CN109657867B - 一种a类机组出力曲线分解方法 - Google Patents

一种a类机组出力曲线分解方法 Download PDF

Info

Publication number
CN109657867B
CN109657867B CN201811597087.XA CN201811597087A CN109657867B CN 109657867 B CN109657867 B CN 109657867B CN 201811597087 A CN201811597087 A CN 201811597087A CN 109657867 B CN109657867 B CN 109657867B
Authority
CN
China
Prior art keywords
matrix
unit
class
data
decomposition
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
CN201811597087.XA
Other languages
English (en)
Other versions
CN109657867A (zh
Inventor
胡佳
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.)
Guangzhou Huidian Cloud Internet Technology Co ltd
Original Assignee
Guangzhou Huidian Cloud Internet Technology 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 Guangzhou Huidian Cloud Internet Technology Co ltd filed Critical Guangzhou Huidian Cloud Internet Technology Co ltd
Priority to CN201811597087.XA priority Critical patent/CN109657867B/zh
Publication of CN109657867A publication Critical patent/CN109657867A/zh
Application granted granted Critical
Publication of CN109657867B publication Critical patent/CN109657867B/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
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明实施例公开了一种A类机组出力曲线分解方法，包括获取n个A类机组历史日96点出力数据，分别得到A类机组出力数据矩阵An_96和A类机组典型出力比例矩阵Bn_96；所述A类机组的典型出力分布遵循正态分布，通过正态分布获取随机数形成正态分布因子矩阵Cn_96；将所述An_96、Bn_96和Cn_96做哈达玛积运算，得到n个A类机组分解日96点负荷数据预测矩阵Dn_96和分解日96点总出力数据预测矩阵E1_96；获取分解日前A类机组总出力数据矩阵F1_96，将所述F1_96与E1_96相减得到M1_96，所述Bn_96中的bij与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96；将所述Gn_96与Dn_96相加,得到n个A类机组分解日96点负荷数据矩阵。采用本发明，能够得到区域内分解日较为准确的各个A类机组96点的出力数据。

Description

一种A类机组出力曲线分解方法
技术领域
本发明涉及电力系统中负荷预测领域，特别是涉及一种A类机组出力曲线分解方法。
背景技术
伴随着我国电力行业的不断发展和人民生活水平的不断提高，各行各业对电能的需求越来越大。由于电能的生产和消费的同时性，且消耗是一个随机过程，电网存储成本高，准确且合理的电能配送才能满足各类用户的不同需求，使发电机组以及输电线路以最长寿命安全运行。电力现货市场在解决发用电分布不均衡及最大化的调整电力资源配置过程中发展了重要作用。我国在新一轮电力改革过程中也出现了“现货”的概念，这对于提升电力资源的优化配置及交易过程中的风险控制提供了新的路径。根据《广东电力市场信息披露实施细则(征求意见稿)》，现阶段公布信息中只公布了省内A类电源总出力预测曲线，并无各个A类机组预测的具体预测数据。A类机组出力曲线作为仿真出清算法的边界条件，所以A类机组出力曲线分解的准确性与节点价格仿真出清算法的输出结果有着强相关的关系目前，相关算法几乎没有被开发，此算法正好填补了这方面的空缺，对节点价格预测结果的准确性有着深远的意义。
发明内容
本发明为了解决上述问题，提供了一种A类机组出力曲线分解方法,可以在基于历史负荷数据做数学统计的同时，对分解日负荷做出较为准确的预测。
为了解决上述技术问题，本发明提供了一种A类机组出力曲线分解方法，所述方法包括：
获取n个A类机组历史日96点出力数据，分别得到A类机组出力数据矩阵An_96和A类机组典型出力比例矩阵Bn_96,其中，n为正整数；
所述A类机组的典型出力分布遵循正态分布，通过正态分布获取随机数形成正态分布因子矩阵Cn_96；
将所述An_96、Bn_96和Cn_96做哈达玛积运算，得到n个A类机组分解日96点负荷数据预测矩阵Dn_96和分解日96点总出力数据预测矩阵E1_96；
获取分解日前A类机组总出力数据矩阵F1_96，将所述F1_96与E1_96相减得到M1_96，所述Bn_96中的bij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96；
将所述Gn_96与Dn_96相加,得到n个A类机组分解日96点负荷数据矩阵。
其中，所述哈达玛积运算即同阶矩阵之间均位于第i行第j列的数据相乘后置于得到的矩阵的第i行第j列。
其中，所述A类机组出力数据矩阵中的数据，第i行代表第i个 A类机组历史日，第j列代表第j点的出力数据,其中，所述i为不大于n的正整数，所述j为不大于96的正整数。
其中，将所述A类机组出力数据矩阵中的每列数据求和得到的1 行96列的A类机组总出力数据矩阵sum1_96。
其中，所述A类机组典型出力比例矩阵Bn_96是将所述A类机组出力数据矩阵的第j列数据分别除以所述A类机组总出力数据矩阵 sum1_96的sumj得到的n行96列的矩阵。
其中，所述正态分布因子矩阵Cn_96包括在期望为1，标准差为 0.05的正态分布中抽取随机数形成的矩阵。
其中，将所述A类机组分解日96点负荷数据预测矩阵Dn_96的每列数据求和得到1行96列的分解日96点总出力数据预测矩阵E1_96。
本发明能够实现快速预测得到A类机组分解日96点负荷数据，并且对预测得到的数据进行校正，使分解结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种A类机组出力曲线分解方法的流程图；
图2是本发明实施例提供的一种A类机组出力曲线分解方法的示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有作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。
在可选实施例中，请参考图1，所述A类机组出力曲线分解方法包括：
S101、获取n个A类机组历史日96点出力数据，分别得到A类机组出力数据矩阵An_96和A类机组典型出力比例矩阵Bn_96。
所述96点出力数据，即把一天划分为96点(15min/点)的出力数据。
获取n个A类机组历史日96点出力数据，可根据所述n个A类机组历史日96点出力数据形成A类机组出力数据矩阵，如下式所示：
其中，Aij为第i个A类机组历史日在第j点的出力数据，其中，所述n为正整数，所述i为不大于n的正整数，所述j为不大于96的正整数。
所述A类机组总出力数据矩阵sum1_96就是将所述A类机组出力数据矩阵的每列数据相加得到的1行96列的矩阵，即：
所述A类机组典型出力比例矩阵Bn_96是将所述A类机组典型出力矩阵An_96的第j列数据分别除以所述A类机组总出力数据矩阵 sum1_96的sumj得到的1行96列的矩阵，即：
S102、所述A类机组的典型出力分布遵循正态分布，通过正态分布获取随机数形成正态分布因子矩阵Cn_96。
可以从期望为1，标准差为0.05的正态分布中抽取随机数组成1 行96列的正态分布因子矩阵，记为Cn_96。
S103、将所述An_96、Bn_96和Cn_96做哈达玛积运算，得到n个A 类机组分解日96点负荷数据预测矩阵Dn_96和分解日96点总出力数据预测矩阵E1_96。
哈达玛积(Hadamard product)是矩阵的一类运算，所述哈达玛积运算即同阶矩阵之间均位于第i行第j列的数据相乘后置于得到的矩阵的第i行第j列。也就是说，若A＝(aij)和B＝(bij)是两个同阶矩阵，若 cij＝aij×bij,则称矩阵C＝(cij)为A和B的哈达玛积，或称基本积。
其中，所述n个A类机组分解日96点负荷数据预测矩阵Dn_96可以表示为：
所述Dn_96还可以表示为：
所述分解日96点总出力数据预测矩阵E1_96就是将n个A类机组分解日96点负荷数据预测矩阵Dn_96的每列数据相加得到的，即：
所述分解日96点总出力数据预测矩阵E1_96可以表示为如下式所示：
S104、获取分解日前A类机组总出力数据矩阵F1_96，将所述F1_96与E1_96相减得到M1_96，所述Bn_96中的bij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96。
其中，所述分解日前A类机组总出力数据矩阵F1_96的获取方法与所述A类机组总出力数据矩阵sum1_96相似，首先获取分解日前n 个A类机组处理数据，整理为如下式所示的矩阵：
将所述Pren_96的列数据相加得到分解日前A类机组总出力数据矩阵F1_96。
所述分解日前A类机组总出力数据矩阵F1_96可以表示为：
所述F1_96与E1_96相减后可以得到M1_96，即：
所述偏差校正数据矩阵Gn_96是将Bn_96中的bij分别与M1_96中的 mj相乘得到，即所述A类机组典型出力比例矩阵Bn_96的第j列数据均乘以所述M1_96的第j列，如下式所示:
S105、将所述Gn_96与Dn_96相加,得到n个A类机组分解日96 点负荷数据矩阵。
所述n个A类机组分解日96点负荷数据矩阵可以表示为如下式所示：
本实施例在获取A类机组分解日96点负荷数据预测矩阵后，运用偏差校正数据矩阵对其进行校正，使预测结果更加可信。
在可选实施例中，请参考图2，所述A类机组出力曲线分解方法包括：
获取并收集整理得到n个A类机组历史日96点出力数据201。
通过获取n个A类机组历史日96点出力数据可得到n行96列的A类机组出力数据矩阵An_96，将所述A类机组出力数据矩阵的每列数据相加得到所述A类机组总出力数据矩阵Sum1_96202。
将所述A类机组出力数据矩阵An_96的第j列数据分别除以所述 A类机组总出力数据矩阵Sum1_96的aj得到所述A类机组典型出力比例矩阵Bn_96203。
根据1为期望，0.05为标准差的正态分布抽取随机数形成正态分布因子矩阵Cn_ 96204。
将所述An_96、Bn_96、Cn_96依次进行哈达玛积运算，得到A类机组分解日96点负荷数据预测矩阵Dn_96205。
将所述A类机组分解日96点负荷数据预测矩阵Dn_96的列数据相加得到1行96列的分解日96点总出力数据预测矩阵E1_96206。
获取分解日前A类机组总出力数据矩阵F1_96207。
将所述F1_96与E1_96相减得到M1_96208。
将Bn_96中的bij分别与M1_96中的mj相乘得到偏差校正数据矩阵 Gn_96209。
将Gn_96与Dn_96相加得到n个A类机组分解日96点负荷数据矩阵210。
本实施例中较为具体的实施方式可参考上一实施例，在此将不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (5)

1.一种A类机组出力曲线分解方法,其特征在于，包括：
获取n个A类机组历史日96点出力数据，将所述A类机组出力数据矩阵中的每列数据求和得到的1行96列的A类机组总出力数据矩阵sum1_96，分别得到A类机组出力数据矩阵An_96和A类机组典型出力比例矩阵Bn_96,其中，n为正整数；所述A类机组典型出力比例矩阵Bn_96是将所述A类机组出力数据矩阵的第j列数据分别除以所述A类机组总出力数据矩阵sum1_96的sumj得到的n行96列的矩阵；
所述A类机组的典型出力分布遵循正态分布，通过正态分布获取随机数形成正态分布因子矩阵Cn_96；
将所述An_96、Bn_96和Cn_96做哈达玛积运算，得到n个A类机组分解日96点负荷数据预测矩阵Dn_96和分解日96点总出力数据预测矩阵E1_96；
获取分解日前A类机组总出力数据矩阵F1_96，将所述F1_96与E1_96相减得到M1_96，所述Bn_96中的bij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96；
将所述Gn_96与Dn_96相加,得到n个A类机组分解日96点负荷数据矩阵，以对分解日96点负荷数据矩阵进行校正：
。
2.如权利要求1所述的A类机组出力曲线分解方法，其特征在于，所述哈达玛积运算即同阶矩阵之间均位于第i行第j列的数据相乘后置于得到的矩阵的第i行第j列。
3.如权利要求1所述的A类机组出力曲线分解方法，其特征在于，所述A类机组出力数据矩阵中的数据，第i行代表第i个A类机组历史日，第j列代表第j点的出力数据,其中，所述i为不大于n的正整数，所述j为不大于96的正整数。
4.如权利要求1所述的A类机组出力曲线分解方法，其特征在于，所述正态分布因子矩阵Cn_96包括在期望为1，标准差为0.05的正态分布中抽取随机数形成的n行96列的矩阵。
5.如权利要求1所述的A类机组出力曲线分解方法，其特征在于，将所述A类机组分解日96点负荷数据预测矩阵Dn_96的每列数据求和得到1行96列的分解日96点总出力数据预测矩阵E1_96。
CN201811597087.XA 2018-12-25 2018-12-25 一种a类机组出力曲线分解方法 Active CN109657867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811597087.XA CN109657867B (zh) 2018-12-25 2018-12-25 一种a类机组出力曲线分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811597087.XA CN109657867B (zh) 2018-12-25 2018-12-25 一种a类机组出力曲线分解方法

Publications (2)

Publication Number Publication Date
CN109657867A CN109657867A (zh) 2019-04-19
CN109657867B true CN109657867B (zh) 2023-04-07

Family

ID=66116752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811597087.XA Active CN109657867B (zh) 2018-12-25 2018-12-25 一种a类机组出力曲线分解方法

Country Status (1)

Country Link
CN (1) CN109657867B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617564A (zh) * 2013-12-04 2014-03-05 国家电网公司 基于区域负荷预测值综合评价的全网负荷预测方法
CN104992238A (zh) * 2015-06-24 2015-10-21 国网山东省电力公司电力科学研究院 一种基于典型日负荷特性的电力负荷预测方法
CN105048499A (zh) * 2015-07-24 2015-11-11 中国农业大学 基于模型预测控制的风电并网实时调度方法及装置
CN105528660A (zh) * 2016-03-09 2016-04-27 湖南大学 一种基于日负荷曲线的变电站负荷模型参数预测方法
CN105989544A (zh) * 2015-03-04 2016-10-05 国家电网公司 一种配电台区自适应短期负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617564A (zh) * 2013-12-04 2014-03-05 国家电网公司 基于区域负荷预测值综合评价的全网负荷预测方法
CN105989544A (zh) * 2015-03-04 2016-10-05 国家电网公司 一种配电台区自适应短期负荷预测方法
CN104992238A (zh) * 2015-06-24 2015-10-21 国网山东省电力公司电力科学研究院 一种基于典型日负荷特性的电力负荷预测方法
CN105048499A (zh) * 2015-07-24 2015-11-11 中国农业大学 基于模型预测控制的风电并网实时调度方法及装置
CN105528660A (zh) * 2016-03-09 2016-04-27 湖南大学 一种基于日负荷曲线的变电站负荷模型参数预测方法

Also Published As

Publication number Publication date
CN109657867A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
Rahmani-Andebili et al. Cooperative distributed energy scheduling for smart homes applying stochastic model predictive control
Zhang et al. Chance-constrained two-stage unit commitment under uncertain load and wind power output using bilinear benders decomposition
Peng et al. Dynamic economic dispatch for wind-thermal power system using a novel bi-population chaotic differential evolution algorithm
CN105226708B (zh) 一种大规模电网调度计划等值协调优化方法
Fang et al. Reactive power planning under high penetration of wind energy using Benders decomposition
Helseth et al. Detailed long‐term hydro‐thermal scheduling for expansion planning in the Nordic power system
Kao et al. A multi-objective programming method for solving network DEA
Liu et al. Computational study of security constrained economic dispatch with multi-stage rescheduling
CN111080082B (zh) 一种适应低碳电源发展的电网规划方法
Mahari et al. A solution to the generation scheduling problem in power systems with large-scale wind farms using MICA
Nunes et al. Multi‐stage co‐planning framework for electricity and natural gas under high renewable energy penetration
Jain et al. Working vacation queue with service interruption and multi optional repair
Bie et al. Online multiperiod power dispatch with renewable uncertainty and storage: A two-parameter homotopy-enhanced methodology
CN117595261B (zh) 光储微电网能量管理策略优化方法、装置及电子设备
Madani et al. A scalable semidefinite relaxation approach to grid scheduling
CN109657867B (zh) 一种a类机组出力曲线分解方法
CN109685271B (zh) 一种统调负荷曲线分解方法
Chung et al. Distributed implementation of generation scheduling algorithm on interconnected power systems
CN104933110B (zh) 一种基于MapReduce的数据预取方法
Gan et al. A bi-level probabilistic transmission planning with intermittent generations based on life cycle cost
Qin et al. Solving long time‐horizon dynamic optimal power flow of large‐scale power grids with direct solution method
CN112950033B (zh) 一种基于水库调度规则合成的水库调度决策方法及系统
CN111291995B (zh) 一种基于moea的生产线设备资源优化配置方法及装置
CN106602603A (zh) 能源互联网环境下微网互动系统及方法
CN205263860U (zh) 一种基于遗传算法优化神经网络的风电功率预测系统

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