CN111600304A - 一种楼宇电力调度方法、装置和设备 - Google Patents

Abstract

本申请公开了一种楼宇电力调度方法、装置和设备，本申请先对典型用电设备的第一典型负荷曲线进行分类，得到不同用电模式下的第二典型负荷曲线，再根据第二典型负荷曲线建立数学模型，提高了对楼宇用户用电负荷描述的精确性，然后通过自适应动态规划方法计算得到每种典型用电设备在不同用电模式下的电力调度策略，提高电力调度的准确性，最后根据不同用电模式下的第一电力调度数据和第一预置权重向量计算出典型用电设备的总调度数据，提高了电力调度准确性，从而解决了现有技术只使用楼宇总线的负荷曲线描述微电网的用电侧，没有对总线的负荷曲线分类，导致得出来的调度方案对用电负荷描述得过于粗糙，从而使得电力调度不够准确的技术问题。

Description

一种楼宇电力调度方法、装置和设备

技术领域

本申请涉及电力调度技术领域，尤其涉及一种楼宇电力调度方法、装置和设备。

背景技术

近年来随着生产力的快速发展，人民生活水平的日益提高，对电能的需求也日益增大。储能设备可以将处于谷段的电能有效转移到峰段，降低火力发电站的配置规模，减少由于“热备用”产生的电能浪费。将储能设备分装到楼宇用户中，能够充分发挥储能设备对电能峰谷段分布的调节作用。然而，楼宇用户的用电模式，具有高度的随机性。一方面，楼宇用户用电模式的影响因素非常多，导致对用电模式的数学模型描述，变量维度非常高；另一方面，用户用电行为的部分影响因素，难以用数学工具进行准确的描述，影响数学模型的有效性。

现有技术只使用楼宇总线的负荷曲线描述微电网的用电侧，没有对总线的负荷曲线分类，导致得出来的调度方案对用电负荷描述得过于粗糙，从而使得电力调度不够准确。

发明内容

本申请提供了一种楼宇电力调度方法、装置和设备，用于解决现有技术只使用楼宇总线的负荷曲线描述微电网的用电侧，没有对总线的负荷曲线分类，导致得出来的调度方案对用电负荷描述得过于粗糙，从而使得电力调度不够准确的技术问题。

有鉴于此，本申请第一方面提供了一种楼宇电力调度方法，包括：

采集典型用电设备的有功功率和楼宇总线上的有功功率，得到所述典型用电设备的第一典型负荷曲线；

通过k-means聚类方法对所述第一典型负荷曲线进行分类，得到若干条所述典型用电设备在不同用电模式下的第二典型负荷曲线；

根据若干条所述第二典型负荷曲线，建立楼宇配电调度系统的离散时间状态空间模型；

根据所述离散时间状态空间模型，通过自适应动态规划方法计算得到待调度时间内所述第二典型负荷曲线对应的第一电力调度数据；

获取所述典型用电设备在所述待调度时间内的预测负荷曲线；

根据所述第二典型负荷曲线和所述预测负荷曲线计算得到第一预置权重向量，所述第一预置权重向量为所述预测负荷曲线和所述第二典型负荷曲线的相似度；

根据所述第一预置权重向量和所述第一电力调度数据，通过第一预置公式计算得到所述典型用电设备的第二电力调度数据；

所述第一预置公式为：

其中，u_i(k)为所述第二电力调度数据，i为第i种典型用电设备，j为第j类用电模式，ω_j为第j类用电模式下的第一预置权重向量，σ₁为非线性映射，

为所述第一电力调度数据，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数。

可选地，所述获取所述典型用电设备在所述待调度时间内的预测负荷曲线，包括：

获取所述典型用电设备的历史用电数据；

将所述历史用电数据输入负荷曲线预测模型进行运算，得到所述典型用电设备在所述待调度时间内的预测负荷曲线，其中所述负荷曲线预测模型的配置过程为将所述典型用电设备的待训练用电数据输入LSTM神经网络进行训练得到。

可选地，所述根据所述第二典型负荷曲线和所述预测负荷曲线计算得到第一预置权重向量，包括：

根据所述第二典型负荷曲线和所述预测负荷曲线计算得到第二预置权重向量；

根据第三预置权重向量通过迭代方法重复迭代修正所述第二预置权重向量得到第一预置权重向量，直到所述第一预置权重向量满足第二预置公式；

所述第二预置公式为：

其中，ω_j为第j类用电模式下的第一预置权重向量，

为第i种典型用电设备的预测负荷曲线，P_L,ij(k)为第i种典型用电设备在第j类用电模式下的第二典型负荷曲线,N_i为第i种典型用电设备的用电模式的总数，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数，ε_f为第一预置阈值。

可选地，所述根据所述第一预置权重向量和所述第一电力调度数据，通过第一预置公式计算得到所述典型用电设备的第二电力调度数据，之后还包括：

采集所述楼宇配电调度系统运行时的所述典型用电设备的实时有功功率和楼宇总线上的实时有功功率，得到所述典型用电设备的第一标准负荷曲线；

通过所述k-means聚类方法对所述第一标准负荷曲线进行分类，得到若干条所述典型用电设备在不同用电模式下的第二标准负荷曲线；

根据所述第二标准负荷曲线和所述预测负荷曲线计算得到标准权重向量，所述标准权重向量为所述预测负荷曲线和所述第二标准负荷曲线的相似度；

计算所述标准权重向量和所述第一预置权重向量的差值；

若所述差值的绝对值大于第二预置阈值时，则重新计算所述第二电力调度数据得到第三电力调度数据。

可选地，所述若所述差值的绝对值大于第二预置阈值时，则重新计算所述第二电力调度数据得到第三电力调度数据，包括：

若所述差值的绝对值大于第二预置阈值时，根据所述标准权重向量和所述第一电力调度数据，通过所述第一预置公式重新计算第二电力调度数据得到第三电力调度数据。

可选地，所述采集典型用电设备的有功功率和楼宇总线上的有功功率，得到所述典型用电设备的第一典型负荷曲线，之前还包括：

将楼宇的用电设备划分为若干种所述典型用电设备。

本申请第二方面提供了一种楼宇电力调度装置，包括：第一采集单元、第一分类单元、建模单元、第一计算单元、获取单元、第二计算单元和第三计算单元；

所述第一采集单元，用于采集典型用电设备的有功功率和楼宇总线上的有功功率，得到所述典型用电设备的第一典型负荷曲线；

所述第一分类单元，用于通过k-means聚类方法对所述第一典型负荷曲线进行分类，得到若干条所述典型用电设备在不同用电模式下的第二典型负荷曲线；

所述建模单元，用于根据若干条所述第二典型负荷曲线，建立楼宇配电调度系统的离散时间状态空间模型；

所述第一计算单元，用于根据所述离散时间状态空间模型，通过自适应动态规划方法计算得到待调度时间内所述第二典型负荷曲线对应的第一电力调度数据；

所述获取单元，用于获取所述典型用电设备在所述待调度时间内的预测负荷曲线；

所述第二计算单元，用于根据所述第二典型负荷曲线和所述预测负荷曲线计算得到第一预置权重向量，所述第一预置权重向量为所述预测负荷曲线和所述第二典型负荷曲线的相似度；

所述第三计算单元，用于根据所述第一预置权重向量和所述第一电力调度数据，通过第一预置公式计算得到所述典型用电设备的第二电力调度数据；

所述第一预置公式为：

其中，u_i(k)为所述第二电力调度数据，i为第i种典型用电设备，j为第j类用电模式，ω_j为第j类用电模式下的第一预置权重向量，σ₁为非线性映射，

为所述第一电力调度数据，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数。

可选地，还包括：第二采集单元、第二分类单元、第四计算单元、第五计算单元和第六计算单元；

所述第二采集单元，用于采集所述楼宇配电调度系统运行时的所述典型用电设备的实时有功功率和楼宇总线上的实时有功功率，得到所述典型用电设备的第一标准负荷曲线；

所述第二分类单元，用于通过所述k-means聚类方法对所述第一标准负荷曲线进行分类，得到若干条所述典型用电设备在不同用电模式下的第二标准负荷曲线；

所述第四计算单元，用于根据所述第二标准负荷曲线和所述预测负荷曲线计算得到标准权重向量，所述标准权重向量为所述预测负荷曲线和所述第二标准负荷曲线的相似度；

所述第五计算单元，用于计算所述标准权重向量和所述第一预置权重向量的差值；

所述第六计算单元，用于若所述差值的绝对值大于第二预置阈值时，则重新计算所述第二电力调度数据得到第三电力调度数据。

可选地，还包括划分单元；

所述划分单元，用于将楼宇的用电设备划分为若干种所述典型用电设备。

本申请第三方面提供了一种楼宇电力调度设备，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楼宇电力调度方法。

从以上技术方案可以看出，本申请具有以下优点：

本申请公开了一种楼宇电力调度方法，包括：采集典型用电设备的有功功率和楼宇总线上的有功功率，得到典型用电设备的第一典型负荷曲线；通过k-means聚类方法对第一典型负荷曲线进行分类，得到若干条典型用电设备在不同用电模式下的第二典型负荷曲线；根据若干条第二典型负荷曲线，建立楼宇配电调度系统的离散时间状态空间模型；根据离散时间状态空间模型，通过自适应动态规划方法计算得到待调度时间内第二典型负荷曲线对应的第一电力调度数据；获取典型用电设备在待调度时间内的预测负荷曲线；根据第二典型负荷曲线和预测负荷曲线计算得到第一预置权重向量，第一预置权重向量为预测负荷曲线和第二典型负荷曲线的相似度；根据第一预置权重向量和第一电力调度数据，通过第一预置公式计算得到典型用电设备的第二电力调度数据。

本申请首先对典型用电设备的第一典型负荷曲线进行分类，得到典型用电设备在不同用电模式下的第二典型负荷曲线，再根据不同用电模式下的第二典型负荷曲线建立楼宇配电调度系统的数学模型，提高了对楼宇用户用电负荷描述的精确性，然后通过自适应动态规划方法计算出典型用电设备在不同用电模式下的第一电力调度数据，从而可以计算得到每种典型用电设备在不同用电模式下的电力调度策略，提高电力调度的准确性，最后根据典型用电设备不同用电模式下的第一电力调度数据和第一预置权重向量计算出典型用电设备的第二电力调度数据，先计算出典型用电设备的第一电力调度数据，作为调度参考数据，再结合典型用电设备的实际情况计算出典型用电设备的第二电力调度数据，即典型用电设备在所有用电模式下的调度数据，提高了电力调度的准确性，从而解决了现有技术只使用楼宇总线的负荷曲线描述微电网的用电侧，没有对总线的负荷曲线分类，导致得出来的调度方案对用电负荷描述得过于粗糙，从而使得电力调度不够准确的技术问题。

附图说明

图1为本申请实施例提供的一种楼宇电力调度方法的一个流程示意图；

图2为本申请实施例提供的一种楼宇电力调度方法的另一流程示意图；

图3为本申请实施例提供的自适应动态规划方法的迭代示意图；

图4为本申请实施例提供的一种楼宇电力调度装置的结构示意图。

具体实施方式

本申请实施例提供了一种楼宇电力调度方法、装置和设备，用于解决现有技术只使用楼宇总线的负荷曲线描述微电网的用电侧，没有对总线的负荷曲线分类，导致得出来的调度方案对用电负荷描述得过于粗糙，从而使得电力调度不够准确的技术问题。

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。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它实施例，都属于本申请保护的范围。

请参阅图1，本申请实施例提供了一种楼宇电力调度方法，包括以下步骤：

步骤101、采集典型用电设备的有功功率和楼宇总线上的有功功率，得到典型用电设备的第一典型负荷曲线。

需要说明的是，本申请实施例以采样频率为1min采集典型用电设备的有功功率和楼宇总线上的有功功率，并根据采集到的数据得到典型用电设备的第一典型负荷曲线。

步骤102、通过k-means聚类方法对第一典型负荷曲线进行分类，得到若干条典型用电设备在不同用电模式下的第二典型负荷曲线。

假设有六种典型用电设备，则在一个调度时间内，楼宇总线的负荷曲线与每一种典型用电设备的第一典型负荷曲线的关系可以表示为：

P_L(k)＝P_L,1(k)+P_L,2(k)+P_L,3(k)+P_L,4(k)+P_L,5(k)+P_L,6(k)；

其中，P_L(k)为楼宇总线的负荷曲线，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数；

P_L,1(k)、P_L,2(k)、P_L,3(k)、P_L,4(k)、P_L,5(k)、P_L,6(k)分别表示六种典型用电设备的第一典型负荷曲线。

典型用电设备在不同的用电模式下，其第一典型负荷曲线会出现不同的情况，因此，需要对典型用电设备的第一典型负荷曲线进行分类，通过k-means聚类方法，对典型用电设备的第一典型负荷曲线进行分类，得到若干条第二典型负荷曲线，即每种典型用电设备在不同用电模式下会存在若干条第二典型负荷曲线，可以将分类后的第二典型负荷曲线可以表示为：

其中，P_L,ij(k)为第i种典型用电设备在第j类用电模式下的第二典型负荷曲线，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数，N_i为第i种典型用电设备的用电模式的总数。

步骤103、根据若干条第二典型负荷曲线，建立楼宇配电调度系统的离散时间状态空间模型。

需要说明的是，根据典型用电设备在每一类用电模式下的第二典型负荷曲线建立楼宇配电调度系统的离散时间状态空间模型，楼宇配电调度系统的离散时间状态空间模型为：

其中，x(k+1)为第k+1个时隙的状态变量，状态变量的第二个分量x₂(k)为蓄电池的SOC，u(k)为蓄电池的充放电功率，η为蓄电池的充放电效率，P_Load(k)为用电侧的负荷曲线，即所有典型用电设备的负荷曲线。

考虑到经济效益、用户支出和储能设备损耗的问题，性能指标函数J定义为：

其中，C_v、C_p分别为谷段电价和峰段电价，m₁、m₂、m₃均为权系数，表示每一个指标的重要程度，P_Load(k)为用电侧的负荷曲线，即所有典型用电设备的负荷曲线，u(k)为蓄电池的充放电功率，T₁为采用谷段电价的时间区间集合，T₂为采用峰段电价的时间区间集合，T为调度的时间区间内所含有的时间步长数，k为离散的采样时间，且还需要满足，在一个调度时间结束时，蓄电池的SOC＝0.5。

步骤104、根据离散时间状态空间模型，通过自适应动态规划方法计算得到待调度时间内第二典型负荷曲线对应的第一电力调度数据。

需要说明的是，通过自适应动态规划方法计算待调度时间内每一种典型用电设备在不同用电模式下的调度方案，得到多个第一电力调度数据，每个第一电力调度数据为每一条第二典型负荷曲线对应的调度方案，即每一种典型用电设备在不同用电模式下的电力调度数据。

如图3所示为自适应动态规划方法的迭代示意图，图中的评判网络用来逼近最优的Q函数，Q函数定义为

根据评判网络，修正权重，逼近最优的调度数据，通过令用电侧的负荷曲线P_Load(k)＝P_L,ij(k)，P_L,ij(k)为第i种典型用电设备在第j类用电模式下的第二典型负荷曲线，求解得到每种典型用电设备在不同用电模式下的第二典型负荷曲线对应的第一电力调度数据

步骤105、获取典型用电设备在待调度时间内的预测负荷曲线。

需要说明的是，对典型用电设备在待调度时间内的用电负荷作出预测，得到典型用电设备在待调度时间内的预测负荷曲线。

步骤106、根据第二典型负荷曲线和预测负荷曲线计算得到第一预置权重向量。

需要说明的是，将典型用电设备在不同用电模式下的第二典型负荷曲线均与预测得到的预测负荷曲线进行计算得到第一预置权重向量。第一预置权重向量可以表示预测负荷曲线与第二典型负荷曲线的相似度，可以得到预测负荷曲线与第二典型负荷曲线的区别，从而降低电力调度出现误差的几率。

步骤107、根据第一预置权重向量和第一电力调度数据，通过第一预置公式计算得到典型用电设备的第二电力调度数据。

根据表示预测负荷曲线与多条第二典型负荷曲线的相似度的多个第一预置权重向量和典型用电设备在不同用电模式下的多个第一电力调度数据，通过第一预置公式计算得到典型用电设备的第二电力调度数据，即可得到典型用电设备总的电力调度数据，以典型用电设备的第一电力调度数据作为参考数据，再结合第一预置权重，使得获取的第二电力调度数据更加准确。本申请实施例中的第一预置公式为：

其中，u_i(k)为第二电力调度数据，i为第i种典型用电设备，j为第j类用电模式，ω_j为第j类用电模式下的第一预置权重向量，σ₁为非线性映射，

为第一电力调度数据，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数。

本申请实施例首先对典型用电设备的第一典型负荷曲线进行分类，得到典型用电设备在不同用电模式下的第二典型负荷曲线，再根据不同用电模式下的第二典型负荷曲线建立楼宇配电调度系统的数学模型，提高了对楼宇用户用电负荷描述的精确性，然后通过自适应动态规划方法计算出典型用电设备在不同用电模式下的第一电力调度数据，从而可以计算得到每种典型用电设备在不同用电模式下的电力调度策略，提高电力调度的准确性，最后根据典型用电设备不同用电模式下的第一电力调度数据和第一预置权重向量计算出典型用电设备的第二电力调度数据，先计算出典型用电设备的第一电力调度数据，作为调度参考数据，再结合典型用电设备的实际情况计算出典型用电设备的第二电力调度数据，即典型用电设备在所有用电模式下的调度数据，提高了电力调度的准确性，从而解决了现有技术只使用楼宇总线的负荷曲线描述微电网的用电侧，没有对总线的负荷曲线分类，导致得出来的调度方案对用电负荷描述得过于粗糙，从而使得电力调度不够准确的技术问题。

以上为本申请提供的一种楼宇电力调度方法的第一个实施例的详细说明，下面为本申请提供的一种楼宇电力调度方法的第二个实施例的详细说明。

请参阅图2，本申请实施例提供了一种楼宇电力调度方法，包括以下步骤：

步骤201、将楼宇的用电设备划分为若干种典型用电设备。

根据用电设备的特性，将楼宇的用电设备划分为若干种典型用电设备，可以根据划分后的典型用电设备获取每种典型用电设备的典型负荷曲线，比现有技术只使用总线上的负荷曲线更加精确，从而可以提高获取用电侧负荷曲线的准确度。本申请实施例中将楼宇的用电设备划分为六种典型用电设备，包括暖通空调、照明系统、可迁移设备、连续型用电设备、大功率短时用电设备和准周期变化用电设备。其中，根据暖通空调占楼宇总用电量的比重将暖通空调划分为一种典型用电设备。连续型用电设备的用电功率波动比较小，而大功率短时用电设备的用电功率大，用电时间较短。准周期变化用电设备的用电功率随时间变化，具有节律性。

步骤202、采集典型用电设备的有功功率和楼宇总线上的有功功率，得到典型用电设备的第一典型负荷曲线。

步骤203、通过k-means聚类方法对第一典型负荷曲线进行分类，得到若干条典型用电设备在不同用电模式下的第二典型负荷曲线。

步骤204、根据若干条第二典型负荷曲线，建立楼宇配电调度系统的离散时间状态空间模型。

步骤205、根据离散时间状态空间模型，通过自适应动态规划方法计算得到待调度时间内第二典型负荷曲线对应的第一电力调度数据。

步骤206、获取典型用电设备的历史用电数据。

步骤207、将历史用电数据输入负荷曲线预测模型进行运算，得到典型用电设备在待调度时间内的预测负荷曲线。

需要说明的是，负荷曲线预测模型的配置过程为将典型用电设备的待训练用电数据输入LSTM神经网络进行训练得到的。将典型用电设备的待训练用电数据作为样本数据，输入LSTM神经网络进行训练，得到负荷曲线预测模型，再将历史用电数据输入负荷曲线预测模型进行运算，得到典型用电设备在待调度时间内的预测负荷曲线。

步骤208、根据第二典型负荷曲线和预测负荷曲线计算得到第二预置权重向量。

根据多条第二典型负荷曲线P_L,ij(k)(k∈{0,1,2,…,T})和预置负荷曲线

计算到多个第二预置权重向量。

步骤209、根据第三预置权重向量通过迭代方法重复迭代修正第二预置权重向量得到第一预置权重向量，直到第一预置权重向量满足第二预置公式。

先随机设定第三预置权重向量，再根据第三预置权重向量通过迭代方法重复迭代修正每个第二预置权重向量得到一个第一预置权重向量，直到修正后的多个第一预置权重向量满足第二预置公式。其中本申请实施例中的第二预置公式为：

其中，ω_j为第j类用电模式下的第一预置权重向量，

为第i种典型用电设备的预测负荷曲线，P_L,ij(k)为第i种典型用电设备在第j类用电模式下的第二典型负荷曲线,N_i为第i种典型用电设备的用电模式的总数，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数，ε_f为第一预置阈值。

步骤210、根据第一预置权重向量和第一电力调度数据，通过第一预置公式计算得到典型用电设备的第二电力调度数据。

根据表示预测负荷曲线与多条第二典型负荷曲线的相似度的多个第一预置权重向量和典型用电设备在不同用电模式下的多个第一电力调度数据，通过第一预置公式计算得到典型用电设备的第二电力调度数据，即可得到典型用电设备总的电力调度数据，以典型用电设备的第一电力调度数据作为参考数据，再结合第一预置权重，使得获取的第二电力调度数据更加准确。本申请实施例中的第一预置公式为：

其中，u_i(k)为第二电力调度数据，i为第i种典型用电设备，j为第j类用电模式，ω_j为第j类用电模式下的第一预置权重向量，σ₁为非线性映射，

为第一电力调度数据，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数。

步骤211、采集楼宇配电调度系统运行时的典型用电设备的实时有功功率和楼宇总线上的实时有功功率，得到典型用电设备的第一标准负荷曲线。

需要说明的是，在步骤210中计算出典型用电设备的第二电力调度数据后，楼宇配电调度系统根据第二电力调度数据给典型用电设备配电，当系统运行后，再次获取该典型用电设备的实时有功功率和楼宇总线上的实时有功功率，得到第一标准负荷曲线。

步骤212、通过k-means聚类方法对第一标准负荷曲线进行分类，得到若干条典型用电设备在不同用电模式下的第二标准负荷曲线。

由于在不同用电模式下，会出现不同类型的负荷曲线的情况，因此，获取了典型用电设备的第一标准负荷曲线后，需要通过k-means聚类方法对第一标准负荷曲线进行分类，得到若干条典型用电设备在不同用电模式下的第二标准负荷曲线。

步骤213、根据第二标准负荷曲线和预测负荷曲线计算得到标准权重向量。

需要说明的是，根据每条第二标准负荷曲线与预测负荷曲线计算得到一个标准权重向量，每个标准权重向量表示预测负荷曲线和每条第二标准负荷曲线的相似度。

步骤214、计算标准权重向量和第一预置权重向量的差值。

得到多个标准权重向量后，还需要计算每个标准权重向量和第一预置权重向量的差值。

步骤215、若差值的绝对值大于第二预置阈值时，根据标准权重向量和第一电力调度数据，通过第一预置公式重新计算第二电力调度数据得到第三电力调度数据。

可以理解的是，当其中一个标准权重向量和第一预置权重向量的差值的绝对值大于第二预置阈值时，说明计算得到的第二电力调度数据不够精确，则要重新计算第二电力调度数据，根据标准权重向量和第一电力调度数据，通过第一预置公式计算得到第三电力调度数据。

本申请实施例首先对典型用电设备的第一典型负荷曲线进行分类，得到典型用电设备在不同用电模式下的第二典型负荷曲线，再根据不同用电模式下的第二典型负荷曲线建立楼宇配电调度系统的数学模型，提高了对楼宇用户用电负荷描述的精确性，然后通过自适应动态规划方法计算出典型用电设备在不同用电模式下的第一电力调度数据，从而可以计算得到每种典型用电设备在不同用电模式下的电力调度策略，提高电力调度的准确性，最后根据典型用电设备不同用电模式下的第一电力调度数据和第一预置权重向量计算出典型用电设备的第二电力调度数据，先计算出典型用电设备的第一电力调度数据，作为调度参考数据，再结合典型用电设备的实际情况计算出典型用电设备的第二电力调度数据，即典型用电设备在所有用电模式下的调度数据，提高了电力调度的准确性，从而解决了现有技术只使用楼宇总线的负荷曲线描述微电网的用电侧，没有对总线的负荷曲线分类，导致得出来的调度方案对用电负荷描述得过于粗糙，从而使得电力调度不够准确的技术问题。

以上为本申请提供的一种楼宇电力调度方法的第二个实施例的详细说明，下面为本申请提供的一种楼宇电力调度装置的实施例的详细说明。

请参阅图4，本申请实施例提供了一种楼宇电力调度装置，包括：第一采集单元401、第一分类单元402、建模单元403、第一计算单元404、获取单元405、第二计算单元406和第三计算单元407；

第一采集单元401，用于采集典型用电设备的有功功率和楼宇总线上的有功功率，得到典型用电设备的第一典型负荷曲线。

第一分类单元402，用于通过k-means聚类方法对第一典型负荷曲线进行分类，得到若干条典型用电设备在不同用电模式下的第二典型负荷曲线。

建模单元403，用于根据若干条第二典型负荷曲线，建立楼宇配电调度系统的离散时间状态空间模型。

第一计算单元404，用于根据离散时间状态空间模型，通过自适应动态规划方法计算得到待调度时间内第二典型负荷曲线对应的第一电力调度数据。

获取单元405，用于获取典型用电设备在待调度时间内的预测负荷曲线。

第二计算单元406，用于根据第二典型负荷曲线和预测负荷曲线计算得到第一预置权重向量。

第一预置权重向量为预测负荷曲线和第二典型负荷曲线的相似度。

第三计算单元407，用于根据第一预置权重向量和第一电力调度数据，通过第一预置公式计算得到典型用电设备的第二电力调度数据。

第一预置公式为：

其中，u_i(k)为第二电力调度数据，i为第i种典型用电设备，j为第j类用电模式，ω_j为第j类用电模式下的第一预置权重向量，σ₁为非线性映射，

为第一电力调度数据，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数。

作为进一步地改进，本申请实施例还包括：第二采集单元、第二分类单元、第四计算单元、第五计算单元和第六计算单元；

第二采集单元，用于采集楼宇配电调度系统运行时的典型用电设备的实时有功功率和楼宇总线上的实时有功功率，得到典型用电设备的第一标准负荷曲线。

第二分类单元，用于通过k-means聚类方法对第一标准负荷曲线进行分类，得到若干条典型用电设备在不同用电模式下的第二标准负荷曲线。

第四计算单元，用于根据第二标准负荷曲线和预测负荷曲线计算得到标准权重向量。

需要说明的是，标准权重向量为预测负荷曲线和第二标准负荷曲线的相似度。

第五计算单元，用于计算标准权重向量和第一预置权重向量的差值。

第六计算单元，用于若差值的绝对值大于第二预置阈值时，则重新计算第二电力调度数据得到第三电力调度数据。

作为进一步地改进，本申请实施例还包括划分单元；

划分单元，用于将楼宇的用电设备划分为若干种所述典型用电设备。

本申请实施例还提供了一种楼宇电力调度设备，包括处理器以及存储器：其中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上述楼宇电力调度方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的网络，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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待安装电网网络，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(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、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 (10)

1.一种楼宇电力调度方法，其特征在于，包括：

采集典型用电设备的有功功率和楼宇总线上的有功功率，得到所述典型用电设备的第一典型负荷曲线；

通过k-means聚类方法对所述第一典型负荷曲线进行分类，得到若干条所述典型用电设备在不同用电模式下的第二典型负荷曲线；

根据若干条所述第二典型负荷曲线，建立楼宇配电调度系统的离散时间状态空间模型；

根据所述离散时间状态空间模型，通过自适应动态规划方法计算得到待调度时间内所述第二典型负荷曲线对应的第一电力调度数据；

获取所述典型用电设备在所述待调度时间内的预测负荷曲线；

根据所述第二典型负荷曲线和所述预测负荷曲线计算得到第一预置权重向量，所述第一预置权重向量为所述预测负荷曲线和所述第二典型负荷曲线的相似度；

根据所述第一预置权重向量和所述第一电力调度数据，通过第一预置公式计算得到所述典型用电设备的第二电力调度数据；

所述第一预置公式为：

其中，u_i(k)为所述第二电力调度数据，i为第i种典型用电设备，j为第j类用电模式，ω_j为第j类用电模式下的第一预置权重向量，σ₁为非线性映射，

为所述第一电力调度数据，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数。

2.根据权利要求1所述的楼宇电力调度方法，其特征在于，所述获取所述典型用电设备在所述待调度时间内的预测负荷曲线，包括：

获取所述典型用电设备的历史用电数据；

将所述历史用电数据输入负荷曲线预测模型进行运算，得到所述典型用电设备在所述待调度时间内的预测负荷曲线，其中所述负荷曲线预测模型的配置过程为将所述典型用电设备的待训练用电数据输入LSTM神经网络进行训练得到。

3.根据权利要求1所述的楼宇电力调度方法，其特征在于，所述根据所述第二典型负荷曲线和所述预测负荷曲线计算得到第一预置权重向量，包括：

根据所述第二典型负荷曲线和所述预测负荷曲线计算得到第二预置权重向量；

根据第三预置权重向量通过迭代方法重复迭代修正所述第二预置权重向量得到第一预置权重向量，直到所述第一预置权重向量满足第二预置公式；

所述第二预置公式为：

其中，ω_j为第j类用电模式下的第一预置权重向量，

为第i种典型用电设备的预测负荷曲线，P_L,ij(k)为第i种典型用电设备在第j类用电模式下的第二典型负荷曲线,N_i为第i种典型用电设备的用电模式的总数，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数，ε_f为第一预置阈值。

4.根据权利要求1所述的楼宇电力调度方法，其特征在于，所述根据所述第一预置权重向量和所述第一电力调度数据，通过第一预置公式计算得到所述典型用电设备的第二电力调度数据，之后还包括：

采集所述楼宇配电调度系统运行时的所述典型用电设备的实时有功功率和楼宇总线上的实时有功功率，得到所述典型用电设备的第一标准负荷曲线；

通过所述k-means聚类方法对所述第一标准负荷曲线进行分类，得到若干条所述典型用电设备在不同用电模式下的第二标准负荷曲线；

根据所述第二标准负荷曲线和所述预测负荷曲线计算得到标准权重向量，所述标准权重向量为所述预测负荷曲线和所述第二标准负荷曲线的相似度；

计算所述标准权重向量和所述第一预置权重向量的差值；

若所述差值的绝对值大于第二预置阈值时，则重新计算所述第二电力调度数据得到第三电力调度数据。

5.根据权利要求4所述的楼宇电力调度方法，其特征在于，所述若所述差值的绝对值大于第二预置阈值时，则重新计算所述第二电力调度数据得到第三电力调度数据，包括：

若所述差值的绝对值大于第二预置阈值时，根据所述标准权重向量和所述第一电力调度数据，通过所述第一预置公式重新计算第二电力调度数据得到第三电力调度数据。

6.根据权利要求1所述的楼宇电力调度方法，其特征在于，所述采集典型用电设备的有功功率和楼宇总线上的有功功率，得到所述典型用电设备的第一典型负荷曲线，之前还包括：

将楼宇的用电设备划分为若干种所述典型用电设备。

7.一种楼宇电力调度装置，其特征在于，包括：第一采集单元、第一分类单元、建模单元、第一计算单元、获取单元、第二计算单元和第三计算单元；

所述第一采集单元，用于采集典型用电设备的有功功率和楼宇总线上的有功功率，得到所述典型用电设备的第一典型负荷曲线；

所述第一分类单元，用于通过k-means聚类方法对所述第一典型负荷曲线进行分类，得到若干条所述典型用电设备在不同用电模式下的第二典型负荷曲线；

所述建模单元，用于根据若干条所述第二典型负荷曲线，建立楼宇配电调度系统的离散时间状态空间模型；

所述第一计算单元，用于根据所述离散时间状态空间模型，通过自适应动态规划方法计算得到待调度时间内所述第二典型负荷曲线对应的第一电力调度数据；

所述获取单元，用于获取所述典型用电设备在所述待调度时间内的预测负荷曲线；

所述第二计算单元，用于根据所述第二典型负荷曲线和所述预测负荷曲线计算得到第一预置权重向量，所述第一预置权重向量为所述预测负荷曲线和所述第二典型负荷曲线的相似度；

所述第三计算单元，用于根据所述第一预置权重向量和所述第一电力调度数据，通过第一预置公式计算得到所述典型用电设备的第二电力调度数据；

所述第一预置公式为：

其中，u_i(k)为所述第二电力调度数据，i为第i种典型用电设备，j为第j类用电模式，ω_j为第j类用电模式下的第一预置权重向量，σ₁为非线性映射，

为所述第一电力调度数据，k∈{0,1,2,…,T}为一个调度时间内的第k个时隙，T为一个调度时间内的总时隙数。

8.根据权利要求7所述的楼宇电力调度装置，其特征在于，还包括：第二采集单元、第二分类单元、第四计算单元、第五计算单元和第六计算单元；

所述第二采集单元，用于采集所述楼宇配电调度系统运行时的所述典型用电设备的实时有功功率和楼宇总线上的实时有功功率，得到所述典型用电设备的第一标准负荷曲线；

所述第二分类单元，用于通过所述k-means聚类方法对所述第一标准负荷曲线进行分类，得到若干条所述典型用电设备在不同用电模式下的第二标准负荷曲线；

所述第四计算单元，用于根据所述第二标准负荷曲线和所述预测负荷曲线计算得到标准权重向量，所述标准权重向量为所述预测负荷曲线和所述第二标准负荷曲线的相似度；

所述第五计算单元，用于计算所述标准权重向量和所述第一预置权重向量的差值；

所述第六计算单元，用于若所述差值的绝对值大于第二预置阈值时，则重新计算所述第二电力调度数据得到第三电力调度数据。

9.根据权利要求7所述的楼宇电力调度装置，其特征在于，还包括划分单元；

所述划分单元，用于将楼宇的用电设备划分为若干种所述典型用电设备。

10.一种楼宇电力调度设备，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1-6任一项所述的楼宇电力调度方法。

Images