CN106056271B - 一种用户群用电负荷响应的智能控制方法 - Google Patents

一种用户群用电负荷响应的智能控制方法 Download PDF

Info

Publication number
CN106056271B
CN106056271B CN201610330661.XA CN201610330661A CN106056271B CN 106056271 B CN106056271 B CN 106056271B CN 201610330661 A CN201610330661 A CN 201610330661A CN 106056271 B CN106056271 B CN 106056271B
Authority
CN
China
Prior art keywords
user
response
time
characteristic
time period
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
Application number
CN201610330661.XA
Other languages
English (en)
Other versions
CN106056271A (zh
Inventor
李长春
秦卫东
孙宝来
许光
田新成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Zhuhai XJ Electric Co Ltd
Zhuhai Xujizhi Power System Automation Co Ltd
Original Assignee
State Grid Corp of China SGCC
Zhuhai XJ Electric Co Ltd
Zhuhai Xujizhi Power System Automation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Zhuhai XJ Electric Co Ltd, Zhuhai Xujizhi Power System Automation Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610330661.XA priority Critical patent/CN106056271B/zh
Publication of CN106056271A publication Critical patent/CN106056271A/zh
Application granted granted Critical
Publication of CN106056271B publication Critical patent/CN106056271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明的技术方案包括一种通用的界面行为控制系统，该系统包括：使用智能配电终端对用户用电负荷数据进行采集并创建对应的数据结构；对数据库模糊聚类分析，并且基于模糊聚类分析对所述用电数据库的数据挖掘关键字段，得到用户群响应信息；对用户群历史响应信息进行聚类与发布，对各用户对自身当前响应能力进行申报，进一步，还通过对用户群预期响应能力的修正以及对用户群下发对应的控制指令。本发明的有益效果为：提供了在海量历史数据中挖掘核心信息的方法论；建立决策控制模块与用户群之间的智能互动机制，该方法对电力系统的运行、调度、控制等各个功能环节具有重要的现实意义和良好的应用前景。

Description

一种用户群用电负荷响应的智能控制方法
技术领域
本发明涉及一种用户群用电负荷响应的智能控制方法，属于电力系统运行与智能用户控制领域，特别涉及针对用户群负荷响应能力的智能决策与控制方法。
背景技术
电网侧与用户侧互动是智能电网全面互动的关键所在。以智能电表为依托，将打破电网与用户之间长期信息不平衡的局面，电力消费者将从传统刚性需求逐步转为灵活弹性的需求。基于自设或由其代理方所设决策机制，各用户将对智能电表提供的信息做出理性响应，规避高负荷高电价区段的非必要用电，以节能或转移负荷的方式降低自身用电成本，同时达到削减系统负荷峰谷差、提升输配网系统资产利用率的目的，这正是激励相容原理的体现。
用户侧响应的前提是用户掌握其必须的决策信息，该信息可分作两类：一是以实时电价为核心的系统信息：实时电价不仅在时间维度上反映供电实时成本，同时也在地理(节点)维度上反映供电实时成本，引导用户负荷实现时间、空间维度上的削峰填谷；二是以历史用电为主的用户信息：包括用电统计信息及配电公司对用户用电习惯的分析及优化方案，引导用户以自学习机制优化用电特性。
综上所述，需要建立一种用户群用电负荷响应的智能控制方法，以满足实时调度的快速性要求，实现用户群的分散决策控制。
发明内容
针对现有技术的不足，本发明的技术方案包括一种用户群用电负荷响应的智能控制方法，其中用于用户群用电负荷响应的智能控制的系统包括智能配电终端、决策控制模块和决策模块，包括其特征在于，该方法包括：A，使用智能配电终端对用户用电负荷数据进行采集并创建用电数据库进行存储，进一步基于用电数据库创建对应的数据结构，所述数据结构用于表示用户用电负荷响应能力；B，对所述用电数据库进行模糊聚类分析，并且基于模糊聚类分析对所述用电数据库的数据挖掘关键字段，得到用户群响应信息；C，对用户群历史响应信息进行聚类与发布，对各用户对自身当前响应能力进行申报，进一步，还通过对用户群预期响应能力的修正以及对用户群下发对应的控制指令。
进一步，所述步骤A还包括：在对用户用电负荷数据进行采集时，对单一的用户建立单一用户响应的简单模型，该简单模型为：
Figure BDA0000992330760000021
其中，t(1)为先导时间，t(2)为响应时间，t(3)为最大可持续时间，ΔPMAX为最大响应容量，其中先导时间表示智能配电终端接收指令、反馈信息及准备时间的时间和，响应时间表示用户接收到智能配电终端开始响应至最大响应容量所需时间，最大可持续时间用于表示用户用电负荷偏离预定数值且持续运行在新工作点的持续时间，最大响应容量表示用户参与响应之后，用户所能参与的最大容量上限。
3.根据权利要求1或2所述的用户群用电负荷响应的智能控制方法，其特征在于，所述的步骤B还包括：
基于所述单一用户响应的简单模型，进一步对简单模型数据进行抽象，得到用户响应申报特性参数和运行特性参数，假定用户数为N，历史统计周期为T个时间段，建立维度为N×T的的特性参数空间，并对应地定义申报特性表征参量，其步骤如下S301～S305所示，
S301，定义
Figure BDA0000992330760000022
为用户i在时间段j所申报先导时间的特性指标，表达式如下：
Figure BDA0000992330760000023
S302，定义
Figure BDA0000992330760000024
为用户i在时间段j所申报响应时间的特性指标，表达式如下：
Figure BDA0000992330760000025
S303，定义xi3为用户i在时间段j所申报响应持续的特性指标，表达式如下：
Figure BDA0000992330760000026
S304，定义xi4为用户i在时间段j所申报响应容量的特性指标，表达式如下：
Figure BDA0000992330760000027
S305，因此得到用户申报特性数据空间，表达式如下：
U1＝{L(i,j)},i∈1,2,…,N,j∈1,2,…,T
其中，
Figure BDA0000992330760000031
m＝4。
在一个优选的实施方案中，所述的步骤B还包括：根据所述定义申报特性表征参量的步骤S301～S305，进一步，还包括对运行特性表征参量的定义，进而得到用户运行特性数据空间，其步骤为S401～S405所示，
S401，定义
Figure BDA0000992330760000032
为用户i在时间段j实际运行中先导时间的特性指标，表达式如下：
Figure BDA0000992330760000033
其中，
Figure BDA0000992330760000034
为先导时间偏移指标，定义式为：
Figure BDA0000992330760000035
S402，定义
Figure BDA0000992330760000036
为用户i在时间段j实际运行中响应时间的特性指标，表达式如下：
Figure BDA0000992330760000037
其中，
Figure BDA0000992330760000038
为响应时间偏移指标，定义式为：
Figure BDA0000992330760000039
S403，定义
Figure BDA00009923307600000310
为用户i在时间段j实际运行中响应持续的特性指标，表达式如下：
Figure BDA00009923307600000311
其中，
Figure BDA00009923307600000312
为响应持续偏移指标，定义式为：
Figure BDA00009923307600000313
S404，定义
Figure BDA00009923307600000314
为用户i在时间段j实际运行中持续时间的特性指标，表达式如下：
Figure BDA0000992330760000041
其中，
Figure BDA0000992330760000042
为持续时间偏移指标，定义式为：
Figure BDA0000992330760000043
S405，得到用户运行特性数据空间，表达式如下：
Figure BDA0000992330760000044
其中
Figure BDA0000992330760000045
同样m＝4。
在一个优选的实施方案中，所述的步骤B还包括：对所述维度为N×T的维度空间的用户数据进行筛选，得到符合上述用户申报特性数据空间和用户运行特性数据空间的用户为智能用户群，进一步，根据不同的维度空间的智能用户群数据的隶属度，对所述智能用户群的多维度空间进行模糊聚类，进而得到智能用户群历史申报特性的聚类数据。
进一步，所述步骤B的多维度空间模糊聚类的计算方法为步骤S501～S506：
S501，定义
Figure BDA0000992330760000046
为用户i在时间j的特性隶属于聚类中心κu的程度，需要满足的条件为：
Figure BDA0000992330760000047
S502，定义
Figure BDA0000992330760000048
为用户i在时间j的特性与聚类中心κu的欧氏距离，
S503，采用基于模糊C均值聚类法，可在N×T维的二级代理特性中寻优C个聚类中心，使得类内加权误差平方和函数达到最小，聚类的目标函数的表达式如下：
Figure BDA0000992330760000049
其中m∈[0,2]是一加权指数以[0,1]间的隶属度来确定其属于各类的程度，
S504，根据聚类准则构造拉格朗日函数，表达式如下：
Figure BDA00009923307600000410
其中λij为等式约束的拉格朗日乘子，根据库恩—图克定理，则有：
Figure BDA0000992330760000051
Figure BDA0000992330760000052
S505，由此迭代求解即可得到C个聚类中心及各二级代理隶属度矩阵，得申报特性聚类中心为K＝[κ1,κ2,…,κc1]T，
Figure BDA0000992330760000053
为二级代理i在时间j的申报特性隶属于中心κu的程度，
S506，根据步骤S501～S505，到运行特性聚类中心为
Figure BDA0000992330760000054
Figure BDA0000992330760000055
为二级代理i在时间j的运行特性隶属于中心
Figure BDA0000992330760000056
的程度。
进一步，所述步骤B还包括：将历史申报特性的聚类中心形成的矩阵向智能用户群发布，用户i的智能配电终端对聚类中心矩阵进行实时分析，并根据分析结果查询并匹配与智能配电终端对应的聚类中心矩阵，并将聚类中心矩阵对应的用户申报数据进行回送，并提取与回送用户申报数据时间相似的历史申报数据，将相似历史申报数据的时间作为同类型申请日，进一步，决策控制模块根据同类型申请日对用户的申报数据进行修成，形成预期运行特性，最后根据预期运行特性向用户下发控制指令。
进一步，该方法还包括步骤S701～S704，其中：
S170，用户i智能终端可实时分析自身相应能力，通过快速比对寻找最接近自身能力的聚类中心，公式如下：
Figure BDA0000992330760000057
S702，决策控制模块获得各用户上报的申报结果后，选择具备与当前日最相似申报特性的历史日作为同类型日，即用户i同类型日ζi满足条件为：
Figure BDA0000992330760000058
S703，决策控制模块根据同类型日运行特性，对其申报参数作修正，生成用户i的预想运行特性，表达式如下:
Figure BDA0000992330760000059
S704，根据修正后的预想运行特性，决策控制模块根据需求向对应用户下发控制指令。
本发明技术方案的有益效果为：本发明用于用户侧负荷响应能力的可测可控，建立一种针对用户群负荷响应能力的智能控制方法。该方法提出了一套描述用户负荷响应能力的数据结构，综合考虑先导时间、响应时间、最大可持续时间及最大响应容量；并建立了一套基于模糊聚类的用户群负荷响应能力决策方法，提供了在海量历史数据中挖掘核心信息的方法论；最终建立了决策控制模块与用户群之间的智能互动机制，该机制包括决策控制模块对用户群历史响应信息的聚类与发布、各用户对自身当前响应能力的申报、决策控制模块对用户群预期响应能力的修正以及决策控制模块向用户群下发控制指令。该方法对电力系统的运行、调度、控制等各个功能环节具有重要的现实意义和良好的应用前景。
附图说明
图1所示为根据本发明实施方式的系统框图；
图2a、2b所示为根据本发明实施方式的用户历史申报容量图例；
图3a、3b、3c、3d所示为根据本发明实施方式的容量误差图例；
图4所示为根据本发明实施方式的户群负荷响应决策控制结果。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。本发明一种用户群用电负荷响应的智能控制方法，涉及电力系统运行与智能用户控制领域，特别涉及针对用户群负荷响应能力的智能决策与控制方法。
图1所示为根据本发明实施方式的系统框图，图1表示本发明的方法所所引用的系统框图。其中智能配电终端用于对数据进行采集和数据分析，用电数据库用于存储所采集的数据，对策模块用于制定对策，对策控制模块用于根据对策进行指令发送。
图2所示为根据本发明实施方式的用户历史申报容量图例。以我国南方某城市某工业园区17个工业用户为对象，模拟一次完整的负荷响应决策控制过程。以用户群2015年3月1日至28日中午12：00的负荷数据为基础，预估各用户削峰比例的期望与方差，在28天的历史区段上作正太分布处理，得到28*17的历史申报容量。以类似的方式给出历史申报先导时间与历史申报响应时间。
图1中可以看到：以用户2为典型代表，部分用户每日12：00的负荷量级在各日间存在较大差距，故所能申报的响应容量也存在较大差距，这与该类用户生产周期及响应意愿有关；以用户8为典型代表，部分用户每日12：00的负荷量级在各日间差距相对较小，即可提供响应容量变化也相对较小，这与该类用户稳定的用电周期及响应意愿有关。当然，由于用电周期的稳定性与响应意愿的稳定性因用户不同而存在波动，故生成历史数据时以正态随机数的方式，模拟了各类的申报特性，尽可能使历史空间涵盖可能的申报类型。
不同于申报数据，历史运行响应数据的生成须考虑用户的自学习机制，即响应误差的导向性。用户在一定的历史区段内，会基于智能表计对自身的申报机制进行优化，从而使运行特性相对于申报特性的误差逐渐减小(以提高参与响应的收益)。所以，在生成历史运行误差数据时，采用了导向性趋势与正态噪声相叠加的方法，这里以历史运行响应容量为例简述如表1所示。
表1生成历史容量误差的导向及噪声参量
Figure BDA0000992330760000071
上表中，以(η1,η2)表示生成历史运行误差的导向性特性，即若不考虑正态噪声，在28天的历史区段上，用户的响应容量误差(绝对值)起始为η1，终止为η2。由此可以看到，用户1、9、13、16的响应误差无随时间减小的导向，其他用户均不同程度的存在导向性递减。上表中同样给定各用户偏离标准导向的正态噪声区间，既而模拟了不同用户实际运行误差的振荡幅度，例如用户8、16的震荡幅度明显较大，而用户13、17则明显较小，由此反映不同用户在实际运行中的不确定性波动，以使模拟数据更反映真实情况。
图3所示为根据本发明实施方式的容量误差图例。列举用户1、4、8、14为例的响应容量历史误差图4所示为根据本发明实施方式的户群负荷响应决策控制结果。图中可以看到，用户1与用户8无导向性递减，且用户8的噪声振幅大于用户1；用户4和用户13均存在导向性递减，且用户4递减速度强于用户15，即用户4的自学习效果优于用户15，但同时用户15有强于用户4的噪声振幅。对17个用户28个历史日的申报数据作基于模糊C均值的聚类令C＝30，得到如下的聚类中心列表，具体如下表2历史申报特性聚类中心所示：
表2历史申报特性聚类中心
Figure BDA0000992330760000072
Figure BDA0000992330760000081
对于任何一个用户任何一天的历史申报数据而言，都可以给出其隶属度矩阵。以(m,n)标记用户n在第m个历史日的隶属度，由于篇幅所限，这里以(1,1)，(12,4)，(22,16)，(28,17)为例给出隶属度矩阵。其详细情况如下表3所示：
Figure BDA0000992330760000082
Figure BDA0000992330760000091
由上表可以看到，(1,1)与申报聚类中心13关联度较高，(12,4)与申报聚类中心18强相关，(22,16)与申报聚类中心23强相关，(28,17)与申报聚类中心16强相关。
对17个用户28个历史日的运行误差数据作基于模糊C均值的聚类，令C＝30，得到如下的聚类中心列表，详细参见表4。
表4历史运行特性聚类中心
Figure BDA0000992330760000092
对于任何一个用户任何一天的历史运行数据而言，都可以给出其隶属度矩阵。以(m,n)标记用户n在第m个历史日的隶属度，限于篇幅限制，这里以(1,1)，(12,4)，(22,16)，(28,17)为例给出隶属度矩阵。
表5样点运行特性隶属度矩阵
Figure BDA0000992330760000093
Figure BDA0000992330760000101
由上表可以看到，(1,1)与运行聚类中心5、28关联度较高，(12,4)与各运行聚类中心相关性差异较小，(22,16)与运行聚类中心6、27关联度较高，(28,17)与运行聚类中心16关联度较高。
对于用户最新的申报数据，首先须对其申报特性作匹配处理，得到归类结果如表6所示。
表6最新申报特性匹配结果
Figure BDA0000992330760000102
基于用户归类处理后的申报数据，在历史空间上寻找各用户匹配的运行特性同类型日，分析结果如表7所示。
表7运行特性同类型日选择
Figure BDA0000992330760000103
Figure BDA0000992330760000111
结合归类处理后申报数据及同类型日的运行特性，模拟电网事故条件下寻求最大负荷响应的情况，得到如图3所示的用户群负荷响应预期特性曲线，并下达控制指令。
图4所示为根据本发明实施方式的户群负荷响应决策控制结果。得到图4所示的结果后，之后进行指令下达。其中，图中虚线所示是直接对底层用户申报特性叠加所得，可认为是所有用户按申报特性理想运行的结果，这很难作为实际调度的参考特性曲线。明显看到，在起始阶段，用户群申报特性对其响应速率过于乐观，而在后期对响应饱和容量同样过于乐观，这在理论上可以给出定性的解释：用户群参与响应本身就是逐利行为，以更高的响应速率和响应容量为依托，可以谋求更大的利益回报。由此说明本发明所提供的控制策略具备准确引导调度终端协调电源侧机组出力的重要潜力。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (6)

1.一种用户群用电负荷响应的智能控制方法，其特征在于，该方法包括：
A，使用智能配电终端对用户用电负荷数据进行采集并创建用电数据库进行存储，进一步基于用电数据库创建对应的数据结构，所述数据结构用于表示用户用电负荷响应能力；还包括：
在对用户用电负荷数据进行采集时，对单一的用户建立单一用户响应的简单模型，该简单模型为：
Figure FDA0002348221580000011
其中，t表示从智能配电终端接收指令开始计时的时间，ΔP(t)为关于时间t的用户响应容量的函数，t(1)为先导时间，t(2)为响应时间，t(3)为最大可持续时间，ΔPMAX为最大响应容量，其中先导时间表示智能配电终端接收指令、反馈信息及准备时间的时间和，响应时间表示用户接收到智能配电终端开始响应至最大响应容量所需时间，最大可持续时间用于表示用户用电负荷偏离预定数值且持续运行在新工作点的持续时间，最大响应容量表示用户参与响应之后，用户所能参与的最大容量上限；
B，对所述用电数据库进行模糊聚类分析，并且基于模糊聚类分析对所述用电数据库的数据挖掘关键字段，得到用户群响应信息,包括：
基于所述单一用户响应的简单模型，进一步对简单模型数据进行抽象，得到用户响应申报特性参数和运行特性参数，假定用户数为N，历史统计周期为T个时间段，建立维度为N×T的特性参数空间，并对应地定义申报特性表征参量，其步骤如下S301～S305所示，
S301，定义
Figure FDA0002348221580000012
为用户i在时间段j所申报先导时间的特性指标，表达式如下：
Figure FDA0002348221580000013
其中，
Figure FDA0002348221580000014
为用户i在时间段j的申报先导时间，k为第k个用户，h表示历史统计周期的第h个时间段，
Figure FDA0002348221580000015
为N×T的特性参数空间的申报先导时间的最小值，
Figure FDA0002348221580000016
为N×T的特性参数空间的申报先导时间的最大值；
S302，定义
Figure FDA0002348221580000017
为用户i在时间段j所申报响应时间的特性指标，表达式如下：
Figure FDA0002348221580000021
其中，
Figure FDA0002348221580000022
为用户i在时间段j的申报响应时间,
Figure FDA0002348221580000023
为N×T的特性参数空间的申报响应时间的最小值，
Figure FDA0002348221580000024
为N×T的特性参数空间的申报响应时间的最大值；
S303，定义
Figure FDA0002348221580000025
为用户i在时间段j所申报响应持续的特性指标，表达式如下：
Figure FDA0002348221580000026
其中，
Figure FDA0002348221580000027
为用户i在时间段j的申报响应持续时间,
Figure FDA0002348221580000028
为N×T的特性参数空间的申报响应持续时间的最小值，
Figure FDA0002348221580000029
为N×T的特性参数空间的申报响应持续时间的最大值；
S304，定义
Figure FDA00023482215800000210
为用户i在时间段j所申报响应容量的特性指标，表达式如下：
Figure FDA00023482215800000211
其中，Pij为用户i在时间段j的申报响应容量，min(Pkh)为N×T的特性参数空间的申报响应容量的最小值，max(Pkh)为N×T的特性参数空间的申报响应容量的最大值；
S305，因此得到用户申报特性数据空间，表达式如下：
U1＝{L(i,j)},i∈1,2,…,N,j∈1,2,…,T
其中，
Figure FDA00023482215800000212
C，对用户群历史响应信息进行聚类与发布，对各用户对自身当前响应能力进行申报，进一步，还通过对用户群预期响应能力的修正以及对用户群下发对应的控制指令。
2.根据权利要求1所述的用户群用电负荷响应的智能控制方法，其特征在于，所述的步骤B还包括：
根据所述定义申报特性表征参量的步骤S301～S305，进一步，还包括对运行特性表征参量的定义，进而得到用户运行特性数据空间，其步骤为S401～S405所示，
S401，定义
Figure FDA00023482215800000213
为用户i在时间段j实际运行中先导时间的特性指标，表达式如下：
Figure FDA0002348221580000031
其中，
Figure FDA0002348221580000032
为用户i在时间段j的先导时间偏移指标，定义式为：
Figure FDA0002348221580000033
Figure FDA0002348221580000034
为用户k在时间段h的先导时间偏移指标,
Figure FDA0002348221580000035
为N×T的特性参数空间的先导时间偏移指标中的最小值，
Figure FDA0002348221580000036
为N×T的特性参数空间的先导时间偏移指标中的最大值，
Figure FDA0002348221580000037
为用户i在时间段j所申报的先导时间，
Figure FDA0002348221580000038
为用户i在时间段j实际运行中的先导时间；
S402，定义
Figure FDA0002348221580000039
为用户i在时间段j实际运行中响应时间的特性指标，表达式如下：
Figure FDA00023482215800000310
其中，
Figure FDA00023482215800000311
为用户i在时间段j的响应时间偏移指标，定义式为：
Figure FDA00023482215800000312
Figure FDA00023482215800000313
为用户k在时间段h的响应时间偏移指标,
Figure FDA00023482215800000314
为N×T的特性参数空间的响应时间偏移指标中的最小值，
Figure FDA00023482215800000315
为N×T的特性参数空间的响应时间偏移指标中的最大值，
Figure FDA00023482215800000316
为用户i在时间段j所申报的响应时间，
Figure FDA00023482215800000317
为用户i在时间段j实际运行中的响应时间；
S403，定义
Figure FDA00023482215800000318
为用户i在时间段j实际运行中响应持续的特性指标，表达式如下：
Figure FDA00023482215800000319
其中，
Figure FDA00023482215800000320
为用户i在时间段j的响应持续偏移指标，定义式为：
Figure FDA0002348221580000041
Figure FDA0002348221580000042
为用户k在时间段h的响应持续偏移指标,
Figure FDA0002348221580000043
为N×T的特性参数空间的响应持续偏移指标中的最小值，
Figure FDA0002348221580000044
为N×T的特性参数空间的响应持续偏移指标中的最大值，
Figure FDA0002348221580000045
为用户i在时间段j所申报的响应持续时间，
Figure FDA0002348221580000046
为用户i在时间段j实际运行中的响应持续时间；
S404，定义
Figure FDA0002348221580000047
为用户i在时间段j实际运行中响应容量的特性指标，表达式如下：
Figure FDA0002348221580000048
其中，
Figure FDA0002348221580000049
为用户i在时间段j的响应容量偏移指标，定义式为：
Figure FDA00023482215800000410
Figure FDA00023482215800000411
为用户k在时间段h的响应容量偏移指标,
Figure FDA00023482215800000412
为N×T的特性参数空间的响应容量偏移指标中的最小值，
Figure FDA00023482215800000413
为N×T的特性参数空间的响应容量偏移指标中的最大值，Pij为用户i在时间段j所申报的响应容量，
Figure FDA00023482215800000414
为用户i在时间段j实际运行中的响应容量；
S405，得到用户运行特性数据空间，表达式如下：
Figure FDA00023482215800000415
其中
Figure FDA00023482215800000416
3.根据权利要求1所述的用户群用电负荷响应的智能控制方法，其特征在于，所述的步骤B还包括：
对所述维度为N×T的维度空间的用户数据进行筛选，得到符合上述用户申报特性数据空间和用户运行特性数据空间的用户为智能用户群，进一步，根据不同的维度空间的智能用户群数据的隶属度，对所述智能用户群的多维度空间进行模糊聚类，进而得到智能用户群历史申报特性的聚类数据。
4.根据权利要求3所述的用户群用电负荷响应的智能控制方法，其特征在于，所述步骤B的多维度空间模糊聚类的计算方法为步骤S501～S506：
S501，定义
Figure FDA00023482215800000514
为用户i在时间j的特性隶属于聚类中心κu的程度，需要满足的条件为：
Figure FDA0002348221580000051
S502，定义
Figure FDA0002348221580000052
为用户i在时间j的特性与聚类中心κu的欧氏距离，其中，
Figure FDA0002348221580000053
为用户i在时间j的特性与聚类中心κu的欧氏距离；
S503，采用基于模糊C均值聚类法，可在N×T维的二级代理特性中寻优C个聚类，使得类内加权误差平方和函数达到最小，聚类的目标函数的表达式如下：
Figure FDA0002348221580000054
其中m∈[0,2]是一加权指数以[0,1]间的隶属度来确定其属于各类的程度,N表示用户数量，T表示时间段区间数量，N×T表示构成N个用户在T个时间段的特性空间；
S504，根据聚类准则构造拉格朗日函数，表达式如下：
Figure FDA0002348221580000055
其中λij为等式约束的拉格朗日乘子，根据库恩—图克定理，则有：
Figure FDA0002348221580000056
Figure FDA0002348221580000057
Figure FDA0002348221580000058
为用户i在时间j的特性与聚类中心κu的欧氏距离，
Figure FDA0002348221580000059
为用户i在时间j的特性与聚类κr(r∈1,2...c)的欧氏距离，其中κr表示聚类中心中的第r个聚类；
S505，由此迭代求解即可得到C个聚类中心及各二级代理隶属度矩阵，得申报特性聚类中心为K＝[κ1,κ2,…,κc1]T，
Figure FDA00023482215800000510
为二级代理i在时间j的申报特性隶属于中心κu的程度，
S506，根据步骤S501～S505，到运行特性聚类中心为
Figure FDA00023482215800000511
Figure FDA00023482215800000512
为二级代理i在时间j的运行特性隶属于中心
Figure FDA00023482215800000513
的程度。
5.根据权利要1或4中任一项所述的用户群用电负荷响应的智能控制方法，其特征在于，所述步骤B还包括：
将历史申报特性的聚类中心形成的矩阵向智能用户群发布，用户i的智能配电终端对聚类中心矩阵进行实时分析，并根据分析结果查询并匹配与智能配电终端对应的聚类中心矩阵，并将聚类中心矩阵对应的用户申报数据进行回送，并提取与回送用户申报数据时间相似的历史申报数据，将相似历史申报数据的时间作为同类型申请日，进一步，决策控制模块根据同类型申请日对用户的申报数据进行修成，形成预期运行特性，最后根据预期运行特性向用户下发控制指令。
6.根据权利要5所述的用户群用电负荷响应的智能控制方法，其特征在于，该方法还包括步骤S701～S704，其中：
S701，用户i智能终端可实时分析自身相应能力，通过快速比对寻找最接近自身能力的申报聚类中心，公式如下：
Figure FDA0002348221580000061
其中，
Figure FDA0002348221580000062
为用户i智能终端的自身相应能力，c1表示申报特性聚类中心的聚类总数量，κr表示聚类中心中的第r个聚类；
S702，决策控制模块获得各用户上报的申报结果后，选择具备与当前日最相似申报特性的历史日作为同类型日，即用户i同类型日
Figure FDA0002348221580000063
满足条件为：
Figure FDA0002348221580000064
S703，决策控制模块根据同类型日运行特性，对其申报参数作修正，生成用户i的预想运行特性，表达式如下:
Figure FDA0002348221580000065
其中，
Figure FDA0002348221580000066
分别表示预想运行特性中的先导时间、响应时间、响应持续时间及响应容量；
Figure FDA0002348221580000067
为二级代理i同类型日
Figure FDA00023482215800000610
的特性隶属于运行特性聚类中心
Figure FDA0002348221580000068
的最大程度，
Figure FDA0002348221580000069
为j第个运行特性聚类中心，c2表示申报特性聚类中心的聚类总数量；
S704，根据修正后的预想运行特性，决策控制模块根据需求向对应用户下发控制指令。
CN201610330661.XA 2016-05-17 2016-05-17 一种用户群用电负荷响应的智能控制方法 Active CN106056271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610330661.XA CN106056271B (zh) 2016-05-17 2016-05-17 一种用户群用电负荷响应的智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610330661.XA CN106056271B (zh) 2016-05-17 2016-05-17 一种用户群用电负荷响应的智能控制方法

Publications (2)

Publication Number Publication Date
CN106056271A CN106056271A (zh) 2016-10-26
CN106056271B true CN106056271B (zh) 2020-04-28

Family

ID=57177198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610330661.XA Active CN106056271B (zh) 2016-05-17 2016-05-17 一种用户群用电负荷响应的智能控制方法

Country Status (1)

Country Link
CN (1) CN106056271B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210755B (zh) * 2019-05-30 2023-04-18 国网山东省电力公司泰安供电公司 一种基于K_means聚类算法的用户需求响应能力评估方法
CN112859615B (zh) * 2021-01-22 2024-01-30 西安建筑科技大学 家庭用电负荷优化调度方法、系统、设备及可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7941296B2 (en) * 2007-04-27 2011-05-10 Hsb Solomon Associates, Llc Benchmarking and gap analysis system and method
CN103034508B (zh) * 2011-10-10 2015-08-19 腾讯科技（深圳）有限公司 软件推荐方法和系统
CN103577883A (zh) * 2013-11-18 2014-02-12 国家电网公司 一种网-荷智能互动方法及装置
CN104200275B (zh) * 2014-06-24 2015-05-27 国家电网公司 基于用户行为特点的用电模式分类和控制方法
CN105260798A (zh) * 2015-10-21 2016-01-20 中国电力科学研究院 一种多维负荷特性分析的大数据挖掘器

Also Published As

Publication number Publication date
CN106056271A (zh) 2016-10-26

Similar Documents

Publication Publication Date Title
Eseye et al. Short-term forecasting of heat demand of buildings for efficient and optimal energy management based on integrated machine learning models
US10396555B2 (en) Self-learning, real-time, data-driven power metering system
Tun et al. Federated learning based energy demand prediction with clustered aggregation
Jain et al. A multiarmed bandit incentive mechanism for crowdsourcing demand response in smart grids
CN106056271B (zh) 一种用户群用电负荷响应的智能控制方法
Huang et al. Behavior mimics distribution: Combining individual and group behaviors for federated learning
CN101119365A (zh) 大规模协同环境下的协同交互优化方法
CN117081088B (zh) 电网负荷调度控制方法、装置、计算机设备及存储介质
Zhou et al. Coal consumption prediction in thermal power units: A feature construction and selection method
CN117540981A (zh) 基于碳排放约束的建筑多能源调度方法及系统
CN117375001A (zh) 一种多场景下的柔性负荷调控方法、装置、介质及设备
See et al. An approach for establishing a common grid model for flow-based market mechanism simulations
Provatas An online machine learning algorithm for heat load forecasting in district heating systems
Verschae et al. A distributed coordination framework for on-line scheduling and power demand balancing of households communities
CN106529801B (zh) 服务组合候选集构建方法及系统
Liang et al. Synthesis of realistic load data: adversarial networks for learning and generating residential load patterns
CN115018322A (zh) 一种智能的众包任务分配方法与系统
CN113673141A (zh) 一种基于数据驱动的能量路由器建模及优化控制方法
CN113222216A (zh) 冷热电负荷预测方法、装置及系统
CN113283654A (zh) 基于聚合解列机制的微网群优化控制方法及系统
CN111709602A (zh) 一种泛在电力物联网系统中可靠性的评价方法
Kim et al. Predicting baseline for analysis of electricity pricing
CN117196696B (zh) 一种基于市场供需关系和机组行为的电价预测方法
CN116823338B (zh) 电力用户经济属性缺失值的推断方法
CN117498305A (zh) 一种配电系统的元胞结构及供用能场景构建方法

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