论文部分内容阅读
随着经济与社会的发展,电力产业不断贯穿于各个领域,电力需求量不断增加,给电网的稳定运行等相关工作带来了极大的挑战。而数字化与智能化电网的快速发展使得大量的电网历史运行数据和实时运行数据被获取,机器学习技术能够更好地获取系统隐含的信息。基于需求响应(Demand Response,DR)的实时电价(Real-time Pricing,RTP)策略,是实现智能电网有效性与可靠性的关键技术之一,是促进电力消费结构的合理化、实现用户需求消峰填谷的有效方法。节点边际电价(Locational marginal price,LMP),作为科学的电力市场调节机制的实时电价策略,广泛应用于电力日前市场与实时市场中。本文基于美国PJM电力市场的真实用电数据,分析用户对电价的响应,实现在LMP电价背景下,智能电网电力市场中供需双方相互博弈的实时电价模型。建立LMP定价预测模型。从电力系统结构出发,采用自编码(autoencoder)的无监督学习方式训练网络,模拟复杂平衡电网,进而构造LMP定价预测模型。以美国PJM电力市场的电力数据为例,对模型进行检验,并与无特征学习的传统BP模型定价及实际电力市场的日前实时电价(day-ahead real time pricing)相比较,结果证明所提方法的合理性与可行性,表明了大规模的复杂电力网络可以通过构建深层的学习网络模型来模拟电网平衡状态,实现电价定价预测策略,进而制定实时电价。建立用户响应行为学习模型。基于用户的需求价格弹性(price elasticity of electricity demand,PED)模型,通过回归模型(regression model)学习需求价格弹性,模拟用户响应行为。实验表明,学习获得的用户价格弹性可以很好地实现用户响应行为的拟合,较传统的调查问卷方式获得固定的用户价格弹性,回归模型具有良好的时域性,更高效地实现用户响应行为的学习,为实时电价提供决策支持。建立博弈实时电价模型。在获得LMP电价预测模型及用户用电响应模型的基础上,通过博弈的方式,将电网的电价与用户的用电响应结合,建立博弈电价模型,制定智能电网电力市场中供需双方相互博弈的实时电价策略,提高消费者的满意程度,降低电力应用成本,进一步改善当今电网的使用现状,实现电力需求的削峰填谷。对企业赢得市场,减少生产成本,争取电能的生存和发展空间,提高智能电网的性能与核心竞争力,实现节能减排的可持续发展策略具有重要意义。