考虑用户功率曲线缺失的需求响应能力确定方法和系统技术方案

本发明专利技术公开考虑用户功率曲线缺失的需求响应能力确定方法和系统，采集用户功率信息确定用户功率曲线信息；基于用户功率曲线信息，利用预先训练的神经网络模型预测获得用户功率曲线缺失部分；根据用户功率曲线缺失部分与设定阈值的比较结果，确定需求响应能力。本发明专利技术在用户数据不完整的情况下，提供一种可靠的用户功率曲线预测方法，根据预测结果与设定阈值的比较结果确定需求响应能力，能够获得需求响应的最大潜力，保障需求响应实行效果。保障需求响应实行效果。保障需求响应实行效果。

【技术实现步骤摘要】
考虑用户功率曲线缺失的需求响应能力确定方法和系统


[0001]本专利技术涉及电力需求侧管理
，具体涉及考虑用户功率曲线缺失的需求响应能力确定方法。

技术介绍

[0002]近年来，伴随经济社会的快速发展以及新能源发电的爆发式增长，电网供需平衡面临新的挑战。一方面，清洁能源容量不断增长，电源侧不确定性增加。风能、太阳能等清洁可再生能源，都具有随机性、间歇性、波动性特征。清洁能源的大规模、常态化接入使电网电源侧随机性持续提升，显著增加了电网供需平衡的难度，带来了电网平稳运行的新挑战；另一方面，弹性负荷持续增长，电网呈现双侧随机性。随着中国城镇化进程及公司电能替代战略的推进和极端气候的频繁显现，弹性负荷持续快速增长的现象十分突出，将成为长期趋势。
[0003]目前负荷资源主要采用用户自主控制，存在感知能力差、响应速度慢等问题，不能满足电力系统的实时功率平衡调度需求，传统新建调峰机组和输配电网的措施难以经济、高效的解决上述问题。应用“大云物移智链”等技术手段赋能电网，从根本上改变电网运行机理，提高电网辅助服务能力，提升运行效益。
[0004]虚拟电厂、综合能源优化运行是实现能源互联网宏伟目标的两大核心途径，而负荷预测是这两大业务的关键技术，负荷预测的精度决定了业务场景运营的成效。现有技术普遍通过负荷特性分析对用户的宏观响应特性进行整体评估，无法进行算法的自我迭代与评估，同时存在预测方法适用性较低、预测精度不高等问题。

技术实现思路

[0005]本专利技术针对目前用户功率的预测方法适用性较低、预测精度不高等问题，提出考虑用户功率曲线缺失的需求响应能力确定方法。
[0006]为实现上述方法，本专利技术采用以下技术方案。
[0007]考虑用户功率曲线缺失的需求响应能力确定方法，包括：采集用户功率信息确定用户功率曲线信息；基于用户功率曲线信息，利用预先训练的神经网络模型预测获得用户功率曲线缺失部分；
[0008]根据用户功率曲线缺失部分与设定阈值的比较结果，确定需求响应能力。
[0009]进一步地，所述神经网络模型采用LSTM神经网络，包括输入门、遗忘门和输出门。
[0010]进一步地，所述神经网络模型的训练方法包括：
[0011]采集用户历史功率数据，对用户历史功率数据进行预处理；
[0012]将预处理后的用户历史功率数据分为训练集和测试集；
[0013]将训练集输入所述神经网络模型进行向前传播预测；
[0014]利用神经网络模型预测获得用户功率预测值；
[0015]将用户功率预测值与用户历史功率数据进行比较，计算误差；
[0016]根据计算出来的误差，以及网络前传的梯度更新网络参数；
[0017]利用测试集验证神经网络模型的预测精度，当精度不满足要求则调整神经网络模型的参数直至预测精度满足要求。
[0018]进一步地，使用平方损失函数，其标准形式如下：
[0019][0020]其中Y表示标准数据，f(X)表示模型预测值。
[0021]再进一步地，用户历史功率数据之后包括对用户历史功率数据进行预处理，所述预处理包括：去除唯一属性的用户历史功率数据，所述唯一属性指对应特定用户的属性。
[0022]再进一步地，用户历史功率数据之后包括对用户历史功率数据进行预处理，所述预处理包括将用户历史功率数据标准化处理。
[0023]再进一步地，其特征在于，采用反向传播及梯度更新神经网络模型参数。
[0024]另一方面，本专利技术还提供了考虑用户功率曲线缺失的需求响应能力确定系统，包括：数据采集模块、神经网络模型、以及需求响应能力确定模块；
[0025]所述数据采集模块，用于采集用户功率信息确定用户功率曲线信息；
[0026]所述神经网络模型，用于基于用户功率曲线信息，测获得用户功率曲线缺失部分；
[0027]所述需求响应能力确定模块，用于根据用户功率曲线缺失部分与设定阈值的比较结果，确定需求响应能力。
[0028]进一步地，所述神经网络模型采用LSTM神经网络，包括输入门、遗忘门和输出门，所述神经网络模型的训练方法包括：
[0029]采集用户历史功率数据，对用户历史功率数据进行预处理；
[0030]将预处理后的用户历史功率数据分为训练集和测试集；
[0031]将训练集输入所述神经网络模型进行向前传播预测；
[0032]利用神经网络模型预测获得用户功率预测值；
[0033]将用户功率预测值与用户历史功率数据进行比较，计算误差；
[0034]根据计算出来的误差，以及网络前传的梯度更新网络参数；
[0035]利用测试集验证神经网络模型的预测精度，当精度不满足要求则调整神经网络模型的参数直至预测精度满足要求。
[0036]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如以上技术方案任意一种可能的实施方式所提供的方法的步骤。
[0037]本专利技术所取得的有益技术效果：本专利技术在用户数据不完整的情况下，提供一种可靠的用户功率曲线预测方法，根据预测结果与设定阈值的比较结果确定需求响应能力，能够获得需求响应的最大潜力，保障需求响应实行效果。
附图说明
[0038]图1是本专利技术具体实施例中方法流程示意图；
[0039]图2是本专利技术具体实施例中神经网络模型训练方法流程示意图；
[0040]图3是本专利技术具体实施例中训练神经网络模型过程中的拟合情况示意图；
[0041]图4是专利技术具体实施例中采集的具有缺失部分用户功率曲线；
[0042]图5是专利技术具体实施例中利用神经网络模型补充了数据缺失部分的用户功率曲线。
具体实施方式
[0043]下面将结合本专利技术中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0044]实施例1：考虑用户功率曲线缺失的需求响应能力确定方法，如图1所示，包括：
[0045]基于数据信息系统的用户历史功率曲线，训练神经网络模型。具体训练过程包括：
[0046]步骤(A)，对数据信息系统中提取的数据进行预处理，以时间T
i
为自变量，功率P
t
为因变量，用户数为N。进行训练数据的划分，将数据80％作为训练集合，20％作为验证集，然后生成训练测试所需要的输入数据批次。
[0047]步骤(B)，神经网络模型采用LSTM神经网络，网络初始化包括三个门模块，用于控制全局数据以及一个记忆模块，用于对数据的处理：
[0048]该网络中输入门计算公式为：
[0049]遗忘门的计算公式为：
[0050]输出门计算公式为：
[0051]对于记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.考虑用户功率曲线缺失的需求响应能力确定方法，其特征在于，包括：采集用户功率信息，确定用户功率曲线信息；基于用户功率曲线信息，利用预先训练的神经网络模型预测获得用户功率曲线缺失部分；根据用户功率曲线缺失部分与设定阈值的比较结果，确定需求响应能力。2.根据权利要求1所述的考虑用户功率曲线缺失的需求响应能力确定方法，其特征在于，所述神经网络模型采用LSTM神经网络，包括输入门、遗忘门和输出门。3.根据权利要求1所述的考虑用户功率曲线缺失的需求响应能力确定方法，其特征在于，所述神经网络模型的训练方法包括：采集用户历史功率数据，对用户历史功率数据进行预处理；将预处理后的用户历史功率数据分为训练集和测试集；将训练集输入所述神经网络模型进行向前传播预测；利用神经网络模型预测获得用户功率预测值；将用户功率预测值与用户历史功率数据进行比较，计算误差；根据计算出来的误差，以及网络前传的梯度更新网络参数；利用测试集验证神经网络模型的预测精度，当精度不满足要求则调整神经网络模型的参数直至预测精度满足要求。4.根据权利要求1所述的考虑用户功率曲线缺失的需求响应能力确定方法，其特征在于，所述神经网络模型使用平方损失函数，其标准形式如下：L(Y|f(X))＝∑
N
(Y
‑
f(X))2其中Y表示标准数据，f(X)表示模型预测值，X表示输入值。5.根据权利要求3所述的考虑用户功率曲线缺失的需求响应能力确定方法，其特征在于，采集用户历史功率数据之后包括对用户历史功率数据进行预处理，所述预处理包括：去除唯一属性的用户历史功率数据，所述唯一属性指对应特定用户的属性。...

【专利技术属性】
技术研发人员：林慧婕，宋杰，徐石明，王朝亮，肖涛，李亦龙，熊炫棠，张卫国，顾琳琳，郑红娟，
申请(专利权)人：国网电力科学研究院有限公司国网浙江省电力有限公司营销服务中心国电南瑞南京控制系统有限公司国电南瑞科技股份有限公司南瑞集团有限公司，
类型：发明
国别省市：