CN111932004A - 一种基于供电企业大数据模型库的错峰调度方法 - Google Patents

一种基于供电企业大数据模型库的错峰调度方法 Download PDF

Info

Publication number
CN111932004A
CN111932004A CN202010756748.XA CN202010756748A CN111932004A CN 111932004 A CN111932004 A CN 111932004A CN 202010756748 A CN202010756748 A CN 202010756748A CN 111932004 A CN111932004 A CN 111932004A
Authority
CN
China
Prior art keywords
peak
load
scheduling
shifting
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
Application number
CN202010756748.XA
Other languages
English (en)
Inventor
吴裔
解梁军
郭乃网
沈泉江
宋岩
王彬彬
杨栋
陈开能
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute Co Ltd
Transwarp Technology Shanghai Co Ltd
Original Assignee
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute Co Ltd
Transwarp Technology Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Shanghai Electric Power Co Ltd, East China Power Test and Research Institute Co Ltd, Transwarp Technology Shanghai Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202010756748.XA priority Critical patent/CN111932004A/zh
Publication of CN111932004A publication Critical patent/CN111932004A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (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

本发明涉及一种基于供电企业大数据模型库的错峰调度方法，包括以下步骤：S1：调用错峰调度模型库中的错峰调度模型；S2：获取训练数据对错峰调度模型进行训练，实现错峰调度模型库的更新；S3：利用训练完成的错峰调度模型进行电力错峰调度；错峰调度模型库包括分级分组调度模型和经济最优调度模型，分级分组调度模型根据避峰序位表和可避峰负荷总量对用电用户进行分级分组，经济最优调度模型以电力公司和用户经济性复合最优为目标，经济最优调度模型训练时的目标函数包括经济性目标函数和可靠性目标函数，与现有技术相比，本发明具有提高调度有效性和实用性等优点。

Description

一种基于供电企业大数据模型库的错峰调度方法
技术领域
本发明涉及电力信息化技术，尤其是涉及一种基于供电企业大数据模型库的错峰调度方法。
背景技术
大型供电企业有大量的业务数据的积累，最近几年也逐渐认识到了数据的重要性，开展了很多大数据相关项目的建设。但是，在电力系统中利用大数据技术进行数据分析和建模是一个难点，技术门槛高，虽然整合了大量的用户和电网运行数据，但是数据应用和建模能力严重不足。
当前随着大数据时代的到来，大型供电企业大数据分析和建模管理的需求越来越显著，随着业务的开展，各种通用和专用的模型数量巨大，需要不断迭代更新，设计、训练模型都需要花费巨大的人力，发挥电力数据分析模型的价值，持续迭代、管理和发布使用模型就非常重要。
当前，我国的电力供需失衡主要表现为结构性及时段性的缺电，且高峰负荷时间占比较小，传统通过增加装机容量等措施容易造成电网投资增加且负荷低峰时段装机容量的浪费，为解决高峰负荷供应不足，时段性的缺电，电力企业必须做好错峰调度工作，使有限的能源资源发挥最大的效用。错峰调度仍旧是消纳供需缺口，控制用电需求，维护供用电秩序平稳的常态化管理工作，传统的数据分析手段不足以应对海量数据挖掘的需求，单一的优化模型实现有效实用的错峰调度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高有效性和实用性的基于供电企业大数据模型库的错峰调度方法。
本发明的目的可以通过以下技术方案来实现：
一种基于供电企业大数据模型库的错峰调度方法，包括以下步骤：
S1：调用错峰调度模型库中的错峰调度模型；
S2：获取训练数据对错峰调度模型进行训练，实现错峰调度模型库模型版本的更新；
S3：利用训练完成的错峰调度模型进行电力错峰调度；
大型供电企业大数据分析模型库中随着时间延长，会积累大量的模型，这些模型的调用和管理需要采用模型抽象的方法，在模型层和应用层之间建立一个模型的抽象层，把算法和模型的接口进行抽象，形成各种算法模型调用的接口，以便于上层的应用调用模型进行数据分析、预测和诊断等。算法经过样本数据训练后可以形成模型，在样本数据更新或者调整参数后，可以重新训练出新的模型。这样同一个或同一类模型就可以有多个版本。训练好的模型可以版本化管理，显示模型的名称、版本和训练时间等。每个模型的版本是唯一的，在版本发布后，它是不可更改的，系统会分配单调递增的序列号进行版本控制。
训练好的模型可以进行发布或运行，用户可以选择最优版本的模型进行发布，既可以将模型通过PMML格式导出部署在其他系统中运行。也可以将模型以API服务进行在线部署。
所述的错峰调度模型库包括分级分组调度模型和经济最优调度模型，所述的分级分组调度模型根据避峰序位表和可避峰负荷总量对用电用户进行分级分组，所述的经济最优调度模型以电力公司和用户经济性复合最优为目标，根据地区负荷预测结果及调度日大用户负荷决策结果实现电力错峰调度决策，所述的经济最优调度模型训练时的目标函数包括经济性目标函数和可靠性目标函数。
进一步地，所述的分级分组调度模型对用电用户进行分级分组具体包括：
11)获取避峰用户集合；
12)根据用户避峰优先级形成避峰序位表；
13)按照避峰序位表顺序，依次将可避峰负荷容量之和符合设定条件的用户组成用户组并编号；
14)根据各用户组的可避峰负荷总量，将各用户组划分为不同避峰预案等级。
更进一步地，所述的避峰预案等级包括1～4四级，对应的可避峰负荷总量依次为5％、10％、15％和20％，处于同一避峰预案等级的各用户组被调用时轮流执行避峰用电。
进一步地，所述的分级分组调度模型采的目标函数为社会避峰损失最小，约束条件包括：避峰预案等级用户组数量约束、用户组总数约束和用户组顺序约束。
更进一步地，所述的目标函数的表达式为：
Figure BDA0002611820480000031
Figure BDA0002611820480000032
其中，Qi_total为用户组i中所有用户的避峰直接经济损失之和，pj为j级避峰负荷当期预测被调用次数，s为用户组总数，m为预案分级数，nj为j级避峰负荷所含的用户组数；xij表示用户组i是否属于j级避峰负荷。
进一步地，所述的经济最优调度模型目标函数表达式为：
Figure BDA0002611820480000033
式中，E为经济性目标函数，R为可靠性目标函数，ζn，h为参与错峰调度编号为n的大用户在预案日第h时段由于负荷转移引起电力公司的售电收益变化量，θn，h为参与错峰调度编号为n的大用户在预案日第h时段削峰应获得的经济补偿，N为参与错峰调度方案的大用户总数，
Figure BDA0002611820480000034
为错峰调度后该地区电网在预案日的预期负荷备用率惩罚函数，
Figure BDA0002611820480000035
为错峰调度后该地区电网在周末的预期负荷备用率惩罚函数，λ为负荷备用率惩罚因子，μsubs为变电站过载惩罚因子。
更进一步地，所述的目标函数中编号为n的大用户在第h时段的售电收益变化量ζn，h的表达式为：
Figure BDA0002611820480000036
Figure BDA0002611820480000037
式中，
Figure BDA0002611820480000038
为编号为n的大用户参与错峰调度在第h时段的负荷变化值；
Figure BDA0002611820480000039
为编号为n的大用户在第h时段由于负荷减少导致供电公司售电收益的减少量；
Figure BDA00026118204800000310
为编号为n的大用户在第h时段由于负荷增加引起供电公司售电收益的增加量；Mn，h为编号为n的大用户在第h时段的分时电价；
所述的目标函数中编号为n的大用户在预案日第h时段削峰应获得的经济补偿θn，h的表达式为：
Figure BDA00026118204800000311
式中，Mn为编号为n的大用户的电度电价。
更进一步地，所述的目标函数中的预期负荷备用率惩罚函数
Figure BDA0002611820480000041
的表达式为：
Figure BDA0002611820480000042
Figure BDA0002611820480000043
式中，Pplanday，h为预案日第h时段的负荷预测值，Pmax为该地区最大供电能力；
所述的目标函数中的周末预期负荷备用率惩罚函数
Figure BDA0002611820480000044
的表达式为：
Figure BDA0002611820480000045
Figure BDA0002611820480000046
式中，Pplanday，h为周六第h时段的负荷预测值。
更进一步地，所述的变电站过载惩罚因子μsubs的表达式为：
Figure BDA0002611820480000047
Figure BDA0002611820480000048
Figure BDA0002611820480000049
其中，PGap为全部变电站的总负荷缺口矩阵，Pi，h为错峰调度方案执行后第i座变电站第h时段的有功负载，
Figure BDA00026118204800000410
为第i座变电站的最大有功容量，
Figure BDA00026118204800000411
为第i座变电站第h时段的负荷缺口。
进一步优选地，所述的经济最优调度模型的约束条件包括系统可靠性约束、变电站最大容量约束、用户负荷管理约束、周错峰能力约束、避免新峰约束和用户最小负荷约束。
与现有技术相比，本发明具有以下优点：
1)本发明针对错峰调度，通过用电历史峰值和谷值及用电相关数据建立时间、空间和行业的错峰调度模型库，能够适应不同情况下的多种错峰调度要求，提供优选的错峰调度模型，能够快速调用进行训练或使用，提高模型使用效率，提高错峰调度的实用性；
2)本发明通过考察各项指标，包括经济性指标、社会影响指标和环保性指标，设定优化改进的错峰调度模型构成错峰调度模型库，采用本发明模型库中的模型进行错峰调度能够提升电力企业的经济效益和社会形象，并减少对生态环境的影响，提高错峰调度的有效性；
3)本发明的分级分组调用模型中，通过调用优先级分级，1级避峰负荷参与避峰最为频繁，而4级避峰负荷执行避峰用电的次数最少，同时设置调用机制，时同级避峰负荷的各用户组被调用时轮流执行避峰用电。分级能将综合评价值较小的用户安排在1级避峰负荷中，优先参与避峰，同时也便于电力部门向相应用户发送预警信号，同时分组能够实现对同级避峰负荷各用户组的轮流调用，避免部分用户过于频繁地参与避峰，保障避峰方案的公平性，提高用户满意度。
附图说明
图1为分级分组调度模型进行分级分组并错峰调度的流程示意图；
图2为分级分组调度模型用户分组示意图；
图3为分级分组调度模型的调用流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本发明提供一种基于供电企业大数据模型库的错峰调度方法，包括以下步骤：
S1：调用错峰调度模型库中的错峰调度模型；
S2：获取训练数据对错峰调度模型进行训练，实现错峰调度模型库模型版本的更新；
S3：利用训练完成的错峰调度模型进行电力错峰调度；
大型供电企业大数据分析模型库中随着时间延长，会积累大量的模型，这些模型的调用和管理需要采用模型抽象的方法，在模型层和应用层之间建立一个模型的抽象层，把算法和模型的接口进行抽象，形成各种算法模型调用的接口，以便于上层的应用调用模型进行数据分析、预测和诊断等。算法经过样本数据训练后可以形成模型，在样本数据更新或者调整参数后，可以重新训练出新的模型。这样同一个或同一类模型就可以有多个版本。训练好的模型可以版本化管理，显示模型的名称、版本和训练时间等。每个模型的版本是唯一的，在版本发布后，它是不可更改的，系统会分配单调递增的序列号进行版本控制。
训练好的模型可以进行发布或运行，用户可以选择最优版本的模型进行发布，既可以将模型通过PMML格式导出部署在其他系统中运行。也可以将模型以API服务进行在线部署。
大数据错峰调度模型库包括分级分组调度模型和经济最优调度模型，分级分组调度模型根据避峰序位表和可避峰负荷总量对用电用户进行分级分组，经济最优调度模型以电力公司和用户经济性复合最优为目标，根据地区负荷预测结果及调度日大用户负荷决策结果实现电力错峰调度决策，经济最优调度模型训练时的目标函数包括经济性目标函数和可靠性目标函数。
如图1所示，分级分组调度模型对用电用户进行分级分组具体包括：
11)获取避峰用户集合；
12)根据用户避峰优先级形成避峰序位表；
13)按照避峰序位表顺序，依次将可避峰负荷容量之和符合设定条件的用户组成用户组并编号，如图2所示；
14)根据各用户组的可避峰负荷总量，将各用户组划分为不同避峰预案等级。
其中，避峰预案等级包括1～4四级，对应的可避峰负荷总量依次为5％、10％、15％和20％，处于同一避峰预案等级的各用户组被调用时轮流执行避峰用电，其具体调用流程如图3所示，下表为避峰预案等级分级情况表：
避峰预案分级情况表
预案级别 缺电程度 总避峰负荷量/％ 启动条件/％
4级 特别严重 20 缺口达15-20
3级 严重 15 缺口达10-15
2级 较重 10 缺口达5-10
1级 一般 5 缺口小于5
避峰预案编制的关键在于合理安排每级避峰负荷的用户组，尽量保证避峰优先级综合评价值较小的用户率先参与避峰。考虑到较低级别(1级为最低级)的避峰负荷被调用得较频繁，其所含用户组的编号应较小。为此，本发明依照顺序安排机制形成各级避峰负荷。
当用户组个数小于等于分级数时，将用户组1安排至1级避峰负荷中，用户组2安排至2级避峰负荷中，以此类推，排满为止。当用户组个数大于分级数时，显然各级避峰负荷的用户组个数都可能超过1个，这时，需考虑每级避峰负荷各安排多少个用户组。
分级分组调度模型采的目标函数为社会避峰损失最小，约束条件包括：避峰预案等级用户组数量约束、用户组总数约束和用户组顺序约束。
目标函数的表达式为：
Figure BDA0002611820480000071
Figure BDA0002611820480000072
其中，Qi_total为用户组i中所有用户的避峰直接经济损失之和，pj为j级避峰负荷当期预测被调用次数，s为用户组总数，m为预案分级数，nj为j级避峰负荷所含的用户组数；xij表示用户组i是否属于j级避峰负荷。
各约束条件具体为：各级避峰负荷至少含有一个用户、各级避峰负荷用户组数之和等于总用户组数，以及用户组的顺序安排，安排各级避峰负荷的用户组时，用户组按顺序归入不同等级的避峰负荷中，即编号小的用户组属于较低级避峰负荷。
对于经济最优调度模型，做如下设定。
1、所有参与错峰调度的大用户的工作日负荷均可预测；
2、每个大用户只参与一种负荷管理手段；
3、周维度地区总负荷均于预案日前预测完毕；
4、大用户参与负荷管理时由于需要维持安保负荷，因此不可能将高峰负荷削减至零，本实施例中将每个大用户的安保负荷设置为其最大负荷的10％
经济最优调度模型目标函数表达式为：
Figure BDA0002611820480000073
式中，E为经济性目标函数，R为可靠性目标函数，ζn，h为参与错峰调度编号为n的大用户在预案日第h时段由于负荷转移引起电力公司的售电收益变化量，θn，h为参与错峰调度编号为n的大用户在预案日第h时段削峰应获得的经济补偿，N为参与错峰调度方案的大用户总数，
Figure BDA0002611820480000081
为错峰调度后该地区电网在预案日的预期负荷备用率惩罚函数，
Figure BDA0002611820480000082
为错峰调度后该地区电网在周末的预期负荷备用率惩罚函数，λ为负荷备用率惩罚因子，μsubs为变电站过载惩罚因子。
根据控制系数可以求得每个用户参与错峰调度的负荷变化矩阵。每个用户在高峰时段减少的电量使用将导致电力公司在该时段减少一定的售电收益，在低谷时段增加的电量使用将导致电力公司在该时段增加一定的售电收益。目标函数中编号为n的大用户在第h时段的售电收益变化量ζn，h的表达式为：
Figure BDA0002611820480000083
Figure BDA0002611820480000084
式中，
Figure BDA0002611820480000085
为编号为n的大用户参与错峰调度在第h时段的负荷变化值；
Figure BDA0002611820480000086
为编号为n的大用户在第h时段由于负荷减少导致供电公司售电收益的减少量；
Figure BDA0002611820480000087
为编号为n的大用户在第h时段由于负荷增加引起供电公司售电收益的增加量；Mn，h为编号为n的大用户在第h时段的分时电价；
随着电力市场的逐步完善，电力公司应对参与错峰调度并表现优异的大用户给予合理的经济补偿，通常为给予用户部分电价折扣、出台可中断电价等。在给予用户经济补偿的同时会相应增加电力公司经济成本。目标函数中编号为n的大用户在预案日第h时段削峰应获得的经济补偿θn，h的表达式为：
Figure BDA0002611820480000088
式中，Mn为编号为n的大用户的电度电价。
目标函数中的预期负荷备用率惩罚函数
Figure BDA0002611820480000089
的表达式为：
Figure BDA00026118204800000810
Figure BDA00026118204800000811
式中，Pplanday，h为预案日第h时段的负荷预测值，Pmax为该地区最大供电能力；
目标函数中的周末预期负荷备用率惩罚函数
Figure BDA00026118204800000812
的表达式为：
Figure BDA00026118204800000813
Figure BDA0002611820480000091
Figure BDA0002611820480000092
式中，Pplanday，h为周六第h时段的负荷预测值。
由于变电站最大容量有限，错峰调度前后需保证每个变电站的负荷均不能超过其最大容量限制，因此设置变电站过载惩罚因子μsubs的表达式为：
Figure BDA0002611820480000093
Figure BDA0002611820480000094
Figure BDA0002611820480000095
其中，PGap为全部变电站的总负荷缺口矩阵，Pi，h为错峰调度方案执行后第i座变电站第h时段的有功负载，
Figure BDA0002611820480000096
为第i座变电站的最大有功容量，
Figure BDA0002611820480000097
为第i座变电站第h时段的负荷缺口。
经济最优调度模型的约束条件包括系统可靠性约束、变电站最大容量约束、用户负荷管理约束、周错峰能力约束、避免新峰约束和用户最小负荷约束。
各约束条件具体为：
a、系统可靠性约束
系统可靠性约束即指该系统在任意时刻的负荷备用率均大于一定限值，使系统工作在可靠的范围内。根据所建模型，系统可靠性约束可表示为：
Figure BDA0002611820480000098
b、变电站最大容量约束
在错峰调度前后，需保证每座变电站承受的最大有功负荷不超过其最大承载能力。其数学表达式为：
Figure BDA0002611820480000099
c、用户负荷管理约束
为了便于用户实施，在考虑到实际约束的条件下，规定每个用户在每个预案日内至多只能参与一种错峰调度负荷管理手段。在用电不紧张的情况下，可以有部分用户不参与方案的制定，在下一次错峰调度方案制定时优化考虑安排其参与。普通用户l的约束条件为：
Figure BDA00026118204800000910
部分用户由于特殊原因不能参与某种负荷管理手段，例如用户L为七天工作制，因此不能参与周错峰。其约束条件为：
Figure BDA0002611820480000101
d、周错峰能力约束
周错峰作为一种最为有效且不减少总用电量的负荷管理手段，有着无法比拟的优越性，因此在制定错峰调度方案时应优先考虑实施周错峰手段。但是由于地区的周末负荷与预案日负荷的差值是有限的，未必有足够的容量能将所有预案日高峰负荷转移到周末，因此须对周错峰能力设置约束：
Figure BDA0002611820480000102
e、避免新峰约束
为了避免高峰时段负荷过多的转移到低谷时段而形成新峰，需对模型设置新峰约束，即任意时段经错峰调度方案填谷后，其负荷值不应大于实施错峰调度前的日负荷平均值，即：
Figure BDA0002611820480000103
Figure BDA0002611820480000104
式中，
Figure BDA0002611820480000105
为错峰调度后系统总负荷矩阵；
Figure BDA0002611820480000106
为错峰调度后系统在第h时段的负荷值。
f、用户最小负荷约束
由于每个用户安保负荷不同，其负荷转移量并不能按其最大负荷值计算，因此该用户在第h时段的最大削峰量约束如下：
Figure BDA0002611820480000107
式中，In为编号为n的大用户的最低安保负荷。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于供电企业大数据模型库的错峰调度方法，其特征在于，包括以下步骤：
S1：调用错峰调度模型库中的错峰调度模型；
S2：获取训练数据对错峰调度模型进行训练，实现错峰调度模型库模型版本的更新；
S3：利用训练完成的错峰调度模型进行电力错峰调度；
所述的错峰调度模型库包括分级分组调度模型和经济最优调度模型，所述的分级分组调度模型根据避峰序位表和可避峰负荷总量对用电用户进行分级分组，所述的经济最优调度模型以电力公司和用户经济性复合最优为目标，根据地区负荷预测结果及调度日大用户负荷决策结果实现电力错峰调度决策，所述的经济最优调度模型训练时的目标函数包括经济性目标函数和可靠性目标函数。
2.根据权利要求1所述的一种基于供电企业大数据模型库的错峰调度方法，其特征在于，所述的分级分组调度模型对用电用户进行分级分组具体包括：
11)获取避峰用户集合；
12)根据用户避峰优先级形成避峰序位表；
13)按照避峰序位表顺序，依次将可避峰负荷容量之和符合设定条件的用户组成用户组并编号；
14)根据各用户组的可避峰负荷总量，将各用户组划分为不同避峰预案等级。
3.根据权利要求2所述的一种基于供电企业大数据模型库的错峰调度方法，其特征在于，所述的避峰预案等级包括1～4四级，对应的可避峰负荷总量依次为5％、10％、15％和20％，处于同一避峰预案等级的各用户组被调用时轮流执行避峰用电。
4.根据权利要求2所述的一种基于供电企业大数据模型库的错峰调度方法，其特征在于，所述的分级分组调度模型采的目标函数为社会避峰损失最小，约束条件包括：避峰预案等级用户组数量约束、用户组总数约束和用户组顺序约束。
5.根据权利要求4所述的一种基于供电企业大数据模型库的错峰调度方法，其特征在于，所述的目标函数的表达式为：
Figure FDA0002611820470000021
Figure FDA0002611820470000022
其中，Qi_total为用户组i中所有用户的避峰直接经济损失之和，pj为j级避峰负荷当期预测被调用次数，s为用户组总数，m为预案分级数，nj为j级避峰负荷所含的用户组数；xij表示用户组i是否属于j级避峰负荷。
6.根据权利要求1所述的一种基于供电企业大数据模型库的错峰调度方法，其特征在于，所述的经济最优调度模型目标函数表达式为：
Figure FDA0002611820470000023
式中，E为经济性目标函数，R为可靠性目标函数，ζn，h为参与错峰调度编号为n的大用户在预案日第h时段由于负荷转移引起电力公司的售电收益变化量，θn，h为参与错峰调度编号为n的大用户在预案日第h时段削峰应获得的经济补偿，N为参与错峰调度方案的大用户总数，
Figure FDA0002611820470000024
为错峰调度后该地区电网在预案日的预期负荷备用率惩罚函数，
Figure FDA0002611820470000025
为错峰调度后该地区电网在周末的预期负荷备用率惩罚函数，λ为负荷备用率惩罚因子，μsubs为变电站过载惩罚因子。
7.根据权利要求6所述的一种基于供电企业大数据模型库的错峰调度方法，其特征在于，所述的目标函数中编号为n的大用户在第h时段的售电收益变化量ζn，h的表达式为：
Figure FDA0002611820470000026
Figure FDA0002611820470000027
Figure FDA0002611820470000028
式中，
Figure FDA0002611820470000029
为编号为n的大用户参与错峰调度在第h时段的负荷变化值；
Figure FDA00026118204700000210
为编号为n的大用户在第h时段由于负荷减少导致供电公司售电收益的减少量；
Figure FDA00026118204700000211
为编号为n的大用户在第h时段由于负荷增加引起供电公司售电收益的增加量；Mn，h为编号为n的大用户在第h时段的分时电价；
所述的目标函数中编号为n的大用户在预案日第h时段削峰应获得的经济补偿θn，h的表达式为：
Figure FDA0002611820470000031
式中，Mn为编号为n的大用户的电度电价。
8.根据权利要求6所述的一种基于供电企业大数据模型库的错峰调度方法，其特征在于，所述的目标函数中的预期负荷备用率惩罚函数
Figure FDA0002611820470000032
的表达式为：
Figure FDA0002611820470000033
Figure FDA0002611820470000034
式中，Pplanday，h为预案日第h时段的负荷预测值，Pmax为该地区最大供电能力；
所述的目标函数中的周末预期负荷备用率惩罚函数
Figure FDA0002611820470000035
的表达式为：
Figure FDA0002611820470000036
Figure FDA0002611820470000037
式中，Pplanday，h为周六第h时段的负荷预测值。
9.根据权利要求6所述的一种基于供电企业大数据模型库的错峰调度方法，其特征在于，所述的变电站过载惩罚因子μsubs的表达式为：
Figure FDA0002611820470000038
Figure FDA0002611820470000039
Figure FDA00026118204700000310
其中，PGap为全部变电站的总负荷缺口矩阵，Pi，h为错峰调度方案执行后第i座变电站第h时段的有功负载，
Figure FDA00026118204700000311
为第i座变电站的最大有功容量，
Figure FDA00026118204700000312
为第i座变电站第h时段的负荷缺口。
10.根据权利要求6-9任一项所述的一种基于供电企业大数据模型库的错峰调度方法，其特征在于，所述的经济最优调度模型的约束条件包括系统可靠性约束、变电站最大容量约束、用户负荷管理约束、周错峰能力约束、避免新峰约束和用户最小负荷约束。
CN202010756748.XA 2020-07-31 2020-07-31 一种基于供电企业大数据模型库的错峰调度方法 Pending CN111932004A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010756748.XA CN111932004A (zh) 2020-07-31 2020-07-31 一种基于供电企业大数据模型库的错峰调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010756748.XA CN111932004A (zh) 2020-07-31 2020-07-31 一种基于供电企业大数据模型库的错峰调度方法

Publications (1)

Publication Number Publication Date
CN111932004A true CN111932004A (zh) 2020-11-13

Family

ID=73315001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010756748.XA Pending CN111932004A (zh) 2020-07-31 2020-07-31 一种基于供电企业大数据模型库的错峰调度方法

Country Status (1)

Country Link
CN (1) CN111932004A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465272A (zh) * 2020-12-24 2021-03-09 天津智汇科技有限公司 一种基于区块链技术的峰谷组合电力优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593808A (zh) * 2013-11-28 2014-02-19 东南大学 基于分组的有序用电避峰预案编制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593808A (zh) * 2013-11-28 2014-02-19 东南大学 基于分组的有序用电避峰预案编制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙月嘉: ""需求侧管理中精细化有序用电决策方法研究"", 《硕士电子期刊》, no. 7, pages 1 - 70 *
陆婷婷等: ""有序用电避峰预案优化编制方法研究"", 《电网技术》, vol. 38, no. 9, pages 2315 - 2321 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465272A (zh) * 2020-12-24 2021-03-09 天津智汇科技有限公司 一种基于区块链技术的峰谷组合电力优化方法

Similar Documents

Publication Publication Date Title
Zangeneh et al. Promotion strategy of clean technologies in distributed generation expansion planning
CN106026149B (zh) 一种考虑电网备用容量配置与风电利用率的电动汽车优化调度方法
US11727307B2 (en) Multi-agent shared machine learning approach for real-time battery operation mode prediction and control
CN102385723B (zh) 一种重要电力用户应急电源配置方法
CN103617564A (zh) 基于区域负荷预测值综合评价的全网负荷预测方法
CN110909985A (zh) 考虑电网效益的多地区电网储备项目筛选方法
CN114781763A (zh) 一种多情景下港口碳排放预测方法、系统、计算设备和存储介质
CN114693006B (zh) 一种用于新型电力系统的配电储能管理系统及其方法
CN111932004A (zh) 一种基于供电企业大数据模型库的错峰调度方法
CN113240330A (zh) 一种需求侧虚拟电厂多维价值评估方法和调度策略
CN102724100A (zh) 一种针对组合服务的板卡资源分配系统及方法
CN111783359A (zh) 考虑换电经济性与电网削峰填谷的电池调度优化方法
CN113937811B (zh) 一种多能耦合配电系统优化调度方法
CN114841563A (zh) 一种多目标水资源配置方案综合评价方法
CN112581313B (zh) 一种光伏充电站资源的分配调节方法和系统
Gang et al. A novel demand side management strategy on electric vehicle charging behavior
CN114638537A (zh) 一种数字化智慧电网区域管理方法、系统及存储介质
Wang et al. Cooperative Optimization Model of" Source-Grid-Load-Storage" for Active Distribution Network
CN111079245A (zh) 一种电网承载电量的调控方法
CN107069717A (zh) 一种配电网负荷建模方法
CN110263992B (zh) 一种基于客户对供电服务敏感度的最优计划停电方法
CN110348740B (zh) 基于大数据的多流域水电站集群发电计划系统
Lu et al. A calculation of power users' demand response potential under the angle of big data
Wang et al. Requirement Assessment of Demand-side Flexibility for New Power Systems with High Penetration of Renewable Generation
Geng et al. A knowledge discovery method for characteristics extraction of power consumption based on cluster analysis

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 1122 Yuanshen Road, Pudong New Area, Shanghai, 200122

Applicant after: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co.

Applicant after: EAST CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant after: Star link information technology (Shanghai) Co.,Ltd.

Address before: 1122 Yuanshen Road, Pudong New Area, Shanghai, 200122

Applicant before: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co.

Applicant before: EAST CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant before: TRANSWARP TECHNOLOGY (SHANGHAI) Co.,Ltd.