【需求响应】基于数据驱动的需求响应优化及预测研究（Matlab代码实现）
👨🎓个人主页：研学社的博客
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
📚2 运行结果
🎉3 文献来源
🌈4 Matlab代码、数据、文章讲解
💥1 概述
文献来源：
随着电网的波动性不断增加，需求响应（DR）变得越来越重要。当前的灾难恢复方法主要是完全手动和基于规则的，或者涉及基于第一原则的模型，这些模型的构建成本和时间都非常高昂。我们考虑大型建筑的数据驱动最终用户灾难恢复问题，包括预测需求响应基线、评估基于固定规则的灾难恢复策略和综合灾难恢复控制措施。挑战是在快速时间尺度上评估和做出控制决策，以减少建筑物的电力消耗，换取经济回报。我们使用回归树算法（mbCRT）提供了一种基于模型的控制，该算法允许我们对大型商业建筑的DR策略进行闭环控制。对于大型DoE商业参考建筑，我们的数据驱动控制合成算法的性能优于基于规则的DR 17%，并可减少敢达380 kW的功率，节省超过45000美元。我们的方法已集成到一个名为DR Advisor的开源工具中，该工具充当建筑设施管理者的推荐系统，并提供适当的控制措施，以满足所需的负荷削减，同时保持运营并最大化经济回报。DR Advisor对宾夕法尼亚大学校园内的8栋建筑的预测准确率达到92.8–98.9%。我们将DR Advisor与其他数据驱动方法进行比较，并在ASHRAE能源预测基准数据集中排名第二。
随着可再生能源发电的日益普及，电网也正在经历从可预测和可调度发电向可变和不可调度发电的转变。随着可变发电量与传统可调度发电量的相对比例增加，这又增加了电网的不确定性和波动性。世界各地有组织的电力市场都使用某种实时电价来批发电力。PJM是世界上最大的独立系统运营商（ISO）之一，其实时电力市场是一个现货市场，根据电网运行条件每隔五分钟计算一次电价。发电和供应之间的不匹配导致的波动进一步导致电力批发价格的波动。
在几分钟内，PJM电网的部分地区的电价从31美元/MWh上涨了86倍，达到2680美元/MWh[3]。同样，2015年7月，夏季电价从25美元/MWh的平均值飙升32倍，至800美元/MWh。这些事件表明，不可预见和不可控制的情况会极大地影响影响ISO、供应商和客户的电价。能源行业专家现在正在考虑一个概念，即极端天气、更多可再生能源以及由此产生的电价波动可能会成为新的常态
在美国各地，电力公司和国际标准化组织对需求响应（DR）投入了越来越多的注意力和资源[4]
需求响应被认为是缓解可再生能源发电和极端天气条件的不确定性和波动性以及提高电网效率和可靠性的可靠手段。据估计，美国所有需求响应计划的潜在需求响应资源贡献约为72000 MW，约为美国峰值需求的9.2%[5]，使DR成为美国国家电网中最大的虚拟发电机
仅通过PJM ISO，DR市场最终用户的年收入就超过7亿美元[6]。从2014年到2023年，全球灾难恢复收入预计将达到近400亿美元[7]
实时电价的波动对大型电力终端用户（如大型商业建筑、工业和机构）构成最大的运营和财务风险[8]；通常称为C/I/I消费者。为了保护自己免受高价格的波动和风险，这些消费者必须在电力需求方面更加灵活。因此，大型C/I/I客户越来越多地寻求需求响应计划来帮助管理其电力成本。
灾难恢复计划涉及建筑物对电力公司或限功率服务提供商（CSP）发出的价格信号或限功率请求的自愿响应。成功达到所需的限功率水平后，最终用户将获得财务奖励，但也可能因表现不佳或未达到所需限功率水平而受到处罚。表面上看，需求反应似乎很简单。在被要求时减少你的权力并获得报酬。然而，在实践中，终端用户对大规模电力用户需求响应的最大挑战之一是：在收到灾难恢复事件的通知后，终端用户必须采取什么行动才能实现充分和持续的灾难恢复削减？这是一个很难回答的问题，原因如下：
1.建模的复杂性和异质性：与汽车或飞机工业不同，每一栋建筑的设计和使用方式都不同，因此，必须对其进行独特的建模
使用基于第一原理的方法（例如，使用EnergyPlus[9]）学习建筑物动态预测模型是非常昂贵和耗时的，并且需要用几个传感器改装建筑物[10]；开发单个建筑模型所需的用户专业知识、时间和相关传感器成本非常高。这是因为建筑建模领域专家通常使用软件工具从建筑设计和设备布局平面创建建筑的几何图形，添加有关材料财产、设备和操作明细表的详细信息。建模的建筑和真实的建筑之间总是有差距，然后领域专家必须手动调整模型，以匹配来自建筑的测量数据[11]
2.基于规则的灾难恢复的局限性：必须考虑建筑物的运行条件、内部热干扰和环境条件，以做出适当的灾难恢复控制决策，而使用基于规则的和预先确定的灾难恢复策略是不可能的。
图1 如今，大多数灾难恢复都是手动和基于规则的。（a） 基于固定规则的灾难恢复是不一致的，与所需的缩减相比，可能表现不佳，导致灾难恢复惩罚。（b） 使用数据驱动模型，DR Advisor使用DR策略评估和DR策略综合，以实现持续和充分的缩减。
📚2 运行结果
🎉3 文献来源
部分理论来源于网络，如有侵权请联系删除。
