基于神经网络和强化学习的电网需求侧响应潜力评估及负荷转移方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115829119A(43)申请公布日2023.03.21(21)申请号202211510682.1G06Q10/0631(2023.01)(22)申请日2022.11.29G06Q30/0202(2023.01)G06Q50/08(2012.01)(71)申请人国网湖北省电力有限公司营销服务G06F18/23213(2023.01)中心（计量中心）G06N3/045(2023.01)地址430080湖北省武汉市东湖生态旅游G06N3/084(2023.01)风景区青王路488号G06N3/092(2023.01)申请人武汉大学(72)发明人张佳雯张成蔡文嘉何行董重重田猛张芹魏解吴明珍冉艳春胡亚天张蕾吴悠王兹玥(74)专利代理机构武汉楚天专利事务所42113专利代理师胡盛登(51)Int.Cl.G06Q10/04(2023.01)权利要求书1页说明书8页附图2页(54)发明名称基于神经网络和强化学习的电网需求侧响应潜力评估及负荷转移方法(57)摘要本申请涉及一种基于神经网络和强化学习的电网需求侧响应潜力评估及负荷转移方法，包括以下步骤：使用改进的k‑means聚类算法对海量的客户用电数据进行聚类生成用电行为标签，将客户数据聚类为无峰、单峰和多峰三类；搭建并训练多层感知机MLP神经网络模型，以客户96点工作日负荷数据和用电行为标签作为输入，挖掘输入数据与客户参与需求响应意愿和潜力之间的隐式映射关系；利用深度强化学习对所构建的负荷转移模型进行求解，输出最优的分时电价制定建议。本申请充分挖掘和利用客户用电数据特征，进而预测客户参与需求响应的意愿和潜力；提高电网的削峰填谷能力，缓解电力供需矛盾，保障电网稳定运行。CN115829119ACN115829119A权利要求书1/1页1.一种基于神经网络和强化学习的电网需求侧响应潜力评估及负荷转移方法，其特征在于，包括以下步骤：步骤S1，使用改进的k‑means聚类算法对海量的客户用电数据进行聚类生成用电行为标签，将客户数据聚类为无峰、单峰和多峰三类；步骤S2，搭建并训练多层感知机MLP神经网络模型，以客户96点工作日负荷数据和用电行为标签作为输入，挖掘输入数据与客户参与需求响应意愿和潜力之间的隐式映射关系；步骤S3，利用深度强化学习对所构建的负荷转移模型进行求解，输出最优的分时电价制定建议。2.根据权利要求1所述的一种基于神经网络和强化学习的电网需求侧响应潜力评估及负荷转移方法，其特征在于，所述的步骤S1包括以下子步骤：步骤S11，确定初始聚类中心，将样本集中所有用户的总用电负荷进行排序，均分为K类，计算每个类中样本负荷的均值作为该类的初始聚类中心；步骤S12，计算所有样本到K个聚类中心的距离，按照最近距离把所有样本划分到不同类别中，重新计算并更新聚类中心；步骤S13，重复步骤S12直至聚类中心不再变化。3.根据权利要求1所述的一种基于神经网络和强化学习的电网需求侧响应潜力评估及负荷转移方法，其特征在于，所述的步骤S2包括以下子步骤：步骤S21，搭建多层感知机MLP神经网络模型，设置网络的隐藏层数量、神经元数目、训练函数、最大迭代次数、损失函数参数；步骤S22，训练MLP神经网络模型，训练数据包括输入样本与真实响应标签，输入样本为客户96点工作日负荷数据与S1步骤获得的用电行为标签，真实响应标签包括响应意愿与响应潜力，从电网公司前期开展需求响应工作中获得用户真实响应标签。4.根据权利要求1所述的一种基于神经网络和强化学习的电网需求侧响应潜力评估及负荷转移方法，其特征在于，所述的步骤S3包括以下子步骤：步骤S31，构建电网公司与电力客户双赢的需求侧负荷转移模型；步骤S32，利用深度强化学习算法求解步骤S31的负荷转移模型，输出最优分时电价方案，辅助电网公司制定合适的分时电价引导用户参与削峰填谷。2CN115829119A说明书1/8页基于神经网络和强化学习的电网需求侧响应潜力评估及负荷转移方法技术领域[0001]本申请涉及电网信息领域，具体涉及一种基于神经网络和强化学习的电网需求侧响应潜力评估及负荷转移方法。背景技术[0002]电力需求侧管理的概念最早由美国在上世纪70年代所提出，并于80年代逐渐推广到西方其它发达国家。它是指电力行业在保证电力服务水平的前提下，通过采取一系列措施，引导用户科学合理用电，提高电能利用效率，以实现保护环境和减少电力服务成本的用电管理活动。[0003]随着智能电网技术的不断发展，需求侧响应(DemandResponse，DR)在电网经济、稳定运行中起着愈发重要的作用，需求响应策略可改善配电网的供电可靠性。近年来，全国各地用电需求保持较快的增长，电力紧缺时有发生，电网运行压力不断增大，因此在智能用电环境