CN114283024A - 一种电力***的需求响应潜力用户与潜力空间的识别方法 - Google Patents
一种电力***的需求响应潜力用户与潜力空间的识别方法 Download PDFInfo
- Publication number
- CN114283024A CN114283024A CN202111369762.5A CN202111369762A CN114283024A CN 114283024 A CN114283024 A CN 114283024A CN 202111369762 A CN202111369762 A CN 202111369762A CN 114283024 A CN114283024 A CN 114283024A
- Authority
- CN
- China
- Prior art keywords
- peak
- potential
- load
- response
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种电力***的需求响应潜力用户与潜力空间的识别方法,构建一需求响应模型,该需求响应模型包括数据需求模块、需求相应潜力分析模块和模型应用结果模块,数据需求模块建立的需求响应潜力分析模型,需求相应潜力分析模块建立的96点典型负荷曲线、用户峰类型判断、削峰响应潜力分析和填谷响应潜力分析,将获得的需求相应潜力识别结果体现,分别为:负荷曲线类型、削峰响应潜力、填谷响应潜力、削峰响应潜力等级和填谷响应潜力等级,通过这些参数对需求响应潜力用户与潜力空间进行识别。本发明使得需求响应体系的资源丰富程度大大提升、查询速度加快、降低了数据识别和精准查找定位时耗,且大大提升了需求响应体系的整体自动化程度。
Description
技术领域
本发明涉及电力***行业的需求响应领域,尤其涉及需求响应的数据准备、数据清洗、用户峰类型判断、削峰响应潜力分析、填谷响应潜力分析等需求响应潜力用户与潜力空间精准识别技术,用于低压居民用户、低压非居用户、高压用户等的需求响应潜力识别。
背景技术
所谓的需求响应(Demand Response,简称DR),全称为电力需求响应,是指当电力批发市场价格升高或***可靠性受威胁时,电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后,改变其固有的习惯用电模式,达到减少或者推移某时段的用电负荷而响应电力供应,目的是保障电网稳定,并抑制电价上升的短期行为。它是需求侧管理(DSM)的解决方案之一。
需求响应作为电力需求侧管理的组成部分,是指通过分时电价等市场价格信号或资金补贴等激励机制,引导鼓励电力用户主动改变原有电力消费模式的市场参与行为。需求响应技术兴起于国外,其相关政策标准较为完善,理论研究范围相对较广、深度相对较深。现有技术下国外的需求响应现状如下:
(1)美国是电力市场环境开放较早的国家之一,也是世界上实施需求响应项目最多、相关政策法规最完善的国家。分别发布了《能源政策法案》、《能源独立与安全法案》、《需求响应国家行动计划》、745号条例、《美国的能源与环境设计先导评价标准》等政策性文件需求响应在美国得到了政治上的大力支持、评估需求响应资源潜力、将需求响应提升至国家层面,最后允许作为一种资源在电力市场中与石油、天然气等传统能源竞争,并且可以参与能源市场竞价。
(2)日本需求响应的发展尚处于半自动需求响应阶段,为推进需求响应的发展,日本经济产业省设立了DR行动小组,结合OpenADR2.0,发布了《日本需求响应接口规范1.0》作为需求响应过渡阶段的标准。日本的需求响应试验有:早稻田大学启动的侧重于对接口ADR标准验证的需求响应试验和京瓷株式会社联合日本IBM、东急Community集团等几家公司,为实现电力供求平衡并构筑电力稳定供给模式,于2014年10月启动的自动需求响应实证试验。
(3)澳大利亚在21世纪初因夏季负荷过高为电网带来的安全隐患引起了澳大利亚政府的高度重视。澳大利亚政府提出实行能效与需求响应相结合的政策,规定家用电器能效等级和需求响应能力。目前,需求响应主要依循的规范是标委会制定的AS4755系列标准,其中包括空调、热水器、水泵等负荷的需求响应接口规范,并且己广泛应用,有效降低了夏季高峰负荷。
(4)欧洲国家需求响应的发展现状主要有:在挪威、瑞典,电力用户参与以“电力购买兆瓦数—时间—价格”为形式的竞价,并且取得了较明显的效果。英国电网在维护电网频率稳定的措施中,除了发电机增发或减少出力外,需求侧也可以响应降低频率的变化增量。丹麦将用户侧需求响应资源等同于供电侧的资源,电网通过电价激励改变用户用电行为习惯,从而达到维持电网稳定的目的。法国除了将较为常见的负荷归为需求响应资源,也将用户侧的储能装置及分布式能源装置也纳入到需求响应资源内,并且也制定了多种需求响应电价机制。
综上所述,目前现有技术下的国外需求响应的研究主要集中在需求响应资源负荷接口标准(规范)、需求响应电价机制、需求响应竞价等方面。需求响应资源管理中需求响应资源的查找定位在需求响应体系建设中是相对薄弱的,当需求响应资源数量大幅度增加时,将会影响需求响应资源管理及需求响应项目计划的制定,成为自动需求响应***建设的瓶颈。
而随着我国电力***的建设,需要建立能适用于我国经济特点、工业用电现状、居民用电习惯的需求响应体系,虽然国外的需求响应体系比较完善,但是对需求响应资源数据管理这一方面的研究较少,且对于需求响应资源的数据识别、精准查找定位这一研究点也相对较少,故不适合用我国电力***的需求响应体系,而其根本原因在于以下原因:
我国需求响应体系发展较晚,虽然现在已经建立了北京、上海、江苏等需求响应试点,充分利用电价政策,促进削峰填谷,提高电力***稳定性,但在这些需求响应的试点中,其参与需求响应项目的电力用户较少,所以暂时对需求响应资源的查询速度要求不高。这个现状导致了国内的需求响应试点都是采用了人工申请(审核)或是半自动的需求响应,还远远未到达真正意义上的全自动需求响应,故暂时对需求响应的资源管理要求较低。
但随着以后需求响应体系的全面铺开建立,必然会出现的大规模需求响应项目的推行,对需求响应资源管理带来极大的挑战,而现有的需求响应资源的数据管理、查询速度、数据识别和精准查找定位显然难以应付,更谈不上需求响应的全自动化,故需要对需求响应资源的查找算法进行改善,而我国目前对需求响应资源管理的研究还未得到足够的重视,对资源查找算法的研究较少,对需求响应资源的查询速度要求不高,造成需求响应资源查询定位耗时较长,不利于需求响应项目在我国的推进。
另外,现有技术下的需求响应精益管理方面,前期虽然做了较多探索和实践,但还是缺乏可调节负荷的自动化和智能化的可调节负荷识别、监测、控制、运营工具,这对需求响应精益管理相关要求造成了较大影响,急需通过智能化方式进行解决。
发明内容
综上所述,为了解决现有技术下的需求响应体系所存在的数据管理资源少、查询速度慢、数据识别和精准查找定位耗时长,且整个需求响应体系自动化程度低的问题,本发明提供了一种电力***的需求响应潜力用户与潜力空间的识别方法,通过本发明使得需求响应体系的资源丰富程度大大提升、查询速度加快、降低了数据识别和精准查找定位时耗,且大大提升了需求响应体系的整体自动化程度。
一种电力***的需求响应潜力用户与潜力空间的识别方法,构建一需求响应模型,该需求响应模型包括数据需求模块、需求相应潜力分析模块和模型应用结果模块,其具体步骤如下所述:
1)所述的数据需求模块其具体为建立需求响应潜力分析模型,本步骤中对基于用户的96点正向有功负荷数据开展建模,具体如下:
1a)建立营销客户档案信息:
确认样本用户对象为低压居民用户、低压非居民用户、和高压用户,其中各个用户档案信息包括:户名、户号或企业名称、用电地址、行业类型、电压等级、执行电价和是否为高能耗企业;
1b)对步骤1a)中涉及的所有样本用户对象,提供14个自然月的96点负荷数据作为用电负荷信息,本步骤为模型构建的基础支撑;
1c)节假日和气象条件信息:
节假日信息由建模人员根据国家法定节假日要求进行准备和填写,而气象条件信息则由建模人员通过分析从互联网获取相关天气数据;
数据需求模块的建立使得需求响应体系的资源丰富程度大大提升。
2)所述的需求相应潜力分析模块,采用基于聚类箱型图的方法挖掘突增突减等异常负荷数据,并基于均值插补法做数据清洗,形成不同用电周期下的典型负荷曲线,本步骤中包括建立96点典型负荷曲线、用户峰类型判断、削峰响应潜力分析和填谷响应潜力分析,具体如下:
2a)建立96点典型负荷曲线:
该建立96点典型负荷曲线步骤包括特殊日期负荷数据筛查、典型用电周期划分、异常值处理和典型负荷曲线拟合,如下:
2a1)特殊日期负荷数据筛查:
本步骤基于上述步骤1c)节假日和气象条件信息,其中,由于大部分用户的周末休息日与法定节假日的用电规律与日常工作日存在较大的差异,为了避免这些数据影响建模效果,模型构建前将这些数据剔除,此外,通过对气象条件信息的统计,结合获得的气象数据,对极端气象条件,如:暴雨、大雪、异常高温的日期进行识别,通过数据关联分析,确定特殊天气对用户负荷异常波动存在影响,模型构建前将这些数据剔除;
2a2)典型用电周期划分:
本步骤结合用电负荷特征,按照春夏秋冬四季,对数据进行分组:
春季:3~5月份;
夏季:6~8月份;
秋季:9~11月份;
冬季:12~次年2月份;
2a3)异常值处理:
当数据为负值时,视为异常值,进行置空处理;再通过聚类箱型图方法,识别异常大/异常小的数据,进行置空处理;
2a4)典型负荷曲线拟合:
取用户某一典型用电周期下96点的日负荷数据,计算96点各点日均负荷数据,形成典型负荷曲线;
2b)用户峰类型判断:
对后续的削峰响应潜力分析和填谷响应潜力分析前,需要对用户峰类型判断,本步骤基于聚类算法得到用户的峰电量基准,基于峰电量的持续时间及间隔时间得到用户的用电高峰时间段,并确认用户峰类型,具体如下:
2b1)用电高峰基准值识别:
用电高峰基准值是识别用户用电高峰时段的阈值,当用户某时刻的正向有功负荷超过阈值时,视为用电水平高,本步骤中,基于用户某一典型用电周期下96点日均负荷数据,从低到高取60%~80%的负荷值作为用电高峰的基准值,为客户用电高峰时段分析提供参考依据;
2b2)用电高峰时段分析:
本步骤将获得的用户负荷特征曲线的各点值的与峰电量基准值相减,大于零的时段初步定义用电高峰时段,具体如下:
将大于零的时点从小到大排序,按时点的连续性进行时点归类,中间连续无时点间断的归为1类,依次归纳为N类,定义为M1,M2,……,Mn,并分别计算M1,M2,……,Mn对应的连续点数Q1,Q2,……,Qn以及M1,M2,……,Mn间隔的时点数D1,D2,……,Dn-1;再进行用电高峰识别:
①将M1,M2,……,Mn进行高峰时段粘连,如果Di<4,且Qi>Di,Qi+1>Di,Mi与Ni+1粘连,其他情况终止粘连,粘连后的连续时段为最后粘连的时点据最初粘连的时点,依次归类为m类,定义为m1,m2,……,mm;
②判断mi对应的时点数,如果大于等于4,则判断为峰时段,从时段大小分别定义为f1,f2,……,fn;
③当非峰时段的日均负荷与峰时段的日均负荷>=0.8时,定义为无峰;
2c)削峰响应潜力分析:
基于上述步骤2b)的用户峰类型判断,针对有峰的用户,对比分析用户早高峰及午高峰时段的平均负荷与用户削峰响应基准负荷的差值,得到用户削峰响应潜力,其中削峰响应基准负荷通过分析用户连续一段时间的最低平均负荷得到,具体如下:
2c1)削峰响应基准负荷分析:
针对有用电高峰的用户,统计用户连续一段时间的最低负荷,作为削峰响应基准负荷,算法如下:
应用移动平均法,计算4~8个连续时点的平均负荷,取最小值作为削峰响应基准负荷;
2c2)削峰响应潜力分析:
①早高峰响应潜力:
早高峰响应潜力=max(0,早高峰平均负荷-削峰响应基准负荷);
②午高峰响应潜力:
午高峰响应潜力=max(0,午高峰平均负荷-削峰响应基准负荷);
③削峰响应潜力:
削峰响应潜力=早高峰响应潜力×W1+午高峰响应潜力×W2;
其中:W1+W2+=100%;
2c3)削峰响应潜力等级:
经过上述步骤2c1)和步骤2c2),针对削峰响应潜力大于0的用户,按照排名前后,分别取前10%~20%作为高潜力用户、取15%~40%作为较高潜力用户、30%~60%作为中等潜力用户、其它作为低潜力用户;
2d)填谷响应潜力分析:
基于上述步骤2b)的用户峰类型判断,针对有峰的用户,对比分析用户凌晨低谷及中午低谷时段的平均负荷与用户填谷响应基准负荷的差值,得到用户填谷响应潜力,其中,填谷响应基准负荷通过分析用户用电高峰时段的平均负荷得到,具体如下:
2d1)填谷基准负荷分析:
针对有用电高峰的用户,统计用户连续一段时间的最高负荷,作为填谷响应基准负荷,算法如下:
应用移动平均法,计算4~8个连续时点的平均负荷,取最大值作为填谷响应基准负荷;
2d2)填谷响应潜力分析:
①凌晨低谷响应潜力:
凌晨低谷响应潜力=max(0,响应潜力基准负荷-凌晨低谷平均负荷);
②中午低谷响应潜力:
中午低谷响应潜力=max(0,响应潜力基准负荷-中午低谷平均负荷);
③填谷响应潜力:
填谷响应潜力=凌晨低谷响应潜力×W1+中午低谷响应潜力×W2
其中:W1+W2+=100%;
2d3)填谷响应潜力等级:
针对填谷响应潜力大于0的用户,按照排名前后,分别取前10%~20%作为高潜力用户、取15%~40%作为较高潜力用户、30%~60%作为中等潜力用户、其它作为低潜力用户;
需求相应潜力分析模块的96点典型负荷曲线、用户峰类型判断、削峰响应潜力分析和填谷响应潜力分析使得需求响应体系的查询速度加快、去除了特殊数据并分析了用户峰类型、削峰响应潜力和填谷响应潜力,本步骤极大地降低了数据识别和精准查找定位时耗。
3)模型应用结果模块:
经过上述步骤1)数据需求模块建立的需求响应潜力分析模型和步骤2)需求相应潜力分析模块的96点典型负荷曲线、用户峰类型判断、削峰响应潜力分析和填谷响应潜力分析,本步骤中将获得的需求相应潜力识别结果体现,分别为:负荷曲线类型、削峰响应潜力、填谷响应潜力、削峰响应潜力等级和填谷响应潜力等级,通过这些参数对需求响应潜力用户与潜力空间进行识别。
本发明的模型应用结果模块将数据方便调取和使用,将大大提升了需求响应体系的整体自动化程度。
本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法,其特征在于,所述的步骤1b)中,由于数据需求模块涉及到整体的数据准备,还需建立用户的立户时间,暂停/恢复用电情况,避免出现数据大面积缺失的情况。
本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法,其特征在于,所述的步骤1c)中,气象条件信息对最高/最低气温以及14个自然月的天气进行统计。
本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法,其特征在于,所述的步骤2a4)中,用户某一典型用电周期下96点的日负荷数据,该日负荷数据经过步骤2a1)的特殊日期负荷数据筛查和步骤2a3)的异常值处理。
使用本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法获得了如下有益效果:
1.本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法可以移峰填谷,降低高峰时段的电力需求,提升电网运行的稳定性和效率;
2.本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法可以优化发电厂的运行方式,增强电网消纳更多间歇性分布式能源的能力;
3.本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法可以提高电网与电力用户的互动水平,为用户提供多样化的增值服务。
附图说明
图1为本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法的需求响应模型构建原理及流程图;
图2为本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法的步骤2a3)的异常值处理示意图;
具体实施方式
下面结合附图和实施例对本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法做进一步的描述。
实施例
如图1所示,一种电力***的需求响应潜力用户与潜力空间的识别方法,构建一需求响应模型,该需求响应模型包括数据需求模块、需求相应潜力分析模块和模型应用结果模块,其具体步骤如下所述:
1)所述的数据需求模块其具体为建立需求响应潜力分析模型,本步骤中对基于用户的96点正向有功负荷数据开展建模,具体如下:
1a)建立营销客户档案信息:
确认样本用户对象为低压居民用户、低压非居民用户、和高压用户,其中各个用户档案信息包括:户名、户号或企业名称、用电地址、行业类型、电压等级、执行电价和是否为高能耗企业;
1b)对步骤1a)中涉及的所有样本用户对象,提供14个自然月的96点负荷数据作为用电负荷信息,本步骤为模型构建的基础支撑;
1c)节假日和气象条件信息:
节假日信息由建模人员根据国家法定节假日要求进行准备和填写,而气象条件信息则由建模人员通过分析从互联网获取相关天气数据;
2)所述的需求相应潜力分析模块,采用基于聚类箱型图的方法挖掘突增突减等异常负荷数据,并基于均值插补法做数据清洗,形成不同用电周期下的典型负荷曲线,本步骤中包括建立96点典型负荷曲线、用户峰类型判断、削峰响应潜力分析和填谷响应潜力分析,具体如下:
2a)建立96点典型负荷曲线:
该建立96点典型负荷曲线步骤包括特殊日期负荷数据筛查、典型用电周期划分、异常值处理和典型负荷曲线拟合,如下:
2a1)特殊日期负荷数据筛查:
本步骤基于上述步骤1c)节假日和气象条件信息,其中,由于大部分用户的周末休息日与法定节假日的用电规律与日常工作日存在较大的差异,为了避免这些数据影响建模效果,模型构建前将这些数据剔除,此外,通过对气象条件信息的统计,结合获得的气象数据,对极端气象条件,如:暴雨、大雪、异常高温的日期进行识别,通过数据关联分析,确定特殊天气对用户负荷异常波动存在影响,模型构建前将这些数据剔除;
2a2)典型用电周期划分:
本步骤结合用电负荷特征,按照春夏秋冬四季,对数据进行分组:
春季:3~5月份;
夏季:6~8月份;
秋季:9~11月份;
冬季:12~次年2月份;
2a3)异常值处理,如图2所示:
当数据为负值时,视为异常值,进行置空处理;再通过聚类箱型图方法,识别异常大/异常小的数据,进行置空处理;
2a4)典型负荷曲线拟合:
取用户某一典型用电周期下96点的日负荷数据,计算96点各点日均负荷数据,形成典型负荷曲线;
2b)用户峰类型判断:
对后续的削峰响应潜力分析和填谷响应潜力分析前,需要对用户峰类型判断,本步骤基于聚类算法得到用户的峰电量基准,基于峰电量的持续时间及间隔时间得到用户的用电高峰时间段,并确认用户峰类型,具体如下:
2b1)用电高峰基准值识别:
用电高峰基准值是识别用户用电高峰时段的阈值,当用户某时刻的正向有功负荷超过阈值时,视为用电水平高,本步骤中,基于用户某一典型用电周期下96点日均负荷数据,从低到高取60%~80%的负荷值作为用电高峰的基准值,为客户用电高峰时段分析提供参考依据;
2b2)用电高峰时段分析:
本步骤将获得的用户负荷特征曲线的各点值的与峰电量基准值相减,大于零的时段初步定义用电高峰时段,具体如下:
将大于零的时点从小到大排序,按时点的连续性进行时点归类,中间连续无时点间断的归为1类,依次归纳为N类,定义为M1,M2,……,Mn,并分别计算M1,M2,……,Mn对应的连续点数Q1,Q2,……,Qn以及M1,M2,……,Mn间隔的时点数D1,D2,……,Dn-1;再进行用电高峰识别:
①将M1,M2,……,Mn进行高峰时段粘连,如果Di<4,且Qi>Di,Qi+1>Di,Mi与Mi+1粘连,其他情况终止粘连,粘连后的连续时段为最后粘连的时点据最初粘连的时点,依次归类为m类,定义为m1,m2,……,mm;
②判断mi对应的时点数,如果大于等于4,则判断为峰时段,从时段大小分别定义为f1,f2,……,fn;
③当非峰时段的日均负荷与峰时段的日均负荷>=0.8时,定义为无峰;
2c)削峰响应潜力分析:
基于上述步骤2b)的用户峰类型判断,针对有峰的用户,对比分析用户早高峰及午高峰时段的平均负荷与用户削峰响应基准负荷的差值,得到用户削峰响应潜力,其中削峰响应基准负荷通过分析用户连续一段时间的最低平均负荷得到,具体如下:
2c1)削峰响应基准负荷分析:
针对有用电高峰的用户,统计用户连续一段时间的最低负荷,作为削峰响应基准负荷,算法如下:
应用移动平均法,计算4~8个连续时点的平均负荷,取最小值作为削峰响应基准负荷;
2c2)削峰响应潜力分析:
①早高峰响应潜力:
早高峰响应潜力=max(0,早高峰平均负荷-削峰响应基准负荷);
②午高峰响应潜力:
午高峰响应潜力=max(0,午高峰平均负荷-削峰响应基准负荷);
③削峰响应潜力:
削峰响应潜力=早高峰响应潜力×W1+午高峰响应潜力×W2;
其中:W1+W2+=100%;
2c3)削峰响应潜力等级:
经过上述步骤2c1)和步骤2c2),针对削峰响应潜力大于0的用户,按照排名前后,分别取前10%~20%作为高潜力用户、取15%~40%作为较高潜力用户、30%~60%作为中等潜力用户、其它作为低潜力用户;
2d)填谷响应潜力分析:
基于上述步骤2b)的用户峰类型判断,针对有峰的用户,对比分析用户凌晨低谷及中午低谷时段的平均负荷与用户填谷响应基准负荷的差值,得到用户填谷响应潜力,其中,填谷响应基准负荷通过分析用户用电高峰时段的平均负荷得到,具体如下:
2d1)填谷基准负荷分析:
针对有用电高峰的用户,统计用户连续一段时间的最高负荷,作为填谷响应基准负荷,算法如下:
应用移动平均法,计算4~8个连续时点的平均负荷,取最大值作为填谷响应基准负荷;
2d2)填谷响应潜力分析:
①凌晨低谷响应潜力:
凌晨低谷响应潜力=max(0,响应潜力基准负荷-凌晨低谷平均负荷);
②中午低谷响应潜力:
中午低谷响应潜力=max(0,响应潜力基准负荷-中午低谷平均负荷);
③填谷响应潜力:
填谷响应潜力=凌晨低谷响应潜力×W1+中午低谷响应潜力×W2
其中:W1+W2+=100%;
2d3)填谷响应潜力等级:
针对填谷响应潜力大于0的用户,按照排名前后,分别取前10%~20%作为高潜力用户、取15%~40%作为较高潜力用户、30%~60%作为中等潜力用户、其它作为低潜力用户;
3)模型应用结果模块:
经过上述步骤1)数据需求模块建立的需求响应潜力分析模型和步骤2)需求相应潜力分析模块的96点典型负荷曲线、用户峰类型判断、削峰响应潜力分析和填谷响应潜力分析,本步骤中将获得的需求相应潜力识别结果体现,分别为:负荷曲线类型、削峰响应潜力、填谷响应潜力、削峰响应潜力等级和填谷响应潜力等级,通过这些参数对需求响应潜力用户与潜力空间进行识别。
本发明的模型应用结果模块将数据方便调取和使用,将大大提升了需求响应体系的整体自动化程度。
本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法,其特征在于,所述的步骤1b)中,由于数据需求模块涉及到整体的数据准备,还需建立用户的立户时间,暂停/恢复用电情况,避免出现数据大面积缺失的情况。
本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法,其特征在于,所述的步骤1c)中,气象条件信息对最高/最低气温以及14个自然月的天气进行统计。
本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法,其特征在于,所述的步骤2a4)中,用户某一典型用电周期下96点的日负荷数据,该日负荷数据经过步骤2a1)的特殊日期负荷数据筛查和步骤2a3)的异常值处理。
本发明的一种电力***的需求响应潜力用户与潜力空间的识别方法可以移峰填谷,降低高峰时段的电力需求,提升电网运行的稳定性和效率;本发明可以优化发电厂的运行方式,增强电网消纳更多间歇性分布式能源的能力;本发明可以提高电网与电力用户的互动水平,为用户提供多样化的增值服务。
但是,本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本申请的,而并非用作为对本申请的限定,只要在本申请的实质精神范围内,对以上所述实施例的变化、变型都将落在本申请的权利要求书范围内。
Claims (4)
1.一种电力***的需求响应潜力用户与潜力空间的识别方法,构建一需求响应模型,该需求响应模型包括数据需求模块、需求相应潜力分析模块和模型应用结果模块,其具体步骤如下所述:
1)所述的数据需求模块其具体为建立需求响应潜力分析模型,本步骤中对基于用户的96点正向有功负荷数据开展建模,具体如下:
1a)建立营销客户档案信息:
确认样本用户对象为低压居民用户、低压非居民用户、和高压用户,其中各个用户档案信息包括:户名、户号或企业名称、用电地址、行业类型、电压等级、执行电价和是否为高能耗企业;
1b)对步骤1a)中涉及的所有样本用户对象,提供14个自然月的96点负荷数据作为用电负荷信息,本步骤为模型构建的基础支撑;
1c)节假日和气象条件信息:
节假日信息由建模人员根据国家法定节假日要求进行准备和填写,而气象条件信息则由建模人员通过分析从互联网获取相关天气数据;
2)所述的需求相应潜力分析模块,采用基于聚类箱型图的方法挖掘突增突减等异常负荷数据,并基于均值插补法做数据清洗,形成不同用电周期下的典型负荷曲线,本步骤中包括建立96点典型负荷曲线、用户峰类型判断、削峰响应潜力分析和填谷响应潜力分析,具体如下:
2a)建立96点典型负荷曲线:
该建立96点典型负荷曲线步骤包括特殊日期负荷数据筛查、典型用电周期划分、异常值处理和典型负荷曲线拟合,如下:
2a1)特殊日期负荷数据筛查:
本步骤基于上述步骤1c)节假日和气象条件信息,其中,由于大部分用户的周末休息日与法定节假日的用电规律与日常工作日存在较大的差异,为了避免这些数据影响建模效果,模型构建前将这些数据剔除,此外,通过对气象条件信息的统计,结合获得的气象数据,对极端气象条件,如:暴雨、大雪、异常高温的日期进行识别,通过数据关联分析,确定特殊天气对用户负荷异常波动存在影响,模型构建前将这些数据剔除;
2a2)典型用电周期划分:
本步骤结合用电负荷特征,按照春夏秋冬四季,对数据进行分组:
春季:3~5月份;
夏季:6~8月份;
秋季:9~11月份;
冬季:12~次年2月份;
2a3)异常值处理:
当数据为负值时,视为异常值,进行置空处理;再通过聚类箱型图方法,识别异常大/异常小的数据,进行置空处理;
2a4)典型负荷曲线拟合:
取用户某一典型用电周期下96点的日负荷数据,计算96点各点日均负荷数据,形成典型负荷曲线;
2b)用户峰类型判断:
对后续的削峰响应潜力分析和填谷响应潜力分析前,需要对用户峰类型判断,本步骤基于聚类算法得到用户的峰电量基准,基于峰电量的持续时间及间隔时间得到用户的用电高峰时间段,并确认用户峰类型,具体如下:
2b1)用电高峰基准值识别:
用电高峰基准值是识别用户用电高峰时段的阈值,当用户某时刻的正向有功负荷超过阈值时,视为用电水平高,本步骤中,基于用户某一典型用电周期下96点日均负荷数据,从低到高取60%~80%的负荷值作为用电高峰的基准值,为客户用电高峰时段分析提供参考依据;
2b2)用电高峰时段分析:
本步骤将获得的用户负荷特征曲线的各点值的与峰电量基准值相减,大于零的时段初步定义用电高峰时段,具体如下:
将大于零的时点从小到大排序,按时点的连续性进行时点归类,中间连续无时点间断的归为1类,依次归纳为N类,定义为M1,M2,……,Mn,并分别计算M1,M2,……,Mn对应的连续点数Q1,Q2,……,Qn以及M1,M2,……,Mn间隔的时点数D1,D2,……,Dn-1;再进行用电高峰识别:
①将M1,M2,……,Mn进行高峰时段粘连,如果Di<4,且Qi>Di,Qi+1>Di,Mi与Mi+1粘连,其他情况终止粘连,粘连后的连续时段为最后粘连的时点据最初粘连的时点,依次归类为m类,定义为m1,m2,……,mn;
②判断mi对应的时点数,如果大于等于4,则判断为峰时段,从时段大小分别定义为f1,f2,……,fn;
③当非峰时段的日均负荷与峰时段的日均负荷>=0.8时,定义为无峰;
2c)削峰响应潜力分析:
基于上述步骤2b)的用户峰类型判断,针对有峰的用户,对比分析用户早高峰及午高峰时段的平均负荷与用户削峰响应基准负荷的差值,得到用户削峰响应潜力,其中削峰响应基准负荷通过分析用户连续一段时间的最低平均负荷得到,具体如下:
2c1)削峰响应基准负荷分析:
针对有用电高峰的用户,统计用户连续一段时间的最低负荷,作为削峰响应基准负荷,算法如下:
应用移动平均法,计算4~8个连续时点的平均负荷,取最小值作为削峰响应基准负荷;
2c2)削峰响应潜力分析:
①早高峰响应潜力:
早高峰响应潜力=max(0,早高峰平均负荷-削峰响应基准负荷);
②午高峰响应潜力:
午高峰响应潜力=max(0,午高峰平均负荷-削峰响应基准负荷);
③削峰响应潜力:
削峰响应潜力=早高峰响应潜力×W1+午高峰响应潜力×W2;
其中:W1+W2+=100%;
2c3)削峰响应潜力等级:
经过上述步骤2c1)和步骤2c2),针对削峰响应潜力大于0的用户,按照排名前后,分别取前10%~20%作为高潜力用户、取15%~40%作为较高潜力用户、30%~60%作为中等潜力用户、其它作为低潜力用户;
2d)填谷响应潜力分析:
基于上述步骤2b)的用户峰类型判断,针对有峰的用户,对比分析用户凌晨低谷及中午低谷时段的平均负荷与用户填谷响应基准负荷的差值,得到用户填谷响应潜力,其中,填谷响应基准负荷通过分析用户用电高峰时段的平均负荷得到,具体如下:
2d1)填谷基准负荷分析:
针对有用电高峰的用户,统计用户连续一段时间的最高负荷,作为填谷响应基准负荷,算法如下:
应用移动平均法,计算4~8个连续时点的平均负荷,取最大值作为填谷响应基准负荷;
2d2)填谷响应潜力分析:
①凌晨低谷响应潜力:
凌晨低谷响应潜力=max(0,响应潜力基准负荷-凌晨低谷平均负荷);
②中午低谷响应潜力:
中午低谷响应潜力=max(0,响应潜力基准负荷-中午低谷平均负荷);
③填谷响应潜力:
填谷响应潜力=凌晨低谷响应潜力×W1+中午低谷响应潜力×W2
其中:W1+W2+=100%;
2d3)填谷响应潜力等级:
针对填谷响应潜力大于0的用户,按照排名前后,分别取前10%~20%作为高潜力用户、取15%~40%作为较高潜力用户、30%~60%作为中等潜力用户、其它作为低潜力用户;
3)模型应用结果模块:
经过上述步骤1)数据需求模块建立的需求响应潜力分析模型和步骤2)需求相应潜力分析模块建立的96点典型负荷曲线、用户峰类型判断、削峰响应潜力分析和填谷响应潜力分析,本步骤中将获得的需求相应潜力识别结果体现,分别为:负荷曲线类型、削峰响应潜力、填谷响应潜力、削峰响应潜力等级和填谷响应潜力等级,通过这些参数对需求响应潜力用户与潜力空间进行识别。
2.如权利要求1所述的一种电力***的需求响应潜力用户与潜力空间的识别方法,其特征在于,所述的步骤1b)中,由于数据需求模块涉及到整体的数据准备,还需建立用户的立户时间,暂停/恢复用电情况,避免出现数据大面积缺失的情况。
3.如权利要求1所述的一种电力***的需求响应潜力用户与潜力空间的识别方法,其特征在于,所述的步骤1c)中,气象条件信息对最高/最低气温以及14个自然月的天气进行统计。
4.如权利要求1所述的一种电力***的需求响应潜力用户与潜力空间的识别方法,其特征在于,所述的步骤2a4)中,用户某一典型用电周期下96点的日负荷数据,该日负荷数据经过步骤2a1)的特殊日期负荷数据筛查和步骤2a3)的异常值处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369762.5A CN114283024A (zh) | 2021-11-18 | 2021-11-18 | 一种电力***的需求响应潜力用户与潜力空间的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369762.5A CN114283024A (zh) | 2021-11-18 | 2021-11-18 | 一种电力***的需求响应潜力用户与潜力空间的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114283024A true CN114283024A (zh) | 2022-04-05 |
Family
ID=80869445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111369762.5A Pending CN114283024A (zh) | 2021-11-18 | 2021-11-18 | 一种电力***的需求响应潜力用户与潜力空间的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114283024A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115411730A (zh) * | 2022-10-31 | 2022-11-29 | 国网浙江省电力有限公司金华供电公司 | 空调负荷多时段可调节潜力评估方法及相关装置 |
CN116308884A (zh) * | 2023-03-15 | 2023-06-23 | 国网浙江省电力有限公司绍兴供电公司 | 一种基于大数据应用的可再生能源智慧管理方法及*** |
CN117236532A (zh) * | 2023-11-16 | 2023-12-15 | 国网天津市电力公司营销服务中心 | 一种基于负荷数据的用电高峰负荷预测的方法及*** |
-
2021
- 2021-11-18 CN CN202111369762.5A patent/CN114283024A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115411730A (zh) * | 2022-10-31 | 2022-11-29 | 国网浙江省电力有限公司金华供电公司 | 空调负荷多时段可调节潜力评估方法及相关装置 |
CN115411730B (zh) * | 2022-10-31 | 2023-01-31 | 国网浙江省电力有限公司金华供电公司 | 空调负荷多时段可调节潜力评估方法及相关装置 |
CN116308884A (zh) * | 2023-03-15 | 2023-06-23 | 国网浙江省电力有限公司绍兴供电公司 | 一种基于大数据应用的可再生能源智慧管理方法及*** |
CN116308884B (zh) * | 2023-03-15 | 2023-11-07 | 国网浙江省电力有限公司绍兴供电公司 | 一种基于大数据应用的可再生能源智慧管理方法及*** |
CN117236532A (zh) * | 2023-11-16 | 2023-12-15 | 国网天津市电力公司营销服务中心 | 一种基于负荷数据的用电高峰负荷预测的方法及*** |
CN117236532B (zh) * | 2023-11-16 | 2024-04-02 | 国网天津市电力公司营销服务中心 | 一种基于负荷数据的用电高峰负荷预测的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114283024A (zh) | 一种电力***的需求响应潜力用户与潜力空间的识别方法 | |
CN113033953B (zh) | 一种基于大数据的用户侧需求响应决策建议方法 | |
CN108053057B (zh) | 一种基于CVaR的虚拟电厂优化调度建模方法 | |
CN104617591A (zh) | 基于多场景新能源发电模拟的日运行方式安排和调峰方法 | |
CN110991843A (zh) | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 | |
WO2022193794A1 (zh) | 考虑退役电池的智能社区微网超多目标能量管理方法 | |
CN106682763B (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
Bariss et al. | System dynamics modeling of households' electricity consumption and cost-income ratio: A case study of Latvia | |
CN109858728A (zh) | 基于分行业用电特性分析的负荷预测方法 | |
Clauß et al. | A generic methodology to evaluate hourly average CO2eq. intensities of the electricity mix to deploy the energy flexibility potential of Norwegian buildings | |
CN110570015A (zh) | 一种配电网多目标规划方法 | |
CN108460525A (zh) | 一种多能互补配用电***的综合能源利用效率评估方法 | |
Klingler et al. | Residential photovoltaic self-consumption: Identifying representative household groups based on a cluster analysis of hourly smart-meter data | |
CN111639819A (zh) | 一种综合能源园区多阶段优化控制方法 | |
Wang et al. | A two-step load disaggregation algorithm for quasi-static time-series analysis on actual distribution feeders | |
CN112085259A (zh) | 一种新能源接入与综合能源服务潜力关联预测方法 | |
CN106875058B (zh) | 一种电力业扩可开放容量智能判断方法 | |
CRISTEA et al. | Techno-economic evaluation of a grid-connected residential rooftop photovoltaic system with battery energy storage system: a Romanian case study | |
CN111082446B (zh) | 一种考虑电池自消耗的储能优化配置方法 | |
CN113240235A (zh) | 一种电网公司发展状态的评价方法 | |
CN111160767A (zh) | 一种综合能源服务效益评估方法 | |
CN110866650A (zh) | 一种基于负荷需量系数及时段错峰、削峰的负荷优化方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN112736969A (zh) | 基于新能源经济调度的分布式光伏数据处理方法及*** | |
CN112785166A (zh) | 基于区块链的配电网分布式发电单元出力评价方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |