一种电力用户行为预测方法与流程

1.本发明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领域。


背景技术：

2.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。
3.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。


技术实现要素：

4.目的：为了克服现有技术中存在的不足，本发明提供一种电力用户行为预测方法。
5.技术方案：为解决上述技术问题，本发明采用的技术方案为：
6.一种电力用户行为预测方法，包括如下步骤：
7.步骤s1、构建负荷聚合商模式下的激励型需求响应模型。
8.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。
9.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。
10.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。
11.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。
12.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。
13.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：
14.(1)备选方案的可用性。
15.(2)用户的当前负载状态。
16.(3)用电支出占总支出的比例。
17.(4)外部环境。
18.作为优选方案，所述lstm神经网络构建如下所示：
19.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。
20.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：
21.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：本发明提供的一种电力用户行为预测方法，本发明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是本发明电力用户行为预测方法流程图。
[0036]
图2是本发明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发明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，本发明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、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、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，并非用以限定本发明实施的限定条件，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，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
[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，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0041]
为了保证用户侧调节量能够满足电力企业要求，负荷聚合商所提供的负荷调节量应具有一定的冗余，因此，可要求负荷聚合商在调节期内即使未参与调度的负荷必须进行测试，以保证负荷聚合商所提供的负荷调节量能够应对突发情况，否则将受到处罚。若负荷聚合商上报的负荷容量较少，利润就会减少，并且如果未达到电力企业的负荷调节目标会受到一定程度的惩罚。因此，负荷聚合商在整合需求侧资源参与电力市场时，需要对电力用户行为即电力用户的负荷进行精确的预测。
[0042]
结合附图1所示，本实施例提供的一种电力用户行为预测方法，包括如下步骤：
[0043]
步骤s1、构建负荷聚合商模式下的激励型需求响应模型。
[0044]
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。
[0045]
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。
[0046]
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。
[0047]
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。
[0048]
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。
[0049]
电力用户负荷量对不同激励价格的响应受到多种因素的影响。主要包含以下几点因素：
[0050]
(1)备选方案的可用性。如利用其他非电力设备代替电力设备，并且效果相差不大，在这种情况下，用户的响应灵活性可能很高。
[0051]
(2)用户的当前负载状态。如果当前负载较高，可中断或可转移负载相对较大，用户更有可能对激励做出响应，响应弹性较高。
[0052]
(3)用电支出占总支出的比例。一般情况下，当用户经济状况较好时，电费支出占其总支出的比例较小，用户可能对激励不太敏感。相反，用户可能对激励更敏感。
[0053]
(4)外部环境。例如，在夏季中午的高温下，用户的需求弹性可能较低。因此，如果负荷聚合商希望通过激励使得用户更换或关闭温控设备以减少负载，则需要较高的成本。
而在晚上，随着外部环境温度的降低，用户的需求弹性可能会增加。
[0054]
所述lstm神经网络构建如下所示：
[0055]
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。
[0056]
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：
[0057]
f
t
＝σ(w
f
·
[h
t
‑1,x
t
] b
f
)
[0058]
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。
[0059]
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:
[0060]
i
t
＝σ(w
i
·
[h
t
‑1,x
t
] b
i
)
[0061][0062]
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。
[0063]
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:
[0064][0065]
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:
[0066]
o
t
＝σ(w
o
·
[h
t
‑1,x
t
] b
o
)
[0067]
h
t
＝o
t
×
tanh(c
t
)
[0068]
式中，w
o
、b
o
分别是输出门的重量和偏移量。
[0069]
训练lstm神经网络时，使用梯度下降法对参数进行训练。若用θ来表示神经网络的参数(权重和偏差)，则loss(θ)表示整个网络的损失函数。优化过程是找到一个参数θ，使得loss(θ)最小。梯度下降法沿着梯度的相反方向(即参数朝着总损耗变小的方向)以迭代方式更新参数θ:
[0070][0071]
式中，α表示学习率，loss表示预测值和实际值之间的均方误差，表示损失函数权重。
[0072]
在训练中利用梯度下降法可有效缩短训练时间，即在每次迭代中，随机选取训练样本的损失函数进行优化，可有效加快每次迭代更新的速度。当lstm神经网络训练n次后，损失函数降低到一个较低的水平。此时，训练过程完成，然后保存lstm神经网络。
[0073]
参考图3，为了验证基于lstm的激励型需求响应电力用户行为预测方法的性能和计算效率，实验数据采用采用国家电网某公司提供的100条负荷数据，数据采样周期为15min，即24h含96组负荷数据以及相对应的激励价格。选取80组数据作为训练数据对lstm
模型进行训练，剩余20组数据作为测试数据进行测试，并与实际负荷数据进行对比。
[0074]
结合统计学误差分析与实际调度运行的需要，主要使用平均误差(mean error,me)、均方根误差(root mean square error,rmse)、平均绝对百分比误差(mean absolute percentage error,mape)作为评价指标。计算方法分别见式
[0075][0076][0077][0078]
式中，y
t
表示实际负荷数据，表示预测负荷数据，n为负荷数据数量。
[0079]
为体现本文所提基于lstm模型的负荷预测方法的准确性，将本文所提预测方法与最小二乘法及k邻近(knn)预测方法进行对比，预测结果见表1。
[0080]
表1不同算法预测结果比较
[0081][0082]
首先对预测结果进行横向对比分析。由表1可知基于lstm模型的负荷预测方法的me、rmse、mape分别为3.83mw、5.12mw、1.08％，相比于最小二乘法分别低了7.31mw、8.32mw、2.06％，相比于k邻近预测方法分别低了10.62mw、13.46mw、3.09％。
[0083]
通过以上评价指标数值的横向对比不难发现：基于lstm模型的负荷预测方法优于最小二乘法和k邻近预测方法。为更直观地对比三种方法的预测效果，图3对比了三种方法的预测值与真实值，图4对比了逐点平均绝对百分比误差。
[0084]
通过图3可以看出，相比于最小二乘法和k邻近预测结果，基于lstm模型的负荷预测结果最贴近真实值；通过图4可进一步发现基于lstm模型的负荷预测误差最小，k邻近法的预测误差最大。
[0085]
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。