基于需求侧负荷调峰潜力参数预测的聚合负荷调度方法

本发明属于电力系统、智能电网技术领域的一种聚合负荷调度方法，具体涉及了一种基于需求侧负荷调峰潜力参数预测的聚合负荷调度方法。

背景技术：

电网负荷的峰谷差逐年增加，尤其是一些季节性、周期性的高功率需求，很可能导致电力供应短缺，使电力系统的稳定性受到威胁。随着信息与通信技术的发展，电力系统“源网荷”各环节交互更加深入，需求侧响应在电力系统运行与控制过程中发挥越来越大的作用。经过聚合的需求侧灵活负荷可以为电力系统提供调峰服务，其核心在于灵活负荷可自发或受控地调节自身功率，以满足电力系统运行需求。

需求侧负荷通过需求响应参与电力系统调峰等辅助措施，前提之一是较为精确地确定其负荷基线。目前测定负荷基线常用的方法有平均法、回归法和数据挖掘法等，这些各有优势，同时也存在短板，故采用几种方法的组合可以使其发挥互补优势，克服缺点。在负荷基线确定后，则负荷的调峰潜力参数容易求得。调峰潜力参数即可削减的负荷的最大值。

技术实现要素：

本发明的目的是提供一种基于需求侧负荷调峰潜力参数预测的聚合负荷调度方法，该方法充分挖掘并利用历史气温和用户用电数据，采用一种融合了日最高温度因素的改进平均法求取高精度基线负荷曲线，进而准确评估聚合负荷的调峰潜力参数。

为实现上述目的，本发明采用的技术方案是：

本发明包括以下步骤：

步骤1：根据夏季天气预报中的历史日最高温度数据，选择m天中日最高温度最低的n天；

步骤2：计算n天的日负荷曲线的平均值并作为当前m天的基线负荷曲线；

步骤3：将每日的日负荷曲线减去当前m天的基线负荷曲线，获得当前日的聚合负荷的可调节功率变化曲线；

步骤4：取当前日的聚合负荷的可调节功率变化曲线的最大值并作为当前日的调峰潜力参数，计算当前m天的调峰潜力参数；

步骤5：根据当前m天的调峰潜力参数与对应的历史日最高温度数据，利用最小二乘法进行拟合获得日最高温度-调峰潜力参数曲线；

步骤6：根据未来日期里天气预报的预测日最高温度，利用日最高温度-调峰潜力参数曲线进行计算，获得对应的预测调峰潜力参数，利用预测调峰潜力参数实现电网调度服务器调用聚合负荷。

所述步骤2中当前m天的基线负荷曲线通过以下公式进行设置：

其中，loadbase为基线负荷曲线，loadi为所选日最高温度最低的n天中第i天的日负荷曲线，s为所选日最高温度最低的n天的集合。

所述步骤3中当前日的聚合负荷的可调节功率变化曲线通过以下公式进行设置：

δloadj＝loadj-loadbase

其中，δloadj为第j天聚合负荷的可调节功率变化曲线；loadj为第j天的日负荷曲线，j为当前m天中去除日最高温度最低的n天后的剩余天的序号。

所述步骤4中当前日的调峰潜力参数通过以下公式进行设置：

其中，δloadj,k为第j天第k个测量点负荷的可调节功率，k＝1,2,3…,96；为第j天的调峰潜力参数。

所述步骤5中日最高温度-调峰潜力参数曲线通过以下公式进行设置：

δload^max＝f(t)

其中，t为当前日的最高温度，f()表示日最高温度-调峰潜力参数曲线，δload^max表示调峰潜力参数，f(t)j表示第j天最高温度代入日最高温度-调峰潜力参数曲线所得到的调峰潜力参数，m表示散点数，满足m＝m-n。

所述步骤6中预测调峰潜力参数通过以下公式进行设置：

其中，tx为x日的预测日最高温度，f(tx)表示预测日最高＝温度代入日最高温度-调峰潜力参数曲线所得到的预测调峰潜力参数，表示x日的预测调峰潜力参数。

本发明的有益效果为：

本发明采用一种融合了日最高温度因素的改进平均法用于求取基线负荷曲线，获得的基线负荷曲线精度较高，解决了采用当前根据所有数据进行负荷基线的预测导致的基线偏高问题。

相比传统的发电侧机组参与调峰，本发明中需求侧灵活负荷响应更加快速、精确，平抑电力系统功率峰谷，促进新能源消纳，确保电力系统安全稳定运行。

附图说明

图1是确定日最高温度最低的n天的基线负荷曲线的示意图。

图2是本发明的方法流程示意图。

图3是实施例中最高气温最低的5天日负荷曲线与计算得到的基线负荷曲线图。

图4是实施例中第4日灵活负荷可调潜力曲线图。

图5是实施例中第5日灵活负荷可调潜力曲线图。

图6是实施例中第6日灵活负荷可调潜力曲线图。

图7是实施例中拟合所得日最高气温-调峰潜力参数的关系图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

如图2所示，本发明包括以下步骤：

步骤1：根据夏季天气预报中的历史日最高温度数据，选择m天中日最高温度最低的n天；夏季是指6-9月。具体实施中，m天为30天，n天为5天。根据某地2019年9月份1174户用户负荷数据计算，选取9月1日，2日，3日，20日，21日5个日最高温度最低日。

步骤2：如图1所示，计算n天的日负荷曲线的平均值并作为当前m天的基线负荷曲线；即当前月的聚合负荷刚性功率变化曲线，如图3所示。

当前m天的基线负荷曲线通过以下公式进行设置：

其中，loadbase为基线负荷曲线，loadi为所选日最高温度最低的n天中第i天的日负荷曲线，s为所选日最高温度最低的n天的集合。

对于居民及商业用户而言，在工作日与节假日的负荷曲线差异较大，因此s又可具体分为四个集合s1、s2、s3和s4，s1为所选日最高温度最低的n天的居民用户工作日的集合，s2为所选日最高温度最低的n天的居民用户节假日的集合，s3为所选日最高温度最低的n天商业用户工作日的集合，s4为所选日最高温度最低的n天的商业用户节假日的集合，均通过以下公式进行计算：

其中，表示第l个集合的基线负荷曲线，sl表示集合s1、s2、s3或s4，loadl表示在集合sl下所选日最高温度最低的n天中第l天的日负荷曲线，l表示集合sl的序号，l＝1、2、3、4。

在夏季，认为基线负荷为不受日最高温度变化的影响或受影响但极小的负荷，无调峰潜力参数。因此为了提高负荷基线的预测精度，本方法结合温度数据，采用融合了日最高温度因素的改进平均法，选取日最高气温最低的n天计算，解决了采用当前根据所有数据进行负荷基线的预测导致的基线偏高问题。

步骤3：将每日的日负荷曲线减去当前m天的基线负荷曲线，获得当前日的聚合负荷的可调节功率变化曲线；以4、5、6日为例，进行计算聚合负荷的可调节功率变化曲线，所得结果如图4、图5、图6所示。

当前日的聚合负荷的可调节功率变化曲线通过以下公式进行设置：

δloadj＝loadj-loadbase

其中，δloadj为第j天聚合负荷的可调节功率变化曲线；loadj为第j天的日负荷曲线，j为当前m天中去除日最高温度最低的n天后的剩余天的序号。

步骤4：取当前日的聚合负荷的可调节功率变化曲线的最大值并作为当前日的调峰潜力参数，计算当前m天的调峰潜力参数；由图可知，9月4日至9月6日分别为445.8194kw、446.7953kw、485.9045kw。同样，通过该方法也可以得到聚合负荷在9月其余工作日下的调峰潜力参数，如表1所示。

当前日的调峰潜力参数通过以下公式进行设置：

其中，δloadj,k为第j天第k个测量点聚合负荷的可调节功率，由于每15分钟一个测量点，一天内共测量得到96个点，故k取值范围为1～96，即k＝1,2,3…,96；为第j天的调峰潜力参数。

表1

由以上数据可以看出，当日最高温度低于26℃时，聚合负荷的调峰潜力参数较小，且波动不规律。当日最高温度高于26℃时，聚合负荷的调峰潜力参数总体上与日最高温度呈正相关。因此，可以认为在夏季高温环境下，当日最高温度高于26℃时充分具备调峰潜力参数，日最高温度低于26℃时，调峰潜力参数不良，故不参与调峰。

步骤5：根据当前m天的调峰潜力参数与对应的历史日最高温度数据，两者的关系用散点图的形式表示，并利用最小二乘法进行拟合获得日最高温度-调峰潜力参数曲线；如图7所示，该拟合曲线的回归系数为0.9811，说明该回归模型具有良好的拟合特性。

日最高温度-调峰潜力参数曲线通过以下公式进行设置：

δload^max＝f(t)

其中，t为当前日的最高温度，f()表示日最高温度-调峰潜力参数曲线，δload^max表示调峰潜力参数，f(t)j表示第j天最高温度代入日最高温度-调峰潜力参数曲线所得到的调峰潜力参数，m表示散点数，满足m＝m-n。

由于日最高温度与调峰潜力参数的拟合关系在一定时间内具有相似规律，因此得到的拟合关系可在一定的时段内(如一周或10天，具体可根据当地情况确定)均适用，如通过6月1日至6月30日数据得到的拟合曲线，可用于7月1日至7月10日的调峰潜力参数的预测。自7月11日起，更新拟合曲线，通过6月11日至7月10日的数据得到新的拟合曲线，用于7月11日至7月20日的调峰潜力参数的预测。无需每日更新数据库，可以在一定程度上，缓解调度中心的运算压力。

步骤6：根据未来日期里天气预报的预测日最高温度，利用日最高温度-调峰潜力参数曲线进行计算，获得对应的预测调峰潜力参数，利用预测调峰潜力参数实现电网调度服务器调用聚合负荷。具体实施的聚合负荷是用电设备。

预测调峰潜力参数通过以下公式进行设置：

其中，tx为x日的预测日最高温度，f(tx)表示预测日最高温度代入日最高温度-调峰潜力参数曲线所得到的预测调峰潜力参数，表示x日的预测调峰潜力参数。