CN110866650B - 一种基于负荷需量系数及时段错峰、削峰的负荷优化方法 - Google Patents
一种基于负荷需量系数及时段错峰、削峰的负荷优化方法 Download PDFInfo
- Publication number
- CN110866650B CN110866650B CN201911138359.4A CN201911138359A CN110866650B CN 110866650 B CN110866650 B CN 110866650B CN 201911138359 A CN201911138359 A CN 201911138359A CN 110866650 B CN110866650 B CN 110866650B
- Authority
- CN
- China
- Prior art keywords
- peak
- load
- user
- staggering
- users
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003066 decision tree Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000013138 pruning Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 125000000217 alkyl group Chemical group 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000004146 energy storage Methods 0.000 abstract description 3
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 21
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (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
本发明公开了一种基于负荷需量系数及时段错峰、削峰的负荷优化方法,包括:S1,考虑用户电力负荷的时序性,计算台区现有用户的负荷需量系数;S2,根据新用户的报装参数对其进行负荷模式识别,通过新报装用户提供的负荷特性指标调用决策树对其进行归类,得到新报装用户的大致负荷曲线;S3,大量新用户接入后,计算台区用户的负荷需量系数;S4,通过时段错峰,进行负荷优化管理;S5,在时段错峰的基础上,借助储能系统对用户进行削峰操作,负荷优化管理目标为需量系数等于0.95。
Description
技术领域
本发明涉及一种基于负荷需量系数及时段错峰、削峰的负荷优化方法,属于电力系统需求响应技术领域。
背景技术
在20世纪90年代初期,电力需求侧管理从美国和欧洲引入我国。电力需求侧管理发展大致分为三阶段:1993—2003年开展电力需求侧管理引进和试点;2004—2009年进行初步应用;2010年至今为起步实施阶段,共转移用电高峰负荷约一千六百万千瓦,全国百分之七十以上的供电紧缺情况通过改善用电措施得到解决。
目前在我国电力需求侧管理技术中有序用电成为削减用电高峰时段负荷,缓解高峰期电力供应紧张的重要有效措施。此外,我国也吸纳了美国和欧洲一些国家关于电力需求侧管理的经验。运用分时段电价方案并且在一些城市开展了电力可中断负荷补偿,电力需求侧管理初步取得了成效。
随着电力需求侧管理技术的广泛应用,负荷分类对电力系统的经济分析、稳定运行和电力规划都具有重要意义。可以运用聚类分析理论,通过灰色关联聚类构造灰色关联度矩阵以及信息熵分段聚合近似和谱聚类等,深入研究探讨对电力系统进行负荷分类的实用方法。
为了对典型行业的电力用户进行负荷特性分析,需要将这些用户分为不同的用电负荷类别,分别绘制出他们的电力负荷曲线,建立对应的用电标签,然后通过分类后的负荷对应标签来预测未知用户的负荷类型,得出新用户的大致负荷曲线,对此拟合曲线并和实际曲线进行比较。电力负荷曲线聚类是电网在进行配电用电大数据挖掘、进行电力负荷优化管理的基础,
但是,现有技术负荷优化效果不明显、负荷峰谷差大、资产利用率低,且变压器容量未能得到充分使用。
发明内容
针对现有技术中的技术问题,本发明的目的在于提供一种基于负荷需量系数及时段错峰、削峰的负荷优化方法,以解决现有技术中存在的负荷优化效果不明显的问题。
为了解决上述技术问题,本发明的技术方案如下:
一种基于负荷需量系数及时段错峰、削峰的负荷优化方法,所述方法包括:
计算台区用户的负荷需量系数;
对用户进行时段错峰处理;
根据所述负荷需量系数对时段错峰处理后的用户进行削峰处理,实现负荷优化。
进一步的,所述需量系数的计算方法如下:
其中,Pmax为所有用户负荷最大值之和,Pimax为第i个用户负荷最大值,n为用户数量。
进一步的,所述负荷需量系数的获取方法包括:
通过分裂、剪枝处理获取决策树。
获取新报装用户的报装参数;
根据所述报装参数和决策树对新报装用户进行分类处理,获取新报装用户的负荷曲线;
将所述新报装用户和现有用户的负荷曲线进行叠加处理,获取需量系数。
进一步的,所述分裂处理中基尼指数的计算过程如下:
其中,Gini(D)表示基尼指数,D为包含n个类别的数据集,Di为第i个数据集。
进一步的,所述剪枝处理的约束条件为:
w′(τ)≤w′(λτ)+Sw(w′(λτ)) (5)
其中,w′(τ)为矫正后结点τ处的误差,w′(λτ)为矫正后子树λτ处的误差,w(j)为矫正后叶子节点j处的误差,Sw为归一化函数,w(τ)为结点τ处的误差;nτ为子树λτ的叶子树;j为覆盖λτ的叶子结点。
进一步的,所述时段错峰的过程如下:
根据错峰约束条件获取最终可参与时段错峰的用户;
根据错峰优化函数对所述最终可参与时段错峰的用户进行错峰处理。
进一步的,所述错峰约束条件包括:提前或延迟工作时间的约束条件、初步可参与时段错峰的约束条件和最终可参与时段错峰的约束条件。
进一步的,参与时段错峰的用户提前或延迟工作时间的约束如下所示:
其中,Pi(t)表示进行时段错峰调整前高峰时段的用户i的负荷大小,P′i(t)表示进行时段错峰调整后高峰时段的用户i的负荷大小,Δti表示进行时段错峰的小时数,t为小时数。
所述初步可参与时段错峰的约束条件如下:
其中,xi为符合时段错峰高峰负荷与台区总负荷高峰段一致的用户,li为需要进行时段错峰时刻用户i的负荷,limax为需要进行时段错峰时刻用户i的最大负荷,k表示错峰系数设为,0表示不合格用户,1表示符合初步可参与时段错峰的用户;
所述最终可参与时段错峰的约束条件如下:
其中,yi为符合初步可参与时段错峰的约束条件的用户,Tb为错峰开始时削减负荷时的时刻,Ta为向前错峰后增加负荷时的时刻,Tc为向后错峰后增加负荷时的时刻,Tmax指最大可错峰时间;
所述错峰优化函数为:
其中,f(l)为错峰优化函数,Li为用户i的转移负荷,L为接入新用户后台区在错峰前的总负荷,Lmax表示台区所能承受的最大负荷,L′表示接入新用户后台区在Ta或Tc时刻的总负荷,式中的k′为目标系数,ΔLi为为用户i的转移负荷。
进一步的,根据削峰约束条件获取可参与削峰用户;
根据削峰优化函数对可参与削峰用户进行削峰处理。
进一步的,所述削峰约束条件为:
其中,zi为高峰负荷与台区总负荷高峰段一致的用户,li为峰时刻用户i的负荷,limax为用户最大负荷,K表示削峰系数,0表示不合格用户,1表示符合削峰条件的用户;
所述削峰优化函数为:
f(l)≥L-K′×Lmax (13)
ΔP′i(t)≤ΔPi(t) (14)
其中,ΔLi为用户i的削峰负荷,L为接入新用户后台区在错峰前的总负荷,Lmax表示台区所能承受的最大负荷,K′为目标系数。
与现有技术相比,本发明所达到的有益效果是:
通过时段错峰、削峰的方式,进行需求侧管理后有效减小了负荷的日峰谷差,显著降低了负荷的峰谷差率,提高了日负荷率,因此提高了资产利用率,实现了有效的负荷优化管理,同时,所提出本发明可以设法使增加新用户接入情况下该台区电力负荷的最终结果值接近目标负荷曲线,进行负荷优化使得日负荷曲线更加平稳。
附图说明
图1为本发明的方法流程图;
图2为本发明实例仿真后得到的基于时段错峰后的削峰的需量曲线图。
具体实施方式
为了加深对本发明的认识和理解,下面结合附图和具体实施方式进一步介绍该方案:
本发明介绍了通过时段错峰、削峰等手段进行负荷优化管理。首先建立数学模型,随后给出了针对时段错峰和削峰两种优化方式所对应的约束条件,对这些参与优化的用户负荷进行线性规划,得到进行电力需求侧管理后的最终函数。具体步骤如图1所示:
步骤S1,根据新用户的报装参数对其进行负荷模式识别,通过新报装用户提供的负荷特性指标调用决策树对其进行归类,得到新报装用户的大致负荷曲线;
步骤S2,大量新用户接入后,计算台区用户的负荷需量系数;
步骤S3,通过时段错峰,进行负荷优化管理;
步骤S4,在时段错峰的基础上,借助储能系统对用户进行削峰操作,负荷优化管理目标为需量系数等于0.95。
进一步地,所述步骤S1中具体为:考虑用户电力负荷的时序性,计算台区现有用户的负荷需量系数。
借用需量电费中需量的概念,定义需量系数为:
其中,Pmax为所有用户负荷最大值之和,Pimax为第i个用户负荷最大值,n为用户数量。
进一步地,所述步骤S2中具体为:根据新用户的报装参数对其进行负荷模式识别,通过新报装用户提供的负荷特性指标调用决策树对其进行归类,得到新报装用户的大致负荷曲线。
树生长:在分类时使用基尼指数来选择最好的属性进行分裂,不断分裂直到所选择的分裂属性均满足最小基尼指数即可得到最大树。
树剪枝:在一些情况下,前面的算法生成的决策树非常庞大,造成决策树过拟合样本并且此时的错误率较高。因此为了避免决策树过拟合样本,需要对生成的决策树进行剪枝。剪枝采用悲观剪枝,对误差估计增加连续性校正。
w′(τ)≤w′(λτ)+Sw(w′(λτ)) (5)
其中,w′(τ)为矫正后结点τ处的误差,w′(λτ)为矫正后子树λτ处的误差,w(j)为矫正后叶子节点j处的误差,Sw为归一化函数,w(τ)为结点τ处的误差;nτ为子树λτ的叶子树;j为覆盖λτ的叶子结点。剪枝和决策树的递归方式类似,均采用自顶向下的顺序,当某个非叶子结点代入上面的不等式成立,则剪掉该结点。
本专利中采用ClassificationTree函数,使用近四百户已知的负荷特性作为数据源,以这些负荷所属的类别作为目标建立决策树。
已知该区域内新接入用户的报装参数即负荷特性标签,通过predict函数调用上面生成的决策树,对即将接入的新用户进行分类,得到新用户大致对应的负荷曲线。将所得到的新用户负荷曲线叠加到原本的台区负荷曲线上,计算需量系数。
进一步地,所述步骤S3中具体为:大量新用户接入后,计算台区用户的负荷需量系数。
将新报装用户的报装容量和各自对应的典型负荷曲线相乘再求和,与台区原有的用户负荷进行叠加,即考虑时序性时接入新负荷得到的需量系数。负荷需量系数的定义如(1)所示。
进一步地,所述步骤S4中具体为:通过时段错峰,进行负荷优化管理。
时段错峰指在用电高峰期,通过提前与一部分电力客户协商使其提前或延后工作时段,转移一部分高峰负荷,将用户本身的负荷高峰时间段和电力系统负荷高峰期错开,以此削弱并转移电力系统峰值负荷。负载转移被广泛应用为当前配电网络中最有效的负载管理技术。它利用了负载的时间独立性,并将负载从高峰时间转移到非高峰时间,旨在通过直接在客户场所应用减少需求的方法来实现负荷形状优化。
时段错峰中对于电力负荷高峰期与电网负荷高峰期较为同步的用户i,调整后的用户负荷满足式:
其中,Pi(t)表示进行时段错峰调整前高峰时段的用户的负荷大小,P′i(t)表示进行时段错峰调整后高峰时段的用户的负荷大小,Δti表示进行时段错峰的小时数,t为小时数。(6)式表示参与时段错峰的用户提前或延迟工作时间。
时段错峰约束条件说明如下。将符合时段错峰高峰负荷与台区总负荷高峰段一致的用户筛选出,构成一个集合x={x1,x2,x3,…,xi}集合中以0表示不合格用户,1表示符合条件即初步可参与时段错峰的用户。
式(7)中li为需要进行时段错峰时刻用户i的负荷,limax为此用户的最大负荷,k表示错峰系数设为0.5,(7)式表示某用户负荷在需调峰的时刻大于它最大运行负荷的一半时可参与时段错峰,否则无法参与。
随后确定时间约束条件,筛选出符合约束条件的用户构成一个集合y={y1,y2,y3,…,yi},集合中以0表示不合格用户,1表示最终可参与时段错峰的用户。即:
式(8)中Tb为错峰开始时削减负荷时的时刻,Ta为向前错峰后增加负荷时的时刻,Tc为向后错峰后增加负荷时的时刻,Tmax指最大可错峰时间。
确定可参与时段错峰的全部用户后,对其进行线性规划,优化函数为:
式(10)中Li为用户i的转移负荷,L为接入新用户后台区在错峰前的总负荷,Lmax表示台区所能承受的最大负荷。L′表示接入新用户后台区在Ta或Tc时刻的总负荷。式中的k′为目标系数,当它设定为1时,即接入新用户并进行时段错峰后,台区刚好正常运行。然而为了达到更好的效果,使k′=0.95。ΔLi为为用户i的转移负荷。
进一步地,所述步骤S5中具体为:在时段错峰的基础上,借助储能系统对用户进行削峰操作,负荷优化管理目标为需量系数等于0.95。
可以通过很多削峰措施来降低峰值能量费用,一些愿意主动参与需求侧管理的用户向电网公司提供最大可承受削峰负荷和该用户可削峰的时段,在电网公司确认完成后,即可对该用户参与的削峰负荷进行调控,需求曲线中的尖峰可以与相对平坦的供电水平一致。结果是客户端的成本更低,并且提供商的请求曲线更易于管理。
参与削峰的用户需满足削峰的约束条件,将高峰负荷与台区总负荷高峰段一致的用户筛选出,构成一个集合z={z1,z2,z3,…,zi}集合中以0表示不合格用户,1表示符合削峰条件的用户。
式(11)中峰时刻用户i的负荷,limax为用户最大负荷,K表示削峰系数设为0.5,(11)式表示某用户负荷在需削峰的时刻大于它最大运行负荷的一半时可参与削峰,否则无法参与。
确定可参与削峰的全部用户后,对其进行线性规划,优化函数为:
f(l)≥L-K′×Lmax (13)
ΔP′i(t)≤ΔPi(t) (14)
式(12)式中ΔLi为用户i的削峰负荷,(13)中L为接入新用户后台区在错峰前的总负荷,Lmax表示台区所能承受的最大负荷。K′为目标系数,当它设定为1时,即接入新用户并进行削峰后,台区刚好正常运行。然而为了达到更好的效果,使K′=0.95。(14)式中ΔP′i(t)指代客户要削减的负荷量,ΔPi(t)为用户申报可削减的最大负荷量。
如图2所示,本发明选择夏季某工作日的四百多个用户进行仿真验证,仪表每15分钟测量和记录一次客户实际功率消耗,得到负荷数据,以E区为例进行仿真验证。进行负荷优化管理使需量系数小于等于0.95。采用时段错峰和削峰的手段,研究中通过对台区原有的用户进行筛选,选出适合参与优化的用户并且默认先进行时段错峰,在进行削峰操作。E区接入新用户,需量系数目标为0.95,时段错峰完成后再进行削峰,结果如下表所示。
表1进行时段错峰及削峰优化对比
经过对比可以得出,在实施优化管理时,先进行时段错峰,再在时段错峰的基础上进行削峰操作效果最好,能明显提高日负荷率,使得负荷曲线变得更加平稳。
当台区内接入大量新用户负荷时,不扩大该区域最大容量的情况下,通过时段错峰、削峰等手段进行负荷优化管理,成功接入新用户。
以上对本申请进行了详细介绍,本发明中应用了具体个例对本申请的原理及实施方式进行了阐释,以上实施例的说明只是用于帮助理解本申请的方法及核心思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明不应理解为对本申请的限制。
Claims (7)
1.一种基于负荷需量系数及时段错峰、削峰的负荷优化方法,其特征在于,所述方法包括:
计算台区用户的负荷需量系数;
对用户进行时段错峰处理;
根据所述负荷需量系数对时段错峰处理后的用户进行削峰处理,实现负荷优化;
所述负荷需量系数的获取方法包括:
通过分裂、剪枝处理获取决策树;
获取新报装用户的报装参数;
根据所述报装参数和决策树对新报装用户进行分类处理,获取新报装用户的负荷曲线;
将所述新报装用户和现有用户的负荷曲线进行叠加处理,获取需量系数;
所述分裂处理中基尼指数的计算过程如下:
其中,Gini(D)表示基尼指数,D为包含n个类别的数据集,Di为第i个数据集;
所述剪枝处理的约束条件为:
w′(τ)≤w′(λτ)+Sw(w′(λτ)) (5)
其中,w′(τ)为矫正后结点τ处的误差,w′(λτ)为矫正后子树λτ处的误差,w(j)为矫正后叶子节点j处的误差,Sw为归一化函数,w(τ)为结点τ处的误差;nτ为子树λτ的叶子树;j为覆盖λτ的叶子结点。
3.根据权利要求1所述的一种基于负荷需量系数及时段错峰、削峰的负荷优化方法,其特征在于,所述时段错峰的过程如下:
根据错峰约束条件获取最终可参与时段错峰的用户;
根据错峰优化函数对所述最终可参与时段错峰的用户进行错峰处理。
4.根据权利要求3所述的一种基于负荷需量系数及时段错峰、削峰的负荷优化方法,其特征在于,所述错峰约束条件包括:提前或延迟工作时间的约束条件、初步可参与时段错峰的约束条件和最终可参与时段错峰的约束条件。
5.根据权利要求4所述的一种基于负荷需量系数及时段错峰、削峰的负荷优化方法,其特征在于,参与时段错峰的用户提前或延迟工作时间的约束如下所示:
其中,Pi(t)表示进行时段错峰调整前高峰时段的用户i的负荷大小,Pi′(t)表示进行时段错峰调整后高峰时段的用户i的负荷大小,Δti表示进行时段错峰的小时数,t为小时数;
所述初步可参与时段错峰的约束条件如下:
其中,xi为符合时段错峰高峰负荷与台区总负荷高峰段一致的用户,li为需要进行时段错峰时刻用户i的负荷,limax为需要进行时段错峰时刻用户i的最大负荷,k表示错峰系数设为,0表示不合格用户,1表示符合初步可参与时段错峰的用户;
所述最终可参与时段错峰的约束条件如下:
其中,yi为符合初步可参与时段错峰的约束条件的用户,Tb为错峰开始时削减负荷时的时刻,Ta为向前错峰后增加负荷时的时刻,Tc为向后错峰后增加负荷时的时刻,Tmax指最大可错峰时间;
所述错峰优化函数为:
其中,f(l)为错峰优化函数,Li为用户i的转移负荷,L为接入新用户后台区在错峰前的总负荷,Lmax表示台区所能承受的最大负荷,L′表示接入新用户后台区在Ta或Tc时刻的总负荷,式中的k′为目标系数,ΔLi为用户i的转移负荷。
6.根据权利要求1所述的一种基于负荷需量系数及时段错峰、削峰的负荷优化方法,其特征在于,
根据削峰约束条件获取可参与削峰用户;
根据削峰优化函数对可参与削峰用户进行削峰处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138359.4A CN110866650B (zh) | 2019-11-19 | 2019-11-19 | 一种基于负荷需量系数及时段错峰、削峰的负荷优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138359.4A CN110866650B (zh) | 2019-11-19 | 2019-11-19 | 一种基于负荷需量系数及时段错峰、削峰的负荷优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866650A CN110866650A (zh) | 2020-03-06 |
CN110866650B true CN110866650B (zh) | 2022-06-07 |
Family
ID=69655642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911138359.4A Active CN110866650B (zh) | 2019-11-19 | 2019-11-19 | 一种基于负荷需量系数及时段错峰、削峰的负荷优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866650B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591334A (zh) * | 2021-09-30 | 2021-11-02 | 深圳市景星天成科技有限公司 | 基于潮流调整的自愈电路馈线负荷率提高算法 |
CN115952918B (zh) * | 2023-02-03 | 2023-06-30 | 国网江苏省电力有限公司营销服务中心 | 用于新型电力负荷管理的有序用电方案生成方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243445A (zh) * | 2015-10-09 | 2016-01-13 | 上海上塔软件开发有限公司 | 基于电器用电效用分级和用户用电行为识别的削峰方法 |
CN107798475A (zh) * | 2017-10-25 | 2018-03-13 | 云南电网有限责任公司电力科学研究院 | 一种需求侧负荷调整方案的制定方法及装置 |
CN109784589A (zh) * | 2019-03-19 | 2019-05-21 | 广东电网有限责任公司 | 一种电网业扩报装用户接入优化方法、装置和设备 |
-
2019
- 2019-11-19 CN CN201911138359.4A patent/CN110866650B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243445A (zh) * | 2015-10-09 | 2016-01-13 | 上海上塔软件开发有限公司 | 基于电器用电效用分级和用户用电行为识别的削峰方法 |
CN107798475A (zh) * | 2017-10-25 | 2018-03-13 | 云南电网有限责任公司电力科学研究院 | 一种需求侧负荷调整方案的制定方法及装置 |
CN109784589A (zh) * | 2019-03-19 | 2019-05-21 | 广东电网有限责任公司 | 一种电网业扩报装用户接入优化方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110866650A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107370170B (zh) | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 | |
Rotaru et al. | Two-stage distributed generation optimal sizing with clustering-based node selection | |
CN111555355B (zh) | 水光蓄联合发电的调度策略及其优化方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN110866650B (zh) | 一种基于负荷需量系数及时段错峰、削峰的负荷优化方法 | |
CN109858728A (zh) | 基于分行业用电特性分析的负荷预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
Zhang et al. | Gray theory based energy saving potential evaluation and planning for distribution networks | |
CN110707711B (zh) | 一种用户侧综合能源系统分级调控方法及系统 | |
CN114285086B (zh) | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 | |
CN110909786A (zh) | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 | |
CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
CN110472841B (zh) | 一种电动汽车快速充电站的储能配置方法 | |
Li et al. | Feature analysis of generalized load patterns considering active load response to real-time pricing | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
CN111079966B (zh) | 一种广义负荷空间预测方法和系统 | |
CN111030161A (zh) | 一种新能源消纳与电网深度调峰裕度相关性分析方法 | |
Cai et al. | Bus load forecasting method considering user interaction response in electricity market environment | |
Zhan et al. | Research on Multi-scenario Intelligent Forecasting Model of China’s Electric Power Consumption Driven by Policy | |
Liu et al. | Comprehensive Evaluation Model of Microgrid's Renewable Energy Consumption Ability Based on Fuzzy Theory | |
Jiang et al. | Research on multi-type demand response user profile based on improved k-means clustering algorithm | |
CN117709551A (zh) | 一种面向深度调峰的虚拟电厂内电储荷载优化调度方法 | |
Lin et al. | Medium-and long-term Load Forecasting of Residential User Groups Based on Graph Convolutional Neural Network and DBSCAN Clustering |
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 |