需求響應可調度容量概率預測方法、裝置及電子設備制造方法及圖紙

本發明專利技術提供一種需求響應可調度容量概率預測方法、裝置及電子設備，方法包括：獲取負荷聚合商下屬每個用戶在歷史需求響應日的需求響應數據；根據所述需求響應數據，計算分時聚合響應容量；對分時聚合響應容量進行特征提取，得到樣本分時聚合響應容量的特征參數；將所述樣本分時聚合響應容量特征參數作為輸入，分時聚合響應容量作為輸出，利用元學習算法根據特征參數進行可調度容量估計；利用非參數核密度概率預測模型進行負荷聚合商的需求響應可調度容量的概率預測。通過元學習算法和非參數核密度估計，實現面向負荷聚合商的需求響應可調度容量的小樣本概率預測?？烧{度容量的小樣本概率預測?？烧{度容量的小樣本概率預測。

【技術實現步驟摘要】
需求響應可調度容量概率預測方法、裝置及電子設備


[0001]本專利技術涉及數據處理領域，尤其涉及一種需求響應可調度容量概率預測方法、裝置及電子設備。

技術介紹

[0002]從2012年起，國家陸續出臺了電力需求側管理相關通知和意見，強調提升以需求側管理為主的供需平衡保障水平，逐步形成占最大用電負荷3％左右的需求側機動調峰容量。需求響應利用價格信號和激勵機制引導用戶在峰荷期間削減或轉移負荷，緩解電力供應資源緊張的局勢，促進電力系統運行的靈活性。需求響應可促使用戶積極參與電力系統的負荷調節，合理用電，降低用電高峰期系統的運行壓力，以保障電力系統更加安全、穩定且高效的運行。
[0003]對于單個居民用戶，其負荷調動能力較小，用電規律不確定，難以直接與系統運營商進行電力交易，實現電網的負荷調峰。負荷聚合商作為居民用戶與系統運營商的中介，承擔著整合需求側資源的關鍵任務，可以以自身市場化交易利益最大化為目標來制定競價策略。負荷聚合商為實現市場化交易利益最大化，需要準確預測用戶的聚合需求響應容量。同時，由于用戶用電的波動性，僅僅由聚合需求響應容量預測確定值來制定策略可能會出現用戶實際需求響應不滿足策略要求，負荷聚合商將受到經濟懲罰；或者出現用戶實際需求響應超額滿足策略要求，將降低負荷聚合商的利潤。相較于點預測，概率預測不僅可以預測未來某一段時刻的期望值，還可以得到其概率分布信息，從而為負荷聚合商的決策提供更為全面的參考信息。負荷聚合商可根據概率預測信息合理地制定競價策略，最大限度地使自己不超額滿足策略要求也不受到經濟懲罰，降低決策風險。
[0004]因此，面向負荷聚合商的需求響應可調度容量的概率預測更有利于負荷聚合商制定最優的競價策略，降低風險，實現市場化交易利益最大化。
[0005]目前，國內外針對負荷聚合商的需求響應可調度容量的概率預測的研究較少，同時由于需求響應實行年限和地區較少，需求響應數據樣本較少，傳統的機器學習算法很難在樣本較少的情況下得到較高的預測精度。因此尋找一種面向負荷聚合商的需求響應可調度容量的小樣本概率預測方法具有重要意義。

技術實現思路

[0006]本專利技術實施例提供一種需求響應可調度容量概率預測方法，能夠進行面向負荷聚合商的需求響應可調度容量的小樣本概率預測。
[0007]第一方面，本專利技術實施例提供一種需求響應可調度容量概率預測方法，包括：
[0008]獲取負荷聚合商下屬每個用戶在歷史需求響應日的需求響應數據；
[0009]根據所述需求響應數據，計算分時聚合響應容量；
[0010]對分時聚合響應容量進行特征提取，得到樣本分時聚合響應容量的特征參數；
[0011]將所述樣本分時聚合響應容量特征參數作為輸入，分時聚合響應容量作為輸出，
利用元學習算法根據特征參數進行可調度容量估計；
[0012]利用非參數核密度概率預測模型進行負荷聚合商的需求響應可調度容量的概率預測。
[0013]可選的，所述根據所述需求響應數據，計算分時聚合響應容量的步驟具體包括：
[0014]將不同需求響應時間段的所有用戶需求響應進行累加，得到分時聚合響應容量。
[0015]可選的，所述對分時聚合響應容量進行特征提取，得到樣本分時聚合響應容量的特征參數的步驟具體包括：
[0016]對所述分時聚合響應容量進行特征提?。?br/>[0017]根據最大信息系數對提取到的特征進行篩選，得到樣本分時聚合響應容量的特征參數。
[0018]可選的，所述提取到的特征包括：逐日特征、逐時特征、累計效益特征。
[0019]可選的，所述利用元學習算法進行可調度容量估計的步驟具體包括：
[0020]將所述樣本分時聚合響應容量按預設條件進行分類；
[0021]將所述樣本分時聚合響應容量按訓練模型類型進行分組；
[0022]使用與模型無關的元學習MAML作為元學習算法進行參數尋優。
[0023]可選的，所述使用與模型無關的元學習MAML作為元學習算法進行參數尋優的步驟具體包括：
[0024]根據模型的初始參數、內部學習率、基于樣本分時聚合響應容量的任務，通過隨機梯度下降方法對目標參數進行參數尋優。
[0025]可選的，所述利用非參數核密度概率預測模型進行負荷聚合商的需求響應可調度容量的概率預測的具體步驟包括：
[0026]根據所述樣本分時聚合響應容量的樣本數量、核函數、需求響應可調度容量預測誤差以及樣本帶寬，得到概率密度函數；
[0027]基于所述概率密度函數，得到概率分布函數；
[0028]通過所述概率分布函數進行負荷聚合商的需求響應可調度容量的概率預測。
[0029]第二方面，本專利技術實施例還提供一種需求響應可調度容量概率預測裝置，所述裝置包括：
[0030]獲取模塊，用于獲取負荷聚合商下屬每個用戶在歷史需求響應日的需求響應數據；
[0031]計算模塊，用于根據所述需求響應數據，計算分時聚合響應容量；
[0032]特征提取模塊，用于對分時聚合響應容量進行特征提取，得到樣本分時聚合響應容量的特征參數；
[0033]處理模塊，用于將所述樣本分時聚合響應容量特征參數作為輸入，分時聚合響應容量作為輸出，利用元學習算法根據特征參數進行可調度容量估計；
[0034]預測模塊，用于利用非參數核密度概率預測模型進行負荷聚合商的需求響應可調度容量的概率預測。
[0035]第三方面，本專利技術實施例提供一種電子設備，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現本專利技術實施例提供的需求響應可調度容量概率預測方法中的步驟。
[0036]本專利技術實施例中，獲取負荷聚合商下屬每個用戶在歷史需求響應日的需求響應數據；根據所述需求響應數據，計算分時聚合響應容量；對分時聚合響應容量進行特征提取，得到樣本分時聚合響應容量的特征參數；將所述樣本分時聚合響應容量特征參數作為輸入，分時聚合響應容量作為輸出，利用元學習算法根據特征參數進行可調度容量估計；利用非參數核密度概率預測模型進行負荷聚合商的需求響應可調度容量的概率預測。通過元學習算法與非參數核密度估計，實現面向負荷聚合商的需求響應可調度容量的小樣本概率預測。
附圖說明
[0037]為了更清楚地說明本專利技術實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0038]圖1是本專利技術實施例提供的一種需求響應可調度容量概率預測方法的流程圖；
[0039]圖2是本專利技術實施例提供的一種分時聚合響應容量特征參數提取和篩選的流程圖；
[0040]圖3是本專利技術實施例提供的一種模型架構圖；
[0041]圖4是本專利技術實施例提供的一種訓練模型和測試模型本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種需求響應可調度容量概率預測方法，其特征在于，包括以下步驟：獲取負荷聚合商下屬每個用戶在歷史需求響應日的需求響應數據；根據所述需求響應數據，計算分時聚合響應容量；對分時聚合響應容量進行特征提取，得到樣本分時聚合響應容量的特征參數；將所述樣本分時聚合響應容量特征參數作為輸入，分時聚合響應容量作為輸出，利用元學習算法根據特征參數進行可調度容量估計；利用非參數核密度概率預測模型進行負荷聚合商的需求響應可調度容量的概率預測。2.如權利要求1所述需求響應可調度容量概率預測方法，其特征在于，所述根據所述需求響應數據，計算分時聚合響應容量的步驟具體包括：將不同需求響應時間段的所有用戶需求響應進行累加，得到分時聚合響應容量。3.如權利要求1所述需求響應可調度容量概率預測方法，其特征在于，所述對分時聚合響應容量進行特征提取，得到樣本分時聚合響應容量的特征參數步驟具體包括：對所述分時聚合響應容量進行特征提?。桓鶕畲笮畔⑾禂祵μ崛〉降奶卣鬟M行篩選，得到樣本分時聚合響應容量的特征參數。4.如權利要求1所述需求響應可調度容量概率預測方法，其特征在于，所述提取到的特征參數包括：逐日特征、逐時特征、累計效益特征。5.如權利要求1所述需求響應可調度容量概率預測方法，其特征在于，所述利用元學習算法根據特征參數進行可調度容量估計的步驟具體包括：將所述樣本分時聚合響應容量按預設條件進行分類；將所述樣本分時聚合響應容量按訓練模型類型進行分組；使用與模型無關的元學習MAML作為元學習算法進行參數尋優。6.如權利要求5所述需求響應可調...

【專利技術屬性】
技術研發人員：王飛，李美頤，李康平，陸曉星，常生強，陳洪雨，
申請(專利權)人：石家莊科林電氣股份有限公司，
類型：發明
國別省市：