随着风光发电规模的增加,为了减少弃风弃光,新能源的消纳问题变得日渐突出。如何破解这一困境,成为当今研究的热点。考虑到居民用电近些年来逐年增加,在用电市场中形成了一定规模,并且某些大功率设备如空调、蓄热式热水器等,具有一定的可调节的潜力。但由于这些用电设备存在着量大、分散的特点,采取集中控制方式投资将较大,采用行政方式管理难度大。因此有必要借助于电力市场中的电价手段,开展居民用电负荷调控工作,它具有管理难度小,实施效果好等优点。而居民的用电特性分析预测,以及基于需求响应特性进行动态定价,是其中最为关键的问题之一。显然合理的定价方案,可以实现电网的电力供需平衡、可再生能源利用率提高、以及用户电费支出费用节省等多重管理目标。首先,梳理了需求响应动态定价策略研究的基础。介绍了电力需求响应的基本概念及分类;对居民的用电设备的类型、运行特性、以及分不同季节、工作日和非工作日的用电变化规律与特点进行了分析,介绍了电力负荷预测的常用方法并对比。对电力需求响应环境下的定价方法进行比较,并说明了基于强化学习的需求响应动态定价方法所具有的优点。其次,开展了基于最大相关-最小冗余技术（m RMR）与门控神经网络（GRU）相结合的居民短期负荷预测研究。在对人工神经网络工作原理的基础上,分析了循环神经网络和门控神经网络结构改进、计算机制所带来的计算性能的变化;然后运用m RMR技术,对居民日负荷预测模型的输入变量进行了筛选,并给出了基于m RMR-GRU的居民日负荷预测的预测流程;接着,采用比利时布鲁塞尔某小镇的居民用电数据进行仿真分析,发现所提出的方法的预测结果,较之单一的BP、SVM等方法的预测精度更高,且具有更好的适用性最后,提出了一种适用于居民需求响应的动态定价方法并进行了算例验证。根据零售电力市场中主场主体间的关系,构建了兼顾用户用电成本和能源收益综合最优为目标函数、并计及用户满意度要求、零售价和批发价之间价差限制等多种约束在内的居民需求响应动态定价模型。在模型求解过程中,将居民的需求响应的动态定价问题转化为有限的马尔科夫决策过程,从而以较小的计算代价获取较优解。结合Q-learning算法实现动态定价模型的求解。通过实际仿真算例,对选取的居民用户的零售电价进行定价。并且,通过增加用户侧数量及时间维度及使用CPLEX计算同一用户收益,分别进行仿真,验证了所构建的模型及动态定价方法的可靠性。