CN110705738A - 基于人工智能的智能用电激励需求响应方法和系统 - Google Patents
基于人工智能的智能用电激励需求响应方法和系统 Download PDFInfo
- Publication number
- CN110705738A CN110705738A CN201910743474.8A CN201910743474A CN110705738A CN 110705738 A CN110705738 A CN 110705738A CN 201910743474 A CN201910743474 A CN 201910743474A CN 110705738 A CN110705738 A CN 110705738A
- Authority
- CN
- China
- Prior art keywords
- power
- prediction model
- data set
- time period
- future time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000005611 electricity Effects 0.000 title claims abstract description 43
- 230000004044 response Effects 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 230000000638 stimulation Effects 0.000 title abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 230000005284 excitation Effects 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000010248 power generation Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于人工智能的智能用电激励需求响应方法和系统,涉及用电技术领域。本发明通过基于深度神经网络的预测模型预测预设的未来时间段内的电力批发价格、光伏输出功率和电力用户负荷,再将预测得到的数据输入到需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。本发明通过基于深度神经网络的预测模型预测电力批发价格、光伏输出功率、电力用户负荷,能够提升预测模型的精度,同时克服了环境的不确定性,提高了基于电力批发价格和电力用户负荷获取的最优激励率的准确度。从而有助于提高能源服务商的利润,减少电力用户用电成本,促进电力供需平衡,提高电力系统可靠性。
Description
技术领域
本发明涉及用电技术领域,具体涉及一种基于人工智能的智能用电激励需求响应方法和系统。
背景技术
随着社会的发展,人们对于电力资源的需求不断增加,电力供需不匹配的矛盾日益突出。如何有效的平衡电力供需,提高电网的可靠性与稳定性是电网设计与运行中的关键问题。传统的以增加电力供应来满足用户需求的方式不仅会增加大量的投资成本,同时也是不可持续的。因此,有效管理需求侧资源,充分挖掘需求侧资源的潜力,成为了维护电网安全稳定运行以及提高电力市场效率的重要方式。
实施需求响应是有效解决这些问题的重要手段。需求响应是指当处于高电价或用电高峰时段时,电力用户接收到来自能源服务商的诱导信号而减少或转移他们用电负荷。现有的激励需求响应模型多数是基于模型的方法,例如随机规划、博弈论、混合整数线性规划。
然而,现有研究在构建基于激励的需求响应模型时很少考虑电力批发价格和电力用户负荷的不确定性,导致基于电力批发价格和电力用户负荷获取的最优激励率的准确度不高。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于人工智能的智能用电激励需求响应方法和系统,解决了现有方法中获取的最优激励率准确度不高的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明实施例提供了一种基于人工智能的智能用电激励需求响应方法,所述方法由计算机执行,包括:
获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和电力用户负荷预测数据集;
基于所述电力批发价格预测数据集和预先构建的深度神经网络预测模型获取电力批发价格预测模型,基于所述光伏输出功率预测数据集和预先构建的深度神经网络预测模型获取光伏输出功率预测模型,基于所述电力用户负荷预测数据集和预先构建的深度神经网络预测模型获取电力用户负荷预测模型;
基于电力批发价格预测模型获取预设的未来时间段内的电力批发价格,基于光伏输出功率预测模型获取预设的未来时间段内的光伏输出功率,基于电力用户负荷预测模型获取预设的未来时间段内的电力用户负荷;
将所述预设的未来时间段内的电力批发价格、所述预设的未来时间段内的光伏输出功率和所述预设的未来时间段内的电力用户负荷输入到预先获取的需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。
优选的,所述电力批发价格预测数据集中的数据包括:历史电力批发价格数据、环境数据和日期数据;
所述光伏输出功率预测数据集中的数据包括:历史光伏输出功率数据、环境数据和日期数据;
所述电力用户负荷预测数据集中的数据包括:历史光伏输出功率数据、环境数据和日期数据。
优选的,所述数据集的预处理的方法为:
以统一形式填充数据集中所缺失的值,并对数据集进行标准化处理。
优选的,所述获取电力批发价格预测模型的过程包括:
将所述电力批发价格预测数据集划分为电力批发价格预测训练数据集和电力批发价格预测测试数据集;
将所述电力批发价格预测训练数据集输入到预先构建的深度神经网络预测模型中,得到初步电力批发价格预测模型;
将电力批发价格预测测试数据集输入到初步电力批发价格预测模型,并使用平均绝对误差和平均绝对百分误差评估预测误差,调整和优化初步电力批发价格预测模型的参数,直至平均绝对误差值和平均绝对百分误差值达到所需精度,得到所述电力批发价格预测模型;和/或
所述获取光伏输出功率预测模型的过程包括:
将所述光伏输出功率预测数据集划分为光伏输出功率预测训练数据集和光伏输出功率预测测试数据集;
将所述光伏输出功率预测训练数据集输入到预先构建的深度神经网络预测模型中,得到初步光伏输出功率预测模型;
将光伏输出功率预测测试数据集输入到初步光伏输出功率预测模型,并使用平均绝对误差和平均绝对百分误差评估预测误差,调整和优化初步光伏输出功率预测模型的参数,直至平均绝对误差值和平均绝对百分误差值达到所需精度,得到所述光伏输出功率预测模型;和/或
所述获取电力用户负荷预测模型的过程包括:
将所述电力用户负荷预测数据集划分为电力用户负荷预测训练数据集和电力用户负荷预测测试数据集;
将所述电力用户负荷预测训练数据集输入到预先构建的深度神经网络预测模型中,得到初步电力用户负荷预测模型;
将电力用户负荷预测测试数据集输入到初步电力用户负荷预测模型,并使用平均绝对误差和平均绝对百分误差评估预测误差,调整和优化初步电力用户负荷预测模型的参数,直至平均绝对误差值和平均绝对百分误差值达到所需精度,得到所述电力用户负荷预测模型。
优选的,所述获取预设的未来时间段内的电力批发价格的过程包括:
将预设的未来时间段内的环境数据和日期数据,输入到电力批发价格预测模型,得到预设的未来时间段内的电力批发价格;和/或
所述获取预设的未来时间段内的光伏输出功率的过程包括:
将预设的未来时间段内的环境数据和日期数据,输入到光伏输出功率预测模型,得到预设的未来时间段内的光伏输出功率;和/或
所述获取预设的未来时间段内的电力用户负荷的过程包括:
将预设的未来时间段内的环境数据和日期数据,输入到电力用户负荷预测模型,得到预设的未来时间段内的电力用户负荷。
优选的,所述预先获取的需求响应模型的目标函数包括:
max(profitesp+profiteu)
式中,profitesp为能源服务商的利润,profiteu为电力用户的利润;
其中,所述能源服务商的利润的计算公式包括:
αmin≤αij≤αmax
式中,i表示第i个电力用户,n表示电力用户的总数,j表示第j小时,h表示一天中的最后一个小时,pj表示第j小时的电力批发价格,αij表示在第j小时给予电力用户i的激励率,ΔEij表示第i个用户在第j小时用电减少量,αmin表示最小激励率,αmax表示最大的激励率;
所述电力用户的利润的计算公式包括:
0≤ΔEij≤ΔEmax
μi>0
ωj>0
式中,λi表示第i个用户看待奖励和不舒适成本的态度,costij(ΔEij)表示当用户i在j小时减少ΔEij用电量时所产生的不舒适成本,PVij表示第i个用户在j小时向电网运营商售出的光伏发电量,Eij表示用户i在第j小时的电力需求,ξj是j第小时的电力弹性系数,表示电力需求的变化量与激励变化量的比值,ΔEmax表示电力用户响应激励时所能减少的最大用电量,μi和ωi表示不舒适成本参数。
优选的,所述得到预设的未来时间段内各电力用户的最优的激励率的过程包括:
将预设的未来时间段内的光伏输出功率转化为每小时发电量,将预设的未来时间段内的电力用户负荷转化为每小时的用电量;
将预设的未来时间段内的电力批发价格数据、预设的未来时间段内的发电量数据和预设的未来时间段内的用电量数据输入需求响应模型的目标函数中,使用Q-learning强化学习算法获取未来时间段内各电力用户在各小时的最优的激励率。
本发明实施例还提供一种基于人工智能的智能用电激励需求响应系统,所述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和电力用户负荷预测数据集;
基于所述电力批发价格预测数据集和预先构建的深度神经网络预测模型获取电力批发价格预测模型,基于所述光伏输出功率预测数据集和预先构建的深度神经网络预测模型获取光伏输出功率预测模型,基于所述电力用户负荷预测数据集和预先构建的深度神经网络预测模型获取电力用户负荷预测模型;
基于电力批发价格预测模型获取预设的未来时间段内的电力批发价格,基于光伏输出功率预测模型获取预设的未来时间段内的光伏输出功率,基于电力用户负荷预测模型获取预设的未来时间段内的电力用户负荷;
将所述预设的未来时间段内的电力批发价格、所述预设的未来时间段内的光伏输出功率和所述预设的未来时间段内的电力用户负荷输入到预先获取的需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。
(三)有益效果
本发明提供了一种基于人工智能的智能用电激励需求响应方法和系统。与现有技术相比,具备以下有益效果:
本发明通过电力批发价格预测数据集、光伏输出功率预测数据集和电力用户负荷预测数据集分别训练预先构建的深度神经网络预测模型,从而构建电力批发价格预测模型、光伏输出功率预测模型和电力用户负荷预测模型,再通过这三个预测模型分别预测预设的未来时间段内的电力批发价格、预设的未来时间段内的光伏输出功率和预设的未来时间段内的电力用户负荷,再将预测得到的数据输入到预先获取的需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。本发明通过基于深度神经网络的预测模型预测电力批发价格、光伏输出功率、电力用户负荷,能够提升预测模型的精度,同时克服了环境的不确定性,提高了基于电力批发价格和电力用户负荷获取的最优激励率的准确度。从而有助于提高能源服务商的利润,减少电力用户用电成本,促进电力供需平衡,提高电力系统可靠性。
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,下面描述中的附图仅仅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为本发明实施例一种基于人工智能的智能用电激励需求响应方法的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
本申请实施例通过提供一种基于人工智能的智能用电激励需求响应方法和系统,解决了现有基于激励的需求响应模型求得的最优激励率准确度不高的问题,实现促进电力供需平衡,提高电力系统可靠性。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例通过电力批发价格预测数据集、光伏输出功率预测数据集和电力用户负荷预测数据集分别训练预先构建的深度神经网络预测模型,从而构建电力批发价格预测模型、光伏输出功率预测模型和电力用户负荷预测模型,再通过这三个预测模型分别预测预设的未来时间段内的电力批发价格、预设的未来时间段内的光伏输出功率和预设的未来时间段内的电力用户负荷,再将预测得到的数据输入到预先获取的需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。本发明实施例通过构建基于深度神经网络的预测模型预测电力批发价格、光伏输出功率、电力用户负荷,能够提升预测模型的精度,同时克服了环境的不确定性,提高了基于电力批发价格和电力用户负荷获取的最优激励率的准确度。从而有助于提高能源服务商的利润,减少电力用户用电成本,促进电力供需平衡,提高电力系统可靠性。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种基于人工智能的智能用电激励需求响应方法,该方法由计算机执行,如图1所示,该方法包括步骤S1~S4:
S1、获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和电力用户负荷预测数据集;
S2、基于所述电力批发价格预测数据集和预先构建的深度神经网络预测模型获取电力批发价格预测模型,基于所述光伏输出功率预测数据集和预先构建的深度神经网络预测模型获取光伏输出功率预测模型,基于所述电力用户负荷预测数据集和预先构建的深度神经网络预测模型获取电力用户负荷预测模型;
S3、基于电力批发价格预测模型获取预设的未来时间段内的电力批发价格,基于光伏输出功率预测模型获取预设的未来时间段内的光伏输出功率,基于电力用户负荷预测模型获取预设的未来时间段内的电力用户负荷;
S4、将所述预设的未来时间段内的电力批发价格、所述预设的未来时间段内的光伏输出功率和所述预设的未来时间段内的电力用户负荷输入到预先获取的需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。
本发明实施例通过基于深度神经网络的预测模型预测电力批发价格、光伏输出功率、电力用户负荷,能够提升预测模型的精度,同时克服了环境的不确定性,提高了基于电力批发价格和电力用户负荷获取的最优激励率的准确度。从而有助于提高能源服务商的利润,减少电力用户用电成本,促进电力供需平衡,提高电力系统可靠性。
下面对各个步骤进行详细描述。
在步骤S1中,获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和电力用户负荷预测数据集。具体实施过程如下:
S101、分别获取历史电力批发价格、光伏输出功率、电力用户负荷的历史数据,以及相关环境数据和日期数据,组成三个数据集,这三个数据集分别为电力批发价格预测数据集Price,光伏输出功率预测数据集PV,电力用户负荷预测数据集Load。具体如下:
电力批发价格预测数据集Price包括:列向量电力批发价格、月、周、日、小时、是否假期;
光伏输出功率预测数据集PV包括:列向量输出功率、月、日、小时、湿度、温度、全球水平辐射、漫射水平辐射;
电力用户负荷预测数据集Load包括:列向量负荷、月、周、日、小时、温度、湿度、风速、是否假期。
S102、对步骤S101中的三个数据集进行预处理。具体为:用0填充数据集中所缺失的值,然后对数据集进行0-1标准化。
在步骤S2中,基于所述电力批发价格预测数据集和预先构建的深度神经网络预测模型获取电力批发价格预测模型,基于所述光伏输出功率预测数据集和预先构建的深度神经网络预测模型获取光伏输出功率预测模型,基于所述电力用户负荷预测数据集和预先构建的深度神经网络预测模型获取电力用户负荷预测模型。具体实施过程如下:
S201、按照4:1分别把三个数据集划分为训练数据集:电力批发价格预测训练数据集Pricetrain、光伏输出功率预测训练数据集PVtrain、电力用户负荷预测训练数据Loadtrain,和测试数据集:电力批发价格预测测试数据集Pricetest、光伏输出功率预测测试数据集PVtest、电力用户负荷预测测试数据集Loadtest。即Pricetrain:Pricetest=PVtrain:PVtest=Loadtrain:Loadtest=4:1。
S202、将训练数据集Pricetrain、PVtrain和Loadtrain分别输入预先构建的深度神经网络预测模型中,分别得到初步电力批发价格预测模型、初步光伏输出功率预测模型和初步电力用户负荷预测模型。再将测试数据集Pricetest、PVtest、和Loadtest分别输入到初步电力批发价格预测模型、初步光伏输出功率预测模型和初步电力用户负荷预测模型中,并使用MAE(平均绝对误差)和MAPE(平均绝对百分误差)评估预测误差,然后调整和优化初步电力批发价格预测模型的参数、初步光伏输出功率预测模型的参数和初步电力用户负荷预测模型的参数,直至平均绝对误差值和平均绝对百分误差值达到所需精度,得到电力批发价格预测模型、光伏输出功率预测模型和电力用户负荷预测模型。需要说明的是,这里的所需精度根据实际情况而定,在本发明实施例中,当tn+1时间点的MAE和tn时间点的MAE相差小于0.01,且tn+1时间点的MAPE和tn时间点的MAPE相差小于0.001,则说明达到所需精度,在tn+1时间点停止调整和优化初步电力批发价格预测模型的参数、初步光伏输出功率预测模型的参数和初步电力用户负荷预测模型的参数,得到电力批发价格预测模型、光伏输出功率预测模型和电力用户负荷预测模型。其中,MAE和MAPE的计算公式如下:
式中:t表示时间点,T表示总的时点,yt,true表示真实值,yt,forecast表示预测值。
需要说明的是,上述的预先构建的深度神经网络预测模型在构建过程中需要设置深度神经网络的层数、类型、各层神经元数、激活函数、Dropout值,上述的电力批发价格预测模型、光伏输出功率预测模型和电力用户负荷预测模型的参数也是指深度神经网络的层数、类型、各层神经元数、激活函数、Dropout值。
在步骤S3中,基于电力批发价格预测模型获取预设的未来时间段内的电力批发价格,基于光伏输出功率预测模型获取预设的未来时间段内的光伏输出功率,基于电力用户负荷预测模型获取预设的未来时间段内的电力用户负荷。具体实施过程如下:
输入预设的未来时间段(需要说明的是,这本发明实施例中的预设的未来时间段为下一天)的环境和日期数据,使用构建好的电力批发价格预测模型、光伏输出功率预测模型、电力用户负荷预测模型分别预测出下一天各个时间段内(如各小时)的电力批发价格、光伏输出功率、电力用户负荷。
在步骤S4中,将所述预设的未来时间段内的电力批发价格、所述预设的未来时间段内的光伏输出功率和所述预设的未来时间段内的电力用户负荷输入到预先获取的需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。具体实施过程如下:
S401、将下一天的光伏输出功率转化为每小时发电量,将下一天电力用户负荷转化为每小时的用电量;
S402、将下一天的电力批发价格数据、将下一天的发电量数据和将下一天的用电量数据输入需求响应模型的目标函数中,使用Q-learning强化学习算法获取下一天各电力用户在各小时的最优的激励率。
其中:需求响应模型的目标函数包括:
max(profitesp+profiteu)
式中,profitesp为能源服务商的利润,profiteu为电力用户的利润。
通过给予电力用户一定的激励,能源服务商能够得到所需的需求响应资源,然后以电力批发价格卖给电网运行商获得利润,这个利润便是能源服务商的利润。通过优化激励率,能源服务商的利润能够最大化。能源服务商的利润的计算公式为:
αmin≤αij≤αmax
式中,i表示第i个电力用户,n表示电力用户的总数,j表示第j小时,h表示一天中的最后一个小时,pj表示第j小时的电力批发价格,αij表示在第j小时给予电力用户i的激励率,ΔEij表示第i个用户在第j小时用电减少量,αmin表示最小激励率,αmax表示最大的激励率;
电力用户可以获得一定的奖励当他们响应能源服务商的激励信号而减少用电量,但同时,他们也将承受由于减少用电量而产生的不舒适成本。此外,分布在电力用户侧的光伏发电在首先满足用户自身使用的前提下,把多余的发电量以批发价格卖给电网运营商。电力用户的利润的计算公式为:
0≤ΔEij≤ΔEmax
μi>0
ωj>0
式中,λi表示第i个用户看待奖励和不舒适成本的态度,costij(ΔEij)表示当用户i在j小时减少ΔEij用电量时所产生的不舒适成本,PVij表示第i个用户在第j小时向电网运营商售出的光伏发电量,Eij表示用户i在第j小时的电力需求,ξj是第j小时的电力弹性系数,表示电力需求的变化量与激励变化量的比值,ΔEmax表示电力用户响应激励时所能减少的最大用电量,μi和ωi表示不舒适成本参数。
本发明实施例还提供一种基于人工智能的智能用电激励需求响应系统,所述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
S1、获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和电力用户负荷预测数据集;
S2、基于所述电力批发价格预测数据集和预先构建的深度神经网络预测模型获取电力批发价格预测模型,基于所述光伏输出功率预测数据集和预先构建的深度神经网络预测模型获取光伏输出功率预测模型,基于所述电力用户负荷预测数据集和预先构建的深度神经网络预测模型获取电力用户负荷预测模型;
S3、基于电力批发价格预测模型获取预设的未来时间段内的电力批发价格,基于光伏输出功率预测模型获取预设的未来时间段内的光伏输出功率,基于电力用户负荷预测模型获取预设的未来时间段内的电力用户负荷;
S4、将所述预设的未来时间段内的电力批发价格、所述预设的未来时间段内的光伏输出功率和所述预设的未来时间段内的电力用户负荷输入到预先获取的需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。
综上所述,与现有技术相比,具备以下有益效果:
本发明实施例通过基于深度神经网络的预测模型预测电力批发价格、光伏输出功率、电力用户负荷,能够提升预测模型的精度,同时克服了环境的不确定性,提高了基于电力批发价格和电力用户负荷获取的最优激励率的准确度。同时,使用Q-learning强化学习算法对需求响应模型进行求解,得出下一天各电力用户在各个小时的最优激励率,从而提高能源服务商的利润,减少电力用户用电成本,促进电力供需平衡,提高电力系统可靠性。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于人工智能的智能用电激励需求响应方法,其特征在于,所述方法由计算机执行,包括:
获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和电力用户负荷预测数据集;
基于所述电力批发价格预测数据集和预先构建的深度神经网络预测模型获取电力批发价格预测模型,基于所述光伏输出功率预测数据集和预先构建的深度神经网络预测模型获取光伏输出功率预测模型,基于所述电力用户负荷预测数据集和预先构建的深度神经网络预测模型获取电力用户负荷预测模型;
基于电力批发价格预测模型获取预设的未来时间段内的电力批发价格,基于光伏输出功率预测模型获取预设的未来时间段内的光伏输出功率,基于电力用户负荷预测模型获取预设的未来时间段内的电力用户负荷;
将所述预设的未来时间段内的电力批发价格、所述预设的未来时间段内的光伏输出功率和所述预设的未来时间段内的电力用户负荷输入到预先获取的需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。
2.如权利要求1所述的方法,其特征在于,
所述电力批发价格预测数据集中的数据包括:历史电力批发价格数据、环境数据和日期数据;
所述光伏输出功率预测数据集中的数据包括:历史光伏输出功率数据、环境数据和日期数据;
所述电力用户负荷预测数据集中的数据包括:历史光伏输出功率数据、环境数据和日期数据。
3.如权利要求1所述的方法,其特征在于,所述数据集的预处理的方法为:
以统一形式填充数据集中所缺失的值,并对数据集进行标准化处理。
4.如权利要求1所述的方法,其特征在于,
所述获取电力批发价格预测模型的过程包括:
将所述电力批发价格预测数据集划分为电力批发价格预测训练数据集和电力批发价格预测测试数据集;
将所述电力批发价格预测训练数据集输入到预先构建的深度神经网络预测模型中,得到初步电力批发价格预测模型;
将电力批发价格预测测试数据集输入到初步电力批发价格预测模型,并使用平均绝对误差和平均绝对百分误差评估预测误差,调整和优化初步电力批发价格预测模型的参数,直至平均绝对误差值和平均绝对百分误差值达到所需精度,得到所述电力批发价格预测模型;和/或
所述获取光伏输出功率预测模型的过程包括:
将所述光伏输出功率预测数据集划分为光伏输出功率预测训练数据集和光伏输出功率预测测试数据集;
将所述光伏输出功率预测训练数据集输入到预先构建的深度神经网络预测模型中,得到初步光伏输出功率预测模型;
将光伏输出功率预测测试数据集输入到初步光伏输出功率预测模型,并使用平均绝对误差和平均绝对百分误差评估预测误差,调整和优化初步光伏输出功率预测模型的参数,直至平均绝对误差值和平均绝对百分误差值达到所需精度,得到所述光伏输出功率预测模型;和/或
所述获取电力用户负荷预测模型的过程包括:
将所述电力用户负荷预测数据集划分为电力用户负荷预测训练数据集和电力用户负荷预测测试数据集;
将所述电力用户负荷预测训练数据集输入到预先构建的深度神经网络预测模型中,得到初步电力用户负荷预测模型;
将电力用户负荷预测测试数据集输入到初步电力用户负荷预测模型,并使用平均绝对误差和平均绝对百分误差评估预测误差,调整和优化初步电力用户负荷预测模型的参数,直至平均绝对误差值和平均绝对百分误差值达到所需精度,得到所述电力用户负荷预测模型。
5.如权利要求2所述的方法,其特征在于,
所述获取预设的未来时间段内的电力批发价格的过程包括:
将预设的未来时间段内的环境数据和日期数据,输入到电力批发价格预测模型,得到预设的未来时间段内的电力批发价格;和/或
所述获取预设的未来时间段内的光伏输出功率的过程包括:
将预设的未来时间段内的环境数据和日期数据,输入到光伏输出功率预测模型,得到预设的未来时间段内的光伏输出功率;和/或
所述获取预设的未来时间段内的电力用户负荷的过程包括:
将预设的未来时间段内的环境数据和日期数据,输入到电力用户负荷预测模型,得到预设的未来时间段内的电力用户负荷。
6.如权利要求1所述方法,其特征在于,所述预先获取的需求响应模型的目标函数包括:
max(profitesp+profiteu)
式中,profitesp为能源服务商的利润,profiteu为电力用户的利润;
其中,所述能源服务商的利润的计算公式包括:
αmin≤αij≤αmax
式中,i表示第i个电力用户,n表示电力用户的总数,j表示第j小时,h表示一天中的最后一个小时,pj表示第j小时的电力批发价格,αij表示在第j小时给予电力用户i的激励率,ΔEij表示第i个用户在第j小时用电减少量,αmin表示最小激励率,αmax表示最大的激励率;
所述电力用户的利润的计算公式包括:
0≤ΔEij≤ΔEmax
μi>0
ωj>0
式中,λi表示第i个用户看待奖励和不舒适成本的态度,costij(ΔEij)表示当用户i在j小时减少ΔEij用电量时所产生的不舒适成本,PVij表示第i个用户在j小时向电网运营商售出的光伏发电量,Eij表示用户i在第j小时的电力需求,ξj是j第小时的电力弹性系数,表示电力需求的变化量与激励变化量的比值,ΔEmax表示电力用户响应激励时所能减少的最大用电量,μi和ωi表示不舒适成本参数。
7.如权利要求1所述方法,其特征在于,所述得到预设的未来时间段内各电力用户的最优的激励率的过程包括:
将预设的未来时间段内的光伏输出功率转化为每小时发电量,将预设的未来时间段内的电力用户负荷转化为每小时的用电量;
将预设的未来时间段内的电力批发价格数据、预设的未来时间段内的发电量数据和预设的未来时间段内的用电量数据输入需求响应模型的目标函数中,使用Q-learning强化学习算法获取未来时间段内各电力用户在各小时的最优的激励率。
8.一种基于人工智能的智能用电激励需求响应系统,其特征在于,所述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
获取数据集,对所述数据集进行预处理,所述数据集包括电力批发价格预测数据集、光伏输出功率预测数据集和电力用户负荷预测数据集;
基于所述电力批发价格预测数据集和预先构建的深度神经网络预测模型获取电力批发价格预测模型,基于所述光伏输出功率预测数据集和预先构建的深度神经网络预测模型获取光伏输出功率预测模型,基于所述电力用户负荷预测数据集和预先构建的深度神经网络预测模型获取电力用户负荷预测模型;
基于电力批发价格预测模型获取预设的未来时间段内的电力批发价格,基于光伏输出功率预测模型获取预设的未来时间段内的光伏输出功率,基于电力用户负荷预测模型获取预设的未来时间段内的电力用户负荷;
将所述预设的未来时间段内的电力批发价格、所述预设的未来时间段内的光伏输出功率和所述预设的未来时间段内的电力用户负荷输入到预先获取的需求响应模型的目标函数中,得到预设的未来时间段内各电力用户的最优的激励率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743474.8A CN110705738B (zh) | 2019-08-13 | 2019-08-13 | 基于人工智能的智能用电激励需求响应方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743474.8A CN110705738B (zh) | 2019-08-13 | 2019-08-13 | 基于人工智能的智能用电激励需求响应方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705738A true CN110705738A (zh) | 2020-01-17 |
CN110705738B CN110705738B (zh) | 2022-03-22 |
Family
ID=69193615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910743474.8A Active CN110705738B (zh) | 2019-08-13 | 2019-08-13 | 基于人工智能的智能用电激励需求响应方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705738B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967649A (zh) * | 2020-07-21 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种智能用电激励需求响应系统及其快速响应方法 |
CN113283751A (zh) * | 2021-05-26 | 2021-08-20 | 西安图迹信息科技有限公司 | 基于动态博弈的商业建筑需求响应方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169685A (zh) * | 2017-07-05 | 2017-09-15 | 北京理工大学 | 一种智能电网中实时需求响应奖励确定方法和装置 |
US20170285612A1 (en) * | 2016-03-30 | 2017-10-05 | Advanced Institutes Of Convergence Technology | Apparatus and method of optimization modeling for forming smart portfolio in negawatt market |
CN109242193A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种基于强化学习的动态需求响应定价方法 |
-
2019
- 2019-08-13 CN CN201910743474.8A patent/CN110705738B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170285612A1 (en) * | 2016-03-30 | 2017-10-05 | Advanced Institutes Of Convergence Technology | Apparatus and method of optimization modeling for forming smart portfolio in negawatt market |
CN107169685A (zh) * | 2017-07-05 | 2017-09-15 | 北京理工大学 | 一种智能电网中实时需求响应奖励确定方法和装置 |
CN109242193A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种基于强化学习的动态需求响应定价方法 |
Non-Patent Citations (2)
Title |
---|
DATONG P. ZHOU: "Hedging strategies for load-serving entities in wholesale electricity markets", 《2017 IEEE 56TH ANNUAL CONFERENCE ON DECISION AND CONTROL (CDC)》 * |
田世明等: "智能电网条件下的需求响应关键技术", 《中国电机工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967649A (zh) * | 2020-07-21 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种智能用电激励需求响应系统及其快速响应方法 |
CN111967649B (zh) * | 2020-07-21 | 2024-01-05 | 浙江中新电力工程建设有限公司 | 一种智能用电激励需求响应系统及其快速响应方法 |
CN113283751A (zh) * | 2021-05-26 | 2021-08-20 | 西安图迹信息科技有限公司 | 基于动态博弈的商业建筑需求响应方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110705738B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Modified deep learning and reinforcement learning for an incentive-based demand response model | |
Correa-Florez et al. | Stochastic operation of home energy management systems including battery cycling | |
Wu et al. | Hourly demand response in day‐ahead scheduling for managing the variability of renewable energy | |
US20190312457A1 (en) | System and method for dynamic energy storage system control | |
Shayesteh et al. | Multi-station equivalents for short-term hydropower scheduling | |
Ali et al. | Smart grid and energy district mutual interactions with demand response programs | |
Lampropoulos et al. | Hierarchical predictive control scheme for distributed energy storage integrated with residential demand and photovoltaic generation | |
Zhou et al. | Four‐level robust model for a virtual power plant in energy and reserve markets | |
CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
Bagheri et al. | Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation | |
CN116090730A (zh) | 基于激励需求响应的虚拟电厂负荷优化调度方法和系统 | |
Panda et al. | Economic risk‐based bidding strategy for profit maximisation of wind‐integrated day‐ahead and real‐time double‐auctioned competitive power markets | |
Moreira et al. | Value of corrective network security for distributed energy storage applications | |
Liaquat et al. | Day‐ahead continuous double auction‐based peer‐to‐peer energy trading platform incorporating trading losses and network utilisation fee | |
CN115049102A (zh) | 一种电价预测方法、装置、移动终端及存储介质 | |
Costa et al. | Optimizing Brazil's regulated electricity market in the context of time-of-use rates and prosumers with energy storage systems | |
Vahid-Ghavidel et al. | Energy storage system impact on the operation of a demand response aggregator | |
Qiu et al. | Multi‐objective generation dispatch considering the trade‐off between economy and security | |
Wang et al. | An electricity load forecasting model based on multilayer dilated LSTM network and attention mechanism | |
CN117114776A (zh) | 一种面向省间日前现货交易的量价申报方法 | |
Ali et al. | Policies and incentives for promoting distributed solar generation: Impact on electric power infrastructure | |
CN112633771B (zh) | 电力资源数值计算方法、装置、计算机设备和存储介质 | |
CN113052630B (zh) | 利用模型进行电力设备配置的方法和电力设备配置方法 | |
Gong et al. | Optimal stochastic scheduling of thermal‐wind GENCOs trading in the day‐ahead market including bilateral contracts with BSS | |
Rasheed et al. | Artificial intelligence-enabled probabilistic load demand scheduling with dynamic pricing involving renewable resource |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |