负荷聚合商需求响应潜力预测方法及存储介质

1.本发明涉及需求响应潜力预测领域，尤其涉及一种负荷聚合商需求响应潜力预测方法及存储介质。


背景技术：

2.高比例新能源的随机性、间歇性、波动性给电力系统的安全稳定运行带来了严峻的考验，传统的“源随荷动”的电力系统调度方式难以为继。需求响应利用价格信号或激励机制引导负荷侧用户调节负荷，可有效提升电力系统的运行灵活性，促进新能源消纳。
3.居民负荷是参与需求响应的重要负荷侧资源，然而，单个居民用户由于地理位置分散，用电不确定性强，需求响应潜力较小难以直接参与电力市场交易。负荷聚合商作为居民用户与系统运营商的中介，承担着整合需求侧资源的关键任务。由于负荷聚合商在辅助服务市场交易过程中需提前上报响应容量，因此需要对其需求响应潜力进行合理预测。从而为负荷聚合商在电力市场中的投标报价提供重要参考信息，降低其市场交易风险。
4.现有研究多建立单一预测模型，由于不同负荷聚合商的地域环境、用户偏好等方面表现出明显的差异性，单一预测模型在适应性和泛化性方面存在不足。本发明通过建立“重复博弈，动态更新”的集成预测模型，通过博弈论方法自适应学习每个基模型的权重，并随着时间的推移不断更新最佳集成预测结果，从而为时变的负荷聚合商需求响应潜力提供更可靠的预测结果。


技术实现要素：

5.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种负荷聚合商需求响应潜力预测方法，以有效提升负荷聚合商需求响应潜力预测的精度和泛化能力。
6.为达到上述目的，本发明实施例提出了一种负荷聚合商需求响应潜力预测方法，包括以下步骤：s1，获取负荷聚合商需求响应潜力数据及气象数据；
7.s2，提取影响负荷聚合商需求响应潜力的特征，包括气象特征、日历特征、需求响应特征和负荷特征；
8.s3，利用基于支持向量机的递归特征消除法筛选特征；
9.s4，在模型库中筛选m个合适的预测模型作为基模型，m为大于1的整数；
10.s5，以筛选后的特征作为输入，需求响应潜力作为输出，分别建立基于基模型1，基模型2，
……
，基模型m的需求响应潜力预测模型；
11.s6，建立负荷聚合商需求响应潜力集成预测模型，基于博弈论方法自适应学习每个基模型的权重，并随着时间的推移不断更新权重。
12.具体地，获取负荷聚合商需求响应潜力数据及气象数据，包括：获取负荷聚合商的需求响应的激励、需求响应潜力及当地气象数据。
13.具体地，气象特征包括温度、湿度、风速、降雨量、温湿指数、寒湿指数、舒适度指
数；日历特征包括工作日特征、周末特征、节假日特征、季节特征；需求响应特征包括激励大小特征和需求响应时间特征；负荷特征包括基线负荷特征。
14.具体地，利用基于支持向量机的递归特征消除法筛选特征，包括以下步骤：
15.步骤1：将上述提取的特征输入到支持向量机模型中进行训练；
16.步骤2：计算每个特征的权重系数，并对权重系数进行排序；
17.步骤3：删除权重最小的一个特征；
18.步骤4:利用剩余的特征子集建立新的支持向量机模型，计算每个特征的权重系数，删除权重最小的特征；
19.步骤5：重复步骤4，直到剩余特征数量达到阈值。
20.具体地，在模型库中筛选m个合适的预测模型作为基模型，m为大于1的整数；包括以下步骤：
21.步骤1：以筛选后的特征作为输入，需求响应潜力作为输出，随机取40％数据作为训练数据，10％数据作为测试数据，分别采用模型库中的每个预测模型进行预测；
22.步骤2：计算每个模型预测的均方根误差，并按均方根误差升序对所有模型进行排序；
23.步骤3：取排序中前m个模型作为集成预测的基模型。
24.具体地，m为3，选取的三个基模型分别为：支持向量机模型，极限学习机模型和长短期记忆神经网络模型。
25.具体地，以筛选后的特征作为输入，需求响应潜力作为输出，分别建立基于基模型1，基模型2，基模型3的需求响应潜力预测模型，包括以下步骤：
26.步骤1：以筛选后的特征作为输入，需求响应潜力作为输出，取70％数据作为训练数据，30％数据作为测试数据，建立基于基模型1的预测模型；
27.步骤2：以筛选后的特征作为输入，需求响应潜力作为输出，取70％数据作为训练数据，30％数据作为测试数据，建立基于基模型2的预测模型；
28.步骤3：以筛选后的特征作为输入，需求响应潜力作为输出，取70％数据作为训练数据，30％数据作为测试数据，建立基于基模型3的预测模型。
29.具体地，建立负荷聚合商需求响应潜力集成预测模型，基于博弈论方法自适应学习每个基模型的权重，并随着时间的推移不断更新；包括以下步骤：
30.以{y1,y2...yn}代表负荷聚合商需求响应潜力的实际值序列，负荷聚合商需求响应集成预测结果可表示为：
[0031][0032]
其中：m代表基模型的个数，；代表第m个基模型第i次迭代的权重；代表第 i次迭代即t时刻基于博弈论方法的集成预测值；代表第m个基模型t时刻的预测值。
[0033]
为对每个基模型的权重进行迭代优化，设定每次迭代的优化目标均为最小化集成预测损失与最小基学习模型预测损失的差，即：
[0034][0035]
其中：代表第i次迭代t时刻基于博弈论方法的集成预测模型的损失函数；代
表第i次迭代t时刻第m个基模型的损失函数，并设定损失函数为预测值与真实值的平方差。
[0036]
初始设定每个基模型的初始化权重相等，并采用指数势函数，通过基于梯度下降的搜索算法优化权重值以最小化累计损失，因此每个基模型的权重由下式进行在线更新：
[0037][0038]
其中：η为基于博弈论方法的集成预测模型的参数；s为循环变量；代表第m个基模型第i次迭代的更新权重，权重更新过程被视为重复博弈模型，并随着时间的推移不断更新，且满足如下约束：
[0039][0040]
本发明实施例还提供了一种存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现如上述的负荷聚合商需求响应潜力方法。
[0041]
本发明的有益效果是：
[0042]
(1)由于不同负荷聚合商的地域环境、用户偏好等方面表现出明显的差异性，单一预测模型在适应性和泛化性方面存在不足，本发明的负荷聚合商需求响应潜力方法有效提升负荷聚合商需求响应潜力预测的精度和泛化能力。
[0043]
(2)本发明的负荷聚合商需求响应潜力方法，能够基于博弈论方法自适应地学习每个基模型的权重，并随着时间的推移动态更新，从而充分综合每个基模型的优势，为负荷聚合商提供“重复博弈，动态更新”的需求响应潜力预测信息，进而为负荷聚合商参与电力市场交易提供更为可靠的参考信息，降低其决策风险。
附图说明
[0044]
图1是本发明一个实施例的负荷聚合商需求响应潜力预测方法的流程图；
[0045]
图2是本发明一个实施例的集成预测模型的结构示意图。
具体实施方式
[0046]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0047]
下面参考附图描述本发明实施例的负荷聚合商需求响应潜力预测方法。
[0048]
图1是本发明一个实施例的负荷聚合商需求响应潜力方法的流程图。
[0049]
如图1所示，该负荷聚合商需求响应潜力方法包括以下步骤：
[0050]
s1，获取负荷聚合商需求响应潜力数据及气象数据。
[0051]
具体地，包括获取负荷聚合商的需求响应的激励、需求响应潜力及当地气象数据。
次迭代即t时刻基于博弈论方法的集成预测值；代表第m个基模型t时刻的预测值。
[0075]
为对每个基模型的权重进行迭代优化，设定每次迭代的优化目标均为最小化集成预测损失与最小基学习模型预测损失的差，即：
[0076][0077]
其中：代表第i次迭代t时刻基于博弈论方法的集成预测模型的损失函数；代表第i次迭代t时刻第m个基模型的损失函数，并设定损失函数为预测值与真实值的平方差。
[0078]
初始设定每个基模型的初始化权重相等，并采用指数势函数，通过基于梯度下降的搜索算法优化权重值以最小化累计损失，因此每个基模型的权重由下式进行在线更新：
[0079][0080]
其中：η为基于博弈论方法的集成预测模型的参数；s为循环变量；代表第m个基模型第i次迭代的更新权重，权重更新过程被视为重复博弈模型，并随着时间的推移不断更新，且满足如下约束：
[0081][0082]
综上所述，本发明实施例的负荷聚合商需求响应潜力方法，能够基于博弈论方法自适应地学习每个基模型的权重，并随着时间的推移动态更新，从而充分综合每个基模型的优势，为负荷聚合商提供“重复博弈，动态更新”的需求响应潜力预测信息，进而为负荷聚合商参与电力市场交易提供更为可靠的参考信息，降低其决策风险。
[0083]
本发明实施例还提供了一种存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现如上述的负荷聚合商需求响应潜力预测方法。
[0084]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种负荷聚合商需求响应潜力预测方法，其特征在于，包括以下步骤：s1，获取负荷聚合商需求响应潜力数据及气象数据；s2，提取影响负荷聚合商需求响应潜力的特征，包括气象特征、日历特征、需求响应特征和负荷特征；s3，利用基于支持向量机的递归特征消除法筛选特征；s4，在模型库中筛选m个合适的预测模型作为基模型，m为大于1的整数；s5，以筛选后的特征作为输入，需求响应潜力作为输出，分别建立基于基模型1，基模型2，
……
，基模型m的需求响应潜力预测模型；s6，建立负荷聚合商需求响应潜力集成预测模型，基于博弈论方法自适应学习每个基模型的权重，并随着时间的推移不断更新权重。2.根据权利要求1所述的负荷聚合商需求响应潜力预测方法，其特征在于，步骤s1具体包括：获取负荷聚合商的需求响应的激励、需求响应潜力及当地气象数据。3.根据权利要求1所述的负荷聚合商需求响应潜力预测方法，其特征在于，气象特征包括温度、湿度、风速、降雨量、温湿指数、寒湿指数、舒适度指数；日历特征包括工作日特征、周末特征、节假日特征、季节特征；需求响应特征包括激励大小特征和需求响应时间特征；负荷特征包括基线负荷特征。4.根据权利要求1所述的负荷聚合商需求响应潜力预测方法，其特征在于，步骤s3具体包括：步骤1：将步骤s2中提取的特征输入到支持向量机模型中进行训练；步骤2：计算每个特征的权重系数，并对权重系数进行排序；步骤3：删除权重最小的一个特征；步骤4:利用剩余的特征子集建立新的支持向量机模型，计算每个特征的权重系数，删除权重最小的特征；步骤5：重复步骤4，直到剩余特征数量达到阈值。5.根据权利要求1所述的负荷聚合商需求响应潜力预测方法，其特征在于，步骤s4具体包括：步骤1：以筛选后的特征作为输入，需求响应潜力作为输出，随机取40％数据作为训练数据，10％数据作为测试数据，分别采用模型库中的每个预测模型进行预测；步骤2：计算每个模型预测的均方根误差，并按均方根误差升序对所有模型进行排序；步骤3：取排序中前m个模型作为集成预测的基模型。6.根据权利要求1或5所述的负荷聚合商需求响应潜力预测方法，其特征在于，m为3，选取的三个基模型分别为：支持向量机模型，极限学习机模型和长短期记忆神经网络模型。7.根据权利要求6所述的负荷聚合商需求响应潜力预测方法，其特征在于，以筛选后的特征作为输入，需求响应潜力作为输出，分别建立基于基模型1，基模型2和基模型3的需求响应潜力预测模型，包括以下步骤：步骤1：以筛选后的特征作为输入，需求响应潜力作为输出，取70％数据作为训练数据，30％数据作为测试数据，建立基于基模型1的预测模型；步骤2：以筛选后的特征作为输入，需求响应潜力作为输出，取70％数据作为训练数据，30％数据作为测试数据，建立基于基模型2的预测模型；
步骤3：以筛选后的特征作为输入，需求响应潜力作为输出，取70％数据作为训练数据，30％数据作为测试数据，建立基于基模型3的预测模型。8.根据权利要求1所述的负荷聚合商需求响应潜力预测方法，其特征在于，步骤s6具体包括：负荷聚合商需求响应集成预测结果可表示为：其中：m代表基模型的个数，代表第m个基模型第i次迭代的权重；代表第i次迭代即t时刻基于博弈论方法的集成预测值；代表第m个基模型t时刻的预测值；为对每个基模型的权重进行迭代优化，设定每次迭代的优化目标均为最小化集成预测损失与最小基学习模型预测损失的差，即：其中：代表第i次迭代t时刻基于博弈论方法的集成预测模型的损失函数；代表第i次迭代t时刻第m个基模型的损失函数，并设定损失函数为预测值与真实值的平方差；初始设定每个基模型的初始化权重相等，并采用指数势函数，通过基于梯度下降的搜索算法优化权重值以最小化累计损失，每个基模型的权重由下式进行在线更新：其中：η为基于博弈论方法的集成预测模型的参数；s为循环变量；代表第m个基模型第i次迭代的更新权重。9.根据权利要求8所述的负荷聚合商需求响应潜力预测方法，其特征在于，所述权重满足如下约束：10.一种存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-9中任一所述的负荷聚合商需求响应潜力预测方法。

技术总结
本发明公开了一种负荷聚合商需求响应潜力预测方法及存储介质，包括如下步骤：S1，获取负荷聚合商需求响应潜力数据及气象数据；S2，提取影响负荷聚合商需求响应潜力的特征，包括气象特征、日历特征、需求响应特征和负荷特征；S3，利用基于支持向量机的递归特征消除法筛选特征；S4，在模型库中筛选M个合适的预测模型作为基模型，M为大于1的整数；S5，以筛选后的特征作为输入，需求响应潜力作为输出，分别建立基于基模型1，基模型2，


技术研发人员：叶尔森
受保护的技术使用者：华北电力大学（保定）
技术研发日：2022.09.27
技术公布日：2023/9/20