[发明专利]基于动态博弈的商业建筑需求响应方法和系统

权利要求书

1.一种基于动态博弈的商业建筑需求响应方法，其特征在于，该方法包括：

对商业建筑负荷以及光伏输出功率进行预测，得到商业建筑负荷预测结果和光伏输出功率预测结果；

基于商业建筑负荷预测结果和光伏输出功率预测结果构建需求响应模型；

基于需求响应模型构建单目标非线性规化的目标函数和约束条件，再求解得到最优需求响应策略。

2.如权利要求1所述的一种基于动态博弈的商业建筑需求响应方法，其特征在于，所述对商业建筑负荷以及光伏输出功率进行预测，得到商业建筑负荷预测结果和光伏输出功率预测结果，包括：

基于第一深度循环神经网络对商业建筑负荷进行预测，得到商业建筑负荷预测结果；

基于第二深度循环神经网络对光伏输出功率进行预测，得到光伏输出功率预测结果。

3.如权利要求2所述的一种基于动态博弈的商业建筑需求响应方法，其特征在于，所述基于第一深度循环神经网络对商业建筑负荷进行预测，得到商业建筑负荷预测结果，包括：

对所采集的商业建筑历史负荷数据及商业建筑负荷相关变量进行预处理；把数据划分为第一训练数据集P_train和第一测试数据集P_test；

使用第一训练数据集P_train对第一深度循环神经网络进行训练，接着利用第一测试数据集P_test对第一深度循环神经网络的参数进行修正，直至得到精度最高的第一深度循环神经网络；

将所要预测日的商业建筑负荷相关变量输入到训练好的第一深度循环神经网络中，得到商业建筑负荷预测结果。

4.如权利要求2所述的一种基于动态博弈的商业建筑需求响应方法，其特征在于，所述基于第二深度循环神经网络对光伏输出功率进行预测，得到光伏输出功率预测结果，包括：

对所采集的光伏输出功率数据及光伏输出功率相关变量进行预处理；把数据划分为第二训练数据集Q_train和第二测试数据集Q_test；

使用第二训练数据集Q_train对第二深度循环神经网络进行训练，接着利用第二测试数据集Q_test对第二深度循环神经网络的参数进行修正，直至得到精度最高的第二深度循环神经网络；

把所要预测日的光伏输出功率相关变量输入到训练好的第二深度循环神经网络中，得到光伏输出功率预测结果。

5.如权利要求1所述的一种基于动态博弈的商业建筑需求响应方法，其特征在于，所述基于商业建筑负荷预测结果和光伏输出功率预测结果构建需求响应模型，包括：

所述需求响应模型包括售电公司的收益模型和商业建筑收益模型；

所述售电公司的收益模型为：

其中，

R^t为售电收入，

C₁为购电成本，

F为电网波动性成本；

P^t表示时间区间t内的售电价格；

表示售电公司在时间区间t内的发电量

pr^t为售电公司在时间区间t内的购电价格；

T表示总的时间区间的个数；

α表示电网波动性成本的权重参数；

所述商业建筑收益模型为：

其中，表示光伏发电补贴，

表示不舒适成本，

表示电费，

γ表示光伏发电的补贴价格；

表示第i个商业建筑在时间区间t内所产生的的光伏电量；

β_i表示第i个商业建筑的不舒适成本系数；

表示第i个商业建筑在时间区间t内的实际净电力需求；

表示第i个商业建筑在时间区间t内的原始净电力需求。