CN109784589B - 一种电网业扩报装用户接入优化方法、装置和设备 - Google Patents
一种电网业扩报装用户接入优化方法、装置和设备 Download PDFInfo
- Publication number
- CN109784589B CN109784589B CN201910208575.5A CN201910208575A CN109784589B CN 109784589 B CN109784589 B CN 109784589B CN 201910208575 A CN201910208575 A CN 201910208575A CN 109784589 B CN109784589 B CN 109784589B
- Authority
- CN
- China
- Prior art keywords
- user
- load
- load curve
- power
- accessed
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电网业扩报装用户接入优化方法、装置和设备,首先对待接入用户进行日负荷曲线的预测,修正预测负荷曲线之后计算出所有可接入地区的预测电价曲线,然后采用多目标NNIA优化算法以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标进行目标优化,得到满足优化目标的一组帕累托解集,基于灰色关联度决策机制从帕累托解集中求出最优解,得到最优接入点,综合考虑了供电负荷日峰谷差、配电供电设施传输容量和用户电力消费水平,合理优化业扩报装用户接入供电点策略。
Description
技术领域
本申请涉及电力负荷管理技术领域,尤其涉及一种电网业扩报装用户接入方法、装置和设备。
背景技术
业扩报装业务是电改背景下提升用户供电服务水平和电网资产利用率的重要环节,其任务是根据电网的供电能力制定供电接入方案,将有新装用电需要的大用户接电入网。
供电接入方案的主要内容是确定负荷接入系统的供电点,即确定用户受电装置接入电网的位置。然而,当前供电接入方案的制定是基于用户的最大负荷水平,当大量同性质的大用户负荷在某一供电点集中接入,将导致供电电负荷日峰谷差不断增大,在负荷高峰时段易触及供配电设施传输容量极限,用户电力消费的支出也得不到很好的控制,因此,如何合理优化业扩报装用户接入供电点策略,成为本领域技术人员亟待解决的技术问题。
发明内容
本申请实施例提供了一种电网业扩报装用户接入方法、装置和设备,用于综合考虑供电负荷日峰谷差、配电供电设施传输容量和用户电力消费水平,合理优化业扩报装用户接入供电点策略。
有鉴于此,本申请第一方面提供了一种电网业扩报装用户接入方法,包括以下步骤:
101、对待接入用户的日负荷曲线进行预测,得到预测负荷曲线;
102、根据所述待接入用户的报装参数对所述预测负荷曲线进行修正,得到修正负荷曲线;
103、根据所述修正负荷曲线计算所述待接入用户的所有可接入地区的预测电价曲线;
104、根据所述修正负荷曲线、所述报装参数和所述预测电价曲线,以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标,通过多目标NNIA优化算法进行优化,得到所述待接入用户的一组帕累托解集;
105、根据所述帕累托解集,基于灰色关联度决策机制从所述帕累托解集中求出最优解,得到最优接入点。
优选地,步骤101具体包括:
1011、根据待接入用户的报装参数初始化所述待接入用户的日负荷曲线,得到初始化负荷曲线;
1012、将所述初始化负荷曲线与建立的负荷特性库中的特征负荷曲线进行匹配,将匹配度最高的所述特征负荷曲线作为所述待接入用户的预测负荷曲线。
优选地,步骤101之前,还包括:
1001、获取供电点的所有现有用户的历史负荷曲线,对所有所述历史负荷曲线进行FCM k-means均值聚类;
1002、将所有聚类中心对应的历史负荷曲线作为特征负荷曲线,构建负荷特性库。
优选地,所述用户电力消费支出最小目标函数为:
所述削峰填谷最优目标函数为:
所述扩增容量最小目标函数为:
其中,F1为用户用电费用目标,F2为电网侧削峰填谷目标,F3为电网扩增容量目标;TOU(t)为分时电价信息,是该地区总实时功率的正相关函数;Ppu(t)为待增加负荷的实时预测功率;Pd(t)为可选的待增加地区d现有的实时功率;PG(t)为可选的待增加地区d现在的实时可供功率;PFdavg为可选的待增加地区d的柔性实时可调功率平均值;PFpuavg为待增加负荷中的柔性可调平均功率;μd为可选的待增加地区d现有的实时功率的均值;μpd为用户预测负荷曲线平均值。
优选地,步骤105具体包括:
1051、对所述帕累托解集进行归一化处理,得到若干个待评价方案;
1052、以理想方案为母向量,所述待评价方案为子向量,根据关联度系数公式计算关联度系数;
1053、根据所述关联度系数确定各所述子向量的权重系数;
1054、根据所述关联度系数和所述权重系数计算加权灰色关联度,将所述加权灰色关联度取得最大值时对应的所述待评价方案作为所述帕累托解集的最优解,得到最优接入点。
本申请第二方面还提供了一种电网业扩报装用户接入装置,包括:
预测单元,用于对待接入用户的日负荷曲线进行预测,得到预测负荷曲线;
修正单元,用于根据所述待接入用户的报装参数对所述预测负荷曲线进行修正,得到修正负荷曲线;
获取单元,用于根据所述修正负荷曲线计算所述待接入用户的所有可接入地区的预测电价曲线;
优化单元,用于根据所述修正负荷曲线、所述报装参数和所述预测电价曲线,以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标,通过多目标NNIA优化算法进行优化,得到所述待接入用户的一组帕累托解集;
求解单元,用于根据所述帕累托解集,基于灰色关联度决策机制从所述帕累托解集中求出最优解,得到最优接入点。
优选地,所述预测单元具体包括:
初始化子单元,用于根据待接入用户的报装参数初始化所述待接入用户的日负荷曲线,得到初始化负荷曲线;
匹配子单元,用于将所述初始化负荷曲线与建立的负荷特性库中的特征负荷曲线进行匹配,将匹配度最高的所述特征负荷曲线作为所述待接入用户的预测负荷曲线。
优选地,还包括:
聚类单元,用于获取供电点的所有现有用户的历史负荷曲线,对所有所述历史负荷曲线进行FCM k-means均值聚类;
特性库单元,用于将所有聚类中心对应的历史负荷曲线作为特征负荷曲线,构建负荷特性库。
优选地,所述求解单元具体包括:
归一化子单元,用于对所述帕累托解集进行归一化处理,得到若干个待评价方案;
关联度子单元,用于以理想方案为母向量,所述待评价方案为子向量,根据关联度系数公式计算关联度系数;
权重单元,用于根据所述关联度系数确定各所述子向量的权重系数;
加权单元,用于根据所述关联度系数和所述权重系数计算加权灰色关联度,将所述加权灰色关联度取得最大值时对应的所述待评价方案作为所述帕累托解集的最优解,得到最优接入点。
本申请第三方面还提供了一种电网业扩报装用户接入设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的电网业扩报装用户接入方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种电网业扩报装用户接入方法,包括:101、对待接入用户的日负荷曲线进行预测,得到预测负荷曲线;102、根据待接入用户的报装参数对预测负荷曲线进行修正,得到修正负荷曲线;103、根据修正负荷曲线计算待接入用户的所有可接入地区的预测电价曲线;104、根据修正负荷曲线、报装参数和预测电价曲线,以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标,通过多目标NNIA优化算法进行优化,得到待接入用户的一组帕累托解集;105、根据帕累托解集,基于灰色关联度决策机制从帕累托解集中求出最优解,得到最优接入点。本申请提供的方法,首先对待接入用户进行日负荷曲线的预测,修正预测负荷曲线之后计算出所有可接入地区的预测电价曲线,然后采用多目标NNIA优化算法以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标进行目标优化,得到满足优化目标的一组帕累托解集,基于灰色关联度决策机制从帕累托解集中求出最优解,得到最优接入点,综合考虑了供电负荷日峰谷差、配电供电设施传输容量和用户电力消费水平,合理优化业扩报装用户接入供电点策略。
附图说明
图1为本申请提供的一种电网业扩报装用户接入方法的一个实施例的流程示意图;
图2为本申请提供的一种电网业扩报装用户接入方法的另一个实施例的流程示意图;
图3为本申请提供的一种电网业扩报装用户接入装置的一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种电网业扩报装用户接入方法的一个实施例,包括:
步骤101、对待接入用户的日负荷曲线进行预测,得到预测负荷曲线。
需要说明的是,本申请实施例中,首先要对待接入用户的日负荷曲线进行预测,预测方式可以是从待接入用户的填报的报装参数中获得待接入用户的日负荷量与时序关系。
步骤102、根据待接入用户的报装参数对预测负荷曲线进行修正,得到修正负荷曲线。
需要说明的是,本申请实施例中,得到预测负荷曲线之后,还需要对预测负荷曲线进行修正,使得预测负荷曲线更加贴近待接入用户的真实负荷使用情况。本申请实施例中,可以通过业扩报装用户的调研、问询与采集信息等方式得到待接入用户的报装参数,对报装参数进行分析,获得待接入用户的日常工作时间(白班制、夜班制、是否具有季节性、不同季节的负荷是否有区别等)、柔性可调负荷情况、是否接受聚合熵调节等基础信息,继而对业扩报装的信息进行特性分析,再根据日常工作时间,采用中心点偏移的模式,对预测负荷曲线进行修正,得到修正过后的修正负荷曲线。
步骤103、根据修正负荷曲线计算待接入用户的所有可接入地区的预测电价曲线。
需要说明的是,本申请实施例中,得到修正负荷曲线之后,可以根据修正负荷曲线和各地现有负荷资料,获得待接入用户可能接入地区的基本负荷和柔性负荷相关数据,同时根据业扩报装的信息进行关于实际地理信息位置的选择,获得若干个待选的接入点,对待选的接入点进行信息提取,包括过去一个月(时间可以根据实际选择)的负荷特性曲线、可调柔性负荷类型(如电动汽车、分布式电源和空调等柔性负荷)及占比。结合这些待选的接入点的电价信息,根据修正负荷曲线计算出所有待接入点的预测电价曲线。
步骤104、根据修正负荷曲线、报装参数和预测电价曲线,以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标,通过多目标NNIA优化算法进行优化,得到待接入用户的一组帕累托解集。
需要说明的是,本申请实施例中,综合考虑待接入用户接入后的电价,电网削峰填谷效果以及扩增容量等多目标因素,结合待接入点柔性可调负荷与待接入用户的柔性可调负荷特性,分析更新后的负荷可调空间大小,确定经济上最优的扩增容量。本申请实施例中提供的对不同的待选接入点D1~Dn采用基于帕累托纳什均衡博弈的多目标NNIA优化算法,具体步骤如下:
(1)参数初始化。最大迭代次数Gmax、优势种群大小上限ny、活性种群大小上限na、抗体种群Bt、t=0。
(2)初始解为待接入地点Dk、用户用电费用目标F1k、电网侧削峰填谷目标F2k、电网扩增容量目标F3k,均为随机化数据。
(3)更新优势种群。在Bt中辨认出占优势的个体(非支配的抗体),进而将全部优势抗体复制而形成一个临时的优势抗体种群DGt+1,DGt+1种群大小不大于ny,则令Dt+1=DGt+1,否则,计算DGt+1中全部临时优势个体的拥挤距离值,并选择当中距离值较大的前ny个临时占优势的个体组成Dt+1;个体的拥挤距离计算方式为:
(4)终止计算条件判断。如果t≥Gmax,输出Dt+1,作为算法的输出结果,算法结束,否则,t=t+1。
(5)非支配的邻近选择。如果Dt大小不大于na,则令Zt=Dt;否则,计算Dt中全部优势个体的拥挤距离,选择拥挤距离较大的前na个优势个体组成Zt。
(6)比例克隆复制。对Zt按比例进行克隆复制形成克隆种群Ct;比例克隆的方法是根据活动抗体的拥挤距离和克隆种群规模的期望值nc,计算每个抗体的自适应参数qi,以确定抗体的克隆次数,作用在A={a1,a2,...,a|A|}活动种群的比例克隆Tc定义如下:
式中,“+”用来区分不同抗体,qi=1表示对抗体ai不进行克隆。
关于qi,采用如下公式计算:
由于边界解的距离为无穷大,在计算qi时,设定边界解的拥挤距离为非边界解的最大拥挤距离的两倍。
(7)重组和变异。对克隆种群Ct按概率进行重组和变异操作,产生Mt'。
(8)合并Mt'和Dt,形成抗体种群Bt,转到步骤(3)。
满足终止条件后,所得D的集合即为可以选择的非支配解,其解对应的F1、F2、F3即为非支配解中的目标函数。
由于NNIA算法采用基于非支配的领域选择机制,只选取其中少数孤立的非支配个体,而不是对所有个体进行操作,因此相比其他算法更有效率,其收敛速率远快于其他算法。同时NNIA算法加入类似遗传算法的重组和变异操作,增强了对于帕累托算法前沿稀疏部分的搜索,从而能够较好保持帕累托算法前沿的多样性,使其结果更具有代表性。
本申请实施例中提供的方法基于多目标NNIA优化算法对待接入用户的接入点选择、所在地的负荷峰谷以及所需扩容的容量进行综合多目标最优化,能够有效解决大规模多目标问题,从而满足新增用户与电网的不同利益需求。
步骤105、根据帕累托解集,基于灰色关联度决策机制从帕累托解集中求出最优解,得到最优接入点。
需要说明的是,本申请实施例中,得出帕累托解集后,根据基于灰色关联度的决策机制来选出一个最有折中解左右业扩报装用户接入的最优方案,得到最佳接入点及需扩增容量。在系统发展过程中,若两个因素变化的趋势具有一致性,即同步变化程度较高,即可谓二者关联程度较高,反之,则较低。因此,灰色关联分析方法,是根据因素之间大战趋势的相似或相异程度,亦即灰色关联度,作为衡量因素间关联程度的一种方法。本申请实施例中采用灰色管理度决策机制,计算帕累托解集中的各待选方案与理想方案的加权灰色关联度,加权灰色关联度越大的,则表示对应的待选方案与理想方案越接近,方案越好,因此,可以将计算得到的加权灰色关联度取得最大值时对应的待选方案作为帕累托解集中的最优解,从而得到最优的接入点。
本申请是实施例中提供的一种电网业扩报装用户接入方法,包括:101、对待接入用户的日负荷曲线进行预测,得到预测负荷曲线;102、根据待接入用户的报装参数对预测负荷曲线进行修正,得到修正负荷曲线;103、根据修正负荷曲线计算待接入用户的所有可接入地区的预测电价曲线;104、根据修正负荷曲线、报装参数和预测电价曲线,以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标,通过多目标NNIA优化算法进行优化,得到待接入用户的一组帕累托解集;105、根据帕累托解集,基于灰色关联度决策机制从帕累托解集中求出最优解,得到最优接入点。本申请提供的方法,首先对待接入用户进行日负荷曲线的预测,修正预测负荷曲线之后计算出所有可接入地区的预测电价曲线,然后采用多目标NNIA优化算法以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标进行目标优化,得到满足优化目标的一组帕累托解集,基于灰色关联度决策机制从帕累托解集中求出最优解,得到最优接入点,综合考虑了供电负荷日峰谷差、配电供电设施传输容量和用户电力消费水平,合理优化业扩报装用户接入供电点策略。
为了便于理解,请参阅图2,本申请提供的一种电网业扩报装用户接入方法的另一个实施例,包括:
步骤201、获取供电点的所有现有用户的历史负荷曲线,对所有历史负荷曲线进行FCM k-means均值聚类。
需要说明的是,本申请实施例中,首先从配电网数据采集与监视控制系统(SCADA)获得各供电点的所有现有用户的历史负荷曲线,对历史负荷曲线进行数据清洗和筛选,选取典型用户的历史负荷曲线进行FCM k-means均值聚类。考虑到负荷曲线是拥有多个时间点的特性,因此本申请实施例采用考虑隶属度的FCM k-means均值聚类算法。FCM k-means均值聚类算法的目标函数为:
式中,SSE表示每个样本距离所属簇中心的距离的平方和累加,Ck表示第k簇的中心点,Cj表示第j个聚类中心,β∈[0,2]为模糊化程度系数,wxik表示对象xi属于类别k的权重,即可能性。FCM算法通过迭代地更新wxik和Ck的来达成最小化SSE的目标。
步骤202、将所有聚类中心对应的历史负荷曲线作为特征负荷曲线,构建负荷特性库。
需要说明的是,本申请实施例中,对所有历史负荷曲线进行聚类之后,得到每个类的中心曲线,将每个类的中心曲线作为每个类的特征负荷曲线,构建负荷特征库。
步骤203、根据待接入用户的报装参数初始化待接入用户的日负荷曲线,得到初始化负荷曲线。
步骤204、将初始化负荷曲线与建立的负荷特性库中的特征负荷曲线进行匹配,将匹配度最高的特征负荷曲线作为待接入用户的预测负荷曲线。
需要说明的是,可以通过业扩报装用户的调研、问询与采集信息等方式得到待接入用户的报装参数,对报装参数进行分析,获得待接入用户的日常工作时间(白班制、夜班制、是否具有季节性、不同季节的负荷是否有区别等)、柔性可调负荷情况、是否接受聚合熵调节等基础信息,继而对业扩报装的信息进行特性分析,得出待接入用户的用电需求特性。根据用户的用电需求特性对待接入用户的日负荷曲线进行初始化,初始拟合出一条负荷用户用电需求特性的初始化负荷曲线。再根据初始化负荷曲线与负荷特性库里面的特征负荷曲线进行匹配,确定初始化负荷曲线的所属特征负荷曲线,可以是将初始化负荷曲线与负荷特性库里的各特征负荷曲线进行相似度计算,将相似度取得最大时对应的特征负荷曲线作为待接入用户的预测负荷曲线。
步骤205、根据待接入用户的报装参数对预测负荷曲线进行修正,得到修正负荷曲线。
需要说明的是,本申请实施例中的步骤205与上一实施例中的步骤102一致,在此不再详细赘述。
步骤206、根据修正负荷曲线计算待接入用户的所有可接入地区的预测电价曲线。
需要说明的是,本申请实施例中,步骤206与上一实施例中的步骤103一致,在此不再进行详细赘述。
步骤207、根据修正负荷曲线、报装参数和预测电价曲线,以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标,通过多目标NNIA优化算法进行优化,得到待接入用户的一组帕累托解集。
需要说明的是,本申请实施例中的步骤207与上一实施例中的步骤104一致,在此不再进行详细赘述。
进一步地,用户电力消费支出最小目标函数为:
削峰填谷最优目标函数为:
扩增容量最小目标函数为:
其中,F1为用户用电费用目标,F2为电网侧削峰填谷目标,F3为电网扩增容量目标;TOU(t)为分时电价信息,是该地区总实时功率的正相关函数;Ppu(t)为待增加负荷的实时预测功率;Pd(t)为可选的待增加地区d现有的实时功率;PG(t)为可选的待增加地区d现在的实时可供功率;PFdavg为可选的待增加地区d的柔性实时可调功率平均值;PFpuavg为待增加负荷中的柔性可调平均功率;μd为可选的待增加地区d现有的实时功率的均值;μpd为用户预测负荷曲线平均值。
需要说明的是,TOU(t)为分时电价信息,其表达式为:
Tou(t)=price(Pd(t),Ppu(t));
其中,price(.)为关于Pd(t)和Ppu(t)的电价函数。
步骤208、对帕累托解集进行归一化处理,得到若干个待评价方案。
需要说明的是,本申请实施例中,在进行多目标NNIA优化之后,得到一组帕累托解集,因此,为了得到最优接入点,还需要对帕累托解集进行寻最优操作。本申请实施例中采用灰色关联度决策机制进行最优解寻优,首先对帕累托解集进行归一化处理,得到若干个待评价方案,归一化公式为:
i=1,2,...,N0,j=1,2,...Mobj
步骤209、以理想方案为母向量,待评价方案为子向量,根据关联度系数公式计算关联度系数。
理想方案可以是预置的,设理想方案(r01,r02,…,r0M)为母向量,待评价方案为子向量,则方案i与理想方案在j维目标上的关联度系数为:
其中,aij为每个方案关联度系数;ρ为分辨率系数,通常取0.5。
步骤210、根据关联度系数确定各子向量的权重系数。
灰色关联度法用各方案到理想方案的关联度之和作为综合评价准则,为确定各目标权重,构造如下线性规划模型:
其中,Z为关联度之和;ω为权重系数。
步骤211、根据关联度系数和权重系数计算加权灰色关联度,将加权灰色关联度取得最大值时对应的待评价方案作为帕累托解集的最优解,得到最优接入点。
待评价方案i和理想方案的加权灰色关联度为:
其中,W为方案i和理想方案的加权灰色关联度;W越大,则方案与理想方案越接近,方案越好。
为了便于理解,请参阅图3,本申请提供的一种电网业扩报装用户接入优化装置的实施例,包括:
预测单元301,用于对待接入用户的日负荷曲线进行预测,得到预测负荷曲线。
修正单元302,用于根据待接入用户的报装参数对预测负荷曲线进行修正,得到修正负荷曲线。
获取单元303,用于根据修正负荷曲线计算待接入用户的所有可接入地区的预测电价曲线。
优化单元304,用于根据修正负荷曲线、报装参数和预测电价曲线,以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标,通过多目标NNIA优化算法进行优化,得到待接入用户的一组帕累托解集。
求解单元305,用于根据帕累托解集,基于灰色关联度决策机制从帕累托解集中求出最优解,得到最优接入点。
进一步地,预测单元301具体包括:
初始化子单元3011,用于根据待接入用户的报装参数初始化待接入用户的日负荷曲线,得到初始化负荷曲线。
匹配子单元3012,用于将初始化负荷曲线与建立的负荷特性库中的特征负荷曲线进行匹配,将匹配度最高的特征负荷曲线作为待接入用户的预测负荷曲线。
进一步地,还包括:
聚类单元306,用于获取供电点的所有现有用户的历史负荷曲线,对所有历史负荷曲线进行FCM k-means均值聚类。
特性库单元307,用于将所有聚类中心对应的历史负荷曲线作为特征负荷曲线,构建负荷特性库。
进一步地,求解单元305具体包括:
归一化子单元3051,用于对帕累托解集进行归一化处理,得到若干个待评价方案。
关联度子单元3052,用于以理想方案为母向量,待评价方案为子向量,根据关联度系数公式计算关联度系数。
权重单元3053,用于根据关联度系数确定各子向量的权重系数。
加权单元3054,用于根据关联度系数和权重系数计算加权灰色关联度,将加权灰色关联度取得最大值时对应的待评价方案作为帕累托解集的最优解,得到最优接入点。
进一步地,用户电力消费支出最小目标函数为:
削峰填谷最优目标函数为:
扩增容量最小目标函数为:
其中,F1为用户用电费用目标,F2为电网侧削峰填谷目标,F3为电网扩增容量目标;TOU(t)为分时电价信息,是该地区总实时功率的正相关函数;Ppu(t)为待增加负荷的实时预测功率;Pd(t)为可选的待增加地区d现有的实时功率;PG(t)为可选的待增加地区d现在的实时可供功率;PFdavg为可选的待增加地区d的柔性实时可调功率平均值;PFpuavg为待增加负荷中的柔性可调平均功率;μd为可选的待增加地区d现有的实时功率的均值;μpd为用户预测负荷曲线平均值。
本申请实施例中还提供了一种电网业扩报装用户接入设备,设备包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行前述的电网业扩报装用户接入方法实施例中的电网业扩报装用户接入方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (9)
1.一种电网业扩报装用户接入方法,其特征在于,包括以下步骤:
101、对待接入用户的日负荷曲线进行预测,得到预测负荷曲线;
102、根据所述待接入用户的报装参数对所述预测负荷曲线进行修正,得到修正负荷曲线;
103、根据所述修正负荷曲线计算所述待接入用户的所有可接入地区的预测电价曲线;
104、根据所述修正负荷曲线、所述报装参数和所述预测电价曲线,以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标,通过多目标NNIA优化算法进行优化,得到所述待接入用户的一组帕累托解集;
105、根据所述帕累托解集,基于灰色关联度决策机制从所述帕累托解集中求出最优解,得到最优接入点;
所述用户电力消费支出最小目标函数为:
所述削峰填谷最优目标函数为:
所述扩增容量最小目标函数为:
其中,F1为用户用电费用目标,F2为电网侧削峰填谷目标,F3为电网扩增容量目标;TOU(t)为分时电价信息,是该地区总实时功率的正相关函数;Ppu(t)为待增加负荷的实时预测功率;Pd(t)为可选的待增加地区d现有的实时功率;PG(t)为可选的待增加地区d现在的实时可供功率;PFdavg为可选的待增加地区d的柔性实时可调功率平均值;PFpuavg为待增加负荷中的柔性可调平均功率;μd为可选的待增加地区d现有的实时功率的均值;μpd为用户预测负荷曲线平均值;t表示第t个时间点。
2.根据权利要求1所述的电网业扩报装用户接入方法,其特征在于,步骤101具体包括:
1011、根据待接入用户的报装参数初始化所述待接入用户的日负荷曲线,得到初始化负荷曲线;
1012、将所述初始化负荷曲线与建立的负荷特性库中的特征负荷曲线进行匹配,将匹配度最高的所述特征负荷曲线作为所述待接入用户的预测负荷曲线。
3.根据权利要求2所述的电网业扩报装用户接入方法,其特征在于,步骤101之前,还包括:
1001、获取供电点的所有现有用户的历史负荷曲线,对所有所述历史负荷曲线进行FCMk-means均值聚类;
1002、将所有聚类中心对应的历史负荷曲线作为特征负荷曲线,构建负荷特性库。
4.根据权利要求1所述的电网业扩报装用户接入方法,其特征在于,步骤105具体包括:
1051、对所述帕累托解集进行归一化处理,得到若干个待评价方案;
1052、以理想方案为母向量,所述待评价方案为子向量,根据关联度系数公式计算关联度系数;
1053、根据所述关联度系数确定各所述子向量的权重系数;
1054、根据所述关联度系数和所述权重系数计算加权灰色关联度,将所述加权灰色关联度取得最大值时对应的所述待评价方案作为所述帕累托解集的最优解,得到最优接入点。
5.一种电网业扩报装用户接入装置,其特征在于,包括:
预测单元,用于对待接入用户的日负荷曲线进行预测,得到预测负荷曲线;
修正单元,用于根据所述待接入用户的报装参数对所述预测负荷曲线进行修正,得到修正负荷曲线;
获取单元,用于根据所述修正负荷曲线计算所述待接入用户的所有可接入地区的预测电价曲线;
优化单元,用于根据所述修正负荷曲线、所述报装参数和所述预测电价曲线,以削峰填谷最优目标函数、扩增容量最小目标函数和用户电力消费支出最小目标函数为优化目标,通过多目标NNIA优化算法进行优化,得到所述待接入用户的一组帕累托解集;
求解单元,用于根据所述帕累托解集,基于灰色关联度决策机制从所述帕累托解集中求出最优解,得到最优接入点;
所述用户电力消费支出最小目标函数为:
所述削峰填谷最优目标函数为:
所述扩增容量最小目标函数为:
其中,F1为用户用电费用目标,F2为电网侧削峰填谷目标,F3为电网扩增容量目标;TOU(t)为分时电价信息,是该地区总实时功率的正相关函数;Ppu(t)为待增加负荷的实时预测功率;Pd(t)为可选的待增加地区d现有的实时功率;PG(t)为可选的待增加地区d现在的实时可供功率;PFdavg为可选的待增加地区d的柔性实时可调功率平均值;PFpuavg为待增加负荷中的柔性可调平均功率;μd为可选的待增加地区d现有的实时功率的均值;μpd为用户预测负荷曲线平均值;t表示第t个时刻点。
6.根据权利要求5所述的电网业扩报装用户接入装置,其特征在于,所述预测单元具体包括:
初始化子单元,用于根据待接入用户的报装参数初始化所述待接入用户的日负荷曲线,得到初始化负荷曲线;
匹配子单元,用于将所述初始化负荷曲线与建立的负荷特性库中的特征负荷曲线进行匹配,将匹配度最高的所述特征负荷曲线作为所述待接入用户的预测负荷曲线。
7.根据权利要求6所述的电网业扩报装用户接入装置,其特征在于,还包括:
聚类单元,用于获取供电点的所有现有用户的历史负荷曲线,对所有所述历史负荷曲线进行FCM k-means均值聚类;
特性库单元,用于将所有聚类中心对应的历史负荷曲线作为特征负荷曲线,构建负荷特性库。
8.根据权利要求5所述的电网业扩报装用户接入装置,其特征在于,所述求解单元具体包括:
归一化子单元,用于对所述帕累托解集进行归一化处理,得到若干个待评价方案;
关联度子单元,用于以理想方案为母向量,所述待评价方案为子向量,根据关联度系数公式计算关联度系数;
权重单元,用于根据所述关联度系数确定各所述子向量的权重系数;
加权单元,用于根据所述关联度系数和所述权重系数计算加权灰色关联度,将所述加权灰色关联度取得最大值时对应的所述待评价方案作为所述帕累托解集的最优解,得到最优接入点。
9.一种电网业扩报装用户接入设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的电网业扩报装用户接入方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208575.5A CN109784589B (zh) | 2019-03-19 | 2019-03-19 | 一种电网业扩报装用户接入优化方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208575.5A CN109784589B (zh) | 2019-03-19 | 2019-03-19 | 一种电网业扩报装用户接入优化方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784589A CN109784589A (zh) | 2019-05-21 |
CN109784589B true CN109784589B (zh) | 2023-03-24 |
Family
ID=66489451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910208575.5A Active CN109784589B (zh) | 2019-03-19 | 2019-03-19 | 一种电网业扩报装用户接入优化方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784589B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110740193A (zh) * | 2019-10-30 | 2020-01-31 | 江苏满运软件科技有限公司 | 一种平台活跃度的预测方法、装置、存储介质及电子设备 |
CN110866650B (zh) * | 2019-11-19 | 2022-06-07 | 江苏方天电力技术有限公司 | 一种基于负荷需量系数及时段错峰、削峰的负荷优化方法 |
CN111082419B (zh) * | 2019-12-06 | 2022-06-24 | 国网河北省电力有限公司电力科学研究院 | 基于大数据技术的智能配电网用户接入方案管理方法及系统 |
CN114615698B (zh) * | 2020-12-09 | 2023-07-18 | 中国移动通信集团四川有限公司 | 一种ibcf互通网关负荷调整方法和装置 |
CN113159373B (zh) * | 2021-02-24 | 2024-05-31 | 中国农业大学 | 报装接入点的优化方法及相关装置 |
CN112990559B (zh) * | 2021-03-02 | 2022-11-18 | 国网河北省电力有限公司 | 一种低压业扩电源点的选取方法 |
CN113962570B (zh) * | 2021-10-26 | 2024-08-06 | 广东电网有限责任公司广州供电局 | 配电网业扩报装供电方案的智能生成方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056256A (zh) * | 2016-06-28 | 2016-10-26 | 华北电力大学 | 一种平衡电力供需关系的互动化微网调度方法 |
CN106339826A (zh) * | 2016-09-29 | 2017-01-18 | 重庆大学 | 一种计及削峰填谷的并网型微电网可靠性评估方法 |
CN107944630A (zh) * | 2017-12-01 | 2018-04-20 | 华北电力大学 | 一种季节性分时电价优化制定方法 |
CN109002945A (zh) * | 2018-10-12 | 2018-12-14 | 华中科技大学 | 一种分时电价下省际电网水电多目标购电优化方法及系统 |
CN109214593A (zh) * | 2018-10-19 | 2019-01-15 | 天津大学 | 一种主动配电网供电能力多目标评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10290064B2 (en) * | 2014-10-21 | 2019-05-14 | Accenture Global Services Limited | System, method and apparatus for capacity determination for micro grid and tangible computer readable medium |
-
2019
- 2019-03-19 CN CN201910208575.5A patent/CN109784589B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056256A (zh) * | 2016-06-28 | 2016-10-26 | 华北电力大学 | 一种平衡电力供需关系的互动化微网调度方法 |
CN106339826A (zh) * | 2016-09-29 | 2017-01-18 | 重庆大学 | 一种计及削峰填谷的并网型微电网可靠性评估方法 |
CN107944630A (zh) * | 2017-12-01 | 2018-04-20 | 华北电力大学 | 一种季节性分时电价优化制定方法 |
CN109002945A (zh) * | 2018-10-12 | 2018-12-14 | 华中科技大学 | 一种分时电价下省际电网水电多目标购电优化方法及系统 |
CN109214593A (zh) * | 2018-10-19 | 2019-01-15 | 天津大学 | 一种主动配电网供电能力多目标评价方法 |
Non-Patent Citations (1)
Title |
---|
分时电价下考虑用户侧响应的日前调度计划建模与分析;李浩闪等;《华东电力》;20140224(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109784589A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784589B (zh) | 一种电网业扩报装用户接入优化方法、装置和设备 | |
CN113610303B (zh) | 一种负荷预测方法及系统 | |
Hou et al. | Cooling-load prediction by the combination of rough set theory and an artificial neural-network based on data-fusion technique | |
Lian et al. | Landslide displacement prediction with uncertainty based on neural networks with random hidden weights | |
CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
Luo et al. | A hybrid multi-objective PSO–EDA algorithm for reservoir flood control operation | |
US20150186827A1 (en) | Data-driven targeting of energy programs using time-series data | |
Wang et al. | Chaotic time series method combined with particle swarm optimization and trend adjustment for electricity demand forecasting | |
Xie et al. | Multi-agent attention-based deep reinforcement learning for demand response in grid-responsive buildings | |
CN113937808B (zh) | 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法 | |
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
He et al. | Short-term residential load forecasting based on federated learning and load clustering | |
CN111914900B (zh) | 一种用户用电模式分类方法 | |
CN113688960A (zh) | 基于灰狼优化ghfcm的居民电力数据聚类方法及装置 | |
Lu et al. | Adaptive weighted fuzzy clustering algorithm for load profiling of smart grid customers | |
CN115577978A (zh) | 一种配电网目标投资决策要素权重系数测算方法 | |
CN114065646A (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
Wang et al. | Adaptive horizontal federated learning-based demand response baseline load estimation | |
Zhang et al. | Improving the accuracy of load forecasting for campus buildings based on federated learning | |
Jia et al. | An online learning approach to dynamic pricing for demand response | |
CN114444760A (zh) | 一种基于模式提取和误差调整的行业用户电量预测方法 | |
CN115622034A (zh) | 一种基于改进遗传神经网络的物联表电力负荷识别方法 | |
He et al. | Forecasting model of residential load based on general regression neural network and PSO-Bayes least squares support vector machine | |
Tan et al. | Dual time-scale robust optimization for energy management of distributed energy community considering source-load uncertainty | |
CN114742285B (zh) | 一种居民电力消费模式预测模型的构建方法及其应用 |
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 |