CN114881538A - 一种基于感知机的需求响应用户选择方法 - Google Patents
一种基于感知机的需求响应用户选择方法 Download PDFInfo
- Publication number
- CN114881538A CN114881538A CN202210722545.8A CN202210722545A CN114881538A CN 114881538 A CN114881538 A CN 114881538A CN 202210722545 A CN202210722545 A CN 202210722545A CN 114881538 A CN114881538 A CN 114881538A
- Authority
- CN
- China
- Prior art keywords
- user
- response
- perceptron
- historical
- demand response
- 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
- 230000004044 response Effects 0.000 title claims abstract description 68
- 238000010187 selection method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000926 separation method Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 101150116335 isdA gene Proteins 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及电力系统需求响应领域,具体是一种基于感知机的需求响应用户选择方法。
背景技术
随着电力系统中光伏、风电等可再生能源的广泛接入,其固有的间歇性和随机性给电网安全运行带来了极大的挑战,严重威胁到了电网的稳定性。同时,出于减碳的目的,传统燃煤机组等高污染发电资源逐渐退役,削弱了电网调节的灵活性,加大了对于灵活可调资源的需求。在这样的背景下,用户侧负荷资源逐渐受到重视,需求响应技术应运而生,可用于平抑电网的可再生能源波动,削峰填谷等。
然而,在需求响应项目中,用户往往会受到自身因素和外界环境的影响,具有复杂的不确定性,具体的表现为用户可能会选择退出某次的需求响应事件。对于负荷聚合商而言,若不能正确评估用户的响应行为,而盲目地发送调节指令,会导致实际的负荷调节量无法满足电力系统的调度需求。
目前,关于需求响应的研究大多聚焦于机制、经济性、物理模型等方面,关于需求响应不确定性的研究也只是简单的从概率角度对调节容量进行建模,鲜有研究考虑用户实际的自身和外界等因素对用户不确定性的影响,难以从本质上解决这一问题。
发明内容
本发明的目的在于提供一种基于感知机的需求响应用户选择方法,基于感知机模型算法对用户的历史相应情况进行二分类预测,在每次的事件中能够考虑用户实际的自身和外界环境等上下文信息,从而选择合适的用户发送负荷调节指令,有利于实现精准的功率调节,充分发挥需求侧用户资源的潜力。
本发明的目的可以通过以下技术方案实现:
一种基于感知机的需求响应用户选择方法,包括如下步骤:
步骤S1:获取每个用户的历史特征数据,历史特征数据包括自身和外界因素两方面,并进行归一化处理;
步骤S3:基于感知机模型算法在样本训练集上进行训练,获得每个用户自身的分离超平面;
步骤S5:针对预测结果为响应的用户,选取k个用户发送负荷调节指令;
步骤S6:获取用户的历史相应情况,判断与根据感知机模型算法预测的用户响应结果是否一致,并对其自身的分离超平面进行更新。
步骤S1中,针对过去每次的需求响应事件,分别从用户自身和外界因素两方面获取与用户对应的历史特征数据;
用户自身包括用户年龄、职业、教育水平;外界因素包括环境温度、实时电价、需求响应激励水平;
步骤S2中,在获得的d维特征向量末尾添加常数1,用于刻画与用户自身相关的其
他非时变的影响因素,组成共维的广义特征向量;另外,获取在过去每次需求响
应事件中各用户的历史响应情况,取值为+1代表用户积极响应,完成功率
调节;取-1代表用户未响应;两者共同组成样本训练集,,N为用
户总数。
步骤S3中,基于感知机模型算法在样本训练集上进行训练,包括以下过程:
3) 若小于等于0,则判定为错误分类点,分别对两个系数进行更新:
4) 不断选择数据更新,直至样本训练集中没有错误分类点;
步骤S4中,系统在t时刻的给定负荷调节目标为,获取t时所有用户自身的广义
特征向量,根据其对应的分离超平面进行响应情况的预测;若,预测用户i在本次需求响应事件中将会积极响应,反之则预测用户不会
响应。
步骤S6中,获取用户的历史相应情况,判断与根据感知机模型算法预测的用户响应结果是否一致;针对错误预测的用户,基于步骤S3对其自身的分离超平面进行更新,以便下次需求响应事件调用。
本发明的有益效果:
本发明的一种基于感知机的需求响应用户选择方法,基于感知机模型对用户的历史相应情况进行二分类预测,在每次的事件中能够考虑用户实际的自身和外界环境等上下文信息,从而选择合适的用户发送负荷调节指令,有利于实现精准的功率调节,充分发挥需求侧用户资源的潜力。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的用户选择方法流程图。
具体实施方式
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清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种基于感知机的需求响应用户选择方法,包括以下步骤:
步骤S1: 获取每个用户的历史特征数据,历史特征数据包括自身和外界因素两方面,并进行归一化处理。
具体地,
针对过去每次的需求响应事件,分别从用户自身和外界因素两方面获取与用户对应的历史特征数据;
用户自身包括用户年龄、职业、教育水平;外界因素包括环境温度、实时电价、需求响应激励水平;
具体地,在获得的d维特征向量末尾添加常数1,用于刻画与用户自身相关的其他
非时变的影响因素,组成共维的广义特征向量;另外,获取在过去每次需求响应
事件中各用户的历史响应情况,取值为+1代表用户积极响应,完成功率调
节;取-1代表用户未响应;两者共同组成样本训练集,,N为用户总
数。
步骤S3:基于感知机模型算法在样本训练集上进行训练,获得每个用户自身的分离超平面。
具体地,
基于感知机模型算法在样本训练集上进行训练,包括以下过程:
3) 若小于等于0,则判定为错误分类点,分别对两个系数进行更新:
4) 不断选择数据更新,直至样本训练集中没有错误分类点;
步骤S5:针对预测结果为响应的用户,选取k个用户发送负荷调节指令。
步骤S6:获取用户的历史相应情况,判断与根据感知机模型算法预测的用户响应结果是否一致,并对其自身的分离超平面进行更新。
具体地,获取用户的历史相应情况,判断与根据感知机模型算法预测的用户响应结果是否一致;针对错误预测的用户,基于步骤S3对其自身的分离超平面进行更新,以便下次需求响应事件调用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.一种基于感知机的需求响应用户选择方法,其特征在于,包括如下步骤:
步骤S1:获取每个用户的历史特征数据,历史特征数据包括自身和外界因素两方面,并进行归一化处理;
步骤S3:基于感知机模型算法在样本训练集上进行训练,获得每个用户自身的分离超平面;
步骤S5:针对预测结果为响应的用户,选取k个用户发送负荷调节指令;
步骤S6:获取用户的历史相应情况,判断与根据感知机模型算法预测的用户响应结果是否一致,并对其自身的分离超平面进行更新。
7.根据权利要求6所述的一种基于感知机的需求响应用户选择方法,其特征在于,步骤S6中,获取用户的历史相应情况,判断与根据感知机模型算法预测的用户响应结果是否一致;针对错误预测的用户,基于步骤S3对其自身的分离超平面进行更新,以便下次需求响应事件调用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210722545.8A CN114881538B (zh) | 2022-06-24 | 2022-06-24 | 一种基于感知机的需求响应用户选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210722545.8A CN114881538B (zh) | 2022-06-24 | 2022-06-24 | 一种基于感知机的需求响应用户选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881538A true CN114881538A (zh) | 2022-08-09 |
CN114881538B CN114881538B (zh) | 2022-12-13 |
Family
ID=82682500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210722545.8A Active CN114881538B (zh) | 2022-06-24 | 2022-06-24 | 一种基于感知机的需求响应用户选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881538B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
US10841853B1 (en) * | 2019-10-11 | 2020-11-17 | Cellonyx, Inc. | AI-based load balancing of 5G cellular networks |
US20210003974A1 (en) * | 2019-07-02 | 2021-01-07 | Microsoft Technology Licensing, Llc | Power grid aware machine learning device |
CN112379214A (zh) * | 2020-10-27 | 2021-02-19 | 广东电网有限责任公司广州供电局 | 一种电网故障的检测方法和装置 |
CN113902202A (zh) * | 2021-10-15 | 2022-01-07 | 南京工程学院 | 基于双重注意力机制和lstm的短期负荷预测模型和方法 |
CN113919545A (zh) * | 2021-08-30 | 2022-01-11 | 浙江工业大学 | 一种多数据模型融合的光伏发电功率预测方法和系统 |
CN114372418A (zh) * | 2022-01-17 | 2022-04-19 | 河海大学 | 一种风电功率时空态势描述模型建立方法 |
CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
-
2022
- 2022-06-24 CN CN202210722545.8A patent/CN114881538B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
US20210003974A1 (en) * | 2019-07-02 | 2021-01-07 | Microsoft Technology Licensing, Llc | Power grid aware machine learning device |
US10841853B1 (en) * | 2019-10-11 | 2020-11-17 | Cellonyx, Inc. | AI-based load balancing of 5G cellular networks |
CN112379214A (zh) * | 2020-10-27 | 2021-02-19 | 广东电网有限责任公司广州供电局 | 一种电网故障的检测方法和装置 |
CN113919545A (zh) * | 2021-08-30 | 2022-01-11 | 浙江工业大学 | 一种多数据模型融合的光伏发电功率预测方法和系统 |
CN113902202A (zh) * | 2021-10-15 | 2022-01-07 | 南京工程学院 | 基于双重注意力机制和lstm的短期负荷预测模型和方法 |
CN114372418A (zh) * | 2022-01-17 | 2022-04-19 | 河海大学 | 一种风电功率时空态势描述模型建立方法 |
CN114511058A (zh) * | 2022-01-27 | 2022-05-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种用于电力用户画像的负荷元件构建方法及装置 |
Non-Patent Citations (2)
Title |
---|
姚栋方等: "基于深度学习的短期电力负荷预测", 《国外电子测量技术》 * |
张天欣: "感知机理论研究综述", 《电子技术与软件工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114881538B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
Rakshit et al. | Noisy evolutionary optimization algorithms–a comprehensive survey | |
Wang et al. | A hybrid wind speed forecasting model based on phase space reconstruction theory and Markov model: A case study of wind farms in northwest China | |
CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
Pratama et al. | Recurrent classifier based on an incremental metacognitive-based scaffolding algorithm | |
CN108898251B (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
Pindoriya et al. | Composite reliability evaluation using Monte Carlo simulation and least squares support vector classifier | |
Ruvolo et al. | Active task selection for lifelong machine learning | |
CN105095494B (zh) | 一种对分类数据集进行测试的方法 | |
JP6680659B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JP2022515941A (ja) | 生成的敵対神経網ベースの分類システム及び方法 | |
CN105956722A (zh) | 一种短期风电功率的预测方法及装置 | |
CN110781595A (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
CN110263982A (zh) | 广告点击率预估模型的优化方法和装置 | |
CN111160461A (zh) | 基于模糊聚类的加权在线极限学习机大数据分类方法 | |
JP6468364B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
CN110516756A (zh) | 基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法 | |
CN114881538B (zh) | 一种基于感知机的需求响应用户选择方法 | |
CN112541530B (zh) | 针对聚类模型的数据预处理方法及装置 | |
Hu et al. | A novel hybrid technique for short-term electricity price forecasting in UK electricity markets | |
CN112446435A (zh) | 一种城市数据分类方法及系统 | |
CN109657695A (zh) | 一种基于确定性退火的模糊划分聚类方法及装置 | |
CN107065520A (zh) | 一种冷风机参数配置优化方法 | |
CN110648248A (zh) | 一种发电站的控制方法、装置及设备 |
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 |