[发明专利]一种基于居民需求响应策略自学习优化方法

说明书

本发明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。

技术领域

本发明涉及居民电力需求响应技术领域，具体为一种基于居民需求响应策略自学习优化方法。

背景技术

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。

发明内容

本发明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，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：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。