CN110210755B - 一种基于K_means聚类算法的用户需求响应能力评估方法 - Google Patents
一种基于K_means聚类算法的用户需求响应能力评估方法 Download PDFInfo
- Publication number
- CN110210755B CN110210755B CN201910462958.5A CN201910462958A CN110210755B CN 110210755 B CN110210755 B CN 110210755B CN 201910462958 A CN201910462958 A CN 201910462958A CN 110210755 B CN110210755 B CN 110210755B
- Authority
- CN
- China
- Prior art keywords
- user
- demand response
- load
- daily
- response
- 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
- 230000004044 response Effects 0.000 title claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 238000003064 k means clustering Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims description 13
- 239000013598 vector Substances 0.000 claims abstract description 25
- 230000005611 electricity Effects 0.000 claims abstract description 7
- 230000003442 weekly effect Effects 0.000 claims abstract description 6
- 238000007619 statistical method Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (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)
Abstract
本发明公开了基于K_means聚类算法的用户需求响应能力评估方法,所述评估方法包括以下步骤:步骤1:对用户的历史用电负荷数据进行统计分析,获取用户的日均负荷总量;步骤2:从周相关和日相关两方面,分析重构日负荷曲线,得到用户参与需求响应的时间段和响应量;步骤3:进行用户配合程度评分;步骤4:根据步骤1‑3中用户参与需求响应的参数,确定需求响应用户的向量表示形式;步骤5:采用K_means聚类算法,对需求响应用户进行聚类,形成不同的用户类别。
Description
技术领域
本发明涉及电力分析技术领域,特别是涉及基于K_means聚类算法的用户需求响应能力评估方法。
背景技术
近年来,随着电力用户对电力需求的不断增加,能源危机日益严峻,越来越多的可再生能源进入电力市场,如太阳能、风能等。但是,由于可再生能源出力具有随机性、波动性、间歇性的特点,电力系统的运行安全受到威胁,系统实时供需失衡。若仅依靠发电侧的调节能力难以处理大规模的实时供需平衡问题,并且很有可能为电网造成更大的经济损失。这种情况下,需求侧的资源调节的重要性日益突出。所以,对于电力系统决策者来说,了解用户的需求响应能力,灵活有效地利用需求侧资源具有重要的意义和经济价值。
不同电力用户的用电行为习惯不同,其所具备的需求响应能力也各不相同。若依据传统的工、商、居民等信息的用户分类方式筛选用户参与需求响应任务,难以实现需求响应任务的目标,响应达标率低,并且降低了用户体验和系统效率。所以,应该从用户的用电特性和需求响应特点出发,掌握用户的需求响应能力,从而进行用户分类,进而,为电力系统决策者在筛选用户参与需求响应任务时提供更科学的策略,从而提升需求响应效率。
因此希望有一种用户需求响应能力评估方法能够解决现有技术中存在的问题。
发明内容
本发明公开了一种基于K_means聚类算法的用户需求响应能力评估方法,所述评估方法包括以下步骤:
步骤1:对用户的历史用电负荷数据进行统计分析,获取用户的日均负荷总量;
步骤2:从周相关和日相关两方面,分析重构日负荷曲线,得到用户参与需求响应的时间段和响应量;
步骤3:进行用户配合程度评分;
步骤4:根据步骤1-3中用户参与需求响应的参数,确定需求响应用户的向量表示形式;
步骤5:采用K_means聚类算法,对需求响应用户进行聚类,形成不同的用户类别。
优选地,所述步骤2包括以下步骤:
步骤2.1:使用小波变换分解所述日负荷曲线,获取分解后的低频系数,然后使用低频系数重构日负荷曲线;
步骤2.2:从所述周相关和日相关两方面,对重构日负荷曲线进行分析,得到的用户参与需求响应的所述时间段T和响应量S,进而确定响应时间段。
优选地,所述响应时间段分为:早高峰时间、午高峰时间、晚高峰时间、多阶段响应时间和无可用时间五类。
优选地,所述步骤3包括以下步骤:
步骤3.1:若用户从未参与过需求响应任务,则其初始配合程度分值P=100分;若用户参与了需求响应任务,分别取参与前和参与后用户的日负荷曲线,计算两条负荷曲线的相似度;
步骤3.2:分别取负荷曲线上每个小时的负荷,形成用户参与需求响应任务前的负荷向量L1和参与后的负荷向量L2,步骤3.1中的两条负荷曲线的相似度由负荷向量L1和L2的相似度来替代,公式(1)计算两个向量夹角的余弦值作为负荷向量L1和L2的相似度:
用户参与需求响应前后用电负荷峰谷值变化率为公式(2):
其中,Y1f、Y1g分别表示需求响应前的负荷峰谷值;Y2f、Y2g分别表示需求响应后的负荷峰谷值。
步骤3.3:根据用户参与需求响应后的日负荷曲线和负荷峰谷值,步骤3.2中用来计算相似度L2i和计算峰谷变化率的Y2f,Y2g,更新用户的配合程度分值P*,更新公式(3):
P*=P×e-d×r (3)。
优选地,所述步骤4的需求响应用户的向量表示形式为:(A,C,S,P),A表示该用户的历史日均负荷总量;C表示该用用户可能参与需求响应任务的时间段类别;S表示该用户的可以提供的需求响应量;P表示用户参与需求响应的配合程度。
优选地,所述步骤5包括以下步骤:采用K_means聚类算法,对需求响应用户进行聚类,形成不同的用户类别
步骤5.1:对所述用户向量(A,C,S,P)进行归一化处理;采用MinMax法,对每个分量进行归一化,归一化后的数据值域变换到[0,1],计算公式如公式(4):
步骤5.3:采用K_means算法进行聚类操作,每个用户样本和聚类中心μj(j=1,2,3...k)之间的距离计算公式为公式(6):
dij=||xi-μj||2 (6)
聚类中心的更新公式为公式(7):
本发明提出的一种基于K_means聚类算法的用户需求响应能力评估方法,通过对用户历史负荷数据的统计分析,挖掘为用户的需求响应特点,掌握用户的需求响应能力,获取新的用户分类方法。从而,有利于电力系统决策者筛选用户参与需求响应任务,实施精准的需求响应方案,确保电力系统安全运营。
附图说明
图1是基于K_means聚类算法的用户需求响应能力评估方法的流程图。
图2是K_means算法的操作流程图。
具体实施方式
为使本发明实施的目的、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更加详细的描述。在附图中,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。所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。基于本发明中的实施例,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。
基于K_means聚类算法的用户需求响应能力评估方法,解决了电力系统决策者如何有效地选取用户参与需求响应任务的问题。
如图1所示,基于K_means聚类算法的用户需求响应能力评估方法,包括以下步骤:
步骤1:对用户的历史用电负荷数据进行统计分析,获取用户的日均负荷总量;
步骤2:从周相关和日相关两方面,分析重构日负荷曲线,得到用户参与需求响应的时间段和响应量;
首先,使用小波变换分解日负荷曲线,获取分解后的低频系数,然后使用低频系数重构日负荷曲线。
对于重构后的日负荷曲线,我们从周相关和日相关两个角度进行分析,得到的用户可能参与需求响应的响应量S和时间段T。由于需求响应任务发起的时间段,一般是在早高峰、午高峰、晚高峰三个时间段,所以我们设定用户的响应时间段分为:早高峰时间、午高峰时间、晚高峰时间、多阶段响应时间和无可用时间这五类(用C表示)。从而,定性地分析用户的响应时间段;
步骤3:进行用户配合程度评分;
在需求响应任务中,用户配合的积极程度,难以量化。这是由于用户本身的行为存在不确定性,并且电力市场中每年的需求响应次数少,可研究的样本量不足。所以,我们采用了一种人为的评分机制,来度量用户的配合程度。
若用户从未参与过需求响应任务,则其初始配合程度分值P=100分。若用户参与了需求响应任务,分别取参与前后用户的日负荷曲线,计算两条负荷曲线的相似度。这里,我们分别取负荷曲线上各个小时的负荷,形成用户参与需求响应任务前的负荷向量L1和参与后的负荷向量L2,则两条负荷曲线的相似度可以表示为:
用户参与需求响应前后用电负荷峰谷值变化率为公式(2):
其中,Y1f、Y1g分别表示需求响应前的负荷峰谷值;Y2f、Y2g分别表示需求响应后的负荷峰谷值;
据此更新用户的配合程度分值P*,更新公式(3):
P*=P×e-d×r (3)。
步骤4:根据步骤1-3中用户参与需求响应的参数,确定需求响应用户的向量表示形式;
根据前面提取的用户用电特征和参与需求响应任务的特点,可以对用户进行量化表示,其表示形式为:(A,C,S,P)。其中,A表示该用户的历史日均负荷总量;C表示该用用户可能参与需求响应任务的时间段类别;S表示该用户的可以提供的需求响应量;P表示用户参与需求响应的配合程度。这为最终的聚类操作奠定了基础。
步骤5:采用K_means聚类算法,对需求响应用户进行聚类,形成不同的用户类别。
在进行K_means聚类之前,需要对数据集进行归一化操作,以消除量纲影响。这里,采用MinMax法,对各个分量进行归一化,归一化后的数据值域变换到[0,1],计算公式如公式(4):
如图2所示,采用K_means算法进行聚类操作,每个用户样本和聚类中心μj(j=1,2,3...k)之间的距离计算公式为公式(6):
dij=||xi-μj||2 (6)
聚类中心的更新公式为公式(7):
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于K_means聚类算法的用户需求响应能力评估方法,其特征在于,所述评估方法包括以下步骤:
步骤1:对用户的历史用电负荷数据进行统计分析,获取用户的日均负荷总量;
步骤2:从周相关和日相关两方面,分析重构日负荷曲线,得到用户参与需求响应的时间段和响应量;
步骤3:进行用户配合程度评分;
所述步骤3包括以下步骤:
步骤3.1:若用户从未参与过需求响应任务,则其初始配合程度分值P=100分;若用户参与了需求响应任务,分别取参与前和参与后用户的日负荷曲线,计算两条负荷曲线的相似度;
步骤3.2:分别取负荷曲线上每个小时的负荷,形成用户参与需求响应任务前的负荷向量L1和参与后的负荷向量L2,步骤3.1中的两条负荷曲线的相似度由负荷向量L1和L2的相似度来替代,公式(1)计算两个向量夹角的余弦值作为负荷向量L1和L2的相似度:
用户参与需求响应前后用电负荷峰谷值变化率为公式(2):
其中,Y1f、Y1g分别表示需求响应前的负荷峰谷值;Y2f、Y2g分别表示需求响应后的负荷峰谷值;
步骤3.3:根据用户参与需求响应结果,更新用户的配合程度分值P*,更新公式(3):
P*=P×e-d×r (3);
步骤4:根据步骤1-3中用户参与需求响应的参数,确定需求响应用户的向量表示形式;
所述步骤4的需求响应用户的向量表示形式为:(A,C,S,P),A表示该用户的历史日均负荷总量;C表示该用户可能参与需求响应任务的时间段类别;S表示该用户的可以提供的需求响应量;P表示用户参与需求响应的配合程度;
步骤5:采用K_means聚类算法,对需求响应用户进行聚类,形成不同的用户类别。
2.根据权利要求1所述的基于K_means聚类算法的用户需求响应能力评估方法,其特征在于:所述步骤2包括以下步骤:
步骤2.1:使用小波变换分解所述日负荷曲线,获取分解后的低频系数,然后使用低频系数重构日负荷曲线;
步骤2.2:从所述周相关和日相关两方面,对重构日负荷曲线进行分析,得到的用户参与需求响应的所述时间段T和响应量S,进而确定响应时间段。
3.根据权利要求2所述的基于K_means聚类算法的用户需求响应能力评估方法,其特征在于:所述响应时间段分为:早高峰时间、午高峰时间、晚高峰时间、多阶段响应时间和无可用时间五类。
4.根据权利要求1所述的基于K_means聚类算法的用户需求响应能力评估方法,其特征在于:所述步骤5包括以下步骤:采用K_means聚类算法,对需求响应用户进行聚类,形成不同的用户类别
步骤5.1:对所述用户向量(A,C,S,P)进行归一化处理;采用MinMax法,对每个分量进行归一化,归一化后的数据值域变换到[0,1],计算公式如公式(4):
步骤5.3:采用K_means算法进行聚类操作,每个用户样本和聚类中心μj(j=1,2,3...k)之间的距离计算公式为公式(6):
dij=||xi-μj||2 (6)
聚类中心的更新公式为公式(7):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910462958.5A CN110210755B (zh) | 2019-05-30 | 2019-05-30 | 一种基于K_means聚类算法的用户需求响应能力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910462958.5A CN110210755B (zh) | 2019-05-30 | 2019-05-30 | 一种基于K_means聚类算法的用户需求响应能力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210755A CN110210755A (zh) | 2019-09-06 |
CN110210755B true CN110210755B (zh) | 2023-04-18 |
Family
ID=67789611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910462958.5A Active CN110210755B (zh) | 2019-05-30 | 2019-05-30 | 一种基于K_means聚类算法的用户需求响应能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210755B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738428A (zh) * | 2019-10-23 | 2020-01-31 | 四川万益能源科技有限公司 | 基于轮换分解的有序用电降负荷需求分解方法 |
CN114399136A (zh) * | 2021-11-29 | 2022-04-26 | 国网浙江省电力有限公司嵊泗县供电公司 | 一种基于用户负荷特性分析的需求侧响应能力评估方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE1941952A1 (de) * | 1968-08-22 | 1970-02-26 | Lichtneckert Istvan Janos Anta | Verfahren zur gezielten konvergierenden Nachrichtenuebermittlung in Verbindung mit auswaehlender divergierender Nachrichtenuebermittlung zwischen einer Bevoelkerungsrguppe und einem Zentrum,sowie Einrichtung zur Durchfuehrung des Verfahrens |
WO2012077748A1 (ja) * | 2010-12-09 | 2012-06-14 | 三洋電機株式会社 | クラスタリング方法、これを利用した最適化方法、電力供給制御装置 |
CN106056271A (zh) * | 2016-05-17 | 2016-10-26 | 珠海许继芝电网自动化有限公司 | 一种用户群用电负荷响应的智能控制方法 |
CN106127613A (zh) * | 2016-07-24 | 2016-11-16 | 国家电网公司 | 一种互联网环境下电力用户需求响应潜力评估方法 |
CN107248031A (zh) * | 2017-05-27 | 2017-10-13 | 西安交通大学 | 一种针对负荷曲线峰谷差的快速电力用户分类方法 |
CN108009938A (zh) * | 2016-11-02 | 2018-05-08 | 中国电力科学研究院 | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 |
CN108629501A (zh) * | 2018-04-28 | 2018-10-09 | 国网江苏省电力有限公司电力科学研究院 | 基于用能意愿及负荷特性的需求响应用户自动筛选方法 |
KR20180137635A (ko) * | 2017-06-16 | 2018-12-28 | 고려대학교 산학협력단 | 수요 반응을 위한 철도 역사 내 부하 그룹화 장치 및 방법 |
CN109255463A (zh) * | 2018-07-11 | 2019-01-22 | 东南大学 | 一种面向可中断负荷的需求响应效果分阶段评估方法 |
CN109636101A (zh) * | 2018-11-02 | 2019-04-16 | 国网辽宁省电力有限公司朝阳供电公司 | 基于大数据的开放售电环境下大用户用电行为分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5255462B2 (ja) * | 2009-01-13 | 2013-08-07 | 株式会社日立製作所 | 電力需給運用管理サーバ、および電力需給運用管理システム |
-
2019
- 2019-05-30 CN CN201910462958.5A patent/CN110210755B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE1941952A1 (de) * | 1968-08-22 | 1970-02-26 | Lichtneckert Istvan Janos Anta | Verfahren zur gezielten konvergierenden Nachrichtenuebermittlung in Verbindung mit auswaehlender divergierender Nachrichtenuebermittlung zwischen einer Bevoelkerungsrguppe und einem Zentrum,sowie Einrichtung zur Durchfuehrung des Verfahrens |
WO2012077748A1 (ja) * | 2010-12-09 | 2012-06-14 | 三洋電機株式会社 | クラスタリング方法、これを利用した最適化方法、電力供給制御装置 |
CN106056271A (zh) * | 2016-05-17 | 2016-10-26 | 珠海许继芝电网自动化有限公司 | 一种用户群用电负荷响应的智能控制方法 |
CN106127613A (zh) * | 2016-07-24 | 2016-11-16 | 国家电网公司 | 一种互联网环境下电力用户需求响应潜力评估方法 |
CN108009938A (zh) * | 2016-11-02 | 2018-05-08 | 中国电力科学研究院 | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 |
CN107248031A (zh) * | 2017-05-27 | 2017-10-13 | 西安交通大学 | 一种针对负荷曲线峰谷差的快速电力用户分类方法 |
KR20180137635A (ko) * | 2017-06-16 | 2018-12-28 | 고려대학교 산학협력단 | 수요 반응을 위한 철도 역사 내 부하 그룹화 장치 및 방법 |
CN108629501A (zh) * | 2018-04-28 | 2018-10-09 | 国网江苏省电力有限公司电力科学研究院 | 基于用能意愿及负荷特性的需求响应用户自动筛选方法 |
CN109255463A (zh) * | 2018-07-11 | 2019-01-22 | 东南大学 | 一种面向可中断负荷的需求响应效果分阶段评估方法 |
CN109636101A (zh) * | 2018-11-02 | 2019-04-16 | 国网辽宁省电力有限公司朝阳供电公司 | 基于大数据的开放售电环境下大用户用电行为分析方法 |
Non-Patent Citations (1)
Title |
---|
基于动态自适应K均值聚类的电力用户负荷编码与行为分析;孙毅等;《电力科学与技术学报》;20170930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110210755A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Tan et al. | Ultra-short-term industrial power demand forecasting using LSTM based hybrid ensemble learning | |
Han et al. | Quantitative evaluation method for the complementarity of wind–solar–hydro power and optimization of wind–solar ratio | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN112488362A (zh) | 一种协调电动汽车参与辅助服务市场的储能优化配置方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
Toubeau et al. | Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices | |
Zhu et al. | Based on the ARIMA model with grey theory for short term load forecasting model | |
CN110210755B (zh) | 一种基于K_means聚类算法的用户需求响应能力评估方法 | |
CN114938035B (zh) | 考虑储能退化成本的共享储能能量调度方法及系统 | |
CN112994115A (zh) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 | |
Su et al. | Short-and mid-term load forecasting using machine learning models | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN115313361A (zh) | 一种规模化可调资源的联合优化控制方法和装置 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
Fışkın et al. | Forecasting domestic shipping demand of cement: comparison of SARIMAX, ANN and hybrid SARIMAX-ANN | |
CN117559422A (zh) | 基于画像的工业园区可调节功率区间估计方法、系统与计算机可读存储介质 | |
CN115204946A (zh) | 一种考虑天气因素的建筑用电负荷基线生成方法与系统 | |
CN113537575A (zh) | 一种含分布式光伏和电动汽车并网的趋势负荷预测方法 | |
Ye et al. | Short term output prediction method of runoff type medium and small hydropower stations | |
CN114629103A (zh) | 一种基于inception结构负荷分解模型的楼宇负荷分解方法 | |
Shen et al. | Aiot-empowered smart grid energy management with distributed control and non-intrusive load monitoring | |
CN112036713A (zh) | 一种基于主成分分析的煤改电综合效益评价方法和系统 |
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 |