CN108846505B - 可再生能源并网消纳信息多维度校核方法及设备 - Google Patents

可再生能源并网消纳信息多维度校核方法及设备 Download PDF

Info

Publication number
CN108846505B
CN108846505B CN201810516933.4A CN201810516933A CN108846505B CN 108846505 B CN108846505 B CN 108846505B CN 201810516933 A CN201810516933 A CN 201810516933A CN 108846505 B CN108846505 B CN 108846505B
Authority
CN
China
Prior art keywords
consumption information
renewable energy
electricity utilization
multidimensional
abnormal
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
CN201810516933.4A
Other languages
English (en)
Other versions
CN108846505A (zh
Inventor
吕刚
汤伟
杨铖
徐超峰
胡昌师
肖杰
郭乾坤
史宗金
赵勇
宋倩倩
魏秀霞
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.)
Anhui Bonus Information Technology Co ltd
State Grid Anhui Electric Power Co Ltd
Hefei University
Original Assignee
Anhui Bonus Information Technology Co ltd
State Grid Anhui Electric Power Co Ltd
Hefei University
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 Anhui Bonus Information Technology Co ltd, State Grid Anhui Electric Power Co Ltd, Hefei University filed Critical Anhui Bonus Information Technology Co ltd
Priority to CN201810516933.4A priority Critical patent/CN108846505B/zh
Publication of CN108846505A publication Critical patent/CN108846505A/zh
Application granted granted Critical
Publication of CN108846505B publication Critical patent/CN108846505B/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
    • G06Q10/04—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种可再生能源并网消纳信息多维度校核方法及设备，方法包括以下步骤：S1：采用支持向量机算法构建电量与各种气象因子关系模型来预测供电情况；S2：基于K最近邻分类算法构建异常用电辨识分析模型以识别异常用电情况。与现有技术相比，本申请公开了一种可再生能源并网消纳信息多维度校核方法及设备，支持向量机可以非常有效地进行训练，并且可以用来获得非常好的预测准确性。能够缩短分类器的训练时间，并在预测精度上表现出较好的性能。

Description

可再生能源并网消纳信息多维度校核方法及设备
技术领域
本发明涉及电力系统及其自动化技术领域，具体来说是一种可再生能源并网消纳信息多维度校核方法及设备。
背景技术
要实现能源的可持续发展，就要求大力发展清洁能源，开辟安全、清洁、高效的能源可持续发展之路，全球能源互联网理念由此应运而生。全球能源互联网是坚强智能电网发展的高级阶段，核心是以清洁能源为主导，以特高压电网为骨干网架，各国各洲电网广泛互联，能源资源全球配置，各级电网协调发展，各类电源和用户灵活接入的坚强智能电网，功能是将风能、太阳能、海洋能等可再生能源输送到各类用户。能源互联网发展势必促进可再生能源发展，对可再生能源消纳能力分析计算的研究将是一项未来长久探讨的问题。
同时国家层面上在可再生能源建设和发展方面出台了多项扶持政策。为提升电力系统调峰能力，有效缓解弃水、弃风、弃光，促进可再生能源消纳，国家发展改革委、国家能源局联合印发了关于《可再生能源调峰机组优先发电试行办法》的通知，明确给出了可再生能源调峰机组优先调度管理办法，按照“谁调峰、谁受益”原则，建立调峰机组激励机制，同时要求各省(区、市)结合可再生能源建设规模、消纳情况、电源结构和负荷特性，安排一定规模煤电机组为可再生能源调峰。
然而，目前我国各省间新能源资源和电源结构的互补性不能充分利用，东北、西北电网目前的跨区输电能力只有新能源装机容量的19％，在这一过程中，可再生能源并网消纳是影响跨区输电能力的主要问题因素，而对可再生能源并网消纳信息的校核则决定了可再生能源并网消纳的精确度和准确度。因此，亟需提出一套切实可行的可再生能源并网消纳信息的校核方法，以适应未来可再生能源互联发展的需求。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种可再生能源并网消纳信息多维度校核的方案。
第一方面，本申请实施例提供了一种可再生能源并网消纳信息多维度校核方法，包括以下步骤：
S1：采用支持向量机(SVM)算法构建电量与各种气象因子关系模型来预测供电情况，包括：
建立电量气象因子历史数据集，并包括描述所述数据的用作训练库参数的多个气象特征；
对所述历史数据集进行参数优化得到优化数据库；
利用所述优化数据库进行SVM训练，得到电量与各种气象因子的SVM模型；
下载待预测的气象因子数据集，所述气象因子数据集包括所述多个气象特征；
利用所述SVM模型，采用SVM方法预测供电大小情况；
S2：基于K最近邻分类算法构建异常用电辨识分析模型以识别异常用电情况，包括：
建立异常用电训练样本，所述异常用电训练样本包括用以描述异常用电的特征值，以及对是否属于异常用电的分类；
下载异常用电的预测样本，求所述预测样本与所述异常用电训练样本之间的相似性；
对所述异常用电训练样本依据与所述预测样本的相似性按从大到小进行排序；
确定排序后前K个样本所在类别出现的频率，并输出出现频率最高的用电类别作为预测用电类别。
在本申请的某些实施例中，所述S1中的所述历史数据集选自历史案例。
在本申请的某些实施例中，所述S1中的所述气象特征包括风力级别、光照强度、天气状况和\或温度。
在本申请的某些实施例中，所述S1中的以电量数值作为分类标准，进行所述SVM训练。
在本申请的某些实施例中，所述S1中的所述采用SVM方法预测包括对所述待预测的气象因子数据集按照电量大小进行分类。
在本申请的某些实施例中，所述S1中的将所述预测供电大小情况与预备供电量进行对比，实现对并网消纳信息中供电量的校核。
在本申请的某些实施例中，所述S2中，按照欧式距离确定所述预测样本与所述异常用电训练样本之间的相似性。
在本申请的某些实施例中，所述S2中的所述用电类别包括正常用电和异常用电。
在本申请的某些实施例中，所述S2中，将所述预测用电类别与预备用电类别进行对比，实现对并网消纳信息中用电类别的校核。
第二方面，本申请实施例提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时实现上述可再生能源并网消纳信息多维度校核方法。
目前，将概率分析方法应用到并网消纳来进行供电和用电情况的分类预测从而校核消纳信息的相关研究非常少。本申请实施例提供的可再生能源并网消纳信息校核方案，提出利用概率分析方法来对供电量和用电类别的分类进行预测，进而可以评估潜在的供电量和可能的用电类别，从而实现对并网消纳信息中供电量和用电类别的校核。分析过程中，支持向量机分类器模型在准确性和适用性方面产生了更好的性能，耗时更短，精度更高，能产生良好的预测结果。与其他技术相比，支持向量机可以非常有效地进行训练，并且可以用来获得非常好的预测准确性。能够缩短分类器的训练时间，并在预测精度上表现出较好的性能。采用K最近邻分类算法构建异常用电辨识分析模型，可以在收据样本有限的情况下进行用电类别的预测，使用电类别的成功预测成为可能。
附图说明
图1示出了可再生能源并网消纳信息多维度校核方法流程图。
具体实施方式
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、完整的描述。显然，所描述的实施例是本发明一部分而不是全部的实施例。为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，通常在此附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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他实施例，都属于本发明保护的范围。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，属于“设置”、“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
请参考图1，其示出了可再生能源并网消纳信息多维度校核方法的流程图。本申请实施例提供的可再生能源并网消纳信息多维度校核方法，包括以下步骤：
S1：采用支持向量机(SVM)算法构建电量与各种气象因子关系模型来预测供电情况，包括：
建立电量气象因子历史数据集，历史数据集选自历史案例，并包括描述数据的用作训练库参数的多个气象特征；气象特征包括风力级别、光照强度、天气状况和\或温度。
对历史数据集进行参数优化得到优化数据库；
以电量数值作为分类标准，利用优化数据库进行SVM训练，得到电量与各种气象因子的SVM模型；
下载待预测的气象因子数据集，气象因子数据集包括多个气象特征；
利用SVM模型，采用SVM方法预测供电大小情况，具体包括对待预测的气象因子数据集按照电量大小进行分类。
将预测供电大小情况与预备供电量进行对比，实现对并网消纳信息中供电量的校核。
S2：基于K最近邻分类算法构建异常用电辨识分析模型以识别异常用电情况，包括：
建立异常用电训练样本，异常用电训练样本包括用以描述异常用电的特征值，以及对是否属于异常用电的分类；
下载异常用电的预测样本，按照欧式距离求预测样本与异常用电训练样本之间的相似性；
对异常用电训练样本依据与预测样本的相似性按从大到小进行排序；
确定排序后前K个样本所在类别出现的频率，并输出出现频率最高的用电类别作为预测用电类别，用电类别包括正常用电和异常用电。
将预测用电类别与预备用电类别进行对比，实现对并网消纳信息中用电类别的校核。
可以理解的是，S1和S2之间的前后顺序不做具体限定，可以根据情况调整S1和S2的步骤，均在本申请的保护范围之内。
本申请实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时实现上述可再生能源并网消纳信息多维度校核方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种可再生能源并网消纳信息多维度校核方法，其特征在于，包括以下步骤：
S1：采用支持向量机算法构建电量与各种气象因子关系模型来预测供电情况，包括：
建立电量气象因子历史数据集，并包括描述数据的用作训练库参数的多个气象特征；
对所述历史数据集进行参数优化得到优化数据库；
利用所述优化数据库进行SVM训练，得到电量与各种气象因子的SVM模型；
下载待预测的气象因子数据集，所述气象因子数据集包括所述多个气象特征；
利用所述SVM模型，采用SVM方法预测供电大小情况；
将所述预测供电大小情况与预备供电量进行对比，实现对并网消纳信息中供电量的校核；
S2：基于K最近邻分类算法构建异常用电辨识分析模型以识别异常用电情况，包括：
建立异常用电训练样本，所述异常用电训练样本包括用以描述异常用电的特征值，以及对是否属于异常用电的分类；
下载异常用电的预测样本，求所述预测样本与所述异常用电训练样本之间的相似性；
对所述异常用电训练样本依据与所述预测样本的相似性按从大到小进行排序；
确定排序后前K个样本所在类别出现的频率，并输出出现频率最高的用电类别作为预测用电类别；
将所述预测用电类别与预备用电类别进行对比，实现对并网消纳信息中用电类别的校核。
2.根据权利要求1所述的可再生能源并网消纳信息多维度校核方法，其特征在于，所述S1中的所述历史数据集选自历史案例。
3.根据权利要求1所述的可再生能源并网消纳信息多维度校核方法，其特征在于，所述S1中的所述气象特征包括风力级别、光照强度、天气状况和\或温度。
4.根据权利要求1所述的可再生能源并网消纳信息多维度校核方法，其特征在于，所述S1中的以电量数值作为分类标准，进行所述SVM训练。
5.根据权利要求1所述的可再生能源并网消纳信息多维度校核方法，其特征在于，所述S1中的所述采用SVM方法预测包括对所述待预测的气象因子数据集按照电量大小进行分类。
6.根据权利要求1所述的可再生能源并网消纳信息多维度校核方法，其特征在于，所述S2中，按照欧式距离确定所述预测样本与所述异常用电训练样本之间的相似性。
7.根据权利要求1所述的可再生能源并网消纳信息多维度校核方法，其特征在于，所述S2中的所述用电类别包括正常用电和异常用电。
8.一种可再生能源并网消纳信息多维度校核设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时实现如权利要求1-7任一所述的方法。
CN201810516933.4A 2018-05-25 2018-05-25 可再生能源并网消纳信息多维度校核方法及设备 Active CN108846505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810516933.4A CN108846505B (zh) 2018-05-25 2018-05-25 可再生能源并网消纳信息多维度校核方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810516933.4A CN108846505B (zh) 2018-05-25 2018-05-25 可再生能源并网消纳信息多维度校核方法及设备

Publications (2)

Publication Number Publication Date
CN108846505A CN108846505A (zh) 2018-11-20
CN108846505B true CN108846505B (zh) 2020-09-25

Family

ID=64213508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810516933.4A Active CN108846505B (zh) 2018-05-25 2018-05-25 可再生能源并网消纳信息多维度校核方法及设备

Country Status (1)

Country Link
CN (1) CN108846505B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382890B (zh) * 2018-12-27 2022-04-12 珠海格力电器股份有限公司 一种家电安装量预测方法、系统及存储介质
CN111768020A (zh) * 2019-04-02 2020-10-13 卜晓阳 基于svm算法的客户用电需求识别方法
CN112116216B (zh) * 2020-08-28 2023-10-03 国家电网公司华东分部 一种基于多对象多维度的新能源消纳评价方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927598A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于自学习径向基核函数的光伏发电功率预测方法
CN107292513A (zh) * 2017-06-21 2017-10-24 国网辽宁省电力有限公司 一种基于svm分类算法实现电力客户管理的方法
CN107481030A (zh) * 2017-07-14 2017-12-15 国网浙江省电力公司经济技术研究院 一种考虑多类型需求侧资源的电力负荷预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103296679B (zh) * 2013-05-20 2016-08-17 国家电网公司 电力系统中长期优化运行的中长期风电出力模型建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927598A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于自学习径向基核函数的光伏发电功率预测方法
CN107292513A (zh) * 2017-06-21 2017-10-24 国网辽宁省电力有限公司 一种基于svm分类算法实现电力客户管理的方法
CN107481030A (zh) * 2017-07-14 2017-12-15 国网浙江省电力公司经济技术研究院 一种考虑多类型需求侧资源的电力负荷预测方法

Also Published As

Publication number Publication date
CN108846505A (zh) 2018-11-20

Similar Documents

Publication Publication Date Title
Zhao et al. Multi-objective optimization of stand-alone hybrid PV-wind-diesel-battery system using improved fruit fly optimization algorithm
Lujano-Rojas et al. Optimizing daily operation of battery energy storage systems under real-time pricing schemes
Zargar et al. Development of a Markov-chain-based solar generation model for smart microgrid energy management system
CN108846505B (zh) 可再生能源并网消纳信息多维度校核方法及设备
Akbari et al. Convex probabilistic allocation of wind generation in smart distribution networks
CN111709554A (zh) 一种配电网净负荷联合预测的方法及系统
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
KR20200123310A (ko) 부하 예측 장치 및 방법
Xu et al. Implementation of repowering optimization for an existing photovoltaic‐pumped hydro storage hybrid system: A case study in Sichuan, China
CN118412863B (zh) 光储一体化电能调度方法、系统、电子设备、存储介质
CN118157185B (zh) 一种光伏储能充电控制方法和系统
Nasiri et al. Data analytics and information technologies for smart energy storage systems: A state-of-the-art review
Zhao et al. Power fluctuation mitigation strategy for microgrids based on an LSTM-based power forecasting method
CN116995734B (zh) 面向电网的分布式能源电能质量监测控制评价系统
Zamanidou et al. Day‐ahead scheduling of a hybrid renewable energy system based on generation forecasting using a deep‐learning approach
CN116937562A (zh) 分布式光伏接入的电能质量预测方法、装置以及电力系统
CN110298603B (zh) 分布式光伏系统容量估计方法
Yang et al. Short-Term Photovoltaic Power Interval Prediction Based on the Improved Generalized Error Mixture Distribution and Wavelet Packet-LSSVM
Zhao et al. Regional PV installed capacity forecasting considering generation costs and time lag of influential factors
Schwarz et al. Improving the computational efficiency of stochastic programs using automated algorithm configuration: an application to decentralized energy systems
Kumar et al. Real-time implementation of an IoT-based intelligent source allocation system using machine learning technique in a commercial building
Sachs et al. Combined probabilistic and set-based uncertainties for a stochastic model predictive control of island energy systems
Zheng et al. A joint configuration method for multiple flexible resources in low carbon distribution networks based on massive scene dimensionality reduction
Zhao et al. Regional photovoltaic installed capacity forecasting based on granger causality test and grey support vector machine
Liu et al. Predicting Active Constraints Set in Security-Constrained Optimal Power Flow via Deep Neural Network

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