CN115629576A - 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 - Google Patents

非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 Download PDF

Info

Publication number
CN115629576A
CN115629576A CN202211128637.XA CN202211128637A CN115629576A CN 115629576 A CN115629576 A CN 115629576A CN 202211128637 A CN202211128637 A CN 202211128637A CN 115629576 A CN115629576 A CN 115629576A
Authority
CN
China
Prior art keywords
model
real
characteristic identification
optimization
flexible load
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
CN202211128637.XA
Other languages
English (en)
Inventor
阮广春
钟海旺
何一鎏
夏清
康重庆
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202211128637.XA priority Critical patent/CN115629576A/zh
Publication of CN115629576A publication Critical patent/CN115629576A/zh
Priority to PCT/CN2023/119007 priority patent/WO2024056051A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop

Abstract

本公开提出一种非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备，该方法包括获取面向柔性负荷的特性辨识模型和弹性估计模型，实时获取当前轮次的激励电价，将当前轮次的激励电价分别输入特性辨识模型和弹性估计模型输出实时响应用电量和实时虚拟弹性矩阵；基于实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足，若满足，则当前轮次的激励电价为最优激励电价、实时响应用电量为最优响应用电量，若不满足，则基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，从而获得最优激励电价和最优响应用电量，以实现对非侵入式柔性负荷的聚合优化控制。根据本公开的方法，能够提升柔性负荷的聚合优化精确度。

Description

非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备
技术领域
本公开属于电力需求侧响应领域，尤其涉及一种非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备。
背景技术
构建以新能源为主体的新型电力系统是实现我国碳达峰-碳中和目标的重要保障。新型电力系统亟需开发尚未充分激活的需求侧灵活性资源，来提升系统对极高比例新能源的消纳能力。其中，充分把握电力现货市场建设机遇，发展电价激励型需求响应技术，已经成为提升需求侧灵活性的重要手段。
需求侧灵活性资源主要包括一系列柔性负荷，包括电动汽车、智能楼宇建筑、多能源微电网等等。这些资源普遍具有海量异构特点，并且资源分布分散，需要经过高效的聚合优化处理才能形成规模化的可控资源。为适应上述特性，亟需开发高效的需求响应聚合优化技术，以尽量高的计算精度及尽量低的计算代价，来实现海量异构资源的协调控制。
然而，现有技术在建模中依赖用户主动上报运行参数，因而其建模性能深受上报参数准确度的影响，例如，当运行参数失真或存在恶意错报时，无论是集中式的直接负荷控制算法，还是分布式的分解协调算法，都无法得到真实的系统最优方案；参数严重失真时，聚合优化结果甚至可能违背系统安全约束，造成灵活性资源的严重浪费。
目前也有一些工程项目尝试根据高精度的用户调研来提升运行参数的准确度，但这些项目大多属于试点工程，试点规模较小、成本高昂、而用户参与意愿也不高。其根本原因是调研数据实际反映了典型用能习惯、负荷调度计划等众多隐私信息，随着近年来隐私保护意识的逐步增强，这种精细化调研方法的适用性将受到严重限制。因此，亟需开发一种具有高聚合优化精度的柔性负荷聚合特性辨识与优化技术。
发明内容
本公开提供了一种非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备，主要目的在于提升柔性负荷的聚合优化精确度。
根据本公开的第一方面实施例，提供了一种非侵入式柔性负荷聚合特性辨识与优化方法，包括：
获取面向柔性负荷的特性辨识模型，所述特性辨识模型的输入为激励电价，所述特性辨识模型的输出为响应用电量；
获取面向柔性负荷的弹性估计模型，所述弹性估计模型的输入为激励电价，所述弹性估计模型的输出为虚拟弹性矩阵；
实时获取当前轮次的激励电价，将所述当前轮次的激励电价分别输入所述特性辨识模型和所述弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵；
基于所述实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足；
若满足，则当前轮次的激励电价为最优激励电价，实时响应用电量为最优响应用电量，若不满足，则基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，基于所述增量优化模型获得最优激励电价和最优响应用电量；
基于所述最优激励电价和所述最优响应用电量对非侵入式柔性负荷进行聚合优化控制。
在本公开的一个实施例中，还包括：获取相邻轮次的最优激励电价，基于所述相邻轮次的最优激励电价判断收敛中止条件是否满足；若满足，则基于最优激励电价和最优响应用电量对非侵入式柔性负荷进行聚合优化控制；若不满足，则更新当前轮次，基于实时获取的更新后的当前轮次的激励电价获得新的最优激励电价和新的最优响应用电量。
在本公开的一个实施例中，所述特性辨识模型和所述弹性估计模型分别采用多输入多输出的机器学习模型，其中所述特性辨识模型的多输入为多个时段的激励电价，所述特性辨识模型的多输出为各时段的响应用电量，所述弹性估计模型的多输入为多个时段的激励电价，所述弹性估计模型的多输出为各时段的虚拟弹性矩阵。
在本公开的一个实施例中，所述特性辨识模型和所述弹性估计模型在训练过程中分别采用超参数优化方法。
在本公开的一个实施例中，在获取面向柔性负荷的特性辨识模型和弹性估计模型之前还包括进行初始配置。
在本公开的一个实施例中，进行初始配置包括检查通讯网络状态、导入历史数据库、导入历史经验模型，以及读取聚合优化的各类参数与性能要求。
根据本公开的第二方面实施例，还提供了一种非侵入式柔性负荷聚合特性辨识与优化装置，包括：
特性辨识模块，用于获取面向柔性负荷的特性辨识模型，所述特性辨识模型的输入为激励电价，所述特性辨识模型的输出为响应用电量；
弹性估计模块，用于获取面向柔性负荷的弹性估计模型，所述弹性估计模型的输入为激励电价，所述弹性估计模型的输出为虚拟弹性矩阵；
实时数据处理模块，用于实时获取当前轮次的激励电价，将所述当前轮次的激励电价分别输入所述特性辨识模型和所述弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵；
判断模块，用于基于所述实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足，若满足则生成约束满足指令，若不满足则生成约束不满足指令；
结果生成模块，用于在收到约束满足指令时，将当前轮次的激励电价作为最优激励电价，实时响应用电量作为最优响应用电量，在收到约束不满足指令时，基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，基于所述增量优化模型获得最优激励电价和最优响应用电量；
控制模块，用于基于所述最优激励电价和所述最优响应用电量对非侵入式柔性负荷进行聚合优化控制。
在本公开的一个实施例中，所述判断模块，还用于获取相邻轮次的最优激励电价，基于所述相邻轮次的最优激励电价判断收敛中止条件是否满足，若满足则生成收敛满足指令，若不满足则生成收敛不满足指令；所述控制模块，还用于在收到收敛满足指令时，基于所述最优激励电价和所述最优响应用电量对非侵入式柔性负荷进行聚合优化控制；所述实时数据处理模块，还用于在收到收敛不满足指令时，更新当前轮次，基于更新后的当前轮次，实时获取更新后的当前轮次的激励电价，输出新的实时响应用电量和新的实时虚拟弹性矩阵。
在本公开的一个实施例中，所述特性辨识模型和所述弹性估计模型分别采用多输入多输出的机器学习模型。
根据本公开的第三方面实施例，还提供了一种非侵入式柔性负荷聚合特性辨识与优化设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的第一方面实施例提出的非侵入式柔性负荷聚合特性辨识与优化方法。
在本公开一个或多个实施例中，获取面向柔性负荷的特性辨识模型和弹性估计模型，特性辨识模型的输入为激励电价、输出为响应用电量；弹性估计模型的输入为激励电价、输出为虚拟弹性矩阵；实时获取当前轮次的激励电价，将当前轮次的激励电价分别输入特性辨识模型和弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵；基于实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足，若满足，则当前轮次的激励电价为最优激励电价，实时响应用电量为最优响应用电量，若不满足，则基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，基于增量优化模型获得最优激励电价和最优响应用电量；基于所述最优激励电价和所述最优响应用电量对非侵入式柔性负荷进行聚合优化控制。在这种情况下，综合面向柔性负荷的特性辨识模型和弹性估计模型，以及迭代协同的增量优化模型，以获得最优激励电价和最优响应用电量，从而对非侵入式柔性负荷的聚合优化控制。由此，能够提升柔性负荷的聚合优化精确度。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1示出本公开实施例提供的一种非侵入式柔性负荷聚合特性辨识与优化方法的流程示意图；
图2示出本公开实施例提供的另一种非侵入式柔性负荷聚合特性辨识与优化方法的流程示意图；
图3示出本公开实施例提供的一种非侵入式柔性负荷聚合特性辨识与优化装置的框图；
图4是用来实现本公开实施例的非侵入式柔性负荷聚合特性辨识与优化方法的非侵入式柔性负荷聚合特性辨识与优化设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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公开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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。还应当理解，本公开中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
本公开提供了一种非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备，主要目的在于提升柔性负荷的聚合优化精确度。本公开的非侵入式柔性负荷聚合特性辨识与优化方法主要面向负荷服务商、负荷聚合商、配网调度中心、微电网控制中心等主体，还可以用以提升柔性负荷集群的协调控制精度与效率。
在第一个实施例中，图1示出本公开实施例提供的一种非侵入式柔性负荷聚合特性辨识与优化方法的流程示意图。
如图1所示，具体地，该非侵入式柔性负荷聚合特性辨识与优化方法，包括：
步骤S11，获取面向柔性负荷的特性辨识模型，特性辨识模型的输入为激励电价，特性辨识模型的输出为响应用电量。
在本实施例中，步骤S11中获取的面向柔性负荷的特性辨识模型可以是直接读取的留存的面向柔性负荷的特性辨识模型，也可以是通过建立新的模型训练获得的。
具体地，在步骤S11中，建立的特性辨识模型的输入为激励电价，特性辨识模型的输出为响应用电量，该特性辨识模型的表达式如下：
Figure BDA0003850016280000051
式中，t是第一时间序号，其取值范围为1至T。prc表示激励电价向量，prc＝[prc1,prc2,…,prcT]。
Figure BDA0003850016280000052
是估计的第t时段的响应用电量(也即各柔性负荷的聚合用电总量)。Dt(·)是表征柔性负荷价格响应特性的映射函数，该映射函数为本步骤需要辨识的对象。
在一些实施例中，步骤S11中，建立的特性辨识模型为面向特性辨识的机器学习模型，其中机器学习模型可以采用多输入多输出的机器学习模型。
在一些实施例中，机器学习模型例如为神经网络模型，也即采用多输入多输出的神经网络对映射函数进行建模从而获得特性辨识模型。其中多输入为多个时段的激励电价，多输出为各时段的响应用电量。例如神经网络模型的输入为第1时段至第T时段的激励电价，输出为第1时段至第T时段的响应用电量。
在一些实施例中，步骤S11中，多输入多输出的神经网络模型的中间层结构可以根据需求灵活设置，一般可以设置成多层全连接层、卷积层、池化层等，另外，神经网络模型的激活函数也可以根据需要选择。
在一些实施例中，步骤S11中，为了确保多输入多输出的神经网络模型的估计效果，多输入多输出的神经网络模型的参数组合可以选定多组。各组参数组合分别为候选参数组合。以便后续针对不同的候选参数组合进行神经网络超参数优化后再择优获得所需的特性辨识模型。
在步骤S11中，对建立的面向特性辨识的神经网络模型进行训练，具体地，利用激励电价和响应用电量构成第一训练数据集，将神经网络模型的损失函数设置为均方误差函数，并利用第一训练数据集采用随机梯度下降或Adam等算法对面向特性辨识的神经网络模型进行训练。其中，训练时涉及的各种函数和算法的各项参数可以通过初始配置(后续描述)获取。第一训练数据集中的数据可以通过初始配置的历史数据库获取。
在一些实施例中，考虑到机器学习模型的训练效果受到较多因素影响，通常需要反复调试以获得理想的结果，因此步骤S11中特性辨识模型在训练过程中采用超参数优化方法。若机器学习模型为神经网络模型，则在训练过程中采用针对神经网络的超参数优化方法。具体地，逐一调用上述本步骤中提及的各候选参数组合，对具有不同候选参数组合的神经网络模型重复进行多次训练，计算平均性能，将平均性能最优的候选参数组合作为第一最佳的参数组合。其中多次训练例如为5次训练。利用第一最佳的参数组合训练后获得的神经网络模型即为所需的特性辨识模型。
在一些实施例中，若在初始配置时获取有机器学习模型精度下限要求，例如神经网络估计精度下限要求，则在步骤S11中还需要对利用第一最佳的参数组合得到的所需的特性辨识模型，进行模型精度判断，若模型精度无法满足要求，则需要扩大候选参数组合，针对扩大的候选参数组合进行额外的训练与测试，重新确定所需的特性辨识模型，直至模型精度达标为止。
步骤S12，获取面向柔性负荷的弹性估计模型，弹性估计模型的输入为激励电价，弹性估计模型的输出为虚拟弹性矩阵。
在本实施例中，步骤S12中获取面向柔性负荷的弹性估计模型之前，先利用步骤S11得到的特性辨识模型生成虚拟弹性数据。其中因为该弹性并不能直接通过量测得到，而只能进行近似估算，因此称作虚拟弹性。虚拟弹性本质上就是柔性负荷价格响应特性的灵敏度表征，具体可以使用虚拟弹性矩阵进行描述，该矩阵维数是T行T列，第t行第τ列元素的物理意义是第τ时段用电量关于第t时段电价的灵敏度。因此，直接按照虚拟弹性矩阵的定义，就可以直接生成对应的虚拟弹性数据库，其数据量与初始配置中的历史数据库的数据量维持一致。普遍认为柔性负荷的虚拟弹性矩阵应该具有对称性，然而由于机器学习模型例如神经网络模型无法避免估计误差，因此生成的虚拟弹性数据难以受到误差影响，无法保持弹性矩阵天然的对称特性。为降低误差的影响，引入一种对称化修正方法，该修正方法的具体公式表达式如下：
Figure BDA0003850016280000071
式中，els是原始生成的矩阵数据，通过将els与其转置矩阵elsT求平均，构造出了对称矩阵
Figure BDA0003850016280000072
另外还对弹性估计中的极端值进行削减，一般使用3-Sigma准则判定极端值。
在本实施例中，步骤S12中先利用步骤S11得到的特性辨识模型生成虚拟弹性数据具体包括：将历史数据库中的激励电价输入特性辨识模型生成响应用电量，基于激励电价和生成的响应用电量按照虚拟弹性矩阵的定义，直接生成对应的虚拟弹性数据，将生成的虚拟弹性数据经过上述的修正处理和极端值削减处理，从而获得所需的虚拟弹性数据。该所需的虚拟弹性数据后续用于弹性估计模型的训练。
在本实施例中，步骤S12中获取的面向柔性负荷的弹性估计模型可以是直接读取的留存的面向柔性负荷的弹性估计模型，也可以是通过建立新的模型训练获得的。
具体地，在步骤S12中，建立的弹性估计模型的输入为激励电价，弹性估计模型的输出为虚拟弹性矩阵，该弹性估计模型的表达式如下：
Figure BDA0003850016280000073
式中，t是第一时间序号，其取值范围为1至T。τ是第二时间序号，其取值范围为1至T。第一时间序号t、第二时间序号τ分别对应虚拟弹性矩阵中的行数和列数，
Figure BDA0003850016280000074
是估计弹性(即虚拟弹性数据)，具体对应虚拟弹性矩阵中第t行第τ列元素，Etτ(·)是表征柔性负荷弹性特征的映射函数，该映射函数为本步骤需要辨识的对象。
在一些实施例中，步骤S12中，建立的弹性估计模型为面向弹性估计的机器学习模型，其中机器学习模型可以采用多输入多输出的机器学习模型。
在一些实施例中，机器学习模型例如为神经网络模型，也即采用多输入多输出的神经网络对映射函数进行建模从而获得弹性估计模型。其中多输入为多个时段的激励电价，多输出为各时段的虚拟弹性矩阵。例如神经网络模型的输入为第1时段至第T时段的激励电价，输出为第1时段至第T时段的T2个弹性元素。对输出向量(即输出的弹性元素)重新排列即可得到估计的虚拟弹性矩阵。
在一些实施例中，步骤S12中，多输入多输出的神经网络模型的中间层结构可以根据需求灵活设置。另外考虑到弹性估计训练的难度较大，一般选择的中间层结构相较于步骤S11中的神经网络模型的中间层结构更复杂。另外，神经网络模型的激活函数也可以根据需要选择。
在一些实施例中，步骤S12中，为了确保多输入多输出的神经网络模型的估计效果，多输入多输出的神经网络模型的参数组合可以选定多组。各组参数组合分别为候选参数组合。以便后续针对不同的候选参数组合进行神经网络超参数优化后再择优获得所需的弹性估计模型。
在步骤S12中，对建立的面向弹性估计的神经网络模型进行训练，具体地，利用激励电价和虚拟弹性矩阵构成第二训练数据集，将神经网络模型的损失函数设置为均方误差函数，并利用第二训练数据集采用随机梯度下降或Adam等算法对面向弹性估计的神经网络模型进行训练。其中，训练时涉及的各种函数和算法的各项参数可以通过初始配置获取。第二训练数据集中的激励电价可以通过初始配置中历史数据库获取。第二训练数据集中的虚拟弹性矩阵为本步骤中利用特性辨识模型生成的虚拟弹性数据。
在一些实施例中，考虑到机器学习模型的训练效果受到较多因素影响，通常需要反复调试以获得理想的结果，因此步骤S12中弹性估计模型在训练过程中采用超参数优化方法。若机器学习模型为神经网络模型，则在训练过程中采用针对神经网络的超参数优化方法。具体地，逐一调用上述本步骤中提及的各候选参数组合，对具有不同候选参数组合的神经网络模型重复进行多次训练，计算平均性能，将平均性能最优的候选参数组合作为第二最佳的参数组合。其中多次训练例如为5次训练。利用第二最佳的参数组合训练后获得的神经网络模型即为所需的特性辨识模型。
在一些实施例中，若在初始配置时获取有机器学习模型精度下限要求，例如神经网络估计精度下限要求，则在步骤S12中还需要对利用第二最佳的参数组合得到的所需的弹性估计模型，进行模型精度判断，若模型精度无法满足要求，则需要扩大候选参数组合，针对扩大的候选参数组合进行额外的训练与测试，重新确定所需的弹性估计模型，直至模型精度达标为止。
在一些实施例中，在步骤S11获取面向柔性负荷的特性辨识模型和步骤S12获取弹性估计模型之前还包括进行初始配置。进行初始配置可以包括检查通讯网络状态、导入历史数据库、导入历史经验模型和读取聚合优化的各类参数与性能要求等。其中，导入的历史经验模型可以是以前留存的面向柔性负荷的特性辨识模型和弹性估计模型。读取聚合优化的各类参数与性能要求包括但不限于模型训练时涉及的各种函数和算法的各项参数。
步骤S13，实时获取当前轮次的激励电价，将当前轮次的激励电价分别输入特性辨识模型和弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵。
在本实施例中，步骤S13及后续步骤采用迭代算法，设置迭代轮次系数。迭代轮次系数可以用符号k表示。若当前轮次为第k轮，则当前轮次的激励电价即第k轮的激励电价可以表示为prc(k)。将第t时段的当前轮次的激励电价prct(k)输入步骤S11中获取的特性辨识模型输出实时响应用电量，将第t时段的当前轮次的激励电价prct(k)输入步骤S12中获取的弹性估计模型输出实时虚拟弹性矩阵。实时响应用电量可以表示为Dt(prc(k))，Dt(prc(k))可以简化表示为Dt(k)，实时虚拟弹性矩阵可以表示为Etτ(prc(k))，Etτ(prc(k))可以简化表示为Etτ(k)。另外，步骤S11中获取的特性辨识模型和步骤S12中获取的弹性估计模型的表达式的符号也可以基于迭代轮次系数进行适应性调整。
在一些实施例中，在步骤S13首次调用特性辨识模型和弹性估计模型时，特性辨识模型和弹性估计模型的输入(即激励电价)需要进行初值设置，其中设置的初值可以是初始配置中读取的初始激励电价数据。后续的迭代中调用特性辨识模型和弹性估计模型时，特性辨识模型和弹性估计模型的输入即为实时获取的当前轮次的激励电价。将当前轮次的激励电价分别输入特性辨识模型和弹性估计模型，对应输出实时响应用电量(即实时负荷响应)和实时虚拟弹性矩阵(即弹性结果)。
步骤S14，基于实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足。
在步骤S14中，系统安全约束可以从初始配置的聚合优化的各类参数与性能要求中读取。基于步骤S13得到的实时响应用电量和实时虚拟弹性矩阵，可以结合系统安全约束的表达式，计算并判断系统安全约束的满足情况。例如常见的系统安全约束是系统容量限制约束，若基于实时响应用电量得到的所有响应用电量之和超过给定的容量限制值，则系统安全约束不满足；否则系统安全约束满足。
另外，步骤S14中若系统安全约束有多种约束，则需要判定所有系统安全约束是否满足，若所有系统安全约束满足，说明此时柔性负荷状态不会造成系统运行风险。然而系统安全约束常常无法全部得到满足，这种情况在系统输电通道资源有限的条件下很常见。此时需要继续运行迭代计算来调整激励电价，进而改变柔性负荷的响应用电量，经过多轮迭代，最终使得安全约束得到满足。
步骤S15，若满足，则当前轮次的激励电价为最优激励电价，实时响应用电量为最优响应用电量，若不满足，则基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，基于增量优化模型获得最优激励电价和最优响应用电量。
在步骤S15中，系统安全约束满足时，当前轮次的激励电价为最优激励电价，实时响应用电量为最优响应用电量，进入步骤S16中基于最优激励电价和最优响应用电量对非侵入式柔性负荷进行聚合优化控制；系统安全约束不满足时，基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，并对增量优化模型进行求解。
在步骤S15中，若系统安全约束不满足，则基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，具体包括：
步骤S151、构建增量优化模型的目标函数：增量优化模型是一类应用于柔性负荷聚合优化的特殊模型，该模型的核心思想是将一个复杂聚合优化过程转化成一系列计算阶段，每个阶段基于某给定状态，判断如何通过状态微调，实现目标函数值的改进。如此经过一个个计算阶段，即可得到令目标函数值逐步改进的状态序列。
每个计算阶段(即每个轮次)都需要更新增量优化模型，该模型的目标函数如下：
min∑tDt(k)·[prct(k+1)-prct(k)]+M∑tΔt
式中，Δt是一个约束松弛辅助变量，M是一个足够大的罚参数，该罚参数的典型取值为104或106。实时响应用电量Dt(k)由步骤S11中获取的特性辨识模型提供的，其能够表现出神经网络-优化模型的迭代协同特征。增量优化模型的目标函数体现了最小化系统调度成本，其中第t时段的当前轮次的激励电价prct(k)和实时响应用电量Dt(k)在当前轮次被设定为常数，而第t时段的下一轮次的激励电价prct(k+1)是优化变量。
步骤S152、构建增量优化模型的约束条件：增量优化模型一般包括三类约束，三类约束分别是系统安全约束、激励电价迭代步长约束和变量取值范围约束。
对于系统安全约束而言，系统安全约束可以从初始配置的聚合优化的各类参数与性能要求中读取，下面以系统容量限制约束为例说明该系统安全约束。系统容量限制约束的表达式如下：
Figure BDA0003850016280000111
式中，CAPt为第t时段的容量限制值，该容量限制值有时会取定一个和时间无关的常数值。prcτ(k+1)为第τ时段的下一轮次的激励电价。prcτ(k)为第τ时段的当前轮次的激励电价。Δt是用于约束松弛的辅助变量，该变量的主要功能是避免安全约束不可行导致优化求解过程中断。添加Δt进行优化，总可以得到优化解，如果此时Δt＝0，说明原安全约束可行；否则原安全约束不可行。容易看出，上述系统容量限制约束也具有神经网络-优化模型迭代协同的特征。此外需要再次说明的是，系统安全约束形式多种多样，不仅限于上述形式，而其他约束可类似地参考系统容量限制约束，引入辅助变量进行松弛化建模转换。
对于激励电价迭代步长约束而言，激励电价迭代步长约束的表达式如下：
Figure BDA0003850016280000112
式中，δ是给定的步长上限，该步长上限可以从初始配置中获取，通常δ取值过大容易导致收敛过程震荡；而取值过小则会使得收敛速度缓慢。在实际应用中需要根据经验进行合理设置。
对于变量取值范围约束而言，变量取值范围约束的表达式如下：
Figure BDA0003850016280000113
Figure BDA0003850016280000114
式中，约束含义是激励电价不低于初始激励电价prcτ(0)，而且辅助变量为非负实数。在一些实施例中，除了上述两个取值范围限制外，还可能根据部分柔性负荷特殊的运行特性引入额外的限定性约束，以保证系统运行在合理区间内。
步骤S153、合成增量优化模型：将步骤S151构建的目标函数与步骤S152构建的一系列约束条件结合，即可得到完整的增量优化模型。该增量优化模型一般为线性规划模型，如果部分约束为非线性约束，可以通过局部线性化的方法转化成线性约束。
在步骤S15中，构建增量优化模型后对该增量优化模型进行求解，由于增量优化模型可以建模为线性规划模型，故使用常见的优化求解软件即可对增量优化模型进行高效求解。
另外由于各轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建可能不同，因此每个轮次都需要更新增量优化模型重新求解，即实际在迭代过程中，需要不断更新增量优化模型并进行求解，这种方法也称作基于序列线性规划的求解技术，具有求解效率高、鲁棒性好、通用性强的突出优势。
步骤S16，基于最优激励电价和最优响应用电量对非侵入式柔性负荷进行聚合优化控制。
在本实施例中，步骤S16中还可以进一步判断收敛性。收敛性判断过程包括：获取相邻轮次的最优激励电价，基于相邻轮次的最优激励电价判断收敛中止条件是否满足；若满足，则基于最优激励电价和最优响应用电量对非侵入式柔性负荷进行聚合优化控制；若不满足，则更新当前轮次，基于实时获取的更新后的当前轮次的激励电价获得新的最优激励电价和新的最优响应用电量。
例如，针对步骤S15获得的最优激励电价，判断最优激励电价是否达到收敛中止条件，收敛需满足如下表达式：
maxt‖prct(k+1)-prct(k)‖≤tol
式中，tol代表收敛判据的边界值，当两次迭代(即两个轮次)中的激励电价充分接近时认为迭代已经收敛。具体需要先计算各个时刻的激励电价的绝对值误差，并判断其中的最大误差与给定的收敛判据的边界值的大小关系，若最大误差小于边界值，则说明充分接近，算法已经收敛。当满足收敛中止条件后，则整理并输出结果，并基于最优激励电价和最优响应用电量，对非侵入式柔性负荷的聚合优化控制。若不满足收敛中止条件，则在完成必要的记录工作后，将迭代轮次系数增加1(即k←k+1)，此时更新了当前轮次，并跳转到步骤S13，开展下一轮迭代计算，获得新的最优激励电价和新的最优响应用电量。
另外，在收敛性判断的过程中，还需要记录当前轮次计算的各项细节，包括迭代中得到的激励电价与响应用电量，以及各项约束检查与收敛性检查记录等。
在一些实施例中，满足收敛中止条件后整理并输出结果具体是指：整理核对聚合优化结果并将最优激励电价发给各个柔性负荷，此外，还需要整理整个计算过程的优化结果与过程记录，记录内容具体包括：(1)步骤S15获得的最优结果，最优结果例如包括求解状态、最优激励电价、柔性负荷的最优聚合用电量(即最优响应用电量)；(2)收敛性判断的过程记录下的每轮迭代计算结果，迭代计算结果例如包括激励电价变化轨迹、激励电价迭代变化量、聚合用电量变化轨迹；(3)整个运行过程中各类日志报告。
图2示出本公开实施例提供的另一种非侵入式柔性负荷聚合特性辨识与优化方法的流程示意图。
在一些实施例中，如图2所示的非侵入式柔性负荷聚合特性辨识与优化方法包括：
步骤S21，开展初始配置。
在步骤S21中，进行初始配置一般包括四步，四步分别是检查通讯网络状态(步骤S211)、导入历史数据库(步骤S212)、导入历史经验模型(步骤S213)和读取聚合优化的各类参数与性能要求(步骤S214)。
在步骤S211中，检查控制中心与柔性负荷之间的通信渠道畅通。对于无法通信联络上的柔性负荷，需要挂起通信线路异常状态，并尽快安排运维检修。同时需要在负荷列表当中标明通信异常状态，这类负荷将不参与后续的聚合优化与控制。
在步骤S212中，历史数据指激励电价与激励电价下的响应用电量，数据按单个柔性负荷的形式记录，每组数据为一个包含电价及对应的用电量的元组。历史数据库需要及时更新，通常可保留近3-5年的数据记录，后续这些历史数据将用于柔性负荷特性辨识。
在步骤S213中，历史经验模型指过去业务中留存的模型，典型模型形式是神经网络。如果没有过往留存的模型，则该步骤可以省略。
在步骤S214中，聚合优化的各类参数包括初始激励电价数据、系统安全约束表达式、系统运行边界参数(如时段数、容量限制)、优化算法参数(如收敛判据边界值、迭代步长参数)等等。性能要求包括机器学习模型精度下限要求(例如神经网络估计精度下限要求)、计算速度要求、计算精度要求、过程记录日志配置等等。
步骤S22，离线训练特性辨识模型。
在步骤S22中，需要建立或读取面向柔性负荷的特性辨识模型，若步骤S213中的历史经验模型包括面向柔性负荷的特性辨识模型，则直接从步骤S213中读取面向柔性负荷的特性辨识模型，并跳转至步骤S23；若步骤S213中的历史经验模型没有面向柔性负荷的特性辨识模型，则在此步骤中建立新的面向柔性负荷的特性辨识模型，并进行训练。其中新建的面向柔性负荷的特性辨识模型和训练可以参照步骤S11中的相关描述。
步骤S23，离线训练弹性估计模型。
在步骤S23中，需要建立或读取面向柔性负荷的弹性估计模型，若步骤S213中的历史经验模型包括面向柔性负荷的弹性估计模型，则直接从步骤S213中读取面向柔性负荷的弹性估计模型，并跳转至步骤S24；若步骤S213中的历史经验模型没有面向柔性负荷的弹性估计模型，则在此步骤中建立新的面向柔性负荷的弹性估计模型，并进行训练。其中新建的面向柔性负荷的弹性估计模型和训练可以参照步骤S12中的相关描述。
步骤S24，在线计算实时负荷响应与弹性。
在步骤S24中，在线计算实时负荷响应与弹性包括：实时获取当前轮次的激励电价，将当前轮次的激励电价分别输入特性辨识模型和弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵。具体可参见步骤S13中的相关描述。
步骤S25，判断系统约束满足情况。
在步骤S25中，系统约束即系统安全约束。系统安全约束可以从初始配置的聚合优化的各类参数与性能要求中读取。若系统安全约束满足条件则可以直接跳转至步骤S28，进行结果整理与输出。若不满足，则进入步骤S26。系统约束的判断具体可以参见步骤S14中的相关描述。
步骤S26，构建与求解增量优化模型。
在步骤S26中，增量优化模型的构建与求解具体可以参见步骤S15中的相关描述。
步骤S27，判断收敛性。
在步骤S27中，当满足收敛中止条件后，则进入步骤S28；否则在完成必要的记录工作后，将轮次序号增加1，并跳转到S24，开展下一轮迭代计算。收敛性的判断具体可以参见步骤S16中的相关描述。
步骤S28，整理并输出结果。
在步骤S28中，整理和输出结果具体可以参见步骤S16中的相关描述。
在本公开实施例的非侵入式柔性负荷聚合特性辨识与优化方法中，获取面向柔性负荷的特性辨识模型和弹性估计模型，特性辨识模型的输入为激励电价、输出为响应用电量；弹性估计模型的输入为激励电价、输出为虚拟弹性矩阵；实时获取当前轮次的激励电价，将当前轮次的激励电价分别输入特性辨识模型和弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵；基于实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足，若满足，则当前轮次的激励电价为最优激励电价，实时响应用电量为最优响应用电量，若不满足，则基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，基于增量优化模型获得最优激励电价和最优响应用电量；基于所述最优激励电价和所述最优响应用电量对非侵入式柔性负荷进行聚合优化控制。在这种情况下，综合面向柔性负荷的特性辨识模型和弹性估计模型，以及迭代协同的增量优化模型，以获得最优激励电价和最优响应用电量，从而对非侵入式柔性负荷的聚合优化控制。由此，能够提升柔性负荷的聚合优化精确度。另外，考虑到非侵入式辨识技术去除了信息上报环节，转而利用统计方法来建立外特性的等效映射关系，本公开的方法在此基础上进行了一系列拓展开发，具体建立了基于神经网络的新型非侵入式辨识技术，将其应用于柔性负荷聚合特性的辨识任务中，并进一步提出内嵌辨识模型的聚合优化技术，主要面向配电网调度机构、微电网控制中心、负荷聚集商、售电商等主体，具体流程包括：开展初始配置、离线训练特性辨识模型、离线训练弹性估计模型、在线计算实时负荷响应与弹性、判断系统约束满足情况、构建与求解增量优化模型、判断收敛性、整理并输出结果。本公开的方法具体采用了神经网络及神经网络-优化模型迭代协同两项关键技术，能够在保障隐私不泄露的前提下大幅提升柔性负荷的聚合优化精确度，适用于不同类型的柔性负荷，能够大幅提升负荷侧资源的运行效率与管理水平，工业应用前景广阔。
下述为本公开系统实施例，可以用于执行本公开方法实施例。对于本公开系统实施例中未披露的细节，请参照本公开方法实施例。
请参见图3，图3示出本公开实施例提供的一种非侵入式柔性负荷聚合特性辨识与优化系统的框图。该非侵入式柔性负荷聚合特性辨识与优化装置10包括特性辨识模块11、弹性估计模块12、实时数据处理模块13、判断模块14、结果生成模块15和控制模块16，其中：
特性辨识模块11，用于获取面向柔性负荷的特性辨识模型，特性辨识模型的输入为激励电价，特性辨识模型的输出为响应用电量；
弹性估计模块12，用于获取面向柔性负荷的弹性估计模型，弹性估计模型的输入为激励电价，弹性估计模型的输出为虚拟弹性矩阵；
实时数据处理模块13，用于实时获取当前轮次的激励电价，将当前轮次的激励电价分别输入特性辨识模型和弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵；
判断模块14，用于基于实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足，若满足则生成约束满足指令，若不满足则生成约束不满足指令；
结果生成模块15，用于在收到约束满足指令时，将当前轮次的激励电价作为最优激励电价，实时响应用电量作为最优响应用电量，在收到约束不满足指令时，基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，基于增量优化模型获得最优激励电价和最优响应用电量；
控制模块16，用于基于最优激励电价和最优响应用电量对非侵入式柔性负荷进行聚合优化控制。
可选地，判断模块14，还用于获取相邻轮次的最优激励电价，基于相邻轮次的最优激励电价判断收敛中止条件是否满足，若满足则生成收敛满足指令，若不满足则生成收敛不满足指令；
可选地，控制模块16，还用于在收到收敛满足指令时，基于最优激励电价和最优响应用电量对非侵入式柔性负荷进行聚合优化控制；
可选地，实时数据处理模块13，还用于在收到收敛不满足指令时，更新当前轮次，基于更新后的当前轮次，实时获取更新后的当前轮次的激励电价，输出新的实时响应用电量和新的实时虚拟弹性矩阵。
可选地，特性辨识模型采用多输入多输出的机器学习模型，其中多输入为多个时段的激励电价，多输出为各时段的响应用电量。
可选地，弹性估计模型采用多输入多输出的机器学习模型，其中多输入为多个时段的激励电价，多输出为各时段的虚拟弹性矩阵。
可选地，特性辨识模型和弹性估计模型在训练过程中分别采用超参数优化方法。
可选地，在特性辨识模块11获取面向柔性负荷的特性辨识模型之前和弹性估计模块12获取面向柔性负荷的弹性估计模型之前控制模块16还用于进行初始配置。
需要说明的是，前述对非侵入式柔性负荷聚合特性辨识与优化方法实施例的解释说明也适用于该实施例的非侵入式柔性负荷聚合特性辨识与优化装置，此处不在赘述。
在本公开实施例的非侵入式柔性负荷聚合特性辨识与优化装置中，特性辨识模块获取面向柔性负荷的特性辨识模型，特性辨识模型的输入为激励电价，特性辨识模型的输出为响应用电量；弹性估计模块获取面向柔性负荷的弹性估计模型，弹性估计模型的输入为激励电价，弹性估计模型的输出为虚拟弹性矩阵；实时数据处理模块实时获取当前轮次的激励电价，将当前轮次的激励电价分别输入特性辨识模型和弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵；判断模块基于实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足，若满足则生成约束满足指令，若不满足则生成约束不满足指令；结果生成模块在收到约束满足指令时，将当前轮次的激励电价作为最优激励电价，实时响应用电量作为最优响应用电量，在收到约束不满足指令时，基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，基于增量优化模型获得最优激励电价和最优响应用电量；控制模块基于最优激励电价和最优响应用电量对非侵入式柔性负荷进行聚合优化控制。在这种情况下，综合面向柔性负荷的特性辨识模型和弹性估计模型，以及迭代协同的增量优化模型，以获得最优激励电价和最优响应用电量，从而对非侵入式柔性负荷的聚合优化控制。由此，能够提升柔性负荷的聚合优化精确度。另外，考虑到非侵入式辨识技术去除了信息上报环节，转而利用统计方法来建立外特性的等效映射关系，本公开的装置在此基础上进行了一系列拓展开发，具体建立了基于神经网络的新型非侵入式辨识技术，将其应用于柔性负荷聚合特性的辨识任务中，并进一步提出内嵌辨识模型的聚合优化技术，主要面向配电网调度机构、微电网控制中心、负荷聚集商、售电商等主体，具体流程包括：开展初始配置、离线训练特性辨识模型、离线训练弹性估计模型、在线计算实时负荷响应与弹性、判断系统约束满足情况、构建与求解增量优化模型、判断收敛性、整理并输出结果。本公开的装置具体采用了神经网络及神经网络-优化模型迭代协同两项关键技术，能够在保障隐私不泄露的前提下大幅提升柔性负荷的聚合优化精确度，适用于不同类型的柔性负荷，能够大幅提升负荷侧资源的运行效率与管理水平，工业应用前景广阔。
根据本公开的实施例，本公开还提供了一种非侵入式柔性负荷聚合特性辨识与优化设备、一种可读存储介质和一种计算机程序产品。
图4是用来实现本公开实施例的非侵入式柔性负荷聚合特性辨识与优化方法的非侵入式柔性负荷聚合特性辨识与优化设备的框图。非侵入式柔性负荷聚合特性辨识与优化设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。非侵入式柔性负荷聚合特性辨识与优化设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴非侵入式柔性负荷聚合特性辨识与优化设备和其它类似的计算装置。本公开所示的部件、部件的连接和关系、以及部件的功能仅仅作为示例，并且不意在限制本公开中描述的和/或者要求的本公开的实现。
如图4所示，非侵入式柔性负荷聚合特性辨识与优化设备20包括计算单元21，其可以根据存储在只读存储器(ROM)22中的计算机程序或者从存储单元28加载到随机访问存储器(RAM)23中的计算机程序，来执行各种适当的动作和处理。在RAM 23中，还可存储非侵入式柔性负荷聚合特性辨识与优化设备20操作所需的各种程序和数据。计算单元21、ROM 22以及RAM23通过总线24彼此相连。输入/输出(I/O)接口25也连接至总线24。
非侵入式柔性负荷聚合特性辨识与优化设备20中的多个部件连接至I/O接口25，包括：输入单元26，例如键盘、鼠标等；输出单元27，例如各种类型的显示器、扬声器等；存储单元28，例如磁盘、光盘等，存储单元28与计算单元21通信连接；以及通信单元29，例如网卡、调制解调器、无线通信收发机等。通信单元29允许非侵入式柔性负荷聚合特性辨识与优化设备20通过诸如因特网的计算机网络和/或各种电信网络与其他非侵入式柔性负荷聚合特性辨识与优化设备交换信息/数据。
计算单元21可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元21的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元21执行上述所描述的各个方法和处理，例如执行非侵入式柔性负荷聚合特性辨识与优化方法。例如，在一些实施例中，非侵入式柔性负荷聚合特性辨识与优化方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元28。在一些实施例中，计算机程序的部分或者全部可以经由ROM 22和/或通信单元29而被载入和/或安装到非侵入式柔性负荷聚合特性辨识与优化设备20上。当计算机程序加载到RAM 23并由计算单元21执行时，可以执行上述描述的非侵入式柔性负荷聚合特性辨识与优化方法的一个或多个步骤。备选地，在其他实施例中，计算单元21可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行非侵入式柔性负荷聚合特性辨识与优化方法。
本公开中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑非侵入式柔性负荷聚合特性辨识与优化设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或非侵入式柔性负荷聚合特性辨识与优化设备使用或与指令执行系统、装置或非侵入式柔性负荷聚合特性辨识与优化设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或非侵入式柔性负荷聚合特性辨识与优化设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存非侵入式柔性负荷聚合特性辨识与优化设备、磁储存非侵入式柔性负荷聚合特性辨识与优化设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本公开在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种非侵入式柔性负荷聚合特性辨识与优化方法，其特征在于，包括：
获取面向柔性负荷的特性辨识模型，所述特性辨识模型的输入为激励电价，所述特性辨识模型的输出为响应用电量；
获取面向柔性负荷的弹性估计模型，所述弹性估计模型的输入为激励电价，所述弹性估计模型的输出为虚拟弹性矩阵；
实时获取当前轮次的激励电价，将所述当前轮次的激励电价分别输入所述特性辨识模型和所述弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵；
基于所述实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足；
若满足，则当前轮次的激励电价为最优激励电价，实时响应用电量为最优响应用电量，若不满足，则基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，基于所述增量优化模型获得最优激励电价和最优响应用电量；
基于所述最优激励电价和所述最优响应用电量对非侵入式柔性负荷进行聚合优化控制。
2.如权利要求1所述的非侵入式柔性负荷聚合特性辨识与优化方法，其特征在于，还包括：
获取相邻轮次的最优激励电价，基于所述相邻轮次的最优激励电价判断收敛中止条件是否满足；
若满足，则基于最优激励电价和最优响应用电量对非侵入式柔性负荷进行聚合优化控制；若不满足，则更新当前轮次，基于实时获取的更新后的当前轮次的激励电价获得新的最优激励电价和新的最优响应用电量。
3.如权利要求1或2所述的非侵入式柔性负荷聚合特性辨识与优化方法，其特征在于，所述特性辨识模型和所述弹性估计模型分别采用多输入多输出的机器学习模型，其中所述特性辨识模型的多输入为多个时段的激励电价，所述特性辨识模型的多输出为各时段的响应用电量，所述弹性估计模型的多输入为多个时段的激励电价，所述弹性估计模型的多输出为各时段的虚拟弹性矩阵。
4.如权利要求3所述的非侵入式柔性负荷聚合特性辨识与优化方法，其特征在于，所述特性辨识模型和所述弹性估计模型在训练过程中分别采用超参数优化方法。
5.如权利要求4所述的非侵入式柔性负荷聚合特性辨识与优化方法，其特征在于，在获取面向柔性负荷的特性辨识模型和弹性估计模型之前还包括进行初始配置。
6.如权利要求5所述的非侵入式柔性负荷聚合特性辨识与优化方法，其特征在于，进行初始配置包括检查通讯网络状态、导入历史数据库、导入历史经验模型，以及读取聚合优化的各类参数与性能要求。
7.一种非侵入式柔性负荷聚合特性辨识与优化装置，其特征在于，包括：
特性辨识模块，用于获取面向柔性负荷的特性辨识模型，所述特性辨识模型的输入为激励电价，所述特性辨识模型的输出为响应用电量；
弹性估计模块，用于获取面向柔性负荷的弹性估计模型，所述弹性估计模型的输入为激励电价，所述弹性估计模型的输出为虚拟弹性矩阵；
实时数据处理模块，用于实时获取当前轮次的激励电价，将所述当前轮次的激励电价分别输入所述特性辨识模型和所述弹性估计模型以输出实时响应用电量和实时虚拟弹性矩阵；
判断模块，用于基于所述实时响应用电量和实时虚拟弹性矩阵判断系统安全约束是否满足，若满足则生成约束满足指令，若不满足则生成约束不满足指令；
结果生成模块，用于在收到约束满足指令时，将当前轮次的激励电价作为最优激励电价，实时响应用电量作为最优响应用电量，在收到约束不满足指令时，基于当前轮次的激励电价、实时响应用电量和实时虚拟弹性矩阵构建增量优化模型，基于所述增量优化模型获得最优激励电价和最优响应用电量；
控制模块，用于基于所述最优激励电价和所述最优响应用电量对非侵入式柔性负荷进行聚合优化控制。
8.如权利要求7所述的非侵入式柔性负荷聚合特性辨识与优化装置，其特征在于，
所述判断模块，还用于获取相邻轮次的最优激励电价，基于所述相邻轮次的最优激励电价判断收敛中止条件是否满足，若满足则生成收敛满足指令，若不满足则生成收敛不满足指令；
所述控制模块，还用于在收到收敛满足指令时，基于所述最优激励电价和所述最优响应用电量对非侵入式柔性负荷进行聚合优化控制；
所述实时数据处理模块，还用于在收到收敛不满足指令时，更新当前轮次，基于更新后的当前轮次，实时获取更新后的当前轮次的激励电价，输出新的实时响应用电量和新的实时虚拟弹性矩阵。
9.如权利要求8所述的非侵入式柔性负荷聚合特性辨识与优化装置，其特征在于，所述特性辨识模型和所述弹性估计模型分别采用多输入多输出的机器学习模型。
10.一种非侵入式柔性负荷聚合特性辨识与优化设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的非侵入式柔性负荷聚合特性辨识与优化方法。
CN202211128637.XA 2022-09-16 2022-09-16 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 Pending CN115629576A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211128637.XA CN115629576A (zh) 2022-09-16 2022-09-16 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备
PCT/CN2023/119007 WO2024056051A1 (zh) 2022-09-16 2023-09-15 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211128637.XA CN115629576A (zh) 2022-09-16 2022-09-16 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备

Publications (1)

Publication Number Publication Date
CN115629576A true CN115629576A (zh) 2023-01-20

Family

ID=84903528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211128637.XA Pending CN115629576A (zh) 2022-09-16 2022-09-16 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备

Country Status (2)

Country Link
CN (1) CN115629576A (zh)
WO (1) WO2024056051A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024056051A1 (zh) * 2022-09-16 2024-03-21 清华大学 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11301941B2 (en) * 2017-06-12 2022-04-12 Tata Consultancy Services Limited Systems and methods for optimizing incentives for demand response
CN107451677A (zh) * 2017-06-27 2017-12-08 浙江大学 一种考虑激励机制电量电价弹性矩阵的耗电量估测方法
CN111210051B (zh) * 2019-12-13 2023-09-22 贵州电网有限责任公司 一种用户用电行为预测方法及系统
CN111724210A (zh) * 2020-06-23 2020-09-29 华中科技大学 一种基于价格弹性系数矩阵的电力需求响应调控方法
CN115629576A (zh) * 2022-09-16 2023-01-20 清华大学 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024056051A1 (zh) * 2022-09-16 2024-03-21 清华大学 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备

Also Published As

Publication number Publication date
WO2024056051A1 (zh) 2024-03-21

Similar Documents

Publication Publication Date Title
Seghir et al. A hybrid approach using genetic and fruit fly optimization algorithms for QoS-aware cloud service composition
Zhou et al. Multi-objective artificial bee colony algorithm for short-term scheduling of hydrothermal system
CN113239639B (zh) 策略信息生成方法、装置、电子装置和存储介质
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
US20240054020A1 (en) Computing resource configuration methods and apparatuses
WO2024056051A1 (zh) 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备
CN114302418A (zh) 网元设备性能的检测方法、装置及计算机可读介质
Wang et al. Improving economic values of day‐ahead load forecasts to real‐time power system operations
Dong et al. Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
Leithon et al. Task scheduling strategies for utility maximization in a renewable-powered IoT node
CN114297934A (zh) 一种基于代理模型的模型参数并行仿真优化方法及装置
Wang et al. Transmission network dynamic planning based on a double deep-Q network with deep ResNet
Gang et al. Dynamic economic emission dispatch with wind power based on improved multi‐objective brain storm optimisation algorithm
CN102708298B (zh) 一种车载通信系统电磁兼容指标分配方法
CN108108837A (zh) 一种地区新能源电源结构优化预测方法和系统
CN116227180A (zh) 基于数据驱动的机组组合智能决策方法
CN113112311B (zh) 训练因果推断模型的方法、信息提示方法以装置
CN115796341A (zh) 一种基于碳效码的企业低碳经济表现的协同测度方法
JP7060130B1 (ja) 運用支援装置、運用支援方法及びプログラム
Wu et al. Multi-objective optimization design of constant stress accelerated degradation test using inverse Gaussian process
CN115051360A (zh) 集成式知识迁移的电力系统运行风险在线计算方法与装置
CN116316537A (zh) 输电线路运行控制方法、装置、设备、介质和程序产品
Zhang Study on cultural algorithm
Paul et al. Planning for resilient power distribution systems using risk-based quantification and Q-learning

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