摘要
在需求响应计划中，准确估算客户的基准负荷对于激励分配及灵活性评估至关重要。然而，居民用电量具有高度随机性，而持续时间较长的需求响应事件往往会导致关键负荷段缺失，这使得传统的基于回归的方法以及每日负荷曲线聚类方法难以准确捕捉到假设的基准负荷模式。为解决这一问题，本文提出了一种基准负荷估算方法，该方法将基于物理原理/领域知识的响应一致性约束与条件生成对抗网络相结合。在该框架中，通过深度软聚类技术提取周尺度上的负荷模式，同时利用互信息与自相关系数作为用户特定的特征指纹，以描述其内在用电行为。在公开的真实数据集上进行的对比实验表明，与主要对比中的其他模型相比，所提出的方法在事件周期内的准确性更为出色。在相同的响应一致性约束条件下，PI-ICGAN在测试的不同NRR目标下实现了最低的受限需求响应周期均方误差，且消融实验结果显示，注意力机制、特征指纹、响应一致性以及GradNorm组件分别对精度与一致性之间的权衡产生了不同影响。
