[发明专利]一种电力用户行为预测方法

权利要求书

1.一种电力用户行为预测方法，其特征在于：包括如下步骤：

步骤S1、构建负荷聚合商模式下的激励型需求响应模型；

步骤S2、根据激励型需求响应模型获取历史电力用户负荷量、激励价格；

步骤S3、将历史电力用户负荷量、激励价格作为训练样本，对LSTM神经网络进行训练，得到训练后的LSTM神经网络；

步骤S4、将已知的激励价格输入训练后的LSTM神经网络，预测出电力用户负荷量。

2.根据权利要求1所述的一种电力用户行为预测方法，其特征在于：所述负荷聚合商模式下的激励型需求响应模型，包括：电力企业、负荷聚合商和可参与需求响应的电力用户；电力企业与负荷聚合商提前设定价格并签订合同，电力企业依据自身运行情况判断是否需要用户侧参与调节，若需要则提前向负荷聚合商下发负荷调节量指标；由于不同用户参与电网调节的成本各不相同，负荷聚合商根据自身利益调节电力用户负荷量并给与相应的激励价格。

3.根据权利要求1所述的一种电力用户行为预测方法，其特征在于：所述电力用户负荷量包括：工业园区负荷、商业温控负荷、电动汽车、照明负荷、供热通风与空气调节负荷、家用负荷。

4.根据权利要求1所述的一种电力用户行为预测方法，其特征在于：影响电力用户负荷量对不同激励价格的响应的因素，包括：

(1)备选方案的可用性；

(2)用户的当前负载状态；

(3)用电支出占总支出的比例；

(4)外部环境。

5.根据权利要求1所述的一种电力用户行为预测方法，其特征在于：所述LSTM神经网络构建如下所示：

LSTM通过3个控制门单元：遗忘门、输入门、输出门，选择保留或者丢弃信息。

6.根据权利要求5所述的一种电力用户行为预测方法，其特征在于：所述遗忘门更新公式见式：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

式中，σ表示sigmoid函数，W_f表示遗忘门的权重，b_f表示遗忘门的偏置常数，h_t-1表示上一时刻的输出，x_t表示当前时刻的输入；

所述输入门更新公式如下：

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

式中，W_i、b_i分别表示输入的权重和偏置常数；W_C、b_C分别表示候选向量的权重和偏置常数，表示一个候选值向量；

细胞格的更新公式见如下：

输出门更新公式见式：

O_t＝σ(W_O·[h_t-1,x_t]+b_O)

h_t＝O_t×tanh(C_t)

式中，W_O、b_O分别是输出门的重量和偏移量。

7.根据权利要求1所述的一种电力用户行为预测方法，其特征在于：所述LSTM神经网络采用梯度下降法对参数进行训练。