[发明专利]工业用户需求响应潜力预测方法和存储介质

权利要求书

1.工业用户需求响应潜力预测方法和存储介质，其特征在于，包括如下步骤：

步骤S1，获取工业用户的历史负荷数据并对数据进行预处理；

步骤S2，对工业用户的响应行为进行建模，基于预处理后的历史负荷数据求解得到需求响应负荷曲线；

步骤S3，利用基线负荷曲线和需求响应负荷曲线量化工业用户的需求响应潜力；

步骤S4，提取影响工业用户需求响应潜力的特征；

步骤S5，建立以特征为输入的双输出神经网络概率预测模型，对工业用户的需求响应潜力进行预测。

2.根据权利要求1所述的方法，其特征在于，所述的步骤S1中，对数据进行预处理具体为用分段线性插值法对缺省数据进行填充，并将获取的数据分辨率处理成15分钟。

3.根据权利要求1所述的方法，其特征在于，所述的步骤S2中，对工业用户的响应行为进行建模具体包括以下步骤：

步骤S201，以工业用户在激励型需求响应项目中收益最大为目标函数，并且要满足用户参与需求响应项目能减少经济支出的约束；

步骤S202，将工业负荷分为可转移负荷，可削减负荷和不可调节负荷，分别对三类负荷在激励型需求响应项目中的响应行为进行建模。

4.根据权利要求1所述的方法，其特征在于：所述的步骤S3中，具体包括以下步骤：

步骤S301，采用High X of Y 方法估计工业用户的基线负荷；

步骤S302，以基线负荷曲线与响应后负荷曲线所包围的面积为需求响应潜力量化指标。

5.根据权利要求1所述的方法，其特征在于：步骤S4所提取的特征包括影响每天负荷大小的特征和影响用户调整负荷能力的特征。

6.根据权利要求5所述的方法，其特征在于，影响每天负荷大小的特征包括：工作日特征，周末特征，节假日特征，季节特征；影响用户调整负荷能力的特征包括：激励特征，基线负荷特征，时间特征。

7.根据权利要求1所述的方法，其特征在于，在所述的步骤S4和S5之间还包括步骤S6：计算各特征与工业用户需求响应潜力之间的最大信息系数，筛除部分最大信息系数较小的特征。

8.根据权利要求7所述的方法，其特征在于，具体包括以下步骤：

步骤601，分别将各特征与工业用户需求响应潜力之间的最大信息系数MIC与第一预设阈值m1比较，统计得到MIC小于第一预设阈值m1的特征；

步骤602，如果小于第一预设阈值m1的特征数量小于等于第二预设阈值m2，则筛除该小于第一预设阈值m1的特征；如果小于第一预设阈值m1的特征数量大于第二预设阈值m2，则仅筛除MIC系数最小的m2个特征。

9.根据权利要求1或7或8所述的方法，其特征在于，所述的步骤S5中，具体包括以下步骤：

步骤S501，基于需求响应潜力的特征作为双输出神经网络模型的输入，基于需求响应潜力进行小幅上下浮动得到上下限值，直接将上下限值作为双输出神经网络模型的两个输出；

步骤S502，将数据划分为训练集和测试集，基于所述双输出神经网络模型设定初始化参数并在训练集上进行训练；

步骤S503，在测试集验证上述双输出神经网络模型的概率预测效果。

10.一种存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-9中任一所述的工业用户需求响应潜力预测方法。