基于拉丁超立方抽样和场景消减的居民用户基线负荷估计方法

作为需求响应的重要形式，激励型需求响应(incentive baseddemandresponse,IBDR)对提升电力系统运行的灵活性具有重要作用。用户基线负荷(customer baseline load,CBL)是计算IBDR参与者经济补偿的依据，其估计准确性会直接影响项目参与者和提供者的利益。在现有CBL估计方法中，对照组法通过不参与需求响应(demand response,DR)项目的用户的实际负荷来估计DR参与者的CBL，相比于其他方法通常估计精度更高。然而当对照组用户数量不足够多时，该方法的估计精度将会急剧下降、甚至完全失效。为解决这一问题，该文提出一种基于拉丁超立方抽样和场景消减的居民用户CBL估计方法。首先基于拉丁超立方抽样和场景消减，生成每个时段的代表性负荷场景，再通过迭代消减融合将单时段场景连接形成日负荷曲线场景，以此增加对照组样本多样性。以伦敦居民用户实测负荷数据为例，验证了该文所提方法具有可行性。