一种电力用户行为预测方法技术

本发明专利技术公开了一种电力用户行为预测方法，构建负荷聚合商模式下的激励型需求响应模型；根据激励型需求响应模型获取历史电力用户负荷量、激励价格；将历史电力用户负荷量、激励价格作为训练样本，对LSTM神经网络进行训练，得到训练后的LSTM神经网络；将已知的激励价格输入训练后的LSTM神经网络，预测出电力用户负荷量。本发明专利技术提供的一种电力用户行为预测方法，显著提高了电力用户行为的预测精度，能够准确预测负荷聚合商的响应行为。预测负荷聚合商的响应行为。预测负荷聚合商的响应行为。

【技术实现步骤摘要】
一种电力用户行为预测方法


[0001]本专利技术涉及一种电力用户行为预测方法，属于电力用户响应行为预测


技术介绍

[0002]随着需求响应激励政策的不断落实，电力用户参与电网调度的广度、深度也不断的提高。负荷资源作为需求侧资源之一，通过一系列途径，例如经济补贴手段、强制法律手段、宣传手段等调整用户负荷或者用电模式，引导用户科学合理的用电，提升电网灵活性，降低电网调峰压力。
[0003]但是，根据用户行为调整负荷资源具有很强的不确定性，限制了需求响应服务的发展。随着负荷类型与数量的不断发展，传统的电网侧集中调度用户使用负荷量面临极大挑战，负荷聚合商参与电力市场调度就显得尤为重要，目前大部分需求响应中的负荷预测侧重于对用户负载的预测，缺乏对用户在负荷聚合商模式下的用户行为的不确定性预测。因此，本领域技术人员急需要设计出新的负荷预测的方法，以提高电力市场调度精准度。

技术实现思路

[0004]目的：为了克服现有技术中存在的不足，本专利技术提供一种电力用户行为预测方法。
[0005]技术方案：为解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种电力用户行为预测方法，包括如下步骤：
[0007]步骤S1、构建负荷聚合商模式下的激励型需求响应模型。
[0008]步骤S2、根据激励型需求响应模型获取历史电力用户负荷量、激励价格。
[0009]步骤S3、将历史电力用户负荷量、激励价格作为训练样本，对LSTM神经网络进行训练，得到训练后的LSTM神经网络。
[0010]步骤S4、将已知的激励价格输入训练后的LSTM神经网络，预测出电力用户负荷量。
[0011]作为优选方案，所述负荷聚合商模式下的激励型需求响应模型，包括：电力企业、负荷聚合商和可参与需求响应的电力用户。电力企业与负荷聚合商提前设定价格并签订合同，电力企业依据自身运行情况判断是否需要用户侧参与调节，若需要则提前向负荷聚合商下发负荷调节量指标。由于不同用户参与电网调节的成本各不相同，负荷聚合商根据自身利益调节电力用户负荷量并给与相应的激励价格。
[0012]作为优选方案，所述电力用户负荷量包括：工业园区负荷、商业温控负荷、电动汽车、照明负荷、供热通风与空气调节负荷、家用负荷。
[0013]作为优选方案，影响电力用户负荷量对不同激励价格的响应的因素，包括：
[0014](1)备选方案的可用性。
[0015](2)用户的当前负载状态。
[0016](3)用电支出占总支出的比例。
[0017](4)外部环境。
[0018]作为优选方案，所述LSTM神经网络构建如下所示：
[0019]LSTM通过3个控制门单元：遗忘门、输入门、输出门，选择保留或者丢弃信息。
[0020]在LSTM结构中，遗忘门决定何种信息被保留。遗忘门读取上一时刻的状态信息h
t
‑1和当前时刻的输入信息x
t
，然后向细胞输出0至1位数字，当输出值为0，将丢弃所有信息，当输出值为1，将保留所有信息。细胞中存储的信息是前一次的状态信息，根据遗忘门的输入，只保留有用的信息。遗忘门更新公式见式：
[0021]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
[0022]式中，σ表示sigmoid函数，W
f
表示遗忘门的权重，b
f
表示遗忘门的偏置常数，h
t
‑1表示上一时刻的输出，x
t
表示当前时刻的输入。
[0023]输入门利用sigmoid函数处理生成输入量，同时使用tanh函数生成候选值向量。输入门更新公式如下:
[0024]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0025][0026]式中，W
i
、b
i
分别表示输入的权重和偏置常数。W
C
、b
C
分别表示候选向量的权重和偏置常数，表示一个候选值向量。
[0027]细胞记录了上一时刻状态，并基于当前输入数据，更新细胞中的状态信息。细胞格的更新公式见如下:
[0028][0029]更新细胞的状态后，需要根据细胞状态内容和当前输入，即用户的预期响应量，确定要输出的内容。输出门更新公式见式:
[0030]O
t
＝σ(W
O
·
[h
t
‑1,x
t
]+b
O
)
[0031]h
t
＝O
t
×
tanh(C
t
)
[0032]式中，W
O
、b
O
分别是输出门的重量和偏移量。
[0033]作为优选方案，所述LSTM神经网络采用梯度下降法对参数进行训练。
[0034]有益效果：本专利技术提供的一种电力用户行为预测方法，本专利技术显著提高了电力用户行为的预测精度，能够准确预测负荷聚合商的响应行为。
附图说明
[0035]图1是本专利技术电力用户行为预测方法流程图。
[0036]图2是本专利技术负荷聚合商模式下的需求响应实现过程。
[0037]图3是几种预测方法的负荷预测结果与真实值对比的示意图。
[0038]图4是逐点平均绝对百分比误差对比几种预测方法的示意图。
具体实施方式
[0039]以下结合附图和具体实施方式对本专利技术提出的一种电力用户行为预测方法作进一步详细说明。根据下面说明，本专利技术的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本专利技术实施方式的目的。为了使本专利技术的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的
人士了解与阅读，并非用以限定本专利技术实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。
[0040]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力用户行为预测方法，其特征在于：包括如下步骤：步骤S1、构建负荷聚合商模式下的激励型需求响应模型；步骤S2、根据激励型需求响应模型获取历史电力用户负荷量、激励价格；步骤S3、将历史电力用户负荷量、激励价格作为训练样本，对LSTM神经网络进行训练，得到训练后的LSTM神经网络；步骤S4、将已知的激励价格输入训练后的LSTM神经网络，预测出电力用户负荷量。2.根据权利要求1所述的一种电力用户行为预测方法，其特征在于：所述负荷聚合商模式下的激励型需求响应模型，包括：电力企业、负荷聚合商和可参与需求响应的电力用户；电力企业与负荷聚合商提前设定价格并签订合同，电力企业依据自身运行情况判断是否需要用户侧参与调节，若需要则提前向负荷聚合商下发负荷调节量指标；由于不同用户参与电网调节的成本各不相同，负荷聚合商根据自身利益调节电力用户负荷量并给与相应的激励价格。3.根据权利要求1所述的一种电力用户行为预测方法，其特征在于：所述电力用户负荷量包括：工业园区负荷、商业温控负荷、电动汽车、照明负荷、供热通风与空气调节负荷、家用负荷。4.根据权利要求1所述的一种电力用户行为预测方法，其特征在于：影响电力用户负荷量对不同激励价格的响应的因素，包括：(1)备选方案的可用性；(2)用户的当前负载状态；(3)用电支出占总支出的比例；(4)外部环境。5.根据权利要求1所述的一种电力用户行为预测方法，其特征在于：所述LSTM神经网络构建如下所示：LSTM通过3个控制门单元：遗忘门、输入门、输出门，选择保留或者丢弃信息。6.根据权利要求5所述的一种电力用户行为预测方法，其特征在于：所述遗忘门更新公式见式：f
t
＝σ(W

【专利技术属性】
技术研发人员：夏飞，汤铭，王鹏飞，杜元翰，王凌，胡游君，刘军，邱玉祥，张磊，刘赛，高雪，晁凯，杨勰，
申请(专利权)人：南京南瑞信息通信科技有限公司，
类型：发明
国别省市：