CN112819307A - 智能电网中基于负载监督的需求响应方法及系统 - Google Patents

Abstract

本发明所述的一种智能电网中基于负载监督的需求响应方法及系统，通过对用户负载、环境温度等数据进行采集，采用负载监督模型对负载数据进行训练，之后利用训练出来的负载监督模型对用户短期负载消耗进行预测，得到的需求数据用来构建需求响应模型，在需求响应模型中，将多个用户聚合成一个微网，各个微网之间通过智能电表来进行调度信息的实时同步，供电方通过激励的方式来使得各个微网聚合端进行协作调度，最后使整个系统达到纳什均衡，也就是使所有微网的峰值比最低以及消耗函数最小，该方法解决了单个用户都只为了使自身成本降低进行的负载调度，导致系统整体峰值比没有下降的问题。

Description

智能电网中基于负载监督的需求响应方法及系统

技术领域

本发明属于电力系统能源调度领域，涉及一种智能电网中基于负载监督的改进型需求响应模型及系统。

背景技术

随着智能电网的快速发展，智能电表的普及使用，信息物理融合技术得到了快速的发展。相比于传统电网中供电信息的单向流动，用户不能参与能源调度，智能电网通过先进的传感技术、量测技术使得用户能够充分参与到整个能源市场的交易过程，让需求侧的管理变为了可能，极大的降低了能源消耗。需求响应(Demand Response)的主要目的就是在不消耗额外能源的情况下，使得已经生产的电能更充分的去满足用户的负载需求。对于用户侧来说，用户负载需求往往具有周期性，每天短时间范围内会到达峰值，之后需求骤减。此时对于供电方来说，为了满足峰值需求，不得不去提高生产量，最后为了满足5％的峰值时间响应，导致了大量的能源浪费。

需求管理通过采用激励和实时电价的方式来改变用户的用电行为习惯，达到削峰填谷的作用。在基于激励的方式中，供电方通过智能电表对用户负载进行直接控制，当发出需求响应信号时，会立即对用户负载进行直接调度，达到削峰的作用，用户同时可以在这个过程中获得一定的激励。在使用基于价格的需求侧管理方式时，供电方会通过当前的需求情况来改变电价，以此来调度负载。

目前针对智能电网中的需求响应，大多采用供电方对用户负载直接控制和用户实时调度的方式对负载进行直接控制时用户可能会担心侵入程度过大，导致自己的隐私泄露，而通过实时电价的方式需要用户实时关注电价信息，对负载进行调度，这个过程对于大多数的用户来说都显得不切实际，并且实时电价的方式还可能会产生负载同步转移的问题，大量的负载从峰值时间转移到非峰值的时间，使得整体的峰值时间比例并没有降低。因此亟需提出一种方法能在用户不需要实时参与负载调度以及供电方不侵入用户家庭设备进行直接控制的情况下，通过对大量用户聚合调度，完成需求响应。

发明内容

针对现有技术中存在的问题，本发明提供一种智能电网中基于负载监督的需求响应方法及系统，该方法能够有效降低用户整体的峰值时间，实现需求响应。

本发明是通过以下技术方案来实现：

一种智能电网中基于负载监督的需求响应方法，包括以下步骤：

步骤1、构建负载监督模型并进行训练；

步骤2、构建需求响应模型，根据微网中所有用户在调度时间段内的需求总量确定峰值需求和平均需求，进而得到峰值比，同时根据需求总量确定消耗函数，将峰值比和消耗函数转化为优化问题，得到最优的峰值比和消耗函数；

步骤3、采用步骤1的训练后的负载监督模型预测出各个微网中用户在未来调度时间段的负载消耗数据，确定用户负载调度的初始向量区间，初始向量区间结合实时电价，确定微网用户负载调度的最优时间段，从而得到各个微网的最优调度向量，使微网中用户的用电需求成本最低；

步骤4、各个微网将各自的最优调度向量广播至其它微网，各个微网根据自身的最优调度向量和接收到的其它微网的最优调度向量，并结合最优的峰值比和消耗函数更新各自的调度向量，当所有微网的调度向量达到稳定时，各个微网得到自身的最终调度向量，各个微网中根据最终调度向量进行负载调度，从而实现整个系统峰值比最低以及消耗函数最小。

优选的，所述负载监督模型为长短期记忆网络，通过用户的历史负载数据集对其进行训练，负载监督模型预测出用户未来调度时间段的负载消耗数据。

优选的，所述长短期记忆网络由三个输出门来控制，长短期记忆网络中的神经元的表达式如下：

i_g＝sigm(i_[t]W_ix+o_[t-1]W_im+b_i)

f_g＝sigm(i_[t]W_fx+o_[t-1]W_fm+b_f)

o_g＝sigm(i_[t]W_ox+o_[t-1]W_om+b_o)

u＝sigm(i_[t]W_ix+o_[t-1]W_im+b_i)

其中，i_g代表Input Gate，f_g代表Forget Gate，o_g代表Output Gate，o_[t]为单元的输出值；

长短期记忆网络的损失函数表达式如下：：

优选的，步骤1中获取用户负载数据和当时的温度数据，并对获取的数据进行预处理，得到历史负载数据集。

优选的，步骤2中，最优的峰值比和消耗函数的表达式如下：

其中，N为一个微网中用户的数量，t为时间，C_t为调度电能的成本，i为用户的数量，a为负载，

为用户i在时间t时的总需求。

优选的，步骤2中首先确定各个用户在调度时间段内的总需求，然后根据微网中各个用户的总需求确定整个微网中所有用户的需求总量；

所述需求总量Q_t的表达式如下：

优选的，步骤2中峰值需求的表达式如下：

步骤2中平均需求的表达式如下：

优选的，所述峰值比的表达式如下：

优选的，所述消耗函数为递增函数C_t(Q_t)，并满足以下条件：

一种智能电网中基于负载监督的需求响应方法的系统，包括，

负载监督模块，用于根据负载监督模型预测微网中用户在未来调度时间段的负载消耗数据；

需求响应模块，用于根据微网中所有用户的在调度时间段内的需求总量确定微网的峰值比和消耗函数，并将峰值比和消耗函数转化为优化问题，得到最优的峰值比和消耗函数；

最优调度向量模块，用于根据负载监督模型预测的各个微网中用户在未来调度时间段的负载需求数据，确定用户负载调度的初始向量区间，初始向量区间结合实时电价，确定微网用户负载调度的最优时间段，得到各个微网的最优调度向量；

调度模块，用于各个微网将各自的最优调度向量广播至其它微网，各个微网根据自身的最优调度向量和接收到的其它微网的最优调度向量，并结合最优的峰值比和消耗函数更新各自的调度向量，得到各个微网的最终调度向量，各个微网中根据最终调度向量进行负载调度。

与现有技术相比，本发明具有以下有益的技术效果：

本发明所述的一种智能电网中基于负载监督的需求响应方法，通过对用户负载、环境温度等数据进行采集，采用负载监督模型对负载数据进行训练，之后利用训练出来的负载监督模型对用户未来短期需求进行预测，得到的需求数据用来构建负载初始调度向量，在需求响应模型中，将多个用户聚合成一个微网，各个微网之间通过智能电表来进行调度信息的实时同步，供电方通过激励的方式来使得各个微网聚合端进行协作调度，最后使整个系统达到稳定，也就是使所有微网的峰值比最低以及消耗函数最小，该方法解决了单个用户都只为了使自身成本降低进行的负载调度，导致系统整体峰值比没有下降的问题。

附图说明

图1为本发明智能电网中基于负载监督的需求响应方法的流程图；

图2为本发明步骤5中基于微网的需求响应模型。

具体实施方式

下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

参阅图1，一种智能电网中基于负载监督的需求响应方法，包括以下步骤：

步骤1、获取用户负载数据和当时的温度数据；

具体的，通过智能电表对家庭用户中的负载数据进行采集，采集的量测数据包括用户i的负载a在时刻t的负载需求q_i,a(t)、以及该负载时的环境温度数据T_i(t)。

步骤2、对步骤1获取的负载数据和温度数据进行预处理，将预处理后的数据集划分为训练集、验证集、测试集。

预处理包括对特征缺失的数据进行处理、去除离群值、特征采集和特征数据归一化。对采集到的量测数据进行处理，清除掉离群值，并对缺失值进行回归填充，同时根据时间刻度将搜集到的数据集划分为训练集、验证集、测试集。

步骤3、构建负载监督模型并采用步骤2的数据集进行训练、验证和测试，将训练好的负载监督模型作为用户短期负载预测器，对区域用户的短期负载情况进行预测，构建用户负载使用图谱。

负载监督模型采用的是长短期记忆网络LSTM(Long Short-term Memory),该长短期记忆网络相比于传统的神经网络来说，在其内部增加了一个记忆单元，可以对前一时刻的结果进行保存，从而在进行预测时，会综合考虑前一时刻对预测值的影响，提高整个模型的预测精度。

LSTM中每一个神经元的输出都是由三个输出门来控制，分别是1)input gate,2)forget gate,3)output gate。LSTM中每一个神经元都可以抽象为以下表达式：

i_g＝sigm(i_[t]W_ix+o_[t-1]W_im+b_i)

f_g＝sigm(i_[t]W_fx+o_[t-1]W_fm+b_f)

o_g＝sigm(i_[t]W_ox+o_[t-1]W_om+b_o)

u＝sigm(i_[t]W_ix+o_[t-1]W_im+b_i)

其中i_g代表Input Gate，f_g代表Forget Gate，o_g代表Output Gate，o_[t]为单元的输出值。

负载监督模型用于根据历史的负载数据，预测出未来调度时间段用户的负载消耗情况。

用户家中负载测量的历史数据为：

o＝{o_[0],o_[1],...,o_[t]}

其中，o_[t]代表t时刻测量的真实数据。

负载监督模型预测的t-T时刻的负载数据值可以表示为：

对于负载监督模型的训练，损失函数如下：

当网络训练到设定的终止条件，终止条件为最大迭代次数或者损失函数的变化在一段指定时间范围内小于预定值，此时完成负载监督模型的训练，并将负载监督模型参数保存到各个用户的智能电表中。

根据得到的负载监督模型，预测未来调度时间段用户的负载消耗数据，并将预测的用户的负载消耗数据实时同步到各个微网的聚合端，各个聚合端再将信息综合发送到供电方，供电方通过分布式的需求响应模型实现需求的调度，实现社会利益最大化。

步骤4、构建需求响应模型，根据微网中所有用户在调度时间段的需求总量确定峰值需求和平均需求，进而得到峰值比，同时根据需求总量确定消耗函数，将峰值比和消耗函数转化为优化问题，得到最优的峰值比和消耗函数。

具体的，为了建立需求响应的数学模型，先将一天分为T个区间，T＝24。每台用电器的调度区间都属于t∈T:＝{1,2,3,...,T}中的某几个区间。假设N代表一个微网中用户的数量，每一个用户i∈N家中总共有A_i台用电器，对于其中的每一台用电器a∈A_i，它在的负载消耗定义为q_i,a(t)。

同时用户为了实现自身利益最大化，会通过电池对电能进行存储，完成更好的负载调度。用B_i表示电池容量，b_i(t)为时刻t时电池的电量情况，v_i(t)表示电池充放电的速率，正值代表充电，负值代表放电。

因此可以建立电池的充放电模型为：

限制条件为：

0≤b_i(t)≤B_i

在考虑了电池的使用后，将各个用户在调度时间段内的总需求可以表示为：

根据微网中各个用户的总需求确定整个微网中所有用户的需求总量，整个微网中用户在t∈T时的需求总量为：

根据微网的需求总量确定调度时间段的峰值需求和平均需求：

峰值需求：

平均需求：

根据峰值需求和平均需求确定峰值比(Peak-average Ratio)：

对供电方来说，需要考虑消耗函数，表示在时间t∈T的情况下生产和调度电能的成本C_t(Q_t)。对于供电方的消耗函数来说是一个递增函数，用户的需求量越大，供电方生产的电能越多，消耗量越大，满足如下不等式：

将峰值比和消耗函数转化为两个优化问题，使得峰值比最小以及使得消耗函数最低。

在很多基于实时电价的需求响应模型中，每一个用户都希望将自己的负载使用从高电价转移到低电价，用户此时直接与供电方进行信息交互，但在这种模型中存在的最主要问题就是同步负载转移，大量的负载从峰值时间转移到了另一个非峰值的负载时间，最终导致整体的峰值比并没有降低。因此一个好的需求响应模型不应该只是与单个用户进行信息流动，更应该考虑到整体的负载需求响应，在说明图2)提出的需求响应模型中，将多个用户合并成一个微网，组成一个聚合端，各个聚合端之间的信息可以互相流动，当聚合端中的需求发生变化时，信号不是直接发送给供电方进行需求响应，而是将信息发送给各个其他的聚合端，聚合端之间通过博弈的思想来进行协商，最后各个微网之间达到整体最优。

步骤5，通过步骤3的负载监督模型预测出各个微网中的用户负载使用情况，确定用户负载调度的初始向量区间，初始向量区间结合实时电价，确定微网用户负载调度的最优时间段，从而得到微网的最优调度向量，使微网中用户的用电需求成本最低。

步骤6，各个微网将各自的最优调度向量广播至其他微网，各个微网根据自身的最优调度向量和接收到的其他微网的最优调度向量，并结合优化函数更新各自的调度向量，当所有微网的调度向量达到稳定时，停止更新过程，各个微网得到自身的最终调度向量，优化结束，此时各个微网中根据最终调度向量进行负载调度，从而实现整个系统峰值比最低，消耗函数最小。

本发明还提供了一种智能电网中基于负载监督的需求响应方法的系统，包括，负载监督模块、需求响应模块、最优调度向量模块和调度模块。

负载监督模块，用于根据负载监督模型预测微网中用户的负载消耗数据；

需求响应模块，用于根据微网中所有用户的在调度时间段内的需求总量确定微网的峰值比和消耗函数，并将峰值比和消耗函数转化为优化问题，得到最优的峰值比和消耗函数；

最优调度向量模块，用于根据负载监督模型预测的各个微网中用户在未来调度时间段的负载消耗数据，确定用户负载调度的初始向量区间，初始向量区间结合实时电价，确定微网用户负载调度的最优时间段，得到各个微网的最优调度向量；

调度模块，用于各个微网将各自的最优调度向量广播至其它微网，各个微网根据自身的最优调度向量和接收到的其它微网的最优调度向量，并结合最优的峰值比和消耗函数更新各自的调度向量，得到各个微网的最终调度向量，各个微网中根据最终调度向量进行负载调度。

本发明提供的一种智能电网中基于负载监督的需求响应方法，构建需求响应模型，需求响应模型中，每一个用户负载可以在向量区间中进行调度，调度区间由调度向量表示，将整个需求响应模型简化为一个求解调度向量的优化问题。在每一个微网中，用户都会为了满足自身成本最低，将负载调度到实时电价较低的时间段，使得每一个微网都能达到局部最优，成本最小，此时每一个微网之间就形成了博弈，各个微网都希望成本最低，但可能无法达到全局最优。为了达到全局最优，微网都会将自身局部最优的负载调度向量广播到其它微网，其它微网通过该调度信号来实时更新自己的负载调度向量，重复上述过程，直到整个系统中所有微网的调度向量不发生改变，需求响应结束。最后各个微网通过该调度向量来进行负载的调度，从而实现全局峰值比最低，成本最小化。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种智能电网中基于负载监督的需求响应方法，其特征在于，包括以下步骤：

步骤1、构建负载监督模型并进行训练；

步骤2、构建需求响应模型，根据微网中所有用户在调度时间段内的需求总量确定峰值需求和平均需求，进而得到峰值比，同时根据需求总量确定消耗函数，将峰值比和消耗函数转化为优化问题，得到最优的峰值比和消耗函数；

步骤3、采用步骤1的训练后的负载监督模型预测出各个微网中用户在未来调度时间段的负载消耗数据，确定用户负载调度的初始向量区间，初始向量区间结合实时电价，确定微网用户负载调度的最优时间段，从而得到各个微网的最优调度向量，使微网中用户的用电需求成本最低；

步骤4、各个微网将各自的最优调度向量广播至其它微网，各个微网根据自身的最优调度向量和接收到的其它微网的最优调度向量，并结合最优的峰值比和消耗函数更新各自的调度向量，当所有微网的调度向量达到稳定时，各个微网得到自身的最终调度向量，各个微网中根据最终调度向量进行负载调度，从而实现整个系统峰值比最低以及消耗函数最小。

2.根据权利要求1所述的一种智能电网中基于负载监督的需求响应方法，其特征在于，所述负载监督模型为长短期记忆网络，通过用户的历史负载数据集对其进行训练，负载监督模型预测出用户未来调度时间段的负载消耗数据。

3.根据权利要求2所述的一种智能电网中基于负载监督的需求响应方法，其特征在于，所述长短期记忆网络由三个输出门来控制，长短期记忆网络中的神经元的表达式如下：

i_g＝sigm(i_[t]W_ix+o_[t-1]W_im+b_i)

f_g＝sigm(i_[t]W_fx+o_[t-1]W_fm+b_f)

o_g＝sigm(i_[t]W_ox+o_[t-1]W_om+b_o)

u＝sigm(i_[t]W_ix+o_[t-1]W_im+b_i)

其中，i_g代表Input Gate，f_g代表Forget Gate，o_g代表Output Gate，o_[t]为单元的输出值；

长短期记忆网络的损失函数表达式如下：：

4.根据权利要求2所述的一种智能电网中基于负载监督的需求响应方法，其特征在于，步骤1中获取用户负载数据和当时的温度数据，并对获取的数据进行预处理，得到历史负载数据集。

5.根据权利要求1所述的一种智能电网中基于负载监督的需求响应方法，其特征在于，步骤2中，最优的峰值比和消耗函数的表达式如下：

其中，N为一个微网中用户的数量，t为时间，C_t为调度电能的成本，i为用户的数量，a为负载，

为用户i在时间t时的总需求。

6.根据权利要求5所述的一种智能电网中基于负载监督的需求响应方法，其特征在于，步骤2中首先确定各个用户在调度时间段内的总需求，然后根据微网中各个用户的总需求确定整个微网中所有用户的需求总量；

所述需求总量Q_t的表达式如下：

7.根据权利要求5所述的一种智能电网中基于负载监督的需求响应方法，其特征在于，步骤2中峰值需求的表达式如下：

步骤2中平均需求的表达式如下：

8.根据权利要求7所述的一种智能电网中基于负载监督的需求响应方法，其特征在于，所述峰值比的表达式如下：

9.根据权利要求7所述的一种智能电网中基于负载监督的需求响应方法，其特征在于，所述消耗函数为递增函数C_t(Q_t)，并满足以下条件：

10.一种基于权利要求1-9任一项所述智能电网中基于负载监督的需求响应方法的系统，其特征在于，包括，

负载监督模块，用于根据负载监督模型预测微网中用户在未来调度时间段的负载消耗数据；

需求响应模块，用于根据微网中所有用户的在调度时间段内的需求总量确定微网的峰值比和消耗函数，并将峰值比和消耗函数转化为优化问题，得到最优的峰值比和消耗函数；

最优调度向量模块，用于根据负载监督模型预测的各个微网中用户在未来调度时间段的负载需求数据，确定用户负载调度的初始向量区间，初始向量区间结合实时电价，确定微网用户负载调度的最优时间段，得到各个微网的最优调度向量；

调度模块，用于各个微网将各自的最优调度向量广播至其它微网，各个微网根据自身的最优调度向量和接收到的其它微网的最优调度向量，并结合最优的峰值比和消耗函数更新各自的调度向量，得到各个微网的最终调度向量，各个微网中根据最终调度向量进行负载调度。

Images