[发明专利]一种基于神经图灵机的电力用户需求响应潜力评估方法及装置

说明书

本发明提供一种基于神经图灵机(Neural Turing Machine，NTM)的电力用户需求响应潜力评估方法及装置，包括：采用均值漂移方法对用户进行分组，获得具有不同响应特征的用户组群数据集；基于所述用户组群数据集，在门控循环单元GRU中执行注意力机制AM，提取用户在不同气象环境下的需求响应行为特征；通过神经图灵机模型，基于提取的需求响应行为特征，评估用户在给定实时电价下的需求响应负荷调整量。本发明所实现了用户侧的实时需求响应评估，考虑气象环境影响和用户自身的响应行为特征，提高了潜力评估的精准度和速度，为后续的电价优化决策提供可靠的评估结果，有助于实现用户侧的实时精准需求响应管理。

技术领域

本发明涉及电力用户实时需求响应潜力评估领域，具体是一种基于神经图灵机的电力用户需求响应潜力评估方法及装置。

背景技术

准确的潜力评估是虚拟电厂对用户进行需求响应聚合管理的关键。目前研究主要可以分为模糊评价、场景匹配、负荷建模、不确定性分析、迁移学习、神经算法探索等方法。模糊评价和场景匹配在实际应用中的灵活性均受到限制。在用户负荷建模方面，早期的消费者心理模型和价格弹性模型没有针对不同用户的用能特性，模糊的整体建模影响了评估结果的准确度。因此，部分学者研究详细负荷设备的归类建模。对居民负荷设备进行分类建模，帮助新能源进行消纳。有文献对空调、电动汽车等大型商业楼宇内的负荷进行分类并建立时间分布模型，提出了“自下而上”的需求响应潜力评估方法。上述模型可以表示特定负荷在一段时间内的用能特性。但是，它们很难体现不同类型用户的需求响应特性，无法被直接应用于虚拟电厂的响应评估中。

神经算法可以更好地针对用户特性提高潜力评估的准确率。但是，如何在保证评估效率的前提下，对不同类别用户的响应特征进行提取和评估仍然是在实际虚拟电厂进行电价决策时面临的重要挑战。有文献用基于循环神经网络(Recurrent Neural Network,RNN)的深度学习模型模拟需求响应环境的不确定性。长短时记忆算法(Long-Short TermMemory,LSTM)有助于改善RNN的梯度消失和爆炸等问题。但是，LSTM算法参数众多，计算复杂，无法满足虚拟电厂进行大量用户的高效率实时评估要求。而且，它在准确性方面仍存在提升空间。神经图灵机的出现有助于改善上述问题。一方面，它选用门控循环单元(GateRecurrent Unit,GRU)作为核心控制器。在处理输入输出维度简单的实际数据时，可以显著降低计算量，提高计算效率。另一方面，外部记忆矩阵可以更全面地保留用户自身及气象环境等大量信息。引入的注意力机制(Attention Mechanism,AM)则可以从海量信息中准确定位有效信息，便于捕捉长距离依赖关系，提高需求响应挖掘的精准度。目前，神经图灵机多被应用于语言建模领域，在解决语音识别、手写字符生成、自然语言处理等问题方面表现出色，在虚拟电厂的需求响应潜力评估方面存在较大研究空间。

发明内容

为解决上述存在的不足，本发明提供以一种基于神经图灵机的电力用户需求响应潜力评估方法及装置，实现了用户侧的实时需求响应评估，考虑气象环境影响和用户自身的响应行为特征，提高了潜力评估的精准度和速度，为后续的电价优化决策提供可靠的评估结果，有助于实现用户侧的实时精准需求响应管理。

一种基于神经图灵机的电力用户需求响应潜力评估方法，包括以下步骤：

采用均值漂移方法对用户进行分组，获得具有不同响应特征的用户组群数据集；

基于所述用户组群数据集，在门控循环单元GRU中执行注意力机制AM，提取用户在不同气象环境下的需求响应行为特征；

通过神经图灵机模型，基于提取的需求响应行为特征，评估用户在给定实时电价下的需求响应负荷调整量。

进一步的，采用均值漂移方法对用户进行分组，获得具有不同响应特征的用户组群数据集，具体包括如下步骤：

步骤1.1:由用户历史数据集扩展建立训练所需要的存储矩阵数据集；