CN104331840B - 电力市场环境下负荷零售商的最优购电方法 - Google Patents
电力市场环境下负荷零售商的最优购电方法 Download PDFInfo
- Publication number
- CN104331840B CN104331840B CN201410584127.2A CN201410584127A CN104331840B CN 104331840 B CN104331840 B CN 104331840B CN 201410584127 A CN201410584127 A CN 201410584127A CN 104331840 B CN104331840 B CN 104331840B
- Authority
- CN
- China
- Prior art keywords
- load
- user
- data
- class
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005611 electricity Effects 0.000 claims abstract description 18
- 241001269238 Data Species 0.000 claims abstract description 7
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 5
- 238000007621 cluster analysis Methods 0.000 claims abstract description 4
- 239000010755 BS 2869 Class G Substances 0.000 claims description 14
- 230000002354 daily effect Effects 0.000 claims description 8
- 238000000205 computational method Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 230000009885 systemic effect Effects 0.000 claims description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011430 maximum method Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012804 iterative process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力市场环境下负荷零售商的最优购电方法,包括以下步骤:售商采集所辖用户的每日96点历史负荷数据;基于时间维度选取各用户一年的负荷数据为特征向量进行聚类分析,将负荷分为典型的几类;根据聚类分析结果抽取各用户的每月典型负荷曲线;考虑不同用户的负荷特性在时序上的互补性,建立负荷优化聚合模型,通过优化购电方案,使得零售商经济效益最佳。本发明对电力市场下零售商的购电行为进行优化建模,为电力市场的运行提供了科学理论支持,充分发挥了其运行效率。
Description
技术领域
本发明涉及电力系统控制领域,具体涉及一种电力市场环境下负荷零售商的最优购电方法。
背景技术
为了更合理地配置资源,提高资源利用率,促进电力工业与社会、经济、环境的协调发展,目前,许多国家的电力工业都在进行打破垄断、解除管制、引入竞争、建立电力市场的电力体制改革。在我国,电力工业快速发展的同时,电力体制改革也逐步深入,在发电领域已经逐步引入了竞争机制,即各发电公司按电价竞争上网的市场机制,即形成了初步的电力市场化。
而随着改革的推进,售电侧也将逐步放开,引入竞争。在竞争性电力市场中,由于交易费用的存在,大多数中小用户会向零售商购电,由零售商代表他们在批发市场上购电。零售商通过与发电企业签订远期合同来保障用户大部分用电需求,不足部分在现货市场进行购买。
另一方面,由于用户生产班制、设备启停时间等原因,用户的日负荷曲线总是波动的,而不同用户间的负荷可能存在时序上的互补性,这种互补性有可能使不同用户的负荷曲线相叠加后的负荷最大值要远小于这几个用户的最大负荷直接相加的结果。
发明内容
发明目的:为了解决现有技术的不足,本发明提供一种电力市场环境下负荷零售商的最优购电方法,基于用户负荷特性的互补性对用户进行合理聚合,使每个聚合单元都具有较大的负荷率,解决了现有技术的问题。
技术方案:电力市场环境下负荷零售商的最优购电方法,其特征在于:该方法包括以下步骤:
1)零售商采集所辖用户的每日96点历史负荷数据;
2)数据预处理,剔除非正常数据;
3)基于时间维度选取各用户一年中每月的负荷数据为特征向量,将各月负荷分别分类;
4)根据聚类分析结果,抽取各用户的每月典型负荷曲线:
式中:
Pijt为用户i在月份j的典型负荷曲线;
Pag,ikt为用户i的第k类聚类结果;
Nijk为用户i在j月份属于第k类的天数;
5)考虑不同用户的负荷特性在时序上的互补性,确定m组用户负荷中每组成员的构成,建立基于长期合同的负荷优化聚合模型:
s.t Ppur,jm≥Smin (5)
式中:
目标函数(2)为最大化m组用户的总负荷率,t为一天中每15分钟一个点的时刻计时,总计96个时刻;
xijm为0-1优化变量,表示用户i的j月份负荷属于第m组;
Psum,jmt为j月份第m组负荷曲线;
Ppur,jm为j月份第m组负荷的购电计划;
Smin为购电合同的购电下限值。
进一步的,所述步骤2)中数据预处理包括以下步骤:
2.1)认为短时间即相隔15min内的连续3个数据相对稳定,没有突变,结合统计学原理,利用样本统计指标与设定阈值判断是否有非正常数据:
将某负荷点附近连续5个数据平均化,形成平滑后的负荷序列:
式中:
xi,n,t为用户i第n日t时刻的原始负荷数据;
为用户i第n日t时刻经平滑后的负荷数据;
2.2)如果原始数据与平滑后数据的误差满足则用户i第n日t时刻的负荷数据xi,n,t为非正常数据,其中δ为阈值,通常取0.08~0.15;
2.3)对非常数据进行如下修正:
式中,x’i,n,t为用户i第n日t时刻经修正后的负荷数据;α、β为自定义权值且α+β=1。
进一步的,所述步骤3)中对用户进行聚类分析包括以下步骤:
3.1)使用最短距离法、最长距离法、重心法、类平均法、离差平方和法和加权平均法等不同距离计算方法进行系统聚类,得到每种方法下的聚类树及聚类中心;
各种方法的类间距离计算方法为:
最短距离法:DKL=min{dij:yi∈Gk,yj∈GL} (8)
最长距离法:DKL=max{dij:yi∈Gk,yj∈GL} (9)
式中:
yi为类中的元素,对应着每个用户每一天的96点负荷数据序列;
DKL为类Gk与类GL之间的距离;
dij为元素yi与yj间的距离;
nK和nL为类Gk与类GL的元素个数;
3.2)计算每种系统聚类方法下的相关系数,选取聚类相关系数最大的方法得到聚类中心作为下一步模糊C均值聚类的原始聚类中心;
3.3)采用模糊C均值聚类法进行第二次聚类:
3.3.1)根据聚类中心(第一次迭代中使用的是系统聚类方法获得的初始聚类中心,后面的迭代过程使用的是更新的聚类中心),由下式确定隶属度矩阵:
dij=||ci-yi|| (14)
式中,
uij为介于0,1之间,表示数据样本yj关于第i类的隶属度;
c为聚类类数;
q为加权指数,q∈[1,∞);
dij与yj与第i类聚类中心ci之间的距离,使用欧式距离:
式中,
cit为聚类中心ci的第t个数据点;yit为数据样本yj的第t个数据点;
3.3.2)计算价值函数:
如果其值小于某个阀值或其相对于上一次迭代中价值函数值的该变量小于某个阀值,则停止迭代;
3.3.2)计算新的聚类中心返回步骤3.3.1)。
进一步的,所述步骤5)中优化变量为xijm,是对用户进行优化分组,零售商对每组负荷单独进行购电;约束条件为每份购电合同的购电量大于某一限制;所形成的优化购电方案每月变化一次,一月中每天的购电量固定。,是对用户进行优化分组,零售商对每组负荷单独进行购电;约束条件为每份购电合同的购电量大于某一限制;所形成的优化购电方案每月变化一次,一月中每天的购电量固定。
有益效果:
本发明提供了一种电力市场环境下负荷零售商的最优购电方法,其优点是对于所辖用户基于时间尺度进行聚类,并充分考虑用户的多样化用电行为抽取出每月的典型负荷曲线,在此基础上对用户进行合理聚合,以聚合负荷为主体考虑其与售电方的远期购电合同,聚合的依据为各组的综合负荷负荷率最大,从而保证零售商的经济效益最佳。为电力市场运行提供科学理论支持。
附图说明
图1为本发明方法的总流程图
图2为系统聚类法流程图
具体实施方式
下面结合附图对本发明做更进一步的解释。如图1所示,一种电力市场环境下负荷零售商的最优购电方法,包括以下步骤:
步骤1)零售商采集所辖用户的每日96点历史负荷数据;
步骤2)数据预处理,剔除非正常数据;预处理步骤具体为:
2.1)认为短时间即相隔15min内的连续3个数据相对稳定,没有突变,结合统计学原理,利用样本统计指标与设定阈值判断是否有非正常数据:
将某负荷点附近连续5个数据平均化,形成平滑后的负荷序列:
式中:
xi,n,t为用户i第n日t时刻的原始负荷数据;
为用户i第n日t时刻经平滑后的负荷数据;
2.2)如果原始数据与平滑后数据的误差满足则用户i第n日t时刻的负荷数据xi,n,t为非正常数据,其中δ为阈值,通常取0.08~0.15;
2.3)对非常数据进行如下修正:
式中,x’i,n,t为用户i第n日t时刻经修正后的负荷数据;α、β为自定义权值且α+β=1。
步骤3)基于时间维度选取各用户一年中每月的负荷数据为特征向量,将各月负荷分别分类;对用户进行聚类分析具体包括以下步骤:
3.1)使用最短距离法、最长距离法、重心法、类平均法、离差平方和法和加权平均法等不同距离计算方法进行系统聚类,得到每种方法下的聚类树及聚类中心;
各种方法的类间距离计算方法为:
最短距离法:DKL=min{dij:yi∈Gk,yj∈GL} (8)
最长距离法:DKL=max{dij:yi∈Gk,yj∈GL} (9)
式中:
yi为类中的元素,对应着每个用户每一天的96点负荷数据序列;
DKL为类Gk与类GL之间的距离;
dij为元素yi与yj间的距离;
nK和nL为类Gk与类GL的元素个数;
系统聚类法过程如图2所示,
3.2)计算每种系统聚类方法下的相关系数,选取聚类相关系数最大的方法得到聚类中心作为下一步模糊C均值聚类的原始聚类中心;
3.3)采用模糊C均值聚类法进行第二次聚类:
3.3.1)根据聚类中心(第一次迭代中使用的是系统聚类方法获得的初始聚类中心,后面的迭代过程使用的是更新的聚类中心),由下式确定隶属度矩阵:
dij=||ci-yi|| (14)
式中,
uij为介于0,1之间,表示数据样本yj关于第i类的隶属度;
c为聚类类数;
q为加权指数,q∈[1,∞);
dij与yj与第i类聚类中心ci之间的距离,使用欧式距离:
式中,
cit为聚类中心ci的第t个数据点;yit为数据样本yj的第t个数据点;
3.3.2)计算价值函数:
如果其值小于某个阀值或其相对于上一次迭代中价值函数值的该变量小于某个阀值,则停止迭代;
3.3.2)计算新的聚类中心返回步骤3.3.1)。
步骤4)根据聚类分析结果,抽取各用户的每月典型负荷曲线:
式中:
Pijt为用户i在月份j的典型负荷曲线;
Pag,ikt为用户i的第k类聚类结果;
Nijk为用户i在j月份属于第k类的天数;
5)考虑不同用户的负荷特性在时序上的互补性,确定m组用户负荷中每组成员的构成,建立基于长期合同的负荷优化聚合模型:
s.t Ppur,jm≥Smin (5)
式中:
目标函数(2)为最大化m组用户的总负荷率,t为一天中每15分钟一个点的时刻计时,总计96个时刻;
xijm为0-1优化变量,表示用户i的j月份负荷属于第m组;
Psum,jmt为j月份第m组负荷曲线;
Ppur,jm为j月份第m组负荷的购电计划;
Smin为购电合同的购电下限值。
其中优化变量为xijm,是对用户进行优化分组,保证每组的负荷率都较大,零售商对每组负荷单独进行购电;约束条件为每份购电合同的购电量大于某一限制;所形成的优化购电方案每月变化一次,一月中每天的购电量固定。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.电力市场环境下负荷零售商的最优购电方法,其特征在于:该方法包括以下步骤:
1)零售商采集所辖用户的每日96点历史负荷数据;
2)数据预处理,剔除非正常数据;
3)基于时间维度选取各用户一年中每月的负荷数据为特征向量,将各月负荷分别分类;
4)根据聚类分析结果,抽取各用户的每月典型负荷曲线:
式中:
Pijt为用户i在月份j的典型负荷曲线;
Pag,ikt为用户i的第k类聚类结果;
Nijk为用户i在j月份属于第k类的天数;
5)考虑不同用户的负荷特性在时序上的互补性,确定m组用户负荷中每组成员的构成,建立基于长期合同的负荷优化聚合模型:
s.t Ppur,jm≥Smin (5)
式中:
目标函数(2)为最大化m组用户的总负荷率,t为一天中每15分钟一个点的时刻计时,总计96个时刻;
xijm为0-1优化变量,表示用户i的j月份负荷属于第m组;
Psum,jmt为j月份第m组负荷曲线;
Ppur,jm为j月份第m组负荷的购电计划;
Smin为购电合同的购电下限值。
2.根据权利要求1所述的电力市场环境下负荷零售商的最优购电方法,其特征在于:所述步骤2)中数据预处理包括以下步骤:
2.1)认为短时间即相隔15min内的连续3个数据相对稳定,没有突变,结合统计学原理,利用样本统计指标与设定阈值判断是否有非正常数据:
将某负荷点附近连续5个数据平均化,形成平滑后的负荷序列:
式中:
xi,n,t为用户i第n日t时刻的原始负荷数据;
为用户i第n日t时刻经平滑后的负荷数据;
2.2)如果原始数据与平滑后数据的误差满足则用户i第n日t时刻的负荷数据xi,n,t为非正常数据,其中δ为阈值,通常取0.08~0.15;
2.3)对非常数据进行如下修正:
式中,x’i,n,t为用户i第n日t时刻经修正后的负荷数据;α、β为自定义权值且α+β=1。
3.根据权利要求1所述的电力市场环境下负荷零售商的最优购电方法,其特征在于:所述步骤3)中对用户进行聚类分析包括以下步骤:
3.1)使用距离计算方法进行系统聚类,所述距离计算方法包括最短距离法、最长距离法、重心法、类平均法、离差平方和法和加权平均法,以得到每种方法下的聚类树及聚类中心;
各种方法的类间距离计算方法为:
最短距离法:DKL=min{dij:yi∈Gk,yj∈GL} (8)
最长距离法:DKL=max{dij:yi∈Gk,yj∈GL} (9)
重心法:
类平均法:
离差平方和法:
式中:
yi为类中的元素,对应着每个用户每一天的96点负荷数据序列;
DKL为类Gk与类GL之间的距离;
dij为元素yi与yj间的距离;
和为类Gk与类GL的重心;
nK和nL为类Gk与类GL的元素个数;
3.2)计算每种系统聚类方法下的相关系数,选取聚类相关系数最大的方法得到聚类中心作为下一步模糊C均值聚类的原始聚类中心;
3.3)采用模糊C均值聚类法进行第二次聚类:
3.3.1)根据聚类中心,由下式确定隶属度矩阵:
dij=||ci-yi|| (14)
式中,
uij为介于0,1之间,表示数据样本yj关于第i类的隶属度;
c为聚类类数;
q为加权指数,q∈[1,∞);
dij与yj与第i类聚类中心ci之间的距离,使用欧式距离:
式中,
cit为聚类中心ci的第t个数据点;yit为数据样本yj的第t个数据点;
3.3.2)计算价值函数:
如果其值小于某个阀值,或该值相对于上一次迭代中价值函数值的改变量小于某个阀值,则停止迭代;
3.3.2)计算新的聚类中心返回步骤3.3.1)。
4.根据权利要求1所述的电力市场环境下负荷零售商的最优购电方法,其特征在于:所述步骤5)中优化变量为xijm,是对用户进行优化分组,零售商对每组负荷单独进行购电;约束条件为每份购电合同的购电量大于某一限制;所形成的优化购电方案每月变化一次,一月中每天的购电量固定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410584127.2A CN104331840B (zh) | 2014-10-27 | 2014-10-27 | 电力市场环境下负荷零售商的最优购电方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410584127.2A CN104331840B (zh) | 2014-10-27 | 2014-10-27 | 电力市场环境下负荷零售商的最优购电方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331840A CN104331840A (zh) | 2015-02-04 |
CN104331840B true CN104331840B (zh) | 2018-08-28 |
Family
ID=52406561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410584127.2A Active CN104331840B (zh) | 2014-10-27 | 2014-10-27 | 电力市场环境下负荷零售商的最优购电方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331840B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820862A (zh) * | 2015-03-10 | 2015-08-05 | 国家电网公司 | 一种基于动态聚类的电力市场供需预警模型的建立方法 |
CN104809255A (zh) * | 2015-05-21 | 2015-07-29 | 国家电网公司 | 一种负荷形态获取方法和系统 |
CN106410781B (zh) * | 2015-07-29 | 2018-11-13 | 中国电力科学研究院 | 一种电力用户需求响应潜力确定方法 |
CN106228466A (zh) * | 2016-08-01 | 2016-12-14 | 中国南方电网有限责任公司电网技术研究中心 | 电力零售公司购电组合方案设计方法与系统 |
CN106447432A (zh) * | 2016-09-13 | 2017-02-22 | 中国农业大学 | 电力零售市场环境下零售商的售电方法 |
CN109828861B (zh) * | 2018-12-13 | 2019-12-06 | 国网江苏省电力有限公司电力科学研究院 | 一种面向电力零售市场的电能计量数据校验系统及方法 |
CN110851502B (zh) * | 2019-11-19 | 2023-04-07 | 国网吉林省电力有限公司 | 一种基于数据挖掘技术的负荷特征场景分类方法 |
KR102318943B1 (ko) * | 2020-03-11 | 2021-10-27 | 가천대학교 산학협력단 | 부하이미지 프로파일 생성방법 |
CN111431173B (zh) * | 2020-03-30 | 2021-08-17 | 国网经济技术研究院有限公司 | 考虑负荷互补特性的中压配电网环网结构确定方法及系统 |
CN112381409A (zh) * | 2020-11-16 | 2021-02-19 | 江西电力交易中心有限公司 | 一种尖峰时段的动态调整方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156814A (zh) * | 2011-04-06 | 2011-08-17 | 广东省电力设计研究院 | 基于聚类的典型日负荷曲线选取方法及装置 |
CN102999791A (zh) * | 2012-11-23 | 2013-03-27 | 广东电网公司电力科学研究院 | 一种电力行业中基于客户分群的电力负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090032594A (ko) * | 2007-09-28 | 2009-04-01 | 한국전력공사 | 검침 데이터를 이용한 전력 설비의 시공간 부하 분석시스템 및 부하 계산방법 |
-
2014
- 2014-10-27 CN CN201410584127.2A patent/CN104331840B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156814A (zh) * | 2011-04-06 | 2011-08-17 | 广东省电力设计研究院 | 基于聚类的典型日负荷曲线选取方法及装置 |
CN102999791A (zh) * | 2012-11-23 | 2013-03-27 | 广东电网公司电力科学研究院 | 一种电力行业中基于客户分群的电力负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
区域电力市场日前购电模型与决策的研究;王欣星;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20080915(第9期);第C042-141页 * |
基于加权相似度和加权支持向量机的短期电力负荷预测研究;陈乐;《中国优秀硕士学位论文全文数据库信息科技辑》;20130115(第1期);第I140-52页 * |
有序用电避峰预案优化编制方法研究;陆婷婷 等;《电网技术》;20140905;第38卷(第9期);第2316-2321页 * |
模糊优化技术在供电公司购电组合中的应用——供电公司多目标购电模型及其模糊优化;张宗益 等;《系统工程》;20110328;第29卷(第3期);第93-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104331840A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331840B (zh) | 电力市场环境下负荷零售商的最优购电方法 | |
CN104573879B (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN107944630A (zh) | 一种季节性分时电价优化制定方法 | |
CN106446967A (zh) | 一种新型电力系统负荷曲线聚类方法 | |
CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
CN106484512B (zh) | 计算单元的调度方法 | |
CN106204162A (zh) | 一种互联网环境下新入网电力用户用电模式预测方法 | |
CN105550766A (zh) | 一种含可再生能源的微网鲁棒多目标运行优化方法 | |
CN110994694A (zh) | 计及差异化需求响应的微电网源荷储协调优化调度方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN104376502A (zh) | 基于灰色关联度的电力客户信用综合评价方法 | |
CN106779219A (zh) | 一种用电量预测方法及系统 | |
Han et al. | Scaling up cooperative game theory-based energy management using prosumer clustering | |
CN106777005A (zh) | 基于大数据技术改进聚类算法的用户用电行为分析方法 | |
CN108876094A (zh) | 一种清洁能源接入的电网运行综合评价方法 | |
CN110610294A (zh) | 一种考虑用户消费心理的售电公司电量套餐设计方法 | |
CN107248031A (zh) | 一种针对负荷曲线峰谷差的快速电力用户分类方法 | |
CN107748940A (zh) | 一种节电潜力量化预测方法 | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
CN115566689A (zh) | 一种改进天鹰优化算法优化负荷峰谷时段划分以及峰谷电价方法 | |
CN112232863A (zh) | 一种基于云边端协同的虚拟资源管理方法及系统 | |
CN108122173A (zh) | 一种基于深度信念网络的多行业负荷预测方法 | |
CN106682934A (zh) | 一种购电竞价策略 | |
CN111914900B (zh) | 一种用户用电模式分类方法 | |
CN113450031A (zh) | 居民智慧用能服务潜在台区选取方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |