面向需求响应的数据驱动零售电价定价策略

阮嘉祺; 柳文轩; 赵俊华; 梁高琪; 杨超; 文福拴

doi:10.7500/AEPS20220824007

您当前的位置：

首页 >

文章列表页 >

面向需求响应的数据驱动零售电价定价策略

研制与开发 | 更新时间：2025-06-16

- 面向需求响应的数据驱动零售电价定价策略
- Data-driven Electricity Retail Pricing Strategy for Demand Response
- 电力系统自动化 2023年47卷第7期页码：133-141
- 作者机构：
  
  1.香港中文大学（深圳）理工学院，广东省深圳市 518172
  2.深圳市人工智能与机器人研究院，广东省深圳市 518038
  3.浙江大学电气工程学院，浙江省杭州市 310027
- 作者简介：
  
  阮嘉祺(1994—)，男，博士研究生，主要研究方向：智能电网、需求响应、网络安全、机器学习。E-mail：jiaqiruan@link.cuhk.edu.cn
  柳文轩(1991—)，男，博士后，主要研究方向：电力市场、碳市场、机器学习。E-mail：liuwenxuan@cuhk.edu.cn
  赵俊华(1980—)，男，通信作者，博士，副教授，博士生导师，主要研究方向：智能电网、电力系统分析与计算、数据挖掘与人工智能、电力市场。E-mail：zhaojunhua@cuhk.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(72171206)
- DOI：10.7500/AEPS20220824007
  中图分类号：
- 收稿：2022-08-24，
  
  修回：2022-10-15，
  
  网络出版：2022-12-14，
  
  纸质出版：2023-04-10
- 稿件说明：
移动端阅览
阮嘉祺,柳文轩,赵俊华等.面向需求响应的数据驱动零售电价定价策略[J].电力系统自动化,2023,47(7):133-141.

RUAN Jiaqi,LIU Wenxuan,ZHAO Junhua,et al.Data-driven Electricity Retail Pricing Strategy for Demand Response[J].Automation of Electric Power Systems,2023,47(7):133-141.
阮嘉祺,柳文轩,赵俊华等.面向需求响应的数据驱动零售电价定价策略[J].电力系统自动化,2023,47(7):133-141. DOI： 10.7500/AEPS20220824007.

RUAN Jiaqi,LIU Wenxuan,ZHAO Junhua,et al.Data-driven Electricity Retail Pricing Strategy for Demand Response[J].Automation of Electric Power Systems,2023,47(7):133-141. DOI： 10.7500/AEPS20220824007.

摘要

需求响应旨在削峰填谷和改善负荷轮廓，以提升电力系统运行的安全性和经济性。合理的电力零售定价有助于引导用户调整用能行为，促进需求响应。在此背景下，提出一种用能行为学习模型和一种个性化零售定价方案。首先，分析用能行为特征，利用基于多类注意力机制的长短期记忆网络提取特征关联性，构建用能行为学习模型。然后，考虑价格风险，以最大程度开发用户需求响应潜力为目标，建立个性化零售定价模型。算例仿真结果验证了所采用的学习模型相对传统深度学习模型的优势，提出的个性化零售定价方案可开发时变需求响应潜力，且能有效规避零售商收益风险和用户购电成本风险。

Abstract

Demand response aims at shifting peak load to valley load and improving the load profile

so as to enhance the safety and economy of power system operation. Reasonable electricity retail pricing enables to guide users to adjust their energy consumption behaviors

thus facilitating demand response. In this context

an energy consumption behavior learning model and a customized retail pricing strategy are presented. Firstly

characteristics of energy consumption behaviors are analyzed

and long short-term memory networks based on multiple attention mechanisms are exploited to extract feature correlations and construct the energy consumption behavior learning model. Secondly

considering the price risk

a customized retail pricing model is proposed with the goal of fully developing users’ demand response potential. Case simulation results demonstrate the superiority of the proposed learning model compared with traditional deep learning models

and the proposed customized retail pricing strategy is capable of developing time-varying demand response potentials while it is effective to hedge the profit risk for the retailer and the cost risk of electricity purchase for the user.

关键词

Keywords

references

MAHMUD K ， RAVISHANKAR J ， HOSSAIN M J ， et al . The impact of prediction errors in the domestic peak power demand management ［J］. IEEE Transactions on Industrial Informatics ， 2020 ， 16 （ 7 ）： 4567 - 4579 .

GIRI J ， SUN D ， AVILA-ROSALES R . Wanted： a more intelligent grid ［J］. IEEE Power and Energy Magazine ， 2009 ， 7 （ 2 ）： 34 - 40 .

徐潇源，王晗，严正，等 . 能源转型背景下电力系统不确定性及应对方法综述［J］. 电力系统自动化， 2021 ， 45 （ 16 ）： 2 - 13 .

XU Xiaoyuan ， WANG Han ， YAN Zheng ， et al . Overview of power system uncertainty and its solutions under energy transition ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 16 ）： 2 - 13 .

姚建国，张凯锋，丁哲通，等 . 动态需求响应概念扩展及研究重点［J］. 电力系统自动化， 2019 ， 43 （ 14 ）： 207 - 215 .

YAO Jianguo ， ZHANG Kaifeng ， DING Zhetong ， et al . Concept extension and research focus of dynamic demand response ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 14 ）： 207 - 215 .

孙华东，许涛，郭强，等 . 英国“8·9”大停电事故分析及对中国电网的启示［J］. 中国电机工程学报， 2019 ， 39 （ 21 ）： 6183 - 6192 .

SUN Huadong ， XU Tao ， GUO Qiang ， et al . Analysis on blackout in Great Britain power grid on August 9th， 2019 and its enlightenment to power grid in China ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 21 ）： 6183 - 6192 .

胡秦然，丁昊晖，陈心宜，等 . 美国加州2020年轮流停电事故分析及其对中国电网的启示［J］. 电力系统自动化， 2020 ， 44 （ 24 ）： 11 - 18 .

HU Qinran ， DING Haohui ， CHEN Xinyi ， et al . Analysis on rotating power outage in California， USA in 2020 and its enlightenment to power grid of China ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 24 ）： 11 - 18 .

SHAFIE-KHAH M ， SIANO P ， AGHAEI J ， et al . Comprehensive review of the recent advances in industrial and commercial DR ［J］. IEEE Transactions on Industrial Informatics ， 2019 ， 15 （ 7 ）： 3757 - 3771 .

HAN Jianpei ， LIU Nian ， GU Chenghong . Optimization of transactive energy systems with demand response： a cyber-physical-social system perspective ［J］. Energy Conversion and Economics ， 2022 ， 3 （ 3 ）： 142 - 155 .

KIRSCHEN D S ， STRBAC G ， CUMPERAYOT P ， et al . Factoring the elasticity of demand in electricity prices ［J］. IEEE Transactions on Power Systems ， 2000 ， 15 （ 2 ）： 612 - 617 .

秦祯芳，岳顺民，余贻鑫，等 . 零售端电力市场中的电量电价弹性矩阵［J］. 电力系统自动化， 2004 ， 28 （ 5 ）： 16 - 19 .

QIN Zhenfang ， YUE Shunmin ， YU Yixin ， et al . Price elasticity matrix of demand in current retail power market ［J］. Automation of Electric Power Systems ， 2004 ， 28 （ 5 ）： 16 - 19 .

徐广达，张利，梁军，等 . 基于设备用电特征的居民电力需求价格弹性评估［J］. 电力系统自动化， 2020 ， 44 （ 13 ）： 48 - 55 .

XU Guangda ， ZHANG Li ， LIANG Jun ， et al . Estimation of price elasticity for residential electricity demand based on electricity consumption features of appliances ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 13 ）： 48 - 55 .

孙毅，刘迪，李彬，等 . 深度强化学习在需求响应中的应用［J］. 电力系统自动化， 2019 ， 43 （ 5 ）： 183 - 191 .

SUN Yi ， LIU Di ， LI Bin ， et al . Application of deep reinforcement learning in demand response ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 5 ）： 183 - 191 .

PATERAKIS N G ， TAŞCıKARAOĞLU A ， ERDINÇ O ， et al . Assessment of demand-response-driven load pattern elasticity using a combined approach for smart households ［J］. IEEE Transactions on Industrial Informatics ， 2016 ， 12 （ 4 ）： 1529 - 1539 .

NAKABI T A ， TOIVANEN P . An ANN-based model for learning individual customer behavior in response to electricity prices ［J］. Sustainable Energy， Grids and Networks ， 2019 ， 18 ： 100212 .

孙庆凯，王小君，张义志，等 . 基于LSTM和多任务学习的综合能源系统多元负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 5 ）： 63 - 70 .

SUN Qingkai ， WANG Xiaojun ， ZHANG Yizhi ， et al . Multiple load prediction of integrated energy system based on long short-term memory and multi-task learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 5 ）： 63 - 70 .

苏向敬，周汶鑫，李超杰，等 . 基于双重注意力LSTM神经网络的可解释海上风电出力预测［J］. 电力系统自动化， 2022 ， 46 （ 7 ）： 141 - 151 .

SU Xiangjing ， ZHOU Wenxin ， LI Chaojie ， et al . Interpretable offshore wind power output forecasting based on long short-term memory neural network with dual-stage attention ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 7 ）： 141 - 151 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［C］// Advances in Neural Information Processing Systems ， December 4-9 ， 2017 ， Long Beach， USA ： 5998 - 6008 .

SHIH S Y ， SUN F K ， LEE H Y . Temporal pattern attention for multivariate time series forecasting ［J］. Machine Learning ， 2019 ， 108 （ 8 ）： 1421 - 1441 .

YANG J J ， ZHAO J H ， WEN F S ， et al . A framework of customizing electricity retail prices ［J］. IEEE Transactions on Power Systems ， 2017 ， 33 （ 3 ）： 2415 - 2428 .

YANG J J ， ZHAO J H ， LUO F J ， et al . Decision-making for electricity retailers： a brief survey ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 5 ）： 4140 - 4153 .

CRAWLEY D B ， LAWRIE L K ， WINKELMANN F C ， et al . EnergyPlus： creating a new-generation building energy simulation program ［J］. Energy and Buildings ， 2001 ， 33 （ 4 ）： 319 - 331 .

RUAN J Q ， LIU G L ， QIU J ， et al . Time-varying price elasticity of demand estimation for demand-side smart dynamic pricing ［J］. Applied Energy ， 2022 ， 322 ： 119520 .

Nord Pool . Historical database of day-ahead electricity market in UK ［EB/OL］. ［ 2022-11-15 ］. https：//www.nordpoolgroup.com/en/Market-data1/GB/Auction-prices/UK/Hourly/？view =table https://www.nordpoolgroup.com/en/Market-data1/GB/Auction-prices/UK/Hourly/?view=table .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于W-BiLSTM的可再生能源超短期发电功率预测方法

深度强化学习在需求响应中的应用