CN107766992A - 基于用户行为学的家庭日负荷曲线精细预测方法 - Google Patents
基于用户行为学的家庭日负荷曲线精细预测方法 Download PDFInfo
- Publication number
- CN107766992A CN107766992A CN201711108363.7A CN201711108363A CN107766992A CN 107766992 A CN107766992 A CN 107766992A CN 201711108363 A CN201711108363 A CN 201711108363A CN 107766992 A CN107766992 A CN 107766992A
- Authority
- CN
- China
- Prior art keywords
- mrow
- family
- msub
- unit time
- time step
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000000694 effects Effects 0.000 claims abstract description 107
- 230000007704 transition Effects 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 230000006399 behavior Effects 0.000 claims description 12
- 238000005057 refrigeration Methods 0.000 claims description 11
- 238000004321 preservation Methods 0.000 claims description 7
- 238000003287 bathing Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004378 air conditioning Methods 0.000 abstract description 2
- 238000005406 washing Methods 0.000 description 14
- 230000005611 electricity Effects 0.000 description 12
- 238000005286 illumination Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001035 drying Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000003245 working effect Effects 0.000 description 2
- 108091064702 1 family Proteins 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010409 ironing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000009466 transformation 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于用户行为学的家庭日负荷曲线精细预测方法,包括:1、根据居民时间使用调查报告,计算得到居民状态转移概率矩阵以及不同家庭活动开始和其持续时长的概率矩阵;2、通过蒙特卡罗法和居民状态转移概率矩阵得到第k个单位时间步长内家庭总成员的状态;3、根据第k个单位时间步长内家庭总成员的状态,通过联合分布的序贯抽样方法计算电器的负荷曲线;4、按照单位时间步长递增循环步骤2、3,直到得到一日内的所有被动电器、空调和电灯的负荷曲线;5、将一日内的所有电器的日负荷曲线叠加,得到单户家庭的日负荷曲线。与现有技术相比,本发明实现了对不同条件下的居民日负荷曲线的精细预测,具有结果准确、可靠等优点。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,尤其是涉及一种基于用户行为学的家庭日负荷曲线精细预测方法。
背景技术
随着社会经济发展,城乡居民生活用电量占全社会用电量的比重逐年上升,居民用户在电力市场中的地位和作用愈加凸显。据国家统计局数据,2015年城乡居民用电量占全社会用电量的13.1%,同比增长5%,远超全社会用电量0.5%的增速。当前,居民侧负荷在维持电力系统安全、经济运行方面更多的是扮演消极、被动的角色,然而随着电动汽车、分布式电源等新技术应用的普及,以及在鼓励能源高效利用、节能减排和传统配电网广泛向主动配电网转变的大背景下,电网运营须重视居民侧的作用,研究其用电行为规律,在通过需求侧管理有效整合新型负荷和发电技术的同时获得经济、环境效益。因此,通过居民负荷曲线的精细预测来刻画居民电力需求的特性就显得十分重要。而居民负荷面大量广、成因复杂、随机性强,对居民日负荷曲线精细预测的研究是国内外关注的热点领域。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供基于用户行为学的家庭日负荷曲线精细预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于用户行为学的家庭日负荷曲线精细预测方法,包括以下步骤:
S1、根据居民时间使用调查报告,计算得到每个单位时间步长的居民状态转移概率矩阵以及不同家庭活动开始和其持续时长的概率矩阵;
S2、通过蒙特卡罗法和居民状态转移概率矩阵得到第k个单位时间步长内家庭总成员的状态;
S3、根据第k个单位时间步长内家庭总成员的状态计算电器的负荷曲线,若在家的成员都为睡觉状态,则计算空调在第k个单位时间步长的负荷曲线;若至少有一个成员处于在家活跃状态,则通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长,计算电灯、空调和该家庭活动对应的被动电器的负荷曲线;
S4、按照单位时间步长递增循环步骤S2、S3,直到得到一日内的所有被动电器、空调和电灯的负荷曲线;
S5、将一日内的所有被动电器、空调、电灯的负荷曲线叠加后,再叠加制冷设备功率、热水器保温功率、附加功率的日负荷曲线,得到单户家庭的日负荷曲线。
优选的,所述居民状态转移概率矩阵由居民状态转移概率pij(k)构成,pij(k)具体为:
其中,pij(k)表示居民在第k个单位时间步长内从状态i转移到状态j的概率,sij(k)表示在第k个单位时间步长内家庭总成员从状态i转移到状态j的总数,si(k)表示第k个单位时间步长内家庭总成员发生状态转移的总数:
优选的,所述家庭活动开始的概率矩阵由家庭活动开始概率构成,具体为:
其中,表示第k个单位时间步长中第v个家庭活动av开始的概率,α表示家庭中活跃状态的人数,T表示日类型,表示在第k个单位时间步长开始av的活跃状态人数为α的家庭总数,表示在第k个单位时间步长活跃状态人数为α的家庭总数,q表示家庭活动的种类总数。
优选的,所述家庭活动持续时长概率矩阵由家庭活动持续时长概率构成,具体为:
其中,表示第k个单位时间步长内开始的第v个家庭活动持续时长为τ的概率,α表示家庭中活跃状态的人数,T表示日类型,表示第k个单位时间步长内开始的第v个活动持续时长为τ的家庭总数,表示第k个单位时间步长内开始进行第v个家庭活动的家庭总数,时长τ是单位时间步长的整数倍。
优选的,所述步骤S2具体包括:
由蒙特卡罗法生成[0,1]区间上的伪随机数,通过该伪随机数与居民状态转移概率矩阵中的居民状态转移概率比较,得到最接近的居民状态转移概率,其对应转移的状态为第k个单位时间步长内家庭总成员的状态。
优选的,所述步骤S3中通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长具体包括:
通过联合分布的序贯抽样方法得到第k个单位时间步长家庭活动开始的第一概率,将第一概率与第k个单位时间步长不同家庭活动开始的概率矩阵比较,得到最接近第一概率的家庭活动作为第k个单位时间步长开始的家庭活动,通过联合分布的序贯抽样方法得到该家庭活动持续时长的第二概率,将第二概率与该活动持续时长的概率矩阵比较,得到最接近第二概率的持续时长作为该家庭活动此次开始的持续时长。
优选的,影响所述家庭活动开始的随机变量包括所处时刻、日类型及家庭活跃状态的人数,影响所述家庭活动持续时长的随机变量包括所处时刻、日类型、家庭活跃状态的人数和家庭活动类型。
优选的,所述家庭活动若在其持续时长D内再次得到开始状态时,则认为该家庭活动仍在D中,不再另行计算持续时长。
优选的,所述热水器保温功率包括用户非洗浴状态下热水器使水箱内的水温维持设定温度的功率。
优选的,所述附加功率为一日内的固定负荷常数。
与现有技术相比,本发明具有以下优点:
1、在分析影响居民用电行为因素的基础上,充分考虑用户个体的用电能动性,实现了基于用户行为学的家庭日负荷曲线自下向上的精细预测,有利于电网运营对需求侧管理的实施开展。
2、采用多维随机变量的联合分布来描述活动的开始和持续时长,能综合考虑日类型、家庭活跃状态人数等多种影响因素,能更精确的描述用户用电行为。
3、采用序贯抽样方法,利用条件概率分布将多维分布抽样转化为一维分布抽样问题,大大简化了抽样的复杂性,提高了运算效率,容易得到在某单位时间步长内家庭活动的开始和持续时长。
4、从用户角度出发,将用户进行的活动与相应电器联系起来,把被动电器开启的概率转变成家庭活动发生的概率,同时考虑了日类型、居民人数及其状态转移概率,考虑的影响因素全面,使得预测结果真实可靠。
附图说明
图1为用蒙特卡罗法确定元件z第i种状态发生的示意图;
图2为本发明的方法流程图;
图3为本发明中被动电器负荷曲线生成流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
影响居民用电行为的因素主要有:
社会经济因素:社会经济因素主要体现在:①家庭人口年龄、收入水平、作息规律、工作性质;②家庭成员的数量、房屋结构、家庭电器种类及型号;
地理位置因素:不同家庭所处的地理位置不同,所受的日温度、光照强度不同,会对空调、电灯等电器的使用产生直接影响;
日类型因素:日类型分为工作日和周末,居民周末在家的时长相对工作日要长,尤其是在白天,这将明显影响日负荷曲线的形状;
月份因素:这主要体现在不同月份的温度、光照强度差异较明显,它和地理位置因素一同视为影响日负荷曲线的气象因素。
上述所列因素中,部分因素会隐性体现在居民时间使用调查报告(TUS)的数据中,因此本方法仅将家庭成员数量、日类型和气象作为分析影响用户用电行为的变量因素,从TUS中获取原始数据。
如图2所示,一种基于用户行为学的家庭日负荷曲线精细预测方法,包括以下步骤:
S1、根据居民时间使用调查报告,计算得到每个单位时间步长的居民状态转移概率矩阵以及不同家庭活动开始和其持续时长的概率矩阵;
S2、通过蒙特卡罗法和居民状态转移概率矩阵得到第k个单位时间步长内家庭总成员的状态;
S3、根据第k个单位时间步长内家庭总成员的状态计算电器的负荷曲线,若在家的成员都为睡觉状态,则计算空调在第k个单位时间步长的负荷曲线;若至少有一个成员处于在家活跃状态,则通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长,计算电灯、空调和该家庭活动对应的被动电器的负荷曲线;
S4、按照单位时间步长递增循环步骤S2、S3,直到得到一日内的所有被动电器、空调和电灯的负荷曲线;
S5、将一日内的所有被动电器、空调、电灯的负荷曲线叠加后,再叠加制冷设备功率、热水器保温功率、附加功率的日负荷曲线,得到单户家庭的日负荷曲线。
将单个家庭成员在每个离散的时间步长内的状态划分为三种:1)在家且为活跃状态(简记为在家活跃);2)在家且为睡觉状态(简记为睡觉);3)不在家。将居民时间使用调查报告中的数据按照家庭中人口数量(1,2,…,r)和日类型(工作日、周末)分类,可以得到不同的状态转移矩阵。在相同日类型下,r个人的家庭在任意一个时间步长内可能存在种状态,其中每种状态包含在家活跃、睡觉、不在家的人数分别为α、β、r-α-β。利用一阶非齐次马尔科夫链得到居民状态转移概率矩阵,由一步转移概率pij(k)构成,具体为:
Φ(k)表示第k个单位时间步长内的状态转移概率矩阵,Ψ表示家庭总成员可能存在的状态总数,pij(k)表示居民在第k个单位时间步长内从状态i转移到状态j的概率:
其中,sij(k)表示在第k个单位时间步长内家庭总成员从状态i转移到状态j的总数,si(k)表示第k个单位时间步长内家庭总成员发生状态转移的总数:
将居民家庭活动与相应电器的工作状态相关联,采用单位时间步长内家庭活动的开始概率来确定特定电器的开启概率,允许用户在同一时段内使用多个电器。表1所示为通过TUS统计数据得到的主要家庭活动和其对应使用的被动电器,实际情况下可以根据具体调查数据进行调整。
表1居民在家的家庭活动对应使用的被动电器
活动编号v | 家庭活动 | 被动电器 |
1 | 打扫房间 | 真空吸尘器 |
2 | 用电脑上网、计算、游戏 | 电脑 |
3 | 看电视 | 电视机 |
4 | 看视频(碟片) | DVD机 |
5 | 烘焙 | 电烤箱 |
6 | 烧热水 | 电热水壶 |
7 | 准备饭菜 | 电饭煲 |
8 | 洗衣服 | 洗衣机、滚筒式烘干机 |
9 | 熨烫 | 电熨斗 |
10 | 洗浴 | 电热水器 |
11 | 聊天、看书、吃饭等 | 无 |
根据实际生活经验,对各类电器的工作特性做如下设定:
1、空调:空调的开启状态由家里是否有人决定。空调为开启状态时,室内温度会在空调的作用下保持在TS±ΔTHVAC的温度范围内,其中TS为空调温度设定值,ΔTHVAC为空调温度设定值允许的偏移值。
2、热水器:当居民不是洗浴状态时,热水器的耗电只用来使水箱内的水温维持Toutlet±ΔTWH的温度变化范围内,其耗电功率定义为保温功率pWH_hp,该功率与用户用电行为无关。Toutlet为用户预先设定好的温度值,ΔTWH为热水器温度设定值允许的偏移。当居民为洗浴状态时,热水器工作对水箱内的水进行加热以保证出水温度的舒适性,其耗电功率定义为加热功率。
3、电灯:电灯仅在用户为在家活跃状态下才开启,其电能消耗由当前的光照度决定,光照度可由公开数据得到。
4、被动电器:由用户行为主导的电器。当用户为在家活跃状态时,它们的开启状态由居民在家的家庭活动决定。一般娱乐性家电、与餐饮相关的电器等为恒功率负荷,但需特殊说明的是:
(1)洗衣机:洗衣机一般有7个工作模式,洗涤的周期平均为45~50分钟。本实施例中为了简化,将洗涤周期设定为45分钟且功率为常数;认为居民一旦开始洗衣活动,洗衣机便开始工作,且必须在完成一次洗涤周期后才可以开始下一次洗涤。
(2)滚筒式烘干机:它的工作原理同洗衣机,是一个定时长工作的电器,烘干周期为70分钟;认为滚筒式烘干机是配合洗衣机工作的,它会在洗涤周期结束之后开始。
5、制冷设备:指冰箱、冰柜,其工作特性可以描述为由温控器控制的一个保持箱体内恒定低温的周期性运行负荷,其电能消耗与用户行为无关。由于制冷设备在一个运行周期内只有1/3的时间处于制冷状态,因此本方法中用制冷概率为1/3的伯努利分布来计算其在一天中的电能消耗,并认为每个家庭的制冷设备在0时刻的初始状态是随机的。
6、附加功率:附加功率padd是根据相关文献选取的一个不随时间变化的常数,取值为53W,不受用户行为影响。
需要指出以下两点:
一、被动电器只有在活跃状态下才会被开启,若居民离开,某些电器不一定就被关闭,这由其工作性质决定,如洗衣机;
二、在第k个单位时间步长内判断出某家庭活动开始,并得到其持续时长D,若在接下来的D时段内又判断出该活动开始发生,则认为其仍在D内,不再另行计算其持续时长。
某个家庭活动开始的概率矩阵由家庭活动的开始概率构成,具体为:
其中,pav,T,α(k)表示第k个单位时间步长中第v个家庭活动av开始的概率,α表示家庭中活跃状态的人数,T表示日类型,sav,T,α(k)表示在第k个单位时间步长开始活动av的活跃状态人数为α的家庭总数,表示在第k个单位时间步长活跃状态人数为α的家庭总数,q表示家庭活动的种类总数,本实施例中q=11。
影响家庭活动av开始概率的随机变量包括:时刻C、日类型T、在家活跃人数L。用联合分布描述家庭活动a的开始概率:
p(wa(k)=1)=p(C≤c0,T≤t0,L≤l0)
其中,p(C≤c0,T≤t0,L≤l0)表示对任意实数c0、t0、l0,事件{C≤c0}、{T≤t0}、{L≤l0}同时发生的概率。
家庭活动持续时长概率矩阵由家庭活动持续时长概率构成,具体为:
其中,表示第k个单位时间步长内开始的第v个家庭活动持续时长为τ的概率,α表示家庭中活跃状态的人数,T表示日类型,表示第k个单位时间步长内开始的第v个家庭活动持续时长为τ的家庭总数,表示第k个单位时间步长内开始进行第v个家庭活动的家庭总数,时长τ是单位时间步长的整数倍。
影响活动av持续时长的随机变量包括:时刻C、日类型T、在家活跃人数L和家庭活动类型H。用联合分布描述第k个单位时间步长开始的活动av的持续时长的概率为:
其中,表示第v个家庭活动av持续时长D的概率,表示对任意实数c0、t0、l0、h0,事件{C≤c0}、{T≤t0}、{L≤l0}、{H≤h0}同时发生的概率。
蒙特卡罗法的基本思想是:一个系统的状态是其中所有元件状态的组合,且每一个元件的状态可由其出现在该状态的概率进行抽样来确定。具体如下:
设系统由m个元件组成,Sk代表第k个元件的状态,则系统的状态可用向量S=[S1,…,Sk,…,Sm]表示,它取决于系统中各个元件的状态组合。每个元件的概率特性可用[0,1]区间的均匀分布来描述,假定元件z有η种可能的状态,令Pz,i(i=1,2,…,η)表示元件z的第i种状态发生的概率,随机抽取一个区间为[0,1]的伪随机数Uz,通过该数与Pz,i的比较来确定元件z的状态,如图1所示,与Uz最接近的Pz,i对应的状态为元件z的状态,依此重复m次即可确定系统的某一种状态S。
根据上述原理,步骤S2具体包括:
由蒙特卡罗法生成[0,1]区间上的伪随机数,通过该伪随机数与居民状态转移概率矩阵中的居民状态转移概率比较,得到最接近的居民状态转移概率,其对应转移的状态为第k个单位时间步长内家庭总成员的状态。
步骤S3中通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长具体包括:
通过联合分布的序贯抽样方法得到第k个单位时间步长家庭活动开始的第一概率,将第一概率与第k个单位时间步长不同家庭活动开始的概率矩阵比较,得到最接近第一概率的活动作为第k个单位时间步长开始的家庭活动,通过联合分布的序贯抽样方法得到该家庭活动持续时长的第二概率,将第二概率与该活动持续时长的概率矩阵比较,得到最接近第二概率的持续时长作为该活动此次开启的持续时长。
序贯抽样法由蒙特卡罗法和多维随机抽样法组成,多维分布的随机抽样方法的基本原理为:利用条件概率分布将多维分布抽样转化为一维分布抽样问题,这样大大简化了抽样的复杂性。设任意n维随机变量X=(X1,X1,…,Xn)的联合分布为Fn(x1,x2,…,xn),它也可用边缘概率分布和条件概率分布乘积的形式来表示:
Fn(x1,x2,…,xn)=F(xnx1,x2,…,xn-1)·Fn-1(x1,x2,…,xn-1)
式中F(xn│x1,x2,…,xn-1)为在X1=x1,X2=x2,…,Xn-1=xn-1条件下Xn的条件概率分布,依此类推可得:
Fn(x1,x2,…,xn)=F(xnx1,x2,…,xn-1)·F(xn-1x1,x2,…,xn-2)·…F(x2x1)·F(x1)
令λ1,λ2,…,λn分别为n个[0,1]区间上均匀分布的随机数,则下列方程组:
对应的解形成的X=[X1,X1,…,Xn]即为抽样所得的一组样本,其多维联合概率分布即为Fn(x1,x2,…,xn)。具体抽样过程可由蒙特卡罗法生成[0,1]区间上的伪随机λ1,λ2,…,λn,求出多维联合概率分布1~n-1维条件概率分布,方程(1)的解即为一组抽样结果。
步骤S3中,在第k个单位时间步长内根据家庭总成员的状态可得到以下三种情况:
1、家庭成员均为不在家状态,电灯、空调和被动电器均不开启;
2、家庭成员均为睡觉状态,则空调开启,输出空调在第k个单位时间步长内工作的负荷曲线其中profHVAC(k)为空调的负荷曲线,运算关系符表示曲线赋值关系;
3、至少有一个家庭成员为在家活跃状态,通过联合分布的序贯抽样方法得到在每个单位时间步长开始的家庭活动(v=1,2,…,11)及其持续时长计算对应的被动电器的负荷曲线,如图3所示:
首先,对相关被动电器在内的负荷曲线计算过程的内部参数初始化;若v=11,由表1可知,则输出空调和电灯在内工作的负荷曲线其中proflight(k)为电灯的负荷曲线,运算关系符表示曲线叠加关系,否则,输出av对应的被动电器、空调和电灯在内工作的负荷曲线其中为被动电器的负荷曲线。
综上,本方法从k=1开始,依次循环,把第k个单位时间步长得到的第k组负荷曲线profele(k)与前k-1组负荷曲线叠加得到电器负荷曲线profsum(k),直到k取最大值kmax时截止。最后profsum(k)与制冷设备功率、热水器保温功率、附加功率的日负荷曲线相叠加得到单户家庭的日负荷曲线。
本实施例中单位时间步长取10min,一日内家庭总用电功率可表示为:
pall=pHVAC+plight+ppas+pWH_hp+pcold+padd
其中,
pHVAC、plight、pcold、padd、Ppas、分别是一日内空调、电灯、制冷设备、附加功率、被动电器的总功率和第v个家庭活动av的总功率;是一个二进制数,若在一日内,活动av进行过,则否则
Claims (10)
1.一种基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,包括以下步骤:
S1、根据居民时间使用调查报告,计算得到每个单位时间步长的居民状态转移概率矩阵以及不同家庭活动开始和其持续时长的概率矩阵;
S2、通过蒙特卡罗法和居民状态转移概率矩阵得到第k个单位时间步长内家庭总成员的状态;
S3、根据第k个单位时间步长内家庭总成员的状态计算电器的负荷曲线,若在家的成员都为睡觉状态,则计算空调在第k个单位时间步长的负荷曲线;若至少有一个成员处于在家活跃状态,则通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长,计算电灯、空调和该家庭活动对应的被动电器的负荷曲线;
S4、按照单位时间步长递增循环步骤S2、S3,直到得到一日内的所有被动电器、空调和电灯的负荷曲线;
S5、将一日内的所有被动电器、空调、电灯的负荷曲线叠加后,再叠加制冷设备功率、热水器保温功率、附加功率的日负荷曲线,得到单户家庭的日负荷曲线。
2.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,所述居民状态转移概率矩阵由居民状态转移概率pij(k)构成,pij(k)具体为:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,pij(k)表示居民在第k个单位时间步长内从状态i转移到状态j的概率,sij(k)表示在第k个单位时间步长内家庭总成员从状态i转移到状态j的总数,si(k)表示第k个单位时间步长内家庭总成员发生状态转移的总数:
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>&psi;</mi>
</msubsup>
<msub>
<mi>s</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,所述家庭活动开始的概率矩阵由家庭活动开始概率构成,具体为:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>a</mi>
<mi>v</mi>
</msub>
<mo>,</mo>
<mi>T</mi>
<mo>,</mo>
<mi>&alpha;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<msub>
<mi>a</mi>
<mi>v</mi>
</msub>
<mo>,</mo>
<mi>T</mi>
<mo>,</mo>
<mi>&alpha;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<mi>T</mi>
<mo>,</mo>
<mi>&alpha;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,表示第k个单位时间步长中第v个家庭活动av开始的概率,α表示家庭中活跃状态的人数,T表示日类型,表示在第k个单位时间步长开始av的活跃状态人数为α的家庭总数,表示在第k个单位时间步长活跃状态人数为α的家庭总数,q表示家庭活动的种类总数。
4.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,所述家庭活动持续时长概率矩阵由家庭活动持续时长概率构成,具体为:
<mrow>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>v</mi>
<mi>&tau;</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>T</mi>
<mo>,</mo>
<mi>&alpha;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>v</mi>
<mi>&tau;</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>T</mi>
<mo>,</mo>
<mi>&alpha;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mrow>
<msub>
<mi>d</mi>
<mi>v</mi>
</msub>
<mo>,</mo>
<mi>T</mi>
<mo>,</mo>
<mi>&alpha;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,表示第k个单位时间步长内开始的第v个家庭活动持续时长为τ的概率,α表示家庭中活跃状态的人数,T表示日类型,表示第k个单位时间步长内开始的第v个活动持续时长为τ的家庭总数,表示第k个单位时间步长内开始进行第v个家庭活动的家庭总数,时长τ是单位时间步长的整数倍。
5.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,所述步骤S2具体包括:
由蒙特卡罗法生成[0,1]区间上的伪随机数,通过该伪随机数与居民状态转移概率矩阵中的居民状态转移概率比较,得到最接近的居民状态转移概率,其对应转移的状态为第k个单位时间步长内家庭总成员的状态。
6.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,所述步骤S3中通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长具体包括:
通过联合分布的序贯抽样方法得到第k个单位时间步长家庭活动开始的第一概率,将第一概率与第k个单位时间步长不同家庭活动开始的概率矩阵比较,得到最接近第一概率的家庭活动作为第k个单位时间步长开始的家庭活动,通过联合分布的序贯抽样方法得到该家庭活动持续时长的第二概率,将第二概率与该活动持续时长的概率矩阵比较,得到最接近第二概率的持续时长作为该家庭活动此次开始的持续时长。
7.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,影响所述家庭活动开始的随机变量包括所处时刻、日类型及家庭活跃状态的人数,影响所述家庭活动持续时长的随机变量包括所处时刻、日类型、家庭活跃状态的人数和家庭活动类型。
8.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,所述家庭活动若在其持续时长D内再次得到开始状态时,则认为该家庭活动仍在D中,不再另行计算持续时长。
9.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,所述热水器保温功率包括用户非洗浴状态下热水器使水箱内的水温维持设定温度的功率。
10.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法,其特征在于,所述附加功率为一日内的固定负荷常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711108363.7A CN107766992B (zh) | 2017-11-09 | 2017-11-09 | 基于用户行为学的家庭日负荷曲线精细预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711108363.7A CN107766992B (zh) | 2017-11-09 | 2017-11-09 | 基于用户行为学的家庭日负荷曲线精细预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107766992A true CN107766992A (zh) | 2018-03-06 |
CN107766992B CN107766992B (zh) | 2021-07-20 |
Family
ID=61273826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711108363.7A Active CN107766992B (zh) | 2017-11-09 | 2017-11-09 | 基于用户行为学的家庭日负荷曲线精细预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766992B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922373A (zh) * | 2019-03-14 | 2019-06-21 | 上海极链网络科技有限公司 | 视频处理方法、装置及存储介质 |
CN111859286A (zh) * | 2020-06-12 | 2020-10-30 | 美林数据技术股份有限公司 | 一种疫情影响下售电量精准预测方法 |
CN114004396A (zh) * | 2021-10-26 | 2022-02-01 | 广东电网有限责任公司 | 面向能源管理的在家人数预测方法、系统、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
CN106326996A (zh) * | 2015-06-16 | 2017-01-11 | 中国电力科学研究院 | 一种基于电量信息的用户负荷预测方法 |
CN106505578A (zh) * | 2016-12-07 | 2017-03-15 | 国家电网公司 | 一种家庭负荷的用电调控方法及装置 |
-
2017
- 2017-11-09 CN CN201711108363.7A patent/CN107766992B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326996A (zh) * | 2015-06-16 | 2017-01-11 | 中国电力科学研究院 | 一种基于电量信息的用户负荷预测方法 |
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
CN106505578A (zh) * | 2016-12-07 | 2017-03-15 | 国家电网公司 | 一种家庭负荷的用电调控方法及装置 |
Non-Patent Citations (3)
Title |
---|
JOAKIM WIDÉN: "A high-resolution stochastic model of domestic activity patterns and electricity demand", 《APPLIED ENERGY》 * |
URS WILKE: "A bottom-up stochastic mo del to predict building occupa nts’time-dependent activities", 《BUILDING AND ENVIRONMENT》 * |
林顺富: "基于用户行为的家庭日负荷曲线模型", 《电力建设》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922373A (zh) * | 2019-03-14 | 2019-06-21 | 上海极链网络科技有限公司 | 视频处理方法、装置及存储介质 |
CN111859286A (zh) * | 2020-06-12 | 2020-10-30 | 美林数据技术股份有限公司 | 一种疫情影响下售电量精准预测方法 |
CN111859286B (zh) * | 2020-06-12 | 2024-01-26 | 美林数据技术股份有限公司 | 一种疫情影响下售电量精准预测方法 |
CN114004396A (zh) * | 2021-10-26 | 2022-02-01 | 广东电网有限责任公司 | 面向能源管理的在家人数预测方法、系统、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107766992B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Quantitative description and simulation of human behavior in residential buildings | |
Armstrong et al. | Synthetically derived profiles for representing occupant-driven electric loads in Canadian housing | |
Katipamula et al. | Evaluation of Residential HVAC Control Strategies for Demand Response Programs. | |
CN107766992B (zh) | 基于用户行为学的家庭日负荷曲线精细预测方法 | |
Taniguchi et al. | Estimation of the contribution of the residential sector to summer peak demand reduction in Japan using an energy end-use simulation model | |
CN105514993B (zh) | 一种电力负荷分解方法及装置 | |
Gruber et al. | Residential energy load profile generation using a probabilistic approach | |
CN107392391A (zh) | 一种基于深度学习的电力负荷用电分解方法 | |
CN104680339B (zh) | 一种基于实时电价的家用电器调度方法 | |
CN111598478B (zh) | 一种综合能源需求响应量计算方法 | |
Yamaguchi et al. | Occupant behavior model for households to estimate high-temporal resolution residential electricity demand profile | |
CN111340270B (zh) | 基于信息交互的家庭能量智能优化方法 | |
CN110944413B (zh) | 云边协同架构下基于历史负荷辨识数据的电热细分方法 | |
CN114066264A (zh) | 计及综合需求响应的综合能源系统运行优化方法及系统 | |
Laicāne et al. | Determinants of household electricity consumption savings: A Latvian case study | |
Heo et al. | Investigating an adequate level of modelling for energy analysis of domestic buildings | |
Paauw et al. | Energy Pattern Generator: Understanding the effect of user behaviour on energy systems | |
CN116540590A (zh) | 节能方案的推荐方法和装置、存储介质及电子装置 | |
Yuan et al. | Electricity consumption and load prediction method for Chinese rural residences based on the randomness and seasonality in electricity usage behavior | |
Shabbir et al. | Residential DC Load Forecasting Using Long Short-Term Memory Network (LSTM) | |
Rodrigues et al. | Load profile analysis tool for electrical appliances in households assisted by CPS | |
Jiang et al. | Home energy efficiency evaluation based on NILM | |
Xiang et al. | A residential end-use electric energy consumption model based on the development of household appliances | |
Schweiker et al. | Study on the effect of preference of air–conditioning usage on the exergy consumption pattern within a built environment | |
Lin et al. | The pattern recognition of residential power consumption based on HMM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |