用户需求响应能力评估方法、系统、终端及介质

专利名称：用户需求响应能力评估方法、系统、终端及介质

专利类型：发明专利

专利申请号：CN202110788710.5

专利申请（专利权）人：国网浙江省电力有限公司电力科学研究院,上海交通大学
权利人地址：浙江省杭州市下城区朝晖八区

专利发明（设计）人：赵波,李志浩,林达,马瑜涵,郑若楠,李国杰,韩蓓

专利摘要：本发明提供了一种用户需求响应能力评估方法及系统，包括：对负荷分类建模，生成各类家庭柔性负荷的约束条件；基于生成的所述各类家庭柔性负荷的约束条件，综合考虑用户需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型；基于得到的所述智能家庭能量管理系统的全局约束模型，对用户需求响应能力进行评估。同时提供了一种对应的终端及介质。本发明能够在不同参与度水平下求解以减少家庭用电费用和净负荷功率波动为联合优化目标的日前调度模型；利用响应前后净负荷包络域期望量化评估用户响应能力。

主权利要求：
1.一种用户需求响应能力评估方法，其特征在于，包括：对负荷分类建模，生成各类家庭柔性负荷的约束条件；
基于生成的所述各类家庭柔性负荷的约束条件，综合考虑价格型和激励型需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型；
基于得到的所述智能家庭能量管理系统的全局约束模型，结合用户需求响应行为的不确定性对用户需求响应能力进行评估；
所述基于生成的所述各类家庭柔性负荷的约束条件，综合考虑价格型和激励型需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型，包括：利用全天净负荷方差计算负荷波动水平：
其中，Pg(t)为t时刻用户净负荷； 为全时段净负荷平均功率；Ffl为用户直接响应电网控制信号的激励型目标函数；
全天家庭用电成本函数为：
其中，p(t)为分时电价函数；Fpa为价格型需求响应目标函数；Δt为调度周期的时间间隔；
定义综合考虑激励型需求响应和价格型需求响应目标的联合目标函数minF为：minF＝(1‑ωDR)Fpa+ωDRFfl(29)其中，ωDR表示某用户的激励型需求响应参与度，为激励型需求响应目标的权重系数；
计及所述各类家庭柔性负荷的约束条件，设定功率平衡的全局约束为：sh sh
其中， 为t时刻的光伏预测功率；Pi (t)为第i个可转移负荷在t时段的功率，Pi 为int额定功率，其中t＝1,2,...,T；Pi (t)为第i个可中断负荷在t时刻的功率； 和 为EV在t时刻的充放电功率； 和 为ES在t时刻的充放电功率；
即得到所述智能家庭能量管理系统的全局约束模型；
所述基于得到的所述智能家庭能量管理系统的全局约束模型，结合用户需求响应行为的不确定性对用户需求响应能力进行评估，包括：对居民响应容量期望计算如下：
其中，ωDR,i表示某用户的激励型需求响应参与度，其中，i＝1,2,...,NDR，即，综合考虑激励型需求响应和价格型需求响应目标的联合目标函数minF的激励型目标权重系数；
bef
Pg (tj)为tj时刻该用户在基准用电情况下的净负荷功率，其中j＝1,2,...,Nt；tj取于需求aft响应调度期间内，Δt的优化时隙下有Nt个可取数值；Pg (tj,ωDR,i)为该用户在ωDR,i参与度下进行需求响应调度后在tj时刻的净负荷功率；p(ωDR,i＜ωDR≤ωDR,i+ΔωDR)表示该用户在参与度ωDR,i附近的响应概率，Δ ωDR为参与度间隔；NDR表示离散化后的参与度取值个数；
式中，求和项 表示需求响应调度期间内用户以ωDR,i的参与度参与响应的净负荷电量eDR，故υDR表示考虑了用户参与DR意愿的所有可能情况下单位时间内用户响应电能，即综合考虑响应时间和用户意愿不确定性概率的响应容量期望；
所述对负荷分类建模，生成各类家庭柔性负荷的约束条件，包括：将所述家庭柔性负荷分为可转移负荷、可中断负荷及刚性负荷；
设智能家庭能量管理系统中包括：Nsh个可转移负荷、Nint个可中断负荷和Ncon个刚性负荷，优化区间为1天，共分为T个时段，分别建立所述可转移负荷、可中断负荷及刚性负荷的约束条件。
2.根据权利要求1所述的用户需求响应能力评估方法，其特征在于，所述可转移负荷包括：运行时段可设置，但运行期间不可中断的负荷，其约束条件如下所示：其中， 和 分别为第i个可转移负荷的启动和停止时间，其中i＝1,2,...,Nsh，sh,start,max sh,start,min sh为运行时长；Ti 和Ti 为第i个可转移负荷启动时间上下限；Pi (t)为第i个sh可转移负荷在t时段的功率，其中t＝1,2,...,T，Pi 为额定功率；
所述可中断负荷包括：运行期间可多次启停的负荷，其约束条件如下所示：其中， 和 分别为第i个可中断负荷的第j个工作时段的启停时间，其中i＝1,int int,max int,min
2,...,Nint；Pi (t)为第i个可中断负荷在t时刻的功率，Pi 和Pi 分别为运行功率int,max int,min上下限；Wi 和Wi 为第i个可中断负荷在整个调度周期的总耗能上下限；Δt为调度周期的时间间隔；
所述可中断负荷还包括：通过间断地充放电参与DR调度的负荷，包括储能ES和电动汽车EV；其中：所述储能ES的约束条件如下所示：
es,min es es,max
E ≤E (t)≤E (16)es es
|E (T)‑E (1)|≤εES(17)其中， 和 为ES在t时刻的充放电功率； 和 为ES充放电功率上限； 和es es,max es,min
为ES的充放电效率；E (t)为ES在t时刻的荷电状态；E 和E 为ES荷电状态上下限；
εES表示调度时段末ES的荷电状态相对于初始时刻的允许变化范围；
所述电动汽车EV的约束条件如下所示：
ev,start,min ev,start ev,start,maxT ≤t ≤T (18)ev,end,min ev,end ev,end,maxT ≤t ≤T (19)ev,start ev,end
t ≤t (20)ev,min ev ev,max
E ≤E (t)≤E (16)ev ev,max
E (tl)≥αEVE (24)其中， 和 为EV在t时刻的充放电功率； 和 为EV充放电功率上限； 和ev ev,max ev,min
为EV的充放电效率；E (t)为EV在t时刻的荷电状态；E 和E 为EV荷电状态上下限；tl为EV离开住宅时间；αEV为根据用户需求设定的EV最小SOC目标系数；
所述刚性负荷包括：日常所需的家电设备，其约束条件如下所示：con con con,start con,endPi (t)＝Pi ,t∈[Ti ,Ti ](25)con con con,start
其中Pi (t)为第i台刚性负荷在t时刻的功率；其中i＝1,2,...,Ncon，Pi 、Ti 和con,endTi 分别为第i台刚性负荷的额定功率和根据用户历史用电情况获取的日前预测启停时间。
3.根据权利要求1或2中任一项所述的用户需求响应能力评估方法，其特征在于，所述对负荷分类建模，还包括：采用BP‑NN神经网络，对光伏发电设备进行光伏功率预测。
4.根据权利要求1所述的用户需求响应能力评估方法，其特征在于，所述ωDR取值在[0,
1]区间内，当ωDR为1时，表示智能家庭能量管理系统全力参与激励型需求响应，不考虑家庭用电费用节省情况；当ωDR为0时，表示该用户不参与激励型需求响应，智能家庭能量管理系统仅考虑降低家庭用户成本，无需满足网侧的负荷波动要求。
5.一种用户需求响应能力评估系统，其特征在于，包括：负荷建模模块：该模块对负荷分类建模，生成各类家庭柔性负荷的约束条件；
系统建模模块：该模块基于生成的所述各类家庭柔性负荷的约束条件，综合考虑价格型和激励型需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型；
响应能力评估模块：该模块基于得到的所述智能家庭能量管理系统的全局约束模型，结合用户需求响应行为的不确定性对用户需求响应能力进行评估；
所述基于生成的所述各类家庭柔性负荷的约束条件，综合考虑价格型和激励型需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型，包括：利用全天净负荷方差计算负荷波动水平：
其中，Pg(t)为t时刻用户净负荷； 为全时段净负荷平均功率；Ffl为用户直接响应电网控制信号的激励型目标函数；
全天家庭用电成本函数为：
其中，p(t)为分时电价函数；Fpa为价格型需求响应目标函数；Δt为调度周期的时间间隔；
定义综合考虑激励型需求响应和价格型需求响应目标的联合目标函数minF为：minF＝(1‑ωDR)Fpa+ωDRFfl(29)其中，ωDR表示某用户的激励型需求响应参与度，为激励型需求响应目标的权重系数；
计及所述各类家庭柔性负荷的约束条件，设定功率平衡的全局约束为：sh sh
其中， 为t时刻的光伏预测功率；Pi (t)为第i个可转移负荷在t时段的功率，Pi 为int额定功率，其中t＝1,2,...,T；Pi (t)为第i个可中断负荷在t时刻的功率； 和 为EV在t时刻的充放电功率； 和 为ES在t时刻的充放电功率；
即得到所述智能家庭能量管理系统的全局约束模型；
所述基于得到的所述智能家庭能量管理系统的全局约束模型，结合用户需求响应行为的不确定性对用户需求响应能力进行评估，包括：对居民响应容量期望计算如下：
其中，ωDR,i表示某用户的激励型需求响应参与度，其中i＝1,2,...,NDR，即，综合考虑激励型需求响应和价格型需求响应目标的联合目标函数minF的激励型目标权重系数；
bef
Pg (tj)为tj时刻该用户在基准用电情况下的净负荷功率，其中j＝1,2,...,Nt；tj取于需求aft响应调度期间内，Δt的优化时隙下有Nt个可取数值；Pg (tj,ωDR,i)为该用户在ωDR,i参与度下进行需求响应调度后在tj时刻的净负荷功率；p(ωDR,i＜ωDR≤ωDR,i+ΔωDR)表示该用户在参与度ωDR,i附近的响应概率，Δ ωDR为参与度间隔；NDR表示离散化后的参与度取值个数；
式中，求和项 表示需求响应调度期间内用户以ωDR,i的参与度参与响应的净负荷电量eDR，故υDR表示考虑了用户参与DR意愿的所有可能情况下单位时间内用户响应电能，即综合考虑响应时间和用户意愿不确定性概率的响应容量期望；
所述对负荷分类建模，生成各类家庭柔性负荷的约束条件，包括：将所述家庭柔性负荷分为可转移负荷、可中断负荷及刚性负荷；
设智能家庭能量管理系统中包括：Nsh个可转移负荷、Nint个可中断负荷和Ncon个刚性负荷，优化区间为1天，共分为T个时段，分别建立所述可转移负荷、可中断负荷及刚性负荷的约束条件。
6.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1‑4中任一项所述的方法，或，运行权利要求5所述的系统。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1‑4中任一项所述的方法，或，运行权利要求5所述的系统。 说明书 : 用户需求响应能力评估方法、系统、终端及介质技术领域[0001] 本发明涉及物联网技术领域，具体地，涉及一种基于需求响应参与度的用户需求响应能力评估方法、系统、终端及介质。背景技术[0002] 先进的智能测控与双向通信技术引导越来越多居民用户通过智能家庭能量管理系统(SHEMS)参与需求响应(DR)，然而用户参与度等不确定因素导致难以有效量化评估居民用户的需求响应能力。[0003] 经对现有技术的文献检索发现，李亚平等在《中国电机工程学报》(2017,37(19):5519‑5528,5829)上发表的“居民温控负荷聚合功率及响应潜力评估方法研究”，该文中提出利用某时刻可削减度等指标研究居民温控负荷响应潜力的分布特性；由某时刻响应后容量与基准容量之差占基准容量的比例构建聚合温控负荷的响应潜力指标，其不足在于：其分布参数依赖于温度调整量，对于其他类型负荷不适用，且未考虑价格型DR和激励型DR的潜力差异。[0004] 目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。发明内容[0005] 本发明针对现有技术中存在的上述不足，提供了一种基于需求响应参与度的用户需求响应能力评估方法、系统、终端及介质。[0006] 根据本发明的一个方面，提供了一种用户需求响应能力评估方法，包括：[0007] 对负荷分类建模，生成各类家庭柔性负荷的约束条件；[0008] 基于生成的所述各类家庭柔性负荷的约束条件，综合考虑价格型和激励型需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型；[0009] 基于得到的所述智能家庭能量管理系统的全局约束模型，结合用户需求响应行为的不确定性对用户需求响应能力进行评估。[0010] 优选地，所述对负荷分类建模，生成各类家庭柔性负荷的约束条件，包括：[0011] 将所述家庭柔性负荷分为可转移负荷、可中断负荷及刚性负荷；[0012] 设智能家庭能量管理系统中包括：Nsh个可转移负荷、Nint个可中断负荷和Ncon个刚性负荷，优化区间为1天，共分为T个时段，分别建立所述可转移负荷、可中断负荷及刚性负荷的约束条件。[0013] 优选地，所述可转移负荷包括：运行时段可设置，但运行期间不可中断的负荷，其约束条件如下所示：[0014][0015][0016][0017][0018] 其中， 和 分别为第i(i＝1,2,...,Nsh)个可转移负荷的启动和停止时间，sh,start,max sh,start,min sh为运行时长；Ti 和Ti 为第i个可转移负荷启动时间上下限；Pi (t)为第i个sh可转移负荷在t(t＝1,2,...,T)时段的功率，Pi 为额定功率。[0019] 优选地，所述可中断负荷包括：运行期间可多次启停的负荷，其约束条件如下所示：[0020][0021][0022][0023][0024][0025][0026][0027] 其中， 和 分别为第i(i＝1,2,...,Nint)个可中断负荷的第j个工作时段的int int,max int,min启停时间；Pi (t)为第i个可中断负荷在t时刻的功率，Pi 和Pi 分别为运行功率上int,max int,min下限；Wi 和Wi 为第i个可中断负荷在整个调度周期的总耗能上下限；Δt为调度周期的时间间隔。[0028] 优选地，所述可中断负荷还包括：通过间断地充放电参与DR调度的负荷，包括储能(ES)和电动汽车(EV)；其中：[0029] 所述ES的约束条件如下所示：[0030][0031][0032][0033][0034] Ees,min≤Ees(t)≤Ees,max(16)[0035] |Ees(T)‑Ees(1)|≤εES(17)[0036] 其中， 和 为ES在t时刻的充放电功率； 和 为ES充放电功率上限；es es,max es,min和 为ES的充放电效率；E (t)为ES在t时刻的荷电状态；E 和E 为ES荷电状态上下限；εES表示调度时段末ES的荷电状态相对于初始时刻的允许变化范围。[0037] 所述EV的约束条件如下所示：[0038] Tev,start,min≤tev,start≤Tev,start,max(18)[0039] Tev,end,min≤tev,end≤Tev,end,max(19)[0040] tev,start≤tev,end(20)[0041][0042][0043][0044][0045] Eev,min≤Eev(t)≤Eev,max(16)[0046] Eev(tl)≥αEVEev,max(24)[0047] 其中， 和 为EV在t时刻的充放电功率； 和 为EV充放电功率上ev ev,max ev,min限； 和 为EV的充放电效率；E (t)为EV在t时刻的荷电状态；E 和E 为EV荷电状态上下限；tl为EV离开住宅时间；αEV为根据用户需求设定的EV最小SOC目标系数。[0048] 优选地，所述刚性负荷包括：日常所需的家电设备，其约束条件如下所示：[0049] Picon(t)＝Picon,t∈[Ticon,start,Ticon,end](25)[0050][0051] 其中Picon(t)为第i(i＝1,2,...,Ncon)台刚性负荷在t时刻的功率；Picon、Ticon,startcon,end和Ti 分别为第i台刚性负荷的额定功率和根据用户历史用电情况获取的日前预测启停时间。[0052] 优选地，所述对负荷分类建模，还包括：[0053] 采用BP‑NN神经网络，对光伏发电设备进行光伏功率预测。[0054] 优选地，基于生成的所述各类家庭柔性负荷的约束条件，综合考虑价格型和激励型用户需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型，包括：[0055] 利用全天净负荷方差计算负荷波动水平：[0056][0057] 其中，Pg(t)为t时刻用户净负荷； 为全时段净负荷平均功率；Ffl为用户直接响应电网控制信号的激励型目标函数；[0058] 全天家庭用电成本函数为：[0059][0060] 其中，p(t)为分时电价函数；Fpa为价格型需求响应目标函数；[0061] 定义综合考虑激励型需求响应和价格型需求响应目标的联合目标函数minF为：[0062] minF＝(1‑ωDR)Fpa+ωDRFfl(29)[0063] 其中，ωDR表示某用户的激励型需求响应参与度，为激励型需求响应目标的权重系数；[0064] 计及所述各类家庭柔性负荷的约束条件，设定功率平衡的全局约束为：[0065][0066] 其中， 为t时刻的光伏预测功率；[0067] 即得到所述智能家庭能量管理系统的全局约束模型。[0068] 优选地，所述ωDR取值在[0,1]区间内，当ωDR为1时，表示智能家庭能量管理系统全力参与激励型需求响应，不考虑家庭用电费用节省情况；当ωDR为0时，表示该用户不参与激励型需求响应，智能家庭能量管理系统仅考虑降低家庭用户成本，无需满足网侧的负荷波动要求。[0069] 优选地，所述基于得到的所述智能家庭能量管理系统的全局约束模型，结合用户需求响应行为的不确定性对用户需求响应能力进行评估，包括：[0070] 对居民响应容量期望计算如下：[0071][0072] 其中，ωDR,i(i＝1,2,...,NDR)表示某用户的激励型需求响应参与度，即，综合考虑激励型需求响应和价格型需求响应目标的联合目标函数minF的激励型目标权重系数；为tj(j＝1,2,...,Nt)时刻该用户在基准用电情况下的净负荷功率；tj取于需求响应调度期间内，Δt的优化时隙下有Nt个可取数值； 为该用户在ωDR,i参与度下进行需求响应调度后在tj时刻的净负荷功率；p(ωDR,i＜ωDR≤ωDR,i+Δ ωDR)表示该用户在参与度ωDR,i附近的响应概率，ΔωDR为参与度间隔；NDR表示离散化后的参与度取值个数；[0073] 式中，求和项 表示需求响应调度期间内用户以ωDR,i的参与度参与响应的净负荷电量eDR，故υDR表示考虑了用户参与DR意愿的所有可能情况下单位时间内用户响应电能，即综合考虑响应时间和用户意愿不确定性概率的响应容量期望。[0074] 优选地，所述对用户需求响应能力进行评估，还包括：[0075] 当存在新的不确定性因素时，将所述新的不确定因素作为新随机变量规范化到[0,1]区间内，进而类比式(31)对居民响应容量期望计算，对参与度ωDR的处理推广到在高维空间中的计算。[0076] 根据本发明的另一个方面，提供了一种用户需求响应能力评估系统，包括：[0077] 负荷建模模块：该模块对负荷分类建模，生成各类家庭柔性负荷的约束条件；[0078] 系统建模模块：该模块基于生成的所述各类家庭柔性负荷的约束条件，综合考虑用户需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型；[0079] 响应能力评估模块：该模块基于得到的所述智能家庭能量管理系统的全局约束模型，对用户需求响应能力进行评估。[0080] 根据本发明的第三个方面，提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行上述任一项所述的方法，或，运行上述的系统。[0081] 根据本发明的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行上述任一项所述的方法，或，运行上述的系统。[0082] 由于采用了上述技术方案，本发明与现有技术相比，具有如下至少一项的有益效果：[0083] 本发明提供的用户需求响应能力评估方法、系统、终端及介质，基于用户需求响应参与度，建立了复杂用电环境下的混合整数负荷模型，并综合考虑基于分时电价的价格型需求响应(DR)和用户协议的激励型需求响应(DR)，能够在不同参与度水平下求解以减少家庭用电费用和净负荷功率波动为联合优化目标的日前调度模型。[0084] 本发明提供的用户需求响应能力评估方法、系统、终端及介质，提出以用户参与度、响应时间等多重影响因素与净负荷功率变量构建高维参数空间，利用响应前后净负荷包络域期望量化评估用户响应能力。[0085] 通过仿真实验，验证了本发明提供的用户需求响应能力评估方法、系统、终端及介质的有效性。附图说明[0086] 通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：[0087] 图1为本发明一实施例提供的用户需求响应能力评估方法流程图。[0088] 图2为本发明一优选实施例中智能家庭能量管理系统结构示意图。[0089] 图3为本发明一优选实施例中需求响应目标示意图。[0090] 图4为本发明一具体应用实例中不同ωDR下家庭负荷最优调度结果示意图；其中，(a)为未经过优化；(b)为只考虑家庭经济目标(ωDR＝0)；(c)为兼顾家庭经济目标与负荷波动平抑激励响应目标(ωDR＝0.5)；(d)为只考虑负荷波动平抑激励响应目标(ωDR＝1)。[0091] 图5为本发明一具体应用实例中不同ωDR下的家庭净负荷方差示意图。[0092] 图6为本发明一具体应用实例中不同ωDR下的家庭净负荷方差示意图。[0093] 图7为本发明一具体应用实例中不同 下的响应容量期望 和家庭净负荷期望示意图；其中，(a)为响应容量期望 示意图，(b)为家庭净负荷期望 示意图。[0094] 图8为本发明一实施例提供的用户需求响应能力评估系统组成模块示意图。具体实施方式[0095] 下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。[0096] 图1为本发明一实施例提供的用户需求响应能力评估方法流程图。[0097] 如图1所示，该实施例提供的用户需求响应能力评估方法，可以包括如下步骤：[0098] S100，对负荷分类建模，生成各类家庭柔性负荷的约束条件；[0099] S200，基于生成的所述各类家庭柔性负荷的约束条件，综合考虑价格型和激励型需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型；[0100] S300，基于得到的所述智能家庭能量管理系统的全局约束模型，结合用户需求响应行为的不确定性对用户需求响应能力进行评估。[0101] 下面结合附图，对本发明上述实施例的优选实施例进一步描述如下。[0102] S100：复杂用电环境下的负荷分类建模：对负荷分类建模，生成各类家庭柔性负荷的约束条件。[0103] 家庭能量管理系统(HomeEnergyManagementSystem,HEMS)管控的智能住宅可支持配备储能(EnergyStorage,ES)、电动汽车及其他可参与需求响应(DemandResponse,DR)的多种灵活性设备，其工作原理如图2所示。在通信系统提供家庭负荷需求、光伏发电量及市场电价等信息的基础上，嵌入式系统执行考虑DR的能量管理算法，进而生成各类家庭柔性负荷的最优运行方案。[0104] 根据用电特征与灵活性程度将家用负荷分为可转移负荷、可中断负荷及刚性负荷三类。假设系统中有Nsh个可转移负荷，Nint个可中断负荷和Ncon个刚性负荷。优化区间为1天，共分为T个时段。[0105] 1)可转移负荷(ShiftableLoad,SL)：运行时段具有一定灵活性，但运行期间不可中断。常见的SL有洗衣机、洗碗机、电饭煲等。其遵循如下约束：[0106][0107][0108][0109][0110] 其中， 和 分别为第i(i＝1,2,...,Nsh)个可转移负荷的启动和停止时间，sh,start,max sh,start,min sh为运行时长；Ti 和Ti 为第i个可转移负荷启动时间上下限；Pi (t)为第i个sh可转移负荷在t(t＝1,2,...,T)时段的功率，Pi 为额定功率。[0111] 2)可中断负荷(InterruptibleLoad，IL)：如EV、ES和热水器等，具有运行期间可多次启停的特点。一般可中断负荷满足如下约束：[0112][0113][0114][0115][0116][0117][0118][0119] 其中， 和 分别为第i(i＝1,2,...,Nint)个可中断负荷的第j个工作时段的int int,max int,min启停时间；Pi (t)为第i个可中断负荷在t时刻的功率，Pi 和Pi 分别为运行功率上int,max int,min下限；Wi 和Wi 为第i个可中断负荷在整个调度周期的总耗能上下限；Δt为调度周期的时间间隔。[0120] 电池类IL(即储能(ES)、电动汽车(EV)等具有蓄电池特性的负荷)可通过间断地充放电参与DR调度。ES的负荷模型如下：[0121][0122][0123][0124][0125] Ees,min≤Ees(t)≤Ees,max(16)[0126] |Ees(T)‑Ees(1)|≤εES(17)[0127] 其中， 和 为ES在t时刻的充放电功率； 和 为ES充放电功率上限；es es,max es,min和 为ES的充放电效率；E (t)为ES在t时刻的荷电状态；E 和E 为ES荷电状态上下限；εES表示调度时段末ES的荷电状态相对于初始时刻的允许变化范围。[0128] EV的负荷模型与ES相似，区别在于：EV的接入时间和离开时间符合用户行为习惯，应满足一定约束；EV在离开时的最小荷电状态应能够保证合理的出行距离。因此，EV模型如下：[0129] Tev,start,min≤tev,start≤Tev,start,max(18)[0130] Tev,end,min≤tev,end≤Tev,end,max(19)[0131] tev,start≤tev,end(20)[0132][0133][0134][0135][0136] Eev,min≤Eev(t)≤Eev,max(16)[0137] Eev(tl)≥αEVEev,max(24)[0138] 其中， 和 为EV在t时刻的充放电功率； 和 为EV充放电功率上限；ev ev,max ev,min和 为EV的充放电效率；E (t)为EV在t时刻的荷电状态；E 和E 为EV荷电状态上下限；tl为EV离开住宅时间；αEV为根据用户需求设定的EV最小SOC目标系数。[0139] 3)刚性负荷(RigidLoad,RL)：如照明系统、电冰箱等。此类负荷的模型如下：[0140] Picon(t)＝Picon,t∈[Ticon,start,Ticon,end](25)[0141][0142] 其中Picon(t)为第i(i＝1,2,...,Ncon)台刚性负荷在t时刻的功率；Picon、Ticon,startcon,end和Ti 分别为第i台刚性负荷的额定功率和根据用户历史用电情况获取的日前预测启停时间。[0143] 本优选实施例仅考虑优化负荷侧资源，将光伏发电设备视为不可控设备，利用其发电功率的日前预测值参与DR优化调度计算。考虑到神经网络具有良好的非线性表达能力及容错性能，本优选实施例采用BP‑NN神经网络进行光伏功率预测。[0144] S200：考虑用户需求响应不确定性的智能家庭能量优化建模：基于生成的所述各类家庭柔性负荷的约束条件，综合考虑价格型和激励型需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型。[0145] 其中，价格型需求响应是指：用户根据收到的价格信号，包括分时电价、实时电价和尖峰电价等，相应地调整电力需求，其措施主要是在高峰数段适当提高电价，在低谷时期适当降低电价，降低负荷峰谷差，改善用户用电，达到削峰填谷的作用；激励型需求响应是指：DR实施机构根据电力系统供需状况制定相应政策，用户在系统需要或电力紧张时减少电力需求，以此获得直接补偿或其他时段的优惠电价，包括直接负荷控制、可中断负荷、需求侧竞价、紧急需求响应、容量市场项目和辅助服务项目等。[0146] 居民用户可以通过HEMS终端实时参与DR项目。激励型DR在事件发生时电力公司向用户直接发送控制信号，以达到特定的DR目标。而价格型DR则通过价格信号引导用户自行调整用电行为。本优选实施例将以上两种DR都考虑到HEMS目标中。本优选实施例提供的用户需求响应能力评估方法，其需求响应优化调度的主要目标有四种：削峰、填谷、负荷转移和柔性负荷重塑，如图3所示。[0147] 下面主要针对负荷转移与柔性负荷重塑为目标，对智能家庭能量管理系统进行优化建模。[0148] 图中第四种目标旨在对负荷曲线塑形，例如最小化用户侧负荷波动。本优选实施例利用全天净负荷方差计算负荷波动水平：[0149][0150] 其中，Pg(t)为t时刻用户净负荷； 为全时段净负荷平均功率。Ffl为用户直接响应电网控制信号的激励型目标函数。[0151] 从居民用户角度而言，HEMS以经济节能为主要目标。全天家庭用电成本函数为：[0152][0153] 其中，p(t)为分时电价函数。Fpa为价格型DR目标函数。运营商通常根据合同周期内用户实际响应容量和频度折算激励响应补贴，因此参与者的激励型DR收益存在延迟，在计算全天用电费用时不考虑用户参与激励响应的额外收益。[0154] 定义综合考虑两种目标的联合目标函数为：[0155] minF＝(1‑ωDR)Fpa+ωDRFfl(29)[0156] 其中，ωDR表示某用户的激励型需求响应参与度，为激励型DR目标的权重系数。由于存在激励水平等模糊性因素和用户心理等随机性因素，不同用户参与激励响应的意愿差异较大。因此，设置ωDR以表示用户参与度，以研究不同家庭在能量优化配置过程中参与激励型DR的不确定性对其响应能力的影响。ωDR取值在[0,1]区间内，为1时表示智能家庭能量管理系统全力参与激励响应，不考虑家庭用电费用节省情况；为0时表示该用户不参与激励型DR，仅考虑降低家庭用户成本，无需满足网侧的负荷波动要求。[0157] 计及不同灵活性特征的设备约束参考式(1)～(26)。此外，系统应满足功率平衡的全局约束：[0158][0159] 其中， 为t时刻的光伏预测功率。[0160] S300：基于参数空间包络域期望的响应能力评估:基于得到的所述智能家庭能量管理系统的全局约束模型，对用户需求响应能力进行评估。[0161] 目前需求响应能力评估方法通常忽略用户参与意愿的不确定性，或将不确定因素用置信区间与区间数表示。本优选实施例考虑将居民用户参与激励型DR的随机性概率通过积分量化表示居民响应容量期望，用于评估指标的构建。所提计及居民用户意愿不确定性的响应容量期望可如下计算：[0162][0163] 其中，ωDR,i(i＝1,2,...,NDR)表示某用户的激励型DR参与度，在所提SHEMS中可视为与式(29)中含义相同； 为tj(j＝1,2,...,Nt)时刻该用户在基准用电情况下的净负荷功率，tj取于DR调度期间内，Δt的优化时隙下有Nt个可取数值。 为该用户在ωDR,i参与度下进行DR调度后在tj时刻的净负荷功率；p(ωDR,i＜ωDR≤ωDR,i+Δ ωDR)表示该用户在参与度ωDR,i附近的响应概率，ΔωDR为参与度间隔；NDR表示离散化后的参与度取值个数。[0164] 式中的求和项 表示DR调度期间内用户以ωDR,i的参与度参与响应的净负荷电量eDR，故υDR表示考虑了用户参与DR意愿的所有可能情况下单位时间内用户响应电能，即综合考虑响应时间和用户意愿不确定性概率的响应容量期望。利用响应前后净负荷差的绝对值反映响应负荷改变量，对于图3中所有类型的DR策略都能适用。当用户受到外界其他不确定因素影响时，式(25)计算出的响应能力随之变化。若在评估时需要考虑光伏出力等新的不确定性因素时，可将考虑的新随机变量规范化到[0,1]区间内，进而类比式(31)对参与度ωDR的处理推广到在高维空间中进行计算。[0165] 下面结合一具体应用实例，对本发明上述实施例提供的技术方案进一步说明如下。[0166] 本具体应用实例的智能家庭能量管理系统中考虑的设备包括：1)SA：洗衣机、洗碗机、烘干机、电饭煲和微波炉；2)IA：热水器、电动汽车和储能电池；3)BA：电冰箱和灯。各设[28]备参数 如表1～3所示。设置调度周期从次日0:00到24:00。将一日分为48个时段，则Δt＝0.5h。分时电价的定义参考周磊等在《电网技术》(2015,39(2):367‑374)上发表的“分时电价环境下基于家居能量管理系统的家居负荷建模与优化运行”。该具体应用实例的仿真平台为MATLABR2020a，从YALMIP工具箱调用GUROBI优化求解器进行求解。[0167] 表1可转移设备[0168][0169] 表2可中断设备[0170][0171] 表3基本设备[0172][0173] 首先分析了用户参与度系数ωDR对优化结果的影响。图4中(a)、(b)、(c)和(d)给出了优化前和优化后ωDR在三种特殊取值场景下家庭负荷的最优调度结果，其中，(a)为未经过优化；(b)为只考虑家庭经济目标(ωDR＝0)；(c)为兼顾家庭经济目标与负荷波动平抑激励响应目标(ωDR＝0.5)；(d)为只考虑负荷波动平抑激励响应目标(ωDR＝1)。[0174] SHEMS应尽可能做到源荷功率匹配，实现分布式光伏出力的最大就地消纳，在保证用户用电舒适度(可运行时间范围)的前提下实现平抑负荷波动的DR目标。由图4中(a)～(d)可以看出，未优化场景和只考虑经济目标的优化场景中负荷的分布表现为分散无序的状态，规律性较弱。而当引入DR目标后，所提SHEMS能够通过有效调度ESS和其他柔性负荷完成DR周期内的负荷重塑，解决分布式光伏出力的最大就地消纳问题。结果表明，所提SHEMS具有一定有效性，在一定的参数设置下(ωDR＞0)能够有效重塑居民柔性负荷以配合上级电网DR策略，达到理想的效果。[0175] 调度日全天净负荷方差随ωDR的变化如图5所示。其中ωDR∈[0,1]，ΔωDR＝0.1。可以看出，相较于ωDR≠0时的所有优化结果，未经优化的净负荷功率曲线波动偏大，这说明只要引入功率波动抑制的目标，所提SHEMS模型在优化功率曲线形状方面的效果良好。而当ωDR＝0时不考虑平抑功率波动的目标，因此净负荷功率波动明显更加剧烈。基于对图5的分析，得到如下结论：随着ωDR(ωDR＞0)逐渐增大，全天净负荷方差几乎呈指数衰减趋势，通过柔性负荷重塑降低净负荷功率波动的效果迅速变好。[0176] 调度日全天用电费用随ωDR变化如图6所示。图中正值表示用电支出大于发电收益。显然，未经优化的家庭用电成本最高，而优化后用电费用随ωDR减小而减少，证明了所提SHEMS模型有效性。[0177] 假设用户参与度 参与度均值 反映了用户中心意向， 高说明用户参与DR的意愿通常较强，反之越弱。参与度标准差δDR反映了用户参与度弹性，δDR越高说明用户参与响应行为的不确定性越强；δDR越低则用户参与DR的行为模式越固定。为验证所提响应能力评估方法的合理性与有效性，本具体应用实例的对比实验条件设置如下：1)δDR取0.05， 分别取0.2、0.4、0.6和0.8(场景a、b、c、d)，观察四种不同中心意向下的用户响应能力。2) 取0.3，δDR分别取0.03、0.05、0.08和0.13(场景a、b、c、d)，观察当用户参与DR的中心意向较弱时，四种不同参与度弹性下的用户响应能力。3) 取0.7，δDR分别取0.03、0.05、0.08和0.13(场景a、b、c、d)，观察当用户参与DR的中心意向较强时，四种不同参与度弹性下的用户响应能力。[0178] 利用式(25)计算DR期间内用户的响应平均容量期望υDR，其中Δt取0.5h，ΔωDR取0.1。三组实验的对比结果如表4所示。[0179] 表4不同场景下的υDR[0180][0181] 从表4的第1组实验数据可以看出，随着用户的平均参与度水平 提升，υDR逐渐增大。 每提升0.2，响应容量期望分别增加0.0588、0.0266和0.014。由此可见，居民用户参与DR的中心意向对υDR的影响是非线性的，随着 线性增大，υDR的增加量几乎呈指数衰减。这与对图5分析的结论相符，说明量化指标υDR能够反映用户实际响应能力。表中第2组实验结果显示，当用户的平均参与度较低时，随着参与度弹性增大，期望响应容量先减后增。这说明当用户中心意向较低时，若用户行为模式的灵活性较强，其响应能力可能有所改善。而第3组实验数据显示，若用户中心意向较高，其参与度弹性越小则响应能力越强。这表明对于通常情况下更愿意参与响应的用户，行为模式越固定则响应效果越好。此外，从第3组数据还可以看出，随着参与度弹性迅速增长，υDR的变化逐渐趋于平缓。这说明用户行为离散化程度越大，其响应能力对参与度弹性的敏感度越弱，反之则敏感度越强。[0182] 为了进一步验证所提响应能力量化方法在评估持续性DR事件时的合理性与有效性，计算每个时间断面上的响应容量期望 和家庭净负荷期望 以对比表4和实际达到的响应效果吻合程度。随 变化的 与 分别如图7中(a)和(b)所示。[0183] 由图7中(a)可以看出，0～20、25～35、45～48三个时段内平均参与度水平较高的用户响应容量较大，而其余时段则随参与度水平升高响应容量有所降低；图7中(b)反映出的规律是：随着平均参与度水平提高，全时段下用户实际达到的DR效果越来越好。因此，对于负荷转移或重塑类型的持续性DR事件，在某一时刻下的响应容量不能代表整个响应周期内用户达到的响应效果，仅采用某一时间断面的响应容量期望评估响应能力不具备参考意义。而表4数据显示所提υDR随 的变化规律与实际达到的响应效果一致。由此可见，所提响应能力量化方法具有一定合理性与有效性。[0184] 通过该具体应用实例可知，HEMS的合理设计和评估能够提高居民用户参与需求响应的潜力，为源‑网‑荷协同互动技术提供有力支撑。本实施例提供的用户需求响应能力评估方法，在含有光伏、储能、电动汽车和各种柔性家用设备的复杂用电环境下，建立了考虑价格型和激励型需求响应的参与度自主决策优化调度模型，由于考虑了用户响应意愿差异而更具普适性。考虑到用户响应行为的不确定性，本实施例提出了基于参数空间包络域期望的需求响应能力量化评估方法，结合多种不同意愿度分布的家庭案例说明了其合理性与有效性。所提响应能力量化方法和评估指标具有较强的可推演性，当在评估过程中需要考虑新的不确定性因素时可参考本实施例对用户参与度随机变量的处理，类比推演到高维空间中分析。[0185] 图8为本发明一实施例提供的用户需求响应能力评估系统组成模块示意图。[0186] 如图8所示，该实施例提供的本发明一实施例提供的用户需求响应能力评估系统，可以包括：负荷建模模块、系统建模模块以及响应能力评估模块。其中：[0187] 负荷建模模块：该模块对负荷分类建模，生成各类家庭柔性负荷的约束条件；[0188] 系统建模模块：该模块基于生成的所述各类家庭柔性负荷的约束条件，综合考虑用户需求响应，对智能家庭能量优化建模，得到智能家庭能量管理系统的全局约束模型；[0189] 响应能力评估模块：该模块基于得到的所述智能家庭能量管理系统的全局约束模型，对用户需求响应能力进行评估。[0190] 本发明一实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行本发明上述实施例中任一项所述的方法，或，运行本发明上述实施例中的系统。[0191] 可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random‑accessmemory，缩写：RAM)，如静态随机存取存储器(英文：staticrandom‑accessmemory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：DoubleDataRateSynchronousDynamicRandomAccessMemory，缩写：DDRSDRAM)等；存储器也可以包括非易失性存储器(英文：non‑volatilememory)，例如快闪存储器(英文：flashmemory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。[0192] 上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。[0193] 处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。[0194] 处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。[0195] 本发明一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可用于执行本发明上述实施例中任一项所述的方法，或，运行本发明上述实施例中的系统。[0196] 本发明上述实施例提供的用户需求响应能力评估方法、系统、终端及介质，基于用户需求响应参与度，建立了复杂用电环境下的混合整数负荷模型，并综合考虑基于分时电价的价格型需求响应(DR)和用户协议的激励型需求响应(DR)，能够在不同参与度水平下求解以减少家庭用电费用和净负荷功率波动为联合优化目标的日前调度模型；提出以用户参与度、响应时间等多重影响因素与净负荷功率变量构建高维参数空间，利用响应前后净负荷包络域期望量化评估用户响应能力。通过仿真实验，验证了本发明上述实施例提供的用户需求响应能力评估方法、系统、终端及介质的有效性。[0197] 以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

专利地区：浙江

专利申请日期：2021-07-13

专利公开日期：2024-07-26

专利公告号：CN113610351B