一种基于机器学习的家庭产消者功率优化管理方法技术

本发明专利技术公开了一种基于机器学习的家庭产消者功率优化管理方法，首先，建立基于机器学习的家庭产消者功率管理系统模型；然后，采集历史数据，代入长短期记忆LSTM网络进行离线训练；最后，在线采集数据输入LSTM，在线生成调度结果，对储能下达调度指令。该方法在分时电价的激励下管理家庭的用电情况，包括光伏功率、用电负荷与储能的充放电，管理的目标为用电费用最低。本发明专利技术根据光伏发电功率、用电负荷大小的情况在线地控制储能的充放电以达到管理目标。

An optimal power management method for household consumers based on machine learning

【技术实现步骤摘要】
一种基于机器学习的家庭产消者功率优化管理方法
本专利技术属于电力系统优化调度领域，具体涉及一种基于机器学习技术的家庭产消者功率优化管理方法。
技术介绍
为了减轻环境污染和气候变化，可持续/可再生能源已基本纳入电网。为了更好地利用随机可再生能源，已有越来越多的家庭安装了光伏面板与电池储能设备，使其从单纯的电能消费者转化成为了电能的产消者(具有发电能力的消费者)。为了最大限度地提高光伏储能系统的效益，家庭产消者配备了家庭能源管理系统(homeenergymanagementsystem，HEMS)，以调度和协调电能使用。需求响应(DR)能够有效地降低居民的用电量和成本，近年来受到越来越多的关注。向家庭产消者提供电价激励以优化用电曲线是实施需求响应的常见方式之一。由于家庭的用电需求和光伏发电均具有随机性，HEMS所承担的优化问题是一个具有不同不确定性来源的，在时间上具有连续性的决策过程。解决这些随机问题的传统方法有混合整数线性规划(mixedintegerlinerprogramming，MILP)等，但其高昂的在线计算负担，和强大的预测依赖本文档来自技高网...

【技术保护点】
1.一种基于机器学习的家庭产消者功率优化管理方法，所述产消者指具有发电能力的消费者，其特征在于，包括如下步骤：/n步骤A.建立基于机器学习的家庭产消者功率管理系统模型；/n步骤B.采集历史数据，代入长短期记忆LSTM网络进行离线训练；/n步骤C.在线采集数据输入LSTM网络，在线生成调度结果，对储能下达调度指令。/n

【技术特征摘要】
1.一种基于机器学习的家庭产消者功率优化管理方法，所述产消者指具有发电能力的消费者，其特征在于，包括如下步骤：
步骤A.建立基于机器学习的家庭产消者功率管理系统模型；
步骤B.采集历史数据，代入长短期记忆LSTM网络进行离线训练；
步骤C.在线采集数据输入LSTM网络，在线生成调度结果，对储能下达调度指令。


2.根据权利要求1所述的一种基于机器学习的家庭产消者功率优化管理方法，其特征在于，步骤A所述的建立基于机器学习的家庭产消者功率管理系统模型的过程包括：
首先，为一户人家所组成的一个家庭产消者系统配置一个LSTM神经网络；
然后，设置LSTM网络的输入与输出，为了便于管理，将调度总时间区间划分为T个长度为τ的时段，对每一时段执行一次功率调度；
设置每个LSTM网络在当前时段的输出为下一时间段的储能的荷电状态SOC的值，输入量为预测SOC需要考虑的系统状态量，包括分时电价、负荷用电功率与光伏发电功率；设置好网络的输入、输出后，建立LSTM网络的下一时段SOC预测模型如式(1)所示：



其中，s(t)表示家庭储能在第t个时段的SOC,即LSTM网络的输出；n代表预测的时间依赖性，即预测下一个时段的储能SOC需要考虑多少个先前状态；u表示预测SOC需要考虑的系统状态量，即LSTM网络的输入，它包括分时电价(cTOU)、光伏输出功率(PPV)、负荷用电功率(Pd)；f表示由LSTM网络得到的输入与输出间的映射关系；符号^用于表示预测值，即由LSTM预测出的SOC的决策结果；即储能在第t+1时段的预测SOC；
根据LSTM网络的记忆能力，上述式(1)被写作式(2)：



其中k用来指示第t+k个预测状态，与从第t-n+1个历史状态到第t+k-1个历史状态都有关；
代入输入变量，所述家庭产消者功率管理模型可以表达为式(3)：



根据式(3)得到下一时段预测...

【专利技术属性】
技术研发人员：周华嫣然，周羿宏，胡俊杰，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11