一种行业典型用户电力需求响应潜力评估方法

技术领域

本发明涉及电力需求响应领域，特别是涉及一种行业典型用户电力需求响应潜力评估方法。

背景技术

大力发展风电、光伏等清洁新能源成为我国能源转型的必经之路，但是，新能源由于其随机性、不可控等特点，给电网的安全稳定运行带来了极大的风险，对电网的调节能力提出了更高的要求。需求响应能够通过激励用户主动改变自身用电行为，从而克服新能源的高渗透率带来的不确定性，是提升电网调节能力的有效手段。售电公司对行业用户进行聚类，提取典型用电类型，并根据各典型用电类型的需求响应潜力匹配其需完成的需求响应指标，采用各种激励策略对相应用电类型的行业用户发起需求响应邀约，用户可根据自身的负荷特征与需求响应意愿决定是否参与需求响应。然而，现有方法未能同时从行业用户负荷数据中提取用户的客观需求响应特征和主观需求响应意愿特征，因此现有方法评估行业用户的典型需求响应潜力时准确性不高。

发明内容

本发明的目的是提供一种行业典型用户电力需求响应潜力评估方法，该方法首先利用集成经验模态分解方法对用户负荷序列进行分解，克服了模态混叠问题，所得本征模态函数分量能准确表征负荷序列的特征，有效提高了客观需求响应特征序列提取的准确度；然后基于行业用户需求响应特征，采用卷积自注意力建立需求响应特征与用户需求响应潜力的映射关系，不仅能够捕获时间序列中的长期和短期依赖关系，而且考虑了各时段特征的局部上下文信息，能更好地将其纳入到多头自注意力机制中，更有效地提取用户的需求响应潜力特征，提高评估结果的准确性，为售电公司精准调度提供了新思路，具有良好的实际应用价值。

本发明具体采用以下技术方案实现：

一种行业典型用户电力需求响应潜力评估方法，包括如下步骤：

S1、基于负荷分解结果和需求响应意愿提取行业用户需求响应特征；

S2、基于行业用户需求响应特征和卷积自注意力机制实现行业典型用户需求响应潜力的评估。

其中，所述S1包括：

S11，基于集成经验模态分解方法，对行业典型用户的负荷序列进行分解，基于负荷分解结果提取反映行业典型用户客观需求响应特征的指标向量；

各行业的用电类型，以及行业内各用户的用电特性均存在较大的差异，深入分析行业用户的负荷变化特点，并准确把握典型负荷的变化规律，是精准评估行业典型用户需求响应潜力的前提。所谓行业典型用户需求响应潜力，是指行业典型的用户负荷对应的需求响应潜力，代表对应行业用电类型的平均需求响应能力。因此，为准确评估行业典型用户的需求响应潜力，需首先划分行业用电类型，并辨识表征不同用电类型的典型负荷曲线。考虑到正态云模型能充分地挖掘负荷曲线的局部动态特征，且密度峰值快速聚类算法具有预设参数少、计算效率高、对数据分布的适应性较好，但难以准确确定聚类中心等特点，本发明拟基于正态云模型和改进密度峰值快速聚类算法对行业的用电类型进行划分，并辨识其典型负荷曲线。由于本发明的重心是行业用户的典型需求响应潜力评估，因此，行业用电类型划分和典型负荷曲线辨识的步骤将不在此赘述。

实际中，行业用户典型负荷可视为不同分量的叠加，不同分量对负荷变化特点的影响存在差异，因此，有必要对行业用户的典型负荷序列进行分解，并解析出代表行业典型需求响应特性规律的分量。利用经验模态分解方法对行业用户的负荷序列进行分解，可获得能表征原始负荷序列不同局部特征的本征模态函数及其余项，但经验模态分解方法存在模态混叠问题，使分解结果产生错误的本征模态函数分量，从而使本征模态函数无法准确地表征负荷序列的特征。考虑到集成经验模态分解方法能通过添加白噪声来克服传统经验模态分解方法的不足，因此，本发明拟提出基于集成经验模态分解方法的行业用户负荷序列分解方法，并提取表征用户客观需求响应特征的序列。

基于正态云模型和改进密度峰值快速聚类算法将某行业划分为M个用电类型，表示为集合C

其中，G

典型负荷序列的高频分量IMF

其中，

在实际生产中，根据生产流程和工序的差异，可按时段将上述获得的剩余周期分量

其中，

综上，典型负荷m的客观需求响应特征向量

其中，

S12，基于用户的历史响应电量、有效响应次数、签约容量等调查统计数据，建立反映用户需求响应意愿的指标体系，提取用户的主观需求响应特征。

行业典型用户的需求响应潜力不仅与典型负荷序列的变化趋势、剩余周期序列，以及台阶序列有关，还需综合考虑行业用电类型中各用户在各时段的需求响应意愿。基于行业用电类型中各用户的历史实际响应电量、有效响应次数、签约容量、用户报价等数据，提取表征行业用户需求响应意愿的主观需求响应特征，即实际响应电量比率、有效响应次数比率、邀约响应容量比率、需求响应补贴电价比率。

(1)实际响应电量比率

其中，

(2)有效响应次数比率

其中，

(3)签约响应容量比率

其中，

(4)DR补贴单价比率

其中，

综上，典型负荷m的主观需求响应特征向量为：

基于式(4)和式(9)，得典型负荷m的主客观需求响应特征向量为

其中，所述S2具体为：

根据提取的行业典型用户的需求响应特征，基于多头自注意力评估行业典型用户的需求响应潜力。

为获得精准的行业典型用户需求响应潜力评估结果，本发明将基于卷积自注意力，建立需求响应特征与需求响应潜力的映射关系。行业用户的需求响应特征向量具有明显的时序特征，且其需求响应潜力在不同时段也存在差异。考虑到自注意力机制能够学习需求响应特征序列中每个时段特征间的依赖关系，并将其编码为一个向量，且不同时段的需求响应特征可采用不同的注意力头对其进行加权处理，以实现不同时段需求响应特征的融合，具有较好的泛化能力，因此，基于多头自注意力机制评估行业典型用户的需求响应潜力，能提高评估结果的准确性。以由两层编码器和两层解码器组成的多头自注意力模型为例，基本原理如附图2所示。其中，B

(1)需求响应特征的位置编码

行业典型用户不同时段的需求响应潜力存在差异，取决于输入的不同时段的需求响应特征，即评估行业典型用户需求响应潜力需考虑不同时段需求响应特征间的相对顺序关系。因此，可将每个时段看作需求响应特征序列中的一个位置，对输入的需求响应特征进行位置编码，如式(10)，使得多头自注意力模型能更好地识别需求响应特征序列中不同时段的相对位置关系，提高模型对需求响应特征序列的理解能力和需求响应潜力评估结果的准确性。

需求响应特征的位置编码的基本思路为：①设需求响应特征序列包含时段数为N，即有N个位置需要编码，表示为p

P

当向量维度d为奇数时，式(10)最后一项为sin(nω

上述位置编码方法可确保需求响应特征序列不同位置的编码向量之间的距离相等，从而让需求响应潜力评估模型能够识别不同位置之间的相对位置关系，进而更好地处理需求响应特征序列数据。

(2)需求响应潜力评估的多头自注意力层

需求响应潜力的评估结果不仅取决于对应时段的需求响应特征，还会受相邻时段需求响应特征的影响。附图2所示需求响应潜力评估模型中的多头自注意力层通过在需求响应特征序列中进行自注意力计算，获得输入需求响应特征序列中不同时段需求响应特征之间的关系，即不仅关注相邻时段的需求响应特征，还关注任意两个时段需求响应特征之间的关系，从而可增强需求响应特征序列的表示能力。

多头自注意力中的“多头”指从不同的“视角”学习到输入需求响应特征序列中的不同特征和关系，如时段特征、削峰或填谷类别、需求响应潜力评估结果置信度等。多头自注意力机制会将输入需求响应特征序列分别进行线性映射，然后分成多个“头”，每个头对映射后的输入需求响应特征序列进行注意力计算，并学习到不同的权重分配。将多个注意力头的输出进行拼接操作合并在一起，形成最终的多头注意力表示。

多头自注意力的基本原理如附图3，首先，通过h(h＝1,2,3)个不同的线性映射，将用户的需求响应特征矩阵R映射为

其中，

(3)需求响应潜力评估的残差连接和层归一化

为了加速多头自注意力模型的训练，同时提高模型的泛化能力，需引入跨层连接，即附图2中各编码器和解码器中的每个模块后都会有一个残差连接和层归一化。具体而言，残差连接是将各子层的输入和输出相加，得到新的输出，并通过层归一化将输出向量归一化为正态分布，如式(13)，为梯度反向传播创建一条直接通路，防止梯度消失，进而提高模型的训练效率和泛化能力。

其中，

(4)需求响应潜力评估的全连接前馈网络

为了处理输入需求响应特征序列中的非线性关系，以进一步提高多头自注意力的需求响应潜力评估模型的表达能力和泛化能力，需采用全连接前馈网络对每个残差连接和层归一化的输出分别进行一个或多个线性变换和一个非线性变换，如式(14)所示。其中，线性变换是将残差连接和层归一化的输出转化为新的向量表示，非线性变换是通过一个激活函数将线性变换的结果进行非线性变换。

其中，f

在多头自注意力的基础上，进一步提出基于卷积自注意力的行业典型用户的需求响应潜力评估方法，以便将各时段特征的局部上下文信息更好地纳入到多头自注意力机制中。

虽然不同时段的负荷或需求响应特征相同，但其对应的需求响应潜力仍可能存在差异，如削峰或填谷属性，即仅考虑输入单一时段需求响应特征的逐点点积自注意力将降低需求响应潜力评估结果的准确性。为了提高评估结果的准确性，有必要考虑输入时段特征的相邻时段信息，因此，本发明拟在多头自注意力的基础上提出卷积自注意力，通过因果卷积产生多时段需求响应特征的Q

由附图4可知，若直接采用传统的逐点点积自注意力机制，输入的需求响应特征序列中取值相同的时段可能对应相同的注意力得分，但各时段对应的需求响应潜力存在差异；若采用卷积自注意力机制，可通过使用因果卷积生成的Q

综上，以行业用户各时段客观需求响应特征和主观需求响应特征作为需求响应潜力评估的输入特征，基于卷积自注意力的行业用户典型需求响应潜力评估框架如附图5所示。

本发明的有益效果为：

本发明所提供的一种行业典型用户电力需求响应潜力评估方法，利用集成经验模态分解对用户负荷序列进行分解，克服了模态混叠问题，所得本征模态函数分量能准确表征负荷序列的特征，有效提高了客观需求响应特征序列提取的准确度。采用卷积自注意力建立需求响应特征与用户需求响应潜力的映射关系，不仅能够捕获时间序列中的长期和短期依赖关系，而且考虑了各时段特征的局部上下文信息，能更好地将其纳入到多头自注意力机制中，更有效地提取用户的需求响应潜力特征，提高评估结果的准确性，为售电公司精准调度提供了新思路，具有良好的实际应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的剩余周期分量的时段划分；

图2为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的基于多头自注意力的行业典型用户需求响应潜力评估原理；

图3为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的需求响应潜力评估的多头自注意力的基本原理；

图4为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的需求响应潜力评估的卷积自注意力基本架构；

图5为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的基于卷积自注意力的行业用户典型需求响应潜力评估框架；

图6为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的一个实施例的行业用户的用电类型划分，及其典型负荷曲线辨识；

图7为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的一个实施例的日间双峰I型典型负荷曲线的集成经验模态分解结果；

图8为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的一个实施例的S-G滤波后的剩余周期分量；

图9为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的一个实施例的日间双峰I型典型负荷曲线的台阶序列；

图10为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的一个实施例的日间双峰I型用电类型的行业用户的典型需求响应潜力；

图11为本发明实施例提供的行业典型用户电力需求响应潜力评估方法的一个实施例的不同方法所得的用户需求响应潜力评估结果比较。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在一种具体实施方式中，所述行业典型用户电力需求响应潜力评估方法，包括：

S1、基于负荷分解结果和需求响应意愿提取行业用户需求响应特征；

S2、基于行业用户需求响应特征和卷积自注意力机制实现行业典型用户需求响应潜力的评估。

在一个实施例中，所述步骤S1还包括：

S11，基于集成经验模态分解方法，对行业典型用户的负荷序列进行分解，基于负荷分解结果提取反映行业典型用户客观需求响应特征的指标向量；

各行业的用电类型，以及行业内各用户的用电特性均存在较大的差异，深入分析行业用户的负荷变化特点，并准确把握典型负荷的变化规律，是精准评估行业典型用户需求响应潜力的前提。所谓行业典型用户需求响应潜力，是指行业典型的用户负荷对应的需求响应潜力，代表对应行业用电类型的平均需求响应能力。因此，为准确评估行业典型用户的需求响应潜力，需首先划分行业用电类型，并辨识表征不同用电类型的典型负荷曲线。考虑到正态云模型能充分地挖掘负荷曲线的局部动态特征，且密度峰值快速聚类算法具有预设参数少、计算效率高、对数据分布的适应性较好，但难以准确确定聚类中心等特点，本发明拟基于正态云模型和改进密度峰值快速聚类算法对行业的用电类型进行划分，并辨识其典型负荷曲线。由于本发明的重心是行业用户的典型需求响应潜力评估，因此，行业用电类型划分和典型负荷曲线辨识的步骤将不在此赘述。

实际中，行业用户典型负荷可视为不同分量的叠加，不同分量对负荷变化特点的影响存在差异，因此，有必要对行业用户的典型负荷序列进行分解，并解析出代表行业典型需求响应特性规律的分量。利用经验模态分解方法

基于正态云模型和改进密度峰值快速聚类算法将某行业划分为M个用电类型，表示为集合C

其中，G

典型负荷序列的高频分量IMF

其中，

在实际生产中，根据生产流程和工序的差异，可按时段将上述获得的剩余周期分量

其中，

综上，典型负荷m的客观需求响应特征向量

其中，

S12，基于用户的历史响应电量、有效响应次数、签约容量等调查统计数据，建立反映用户需求响应意愿的指标体系，提取用户的主观需求响应特征。

行业典型用户的需求响应潜力不仅与典型负荷序列的变化趋势、剩余周期序列，以及台阶序列有关，还需综合考虑行业用电类型中各用户在各时段的需求响应意愿。基于行业用电类型中各用户的历史实际响应电量、有效响应次数、签约容量、用户报价等数据，提取表征行业用户需求响应意愿的主观需求响应特征，即实际响应电量比率、有效响应次数比率、邀约响应容量比率、需求响应补贴电价比率。

(1)实际响应电量比率

其中，

(2)有效响应次数比率

其中，

(3)签约响应容量比率

其中，

(4)需求响应补贴单价比率

其中，

综上，典型负荷m的主观需求响应特征向量为：

基于式(4)和式(9)，得典型负荷m的主客观需求响应特征向量为

在一个实施例中，所述S2中：

根据提取的行业典型用户的需求响应特征，基于多头自注意力评估行业典型用户的需求响应潜力。

为获得精准的行业典型用户需求响应潜力评估结果，本节将基于卷积自注意力，建立需求响应特征与需求响应潜力的映射关系。行业用户的需求响应特征向量具有明显的时序特征，且其需求响应潜力在不同时段也存在差异。考虑到自注意力机制能够学习需求响应特征序列中每个时段特征间的依赖关系，并将其编码为一个向量，且不同时段的需求响应特征可采用不同的注意力头对其进行加权处理，以实现不同时段需求响应特征的融合，具有较好的泛化能力，因此，基于多头自注意力机制评估行业典型用户的需求响应潜力，能提高评估结果的准确性。以由两层编码器和两层解码器组成的多头自注意力为例，基本原理如附图2所示。其中，B

(1)需求响应特征的位置编码

行业典型用户不同时段的需求响应潜力存在差异，取决于输入的不同时段的需求响应特征，即评估行业典型用户需求响应潜力需考虑不同时段需求响应特征间的相对顺序关系。因此，可将每个时段看作需求响应特征序列中的一个位置，对输入的需求响应特征进行位置编码，如式(10)，使得多头自注意力模型能更好地识别需求响应特征序列中不同时段的相对位置关系，提高模型对需求响应特征序列的理解能力和需求响应潜力评估结果的准确性。

需求响应特征的位置编码的基本思路为：①设需求响应特征序列包含时段数为N，即有N个位置需要编码，表示为p

当向量维度d为奇数时，式(10)最后一项为sin(nω

上述位置编码方法可确保需求响应特征序列不同位置的编码向量之间的距离相等，从而让需求响应潜力评估模型能够识别不同位置之间的相对位置关系，进而更好地处理需求响应特征序列数据。

(2)需求响应潜力评估的多头自注意力层

需求响应潜力的评估结果不仅取决于对应时段的需求响应征，还会受相邻时段需求响应特征的影响。附图2所示需求响应潜力评估模型中的多头自注意力层通过在需求响应特征序列中进行自注意力计算，获得输入需求响应特征序列中不同时段需求响应特征之间的关系，即不仅关注相邻时段的需求响应特征，还关注任意两个时段需求响应特征之间的关系，从而可增强需求响应特征序列的表示能力。

多头自注意力中的“多头”指从不同的“视角”学习到输入需求响应特征序列中的不同特征和关系，如时段特征、削峰或填谷类别、需求响应潜力评估结果置信度等。多头自注意力机制会将输入需求响应特征序列分别进行线性映射，然后分成多个“头”，每个头对映射后的输入需求响应特征序列进行注意力计算，并学习到不同的权重分配。将多个注意力头的输出进行拼接操作合并在一起，形成最终的多头注意力表示。

多头自注意力的基本原理如附图3，首先，通过h(h＝1,2,3)个不同的线性映射，将用户的需求响应特征矩阵R映射为

其中，

(3)需求响应潜力评估的残差连接和层归一化

为了加速多头自注意力模型的训练，同时提高模型的泛化能力，需引入跨层连接，即附图2中各编码器和解码器中的每个模块后都会有一个残差连接和层归一化。具体而言，残差连接是将各子层的输入和输出相加，得到新的输出，并通过层归一化将输出向量归一化为正态分布，如式(13)，为梯度反向传播创建一条直接通路，防止梯度消失，进而提高模型的训练效率和泛化能力。

其中，

(4)需求响应潜力评估的全连接前馈网络

为了处理输入需求响应特征序列中的非线性关系，以进一步提高多头自注意力模型的表达能力和泛化能力，需采用全连接前馈网络对每个残差连接和层归一化的输出分别进行一个或多个线性变换和一个非线性变换，如式(14)所示。其中，线性变换是将残差连接和层归一化的输出转化为新的向量表示，非线性变换是通过一个激活函数将线性变换的结果进行非线性变换。

其中，f

在多头自注意力的基础上，进一步提出基于卷积自注意力的行业典型用户的需求响应潜力评估，以便将各时段特征的局部上下文信息更好地纳入到多头自注意力机制中。

虽然不同时段的负荷或需求响应特征相同，但其对应的需求响应潜力仍可能存在差异，如削峰或填谷属性，即仅考虑输入单一时段需求响应特征的逐点点积自注意力将降低需求响应潜力评估结果的准确性。为了提高评估结果的准确性，有必要考虑输入时段特征的相邻时段信息，因此，本发明拟在多头自注意力的基础上提出卷积自注意力，通过因果卷积产生多时段需求响应特征的Q

由附图4可知，若直接采用传统的逐点点积自注意力机制，输入的需求响应特征序列中取值相同的时段可能对应相同的注意力得分，但各时段对应的需求响应潜力存在差异；若采用卷积自注意力机制，可通过使用因果卷积生成的Q

综上，以行业用户各时段客观需求响应特征和主观需求响应特征作为需求响应潜力评估的输入特征，基于卷积自注意力的行业用户典型需求响应潜力评估框架如附图5所示。

为了验证所提需求响应潜力评估方法的有效性，以中国浙江省某市的金属加工机械制造行业需求响应案例作为实施例。其中，邀约的需求响应用户总数为263，智能电表采集了各用户的日负荷数据，采集时长为365天，采样频率为15min/次。

基于正态云模型和改进密度峰值快速聚类算法，辨识出全部263位用户共21332条典型负荷曲线，进一步对其用电类型进行划分，并辨识各用电类型的典型负荷曲线，分别为全峰型、避峰型、日间双峰I型、日间双峰II型、日间双峰III型，结果如附图6所示。针对各用电类型，分别以87％的负荷曲线作为训练集，对日负荷数据进行集成经验模态分解，计算各行业用户的客观需求响应特征，并提取用户的主观需求响应特征，作为本发明所提需求响应潜力评估方法的输入，对模型进行训练，确定各用电类型对应的卷积自注意力的编码层数、解码层数、权重矩阵等参数。在此基础上，以各用电类型的典型负荷曲线为对象，采用本发明方法，评估行业用户各时段的典型需求响应潜力。

以日间双峰I型用电类型为例，对其典型负荷曲线进行集成经验模态分解，结果如附图7所示，其中，横坐标为时间序列，纵坐标为原始负荷序列和集成经验模态分解后的各分量，单位为p.u.。由附图7可知，该典型用电类型的时序负荷被分解成5个分量，其中，最后一个分量为剩余分量，反映了该典型用电类型用户的用电趋势；IMF1分量为负荷序列的高频分量，频率最大，波动幅值较小，对行业用户的需求响应潜力影响较小；IMF2-IMF4分量为负荷序列的中低频分量，频率较小，波动幅值较大，反映了行业用户在较长时间尺度上的用电行为变化和用电习惯，对行业用户的需求响应潜力影响较大。在此基础上，提取行业用户的剩余周期分量，得到S-G滤波后的剩余周期分量，如附图8所示，进一步得到S-G滤波后日间双峰I型典型负荷序列的台阶序列，如附图9所示。

由附图9可知，不同时段行业用户的生产流程对应不同的负荷组成，以及不同的组合用电设备切换启停情况，意味着不同时段该行业用户具有不同的削峰或填谷需求响应潜力。其中，对于日间双峰I型，该典型行业用户在09:00-10:00和15:00-16:00时段处于集中用电阶段，通过改进生产工艺或生产流程，具有较大的削峰需求响应潜力；同理，在0:00-6:00和21:00-24:00时段该行业用户的用电需求较小，通过需求响应策略鼓励用户在该时段多用电，充分发挥其填谷的需求响应潜力。上述分析符合该行业用户生产的实际情况，由此说明了本发明所提负荷序列分解方法的合理性。

基于上述负荷序列分解结果，利用本发明方法评估日间双峰I型行业用户1-24小时的典型需求响应潜力，如附图10所示。由附图10可知，在9:00-11:00，该用电类型下的行业用户的削峰需求响应潜力较大，分别为0.3519p.u.，0.4012p.u.，0.3875p.u.；在1:00，4:00，6:00和24:00具有较大的填谷需求响应潜力，分别为0.249p.u.，0.3016p.u.，0.3677p.u.。实际中，日间双峰I型用电类型中有17位用户在9:00-10:00参与了需求响应，响应负荷标幺值的均值为0.4165p.u.，该时段行业典型用户的需求响应潜力评估结果为0.4012p.u.，可见需求响应潜力评估结果与其实际响应量相符。此外，该用电类型下的行业用户在09:00-18:00具有削峰的需求响应潜力，在其他时间段具有较强的填谷需求响应潜力，售电公司可通过一定的需求响应策略充分发挥该用电类型下行业用户的需求响应潜力，达到削峰填谷的目的。

为了进一步验证本发明所提行业典型用户电力需求响应潜力评估方法的合理性和有效性，将本发明所提行业典型用户需求响应潜力评估方法与客观特征法、负荷率法、传统Transformer法和相似度法作比较，以09:00-10:00为例，分别计算各评估方法下各测试用户在该时段的需求响应潜力评估结果的准确度，如附图11所示。其中，客观特征法指不考虑用户主观需求响应意愿，即仅将基于行业用户负荷曲线提取的客观需求响应特征序列作为输入；负荷率法利用行业用户负荷曲线，将最大负荷与对应时段负荷的差值作为用户的需求响应潜力；传统自注意力方法仅考虑单一时段的需求响应特征的逐点点积自注意力；相似度法为基于用户的日负荷曲线，提取表征样本集行业用户和测试用户用电特性的指标(日负荷率、日最大负荷利用小时数、日峰谷差率、峰时段负荷率、谷时段负荷率、平时段负荷率)，并计算样本集行业用户和测试用户的相似度，结合样本集用户的需求响应潜力，评估测试用户的需求响应潜力。

由附图11可知，本发明所提行业典型用户电力需求响应潜力评估方法的准确度最高，均高于80％；传统自注意力评估方法仅基于当前单一时段需求响应特征生成Q和K，忽略了相邻时段特征信息对需求响应潜力评估结果的影响，准确度降低为60％左右；忽略用户主观需求响应意愿的评估方法所得结果的准确度最低，因为即使用户的需求响应潜力较大，但当其需求响应意愿较为薄弱时，其参与需求响应的负荷也较少；基于负荷率的方法虽然简单，适用于工程上的快速粗略估计，但评估结果的误差较大，不能为售电公司的准确调度提供支撑；基于相似度的方法考虑了用户用电习惯的相似性，但不同用户的主观意愿存在差异，且在需求响应邀约时段，各用户对应的生产流程和工艺也存在差异，因此，仅考虑用户用电习惯的需求响应潜力评估结果的准确度仅为55％左右。可见，考虑用户的主观需求响应意愿和各时段特征的局部上下文信息，可有效提高用户需求响应潜力评估结果的准确度。

综上，本发明提出的行业典型用户电力需求响应潜力评估方法，在有效提取用户客观需求响应特征序列的同时，考虑了用户的需求响应主观意愿，以及输入时段特征的局部上下文信息，能有效提高行业用户需求响应潜力评估结果的准确度。

以上对本发明所提供的行业典型用户电力需求响应潜力评估方法进行了详细介绍。本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。