CN109461091B - 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 - Google Patents
考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 Download PDFInfo
- Publication number
- CN109461091B CN109461091B CN201810515150.4A CN201810515150A CN109461091B CN 109461091 B CN109461091 B CN 109461091B CN 201810515150 A CN201810515150 A CN 201810515150A CN 109461091 B CN109461091 B CN 109461091B
- Authority
- CN
- China
- Prior art keywords
- building
- load
- simulation model
- variable
- input variable
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 116
- 230000005611 electricity Effects 0.000 claims abstract description 29
- 238000004378 air conditioning Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000001816 cooling Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000010248 power generation Methods 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统,其中,方法包括:采集建筑物仿真模型变量;根据建筑物仿真模型变量和目标用途获取待选输入变量集合和输出变量;根据待选输入变量集合和输出变量通过最大相关最小冗余原则得到建筑物仿真模型的输入变量集合;通过极限学习机对输入变量集合和输出变量的数据进行训练,以获取最终建筑物仿真模型;通过最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷理论计算值。该计算方法可以有效提高含有高比例空调负荷的建筑物用电负荷异常监测水平,提高建筑物用电负荷的短期预测精度,并实现建筑物和城市电网协同优化。
Description
技术领域
本发明涉及电力系统运行与分析技术领域,特别涉及一种考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统。
背景技术
随着智能电表的普及,建筑物用电负荷和光伏发电数据逐渐达到了大数据的规模。光伏发电曲线中隐含着丰富的气象信息,尚没有得到工业界的重视。
目前已经存在的基于温度和相对湿度的单体建筑仿真模型,并不能解决电网公司准确预测建筑物用电负荷的问题。电网没有温度和相对湿度数据,只能获得单体建筑物的电力数据。天气预报的气象信息时间和空间分辨率较低,只能精确到小时和城市城区。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种考虑光伏和冷负荷相关性的用电负荷计算方法,该方法可以提高建筑物用电负荷异常监测水平和建筑物用电负荷的短期预测精度,并实现建筑物和城市电网协同优化。
本发明的另一个目的在于提出一种考虑光伏和冷负荷相关性的用电负荷计算信息系统。
为达到上述目的,本发明一方面实施例提出了一种考虑光伏和冷负荷相关性的用电负荷计算方法,包括以下步骤:采集建筑物仿真模型变量,其中,所述建筑物仿真模型变量包括目标建筑物消耗的有功功率和与所述目标建筑物相邻的N个分布式光伏电源系统发出的预设时间的有功功率,N为正整数;根据所述建筑物仿真模型变量和目标用途获取待选输入变量集合和输出变量;根据所述待选输入变量集合和输出变量通过最大相关最小冗余原则得到建筑物仿真模型的输入变量集合;通过极限学习机对所述输入变量集合和所述输出变量的数据进行训练,以获取最终建筑物仿真模型;以及通过所述最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷理论计算值。
本发明实施例的考虑光伏和冷负荷相关性的用电负荷计算方法,通过使用光伏发电中隐藏的对建筑物冷负荷仍有作用的历史天气信息来估计未来的建筑物用电负荷,当光伏电源中隐藏的天气信息冗余时,提出采用偏互信息理论选择邻近光伏电站出力作为建筑电力负荷模型的输入变量,当光伏发电曲线中隐藏的天气信息不足时,提出了基于经验模态分解的建筑仿真模型输入变量的分解计算,以降低输入变量的非线性和动态特征,有效提高含有高比例空调负荷的建筑物用电负荷计算的准确性,进而提高建筑物用电负荷异常监测水平和建筑物用电负荷的短期预测精度,有助于实现建筑物和城市电网协同优化。
另外,根据本发明上述实施例的考虑光伏和冷负荷相关性的建筑物用电负荷计算方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述根据所述目标用途得到建筑物仿真模型的输出变量和输入变量待选集合,以分别获取每一个待选输入变量与输出变量的互信息,并确定与所述输出变量的互信息最大的待选输入变量,并加入到所述建筑物仿真模型输入变量已选集合,获取每一个所述待选输入变量与所述输出变量、所述输入变量已选集合的偏互信息,并确认所述偏互信息最大的待选输入变量,通过洗牌算法对所述偏互信息最大的待选输入变量的时间序列随机排序,以得到每一次洗牌后的该待选输入变量与输出变量、输入变量已选集合的偏互信息,并在该待选输入变量的偏互信息大于预设百分比的洗牌后的待选输入变量的偏互信息时,加入到所述建筑物仿真模型的输入变量已选集合。
进一步地,在本发明的一个实施例中,还包括:判断所述建筑物仿真模型的输入变量集合是否只有一个光伏电源发出的有功功率变量;如果是,则通过经验模态分解对所述光伏电源的有功功率变量进行计算,以得到多个本征模函数,并将所述多个本征模函数替换已有的前一个光伏电源发出的有功功率变量,以得到所述建筑物仿真模型的当前输入变量集合。
进一步地,在本发明的一个实施例中,所述目标用途包括建筑物用电负荷异常监测和建筑物用电负荷的短期预测用途。
进一步地,在本发明的一个实施例中,所述通过所述最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷理论计算值,进一步包括:针对所述建筑物用电负荷异常监测用途,输入任一日的建筑物消耗的有功功率和相邻的后一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到所述建筑物的后一日的理论电力负荷;所述后一日的理论电力负荷与后一日的实际电力负荷进行比较,差值大于预设阈值,则判定所述建筑物用电负荷为异常,针对所述建筑物用电负荷的短期预测用途,输入所述任一日1~K个小时的建筑物消耗的有功功率和所述任意一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到所述任一日第K+1个小时的电力负荷预测值,K为正整数。
为达到上述目的,本发明另一方面实施例提出了一种考虑光伏和冷负荷相关性的用电负荷计算信息系统,包括:采集模块,用于采集建筑物仿真模型变量,其中,所述建筑物仿真模型变量包括目标建筑物消耗的有功功率和与所述目标建筑物相邻的N个分布式光伏电源系统发出的预设时间的有功功率,N为正整数;第一获取模块,用于根据所述建筑物仿真模型变量和目标用途获取待选输入变量集合和输出变量;选择模块,用于根据所述待选输入变量集合和输出变量通过最大相关最小冗余原则得到建筑物仿真模型的输入变量集合;训练模块,用于通过极限学习机对所述输入变量集合和所述输出变量的数据进行训练,以获取最终建筑物仿真模型;以及第二获取模块,用于通过所述最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷理论计算值。
本发明实施例的考虑光伏和冷负荷相关性的用电负荷计算信息系统,通过使用光伏发电中隐藏的对建筑物冷负荷仍有作用的历史天气信息来估计未来的建筑物用电负荷,当光伏电源中隐藏的天气信息冗余时,提出采用偏互信息理论选择邻近光伏电站出力作为建筑电力负荷模型的输入变量,当光伏发电曲线中隐藏的天气信息不足时,提出了基于经验模态分解的建筑仿真模型输入变量的分解计算,以降低输入变量的非线性和动态特征,有效提高含有高比例空调负荷的建筑物用电负荷计算的准确性,进而提高建筑物用电负荷异常监测水平和建筑物用电负荷的短期预测精度,有助于实现建筑物和城市电网协同优化。
另外,根据本发明上述实施例的考虑光伏和冷负荷相关性的用电负荷计算信息系统还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述选择模块进一步用于根据所述目标用途得到建筑物仿真模型的输出变量和输入变量待选集合,以分别获取每一个待选输入变量与输出变量的互信息,并确定与所述输出变量的互信息最大的待选输入变量,并加入到所述建筑物仿真模型输入变量已选集合,获取每一个所述待选输入变量与所述输出变量、所述输入变量已选集合的偏互信息,并确认所述偏互信息最大的待选输入变量,通过洗牌算法对所述偏互信息最大的待选输入变量的时间序列随机排序,以得到每一次洗牌后的该待选输入变量与输出变量、输入变量已选集合的偏互信息,并在该待选输入变量的偏互信息大于预设百分比的洗牌后的待选输入变量的偏互信息时,加入到所述建筑物仿真模型的输入变量已选集合。
进一步地,在本发明的一个实施例中,还包括:判断模块,用于判断所述建筑物仿真模型的输入变量集合是否只有一个光伏电源发出的有功功率变量,如果是,则通过经验模态分解对所述光伏电源的有功功率变量进行计算,以得到多个本征模函数,并将所述多个本征模函数替换已有的前一个光伏电源发出的有功功率变量,以得到所述建筑物仿真模型的当前输入变量集合。
进一步地,在本发明的一个实施例中,所述目标用途包括建筑物用电负荷异常监测和建筑物用电负荷的短期预测用途。
进一步地,在本发明的一个实施例中,所述第二获取模块进一步用于针对所述建筑物用电负荷异常监测用途,输入任一日的建筑物消耗的有功功率和相邻的后一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到所述建筑物的后一日的理论电力负荷;所述后一日的理论电力负荷与后一日的实际电力负荷进行比较,差值大于预设阈值,则判定所述建筑物用电负荷为异常并针对所述建筑物用电负荷的短期预测用途,输入所述任一日1~K个小时的建筑物消耗的有功功率和所述任意一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到所述任一日第K+1个小时的电力负荷预测值,K为正整数。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的考虑光伏和冷负荷相关性的用电负荷计算方法的流程图;
图2为根据本发明一个实施例的考虑光伏和冷负荷相关性的用电负荷计算信息系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统进行描述,首先将参照附图描述根据本发明实施例提出的考虑光伏和冷负荷相关性的用电负荷计算方法。
图1是本发明一个实施例的考虑光伏和冷负荷相关性的用电负荷计算方法的流程图。
如图1所示,该考虑光伏和冷负荷相关性的用电负荷计算方法包括以下步骤:
在步骤S101中,采集建筑物仿真模型变量,其中,建筑物仿真模型变量包括目标建筑物消耗的有功功率和与目标建筑物相邻的N个分布式光伏电源系统发出的预设时间的有功功率,N为正整数。
也就是说,本发明实施例采集含有高比例空调负荷的城区配电网的某建筑物消耗的有功功率和该建筑物临近的N个分布式光伏电源系统发出的若干天的有功功率作为建筑物仿真模型变量,N为正整数。
在步骤S102中,根据建筑物仿真模型变量和目标用途获取待选输入变量集合和输出变量。
可选地,在本发明的一个实施例中,目标用途可以包括建筑物用电负荷异常监测和建筑物用电负荷的短期预测用途。
进一步地,在本发明的一个实施例中,通过最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷,还可以包括:针对建筑物用电负荷异常监测用途,输入任一日的建筑物消耗的有功功率和相邻的后一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到建筑物的后一日的理论电力负荷;后一日的理论电力负荷与后一日的实际电力负荷进行比较,差值大于预设阈值,则判定建筑物用电负荷为异常针对建筑物用电负荷的短期预测用途,输入任一日1~K个小时的建筑物消耗的有功功率和任意一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到任一日第K+1个小时的电力负荷预测值,K为正整数。
具体而言,按照不同的用途确定训练模块的输入和输出。第一种用途是建筑物消耗的有功功率的理论计算,和实际值比较可以提高建筑物用电负荷异常监测水平。对于该用途,第1~M日的建筑物消耗的有功功率和第2~M+1日的N个分布式光伏电源系统发出的有功功率作为建筑物仿真模型的N+1个待选输入变量集合;第2~M+1日的建筑物消耗的有功功率作为建筑物仿真模型输出变量。第二种用途是建筑物用电负荷的短期预测,为建筑物和电网运行调度提供支撑。对于该用途,M个日的第1~K个小时的N个分布式光伏电源系统发出的有功功率作为建筑物仿真模型的N个待选输入变量集合,M个日的第K+1个小时的建筑物消耗的有功功率作为建筑物仿真模型输出变量,N为正整数,M为正整数,K为正整数。
在步骤S103中,待选输入变量集合和输出变量通过最大相关最小冗余原则得到建筑物仿真模型的输入变量集合。
进一步地,在本发明的一个实施例中,根据目标用途得到建筑物仿真模型的输出变量和输入变量待选集合,以分别获取每一个待选输入变量与输出变量的互信息,并确定与输出变量的互信息最大的待选输入变量,并加入到建筑物仿真模型输入变量已选集合,获取每一个待选输入变量与输出变量、输入变量已选集合的偏互信息,并确认偏互信息最大的待选输入变量,通过洗牌算法对偏互信息最大的待选输入变量的时间序列随机排序,以得到每一次洗牌后的该待选输入变量与输出变量、输入变量已选集合的偏互信息,并在该待选输入变量的偏互信息大于预设百分比的洗牌后的待选输入变量的偏互信息时,加入到建筑物仿真模型的输入变量已选集合。
可以理解的是,根据上述步骤S102给出的待选输入变量集合和输出变量,采用最大相关最小冗余的原则,针对不同用途从待选输入变量集合中选择若干个变量作为建筑物仿真模型的输入变量,具体步骤如下:
步骤S1:根据在上述步骤S102给出的待选输入变量集合和输出变量的功率数据,针对不同用途计算建筑物仿真模型输入变量待选集合中所有输入变量和输入变量的互信息,选择与建筑物仿真模型输出变量互信息最大的待选输入变量加入到建筑物仿真模型输入变量集合。
步骤S2:根据上述步骤S1给出的已经加入到建筑物仿真模型输入变量集合,针对不同用途计算除了建筑物仿真模型输入变量集合中的输入变量外的其他待选输入变量和输出变量的偏互信息,找到与输出变量偏互信息最大的待选输入变量。
步骤S3:根据洗牌(shuffle)算法,对上述步骤S2找到的待选输入变量内元素随机排序1000次以上,计算每一次洗牌后的待选输入变量与和输出变量的偏互信息。当洗牌前的待选输入变量和输出变量的偏互信息大于95%的洗牌后的偏互信息时,待选输入变量加入到建筑物仿真模型输入变量集合。当洗牌前的待选输入变量和输出变量的偏互信息小于95%的洗牌后的偏互信息时,待选输入变量被剔除到建筑物仿真模型输入变量待选集合外。
步骤S4:重复上述步骤S1和S3,直到N个光伏电源发出的有功功率变量和1个建筑物消耗的有功功率变量都被步骤S3检测,N为正整数。
进一步地,在本发明的一个实施例中,本发明实施例的方法还包括:判断建筑物仿真模型的输入变量集合是否只有一个光伏电源发出的有功功率变量;如果是,则通过经验模态分解对光伏电源的有功功率变量进行计算,以得到多个本征模函数,并将多个本征模函数替换已有的前一个光伏电源发出的有功功率变量,以得到建筑物仿真模型的当前输入变量集合。
可以理解的是,如果给出建筑物仿真模型输入变量集合中只有一个光伏电源发出的有功功率变量,采用经验模态分解(Empirical Mode Decomposition)理论对该光伏电源进行计算得到多个本征模函数,计算的多个本征模函数替换之前的一个光伏电源发出的有功功率变量作为建筑物仿真模型输入变量集合。如果是其他情况,输入变量集合与上述步骤相同。
在步骤S104中,通过极限学习机对输入变量集合和输出变量的数据进行训练,以获取最终建筑物仿真模型。
也就是说,本发明实施例采用极限学习机(Extreme Learning Machine)理论对步骤S103中的输入变量集合和输出变量的数据进行训练,训练后的极限学习机神经网络即为建筑物仿真模型。
在步骤S105中,通过最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷理论计算值。
具体而言,针对第一种用途(建筑物用电负荷异常监测),输入某日的建筑物消耗的有功功率和某日后一日的若干个分布式光伏电源系统发出的有功功率(步骤S103中的建筑物仿真模型输入变量集合中的变量),就可以得到该日后一日的理论电力负荷。后一日的理论电力负荷与后一日的实际电力负荷进行比较,可以判断建筑物用电负荷是否异常。针对第二种用途(建筑物用电负荷的短期预测),输入某日1~K个小时的建筑物消耗的有功功率和该日的若干个分布式光伏电源系统发出的有功功率(步骤S103中的建筑物仿真模型输入变量集合中的变量),就可以得到该日第K+1个小时的电力负荷预测值,K为正整数。
需要说明的是,光伏发电曲线蕴含的天气信息的时间和空间分辨率高,光伏发电数据的采集频度可以到秒,城市电网中数量庞大的分布式光伏发电可靠地保障了气象信息的空间分辨率高。本发明实施例通过对建筑物和光伏发电系统的智能电表大数据进行深入挖掘,建立了建筑仿真模型,基于信息论与机器学习技术对含有高比例空调负荷的建筑物用电负荷进行准确模拟。
综上所述,本发明实施例克服单体建筑仿真模型依赖复杂物理参数和气象信息计算建筑用电负荷的局限性,满足含有高比例空调负荷的城区配电网的分析、运行与控制要求。本发明实施例基于光伏发电与含有高比例空调负荷的建筑物用电负荷之间的关联关系,首次挖掘出隐藏在光伏发电中的气象信息对建筑电力负荷进行计算,并通过历史的建筑物用电负荷作为建筑仿真模型的输入变量来计算未来的建筑物用电负荷。建筑仿真模型的输入变量需要增加历史的光伏发电功率。值得注意的是,只要历史与未来的时间间隔短,光伏发电中的历史天气信息将影响未来的建筑物用电负荷。
另外,本发明实施例的方法可以显著提高含有高比例空调负荷的建筑物用电负荷计算的准确性。当建筑物仿真模型输入的光伏发电为历史数据时,通过比对本发明实施例提出的用电负荷方法计算的理论电力负荷曲线与实际用电负荷曲线,可以提高含有高比例空调负荷的建筑物耗用电异常监测水平,及时发现计量系统异常,避免电力系统或用户的经济损失。当建筑物仿真模型输入的光伏发电为当前数据时,采用本发明实施例的方法可以对建筑物用电负荷进行短期预测,提高夏季空调重载区域的配电网短期负荷预测水平,为电网日内负荷调度和建筑物空调系统运行优化提供支撑。
根据本发明实施例提出的考虑光伏和冷负荷相关性的用电负荷计算方法,通过使用光伏发电中隐藏的对建筑物冷负荷仍有作用的历史天气信息来估计未来的建筑物用电负荷,当光伏电源中隐藏的天气信息冗余时,提出采用偏互信息理论选择邻近光伏电站出力作为建筑电力负荷模型的输入变量,当光伏发电曲线中隐藏的天气信息不足时,提出了基于经验模态分解的建筑仿真模型输入变量的分解计算,以降低输入变量的非线性和动态特征,有效提高含有高比例空调负荷的建筑物用电负荷计算的准确性,进而提高建筑物用电负荷异常监测水平和建筑物用电负荷的短期预测精度,有助于实现建筑物和城市电网协同优化。
其次参照附图描述根据本发明实施例提出的考虑光伏和冷负荷相关性的用电负荷计算信息系统。
图2是本发明一个实施例的虑光伏和冷负荷相关性建筑物用电负荷计算系统的结构示意图。
如图2所示,该考虑光伏和冷负荷相关性的用电负荷计算信息系统10包括:采集模块100、第一获取模块200、选择模块300、训练模块400和第二获取模块500。
其中,采集模块100用于采集建筑物仿真模型变量,其中,建筑物仿真模型变量包括目标建筑物消耗的有功功率和与目标建筑物相邻的N个分布式光伏电源系统发出的预设时间的有功功率,N为正整数。第一获取模块200用于根据建筑物仿真模型变量和目标用途获取待选输入变量集合和输出变量。选择模块300用于根据待选输入变量集合和输出变量通过最大相关最小冗余原则得到建筑物仿真模型的输入变量集合。训练模块400用于通过极限学习机对输入变量集合和输出变量的数据进行训练,以获取最终建筑物仿真模型。第二获取模块500用于通过最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷。本发明实施例的系统10可以有效提高含有高比例空调负荷的建筑物用电负荷异常监测水平,提高建筑物用电负荷的短期预测精度,并实现建筑物和城市电网协同优化。
进一步地,在本发明的一个实施例中,选择模块300进一步用于根据目标用途得到建筑物仿真模型的输出变量和输入变量待选集合,以分别获取每一个待选输入变量与输出变量的互信息,并确定与输出变量的互信息最大的待选输入变量,并加入到建筑物仿真模型输入变量已选集合,获取每一个待选输入变量与输出变量、输入变量已选集合的偏互信息,并确认偏互信息最大的待选输入变量,通过洗牌算法对偏互信息最大的待选输入变量的时间序列随机排序,以得到每一次洗牌后的该待选输入变量与输出变量、输入变量已选集合的偏互信息,并在该待选输入变量的偏互信息大于预设百分比的洗牌后的待选输入变量的偏互信息时,加入到建筑物仿真模型的输入变量已选集合。
进一步地,在本发明的一个实施例中,本发明实施例的系统10还包括:判断模块。其中,判断模块用于判断建筑物仿真模型的输入变量集合是否只有一个光伏电源发出的有功功率变量,如果是,则通过经验模态分解对光伏电源的有功功率变量进行计算,以得到多个本征模函数,并将多个本征模函数替换已有的前一个光伏电源发出的有功功率变量,以得到建筑物仿真模型的当前输入变量集合。
可选地,在本发明的一个实施例中,目标用途可以包括建筑物用电负荷异常监测和建筑物用电负荷的短期预测用途。
进一步地,在本发明的一个实施例中,第二获取模块500进一步用于针对建筑物用电负荷建筑物用电负荷异常监测用途,输入任一日的建筑物消耗的有功功率和相邻的后一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到建筑物的后一日的理论电力负荷后一日的理论电力负荷与后一日的实际电力负荷进行比较,差值大于预设阈值,则判定建筑物用电负荷为异常,并针对建筑物用电负荷的短期预测用途,输入任一日1~K个小时的建筑物消耗的有功功率和任意一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到任一日第K+1个小时的电力负荷预测值,K为正整数。
需要说明的是,前述对考虑光伏和冷负荷相关性的用电负荷计算方法实施例的解释说明也适用于该实施例的考虑光伏和冷负荷相关性的用电负荷计算信息系统,此处不再赘述。
根据本发明实施例提出的考虑光伏和冷负荷相关性的用电负荷计算信息系统,通过使用光伏发电中隐藏的对建筑物冷负荷仍有作用的历史天气信息来估计未来的建筑物用电负荷,当光伏电源中隐藏的天气信息冗余时,提出采用偏互信息理论选择邻近光伏电站出力作为建筑电力负荷模型的输入变量,当光伏发电曲线中隐藏的天气信息不足时,提出了基于经验模态分解的建筑仿真模型输入变量的分解计算,以降低输入变量的非线性和动态特征,有效提高含有高比例空调负荷的建筑物用电负荷计算的准确性,进而提高建筑物用电负荷异常监测水平和建筑物用电负荷的短期预测精度,有助于实现建筑物和城市电网协同优化。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种考虑光伏和冷负荷相关性的用电负荷计算方法,其特征在于,包括以下步骤:
采集建筑物仿真模型变量,其中,所述建筑物仿真模型变量包括目标建筑物消耗的有功功率和与所述目标建筑物相邻的N个分布式光伏电源系统发出的预设时间的有功功率,N为正整数;
根据所述建筑物仿真模型变量和目标用途获取待选输入变量集合和输出变量;
根据所述待选输入变量集合和输出变量通过最大相关最小冗余原则得到建筑物仿真模型的输入变量集合;
通过极限学习机对所述输入变量集合和所述输出变量的数据进行训练,以获取最终建筑物仿真模型;以及
通过所述最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷理论计算值。
2.根据权利要求1所述的考虑光伏和冷负荷相关性的用电负荷计算方法,其特征在于,所述根据所述待选输入变量集合和输出变量通过最大相关最小冗余原则得到建筑物仿真模型的输入变量集合,进一步包括:
根据所述目标用途得到建筑物仿真模型的输出变量和输入变量待选集合,以分别获取每一个待选输入变量与输出变量的互信息,并确定与所述输出变量的互信息最大的待选输入变量,并加入到所述建筑物仿真模型输入变量已选集合;
获取每一个所述待选输入变量与所述输出变量、所述输入变量已选集合的偏互信息,并确认所述偏互信息最大的待选输入变量;
通过洗牌算法对所述偏互信息最大的待选输入变量的时间序列随机排序,以得到每一次洗牌后的该待选输入变量与输出变量、输入变量已选集合的偏互信息,并在该待选输入变量的偏互信息大于预设百分比的洗牌后的待选输入变量的偏互信息时,加入到所述建筑物仿真模型的输入变量已选集合。
3.根据权利要求1或2所述的考虑光伏和冷负荷相关性的用电负荷计算方法,其特征在于,还包括:
判断所述建筑物仿真模型的输入变量集合是否只有一个光伏电源发出的有功功率变量;
如果是,则通过经验模态分解对所述光伏电源的有功功率变量进行计算,以得到多个本征模函数,并将所述多个本征模函数替换已有的前一个光伏电源发出的有功功率变量,以得到所述建筑物仿真模型的当前输入变量集合。
4.根据权利要求1所述的考虑光伏和冷负荷相关性的用电负荷计算方法,其特征在于,所述目标用途包括建筑物用电负荷异常监测和建筑物用电负荷的短期预测用途。
5.根据权利要求4所述的考虑光伏和冷负荷相关性的用电负荷计算方法,其特征在于,所述通过所述最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷理论计算值,进一步包括:
针对所述建筑物用电负荷异常监测用途,输入任一日的建筑物消耗的有功功率和相邻的后一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到所述建筑物的后一日的理论电力负荷;
所述后一日的理论电力负荷与后一日的实际电力负荷进行比较,差值大于预设阈值,则判定所述建筑物用电负荷为异常;
针对所述建筑物用电负荷的短期预测用途,输入所述任一日1~K个小时的建筑物仿真模型输入变量集合中的变量,以得到所述任一日第K+1个小时的电力负荷预测值,K为正整数。
6.一种考虑光伏和冷负荷相关性的用电负荷计算信息系统,其特征在于,包括:
采集模块,用于采集建筑物仿真模型变量,其中,所述建筑物仿真模型变量包括目标建筑物消耗的有功功率和与所述目标建筑物相邻的N个分布式光伏电源系统发出的预设时间的有功功率,N为正整数;
第一获取模块,用于根据所述建筑物仿真模型变量和目标用途获取待选输入变量集合和输出变量;
选择模块,用于根据所述待选输入变量集合和输出变量通过最大相关最小冗余原则得到建筑物仿真模型的输入变量集合;
训练模块,用于通过极限学习机对所述输入变量集合和所述输出变量的数据进行训练,以获取最终建筑物仿真模型;以及
第二获取模块,用于通过所述最终建筑物仿真模型获取含有高比例空调负荷的建筑物用电负荷理论计算值。
7.根据权利要求6所述的考虑光伏和冷负荷相关性的用电负荷计算信息系统,其特征在于,所述选择模块进一步用于根据所述目标用途得到建筑物仿真模型的输出变量和输入变量待选集合,以分别获取每一个待选输入变量与输出变量的互信息,并确定与所述输出变量的互信息最大的待选输入变量,并加入到所述建筑物仿真模型输入变量已选集合,获取每一个所述待选输入变量与所述输出变量、所述输入变量已选集合的偏互信息,并确认所述偏互信息最大的待选输入变量,通过洗牌算法对所述偏互信息最大的待选输入变量的时间序列随机排序,以得到每一次洗牌后的该待选输入变量与输出变量、输入变量已选集合的偏互信息,并在该待选输入变量的偏互信息大于预设百分比的洗牌后的待选输入变量的偏互信息时,加入到所述建筑物仿真模型的输入变量已选集合。
8.根据权利要求6或7所述的考虑光伏和冷负荷相关性的用电负荷计算信息系统,其特征在于,还包括:
判断模块,用于判断所述建筑物仿真模型的输入变量集合是否只有一个光伏电源发出的有功功率变量,如果是,则通过经验模态分解对所述光伏电源的有功功率变量进行计算,以得到多个本征模函数,并将所述多个本征模函数替换已有的前一个光伏电源替换发出的有功功率变量,以得到所述建筑物仿真模型的当前输入变量集合。
9.根据权利要求6所述的考虑光伏和冷负荷相关性的用电负荷计算信息系统,其特征在于,所述目标用途包括建筑物用电负荷异常监测和建筑物用电负荷的短期预测用途。
10.根据权利要求9所述的考虑光伏和冷负荷相关性的用电负荷计算信息系统,其特征在于,所述第二获取模块进一步用于针对所述建筑物用电负荷异常监测用途,输入任一日的建筑物消耗的有功功率和相邻的后一日的多个分布式光伏电源系统发出的有功功率的建筑物仿真模型输入变量集合中的变量,以得到所述建筑物的后一日的理论电力负荷,所述后一日的理论电力负荷与后一日的实际电力负荷进行比较,差值大于预设阈值,则判定所述建筑物用电负荷为异常,并针对所述建筑物用电负荷的短期预测用途,输入所述任一日1~K个小时的建筑物仿真模型输入变量集合中的变量,以得到所述任一日第K+1个小时的电力负荷预测值,K为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810515150.4A CN109461091B (zh) | 2018-05-25 | 2018-05-25 | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810515150.4A CN109461091B (zh) | 2018-05-25 | 2018-05-25 | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109461091A CN109461091A (zh) | 2019-03-12 |
CN109461091B true CN109461091B (zh) | 2020-08-28 |
Family
ID=65606290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810515150.4A Active CN109461091B (zh) | 2018-05-25 | 2018-05-25 | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109461091B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119758A (zh) * | 2019-04-01 | 2019-08-13 | 全球能源互联网研究院有限公司 | 一种用电数据异常检测及模型训练方法、装置 |
CN110323740B (zh) * | 2019-06-24 | 2020-08-21 | 中国农业大学 | 计及光伏出力和空调负荷动态相关性的经济调峰方法 |
CN110442911B (zh) * | 2019-07-03 | 2023-11-14 | 中国农业大学 | 一种基于统计机器学习的高维复杂系统不确定性分析方法 |
CN110633844B (zh) * | 2019-08-25 | 2023-02-24 | 天津大学 | 基于emd和ann的建筑能源系统模拟预测方法及应用 |
CN112686442A (zh) * | 2020-12-29 | 2021-04-20 | 博锐尚格科技股份有限公司 | 基于运行多样性空调末端能耗预测方法和系统 |
CN113408924B (zh) * | 2021-06-30 | 2024-02-02 | 中国农业大学 | 基于统计机器学习的园区综合能源系统的规划方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440526A (zh) * | 2013-07-05 | 2013-12-11 | 北京建筑大学 | 一种基于建筑信息模型的发电预测方法和装置 |
CN103559655A (zh) * | 2013-11-15 | 2014-02-05 | 哈尔滨工业大学 | 基于数据挖掘的微网新型馈线负荷的预测方法 |
CN103872782A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种电能质量数据综合服务系统 |
CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
CN104269849A (zh) * | 2014-10-17 | 2015-01-07 | 国家电网公司 | 基于建筑光伏微电网的能量管理方法及系统 |
CN104303125A (zh) * | 2012-01-23 | 2015-01-21 | 地球网络股份有限公司 | 优化和控制建筑的能耗 |
CN204719959U (zh) * | 2015-07-07 | 2015-10-21 | 成都爱信雅克科技有限公司 | 一种基于模块化的瘦客户端电能量云计量的系统 |
CN105071396A (zh) * | 2015-08-17 | 2015-11-18 | 南方电网科学研究院有限责任公司 | 光伏楼宇中能量调节的方法及系统 |
CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
CN105549389A (zh) * | 2015-12-18 | 2016-05-04 | 国家电网公司 | 一种基于建筑热力学模型的家庭能量管理算法 |
CN106992523A (zh) * | 2017-04-25 | 2017-07-28 | 国网上海市电力公司 | 一种用于含光伏和热负荷的电力系统的潮流计算方法 |
CN107491842A (zh) * | 2017-08-22 | 2017-12-19 | 国网山东省电力公司日照供电公司 | 一种主动配电网负荷预测及规划方法 |
CN107730044A (zh) * | 2017-10-20 | 2018-02-23 | 燕山大学 | 一种可再生能源发电和负荷的混合预测方法 |
CN107994574A (zh) * | 2017-12-13 | 2018-05-04 | 国网辽宁省电力有限公司葫芦岛供电公司 | 面向新能源消纳的集中式温控负荷侧需求响应的决策方法 |
-
2018
- 2018-05-25 CN CN201810515150.4A patent/CN109461091B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104303125A (zh) * | 2012-01-23 | 2015-01-21 | 地球网络股份有限公司 | 优化和控制建筑的能耗 |
CN103440526A (zh) * | 2013-07-05 | 2013-12-11 | 北京建筑大学 | 一种基于建筑信息模型的发电预测方法和装置 |
CN103559655A (zh) * | 2013-11-15 | 2014-02-05 | 哈尔滨工业大学 | 基于数据挖掘的微网新型馈线负荷的预测方法 |
CN103872782A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种电能质量数据综合服务系统 |
CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
CN104269849A (zh) * | 2014-10-17 | 2015-01-07 | 国家电网公司 | 基于建筑光伏微电网的能量管理方法及系统 |
CN204719959U (zh) * | 2015-07-07 | 2015-10-21 | 成都爱信雅克科技有限公司 | 一种基于模块化的瘦客户端电能量云计量的系统 |
CN105071396A (zh) * | 2015-08-17 | 2015-11-18 | 南方电网科学研究院有限责任公司 | 光伏楼宇中能量调节的方法及系统 |
CN105404939A (zh) * | 2015-12-04 | 2016-03-16 | 河南许继仪表有限公司 | 一种短期电力负荷预测方法 |
CN105549389A (zh) * | 2015-12-18 | 2016-05-04 | 国家电网公司 | 一种基于建筑热力学模型的家庭能量管理算法 |
CN106992523A (zh) * | 2017-04-25 | 2017-07-28 | 国网上海市电力公司 | 一种用于含光伏和热负荷的电力系统的潮流计算方法 |
CN107491842A (zh) * | 2017-08-22 | 2017-12-19 | 国网山东省电力公司日照供电公司 | 一种主动配电网负荷预测及规划方法 |
CN107730044A (zh) * | 2017-10-20 | 2018-02-23 | 燕山大学 | 一种可再生能源发电和负荷的混合预测方法 |
CN107994574A (zh) * | 2017-12-13 | 2018-05-04 | 国网辽宁省电力有限公司葫芦岛供电公司 | 面向新能源消纳的集中式温控负荷侧需求响应的决策方法 |
Non-Patent Citations (1)
Title |
---|
分布式电源电能质量综合评估方法;付学谦,陈皓勇,刘国特,金小明;《中国电机工程学报》;20140905;第34卷(第25期);4210-4276页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109461091A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461091B (zh) | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 | |
Powell et al. | Heating, cooling, and electrical load forecasting for a large-scale district energy system | |
US10443577B2 (en) | Systems and methods for improved wind power generation | |
Lew et al. | Value of wind power forecasting | |
Monfet et al. | Development of an energy prediction tool for commercial buildings using case-based reasoning | |
US10223167B2 (en) | Discrete resource management | |
CN104412481A (zh) | 能源管理服务器、能源管理方法以及程序 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
Botterud et al. | Unit commitment and operating reserves with probabilistic wind power forecasts | |
CN103283104A (zh) | 电力管理系统及电力管理方法 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
KR20130074043A (ko) | 오차 보정 알고리즘을 이용한 수용가 수요전력 예측 방법 및 시스템 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
CN113139711A (zh) | 一种基于数据整合的智慧能源数据中心管理系统 | |
CN108346009B (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
KR20130074048A (ko) | 에너지 저장 장치의 soc 보정 방법 및 이를 이용하는 soc 보정 시스템 | |
KR101357394B1 (ko) | 전력 관리 방법 및 시스템 | |
Guo et al. | Stochastic optimization for economic operation of plug-in electric vehicle charging stations at a municipal parking deck integrated with on-site renewable energy generation | |
CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
CN109636033B (zh) | 一种分布式光伏项目自发自用综合电价预测方法 | |
KR20210026447A (ko) | 심층 신경망 기반 전력 수요 예측 장치 및 방법 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Wu et al. | Design of A battery energy management system for capacity charge reduction | |
CN104239962A (zh) | 一种基于相关性分析的区域电网总风功率短期预测方法 |
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 |