一种高压用户负荷能力分析与需求响应潜力评估方法及系统与流程

本发明涉及电力需求响应，尤其是指一种高压用户负荷能力分析与需求响应潜力评估方法及系统。

背景技术：

1、随着高压用户的用电规模不断扩大，其用电类型也日趋多元。高压用户的负荷运行特性、实际负荷承载能力及需求侧响应潜力，已成为电力需求侧精细化管理、电网资源优化调配领域的核心研究与管控重点。全面掌握高压用户的实际负荷能力，是实现电网电力资源科学调配、电力供需动态平衡精准管控、需求侧响应工作高效落地的核心基础，对保障电网安全稳定运行、提升电力资源利用效率具有关键支撑作用。

2、目前，现有高压用户负荷管理技术及管理模式仍存在诸多短板与技术瓶颈，难以适配当下多元化、精细化的电网负荷管理工作需求。首先，高压用户用电场景繁杂，工业、商业等不同业态高压用户的负荷运行特性差异较大，用户普遍存在日内连续负荷、保安办公负荷、间歇性零负荷等多种运行状态。现有技术方案主要依赖人工方式对各类负荷运行状态进行监测、梳理与统计，不仅工作量大、处理效率低下，且人工统计过程中易出现数据偏差、统计遗漏等问题，难以形成标准化、结构化、可复用的高压用户负荷能力数据清单，导致供电企业无法快速、精准获取高压用户基础负荷信息。其次，在电力供需失衡、电力供应紧张的场景下，挖掘高压用户的负荷调节及需求侧响应潜力是疏导电网运行压力、保障电网供需平衡的重要手段。但传统负荷管理体系缺乏针对高压用户负荷响应潜力的系统化、定量化分析模型及技术方法，无法精准量化用户可调节负荷空间、负荷响应速率及整体响应能力，难以实现用户响应潜力的精准判断。这使得电力需求侧响应工作缺乏有效的数据支撑与技术支撑，响应策略制定盲目，最终导致需求侧响应的执行效率低、实施效果不佳，无法充分挖掘电网需求侧调节资源。此外，现阶段高压用户配置的光伏、储能等分布式能源设备数据分散存储于多个独立的电力业务管理系统中，缺乏统一的整合分析，无法结合用户负荷特征综合评估其实际用电能力与调节潜力，易造成电力资源分配不合理，增加电网运维成本与安全风险。

3、综上所述，当前高压用户负荷管理存在数据标准化程度低、响应潜力量化分析能力不足、分布式能源数据融合分析缺失等技术缺陷，传统管理模式与分析技术已无法满足高精度、高效率的电力需求侧管理工作要求。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中高压用户负荷数据依赖人工统计、标准化结构化程度低，负荷响应潜力效率低，且分布式能源数据存在信息壁垒、无法与用户负荷特征融合进行综合能力评估的技术问题。

2、第一方面，为解决上述技术问题，本发明提供了一种高压用户负荷能力分析与需求响应潜力评估方法，包括：

3、s1、获取多个高压用户的实时负荷数据，并对各所述高压用户的所述实时负荷数据进行预处理，得到标准负荷运行数据；

4、s2、根据所述标准负荷运行数据，分别提取负荷核心特征、负荷曲线特性特征；基于所有所述高压用户对应的所述负荷核心特征和所述负荷曲线特性特征，构建高压用户负荷运行特征矩阵；

5、s3、根据所述标准负荷运行数据中每个所述高压用户的负荷运行数据，提取预设时间内每日对应时段的负荷最小值，构建对应高压用户的负荷最小数据集；从所述负荷最小数据集中筛选出低值样本，并计算所述低值样本的均值，将所述均值作为对应高压用户的保安负荷与办公基础负荷特征；

6、s4、从所述高压用户负荷运行特征矩阵中获取各所述高压用户对应的负荷曲线特性特征，并基于各所述高压用户对应的负荷曲线特性特征提取对应的光伏出力专属特征与储能充放电专属特征；将各所述高压用户对应的所述光伏出力专属特征、所述储能充放电专属特征、所述负荷曲线特性特征和所述保安负荷与办公基础负荷特征进行融合，构建负荷曲线聚类特征集；其中所述负荷曲线聚类特征集包括多个高压用户负荷曲线特征样本；

7、s5、根据所述负荷曲线聚类特征集和所述高压用户的业务类型标签，确定聚类数候选区间；依次遍历所述聚类数候选区间中的候选聚类数值，得到最优聚类数；

8、s6、基于所述最优聚类数，选取对应初始聚类中心；计算各所述高压用户负荷曲线特征样本到各所述初始聚类中心的距离，并将各所述高压用户负荷曲线特征样本分配至距离最近的聚类簇；通过均值迭代更新各所述聚类簇的聚类中心，直至所述聚类中心收敛，得到负荷曲线样本聚类划分结果；

9、s7、根据所述保安负荷与办公基础负荷特征和所述负荷曲线样本聚类划分结果，获取不同类型高压用户的负荷运行规律，构建差异化负荷响应能力评价体系并完成潜力评估。

10、在本发明的一个实施例中，所述s2中，根据所述标准负荷运行数据，分别提取负荷核心特征、负荷曲线特性特征；基于所有所述高压用户对应的所述负荷核心特征和所述负荷曲线特性特征，构建高压用户负荷运行特征矩阵的步骤为：

11、采用时间序列特征提取方法从所述标准负荷运行数据中提取负荷峰值、日内负荷序列和负荷波动幅度作为负荷核心特征；从所述标准负荷运行数据中提取负荷曲线峰谷比、日均负荷率、负荷波动趋势、夜间负荷基线和功率反送作为负荷曲线特性特征；

12、对所述标准负荷运行数据分别进行连续序列判定和时间窗统计，识别日内连续性负荷，计算得到日保安负荷总时长与日办公负荷总时长；

13、对连续多日的所述日保安负荷总时长和所述日办公负荷总时长进行历史序列统计，生成周期性趋势特征；

14、对t个月内的所有所述高压用户对应的所述负荷核心特征、所述负荷曲线特性特征、所述日保安负荷总时长、所述日办公负荷总时长和所述周期性趋势特征进行对齐，构建高压用户负荷运行特征矩阵。

15、在本发明的一个实施例中，对所述标准负荷运行数据分别进行连续序列判定和时间窗统计，识别日内连续性负荷，计算得到日保安负荷总时长与日办公负荷总时长的步骤为：

16、以预设采样间隔遍历所述标准负荷运行数据，将连续至少m个采样点的负荷值持续低于第一阈值的序列判定为保安连续序列，将连续至少m个采样点的负荷值持续介于所述第一阈值与第二阈值之间的序列判定为办公连续序列，分别提取各连续序列的持续时长和起始时间；

17、根据所述各连续序列的持续时长和起始时间，将日内时间划分为多个等长时间窗，统计各时间窗内落入所述保安连续序列的第一累计时长，将所述第一累计时长作为对应时间窗的保安负荷时长；统计各时间窗内落入所述办公连续序列的第二累计时长，将所述第二累计时长作为对应时间窗的办公负荷时长，生成日内保安负荷时段分布序列与日内办公负荷时段分布序列；

18、对所述日内保安负荷时段分布序列中各时间窗的保安负荷时段值进行求和，得到日保安负荷总时长；对所述日内办公负荷时段分布序列中各时间窗的办公负荷时段值进行求和，得到日办公负荷总时长。

19、在本发明的一个实施例中，所述s4中，将各所述高压用户对应的所述光伏出力专属特征、所述储能充放电专属特征、所述负荷曲线特性特征和所述保安负荷与办公基础负荷特征进行融合，构建负荷曲线聚类特征集的过程中还包括采用主成分分析对所述负荷曲线聚类特征集进行降维处理。

20、在本发明的一个实施例中，采用主成分分析对所述负荷曲线聚类特征集进行降维处理的步骤为：

21、对所述负荷曲线聚类特征集的原始特征矩阵进行中心化处理，计算每个特征维度下所有所述高压用户负荷曲线特征样本的均值；将各所述高压用户负荷曲线特征样本在当前维度的取值减去对应均值，得到中心化矩阵，并计算所述中心化矩阵的协方差矩阵；

22、对所述协方差矩阵进行特征值分解，求解得到特征值和所述特征值对应的特征向量；将所述特征值升序排列，并将各所述特征向量作为各主成分的投影方向；

23、根据所述特征值，计算各所述主成分的方差贡献率和前p个主成分的累计方差贡献率；

24、设置累计方差贡献率阈值；从所述前p个主成分的累计方差贡献率中筛选出不小于所述累计方差贡献率阈值的最小主成分数量；将所述最小主成分数量作为主成分个数；

25、根据所述主成分个数和所述特征向量，构建投影矩阵；根据所述中心化矩阵和所述投影矩阵，得到降维后的特征矩阵。

26、在本发明的一个实施例中，所述光伏出力专属特征包括白天负荷低谷、功率反送时段、午间负荷骤降幅度；所述储能充放电专属特征包括负荷平抑幅度、谷段充电负荷增量、峰段放电负荷减量和负荷曲线平滑度。

27、在本发明的一个实施例中，所述s5中，根据所述负荷曲线聚类特征集和所述高压用户的业务类型标签，确定聚类数候选区间；依次遍历所述聚类数候选区间中的候选聚类数值，得到最优聚类数的步骤为：

28、获取高压用户的业务类型标签；其中，所述业务类型标签包括常规配置、光伏配置、储能配置、光储联合配置；根据所述负荷曲线聚类特征集的特征维度数量和样本总量，计算经验性聚类数上限值；根据所述验性聚类数上限值，确定所述聚类数候选区间的上界和下界；

29、对所述聚类数候选区间内的每一个候选k，依次进行k-means++初始化和k-means聚类迭代，计算每个所述候选k对应的误差平方和、整体轮廓系数；

30、构建所述误差平方和随所述候选k的变化曲线，计算每个候选k处的肘部判定值；选取所述肘部判定值取得最大值时对应的候选k作为肘部法则推荐值；选取所述整体轮廓系数最大的候选k作为轮廓系数推荐值；

31、若所述肘部法则推荐值与所述轮廓系数推荐值相同，则将所述肘部法则推荐值作为最优聚类数；若所述肘部法则推荐值与所述轮廓系数推荐值不同，则计算所述肘部法则推荐值与所述轮廓系数推荐值之间的所有候选k的综合评分；将所述综合评分最高的候选k作为最优聚类数。

32、在本发明的一个实施例中，所述s6中,基于所述最优聚类数，选取对应初始聚类中心；计算各所述高压用户负荷曲线特征样本到各所述初始聚类中心的距离，并将各所述高压用户负荷曲线特征样本分配至距离最近的聚类簇；通过均值迭代更新各所述聚类簇的聚类中心，直至所述聚类中心收敛，得到负荷曲线样本聚类划分结果的步骤为：

33、s610、基于所述最优聚类数从所述负荷曲线聚类特征集的全部样本中选取多个初始聚类中心；

34、s620、计算各所述高压用户负荷曲线特征样本到各所述初始聚类中心的欧氏距离；

35、s630、筛选出使各所述高压用户负荷曲线特征样本的欧氏距离最小的聚类中心索引，构建聚类簇；将各所述高压用户负荷曲线特征样本分配至对应的所述聚类簇中；计算各所述聚类簇内所有所述高压用户负荷曲线特征样本的均值作为更新后的聚类中心；

36、s640、将更新后的聚类中心作为所述初始聚类中心，并返回至所述s620，直至所述聚类中心收敛，得到负荷曲线样本聚类划分结果。

37、在本发明的一个实施例中，所述s7中，根据所述保安负荷与办公基础负荷特征和所述负荷曲线样本聚类划分结果，获取不同类型高压用户的负荷运行规律，构建差异化负荷响应能力评价体系并完成潜力评估的步骤为：

38、根据所述保安负荷与办公基础负荷特征和所述负荷曲线样本聚类划分结果，按照所述聚类簇统计各类型高压用户的负荷运行规律；

39、根据所述高压用户的业务类型标签，提取各所述业务类型标签的差异化负荷特征；根据所述负荷运行规律和所述差异化负荷特征，构建差异化负荷响应能力评价指标体系；其中，所述差异化负荷响应能力评价指标体系包括多个评价指标；

40、采用ahp-熵权法组合赋权方法确定各所述评价指标的差异化综合权重；

41、对各所述评价指标进行无量纲化处理，并结合所述差异化综合权重，计算各所述高压用户的负荷响应能力综合评分；根据所述综合评分将所述高压用户划分为不同的潜力等级，得到各类型用户的负荷响应能力潜力评估结果。

42、第二方面，为解决上述技术问题，本发明提供了一种高压用户负荷能力分析与需求响应潜力评估系统，用于实现上述的一种高压用户负荷能力分析与需求响应潜力评估方法，包括：

43、获取与预处理模块，用于获取多个高压用户的实时负荷数据，并对各所述高压用户的所述实时负荷数据进行预处理，得到标准负荷运行数据；

44、矩阵构建模块，用于根据所述标准负荷运行数据，分别提取负荷核心特征、负荷曲线特性特征；基于所有所述高压用户对应的所述负荷核心特征和所述负荷曲线特性特征，构建高压用户负荷运行特征矩阵；

45、负荷特征识别模块，用于根据所述标准负荷运行数据中每个所述高压用户的负荷运行数据，提取预设时间内每日对应时段的负荷最小值，构建对应高压用户的负荷最小数据集；从所述负荷最小数据集中筛选出低值样本，并计算所述低值样本的均值，将所述均值作为对应高压用户的保安负荷与办公基础负荷特征；

46、特征集构建模块，用于从所述高压用户负荷运行特征矩阵中获取各所述高压用户对应的负荷曲线特性特征，并基于各所述高压用户对应的负荷曲线特性特征提取对应的光伏出力专属特征与储能充放电专属特征；将各所述高压用户对应的所述光伏出力专属特征、所述储能充放电专属特征、所述负荷曲线特性特征和所述保安负荷与办公基础负荷特征进行融合，构建负荷曲线聚类特征集；其中所述负荷曲线聚类特征集包括多个高压用户负荷曲线特征样本；

47、最优聚类数获取模块，用于根据所述负荷曲线聚类特征集和所述高压用户的业务类型标签，确定聚类数候选区间；依次遍历所述聚类数候选区间中的候选聚类数值，得到最优聚类数；

48、聚类模块，用于基于所述最优聚类数，选取对应初始聚类中心；计算各所述高压用户负荷曲线特征样本到各所述初始聚类中心的距离，并将各所述高压用户负荷曲线特征样本分配至距离最近的聚类簇；通过均值迭代更新各所述聚类簇的聚类中心，直至所述聚类中心收敛，得到负荷曲线样本聚类划分结果；

49、评估模块，用于根据所述保安负荷与办公基础负荷特征和所述负荷曲线样本聚类划分结果，获取不同类型高压用户的负荷运行规律，构建差异化负荷响应能力评价体系并完成潜力评估。

50、本发明的上述技术方案相比现有技术具有以下有益效果：

51、（1）本发明所述的一种高压用户负荷能力分析与需求响应潜力评估方法及系统，通过负荷低值样本均值辨识保安负荷与办公基础负荷，无需新增计量设备，精准区分刚性负荷与柔性可调负荷，避免响应潜力评估虚高。通过融合负荷曲线特征、刚性负荷特征以及光伏、储能专属特征形成聚类特征集，实现源荷联合聚类，有效提升分布式资源高压用户的分群精度。同时结合用户业务类型标签划定聚类数候选区间，将业务先验知识引入寻优过程，克服仅依靠数学指标选聚类数、结果脱离业务实际的弊端。采用最优聚类数完成用户分簇后，结合聚类结果与刚性负荷特征建立差异化负荷响应评价体系，实现可调潜力精细化评估。

52、（2）本发明实现了保安及办公负荷的标准化精准判定、光伏/储能用户的精准聚类与特性分析，以及高压用户负荷能力清单的自动化生成和负荷响应能力的差异化定量化分析，大幅提升了高压用户负荷管理工作效率与精准度，为需求侧负荷管理提供了强有力的数据支撑。