分布式光伏智能住宅的需求响应调度方法及系统

1.本发明涉及电力需求响应调度控制技术领域，特别涉及一种分布式光伏智能住宅的需求响应调度方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
3.随着智能配用电网技术的发展，以电动汽车、空调为代表的负荷资源可调度能力逐渐增强。由于负荷资源数量多、容量低、分散性强及具有响应随机性的特点，配电系统通常将整个光伏社区内的全部可调度负荷作为响应聚合商，并以聚合形态作为需求响应策略的载体，统一调度所有用户的负荷资源。但在聚合商调度负荷的过程中，用户行为与需求计划易发生冲突，甚至影响到整个配电系统的稳定性。随着分布式可再生能源的发展，可再生能源的接入将有利于缓解用户行为与需求计划之间的冲突，但其本身的出力波动性与随机性也会影响需求计划的制定，而且单独分析各个电器的用户行为较为繁琐，且不具备大范围的实用性。
4.现有的需求响应策略通常利用不同的目标函数优化用户的可调度负荷，制定从上而下的调度计划，但是这种方式不仅存在着传输延时，响应缓慢的问题，且未考虑到用户本身的舒适度需求，若强制性的调度负荷资源易导致用户的抵触心理，从而显著影响到网侧调度计划的制定与实施。


技术实现要素：

5.为了解决现有技术的不足，本发明提供了一种分布式光伏智能住宅的需求响应调度方法及系统，通过用户用电负荷预测结果规划可调度负荷的工作状态，解决了用户行为不确定性与需求计划的冲突问题。
6.为了实现上述目的，本发明采用如下技术方案：本发明第一方面提供了一种分布式光伏智能住宅的需求响应调度方法。
7.一种分布式光伏智能住宅的需求响应调度方法，包括以下过程：步骤一：获取分布式光伏智能住宅的当前电力运行参量数据，以及多个基于历史电力运行参量数据构建的预测模型；步骤二：基于准确度最高的预测模型和当前电力运行参量数据，得到当前用户负荷预测结果；以成本最低为目标，结合当前电力运行参量数据，通过粒子群算法进行单目标寻优，得到当前用户负荷优化结果；步骤三：若半数或者半数以上的预测模型在当前时刻的用户负荷预测结果大于粒子群优化后的用户负荷，取当前用户负荷预测结果为当前时刻的功率上限，否则取当前用户负荷优化结果作为功率上限；根据当前用户负荷预测结果，计算各电器优先值，判断响应负荷功率总值是否满足当前功率上限，若满足，则结束本阶段需求响应，并将当前用电行为反馈至预测模型；若不满足，重新规划电器开关状态，关断优先级最低的电器；
步骤四：计算各电器的开关指标，判断各电器的开关指标是否低于设定值，若低于设定值，则使用储能与电网相互配合的方式给达到开关指标设定值的电器供电，重新回到步骤二；若未达到，则回到步骤三；步骤五：发生响应中断时，执行用户自主响应算法，并判断当前功率总额是否小于或等于当前功率上限，如是，则回归需求响应算法；否则，关断优先值最低的电器重新判断直至当前功率总额是否小于或等于当前功率上限为止。
8.作为可选的一种实现方式，以成本最低为目标，包括：其中，n为分钟级数量；f为社区用电总费用；p
t,pv
、p
t,grid
和p
t,ess
是第t个时刻的光伏入网功率、传统能源功率和双向负荷功率；c
t,price
是t时刻的实时电价。
9.作为可选的一种实现方式，各电器优先值，包括：其中，i代表l类型电器的数量；k
t,l,wor
代表t时刻的l电器的工作状态优先级指标，d
t,set
和d
t,now
代表t时刻的设定值和实时值；k
t,l,bill
表示t时刻l电器的电价指标，分母是所有设备的实时费用总和，分子是单个设备的实时费用；c
t,price
是t时刻的实时电价；k
t,l,com
代表t时刻l电器的用户选择指标；n代表参与需求响应的所有设备的数量；mi代表用户对于不同电器的开通或者关断意愿，具体取值由用户确定；k
t,l,open
表示t时刻l电器的开通优先级指标，a，b和c分别为系数，p
t,l,i
为第i个l类型电器t时刻的用电负荷预测值。
10.作为可选的一种实现方式，开关指标，包括：其中，t1、t2分别代表l电器开关变化的起止时间；t代表需求响应周期。
11.作为可选的一种实现方式，粒子群算法，包括：负荷模型初始化，根据负荷的运行特性对粒子群的随机位置和迭代次数进行设定，分别计算每个粒子的适应度值fi，单目标优化中适应度值等于成本费用；将每个粒子的适应度值与个体最优位置，即各个时刻的适应度值进行比较，将最
优的比较结果作为当前电器最适宜的工作状态；将每个粒子的适应度值与全局最优值，即需求响应全部时刻的适应度值进行比较，将最优的比较结果作为当前各个电器在需求响应全部时段中最适宜的工作时间；若超过最大迭代次数，重新优化各粒子的个体最优位置；若未超过，输出结果。
12.作为可选的一种实现方式，以成本最低为目标，还包括约束：其中，p
t,out
是t时刻的光伏电源的出力功率，soc
t,n
表示第n个电动汽车t时刻的荷电状态，soc
exp
为soc额定容量，soc
max,n
为soc最大值，p
t,lmax
代表可控负荷t时刻的功率上限；p
t,n_cmax
与p
t,n_dmax
分别代表双向负荷充电功率与放电功率的上限，p
t,n_c
为双向负荷充电功率，p
t,n_d
为双向负荷放电功率。
13.作为可选的一种实现方，用户自主响应算法，包括：开通被用户选择的电器；并判断当前功率总额是否小于或等于当前功率上限，如是，则保持其他电器开关状态不变，记录用户行为，并回归需求响应算法；否则，计算当前时刻的电器优先值，关断优先值最低的电器重新判断直至当前功率总额是否小于或等于当前功率上限为止。
14.本发明第二方面提供了一种分布式光伏智能住宅的需求响应调度系统。
15.一种分布式光伏智能住宅的需求响应调度系统，包括：数据获取模块，被配置为：获取分布式光伏智能住宅的当前电力运行参量数据，以及多个基于历史电力运行参量数据构建的预测模型；负荷预测和优化模块，被配置为：基于准确度最高的预测模型和当前电力运行参量数据，得到当前用户负荷预测结果；以成本最低为目标，结合当前电力运行参量数据，通过粒子群算法进行单目标寻优，得到当前用户负荷优化结果；电器优化控制模块，被配置为：若半数或者半数以上的预测模型在当前时刻的用户负荷预测结果大于粒子群优化后的用户负荷，取当前用户负荷预测结果为当前时刻的功率上限，否则取当前用户负荷优化结果作为功率上限；根据当前用户负荷预测结果，计算各电器优先值，判断响应负荷功率总值是否满足当前功率上限，若满足，则结束本阶段需求响应，并将当前用电行为反馈至预测模型；若不满足，重新规划电器开关状态，关断优先级最低的电器；电器开关控制模块，被配置为：计算各电器的开关指标，判断各电器的开关指标是否低于设定值，若低于设定值，则使用储能与电网相互配合的方式给达到开关指标设定值的电器供电，重新回到负荷预测和优化模块；若未达到，则回到电器优化控制模块；中断响应控制模块，被配置为：发生响应中断时，执行用户自主响应算法，并判断当前功率总额是否小于或等于当前功率上限，如是，则回归需求响应算法；否则，关断优先值最低的电器重新判断直至当前功率总额是否小于或等于当前功率上限为止。
16.作为可选的一种实现方式，以成本最低为目标，包括：其中，n为分钟级数量；f为社区用电总费用；p
t,pv
、p
t,grid
和p
t,ess
是第t个时刻的光伏入网功率、传统能源功率和双向负荷功率；c
t,price
是t时刻的实时电价。
17.作为可选的一种实现方式，各电器优先值，包括：其中，i代表l类型电器的数量；k
t,l,wor
代表t时刻的l电器的工作状态优先级指标，d
t,set
和d
t,now
代表t时刻的设定值和实时值；k
t,l,bill
表示t时刻l电器的电价指标，分母是所有设备的实时费用总和，分子是单个设备的实时费用；k
t,l,com
代表t时刻l电器的用户选择指标；n代表参与需求响应的所有设备的数量；mi代表用户对于不同电器的开通或者关断意愿，具体取值由用户确定；k
t,l,open
表示t时刻l电器的开通优先级指标，a，b和c分别为系数，p
t,l,i
为第i个l类型电器t时刻的用电负荷预测值；c
t,price
是t时刻的实时电价。
18.与现有技术相比，本发明的有益效果是：1、本发明所述的分布式光伏智能住宅的需求响应调度方法及系统，通过用户用电负荷预测结果规划可调度负荷的工作状态，解决了用户行为不确定性与需求计划的冲突问题。
19.2、本发明所述的分布式光伏智能住宅的需求响应调度方法及系统，建立了基于广义神经网络或者概率神经网络的预测模型，能够精准地预测光伏出力与用户用电行为。
20.3、本发明所述的分布式光伏智能住宅的需求响应调度方法及系统，建立用户自主响应算法，能够满足用户的实时需求，提升用户的舒适度。
21.4、本发明所述的分布式光伏智能住宅的需求响应调度方法及系统，建立了基于用户负荷预测的光伏社区需求响应整体策略，在社区整体负荷优化调度中，可以实现整体负荷削峰填谷的目标，降低用户用电成本。
22.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
23.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
24.图1为本发明实施例1提供的一种基于用户负荷预测的光伏社区需求响应策略流程图。
25.图2为本发明实施例1提供的一种光伏接入的混合能源系统住宅图。
26.图3为本发明实施例1提供的光伏出力与用户负荷预测结果图。
27.图4为本发明实施例1提供的需求响应策略优化前后的负荷对比图。
28.图5为本发明实施例1提供的用户自主响应算法流程图。
具体实施方式
29.下面结合附图与实施例对本发明作进一步说明。
30.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
31.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
32.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
33.实施例1：如图1所示，本发明实施例1提供了一种分布式光伏智能住宅的需求响应调度方法，包括以下过程：s1：需求侧资源模型需求侧资源一般包括分布式发电资源、负荷资源、储能资源，为深度挖掘配电网中需求侧资源的响应潜力，首先需要建立需求侧资源的数学模型。
34.s1.1：分布式发电资源模型光伏电源的出力与光照强度与环境的温度有关，采用式（1）模拟t时刻的光伏出力：（1）其中，p
t,out
是t时刻的光伏电源的出力功率；p
set
为光伏电源的默认出力功率；w
set
为当前光照的默认光照强度；t
set
为环境的默认温度；t
t,out
为t时刻的环境温度；w
t
是t时刻的光照强度；α为设定的温度参数，通过调节α的大小模拟环境温度对于光伏电源的出力功率影响，α增大代表温度变化对光伏出力影响越大；α减小代表温度变化对光伏出力影响越小。
35.s1.2：负荷资源模型根据负荷的功率需求将可调控负荷分为基本负荷、温控负荷与双向柔性负荷三类，针对不同的负荷特性，建立相应的数学模型。
36.s1.2.1：基本负荷基本负荷的功率为恒定值，单向消耗功率，且开关时间受响应需求进行转移，如热水器、洗衣机等电器，建立数学模型如下：（2）其中，p
t,l
代表t时刻l电器的功率值，p
def
代表电器额定功率；k
t,l
代表t时刻l电器的开关。
37.s1.2.2：温控负荷温控负荷的功率受环境温度影响，且单向消耗功率，最典型的设备为空调。设定的空调模型为分档功率模型，功率的档位受室温影响，室温模型数学公式由式（3）获得：（3）其中，t
t,in
、t
t,out
、t
low
和t
hign
分别为t时刻的室内温度与室外温度，温度下限与温度上限；t
t-1,in
为t-1时刻的室内温度，α为室外温度对室内的影响系数；β为单位时段内用电量对室温的影响系数，e
t
为单位时段内用电量。
38.s1.2.3：双向柔性负荷双向柔性负荷既可提供电能也可消耗电能，此类负荷的功率可以双向流动，如具备电动汽车入网（vehicle to grid，v2g）功能的电动汽车，v2g模型如下式所示：（4）其中，soc
t,n
和soc
t-1,n
表示第n个电动汽车t时刻和t-1时刻的荷电状态；p
t,n_c
和p
t,n_d
分别表示电动汽车充放电的功率；η
ev
表示充放电效率，soc
exp
表示额定容量；为保证用户的自主性，电动汽车荷电状态的下限soc
set
由用户自主设定，符合用户随时出行要求的荷电状态。双向柔性负荷与储能资源功能相同，二者的数学模型表达式也相同。
39.s2：光伏出力及用户负荷预测模型需求响应过程中，用户用电行为会随天气、温度等因素发生变化，造成可控负荷的调控出现随机波动。用户行为不确定性最终体现在用户负荷变化的随机性，为协调用户行为不确定性与需求计划，本文提出一种基于历史数据模拟下一次需求响应时段光伏出力与用户负荷的预测方法，有效提升用户的舒适度与整体响应速度。
40.shpcs采用神经网络算法作为预测系统核心算法，径向基函数神经网络（radical basis function，rbf）是由moody和darken提出的一种神经网络，其结构可分为输入层、径向基层和线性层，其中r为输入变量数量，包括天气、温度、光照强度等因素；s1、s2为第一、二层的神经元数量，一个神经元对应一次训练；lw为权重系数，即用户的用电行为受不同因素影响的系数；dist为离原点距离的宽度相量，即欧几里得范数。
41.基于rbf分别延伸出广义回归神经网络（general regression neural network，
grnn）和概率神经网络（probabilistic neural network，pnn）两种引导性训练模型，其中，grnn由训练集的输出矩阵代替输出层和隐藏层的权值，pnn将线性层变成竞争层，以竞争函数代替输出层的线性函数。在参照样本数据量较大的情况下，grnn预测准确率高；在划分参照变量为整数的情况下，pnn预测准确率较高。为提升预测的精准度，比较两种预测模型的优劣，shpcs设定两种预测系统具备相同的输入变量与参考变量，并选用精准度较高的作为预测模型。
42.s2.1：grnn神经网络将光伏出力、光照强度的历史数据作为输入变量x时，输出变量y为预测明天的光伏出力；将温度、光伏出力、电网负荷、用户用电量的历史数据作为输入变量x时，输出变量y为各个输入变量对于用户用电量的影响系数。以输出矩阵y代替rbf中的lw矩阵即可构建grnn神经网络：（5）其中，n为样本数量，代表输入量的采样率，如光伏出力采用半小时的采样数据；f
(x,y)
为概率密度函数；x0为当前的观测值，如当前的温度值；p为x的维度, x是具有p维维度的列向量，x
0j
代表当前时刻的第j行元素,x
ij
代表第i个时刻的第j行的元素，σ为高斯函数的标准差。输出变量y通过化简式（5）可得式（6）：（6）其中，输出值y是计算出的影响系数yi的加权和。以用户负荷预测为例，输入气象数据网的预测天气、温度，输入预测系统预测的系统负荷、光伏出力，通过影响系数对输入变量进行线性化，得到预测的用户用电量。
43.s2.2：pnn神经网络为分析两种预测模型的特点，选用与grnn相同的输入变量与输出变量，即将光伏出力、光照强度的历史数据作为输入变量x时，输出变量y为预测明天的光伏出力；将温度、光伏出力、电网负荷、用户用电量的历史数据作为输入变量x时，输出变量y为用户的用电量。输入历史数据的参考变量后，shpcs计算输入变量与用户的用电量之间的欧氏距离，取加权和之后作为高斯函数的参数σ，初始概率密度矩阵p如下：
（7）其中，e
pm
代表归一化后的第p个预测光伏出力与第m个历史光照强度之间的欧氏距离；p
pm
代表第p个预测光伏出力与第m个历史光伏出力两者间的初始概率。
44.以光伏出力预测为例，假设光照强度数据为输入样本，其列维度为m，分为c个整数等级，不同等级的样本数量为k个，则m=ck。通过初始概率矩阵得到各类样本的概率和如下式所示：（8）其中，s
pc
代表基于初始概率和矩阵的所有样本的概率和，计算矩阵所有元素的概率和，取每行最大的值作为当前行的光伏出力数据。
45.s3：基于shpcs的需求响应策略s3.1：需求响应整体框架为解决分布式光伏、传统能源和社区聚合商三方之间的信息交互与需求响应个体分散性问题，建立了需求响应整体框架，如图2所示。框架包括分布式光伏和传统能源、输电及配电系统、负荷聚合商与shpcs、预测系统、可调度负荷等，能够利用智能电表和互联网通信系统连接社区负荷聚合商与个体用户，通过shpcs与负荷聚合商统一调度社区负荷。
46.可再生能源光伏板阵与传统能源火力机组通过输配电网络输送电能至shpcs，微网向负荷聚合商提供实时电网负荷数据。预测系统基于温度、光照强度等历史数据进行预
测，并将预测结果传送给shpcs。负荷聚合商与shpcs根据各方信息下达调度指令，可调度负荷根据指令协调用电状态：通过改变运行工况，如改变空调的制冷温度；通过转移工作时间，如转移洗衣机的工作时间；通过间断性工作时间，如间断性给电动汽车充电。系统内部通过互联网通信系统进行信息传递。
47.s3.2：shpcs求解策略为实现智能用电系统对可调节资源的控制，降低光伏社区用电成本，建立式（9）单目标寻优函数，求解策略通过粒子群算法优化可调度负荷。
48.（9）其中，n为分钟级数量；f为社区用电总费用；p
t,pv
、p
t,grid
和p
t,ess
是第t个时刻的光伏入网功率、传统能源功率和双向负荷功率；c
t,price
是t时刻的实时电价。
49.求解过程中的约束条件为：（10）其中，p
t,outmax
代表光伏接入上限；p
t,lmax
代表可控负荷t时刻的功率和功率上限；p
t,n_cmax
与p
t,n_dmax
代表双向负荷充电与放电的上限。
50.通过粒子群算法求解费用最低的步骤如下所述：步骤一：负荷模型初始化，根据负荷的运行特性对粒子群的随机位置和迭代次数进行设定，分别计算每个粒子的适应度值fi，单目标优化中适应度值等于成本费用；步骤二：将每个粒子的适应度值与个体最优位置，即各个时刻的适应度值进行比较，将最优的比较结果作为当前电器最适宜的工作状态；步骤三：将每个粒子的适应度值与全局最优值，即需求响应全部时刻的适应度值进行比较，将最优的比较结果作为当前各个电器在需求响应；全部时段中最适宜的工作时间；步骤四：若超过最大迭代次数，重新优化各粒子的个体最优位置；若未超过，输出结果。
51.s3.3：基于用户舒适度的优先级评估指标为保障用户在需求响应过程中的舒适度，从电器工作状态、电价系数、用户选择惯性和用户选择权四个角度提出优先级评估指标。式（11）指标计算公式通过系数a、b、c加权优先级指标得到：
（11）其中，i代表l类型电器的数量；k
t,l,wor
代表t时刻的l电器的工作状态优先级指标，d
t,set
和d
t,now
代表t时刻的设定值和实时值；k
t,l,bill
表示t时刻l电器的电价指标，分母是所有设备的实时费用总和，分子是单个设备的实时费用；k
t,l,com
代表t时刻l电器的用户选择指标；n代表参与需求响应的所有设备的数量；mi代表用户对于不同电器的开通或者关断意愿，具体取值由用户确定；k
t,l,open
表示t时刻l电器的开通优先级指标。用户选择权体现在加权系数及开通或关断意愿系数的设定上。
52.为解决需求响应过程中用户电器开关频繁的问题，引入式（12）所示的开关指标。shpcs采用电网与储能相互配合的方式向开关指标较高的电器供电，使其在切断电网电源时仍能正常工作。
53.（12）其中，k
t,l,switch
代表开关指标；t1、t2分别代表l电器开关变化的起止时间；t代表需求响应周期。开关指标与需求响应策略的取样时间相关联，取样越短，t1与t2之间的时间差越短，即开关指标越小，电器开关变化的越频繁。需求响应策略取样时间较长时，不存在电器开关频繁的问题，但用户的舒适度会下降，用电成本也将升高。
54.s3.4：需求响应整体方案适用于shpcs的整体方案具体的响应步骤如下所述：步骤一：基于检测数据分析电网出力功率，根据式(1)计算光伏出力功率，并提供给预测模型和用电系统作为数据基础，根据式（2）-（4）建立用户不同负荷的出力模型。基于历史数据，确定输入输出变量，分别根据式（5）-（8）建立grnn、pnn神经网络预测模型。调整神经网络输入数据的权重值，得到十个预测模型；步骤二：基于准确度最高的神经网络预测模型的用户负荷功率，根据式（9）建立成本最低目标函数并根据式（10）确立约束函数，shpcs通过粒子群算法进行单目标寻优，得到优化后的用户负荷曲线；步骤三：基于十个预测模型的用户负荷与粒子群优化结果的比较结果，若半数预测模型在t时刻相较于粒子群优化结果功率上升，shpcs取预测结果设定为当前时刻的功率上限，否则取优化结果作为功率上限。基于预测模型结果并根据式（11）计算电器优先值，调度相应负荷。shpcs判定响应负荷功率总值是否满足当前需求响应功率限值，若满足，则结
束本阶段需求响应，并将当前用电行为反馈至神经网络预测模型；若不满足，重新规划电器开关状态，关断优先值较低的电器；步骤四：根据式（12）计算电器开关指标。判断电器的开关指标是否低于设定值，若低于设定值，则shpcs使用储能与电网相互配合的方式给达到开关指标设定值的电器供电，重新回到步骤二；若未达到，则回到步骤三；步骤五：发生中断响应时，shpcs执行用户自主响应算法，并判断当前功率总额是否符合当前限值指标，如符合，则回归需求响应算法；如不符合，关断优先值较低的电器重新判断直至符合限值为止。
55.对比本实施例所使用的预测系统精准度与速度，选取了连续4天的光照强度与3天的负荷作为预测系统数据基础，图3给出了光伏预测模型与用户负荷预测模型的结果图，在参照样本数据量较大的情况下，广义神经网络预测准确率高，在划分参照变量为整数的情况下，概率神经网络预测准确率较高。
56.利用本实施例所提模型，以50个具备光伏接入的智能住宅用户为一个典型聚合商社区，每户装设面积为0.3m2的2片光伏板，光伏电池转换效率为18%，系统内可参与调度的负荷为空调、冰箱、洗衣机、照明系统、热水器、风扇和电动汽车，设定仿真时间为0:00-24:00。优化前后的负荷对比如图4所示，图中表明优化后的用户负荷可以较好地跟踪微网主负荷曲线，在主负荷高峰的时刻，即电价峰时段，用户用电曲线降低；主负荷低谷的时刻，即电价谷时段，用户用电量提升。相较于无控制的情况下，实现了降低午时时段的用户用电负荷，提升晚间时段的用户用电负荷，起到削峰填谷的作用。
57.考虑用户自主响应的优化前后负荷对比，用户发生自主响应，即主动给电动汽车充电，控制系统通过削弱部分需求响应差值来提升用户的舒适度。基于历史数据的用户负荷预测结果在部分时间段发生变化，一是晚间时段的用户负荷转移量减少，因为电动汽车经过午时充电，荷电状态较好，无需晚间持续充电；二是在午时时刻，预测结果表明此时光伏出力降低，即用户用电降低；三是在傍晚时刻的用户负荷水平上升，因为光伏预测结果表明此时刻光强上升，温度升高，且用户负荷的历史数据表明此时间段内，用户中断响应频繁，开通空调次数上升。
58.实施例2：本发明实施例2提供了一种分布式光伏智能住宅的需求响应调度系统，包括：数据获取模块，被配置为：获取分布式光伏智能住宅的当前电力运行参量数据，以及多个基于历史电力运行参量数据构建的预测模型；负荷预测和优化模块，被配置为：基于准确度最高的预测模型和当前电力运行参量数据，得到当前用户负荷预测结果；以成本最低为目标，结合当前电力运行参量数据，通过粒子群算法进行单目标寻优，得到当前用户负荷优化结果；电器优化控制模块，被配置为：若半数或者半数以上的预测模型在当前时刻的用户负荷预测结果大于粒子群优化后的用户负荷，取当前用户负荷预测结果为当前时刻的功率上限，否则取当前用户负荷优化结果作为功率上限；根据当前用户负荷预测结果，计算各电器优先值，判断响应负荷功率总值是否满足当前功率上限，若满足，则结束本阶段需求响应，并将当前用电行为反馈至预测模型；若不满足，重新规划电器开关状态，关断优先级最低的电器；
电器开关控制模块，被配置为：计算各电器的开关指标，判断各电器的开关指标是否低于设定值，若低于设定值，则使用储能与电网相互配合的方式给达到开关指标设定值的电器供电，重新回到负荷预测和优化模块；若未达到，则回到电器优化控制模块；中断响应控制模块，被配置为：发生响应中断时，执行用户自主响应算法，并判断当前功率总额是否小于或等于当前功率上限，如是，则回归需求响应算法；否则，关断优先值最低的电器重新判断直至当前功率总额是否小于或等于当前功率上限为止。
59.所述系统的详细工作方法与实施例1中的相同，这里不再赘述。
60.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
61.本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
62.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
63.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
64.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（read-only memory，rom）或随机存储记忆体（random access memory，ram）等。
65.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。