CN106372739A - 一种基于需求响应基线的需求响应效果评估方法 - Google Patents

Abstract

本发明提供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。本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。

Description

一种基于需求响应基线的需求响应效果评估方法

技术领域

本发明涉及一种评估方法，具体涉及一种基于需求响应基线的需求响应效果评估方法。

背景技术

需求响应是需求侧管理工作的重要组成部分，有利于平缓高峰时用电负荷曲线，提高电力***资源的利用率。需求响应基线为定量评价各种电力需求响应项目中用户负荷的削减量提供依据，它具体是指对用户如果没有参加需求响应项目时的负荷数据进行预测的值。

目前采用的需求响应基线计算方法主要有两种：一种是平均值法，主要是队需求响应事件前几日的小时负荷数据进行统计、分析及运算，然后以基线负荷与需求响应事件日实际负荷的差值作为需求响应削负荷量，这种方法没有考虑当前信息对基线负荷的影响。另一种是回归法，当气象条件等对特定负荷有较大影响时，该用户日电量曲线与日平均温度曲线的变化情况有高度趋同性，因此可将温度作为回归分析的自变量来预测基线负荷。然而总体而言这些方法确定的需求响应基线虽然速度快，但测量精度略显粗糙。

发明内容

为了克服上述现有技术的不足，本发明提供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。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种基于需求响应基线的需求响应效果评估方法，其特征在于：所述方法包括以下步骤：

步骤1：确定需求响应基线；

步骤2：对需求响应效果进行评估。

所述步骤1具体包括以下步骤：

步骤1-1：确定横向相似日的预测负荷；

步骤1-2：确定纵向相似日的预测负荷；

步骤1-3：确定需求响应基线。

所述步骤1-1中，横向相似日是指需求响应日前N天的相似日，横向相似日的预测负荷g(x)表示为：

$g\left(x\right)=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_{i}g\left(x_i\right)---\left(1\right)$

式(1)中，g(x_i)表示需求响应日x提前i天的预测负荷，i＝1,2,…,N，N表示需求响应日相似日提取天数，取3～5天；α_i表示权重系数，满足0≤α_i≤1，且

采用遗传算法对权重系数α_i进行参数识别，具体有：

1)随机选取k个时刻的负荷作为输入变量，权重系数α_i对应的适应度函数表示为：

${\mathrm{fit}}_a=\frac{1}{\mathrm{\ϵ}+{\mathrm{mes}}_h}---\left(2\right)$

式(2)中，fit_a表示权重系数α_i对应的适应度函数，ε为正实数，10^-4≤ε≤10^-3；mse_h表示横向相似日的预测偏值，表示为：

${\mathrm{mse}}_h=\frac{1}{k}\stackrel{k}{\mathrm{\Σ}}{e}_h{\left(x\right)}^2=\frac{1}{k}\stackrel{k}{\mathrm{\Σ}}{\[g\left(x\right)-g^{\′}\left(x\right)\]}^2---\left(3\right)$

式(3)中，e_h(x)表示横向相似日的预测方差，g'(x)表示横向相似日的实际负荷；

2)随机生成n组α_i，权重系数α_i被选择的概率表示为：

$P_a=\frac{{\mathrm{fit}}_a}{{\mathrm{\Σfit}}_a}---\left(4\right)$

式(4)中，P_a表示权重系数α_i被选择的概率；

从n组α_i中选取z组α_i作为初始种群，采用实数编码的方式对初始种群进行参数编码，连接成染色体；并对初始种群进行遗传处理，包括交叉和变异；

交叉操作具体为：随机选择交叉点，将两个个体的交叉点中遗传基因进行交换；

变异操作具体为：随机选择染色体的基因，改变基因的实数编码；

保持交叉率不变，调整变异率，G表示进化代数，[1:1:G]表示数组，变化范围为[1,G]，步长为1；第一代进化变异率pm₁＝0.1+1*0.1/G，第二代进化变异率pm₂＝0.1+2*0.1/G，以此类推；

3)选取适应度函数值最高的个体作为最佳个体，并将最佳个体保存，判断横向相似日的预测方差e_h(x)是否小于横向相似日的预测方差阈值，若满足，则对应的α_i则为所需的识别参数；若不满足，则重新选择、交叉、变异和保存，直到e_h(x)小于横向相似日的预测方差阈值。

所述步骤1-2中，纵向相似日是指需求响应日前M年的相似日，纵向相似日的预测负荷h(x)表示为：

$h\left(x\right)=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\β}}_j{\mathrm{\λ}}_{j}h\left(x_j\right)---\left(5\right)$

式(5)中，h(x_j)表示需求响应日x提前j年的预测负荷，j＝1,2,…,M，M表示需求响应日相似日提取年数，取3～5年；λ_j表示需求响应日前j年的年平均历史增长系数；β_j表示权重系数，满足0≤β_j≤1，且

采用遗传算法对权重系数β_j进行参数识别，具体有：

1)随机选取l个时刻的负荷作为输入变量，权重系数β_j对应的适应度函数表示为：

${\mathrm{fit}}_b=\frac{1}{\mathrm{\ϵ}+{\mathrm{mse}}_z}---\left(6\right)$

式(6)中，fit_b表示权重系数β_j对应的适应度函数，ε为正实数，10^-4≤ε≤10^-3；mse_z表示纵向相似日的预测偏值，表示为：

${\mathrm{mse}}_z=\frac{1}{l}\stackrel{l}{\mathrm{\Σ}}{e}_z{\left(x\right)}^2=\frac{1}{l}\stackrel{l}{\mathrm{\Σ}}{\[h\left(x\right)-h^{\′}\left(x\right)\]}^2---\left(7\right)$

式(7)中，e_z(x)表示纵向相似日的预测方差，h'(x)表示纵向相似日的实际负荷；

2)随机生成m组β_j，权重系数β_j被选择的概率表示为：

$P_b=\frac{{\mathrm{fit}}_b}{{\mathrm{\Σfit}}_b}---\left(8\right)$

式(8)中，P_b表示权重系数β_j被选择的概率；

从m组β_j中选取w组β_j作为初始种群，采用实数编码的方式对初始种群进行参数编码，连接成染色体；并对初始种群进行遗传处理，包括交叉和变异；

交叉操作具体为：随机选择交叉点，将两个个体的交叉点中遗传基因进行交换；

变异操作具体为：随机选择染色体的基因，改变基因的实数编码；

保持交叉率不变，调整变异率，G表示进化代数，[1:1:G]表示数组，变化范围为[1,G]，步长为1；第一代进化变异率pm₁＝0.1+1*0.1/G，第二代进化变异率pm₂＝0.1+2*0.1/G，以此类推；

3)选取适应度函数值最高的个体作为最佳个体，并将最佳个体保存，判断纵向相似日的预测方差e_z(x)是否小于纵向相似日的预测方差阈值，若满足，则对应的β_j则为所需的识别参数；若不满足，则重新选择、交叉、变异和保存，直到e_z(x)小于纵向相似日的预测方差阈值。

所述步骤1-3中，需求响应基线表示为：

F(x)＝ω₁g(x)+ω₂h(x) (9)

式(9)中，F(x)表示需求响应日x的需求响应基线，g(x)表示横向相似日的预测负荷，h(x)表示纵向相似日的预测负荷，ω₁和ω₂表示权重系数，且0≤ω₁≤1，0≤ω₂≤1，ω₁+ω₂＝1。

采用遗传算法对权重系数ω₁和ω₂进行参数识别，具体有：

1)随机选取g个时刻的负荷作为输入变量，权重系数ω₁和ω₂对应的适应度函数表示为：

${\mathrm{fit}}_c=\frac{1}{\mathrm{\ϵ}+mse}---\left(10\right)$

式(10)中，fit_c表示权重系数ω₁和ω₂对应的适应度函数，ε为正实数，10^-4≤ε≤10^-3；mse表示需求响应基线的预测偏值，表示为：

$mse=\frac{1}{g}\stackrel{g}{\mathrm{\Σ}}e{\left(x\right)}^2=\frac{1}{g}\stackrel{g}{\mathrm{\Σ}}{\[F\left(x\right)-F^{\′}\left(x\right)\]}^2---\left(11\right)$

式(11)中，e(x)表示需求响应基线的预测方差，F'(x)表示需求响应日x的实际负荷；

2)随机生成s组[ω₁,ω₂]，权重系数[ω₁,ω₂]被选择的概率表示为：

$P_c=\frac{{\mathrm{fit}}_c}{{\mathrm{\Σfit}}_c}---\left(12\right)$

式(12)中，P_c表示权重系数[ω₁,ω₂]被选择的概率；

从s组[ω₁,ω₂]中选取r组[ω₁,ω₂]作为初始种群，采用实数编码的方式对初始种群进行参数编码，连接成染色体；并对初始种群进行遗传处理，包括交叉和变异；

交叉操作具体为：随机选择交叉点，将两个个体的交叉点中遗传基因进行交换；

变异操作具体为：随机选择染色体的基因，改变基因的实数编码；

保持交叉率不变，调整变异率pm＝0.1+[1:1:G]*0.1/G，其中G表示进化代数，[1:1:G]表示数组，变化范围为[1,G]，步长为1；第一代进化变异率pm₁＝0.1+1*0.1/G，第二代进化变异率pm₂＝0.1+2*0.1/G，以此类推；

3)选取适应度函数值最高的个体作为最佳个体，并将最佳个体保存，判断纵向相似日的预测方差阈值e(x)是否小于纵向相似日的预测方差阈值，若满足，则对应的[ω₁,ω₂]则为所需的识别参数；若不满足，则重新选择、交叉、变异和保存，直到e(x)小于纵向相似日的预测方差阈值。

所述步骤2具体包括以下步骤：

步骤2-1：选取需求响应日，并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，有：

$P_x=\underset{t=0}{\Σ}|G\left(t\right)-D\left(t\right)|---\left(13\right)$

式(13)中，P_x表示需求响应量，包括削减量和增加量；G(t)表示t时刻实施需求响应的基线，D(t)表示t时刻实施需求响应的负荷曲线；

步骤2-2：对需求响应量P_x进行评估，有：

$\mathrm{\μ}=\frac{P_x}{P_{\mathrm{\Σ}}}=\frac{p_x}{\underset{t=0}{\Σ}G\left(t\right)}---\left(14\right)$

式(14)中，P_Σ表示实施需求响应的负荷总量；μ表示需求响应效果评估因数，μ越大，表明需求响应效果越好。

与现有技术相比，本发明的有益效果在于：

本发明采用了参数辨识的方法，基于历史数据确定权重系数，可将各种影响因素的效果纳入考虑范围，保证了需求响应基线计算的准确性，另外采用遗传算法将进行参数识别，保证了求解结果在最优区间。在同一地区，一段日期内，参数识别只需利用历史数据进行一次，保证了计算的速度和实效性，有利于实时预测的开展。另外该预测方法具有普适性，各城市、各行业均可运用，有较大实用潜力。总体而言基于参数识别的需求响应基线确定可以实现高效的预测，需求响应评估效果较好，达到用电资源合理的分配，提高电网效率。

附图说明

图1是本发明实施例中基于需求响应基线的需求响应效果评估方法流程图；

图2是本发明实施例中需求响应基线以及需求响应效果对比图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本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。

如图1，本发明提供一种基于需求响应基线的需求响应效果评估方法，其特征在于：所述方法包括以下步骤：

步骤1：确定需求响应基线；

步骤2：对需求响应效果进行评估。

所述步骤1具体包括以下步骤：

步骤1-1：确定横向相似日的预测负荷；

步骤1-2：确定纵向相似日的预测负荷；

步骤1-3：确定需求响应基线。

所述步骤1-1中，横向相似日是指需求响应日前N天的相似日，横向相似日的预测负荷g(x)表示为：

$g\left(x\right)=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_{i}g\left(x_i\right)---\left(1\right)$

式(1)中，g(x_i)表示需求响应日x提前i天的预测负荷，i＝1,2,…,N，N表示需求响应日相似日提取天数，取3～5天；α_i表示权重系数，满足0≤α_i≤1，且

采用遗传算法对权重系数α_i进行参数识别，具体有：

1)随机选取k个时刻的负荷作为输入变量，权重系数α_i对应的适应度函数表示为：

${\mathrm{fit}}_a=\frac{1}{\mathrm{\ϵ}+{\mathrm{mes}}_h}---\left(2\right)$

式(2)中，fit_a表示权重系数α_i对应的适应度函数，ε为正实数，10^-4≤ε≤10^-3；mse_h表示横向相似日的预测偏值，表示为：

${\mathrm{mse}}_h=\frac{1}{k}\stackrel{k}{\mathrm{\Σ}}{e}_h{\left(x\right)}^2=\frac{1}{k}\stackrel{k}{\mathrm{\Σ}}{\[g\left(x\right)-g^{\′}\left(x\right)\]}^2---\left(3\right)$

式(3)中，e_h(x)表示横向相似日的预测方差，g'(x)表示横向相似日的实际负荷；

2)随机生成n组α_i，权重系数α_i被选择的概率表示为：

$P_a=\frac{{\mathrm{fit}}_a}{{\mathrm{\Σfit}}_a}---\left(4\right)$

式(4)中，P_a表示权重系数α_i被选择的概率；

从n组α_i中选取z组α_i作为初始种群，采用实数编码的方式对初始种群进行参数编码，连接成染色体；并对初始种群进行遗传处理，包括交叉和变异；

交叉操作具体为：随机选择交叉点，将两个个体的交叉点中遗传基因进行交换；

变异操作具体为：随机选择染色体的基因，改变基因的实数编码；

保持交叉率不变，调整变异率，G表示进化代数，[1:1:G]表示数组，变化范围为[1,G]，步长为1；第一代进化变异率pm₁＝0.1+1*0.1/G，第二代进化变异率pm₂＝0.1+2*0.1/G，以此类推；

3)选取适应度函数值最高的个体作为最佳个体，并将最佳个体保存，判断横向相似日的预测方差e_h(x)是否小于横向相似日的预测方差阈值，若满足，则对应的α_i则为所需的识别参数；若不满足，则重新选择、交叉、变异和保存，直到e_h(x)小于横向相似日的预测方差阈值。

所述步骤1-2中，纵向相似日是指需求响应日前M年的相似日，纵向相似日的预测负荷h(x)表示为：

$h\left(x\right)=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\β}}_j{\mathrm{\λ}}_{j}h\left(x_j\right)---\left(5\right)$

式(5)中，h(x_j)表示需求响应日x提前j年的预测负荷，j＝1,2,…,M，M表示需求响应日相似日提取年数，取3～5年；λ_j表示需求响应日前j年的年平均历史增长系数；β_j表示权重系数，满足0≤β_j≤1，且

采用遗传算法对权重系数β_j进行参数识别，具体有：

1)随机选取l个时刻的负荷作为输入变量，权重系数β_j对应的适应度函数表示为：

${\mathrm{fit}}_b=\frac{1}{\mathrm{\ϵ}+{\mathrm{mse}}_z}---\left(6\right)$

式(6)中，fit_b表示权重系数β_j对应的适应度函数，ε为正实数，10^-4≤ε≤10^-3；mse_z表示纵向相似日的预测偏值，表示为：

${\mathrm{mse}}_z=\frac{1}{l}\stackrel{l}{\mathrm{\Σ}}{e}_z{\left(x\right)}^2=\frac{1}{l}\stackrel{l}{\mathrm{\Σ}}{\[h\left(x\right)-h^{\′}\left(x\right)\]}^2---\left(7\right)$

式(7)中，e_z(x)表示纵向相似日的预测方差，h'(x)表示纵向相似日的实际负荷；

2)随机生成m组β_j，权重系数β_j被选择的概率表示为：

$P_b=\frac{{\mathrm{fit}}_b}{{\mathrm{\Σfit}}_b}---\left(8\right)$

式(8)中，P_b表示权重系数β_j被选择的概率；

从m组β_j中选取w组β_j作为初始种群，采用实数编码的方式对初始种群进行参数编码，连接成染色体；并对初始种群进行遗传处理，包括交叉和变异；

交叉操作具体为：随机选择交叉点，将两个个体的交叉点中遗传基因进行交换；

变异操作具体为：随机选择染色体的基因，改变基因的实数编码；

保持交叉率不变，调整变异率，G表示进化代数，[1:1:G]表示数组，变化范围为[1,G]，步长为1；第一代进化变异率pm₁＝0.1+1*0.1/G，第二代进化变异率pm₂＝0.1+2*0.1/G，以此类推；

3)选取适应度函数值最高的个体作为最佳个体，并将最佳个体保存，判断纵向相似日的预测方差e_z(x)是否小于纵向相似日的预测方差阈值，若满足，则对应的β_j则为所需的识别参数；若不满足，则重新选择、交叉、变异和保存，直到e_z(x)小于纵向相似日的预测方差阈值。

所述步骤1-3中，需求响应基线表示为：

F(x)＝ω₁g(x)+ω₂h(x) (9)

式(9)中，F(x)表示需求响应日x的需求响应基线，g(x)表示横向相似日的预测负荷，h(x)表示纵向相似日的预测负荷，ω₁和ω₂表示权重系数，且0≤ω₁≤1，0≤ω₂≤1，ω₁+ω₂＝1。

采用遗传算法对权重系数ω₁和ω₂进行参数识别，具体有：

1)随机选取g个时刻的负荷作为输入变量，权重系数ω₁和ω₂对应的适应度函数表示为：

${\mathrm{fit}}_c=\frac{1}{\mathrm{\ϵ}+mse}---\left(10\right)$

式(10)中，fit_c表示权重系数ω₁和ω₂对应的适应度函数，ε为正实数，10^-4≤ε≤10^-3；mse表示需求响应基线的预测偏值，表示为：

$mse=\frac{1}{g}\stackrel{g}{\mathrm{\Σ}}e{\left(x\right)}^2=\frac{1}{g}\stackrel{g}{\mathrm{\Σ}}{\[F\left(x\right)-F^{\′}\left(x\right)\]}^2---\left(11\right)$

式(11)中，e(x)表示需求响应基线的预测方差，F'(x)表示需求响应日x的实际负荷；

2)随机生成s组[ω₁,ω₂]，权重系数[ω₁,ω₂]被选择的概率表示为：

$P_c=\frac{{\mathrm{fit}}_c}{{\mathrm{\Σfit}}_c}---\left(12\right)$

式(12)中，P_c表示权重系数[ω₁,ω₂]被选择的概率；

从s组[ω₁,ω₂]中选取r组[ω₁,ω₂]作为初始种群，采用实数编码的方式对初始种群进行参数编码，连接成染色体；并对初始种群进行遗传处理，包括交叉和变异；

交叉操作具体为：随机选择交叉点，将两个个体的交叉点中遗传基因进行交换；

变异操作具体为：随机选择染色体的基因，改变基因的实数编码；

保持交叉率不变，调整变异率pm＝0.1+[1:1:G]*0.1/G，其中G表示进化代数，[1:1:G]表示数组，变化范围为[1,G]，步长为1；第一代进化变异率pm₁＝0.1+1*0.1/G，第二代进化变异率pm₂＝0.1+2*0.1/G，以此类推；

3)选取适应度函数值最高的个体作为最佳个体，并将最佳个体保存，判断纵向相似日的预测方差阈值e(x)是否小于纵向相似日的预测方差阈值，若满足，则对应的[ω₁,ω₂]则为所需的识别参数；若不满足，则重新选择、交叉、变异和保存，直到e(x)小于纵向相似日的预测方差阈值。

所述步骤2具体包括以下步骤：

步骤2-1：选取需求响应日，并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(如图2)，有：

$P_x=\underset{t=0}{\Σ}|G\left(t\right)-D\left(t\right)|---\left(13\right)$

式(13)中，P_x表示需求响应量，包括削减量和增加量；G(t)表示t时刻实施需求响应的基线，D(t)表示t时刻实施需求响应的负荷曲线；

步骤2-2：对需求响应量P_x进行评估，有：

$\mathrm{\μ}=\frac{P_x}{P_{\mathrm{\Σ}}}=\frac{P_x}{\underset{t=0}{\Σ}G\left(t\right)}---\left(14\right)$

式(14)中，P_Σ表示实施需求响应的负荷总量；μ表示需求响应效果评估因数，μ越大，表明需求响应效果越好，该日的需求响应峰值、低谷负荷越小，负荷曲线约平稳，与电网公司希望的负荷曲线越贴近，从而使电网经济性越高，为了方便还可以对需求响应效果进行评级，如表1：

表1

评级	需求响应量(Px)	需求响应效果评估因数(μ)
			Ⅰ级		0-0.1
Ⅱ级		0.1-0.2
			Ⅲ级		0.2-0.3
Ⅳ级		0.3-0.4
			Ⅴ级		0.4-1

此处跟据需求响应效果评估因数μ进行评级，亦可根据需求响应量P_x进行评级，各等级的具体上下限可根据实际情况调整。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (9)

1.一种基于需求响应基线的需求响应效果评估方法，其特征在于：所述方法包括以下步骤：

步骤1：确定需求响应基线；

步骤2：对需求响应效果进行评估。

2.根据权利要求1所述的基于需求响应基线的需求响应效果评估方法，其特征在于：所述步骤1具体包括以下步骤：

步骤1-1：确定横向相似日的预测负荷；

步骤1-2：确定纵向相似日的预测负荷；

步骤1-3：确定需求响应基线。

3.根据权利要求2所述的基于需求响应基线的需求响应效果评估方法，其特征在于：所述步骤1-1中，横向相似日是指需求响应日前N天的相似日，横向相似日的预测负荷g(x)表示为：

$g\left(x\right)=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_{i}g\left(x_i\right)---\left(1\right)$

式(1)中，g(x_i)表示需求响应日x提前i天的预测负荷，i＝1,2,…,N，N表示需求响应日相似日提取天数，取3～5天；α_i表示权重系数，满足0≤α_i≤1，且

4.根据权利要求3所述的基于需求响应基线的需求响应效果评估方法，其特征在于：采用遗传算法对权重系数α_i进行参数识别，具体有：

1)随机选取k个时刻的负荷作为输入变量，权重系数α_i对应的适应度函数表示为：

${\mathrm{fit}}_a=\frac{1}{\mathrm{\ϵ}+{\mathrm{mes}}_h}---\left(2\right)$

式(2)中，fit_a表示权重系数α_i对应的适应度函数，ε为正实数，10^-4≤ε≤10^-3；mse_h表示横向相似日的预测偏值，表示为：

${\mathrm{mse}}_h=\frac{1}{k}\stackrel{k}{\mathrm{\Σ}}{e}_h{\left(x\right)}^2=\frac{1}{k}\stackrel{k}{\mathrm{\Σ}}{\[g\left(x\right)-g^{\′}\left(x\right)\]}^2---\left(3\right)$

式(3)中，e_h(x)表示横向相似日的预测方差，g'(x)表示横向相似日的实际负荷；

2)随机生成n组α_i，权重系数α_i被选择的概率表示为：

$P_a=\frac{{\mathrm{fit}}_a}{{\mathrm{\Σfit}}_a}---\left(4\right)$

式(4)中，P_a表示权重系数α_i被选择的概率；

从n组α_i中选取z组α_i作为初始种群，采用实数编码的方式对初始种群进行参数编码，连接成染色体；并对初始种群进行遗传处理，包括交叉和变异；

交叉操作具体为：随机选择交叉点，将两个个体的交叉点中遗传基因进行交换；

变异操作具体为：随机选择染色体的基因，改变基因的实数编码；

保持交叉率不变，调整变异率，G表示进化代数，[1:1:G]表示数组，变化范围为[1,G]，步长为1；第一代进化变异率pm₁＝0.1+1*0.1/G，第二代进化变异率pm₂＝0.1+2*0.1/G，以此类推；

3)选取适应度函数值最高的个体作为最佳个体，并将最佳个体保存，判断横向相似日的预测方差e_h(x)是否小于横向相似日的预测方差阈值，若满足，则对应的α_i则为所需的识别参数；若不满足，则重新选择、交叉、变异和保存，直到e_h(x)小于横向相似日的预测方差阈值。

5.根据权利要求3所述的基于需求响应基线的需求响应效果评估方法，其特征在于：所述步骤1-2中，纵向相似日是指需求响应日前M年的相似日，纵向相似日的预测负荷h(x)表示为：

$h\left(x\right)=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\β}}_j{\mathrm{\λ}}_{j}h\left(x_j\right)---\left(5\right)$

式(5)中，h(x_j)表示需求响应日x提前j年的预测负荷，j＝1,2,…,M，M表示需求响应日相似日提取年数，取3～5年；λ_j表示需求响应日前j年的年平均历史增长系数；β_j表示权重系数，满足0≤β_j≤1，且

6.根据权利要求5所述的基于需求响应基线的需求响应效果评估方法，其特征在于：采用遗传算法对权重系数β_j进行参数识别，具体有：

1)随机选取l个时刻的负荷作为输入变量，权重系数β_j对应的适应度函数表示为：

${\mathrm{fit}}_b=\frac{1}{\mathrm{\ϵ}+{\mathrm{mse}}_z}---\left(6\right)$

式(6)中，fit_b表示权重系数β_j对应的适应度函数，ε为正实数，10^-4≤ε≤10^-3；mse_z表示纵向相似日的预测偏值，表示为：

${\mathrm{mse}}_z=\frac{1}{l}\stackrel{l}{\mathrm{\Σ}}{e}_z{\left(x\right)}^2=\frac{1}{l}\stackrel{l}{\mathrm{\Σ}}{\[h\left(x\right)-h^{\′}\left(x\right)\]}^2---\left(7\right)$

式(7)中，e_z(x)表示纵向相似日的预测方差，h'(x)表示纵向相似日的实际负荷；

2)随机生成m组β_j，权重系数β_j被选择的概率表示为：

$P_b=\frac{{\mathrm{fit}}_b}{{\mathrm{\Σfit}}_b}---\left(8\right)$

式(8)中，P_b表示权重系数β_j被选择的概率；

从m组β_j中选取w组β_j作为初始种群，采用实数编码的方式对初始种群进行参数编码，连接成染色体；并对初始种群进行遗传处理，包括交叉和变异；

交叉操作具体为：随机选择交叉点，将两个个体的交叉点中遗传基因进行交换；

变异操作具体为：随机选择染色体的基因，改变基因的实数编码；

保持交叉率不变，调整变异率，G表示进化代数，[1:1:G]表示数组，变化范围为[1,G]，步长为1；第一代进化变异率pm₁＝0.1+1*0.1/G，第二代进化变异率pm₂＝0.1+2*0.1/G，以此类推；

3)选取适应度函数值最高的个体作为最佳个体，并将最佳个体保存，判断纵向相似日的预测方差e_z(x)是否小于纵向相似日的预测方差阈值，若满足，则对应的β_j则为所需的识别参数；若不满足，则重新选择、交叉、变异和保存，直到e_z(x)小于纵向相似日的预测方差阈值。

7.根据权利要求5所述的基于需求响应基线的需求响应效果评估方法，其特征在于：所述步骤1-3中，需求响应基线表示为：

F(x)＝ω₁g(x)+ω₂h(x) (9)

式(9)中，F(x)表示需求响应日x的需求响应基线，g(x)表示横向相似日的预测负荷，h(x)表示纵向相似日的预测负荷，ω₁和ω₂表示权重系数，且0≤ω₁≤1，0≤ω₂≤1，ω₁+ω₂＝1。

8.根据权利要求7所述的基于需求响应基线的需求响应效果评估方法，其特征在于：采用遗传算法对权重系数ω₁和ω₂进行参数识别，具体有：

1)随机选取g个时刻的负荷作为输入变量，权重系数ω₁和ω₂对应的适应度函数表示为：

${\mathrm{fit}}_c=\frac{1}{\mathrm{\ϵ}+mse}---\left(10\right)$

式(10)中，fit_c表示权重系数ω₁和ω₂对应的适应度函数，ε为正实数，10^-4≤ε≤10^-3；mse表示需求响应基线的预测偏值，表示为：

$mse=\frac{1}{g}\stackrel{g}{\mathrm{\Σ}}e{\left(x\right)}^2=\frac{1}{g}\stackrel{g}{\mathrm{\Σ}}{\[F\left(x\right)-F^{\′}\left(x\right)\]}^2---\left(11\right)$

式(11)中，e(x)表示需求响应基线的预测方差，F'(x)表示需求响应日x的实际负荷；

2)随机生成s组[ω₁,ω₂]，权重系数[ω₁,ω₂]被选择的概率表示为：

$P_c=\frac{{\mathrm{fit}}_c}{{\mathrm{\Σfit}}_c}---\left(12\right)$

式(12)中，P_c表示权重系数[ω₁,ω₂]被选择的概率；

从s组[ω₁,ω₂]中选取r组[ω₁,ω₂]作为初始种群，采用实数编码的方式对初始种群进行参数编码，连接成染色体；并对初始种群进行遗传处理，包括交叉和变异；

交叉操作具体为：随机选择交叉点，将两个个体的交叉点中遗传基因进行交换；

变异操作具体为：随机选择染色体的基因，改变基因的实数编码；

保持交叉率不变，调整变异率pm＝0.1+[1:1:G]*0.1/G，其中G表示进化代数，[1:1:G]表示数组，变化范围为[1,G]，步长为1；第一代进化变异率pm₁＝0.1+1*0.1/G，第二代进化变异率pm₂＝0.1+2*0.1/G，以此类推；

3)选取适应度函数值最高的个体作为最佳个体，并将最佳个体保存，判断纵向相似日的预测方差阈值e(x)是否小于纵向相似日的预测方差阈值，若满足，则对应的[ω₁,ω₂]则为所需的识别参数；若不满足，则重新选择、交叉、变异和保存，直到e(x)小于纵向相似日的预测方差阈值。

9.根据权利要求7所述的基于需求响应基线的需求响应效果评估方法，其特征在于：所述步骤2具体包括以下步骤：

步骤2-1：选取需求响应日，并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，有：

$P_x=\underset{t=0}{\Σ}|G\left(t\right)-D\left(t\right)|---\left(13\right)$

式(13)中，P_x表示需求响应量，包括削减量和增加量；G(t)表示t时刻实施需求响应的基线，D(t)表示t时刻实施需求响应的负荷曲线；

步骤2-2：对需求响应量P_x进行评估，有：

$\mathrm{\μ}=\frac{P_x}{P_{\mathrm{\Σ}}}=\frac{P_x}{\underset{t=0}{\Σ}G\left(t\right)}---\left(14\right)$

式(14)中，P_Σ表示实施需求响应的负荷总量；μ表示需求响应效果评估因数，μ越大，表明需求响应效果越好。