基于機器學習的智能電網(wǎng)實時電價研究.pdf

1、隨著經(jīng)濟與社會的發(fā)展，電力產(chǎn)業(yè)不斷貫穿于各個領域，電力需求量不斷增加，給電網(wǎng)的穩(wěn)定運行等相關工作帶來了極大的挑戰(zhàn)。而數(shù)字化與智能化電網(wǎng)的快速發(fā)展使得大量的電網(wǎng)歷史運行數(shù)據(jù)和實時運行數(shù)據(jù)被獲取，機器學習技術能夠更好地獲取系統(tǒng)隱含的信息?；谛枨箜憫―emand Response，DR）的實時電價（Real-time Pricing，RTP）策略，是實現(xiàn)智能電網(wǎng)有效性與可靠性的關鍵技術之一，是促進電力消費結(jié)構的合理化、實現(xiàn)用戶需求消峰填谷

2、的有效方法。節(jié)點邊際電價（Locational marginal price，LMP），作為科學的電力市場調(diào)節(jié)機制的實時電價策略，廣泛應用于電力日前市場與實時市場中。本文基于美國PJM電力市場的真實用電數(shù)據(jù)，分析用戶對電價的響應，實現(xiàn)在LMP電價背景下，智能電網(wǎng)電力市場中供需雙方相互博弈的實時電價模型。
　　建立LMP定價預測模型。從電力系統(tǒng)結(jié)構出發(fā)，采用自編碼(autoencoder)的無監(jiān)督學習方式訓練網(wǎng)絡，模擬復雜平衡電網(wǎng)，

3、進而構造LMP定價預測模型。以美國PJM電力市場的電力數(shù)據(jù)為例，對模型進行檢驗，并與無特征學習的傳統(tǒng)BP模型定價及實際電力市場的日前實時電價（day-ahead real time pricing）相比較，結(jié)果證明所提方法的合理性與可行性，表明了大規(guī)模的復雜電力網(wǎng)絡可以通過構建深層的學習網(wǎng)絡模型來模擬電網(wǎng)平衡狀態(tài)，實現(xiàn)電價定價預測策略，進而制定實時電價。
　　建立用戶響應行為學習模型?；谟脩舻男枨髢r格彈性(price elast

4、icity of electricity demand,PED)模型，通過回歸模型(regression model)學習需求價格彈性，模擬用戶響應行為。實驗表明，學習獲得的用戶價格彈性可以很好地實現(xiàn)用戶響應行為的擬合，較傳統(tǒng)的調(diào)查問卷方式獲得固定的用戶價格彈性，回歸模型具有良好的時域性，更高效地實現(xiàn)用戶響應行為的學習，為實時電價提供決策支持。
　　建立博弈實時電價模型。在獲得LMP電價預測模型及用戶用電響應模型的基礎上，通過博弈