电力负荷调节能力评估方法及系统与流程

本发明涉及电网可调节负荷规模测算，具体涉及电力负荷调节能力评估方法及系统。

背景技术：

1、电力需求响应是指，当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。这需要涉及电力用户和供电方(如负荷聚合商)协调沟通。一般是电力用户上报自身负荷可调节量，然后由供电方评估之后根据各种协议给出指标，电力用户完成指标。这里电力用户上报的自身负荷可调节量即电力用户的负荷可调节能力。如果电力用户上报量大，超出自身能力，负荷聚合商给出指标而无法完成，则会受到负荷聚合商的考核；反过来负荷聚合商如果单纯根据电力用户上报情况进行指标分配而用户无法完成，则无法完成电力系统削峰填谷的任务。所以负荷可调节能力的评估是需求响应两方都需要做的。

2、目前已有负荷可调节能力评估方法包括(1)传统统计方法；(2)机器学习方法。

3、传统统计方法一般是用均值和方差对电力用户历史数据进行分析，得到负荷调节时段的负荷准线，一般是这段时间内的负荷统计均值。负荷准线与用户负荷曲线进行比较，一般取调节时段用户负荷曲线的最大值，减去负荷准线的值(即均值)作为可调节量。传统统计方法使用负荷曲线最大值减去负荷准线的值(均值)过于简单，属于基础做法。这种方法可能会导致可调节能力估计过大，上报之后无法完成任务。

4、机器学习方法通常使用历史已有数据进行必要特征提取，对电力用户的可调节能力进行预测。例如公布号为cn116776040a的现有发明专利申请文献《一种负荷调节潜力计算方法、装置、设备及介质》该现有方法包括：对预处理后的用户历史负荷进行聚类处理，得到聚类数目c，类簇ci，第i个类簇的中心μi；将类簇ci作为第i种用户用电模式的日负荷曲线集合；计算当前用户的调控日负荷基线，并根据调控日负荷基线、各类簇ci的中心μi，计算调控日负荷基线属于各类簇ci的隶属度，根据隶属度获取当前用户的调控日负荷基线所属的类簇，以及类簇对应的用户用电模式；根据不同用电模式切换下的可调潜力量化计算模型、调控日负荷基线以及所属的用户用电模式，计算最可能调节量和最大可调节量。以及公布号为cn116703200a的现有发明专利申请文献《一种应对极端高温天气的电网负荷调节潜力评估方法》该现有方法包括下述步骤：步骤1：多类型负荷柔性用电管理方案，构建时段错峰、移峰填谷与分级削峰的日时间尺度负荷有序管理措施；步骤2：负荷柔性用电优先等级，分析柔性负荷影响程度，确定不同负荷柔性用电方案调用顺序及参与情况；步骤3：荷侧柔性用电协调优化模型，构建极端高温天气下考虑负荷侧分散式电源及多类型负荷柔性用电管理方案的电网柔性用电协调优化模型；步骤4：电网负荷侧调节潜力评估指标，以柔性负荷调节总电量与柔性负荷总量占比为基础构建电网负荷侧调节潜力评估指标，量化荷侧电力供应不充裕时的电网的应对能力评估。前述现有方法需要选择可用的数据并累积足够的数据，然后进行模型研发和测试。机器学习方法需要大量的数据训练模型，而且需要一定的机器学习技术基础，执行下来需要大量人力物力。另外机器学习方法可解释性差。

5、综上，现有技术存在电力负荷调节能力评估操作效果差、可解释性差、执行成本较高的技术问题。

技术实现思路

1、本发明所要解决的技术问题在于：如何解决现有技术中电力负荷调节能力评估操作效果差、可解释性差、执行成本较高的技术问题。

2、本发明是采用以下技术方案解决上述技术问题的：电力负荷调节能力评估方法包括：

3、s1、获取调节时段，并确认调节时段的时间粒度；

4、s2、获取调节时段的对应时间粒度负荷值曲线b；

5、s3、统计历史数据中的当前调节时段内，每个时间点的平均值，以作为调节时段负荷均值曲线a；

6、s4、获取调节时段负荷均值曲线a对应的第一序列，获取对应时间粒度负荷值曲线b对应的第二序列，利用动态时间规整方法dtw，求取第一序列与第二序列之间的距离矩阵，寻获距离矩阵中，从距离矩阵的左上角到右下角的元素最小路径，据以确定调节时段负荷均值曲线a与对应时间粒度负荷值曲线b之间的距离；

7、s5、根据调节时段负荷均值曲线a与对应时间粒度负荷值曲线b之间的距离，求取元素总点数，据以获取调节负荷能力。

8、本发明使用dtw算法计算负荷的可调节能力，得到的结果是负荷可调节能力的最小值，避免了传统技术中采用机器学习方法数据训练模型需求量大，任务执行成本高以及可解释性差的缺陷。同时，相对于传统方法，可以避免估计偏高，提高了电力设备的安全性。

9、在更具体的技术方案中，步骤s1中，时间粒度包括：秒、分钟、小时以及天。

10、在更具体的技术方案中，步骤s2中，对应时间粒度负荷值曲线b包括：真实待调节负荷曲线、负荷聚合商预测曲线以及者电力用户预测曲线。

11、在更具体的技术方案中，步骤s3中，调节时段负荷均值曲线a与对应时间粒度负荷值曲线b的时间粒度一致。

12、在更具体的技术方案中，步骤s4包括：

13、s41、预设与调节时段负荷均值曲线a对应的第一序列[x1,x2,x3,…xn]，预设对应时间粒度负荷值曲线b对应的第二序列[y1,y2,y3,…ym]；

14、s42、利用动态时间规整方法dtw，计算距离矩阵matrixa；

15、s43、寻找距离矩阵matrixa中的元素最小路径l，以将元素最小路径l上的元素和，作为元素最小路径l的长度dist，其中，步骤s43利用动态规划算法，求解元素最小路径l的长度dist。

16、本发明在实际应用过程中，还可以通过改变平均曲线a的计算方式，如曲线a可以是通过均值+n*方差，n>＝0，以调整该最小值的范围，有助于优化电力负荷调节能力评估操作效果。

17、s44、初始元素最小路径l的长度dist，据以进行递推操作，以得到递推结果。

18、相比于机器学习方法，本发明使用动态时间规整算法dtw，可解释性更好，同时不需要经过特征提取，仅需要对历史数据统计均值即可。避免直接利用负荷曲线最大值减去负荷准线的值，导致可调节能力估计过大的情形，提高了上报数据的有效性。

19、在更具体的技术方案中，步骤s42中，利用下述逻辑，求取距离矩阵matrixa：

20、maxtrixa[i][j]＝|xi-yj|

21、式中，0<＝i<＝n，0<＝j<＝m，xi为曲线a中第i个值，yj为曲线b中第j个值。

22、在更具体的技术方案中，步骤s44中，利用下述逻辑表达初始的元素最小路径l的长度dist：

23、dist[0][0]＝matrixa[0][0]。

24、步骤s44中，利用下述递推逻辑，进行递推操作：

25、dist[i][j]＝min{distmin[i][j-1],

26、distmin[i-1][j],

27、distmin[i-1][j-1]}+maxtrixa[i][j]

28、式中，dist[i][j]表示的是计算到当前matrixa[i][j]时的最小值。

29、在更具体的技术方案中，步骤s5中，将距离矩阵matrixa中的每个元素当作一个点，计算元素总点数n，根据元素最小路径l的长度dist、元素总点数n，求取可调节负荷能力。

30、在更具体的技术方案中，步骤s5中，利用下述逻辑，求取可调节负荷能力：

31、可调节负荷能力＝dist/n。

32、在更具体的技术方案中，电力负荷调节能力评估系统包括：

33、调节时段及力度获取模块，用以获取调节时段，并确认调节时段的时间粒度；

34、负荷值曲线获取模块，用以获取调节时段的对应时间粒度负荷值曲线b，负荷值曲线获取模块与调节时段及力度获取模块连接；

35、符合均值曲线获取模块，用以统计历史数据中的当前调节时段内，每个时间点的平均值，以作为调节时段负荷均值曲线a，符合均值曲线获取模块与调节时段及力度获取模块连接；

36、曲线距离求取模块，用以获取调节时段负荷均值曲线a对应的第一序列，获取对应时间粒度负荷值曲线b对应的第二序列，利用动态时间规整方法dtw，求取第一序列与第二序列之间的距离矩阵，寻获距离矩阵中，从距离矩阵的左上角到右下角的元素最小路径，据以确定调节时段负荷均值曲线a与对应时间粒度负荷值曲线b之间的距离，曲线距离求取模块与符合均值曲线获取模块及负荷值曲线获取模块连接；

37、调节符合能力数据获取模块，用以根据调节时段负荷均值曲线a与对应时间粒度负荷值曲线b之间的距离，求取元素总点数，据以获取调节负荷能力，调节符合能力数据获取模块与曲线距离求取模块连接。

38、本发明相比现有技术具有以下优点：本发明使用dtw算法对负荷可调节能力进行计算，得到的结果是负荷可调节能力的最小值，避免了传统技术中采用机器学习方法数据训练模型需求量大，任务执行成本高以及可解释性差的缺陷。同时，相对于传统方法，可以避免估计偏高，提高了电力设备的安全性。

39、本发明在实际应用过程中，还可以通过改变平均曲线a的计算方式，如曲线a可以是通过均值+n*方差，n>＝0，以调整该最小值的范围，有助于优化电力负荷调节能力评估操作效果。

40、相比于机器学习方法，本发明使用动态时间规整算法dtw，可解释性更好，同时不需要经过特征提取，仅需要对历史数据统计均值即可。避免直接利用负荷曲线最大值减去负荷准线的值，导致可调节能力估计过大的情形，提高了上报数据的有效性。

41、本发明解决了现有技术中存在的电力负荷调节能力评估操作效果差、可解释性差、执行成本较高的技术问题。