CN106410781A - 一种电力用户需求响应潜力确定方法 - Google Patents
一种电力用户需求响应潜力确定方法 Download PDFInfo
- Publication number
- CN106410781A CN106410781A CN201510456687.4A CN201510456687A CN106410781A CN 106410781 A CN106410781 A CN 106410781A CN 201510456687 A CN201510456687 A CN 201510456687A CN 106410781 A CN106410781 A CN 106410781A
- Authority
- CN
- China
- Prior art keywords
- class
- user
- formula
- day
- value
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电力用户需求响应潜力确定方法,包括:获取用户观测年每日96点的历史负荷数据;获取影响用户负荷的特征量,特征量共1个;分别对历史负荷数据和特征量对应当天的负荷数据进行预处理;基于时间维度对历史负荷数据进行聚类分析,获取聚类中心C,将用户分为m类;利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心Cs;计算用户预测日的需求响应潜力;本发明提供的方法,在用户负荷特性分析的基础上,动态计算用户的每日每时需求响应最大可削减负荷量,对需求响应活动中单个电力用户的需求响应潜力进行精细化计算,为需求响应策略制订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运行控制领域,具体涉及一种电力用户需求响应潜力确定方法。
背景技术
随着经济的高速发展和负荷的不断增长,电力供需经常处于偏紧状态,电网高峰负荷压力增加,使得电网运行效率与经济性受到影响。另一方面,经济发展与能源环境的矛盾日趋尖锐,能源短缺和能源浪费的问题十分严重。这对电力系统的优化运行提出了新的要求。电力系统优化运行不仅涵盖发电侧,实际上用户侧蕴含了大量的电力资源,但在当前的调度体制和技术手段无法真正体现用户侧的需求响应能力,无法准确获知用户侧的需求响应策略。在传统的体制下,存在以实施节能调荷为目标的需求侧管理,即中长期负荷控制手段,但是远未纳入电力调度范围,用户侧资源也远未得到充分的利用,特别是在实时调度中往往是为了满足用户的刚性需求,因此闲置的用户需求响应资源,事实上需要在电源侧增加投资,因此浪费了大量的社会资源。更深入研究电力用户的需求响应潜力分析技术有助于更好地制定需求响应策略,实现电力系统的经济运行。
目前的需求响应潜力分析大多着眼于节约电量,但从系统运行的角度来说,更重要的是获得用户参与需求响应可节约的电力;另一方面,节约电力的分析技术也往往是从调研等角度开展的,获得是固定值,但事实上用户的用电行为不是一成不变的,在不同的用电行为下其可削减的负荷量也是变化的,为此必须动态及计算用户的需求响应潜力。
发明内容
针对现有技术的不足,本发明提供一种基于多源数据的交直流协调控制效果评估方法,在用户负荷特性分析的基础上,动态计算用户的每日每时需求响应最大可削减负荷量,对需求响应活动中单个电力用户的需求响应潜力进行精细化计算,为需求响应策略制订提供了科学理论支持,充分发挥了其运行效率。
本发明的目的是采用下述技术方案实现的:
一种电力用户需求响应潜力确定方法,其改进之处在于,所述方法包括:
(1)获取用户观测年每日96点的历史负荷数据;
(2)获取影响用户负荷的特征量,所述特征量共l个;
(3)分别对所述历史负荷数据和所述特征量对应当天的负荷数据进行预处理;
(4)基于时间维度对所述历史负荷数据进行聚类分析,获取聚类中心C,将用户分为m类;
(5)利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心Cs;
(6)计算用户预测日的需求响应潜力。
优选的,所述特征量包括:气温和日类型。
优选的,所述步骤(3)中,对所述历史负荷数据进行预处理,包括:
获取用户t时刻的平均负荷值
式(1)中,pi,t为用户第i日t时刻的负荷值,n为观测日总数,t为每日观测时间点数;
获取用户t时刻的负荷的方差
式(2)中,为用户t时刻的平均负荷值,pi,t为用户第i日t时刻的负荷值,n为观测日总数,t为每日观测时间点数;
判断pi,t是否满足ε为阈值,取1-1.5,为用户t时刻的平均负荷值,pi,t为用户第i日t时刻的负荷值,若满足,则将pi,t代入式(3)进行修正,获取pi,t的修正结果p’i,t;
式(3)中,α、β和γ均为权重系数且满足α+β+γ=1,pi-1,t和pi+1,t分别为第i-1天和第i+1天t时刻的负荷值,和均为距离pi,t最近的相似日负荷值,为用户t时刻的平均负荷值。
优选的,所述步骤(3)中,对所述特征量对应当天的负荷数据进行预处理,包括:
分别获取特征量y和z在第i日的观测值yi和zi并计算所述特征量y和z的统计相关系数r:
式中,r为相关系数,为特征量y在全年的平均观测值,为特征量z在全年的平均观测值,n为观测日总数;
若r大于0.6,则表示所述特征量y和z强相关,随机删去一个。
优选的,所述步骤(4)中,基于时间维度对所述历史负荷数据进行聚类分析,将用户分为m类,包括:
(4-1)采用最短距离法对所述历史负荷数据进行系统聚类,获取初始聚类中心c,所述最短距离法的类间距离公式为:
DKL=min{dij:pi∈Gk,pj∈GL} (5)
式(5)中,pi为类Gk中元素,对应第i日用户的历史负荷数据序列,pj为类GL中元素,对应第j日用户的历史负荷数据序列,DKL为类Gk与类GL之间的距离,dij为元素pi与元素pj之间的距离,公式为:
式(6)中,pi,t为用户第i日t时刻的负荷值,pj,t为用户第j日t时刻的负荷值;
(4-2)采用模糊C均值聚类法进行第二次聚类,包括:
计算元素pj关于第i类初始聚类中心ci的隶属度uij,公式为:
式(7)中,uij介于0至1之间,m为聚类类数,q为加权指数,q∈[1,∞),dkj为元素pk与元素pj之间的距离,dij′为pj与第i类初始聚类中心ci之间的距离,公式为:
式(8)中,pj,t为用户第j日t时刻的负荷值,cit为第i类初始聚类中心ci中第t个数据点;
计算价值函数J(U,c1,c2,……,cm),公式为:
式(9)中,U为隶属矩阵,n聚类中心中元素个数;价值函数值若小于阈值A或相对于上一次迭代中的价值函数值的变量小于阈值B,则停止迭代;
更新所述初始聚类中心C,其中,新的聚类中心Ci公式为:
优选的,所述步骤(5)中,利用贝叶斯分类法预测指定预测日的用户行为模式类别,包括:
(5-1)根据预测日的用户特征量测量值形成预测元祖X={x1,x2,……,xl},根据观测日的用户特征量测量值形成|D|个训练元祖,训练元组和相关联的类标号形成训练集D;
(5-2)计算第j类聚类中心Cj先验概率P(Cj),j=1,2,……m,若类的先验概率未知,则假定P(C1)=P(C2)=……=P(Cm),否则:
P(Cj)=|Cj,D|/|D| (11)
式(11)中,|Cj,D|为D中Cj类的训练元组数,|D|为D中训练元祖数;
(5-3)假定属性值有条件地相互独立,即在属性间不存在依赖关系,计算发生Cj类情况时发生X的概率P(X|Cj),公式为:
式(12)中,xk为元组X第k个属性的值,若xk为分类属性,则P(xk|Cj)为D中第k个属性的值为xk的Cj类的元组数除以D中Cj类的元组数;若xk为连续值属性,则P(xk|Cj)为:
式(13)中,和分别为Cj类训练元组第k个属性的值的均值和标准差;
(5-4)根据贝叶斯定理计算发生X情况时发生Cj的概率P(Cj|X),公式为:
式(14)中,P(X)为属性X发生的概率,若类的先验概率未知,则使P(X|Cj)最大的类为所述预测日用户行为模式的聚类中心Cs,否则使P(X|Cj)P(Cj)最大的类为所述预测日用户行为模式的聚类中心Cs。
优选的,所述步骤(6)中,计算用户预测日的需求响应潜力,包括:
获取最小负荷用电模式的用户负荷Pmin(t),公式为:
式(15)中,Cg为第g类聚类中心,Cg,t为第g类聚类中心第t个数据点,Ck,t为第k类聚类中心第t个数据点;
用户预测日的需求响应力R(t)为:
R(t)=Cs(t)-Pmin(t) (16)
式(16)中,Cs(t)表示t时段预测日用户行为模式的聚类中心。
本发明的有益效果:
本发明提供的一种电力用户需求响应潜力确定方法能够对于所辖用户基于时间尺度进行聚类形成不同的用户行为模式,并充分考虑影响用户行为模式的多重影响因素,对预测日的用户行为模式进行合理预测,在此基础上计算用户的预测日需求响应潜力,并且充分考虑了气象等因素对用户负荷的影响,动态地计算用户的每日每时需求响应最大可削减负荷量,为电力市场运行提供科学理论支持。
附图说明
图1是本发明一种电力用户需求响应潜力确定方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供的一种电力用户需求响应潜力确定方法,如图1所示,包括:
(1)获取用户观测年每日96点的历史负荷数据;
(2)获取影响用户负荷的特征量,所述特征量共l个,其中,所述特征量包括:气温和日类型;
(3)分别对所述历史负荷数据和所述特征量对应当天的负荷数据进行预处理;
(4)基于时间维度对所述历史负荷数据进行聚类分析,获取聚类中心C,将用户分为m类;
(5)利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心Cs;
(6)计算用户预测日的需求响应潜力。
具体的,所述步骤(3)中,对所述历史负荷数据进行预处理,包括:
获取用户t时刻的平均负荷值
式(1)中,pi,t为用户第i日t时刻的负荷值,n为观测日总数,t为每日观测时间点数;
获取用户t时刻的负荷的方差
式(2)中,为用户t时刻的平均负荷值,pi,t为用户第i日t时刻的负荷值,n为观测日总数,t为每日观测时间点数;
判断pi,t是否满足ε为阈值,取1-1.5,为用户t时刻的平均负荷值,pi,t为用户第i日t时刻的负荷值,若满足,则将pi,t代入式(3)进行修正,获取pi,t的修正结果p’i,t;
式(3)中,α、β和γ均为权重系数且满足α+β+γ=1,pi-1,t和pi+1,t分别为第i-1天和第i+1天t时刻的负荷值,和均为距离pi,t最近的相似日负荷值,为用户t时刻的平均负荷值。
进一步的,所述步骤(3)中,对所述特征量对应当天的负荷数据进行预处理,包括:
分别获取特征量y和z在第i日的观测值yi和zi并计算所述特征量y和z的统计相关系数r:
式中,r为相关系数,为特征量y在全年的平均观测值,为特征量z在全年的平均观测值,n为观测日总数;
若r大于0.6,则表示所述特征量y和z强相关,随机删去一个。
所述步骤(4)中,基于时间维度对所述历史负荷数据进行聚类分析,将用户分为m类,包括:
(4-1)采用最短距离法对所述历史负荷数据进行系统聚类,获取初始聚类中心c,所述最短距离法的类间距离公式为:
DKL=min{dij:pi∈Gk,pj∈GL} (5)
式(5)中,pi为类Gk中元素,对应第i日用户的历史负荷数据序列,pj为类GL中元素,对应第j日用户的历史负荷数据序列,DKL为类Gk与类GL之间的距离,dij为元素pi与元素pj之间的距离,公式为:
式(6)中,pi,t为用户第i日t时刻的负荷值,pj,t为用户第j日t时刻的负荷值;
(4-2)采用模糊C均值聚类法进行第二次聚类,包括:
计算元素pj关于第i类初始聚类中心ci的隶属度uij,公式为:
式(7)中,uij介于0至1之间,m为聚类类数,q为加权指数,q∈[1,∞),dkj为元素pk与元素pj之间的距离,dij′为pj与第i类初始聚类中心ci之间的距离,公式为:
式(8)中,pj,t为用户第j日t时刻的负荷值,cit为第i类初始聚类中心ci中第t个数据点;
计算价值函数J(U,c1,c2,……,cm),公式为:
式(9)中,U为隶属矩阵,n聚类中心中元素个数;价值函数值若小于阈值A或相对于上一次迭代中的价值函数值的变量小于阈值B,则停止迭代;
更新所述初始聚类中心C,其中,新的聚类中心Ci公式为:
所述步骤(5)中,利用贝叶斯分类法预测指定预测日的用户行为模式类别,包括:
(5-1)根据预测日的用户特征量测量值形成预测元祖X={x1,x2,……,xl},根据观测日的用户特征量测量值形成|D|个训练元祖,训练元组和相关联的类标号形成训练集D;
(5-2)计算第j类聚类中心Cj先验概率P(Cj),j=1,2,……m,若类的先验概率未知,则假定P(C1)=P(C2)=……=P(Cm),否则:
P(Cj)=|Cj,D|/|D| (11)
式(11)中,|Cj,D|为D中Cj类的训练元组数,|D|为D中训练元祖数;
(5-3)假定属性值有条件地相互独立,即在属性间不存在依赖关系,计算发生Cj类情况时发生X的概率P(X|Cj),公式为:
式(12)中,xk为元组X第k个属性的值,若xk为分类属性,则P(xk|Cj)为D中第k个属性的值为xk的Cj类的元组数除以D中Cj类的元组数;若xk为连续值属性,则P(xk|Cj)为:
式(13)中,和分别为Cj类训练元组第k个属性的值的均值和标准差;
(5-4)根据贝叶斯定理计算发生X情况时发生Cj的概率P(Cj|X),公式为:
式(14)中,P(X)为属性X发生的概率,由于P(X)对所有类为常数,因此,只需要P(X|Cj)P(Cj)最大即可,若类的先验概率未知,则使P(X|Cj)最大的类为所述预测日用户行为模式的聚类中心Cs,否则使P(X|Cj)P(Cj)最大的类为所述预测日用户行为模式的聚类中心Cs。
所述步骤(6)中,计算用户预测日的需求响应潜力,包括:
获取最小负荷用电模式的用户负荷Pmin(t),公式为:
式(15)中,Cg为第g类聚类中心,Cg,t为第g类聚类中心第t个数据点,Ck,t为第k类聚类中心第t个数据点;
用户预测日的需求响应力R(t)为:
R(t)=Cs(t)-Pmin(t) (16)
式(16)中,Cs(t)表示t时段预测日用户行为模式的聚类中心。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.一种电力用户需求响应潜力确定方法,其特征在于,所述方法包括:
(1)获取用户观测年每日96点的历史负荷数据;
(2)获取影响用户负荷的特征量,所述特征量共l个;
(3)分别对所述历史负荷数据和所述特征量对应当天的负荷数据进行预处理;
(4)基于时间维度对所述历史负荷数据进行聚类分析,获取聚类中心C,将用户分为m类;
(5)利用贝叶斯分类法预测指定预测日用户行为模式的聚类中心Cs;
(6)计算用户预测日的需求响应潜力。
2.如权利要求1所述的方法,其特征在于,步骤(2)中所述特征量包括:气温和日类型。
3.如权利要求1所述的方法,其特征在于,所述步骤(3)中,对所述历史负荷数据进行预处理,包括:
获取用户t时刻的平均负荷值
式(1)中,pi,t为用户第i日t时刻的负荷值,n为观测日总数,t为每日观测时间点数;
获取用户t时刻的负荷的方差
式(2)中,为用户t时刻的平均负荷值,pi,t为用户第i日t时刻的负荷值,n为观测日总数,t为每日观测时间点数;
判断pi,t是否满足ε为阈值,取1-1.5,为用户t时刻的平均负荷值,pi,t为用户第i日t时刻的负荷值,若满足,则将pi,t代入式(3)进行修正,获取pi,t的修正结果p′i,t;
式(3)中,α、β和γ均为权重系数且满足α+β+γ=1,pi-1,t和pi+1,t分别为第i-1天和第i+1天t时刻的负荷值,和均为距离pi,t最近的相似日负荷值,为用户t时刻的平均负荷值。
4.如权利要求1所述的方法,其特征在于,所述步骤(3)中,对所述特征量对应当天的负荷数据进行预处理,包括:
分别获取特征量y和z在第i日的观测值yi和zi并计算所述特征量y和z的统计相关系数r:
式中,r为相关系数,为特征量y在全年的平均观测值,为特征量z在全年的平均观测值,n为观测日总数;
若r大于0.6,则表示所述特征量y和z强相关,随机删去一个。
5.如权利要求1所述的方法,其特征在于,所述步骤(4)中,基于时间维度对所述历史负荷数据进行聚类分析,将用户分为m类,包括:
(5-1)采用最短距离法对所述历史负荷数据进行系统聚类,根据类间距离获取初始聚类中心c,其中,所述最短距离法的类间距离公式为:
DKL=min{dij:pi∈Gk,pj∈GL} (5)
式(5)中,pi为类Gk中元素,对应第i日用户的历史负荷数据序列,pj为类GL中元素,对应第j日用户的历史负荷数据序列,DKL为类Gk与类GL之间的距离,dij为元素pi与元素pj之间的距离,公式为:
式(6)中,pi,t为用户第i日t时刻的负荷值,pj,t为用户第j日t时刻的负荷值;
(5-2)采用模糊C均值聚类法进行第二次聚类,包括:
计算元素pj关于第i类初始聚类中心ci的隶属度uij,公式为:
式(7)中,uij介于0至1之间,m为聚类类数,q为加权指数,q∈[1,∞),dkj为元素pk与元素pj之间的距离,dij′为pj与第i类初始聚类中心ci之间的距离,公式为:
式(8)中,pj,t为用户第j日t时刻的负荷值,cit为第i类初始聚类中心ci中第t个数据点;
计算价值函数J(U,c1,c2,……,cm),公式为:
式(9)中,U为隶属矩阵,n聚类中心中元素个数;价值函数值若小于阈值A或相对于上一次迭代中的价值函数值的变量小于阈值B,则停止迭代;
更新所述初始聚类中心C,其中,新的聚类中心Ci公式为:
6.如权利要求1所述的方法,其特征在于,所述步骤(5)中,利用贝叶斯分类法预测指定预测日的用户行为模式类别,包括:
(6-1)根据预测日的用户特征量测量值形成预测元祖X={x1,x2,……,xl},根据观测日的用户特征量测量值形成|D|个训练元祖,训练元组和相关联的类标号形成训练集D;
(6-2)计算第j类聚类中心Cj先验概率P(Cj),j=1,2,……m,若类的先验概率未知,则假定P(C1)=P(C2)=……=P(Cm),否则:
P(Cj)=|Cj,D|/|D| (11)
式(11)中,|Cj,D|为D中Cj类的训练元组数,|D|为D中训练元祖数;
(6-3)假定属性值有条件地相互独立,即在属性间不存在依赖关系,计算发生Cj类情况时发生X的概率P(X|Cj),公式为:
式(12)中,xk为元组X第k个属性的值,若xk为分类属性,则P(xk|Cj)为D中第k个属性的值为xk的Cj类的元组数除以D中Cj类的元组数;若xk为连续值属性,则P(xk|Cj)为:
式(13)中,和分别为Cj类训练元组第k个属性的值的均值和标准差;
(5-4)根据贝叶斯定理计算发生属性X情况时发生Cj的概率P(Cj|X),公式为:
式(14)中,P(X)为属性X发生的概率,若类的先验概率未知,则使P(X|Cj)最大的类为所述预测日用户行为模式的聚类中心Cs,否则使P(X|Cj)P(Cj)最大的类为所述预测日用户行为模式的聚类中心Cs。
7.如权利要求1所述的方法,其特征在于,所述步骤(6)中,计算用户预测日的需求响应潜力,包括:
获取最小负荷用电模式的用户负荷Pmin(t),公式为:
式(15)中,Cg为第g类聚类中心,Cg,t为第g类聚类中心第t个数据点,Ck,t为第k类聚类中心第t个数据点;
用户预测日的需求响应力R(t)为:
R(t)=Cs(t)-Pmin(t) (16)
式(16)中,Cs(t)表示t时段预测日用户行为模式的聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510456687.4A CN106410781B (zh) | 2015-07-29 | 2015-07-29 | 一种电力用户需求响应潜力确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510456687.4A CN106410781B (zh) | 2015-07-29 | 2015-07-29 | 一种电力用户需求响应潜力确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106410781A true CN106410781A (zh) | 2017-02-15 |
CN106410781B CN106410781B (zh) | 2018-11-13 |
Family
ID=58008886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510456687.4A Active CN106410781B (zh) | 2015-07-29 | 2015-07-29 | 一种电力用户需求响应潜力确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106410781B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248738A (zh) * | 2017-06-07 | 2017-10-13 | 浙江大学 | 基于用电负荷自动调控的需求侧响应方法 |
CN107656898A (zh) * | 2017-10-16 | 2018-02-02 | 国电南瑞科技股份有限公司 | 一种需求响应资源聚类方法 |
CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
CN109325634A (zh) * | 2018-10-24 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 一种考虑用户潜在用电需求的农村电网负荷预测方法 |
CN109767264A (zh) * | 2018-12-20 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品数据推送方法、装置、计算机设备和存储介质 |
CN110570090A (zh) * | 2019-08-12 | 2019-12-13 | 国网上海市电力公司 | 一种基于贝叶斯分类法的基线负荷模型的负荷辨识方法 |
CN111832971A (zh) * | 2020-07-27 | 2020-10-27 | 南方电网科学研究院有限责任公司 | 一种负荷需求响应潜力不确定性的量化方法、装置和设备 |
CN112465403A (zh) * | 2020-12-17 | 2021-03-09 | 国网能源研究院有限公司 | 一种区域电力需求侧响应潜力评估方法 |
CN113033953A (zh) * | 2021-02-07 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
CN113489065A (zh) * | 2021-07-06 | 2021-10-08 | 国网浙江省电力有限公司双创中心 | 一种聚合需求响应潜力值的获取方法、装置及电子设备 |
CN116957306A (zh) * | 2023-09-20 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 基于资源协同互动的用户侧响应潜力评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 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 |
CN104331840A (zh) * | 2014-10-27 | 2015-02-04 | 东南大学 | 电力市场环境下负荷零售商的最优购电方法 |
-
2015
- 2015-07-29 CN CN201510456687.4A patent/CN106410781B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 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 |
CN104331840A (zh) * | 2014-10-27 | 2015-02-04 | 东南大学 | 电力市场环境下负荷零售商的最优购电方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248738A (zh) * | 2017-06-07 | 2017-10-13 | 浙江大学 | 基于用电负荷自动调控的需求侧响应方法 |
CN107656898B (zh) * | 2017-10-16 | 2020-11-10 | 国电南瑞科技股份有限公司 | 一种需求响应资源聚类方法 |
CN107656898A (zh) * | 2017-10-16 | 2018-02-02 | 国电南瑞科技股份有限公司 | 一种需求响应资源聚类方法 |
CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
CN108596242B (zh) * | 2018-04-20 | 2021-03-23 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
CN109325634A (zh) * | 2018-10-24 | 2019-02-12 | 南方电网科学研究院有限责任公司 | 一种考虑用户潜在用电需求的农村电网负荷预测方法 |
CN109325634B (zh) * | 2018-10-24 | 2022-03-18 | 南方电网科学研究院有限责任公司 | 一种考虑用户潜在用电需求的农村电网负荷预测方法 |
CN109767264A (zh) * | 2018-12-20 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 产品数据推送方法、装置、计算机设备和存储介质 |
CN110570090A (zh) * | 2019-08-12 | 2019-12-13 | 国网上海市电力公司 | 一种基于贝叶斯分类法的基线负荷模型的负荷辨识方法 |
CN111832971A (zh) * | 2020-07-27 | 2020-10-27 | 南方电网科学研究院有限责任公司 | 一种负荷需求响应潜力不确定性的量化方法、装置和设备 |
CN111832971B (zh) * | 2020-07-27 | 2023-09-22 | 南方电网科学研究院有限责任公司 | 一种负荷需求响应潜力不确定性的量化方法、装置和设备 |
CN112465403A (zh) * | 2020-12-17 | 2021-03-09 | 国网能源研究院有限公司 | 一种区域电力需求侧响应潜力评估方法 |
CN113033953A (zh) * | 2021-02-07 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
CN113033953B (zh) * | 2021-02-07 | 2023-08-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
CN113489065A (zh) * | 2021-07-06 | 2021-10-08 | 国网浙江省电力有限公司双创中心 | 一种聚合需求响应潜力值的获取方法、装置及电子设备 |
CN113489065B (zh) * | 2021-07-06 | 2023-08-15 | 国网浙江省电力有限公司双创中心 | 一种聚合需求响应潜力值的获取方法、装置及电子设备 |
CN116957306A (zh) * | 2023-09-20 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 基于资源协同互动的用户侧响应潜力评估方法及系统 |
CN116957306B (zh) * | 2023-09-20 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 基于资源协同互动的用户侧响应潜力评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106410781B (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106410781A (zh) | 一种电力用户需求响应潜力确定方法 | |
CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN105160149B (zh) | 一种模拟调峰机组的需求响应调度评估体系构建方法 | |
CN102999791A (zh) | 一种电力行业中基于客户分群的电力负荷预测方法 | |
CN110276393A (zh) | 一种绿色建筑能耗复合预测方法 | |
CN106451541B (zh) | 一种孤岛型微电网的能量控制方法及控制系统 | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN104376435A (zh) | 一种电力电量平衡方案评估方法 | |
CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及系统 | |
CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
CN106446345A (zh) | 基于细分地理区域的配网运行指标处理方法 | |
CN115238167A (zh) | 兼顾负荷与社会信息的电力用户精细化画像与管理方法 | |
CN106022578A (zh) | 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法 | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN109741213A (zh) | 一种零能耗建筑耗能控制方法及系统 | |
CN112307675A (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 | |
CN104700218B (zh) | 用于确定电网分区数量以及电网分区的方法和系统 | |
Bo et al. | Research of Typical Line Loss Rate in Transformer District Based on Data-Driven Method | |
CN114844048A (zh) | 一种面向电网调控需求的可调节负荷调节能力评估方法 | |
Wang et al. | A Portrait-Based Method for Constructing Multi-Time Scale Demand Response Resource Pools | |
CN111079966B (zh) | 一种广义负荷空间预测方法和系统 |
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 |