CN110533218A - 一种基于数据挖掘的居民用户多目标优化用电策略及系统 - Google Patents
一种基于数据挖掘的居民用户多目标优化用电策略及系统 Download PDFInfo
- Publication number
- CN110533218A CN110533218A CN201910670356.9A CN201910670356A CN110533218A CN 110533218 A CN110533218 A CN 110533218A CN 201910670356 A CN201910670356 A CN 201910670356A CN 110533218 A CN110533218 A CN 110533218A
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- electrical equipment
- optimization
- resident
- user
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 110
- 238000005457 optimization Methods 0.000 title claims abstract description 78
- 238000007418 data mining Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 8
- 238000005498 polishing Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000000034 method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 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
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供的技术方案一种基于数据挖掘的居民用户多目标优化用电策略,包括:获取居民用户原始用电数据;将所述数据提取用户典型日用电曲线,分析用户用电特征;基于所述用电特征建立多目标用电模型;采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略;本发明提供的技术方案有效保证用户用电舒适度的同时降低峰谷差,使发电、用电趋于平衡,降低用电高峰的供电压力从而解决了用电负荷的不断增长,极大的影响了电网的可靠运行,峰谷差变大的问题。
Description
技术领域
本发明涉及电力需求响应领域,具体涉及一种基于数据挖掘的居民用户多目标优化用电策略及系统。
背景技术
目前,随着智能电网进程的提出和不断推进,众多信息系统和平台在有效管理各类智能设备促进智能电网建设、提升公司电网运营管理水平的同时,电网企业存储了海量数据,这些数据直观上没有表现出其信息价值。随着大数据技术的不断发展,数据挖掘技术受到越来越多的关注,用户用电行为分析的重要性日益凸显,采用数据挖掘的方法,用户用电数据中隐藏的信息可以被有效提取出来。同时,随着经济水平提高,居民的生活用电在社会用电中占有的比重呈现逐年上升的趋势。用电负荷的不断增长,带来的峰谷差变大的问题,极大的影响了电网的可靠运行。在智能电网环境下,为了构建一个满足用户需要的、安全、有效、舒适、便捷的互动用电体系,必须整合用户侧资源,实施需求侧管理,通过灵活的电价和激励政策引导用户参与从而实现负荷转移、削峰填谷。现有居民用电行为的研究中,大都着眼于利用电价机制,电网通过提供灵活的电价政策,激励用户参与需求响应,实现用电优化。
发明内容
本发明提供的技术方案是:
一种基于数据挖掘的居民用户多目标优化用电策略,包括:
获取居民用户原始用电数据;
将所述数据提取用户典型日用电曲线,分析用户用电特征;
基于所述用电特征建立多目标用电模型;
采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
优选的,所述获取居民用户原始用电数据,之后还包括:
针对原始数据中出现的缺失值,利用近两年同一天同一时刻的负荷值累加求和取平均对缺失数据补齐;
对补齐后的原始数据进行归一化处理。
优选的,所述多目标用电模型,包括:
以负荷峰谷差最小且用户用电舒适度最佳为目标的多目标函数和以用户用电特征约束的约束条件;
所述用户用电特征,包括:可转移负荷和可中断负荷;
所述约束条件包括:可中断负荷约束条件和可转移负荷约束条件。
优选的,所述多目标函数如下式所示:
式中,T为优化后负荷峰谷差;Lnew为用户用电优化后负荷值;dcom为用户用电舒适度;为t时刻用电设备i优化前的用电计划;Si(t)为t时刻用电设备i优化后的用电计划,工作时取值为1,不工作时为0。
优选的,所述多目标用电模型还包括;
所述可中断负荷约束条件如下所示:
式中,为优化用电设备最早允许开启时间;为优化用电设备最晚允许开启时间;为用电设备开启时间;表示用户允许可中断负荷的工作区间;STL(t)为可中断负荷在t时刻有无启动状态;τ为可中断负荷完成任务所需的总的工作时间;
所述可转移负荷约束条件如下所示:
式中,STL(t)为可转移负荷在t时刻有无启动状态;tt为从时刻起,可转移负荷的最小连续工作的时间。
优选的,所述优化用电设备最早允许开启时间的计算式如下:
式中:为优化用电设备最早允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数。
优选的,所述优化用电设备最晚允许开启时间的计算式如下:
式中:为优化用电设备最晚允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数。
优选的,所述采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略,包括:
将满足约束条件的用电设备的开关状态作为基因,将用户所有用电设备的开关状态作为染色体;
通过遗传算法求解得到最优用户所有用电设备的快关状态;
将最优用户所有用电设备的快关状态,作为保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
一种基于数据挖掘的居民用户多目标优化用电系统,包括:
获取模块:用于获取居民用户原始用电数据;
提取模块:用于将所述数据提取用户典型日用电曲线,分析用户用电特征;
构建模块:用于基于所述用电特征建立多目标用电模型;
求解模块:用于采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
优选的,所述获取模块之后还包括:
处理模块:用于针对原始数据中出现的缺失值,利用近两年同一天同一时刻的负荷值累加求和取平均对缺失数据补齐;
对补齐后的原始数据进行归一化处理。
优选的,所述构建模块,包括:目标函数构建子模块和约束条件构建子模块;
所述目标函数构建子模块:用于以负荷峰谷差最小且用户用电舒适度最佳为目标构建的多目标函数;
其中,多目标函数如下式所示:
式中,T为优化后负荷峰谷差;Lnew为用户用电优化后负荷值;dcom为用户用电舒适度;为t时刻用电设备i优化前的用电计划;Si(t)为t时刻用电设备i优化后的用电计划,工作时取值为1,不工作时为0;
所述约束条件构建子模块,包括:可转移负荷约束条件和可中断负荷约束条件;
所述可转移负荷约束条件,如下式所示:
式中,为优化用电设备最早允许开启时间;为优化用电设备最晚允许开启时间;为用电设备开启时间;表示用户允许可中断负荷的工作区间;STL(t)为可中断负荷在t时刻有无启动状态;τ为可中断负荷完成任务所需的总的工作时间;
所述可转移负荷约束条件如下所示:
式中,STL(t)为可转移负荷在t时刻有无启动状态;tt为从时刻起,可转移负荷的最小连续工作的时间;
其中,所述优化用电设备最早允许开启时间的计算式如下:
式中:为优化用电设备最早允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数;
所述优化用电设备最晚允许开启时间的计算式如下:
式中:为优化用电设备最晚允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数。
优选的,所述求解模块,具体包括:
将满足约束条件的用电设备的开关状态作为基因,将用户所有用电设备的开关状态作为染色体;
通过遗传算法求解得到最优用户所有用电设备的快关状态;
将最优用户所有用电设备的快关状态,作为保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
与现有技术相比,本发明的有益效果为:
本发明提供的技术方案一种基于数据挖掘的居民用户多目标优化用电策略,包括:获取居民用户原始用电数据;将所述数据提取用户典型日用电曲线,分析用户用电特征;基于所述用电特征建立多目标用电模型;采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略;本发明提供的技术方案有效保证用户用电舒适度的同时降低峰谷差,使发电、用电趋于平衡,降低用电高峰的供电压力从而解决了用电负荷的不断增长,极大的影响了电网的可靠运行,峰谷差变大的问题。
附图说明
图1为本发明一种基于数据挖掘的居民用户多目标优化用电策略及系统流程示意图;
图2为本发明一种基于数据挖掘的居民用户多目标优化用电策略及系统具体流程图;
图3为本发明一种基于数据挖掘的居民用户多目标优化用电策略及系统的K-means聚类算法流程图;
图4为本发明一种基于数据挖掘的居民用户多目标优化用电策略及系统的遗传算法流程图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:
本发明考虑用户用电舒适度,优化单个居民用户的用电策略。首先对居民原始用电数据进行预处理,利用K-means聚类方法提取用户典型日用电曲线。然后分析家庭用电设备的工作特性,建立其数学模型以及相应的约束条件;根据用电设备配合使用关系建立关联矩阵,调整可调度负荷的运行时段参数,建立用户用电舒适度模型。最后,建立考虑用户用电舒适度与负荷峰谷差的多目标优化模型,利用遗传算法对模型求解。
下面结合附图对本发明的技术方案做进一步的详细说明。本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明为解决上述技术问题而采用以下技术方案:
如图1所示一种基于数据挖掘的居民用户多目标优化用电策略,包括:
S1获取居民用户原始用电数据;
S2将所述数据提取用户典型日用电曲线,分析用户用电特征;
S3基于所述用电特征建立多目标用电模型;
S4采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
如图2所示,本发明提出一种基于数据挖掘的居民用户多目标优化用电策略,该方法包括以下步骤:
S1获取居民用户原始用电数据;
步骤1)、原始用电数据包括居民每天的总负荷值、各种用电设备每个时刻负荷值。对于原始数据中缺漏的数据,利用近两年同一天同一时刻的负荷值累加取平均值补齐。为了体现用电曲线的动态变化,对补齐后的数据进行归一化处理,归一化公式如下:
其中x*、xi、xmax、xmin分别代表归一化之后的数值、第i个采样时刻实际的用电量、用电量的最小值、用电量最大值。
步骤2)、利用如图3所示K-means聚类算法对预处理完后的数据进行聚类,提取用户典型日用电负荷曲线。首先从数据中随机选取K个对象作为初始聚类中心,初始K值采用轮廓图法确定。轮廓图上第i点的轮廓值定义为:
其中,a是第i点与同一个簇中其他点的平均距离。b是向量,其元素表示第i点与其他不同簇中各点的平均距离。计算剩余对象到聚类中心的距离,将其分配到离它最近的簇中,然后重新计算每个聚类中心,直到聚类中心不再发生变化。接着重新计算每一个簇的平均值,整个过程不断重复,直到平方误差准则函数最小。平方误差准则定义为:
其中,k为聚类个数,M为第i类中的样本的个数,mi是第i类中样本的均值。
S2将所述数据提取用户典型日用电曲线,分析用户用电特征;
步骤3)、根据家庭负荷的用电特性,家庭负荷分为基本负荷和可调度负荷。可调度负荷根据运行过程中能否中断可分为可中断负荷和可转移负荷。
S3基于所述用电特征建立多目标用电模型;
步骤4)、具体包括以下步骤:
401.引入用电设备使用关联矩阵描述用电设备之间的配合使用关系,用电设备使用关联矩阵如下:
式中:cii代表用电设备的自关联系数,cij代表用电设备的互关联系数。cij∈[0,1],关联度越接近1,则说明两个用电设备配合使用度越高。
402.根据用电设备的配合使用关系,调整用电设备的运行时段参数:
其中:和分别代表待优化用电设备最早和最晚允许开启时间;和分别代表设备最早和最晚允许开启时间;cij代表用电设备i和j的关联度系数。
403.考虑家庭设备的配合使用情况以及用户用电习惯等约束条件,建立计及用户舒适度以及负荷峰谷差的多目标用电模型,实现多目标优化。
多目标优化模型的目标函数为:
式中T为优化后负荷峰谷差,Lnew为优化后负荷值。dcom为用户用电舒适度,其中,为t时刻用电设备i优化前的用电计划,Si(t)为t时刻用电设备i优化后的用电计划,工作时取值为1,不工作时为0。
目标函数的约束条件包括:
1)可中断负荷约束条件:
式中,表示用户允许可中断负荷的工作区间;STL(t)为可中断负荷在t时刻有无启动状态;τ为可中断负荷完成任务所需的总的工作时间。
2)可转移负荷约束条件:
式中,和分别代表用户设定可转移负荷最早开启时间和最晚开启时间。STL(t)为可转移负荷在t时刻有无启动状态;第三个式子表示从时刻起,可转移负荷的最小连续工作的时间为T。优化前后,用电设备的用电任务不会改变,有:
S4采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
步骤5)、利用遗传算法求解多目标用电模型,获得最优的用电策略,具体步骤如图4所示:
步骤5.1、编码:遗传算法在进行搜索之前把所选的特征进行编号,用电设备某个时刻的工作状态就是一个基因,一个解就是一串基因的组合,称之为染色体。用电行为优化问题的直接变量是用电设备的开启和关闭,因此,对用电设备启动状态决策变量进行编码。
步骤5.2、初始群体的生成:随机产生N个初始串结构数据,每个串结构数据称为一个个体,N个个体构成了一个群体。遗传算法以这N个串结构数据作为初始点开始迭代。
步骤5.3、选择:选择是从当前群体中选出优良的个体,使它们有机会作为父代为下一代繁殖子孙。选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。
步骤5.4、交换操作:得到新一代个体,新个体组合了其父辈个体的特性。
步骤5.5、变异:变异首先在群体中随机选择一个个体,对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。变异为新个体的产生提供了机会。
实施例2
基于同一种发明构思,本发明还提供了一种基于数据挖掘的居民用户多目标优化用电系统,包括:
获取模块:用于获取居民用户原始用电数据;
提取模块:用于将所述数据提取用户典型日用电曲线,分析用户用电特征;
构建模块:用于基于所述用电特征建立考虑用户用电舒适度与负荷峰谷差的多目标用电模型;
求解模块:用于采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
所述获取模块之后还包括:
处理模块:用于针对原始数据中出现的缺失值,利用近两年同一天同一时刻的负荷值累加求和取平均对缺失数据补齐;
对补齐后的原始数据进行归一化处理。
所述构建模块,包括:目标函数构建子模块和约束条件构建子模块;
所述目标函数构建子模块:用于以负荷峰谷差最小且用户用电舒适度最佳为目标构建的多目标函数;
其中,多目标函数如下式所示:
式中,T为优化后负荷峰谷差;Lnew为用户用电优化后负荷值;dcom为用户用电舒适度;为t时刻用电设备i优化前的用电计划;Si(t)为t时刻用电设备i优化后的用电计划,工作时取值为1,不工作时为0;
所述约束条件构建子模块,包括:可转移负荷约束条件和可中断负荷约束条件;
所述可转移负荷约束条件,如下式所示:
式中,为优化用电设备最早允许开启时间;为优化用电设备最晚允许开启时间;为用电设备开启时间;表示用户允许可中断负荷的工作区间;STL(t)为可中断负荷在t时刻有无启动状态;τ为可中断负荷完成任务所需的总的工作时间;
所述可转移负荷约束条件如下所示:
式中,STL(t)为可转移负荷在t时刻有无启动状态;tt为从时刻起,可转移负荷的最小连续工作的时间;
其中,所述优化用电设备最早允许开启时间的计算式如下:
式中:为优化用电设备最早允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数;
所述优化用电设备最晚允许开启时间的计算式如下:
式中:为优化用电设备最晚允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数。
所述求解模块,具体包括:
将满足约束条件的用电设备的开关状态作为基因,将用户所有用电设备的开关状态作为染色体;
通过遗传算法求解得到最优用户所有用电设备的快关状态;
将最优用户所有用电设备的快关状态,作为保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
显然,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。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它实施例,都属于本发明保护的范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (12)
1.一种基于数据挖掘的居民用户多目标优化用电策略,其特征在于,包括:
获取居民用户原始用电数据;
将所述数据提取用户典型日用电曲线,分析用户用电特征;
基于所述用电特征建立多目标用电模型;
采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
2.如权利要求1所述的一种基于数据挖掘的居民用户多目标优化用电策略,其特征在于,所述获取居民用户原始用电数据,之后还包括:
针对原始数据中出现的缺失值,利用近两年同一天同一时刻的负荷值累加求和取平均对缺失数据补齐;
对补齐后的原始数据进行归一化处理。
3.如权利要求1所述的一种基于数据挖掘的居民用户多目标优化用电策略,其特征在于,所述多目标用电模型,包括:
以负荷峰谷差最小且用户用电舒适度最佳为目标的多目标函数和以用户用电特征约束的约束条件;
所述用户用电特征,包括:可转移负荷和可中断负荷;
所述约束条件包括:可中断负荷约束条件和可转移负荷约束条件。
4.如权利要求3所述的一种基于数据挖掘的居民用户多目标优化用电策略,其特征在于,所述多目标函数如下式所示:
式中,T为优化后负荷峰谷差;Lnew为用户用电优化后负荷值;dcom为用户用电舒适度;为t时刻用电设备i优化前的用电计划;Si(t)为t时刻用电设备i优化后的用电计划,工作时取值为1,不工作时为0。
5.如权利要求4所述的一种基于数据挖掘的居民用户多目标优化用电策略,其特征在于,所述多目标用电模型还包括;
所述可中断负荷约束条件如下所示:
式中,为优化用电设备最早允许开启时间;为优化用电设备最晚允许开启时间;为用电设备开启时间;表示用户允许可中断负荷的工作区间;SIL(t)为可中断负荷在t时刻有无启动状态;τ为可中断负荷完成任务所需的总的工作时间;
所述可转移负荷约束条件如下所示:
式中,STL(t)为可转移负荷在t时刻有无启动状态;tt为从时刻起,可转移负荷的最小连续工作的时间。
6.如权利要求5所述的一种基于数据挖掘的居民用户多目标优化用电策略,其特征在于,所述优化用电设备最早允许开启时间的计算式如下:
式中:为优化用电设备最早允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数。
7.如权利要求5所述的一种基于数据挖掘的居民用户多目标优化用电策略,其特征在于,所述优化用电设备最晚允许开启时间的计算式如下:
式中:为优化用电设备最晚允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数。
8.如权利要求5所述的一种基于数据挖掘的居民用户多目标优化用电策略,其特征在于,所述采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略,包括:
将满足约束条件的用电设备的开关状态作为基因,将用户所有用电设备的开关状态作为染色体;
通过遗传算法求解得到最优用户所有用电设备的快关状态;
将最优用户所有用电设备的快关状态,作为保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
9.一种基于数据挖掘的居民用户多目标优化用电系统,其特征在于,包括:
获取模块:用于获取居民用户原始用电数据;
提取模块:用于将所述数据提取用户典型日用电曲线,分析用户用电特征;
构建模块:用于基于所述用电特征建立多目标用电模型;
求解模块:用于采用遗传算法求解多目标用电模型,得到保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
10.如权利要求9所述的一种基于数据挖掘的居民用户多目标优化用电系统,其特征在于,所述获取模块之后还包括:
处理模块:用于针对原始数据中出现的缺失值,利用近两年同一天同一时刻的负荷值累加求和取平均对缺失数据补齐;
对补齐后的原始数据进行归一化处理。
11.如权利要求9所述的一种基于数据挖掘的居民用户多目标优化用电系统,其特征在于,所述构建模块,包括:目标函数构建子模块和约束条件构建子模块;
所述目标函数构建子模块:用于以负荷峰谷差最小且用户用电舒适度最佳为目标构建的多目标函数;
其中,多目标函数如下式所示:
式中,T为优化后负荷峰谷差;Lnew为用户用电优化后负荷值;dcom为用户用电舒适度;为t时刻用电设备i优化前的用电计划;Si(t)为t时刻用电设备i优化后的用电计划,工作时取值为1,不工作时为0;
所述约束条件构建子模块,包括:可转移负荷约束条件和可中断负荷约束条件;
所述可转移负荷约束条件,如下式所示:
式中,为优化用电设备最早允许开启时间;为优化用电设备最晚允许开启时间;为用电设备开启时间;表示用户允许可中断负荷的工作区间;STL(t)为可中断负荷在t时刻有无启动状态;τ为可中断负荷完成任务所需的总的工作时间;
所述可转移负荷约束条件如下所示:
式中,STL(t)为可转移负荷在t时刻有无启动状态;tt为从时刻起,可转移负荷的最小连续工作的时间;
其中,所述优化用电设备最早允许开启时间的计算式如下:
式中:为优化用电设备最早允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数;
所述优化用电设备最晚允许开启时间的计算式如下:
式中:为优化用电设备最晚允许开启时间;为用电设备最早允许开启时间;cij为用电设备i和j的关联度系数。
12.如权利要求9所述的一种基于数据挖掘的居民用户多目标优化用电系统,其特征在于,所述求解模块,具体包括:
将满足约束条件的用电设备的开关状态作为基因,将用户所有用电设备的开关状态作为染色体;
通过遗传算法求解得到最优用户所有用电设备的快关状态;
将最优用户所有用电设备的快关状态,作为保证用户用电舒适度并有效降低用电峰谷差的最优用电策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670356.9A CN110533218A (zh) | 2019-07-23 | 2019-07-23 | 一种基于数据挖掘的居民用户多目标优化用电策略及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670356.9A CN110533218A (zh) | 2019-07-23 | 2019-07-23 | 一种基于数据挖掘的居民用户多目标优化用电策略及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533218A true CN110533218A (zh) | 2019-12-03 |
Family
ID=68660825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910670356.9A Pending CN110533218A (zh) | 2019-07-23 | 2019-07-23 | 一种基于数据挖掘的居民用户多目标优化用电策略及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533218A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033953A (zh) * | 2021-02-07 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
CN113205263A (zh) * | 2021-05-10 | 2021-08-03 | 苏州楚焱新能源有限公司 | 一种基于能源互联网的精准电力需求侧管理方法及系统 |
-
2019
- 2019-07-23 CN CN201910670356.9A patent/CN110533218A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033953A (zh) * | 2021-02-07 | 2021-06-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
CN113033953B (zh) * | 2021-02-07 | 2023-08-25 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据的用户侧需求响应决策建议方法 |
CN113205263A (zh) * | 2021-05-10 | 2021-08-03 | 苏州楚焱新能源有限公司 | 一种基于能源互联网的精准电力需求侧管理方法及系统 |
CN113205263B (zh) * | 2021-05-10 | 2022-01-18 | 苏州楚焱新能源有限公司 | 一种基于能源互联网的精准电力需求侧管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Game-theoretical energy management for energy Internet with big data-based renewable power forecasting | |
Sarshar et al. | Multi-objective energy management of a micro-grid considering uncertainty in wind power forecasting | |
Vazquez-Canteli et al. | CityLearn: Standardizing research in multi-agent reinforcement learning for demand response and urban energy management | |
Basu | Fuel constrained economic emission dispatch using nondominated sorting genetic algorithm-II | |
Niknam | A new fuzzy adaptive hybrid particle swarm optimization algorithm for non-linear, non-smooth and non-convex economic dispatch problem | |
Trivedi et al. | A genetic algorithm–differential evolution based hybrid framework: case study on unit commitment scheduling problem | |
Lin et al. | Multi-criteria human resource allocation for solving multistage combinatorial optimization problems using multiobjective hybrid genetic algorithm | |
Rathnayaka et al. | Framework to manage multiple goals in community-based energy sharing network in smart grid | |
Hong | Hybrid evolutionary algorithms in a SVR-based electric load forecasting model | |
Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
Kavousi-Fard | A new fuzzy-based feature selection and hybrid TLA–ANN modelling for short-term load forecasting | |
Nazir et al. | Forecasting energy consumption demand of customers in smart grid using Temporal Fusion Transformer (TFT) | |
Ding et al. | Adjustable robust optimal power flow with the price of robustness for large‐scale power systems | |
Kasemset et al. | A PSO-based procedure for a bi-level multi-objective TOC-based job-shop scheduling problem | |
Han et al. | Scaling up cooperative game theory-based energy management using prosumer clustering | |
Singh et al. | Decentralized control via dynamic stochastic prices: The independent system operator problem | |
CN106796672A (zh) | 利用自适应自动化控制软件预测及优化能量存储寿命周期性能 | |
Ghiasi et al. | A new spinning reserve requirement prediction with hybrid model | |
Li et al. | Research on QoS service composition based on coevolutionary genetic algorithm | |
CN110533218A (zh) | 一种基于数据挖掘的居民用户多目标优化用电策略及系统 | |
Sina et al. | Short term load forecasting model based on kernel-support vector regression with social spider optimization algorithm | |
Sankaranarayanan et al. | Cluster-based attacks prevention algorithm for autonomous vehicles using machine learning algorithms | |
Li et al. | Deep Reinforcement Learning-Based Explainable Pricing Policy for Virtual Storage Rental Service | |
Jiao et al. | Service deployment of C4ISR based on genetic simulated annealing algorithm | |
Yu | [Retracted] Research on Optimization Strategy of Task Scheduling Software Based on Genetic Algorithm in Cloud Computing Environment |
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 |