[发明专利]源网荷互动环境下基于LSTM的超短期负荷预测方法

权利要求书

1.一种源网荷互动环境下基于LSTM的超短期负荷预测方法，其特征在于，该方法由互动框架及响应负荷模型搭建、柔性负荷可调能力分析及基于长短期神经网络的训练及预测三个板块组成；

所述互动框架及响应负荷模型搭建包括如下步骤：

(1.1)“源-网-荷”协同互动框架建模；

(1.2)典型柔性负荷资源分类及响应特性建模；

所述步骤(1.2)具体内容为考虑响应成本与用户满意度对典型柔性负荷的响应特性进行建模，包含以下子步骤：

(1.2.1)建立典型柔性负荷的物理响应模型，其中包括高载能负荷、空调负荷、热水器负荷、电动汽车负荷四大类别；

(1.2.1.1)高载能负荷划分为可中断负荷、可转移负荷、可连续调节负荷三种；

(1.2.1.2)空调负荷；空调的工作状态与室温、空调温度设定值有关，空调负荷参与电力需求响应时，模型的输入量包括需求响应控制信号、t时段室温、空调温度设定值、温度设定范围及室外温度，综合考量以上因素进行建模；

(1.2.1.3)供暖型热负荷；热水器负荷是供暖型热负荷的一种，其工作状态与水温、热水器温度设定值、热水器进出水流速及流量、热水器自身参数均有关，考虑其参与电力需求响应，同样综合考量以上因素进行建模；

(1.2.1.4)电动汽车负荷；电动汽车充电负荷模型与初始充电时刻、车载电池额定充电功率、满充电量要求因素有关；

(1.2.2)基于响应成本与用户满意度因素，充分考量现有“源-网-荷”互动模型下负荷用户的负荷聚合商模式，建立负荷聚合商模式下典型柔性负荷响应模型；

(1.2.2.1)柔性负荷的响应经济成本因响应方式的不同，可建立不同的数学模型，具体可分为价格型负荷和激励型负荷两种；

(1.2.2.2)再有柔性负荷的用户满意度包括两方面内容，一是用电方式满意度，二是响应效益满意度；柔性负荷进行需求响应时，以最大化负荷响应满意度为目标，包括两个衡量指标最大，进行多目标优化；

λ_i1+λ_i2＝1(21)其中，λ_i1和λ_i2分别为柔性负荷用户i响应后的用电方式满意度权重和响应收益满意度γ_i权重；

(1.2.2.3)为符合当前电力市场的需求侧响应模式，将上述典型柔性负荷聚合为负荷聚合商；原本四类负荷，在负荷聚合商模式下重新归纳为五种典型负荷，分别为可中断负荷、可转移负荷、冷/热负荷、光储单元负荷、电动汽车负荷；建立负荷聚合商模式下的典型柔性负荷响应信号DR模型；

(1.2.2.3.1)可中断负荷的响应信号模型为：

IL＝[IL₁₂…IL_t…L_T](24)式中：为可中断负荷的DR子信号；为负荷聚合商通过可中断负荷参与需求响应获利；T为负荷一天内的时间序列；_T为t时刻需求响应资源购买者对负荷聚合商的合同激励价格；IL_t为可中断电负荷t时刻的需求响应信号数值，即负荷聚合商t时刻中断负荷的大小；_IL为IL用户数目；_i,t为第i个可中断负荷用户在t时刻的合同定价；为第i个IL用户在t时刻中断负荷的大小；

(1.2.2.3.2)可转移负荷的响应模型为：

式中：TL为可转移电负荷的DR子信号；是实数型决策变量，为第i个TL用户在t时刻转移负荷的大小；P_mcx和E_max分别为负荷最大削减功率和一日内最大削减电量；式(27)表示高峰电价时段的负荷削减量和低谷电价时段的负荷增加量相等，保证了负荷总量不变；x_i,和x_i,分别为t和t+1时刻0-1变量，0代表不进行中断操作，1代表进行中断操作；T_min、T_max分别为DR的持续时间下限和上限；TL_t为可转移电负荷t时刻的需求响应子信号数值，即负荷聚合商t时刻转移负荷的大小；N_TL为TL用户数；

(1.2.2.3.3)冷/热负荷；综合考虑空调负荷与供暖型热负荷，基于冷/热负荷计算的建模方法是根据能量守恒定理，任意时间段的空调所在建筑物的能量变化值等于空调制冷量/供暖热负荷与建筑物所获得的热量之差，基于电路模拟的等效热参数方法建立建筑物一阶热力学模型，反映冷/热负荷与室内温度的关系；

T_in，t+1＝T_in，te^-Δt/τ+(RQ_t+T_out，t)(1-e^-Δt/τ)    (32)

τ＝RC     (33)

式中：T_in，t+1、T_in，t分别为t+1时刻、t时刻的室内温度；Δt为时间间隔；τ为时间常数；R为建筑物等效热阻；C为室内空气的比热容；Q_t为t时刻的负荷；T_out，t为t时刻的室外温度；

式(32)和(33)变形后得到削减后的负荷Q_1，t及削减的负荷量ΔQ_t：

ΔQ_t＝Q_0，t-Q_1，t       (35)

式中：Q_0，t为削减前t时刻的负荷；考虑冷/热负荷的制冷/供热转换效率，优化建模结果：

HL_t＝ηΔQ_t     (36)

HL＝[HL₁ HL₂ … HL_t … HL_T]    (37)

式中：HL_t为在冷/热负荷参与需求响应情况下为电网减少的等效电负荷值，也是冷/热负荷t时刻的DR子信号数值；η为冷/热负荷的电转换效率；HL为冷/热负荷的DR子信号；

(1.2.2.3.4)光储单元负荷；负荷聚合商模式下，光伏分布式电源和储能作为高载能负荷中可连续调节负荷同样要纳入考量；考虑用户的储能行为，结合能源集线器结构，单一光储单元用户期望的充放电行为分析如下：当供给光储单元用户i的光伏出力大于固定负荷或t时段电价ρ_t为低谷电价时，储能充电；当用户光伏出力小于固定负荷且t时段电价为高峰电价时储能放电，得到光储单元用户在每一时段充放电行为的数学模型如下：

ES＝[ES₁ ES₂ … ES_t … ES_T]    (41)

式中：分别为光储单元用户i在t时段需求的充放电功率，也是光储单元t时段的DR子信号数值；P_i，max为用户i对应的储能充放电功率最大值；EOC_i，min、EOC_i，max分别为储能剩余容量最大限值和最小限值；E_i，t-1为t-1时段结束时刻的储能剩余容量；表示储能充电效率，表示储能放电效率；ρ_g、ρ_f分别为低谷电价集合和高峰电价集合；为用户有储能时的t时段光伏过剩功率；为用户没有储能时从电网购买的功率；ES_t为光储单元t时刻的DR子信号数值，即t时刻光储单元对外放电或充电的数值大小；N_ES为ES用户数；ω_t为0或1，约束储能的充电和放电不能同时进行；ES为光储单元的DR子信号；

(1.2.2.3.5)电动汽车负荷；考虑到电动汽车的大量应用以及电动汽车充电站的大量投建，在负荷聚合商上模式下，也将电动汽车负荷纳入考量范围，其数学模型如下：

EV＝[EV₁ EV₂ … EV_t … EV_T]    (44)

其中，每个用户对应一辆电动汽车，为t时刻电动汽车i的充电功率，为电动汽车i离网时需满足的荷电状态，为电动汽车i入网时荷电状态，Bi为电动汽车i的电池容量，为电动汽车i的离网时间，为电动汽车i的入网时间；EV_t为t时刻所有正在充电的电动汽车的能量需求，N_EV为EV用户数；η_i为电动汽车i的充电效率；EV为电动汽车负荷的DR子信号；

(1.2.2.3.6)综合考虑上述(1.2.2.3.1)～(1.2.2.3.5)的柔性负荷，我们建立了负荷聚合商模式下的典型柔性负荷响应模型；

DR＝IL+TL+ES+HL+EV    (45)

式中：DR为负荷聚合商聚合后的DR柔性负荷响应信号；

所述柔性负荷可调能力分析包括如下步骤：

(2.1)“源-网-荷”互动环境下负荷响应不确定性处理；

(2.2)“源v网-荷”互动环境下可调潜力计算输入数据预处理；

(2.3)“源-网-荷”互动环境下柔性负荷最大可调能力求解；

所述步骤(2.3)具体内容为对“源-网-荷”互动环境下柔性负荷的最大可调能力求解；其中包括负荷构成辨识、响应潜力建模和双层响应能力评估；

(2.3.1)负荷聚合商下的柔性负荷根据能否直接量测，分为可量测负荷、不可量测规律负荷以及随机负荷三部分，同时基于典型建筑(PB)负荷曲线标准模型库，将进行基于优化分析的负荷辨识；已知PB负荷模型库、不可量测的混合负荷曲线以及外部环境参数，求解负荷聚合商模式下的负荷构成及每类负荷的数量，具体公式为：

φ(t)＝P(t)-P_M(t)＝P_NM(t)+P_Rod(t)      (51)

式中，t₁为混合负荷的起始时间，t₂为混合负荷的结束时间；ε为实际值与估计值间的误差，Ω(t)为通过负荷辨识算法估计得到的负荷数量和类型从而叠加生成的负荷用电功率，φ(t)为不可量测的混合负荷信号；P(t)为总体负荷，P_M(t)为可量测负荷，P_NM(t)为不可量测规律负荷，P_Rod(t)为随机负荷；

为了解决上述负荷构成的辨识问题，构建以下优化模型：

式中，N_PB为负荷聚合商所在气候区典型负荷类型总数目，为辨识出的典型负荷数目，为t时段典型负荷j的用电功率，b_j为该类负荷的可能数量上限；

(2.3.2)为了更好地实现响应潜力的计算，采用自上而下的响应潜力建模方法，单一柔性负荷的潜力计算方法，基于大量物理仿真，简化为如下线性模型：

式中，DR^j(t)为t时刻典型负荷j的需求响应信号，θ_out，t为t时刻室外环境温度，θ_b为温度分断点，α₁、α₂、β₁、β₂均为与温度有关的时变常量；

同时对于负荷聚合商，其整体的响应潜力：

式中，DR_BSP(t)为负荷聚合商聚合响应模型，N_TB为负荷聚合商所在气候区典型负荷类型的实际数目，为实际负荷数量；

(2.3.3)基于负荷构成辨识方法与柔性负荷响应潜力建模，提出基于双层架构的负荷聚合商模式下柔性负荷的响应潜力计算步骤，基于(2.3.3.1)～(2.3.3.4)计算“源-网-荷”互动环境下柔性负荷的最大可调能力；

(2.3.3.1)获取负荷聚合商负荷曲线和所包含的可量测负荷的负荷曲线，计算待辨识负荷曲线；

(2.3.3.2)如果可以直接获得相同气候区的典型负荷曲线，则基于待辨识负荷曲线、典型负荷曲线、外部环境数据，基于优化分析方法进行负荷构成辨识；否则基于待辨识负荷曲线、统一气候的的典型负荷模型库、外部环境数据，基于优化分析方法进行负荷构成辨识；

(2.3.3.3)基于评估出的柔性负荷类型及对应时间、天气信息，建立每一种柔性负荷简化回归模型，得到每一种柔性负荷的响应潜力；

(2.3.3.4)基于负荷聚合商的柔性负荷构成及数量，最终求得负荷聚合商的响应的聚合潜力；

所述基于LSTM的训练及预测包括如下步骤：

(3.1)基于历史负荷与柔性负荷可调能力建立LSTM训练集并训练模型；

(3.2)应用长短期记忆网络LSTM对柔性负荷进行超短期预测。