一种考虑不完全信息的激励性需求响应双层协同优化方法技术

本发明专利技术提出一种考虑不完全信息的激励性需求响应双层协同优化方法，该方法包括模型和优化算法：即激励型需求响应马尔科夫决策双层模型，同时采用深度确定性策略梯度算法优化求解。具体步骤如下：1.建立激励型需求响应数学模型，得到负荷聚合商和用户博弈方式；2.建立反映负荷聚合商和用户博弈的激励型需求响应马尔科夫决策双层模型；3.采用提出的马尔科夫决策双层模型和深度确定性策略梯度算法生成训练的样本；4.利用已得到的样本，采用提出的深度确定性策略梯度算法作用于激励型需求响应优化求解。本发明专利技术可以避免获取用户的隐私信息，即使在不完全信息下也能达到最优解，同时避免由于决策变量离散化导致的局部最优解或维数诅咒。维数诅咒。维数诅咒。

【技术实现步骤摘要】
一种考虑不完全信息的激励性需求响应双层协同优化方法


[0001]本专利技术属于电力系统激励型需求响应领域，具体是一种考虑不完全信息的激励性需求响应双层协同优化方法。

技术介绍

[0002]随着电力系统的不断改革，需求侧用户已经不仅仅只是电能的接受者，通过对需求侧管理这一手段，可以使用户主动参与电网的调节。需求响应作为智能电网极其重要的一部分，根据价格或补贴等手段，改变用户的用能方式，实现电力系统中调频、负荷的削峰填谷等作用，以相对较低的成本大大地提高了电力系统的稳定性。同时，需求响应引导用户用电量从高负荷时段向低负荷时段转移或者或在高负荷时段削减用电量，为用户提供了更多的选择，使得用户的用电方式更加灵活，用户的用电成本显著减低。
[0003]在目前的激励型需求响应中，通常涉及到电网运行者、负荷聚合商、用户等多主体之间的博弈。现有研究中，大多仅考虑后两者之间博弈，并通常将模型建立为主从博弈模型。主从博弈是电力系统中常见的博弈方式，一般应用在一对多的单寡头垄断中。而负荷聚合商和用户就是这种形式，其中负荷聚合商占据主导地位。其博弈过程为负荷聚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑不完全信息的激励性需求响应双层协同优化方法，其特征在于，包括以下步骤：(1)建立激励型需求响应数学模型，得到负荷聚合商和用户博弈方式；(2)建立反映负荷聚合商和用户博弈的激励型需求响应马尔科夫决策双层模型；(3)采用提出的马尔科夫决策双层模型和深度确定性策略梯度算法生成训练的样本；(4)利用已得到的样本，采用提出的深度确定性策略梯度算法作用于激励型需求响应优化求解。2.如权利要求1所述的考虑不完全信息的激励性需求响应双层协同优化方法，其特征在于，所述步骤(1)中激励型需求响应数学模型为：负荷聚合商：负荷聚合商：λ
min
≤λ
i,h
≤λ
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)ΔP
min
≤ΔP
i,h
≤ΔP
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中λ
G
为电网运营商付给负荷聚合商的奖励价格，一般是签订协议的固定价格；ΔP
L,h
用户在h时刻总响应量之和；p
h
为h时刻电价；λ
i,h
为负荷聚合商在h时刻给用户i的激励价格；ΔP
i,h
为i用户在h时的响应量；λ
min
、λ
max
分别为负荷聚合商激励价格的最低下限和最高上限，ΔP
min
、ΔP
max
分别为用户响应量的最小值和最大值；用户：其中D
i,h
为用户i在t时刻的不满意度成本。3.如权利要求2所述的考虑不完全信息的激励性需求响应双层协同优化方法，其特征在于，所述D
i,h
通过下式获得：其中α
i
、β
i
是代表不同类型用户在激励型需求响应中行为意愿的用户因素；α
i
代表用户i的响应意愿，当用户的α越大时，就会产生更多的不满意成本；β
i
为用户i在激励型需求响应中的最小激励价格。4.如权利要求1或2或3所述的考虑不完全信息的激励性需求响应双层协同优化方法，其特征在于，步骤(2)所述的反映负荷聚合商和用户博弈的激励型需求响应马尔科夫决策双层模型为：状态s
t
：我们将该时刻的负荷、电价以及各个用户的响应量作为状态变量：s
h
＝(L
h
,p
h
,ΔP1,...,ΔP
I
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)动作a
h
：动作变量a
h
为负荷...

【专利技术属性】
技术研发人员：刘辉，马斯宇，谢海敏，汪旎，黄立冬，
申请(专利权)人：广西大学，
类型：发明
国别省市：