CN112465403B - 一种区域电力需求侧响应潜力评估方法 - Google Patents
一种区域电力需求侧响应潜力评估方法 Download PDFInfo
- Publication number
- CN112465403B CN112465403B CN202011502332.1A CN202011502332A CN112465403B CN 112465403 B CN112465403 B CN 112465403B CN 202011502332 A CN202011502332 A CN 202011502332A CN 112465403 B CN112465403 B CN 112465403B
- Authority
- CN
- China
- Prior art keywords
- load
- user
- demand side
- cluster
- under
- 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
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
- G06Q10/06—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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Abstract
本发明公开了一种区域电力需求侧响应潜力评估方法,包括如下步骤:步骤一,获取用户历史负荷曲线;步骤二,对用户负荷曲线进行聚类;步骤三,预测未来水平年用户最大用电负荷;步骤四,考虑需求价格弹性估算各类用户需求侧响应量;步骤五,计算区域需求侧响应潜力。针对现有技术的不足,本发明充分考虑不同气象条件对区域电力需求侧响应潜力的影响,从而建立区域电力需求侧响应潜力评估方法,能够实现不同气象条件用户负荷特性分析,对各类用户需求侧响应潜力进行精细量化。
Description
技术领域
本发明涉及电力需求侧响应潜力评估领域,具体来说,本发明涉及一种区域电力需求侧响应潜力评估方法。
背景技术
为推动能源生产和消费革命,国家发改委将提升电力用户侧灵活性作为提高电力系统调节能力及运行效率的重要举措。目前,各级电网超过最大负荷95%的持续时间普遍低于24小时,这些持续时间短的尖峰负荷带来巨大的社会资源浪费,发挥需求侧响应作用能够削减尖峰负荷,将成为保障电网安全稳定运行、提高电力系统运行效率的重要突破口,对电力系统规划产生重要影响。
目前的需求侧响应潜力评估方法未考虑不同气象条件变化的影响,随着全社会电气化水平提升以及智能家居普及,降温负荷比重越来越大,例如北京市“十二五”期间,酷夏气象条件下降温负荷占比为40%左右,而凉夏降温负荷占比在38%左右,不同气象条件对用户需求侧响应潜力的影响不容忽视。
发明内容
针对相关技术中的问题,本发明提出一种区域电力需求侧响应潜力评估方法,用于解决背景技术中的问题。
为此,本发明采用的具体技术方案如下:
一种区域电力需求侧响应潜力评估方法,包括如下步骤:
步骤一,获取用户历史负荷曲线,针对酷夏、常夏、凉夏等不同气象条件,分别获取每个气象条件下各用户在夏季最大负荷日的96点历史负荷数据,并对所述用户历史负荷数据进行预处理;
步骤二,对用户负荷曲线进行聚类,利用k-mediods算法对预处理后的历史负荷数据进行聚类分析;
步骤三,预测未来水平年用户最大用电负荷,计算每一气象条件下的每个样本数据对应的日负荷率,对于每一聚类,求取该聚类中用户的平均日负荷率,从而计算各聚类对应的未来年份最大用电负荷;
步骤四,考虑需求价格弹性估算各类用户需求侧响应量,设定α为气象条件,α下聚类用户需求侧响应量表示为:
步骤五,计算区域需求侧响应潜力,汇总各气象条件下每个聚类的需求侧响应潜力,计算整个区域的需求侧响应潜力。
优选的,步骤一中,通过下列公式对用户历史负荷数据进行预处理:
优选的,步骤二具体为,
第一步,将用户分为n类,根据切比雪夫距离和欧氏距离,定义样本数据间的距离为
在以上公式的基础上,采用k-mediods算法进行聚类:
第二步,针对气象条件α,从历史负荷样本集中随机选择n个样本作为初始聚类中心;
第三步,利用以上公式计算每个样本到n个聚类中心的距离,将每个样本与距离最短的聚类中心归为一类;
第四步,重新计算聚类中心,将同一类中距离其余样本最小的样本确定为当前类的中心;
第五步,重复步骤第三步与第四步直到聚类中心不再变化;
第六步,对其余气象条件,利用步骤第二步至第五步分别进行聚类,直至所有气象条件完成聚类。
优选的,步骤三中,计算每个样本数据对应的日负荷率的公式为:
对于每一聚类,求取该聚类中用户的平均日负荷率的公式为:
各聚类对应的未来年份最大用电负荷预测公式为:
优选的,步骤五中,整个区域的需求侧响应潜力计算公式为:
本发明的有益效果为:
针对现有技术的不足,本发明充分考虑不同气象条件对区域电力需求侧响应潜力的影响,基于k-mediods算法对不同气象条件下历史负荷数据聚类分析,在此基础上,计及需求价格弹性对各类用户的需求侧响应量进行评估,从而建立区域电力需求侧响应潜力评估方法,能够实现不同气象条件用户负荷特性分析,对各类用户需求侧响应潜力进行精细量化。
具体实施方式
下面通过具体实施方式进一步详细的说明:
包括如下步骤:
步骤一,获取用户历史负荷曲线,针对酷夏、常夏、凉夏等不同气象条件,分别获取每个气象条件下各用户在夏季最大负荷日的96点历史负荷数据,对所述用户历史负荷数据进行预处理。
步骤二,对用户负荷曲线进行聚类,利用k-mediods算法对预处理后的历史负荷数据进行聚类分析,第一步,将用户分为n类,根据切比雪夫距离和欧氏距离,定义样本数据间的距离为
在式(2)的基础上,采用k-mediods算法进行聚类:
第二步,针对气象条件α,从历史负荷样本集中随机选择n个样本作为初始聚类中心;
第三步,利用式(2)计算每个样本到n个聚类中心的距离,将每个样本与距离最短的聚类中心归为一类;
第四步,重新计算聚类中心,将同一类中距离其余样本最小的样本确定为当前类的中心;
第五步,重复步骤第三步与第四步直到聚类中心不再变化;
第六步,对其余气象条件,利用步骤第二步至第五步分别进行聚类,直至所有气象条件完成聚类;
步骤三,预测未来水平年用户最大用电负荷,对每一气象条件α,计算每个样本数据对应的日负荷率
对于每一聚类,求取该聚类中用户的平均日负荷率
在此基础上,各聚类对应的未来年份最大用电负荷预测为
步骤四,考虑需求价格弹性估算各类用户需求侧响应量,对价格型需求侧响应项目,当高峰时段电价提高时,用户通过改变用电消费习惯,减少或者推移高峰时段的用电负荷,考虑需求价格弹性的影响,气象条件α下聚类用户需求侧响应量表示为
式中,为气象条件α下第m个聚类对应的需求价格弹性系数,表示水平年t第m个聚类的电价变动率,为历史年份t0第m个聚类中用户l实施需求侧响应后的高峰负荷变动率,为历史年份t0第m个聚类中用户l实施需求侧响应时的电价变动率;
步骤五,计算区域需求侧响应潜力,通过汇总各气象条件下每个聚类的需求侧响应潜力,可得整个区域的需求侧响应潜力为
式中,Ω为未来水平年气象条件集合,πt,α表示水平年t气象条件α出现的概率。
针对现有技术的不足,本发明充分考虑不同气象条件对区域电力需求侧响应潜力的影响,基于k-mediods算法对不同气象条件下历史负荷数据聚类分析,在此基础上,计及需求价格弹性对各类用户的需求侧响应量进行评估,从而建立区域电力需求侧响应潜力评估方法,能够实现不同气象条件用户负荷特性分析,对各类用户需求侧响应潜力进行精细量化。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (1)
1.一种区域电力需求侧响应潜力评估方法,其特征在于,包括如下步骤:
步骤一,获取用户历史负荷曲线,针对酷夏、常夏、凉夏不同气象条件,分别获取每个气象条件下各用户在夏季最大负荷日的96点历史负荷数据,对所述用户历史负荷数据进行预处理;
步骤二,对用户负荷曲线进行聚类,利用k-mediods算法对预处理后的历史负荷数据进行聚类分析,第一步,将用户分为n类,根据切比雪夫距离和欧氏距离,定义样本数据间的距离为
其中,表示气象条件α下用户i时刻h(h=1,2,…,96)的负荷大小,表示气象条件α下用户k时刻h(h=1,2,…,96)的负荷大小,表示气象条件α下用户i时刻l(l=1,2,…,96)的负荷大小,表示气象条件α下用户k时刻l(l=1,2,…,96)的负荷大小;
在式(2)的基础上,采用k-mediods算法进行聚类:
第二步,针对气象条件α,从历史负荷样本集中随机选择n个样本作为初始聚类中心;
第三步,利用式(2)计算每个样本到n个聚类中心的距离,将每个样本与距离最短的聚类中心归为一类;
第四步,重新计算聚类中心,将同一类中距离其余样本最小的样本确定为当前类的中心;
第五步,重复步骤第三步与第四步直到聚类中心不再变化;
第六步,对其余气象条件,利用步骤第二步至第五步分别进行聚类,直至所有气象条件完成聚类;
步骤三,预测未来水平年用户最大用电负荷,对每一气象条件α,计算每个样本数据对应的日负荷率
对于每一聚类,求取该聚类中用户的平均日负荷率
在此基础上,各聚类对应的未来年份最大用电负荷预测为
步骤四,考虑需求价格弹性估算各类用户需求侧响应量,对价格型需求侧响应项目,当高峰时段电价提高时,用户通过改变用电消费习惯,减少或者推移高峰时段的用电负荷,考虑需求价格弹性的影响,气象条件α下聚类用户需求侧响应量表示为
式中,为气象条件α下第m个聚类对应的需求价格弹性系数,表示水平年t第m个聚类的电价变动率,为历史年份t0第m个聚类中用户l实施需求侧响应后的高峰负荷变动率,为历史年份t0第m个聚类中用户l实施需求侧响应时的电价变动率;
步骤五,计算区域需求侧响应潜力,通过汇总各气象条件下每个聚类的需求侧响应潜力,可得整个区域的需求侧响应潜力为
式中,Ω为未来水平年气象条件集合,πt,α表示水平年t气象条件α出现的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502332.1A CN112465403B (zh) | 2020-12-17 | 2020-12-17 | 一种区域电力需求侧响应潜力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502332.1A CN112465403B (zh) | 2020-12-17 | 2020-12-17 | 一种区域电力需求侧响应潜力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465403A CN112465403A (zh) | 2021-03-09 |
CN112465403B true CN112465403B (zh) | 2023-02-03 |
Family
ID=74803889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011502332.1A Active CN112465403B (zh) | 2020-12-17 | 2020-12-17 | 一种区域电力需求侧响应潜力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465403B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113489065B (zh) * | 2021-07-06 | 2023-08-15 | 国网浙江省电力有限公司双创中心 | 一种聚合需求响应潜力值的获取方法、装置及电子设备 |
CN114662761A (zh) * | 2022-03-24 | 2022-06-24 | 国网江苏省电力有限公司南通供电分公司 | 一种基于负荷预测的可参与需求响应负荷辨识方法及系统 |
CN117421492B (zh) * | 2023-12-19 | 2024-04-05 | 四川久远银海软件股份有限公司 | 一种数据要素商品的筛选系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944630A (zh) * | 2017-12-01 | 2018-04-20 | 华北电力大学 | 一种季节性分时电价优化制定方法 |
CN109146252A (zh) * | 2018-07-25 | 2019-01-04 | 国家电网有限公司 | 基于调节潜力指标的用户用电行为聚类分析方法和系统 |
CN109886469A (zh) * | 2019-01-23 | 2019-06-14 | 华北电力大学 | 一种区域综合能源系统需求侧管理方法 |
CN109934395A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
CN110580585A (zh) * | 2019-09-11 | 2019-12-17 | 东南大学 | 一种基于负荷分解的电力用户聚类用电行为特性分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106410781B (zh) * | 2015-07-29 | 2018-11-13 | 中国电力科学研究院 | 一种电力用户需求响应潜力确定方法 |
AU2020101218A4 (en) * | 2020-07-01 | 2020-08-06 | North China Electric Power University | Method for multi-dimensional identification of flexible load demand response effect |
-
2020
- 2020-12-17 CN CN202011502332.1A patent/CN112465403B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944630A (zh) * | 2017-12-01 | 2018-04-20 | 华北电力大学 | 一种季节性分时电价优化制定方法 |
CN109146252A (zh) * | 2018-07-25 | 2019-01-04 | 国家电网有限公司 | 基于调节潜力指标的用户用电行为聚类分析方法和系统 |
CN109886469A (zh) * | 2019-01-23 | 2019-06-14 | 华北电力大学 | 一种区域综合能源系统需求侧管理方法 |
CN109934395A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
CN110580585A (zh) * | 2019-09-11 | 2019-12-17 | 东南大学 | 一种基于负荷分解的电力用户聚类用电行为特性分析方法 |
Non-Patent Citations (2)
Title |
---|
电力负荷季节特性分析及需求响应动态电价策略研究;刘红;《中国硕士学位论文全文数据库工程科技Ⅱ辑》;20190415;第1-45页 * |
考虑气象因素的短期负荷预测模型研究;朱祥和;《数学的实践与认识》;20180208(第03期);第131-143页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112465403A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465403B (zh) | 一种区域电力需求侧响应潜力评估方法 | |
Mu et al. | Short-term load forecasting using improved similar days method | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
CN102999791A (zh) | 一种电力行业中基于客户分群的电力负荷预测方法 | |
CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
CN106066423A (zh) | 一种基于损耗分配嫌疑分析的反窃电分析方法 | |
CN111191966B (zh) | 一种基于时空特性的配电网电压不合格时段识别方法 | |
CN104239968A (zh) | 一种快速模糊粗糙集短期负荷预测方法 | |
CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
Gajowniczek et al. | Electricity peak demand classification with artificial neural networks | |
CN108062720A (zh) | 一种基于相似日选取及随机森林算法的负荷预测方法 | |
Tang et al. | Residential battery sizing model using net meter energy data clustering | |
CN111144447B (zh) | 一种新能源出力引起的反调峰风险的电网峰谷时段划分方法 | |
CN107248031A (zh) | 一种针对负荷曲线峰谷差的快速电力用户分类方法 | |
Li et al. | Time series prediction of wireless network traffic flow based on wavelet analysis and BP neural network | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
Vasudevarao et al. | Methodology for creating composite standard load profiles based on real load profile analysis | |
Obermüller | Build wind capacities at windy locations? Assessment of system optimal wind locations | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
CN117094754A (zh) | 一种结合宏观微观的中长期电量预测方法 | |
Colley et al. | Queensland load profiling by using clustering techniques | |
Xie et al. | Electricity price forecasting by clustering-LSSVM | |
Mehar et al. | Analytical model for residential predicting energy consumption |
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 |