【技术实现步骤摘要】
本专利技术属于需求响应潜力预测领域，更具体地，涉及用户响应机制下基于lstm的负荷聚合商建模方法。
技术介绍
1、近年来，随着电力需求不断增长和负荷结构的改变，用电峰谷差逐年加大，季节性电力紧缺时有发生，仅靠发电侧调节难以保证电力供需平衡，为此需调用需求侧资源参与电力调节缓解供电压力。当前电网侧一般采用需求响应(demand response,dr)的方式对需求侧进行调节，但一般仅面向大型工业用户和负荷聚合商(load aggregator,la)，底层中小型用户需求响应潜力没有得到有效利用。la作为电力代理商，可通过实施用户需求响应的方式引导底层用户调整用电行为，从而响应电网需求。la准确掌握底层用户的响应能力后，能针对底层用户制定合理的用户需求响应(user demand response,udr)政策，提高la自身经济性和用户参与度，并提高响应的可靠性。因此la需建立其用电模型，即了解所有用户考虑自身主体目标和la的不同激励条件下所呈现的整体响应行为具有重要意义。
2、由于用户用能具有一定的不确定性，而且不同用户的激励方式和响应方式不同，难以获得la整体的用电行为。目前已有学者针对la用电模型建模展开研究。有学者根据单个温控负荷的物理模型和统计学原理，建立了考虑用户响应不确定性的温控负荷聚合模型。有学者引入了需求价格弹性，分析了自弹性和交叉弹性的具体建模过程，提出了分时电价下大型电力用户的负荷响应模型。有学者使用区间法表征社区综合能源系统dr的不确定性，但由于只使用了用户响应能力的边界表征其响应的不确定性，所以
3、此外，有学者通过数据驱动的方式对la的用电模型进行建模，此类方法根据内部用户的历史用电数据建立la的用电模型。有学者根据用户的申报参与率、有效响应率等数据，基于时序分解的方法，建立了激励型用户的响应模型。采用半监督学习的方式识别动态电价下单个家庭的需求响应潜力。也有学者利用用户历史数据、电价、温度、湿度等数据，构建了一个基于时序网络的电价激励下的用户用能模型。然而，上述研究中，la对内部所有用户实施单一激励方式；实际上，la往往包含多类用户，不同用户的使用同一种激励方式无法完全激发用户的需求响应潜力。由于用户种类众多导致数据维度过大，这给la建模提出了新的挑战。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提出一种用户响应机制下基于lstm的负荷聚合商建模方法，能有效预测la的响应能力。
2、为实现上述目的，本专利技术采用如下技术方案：
3、一种用户响应机制下基于lstm的负荷聚合商建模方法，其特征在于，该方法包括如下步骤：
4、步骤1：分析la内部用户响应特性，建立各用户响应模型，生成用户响应数据；
5、步骤2：基于用户激励类型对用户数据进行聚合生成数据样本集；
6、步骤3：构建相应的lstm网络模型，并根据训练样本对模型进行训练。
7、本技术方案进一步的优化，la由能源管理中心和各类用户构成。la在日前收到来自电网的dr指令时，la的能源管理中心会根据构建的用电模型模拟用户的响应行为，并考虑自身经济性制定合理的udr政策，激励底层用户调整用电需求，从而响应电网需求。所述la内部包含居民用户、商业楼宇型用户、充电站、医院四类用户。商业楼宇、充电站和医院的用电需求由各自的运营商整体调控，响应能力比较稳定，一般采用激励型用户需求响应进行调控；社区由众多家庭单元组成，各个家庭之间用电习惯差异较大，难以直接调控，一般通过调整分时电价的平谷电价差和平谷时段引导用户有序用电。
8、本技术方案进一步的优化，所述步骤1的各用户响应模型如下所示：
9、步骤1.1:构建居民型用户响应模型：
10、所述居民型用户内部包含刚性设备、家用光伏设备和可调设备，可调设备按照调节方式的不同可分为可削减设备、可转移设备和可平移设备。其响应模型可表示为：
11、
12、其中，cele(k)分别为第k个时段的可削减负荷的不满意度代价、购电需求、居民电价。
13、步骤1.2:构建商业楼宇型用户响应模型：
14、所述商业楼宇型用户内部主要包含空调和一些刚性设备，可通过调节空调功率实现高峰时段负荷削减。其响应模型可表示为：
15、
16、其中，εair(k)、分别为第k个时段空调的原始用电功率、实际用电功率、补贴价格和负荷削减造成的不满意度代价。
17、步骤1.3：构建医院的响应模型：
18、医院的用电需求来源于医疗、电梯、照明、空调等设备，对供能可靠性的要求较高。医院管理者可通过调节空调、热水器等设备功率实现负荷削减。但相较于商业用户而言，医院的刚性设备较多，可削减设备用电占比较低，响应能力较差。其响应模型可表示为：
19、
20、其中，εcut(k)、分别为第k个时段可削减设备的原始用电功率、实际用电功率、补贴价格和负荷削减造成的不满意度代价。
21、步骤1.4：构建充电站的响应模型：
22、充电站主要负荷需求来源于顾客的充电需求。充电站运营商收到邀约信息后调整峰谷平各时段的服务电价，引导顾客调整充电时段，实现负荷转移。其响应模型可表示为：
23、
24、其中，cserve(k)、εtr(k)、分别为充电站的购电功率、原始购电功率、零售电价、负荷聚合商补贴价格、光伏设备出力。
25、本技术方案进一步的优化，所述步骤2数据分类聚合过程如下：
26、步骤2.1：价格型用户样本聚合：
27、针对居民型用户这类价格型用户，从采集的历史环境数据集e中选取一组环境数据e＝(h,g)，其中包括温度曲线h＝(h(0),h(1),…,h(k-1))t和光照强度曲线g＝(gpv(0),gpv(1),…,gpv(k-1))t；将选取的环境数据e、用户在环境数据e下的历史负荷基线和la发布的分时电价cele＝(cele(0),cele(1),…cele(k-1))t作为该用户的用能影响因素，得到其特征矩阵并将其特征矩阵输入用户的优化模型中，可以得到用户在某一响应度响应曲线将其响应曲线作为样本标签一组作为一个样本对，抽取不同环境数据，调整分时电价得到用户在不同响应度下的响应曲线，生成im组样本构成用户的样本集
28、步骤2.2：激励型用户样本聚合：
29、针对商业楼宇、充电站和医院这类激励型用户，从数据集e抽取一组环境数据，将环境数据、该环境下用户的负荷基线和la对用户发布的补偿电价εn＝(εn(0),…,εn(k-1))t作为该用户的用能特征，得到其特征矩阵并将其特征矩阵输入该用户的优化模型中可以得到用户在当前激励下的本文档来自技高网...
【技术保护点】
1.用户响应机制下基于LSTM的负荷聚合商用电模型建模方法，其特征在于，包括以下步骤：
2.如权利要求1所述的用户响应机制下基于LSTM的负荷聚合商用电模型建模方法，
3.如权利要求1所述的用户响应机制下基于LSTM的负荷聚合商用电模型建模方法，
4.如权利要求3所述的用户响应机制下基于LSTM的负荷聚合商用电模型建模方法，
5.如权利要求4所述的用户响应机制下基于LSTM的负荷聚合商用电模型建模方法，其特征在于，所述步骤3的LSTM网络结构和训练过程如下所示：
【技术特征摘要】
1.用户响应机制下基于lstm的负荷聚合商用电模型建模方法，其特征在于，包括以下步骤：
2.如权利要求1所述的用户响应机制下基于lstm的负荷聚合商用电模型建模方法，
3.如权利要求1所述的用户响应机制下基于lstm的负荷聚合商用电模...
【专利技术属性】
技术研发人员：唐昊，吴寅涛，方道宏，王涛，税清龙，吴伟豪，黄健，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。