CN109242286A - 一种基于径向基神经网络的需求侧响应潜力挖掘方法 - Google Patents

Abstract

一种基于径向基神经网络的需求侧响应潜力挖掘方法。其包括采集用户总电流和总功率数据；建立多输入单输出的三层径向基函数神经网络；采用梯度下降法对三层径向基函数神经网络进行训练；将新采集的用户数据输入神经网络中，得到用户不同用电设备的负荷；建立电量电价弹性矩阵，结合用户不同用电设备的负荷，计算出不同电价下用户的需求侧响应潜力等步骤。本发明提供的基于径向基神经网络的需求侧响应潜力挖掘方法设计合理、简单易行，且精确度高。

Description

一种基于径向基神经网络的需求侧响应潜力挖掘方法

技术领域

本发明属于需求侧响应资源规划技术领域，涉及一种基于径向基神经网络的需求侧响应潜力挖掘方法。

背景技术

传统电网运行调度是通过调整发电机组出力、投切电容器、电抗器，从电能供给侧实现区域电力供需平衡。然而由于用户用电量大幅上升，峰值用电缺口不断增大，传统的运行调度方式存在成本过高，机组资源浪费严重等问题。随着分布式能源(智能电表)的发展以及可调控负荷、电动汽车负荷接入比例的增加，需求响应逐渐成为智能电网的核心技术以及新能源电力系统的重要组成部分，并通过价格信号和激励措施为电网运行优化提供了新的调节方式，然而目前对于需求侧响应的研究主要停留在需求侧响应资源参与调控的决策模型，未考虑过某一区域究竟有多少可调控的需求侧响应资源，从而导致决策模型无法解决实际问题。

发明内容

为了解决上述问题，本发明目的在于提供一种基于径向基神经网络的需求侧响应潜力挖掘方法。

为了达到上述目的。本发明提供的基于径向基神经网络的需求侧响应潜力挖掘方法包括按顺序进行的下列步骤：

步骤1)选取一个用户作为实验点，利用安装在该用户电力入口端的传感器，以设定的采样频率和采样周期采集总电流I_a和总功率P_a数据，并记录采样周期内该用户所有用电设备的负荷，然后对采集到的总电流I_a进行分解，得到3、5、7次谐波电流，分别记为I₃、I₅、I₇；

步骤2)建立多输入单输出的三层径向基函数神经网络，以总电流I_a、3次谐波电流I₃、5次谐波电流I₅和7次谐波电流I₇作为输入特征量，设定输入层神经单元的数量，使输入层神经单元的个数等于输入特征量的个数，隐含层神经单元的个数等于输入层神经单元的个数，输出层含有一个神经单元；

步骤3)采用梯度下降法，结合步骤1)得到的3次谐波电流I₃、5次谐波电流I₅、7次谐波电流I₇、总功率P_a以及各用电设备的负荷，对上述三层径向基函数神经网络进行训练，得到训练好的神经网络；

步骤4)将传感器新采集的用户的总功率、3次谐波电流I₃、5次谐波电流I₅和7次谐波电流I₇数据输入到上述步骤3)中训练好的神经网络中，得到用户不同用电设备的负荷；

步骤5)建立电量电价弹性矩阵，结合上述步骤4)获得的用户不同用电设备的负荷，计算出不同电价下用户的需求侧响应潜力。

在步骤1)中，所述的采样频率以1HZ，采样周期为一个月。

在步骤2)中，所述的建立多输入单输出的三层径向基函数神经网络的方法是:

对于M个输入和一个输出的径向基函数神经网络，输入和输出的关系可以用如下形式表达：

其中，是输入特征量，X＝[x₁,x₂,x₃,…,x_r]^Tu为隐含层神经单元的个数，r为输入特征量的个数，表示第i个隐含层神经单元的径向基函数，w_i为第i个隐含层神经单元的输出到输出层之间的权值，C_i表示第i个隐含层神经单元的数据中心，C_i＝[c_i1,c_i2,c_i3,…,c_in]，||X-C_i||表示输入特征量与数据中心的欧式距离，本发明采用高斯函数作为径向基函数，那么上式可以表示为：

其中，σ为高斯函数的标准差，也称为高斯径向基函数的扩展常数，由上式可知，径向基函数神经网络需要确定的参数为扩展常数σ、数据中心C_i以及隐含层到输出层的权值w_i。

在步骤3)中，所述的采用梯度下降法，结合步骤1)得到的3次谐波电流I₃、5次谐波电流I₅、7次谐波电流I₇、总功率P_a以及各用电设备的负荷，对上述三层径向基函数神经网络进行训练，得到训练好的神经网络的方法是:

梯度下降法的核心是最小化目标函数，采用最小二乘法定义目标函数：

其中，t为输出层的期望输出值，y(X)为输出层的实际输出值；

梯度下降法在每次迭代中，对每个参数，按照梯度函数在该变量梯度的相反方向，更新对应的参数；分别计算目标函数对拓展常数σ、数据中心C_i、隐含层到输出层的权值w_i的偏导数以及目标函数和上述三个各参数的移动量：

其中，η为学习率，该参数最终是随训练的进行而调整的。

在步骤5)中，所述的建立电量电价弹性矩阵，结合上述步骤4)获得的用户不同用电设备的负荷，计算出不同电价下用户的需求侧响应潜力的方法是：

考虑到用户用电特性，当价格发生变化时，不同设备用电量的改变是不同的，根据经济学原理，电量电价弹性系数可以反映电量需求变化与电价变化之间的关系，其定义为用电量变化率与相应负荷的价格变化率之比，公式如下：

ε为电量电价弹性系数；p、Δp分别表示电价和电价变化量；L、ΔL分别表示用电量和用电量变化量，其中用电量变化量ΔL即为用户需求侧响应潜力；

将电量电价弹性系数改写为电量电价弹性矩阵，用来描述n时段的用户对电价的响应行为，不同用电设备的电量电价弹性系数可以通过查阅历史数据得到；

结合步骤4)得到的用户不同用电设备的负荷，根据电量电价弹性矩阵计算出不同电价下用户的需求侧响应潜力。

本发明提供的基于径向基神经网络的需求侧响应潜力挖掘方法具有如下效果：本发明通过输入某一用户总功率与总电流，利用径向基神经网络，得到不同设备的功率，根据用户的用电特性，建立电量电价弹性模型，求解用户的需求响应潜力。本发明方法设计合理、简单易行，且精确度高。

附图说明

图1为三层径向基函数神经网络的训练过程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

本发明提供的基于径向基神经网络的需求侧响应潜力挖掘方法包括按顺序进行的下列步骤：

步骤1)选取一个用户作为实验点，利用安装在该用户电力入口端的传感器，以1HZ为采样频率，采集总电流I_a和总功率P_a数据，采样周期为一个月，并记录一个月内该用户所有用电设备的负荷，然后对采集到的总电流I_a进行分解，得到3、5、7次谐波电流，分别记为I₃、I₅、I₇；

步骤2)建立如图1所示的多输入单输出的三层径向基函数神经网络，以总电流I_a、3次谐波电流I₃、5次谐波电流I₅和7次谐波电流I₇作为输入特征量，设定输入层神经单元的数量，使输入层神经单元的个数等于输入特征量的个数，隐含层神经单元的个数等于输入层神经单元的个数，由于多输入—多输出(MIMO)神经网络的输出单元彼此之间是相互独立的，因此MIMO神经网络的一般结构可以用多输入—单输出(MISO)表示，因此本发明中输出层设定为一个神经单元。在本发明中，径向基函数神经网络的基本思路是采用径向基函数构成隐含层，输入量通过隐含层映射到高维特征空间，最终通过隐含层输出线性加权和，由此建立起输入与输出的关系。

对于M个输入和一个输出的径向基函数神经网络，输入和输出的关系可以用如下形式表达：

其中，是输入特征量，X＝[x₁,x₂,x₃,…,x_r]^Tu为隐含层神经单元的个数，r为输入特征量的个数，表示第i个隐含层神经单元的径向基函数，w_i为第i个隐含层神经单元的输出到输出层之间的权值，C_i表示第i个隐含层神经单元的数据中心，C_i＝[c_i1,c_i2,c_i3,…,c_in]，||X-C_i||表示输入特征量与数据中心的欧式距离，本发明采用高斯函数作为径向基函数，那么上式可以表示为：

其中，σ为高斯函数的标准差，也称为高斯径向基函数的扩展常数，扩展常数σ越小代表基函数的宽度越窄，函数选择性越强。由上式可知，径向基函数神经网络需要确定的参数为扩展常数σ、数据中心C_i以及隐含层到输出层的权值w_i。

步骤3)采用梯度下降法，结合步骤1)得到的3次谐波电流I₃、5次谐波电流I₅、7次谐波电流I₇、总功率P_a以及各用电设备的负荷，对上述三层径向基函数神经网络进行训练，得到训练好的神经网络；

梯度下降法的核心是最小化目标函数，采用最小二乘法定义目标函数：

其中，t为输出层的期望输出值，y(X)为输出层的实际输出值。

梯度下降法在每次迭代中，对每个参数，按照梯度函数在该变量梯度的相反方向，更新对应的参数。分别计算目标函数对拓展常数σ、数据中心C_i、隐含层到输出层的权值w_i的偏导数以及目标函数和上述三个各参数的移动量。

其中，η为学习率，该参数最终是随训练的进行而调整的，三层径向基函数神经网络的训练过程如图1所示。

步骤4)将传感器新采集的用户的总功率、3次谐波电流I₃、5次谐波电流I₅和7次谐波电流I₇数据输入到上述步骤3)中训练好的神经网络中，得到用户不同用电设备的负荷；

步骤5)建立电量电价弹性矩阵，结合上述步骤4)获得的用户不同用电设备的负荷，计算出不同电价下用户的需求侧响应潜力。

考虑到用户用电特性，当价格发生变化时，不同设备用电量的改变是不同的，根据经济学原理，电量电价弹性系数可以反映电量需求变化与电价变化之间的关系，其定义为用电量变化率与相应负荷的价格变化率之比，公式如下：

ε为电量电价弹性系数；p、Δp分别表示电价和电价变化量；L、ΔL分别表示用电量和用电量变化量，其中用电量变化量ΔL即为用户需求侧响应潜力。

将电量电价弹性系数改写为电量电价弹性矩阵，用来描述n时段的用户对电价的响应行为，不同用电设备的电量电价弹性系数可以通过查阅历史数据得到。

结合步骤4)得到的用户不同用电设备的负荷，根据电量电价弹性矩阵计算出不同电价下用户的需求侧响应潜力。

Claims (5)

1.一种基于径向基神经网络的需求侧响应潜力挖掘方法，其特征在于：所述的方法包括按顺序进行的下列步骤：

步骤1)选取一个用户作为实验点，利用安装在该用户电力入口端的传感器，以设定的采样频率和采样周期采集总电流I_a和总功率P_a数据，并记录采样周期内该用户所有用电设备的负荷，然后对采集到的总电流I_a进行分解，得到3、5、7次谐波电流，分别记为I₃、I₅、I₇；

步骤2)建立多输入单输出的三层径向基函数神经网络，以总电流I_a、3次谐波电流I₃、5次谐波电流I₅和7次谐波电流I₇作为输入特征量，设定输入层神经单元的数量，使输入层神经单元的个数等于输入特征量的个数，隐含层神经单元的个数等于输入层神经单元的个数，输出层含有一个神经单元；

步骤3)采用梯度下降法，结合步骤1)得到的3次谐波电流I₃、5次谐波电流I₅、7次谐波电流I₇、总功率P_a以及各用电设备的负荷，对上述三层径向基函数神经网络进行训练，得到训练好的神经网络；

步骤4)将传感器新采集的用户的总功率、3次谐波电流I₃、5次谐波电流I₅和7次谐波电流I₇数据输入到上述步骤3)中训练好的神经网络中，得到用户不同用电设备的负荷；

步骤5)建立电量电价弹性矩阵，结合上述步骤4)获得的用户不同用电设备的负荷，计算出不同电价下用户的需求侧响应潜力。

2.根据权利要求1所述的基于径向基神经网络的需求侧响应潜力挖掘方法，其特征在于：在步骤1)中，所述的采样频率以1HZ，采样周期为一个月。

3.根据权利要求1所述的基于径向基神经网络的需求侧响应潜力挖掘方法，其特征在于：在步骤2)中，所述的建立多输入单输出的三层径向基函数神经网络的方法是:

对于M个输入和一个输出的径向基函数神经网络，输入和输出的关系可以用如下形式表达：

其中，是输入特征量，X＝[x₁,x₂,x₃,…,x_r]^Tu为隐含层神经单元的个数，r为输入特征量的个数，表示第i个隐含层神经单元的径向基函数，w_i为第i个隐含层神经单元的输出到输出层之间的权值，C_i表示第i个隐含层神经单元的数据中心，C_i＝[c_i1,c_i2,c_i3,…,c_in]，||X-C_i||表示输入特征量与数据中心的欧式距离，本发明采用高斯函数作为径向基函数，那么上式可以表示为：

其中，σ为高斯函数的标准差，也称为高斯径向基函数的扩展常数，由上式可知，径向基函数神经网络需要确定的参数为扩展常数σ、数据中心C_i以及隐含层到输出层的权值w_i。

4.根据权利要求1所述的基于径向基神经网络的需求侧响应潜力挖掘方法，其特征在于：在步骤3)中，所述的采用梯度下降法，结合步骤1)得到的3次谐波电流I₃、5次谐波电流I₅、7次谐波电流I₇、总功率P_a以及各用电设备的负荷，对上述三层径向基函数神经网络进行训练，得到训练好的神经网络的方法是:

梯度下降法的核心是最小化目标函数，采用最小二乘法定义目标函数：

其中，t为输出层的期望输出值，y(X)为输出层的实际输出值；

梯度下降法在每次迭代中，对每个参数，按照梯度函数在该变量梯度的相反方向，更新对应的参数；分别计算目标函数对拓展常数σ、数据中心C_i、隐含层到输出层的权值w_i的偏导数以及目标函数和上述三个各参数的移动量：

其中，η为学习率，该参数最终是随训练的进行而调整的。

5.根据权利要求1所述的基于径向基神经网络的需求侧响应潜力挖掘方法，其特征在于：在步骤5)中，所述的建立电量电价弹性矩阵，结合上述步骤4)获得的用户不同用电设备的负荷，计算出不同电价下用户的需求侧响应潜力的方法是：

考虑到用户用电特性，当价格发生变化时，不同设备用电量的改变是不同的，根据经济学原理，电量电价弹性系数可以反映电量需求变化与电价变化之间的关系，其定义为用电量变化率与相应负荷的价格变化率之比，公式如下：

ε为电量电价弹性系数；p、Δp分别表示电价和电价变化量；L、ΔL分别表示用电量和用电量变化量，其中用电量变化量ΔL即为用户需求侧响应潜力；

将电量电价弹性系数改写为电量电价弹性矩阵，用来描述n时段的用户对电价的响应行为，不同用电设备的电量电价弹性系数可以通过查阅历史数据得到；

结合步骤4)得到的用户不同用电设备的负荷，根据电量电价弹性矩阵计算出不同电价下用户的需求侧响应潜力。