一种基于博弈论的负荷控制方法及系统

1.一种基于博弈论的负荷控制方法，其特征在于：获取历史数据和实时气象数据作为预测样本数据；根据预测样本数据制定多发电主体的电价；将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点；所述将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点，包括：将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子进行博弈寻优，得到多发电主体和负荷侧的博弈策略集合；结合所述博弈策略集合，采用粒子群优化算法求解预先构建的博弈模型中满足多发电主体收益最大化和负荷侧效益最优的纳什均衡点；所述博弈模型包括多发电主体的收益函数、负荷侧的收益函数和约束条件；所述历史数据包括负荷需求历史数据、光伏发电历史数据和历史气象数据。 2.如权利要求1所述的负荷控制方法，其特征在于：所述根据预测样本数据制定多发电主体的电价，包括：将预测样本数据输入至预先设定的RBF神经网络模型中预测日前光伏出力，得到日前光伏出力预测值；根据所述日前光伏出力预测值确定负荷侧的用电数据，基于负荷侧的用电数据制定多发电主体的电价。 3.如权利要求2所述的负荷控制方法，其特征在于：所述将预测样本数据输入至预先设定的RBF神经网络模型中预测日前光伏出力，得到日前光伏出力预测值，包括：对所述预测样本数据进行归一化处理；基于归一化处理后的预测样本数据对RBF神经网络模型进行训练，得到日前光伏出力预测值。 4.如权利要求3所述的负荷控制方法，其特征在于：对所述预测样本数据进行归一化处理的表达式如下：其中，x′(t)为归一化处理后的预测样本数据，x(t)为输入的预测样本数据，min(x(t))为x(t)中的最小数据，max(x(t))为x(t)中的最大数据；所述基于归一化处理后的预测样本数据对RBF神经网络模型进行训练，得到日前光伏出力预测值的表达式如下：y m (t)＝w 1 h 1 +w 2 h 2 +...+w j h j +...+w m h mh j ＝G||x′(t)-h j || 2式中：h j 为隐含层第j个神经元的输出，网络输入为预测样本数据x(t)＝[x 1 x 2 ... x m ] T ，w 1 w 2 ... w m 为网络的权值。 5.如权利要求1所述的负荷控制方法，其特征在于：所述多发电主体的收益函数表达式如下：其中：E mul 为多发电主体的收益函数， 为t时段多发电主体制定的发电电价； 为t时段多发电主体向负荷侧发电电量；U t 表示在t时段多发电主体向配电网购买或出售电量； 为在t时段内多发电主体向配电网购、售电量的电价； 为多发电主体向配电网购买或出售的电量；C o,i 为第i个光伏单位发电成本； 为t时段第i个光伏实际的发电电量；η z 表示储能折旧成本系数； 表示第i个储能设备在t时段的循环次数；C ins 为储能安装成本； 为储能设备维护成本； 为充电量或放电量；T表示预先指定的时间段；所述负荷侧的收益函数表达式如下：其中：E load 为负荷侧的收益函数， 为负荷侧可调节负荷参与调度的电能电价、 表示负荷侧可调负荷用电量。 6.如权利要求1或5所述的负荷控制方法，其特征在于：所述约束条件包括：功率平衡约束：其中， 为在t时刻的电力传输损失；负荷需求响应电价约束：其中，C load,min 为售电价格下限，即发电的边际成本；C load,max 为售电价格上限；光伏出力约束：其中，P i,min 、P i,max 分别表示光伏i的发电功率上、下限；储能容量约束：其中，P wi,min 和P wi,max 分别为第wi个储能输出功率的上、下限；充放电约束：其中， 为t时段储能i的充电量， t时段储能i的放电量； 为t时段储能i的充电量最大值， t时段储能i的放电量的最大值。 7.如权利要求1所述的负荷控制方法，其特征在于：结合所述博弈策略集合，采用粒子群优化算法求解预先构建的博弈模型中满足多发电主体收益最大化和负荷侧效益最优的纳什均衡点的表达式如下：G＝{N；{S i } i∈N ；{U i } i∈N }式中：G为博弈模型，N为参与者，包括多发电主体与负荷；S i 为博弈策略集合，包括博弈中多发电主体制定的发电电价以及负荷侧采用的负荷需求；U i 为负荷需求的收益或支付。 8.如权利要求1所述的负荷控制方法，其特征在于：所述利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点之后，还包括：根据所述纳什均衡点对负荷侧的负荷需求进行控制；所述根据所述纳什均衡点对负荷侧的负荷需求进行控制，包括：基于纳什均衡点，根据负荷侧需求调节负荷用电量，并与多发电主体进行电价议价，使博弈中的策略集合始终达到纳什均衡；所述电价议价包括：多发电主体更新电价、负荷侧更新负荷需求，双方轮流提出各自运行策略。 9.一种基于博弈论的负荷控制系统，其特征在于：获取模块，用于获取历史数据和实时气象数据作为预测样本数据；制定模块，用于根据预测样本数据制定多发电主体的电价；求解模块，用于将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子输入到预先构建的博弈模型中，利用粒子群优化算法求解满足多发电主体收益最大化目标的纳什均衡点；所述求解模块，包括：寻优子模块，用于将所述多发电主体的电价和负荷侧的负荷需求作为动态博弈粒子进行博弈寻优，得到多发电主体和负荷侧的博弈策略集合；求解子模块，用于结合所述博弈策略集合，采用粒子群优化算法求解预先构建的博弈模型中满足多发电主体收益最大化和负荷侧效益最优的纳什均衡点；所述博弈模型包括多发电主体的收益函数、负荷侧的收益函数和约束条件；所述历史数据包括负荷需求历史数据、光伏发电历史数据和历史气象数据。 10.如权利要求9所述的的负荷控制系统，其特征在于：所述制定模块，包括：输入子模块，用于将预测样本数据输入至预先设定的RBF预测模型中预测日前光伏出力；确定子模块，用于根据预测的日前光伏出力确定未来的用电数据，基于未来的用电数据以及电价制定与负荷需求之间的关系制定多发电主体的电价。 11.如权利要求10所述的的负荷控制系统，其特征在于：所述输入子模块，包括：归一化单元，用于对所述预测样本数据进行归一化处理；训练单元，用于基于归一化处理后的预测样本数据对RBF神经网络进行训练，预测得到日前光伏出力。 12.如权利要求11所述的的负荷控制系统，其特征在于：对所述预测样本数据进行归一化处理的表达式如下：其中，x′(t)为归一化处理后的预测样本数据，x(t)为输入的预测样本数据，min(x(t))为归一化处理后预测样本数据x(t)中的最小数据，max(x(t))为归一化处理后预测样本数据中的最大数据；所述基于归一化处理后的预测样本数据对RBF神经网络进行训练，预测得到日前光伏出力的表达式如下：y m (t)＝w 1 h 1 +w 2 h 2 +...+w j h j +...+w m h mh j ＝G||x j -h j || 2式中：h j 为隐含层第j个神经元的输出，网络输入为预测样本数据x＝[x 1 x 2 ... x m ] T ，w 1 w 2 ... w m 为网络的权值。 13.如权利要求9所述的负荷控制系统，其特征在于：所述多发电主体的收益函数表达式如下：其中：E mul 为多发电主体的收益函数， 为t时段多发电主体制定的发电电价； 为t时段多发电主体向负荷侧发电电量；U t 表示在t时段多发电主体向配电网购买或出售电量； 为在t时段内多发电主体向配电网购、售电量的电价； 为多发电主体向配电网购买或出售的电量；C o,i 为第i个光伏单位发电成本； 为t时段第i个光伏实际的发电电量；η z 表示储能折旧成本系数； 表示第i个储能设备在t时段的循环次数；C ins 为储能安装成本； 为储能设备维护成本； 为充电量或放电量；T表示预先指定的时间段；所述负荷侧的收益函数表达式如下：其中：E load 为负荷侧的收益函数， 为负荷侧可调节负荷参与调度的电能电价、 表示负荷侧可调负荷用电量。 14.如权利要求9所述的负荷控制系统，其特征在于：所述约束条件包括：功率平衡约束：其中， 为在t时刻的电力传输损失；负荷需求响应电价约束：其中，C load,min 为售电价格下限，即发电的边际成本；C load,max 为售电价格上限；光伏出力约束：其中，P i,min 、P i,max 分别表示光伏i的发电功率上、下限；储能容量约束：其中，P wi,min 和P wi,max 分别为第wi个储能输出功率的上、下限；充放电约束：其中， 为t时段储能i的充电量， t时段储能i的放电量； 为t时段储能i的充电量最大值， t时段储能i的放电量的最大值。 15.如权利要求9所述的负荷控制系统，其特征在于：结合所述博弈策略集合，采用粒子群优化算法求解预先构建的博弈模型中满足多发电主体收益最大化和负荷侧效益最优的纳什均衡点的表达式如下：G＝{N；{S i } i∈N ；{U i } i∈N }式中：G为博弈模型，N为参与者，包括多发电主体与负荷；S i 为策略集合，在博弈中，包括多发电主体制定的发电电价以及负荷侧采用的负荷需求；U i 为负荷需求的收益或支付。 16.如权利要求9所述的负荷控制系统，其特征在于：还包括：控制模块，用于根据所述纳什均衡点对负荷侧的负荷需求进行控制，包括：议价模块，用于基于纳什均衡点，根据负荷侧需求响应调整自身负荷需求，通过调节负荷用电量与多发电主体进行电价议价，使博弈中的策略集合始终达到纳什均衡。