一种虚拟电厂中的需求响应评估方法和系统与流程

1.本发明属于电力技术领域，具体涉及一种虚拟电厂中的需求响应评估方法和系统。


背景技术：

2.近年来，随着分布式发电资源、电力需求侧管理和智能电网的发展，虚拟电厂越来越受到人们的关注。虚拟电厂（virtual power plant，vpp）是一种通过先进信息通信技术和软件系统实现分布式能源（distributedenergy resource，der）大规模接入电网的区域性多能源聚合模式。与微电网相比，vpp中的各der能够不受地域的限制，通过一个控制中心远程调控，在不改变 der 并网的方式下，作为一个特殊电厂参与到电网的运行和调度中，实现der的大规模消纳及优化配置利用。vpp包括直接并网的分布式发电机组以及储能装置、需求侧的可控负荷、电动汽车等灵活性资源。这些资源具有实时、高效和精准的动态响应能力，能够与der 高效互补，从而提升 vpp 的整体效益，使需求侧获得更多效益分成。就此而言，vpp实质上是一种需求侧资源聚合而产生的创新商业模式。近年来，国内外组织实施了诸多工程性的vpp试验和示范项目，在运营管理、通信调度等方面积累了一定的实际经验。对于vpp的研究多集中在技术领域，包括vpp的电源容量配置、内部优化调度策略以及与电网的协调运行等方面。如前所述，vpp的核心意义更多体现在参与电力市场的竞标和运营上，即通过市场手段最大限度地提升分布式能源和需求侧资源的价值。
3.虚拟电厂中的需求响应是一种通过管理和调整用户用电行为，以响应能源市场需求和价格信号的能源管理策略，可以根据市场需求实时调整能源生产和消费，以平衡能源供需，减少对基础电力设施的依赖。需求响应的应用为促进清洁能源的容纳，实现多类型能源的互补，便于负荷侧的灵活互动，提供了一种新的运行方案。因此，需求响应作为一种可以显著提高虚拟电厂竞争力的关键技术被大量使用。但vpp的建设需要依靠重大的技术支持和升级，包括通信设备、自动控制设备、软件平台等，且vpp的经济投资相对较高。因此，对vpp中需求响应效益进行科学全面的评估，有助于分析vpp的经济性和可行性。然而，在现有的vpp中需求响应效益评估方法中，大多数方法都关注vpp内部成本及其全寿命费用，而忽略了电网侧的影响，同时对vpp为利益相关者带来的影响考虑不够全面。如果不考虑电网需求和约束条件，vpp运行带来的经济价值就无法全面评估。因此，如何对于需求响应效果进行准确有效地评估是一个重要的问题。


技术实现要素：

4.为了满足上述需求，本发明提供了一种虚拟电厂中的需求响应评估方法和系统，能够对vpp内需求响应效果进行评估，用以支撑vpp内负荷聚合商参与电力市场交易的模式，以及解决vpp如何与需求响应相结合的问题。
5.本发明的目的是采用下述技术方案实现的：一种虚拟电厂中的需求响应评估方法，所述方法包括：
采集智能电表数据；对所述智能电表数据进行预处理，获得企业电力数据集；以企业电力数据集中，单位时段内的企业电力数据作为样本，采用k-means聚类算法对企业电力数据集进行聚类；基于预定义的需求响应日，选取聚类结果中同一簇类样本下的历史用电负荷数据；将所述历史用电负荷数据输入lstm短期预测模型中进行基线负荷预测，获得需求响应日的基线负荷预测值；根据基线负荷预测值制定需求响应评价指标；结合历史响应数据，确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级。
6.优选的，所述采集智能电表数据包括：将数据采集器连接到智能电表的通信端口，建立通信连接后，通过数据采集器读取智能电表中的数据；其中，所述智能电表数据包括电能使用情况、功率因数、电压电流信息；将所述智能电表数据通过无线网络或有线网络传输到智慧管理服务平台，按照时间顺序存储至智慧管理服务平台的数据库中。
7.进一步地，所述对智能电表数据进行预处理，获得企业电力数据集包括：读取存储于智慧管理服务平台数据库中的智能电表数据，按照不同企业、不同设备回路进行数据标识，获得同一设备回路或者同一企业下的时序电力数据；对时序电力数据进行卡尔曼滤波，并将滤波后的数据进行差分处理，获得企业电力数据集。
8.进一步地，所述需求响应评价指标具体包括：经济型响应指标、紧急型响应指标和其它响应指标；其中，所述经济型响应指标包括：基准负荷、分配响应容量、峰荷性能指标、调度容量可靠性、荷削减量、峰谷差、调峰概率、经济型响应评估系数；所述紧急型响应指标包括：认缴性能指标、调度时间可靠性、负荷反弹量、紧急型响应评估系数；所述其它响应指标包括：能源效率、可调度性、经济性、稳定性、可靠性和用户满意度。
9.优选的，所述结合历史响应数据，确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级包括：采用改进后的二分k-means自聚类算法，对每一个参与响应企业的响应数据进行聚类分析；基于聚类分析结果确定电力企业类别，通过信息熵计算，确定需求响应评价指标与所述电力企业类别以及不同需求响应评价指标之间的相关性；使用预先定义的最佳优先搜索策略生成待评价的指标子集，基于相关性矩阵计算指标子集的评价值，得到最优特征指标子集；根据最优特征指标子集对电力企业行为进行量化，获得企业用户特征画像；根据企业所属行业与生产活动规律，在最优特征指标子集中选择相应指标作为需求响应资源的评估指标，对需求响应资源进行分类分级。
10.进一步地，所述采用改进后的二分k-means自聚类算法，对每一个参与响应企业的响应数据进行聚类分析包括：
对预先采集的对企业原始响应数据进行均值归一化处理；将经过均值归一化处理的数据进行异常剔除后，采用二分k-means聚类算法，将数据按照先后顺序依次选取k个点作为初始的聚类中心，进行聚类中心个数为k的二分k-means聚类；如果当前簇数目未达到预设个数，则对其进行二分k-means处理，形成两个簇；选择其中一个簇继续进行二分k-means聚类，获得三个簇；计算三个簇各自的数据点到其聚类中心点的误差平方和，再对这三个簇的误差平方和再求和，得到总误差平方和sse1;选择另外一个簇继续进行二分k-means聚类，获得三个簇；计算三个簇各自的数据点到其聚类中心点的误差平方和，再对这三个簇的误差平方和再求和，得到总误差平方和sse2；比较sse1和sse2的大小，保留总误差平方和最小的划分结果；针对划分结果中的三个簇分别进行二分k-means处理，最后得到四个簇的总的误差平方和；依次循环，直到簇数目达到预设个数时终止循环，将各簇下的各聚类中心点进行合并，获得聚类分析结果。
11.进一步地，所述将各簇下的各聚类中心点进行合并，获得聚类分析结果包括：计算经过均值归一化处理和异常剔除处理后数据在预设时间段的负荷率最大值和最小值的差；针对二分k-means聚类之后，当任一聚类中心点对应簇的数据在预设时间段的负荷率与另一个聚类中心点对应簇的数据在预设时间段的相邻时间段的负荷率差值小于，则将该聚类中心点对应的两个簇的数据并为一类，合并之后将所有数据的平均值作为新的聚类中心点；将经过一次合并后的数据与其他数据进行二次合并，直到聚类中心点无法合并为止；将合并操作后，各簇的数据量小于等于该企业原始响应数据总数据量的5%的类目剔除。
12.进一步地，所述通过信息熵计算，确定需求响应评价指标与所述电力企业类别以及不同需求响应评价指标之间的相关性具体包括：根据需求响应指标和电力企业类别的信息熵，计算需求响应评价指标与电力企业类别之间的联合信息熵、需求响应指标与需求响应评价指标之间的联合信息增益，以及不同需求响应评价指标之间和需求响应评价指标与电力企业类别的对称不确定性；其中，第i个需求响应指标fi的信息熵h(fi)通过下式确定：式中，mi为需求响应评价指标fi的离散区间数量；fu为需求响应评价指标fi处于第u个离散区间的样本个数；f为总的样本数；电力企业类别c的信息熵h(c)通过下式确定：式中，mc为电力企业类别总数，fv为属于第v个类别的企业总数；第i个需求响应评价指标fi与电力企业类别c之间的联合信息熵h(fi,c)通过下式
确定：
13.式中，f
uv
为需求响应评价指标fi处于第u个离散区间同时属于类别v的样本个数；第i个需求响应评价指标fi与第j个需求响应评价指标fj之间的联合信息增益ig(fi,fj)通过下式确定：式中，mj为指标fj的离散区间数量，f
uw
为指标fi处于第u个离散区间同时指标fj处于第w个离散区间的样本个数；fw为指标fi处于第w个离散区间的样本个数；需求响应评价指标fi、fj之间和需求响应评价指标fi与电力企业类别c的对称不确定性通过下式确定：；式中，su(fi,fj)表示需求响应评价指标fi、fj之间的对称不确定性；su(fi,c)表示需求响应评价指标fi与电力企业类别c的对称不确定性。
14.进一步地，所述使用预先定义的最佳优先搜索策略生成待评价的指标子集，基于相关性矩阵计算指标子集的评价值，得到最优特征指标子集包括：初始化指标子集m为空集，将数量为n个的需求响应评价指标逐一放入m中，组成n种只包含一个需求响应评价指标的组合；分别计算n种组合的评价值，并选择评价值最大的一个指标组合中的需求响应评价指标保留在m中；将已选需求响应评价指标和剩下的n-1个需求响应评价指标逐个组合成含有两个指标的组合后，分别计算n-1种含有两个需求响应评价指标的评价值，挑选评价值最大且大于单个指标最优评价值对应的组合，并将该组合的两个需求响应评价指标保留在m中；以此类推，直到得到评价值最高的需求响应指标组合，并将其定义为最优特征指标子集。
15.进一步地，所述基于相关性矩阵计算指标子集的评价值包括：假设有c个企业类别，某个指标子集有k个需求响应评价指标，则指标子集评价值的计算表达式为：
16.式中，ms表示指标子集的评价值；表示指标与类之间的平均相关性；表示指标与指标之间的平均相关性。
17.进一步地，所述对需求响应资源进行分类分级包括：根据实际响应需求情况和响应任务规模，对选择的评估指标分配权重，以确定各
个评估指标在需求响应评估中的相对重要性；针对每次需求响应的时间和频率并结合行业生产季节情况进行权值修正，对每个需求响应资源按照各个评估指标预先定义的等级和相应权重进行打分，并计算总得分；根据每个需求响应资源的总得分进行排序，以确定需求响应资源的分级顺序。
18.进一步地，所述根据实际响应需求情况和响应任务规模，对选择的评估指标分配权重包括：获取评估指标，构建指标矩阵；将指标矩阵的每一列进行标准化，使得每个评估指标的观测值都在[0,1]范围内；基于每个评估指标的信息熵，确定评估指标的权重，并对评估指标的权重进行归一化处理。
[0019]
一种虚拟电厂中的需求响应评估系统，所述系统包括：采集模块，用于采集智能电表数据；预处理模块，用于对所述智能电表数据进行预处理，获得企业电力数据集；聚类模块，用于以企业电力数据集中，单位时段内的企业电力数据作为样本，采用k-means聚类算法对企业电力数据集进行聚类；基于预定义的需求响应日，选取聚类结果中同一簇类样本下的历史用电负荷数据；预测模块，用于将所述历史用电负荷数据输入lstm短期预测模型中进行基线负荷预测，获得需求响应日的基线负荷预测值；定义模块，用于根据基线负荷预测值制定需求响应评价指标；评估模块，用于结合历史响应数据，确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级.与最接近的现有技术相比，本发明达到的有益效果是：本发明提出的一种虚拟电厂中的需求响应评估方法和系统，包括采集智能电表数据；对智能电表数据进行预处理，获得企业电力数据集；以企业电力数据集中单位时段内的企业电力数据作为样本，采用k-means聚类算法对企业电力数据集进行聚类；基于预定义的需求响应日选取聚类结果中同一簇类样本下的历史用电负荷数据；将历史用电负荷数据输入lstm短期预测模型中进行基线负荷预测，获得需求响应日的基线负荷预测值；根据基线负荷预测值制定需求响应评价指标，结合历史响应数据确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级。通过上述方案实现对响应效果的实时监测、计算和评估，能够更加敏捷有效地掌握需求响应中的进展和问题。对参与虚拟电厂中的企业带来定制化的需求响应评估，为负荷聚合商参与电力日前市场和现货市场提供了支撑，为企业级用户改善自身的需求响应能力提供了指导策略，提升了企业营商环境，促进需求响应与虚拟电厂的市场化运营，指导企业的用电生产规划，减少了用户支付高峰电价的费用，改善了电网高峰期负荷压力，提升虚拟电厂技术调控水平，提升企业的经济性和生产能力。
[0020]
其中，本发明依托智慧管理服务平台完成了电力数据从采集、预处理到基线负荷预测、响应效果评估等过程。整个过程完全实现了自动化流程化，可以实时采集、实时分析、实时评估，在减少数据采集设备的同时能做到准确处理海量数据。
[0021]
其次，借鉴了控制组的思想，用聚类方法对传统平均法做了进一步改进，将历史用电负荷数据输入lstm短期预测模型中，提高了基线负荷预测精度，实现需求响应智能调控与精准预测。
[0022]
同时，采用改进后的二分k-means自聚类算法对每一个参与响应企业的响应数据进行聚类操作，同时，计算需求响应指标与电力企业类别的相关性和需求响应指标之间的相关性，组成相关性矩阵，使用最佳优先搜索策略得到针对每一个行业的最优评价指标子集。综合评估不同企业用户的响应能力和预期响应效果，将响应资源依照需求响应评估体系划分为更适合作为紧急型响应资源或经济型响应资源，制定科学合理的需求响应计划和方案。
[0023]
此外，对于虚拟电厂管理者即聚合运营商来说，本发明可以帮助虚拟电厂管理者了解需求响应活动的实施情况和效果，及时发现问题和不足，提出改进措施和优化方案；支撑虚拟电厂管理者与用户在容量、电量交易上的精准利润分成，提高需求响应参与的积极性和合理性；量化需求响应活动对虚拟电厂自身、市场和电网的贡献和价值，为需求响应活动的决策提供依据和支持；展示需求响应调控的社会效益，提高虚拟电厂的形象和声誉，增强与市场和电网的合作关系，为虚拟电厂和需求响应的规范化、标准化和大范围推广提供价值和参考。
附图说明
[0024]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0025]
图1是本发明提供的一种虚拟电厂中的需求响应评估方法流程图；图2是本发明提供的需求响应评价指标示意图；图3是本发明具体实施方式提供的虚拟电厂中的需求响应评估系统结构示意图；图4是本发明具体实施方式提供的对用户进行特征画像分析方法流程图；图5是本发明具体实施方式提供的改进后的二分k-means自聚类算法流程图；图6是本发明具体实施方式提供的最佳优先搜索策略示意图。
[0026]
附图标记说明：101、采集模块；102、预处理模块；103、聚类模块；104、预测模块；105、定义模块；106、评估模块。
具体实施方式
[0027]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0028]
本发明提供的一种虚拟电厂中的需求响应评估方法和系统，该具体实施方案在以下几个方面具有突出的优越性：1.数据采集和数据清洗。本实施例从智能电表的安装、智能电表数据采集、智能电表数据上传、用电数据的预处理等提供了一套系统的解决方案，实现了数据全方位的自动化采集和处理。在无需人工参与的条件下，利用数据采集器采集智能电表的电量数据信息后，上传到后台智慧管理服务平台进行统一存储、清洗和分析，更好地为用电客户提供准确、及时的负荷监测和电费计算服务。
[0029]
2.工业用户基线负荷预测。本实施例针对高耗能工业用户的用电规律和生产特征，采用响应时段前后历史评估结合人工智能预测的方式，通过对用电企业的历史负荷和设备信息聚类分析和高颗粒度模型优化比对，提出了一种针对工业用户需求响应的高精度
基线负荷预测方法，相较于传统方法，能够更加准确和有效地实现需求响应智能调控和精准评估。
[0030]
3.需求响应评价指标体系。本实施例构建了一套完整的工业用户需求响应效果评价指标体系，结合企业的用电规律和生产特征，从调控、调度、成本等多个角度对于响应的参与和实施效果进行了全面的分析和评价，并给出了具体的实施步骤和计算方法，相较于已有的方案更加具有可操作性和实际价值，能够更加有效准确地对于工业用户参与需求响应的效果进行分析和评判。
[0031]
4.需求响应评估指标应用。本实施例通过改进聚类方法对工业用户用电特征和设备信息等进行了精确分析，基于一种启发式和过滤式相结合的评价指标相关性选择原理和最佳优先搜索方法确定了评价指标的最优特征子集组合，并根据历史响应与近期显著情况、行业与季度性特征、响应频率与时长等，对企业用户进行了完整的响应特征画像和响应资源分类分级，科学合理地应用了指标体系，有利于需求响应智能调控和计划实施。
[0032]
如图1所示，本实施例提供一种虚拟电厂中的需求响应评估方法，具体步骤包括：s1采集智能电表数据；s2对所述智能电表数据进行预处理，获得企业电力数据集；s3以企业电力数据集中，单位时段内的企业电力数据作为样本，采用k-means聚类算法对企业电力数据集进行聚类；基于预定义的需求响应日，选取聚类结果中同一簇类样本下的历史用电负荷数据；s4将所述历史用电负荷数据输入lstm短期预测模型中进行基线负荷预测，获得需求响应日的基线负荷预测值；s5根据基线负荷预测值制定需求响应评价指标；s6结合历史响应数据，确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级。
[0033]
步骤s1中，采集智能电表数据包括：将数据采集器连接到智能电表的通信端口，建立通信连接后，通过数据采集器读取智能电表中的数据；其中，所述智能电表数据包括电能使用情况、功率因数、电压电流信息；将所述智能电表数据通过无线网络或有线网络传输到智慧管理服务平台，按照时间顺序存储至智慧管理服务平台的数据库中。
[0034]
本实施例中，采用非侵入式智能电表数据采集模式，具有更高精度的采集频率和实时更新监测能力以及海量数据处理和扩展能力，对虚拟电厂中的需求响应效能评估与实施具有非常重要的意义。解决了当前虚拟电厂数据采集人力和实施成本较高，存在信息滞后或错误、虚假信息上报等隐患。
[0035]
为充分发挥智能电表的优势，本步骤完成了智能电表的安装、智能电表数据采集、智能电表数据上传等工作，实现了数据全的自动化采集。在无需人工参与的条件下，利用数据采集器采集智能电表的电量数据信息后，上传到后台智慧管理服务平台进行统一存储和分析，更好地为用电客户提供准确、及时的电费计算服务。
[0036]
1.1 智能电表设备安装智能电表安装的硬件施工内容包括：智慧能源监测终端&智慧边缘计算网关，通过
无线组网方式，完成用户电力数据实时采集；智慧dcs接入终端接入企业dcs系统，实现负荷柔性控制；智慧用户交互终端，接受需求响应事件、负荷数据查看、推送需求响应策略。
[0037]
1.2 智能电表数据采集智能电表数据采集分为两个步骤：数据采集器连接和数据读取。数据采集器是连接智能电表和智慧管理服务平台的桥梁，它可以将智能电表的数据读取并传输到智慧管理服务平台中，在这个过程中，首先需要将数据采集器连接到智能电表的通信端口，以建立通信连接。一旦连接建立，数据采集器开始读取智能电表中的数据。智能电表会定期记录电能使用情况、功率因数、电压电流等信息，并将这些数据存储在内部存储器中。数据采集器可以通过通信协议读取智能电表中的这些数据。
[0038]
1.3 智能电表数据上传数据采集完成后，数据采集器将数据通过无线网络或有线网络传输到智慧管理服务平台中，智慧管理服务平台通常是一个集中式的数据处理平台，可以对数据进行实时处理、存储和分析，包括数据存储、清洗、校验、转换和分析等操作，以确保数据的完整性和准确性。最后，智慧管理服务平台会将处理后的数据以可视化的方式展示给用户。用户可以通过数据可视化工具查看智能电表的实时用电情况、用电趋势和用电成本等信息，以帮助用户更好地管理能源使用。
[0039]
步骤s2，对智能电表数据进行预处理，获得企业电力数据集包括：读取存储于智慧管理服务平台数据库中的智能电表数据，按照不同企业、不同设备回路进行数据标识，获得同一设备回路或者同一企业下的时序电力数据；对时序电力数据进行卡尔曼滤波，并将滤波后的数据进行差分处理，获得企业电力数据集。
[0040]
结合步骤s2和s3的方法，数据采集器将智能电表数据采集并上传到智慧管理服务平台后，平台将电厂数据存储在数据库中，在做进一步分析之前，需要从数据库中获取所需数据并进行后续的数据清洗和预处理操作。
[0041]
2.1 数据采集读取数据指从智慧管理服务平台所用数据库中将数据采集器上传的数据读出。该过程需要在获得数据库管理人员授予的相关权限下完成，并且需进一步得到数据库存储的主机地址、端口号、用户名、密码等信息。在上述基础上，可以通过不同的sql语句实现对数据库数据的各种读取需求。
[0042]
2.2 数据标注数据标注指按照不同企业、不同设备回路将数据进行标识。从数据库中读取到的数据是按照时间顺序存储，同一条设备回路的电量数据值是分散的而非集中的，因此为实现设备级需求响应执行效果评价，需要对数据进行标注，达到同一条设备回路的所有时序电力数据汇合在同一个数据集中的效果，该数据集成为设备级数据集，同理，可以产生企业级数据集。
[0043]
2.3 卡尔曼滤波通过经过上述两个步骤，数据的结构已经比较清晰，但数据集中仍旧存在由于采集过程中诸如断电、信号不佳等不可抗拒因素所导致的采集数据缺失、噪声过大等问题，如果不加以处理可能会影响后续建模效果。因此，本实施例先采用卡尔曼滤波进行降噪，目的
是减少预测的噪声和测量的噪声，得到最优估计。
[0044]
卡尔曼滤波是使用上一次的最优结果预测当前的值，同时使用观测值修正当前值，得到最优结果。卡尔曼滤波按照“预测-测量-修正”的顺序进行。在预测阶段：计算电力数据的先验估计值，计算先验估计协方差；在测量阶段通过测量方程获得最优估计；在修正阶段修正估计并输出降噪后的数据；更新卡尔曼稀疏，更新后校验估计协方差。
[0045]
所述方程分别为：所述方程分别为：式中：为k时刻对电力数据的最优估计；为k+1时刻对电力数据的先验估计；wk是均值为0、方差为qk的白噪声；ak为状态转移矩阵；为k+1时刻的先验估计协方差；pk为k时刻的后验估计协方差；y
k+1
为k+1时刻对数据集中记录的电力数据值；hk为观测矩阵；vk是均值为0、方差为rk的白噪声；k
k+1
为k+1时刻的卡尔曼增益；i为单位矩阵。
[0046]
2.4 差分处理差分方法可以将时间序列数据转换为差分序列，这可以使得数据更加平稳，便于建立预测模型。常见的差分方法包括一阶差分和二阶差分，对大多数数据集来说，一阶差分足以使得数据变得平稳，本实施例对电力数据采取一阶差分操作。
[0047]
设原始序列为，则一阶差分后的序列为。一阶差分的还原只需对一阶差分序列求累加得到，对累加后得序列加上原始值x1，即可恢复原始序列。
[0048]
步骤s4中，需求响应日的基线负荷预测值，需要通过需求响应基线负荷估计获得。而基线负荷估计方法可以分为三类：平均法、回归法和控制组法。
[0049]
平均法使用需求响应事件日前过去y个非需求响应事件中x天的平均负载来估计基线负荷。这些方法可以进一步分为highxofy、lowxofy和midxofy三个几个不同的子类别。一般来说，平均方法易于理解和实现，但这个方法在负荷规律性差的情况下，估算结果通常会产生较大的误差。
[0050]
回归方法试图拟合一个线性/非线性函数来描述负荷与解释变量(包括历史负荷
和天气数据（如温度、湿度和风速）之间的关系，然后通过该函数来估计基线负荷。然而，回归方法需要大量的历史数据来估计合适的系数，导致对额外数据的依赖度增加，在实际应用中不容易实现。
[0051]
控制组法是通过使用与需求响应参与者表现出最相似用电负荷数据曲线的非需求响应客户的负载数据来估计基线负荷。在参与者足够多的情况下，控制组法能够起到很好的效果，比两种传统方法精度更高。但是在企业级基线负荷预测角度，获取足够多参与需求响应企业和非参与需求响应企业数据是一件较为困难的事情，因此相对来说，控制组法更适合居民用电基线负荷预测而非企业级基线负荷预测。
[0052]
由于企业用户的用电规律受温度、天气等影响小，且通常生产呈现明显计划性，因此工业用电的负荷一般较为规律和恒定，在这种情况下，选用平均法来估计基线负荷将会取得较高的准确度，该方法也被美国pjm、california iso等公司广泛使用。
[0053]
此外，本具体实施方式中还借鉴了控制组法的思想，用聚类方法对传统平均法做了进一步改进。传统的平均法选择离响应日最近的一周或几周进行基线估算，这种方式虽然快速，但由于极端天气、生产计划等因素的影响，离响应日最近一周的用电规律可能与响应日当天的用电规律大相径庭。而聚类算法可以很好的解决这类问题，聚类算法可以根据每日用负荷曲线对数据进行分类，从更广泛的范围找出与响应日最相似的日期而不局限于距离最近，以保证参考的历史负荷与响应日当天负荷有最强相似性。本实施例在估算基线负荷前，采用了经典的k-means聚类算法，其可解释性强、复杂度低、原理简单，在实际应用中更容易实现。
[0054]
3.1 k-means聚类以一天的电力数据作为一个样本，对企业级或设备级数据集进行聚类，样本的维度取决于采集的粒度，样本的个数取决于采集的天数。在训练模型前，用肘部法选出最佳的聚类个数k，以轮廓系数为衡量指标，绘制出不同k下轮廓系数值变化曲线。随着k的迭代，轮廓系数会逐渐变小，当曲线下降率变缓并出现一个拐点也即“肘”点时，认为此时的k为最佳聚类个数。将样本输入k-means模型后，模型将会把所有样本分成最佳的k类，每一类中都有若干个样本。
[0055]
3.2 基线负荷估计对于工作日需求响应用户的基线负荷估计分3步，采集粒度为1小时：在同一个簇类中，选择离需求响应日最近5天工作日的历史负荷：
[0056]
从5天中选择处于需求响应发生时段的数据：
[0057]
对选中的需求响应发生时段每小时的用电数据计算平均，得到每小时的平均负荷即所求需求响应日响应时段内的基线负荷：
[0058]
对于周末需求响应用户的基线负荷估计分三步，采集粒度为1小时：在同一簇类内选择离需求响应发生日最近的3个周末的历史负荷：
[0059]
从6天中选择处于需求响应发生时段的数据：
[0060]
对选中的需求响应发生时段每小时的用电数据计算平均，得到每小时的平均负荷即所求需求响应日响应时段内的基线负荷：
[0061]
3.3 基线负荷预测与对照同时，本系统还利用深度学习算法对于需求响应用户的基线负荷进行预测，由历史数据输入到lstm短期预测模型中，建立准确率高、通用性强的工业用户负荷短期预测模型，输出未来响应时段的负荷数据，与3.2步骤中的基线负荷估计值进行对照，综合评估得出更加准确的工业用户基线负荷，实现需求响应智能调控与精准预测。
[0062]
步骤s5中，需求响应评价指标具体包括：经济型响应指标、紧急型响应指标和其它响应指标；其中，所述经济型响应指标包括：基准负荷、分配响应容量、峰荷性能指标、调度容量可靠性、荷削减量、峰谷差、调峰概率、经济型响应评估系数；所述紧急型响应指标包括：认缴性能指标、调度时间可靠性、负荷反弹量、紧急型响应评估系数；所述其它响应指标包括：能源效率、可调度性、经济性、稳定性、可靠性和用户满意度。
[0063]
需求响应评价指标的制定规则和方法如下：4.1 评价指标体系构建的原则1）可操作性原则评价指标体系中的各项指标都是可以被观测和衡量的，这对于获取评价结果十分关键，也是验证指标是否可行的一大依据。在本实施例中，考虑数据获取的难易程度，虚拟电厂中各项评价指标在进行量化计算的过程中，数据均来自智能电表或通信系统。电厂内部各发电单元和处理数据均由电厂上传，最后由虚拟电厂控制中心收集。
[0064]
2）独立性原则各项评价指标之间应当尽量避免重叠和交叉，每项指标都能独立地反映评价对象的特定特征。在本实施例中，虚拟电厂评价指标体系主要分为经济型响应指标和紧急型响应指标两大模块，为体现独立性原则，各层次下的各个指标在定义和计算的时候应当尽量避免重复，确保独立地表达电厂参与调度的特征。
[0065]
3）显著性原则在理想状况下，所提各项指标应当100%涵盖评价目标的所有特征，同时指标之间确保完全无关。但在现实环境中很难做到，因此针对评价对象，体系应当至少给出主要指标，用来反映评价对象的主要指标。在虚拟电厂指标体系中，指标是否显著可以通过其贡献能力反映，能力越大，则显著性越强。显著性原则可以剔除某些影响较小的无关指标，降低评估成本，提高效率。
[0066]
4）动态性原则一个良好的评价指标体系应该时刻服务于其评价对象，当评价对象随外界发生变化时，评价体系也应当随之调整。虚拟电厂现在还处于发展和推广阶段，随着技术的日益成
熟，评价指标体系也应当有所更新。
[0067]
5）客观性原则在建立评价指标体系和选择评价方法时，应尽量以客观历史数据为基础，以原始数据的内在信息规律为标准对评价指标进行组合，尽量避免人为主观打分评价过程，保证评价结果的真实性和客观性。
[0068]
6）合理性原则在评价过程中应选取典型且有代表性的指标对不同类型企业的需求响应进行评价，选择恰当和重要的评价指标建立评价指标体系。
[0069]
4.2需求响应评价指标如图2所示。
[0070]
4.3经济型响应指标4.3.1基准负荷cbl1）指标定义基准负荷cbl是指用户在事故期间不实施需求响应的情况下，每小时可能消耗的负荷，这是对未发生情况的一个估计值。预测基准负荷pbl通过加法或者乘法调整后，所得结果称为用户基准负荷cbl。
[0071]
2）指标算法3）指标说明基准负荷cbl的单位为w，将工作日与节假日与非工作日分开计算，与分别表示事件日t事件时刻t时的加法和乘法调整系数。关于调整时段的选择，可根据所实施需求管理措施的具体特点，排除事件时刻t前两三个小时来确定。此外，在基准负荷cbl的计算中，本实施例根据夏季采集得到的智能电表数据，首次采用了前后回看方法同时避开节假日等特殊时期对各企业的基线负荷能力进行了全面的分析预测。本次数据分析采用与响应时段相同的前一周与后一周正常工作日的加权平均作为基准负荷。
[0072]
4.3.2分配响应容量arc1）指标定义由虚拟电厂根据紧急型需求响应或经济型响应分配的负荷量,即响应命令。
[0073]
2）指标算法
[0074]
3）指标说明可分为紧急型和经济型两种，在本实施例中，根据虚拟电厂需求响应台账可以得到各家企业被分配到的响应容量。
[0075]
4.3.3峰荷性能指标ppi1）指标定义客户特定比例的平均交付负荷减少除以他们的非一致峰值需求，ppi是系统平均负荷与最大负荷之比，反映了削峰填谷的效果，负荷率越大，表明负荷曲线越平缓。
[0076]
2）指标算法
3）指标说明p
avg
为测量时间段内的平均设备负荷，p
peak
为非同步设备峰值需求。ppi越接近1说明设备越接近满负荷运行。在本实施例中，使用各家企业在整个夏季响应日内的平均负荷除以最大负荷量得到指标计算结果。
[0077]
4.3.4调度容量可靠性dcr1）指标定义调度容量可靠性从时间维度表征事件期间用户的响应容量与合同认购削减容量的贴合程度，其计算方法与调度时间可靠性类似。以调度容量为基准，实际响应容量偏差在5%的时长权重系数为1.0，偏差在5%~10%的时长权重系数为0.9，偏差在10%~20%的时长权重系数为0.8，其余时长权重系数为0。
[0078]
2）指标算法3）指标说明为用户响应容量偏差在调度容量x%以内的时长。在本实施例中，以企业合同认购的削减容量为基准，与参与响应期间的实际响应容量进行比较，得到不同响应时间段的权重系数，乘以对应时长，得到调度容量可靠性dcr的指标值。
[0079]
4.3.5峰荷削减量plr1）指标定义峰荷削减量是指参与需求响应的用户在需求响应时间发生小时的尖峰负荷减少的值，反映了需求响应项目对系统尖峰负荷的削减能力。在需求响应项目规划中，当系统备用容量不足等情况出现时，峰荷削减量常常作为首要的考核指标之一。系统尖峰负荷出现时间短，但需满足系统尖峰负荷的配套输配电投资规模大。通过虚拟电厂开展需求侧响应，可以节约输配电投资成本。
[0080]
2）指标算法3）指标说明pr表示系统的峰荷削减量；表示在未实施需求响应时，系统的尖峰负荷；表示在实施需求响应时，系统的尖峰负荷。在本实施例中，使用各家企业在未参与需求响应时的最大负荷量减去在实施响应期间企业的最大负荷量，以此来表征企业的负荷削减能力。
[0081]
4.3.6峰谷差pvd1）指标定义削峰填谷是需求响应的重要作用之一，峰谷差是指系统峰负荷与系统谷负荷之间的差值，反映了需求响应中系统削峰填谷的效果。
[0082]
2）指标算法
3）指标说明pd表示系统负荷的峰谷差；p
max
表示系统的最大负荷，p
min
表示系统的最小负荷。在本实施例中，我们使用企业在参与需求响应期间的峰谷差来表征它们削峰填谷的效果，降低负荷高峰，填补负荷低谷，减小电网的负荷峰谷差，使发电、用电趋于平衡。
[0083]
4.3.7调峰概率psp1）指标定义调峰概率指在用户负荷曲线中高峰负荷时段出现的频次。当用户用电行为中出现的高峰负荷概率越大，说明用户的用电灵活性越大，用户调整用电行为的可能性也越大，从而参与虚拟电厂调峰的潜力也越大。
[0084]
2）指标算法3）指标说明r
p
为调峰概率；z
p,k
为第k日的用户用电高峰时段数；z
total
为 1个计量周期内聚合用户高峰时段的总数。
[0085]
4.3.8经济型响应评估系数α21）指标定义经济型需求响应可以参与容量市场和辅助服务市场，此时，需求响应资源以虚拟发电商的形式参与日前市场，在日前市场竞得的容量，并由虚拟电厂向用户分配成为调度计划。
[0086]
2）指标算法3）指标说明α2为经济性需求响应的响应效果综合评估系数。
[0087]
4.4紧急型响应指标4.4.1认缴性能指标spi1）指标定义认缴性能指标spi用来表征用户的合同完成率。根据用户响应后的负荷数据，计算响应期间用户的平均削减容量与合同认购削减容量的比值。认缴性能值越大，用户响应效果越好。
[0088]
2）指标算法
[0089]
3）指标说明spi在1左右波动，为1时最优。
[0090]
pa为事件期间用户的平均削减容量；ps为用户的合同认购削减容量；n为事件持续
时间的离散段数；p
cbl,t
为事件期间t时刻用户的基线负荷；p
a,t
为事件期间t时刻用户的实际负荷。
[0091]
4.4.2调度时间可靠性str1）指标定义调度时间可靠性用来评估用户响应合格的时间占总调度时间的比重。一般认为用户实际响应容量达到调度容量的90%即为合格响应，合格时间越多，调度时间可靠性越高，用户响应效果越好。
[0092]
2）指标算法3）指标说明为t时刻用户的实际削减容量,pi为用户被分配的调度容量r
time
越接近1，即时间可靠性越强。
[0093]
4.4.3负荷反弹量lrb1）指标定义负荷反弹量用来衡量用户调度结束后负荷的变化情况，常用控制结束后用户的平均反弹容量与负荷基线的比值表征用户负荷反弹的相对大小。
[0094]
2）指标算法
[0095]
3）指标说明w为响应结束后超过用户基线的用电量，p为用户基线负荷，为负荷反弹监视时间，越接近0代表响应结束后的负荷反弹越小，可以认为是更好的表现。在本实施例中，用用户负荷反弹量表征在响应时间段结束后，企业的负荷变化情况。
[0096]
4.4.4紧急型响应评估系数α11）指标定义在系统运行备用不足、负荷高峰等紧急状态下，需求响应资源作为一种容量资源，按调度中心指令削减负荷的行为。
[0097]
3）指标算法3）指标说明α1为紧急性需求响应的响应效果综合评估系数；α1范围为0到1，当取1时为最优。
[0098]
4.5其它响应指标4.5.1能源效率用来衡量需求响应方案在降低能源消耗方面的效果。该指标可以通过计算实际能源消耗量与预测能源消耗量的差距来衡量，也可以通过计算能源消耗减少量或减少率来评
价。
[0099]
4.5.2可调度性用来衡量需求响应方案的可调度性和可操作性。该指标可以通过计算实际需求响应时长、响应时间等指标来评价。
[0100]
4.5.3经济性用来衡量需求响应方案的经济效益。该指标可以通过计算需求响应方案的节约成本和实施成本的比值来评价。
[0101]
4.5.4稳定性用来衡量需求响应方案对电网稳定性的影响。该指标可以通过计算需求响应方案实施前后电网频率、电压等指标的变化情况来评价。
[0102]
4.5.5可靠性用来衡量需求响应方案的可靠性和可持续性。该指标可以通过计算需求响应方案实施前后电网可靠性指标的变化情况来评价。
[0103]
4.5.6用户满意度用来衡量消费者在需求响应方案中的参与度和满意度。该指标可以通过调查问卷、统计反馈意见等方法来评价。
[0104]
步骤s6，结合历史响应数据，确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级包括：采用改进后的二分k-means自聚类算法，对每一个参与响应企业的响应数据进行聚类分析；基于聚类分析结果确定电力企业类别，通过信息熵计算，确定需求响应评价指标与所述电力企业类别以及不同需求响应评价指标之间的相关性；使用预先定义的最佳优先搜索策略生成待评价的指标子集，基于相关性矩阵计算指标子集的评价值，得到最优特征指标子集；根据最优特征指标子集对电力企业行为进行量化，获得企业用户特征画像；根据企业所属行业与生产活动规律，在最优特征指标子集中选择相应指标作为需求响应资源的评估指标，对需求响应资源进行分类分级。
[0105]
如图4所示，分析与处理电力企业用电数据是构建其行为画像的第一步，区分用电偏好不同的企业有助于对其行为特征进行准确刻画。针对电力用户用电数据体量大、分布广的特性，利用改进的二分k-means自聚类算法建立局部数据模型，对传统聚类算法进行修正，提高算法的有效性和高效性。如图5所示，改进后的二分k-means自聚类算法流程主要是对每一个参与响应企业的响应数据进行聚类操作。
[0106]
其中，采用改进后的二分k-means自聚类算法，对每一个参与响应企业的响应数据进行聚类分析包括：对预先采集的对企业原始响应数据进行均值归一化处理；将经过均值归一化处理的数据进行异常剔除后，采用二分k-means聚类算法，将数据按照先后顺序依次选取k个点作为初始的聚类中心，进行聚类中心个数为k的二分k-means聚类；如果当前簇数目未达到预设个数，则对其进行二分k-means处理，形成两个簇；选择其中一个簇继续进行二分k-means聚类，获得三个簇；计算三个簇各自的数据点到其聚
类中心点的误差平方和，再对这三个簇的误差平方和再求和，得到总误差平方和sse1；选择另外一个簇继续进行二分k-means聚类，获得三个簇；计算三个簇各自的数据点到其聚类中心点的误差平方和，再对这三个簇的误差平方和再求和，得到总误差平方和sse2；比较sse1和sse2的大小，保留总误差平方和最小的划分结果；针对划分结果中的三个簇分别进行二分k-means处理，最后得到四个簇的总的误差平方和；依次循环，直到簇数目达到预设个数时终止循环，将各簇下的各聚类中心点进行合并，获得聚类分析结果。
[0107]
其中，将各簇下的各聚类中心点进行合并，获得聚类分析结果包括：计算经过均值归一化处理和异常剔除处理后数据在预设时间段的负荷率最大值和最小值的差；针对二分k-means聚类之后，当任一聚类中心点对应簇的数据在预设时间段的负荷率与另一个聚类中心点对应簇的数据在预设时间段的相邻时间段的负荷率差值小于，则将该聚类中心点对应的两个簇的数据并为一类，合并之后将所有数据的平均值作为新的聚类中心点；将经过一次合并后的数据与其他数据进行二次合并，直到聚类中心点无法合并为止；将合并操作后，各簇的数据量小于等于该企业原始响应数据总数据量的5%的类目剔除。
[0108]
（1）对数据进行均值归一化处理对电力响应数据的归一化处理操作，即每一个数据样本除以所有数据样本的均值，经过归一化处理后的数据会限定在某一个范围之内。
[0109]
（2）对数据进行异常剔除在电力响应数据的分析中，对异常数据进行剔除具有非常重要的意义，首先异常响应数据的数量一般比较小，在众多的响应数据中不具备代表性；其次，异常响应数据的存在还会给数据聚类和分析的结果带来较大误差，使得最终的结果不具备说服力。在二分自聚类算法中，对异常数据进行剔除的主要方法是将大于某一个阈值的数据进行剔除，经过异常数据剔除之后的样本数据具备较高的代表性，对后续的用户画像分析具有重要意义。
[0110]
（3）初始中心点设定初始中心点的设定对于聚类算法运行的过程和最终聚类的结果都会产生较大的影响，传统k-means算法的初始中心点的设定往往都是随机性的，这使得聚类在收敛的过程中往往会浪费更多的资源，且会导致最终聚类结果的精度不高。二分k-means自聚类算法则克服了这一缺点，通过顺序排位的方法来选取初始的中心点。
[0111]
（4）中间二分聚类过程对于企业，将其所有数据进行聚类个数为k的二分k-means聚类，如果当前类个数没有达到预期想要的个数，对其进行聚类个数是2的k-means算法处理，形成2个类。如果当前类个数也还没达到预期想要的个数，则继续下面的操作：对其中的一个类再进行二分的k-means处理，计算此时最终这三个类各自的点到其类中心点的误差平方和，再对这三个类的误差平方和再求和，记录此时的总误差平方和
sse1;对于另外的一个类进行同样的操作，得到此时的总误差平方和sse2；比较sse1和sse2的大小，保留总误差平方和最小的划分结果。
[0112]
此时会得到3个类，同样的对于这3个类分别进行二分k-means处理，计算每种处理，最后得到4个类的总的误差平方和。
[0113]
依次循环，直到当前类个数达到预期的类个数时，循环终止。
[0114]
（5）中心点的合并操作对进行二分聚类后得到的中心点进行合并，一次合并规则如下：先计算归一化和异常剔除处理后数据集每一个小时的最大值和最小值的差，某个小时h的负荷率差记为。
[0115]
按二分k-means聚类之后的中心线的自然顺序去判断[1] [2] ，如果两两之间都符合合并条件的中心线就可以合并为一类。其中：两条中心的合并规则如下：对于一条中心线这个小时和另一条中心线相邻的小时符合率差小于（注：设定1万个数据p=0.2），则这个小时符合合并条件，如果24个小时都符合合并条件，则将这两条中心线对应的两个类的数据集合并为一类，合并之后将所有数据的平均值作为新的中心。
[0116]
合并完一次后，对合并之后形成的新的数据和中心再进行第二次合并，循环操作，直到中心不能再合并为止。
[0117]
（6）数据再次剔除操作合并操作之后，将数据量小于等于该企业总数据量的5%的类别剔除。
[0118]
指标选择是电力企业行为画像中的重要环节，在构建用户画像的过程中，反映用户互动潜力的需求响应指标众多，可能存在冗余指标，难以精简体现用户互动行为，因此在指标选择时，应考虑指标的有效性以及指标之间的冗余度。本实施例采用的电力用户用电指标选择与量化方法如下：首先构建基于评价指标体系的电力用户原始特征集，在此基础上度量各个指标的相关性1）原始指标集电力用户用电特征体现在用户负荷曲线特性上，针对负荷特性的分析指标有：（1）经济型响应指标：基准负荷cbl、分配响应容量arc、峰荷性能指标ppi、调度容量可靠性dcr、峰荷削减量plr、峰谷差pvd、调峰概率psp、经济性响应评估系数α2。
[0119]
（2）紧急型响应指标：认缴性能指标spi、调度时间可靠性str、负荷反弹量lrb、紧急型响应评估系数α1。
[0120]
2）计算相关性基于相关性的评价指标选择原理是一种启发式和过滤式相结合的方法，其核心思想是利用相关性矩阵计算该评价指标子集的评价值，选择评价值最大对应的指标子集作为最优特征子集组合。
[0121]
需求响应指标与电力企业类别之间以及不同需求响应指标是以信息熵作为衡量标准，表示的意义分别为已知该需求响应指标时电力企业类别的不确定性减少程度和已知需求响应指标时另一个需求响应指标不确定性减小程度。在计算过程中，为了让每个需求
响应指标更具有统计学意义，先将其值进行归一化处理，然后将指标变量区间离散化，从而得到各个需求响应指标变量的概率分布，最后完成需求响应指标与电力用户类别以及不同需求响应指标之间的相关性衡量标准——信息熵的计算。
[0122]
通过信息熵计算，确定需求响应评价指标与所述电力企业类别以及不同需求响应评价指标之间的相关性具体包括：根据需求响应指标和电力企业类别的信息熵，计算需求响应评价指标与电力企业类别之间的联合信息熵、需求响应指标与需求响应评价指标之间的联合信息增益，以及不同需求响应评价指标之间和需求响应评价指标与电力企业类别的对称不确定性；其中，第i个需求响应指标fi的信息熵h(fi)通过下式确定：式中，mi为需求响应评价指标fi的离散区间数量；fu为需求响应评价指标fi处于第u个离散区间的样本个数；f为总的样本数；电力企业类别c的信息熵h(c)通过下式确定：式中，mc为电力企业类别总数，fv为属于第v个类别的企业总数；第i个需求响应评价指标fi与电力企业类别c之间的联合信息熵h(fi,c)通过下式确定：
[0123]
式中，f
uv
为需求响应评价指标fi处于第u个离散区间同时属于类别v的样本个数；第i个需求响应评价指标fi与第j个需求响应评价指标fj之间的联合信息增益ig(fi,fj)通过下式确定：式中，mj为指标fj的离散区间数量，f
uw
为指标fi处于第u个离散区间同时指标fj处于第w个离散区间的样本个数；fw为指标fi处于第w个离散区间的样本个数；需求响应评价指标fi、fj之间和需求响应评价指标fi与电力企业类别c的对称不确定性通过下式确定：；式中，su(fi,fj)表示需求响应评价指标fi、fj之间的对称不确定性；su(fi,c)表示需求响应评价指标fi与电力企业类别c的对称不确定性。
[0124]
如图6所示，使用预先定义的最佳优先搜索策略生成待评价的指标子集，基于相关性矩阵计算指标子集的评价值，得到最优特征指标子集包括：初始化指标子集m为空集，将数量为n个的需求响应评价指标逐一放入m中，组成n种只包含一个需求响应评价指标的组合；分别计算n种组合的评价值，并选择评价值最大的一个指标组合中的需求响应评价指标保留在m中；将已选需求响应评价指标和剩下的n-1个需求响应评价指标逐个组合成含有两个指标的组合后，分别计算n-1种含有两个需求响应评价指标的评价值，挑选评价值最大且大于单个指标最优评价值对应的组合，并将该组合的两个需求响应评价指标保留在m中；以此类推，直到得到评价值最高的需求响应指标组合，并将其定义为最优特征指标子集。
[0125]
其中，基于相关性矩阵计算指标子集的评价值包括：假设有c个企业类别，某个指标子集有k个需求响应评价指标，则指标子集评价值的计算表达式为：
[0126]
式中，ms表示指标子集的评价值；表示指标与类之间的平均相关性；表示指标与指标之间的平均相关性。
[0127]
步骤s6中，对需求响应资源进行分类分级包括：根据实际响应需求情况和响应任务规模，对选择的评估指标分配权重，以确定各个评估指标在需求响应评估中的相对重要性；针对每次需求响应的时间和频率并结合行业生产季节情况进行权值修正，对每个需求响应资源按照各个评估指标预先定义的等级和相应权重进行打分，并计算总得分；根据每个需求响应资源的总得分进行排序，以确定需求响应资源的分级顺序。
[0128]
其中，根据企业所属行业与生产活动规律选择评估指标，如响应成本、响应性能的可用性、稳定性、有效性、灵活性等。
[0129]
评估指标预先定义的等级可根据实际情况选择评估等级，根据不同行业的负载调控率和生产经济成本价值，例如，响应成本可以分为高、中、低三个等级，响应性能也可以分为高、中、低三个等级等。
[0130]
此外，根据实际响应需求情况和响应任务规模，对选择的评估指标分配权重包括：获取评估指标，构建指标矩阵；将指标矩阵的每一列进行标准化，使得每个评估指标的观测值都在[0,1]范围内；基于每个评估指标的信息熵，确定评估指标的权重，并对评估指标的权重进行归一化处理。
[0131]
本发明使用熵权法来分配权重，它的基本思路是根据指标差异性的大小来确定客观权重。一般来说，若某个指标的信息熵越小，表明指标值的差异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。相反，某个指标的信息熵越大，表明指标值的差异程度越小，提供的信息量也越少，在综合评价中所起到的作用也越小，其权重也就越小。
[0132]
具体计算流程如下：
获取评估指标，构建指标矩阵；构建指标矩阵：设有n类评估指标，记为；将n类指标在m类样本上的观测值组成一个n
×
m的指标矩阵x：
[0133]
使用如下公式进行标准化：其中，xi是第i类评估指标的观测值，是标准化后的观测值；通过下式计算每个评估指标的信息熵ei：：其中，p
ij
是评估指标i在第j个样本中的观测值的概率，x
i,j
是评估指标i在第j个样本中的观测值，是评估指标i在所有样本中的观测值的和；通过下式计算评估指标的权重wi，使用如下公式：其中，ei是评估指标i的信息熵，n是评估指标的数量，是其他评估指标的信息熵之和。
[0134]
归一化权重。对所有权重进行归一化处理，使得它们之和为1，公式如下：其中，w
i’是归一化后的权重。
[0135]
实施例2：基于同一发明构思，本具体实施方式还提供一种与上述方法对应的虚拟系统：一种虚拟电厂中的需求响应评估系统。参考图3所示，其包括：采集模块101，用于采集智能电表数据；预处理模块102，用于对所述智能电表数据进行预处理，获得企业电力数据集；聚类模块103，用于以企业电力数据集中，单位时段内的企业电力数据作为样本，采用k-means聚类算法对企业电力数据集进行聚类；基于预定义的需求响应日，选取聚类结
果中同一簇类样本下的历史用电负荷数据；预测模块104，用于将所述历史用电负荷数据输入lstm短期预测模型中进行基线负荷预测，获得需求响应日的基线负荷预测值；定义模块105，用于根据基线负荷预测值制定需求响应评价指标；评估模块106，用于结合历史响应数据，确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级。
[0136]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术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、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
[0137]
本技术是参照根据本技术实施例的方法、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。
[0138]
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。
[0139]
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。
[0140]
最后应当说明的是：以上实施例仅用以说明本技术的技术方案而非对其保护范围的限制，尽管参照上述实施例对本技术进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本技术后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，这些变更、修改或者等同替换，其均在其申请待批的权利要求范围之内。

技术特征：
1.一种虚拟电厂中的需求响应评估方法，其特征在于，所述方法包括：采集智能电表数据；对所述智能电表数据进行预处理，获得企业电力数据集；以企业电力数据集中，单位时段内的企业电力数据作为样本，采用k-means聚类算法对企业电力数据集进行聚类；基于预定义的需求响应日，选取聚类结果中同一簇类样本下的历史用电负荷数据；将所述历史用电负荷数据输入lstm短期预测模型中进行基线负荷预测，获得需求响应日的基线负荷预测值；根据基线负荷预测值制定需求响应评价指标；结合历史响应数据，确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级。2.如权利要求1所述的方法，其特征在于，所述采集智能电表数据包括：将数据采集器连接到智能电表的通信端口，建立通信连接后，通过数据采集器读取智能电表中的数据；其中，所述智能电表数据包括电能使用情况、功率因数、电压电流信息；将所述智能电表数据通过无线网络或有线网络传输到智慧管理服务平台，按照时间顺序存储至智慧管理服务平台的数据库中。3.如权利要求1所述的方法，其特征在于，所述对智能电表数据进行预处理，获得企业电力数据集包括：读取存储于智慧管理服务平台数据库中的智能电表数据，按照不同企业、不同设备回路进行数据标识，获得同一设备回路或者同一企业下的时序电力数据；对时序电力数据进行卡尔曼滤波，并将滤波后的数据进行差分处理，获得企业电力数据集。4.如权利要求2所述的方法，其特征在于，所述需求响应评价指标具体包括：经济型响应指标、紧急型响应指标和其它响应指标；其中，所述经济型响应指标包括：基准负荷、分配响应容量、峰荷性能指标、调度容量可靠性、荷削减量、峰谷差、调峰概率、经济型响应评估系数；所述紧急型响应指标包括：认缴性能指标、调度时间可靠性、负荷反弹量、紧急型响应评估系数；所述其它响应指标包括：能源效率、可调度性、经济性、稳定性、可靠性和用户满意度。5.如权利要求1所述的方法，其特征在于，所述结合历史响应数据，确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级包括：采用改进后的二分k-means自聚类算法，对每一个参与响应企业的响应数据进行聚类分析；基于聚类分析结果确定电力企业类别，通过信息熵计算，确定需求响应评价指标与所述电力企业类别以及不同需求响应评价指标之间的相关性；使用预先定义的最佳优先搜索策略生成待评价的指标子集，基于相关性矩阵计算指标子集的评价值，得到最优特征指标子集；根据最优特征指标子集对电力企业行为进行量化，获得企业用户特征画像；根据企业所属行业与生产活动规律，在最优特征指标子集中选择相应指标作为需求响应资源的评估指标，对需求响应资源进行分类分级。
6.如权利要求5所述的方法，其特征在于，所述采用改进后的二分k-means自聚类算法，对每一个参与响应企业的响应数据进行聚类分析包括：对预先采集的对企业原始响应数据进行均值归一化处理；将经过均值归一化处理的数据进行异常剔除后，采用二分k-means聚类算法，将数据按照先后顺序依次选取k个点作为初始的聚类中心，进行聚类中心个数为k的二分k-means聚类；如果当前簇数目未达到预设个数，则对其进行二分k-means处理，形成两个簇；选择其中一个簇继续进行二分k-means聚类，获得三个簇；计算三个簇各自的数据点到其聚类中心点的误差平方和，再对这三个簇的误差平方和再求和，得到总误差平方和sse1；选择另外一个簇继续进行二分k-means聚类，获得三个簇；计算三个簇各自的数据点到其聚类中心点的误差平方和，再对这三个簇的误差平方和再求和，得到总误差平方和sse2；比较sse1和sse2的大小，保留总误差平方和最小的划分结果；针对划分结果中的三个簇分别进行二分k-means处理，最后得到四个簇的总的误差平方和；依次循环，直到簇数目达到预设个数时终止循环，将各簇下的各聚类中心点进行合并，获得聚类分析结果。7.如权利要求6所述的方法，其特征在于，所述将各簇下的各聚类中心点进行合并，获得聚类分析结果包括：计算经过均值归一化处理和异常剔除处理后数据在预设时间段的负荷率最大值和最小值的差 ；针对二分k-means聚类之后，当任一聚类中心点对应簇的数据在预设时间段的负荷率与另一个聚类中心点对应簇的数据在预设时间段的相邻时间段的负荷率差值小于，则将该聚类中心点对应的两个簇的数据并为一类，合并之后将所有数据的平均值作为新的聚类中心点；将经过一次合并后的数据与其他数据进行二次合并，直到聚类中心点无法合并为止；将合并操作后，各簇的数据量小于等于该企业原始响应数据总数据量的5%的类目剔除。8.如权利要求5所述的方法，其特征在于，所述通过信息熵计算，确定需求响应评价指标与所述电力企业类别以及不同需求响应评价指标之间的相关性具体包括：根据需求响应指标和电力企业类别的信息熵，计算需求响应评价指标与电力企业类别之间的联合信息熵、需求响应指标与需求响应评价指标之间的联合信息增益，以及不同需求响应评价指标之间和需求响应评价指标与电力企业类别的对称不确定性；其中，第i个需求响应指标f
i
的信息熵h(f
i
)通过下式确定：；式中，m
i
为需求响应评价指标f
i
的离散区间数量；f
u
为需求响应评价指标f
i
处于第u个离散区间的样本个数；f为总的样本数；电力企业类别c的信息熵h(c)通过下式确定：式中，m
c
为电力企业类别总数，f
v
为属于第v个类别的企业总数；
第i个需求响应评价指标f
i
与电力企业类别c之间的联合信息熵h(f
i
,c)通过下式确定：；式中，f
uv
为需求响应评价指标f
i
处于第u个离散区间同时属于类别v的样本个数；第i个需求响应评价指标f
i
与第j个需求响应评价指标f
j
之间的联合信息增益ig(f
i
,f
j
)通过下式确定：式中，m
j
为指标f
j
的离散区间数量，f
uw
为指标f
i
处于第u个离散区间同时指标f
j
处于第w个离散区间的样本个数；f
w
为指标f
i
处于第w个离散区间的样本个数；需求响应评价指标f
i
、f
j
之间和需求响应评价指标f
i
与电力企业类别c的对称不确定性通过下式确定：；式中，su(f
i
,f
j
)表示需求响应评价指标f
i
、f
j
之间的对称不确定性；su(f
i
,c)表示需求响应评价指标f
i
与电力企业类别c的对称不确定性。9.如权利要求5所述的方法，其特征在于，所述使用预先定义的最佳优先搜索策略生成待评价的指标子集，基于相关性矩阵计算指标子集的评价值，得到最优特征指标子集包括：初始化指标子集m为空集，将数量为n个的需求响应评价指标逐一放入m中，组成n种只包含一个需求响应评价指标的组合；分别计算n种组合的评价值，并选择评价值最大的一个指标组合中的需求响应评价指标保留在m中；将已选需求响应评价指标和剩下的n-1个需求响应评价指标逐个组合成含有两个指标的组合后，分别计算n-1种含有两个需求响应评价指标的评价值，挑选评价值最大且大于单个指标最优评价值对应的组合，并将该组合的两个需求响应评价指标保留在m中；以此类推，直到得到评价值最高的需求响应指标组合，并将其定义为最优特征指标子集。10.如权利要求9所述的方法，其特征在于，所述基于相关性矩阵计算指标子集的评价值包括：假设有c个企业类别，某个指标子集有k个需求响应评价指标，则指标子集评价值的计算表达式为：式中，m
s
表示指标子集的评价值；表示指标与类之间的平均相关性；表示指标与指标之间的平均相关性。
11.如权利要求5所述的方法，其特征在于，所述对需求响应资源进行分类分级包括：根据实际响应需求情况和响应任务规模，对选择的评估指标分配权重，以确定各个评估指标在需求响应评估中的相对重要性；针对每次需求响应的时间和频率并结合行业生产季节情况进行权值修正，对每个需求响应资源按照各个评估指标预先定义的等级和相应权重进行打分，并计算总得分；根据每个需求响应资源的总得分进行排序，以确定需求响应资源的分级顺序。12.如权利要求11所述的方法，其特征在于，所述根据实际响应需求情况和响应任务规模，对选择的评估指标分配权重包括：获取评估指标，构建指标矩阵；将指标矩阵的每一列进行标准化，使得每个评估指标的观测值都在[0,1]范围内；基于每个评估指标的信息熵，确定评估指标的权重，并对评估指标的权重进行归一化处理。13.一种虚拟电厂中的需求响应评估系统，其特征在于，所述系统包括：采集模块，用于采集智能电表数据；预处理模块，用于对所述智能电表数据进行预处理，获得企业电力数据集；聚类模块，用于以企业电力数据集中，单位时段内的企业电力数据作为样本，采用k-means聚类算法对企业电力数据集进行聚类；基于预定义的需求响应日，选取聚类结果中同一簇类样本下的历史用电负荷数据；预测模块，用于将所述历史用电负荷数据输入lstm短期预测模型中进行基线负荷预测，获得需求响应日的基线负荷预测值；定义模块，用于根据基线负荷预测值制定需求响应评价指标；评估模块，用于结合历史响应数据，确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级。

技术总结
本发明涉及一种虚拟电厂中的需求响应评估方法和系统，包括采集智能电表数据；对智能电表数据进行预处理，获得企业电力数据集；以企业电力数据集中单位时段内的企业电力数据作为样本，采用K-Means聚类算法对企业电力数据集进行聚类；基于预定义的需求响应日选取聚类结果中同一簇类样本下的历史用电负荷数据；将历史用电负荷数据输入LSTM短期预测模型中进行基线负荷预测，获得需求响应日的基线负荷预测值；根据基线负荷预测值制定需求响应评价指标，结合历史响应数据确定需求响应评价指标的最优子集，对用户进行特征画像分析和需求响应资源的分类分级。通过上述方案实现对响应效果的实时监测、计算和评估，能够更加敏捷有效地掌握需求响应中的进展和问题。地掌握需求响应中的进展和问题。地掌握需求响应中的进展和问题。


技术研发人员：罗小虎 张达 黄耕 杨玺 张希良 梁珩 游跃
受保护的技术使用者：北京圆声能源科技有限公司
技术研发日：2023.07.13
技术公布日：2023/8/13