CN112564085B - 电采暖配变最大用电负荷预测方法及系统 - Google Patents
电采暖配变最大用电负荷预测方法及系统 Download PDFInfo
- Publication number
- CN112564085B CN112564085B CN202011138924.XA CN202011138924A CN112564085B CN 112564085 B CN112564085 B CN 112564085B CN 202011138924 A CN202011138924 A CN 202011138924A CN 112564085 B CN112564085 B CN 112564085B
- Authority
- CN
- China
- Prior art keywords
- electric
- load
- power
- distribution transformer
- daily
- 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种电采暖配变用最大电负荷预测方法及系统,属于用电负荷预测技术领域,根据用户用电设备类型、数量,结合各个用电设备性能参数,计算所有用电设备的日用电量;根据日用电量以及用电设备使用状态,运用蒙特卡洛算法模拟用电设备开启的随机数;以日用电量的峰电量/谷电量作为约束条件,结合随机数,使用差分进化算法进行日负荷曲线最优化;根据所有用户的优化日负荷曲线进行叠加计算,获取电采暖配变最大用电负荷。本发明提高了电采暖配变可研阶段负荷预测准确率,降低了计算量,提高了配电网规划工作质量,降低了电采暖配变轻载和重载数量,能够准确的反应中低压配电网的实际情况和规划情况,利于电网建设和安全运行。
Description
技术领域
本发明涉及用电负荷预测技术领域,具体涉及一种基于蒙特卡洛模拟-差分进化算法的电采暖配变最大用电负荷预测方法及系统。
背景技术
电采暖配变新建项目在可研阶段通常根据负荷预测结果选用一定容量的配变变压器,项目竣工投产后,该配变实际的配变最大负载率在20%-80%则配变容量适用,因此在可研阶段进行配变最大负荷预测具有安全价值和经济价值。
现阶段,清洁电采暖的实施,促成了配套电网的改造与新建,可研项目中一个重要的内容便是对配电变压器的容量选择。在可研设计阶段中,要求规划的负荷标称容量大于计算负荷的变压器,此规定基于供电可靠性因素,虽然满足了技术的要求,但缺少经济考量,变压器容量选择偏大,则会造成变压器轻载,不仅增加系统损耗和运行费用,还会影响上级电网的规划,增加电网建设成本。变压器容量选择过小,则会造成变压器重载甚至过载。
常规的基于负荷同时率进行需求预测时,计算方法简单,同时率测算方法未准确考量负荷随机性,没有具体分析配变用户用电实际情况,基于此方法进行负荷预测准确率不高。
发明内容
本发明的目的在于提供一种准确预测电采暖配变用电最大负荷、实现了变压器容量合理选择、利于电网建设和安全运行的电采暖配变最大用电负荷预测方法及系统,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种电采暖配变最大用电负荷预测方法,包括:
根据用户用电设备类型、数量,结合各个用电设备的性能参数,计算用户所有用电设备的日用电量;
根据日用电量以及用电设备使用状态,运用蒙特卡洛算法模拟用电设备开启的随机数;
以日用电量的峰电量/谷电量作为约束条件,结合随机数,使用差分进化算法进行日负荷曲线最优化;
根据所有用户的优化日负荷曲线进行叠加计算,获取电采暖配变最大用电负荷。
优选的,所述电采暖设备的性能参数包括开启时长、额定功率以及温度保持功率;所述用电设备使用状态包括开启、保持和关闭。
优选的,运用蒙特卡洛算法模拟用电设备开启的随机数包括:
设置最大迭代次数Gm,设置求解维数Di,i∈1,2,...,n,n表示用电设备的个数,设置各代最优值Gmin,设置各代的最优解向量best_xi,xi表示用电设备i的日用电量,生成初始种群;
设置输出值xmin=0,以及xmax=1,根据用电设备使用状态设定峰电量目标函数:f(1,2,...,n)=x1+x2+...+xn-x0,x0表示峰电量;
选用unifrnd函数产生0和1的随机数。
优选的,以日用电量的峰电量/谷电量作为约束条件,结合随机数,使用差分进化算法进行日负荷曲线最优化包括:
设置中间赋值向量,用于存放每种家用电器最优解迭代计算结果所对应的值,并对中间赋值向量进行初始化;
通过执行变异操作、交叉操作以及选择操作,进行最优解赋值,获取各代最小值以及目标函数最小值。输出迭代曲线以及计算时间、目标函数最小值,以及最优解向量。
优选的,直至计算出所有用户全部家用电器解空间,进行功率的叠加计算,确定电采暖配变的最大用电功率,为电采暖配变最大用电负荷。
优选的,执行变异操作包括:
其中,p、j、k表示三个不同的自然数,F表示变异因子,floor表示取整函数。
优选的,执行交叉操作包括:
其中,a、b表示中间赋值向量的元素所在行和列。
优选的,执行选择操作包括:
执行选择操作的公式为:
其中f()表示目标函数;
第二方面,本发明提供一种电采暖配变最大用电负荷预测系统,包括:
输入模块,用于输入用户的用电设备类型、数量,以及各个用电设备的性能参数;
计算模块,用于根据输入用户的用电设备类型、数量,以及各个用电设备的性能参数,计算用户的所有用电设备的日用电量;
随机数计算模块,用于根据日用电量以及用电设备使用状态,运用蒙特卡洛算法模拟用电设备开启的随机数;
优化模块,用于以日用电量的峰电量/谷电量作为约束条件,结合随机数,使用差分进化算法进行日负荷曲线最优化;
预测模块,用于根据所有用户的优化日负荷曲线进行叠加计算,获取电采暖配变最大用电负荷及负荷曲线。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括用于执行如上所述的方法的指令。
第四方面,本发明提供一种电子设备,包括如上所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
第五方面,本发明提供一种电子设备,所述电子设备包括用于执行如上所述的方法的装置。
本发明有益效果:实现了电采暖配变最大负荷的计算,降低了计算量,提高了电采暖配变可研阶段负荷预测准确率,提高了中低压配电网规划工作质量,降低了电采暖配变轻载和重载数量,能够准确的反应中低压配电网的实际情况和规划情况,为后续科学、合理地制定项目可研、初设方案奠定坚实基础,利于电网建设和安全运行。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的采用蒙特卡洛-差分进化算法进行电采暖配变最大用电负荷预测方法流程图。
图2为本发明实施例所述的采用蒙特卡洛-差分进化算法的用电负荷仿真曲线与用电负荷实际曲线对比图。
图3为本发明实施例所述的采用采用蒙特卡洛-差分进化算法的寻优迭代的计算结果。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,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。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种电采暖配变最大用电负荷预测系统,该系统包括:输入模块,用于输入用户的用电设备类型、数量,以及各个用电设备的性能参数;计算模块,用于根据输入用户的用电设备类型、数量,以及各个用电设备的性能参数,计算用户的所有用电设备的日用电量;随机数计算模块,用于根据日用电量以及用电设备使用状态,运用蒙特卡洛算法模拟用电设备开启的随机数。
优化模块,用于以日用电量的峰电量/谷电量作为约束条件,结合随机数,使用差分进化算法进行日负荷曲线最优化;预测模块,用于根据所有用户的优化日负荷曲线进行叠加计算,获取电采暖配变最大用电负荷。
本实施例1中,电采暖配变最大用电负荷预测系统实现了采用蒙特卡洛-差分进化算法的电采暖配变最大用电负荷预测方法。
采用蒙特卡洛-差分进化算法的电采暖配变最大用电负荷预测方法包括:
根据用户用电设备类型、数量,结合各个用电设备的性能参数,计算用户所有用电设备的日用电量;根据日用电量以及用电设备使用状态,运用蒙特卡洛算法模拟用电设备开启的随机数;以日用电量的峰电量/谷电量作为约束条件,结合随机数,使用差分进化算法进行日负荷曲线最优化;根据所有用户的优化日负荷曲线进行叠加计算,实现电采暖配变最大用电负荷预测。
所述电采暖设备的性能参数包括开启时长、额定功率以及温度保持功率;所述用电设备使用状态包括开启、保持和关闭。
运用蒙特卡洛算法模拟用电设备开启的随机数包括:
设置最大迭代次数Gm,设置求解维数Di,i∈1,2,...,n,n表示用电设备的个数,设置各代最优值Gmin,设置各代的最优解向量best_xi,xi表示用电设备i的日用电量,生成初始种群;
设置输出值xmin=0,以及xmax=1,根据用电设备使用状态设定峰电量目标函数:f(1,2,...,n)=x1+x2+...+xn-x0,x0表示峰电量;
选用unifrnd函数产生0和1的随机数。
以日用电量的峰电量/谷电量作为约束条件,结合随机数,使用差分进化算法进行日负荷曲线最优化包括:
设置中间赋值向量,用于存放每种家用电器最优解迭代计算结果所对应的值,并对中间赋值向量进行初始化;
通过执行变异操作、交叉操作以及选择操作,进行最优解赋值,获取各代最小值以及目标函数最小值。输出迭代曲线以及计算时间、目标函数最小值,以及最优解向量。
直至计算出所有用户全部家用电器解空间,进行功率的叠加计算,确定电采暖配变的最大用电功率,为电采暖配变最大用电负荷。
执行变异操作包括:
其中,p、j、k表示三个不同的自然数,F表示变异因子,floor表示取整函数。
执行交叉操作包括:
其中,a、b表示中间赋值向量的元素所在的行和列。
执行选择操作包括:
执行选择操作的公式为:
其中f()表示目标函数;
实施例2
如图1所示,本发明实施例2提供了一种可用于电采暖配变可研阶段的采用蒙特卡洛-差分进化算法进行最大用电负荷预测的方法,以克服传统基于同时率的电采暖最大负荷预测方法的不足,提高预测精度,以用电负荷作为依据,合理选取变压器容量。
为了达到上述目的,需要进行数据调查以及程序设计两个阶段。
数据调查阶段:
1.进行现场走访,确定零电量用户。
联合供电所营业人员进行现场走访,对于确定现场不再用电的用户,找出用电户号,在仿真模拟阶段不再进行电量测算以及后续的随机性模拟工作。
2.确定电采暖设备制暖开启功率及时长。
联系制暖设备厂家技术人员,进行技术沟通;确定设备开启时长、额定功率、温度保持功率等关键参数。为下一步仿真计算打下基础。
3.根据设备需求调研表确定用户家用电器数量及实际负荷大小。
小组加强与供电所配变经理沟通联系,进行入户走访。同时,提前进行现场勘察,合理确定家用电器数量和额定功率大小。调查表格式如表1所示:
表1用户甲家用电器数量及额定功率调查表
4.开展用户调查
联合供电所人员,对配变内用户家用电器数量、人口结构,以及电采暖设备开启意愿进行调查统计。将一个配变内的用户电量划分为9个段位。分段位电量预测表格格式如表2。
表2配变用户电量9分段分段表格
根据电量预测结果设计仿真计算程序阶段:
根据前期调研得到的用户电器明细、最大用电量预测结果,设计迭代计算程序,根据用户电器类型、日用电量两个关键因素,从采暖设备开启同时率、先后性以及居民用电习惯等方面着手,运用蒙特卡洛法模拟电采暖设备开启随机状态,以不同客户日用电量峰电量/谷电量作为约束条件,使用差分进化算法进行搜索寻优,实现负荷准确预测。流程图如图1所示:
a.所求问题维数D可能有多个,根据家用电器数量以及使用需求进行确定。另外可以根据求解问题的精度要求,设定24点、96点维数。
b.差分进化的种群个数一般为所求问题维数D的5-10倍。
c.可根据电采暖用户采取的峰谷分时电量类型进行设定,也可以根据尖、峰、平、谷等智能表记录分时段电量进行分别设定。可以设置复合函数。
d.在实际的仿真计算中,使用了unifrnd函数产生随机数,模拟各个时段的随机状态,“0”表示电器关闭,“1”表示电器开启。
e.需要仿真变异超出边界。
f.根据配变负荷预测曲线,选取新装变压器容量和类型。
在仿真程序设计流程如下:
程序设计阶段主要包含以下步骤:
1、设置最大迭代次数Gm,Gm一般可以根据所求解的个数和目标方程设置小于2000的自然数。初始变异率F0可以设置为0.5-0.9,种群个数Np可以取100-500,以及交叉概率CR可以取0.9。
2、设置所求问题的维数Di,i取1……n,n为现状调查得到的用户家用电器个数。Di可以根据用户用电习惯和家用电器功率开启情况进行设定,比如家用冰箱在制冷时设备开启随机性较强,可以每15分钟进行96点设置,电视机可以按小时进行24点设置,也可以根据用户消费习惯取模拟时间段。
3、设置各代最优值Gmin,设置各代的最优解向量best_xi,i取1……n,接着产生初始种群。
4、设置两个输出值xmin=0,以及xmax=1。设目标方程f(),目标方程根据家用电器个数以及设备开启、设备保持、设备关闭等状态进行系数确定,进化算法约束条件为现状调查得到的用户峰电量、谷电量。
在本实施例2中,以两个变量(即用户有两台电器a、b,日电量分别为xa、xb)为例进行峰电量目标方程说明。x0表示峰电量。峰电量目标方程为:
f(a,b)=xa+xb-x0
5、产生随机数,这里用到了蒙特卡洛法,可以选用unifrnd函数产生0和1的随机数,具体过程如下:
6、设置中间赋值向量XGi,用于存放每种家用电器最优解迭代计算结果所对应的值。初始化三个中间赋值向量,i取1……n,n为家用电器个数。Np为种群个数:
XG_next_1_i=zeros(Np,Di)
XG_next_2_i=zeros(Np,Di)
XG_next_i_i=zeros(Np,Di)
7、执行变异操作。操作前,产生三个不同的自然数。并且要防止变异超出边界,重新产生随机变量进行上步计算。变异操作的公式为:
其中,p、j、k表示三个不同的自然数,F表示变异因子,floor表示取整函数。
8、执行交叉操作。交叉操作的公式为:
其中,a、b表示中间赋值向量的元素所在的行和列。
9、执行选择操作,本实施例中,以12种家用电器为例进行选择操作的公式说明:
执行选择操作的公式为:
其中f()表示目标函数;
10、找出各代最小值以及目标函数最小值。输出迭代曲线以及计算时间、目标函数最小值,以及最优解向量。
11、峰电量迭代计算结束,可以进行谷电量作为约束条件的迭代计算,与上述1-10操作类似。各个迭代计算结果如图3所示。
12、其余用户执行和上述1-11步骤,直至计算出所有的用户全部家用电器96点解空间。
13、进行功率曲线的的叠加计算,确定配变最大用电功率。
本实施中,如图2所示,选取一个配变绘制了仿真曲线和实际曲线进行对比。通过图2的仿真结果对比图,可以得知,蒙特卡洛法较好地模拟出了上午和晚上两个高峰,并且最大负荷预测误差为13.77%,在规划设计所接受的范围内,可以满足要求。
需要对表3中仿真最大负荷79kW进行说明,因为在仿真计算中使用了96点曲线进行模拟,准确度将得到提高,而实际用电信息采集系统仅仅可以获取24点冻结数据,为了更好的对比实际结果,在图2中仅仅绘制了24点预测曲线。79kW最大预测负荷出现在仿真计算第4个波峰的后面。
表3本发明实施前后统计表
综上所述,本发明实施例所述的蒙特卡洛-差分进化算法的电采暖配变最大用电负荷预测方法,实现电采暖配变最大负荷的计算,降低了中低压配变新建工程在可研阶段的计算量,减少了重复劳动,极大减轻了可研评审、设计人员的工作压力;提高了电采暖配变可研阶段负荷预测准确率,提高了中低压配电网规划工作质量,电采暖配变轻载和重载数量将明显降低;电采暖配变可研阶段负荷预测准确率的提高,能够准确的反应中低压配电网的实际情况和规划情况,为后续科学、合理地制定项目可研、初设方案奠定坚实基础,利于电网建设和安全运行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种电采暖配变最大用电负荷预测方法,其特征在于,包括:
根据用户用电设备类型、数量,结合各个用电设备的性能参数,计算用户所有用电设备的日用电量;
根据日用电量以及用电设备使用状态,运用蒙特卡洛算法模拟用电设备开启的随机数;运用蒙特卡洛算法模拟用电设备开启的随机数包括:
设置最大迭代次数Gm,设置求解维数Di,i∈1,2,...,n,n表示用电设备的个数,设置各代最优值Gmin,设置各代的最优解向量best_xi,xi表示用电设备i的日用电量,生成初始种群;
设置输出值xmin=0,以及xmax=1,根据用电设备使用状态设定峰电量目标函数:f(1,2,...,n)=x1+x2+...+xn-x0,x0表示峰电量;
选用unifrnd函数产生0和1的随机数;
以日用电量的峰电量/谷电量作为约束条件,结合随机数,使用差分进化算法进行日负荷曲线最优化,具体包括:
设置中间赋值向量,用于存放每种家用电器最优解迭代计算结果所对应的值,并对中间赋值向量进行初始化;
通过执行变异操作、交叉操作以及选择操作,进行最优解赋值,获取各代最小值以及目标函数最小值,输出迭代曲线以及计算时间、目标函数最小值,以及最优解向量,直至计算出所有用户全部家用电器解空间,进行功率的叠加计算,确定电采暖配变的最大用电功率,为电采暖配变最大用电负荷;
根据所有用户的优化日负荷曲线进行叠加计算,实现电采暖配变最大用电负荷预测。
2.根据权利要求1所述的电采暖配变最大用电负荷预测方法,其特征在于:所述电采暖设备的性能参数包括开启时长、额定功率以及温度保持功率;所述用电设备使用状态包括开启、保持和关闭。
4.一种电采暖配变最大用电负荷预测系统,其特征在于,包括:
输入模块,用于输入用户的用电设备类型、数量,以及各个用电设备的性能参数;
计算模块,用于根据输入用户的用电设备类型、数量,以及各个用电设备的性能参数,计算用户的所有用电设备的日用电量;
随机数计算模块,用于根据日用电量以及用电设备使用状态,运用蒙特卡洛算法模拟用电设备开启的随机数;运用蒙特卡洛算法模拟用电设备开启的随机数包括:
设置最大迭代次数Gm,设置求解维数Di,i∈1,2,...,n,n表示用电设备的个数,设置各代最优值Gmin,设置各代的最优解向量best_xi,xi表示用电设备i的日用电量,生成初始种群;
设置输出值xmin=0,以及xmax=1,根据用电设备使用状态设定峰电量目标函数:f(1,2,...,n)=x1+x2+...+xn-x0,x0表示峰电量;
选用unifrnd函数产生0和1的随机数;
优化模块,用于以日用电量的峰电量/谷电量作为约束条件,结合随机数,使用差分进化算法进行日负荷曲线最优化,具体包括:
设置中间赋值向量,用于存放每种家用电器最优解迭代计算结果所对应的值,并对中间赋值向量进行初始化;
通过执行变异操作、交叉操作以及选择操作,进行最优解赋值,获取各代最小值以及目标函数最小值,输出迭代曲线以及计算时间、目标函数最小值,以及最优解向量,直至计算出所有用户全部家用电器解空间,进行功率的叠加计算,确定电采暖配变的最大用电功率,为电采暖配变最大用电负荷;
预测模块,用于根据所有用户的优化日负荷曲线进行叠加计算,实现电采暖配变最大用电负荷预测。
5.一种非暂态计算机可读存储介质,其特征在于:所述非暂态计算机可读存储介质包括用于执行如权利要求1-3中任一项所述的方法的指令。
6.一种电子设备,其特征在于:包括如权利要求5所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
7.一种电子设备,其特征在于:所述设备包括用于执行如权利要求1-3任一项所述的方法的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138924.XA CN112564085B (zh) | 2020-10-22 | 2020-10-22 | 电采暖配变最大用电负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011138924.XA CN112564085B (zh) | 2020-10-22 | 2020-10-22 | 电采暖配变最大用电负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112564085A CN112564085A (zh) | 2021-03-26 |
CN112564085B true CN112564085B (zh) | 2023-04-18 |
Family
ID=75042796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011138924.XA Active CN112564085B (zh) | 2020-10-22 | 2020-10-22 | 电采暖配变最大用电负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112564085B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117852B (zh) * | 2021-11-18 | 2022-10-21 | 华北电力大学 | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930927A (zh) * | 2016-04-19 | 2016-09-07 | 江苏省电力公司南京供电公司 | 一种基于行业负荷预测技术的配电网规划方法 |
CN106326996A (zh) * | 2015-06-16 | 2017-01-11 | 中国电力科学研究院 | 一种基于电量信息的用户负荷预测方法 |
CN109636059A (zh) * | 2018-12-24 | 2019-04-16 | 国网北京市电力公司 | 电采暖配电变压器负荷预测方法及装置 |
CN110929954A (zh) * | 2019-12-05 | 2020-03-27 | 中国南方电网有限责任公司 | 负荷预测方法、装置、计算机设备和存储介质 |
CN111242375A (zh) * | 2020-01-14 | 2020-06-05 | 深圳智润新能源电力勘测设计院有限公司 | 用电负荷分析系统、方法、装置及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8706650B2 (en) * | 2009-01-14 | 2014-04-22 | Integral Analytics, Inc. | Optimization of microgrid energy use and distribution |
-
2020
- 2020-10-22 CN CN202011138924.XA patent/CN112564085B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326996A (zh) * | 2015-06-16 | 2017-01-11 | 中国电力科学研究院 | 一种基于电量信息的用户负荷预测方法 |
CN105930927A (zh) * | 2016-04-19 | 2016-09-07 | 江苏省电力公司南京供电公司 | 一种基于行业负荷预测技术的配电网规划方法 |
CN109636059A (zh) * | 2018-12-24 | 2019-04-16 | 国网北京市电力公司 | 电采暖配电变压器负荷预测方法及装置 |
CN110929954A (zh) * | 2019-12-05 | 2020-03-27 | 中国南方电网有限责任公司 | 负荷预测方法、装置、计算机设备和存储介质 |
CN111242375A (zh) * | 2020-01-14 | 2020-06-05 | 深圳智润新能源电力勘测设计院有限公司 | 用电负荷分析系统、方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于蒙特卡洛法的用户负荷模拟及配电台区负荷预测方法;张健等;《农村电气化》;20151231(第12期);第13-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112564085A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | A data-driven Stackelberg market strategy for demand response-enabled distribution systems | |
Zhou et al. | Integrated power and heat dispatch considering available reserve of combined heat and power units | |
Karadede et al. | Breeder hybrid algorithm approach for natural gas demand forecasting model | |
Liang et al. | Stochastic control for smart grid users with flexible demand | |
Mbuwir et al. | Reinforcement learning for control of flexibility providers in a residential microgrid | |
CN109284939B (zh) | 综合能源系统的热电联合随机生产模拟方法、装置及设备 | |
CN104318323A (zh) | 一种考虑可靠性约束机组组合问题的快速调度方法 | |
Moradzadeh et al. | A secure federated deep learning-based approach for heating load demand forecasting in building environment | |
Wang et al. | Peer-to-peer electricity transaction decisions of the user-side smart energy system based on the SARSA reinforcement learning | |
CN112564085B (zh) | 电采暖配变最大用电负荷预测方法及系统 | |
Carpentier et al. | Algorithms for two-time scales stochastic optimization with applications to long term management of energy storage | |
Sorourifar et al. | Computationally efficient integrated design and predictive control of flexible energy systems using multi‐fidelity simulation‐based Bayesian optimization | |
Habib et al. | Combined heat and power units sizing and energy cost optimization of a residential building by using an artificial bee colony algorithm | |
CN107679648A (zh) | 布谷鸟搜索优化二次移动平均法的月度用电量预测方法 | |
CN107527110A (zh) | 基于布谷鸟搜索优化mgm(1,n)的年用电量预测方法 | |
CN112560330B (zh) | 一种用于用电行为预测的仿真数据生成方法及系统 | |
Cui et al. | A game-theoretic price determination algorithm for utility companies serving a community in smart grid | |
Elombo et al. | Residential load variability and diversity at different sampling time and aggregation scales | |
CN111340568A (zh) | 一种售电电价仿真方法、系统、可读存储介质及设备 | |
Ferraz et al. | Analysis of distribution system considering load uncertainties: a k-means clustering approach | |
CN103714226A (zh) | 一种有序用电优化方案自动生成方法与装置 | |
Yao et al. | A novel robust grey model for forecasting Chinese electricity demand | |
Gamst et al. | Time aggregation techniques applied to a capacity expansion model for real-life sector coupled energy systems | |
Amjady et al. | Optimal reliable operation of hydrothermal power systems with random unit outages | |
Zlotnik et al. | Assessing risk of gas shortage in coupled gas-electricity infrastructures |
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 |