1.本发明属于需求侧柔性互动引导技术领域，具体涉及一种考虑社会信息影响的需求侧参与柔性互动的引导方法、系统及存储介质。
背景技术：2.随着社会经济与科技的快速发展，特别是智能家电等智能设备的普及，需求侧用电量大幅增加，并且具备巨大的可调潜力。售电商通过发布合理有效的引导信息可以调节需求侧的可调负荷，引导用户参与柔性互动。“引导信息”是指售电商在互联网上发布的一系列信息，旨在引导用户合理用电，主动参与柔性互动。发布分时电价、用能优惠券、社会活动优惠券、节能信息推送等引导信息通过激励引导用户合理用电的引导方法，正受到越来越多的关注。
3.然而目前对于需求侧柔性互动引导方法的研究中，用户都是作为绝对理性个体参与互动。但是，现实中用户的用电行为并非完全理性，其用电决策的理性程度受到已知信息、认知局限等因素的限制，具有典型的有限理性特征，且在用电行为中，用户是满意者而非最大化者，这意味着传统的引导方法不一定能达到引导用户调整用电量的目的。而且已有的引导方法没有考虑温度、湿度、以及电价等社会信息都会对用户用电负荷的影响，所得的引导信息的作用下负荷变化量的精度较低，实际生活中用户可能会因此违反理论最优用电调整量，导致引导信息作用失效。
技术实现要素：4.本发明的目的就是为了解决上述背景技术存在的不足，提供一种考虑社会信息影响的需求侧参与柔性互动的引导方法、系统及存储介质，以解决电力负荷高峰攀升破坏电网稳定的问题。
5.本发明采用的技术方案是：一种考虑社会信息影响的需求侧参与柔性互动的引导方法，
6.确定各社会信息分别对用户用电负荷的影响程度；
7.根据所述影响程度对应的社会信息确定用户用电量；
8.建立售电商多级市场购电模型；
9.基于社会信息、用户用电量、售电商多级市场购电模型建立售电商购售电优化决策模型；
10.采用粒子群算法与cplex求解器对售电商购售电优化决策模型进行求解得到最优的需求侧可调负荷，根据最优的需求侧可调负荷引导用户参与柔性互动。
11.进一步地，通过最大信息系数模型量化社会信息对用户用电负荷的影响程度，所述社会信息包括优惠券系数、用户用电的历史负荷、温度和湿度，所述最大信息系数模型为
[0012][0013]
式中：mic为社会信息与用户用电负荷的相关性；x为社会信息，y为用户用电负荷；n
x
,ny为x轴与y轴网格的数量；g为n
x
×
ny形成的网格；ig(x,y)表示网格g下的互信息；b(n,α)＝n
α
(0＜α＜1)为用来限制格数最大数量的函数；log
2 min(n
x
,ny)是一个标准化项，确保mic在0到1的范围内。
[0014]
进一步地，所述优惠券系数通过以下公式确定：
[0015][0016]
式中：cp
i,t
为用户i在t时刻可得到的优惠券面额；k
t
为t时刻的优惠券系数；δq
i,t
为用户i在t时刻的负荷调节量；为用户i在t时刻得到最大优惠券面额需要达到的负荷调整量；为用户i在t时刻的最大负荷调节量；为用户i在t时刻可得到的最大优惠券面额，
[0017]
进一步地，通过attention-lstm负荷预测模型计算用户用电量：
[0018][0019]
x
t
＝[tej(t)，hj(t)，pj(t)，kj(t)，qj(t-1)，qj(t-2)，q
j-1
(t)，q
j-1
(t-1)]
[0020]
式中：为用户在t时刻的用电量；f
t
为用电负荷预测函数；x
t
为t时刻的输入特征向量；j表示天数；tej(t)为预测点时刻的预报温度、hj(t)为预测点时刻的预报湿度、pj(t)为预测点时刻的电价、kj(t)为预测点时刻优惠券系数、qj(t-1)为预测点前一时刻负荷值、qj(t-2)为预测点前两时刻负荷值、q
j-1
(t)为预测点前一天同时刻负荷值、q
j-1
(t-1)为预测点前一天前一时刻负荷值。
[0021]
进一步地，所述售电商多级市场购电模型包括中长期市场购电模型和日前市场购电模型，分别为
[0022][0023]
式中：by为在中长期市场的购电成本；bd为日前市场的购电成本；y为中长期市场；d为日前市场；l为售电商签订的中长期合同数量；为中长期合同l签订的电量；为中长期合同l的价格；为在日前市场购买的t时刻电量；为日前市场t时刻的电价。
[0024]
进一步地，所述售电商购售电优化决策模型为：
[0025]
max c＝(c
sell-c
buy-c
p-c
cp
)
[0026][0027]cbuy
＝by+bd[0028]
[0029][0030][0031]
其中：c为售电商总收益；c
sell
为售电收益；c
buy
为购电支出；c
p
为售电公司向发电公司支付的偏差电量结算电费；c
cp
为优惠券成本；i为用户集合；p
t
为t时刻的峰谷分时电价；t为全天时刻集合；为用户i在t时刻的用电量；by为在中长期市场的购电成本；bd为日前市场的购电成本；为售电公司在t时刻的双边合同偏差电量；和分别为售电公司的正、负偏差电量结算价格；α1和α2为0/1变量，当售电公司的偏差电量为正时α1＝1，α2＝0，反之α1＝0，α2＝1；为日前市场t时刻的电价；为合同l在t时刻的电量分解比例。
[0032]
进一步地，对售电商购售电优化决策模型进行求解的过程包括以下步骤：
[0033]
步骤1、输入售电商购售电优化决策模型所需参数；
[0034]
步骤2、设定粒子个数与最大迭代次数，所述粒子为优惠券系数；
[0035]
步骤3、随机生成初始粒子群，计算初始粒子群所有个体的适应度值，同时得到个体极值与全局极值；
[0036]
步骤4、每一个粒子都追随两个极值来改变自己的速度和位置，之后与个体极值和全局极值进行比对，若优于个体极值或全局极值则对个体极值或全局极值进行更新，并以更新后的个体极值和全局极值对每个粒子的位置与速度进行更新形成新的粒子；
[0037]
步骤5、调用用户用电行为分析程序，基于更新的粒子通过attention-lstm求解各用户各时刻的用电量；
[0038]
步骤6、调用售电商优化子程序，基于各用户各时刻的用电量通过cplex求解器，以效益最大为目标函数求解售电商购售电收益；
[0039]
步骤7、对当前迭代次数加一，并与设定的最大迭代次数进行比较，若未达到最大迭代次数，则返回步骤4，反之则结束迭代过程，以最后一次迭代次数中更新的粒子确定最优的需求侧可调负荷。
[0040]
更进一步地，所述最优的需求侧可调负荷为基于最优的优惠券系数确定的用户在一天中对应时刻的用电量，根据所述用电量引导用户参与负荷调控。
[0041]
一种用于实现如上任意一项所述的考虑社会信息影响的需求侧参与柔性互动的引导方法的系统，包括
[0042]
数据采集模块，用于采集社会信息数据；
[0043]
用户用电量预测模块，确定各社会信息分别对用户用电负荷的影响程度，根据所述影响程度对应的社会信息确定用户用电量；
[0044]
模型构建模块，用于构建售电商多级市场购电模型，用于基于社会信息、用户用电量、售电商多级市场购电模型构建售电商购售电优化决策模型；
[0045]
柔性互动模块，用于采用粒子群算法与cplex求解器对售电商购售电优化决策模型进行求解得到最优的需求侧可调负荷，根据最优的需求侧可调负荷引导用户参与柔性互动。
[0046]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述方法的步骤。
[0047]
本发明的有益效果为：
[0048]
(1)本发明考虑社会信息的影响，预测社会信息作用后的用户用电负荷，使得售电商能够根据每次用户负荷互动的目标量，制定合适的引导策略引导用户较为精确的完成负荷互动目标；基于社会信息、用户用电量、售电商多级市场购电模型建立售电商购售电优化决策模型，能够得到最优的用户参与互动的负荷量，从而制定合适的引导策略引导用户较为精确的完成负荷互动目标；且基于建立的模型能合理分配售电商各级市场购电量，有效降低售电商购售电风险，同时有效引导用户在峰时刻减少用电、在谷时刻增加用电，降低了用户用电成本，具有一定的经济效益。
[0049]
(2)本发明所提出的考虑社会信息影响的需求侧参与柔性互动的引导方法能够准确计算引导信息与用户用电量之间的关系，并结合优化算法得到最优引导策略，所得引导策略能够有效达到优化目标，同时起到一定程度的削峰填谷作用，解决电力负荷高峰攀升破坏电网稳定的问题，具有一定的社会效益，适用性强。
附图说明
[0050]
图1为本发明的控制流程图。
[0051]
图2为本发明社会信息与用户用电负荷的mic图。
[0052]
图3为本发明attention-lstm负荷预测模型结构图。
[0053]
图4为本发明优惠券系数随用户负荷调节量变化图。
[0054]
图5售电商购售电结构图。
[0055]
图6为本发明对售电商购售电优化决策模型求解的流程图。
[0056]
图7为本发明引导方法实施前后的用户负荷曲线图。
具体实施方式
[0057]
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以互相结合。
[0058]
如图1-6所示，本发明提供一种考虑社会信息影响的需求侧参与柔性互动的引导方法，过程为：
[0059]
确定各社会信息分别对用户用电负荷的影响程度；
[0060]
根据影响程度对应的社会信息确定用户用电量；
[0061]
建立售电商多级市场购电模型；
[0062]
基于社会信息、用户用电量、售电商多级市场购电模型建立售电商购售电优化决策模型；
[0063]
采用粒子群算法与cplex求解器对售电商购售电优化决策模型进行求解得到最优的需求侧可调负荷，根据最优的需求侧可调负荷引导用户参与柔性互动。
[0064]
上述方案中，最大信息系数(mic)可以在两个变量的散点图上画一个网格来封装两者之间的相关性，且不受变量对的分布和相关类型的影响。因此，本发明通过最大信息系数模型量化社会信息对用户用电负荷的影响程度，所述社会信息包括优惠券系数、用户用电的历史负荷(行为习惯)、温度和湿度。所述最大信息系数模型为
[0065][0066]
式中：mic为社会信息与用户用电负荷的相关性；x为社会信息，即x＝(x1,x2,...,xn)中每个元素是n维向量，向量中的每个分量是实数y为用户用电负荷；n
x
,ny为x轴与y轴网格的数量；g为n
x
×
ny形成的网格；ig(x,y)表示网格g下的互信息；b(n,α)＝n
α
(0＜α＜1)为用来限制格数最大数量的函数，n为数据量；log
2 min(n
x
,ny)是一个标准化项，确保mic在0到1的范围内，mic越大，对应的影响程度越大。
[0067]
上述方案中，由于优惠券需要考虑到不同用户负荷调节特性不同，即相同额度的优惠券激励下，不同用户的负荷调节量各不相同，因此优惠券额度应该与用户负荷调节量呈正相关关系；考虑公平性因素，不同用户应该有相同的优惠券系数；优惠券额度应该在合理范围内调节，不能出现极大或极小情况。选取分段线性函数的形式表示优惠券面额与用户负荷调节量的关系。峰时段用户减少的负荷量为正，谷时段用户增加的负荷量为正。所述优惠券系数通过以下公式确定：
[0068][0069]
式中：cp
i,t
为用户i在t时刻可得到的优惠券面额；k
t
为t时刻的优惠券系数；δq
i,t
为用户i在t时刻的负荷调节量；为用户i在t时刻得到最大优惠券面额需要达到的负荷调整量；为用户i在t时刻的最大负荷调节量；为用户i在t时刻可得到的最大优惠券面额，
[0070]
用户负荷调整量正向增加时，优惠券面额也会正向增加，从而所提出的优惠券能够使在每次需求响应中使积极响应的用户得到更大的优惠。同时，不同的优惠券系数k
t
的取值，用户得到的优惠券面额比率随负荷调整量改变的速率不同，优惠券系数越大，用户单位调节量所得到的优惠券越大，但优惠券面额都能够稳定在0到之间，从而无论k
t
如何取值，用户购电成本能够始终被控制在一个较为合理的范围之内。
[0071]
上述方案中，由于不同社会信息对用户用电的影响程度不同，因此引入attention机制，选取影响程度较高(大于0.01)的社会信息作为输入特征，通过对模型的输入特征赋予不同的权重，突出更关键的影响信息，通过attention-lstm负荷预测模型计算用户用电量：
[0072][0073]
x
t
＝[tej(t)，hj(t)，pj(t)，kj(t)，qj(t-1)，qj(t-2)，q
j-1
(t)，q
j-1
(t-1)]
[0074]
式中：为用户在t时刻的用电量；f
t
为用电负荷预测函数；x
t
为t时刻的输入特征向量；j表示天数；tej(t)为预测点时刻的预报温度、hj(t)为预测点时刻的预报湿度、pj(t)为预测点时刻的电价、kj(t)为预测点时刻优惠券系数、qj(t-1)为预测点前一时刻负荷值、qj(t-2)为预测点前两时刻负荷值、q
j-1
(t)为预测点前一天同时刻负荷值、q
j-1
(t-1)为预测点前一天前一时刻负荷值。
[0075]
所述attention-lstm负荷预测模型由两部分组成：第1部分为2层lstm，将上述社会信息输入第1层pre-lstm进行预训练，输出h
t
与状态s
t
，第一层的输出结果输入第2层lstm模型进行训练；第2部分为attention层，将模型学习到的特征权重赋予下一个时间步长中的输入向量，突出关键特征对预测负荷的影响。最终数据经过全连接层，调整为输出指定的向量格式，然后得到最终输出层为预测时刻的用户用电负荷。
[0076]
上述方案中，所述售电商多级市场购电模型包括中长期市场购电模型和日前市场购电模型，
[0077]
1、建立中长期市场购电模型；
[0078]
售电商通过与发电企业签订中长期双边物理合同进行购电，所述中长期双边物理合同为分段合同，其根据电能连续生产特性将负荷分为不同持续时长，每种时长分为不同的合同，售电商签订中长期双边物理合同购电成本计算式如下：
[0079][0080]
式中：by为在中长期市场的购电成本；y为中长期市场；l为售电商签订的中长期合同数量；为中长期合同l签订的电量；为中长期合同l的价格。
[0081]
2、建立日前市场购电模型；
[0082]
由于售电商签订的中长期合同的合同电量与用户实际用电量之间存在偏差电量，为了减少偏差电量惩罚，售电商需要进行日前短期负荷预测，然后根据合同电量与预测电量的偏差，在日前市场购电来减少偏差电量惩罚，降低购电风险，售电商在日前市场购电成本计算式如下：
[0083][0084]
式中：bd为日前市场的购电成本；d为日前市场；t为全天时刻集合，为在日前市场购买的t时刻电量；为日前市场t时刻的电价。
[0085]
上述方案中，售电商以购售电收益最大化为目标，售电商的收益受用户实际用电情况与购电费用综合影响，售电收入由用户负荷决定，购电费用由购电方式与购电量决定，因此，本发明通过优惠券引导用户改变自身的用电行为，从而优化购电策略，以实现售电商的购售电收益最大化。售电商购售电优化决策模型的目标函数表达式如下：
[0086]
max c＝(c
sell-c
buy-c
p-c
cp
)
[0087]
式中：c为售电商总收益；c
sell
为售电收益；c
buy
为购电支出；c
p
为售电公司向发电公司支付的偏差电量结算电费；c
cp
为优惠券成本；
[0088]
售电收益c
sell
的表达式如下：
[0089][0090]
式中：i为用户集合；p
t
为时刻t的峰谷分时电价；t为全天时刻集合；为用户i在t时刻的用电量。
[0091]
购电支出c
buy
的表达式如下：
[0092]cbuy
＝by+bd[0093]
售电公司向发电公司支付的偏差电量结算电费c
p
的表达式如下：
[0094][0095][0096]
式中：为售电公司在时刻t的双边合同偏差电量；和分别为售电公司的正、负偏差电量结算价格；α1和α2为0/1变量，当售电公司的偏差电量为正时α1＝1，α2＝0，反之α1＝0，α2＝1；ω
l,t
为合同l在时刻t的电量分解比例。
[0097]
优惠券成本c
cp
的表达式如下：
[0098][0099]
上述方案中，采用粒子群算法与cplex求解器对所述售电商购售电优化决策模型进行求解。对于用户，在给定的优惠券系数下，采用attention-lstm模型预测用户用电负荷，并反馈给售电商购售电决策模型。对于售电商，既采用粒子群算法，以售电商利益为适应度函数，求解迭代过程中的最优优惠券系数，又根据用户用电负荷采用cplex求解售电商各个市场最优购电量，根据最优的优惠券系数引导用户参与负荷调控。具体步骤如下：
[0100]
步骤1：输入售电商购售电优化决策模型所需参数，具体包括分时电价、分段双边合同单位电量电价、合同的电量分解比例等；
[0101]
步骤2：设定粒子数与最大迭代次数，所述粒子为优惠券系数；
[0102]
步骤3：随机生成初始粒子群，计算初始粒子群所有个体的适应度值，同时得到个体极值与全局极值；
[0103]
步骤4：每一个粒子都追随两个"极值"来改变自己的速度和位置，之后与个体极值和全局极值进行比对，若优于个体极值或全局极值则对个体极值或全局极值进行更新，并以更新后的个体极值和全局极值对每个粒子的位置与速度进行更新形成新的粒子；
[0104]
步骤5：调用用户用电行为分析程序(即上述的用户用电量的计算方法)，基于attention-lstm求解各用户各时刻的用电量；
[0105]
步骤6：调用售电商优化子程序(即上述的售电商购售电优化决策模型)，基于售电商购售电优化决策模型通过cplex求解器，以效益最大为目标函数求解售电商购售电收益；
[0106]
步骤7：对当前迭代次数加一，并与设定的最大迭代次数进行比较，若未达到最大迭代次数，则返回步骤4，反之则结束优化过程，以最后一次迭代次数中更新的粒子确定最优的需求侧可调负荷；
[0107]
步骤8：所述最优的需求侧可调负荷为基于最优的优惠券系数确定的用户在一天中对应时刻的用电量，根据所述用电量引导用户参与负荷调控。
[0108]
为实现上述考虑社会信息影响的需求侧参与柔性互动的引导方法，本发明还提供一种考虑社会信息影响的需求侧参与柔性互动的引导系统，包括
[0109]
数据采集模块，用于采集社会信息数据；
[0110]
用户用电量预测模块，确定各社会信息分别对用户用电负荷的影响程度，根据所述影响程度对应的社会信息确定用户用电量；
[0111]
模型构建模块，用于构建售电商多级市场购电模型，用于基于社会信息、用户用电量、售电商多级市场购电模型构建售电商购售电优化决策模型；
[0112]
柔性互动模块，用于采用粒子群算法与cplex求解器对售电商购售电优化决策模型进行求解得到最优的需求侧可调负荷，根据最优的需求侧可调负荷引导用户参与柔性互动。
[0113]
以澳大利亚2006年真实负荷数据进行仿真分析，运用所提的考虑社会信息的需求侧参与柔性互动的引导方法进行用户负荷调控，策略实施前后的用户负荷如图7所示。从结果可知，所提的引导方法够有效引导用户合理用电，在峰时刻减少用电量，谷时刻增加用电量，不仅减少售电商购电成本，而且达到削峰填谷效果，提高电网安全性。
[0114]
综上所述，本发明提供的考虑社会信息影响的需求侧参与柔性互动的引导方法具有有效性及合理性。
[0115]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述引导方法及实施例。或者，该计算机程序被处理器执行时实现上述引导系统中各模块/单元的功能。
[0116]
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
[0117]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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发明权利要求所限定的范围。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
技术特征：1.一种考虑社会信息影响的需求侧参与柔性互动的引导控制方法，其特征在于：确定各社会信息分别对用户用电负荷的影响程度；根据所述影响程度对应的社会信息确定用户用电量；建立售电商多级市场购电模型；基于社会信息、用户用电量、售电商多级市场购电模型建立售电商购售电优化决策模型；采用粒子群算法与cplex求解器对售电商购售电优化决策模型进行求解得到最优的需求侧可调负荷，根据最优的需求侧可调负荷引导用户参与柔性互动。2.根据权利要求1所述的考虑社会信息影响的需求侧参与柔性互动的引导方法，其特征在于：通过最大信息系数模型量化社会信息对用户用电负荷的影响程度，所述社会信息包括优惠券系数、用户用电的历史负荷、温度和湿度，所述最大信息系数模型为式中：mic为社会信息与用户用电负荷的相关性；x为社会信息，y为用户用电负荷；n
x
,n
y
为x轴与y轴网格的数量；g为n
x
×
n
y
形成的网格；i
g
(x,y)表示网格g下的互信息；b(n,α)＝n
α
(0＜α＜1)为用来限制格数最大数量的函数；log2min(n
x
,n
y
)是一个标准化项，确保mic在0到1的范围内。3.根据权利要求2所述的考虑社会信息影响的需求侧参与柔性互动的引导方法，其特征在于：所述优惠券系数通过以下公式确定：式中：cp
i,t
为用户i在t时刻可得到的优惠券面额；k
t
为t时刻的优惠券系数；δq
i,t
为用户i在t时刻的负荷调节量；为用户i在t时刻得到最大优惠券面额需要达到的负荷调整量；为用户i在t时刻的最大负荷调节量；为用户i在t时刻可得到的最大优惠券面额，4.根据权利要求1所述的考虑社会信息影响的需求侧参与柔性互动的引导方法，其特征在于：通过attention-lstm负荷预测模型计算用户用电量：x
t
＝[te
j
(t)，h
j
(t)，p
j
(t)，k
j
(t)，q
j
(t-1)，q
j
(t-2)，q
j-1
(t)，q
j-1
(t-1)]式中：为用户在t时刻的用电量；f
t
为用电负荷预测函数；x
t
为t时刻的输入特征向量；j表示天数；te
j
(t)为预测点时刻的预报温度、h
j
(t)为预测点时刻的预报湿度、p
j
(t)为预测点时刻的电价、k
j
(t)为预测点时刻优惠券系数、q
j
(t-1)为预测点前一时刻负荷值、q
j
(t-2)为预测点前两时刻负荷值、q
j-1
(t)为预测点前一天同时刻负荷值、q
j-1
(t-1)为预测点前一天前一时刻负荷值。5.根据权利要求1所述的考虑社会信息影响的需求侧参与柔性互动的引导方法，其特
征在于：所述售电商多级市场购电模型包括中长期市场购电模型和日前市场购电模型，分别为式中：b
y
为在中长期市场的购电成本；b
d
为日前市场的购电成本；y为中长期市场；d为日前市场；l为售电商签订的中长期合同数量；为中长期合同l签订的电量；为中长期合同l的价格；为在日前市场购买的t时刻电量；为日前市场t时刻的电价。6.根据权利要求1所述的考虑社会信息影响的需求侧参与柔性互动的引导方法，其特征在于：所述售电商购售电优化决策模型为：maxc＝(c
sell-c
buy-c
p-c
cp
)c
buy
＝b
y
+b
ddd
其中：c为售电商总收益；c
sell
为售电收益；c
buy
为购电支出；c
p
为售电公司向发电公司支付的偏差电量结算电费；c
cp
为优惠券成本；i为用户集合；p
t
为t时刻的峰谷分时电价；t为全天时刻集合；为用户i在t时刻的用电量；b
y
为在中长期市场的购电成本；b
d
为日前市场的购电成本；为售电公司在t时刻的双边合同偏差电量；和分别为售电公司的正、负偏差电量结算价格；α1和α2为0/1变量，当售电公司的偏差电量为正时α1＝1，α2＝0，反之α1＝0，α2＝1；为日前市场t时刻的电价；为合同l在t时刻的电量分解比例。7.根据权利要求1所述的考虑社会信息影响的需求侧参与柔性互动的引导方法，其特征在于：对售电商购售电优化决策模型进行求解的过程包括以下步骤：步骤1、输入售电商购售电优化决策模型所需参数；步骤2、设定粒子个数与最大迭代次数，所述粒子为优惠券系数；步骤3、随机生成初始粒子群，计算初始粒子群所有个体的适应度值，同时得到个体极值与全局极值；步骤4、每一个粒子都追随两个极值来改变自己的速度和位置，之后与个体极值和全局极值进行比对，若优于个体极值或全局极值则对个体极值或全局极值进行更新，并以更新后的个体极值和全局极值对每个粒子的位置与速度进行更新形成新的粒子；步骤5、调用用户用电行为分析程序，基于新的粒子通过attention-lstm求解各用户各时刻的用电量；步骤6、调用售电商优化子程序，基于售电商购售电优化决策模型通过cplex求解器，以效益最大为目标函数求解售电商购售电收益；步骤7、对当前迭代次数加一，并与设定的最大迭代次数进行比较，若未达到最大迭代
次数，则返回步骤4，反之则结束迭代过程，以最后一次迭代次数中更新的粒子确定最优的需求侧可调负荷。8.根据权利要求1所述的考虑社会信息影响的需求侧参与柔性互动的引导方法，其特征在于：所述最优的需求侧可调负荷为基于最优的优惠券系数确定的用户在一天中对应时刻的用电量，根据所述用电量引导用户参与负荷调控。9.一种用于实现如权利要求1-8任意一项所述的考虑社会信息影响的需求侧参与柔性互动的引导方法的系统，其特征在于：包括数据采集模块，用于采集社会信息数据；用户用电量预测模块，确定各社会信息分别对用户用电负荷的影响程度，根据所述影响程度对应的社会信息确定用户用电量；模型构建模块，用于构建售电商多级市场购电模型，用于基于社会信息、用户用电量、售电商多级市场购电模型构建售电商购售电优化决策模型；柔性互动模块，用于采用粒子群算法与cplex求解器对售电商购售电优化决策模型进行求解得到最优的需求侧可调负荷，根据最优的需求侧可调负荷引导用户参与柔性互动。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
技术总结本发明公开了一种考虑社会信息影响的需求侧参与柔性互动的引导方法、系统及存储介质。过程为：确定各社会信息分别对用户用电负荷的影响程度；根据所述影响程度对应的社会信息确定用户用电量；建立售电商多级市场购电模型和售电商购售电优化决策模型；对售电商购售电优化决策模型进行求解得到最优的需求侧可调负荷，根据最优的需求侧可调负荷引导用户参与柔性互动。本发明能够准确计算引导信息与用户负荷调整量之间的关系，并结合优化算法得到最优引导策略，所得引导策略能够有效达到优化目标，同时起到一定程度的削峰填谷作用，解决电力负荷高峰攀升破坏电网稳定的问题，具有一定的社会效益，适用性强。适用性强。适用性强。
技术研发人员：肖楚鹏 江城 王忠东 王振宇 周超 王奎 胡文博 吴凯槟 李悦 周玉 高凡 穆卓文
受保护的技术使用者：国网电力科学研究院有限公司 国网江苏省电力有限公司营销服务中心 国家电网有限公司
技术研发日：2022.07.14
技术公布日：2022/11/1
