[发明专利]模型和数据联合驱动的工业负荷需求响应特性刻画方法

说明书

本发明公开了模型和数据联合驱动的工业负荷需求响应特性刻画方法，该方法包括：获得所关注的工厂的历史电表数据，以及所在区域对应时间的分时电价数据；获得该工厂公开的生产流水线信息，输入待确定的生产调度模型库；将样本数据划分为训练集和交叉验证集，对于生产调度模型库中的每个模型，在训练集上利用逆向优化技术利用拟合参数；在交叉验证集统计各模型的损失函数，以交叉验证集上损失函数最小的生产调度模型及其参数作为最佳模型；将感兴趣的外部激励作为问题参数，求解最优生产调度问题，即得到该外部激励下所关注的工厂的逐小时用电量。本发明减少了需求响应特性刻画对数据量的依赖，能提升工业负荷需求响应刻画准确性。

技术领域

本发明涉及电力负荷分析技术领域，特别是涉及模型和数据联合驱动的工业负荷需求响应特性刻画方法。

背景技术

在保障电力供应的前提下实现碳中和目标需要在可再生能源装机、灵活发电资源和电网扩建等方面进行大量的投资，这会带来巨大的成本。作为另一种保障电力供应的选择，开展需求响应项目，即利用电价或者其他激励来调整需求侧的用能，能为电力系统带来巨大的灵活性。工业用户用电占中国全社会用电的70％，而且能够通过提前安排生产响应动态电价等激励参加到所谓的需求响应项目中。因此，工业用户的用能对于碳中和的目标非常关键。作为前置工作，需求响应特性刻画，例如负荷基线估计、需求响应能力评估等，对于设计和开展需求响应项目十分重要。

本质上，响应能力评估需要抓住工厂用电曲线如何随激励变动而变化。目前，已有大量的数据挖掘技术被用于实现面向需求响应的负荷分析，但大部分研究关注居民用户，而考虑工业用户特性的研究较少。伊朗伊斯兰阿扎德大学的学者们提出一种两级决策树方法(Dehghan-Dehnavi S,Fotuhi-Firuzabad M,Moeini-Aghtaie M,et al.EstimatingParticipation Abilities of Industrial Customers in Demand Response Programs:ATwo-Level Decision-Making Tree Analysis[C]2020IEEE/IAS 56th Industrial andCommercial Power Systems Technical Conference(ICPS).IEEE,2020.)，考虑客户的不同特征和能力从而确定不同工业用户在需求响应项目中的参与能力。浙江大学的学者们提出一种基于普通云模型和改进的密度峰值快速搜索聚类算法的典型负荷曲线识别方法(F.Lu et al.Electricity Load Profile Characterisation for Industrial UsersBased on Normal Cloud Model and iCFSFDP Algorithm[J].IEEE Transactions onPower Systems,2022.)，用于工业用户负荷特征的识别。上述数据驱动的工业负荷需求响应特性刻画研究所采用的方法基本是初步的和通用的，而较少考虑工业用户与居民用户不同的特点。此外，也有研究从工厂管理者的角度研究生产流水线的需求响应策略。韩国汉阳大学的学者们提出了一种基于状态任务网络(STN)和混合整数线性规划(MILP)的工业设施DR能量管理方案(Y.M.Ding,S.H.Hong and X.H.Li.ADemand Response EnergyManagement Scheme for Industrial Facilities in Smart Grid[J].IEEETransactions on Industrial Informatics,2014,10(4):2257-2269.)。这些研究说明，工业用户需求响应机理实际上就是由其管理者在面对不同的外部激励时，按照某种逻辑决定内部的生产安排，这种机理可以由一个优化问题来建模。