CN112633571B - 源网荷互动环境下基于lstm的超短期负荷预测方法 - Google Patents
源网荷互动环境下基于lstm的超短期负荷预测方法 Download PDFInfo
- Publication number
- CN112633571B CN112633571B CN202011509712.8A CN202011509712A CN112633571B CN 112633571 B CN112633571 B CN 112633571B CN 202011509712 A CN202011509712 A CN 202011509712A CN 112633571 B CN112633571 B CN 112633571B
- Authority
- CN
- China
- Prior art keywords
- load
- response
- flexible
- model
- network
- 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.)
- Active
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000004044 response Effects 0.000 claims abstract description 207
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 52
- 230000005611 electricity Effects 0.000 claims description 43
- 238000004146 energy storage Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 30
- 230000003287 optical effect Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 238000010438 heat treatment Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000002452 interceptive effect Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004378 air conditioning Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 9
- 238000013433 optimization analysis Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000005477 standard model Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 230000009133 cooperative interaction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000002355 dual-layer Substances 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种源网荷互动环境下基于LSTM的超短期负荷预测方法,基于源网荷互动环境下的三者的互动特性,搭建了“源‑网‑荷”互动总体框架,同时针对源网荷互动环境下柔性负荷的资源分类与响应特性,充分考虑响应成本与用户满意度对柔性负荷进行了响应特性建模。通过上述模型体系的建立,提出了源网荷互动环境下响应能力的评估方法,在对负荷可调潜力进行求解的基础上,基于长短期记忆网络LSTM更适合超短期预测的特性,提出了基于LSTM源网荷互动环境下的超短期负荷预测方法。为源网荷互动环境下协同优化调度方案的制定提供有效的预测参考。
Description
技术领域
本发明属于负荷预测领域,尤其涉及一种源网荷互动环境下基于LSTM(LongShort-Term Memory,长短期记忆网络)的超短期负荷预测方法。
背景技术
随着智能电网的发展、可再生能源的开发利用、电力市场化改革的推进,电力生产、传输、交易和使用等都发生了巨大的变化,其中“源-网-荷”协同互动是一种能够实现能源资源最大化利用的运行模式。“源-网-荷”互动是指电源、负荷与电网三者间通过源源互补、源网协调、网荷互动和源荷互动等多种交互形式,以实现更经济、高效和安全地提高电力系统功率动态平衡能力的目标。
其中,需求响应技术能够充分挖掘用户侧资源,引导用户主动参与电力市场运营与调控,也为电力系统的削峰填谷起到了较大的促进作用,是推动泛在电力物联网建设的关键技术之一。负荷侧,不再是传统的用能单元,包含多种形式负荷、储能、分布式电源的需求响应,具有更强的主动性。需求响应资源的分散性较强,其弹性水平往往达不到电网需求响应的要求,难以单独与需求响应购买者进行双边交易,且单一用户的决策无法满足需求响应的管理和优化要求。因此,有学者提出负荷聚合商这一商业模式,旨在整合分散的需求响应资源,统一调控。
发明内容
本发明的目的在于针对现有技术的不足,提供一种源网荷互动环境下基于LSTM的超短期负荷预测方法。
本发明的目的是通过以下技术方案实现的:一种源网荷互动环境下基于LSTM的超短期负荷预测方法,该方法主要由互动框架及响应负荷模型搭建、柔性负荷可调能力分析及基于长短期神经网络的训练及预测三个板块组成。
所述互动框架及响应负荷模型搭建包括如下步骤:
(1.1)“源-网-荷”协同互动框架建模;
(1.2)典型柔性负荷资源分类及响应特性建模;
所述柔性负荷可调能力分析包括如下步骤:
(2.1)“源-网-荷”互动环境下负荷响应不确定性处理;
(2.2)“源-网-荷”互动环境下可调潜力计算输入数据预处理;
(2.3)“源-网-荷”互动环境下柔性负荷最大可调能力求解;
所述基于LSTM的训练及预测包括如下步骤:
(3.1)基于历史负荷与柔性负荷可调能力建立LSTM训练集并训练模型;
(3.2)应用长短期记忆网络LSTM对柔性负荷进行超短期预测。
进一步地,所述步骤(1.1)具体内容建立基于“源-网-荷”互动环境的电网调度模型。建立“源-网-荷”互动环境下电网调度总体框架模型。该模型以互动主体特性分析与建模、互动主体可调度潜力评估为底层数据、技术支撑,实现互动环境下电网稳态分析、“源-网-荷”协同优化调度、“源-网-荷”互动控制以及互动性能评估,其中互动环境下电网稳态分析为协同优化调度和互动控制提供安全约束,“源-网-荷”协同优化调度的优化结果作为“源-网-荷”互动控制的数据基础。
进一步地,所述步骤(1.2)具体内容为考虑响应成本与用户满意度对典型柔性负荷的响应特性进行建模,主要包含以下子步骤:
(1.2.1)建立典型柔性负荷的物理响应模型,其中包括高载能负荷、空调负荷、热水器负荷、电动汽车负荷等四大主要类别。
(1.2.1.1)高载能负荷划分为可中断负荷、可转移负荷、可连续调节负荷三种。
(1.2.1.2)空调负荷。空调的工作状态与室温、空调温度设定值等有关,空调负荷参与电力需求响应时,模型的输入量包括需求响应控制信号、t时段室温、空调温度设定值、温度设定范围及室外温度等,综合考量以上因素进行建模。
(1.2.1.3)供暖型热负荷。热水器负荷是供暖型热负荷的一种,其工作状态与水温、热水器温度设定值、热水器进出水流速及流量、热水器自身参数等均有关,考虑其参与电力需求响应,同样综合考量以上因素进行建模。
(1.2.1.4)电动汽车负荷。电动汽车充电负荷模型与初始充电时刻、车载电池额定充电功率、满充电量要求等因素有关。
(1.2.2)基于响应成本与用户满意度等因素,充分考量现有“源-网-荷”互动模型下负荷用户的负荷聚合商模式,建立负荷聚合商模式下典型柔性负荷响应模型。
(1.2.2.1)柔性负荷的响应经济成本因响应方式的不同,可建立不同的数学模型,具体可分为价格型负荷和激励型负荷两种。
(1.2.2.2)再有柔性负荷的用户满意度包括两方面内容,一是用电方式满意度,二是响应效益满意度。柔性负荷进行需求响应时,以最大化负荷响应满意度为目标,包括两个衡量指标最大,进行多目标优化。
λi1+λi2=1 (21)
其中,λi1和λi2分别为柔性负荷用户i响应后的用电方式满意度权重和响应收益满意度γi权重。
(1.2.2.3)进一步,为更好符合当前电力市场的需求侧响应模式,将上述典型柔性负荷聚合为负荷聚合商。原本四类主要负荷,在负荷聚合商模式下重新归纳为五种典型负荷,分别为可中断负荷、可转移负荷、冷/热负荷、光储单元负荷、电动汽车负荷。建立负荷聚合商模式下的典型柔性负荷响应信号DR模型。
(1.2.2.3.1)可中断负荷的响应信号模型为:
IL=[IL1 IL2 … ILt … ILT] (24)
式中:IL为可中断负荷的DR子信号;为负荷聚合商通过可中断负荷参与需求响应获利;T为负荷一天内的时间序列;ρt为t时刻需求响应资源购买者对负荷聚合商的合同激励价格;ILt为可中断电负荷t时刻的需求响应信号数值,即负荷聚合商t时刻中断负荷的大小;NIL为IL用户数目;ci,t为第i个可中断负荷用户在t时刻的合同定价;/>为第i个IL用户在t时刻中断负荷的大小。
(1.2.2.3.2)可转移负荷的响应模型为:
TL=[TL1 TL2 … TLt … TLT] (31)
式中:TL为可转移电负荷的DR子信号;是实数型决策变量,为第i个TL用户在t时刻转移负荷的大小;Pmax和Emax分别为负荷最大削减功率和一日内最大削减电量;式(27)表示高峰电价时段的负荷削减量和低谷电价时段的负荷增加量相等,保证了负荷总量不变;xi,t和xi,t+1分别为t和t+1时刻0-1变量,0代表不进行中断操作,1代表进行中断操作;Tmin、Tmax分别为DR的持续时间下限和上限;TLt为可转移电负荷t时刻的需求响应子信号数值,即负荷聚合商t时刻转移负荷的大小;NTL为TL用户数。
(1.2.2.3.3)冷/热负荷。综合考虑空调负荷与供暖型热负荷,基于冷/热负荷计算的建模方法是根据能量守恒定理,任意时间段的空调所在建筑物的能量变化值等于空调制冷量/供暖热负荷与建筑物所获得的热量之差,基于电路模拟的等效热参数方法建立建筑物一阶热力学模型,反映冷/热负荷与室内温度的关系。
Tin,t+1=Tin,te-Δt/τ+(RQt+Tout,t)(1-e-Δt/τ) (32)
τ=RC (33)
式中:Tin,t+1、Tin,t分别为t+1时刻、t时刻的室内温度;Δt为时间间隔;τ为时间常数;R为建筑物等效热阻;C为室内空气的比热容;Qt为t时刻的负荷;Tout,t为t时刻的室外温度。
式(32)和(33)变形后得到削减后的负荷Q1,t及削减的负荷量ΔQt:
ΔQt=Q0,t-Q1,t (35)
式中:Q0,t为削减前t时刻的负荷。考虑冷/热负荷的制冷/供热转换效率,进一步优化建模结果:
HLt=ηΔQt (36)
HL=[HL1 HL2 … HLt … HLT] (37)
式中:HLt为在冷/热负荷参与需求响应情况下为电网减少的等效电负荷值,也是冷/热负荷t时刻的DR子信号数值;η为冷/热负荷的电转换效率;HL为冷/热负荷的DR子信号。
(1.2.2.3.4)光储单元负荷。负荷聚合商模式下,光伏等分布式电源和储能作为高载能负荷中可连续调节负荷同样要纳入考量。考虑用户的储能行为,结合能源集线器结构,单一光储单元用户期望的充放电行为分析如下:当供给光储单元用户i的光伏出力大干固定负荷/>或t时段电价ρt为低谷电价时,储能充电;当用户光伏出力/>小于固定负荷且t时段电价为高峰电价时储能放电,得到光储单元用户在每一时段充放电行为的数学模型如下:
ES=[ES1 ES2 … ESt … EST] (41)
式中:分别为光储单元用户i在t时段需求的充放电功率,也是光储单元t时段的DR子信号数值;Pi,max为用户i对应的储能充放电功率最大值;EOCi,min、EOCi,max分别为储能剩余容量最大限值和最小限值;Ei,t-1为t-1时段结束时刻的储能剩余容量;/>表示储能充电效率,/>表示储能放电效率;ρg、ρf分别为低谷电价集合和高峰电价集合;/>为用户有储能时的t时段光伏过剩功率;/>为用户没有储能时从电网购买的功率;ESt为光储单元t时刻的DR子信号数值,即t时刻光储单元对外放电或充电的数值大小;NES为ES用户数;ωt为0或1,约束储能的充电和放电不能同时进行;ES为光储单元的DR子信号。
(1.2.2.3.5)电动汽车负荷。考虑到电动汽车的大量应用以及电动汽车充电站的大量投建,在负荷聚合商上模式下,也将电动汽车负荷纳入考量范围,其数学模型如下:
EV=[EV1 EV2 … EVt … EVT] (44)
其中,每个用户对应一辆电动汽车,为t时刻电动汽车i的充电功率,/>为电动汽车i离网时需满足的荷电状态,/>为电动汽车i入网时荷电状态,Bi为电动汽车i的电池容量,/>为电动汽车i的离网时间,/>为电动汽车i的入网时间;EVt为t时刻所有正在充电的电动汽车的能量需求,NEV为EV用户数;ηi为电动汽车i的充电效率;EV为电动汽车负荷的DR子信号。
(1.2.2.3.6)综合考虑上述(1.2.2.3.1)~(1.2.2.3.5)的柔性负荷,我们建立了负荷聚合商模式下的典型柔性负荷响应模型。
DR=IL+TL+ES+HL+EV (45)
式中:DR为负荷聚合商聚合后的DR柔性负荷响应信号。
进一步地,所述步骤(2.1)具体内容为:应用模糊建模原理对负荷参与需求响应的不确定性进行处理,进行超短期负荷预测前,需要对柔性负荷参与源网荷互动的不确定进行充分考量,基于消费心理学,用户愿意参与响应的意愿与补偿金额相关,同时基于用户参与需求响应的不确定性机理,其中响应率可用乐观和悲观情形下的线性函数λmax(p)、λmin(p)描述,能够满足工程要求。
式中:p为经济激励;kmax、kmin分别表示乐观和悲观情形下的响应率曲线斜率;为无激励条件下用户的自身最大响应率;λmax为用户能达到的最大响应率;a、b分别为临界激励和饱和激励。
针对经济激励下的响应率不确定问题,我们需要进行模糊建模,模糊建模的关键在于确定模糊变量的隶属函数。
进一步地,所述步骤(2.2)具体内容为输入数据的清洗与预处理,输入数据包括典型柔性负荷历史负荷曲线、代评估负荷曲线、可辨识负荷曲线、日前和外部气象等数据,为了保证可调能力预估的精确性,需要对原始数据进行清洗和预处理。主要处理方法如下:对于首末端数据空缺,以趋势比例法进行补全;对于中间数据空缺,以非邻均值生成法进行补全。
进一步地,所述步骤(2.3)具体内容为对“源-网-荷”互动环境下柔性负荷的最大可调能力求解。其中包括负荷构成辨识、响应潜力建模和双层响应能力评估。
(2.3.1)负荷聚合商下的柔性负荷根据能否直接量测,分为可量测负荷、不可量测规律负荷以及随机负荷三部分,同时基于典型建筑(PB)负荷曲线标准模型库,将进行基于优化分析的负荷辨识。已知PB负荷模型库、不可量测的混合负荷曲线以及外部环境参数,求解负荷聚合商模式下的负荷构成及每类负荷的数量,具体公式为:
φ(t)=P(t)-PM(t)=PNM(t)+PRod(t) (51)
式中,t1为混合负荷的起始时间,t2为混合负荷的结束时间;ε为实际值与估计值间的误差,Ω(t)为通过负荷辨识算法估计得到的负荷数量和类型从而叠加生成的负荷用电功率,φ(t)为不可量测的混合负荷信号;P(t)为总体负荷,PM(t)为可量测负荷,PNM(t)为不可量测规律负荷,PRod(t)为随机负荷。
为了解决上述负荷构成的辨识问题,构建以下优化模型:
式中,NPB为负荷聚合商所在气候区典型负荷类型总数目,为辨识出的典型负荷数目,/>为t时段典型负荷j的用电功率,bi为该类负荷的可能数量上限。
(2.3.2)为了更好地实现响应潜力的计算,采用自上而下的响应潜力建模方法,单一柔性负荷的潜力计算方法,基于大量物理仿真,简化为如下线性模型:
式中,DRj(t)为t时刻典型负荷j的需求响应信号,θout,t为t时刻室外环境温度,θb为温度分断点,α1、α2、β1、β2均为与温度有关的时变常量。
同时对于负荷聚合商,其整体的响应潜力:
式中,DRBSP(t)为负荷聚合商聚合响应模型,NTB为负荷聚合商所在气候区典型负荷类型的实际数目,为实际负荷数量。
(2.3.3)基于负荷构成辨识方法与柔性负荷响应潜力建模,提出基于双层架构的负荷聚合商模式下柔性负荷的响应潜力计算步骤,基于(2.3.3.1)~(2.3.3.4)计算“源-网-荷”互动环境下柔性负荷的最大可调能力。
(2.3.3.1)获取负荷聚合商负荷曲线和所包含的可量测负荷的负荷曲线,计算待辨识负荷曲线。
(2.3.3.2)如果可以直接获得相同气候区的典型负荷曲线,则基于待辨识负荷曲线、典型负荷曲线、外部环境数据,基于优化分析方法进行负荷构成辨识。否则基于待辨识负荷曲线、统一气候的的典型负荷模型库、外部环境数据,基于优化分析方法进行负荷构成辨识。
(2.3.3.3)基于评估出的柔性负荷类型及对应时间、天气信息,建立每一种柔性负荷简化回归模型,得到每一种柔性负荷的响应潜力。
(2.3.3.4)基于负荷聚合商的柔性负荷构成及数量,最终求得负荷聚合商的响应的聚合潜力。
进一步地,所述步骤(3.1)具体内容为基于历史负荷与柔性负荷可调能力建立LSTM训练集并训练模型。
(3.1.1)长短期记忆网络的模型特点,有四个网络层,LSTM的核心是引入了一个新的单元状态,在传递线性循环信息的同时输出信息给隐藏状态。
(3.1.2)因为不同预测区域的实际场景不同,作为训练模型输入数据的负荷数据也不同。选取当地day天电网工作日负荷数据、模拟计算参与需求响应的柔性负荷DR信号以及设定的响应不确定性模糊参数作为训练集,同时利用min-max归一化处理以凸显负荷的变化趋势,负荷数据的时间间隔为time,训练得到长短期记忆网络LSTM。
进一步地,所述步骤(3.2)具体内容为应用训练好的长短期记忆网络LSTM对柔性负荷进行超短期预测。输入min-max归一化处理的过去M个时间点的历史负荷数据以及与之对应的M个DR信号构成的2×M二维矩阵,预测得到下一个时间点的负荷数据。此过程需要对负荷数据归一化,还需要对根据步骤(2.3.2)求得的DR信号进行归一化处理,消除信号之间量纲和数值大小的差异。
进一步地,所述步骤(1.2.2.2)中,柔性负荷用电方式满意度衡量的是负荷用电方式的变化量,具体表示为:
式中,为柔性负荷用电方式满意度,ΔPl(t)为负荷响应量,Pl0为初始负荷量。当柔性负荷为改变用电方式时,满意度为1;柔性负荷响应量越大,ΔPl(t)越大,用电方式满意度越低。
柔性负荷响应的效益满意度与用电费用支出相关,具体表示为:
式中,γ为柔性负荷响应效益满意度,Pl为柔性负荷用电量,cl为售电电价,Pl0为初始负荷量,cl0为基础售电电价。
进一步地,所述步骤(2.1)中,隶属函数多根据经验或试验确定,我们选择三角隶属度函数进行模糊处理,其函数如下:
式中:λ1、λ2、λ3均为隶属度参数。隶属度函数值越接近1,则用户DR的不确定程度越大,反之则越小。
本发明的有益效果是:本发明基于源网荷互动环境下的三者的互动特性,搭建了“源-网-荷”互动总体框架,同时针对源网荷互动环境下柔性负荷的资源分类与响应特性,充分考虑响应成本与用户满意度对柔性负荷进行了响应特性建模。通过上述模型体系的建立,提出了源网荷互动环境下响应能力的评估方法,在对负荷可调潜力进行求解的基础上,基于长短期记忆网络LSTM更适合超短期预测的特性,提出了基于LSTM源网荷互动环境下的超短期负荷预测方法。为源网荷互动环境下协同优化调度方案的制定提供有效的预测参考。本发明通过实现对负荷侧资源的可调能力评估和负荷侧的超短期预测,可以为更好制定需求负荷侧响应方案以及“源-网-荷”互动环境下电网的运行调度方案。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释,并不限定本发明的范围:
图1为源网荷互动环境下基于LSTM的超短期负荷预测模型整体流程图;
图2为本发明的源-网-荷”互动环境下电网调度总体框架模型示意图;
图3为用户需求响应不确定性机理示意图;
图4为响应率的三角隶属度函数示意图;
图5为基于双层架构的负荷聚合商模式下柔性负荷的响应潜力计算流程图;
图6为本发明的LSTM网络结构图;
图7为本发明的LSTM预测模型的典型输入结构,其中,(a)为不计及DR信号的模型输入结构,(b)为计及DR信号的模型输入结构;
图8为本发明的LSTM预测模型输入结构图;
图9为不同典型预测场景下的超短期负荷预测流程图。
具体实施方式
下面结合说明书附图对本发明作进一步的说明。
本发明为一种源网荷互动环境下基于LSTM的超短期负荷预测方法,由互动框架及响应负荷模型搭建、柔性负荷可调能力分析及基于长短期神经网络的训练及预测以上三部分组成,整体流程如图1所示。所述互动框架及响应负荷模型搭建主要通过典型数学化建模,包括柔性负荷对响应成本、用户满意度的考量,选取最常见的负荷聚合商模式进行整体建模;所述柔性负荷可调能力分析主要包括通过隶属函数对响应不确定性进行处理,以及选取合适的预测方法对柔性负荷的可调能力进行求解;所述基于长短期神经网络的训练及预测主要包括长短期神经网络训练,以及典型预测模式下的超短期负荷预测与评价。
1、所述互动框架及响应负荷模型搭建包括如下步骤:
(1.1)“源-网-荷”协同互动框架建模,具体内容为建立基于“源-网-荷”互动环境的电网调度模型。电力系统的调度目标是实现安全、经济、环保的电网智能调度,基于互动相关基础理论和支撑技术研究,提出基于互动主体特性分析与建模、互动主体可调度潜力评估、互动环境下电网稳态分析、“源-网-荷”协同优化调度、“源-网-荷”互动控制以及互动性能评估六大关键技术的“源-网-荷”互动环境下电网调度总体框架模型,如图2所示。
(1.2)典型柔性负荷资源分类及响应特性建模,具体内容为考虑响应成本与用户满意度对典型柔性负荷的响应特性进行建模,主要包含以下子步骤:
(1.2.1)建立典型柔性负荷的物理响应模型,其中包括高载能负荷、空调负荷、热水器负荷、电动汽车负荷等四大主要类别,其中高载能负荷划分为可中断负荷、可转移负荷、可连续调节负荷三种。
(1.2.1.1)高载能负荷是指能源价值产值比例较高的用户负荷,根据其不同的响应特性可以大致划分为可中断负荷、可转移负荷、可连续调节负荷三大类。
可中断负荷,是指在电网运行时可以根据电网调节指令在指定时间内减少定量负荷的高载能负荷,其运行特点是投入和中断都需要一定的时间,不可以连续调节,数学模型可以描述为:
式中,为可中断负荷i在t时段的负荷量,/>为可中断负荷i在t时段的调节量,/>为可中断负荷i的调节状态(1为不调节,0为调节)。
可转移负荷,是将某时段的负荷在不影响整体用电行为的前提下,在一定时间范围为分配到其他时段,缓解高峰期的用电压力,数学模型可以描述为:
式中,为可转移负荷j在t时段的负荷量,/>为可转移负荷j在t时段的调节量,/>为可转移负荷j的启动状态(1为在时段转移,0为不转移)。
可连续调节负荷,主要考虑自备电厂及光伏储能单元,调节特性与常规火电机组类似,响应速度快,可以连续调节,其数学模型为:
式中,为可连续调节负荷k在t时段的负荷量,NG_k为可调节机组台数、/>为可连续调节负荷在t时段的运行状态(1为开机运行,0为停机),/>为t时刻有功出力。
(1.2.1.2)空调负荷。空调的工作状态与室温、空调温度设定值等有关,空调负荷参与电力需求响应时,模型的输入量包括需求响应控制信号、t时段室温、空调温度设定值、温度设定范围及室外温度等。根据空调负荷的运行特性,建立其t时段工作状态下的实际功率模型:
PAC,t=PACSAC,t (4)
式中,PAC,t为t时段空调实际功率,PAC为制冷状态下空调额定功率,SAC,t为空调t时段工作状态,0表示断电,1表示通电,θAC,s为最低室温设定值,ΔθAC为室温设定范围,θAC,t为t时段室温。
制冷模式下,空调物理模型即输出变量他时段室温为:
式中,θAC,t+1、θAC,t分别为t+1、t时段室温,Gt表示t时段室外与室内热交换值,Δc为室内温度系数,即室温增加1℃所需热量,CAC为制冷状态下空调热容量,为制冷状态下空调对室温变化的作用值,Δt为时间段间隔,取1min。
(1.2.1.3)热水器负荷是供暖型热负荷的一种。热水器负荷的工作状态与水温、热水器温度设定值、热水器进出水流速及流量、热水器自身参数等均有关,考虑其参与电力需求响应,建立其t时段工作状态下的实际功率模型:
PWH,t=PWHSWH,t (7)
式中,PWH,t为t时段热水器实际功率,PWH为加热状态下热水器额定功率,SWH,t为热水器t时段工作状态,0表示断电,1表示通电,θWH,s为热水器最高水温设定值,ΔθWH为热水器设定范围,θWH,t为t时段热水器水温。
热水器物理模型中输出变量t时刻热水器水温为:
式中,θWH,t+1、θWH,t分别为t+1、t时段热水器水温,θin为热水器注入冷水水温,flt为t时段热水流量,VWH为热水器体积,Δt为时间段间隔,取1min,α为热水器加热温度系数,ξ为常规室温单位时间内热水器内部热水自冷却温度较少值。
(1.2.1.4)电动汽车负荷。电动汽车充电负荷模型与初始充电时刻、车载电池额定充电功率、满充电量要求等因素有关,建立t时段电动汽车的实际充电功率模型:
PEV,t=PEVSEV,t (10)
式中,PEV,t为电动汽车实际充电功率,PEV为电动汽车额定充电功率,SEV,t表示t时段电动汽车充电状态,0为断电,1为充电,SOCt为t时段电动汽车荷电状态,BEV为初始充电时间段,η为充电效率,Cbatt为电池额定容量,Δt为时间段间隔,取1min,L为汽车出行距离,EEV为汽车行驶效率,SOCmax为电动汽车最大荷电状态。
(1.2.2)基于响应成本与用户满意度等因素,充分考量现有“源-网-荷”互动模型下负荷用户的负荷聚合商模式,建立负荷聚合商模式下典型柔性负荷响应模型。
(1.2.2.1)柔性负荷的响应经济成本因响应方式的不同,可建立不同的数学模型,价格型负荷的调度成本模型,表现为电价越高,价格型负荷用电量越少,可以线性表示为:
Pload,i=αici+βi,Pi∈[Pimin,Pimax] (14)
式中,Pload,i为价格型负荷i的功率量,ci为电价,αi<0,βi>0为参数。
激励型负荷的调度成本模型,多是基于之前的合约签订,其响应成本主要由两部分组成,一部分为是用电功率改变造成的供电公司收益变化,另一部分为基于合同的响应基本费用及随响应量增加而产生的互动成本,两部分相加为总的调度成本:
Cj=Cj1+Cj2 (15)
Cj1=Cj0ΔPloadj (16)
Cj2=CILjΔPloadi (17)
式中,Cj为负荷调度成本,Cj1为供电公司收益变化,Cj2为负荷响应成本,Cj0为电网基础售电电价,CILj为单位响应量补偿价格,ΔPloadj为可中断负荷互动量。
(1.2.2.2)考虑柔性负荷参与“源-网-荷”互动过程在进行柔性负荷响应模型建模时,需要将柔性负荷的用户满意度纳入考量范围,柔性负荷的用户满意度包括两方面内容,一是用电方式满意度,二是响应效益满意度。
柔性负荷用电方式满意度衡量的是负荷用电方式的变化量,具体表示为:
式中,为柔性负荷用电方式满意度,ΔPl(t)为负荷响应量,Pl0为初始负荷量。当柔性负荷为改变用电方式时,满意度为1;柔性负荷响应量越大,ΔPl(t)越大,用电方式满意度越低。
柔性负荷响应的效益满意度与用电费用支出相关,具体表示为:
式中,γ为柔性负荷响应效益满意度,Pl为柔性负荷用电量,cl为售电电价,Pl0为初始负荷量,cl0为基础售电电价。柔性负荷进行需求响应时,以最大化负荷响应满意度为目标,包括两个衡量指标最大,进行多目标优化。
λi1+λi2=1 (21)
其中,λi1和λi2分别为负荷i响应后的用电方式满意度权重和响应收益满意度权重,i=1~N,N是全部用户数量。
(1.2.2.3)基于典型柔性负荷数学模型建立与柔性负荷响应成本和用户满意度的考量,为更好符合当前电力市场的需求侧响应模式,将上述典型柔性负荷聚合为负荷聚合商。原本高载能负荷、空调负荷、热水器负荷、电动汽车负荷等四类主要负荷,在负荷聚合商模式下重新归纳为五种典型负荷,五种负荷分别为可中断负荷、可转移负荷、冷/热负荷、光储单元负荷、电动汽车负荷。
建立负荷聚合商模式下的典型柔性负荷响应信号模型。
(1.2.2.3.1)可中断负荷的响应信号模型为:
IL=[IL1 IL2 … ILt … ILT] (24)
式中:为负荷聚合商通过可中断负荷参与需求响应获利;ρt为t时刻需求响应资源购买者对负荷聚合商的合同激励价格;Lt为可中断电负荷t时刻的需求响应信号数值,即负荷聚合商t时刻中断负荷的大小;IL为可中断电负荷的DR子信号;ci,t为第i个可中断负荷用户在t时刻的合同定价;/>为第i个IL用户在t时刻中断负荷的大小;T为负荷一天内的时间序列,本文取T=96;NIL为IL用户数目。
(1.2.2.3.2)可转移负荷的响应模型为:
/>
TL=[TL1 TL2 … TLt … TLT] (31)
式中:是实数型决策变量,为第i个TL用户在t时刻转移负荷的大小;式(27)表示高峰电价时段的负荷削减量和低谷电价时段的负荷增加量相等,保证了负荷总量不变;TLt为可转移电负荷t时刻的需求响应子信号数值,即负荷聚合商t时刻转移负荷的大小;TL为可转移电负荷的DR子信号;NTL为TL用户数。
(1.2.2.3.3)冷/热负荷。负荷聚合商模式下我们主要考虑空调负荷及供暖型热负荷。基于冷/热负荷计算的建模方法是根据能量守恒定理,任意时间段的空调所在建筑物的能量变化值等于空调制冷量/供暖热负荷与建筑物所获得的热量之差,基于电路模拟的等效热参数方法建立建筑物一阶热力学模型,反映冷/热负荷与室内温度的关系。
Tin,t+1=Tin,te-Δt/τ+(RQt+Tout,t)(1-e-Δt/τ) (32)
τ=RC (33)
式中:Tin,t+1、Tin,t分别为t+1时刻、t时刻的室内温度;Δt为时间间隔;τ为时间常数;Tout,t为t时刻的室外温度;R为建筑物等效热阻;C为室内空气的比热容;Qt为t时刻的负荷。
式(32)和(33)变形后得到削减后的负荷Q1,t及削减的负荷量ΔQt:
ΔQt=Q0,t-Q1,t (35)
式中:Q0,t为削减前t时刻的负荷。考虑空调的制冷/供热转换效率与热水器电热转换系数,进一步优化建模结果:
HLt=ηΔQt (36)
HL=[HL1 HL2 … HLt … HLT] (37)
式中:HLt为在热负荷参与需求响应情况下为电网减少的等效电负荷值,也是热负荷t时刻的DR子信号数值;HL为空调负荷/供暖型热负荷的DR子信号;η为热水器电热转换系数/空调转换效率。
(1.2.2.3.4)光储单元负荷。负荷聚合商模式下,光伏等分布式电源和储能作为高载能负荷中可连续调节负荷同样要纳入考量。考虑用户的储能行为,结合能源集线器结构,单一光储单元用户期望的充放电行为分析如下:当供给光储单元用户i的光伏出力大于固定负荷/>或t时段电价为低谷电价时储能充电;当用户光伏出力/>小于固定负荷/>且t时段电价为高峰电价时储能放电,得到光储单元用户在每一时段充放电行为的数学模型如下:/>
ES=[ES1 ES2 … ESt … EST] (41)
式中:为用户没有储能时从电网购买的功率;/>为用户有储能时的t时段光伏过剩功率;/>分别为光储单元用户i在t时段需求的充放电功率,也是光储单元t时段的DR子信号数值;ρg、ρf分别为低谷电价集合和高峰电价集合;/>分别表示储能充放电效率;Pi,max为储能充放电功率最大值;Ei,mmin、Ei,max分别为储能剩余容量最大限值和最小限值;Ei,t-1为t-1时段结束时刻的储能剩余容量;ESt为光储单元t时刻的DR子信号数值,即t时刻光储单元对外放电或充电的数值大小;ωt为0或1,约束储能的充电和放电不能同时进行;ES为光储单元的DR子信号NES为ES用户数。
(1.2.2.3.5)电动汽车负荷。考虑到电动汽车的大量应用以及电动汽车充电站的大量投建,在负荷聚合商上模式下,也将电动汽车负荷纳入考量范围,其数学模型如下:
EV=[EV1 EV2 … EVt … EVT] (44)
其中,每个用户对应一辆电动汽车,为充电功率,EVt为t时刻所有正在充电的电动汽车的能量需求,/>为电动汽车i离网时需满足的荷电状态,/>为电动汽车i入网时荷电状态,/>为电动汽车i的离网时间;/>为电动汽车i的入网时间;ηi为电动汽车i的充电效率,Bi为电动汽车i的电池容量;EV为电动汽车负荷的DR子信号,NEV为EV用户数。
(1.2.2.3.6)综合考虑上述柔性负荷,我们建立了负荷聚合商模式下的典型柔性负荷响应模型,计算上述五种DR子信号,通过叠加形成DR信号并输入进LSTM的输入层。
DR=IL+TL+ES+HL+EV (45)
式中:DR为负荷聚合商聚合后的DR信号。
2、所述柔性负荷可调能力分析包括如下步骤:
(2.1)“源-网-荷”互动环境下可调潜力评估方法建模,具体内容为充分考虑聚合负荷参与“源-网-荷”协同互动的不确定性,对DR响应信号进行模糊处理。由于负荷聚合商模式下的柔性负荷在参与“源-网-荷”协同互动存在一定的不确定性,特殊情况下,柔性负荷宁愿违约支付违约金选择拒绝参与响应。基于消费心理学,用户愿意参与响应的意愿与补偿金额相关,同时基于图3所示用户参与需求响应的不确定性机理,其中响应率可用乐观和悲观情形下的线性函数λmax(p)、λmin(p)描述,能够满足工程要求。
式中:p为经济激励;kmax、kmin分别表示乐观和悲观情形下的响应率曲线斜率;a、b分别为临界激励和饱和激励;为无激励条件下用户的自身最大响应率;λmax为用户能达到的最大响应率。
针对经济激励下的响应率不确定问题,我们需要进行模糊建模,模糊建模的关键在于确定模糊变量的隶属函数,隶属函数多根据经验或试验确定,我们选择三角隶属度函数来描述模糊参数,其函数图像如图4所示,:
式中:λ1、λ2、λ3均为隶属度参数。
(2.2)可调潜力评估方法输入数据的预处理,具体内容为输入数据的清洗与预处理,输入数据包括典型柔性负荷历史负荷曲线、代评估负荷曲线、可辨识负荷曲线、日前、外部气象等数据,为了保证可调能力预估的精确性,需要对原始数据进行清洗和预处理。主要处理方法如下:对于首末端数据空缺,以趋势比例法进行补全;对于中间数据空缺,以非邻均值生成法进行补全。
(2.3)“源-网-荷”互动环境下柔性负荷最大可调能力求解,具体内容为对“源-网-荷”互动环境下柔性负荷的最大可调能力求解。其中包括负荷构成辨识、响应潜力建模和双层响应能力评估。
(2.3.1)负荷聚合商下的柔性负荷根据能否直接量测可分为可量测负荷、不可量测规律负荷以及随机负荷三部分:
P(t)=PM(t)+PNM(t)+PRod(t) (49)
其中,PM(t)代表可量测负荷、PNM(t)代表不可量测规律负荷、PRod(t)为随即负荷。同时基于典型建筑(PB)负荷曲线标准模型库,将进行基于优化分析的负荷辨识。已知PB负荷模型库、不可量测的混合负荷曲线以及外部环境参数,求解负荷聚合商模式下的负荷构成及每类负荷的数量,具体公式为:
Φ(t)=P(t)-PM(t)=PNM(t)+PRod(t) (51)
式中,φ(t)为不可量测的混合负荷信号、t1为混合负荷的起始时间、t1为混合负荷的结束时间、Ω(t)为通过负荷辨识算法估计得到的负荷数量和类型从而叠加生成的负荷用电功率,ε为实际值与估计值间的误差。
为了解决上述负荷构成的辨识问题,构建以下优化模型:
式中,NPB为负荷聚合商所在气候区典型负荷类型总数目,为辨识出的典型负荷数目,/>为t时段典型负荷j的用电功率,bi为该类负荷的可能数量上限。
(2.3.2)为了更好地实现响应潜力的计算,采用自上而下的响应潜力建模方法,单一柔性负荷的潜力计算方法,基于大量物理仿真,简化为如下线性模型:
式中,DRj(t)为t时刻典型负荷j的需求响应信号,θout,t为t时刻室外环境温度,θb为温度分断点,α1、α2、β1、β2均为与温度有关的时变常量。
同时对于负荷聚合商,其整体的响应潜力:
式中,DRBSP(t)为负荷聚合商聚合响应模型,NTB为负荷聚合商所在气候区典型负荷类型的实际数目,为实际负荷数量。
(2.3.3)基于负荷构成辨识方法与柔性负荷响应潜力建模,提出图5所示基于双层架构的负荷聚合商模式下柔性负荷的响应潜力计算步骤。
(2.3.3.1)获取负荷聚合商负荷曲线和所包含的可量测负荷的负荷曲线,计算待辨识负荷曲线。
(2.3.3.2)如果可以直接获得相同气候区的典型负荷曲线,则基于待辨识负荷曲线、典型负荷曲线、外部环境数据,基于优化分析方法进行负荷构成辨识。否则基于待辨识负荷曲线、统一气候的的典型负荷模型库、外部环境数据,基于优化分析方法进行负荷构成辨识。
(2.3.3.3)基于评估出的柔性负荷类型及对应时间、天气信息,建立每一种柔性负荷简化回归模型,得到每一种柔性负荷的响应潜力。
(2.3.3.4)基于负荷聚合商的柔性负荷构成及数量,最终求得负荷聚合商的响应的聚合潜力。
3、所述基于LSTM的训练及预测包括如下步骤:
(3.1)基于历史负荷与柔性负荷可调能力建立LSTM训练集与测试集,具体内容利用历史负荷数据与研究区域的柔性负荷的最大可调能力,建立LSTM训练集与测试集。
(3.1.1)长短期记忆网络的模型特点,有四个网络层如图6所示,它们以一种特殊的形式交互。LSTM的核心是引入了一个新的单元状态,在传递线性循环信息的同时输出信息给隐藏状态。图中σ和tanh分别代表sigmoid和tanh激活函数,xt为输入量,ht、ht-1为当前和上一时间步的隐藏状态,ct、ct-1为当前和上一时间的单元状态,it,ft,ot分别表示当前时刻的输入门、遗忘门和输出门。
LSTM通过三个控制门单元(输入门、遗忘门、输出门)选择保留或者忘记信息。长短期记忆网络每一时间步的状态更新公式如下:
Ct=ftCt-1+ittanh(WC[ht-1,xt]+bc) (56)
ht=ottanh(Ct) (57)
it=σ(Wi[ht-1,xt]+bi) (58)
ft=σ(Wf[ht-1,xt]+bf) (59)
ot=σ(Wo[ht-1,xt]+bo) (60)
式中:W为权重矩阵,b为偏置常数,式中下标c,i,f,o分别表示单元状态、输入门、遗忘门和输出门。LSTM有能力删除或增加神经元状态中的信息,实现信息的选择性通过,通过sigmoid神经网络层和逐点相乘器形成,使其输出在[0,1]区间,可以等效为一组权重值。当输出值为0,门限将遗忘所有信息;当输出值为1,门限将保留所有信息。
(3.1.2)因为不同预测区域的实际场景不同,作为训练模型输入数据的负荷数据也不同。若预测区域不参与需求侧响应,即以不考虑需求响应的负荷数据作为模型训练。若预测区域参与需求侧响应,即以考虑需求响应的负荷数据作为模型训练,这部分若强制参与,那么负荷相应的不确定性也不考虑在内,不同情况下,LSTM的输入数据不同,具体区别如图7所示。不计及DR信号的模型输入结构,如图7(a),在模型测试阶段,每一组输入数据都是历史的四个负荷数据,而用于计算损失函数误差的标签值则是下一个时间点的负荷数据。计及DR信号的模型输入结构,如图7(b)所示,i为输入部分,包含Si和Pi,Si为第i时刻的DR信号,Pi为第i时刻的历史负荷;O为输出部分,即负荷预测值。一般情况下,通常选取当地75天电网工作日负荷数据、模拟计算参与需求响应的柔性负荷DR信号以及设定的响应不确定性模糊参数,负荷数据的时间间隔为15min,依据0.8∶0.2的比例划分训练集和测试集,得到60个工作日的训练集和15个工作日的测试集,同时利用min-max归一化处理以凸显负荷的变化趋势。
(3.2)应用长短期记忆网络LSTM对柔性负荷进行超短期预测并计算预测误差,具体内容为应用训练好的长短期记忆网络LSTM对柔性负荷进行超短期预测并计算预测误差。
(3.2.1)考虑“源-网-荷”互动环境下的需求响应与相应的不确定性,应用训练好的的长短期记忆网络LSTM进行超短期负荷预测。依照经验试验部分超参数,得到了最优超参数的大致范围;然后依据网格搜索法,得到最优超参数。参数确定后即可进行负荷的超短期预测。如图8所示,输入数据为min-max归一化处理的过去4个时间点的历史负荷数据以及与之对应的4个DR信号构成的2×4二维矩阵,将得到下一个时间点的负荷数据。此过程需要对负荷数据归一化,还需要对上文求得的DR信号进行归一化处理,消除信号之间量纲和数值大小的差异,完整预测流程如图9所示。
(3.2.2)预测评价指标选取为平方均方误差(RMSE)和平均相对百分比误差(MAPE),计算公式分别为式(60)和式(61)。RMSE与MAPE的值越接近零,预测误差越小,模型的预测效果越好。
/>
(3.3)分析总结得出“源-网-荷”互动环境下柔性负荷的预测结果,具体内容为分析总结得出“源-网-荷”互动环境下柔性负荷的预测结果。具体的应用场景不同,作为训练模型输入数据的负荷数据也不同,具体输入流程如图8所示,DR信号输入LSTM模型:在计及DR信号的超短期负荷预测中,LSTM网络的输入矩阵维度为(batch_size,last_size,input_dim),经过LSTM网络层后输出矩阵维度为(batch_size,last_size,hidden_size),最后经过回归层得到预测值(batch_size,out_size)。其中batch_size为批训练数目,last_size为需要输入的历史序列数据个数,hidden_size为隐藏层维数,out_size为输出向量的维度,在预测时为1。在不计及DR信号时,input_dim为1代表负荷信号,在计及DR信号时,input_dim为2代表负荷信号和需求响应信号。
若预测区域不参与需求侧响应,即以不考虑需求响应的负荷数据作为模型训练,典型预测场景,整体可分为不计及需求响应信号,计及需求响应信号不计及需求响应的不确定性,计及需求响应信号和需求响应的不确定性三种,整体流程如图9所示。最后综合预测结果,根据预测区域的实际情况,给出“源-网-荷”互动环境下柔性负荷的预测结果。
Claims (8)
1.一种源网荷互动环境下基于LSTM的超短期负荷预测方法,其特征在于,该方法由互动框架及响应负荷模型搭建、柔性负荷可调能力分析及基于长短期神经网络的训练及预测三个板块组成;
所述互动框架及响应负荷模型搭建包括如下步骤:
(1.1)“源-网-荷”协同互动框架建模;
(1.2)典型柔性负荷资源分类及响应特性建模;
所述步骤(1.2)具体内容为考虑响应成本与用户满意度对典型柔性负荷的响应特性进行建模,包含以下子步骤:
(1.2.1)建立典型柔性负荷的物理响应模型,其中包括高载能负荷、空调负荷、热水器负荷、电动汽车负荷四大类别;
(1.2.1.1)高载能负荷划分为可中断负荷、可转移负荷、可连续调节负荷三种;
(1.2.1.2)空调负荷;空调的工作状态与室温、空调温度设定值有关,空调负荷参与电力需求响应时,模型的输入量包括需求响应控制信号、t时段室温、空调温度设定值、温度设定范围及室外温度,综合考量以上因素进行建模;
(1.2.1.3)供暖型热负荷;热水器负荷是供暖型热负荷的一种,其工作状态与水温、热水器温度设定值、热水器进出水流速及流量、热水器自身参数均有关,考虑其参与电力需求响应,同样综合考量以上因素进行建模;
(1.2.1.4)电动汽车负荷;电动汽车充电负荷模型与初始充电时刻、车载电池额定充电功率、满充电量要求因素有关;
(1.2.2)基于响应成本与用户满意度因素,充分考量现有“源-网-荷”互动模型下负荷用户的负荷聚合商模式,建立负荷聚合商模式下典型柔性负荷响应模型;
(1.2.2.1)柔性负荷的响应经济成本因响应方式的不同,可建立不同的数学模型,具体可分为价格型负荷和激励型负荷两种;
(1.2.2.2)再有柔性负荷的用户满意度包括两方面内容,一是用电方式满意度,二是响应效益满意度;柔性负荷进行需求响应时,以最大化负荷响应满意度为目标,包括两个衡量指标最大,进行多目标优化;
λi1+λi2=1(21)其中,λi1和λi2分别为柔性负荷用户i响应后的用电方式满意度权重和响应收益满意度γi权重;
(1.2.2.3)为符合当前电力市场的需求侧响应模式,将上述典型柔性负荷聚合为负荷聚合商;原本四类负荷,在负荷聚合商模式下重新归纳为五种典型负荷,分别为可中断负荷、可转移负荷、冷/热负荷、光储单元负荷、电动汽车负荷;建立负荷聚合商模式下的典型柔性负荷响应信号DR模型;
(1.2.2.3.1)可中断负荷的响应信号模型为:
IL=[IL12…ILt…LT](24)式中:为可中断负荷的DR子信号;为负荷聚合商通过可中断负荷参与需求响应获利;T为负荷一天内的时间序列;T为t时刻需求响应资源购买者对负荷聚合商的合同激励价格;ILt为可中断电负荷t时刻的需求响应信号数值,即负荷聚合商t时刻中断负荷的大小;IL为IL用户数目;i,t为第i个可中断负荷用户在t时刻的合同定价;/>为第i个IL用户在t时刻中断负荷的大小;
(1.2.2.3.2)可转移负荷的响应模型为:
式中:TL为可转移电负荷的DR子信号;是实数型决策变量,为第i个TL用户在t时刻转移负荷的大小;Pmcx和Emax分别为负荷最大削减功率和一日内最大削减电量;式(27)表示高峰电价时段的负荷削减量和低谷电价时段的负荷增加量相等,保证了负荷总量不变;xi,和xi,分别为t和t+1时刻0-1变量,0代表不进行中断操作,1代表进行中断操作;Tmin、Tmax分别为DR的持续时间下限和上限;TLt为可转移电负荷t时刻的需求响应子信号数值,即负荷聚合商t时刻转移负荷的大小;NTL为TL用户数;
(1.2.2.3.3)冷/热负荷;综合考虑空调负荷与供暖型热负荷,基于冷/热负荷计算的建模方法是根据能量守恒定理,任意时间段的空调所在建筑物的能量变化值等于空调制冷量/供暖热负荷与建筑物所获得的热量之差,基于电路模拟的等效热参数方法建立建筑物一阶热力学模型,反映冷/热负荷与室内温度的关系;
Tin,t+1=Tin,te-Δt/τ+(RQt+Tout,t)(1-e-Δt/τ) (32)
τ=RC (33)
式中:Tin,t+1、Tin,t分别为t+1时刻、t时刻的室内温度;Δt为时间间隔;τ为时间常数;R为建筑物等效热阻;C为室内空气的比热容;Qt为t时刻的负荷;Tout,t为t时刻的室外温度;
式(32)和(33)变形后得到削减后的负荷Q1,t及削减的负荷量ΔQt:
ΔQt=Q0,t-Q1,t (35)
式中:Q0,t为削减前t时刻的负荷;考虑冷/热负荷的制冷/供热转换效率,优化建模结果:
HLt=ηΔQt (36)
HL=[HL1 HL2 … HLt … HLT] (37)
式中:HLt为在冷/热负荷参与需求响应情况下为电网减少的等效电负荷值,也是冷/热负荷t时刻的DR子信号数值;η为冷/热负荷的电转换效率;HL为冷/热负荷的DR子信号;
(1.2.2.3.4)光储单元负荷;负荷聚合商模式下,光伏分布式电源和储能作为高载能负荷中可连续调节负荷同样要纳入考量;考虑用户的储能行为,结合能源集线器结构,单一光储单元用户期望的充放电行为分析如下:当供给光储单元用户i的光伏出力大于固定负荷/>或t时段电价ρt为低谷电价时,储能充电;当用户光伏出力/>小于固定负荷/>且t时段电价为高峰电价时储能放电,得到光储单元用户在每一时段充放电行为的数学模型如下:
ES=[ES1 ES2 … ESt … EST] (41)
式中:分别为光储单元用户i在t时段需求的充放电功率,也是光储单元t时段的DR子信号数值;Pi,max为用户i对应的储能充放电功率最大值;EOCi,min、EOCi,max分别为储能剩余容量最大限值和最小限值;Ei,t-1为t-1时段结束时刻的储能剩余容量;/>表示储能充电效率,/>表示储能放电效率;ρg、ρf分别为低谷电价集合和高峰电价集合;/>为用户有储能时的t时段光伏过剩功率;/>为用户没有储能时从电网购买的功率;ESt为光储单元t时刻的DR子信号数值,即t时刻光储单元对外放电或充电的数值大小;NES为ES用户数;ωt为0或1,约束储能的充电和放电不能同时进行;ES为光储单元的DR子信号;
(1.2.2.3.5)电动汽车负荷;考虑到电动汽车的大量应用以及电动汽车充电站的大量投建,在负荷聚合商上模式下,也将电动汽车负荷纳入考量范围,其数学模型如下:
EV=[EV1 EV2 … EVt … EVT] (44)
其中,每个用户对应一辆电动汽车,为t时刻电动汽车i的充电功率,/>为电动汽车i离网时需满足的荷电状态,/>为电动汽车i入网时荷电状态,Bi为电动汽车i的电池容量,/>为电动汽车i的离网时间,/>为电动汽车i的入网时间;EVt为t时刻所有正在充电的电动汽车的能量需求,NEV为EV用户数;ηi为电动汽车i的充电效率;EV为电动汽车负荷的DR子信号;
(1.2.2.3.6)综合考虑上述(1.2.2.3.1)~(1.2.2.3.5)的柔性负荷,我们建立了负荷聚合商模式下的典型柔性负荷响应模型;
DR=IL+TL+ES+HL+EV (45)
式中:DR为负荷聚合商聚合后的DR柔性负荷响应信号;
所述柔性负荷可调能力分析包括如下步骤:
(2.1)“源-网-荷”互动环境下负荷响应不确定性处理;
(2.2)“源v网-荷”互动环境下可调潜力计算输入数据预处理;
(2.3)“源-网-荷”互动环境下柔性负荷最大可调能力求解;
所述步骤(2.3)具体内容为对“源-网-荷”互动环境下柔性负荷的最大可调能力求解;其中包括负荷构成辨识、响应潜力建模和双层响应能力评估;
(2.3.1)负荷聚合商下的柔性负荷根据能否直接量测,分为可量测负荷、不可量测规律负荷以及随机负荷三部分,同时基于典型建筑(PB)负荷曲线标准模型库,将进行基于优化分析的负荷辨识;已知PB负荷模型库、不可量测的混合负荷曲线以及外部环境参数,求解负荷聚合商模式下的负荷构成及每类负荷的数量,具体公式为:
φ(t)=P(t)-PM(t)=PNM(t)+PRod(t) (51)
式中,t1为混合负荷的起始时间,t2为混合负荷的结束时间;ε为实际值与估计值间的误差,Ω(t)为通过负荷辨识算法估计得到的负荷数量和类型从而叠加生成的负荷用电功率,φ(t)为不可量测的混合负荷信号;P(t)为总体负荷,PM(t)为可量测负荷,PNM(t)为不可量测规律负荷,PRod(t)为随机负荷;
为了解决上述负荷构成的辨识问题,构建以下优化模型:
式中,NPB为负荷聚合商所在气候区典型负荷类型总数目,为辨识出的典型负荷数目,/>为t时段典型负荷j的用电功率,bj为该类负荷的可能数量上限;
(2.3.2)为了更好地实现响应潜力的计算,采用自上而下的响应潜力建模方法,单一柔性负荷的潜力计算方法,基于大量物理仿真,简化为如下线性模型:
式中,DRj(t)为t时刻典型负荷j的需求响应信号,θout,t为t时刻室外环境温度,θb为温度分断点,α1、α2、β1、β2均为与温度有关的时变常量;
同时对于负荷聚合商,其整体的响应潜力:
式中,DRBSP(t)为负荷聚合商聚合响应模型,NTB为负荷聚合商所在气候区典型负荷类型的实际数目,为实际负荷数量;
(2.3.3)基于负荷构成辨识方法与柔性负荷响应潜力建模,提出基于双层架构的负荷聚合商模式下柔性负荷的响应潜力计算步骤,基于(2.3.3.1)~(2.3.3.4)计算“源-网-荷”互动环境下柔性负荷的最大可调能力;
(2.3.3.1)获取负荷聚合商负荷曲线和所包含的可量测负荷的负荷曲线,计算待辨识负荷曲线;
(2.3.3.2)如果可以直接获得相同气候区的典型负荷曲线,则基于待辨识负荷曲线、典型负荷曲线、外部环境数据,基于优化分析方法进行负荷构成辨识;否则基于待辨识负荷曲线、统一气候的的典型负荷模型库、外部环境数据,基于优化分析方法进行负荷构成辨识;
(2.3.3.3)基于评估出的柔性负荷类型及对应时间、天气信息,建立每一种柔性负荷简化回归模型,得到每一种柔性负荷的响应潜力;
(2.3.3.4)基于负荷聚合商的柔性负荷构成及数量,最终求得负荷聚合商的响应的聚合潜力;
所述基于LSTM的训练及预测包括如下步骤:
(3.1)基于历史负荷与柔性负荷可调能力建立LSTM训练集并训练模型;
(3.2)应用长短期记忆网络LSTM对柔性负荷进行超短期预测。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1.1)具体内容建立基于“源-网-荷”互动环境的电网调度模型;建立“源-网-荷”互动环境下电网调度总体框架模型;该模型以互动主体特性分析与建模、互动主体可调度潜力评估为底层数据、技术支撑,实现互动环境下电网稳态分析、“源-网-荷”协同优化调度、“源-网-荷”互动控制以及互动性能评估,其中互动环境下电网稳态分析为协同优化调度和互动控制提供安全约束,“源-网-荷”协同优化调度的优化结果作为“源-网-荷”互动控制的数据基础。
3.根据权利要求1所述的方法,其特征在于,所述步骤(2.1)具体内容为:应用模糊建模原理对负荷参与需求响应的不确定性进行处理,进行超短期负荷预测前,需要对柔性负荷参与源网荷互动的不确定进行充分考量,基于消费心理学,用户愿意参与响应的意愿与补偿金额相关,同时基于用户参与需求响应的不确定性机理,其中响应率可用乐观和悲观情形下的线性函数λmax(p)、λmin(p)描述,能够满足工程要求;
式中:p为经济激励;kmax、kmin分别表示乐观和悲观情形下的响应率曲线斜率;为无激励条件下用户的自身最大响应率;λmax为用户能达到的最大响应率;a、b分别为临界激励和饱和激励;
针对经济激励下的响应率不确定问题,我们需要进行模糊建模,模糊建模的关键在于确定模糊变量的隶属函数。
4.根据权利要求1所述的方法,其特征在于,所述步骤(2.2)具体内容为输入数据的清洗与预处理,输入数据包括典型柔性负荷历史负荷曲线、代评估负荷曲线、可辨识负荷曲线、日前和外部气象数据,为了保证可调能力预估的精确性,需要对原始数据进行清洗和预处理;处理方法如下:对于首末端数据空缺,以趋势比例法进行补全;对于中间数据空缺,以非邻均值生成法进行补全。
5.根据权利要求1所述的方法,其特征在于,所述步骤(3.1)具体内容为基于历史负荷与柔性负荷可调能力建立LSTM训练集并训练模型;
(3.1.1)长短期记忆网络的模型特点,有四个网络层,LSTM的核心是引入了一个新的单元状态,在传递线性循环信息的同时输出信息给隐藏状态;
(3.1.2)因为不同预测区域的实际场景不同,作为训练模型输入数据的负荷数据也不同;选取当地day天电网工作日负荷数据、模拟计算参与需求响应的柔性负荷DR信号以及设定的响应不确定性模糊参数作为训练集,同时利用min-max归一化处理以凸显负荷的变化趋势,负荷数据的时间间隔为time,训练得到长短期记忆网络LSTM。
6.根据权利要求1所述的方法,其特征在于,所述步骤(3.2)具体内容为应用训练好的长短期记忆网络LSTM对柔性负荷进行超短期预测;输入min-max归一化处理的过去M个时间点的历史负荷数据以及与之对应的M个DR信号构成的2×M二维矩阵,预测得到下一个时间点的负荷数据;此过程需要对负荷数据归一化,还需要对根据步骤(2.3.2)求得的DR信号进行归一化处理,消除信号之间量纲和数值大小的差异。
7.根据权利要求1所述的方法,其特征在于,所述步骤(1.2.2.2)中,柔性负荷用电方式满意度衡量的是负荷用电方式的变化量,具体表示为:
式中,为柔性负荷用电方式满意度,ΔPl(t)为负荷响应量,Pl0为初始负荷量;当柔性负荷为改变用电方式时,满意度为1;柔性负荷响应量越大,ΔPl(t)越大,用电方式满意度越低;
柔性负荷响应的效益满意度与用电费用支出相关,具体表示为:
式中,γ为柔性负荷响应效益满意度,Pl为柔性负荷用电量,cl为售电电价,Pl0为初始负荷量,cl0为基础售电电价。
8.根据权利要求3所述的方法,其特征在于,所述步骤(2.1)中,隶属函数多根据经验或试验确定,我们选择三角隶属度函数进行模糊处理,其函数如下:
式中:λ1、λ2、λ3均为隶属度参数;隶属度函数值越接近1,则用户DR的不确定程度越大,反之则越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011509712.8A CN112633571B (zh) | 2020-12-18 | 2020-12-18 | 源网荷互动环境下基于lstm的超短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011509712.8A CN112633571B (zh) | 2020-12-18 | 2020-12-18 | 源网荷互动环境下基于lstm的超短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633571A CN112633571A (zh) | 2021-04-09 |
CN112633571B true CN112633571B (zh) | 2023-09-29 |
Family
ID=75317476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011509712.8A Active CN112633571B (zh) | 2020-12-18 | 2020-12-18 | 源网荷互动环境下基于lstm的超短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633571B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537578A (zh) * | 2021-06-25 | 2021-10-22 | 国网江苏省电力有限公司信息通信分公司 | 一种电力用户行为预测方法 |
CN113991655B (zh) * | 2021-10-28 | 2023-09-19 | 国网上海市电力公司 | 定频空调负荷聚合需求响应潜力评估方法、装置及介质 |
CN114069642B (zh) * | 2021-11-23 | 2023-08-25 | 国网浙江省电力有限公司杭州供电公司 | 一种考虑用户满意度的温控负荷综合调峰方法 |
CN113935203B (zh) * | 2021-12-17 | 2022-04-12 | 南方电网科学研究院有限责任公司 | 一种负荷侧的柔性负荷建模方法及装置 |
CN114282377B (zh) * | 2021-12-28 | 2023-06-06 | 国网四川省电力公司电力科学研究院 | 一种考虑气象因素的电动汽车短期充电负荷的预测方法 |
CN115481921A (zh) * | 2022-09-30 | 2022-12-16 | 北京华电能源互联网研究院有限公司 | 一种基于备用辅助服务的电动汽车负荷聚合方法和系统 |
CN116136978B (zh) * | 2023-04-14 | 2023-07-11 | 国网江苏省电力有限公司南通供电分公司 | 一种海量小微居民负荷聚合需求响应潜力评估方法与系统 |
CN116722557B (zh) * | 2023-05-30 | 2024-06-21 | 国网北京市电力公司 | 一种基于小波分解的需求响应回弹时长分析方法及系统 |
CN116544930B (zh) * | 2023-06-25 | 2023-09-19 | 国网浙江省电力有限公司丽水供电公司 | 一种分布式资源聚合体可调节能力评估方法及装置 |
CN117254505B (zh) * | 2023-09-22 | 2024-03-26 | 南方电网调峰调频(广东)储能科技有限公司 | 基于数据处理的储能电站优化运行模式决策方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108281968A (zh) * | 2018-01-08 | 2018-07-13 | 华北电力大学 | 一种负荷聚合商-风电场协同运营模式下的负荷调度模型 |
CN109858835A (zh) * | 2019-02-26 | 2019-06-07 | 合肥工业大学 | 一种负荷聚合商的需求响应建模与可靠性评估方法 |
CN110210647A (zh) * | 2019-04-29 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种分布式电源、储能与柔性负荷联合调度方法及装置 |
CN110244566A (zh) * | 2019-06-24 | 2019-09-17 | 燕山大学 | 计及柔性负荷的冷热电联供系统容量优化配置方法 |
CN110895773A (zh) * | 2019-11-29 | 2020-03-20 | 合肥工业大学 | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 |
-
2020
- 2020-12-18 CN CN202011509712.8A patent/CN112633571B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108281968A (zh) * | 2018-01-08 | 2018-07-13 | 华北电力大学 | 一种负荷聚合商-风电场协同运营模式下的负荷调度模型 |
CN109858835A (zh) * | 2019-02-26 | 2019-06-07 | 合肥工业大学 | 一种负荷聚合商的需求响应建模与可靠性评估方法 |
CN110210647A (zh) * | 2019-04-29 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种分布式电源、储能与柔性负荷联合调度方法及装置 |
CN110244566A (zh) * | 2019-06-24 | 2019-09-17 | 燕山大学 | 计及柔性负荷的冷热电联供系统容量优化配置方法 |
CN110895773A (zh) * | 2019-11-29 | 2020-03-20 | 合肥工业大学 | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
"Evolutionary Ensemble LSTM based Household Peak Demand Prediction";Songpu Ai 等;《IEEE Xplore》;全文 * |
"基于广义需求侧资源聚合的电力系统短期负荷预测模型";陈丽娜 等;《电力系统保护与控制》;第46卷(第15期);全文 * |
"柔性负荷聚合商参与电力系统的多时间尺度 协同优化调度策略";贾雨龙 等;《华北电力大学学报》;第46卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633571A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633571B (zh) | 源网荷互动环境下基于lstm的超短期负荷预测方法 | |
Vázquez-Canteli et al. | Reinforcement learning for demand response: A review of algorithms and modeling techniques | |
Yang et al. | Indirect multi-energy transactions of energy internet with deep reinforcement learning approach | |
Gelazanskas et al. | Demand side management in smart grid: A review and proposals for future direction | |
US11610214B2 (en) | Deep reinforcement learning based real-time scheduling of Energy Storage System (ESS) in commercial campus | |
Li et al. | Hybrid time-scale energy optimal scheduling strategy for integrated energy system with bilateral interaction with supply and demand | |
CN113326994A (zh) | 一种考虑源荷储互动的虚拟电厂能量协同优化方法 | |
CN114862252A (zh) | 可调负荷多层聚合调度潜力分析方法、系统、设备及介质 | |
Saberi et al. | Capacity of virtual energy storage system for frequency regulation services via a data-driven distributionally robust optimization method | |
Lingmin et al. | A Q-learning based optimization method of energy management for peak load control of residential areas with CCHP systems | |
CN113158450A (zh) | 一种基于楼宇能量管理系统经济调度方法及系统 | |
Yang et al. | A novel dynamic load-priority-based scheduling strategy for home energy management system | |
Wu et al. | Bilevel load-agent-based distributed coordination decision strategy for aggregators | |
Yang et al. | Bi-level decentralized control of electric heating loads considering wind power accommodation in real-time electricity market | |
Bai et al. | Flexibility quantification and enhancement of flexible electric energy systems in buildings | |
Wang et al. | Unit scheduling considering the flexibility of intelligent temperature control appliances under TOU power price | |
Kyriakou et al. | Optimal frequency support method for urban microgrids of building prosumers | |
CN113644652B (zh) | 一种基于用户不确定性行为的负荷调控优化系统 | |
Gao et al. | Multi-energy sharing optimization for a building cluster towards net-zero energy system | |
Fu et al. | Predictive control of power demand peak regulation based on deep reinforcement learning | |
Masihabadi et al. | A novel information gap decision theory‐based demand response scheduling for a smart residential community considering deep uncertainties | |
Zeng et al. | Incentive-based demand response strategies for natural gas considering carbon emissions and load volatility | |
Yi et al. | Research of building load optimal scheduling based on multi-objective estimation of distributed algorithm | |
CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
Dong et al. | Research on day-ahead optimal dispatching of virtual power plants considering the coordinated operation of diverse flexible loads and new energy |
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 |