CN113947427A - 一种灵活能源混合网络动态微分控制的长期价格引导方法 - Google Patents

一种灵活能源混合网络动态微分控制的长期价格引导方法 Download PDF

Info

Publication number
CN113947427A
CN113947427A CN202111197462.3A CN202111197462A CN113947427A CN 113947427 A CN113947427 A CN 113947427A CN 202111197462 A CN202111197462 A CN 202111197462A CN 113947427 A CN113947427 A CN 113947427A
Authority
CN
China
Prior art keywords
price
refers
function
flexible energy
long
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
CN202111197462.3A
Other languages
English (en)
Inventor
殷林飞
邱耀
高放
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.)
Guangxi University
Original Assignee
Guangxi University
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 Guangxi University filed Critical Guangxi University
Priority to CN202111197462.3A priority Critical patent/CN113947427A/zh
Publication of CN113947427A publication Critical patent/CN113947427A/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
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明提出一种灵活能源混合网络动态微分控制的长期价格引导方法，该方法由数据筛选功能、胶囊神经网络、长短期记忆神经网络和随机动态微分控制器组成。该方法考虑分布式能源灵活性需求，以系统状态、温度、假期和政府的用电准则作为输入量，输出最优的价格信号。该方法利用数据筛选功能筛选用电信息中有用的数据，用于基准需求的预测；该方法中的胶囊神经网络和长短期记忆神经网络能解决用户基准需求的预测问题，以最优的预测结果作为输出；该方法中的随机动态微分控制器能通过预测的基准需求和可再生能源发电量得到灵活能源最优的价格引导信号。该方法能降低具有灵活性需求用户的用电成本，能缓解可再生能源发电中的弃电问题。

Description

一种灵活能源混合网络动态微分控制的长期价格引导方法
技术领域
本发明属于电力系统的电力市场领域，具体涉及一种人工智能方法，适用于电力系统电力市场中灵活能源服务商的长期价格引导。
背景技术
随着可再生能源发电的普及，可再生能源发电的不可控性和间歇性给电力系统安全稳定运行带来了风险，也给电力市场的供需平衡带来了挑战。由于可再生能源的发电量不受市场电价的影响，所以价格不能调节可再生能源的生产。然而，由于市场对电力供需具有调节功能，可再生能源的发电量能影响市场中的电价。
现有的电价研究方法利用人工智能技术来研究的电价。现有的电价研究方法虽然对电力市场化有一定的探索，但是缺乏对气温，假期和政府的用电准则综合因素的考虑，然而这些因素对电价的影响是不容忽视的。
另外，现有的电价研究方法是对电价进行短期的预测，用户利用预测的电价选择用电方式。虽然现有的电价研究方法能在短期内降低用户的用电成本，但是这种电价的研究方法破坏了长期市场环境下电力市场的平衡；这种电价的研究方法没有综合考虑灵活能源供给侧与需求的变化，缺乏对用于用电的引导；这种电价的研究方法缺乏在市场环境下对长期利益的综合考虑，最大化地降低用户在长期市场环境下的用电成本。
因此，提出一种灵活能源混合网络动态微分控制的长期价格引导方法，该方法能考虑气温、假期、和政府的用电准则对电价的影响；该方法能充分利用市场条件下电价的调节作用，解决电力市场中灵活能源的供需不平衡问题；该方法利用混合网络对用户的基准需求进行预测，能解决用户基准需求预测的问题；该方法从灵活能源服务商的角度出发，通过价格来引导用户的用电量跟随灵活能源的发电量的变化而变化，能实现对用户的需求进行引导；该方法能在长期的市场环境下，最大化地节省用户的用电成本。
发明内容
本发明提出一种灵活能源混合网络动态微分控制的长期价格引导方法，该方法将数据筛选功能、胶囊神经网络、长短期记忆神经网络和随机动态微分控制器结合，用于灵活能源长期价格的引导；所提一种灵活能源混合网络动态微分控制的长期价格引导方法在使用过程中的步骤为：
步骤(1)：建立灵活能源服务商的交易框架；
步骤(2)：提出混合网络动态微分控制，把混合网络动态微分控制用于长期价格引导；
步骤(3)：通过胶囊神经网络、长短期记忆神经网络对用户的基准需求进行预测；
步骤(4)：提出的随机动态微分控制器，考虑由系统状态、气温、假期和政府的用电准则所引起的动态价格变化，由随机动态微分控制器产生价格信号；
步骤(5)：将价格信号运用到灵活能源服务商的电价交易，调节用户的灵活性需求，降低用户的用电成本。
所述步骤(1)中建立灵活能源服务商的交易框架，灵活能源服务商是利用以可再生能源为代表的具有灵活性的能源提供服务的服务商；灵活能源服务商在灵活能源发电市场中通过灵活能源订单购买到灵活能源量，灵活能源服务商将购买的灵活能源量利用长期价格引导方法找到最合适的价格信号，将价格应用到灵活能源的实际用电市场中；灵活能源服务商的交易框架将用户的用电情况反馈给灵活能源服务商，为下一次的价格引导提供参考。
所述步骤(2)中提出混合网络动态微分控制；首先，将对用户的原始用电数据进行筛选，在数据筛选中进行数据补全、数据分类、离群数据删除、特征数据集成处理；然后，将特征数据分别用胶囊神经网络和长短期记忆神经网络进行预测，对结果进行评估和选择得到预测的基准需求；最后，将预测的基准需求输入到随机动态微分控制器中，随机动态微控制器输出价格信号；利用胶囊神经网络和长短期记忆神经网络预测到的基准需求为：
Bt＝g(x), (1)
式中，Bt是指预测到的基准需求；t是指时间；g()是指基准需求预测网络函数；x是指用户需求的特征数据；
利用随机动态微分控制器输出的充电状态微分为：
Figure BDA0003303613170000021
式中，dZt是指对充电状态微分；CSDM是指灵活能源量；Dt是指预测需求；dt是指对时间的微分；Zt是指充电状态；ρ是指噪音强度；dWt是指对维纳过程微分；Wt是指维纳过程；
利用随机动态微分控制器输出需求的变化量为：
ψt＝l(a1f(Zt,α)+a2h(ut,β)+a3z(kt)+a4v(qt)+a5b(s),s), (3)
式中，ψt是指需求的变化量；l()是指逻辑函数；a1,a2,a3,a4,a5是指l()函数的参数；f()是指系统状态函数；α是指f()函数的参数；h()是指价格函数；ut是指能源价格；β是指h()函数的参数；z()是指政府的用电准则函数；kt是指政府的用电准则；v()是指气温函数；qt是指气温；b()是指假期影响函数；st是指假期；s是指需求的变化量参数；
利用随机动态微分控制器输出的预测需求为：
Dt＝Bt+ψtq×[S(ψt＞0)×(1-Bt)+S(ψt＜0)Bt], (4)
式中，q是指灵活能源比例；S()是指符号函数；
S()符号函数为：
Figure BDA0003303613170000022
l()逻辑函数为：
Figure BDA0003303613170000023
式中，m是指逻辑函数l()的参数；exp()为以自然常数e为底的指数函数。
所述步骤(3)中的胶囊神经网络采用囊间动态路由法取代传统卷积神经网络中的最大池化法；囊间动态路由法的间隔损失函数为：
Lk＝Tk[max(0,0.9-||vk||)]2+0.5(1-Tk)[max(0,||vk||2-0.1)]2， (7)
式中，Lk是经过计算得到的间隔损失；k是胶囊层数；Tk是第k层的存在值，若存在则取1，不存在则取0；vk是第k层胶囊的输出向量；max()是在数据组中获取最大值；||vk||代表vk的模；
胶囊神经网络的神经胶囊工作分为四个步骤，即矩阵转化、输入加权、加权求和、非线性变换；矩阵转化公式为：
uj|i＝Wijui， (8)
式中，i是胶囊的第i层；j是胶囊的第j层；uj|i是由i低层特征推出的j高层特征；Wij是转化矩阵；ui是输入向量；
输入加权公式为：
Figure BDA0003303613170000024
式中，cij是胶囊i层连接至胶囊j层的连接概率；bij是胶囊i层连接至胶囊j层的先验概率；
加权求和公式为：
Figure BDA0003303613170000025
式中，sj是第j层胶囊的总输入；
非线性变换公式为：
Figure BDA0003303613170000031
式中，vj是表示j层的胶囊输出；||sj||是sj的模。
所述步骤(3)中长短期记忆神经网络具有对长期依赖进行学习的能力；长短期记忆神经网络由遗忘门，输入门和输出门组成；输入门决定当前时刻网络的输入数据有多少需要保存到单元状态；遗忘门决定上一时刻的单元状态有多少需要保留到当前时刻；输出门控制当前单元状态有多少需要输出到当前的输出值；
长短期记忆神经网络的遗忘门为：
ft＝σ(Wf×(ht-1+xt)+bf)， (12)
式中，f是遗忘门；ft是遗忘门的结果；σ是Sigmoid()激励函数；Wf是遗忘门的权重值；ht-1是t-1时刻的记忆信息；xt是t时刻的输出；bf是遗忘门的偏置值；
Sigmoid()激励函数为：
Figure BDA0003303613170000032
式中，a是Sigmoid()激励函数的变量；
长短期记忆神经网络的输入门为：
Et＝σ(WE×(ht-1+xt)+bE)， (14)
式中，E是输入门；Et是输入门的结果；WE是输入门的权重值；bE是输入门的偏置值；
长短期记忆神经网络的输出门为：
ot＝σ(Wo×(ht-1+xt)+bo)， (15)
式中，O是输出门；ot是输出门的结果；Wo是输出门的权重值；bo是输出门的偏置值；
长短期记忆神经网络的输出由输出门和单元状态共同决定：
Ct＝tanh(WC×(ht-1+xt)+bC)， (16)
Ct＝ft×Ct-1+it×Ct， (17)
ht＝ot×tanh(Ct)， (18)
式中，C是单元状态；
Figure BDA0003303613170000033
是由tanh激活层生成的信息值；tanh()是双曲正切函数；WC是单元状态的权重值；bC是单元状态的偏置值；Ct是t时刻的单元状态；Ct-1是t-1时刻的单元状态；ht是表示t时刻的记忆信息。
所述步骤(4)中提出的随机动态微分控制器考虑了由系统状态、气温、假期和政府的用电准则所引起的价格变化；随机动态微分方程将价格的影响因素、预测的基准需求和可再生能源发电量作为输入变量，价格信号作为输出变量；
f()系统状态函数为：
f(Zt,α)＝{1-2Zt+α1×[1-(2Zt-1)2]}×[α2+α3×(2Zt-1)2+α4×(2Zt-1)6]， (19)
式中，α1,α2,α3,α4,α5是指f()函数的参数；
h()价格函数为：
Figure BDA0003303613170000034
式中，Mr是指样条总数；r是第r个样条；βr是指h()函数的参数；Ir(ut)是指I样条函数；
z()政府的用电准则函数为：
Figure BDA0003303613170000041
v()气温函数为：
Figure BDA0003303613170000042
b()假期影响函数为：
Figure BDA0003303613170000043
所述步骤(5)中将价格信号运用到灵活能源服务商的电价交易中，在长期的交易过程中，一种灵活能源混合网络动态微分控制的长期价格引导方法能降低灵活能源的电价，节约灵活能源用户的用电成本，满足灵活能源用户的利益最大化；
Figure BDA0003303613170000044
式中，Cn是在n天内的用电成本；n是价格引导周期内的总天数；d是第d天；d,t是第d天中第t时间；
Figure BDA0003303613170000045
是指在现货市场中的现货价格；pd,t是灵活能源市场中购买的灵活能源量；
Figure BDA0003303613170000046
是指在平衡市场中的监管价格；Yd,t是用户的实际需求。
所述步骤(5)中随机动态微分控制器由随机微分方程和解目标函数最小值构成；随机动态微分控制器以气温、假期、政府的用电准则、系统状态、预测的基准需求和可再生能源发电量作为输入变量，通过随机动态微分方程输出预测需求，再利用目标函数求解最优的价格信号；利用随机动态微分控制器输出的价格信号函数为：
Figure BDA0003303613170000047
式中，argmin是取目标函数最小值对应的解；u是指预测的最优价格；M是指预测周期；Dt(Bt,ut)是指以价格u为变量的预测需求；Dt ref是指由灵活能源服务商购买的灵活能源。
本发明相对于现有技术具有如下的优点及效果：
(1)该方法利用数据筛选功能、胶囊神经网络和长短期记忆神经网络对用户的基准需求进行预测，能提高用户基准需求的预测准确度、稳定性和快速收敛性；
(2)该方法通过价格来引导用户的用电量跟随灵活能源的发电量的变化而变化，能实现对用户的需求进行引导，更好地解决电力市场中灵活能源的供需不平衡的矛盾，提高可再生能源的出力；
(3)该方法考虑气温、假期、和政府的用电准则对电价的影响；
(4)该方法能利用电力市场的调节作用，能在长期的市场环境下，最大化地节省用户的用电成本。
附图说明
图1是本发明方法的混合网络动态微分控制的框架图。
图2是本发明方法的灵活能源服务商交易示意图。
图3是本发明方法的胶囊神经网络。
图4是本发明方法的长短期记忆神经网络。
图5是本发明方法的随机动态微分控制器。
具体实施方式
本发明提出的一种灵活能源混合网络动态微分控制的长期价格引导方法，结合附图详细说明如下：
图1是本发明方法的混合网络动态微分控制的框架图。首先，将对用户的原始用电数据进行筛选，在数据筛选中获取原始数据、数据补全、数据分类、离群数据删除、特征数据集成处理；然后，将提取出的特征数据分别用胶囊神经网络和长短期记忆神经网络进行预测，对预测结果进行评估和选择；最后，将预测的基准需求输入到随机动态微分控制器中，随机动态微控制器输出价格信号。
图2是本发明方法的灵活能源服务商交易示意图。首先，灵活能源服务商通过灵活能源订单在发电市场中购买灵活能源量。然后，灵活能源服务商通过混合网络动态微分控制的长期价格引导方法得到价格信号。最后，灵活能源服务商将价格信号应用到电力用户市场中，将用户的实际用电需求反馈给灵活能源服务商。
图3是本发明方法的胶囊神经网络。胶囊神经网络采用囊间动态路由法取代传统卷积神经网络中的最大池化法。胶囊神经网络由卷积层，主胶囊层，数字胶囊层，全连接层构成。卷积操作结束后，主胶囊层将卷积层提取出来的特征图转化为向量胶囊，随后，通过动态路由法将主胶囊层和数字胶囊层连接输出最终结果。
图4是本发明方法的长短期记忆神经网络。长短期记忆神经网络具有对长期依赖进行学习的能力。长短期记忆神经网络由遗忘门，输入门和输出门组成。输入门决定当前时刻网络的输入数据有多少需要保存到单元状态；遗忘门决定上一时刻的单元状态有多少需要保留到当前时刻；输出门控制当前单元状态有多少需要输出到当前的输出值。最后，长短期记忆神经网络的输出由输出门和单元状态共同决定。
图5是本发明方法的随机动态微分控制器。随机动态微分控制器主要由随机微分方程和解目标函数最小值构成。随机动态微分控制器以气温、假期、政府的用电准则、系统状态和灵活能源发电量动态变化作为输入变量，通过随机微分方程输出预测需求，再利用目标函数求解最优的价格信号。

Claims (8)

1.一种灵活能源混合网络动态微分控制的长期价格引导方法，其特征在于，该方法将数据筛选功能、胶囊神经网络、长短期记忆神经网络和随机动态微分控制器结合，用于灵活能源长期价格的引导；所提一种灵活能源混合网络动态微分控制的长期价格引导方法在使用过程中的步骤为：
步骤(1)：建立灵活能源服务商的交易框架；
步骤(2)：提出混合网络动态微分控制，把混合网络动态微分控制用于长期价格引导；
步骤(3)：通过胶囊神经网络、长短期记忆神经网络对用户的基准需求进行预测；
步骤(4)：提出的随机动态微分控制器，考虑由系统状态、气温、假期和政府的用电准则所引起的动态价格变化，由随机动态微分控制器产生价格信号；
步骤(5)：将价格信号运用到灵活能源服务商的电价交易，调节用户的灵活性需求，降低用户的用电成本。
2.如权利要求1所述的一种灵活能源混合网络动态微分控制的长期价格引导方法，其特征在于，所述步骤(1)中建立灵活能源服务商的交易框架，灵活能源服务商是利用以可再生能源为代表的具有灵活性的能源提供服务的服务商；灵活能源服务商在灵活能源发电市场中通过灵活能源订单购买到灵活能源量，灵活能源服务商将购买的灵活能源量利用长期价格引导方法找到最合适的价格信号，将价格应用到灵活能源的实际用电市场中；灵活能源服务商的交易框架将用户的用电情况反馈给灵活能源服务商，为下一次的价格引导提供参考。
3.如权利要求1所述的一种灵活能源混合网络动态微分控制的长期价格引导方法，其特征在于，所述步骤(2)中提出混合网络动态微分控制；首先，将对用户的原始用电数据进行筛选，在数据筛选中进行数据补全、数据分类、离群数据删除、特征数据集成处理；然后，将特征数据分别用胶囊神经网络和长短期记忆神经网络进行预测，对结果进行评估和选择得到预测的基准需求；最后，将预测的基准需求输入到随机动态微分控制器中，随机动态微控制器输出价格信号；利用胶囊神经网络和长短期记忆神经网络预测到的基准需求为：
Bt＝g(x), (1)
式中，Bt是指预测到的基准需求；t是指时间；g()是指基准需求预测网络函数；x是指用户需求的特征数据；
利用随机动态微分控制器输出的充电状态微分为：
Figure FDA0003303613160000011
式中，dZt是指对充电状态微分；CSDM是指灵活能源量；Dt是指预测需求；dt是指对时间的微分；Zt是指充电状态；ρ是指噪音强度；dWt是指对维纳过程微分；Wt是指维纳过程；
利用随机动态微分控制器输出需求的变化量为：
ψt＝l(a1f(Zt,α)+a2h(ut,β)+a3z(kt)+a4v(qt)+a5b(s),s), (3)
式中，ψt是指需求的变化量；l()是指逻辑函数；a1,a2,a3,a4,a5是指l()函数的参数；f()是指系统状态函数；α是指f()函数的参数；h()是指价格函数；ut是指能源价格；β是指h()函数的参数；z()是指政府的用电准则函数；kt是指政府的用电准则；v()是指气温函数；qt是指气温；b()是指假期影响函数；st是指假期；s是指需求的变化量参数；
利用随机动态微分控制器输出的预测需求为：
Dt＝Bt+ψtq×[S(ψt＞0)×(1-Bt)+S(ψt＜0)Bt], (4)
式中，q是指灵活能源比例；S()是指符号函数；
S()符号函数为：
Figure FDA0003303613160000012
1()逻辑函数为：
Figure FDA0003303613160000021
式中，m是指逻辑函数l()的参数；exp()为以自然常数e为底的指数函数。
4.如权利要求1所述的一种灵活能源混合网络动态微分控制的长期价格引导方法，其特征在于，所述步骤(3)中的胶囊神经网络采用囊间动态路由法取代传统卷积神经网络中的最大池化法；囊间动态路由法的间隔损失函数为：
Lk＝Tk[max(0,0.9-||vk||)]2+0.5(1-Tk)[max(0,||vk||2-0.1)]2， (7)
式中，Lk是经过计算得到的间隔损失；k是胶囊层数；Tk是第k层的存在值，若存在则取1，不存在则取0；vk是第k层胶囊的输出向量；max()是在数据组中获取最大值；||vk||代表vk的模；
胶囊神经网络的神经胶囊工作分为四个步骤，即矩阵转化、输入加权、加权求和、非线性变换；矩阵转化公式为：
uj|i＝Wijui， (8)
式中，i是胶囊的第i层；j是胶囊的第j层；uj|i是由i低层特征推出的j高层特征；Wij是转化矩阵；ui是输入向量；
输入加权公式为：
Figure FDA0003303613160000022
式中，cij是胶囊i层连接至胶囊j层的连接概率；bij是胶囊i层连接至胶囊j层的先验概率；
加权求和公式为：
Figure FDA0003303613160000023
式中，sj是第j层胶囊的总输入；
非线性变换公式为：
Figure FDA0003303613160000024
式中，vj是表示j层的胶囊输出；||sj||是sj的模。
5.如权利要求1所述的一种灵活能源混合网络动态微分控制的长期价格引导方法，其特征在于，所述步骤(3)中长短期记忆神经网络具有对长期依赖进行学习的能力；长短期记忆神经网络由遗忘门，输入门和输出门组成；输入门决定当前时刻网络的输入数据有多少需要保存到单元状态；遗忘门决定上一时刻的单元状态有多少需要保留到当前时刻；输出门控制当前单元状态有多少需要输出到当前的输出值；
长短期记忆神经网络的遗忘门为：
ft＝σ(Wf×(ht-1+xt)+bf)， (12)
式中，f是遗忘门；ft是遗忘门的结果；σ是Sigmoid()激励函数；Wf是遗忘门的权重值；ht-1是t-1时刻的记忆信息；xt是t时刻的输出；bf是遗忘门的偏置值；
Sigmoid()激励函数为：
Figure FDA0003303613160000025
式中，a是Sigmoid()激励函数的变量；
长短期记忆神经网络的输入门为：
Et＝σ(WE×(ht-1+xt)+bE)， (14)
式中，E是输入门；Et是输入门的结果；WE是输入门的权重值；bE是输入门的偏置值；
长短期记忆神经网络的输出门为：
ot＝σ(Wo×(ht-1+xt)+bo)， (15)
式中，O是输出门；ot是输出门的结果；Wo是输出门的权重值；bo是输出门的偏置值；
长短期记忆神经网络的输出由输出门和单元状态共同决定：
Ct＝tanh(WC×(ht-1+xt)+bC)， (16)
Ct＝ft×Ct-1+it×Ct， (17)
ht＝ot×tanh(Ct)， (18)
式中，C是单元状态；
Figure FDA0003303613160000031
是由tanh激活层生成的信息值；tanh()是双曲正切函数；WC是单元状态的权重值；bC是单元状态的偏置值；Ct是t时刻的单元状态；Ct-1是t-1时刻的单元状态；ht是表示t时刻的记忆信息。
6.如权利要求1所述的一种灵活能源混合网络动态微分控制的长期价格引导方法，其特征在于，所述步骤(4)中提出的随机动态微分控制器考虑了由系统状态、气温、假期和政府的用电准则所引起的价格变化；随机动态微分方程将价格的影响因素、预测的基准需求和可再生能源发电量作为输入变量，价格信号作为输出变量；
f()系统状态函数为：
f(Zt,α)＝{1-2Zt+α1×[1-(2Zt-1)2]}×[α2+α3×(2Zt-1)2+α4×(2Zt-1)6]， (19)
式中，α1,α2,α3,α4,α5是指f()函数的参数；
h()价格函数为：
Figure FDA0003303613160000032
式中，Mr是指样条总数；r是第r个样条；βr是指h()函数的参数；Ir(ut)是指I样条函数；
z()政府的用电准则函数为：
Figure FDA0003303613160000033
v()气温函数为：
Figure FDA0003303613160000034
b()假期影响函数为：
Figure FDA0003303613160000035
7.如权利要求1所述的一种灵活能源混合网络动态微分控制的长期价格引导方法，其特征在于，所述步骤(5)中将价格信号运用到灵活能源服务商的电价交易中，在长期的交易过程中，一种灵活能源混合网络动态微分控制的长期价格引导方法能降低灵活能源的电价，节约灵活能源用户的用电成本，满足灵活能源用户的利益最大化；
Figure FDA0003303613160000036
式中，Cn是在n天内的用电成本；n是价格引导周期内的总天数；d是第d天；d,t是第d天中第t时间；
Figure FDA0003303613160000041
是指在现货市场中的现货价格；pd,t是灵活能源市场中购买的灵活能源量；
Figure FDA0003303613160000042
是指在平衡市场中的监管价格；Yd,t是用户的实际需求。
8.如权利要求1所述的一种灵活能源混合网络动态微分控制的长期价格引导方法，其特征在于，所述步骤(5)中随机动态微分控制器由随机微分方程和解目标函数最小值构成；随机动态微分控制器以气温、假期、政府的用电准则、系统状态、预测的基准需求和可再生能源发电量作为输入变量，通过随机动态微分方程输出预测需求，再利用目标函数求解最优的价格信号；利用随机动态微分控制器输出的价格信号函数为：
Figure FDA0003303613160000043
式中，argmin是取目标函数最小值对应的解；u是指预测的最优价格；M是指预测周期；Dt(Bt,ut)是指以价格u为变量的预测需求；Dt ref是指由灵活能源服务商购买的灵活能源。
CN202111197462.3A 2021-10-14 2021-10-14 一种灵活能源混合网络动态微分控制的长期价格引导方法 Pending CN113947427A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111197462.3A CN113947427A (zh) 2021-10-14 2021-10-14 一种灵活能源混合网络动态微分控制的长期价格引导方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111197462.3A CN113947427A (zh) 2021-10-14 2021-10-14 一种灵活能源混合网络动态微分控制的长期价格引导方法

Publications (1)

Publication Number Publication Date
CN113947427A true CN113947427A (zh) 2022-01-18

Family

ID=79330408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111197462.3A Pending CN113947427A (zh) 2021-10-14 2021-10-14 一种灵活能源混合网络动态微分控制的长期价格引导方法

Country Status (1)

Country Link
CN (1) CN113947427A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104937804A (zh) * 2013-03-15 2015-09-23 株式会社东芝 电力需求预测装置、方法和程序以及需求抑制计划制定装置
CN109147937A (zh) * 2018-07-31 2019-01-04 中国科学院深圳先进技术研究院 基于图像的康复预测方法及相关产品
CN109858711A (zh) * 2019-03-07 2019-06-07 东北电力大学 一种计及价格型需求响应与csp电站参与的风电消纳日前调度方法
CN110110724A (zh) * 2019-05-07 2019-08-09 东南大学 基于指数型挤压函数驱动胶囊神经网络的文本验证码识别方法
US20200135017A1 (en) * 2018-10-29 2020-04-30 Beihang University Transportation network speed foreeasting method using deep capsule networks with nested lstm models
CN113128557A (zh) * 2021-03-11 2021-07-16 重庆邮电大学 基于胶囊网络融合模型的新闻文本分类方法、系统及介质
CN113870241A (zh) * 2021-10-12 2021-12-31 北京信息科技大学 一种基于胶囊神经网络的药片缺陷识别方法和装置
CN115018198A (zh) * 2022-06-30 2022-09-06 国网河南省电力公司经济技术研究院 一种考虑差异化需求响应方案的居民用户用电优化策略
CN115630987A (zh) * 2022-10-18 2023-01-20 广西大学 一种增强深度注意力双向预测的分数阶长期价格引导方法
CN116700011A (zh) * 2023-07-15 2023-09-05 广西大学 一种增强深度Transformer-Attention集成预测的分数阶微积分降能引导方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104937804A (zh) * 2013-03-15 2015-09-23 株式会社东芝 电力需求预测装置、方法和程序以及需求抑制计划制定装置
CN109147937A (zh) * 2018-07-31 2019-01-04 中国科学院深圳先进技术研究院 基于图像的康复预测方法及相关产品
US20200135017A1 (en) * 2018-10-29 2020-04-30 Beihang University Transportation network speed foreeasting method using deep capsule networks with nested lstm models
CN109858711A (zh) * 2019-03-07 2019-06-07 东北电力大学 一种计及价格型需求响应与csp电站参与的风电消纳日前调度方法
CN110110724A (zh) * 2019-05-07 2019-08-09 东南大学 基于指数型挤压函数驱动胶囊神经网络的文本验证码识别方法
CN113128557A (zh) * 2021-03-11 2021-07-16 重庆邮电大学 基于胶囊网络融合模型的新闻文本分类方法、系统及介质
CN113870241A (zh) * 2021-10-12 2021-12-31 北京信息科技大学 一种基于胶囊神经网络的药片缺陷识别方法和装置
CN115018198A (zh) * 2022-06-30 2022-09-06 国网河南省电力公司经济技术研究院 一种考虑差异化需求响应方案的居民用户用电优化策略
CN115630987A (zh) * 2022-10-18 2023-01-20 广西大学 一种增强深度注意力双向预测的分数阶长期价格引导方法
CN116700011A (zh) * 2023-07-15 2023-09-05 广西大学 一种增强深度Transformer-Attention集成预测的分数阶微积分降能引导方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LINFEI YIN: "Long-term price guidance mechanism of flexible energy service providers based on stochastic differential methods", ENERGY, vol. 238, 20 August 2021 (2021-08-20), XP086863551, DOI: 10.1016/j.energy.2021.121818 *
LINFEI YIN: "Neural network dynamic differential control for long-term price guidance mechanism of flexible energy service providers", ENERGY, vol. 255, 17 June 2022 (2022-06-17), XP087115384, DOI: 10.1016/j.energy.2022.124558 *
朱应钊: "胶囊网络技术及发展趋势研究", 新技术 新业务, 15 October 2018 (2018-10-15) *
李艳玲: "端到端对话系统意图语义槽联合识别研究综述", 计算机工程与应用, no. 14, 31 December 2020 (2020-12-31) *
邱耀: "基于神经网络动态微分控制的灵活能源长期价格引导机制", 万方数据, 2 January 2024 (2024-01-02) *

Similar Documents

Publication Publication Date Title
Ke et al. Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network
Peng et al. Effective long short-term memory with differential evolution algorithm for electricity price prediction
CN112614009B (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN112529283A (zh) 基于注意力机制的综合能源系统短期负荷预测方法
CN109146156B (zh) 一种用于预测充电桩系统充电量的方法
CN109359786A (zh) 一种电力台区短期负荷预测方法
Islam et al. Development of chaotically improved meta-heuristics and modified BP neural network-based model for electrical energy demand prediction in smart grid
CN112215428B (zh) 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
Dong et al. Short-term residential household reactive power forecasting considering active power demand via deep Transformer sequence-to-sequence networks
Bagheri et al. Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation
CN114648176A (zh) 一种基于数据驱动的风光电源消纳优化方法
Keerthisinghe et al. Improved PV forecasts for capacity firming
Akpinar et al. Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony
Wilms et al. Combining auto-regression with exogenous variables in sequence-to-sequence recurrent neural networks for short-term load forecasting
Hao et al. Laxity differentiated pricing and deadline differentiated threshold scheduling for a public electric vehicle charging station
CN113393119B (zh) 基于场景缩减-深度学习的梯级水电短期调度决策方法
Chen Estimating job cycle time in a wafer fabrication factory: A novel and effective approach based on post-classification
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
CN113947427A (zh) 一种灵活能源混合网络动态微分控制的长期价格引导方法
US20220416541A1 (en) Systems and methods for networked microgrids
Jia et al. Line loss rate prediction method based on deep learning with long short term memory
Chen et al. Research on prediction methods of energy consumption data
CN115630987A (zh) 一种增强深度注意力双向预测的分数阶长期价格引导方法
CN115730703A (zh) 基于深度交叉时间卷积网络dtcn模型的电力负荷预测方法

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