数据，自然环境数据如气温数据、降水、风速及相对湿度数据，同时匹配大规模调查问卷数据获取用户家庭收入、教育水平等属性数据。同时随着不同批次场景下需求响应实验的开展，标本库数据也会根据相应批次进行更新，从而为实现在输出一次模型参数后，对模型输出参数进行多次自优化，提高模型输出参数的准确性提供数据支撑。<本文档来自技高网...

【技术保护点】
1.一种基于居民需求响应策略自学习优化方法，其特征在于：包括如下步骤：/nS1：建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型；/nS2：评估用户响应潜力，确定用户响应优先级队列下需求响应用户邀约比例；/nS3：基于需求响应削减负荷目标，构建需求响应成本模型，输出激励水平值；/nS4：基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性。/n

【技术特征摘要】
1.一种基于居民需求响应策略自学习优化方法，其特征在于：包括如下步骤：
S1：建立居民智慧用能服务标本库，获取用户负荷特性及参与需求响应的历史信息，并据此构建用户激励弹性模型；
S2：评估用户响应潜力，确定用户响应优先级队列下需求响应用户邀约比例；
S3：基于需求响应削减负荷目标，构建需求响应成本模型，输出激励水平值；
S4：基于时间卷积神经网络模型，针对不同场景需求响应实验，预测居民响应电量，评估需求响应效果，从而对模型输出参数不断训练优化，提高模型输出参数的准确性。


2.根据权利要求1所述的一种基于居民需求响应策略自学习优化方法，其特征在于：所述步骤S1具体包括：
基于用户需求响应结果数据匹配大规模调查问卷数据建立居民智慧用能标本库；
构建用户激励弹性模型，用户激励弹性模型反映居民用户在需求响应事件中的响应行为与激励水平的关系，其中激励水平从个体响应程度与群体参与率两方面影响用户行为。


3.根据权利要求1所述的一种基于居民需求响应策略自学习优化方法，其特征在于：所述步骤S2具体包括：
评估用户需求响应潜力值，形成响应优先级队列；在每次实...

【专利技术属性】
技术研发人员：汤克艰，卢婕，熊茹，刘波，李昊翔，曾子厦，何胜，冯颖，田静，刘丽蕴，汪洁，俞林刚，
申请(专利权)人：国网江西省电力有限公司供电服务管理中心，
类型：发明
国别省市：江西;36