CN113298569A - 一种基于人工智能的电力需求侧管理方法及系统 - Google Patents

一种基于人工智能的电力需求侧管理方法及系统 Download PDF

Info

Publication number
CN113298569A
CN113298569A CN202110618665.9A CN202110618665A CN113298569A CN 113298569 A CN113298569 A CN 113298569A CN 202110618665 A CN202110618665 A CN 202110618665A CN 113298569 A CN113298569 A CN 113298569A
Authority
CN
China
Prior art keywords
price
user
electricity
initial
power
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.)
Pending
Application number
CN202110618665.9A
Other languages
English (en)
Inventor
姜平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Dianbaida Intelligent Technology Co ltd
Original Assignee
Jiangsu Dianbaida Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Dianbaida Intelligent Technology Co ltd filed Critical Jiangsu Dianbaida Intelligent Technology Co ltd
Priority to CN202110618665.9A priority Critical patent/CN113298569A/zh
Publication of CN113298569A publication Critical patent/CN113298569A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于人工智能的电力需求侧管理方法及系统，属于电力系统需求侧管理领域。方法包括以下步骤：获取各用户的用电信息，对用户进行分类；根据用户所属类别与预设的初始电价管理表，为各用户匹配对应的初始调价策略，并为各用户分配对应的初始调价电价；获取分配初始调价电价之后的各用户的用电信息，通过与分配初始调价电价之前对应的用电信息进行对比，计算各用户对对应的初始调价电价的响应程度；根据用户所属类别以及对对应的初始调价电价的响应程度，为各用户分配对应的最终电价。本发明考虑了不同用户用电习惯的差异和不同用户对电价调整的响应程度，使得制定出的调价策略更具有针对性，提高了削峰填谷的效果。

Description

一种基于人工智能的电力需求侧管理方法及系统
技术领域
本发明涉及电力系统需求侧管理领域，具体涉及一种基于人工智能的电力需求侧管理方法及系统。
背景技术
一个发电厂的发电能力通常是固定的、不轻易改变的，但是，用户对电力的需求往往会随着时间段的不同而发生变化，比如，用电高峰期通常集中在白天，造成白天用电不够；晚上则是低谷，用不完的电造成了电能的浪费。
针对用户在不同时间段对电力需求差异比较大的情况，实施分时电价策略是比较好的方式，分时电价策略已经被广泛应用于电力市场；现有技术中的分时电价策略不对用户进行区分，将所有用户看作一个整体，为所有用户制定一个具体的分时电价策略，然而不同用户的用电习惯不同，为用户制定统一的分时电价策略的效果并不适用于所有用户；
而且，在制定完分时电价策略后直接将制定的分时电价策略进行实施，并不关注用户对分时电价策略的响应程度，没有根据不同用户对分时电价策略的响应程度对分时电价策略进行优化，然而，不同用户对电价调整的响应程度不同，有的客户会较大程度地转移或消减负荷，有的用户对自己的用电习惯改变较少，若忽略不同用户对电价调整后响应程度的不同，不利于对用户根据电价调整改变自己用电习惯潜力的挖掘，影响了分时电价策略实施的效果，削峰填谷效果不佳。
发明内容
本发明的目的在于提供一种基于人工智能的电力需求侧管理方法及系统，用于解决现有分时电价策略存在的削峰填谷效果不佳的问题。
为了解决上述问题，本发明的一种基于人工智能的电力需求侧管理方法的技术方案，包括以下步骤：
获取各用户的用电信息，根据所述用电信息对用户进行分类；
根据用户所属类别与预设的初始电价管理表，为各用户匹配对应的初始调价策略，并根据匹配的初始调价策略为各用户分配对应的初始调价电价；所述预设的初始电价管理表存储有各用户类别与各初始调价策略的对应关系；
获取分配初始调价电价之后的各用户的用电信息，通过与分配初始调价电价之前对应的用电信息进行对比，计算各用户对对应的初始调价电价的响应程度；
根据用户所属类别以及对对应的初始调价电价的响应程度，为各用户分配对应的最终电价。
本发明还提供了一种基于人工智能的电力需求侧管理系统的技术方案，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述基于人工智能的电力需求侧管理方法。
上述管理方法和检测系统的有益效果是：本发明根据用户的用电信息对用户进行了分类，为每类用户匹配对应的初始调价策略，并根据匹配的初始调价策略为各用户分配了对应的初始调价电价，根据各用户对对应的初始调价电价的响应程度以及用户所属类别为各用户分配最终电价；本发明一方面根据不同用户的用电信息对用户进行了分类，考虑了不同用户用电习惯的差异，另一方面还考虑了不同用户对电价调整的响应程度，使得制定出的调价策略更具有针对性，提高了削峰填谷的效果。
进一步地，所述用电信息为用电负荷曲线。
进一步地，根据所述用电信息对用户进行分类的方法包括以下步骤：
构建图数据结构，所述图数据结构包括需求侧各用户节点，各用户节点的信号值为对应的用电负荷曲线，两用户节点之间的边权值为两用户节点对应的用电负荷曲线的相似度；
根据所述图数据结构，构建图数据结构的度矩阵，以度矩阵的元素值更新对应用户节点的信号值；
基于更新后的各用户节点的信号值进行聚类，将每一聚类集合作为一个用户类别，聚类集合的总个数不大于初始电价管理表中存储的初始调价策略的总个数。
进一步地，计算两用户节点对应的用电负荷曲线的相似度的方法包括以下步骤：
根据两用户节点对应的用电负荷曲线，构建第一时序对比矩阵D，所述第一时序对比矩阵D的尺寸为m*m，m为对每一用电负荷曲线的采样次数，第一时序对比矩阵D的行列顺序为时序上的采样顺序，第一时序对比矩阵D中的元素D(i，j)为对应的其中一个用户的第i次采样值与另一个用户的第j次采样值的差值的绝对值；
通过动态搜索的方式，从第一时序对比矩阵D的左上角元素点起，搜索方向为右侧、下侧和右下侧，直至搜索到第一时序对比矩阵D的右下角元素点，选取其中路径上各元素的元素值之和最小的路径作为最终路径；
计算最终路径上各元素值之和α1，将α1作为两用户节点对应的用电负荷曲线的相似度。
进一步地，基于更新后的各节点的信号值进行聚类的方法包括以下步骤：
1)基于更新后的各节点的信号值构建二维坐标系，所述二维坐标系的横轴为更新后的信号值的大小，所述二维坐标系的纵轴为节点数量；
2)任选其中一个点作为第一初始聚类核心点，基于游走评价参数β确定聚类核心点的游走方向，其中，
Figure BDA0003098722470000031
ci为第i个点对应的节点数量，Ei为第i个点对应的信号值，E为聚类核心点对应的信号值，I为二维坐标系中点的总个数，sgn()为符号函数，d为聚类带宽，
Figure BDA0003098722470000032
Emax为更新后的信号值的最大值，Emin为更新后的信号值的最小值，z为初始电价管理表中存储的初始调价策略的总个数；当β＝-1时向左游走，β＝1时向右游走，若聚类核心点在某一点停止游走或在某一点开始周期性游走，则将该点设置为最终聚类核心点，根据该最终聚类核心点和聚类带宽划定第一聚类集合；
3)从第一聚类集合外的点中选择第二初始聚类核心点，按照步骤2)中游走方式划定第二聚类集合；
4)重复步骤3)，直至无法获取新的聚类集合；
5)判断聚类集合的总个数是否大于初始电价管理表中存储的初始调价策略的总个数，若不大于，聚类完成；若大于，则计算各相邻聚类核心点对应的信号值差值的绝对值，选取其中绝对值最小对应的两个聚类集合进行合并，并调整聚类核心点，转至步骤6)；
6)再次判断聚类集合的总个数是否大于初始电价管理表中存储的初始调价策略的总个数，若不大于，聚类完成；若大于，再次对两个聚类集合进行合并，直至聚类集合的总个数不大于初始电价管理表中存储的初始调价策略的总个数，聚类完成。
进一步地，所述初始电价管理表包括的初始调价策略包括全时间段电价调整类和部分时间段电价调整类；
根据匹配的初始调价策略为各用户分配对应的初始调价电价的方法包括：
当用户类别为全时间段电价调整类时，所述全时段电价调整类对应的每个时间段的电价调整系数
Figure BDA0003098722470000033
其中，P为单个时间段内该用户的电力负荷，Pmax为所有用户的平均用电负荷曲线波峰对应电力负荷，Pmin为所有用户平均的用电负荷曲线波谷对应电力负荷；
当用户类别为部分时间段电价调整类时，所述部分时间段电价调整类对应的电价调整段的电价调整系数
Figure BDA0003098722470000041
其中
Figure BDA0003098722470000042
为该用户对应的电价调整段的用电负荷均值，与
Figure BDA0003098722470000043
为该用户全时间段的平均用电负荷。
进一步地，计算各用户对对应的初始调价电价的响应程度的方法包括以下步骤：
根据各用户分配初始调价电价之前和分配初始调价电价之后的用电负荷曲线，构建第二时序对比矩阵G；所述第二时序对比矩阵G的尺寸为n*n，n为对每一用电负荷曲线的采样次数，第二时序对比矩阵G的行列顺序为时序上的采样顺序，第二时序对比矩阵G中的元素G(i，j)为分配初始调价电价之前用电负荷曲线的第i次采样值和分配初始调价电价之后用电负荷曲线的第j次采样值的差值的绝对值；
通过动态搜索的方式，从第二时序对比矩阵G的左上角元素点起，搜索方向为右侧、下侧和右下侧三个方，直至搜索到第二时序对比矩阵G的右下角元素点，选取其中路径上各元素的元素值之和最小的路径作为最终路径，计算最终路径上各元素值之和α2；
根据构建的第二时序对比矩阵G，计算对角线元素值之和α3；
将分配初始调价电价之前用电负荷曲线和分配初始调价电价之后用电负荷曲线转换为对应的单位矩阵脉冲信号，并计算两单位矩阵脉冲信号对应的单位矩阵脉冲个数调整量Δs；
根据最终路径上各元素值之和α2、对角线元素值之和α3和个数调整量Δs，计算用户对对应的初始调价电价的响应程度
Figure BDA0003098722470000044
其中，ε1为用电时段变化情况对应的权重系数，ε2为用电量变化情况对应的权重系数。
进一步地，为各用户分配对应的最终电价的方法包括：
根据用户所属类别以及对对应的初始调价电价的响应程度，对各用户对应的初始调价电价进行调整，得到各用户对应的初调后的电价；
将各用户对应的初调后的电价构成的电价矩阵、各用户的电力负荷曲线构成的用电负荷矩阵和各用户对应的初始调价电价的响应程度构成的响应程度向量作为神经网络的输入，利用损失函数
Figure BDA0003098722470000051
训练所述神经网络，将神经网络的输出作为各用户对应的最终电价，其中，
Figure BDA0003098722470000052
为单个用户电价约束，
Figure BDA0003098722470000053
其中z′n，t为第n个用户第t个时间段的最终电价，mz为分配初始调价电价之前用户一天的电价总和，T为将一天划分的时间段的总个数；N为用户的总个数；
Figure BDA0003098722470000054
为响应程度的损失，
Figure BDA0003098722470000055
其中
Figure BDA0003098722470000056
为第n个用户的电价变动差异值，
Figure BDA0003098722470000057
为基于第n个用户的响应程度预测获取的电价变动差异值，
Figure BDA0003098722470000058
为单个用户与理想电价相似性的损失，
Figure BDA0003098722470000059
其中z″t为第t个时间段的理想电价，
Figure BDA00030987224700000510
为单个用户与初始调价后电价的损失，
Figure BDA00030987224700000511
zn，T表示第n个用户在第t个时间段的初调后的电价，ω1为
Figure BDA00030987224700000512
对应的权重，ω2为
Figure BDA00030987224700000513
对应的权重，ω3为
Figure BDA00030987224700000514
对应的权重，ω4为
Figure BDA00030987224700000515
对应的权重。
进一步地，得到各用户对应的初调后的电价的方法包括：
判断某用户对应初始调价电价的响应程度是否小于设定响应程度，若小于，则将该用户对应的分配初始调价电价之前的电价作为初调后的电价；若不小于，则将该用户对应的初始调价电价作为初调后的电价。
附图说明
图1是本发明的基于人工智能的电力需求侧管理方法实施例的基于人工智能的电力需求侧管理方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。
基于人工智能的电力需求侧管理方法实施例
如图1所示，本实施例的基于人工智能的电力需求侧管理方法包括以下步骤：
1)获取各用户的用电信息，根据所述用电信息对用户进行分类
各用户的用电信息可以通过采集各用户对应的智能表的方式获取，用电信息主要包括用户的用电负荷曲线，用电负荷曲线包括一天内各时间段的电力负荷信息；根据各用户对应的用电负荷曲线，可以对用户进行分类。
2)根据用户所属类别与预设的初始电价管理表，为各用户匹配对应的初始调价策略，并根据匹配的初始调价策略为各用户分配对应的初始调价电价
对用户进行分类时，要考虑预先制定的初始调价策略，也就是说，对用户进行分类的标准要与预先制定的初始调价策略相对应，本实施例中预先制定的初始调价策略与各用户类别的对应关系存储在初始电价管理表中，通过该初始电价管理表可以得到与任一用户类别对应的初始调价策略。
本实施例中预先制定的初始调价策略包括两种全时间段电价调整和部分时间段电价调整两种，其中全时间段电价调整指的是对用户各用电时间段的电价均调整，部分时间段电价调整指只对用户用电高峰期对应时间段的电价进行调整；基于本实施例预先制定的初始调价策略，本实施例对用户进行分类时，主要考虑用户用电高峰期的个数，而不考虑每个用电高峰期对应的用电时间，比如，用户A在一天之内只有7:00-8:00时间段的用电量较多，那么用户A对应的用电高峰期的个数就为1；用户B在一天之内只有18:00-21:00时间段的用电量较多，那么用户B对应的用电高峰期的个数也为1；用户C在一天之内在7:30-9:00时间段和12:00-13:30时间段的用电量较多，那么用户C对应的用电高峰期的个数为2。具体的分类方法为：
构建需求侧用户信息的图数据结构：将电力需求侧的每个用户看作一个节点，以vn表示，n为第n个用户，节点集合V＝{v1，v2，...，vn}，各节点的信号值为该节点对应的用户的用电负荷曲线，两节点之间的边权值为两用户用电负荷曲线的相似性。
本实施例计算两用户用电负荷曲线的相似性的方法为：根据两用户节点对应的用电负荷曲线构建时序对比矩阵D，该矩阵尺寸为m*m，m为对每一用电负荷曲线的采样次数，在时序上的采样顺序为矩阵行列顺序，矩阵中的元素D(i，j)为其中一个用户第i次采样值与另一各用户第j次采样值的差值的绝对值；构建完时序对比矩阵D之后，通过动态搜索的方式，从左上角元素点起，搜索方向为右侧、下侧和右下侧三个方向，直至搜索到右下角元素点，选取其中路径上各元素的元素值之和最小的路径作为最终路径，设最终获取的路径上各元素值和为α1，那么α1即为两用户节点对应的用电负荷曲线的相似度，也即两用户节点之间边的边权值。
在构建了需求侧用户信息的图结构数据的基础上，构建该图数据结构对应的度矩阵，以度矩阵的元素值更新对应用户节点的信号值，并基于更新后的各用户节点的信号值进行聚类，聚类的具体方法是：
基于更新后的各节点的信号值构建二维坐标系，所述二维坐标系的横轴为更新后的信号值的大小，所述二维坐标系的纵轴为节点数量；
对二维坐标系中的点进行聚类，设置聚类带宽为d，
Figure BDA0003098722470000071
Emax为统计获取的更新后的信号值的最大值，Emin为统计获取的更新后的信号值的最小值，z为初始调价策略的总个数。任选二维坐标系中的一个点作为第一初始聚类核心点，游走位置只限于二维坐标系中的点，具体地，游走方向的判断基于游走评价参数β确定，
Figure BDA0003098722470000072
其中，ci为第i个点对应的节点数量，Ei为第i个点对应的信号值，E为聚类核心点对应的信号值，I为二维坐标系中点的总个数，sgn()为符号函数；当β＝-1时向左游走，当β＝1时向右游走，在游走过程中，若在某一点停止游走或在某一点开始周期性游走，则将该点设置为聚类核心点，根据聚类核心点和聚类带宽可获取在聚类集合内的点；
为精简计算，后续初始聚类核心点从已有聚类集合外的点中选择，同样进行游走后获取新的聚类集合，重复该过程，直至无法获取新的聚类集合；由此，可得到聚类集合的数量为k。对于存在于两个聚类集合的点，以该点为中心，分别计算该点与两个聚类集合的核心点的距离，通过将该点划分到与其距离较小的核心点所在聚类集合的方式来对该点进行聚类。
判断聚类集合的数量k是否大于初始调价策略的总个数z，当k≤z时，判定聚类完成；当k＞z时，计算各相邻聚类核心点对应的信号值差值的绝对值，选取其中最小绝对值对应的两个聚类集合进行合并，并调整聚类核心点，重复该步骤直至满足聚类集合的数量不大于初始调价策略的总个数的条件，判定聚类完成；
上述聚类完成后，可以得到的聚类集合的数量小于等于初始调价策略的总个数，当得到的聚类集合的数量等于初始调价策略的总个数时，每一个聚类集合对应于初始调价策略中的一种；当得到的聚类集合的数量小于初始调价策略的总个数时，聚类集合对应于初始调价策略中的部分初始调价策略。
本实施例中预设的初始调价策略为全时间段电价调整类和部分时间段电价调整类两种，也即z＝2；按照上述聚类方法将各用户分成两类，其中一类对应的用电负荷曲线包含的用电高峰期的个数较多，对应于全时间段电价调整类；另一类对应的用电负荷曲线包含的用电高峰期的个数较少，对应于部分时间段电价调整类。
本实施例基于聚类算法实现了对各用户类别的划分，作为其它实施方式，也可以将各用户对应的用电负荷曲线对应转换为单位矩形脉冲信号，根据对应的单位矩形脉冲信号包含的单位矩形脉冲的个数是否大于设定值来判断是将该用户划分为全时间段电价调整类还是部分时间段电价调整类，比如当用电负荷曲线对应的单位脉冲的个数大于设定个数时，将用电负荷曲线对应的用户类别划分为全时间段电价调整类；当用电负荷曲线对应的单位脉冲的个数小于等于设定个数时，将用电负荷曲线对应的用户类别划分为部分时间段电价调整类。
对于全时间段电价调整类，每个时间段的电价调整系数
Figure BDA0003098722470000081
其中，P为单个时间段内该用户的电力负荷，Pmax为所有用户的平均用电负荷曲线波峰对应电力负荷，Pmin为所有用户平均的用电负荷曲线波谷对应电力负荷；
对于部分时间段电价调整类，将用电高峰期对应的时间段作为电价调整段，对应的电价调整段的电价调整系数为
Figure BDA0003098722470000082
其中
Figure BDA0003098722470000083
为该用户对应的电价调整段的用电负荷均值，与
Figure BDA0003098722470000084
为该用户全时间段的平均用电负荷。
3)获取分配初始调价电价之后的各用户的用电信息，通过与分配初始调价电价之前对应的用电信息进行对比，计算各用户对对应的初始调价电价的响应程度
本实施例计算各用户对对应的初始调价电价的响应程度的方法为：
根据各用户分配初始调价电价之前和分配初始调价电价之后的用电负荷曲线，构建第二时序对比矩阵G；所述第二时序对比矩阵G的尺寸为n*n，n为对每一用电负荷曲线的采样次数，第二时序对比矩阵G的行列顺序为时序上的采样顺序，第二时序对比矩阵G中的元素G(i，j)为分配初始调价电价之前用电负荷曲线和分配初始调价电价之后用电负荷曲线在第i次采样值和第j次采样值差值的绝对值；
通过动态搜索的方式，从第二时序对比矩阵G的左上角元素点起，搜索方向为右侧、下侧和右下侧三个方，直至搜索到第二时序对比矩阵G的右下角元素点，选取其中各元素的元素值之和最小的路径作为最终路径，计算最终路径上各元素值之和α2；
根据构建的第二时序对比矩阵G，计算对角线元素值之和α3；
将分配初始调价电价之前用电负荷曲线和分配初始调价电价之后用电负荷曲线转换为对应的单位矩阵脉冲信号，并计算两单位矩阵脉冲信号对应的单位矩阵脉冲个数调整量Δs；
本实施例根据面积等效原理将用电负荷曲线转换为对应的单位矩阵脉冲信号，每一用电负荷曲线对应的单位矩阵脉冲的总个数可以表征用电量的大小，单位矩阵脉冲个数调整量则可以表征用电量的变化量。
根据最终路径上各元素值之和α2、对角线元素值之和α3和个数调整量Δs，计算用户对对应的初始调价电价的响应程度
Figure BDA0003098722470000091
其中，ε1为用电时段变化情况对应的权重系数，ε2为用电量变化情况对应的权重系数。
4)根据用户所属类别以及对对应的初始调价电价的响应程度，为各用户分配对应的最终电价
本实施例根据用户所属类别以及对对应的初始调价电价的响应程度，对各用户对应的初始调价电价进行调整，得到各用户对应的初调后的电价。具体的调整方式为：当用户对对应初始调价电价的响应程度小于设定响应程度时，则将该用户对应的分配初始调价电价之前的电价作为初调后的电价，也即将该用户初调后的电价恢复为分配初始调价电价的原始电价，若为各用户分配初始调价电价之前电力公司为各用户分配的是考虑了所有用户的削峰填谷的理想电价，那么上述原始电价即为考虑了所有用户的削峰填谷的理想电价；当用户对对应初始调价电价的响应程度大于等于设定响应程度时，则将该用户对应的初始调价电价作为初调后的电价。
将各用户对应的初调后的电价构成的电价矩阵Z、各用户的电力负荷曲线构成的用电负荷矩阵O和各用户对应的初始调价电价的响应程度构成的响应程度向量X作为神经网络的输入，神经网络结构为：第一分支为Encoder-Decoder的自编码器，输入为电价矩阵Z、用电负荷矩阵O和响应程度向量X，矩阵通过对应的卷积层和全连接层，向量通过全连接层，最终获取的特征张量进行concat(连接)后通过全连接层和反卷积层，输出为N*T的二维矩阵，输出结果含义为考虑到用户对初始调价电价响应程度的最终电价；第二分支为预训练好的全连接层，输入为响应程度向量X，输出为预测电价变动差异向量Y，预训练阶段的损失函数采用MSE，标签数据为实际采集的电价变动差异值。本实施例中电价矩阵Z的尺寸为N*T，矩阵内元素zn，t表示第n个用户在第t个时间段的初调后的电价；用电负荷矩阵O的尺寸也为N*T，响应程度向量的尺寸为N*1的一维向量，本实施例中T为24，也即将一天分为24个时间段，作为其它实施方式，T也可以为其它值，比如48，即将一天划分为48个时间段。
上述网络的具体训练过程为：训练集采用多个调整后电价矩阵及对应的用电负荷矩阵和响应程度向量，构建对应的损失函数以实现自监督，损失函数具体为
Figure BDA0003098722470000101
其中，
Figure BDA0003098722470000102
为单个用户电价约束，
Figure BDA0003098722470000103
其中z′n，t为第n个用户第t个小时的最终电价，mz为分配初始调价电价之前用户一天的电价总和，T为将一天划分的时间段的总个数；N为用户的总个数；
Figure BDA0003098722470000104
为响应程度的损失，
Figure BDA0003098722470000105
其中
Figure BDA0003098722470000106
为第n个用户的电价变动差异值，
Figure BDA0003098722470000107
为基于第n个用户的响应程度δn预测获取的电价变动差异值，该值由预训练的神经网络分支输出，分支结构为全连接层，分支输入为响应程度向量X，输出为预测电价变动差异向量Y，
Figure BDA0003098722470000108
为单个用户与理想电价相似性的损失，
Figure BDA0003098722470000109
其中z″t为第t个时间段的理想电价，理想电价即考虑了所有用户的用电信息的削峰填谷后的电价，
Figure BDA00030987224700001010
为单个用户与初始调价后电价的损失，
Figure BDA00030987224700001011
ω1为
Figure BDA00030987224700001012
对应的权重，ω2为
Figure BDA00030987224700001013
对应的权重，ω3为
Figure BDA00030987224700001014
对应的权重，ω4为
Figure BDA00030987224700001015
对应的权重。
本实施例利用神经网络实现了为各用户分配最终电价的目的，作为其它实施方式，为各用户分配最终电价时也可以不利用神经网络，比如，对于对对应初始调价电价的响应程度较低的用户，直接为其分配考虑了所有用户的削峰填谷的理想电价，而对于对对应初始调价电价的响应程度较高的用户，则为其分配对上述理想电价进行调整后的电价，该调整可为提高峰值电价的同时降低谷值电价。
本实施例根据用户的用电信息对用户进行了分类，为每类用户匹配对应的初始调价策略，并根据匹配的初始调价策略为各用户分配了对应的初始调价电价，根据各用户对对应的初始调价电价的响应程度以及用户所属类别为各用户分配最终电价；本发明一方面根据不同用户的用电信息对用户进行了分类，考虑了不同用户用电习惯的差异，另一方面还考虑了不同用户对电价调整的响应程度，使得制定出的调价策略更具有针对性，提高了削峰填谷的效果。
基于人工智能的电力需求侧管理系统实施例
本实施例的基于人工智能的电力需求侧管理系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于人工智能的电力需求侧管理方法实施例所描述的基于人工智能的电力需求侧管理方法。
由于基于人工智能的电力需求侧管理方法实施例中已经对基于人工智能的电力需求侧管理方法进行了说明，此处就不再赘述。
需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (10)

1.一种基于人工智能的电力需求侧管理方法，其特征在于，包括以下步骤：
获取各用户的用电信息，根据所述用电信息对用户进行分类；
根据用户所属类别与预设的初始电价管理表，为各用户匹配对应的初始调价策略，并根据匹配的初始调价策略为各用户分配对应的初始调价电价；所述预设的管理表存储有各用户类别与各初始调价策略的对应关系；
获取分配初始调价电价之后的各用户的用电信息，通过与分配初始调价电价之前对应的用电信息进行对比，计算各用户对对应的初始调价电价的响应程度；
根据用户所属类别以及对对应的初始调价电价的响应程度，为各用户分配对应的最终电价。
2.根据权利要求1所述的基于人工智能的管理方法，其特征在于，所述用电信息为用电负荷曲线。
3.根据权利要求2所述的基于人工智能的电力需求侧管理方法，其特征在于，根据所述用电信息对用户进行分类的方法包括以下步骤：
构建图数据结构，所述图数据结构包括需求侧各用户节点，各用户节点的信号值为对应的用电负荷曲线，两用户节点之间的边权值为两用户节点对应的用电负荷曲线的相似度；
根据所述图数据结构，构建图数据结构的度矩阵，以度矩阵的元素值更新对应用户节点的信号值；
基于更新后的各用户节点的信号值进行聚类，将每一聚类集合作为一个用户类别，聚类集合的总个数不大于初始电价管理表中存储的初始调价策略的总个数。
4.根据权利要求3所述的基于人工智能的电力需求侧管理方法，其特征在于，计算两用户节点对应的用电负荷曲线的相似度的方法包括以下步骤：
根据两用户节点对应的用电负荷曲线，构建第一时序对比矩阵D，所述第一时序对比矩阵D的尺寸为m*m，m为对每一用电负荷曲线的采样次数，第一时序对比矩阵D的行列顺序为时序上的采样顺序，第一时序对比矩阵D中的元素D(i，j)为对应的其中一个用户的第i次采样值与另一个用户的第j次采样值的差值的绝对值；
通过动态搜索的方式，从第一时序对比矩阵D的左上角元素点起，搜索方向为右侧、下侧和右下侧，直至搜索到第一时序对比矩阵D的右下角元素点，选取其中路径上各元素的元素值之和最小的路径作为最终路径；
计算最终路径上各元素值之和α1，将α1作为两用户节点对应的用电负荷曲线的相似度。
5.根据权利要求4所述的基于人工智能的电力需求侧管理方法，其特征在于，基于更新后的各节点的信号值进行聚类的方法包括以下步骤：
1)基于更新后的各节点的信号值构建二维坐标系，所述二维坐标系的横轴为更新后的信号值的大小，所述二维坐标系的纵轴为节点数量；
2)任选其中一个点作为第一初始聚类核心点，基于游走评价参数β确定聚类核心点的游走方向，其中，
Figure FDA0003098722460000021
ci为第i个点对应的节点数量，Ei为第i个点对应的信号值，E为聚类核心点对应的信号值，I为二维坐标系中点的总个数，sgn()为符号函数，d为聚类带宽，
Figure FDA0003098722460000022
Emax为更新后的信号值的最大值，Emin为更新后的信号值的最小值，z为初始电价管理表中存储的初始调价策略的总个数；当β＝-1时向左游走，β＝1时向右游走，若聚类核心点在某一点停止游走或在某一点开始周期性游走，则将该点设置为最终聚类核心点，根据该最终聚类核心点和聚类带宽划定第一聚类集合；
3)从第一聚类集合外的点中选择第二初始聚类核心点，按照步骤2)中游走方式划定第二聚类集合；
4)重复步骤3)，直至无法获取新的聚类集合；
5)判断聚类集合的总个数是否大于初始电价管理表中存储的初始调价策略的总个数，若不大于，聚类完成；若大于，则计算各相邻聚类核心点对应的信号值差值的绝对值，选取其中绝对值最小对应的两个聚类集合进行合并，并调整聚类核心点，转至步骤6)；
6)再次判断聚类集合的总个数是否大于初始电价管理表中存储的初始调价策略的总个数，若不大于，聚类完成；若大于，再次对两个聚类集合进行合并，直至聚类集合的总个数不大于初始电价管理表中存储的初始调价策略的总个数，聚类完成。
6.根据权利要求5所述的基于人工智能的电力需求侧管理方法，其特征在于，所述初始电价管理表包括的初始调价策略包括全时间段电价调整类和部分时间段电价调整类；
根据匹配的初始调价策略为各用户分配对应的初始调价电价的方法包括：
当用户类别为全时间段电价调整类时，所述全时段电价调整类对应的每个时间段的电价调整系数
Figure FDA0003098722460000031
其中，P为单个时间段内该用户的电力负荷，Pmax为所有用户的平均用电负荷曲线波峰对应电力负荷，Pmin为所有用户平均的用电负荷曲线波谷对应电力负荷；
当用户类别为部分时间段电价调整类时，所述部分时间段电价调整类对应的电价调整段的电价调整系数
Figure FDA0003098722460000032
其中
Figure FDA0003098722460000033
为该用户对应的电价调整段的用电负荷均值，与
Figure FDA0003098722460000034
为该用户全时间段的平均用电负荷。
7.根据权利要求6所述的基于人工智能的电力需求侧管理方法，其特征在于，计算各用户对对应的初始调价电价的响应程度的方法包括以下步骤：
根据各用户分配初始调价电价之前和分配初始调价电价之后的用电负荷曲线，构建第二时序对比矩阵G；所述第二时序对比矩阵G的尺寸为n*n，n为对每一用电负荷曲线的采样次数，第二时序对比矩阵G的行列顺序为时序上的采样顺序，第二时序对比矩阵G中的元素G(i，j)为分配初始调价电价之前用电负荷曲线的第i次采样值和分配初始调价电价之后用电负荷曲线的第j次采样值的差值的绝对值；
通过动态搜索的方式，从第二时序对比矩阵G的左上角元素点起，搜索方向为右侧、下侧和右下侧三个方，直至搜索到第二时序对比矩阵G的右下角元素点，选取其中路径上各元素的元素值之和最小的路径作为最终路径，计算最终路径上各元素值之和α2；
根据构建的第二时序对比矩阵G，计算对角线元素值之和α3；
将分配初始调价电价之前用电负荷曲线和分配初始调价电价之后用电负荷曲线转换为对应的单位矩阵脉冲信号，并计算两单位矩阵脉冲信号对应的单位矩阵脉冲个数调整量Δs；
根据最终路径上各元素值之和α2、对角线元素值之和α3和个数调整量Δs，计算用户对对应的初始调价电价的响应程度
Figure FDA0003098722460000035
其中，ε1为用电时段变化情况对应的权重系数，ε2为用电量变化情况对应的权重系数。
8.根据权利要求7所述的基于人工智能的电力需求侧管理方法，其特征在于，为各用户分配对应的最终电价的方法包括：
根据用户所属类别以及对对应的初始调价电价的响应程度，对各用户对应的初始调价电价进行调整，得到各用户对应的初调后的电价；
将各用户对应的初调后的电价构成的电价矩阵、各用户的电力负荷曲线构成的用电负荷矩阵和各用户对应的初始调价电价的响应程度构成的响应程度向量作为神经网络的输入，利用损失函数
Figure FDA0003098722460000041
训练所述神经网络，将神经网络的输出作为各用户对应的最终电价，其中，
Figure FDA0003098722460000042
为单个用户电价约束，
Figure FDA0003098722460000043
其中z′n，t为第n个用户第t个时间段的最终电价，mz为分配初始调价电价之前用户一天的电价总和，T为将一天划分的时间段的总个数；N为用户的总个数；
Figure FDA0003098722460000044
为响应程度的损失，
Figure FDA0003098722460000045
其中
Figure FDA0003098722460000046
为第n个用户的电价变动差异值，
Figure FDA0003098722460000047
Figure FDA0003098722460000048
为基于第n个用户的响应程度预测获取的电价变动差异值，
Figure FDA0003098722460000049
为单个用户与理想电价相似性的损失，
Figure FDA00030987224600000410
其中z″t为第t个时间段的理想电价，
Figure FDA00030987224600000411
为单个用户与初始调价后电价的损失，
Figure FDA00030987224600000412
zn，t表示第n个用户在第t个时间段的初调后的电价，ω1为
Figure FDA00030987224600000413
对应的权重，ω2为
Figure FDA00030987224600000414
对应的权重，ω3为
Figure FDA00030987224600000415
对应的权重，ω4为
Figure FDA00030987224600000416
对应的权重。
9.根据权利要求8所述的基于人工智能的电力需求侧管理方法，其特征在于，得到各用户对应的初调后的电价的方法包括：
判断某用户对应初始调价电价的响应程度是否小于设定响应程度，若小于，则将该用户对应的分配初始调价电价之前的电价作为初调后的电价；若不小于，则将该用户对应的初始调价电价作为初调后的电价。
10.一种基于人工智能的电力需求侧管理系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-9任一项所述的基于人工智能的电力需求侧管理方法。
CN202110618665.9A 2021-06-03 2021-06-03 一种基于人工智能的电力需求侧管理方法及系统 Pending CN113298569A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618665.9A CN113298569A (zh) 2021-06-03 2021-06-03 一种基于人工智能的电力需求侧管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618665.9A CN113298569A (zh) 2021-06-03 2021-06-03 一种基于人工智能的电力需求侧管理方法及系统

Publications (1)

Publication Number Publication Date
CN113298569A true CN113298569A (zh) 2021-08-24

Family

ID=77326948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618665.9A Pending CN113298569A (zh) 2021-06-03 2021-06-03 一种基于人工智能的电力需求侧管理方法及系统

Country Status (1)

Country Link
CN (1) CN113298569A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630831A (zh) * 2022-12-06 2023-01-20 北京华联电力工程监理有限公司 一种电力需求侧管理辅助决策支持系统
CN117217843A (zh) * 2023-10-18 2023-12-12 河北建投电力科技服务有限公司 基于云计算的电力销售电价数据处理方法
CN117689181A (zh) * 2024-01-31 2024-03-12 国网辽宁省电力有限公司信息通信分公司 基于智慧园区用电负荷的微电网调控系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630831A (zh) * 2022-12-06 2023-01-20 北京华联电力工程监理有限公司 一种电力需求侧管理辅助决策支持系统
CN117217843A (zh) * 2023-10-18 2023-12-12 河北建投电力科技服务有限公司 基于云计算的电力销售电价数据处理方法
CN117217843B (zh) * 2023-10-18 2024-04-19 河北建投电力科技服务有限公司 基于云计算的电力销售电价数据处理方法
CN117689181A (zh) * 2024-01-31 2024-03-12 国网辽宁省电力有限公司信息通信分公司 基于智慧园区用电负荷的微电网调控系统及方法
CN117689181B (zh) * 2024-01-31 2024-06-04 国网辽宁省电力有限公司信息通信分公司 基于智慧园区用电负荷的微电网调控系统及方法

Similar Documents

Publication Publication Date Title
CN113298569A (zh) 一种基于人工智能的电力需求侧管理方法及系统
Yang et al. A hybrid forecasting system based on a dual decomposition strategy and multi-objective optimization for electricity price forecasting
CN111199016B (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN109063911A (zh) 一种基于门控循环单元网络的负荷聚合体分组预测方法
AU2020102350A4 (en) A Spark-Based Deep Learning Method for Data-Driven Traffic Flow Forecasting
Fu et al. Clustering-based short-term load forecasting for residential electricity under the increasing-block pricing tariffs in China
Zhou et al. Holographic ensemble forecasting method for short-term power load
CN110619420A (zh) 一种基于Attention-GRU的短期住宅负荷预测方法
CN106446967A (zh) 一种新型电力系统负荷曲线聚类方法
Reddy et al. Stacking Deep learning and Machine learning models for short-term energy consumption forecasting
CN111160617A (zh) 一种电力日负荷预测方法及装置
CN116128150B (zh) 一种基于两级优化的光伏智能出力预测方法
CN113361785A (zh) 配电网短期负荷预测方法、装置、终端及存储介质
Li et al. Sizing ramping reserve using probabilistic solar forecasts: A data-driven method
CN115689069A (zh) 基于人工智能的电网调度控制方法及系统
CN113947444B (zh) 考虑多粒度犹豫模糊集和不完全权重的售电套餐推荐方法
Guo et al. A combined model based on sparrow search optimized BP neural network and Markov chain for precipitation prediction in Zhengzhou City, China
Huang et al. Short-term load forecasting based on a hybrid neural network and phase space reconstruction
Qin et al. Resgcn: Residual graph convolutional network based free dock prediction in bike sharing system
CN113688960A (zh) 基于灰狼优化ghfcm的居民电力数据聚类方法及装置
Sang et al. Ensembles of gradient boosting recurrent neural network for time series data prediction
Zhang et al. Building energy consumption prediction based on temporal-aware attention and energy consumption states
Zhang et al. Dynamic intelligent cleaning model of dirty electric load data
Prashanthi et al. A comparative study of the performance of machine learning based load forecasting methods
Zhang et al. Spatial-Temporal Graph Neural Network for Regional Photovoltaic Power Forecasting Based on Weather Condition Recognition

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210824