需求响应基线负荷的估计方法、设备及存储介质与流程

1.本发明涉及电力系统负荷的需求响应技术领域，具体涉及一种需求响应基线负荷的估计方法。


背景技术：

2.以新能源为主导的新型电力系统中发电侧调节能力显著下降，亟待充分挖掘需求侧的调节能力，弥补新能源并网所造成的灵活性匮乏。
3.需求响应将需求侧资源作为供应侧电能的可替代资源，削减用户负荷，达到提高社会资源利用率的目的。需求响应实施者通过向参与者支付补偿金的方式来激励用户在特定时段内(即需求响应时间窗)改变用电行为(负荷削减或增加)。参与补偿金等于负荷响应量与其补偿单价的乘积。负荷响应量为“用户不参与需求响应本应消耗的负荷与参与需求响应后实际消耗的负荷两者之差的绝对值”，后者为用户在需求响应时段的实际负荷，前者即为用户基线负荷。用户一旦执行了激励型需求响应，其基线负荷在现实中便无法通过测量获得，必须对其进行估计。
4.准确的基线负荷估计对于需求响应的实施非常重要，因为它直接影响需求响应实施者和参与者双方的经济利益。然而，平均法、回归法和对照组法等现有用户基线负荷估计方法在需求响应日负荷特性与日常典型负荷模式比较相似时性能良好，但在需求响应日负荷特性与日常典型模式不够相似时精度较差。对于负荷模式较为复杂多变的居民用户，此缺陷更加突出。此外，由于对历史数据的高度依赖，现有估计方法在历史数据缺失的情况下准确性急剧下降、甚至完全失效，无法应用于那些新加入需求响应项目缺少历史数据记录的用户。


技术实现要素：

5.针对需求响应基线负荷估算的种种弊端，本发明旨在提供一种多源数据下的基线负荷综合估计方法，从历史数据和当日数据共同分析，以提高基线负荷估计的精度。
6.为实现上述目的，本发明采用了以下技术方案：
7.一种需求响应基线负荷的估计方法，包括以下步骤，
8.步骤1：根据需求响应日前指定天数的用电负荷数据，采用平均法估计需求响应日内的用户基线负荷；
9.步骤2：根据需求响应日内所有用户的用电负荷数据，采用分段对照组法估计需求响应日内的用户基线负荷；
10.步骤3：在需求响应日内非需求响应时段内，分别计算步骤1中所提出的平均法和步骤2中分段对照组法的误差，根据两者非需求响应时段的误差，拟合得到需求响应日内需求响应时段的用户基线负荷。
11.进一步地，所述步骤1具体包括，
12.选取待估计需求响应日前y天的用户历史用电负荷数据，剔除其中不具有代表性
的天数即历史需求响应日和节假日，直到补足y天；
13.再从这y天中选取日负荷水平最高的x天，计算中x天中各时刻负荷均值作为需求响应日内的用户基线负荷：
[0014][0015]
式中，表示按照平均法估计的需求响应日内用户基线负荷，high(x,y)表示需求响应日前满足条件的y天中负荷水平最高的x天的集合，表示high(x,y)集合中第d天第t时段的负荷值。
[0016]
进一步地，所述步骤2具体包括，
[0017]
步骤2.1在需求响应日内，按照是否参与需求响应，将用户分为需求响应用户和非需求响应用户，且将非需求响应用户的集合作为对照组；
[0018]
步骤2.2设需求响应日内共发生了多次需求响应，则需求响应日内存在n个非需求响应时段且有其中：和分别为第i个非需求响应时段的起止时刻；
[0019]
步骤2.3采用图3k-means算法将对照组内的所有非需求响应用户在需求响应日内进行聚类，形成k个负荷聚类曲线
[0020]
步骤2.4获取需求响应日内，需求响应用户在n个非需求响应时段的负荷曲线片段，以表示；将分别与k个聚类负荷曲线上对应的非需求响应时间段的负荷曲线片段进行映射，即在某一非需求响应时间片段内，找到满足追求两者之间误差最小的第j条负荷聚类曲线具体如公式(2)所示：
[0021][0022]
同时，计算n个非需求响应时段内的负荷曲线片段与对应第j条负荷聚类曲线之间的误差，具体如下式所示：
[0023][0024]
步骤2.5设为第i个非需求响应时段内的负荷曲线片段映射到第j条负荷聚类曲线，再根据步骤2.4得到的分段误差αi，将需求响应日内需求响应用户在n个非需求响应时段内的负荷曲线片段所分别映射的聚类曲线i＝1,2,...,n；j＝1,2,...,k进行加权处理，得到分段对照组法下的需求响应日内的用户基线负荷：
[0025][0026]
进一步地，所述步骤3具体步骤如下，
[0027]
步骤3.1计算在需求响应日内，按照步骤1所述的平均法得到的用户基线负荷在n个非需求响应时段内与真实数据的误差：
[0028][0029]
其中：和分别表示平均法估算的用户基线负荷和用户真实负荷在第i个非需求响应时段内的误差；
[0030]
步骤3.2计算在需求响应日内，按照步骤2所述的分段对照组法得到的用户基线负荷在n个非需求响应时段内与真实数据的误差：
[0031][0032]
其中：和分别表示按分段对照组法估算的用户基线负荷和用户真实负荷在第i个非需求响应时段内的误差；
[0033]
步骤3.3根据步骤3.1和步骤3.2得到的误差大小，对用户基线负荷的开展加权组合预测，得到用户基线负荷p
t
，具体如下：
[0034][0035]
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
[0036]
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
[0037]
由上述技术方案可知，本发明提出了一种考虑分段对照组法的用户基线负荷估计方法，将需求响应内的负荷分为需求响应用户和非需求响应用户，对大量非需求响应用户进行聚类，并将需求响应用户在非需求响应时段内的负荷曲线与非需求响应用户聚类曲线进行映射，进而通过映射前后值的误差，加权估算需求响应用户在需求响应时段内基线负荷。同时，为了提高基线负荷估算的精度，将采用传统平均法的需求响应基线估算方法也纳入，按照其误差加权得到最终的负荷基线。与现有负荷基线负荷估算方法相比，本发明的所提出的方法具有更加广泛的应用范围，可用于居民负荷、商业负荷以及工业负荷等各种负荷波动较大且复杂多变的场合，能够显著提高负荷基线的估算精度，所述的方法，所考虑的因素更加接近实际运行，计算结果能够显著提升规划的技术经济效益。
[0038]
本发明针对现有基线负荷估计方法固有的“不同步匹配”误差机理，即其输入数据(历史负荷数据)和输出数据(基线负荷)在时间上的不同步导致现有基线负荷估计方法出现较大估计误差的原因。本发明提出的一种需求响应基线负荷的估计方法，根据需求响应日内所有用户的用电负荷数据，采用基于同步模式匹配原理的分段对照组法估计需求响应日内的用户基线负荷，解决了现有估计方法的不同步匹配问题，能够有效提升估计精度，且估计过程不需要任何历史数据。同时，将基于历史日数据的、不同步匹配的平均值法和基于需求日数据的、同步匹配的分段对照组法进行最优组合，提出了一种基于最优权重组合的
用户基线估计方法，充分融合了两种估计方法的优点，大大提高了估计的精度。
[0039]
与现有的技术相比，本发明的改进之处及有益效果体现如下：
[0040]
(1)本发明将传统的估计需求响应日内的用户基线负荷的对照组法进行了改进和扩展，充分考虑需求响应日内的多次需求响应，利用dr时段前后的负荷信息来进行dr用户和对照组的同步匹配。且该估计方法不依赖于任何历史数据，对于新加入需求响应、缺乏足够历史数据的用户仍然适用。
[0041]
(2)本发明将基于历史日数据的、不同步匹配的平均值法和基于需求日数据的、同步匹配的分段对照组法进行最优组合，提出了一种基于最优权重组合的用户基线估计方法，充分融合了两种估计方法的优点，有效防止了多段需求持续时间过长、需求响应的反弹效应等对所提方法性能的影响，大大提高了估计的精度。
附图说明
[0042]
图1是本发明实施例的方法流程图；
[0043]
图2是需求响应日内需求响应时段示意图；
[0044]
图3k-means算法计算过程。
具体实施方式
[0045]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
[0046]
需求响应将需求侧资源作为供应侧电能的可替代资源，通过价格信号和激励机制改变其用电行为，从而充分发挥其在提升电力系统供需平衡能力、削峰填谷、促进新能源消纳等方面的应有作用。评价需求响应实施效果的关键在于用户基线负荷的确定，因为它直接影响需求响应实施者和参与者双方的经济利益。但是，用户一旦执行了需求响应，其基线负荷在现实中便无法通过测量获得，必须对其进行估计。然而，平均法、回归法和对照组法等现有用户基线负荷估计方法在需求响应日负荷特性与日常典型负荷模式比较相似时性能良好，但在需求响应日负荷特性与日常典型模式不够相似时精度较差。对于负荷模式较为复杂多变的居民用户，此缺陷更加突出。此外，由于对历史数据的高度依赖，现有估计方法在历史数据缺失的情况下准确性急剧下降、甚至完全失效，无法应用于那些新加入需求响应项目缺少历史数据记录的用户。
[0047]
为此，本发明实施例提出了一种考虑分段对照组法的用户基线负荷估计方法，将需求响应内的负荷分为需求响应用户和非需求响应用户，对大量非需求响应用户进行聚类，并将需求响应用户在非需求响应时段内的负荷曲线与非需求响应用户聚类曲线进行映射，进而通过映射前后值的误差，加权估算需求响应用户在需求响应时段内基线负荷。同时，为了提高基线负荷估算的精度，将采用传统平均法的需求响应基线估算方法也纳入，按照其误差加权得到最终的负荷基线。与现有负荷基线负荷估算方法相比，本发明的所提出的方法具有更加广泛的应用范围，可用于居民负荷、商业负荷以及工业负荷等各种负荷波动较大且复杂多变的场合，能够显著提高负荷基线的估算精度，所述的方法，所考虑的因素更加接近实际运行，计算结果能够显著提升规划的技术经济效益。
[0048]
如图1所示，本实施例所述的需求响应基线负荷的估计方法，包括以下步骤，
[0049]
步骤1：根据需求响应日前一定天数的用电负荷数据，采用平均法估计需求响应日内的用户基线负荷。具体方法如下：
[0050]
选取待估计需求响应日前y天的用户历史用电负荷数据，剔除其中不具有代表性的天数(历史需求响应日和节假日)，直到补足y天。再从这y天中选取日负荷水平最高的x天，计算中x天中各时刻负荷均值作为需求响应日内的用户基线负荷。
[0051][0052]
式中，表示按照平均法估计的需求响应日内用户基线负荷，high(x,y)表示需求响应日前满足条件的y天中负荷水平最高的x天的集合，表示high(x,y)集合中第d天第t时段的负荷值。
[0053]
步骤2：根据需求响应日内所有用户的用电负荷数据，采用分段对照组法估计需求响应日内的用户基线负荷；
[0054]
步骤2.1在需求响应日内，按照是否参与需求响应，将用户分为需求响应用户和非需求响应用户，得到k个非需求响应用户的全天负荷曲线并且将所有非需求响应用户的集合作为对照组。
[0055]
步骤2.2设需求响应日内共发生了多次需求响应，则需求响应日内存在n个非需求响应时段具体如图2所示。从图中可见，有其中：和分别为第i个非需求响应时段的起止时刻。
[0056]
步骤2.3将对照组内的所有非需求响应用户在需求响应日内进行聚类，形成k个负荷聚类曲线具体包括如下6个步骤。
[0057]
步骤2.3.1将k个未参加需求响应的用户负荷曲线步骤2.3.1将k个未参加需求响应的用户负荷曲线进行标幺化处理，即ppndr.it＝pndr.itmax(pndr.it)i＝1,...k,；
[0058]
步骤2.3.2将作为样本数据合集，随机选择k(k远远小于k)个样本作为聚类中心；
[0059]
步骤2.3.3分别计算出样本中其他样本距离这k个聚类中心的距离，并把这些样本分别作为自己最近的那个聚类中心的类别；
[0060]
步骤2.3.4对上述分类完的样本再进行每个类别求平均值，求解出新的聚类质心；
[0061]
步骤2.3.5与前一次计算得到的k个聚类质心比较，如果聚类质心发生变化，转步骤2.3.3，否则转步骤2.3.6；
[0062]
步骤2.3.6当质心不发生变化时(当找到一个质心，在每次迭代中被分配到这个质心上的样本都是一致的，即每次新生成的簇都是一致的，所有的样本点都不会再从一个簇转移到另一个簇，质心就不会变化了)，停止并输出聚类结果。k-means算法计算过程如图3所示：
[0063]
步骤2.4获取需求响应日内，需求响应用户在n个非需求响应时段的负荷曲线片段，以表示。将分别与k个聚类负荷曲线上对应的非需求响应时间段的负荷曲线
片段进行映射，即在某一非需求响应时间片段内，找到满足追求两者之间误差最小的第j条负荷聚类曲线具体如公式(2)所示：
[0064][0065]
同时，计算n个非需求响应时段内的负荷曲线片段与对应第j条负荷聚类曲线之间的误差，具体如下式所示：
[0066][0067]
步骤2.5设为第i个非需求响应时段内的负荷曲线片段映射到第j条负荷聚类曲线，再根据步骤2.4得到的分段误差αi，将需求响应日内需求响应用户在n个非需求响应时段内的负荷曲线片段所分别映射的聚类曲线进行加权处理，得到分段对照组法下的需求响应日内的用户基线负荷，并，；
[0068][0069]
步骤3：在需求响应日内非需求响应时段内，分别计算步骤1中所提出的平均法和步骤2中分段对照组法的误差，根据两者非需求响应时段的误差，拟合得到需求响应日内需求响应时段的用户基线负荷。
[0070]
步骤3.1计算在需求响应日内，按照步骤1所述的平均法得到的用户基线负荷在n个非需求响应时段内与真实数据的误差：
[0071][0072]
其中：和分别表示平均法估算的用户基线负荷和用户真实负荷在第i个非需求响应时段内的误差。
[0073]
步骤3.2计算在需求响应日内，按照步骤2所述的分段对照组法得到的用户基线负荷在n个非需求响应时段内与真实数据的误差：
[0074][0075]
其中：和分别表示按分段对照组法估算的用户基线负荷和用户真实负荷在第i个非需求响应时段内的误差。
[0076]
步骤3.3根据步骤3.1和步骤3.2得到的误差大小，对用户基线负荷的开展加权组合预测，得到用户基线负荷p
t
，具体如下：
[0077]
[0078]
以下举例说明：
[0079]
本发明使用的仿真数据集来自某地实测数据。本发明选取了其中763个居民用户在2020年全年的负荷数据进行仿真分析，数据采样分辨率为1小时。
[0080]
在dr执行后，真实的基线负荷就不复存在。因此为了评价基线负荷估计方法的性能，通常需要在那些“类dr日”(即与实际需求响应日具有相似条件但实际又未执行dr事件的日子)上进行测试。在“类dr日”，由于实际并没有执行dr，因此实际测量得到的负荷值就是真实的基线负荷。本发明采用三个评价指标对基线负荷估计方法进行评价，分别是准确性、偏差和鲁棒性。
[0081]
(1)准确性。准确性可由估计值与真实值的平均绝对误差(meanabsolute error，mae)来衡量，如下式所示。
[0082][0083]
式中，和分别表示第n个dr用户在第d个dr日第t时段负荷基线的估计值和真实值；n表示待估计dr用户的数量；d表示待估计的dr日数量；|δ|表示dr持续时长(小时数)；显然，mae越小，cbl估计就越准确。
[0084]
(2)偏差。
[0085]
偏差(bias)可用负荷基线估计值和真实值的代数差来表示，如下式所示。
[0086][0087]
与mae不同，bias计算用的是真实值和估计值之间的代数差而非绝对值，这意味着bias有正负之分。如果bias为正数，表明负荷基线估计值大于其真实值，也就是说项目提供者需要支付更多的经济补偿给项目参与者；反之，项目参与者得到的补偿少于其本该获得的补偿。相比于mae，bias与dr项目提供者和参与者的利益更加相关。显然，bias越接近于0，表明负荷基线估计的偏差越小，负荷基线估计方法越好。
[0088]
(3)鲁棒性。鲁棒性指的是cbl估计方法在不同场景下的适应能力(包括对于不同用户、不同的dr日和不同的dr时段)，其可由相对误差比(relative error ratio，rer)来衡量，第n个dr用户的rer值可由下式计算得到。
[0089][0090]
式中，std(
·
)表示取标准差；avg(
·
)表示取平均值；和b
n,d
(δ)∈r
|δ|
别表示在dr事件窗口δ的负荷基线估计值和实际值。
[0091]
计算所有用户的rer后取平均得到最终的rer值，该值越小表明负荷基线估计方法的鲁棒性越好。
[0092]
表1列出了几种不同的基线负荷估计方法在不同场景下的对比结果(平均性能)。
[0093]
表1不同场景下不同基线负荷估计方法指标对比结果
[0094][0095][0096]
具体而言，在上述5种cbl估计方法中，本发明所提出的方法在偏差和鲁棒性方面表现出了最佳的性能，并且估计结果较高的准确性。
[0097]
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
[0098]
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
[0099]
在本技术提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一需求响应基线负荷的估计方法。
[0100]
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
[0101]
本技术实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，
[0102]
存储器，用于存放计算机程序；
[0103]
处理器，用于执行存储器上所存放的程序时，实现上述需求响应基线负荷的估计方法。
[0104]
上述电子设备提到的通信总线可以是外设部件互连标准(英文：peripheral component interconnect，简称：pci)总线或扩展工业标准结构(英文：extended industry standard architecture，简称：eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
[0105]
通信接口用于上述电子设备与其他设备之间的通信。
[0106]
存储器可以包括随机存取存储器(英文：random access memory，简称：ram)，也可以包括非易失性存储器(英文：non-volatile memory，简称：nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0107]
上述的处理器可以是通用处理器，包括中央处理器(英文：central processing unit，简称：cpu)、网络处理器(英文：network processor，简称：np)等；还可以是数字信号
处理器(英文：digital signal processing，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)、现场可编程门阵列(英文：field-programmable gate array，简称：fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0108]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0109]
需要说明的是，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0110]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0111]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种需求响应基线负荷的估计方法，其特征在于，包括以下步骤，步骤1：根据需求响应日前指定天数的用电负荷数据，采用平均法估计需求响应日内的用户基线负荷；步骤2：根据需求响应日内所有用户的用电负荷数据，采用分段对照组法估计需求响应日内的用户基线负荷；步骤3：在需求响应日内非需求响应时段内，分别计算步骤1中所提出的平均法和步骤2中分段对照组法的误差，根据两者非需求响应时段的误差，拟合得到需求响应日内需求响应时段的用户基线负荷。2.根据权利要求1所述的需求响应基线负荷的估计方法，其特征在于：所述步骤1具体包括，选取待估计需求响应日前y天的用户历史用电负荷数据，剔除其中不具有代表性的天数即历史需求响应日和节假日，直到补足y天；再从这y天中选取日负荷水平最高的x天，计算中x天中各时刻负荷均值作为需求响应日内的用户基线负荷：式中，表示按照平均法估计的需求响应日内用户基线负荷，high(x,y)表示需求响应日前满足条件的y天中负荷水平最高的x天的集合，表示high(x,y)集合中第d天第t时段的负荷值。3.根据权利要求2所述的需求响应基线负荷的估计方法，其特征在于：所述步骤2具体包括，步骤2.1在需求响应日内，按照是否参与需求响应，将用户分为需求响应用户和非需求响应用户，且将非需求响应用户的集合作为对照组；步骤2.2设需求响应日内共发生了多次需求响应，则需求响应日内存在n个非需求响应时段且有其中：和分别为第i个非需求响应时段的起止时刻；步骤2.3采用图3k-means算法将对照组内的所有非需求响应用户在需求响应日内进行聚类，形成k个负荷聚类曲线步骤2.4获取需求响应日内，需求响应用户在n个非需求响应时段的负荷曲线片段，以表示；将分别与k个聚类负荷曲线上对应的非需求响应时间段的负荷曲线片段进行映射，即在某一非需求响应时间片段内，找到满足追求两者之间误差最小的第j条负荷聚类曲线具体如公式(2)所示：
同时，计算n个非需求响应时段内的负荷曲线片段与对应第j条负荷聚类曲线之间的误差，具体如下式所示：步骤2.5设为第i个非需求响应时段内的负荷曲线片段映射到第j条负荷聚类曲线，再根据步骤2.4得到的分段误差α
i
，将需求响应日内需求响应用户在n个非需求响应时段内的负荷曲线片段所分别映射的聚类曲线进行加权处理，得到分段对照组法下的需求响应日内的用户基线负荷：4.根据权利要求3所述的需求响应基线负荷的估计方法，其特征在于：所述步骤2.3具体包括，步骤2.3.1、将k个未参加需求响应的用户负荷曲线进行标幺化处理，即步骤2.3.2将作为样本数据合集，随机选择k个样本作为聚类中心，k远远小于k；步骤2.3.3分别计算出样本中其他样本距离这k个聚类中心的距离，并把这些样本分别作为自己最近的那个聚类中心的类别；步骤2.3.4对上述分类完的样本再进行每个类别求平均值，求解出新的聚类质心；步骤2.3.5与前一次计算得到的k个聚类质心比较，如果聚类质心发生变化，转步骤2.3.3，否则转步骤2.3.6；步骤2.3.6当质心不发生变化时，停止并输出聚类结果。5.根据权利要求4所述的需求响应基线负荷的估计方法，其特征在于：所述步骤3具体步骤如下，步骤3.1计算在需求响应日内，按照步骤1所述的平均法得到的用户基线负荷在n个非需求响应时段内与真实数据的误差：其中：和分别表示平均法估算的用户基线负荷和用户真实负荷在第i个非需求
响应时段内的误差；步骤3.2计算在需求响应日内，按照步骤2所述的分段对照组法得到的用户基线负荷在n个非需求响应时段内与真实数据的误差：其中：和分别表示按分段对照组法估算的用户基线负荷和用户真实负荷在第i个非需求响应时段内的误差；步骤3.3根据步骤3.1和步骤3.2得到的误差大小，对用户基线负荷的开展加权组合预测，得到用户基线负荷p
t
，具体如下：6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。

技术总结
本发明的一种需求响应基线负荷的估计方法、设备及存储介质，包括将需求响应内的负荷分为需求响应用户和非需求响应用户，对大量非需求响应用户进行聚类，并将需求响应用户在非需求响应时段内的负荷曲线与非需求响应用户聚类曲线进行映射，进而通过映射前后值的误差，加权估算需求响应用户在需求响应时段内基线负荷。同时，将采用传统平均法的需求响应基线估算方法也纳入，按照其误差加权得到最终的负荷基线。本发明具有更加广泛的应用范围，可用于居民负荷、商业负荷以及工业负荷等各种负荷波动较大且复杂多变的场合，能够显著提高负荷基线的估算精度，所述的方法，所考虑的因素更加接近实际运行，计算结果能够显著提升规划的技术经济效益。的技术经济效益。的技术经济效益。


技术研发人员：单永梅 赵伟 韩周 陈义林 孙永 周浩
受保护的技术使用者：安徽南瑞中天电力电子有限公司
技术研发日：2023.06.08
技术公布日：2023/10/15