CN112700069A - 一种含储能的区域配电网短期负荷预测方法 - Google Patents

一种含储能的区域配电网短期负荷预测方法 Download PDF

Info

Publication number
CN112700069A
CN112700069A CN202110053766.6A CN202110053766A CN112700069A CN 112700069 A CN112700069 A CN 112700069A CN 202110053766 A CN202110053766 A CN 202110053766A CN 112700069 A CN112700069 A CN 112700069A
Authority
CN
China
Prior art keywords
day
power
curve
user
energy storage
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.)
Granted
Application number
CN202110053766.6A
Other languages
English (en)
Other versions
CN112700069B (zh
Inventor
侯婷婷
方仍存
张维
杨东俊
唐金锐
颜玉林
迟赫天
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.)
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Hubei Electric Power 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 Corp of China SGCC, Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110053766.6A priority Critical patent/CN112700069B/zh
Publication of CN112700069A publication Critical patent/CN112700069A/zh
Application granted granted Critical
Publication of CN112700069B publication Critical patent/CN112700069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种含储能的区域配电网短期负荷预测方法，该方法先构建区域配电网中各用户离预测日最近90天的用电特性曲线以及储能电站离预测日最近90天的充放电功率曲线，然后根据各用户离预测日最近90天的用电特性曲线确定其在预测日的用电特性曲线，并根据储能电站离预测日最近90天的充放电功率曲线确定其在预测日的充放电功率曲线，最后将预测日的用电特性曲线与充放电功率曲线叠加即可。本设计有效提高了含储能的区域配电网短期负荷预测的精度。

Description

一种含储能的区域配电网短期负荷预测方法
技术领域
本发明属于配电网负荷预测技术领域，具体涉及一种含储能的区域配电网短期负荷预测方法。
背景技术
目前，分布式可再生能源渗透率不断提高、电动汽车广泛接入、时变负荷快速发展，区域配电网的用电负荷正变得更加不确定。准确的区域配电网短期负荷预测将可为需求侧响应提供技术支撑，最终明显提高配电网安全运行水平。
随着智能电表的大规模推广应用，区域配电网积累了海量的用户负荷历史用电数据，利用这些海量的用户用电数据，实现准确的区域配电网短期负荷预测成为可能。为了提高区域配电网的能源自给率，电化学储能电站也正在进行示范应用，未来储能电站有望在区域配电网中得到广泛应用。
现有的配电网短期负荷预测方法一般适用于变电站级的负荷预测或者城市级别的负荷预测，很难用于具有强波动性和随机性的区域配电网，更不用说含储能充放电的区域配电网。
发明内容
本发明的目的是针对现有技术存在的上述问题，提供一种能够有效提高预测精度的含储能的区域配电网短期负荷预测方法。
为实现以上目的，本发明的技术方案如下：
一种含储能的区域配电网短期负荷预测方法，依次包括以下步骤：
步骤A、构建区域配电网中各用户离预测日最近90天的用电特性曲线以及区域配电网中储能电站离预测日最近90天的充放电功率曲线；
步骤B、根据各用户离预测日最近90天的用电特性曲线确定其在预测日的用电特性曲线，并根据储能电站离预测日最近90天的充放电功率曲线确定其在预测日的充放电功率曲线；
步骤C、根据各用户在预测日的用电特性曲线以及储能电站在预测日的充放电功率曲线，采用以下公式计算得到区域配电网在预测日的短期负荷Pd：
Figure BDA0002900112990000021
上式中，Pi,seq为第i个用户在预测日的用电特性曲线，Pess,seq为储能电站在预测日的充放电功率曲线，n为区域配电网中用户的总数。
步骤B中，所述根据各用户离预测日最近90天的用电特性曲线确定各用户在预测日的用电特性曲线依次包括以下步骤：
B1-1、根据各用户离预测日最近90天的用电特性曲线计算各用户在不同日期的用电特性曲线相似度：
Figure BDA0002900112990000022
上式中，ρi(s,t)为第i个用户第s日与第t日的用电特性曲线相似度，s＝1,2…90，t＝1,2…90，Pi,s(k)为第i个用户第s日第k个时段的用电量，k＝1,2…48，Pi,t(k)为第i个用户第t日第k个时段的用电量；
B1-2、针对各用户，根据计算得到的该用户的用电特性曲线相似度将其离预测日最近90天的用电特性曲线聚类形成x簇，使每一簇包含的用电特性曲线同时满足以下条件：
对于每一簇，ρi(s,t)大于预设的相似度值ρset1；
任意一天的用电特性曲线最多只能出现在一簇中；
B1-3、根据各用户的聚类结果确定其在预测日的用电特性曲线，具体为：
若第i个用户聚类形成的簇数xi＝2，则先通过分析两簇中的用电特性曲线与工作日、节假日的关联关系，将两簇分别确定为工作日簇、节假日簇，然后通过判定预测日是工作日还是节假日确定其所属的簇，最后通过以下公式确定该用户在预测日的用电特性曲线：
Figure BDA0002900112990000023
上式中，Pi,seq(k)为第i个用户在预测日第k个时段的用电量，Pi,j(k)为第i个用户第j日第k个时段的用电量，num(D)为预测日所属的簇D中元素的个数；
若xi>2或xi＝0，则将离预测日最近90天的日均用电特性曲线作为其预测日的用电特性曲线，即
Figure BDA0002900112990000031
若xi＝1，则利用长短期记忆神经网络得出该用户在预测日的用电特性曲线。
步骤B1-3中，所述利用长短期记忆神经网络得出该用户在预测日的用电特性曲线具体为：选取该用户离预测日最近90天中第j、j+1两天的用电数据为训练数据，j＝1,2…88，通过预测j+2序列的结果进行反馈修正，对j依次取值，训练更新循环神经网络的权重，得出训练后的循环神经网络的模型参数，最后根据第89日和第90日的用电数据得出预测日的用电特性曲线。
步骤B中，所述根据储能电站离预测日最近90天的充放电功率曲线确定储能电站在预测日的充放电曲线依次包括以下步骤：
B2-1、根据储能电站离预测日最近90天的充放电功率曲线计算其在不同日期的充放电功率曲线相似度：
Figure BDA0002900112990000032
上式中，ρess(s,t)为储能电站第s日与第t日的充放电曲线相似度，s＝1,2…90，t＝1,2…90，ESSs(k)为储能电站第s日第k个时段的充放电电量，充电为负，放电为正，k＝1,2…48，ESSt(k)为储能电站第t日第k个时段的充放电电量；
B2-2、根据计算得到的充放电功率曲线相似度将储能电站离预测日最近90天的充放电功率曲线聚类形成y簇，使每一簇包含的充放电功率曲线同时满足以下条件：
对于每一簇，ρess(s,t)大于预设的相似度值ρset2；
任意一天的充放电功率曲线最多只能出现在一簇中；
B2-3、根据聚类结果确定储能电站在预测日的充放电功率曲线，具体为：
若y>2或y＝0，则按照以下公式计算储能电站在预测日的充放电功率曲线：
Figure BDA0002900112990000033
上式中，Pess,seq(k)为储能电站在预测日第k个时段的充放电电量，ESSj(k)为储能电站第j日第k个时段的充放电电量；
若y＝2，则先通过分析两簇中的充放电功率曲线与工作日、节假日的关联关系，将两簇分别确定为工作日簇、节假日簇，然后通过判定预测日是工作日还是节假日确定其所属的簇，最后通过以下公式确定储能电站在预测日的充放电功率曲线：
Figure BDA0002900112990000041
上式中，num(D)为预测日所属的簇D中元素的个数；
若y＝1，则将离预测日最近90天的日均充放电功率曲线作为其预测日的充放电功率曲线，即
Figure BDA0002900112990000042
与现有技术相比，本发明的有益效果为：
1、本发明一种含储能的区域配电网短期负荷预测方法先构建区域配电网中各用户离预测日最近90天的用电特性曲线以及区域配电网中储能电站离预测日最近90天的充放电功率曲线，然后根据用电特性曲线、充放电功率曲线分别确定各用户在预测日的用电特性曲线、储能电站在预测日的充放电功率曲线，最后将两者叠加即可得到区域配电网在预测日的短期负荷，该方法同时考虑了用户的历史用电特性以及储能电站的历史充放电功率特性，使得预测结果具有较高的精度，有利于整个区域配电网的安全运行。因此，本发明预测结果具有较高的精度。
2、本发明一种含储能的区域配电网短期负荷预测方法在确定预测日的用电特性曲线以及充放电功率曲线时，先对用户的历史用电数据以及储能电站的历史充放电功率数据进行聚类，然后针对不同的聚类结果采用不同的方法进行短期负荷预测，同时结合了平均值预测方法、相似日预测方法和基于人工智能算法各自的优势，进一步提高了短期负荷预测的精度。因此，本发明进一步提高了预测的精度。
具体实施方式
下面结合具体实施方式对本发明作进一步详细的说明。
一种含储能的区域配电网短期负荷预测方法，依次包括以下步骤：
步骤A、构建区域配电网中各用户离预测日最近90天的用电特性曲线以及区域配电网中储能电站离预测日最近90天的充放电功率曲线；
步骤B、根据各用户离预测日最近90天的用电特性曲线确定其在预测日的用电特性曲线，并根据储能电站离预测日最近90天的充放电功率曲线确定其在预测日的充放电功率曲线；
步骤C、根据各用户在预测日的用电特性曲线以及储能电站在预测日的充放电功率曲线，采用以下公式计算得到区域配电网在预测日的短期负荷Pd：
Figure BDA0002900112990000051
上式中，Pi,seq为第i个用户在预测日的用电特性曲线，Pess,seq为储能电站在预测日的充放电功率曲线，n为区域配电网中用户的总数。
步骤B中，所述根据各用户离预测日最近90天的用电特性曲线确定各用户在预测日的用电特性曲线依次包括以下步骤：
B1-1、根据各用户离预测日最近90天的用电特性曲线计算各用户在不同日期的用电特性曲线相似度：
Figure BDA0002900112990000052
上式中，ρi(s,t)为第i个用户第s日与第t日的用电特性曲线相似度，s＝1,2…90，t＝1,2…90，Pi,s(k)为第i个用户第s日第k个时段的用电量，k＝1,2…48，Pi,t(k)为第i个用户第t日第k个时段的用电量；
B1-2、针对各用户，根据计算得到的该用户的用电特性曲线相似度将其离预测日最近90天的用电特性曲线聚类形成x簇，使每一簇包含的用电特性曲线同时满足以下条件：
对于每一簇，ρi(s,t)大于预设的相似度值ρset1；
任意一天的用电特性曲线最多只能出现在一簇中；
B1-3、根据各用户的聚类结果确定其在预测日的用电特性曲线，具体为：
若第i个用户聚类形成的簇数xi＝2，则先通过分析两簇中的用电特性曲线与工作日、节假日的关联关系，将两簇分别确定为工作日簇、节假日簇，然后通过判定预测日是工作日还是节假日确定其所属的簇，最后通过以下公式确定该用户在预测日的用电特性曲线：
Figure BDA0002900112990000053
上式中，Pi,seq(k)为第i个用户在预测日第k个时段的用电量，Pi,j(k)为第i个用户第j日第k个时段的用电量，num(D)为预测日所属的簇D中元素的个数；
若xi>2或xi＝0，则将离预测日最近90天的日均用电特性曲线作为其预测日的用电特性曲线，即
Figure BDA0002900112990000061
若xi＝1，则利用长短期记忆神经网络得出该用户在预测日的用电特性曲线。
步骤B1-3中，所述利用长短期记忆神经网络得出该用户在预测日的用电特性曲线具体为：选取该用户离预测日最近90天中第j、j+1两天的用电数据为训练数据，j＝1,2…88，通过预测j+2序列的结果进行反馈修正，对j依次取值，训练更新循环神经网络的权重，得出训练后的循环神经网络的模型参数，最后根据第89日和第90日的用电数据得出预测日的用电特性曲线。
步骤B中，所述根据储能电站离预测日最近90天的充放电功率曲线确定储能电站在预测日的充放电曲线依次包括以下步骤：
B2-1、根据储能电站离预测日最近90天的充放电功率曲线计算其在不同日期的充放电功率曲线相似度：
Figure BDA0002900112990000062
上式中，ρess(s,t)为储能电站第s日与第t日的充放电曲线相似度，s＝1,2…90，t＝1,2…90，ESSs(k)为储能电站第s日第k个时段的充放电电量，充电为负，放电为正，k＝1,2…48，ESSt(k)为储能电站第t日第k个时段的充放电电量；
B2-2、根据计算得到的充放电功率曲线相似度将储能电站离预测日最近90天的充放电功率曲线聚类形成y簇，使每一簇包含的充放电功率曲线同时满足以下条件：
对于每一簇，ρess(s,t)大于预设的相似度值ρset2；
任意一天的充放电功率曲线最多只能出现在一簇中；
B2-3、根据聚类结果确定储能电站在预测日的充放电功率曲线，具体为：
若y>2或y＝0，则按照以下公式计算储能电站在预测日的充放电功率曲线：
Figure BDA0002900112990000063
上式中，Pess,seq(k)为储能电站在预测日第k个时段的充放电电量，ESSj(k)为储能电站第j日第k个时段的充放电电量；
若y＝2，则先通过分析两簇中的充放电功率曲线与工作日、节假日的关联关系，将两簇分别确定为工作日簇、节假日簇，然后通过判定预测日是工作日还是节假日确定其所属的簇，最后通过以下公式确定储能电站在预测日的充放电功率曲线：
Figure BDA0002900112990000071
上式中，num(D)为预测日所属的簇D中元素的个数；
若y＝1，则将离预测日最近90天的日均充放电功率曲线作为其预测日的充放电功率曲线，即
Figure BDA0002900112990000072
实施例1：
一种含储能的区域配电网短期负荷预测方法，依次按照以下步骤进行：
1、收集区域配电网中各用户的用电数据，构建区域配电网中各用户离预测日最近90天的用电特性曲线以及区域配电网中储能电站离预测日最近90天的充放电功率曲线；
2、根据各用户离预测日最近90天的用电特性曲线计算各用户在不同日期的用电特性曲线相似度：
Figure BDA0002900112990000073
上式中，ρi(s,t)为第i个用户第s日与第t日的用电特性曲线相似度，s＝1,2…90，t＝1,2…90，Pi,s(k)为第i个用户第s日第k个时段的用电量，每30分钟为一个时段，k＝1,2…48，Pi,t(k)为第i个用户第t日第k个时段的用电量；
3、针对各用户，根据计算得到的该用户的用电特性曲线相似度将其离预测日最近90天的用电特性曲线聚类形成x簇，使每一簇包含的用电特性曲线同时满足以下条件：
对于每一簇，ρi(s,t)大于预设的相似度值ρset1＝0.8；
任意一天的用电特性曲线最多只能出现在一簇中；
4、根据各用户的聚类结果确定其在预测日的用电特性曲线，具体为：
若第i个用户聚类形成的簇数xi＝2，则先通过分析两簇中的用电特性曲线与工作日、节假日的关联关系，将两簇分别确定为工作日簇、节假日簇，然后通过判定预测日是工作日还是节假日确定其所属的簇，最后通过以下公式确定该用户在预测日的用电特性曲线：
Figure BDA0002900112990000081
上式中，Pi,seq(k)为第i个用户在预测日第k个时段的用电量，Pi,j(k)为第i个用户第j日第k个时段的用电量，num(D)为预测日所属的簇D中元素的个数；
若xi>2或xi＝0，则将离预测日最近90天的日均用电特性曲线作为其预测日的用电特性曲线，即
Figure BDA0002900112990000082
若xi＝1，则利用长短期记忆神经网络，将神经网络的输入单元为96，输出单元为48，层数设为15，选取该用户离预测日最近90天中第j、j+1两天的用电数据为训练数据，j＝1,2…88，通过预测j+2序列的结果进行反馈修正，对j依次取值，训练更新循环神经网络的权重，得出训练后的循环神经网络的模型参数，最后根据第89日和第90日的用电数据得出预测日的用电特性曲线；
5、根据储能电站离预测日最近90天的充放电功率曲线计算其在不同日期的充放电功率曲线相似度：
Figure BDA0002900112990000083
上式中，ρess(s,t)为储能电站第s日与第t日的充放电曲线相似度，s＝1,2…90，t＝1,2…90，ESSs(k)为储能电站第s日第k个时段的充放电电量，充电为负，放电为正，k＝1,2…48，ESSt(k)为储能电站第t日第k个时段的充放电电量；
6、根据计算得到的充放电功率曲线相似度将储能电站离预测日最近90天的充放电功率曲线聚类形成y簇，使每一簇包含的充放电功率曲线同时满足以下条件：
对于每一簇，ρess(s,t)大于预设的相似度值ρset2＝0.9；
任意一天的充放电功率曲线最多只能出现在一簇中；
7、根据聚类结果确定储能电站在预测日的充放电功率曲线，具体为：
若y>2或y＝0，则按照以下公式计算储能电站在预测日的充放电功率曲线：
Figure BDA0002900112990000084
上式中，Pess,seq(k)为储能电站在预测日第k个时段的充放电电量，ESSj(k)为储能电站第j日第k个时段的充放电电量；
若y＝2，则先通过分析两簇中的充放电功率曲线与工作日、节假日的关联关系，将两簇分别确定为工作日簇、节假日簇，然后通过判定预测日是工作日还是节假日确定其所属的簇，最后通过以下公式确定储能电站在预测日的充放电功率曲线：
Figure BDA0002900112990000091
上式中，num(D)为预测日所属的簇D中元素的个数；
若y＝1，则将离预测日最近90天的日均充放电功率曲线作为其预测日的充放电功率曲线，即
Figure BDA0002900112990000092
8、根据各用户在预测日的用电特性曲线以及储能电站在预测日的充放电功率曲线，采用以下公式计算得到区域配电网在预测日的短期负荷Pd：
Figure BDA0002900112990000093
上式中，Pi,seq为第i个用户在预测日的用电特性曲线，Pess,seq为储能电站在预测日的充放电功率曲线，n为区域配电网中用户的总数。

Claims (4)

1.一种含储能的区域配电网短期负荷预测方法，其特征在于：
所述预测方法依次包括以下步骤：
步骤A、构建区域配电网中各用户离预测日最近90天的用电特性曲线以及区域配电网中储能电站离预测日最近90天的充放电功率曲线；
步骤B、根据各用户离预测日最近90天的用电特性曲线确定其在预测日的用电特性曲线，并根据储能电站离预测日最近90天的充放电功率曲线确定其在预测日的充放电功率曲线；
步骤C、根据各用户在预测日的用电特性曲线以及储能电站在预测日的充放电功率曲线，采用以下公式计算得到区域配电网在预测日的短期负荷Pd：
Figure FDA0002900112980000011
上式中，Pi,seq为第i个用户在预测日的用电特性曲线，Pess,seq为储能电站在预测日的充放电功率曲线，n为区域配电网中用户的总数。
2.根据权利要求1所述的一种含储能的区域配电网短期负荷预测方法，其特征在于：
步骤B中，所述根据各用户离预测日最近90天的用电特性曲线确定各用户在预测日的用电特性曲线依次包括以下步骤：
B1-1、根据各用户离预测日最近90天的用电特性曲线计算各用户在不同日期的用电特性曲线相似度：
Figure FDA0002900112980000012
上式中，ρi(s,t)为第i个用户第s日与第t日的用电特性曲线相似度，s＝1,2…90，t＝1,2…90，Pi,s(k)为第i个用户第s日第k个时段的用电量，k＝1,2…48，Pi,t(k)为第i个用户第t日第k个时段的用电量；
B1-2、针对各用户，根据计算得到的该用户的用电特性曲线相似度将其离预测日最近90天的用电特性曲线聚类形成x簇，使每一簇包含的用电特性曲线同时满足以下条件：
对于每一簇，ρi(s,t)大于预设的相似度值ρset1；
任意一天的用电特性曲线最多只能出现在一簇中；
B1-3、根据各用户的聚类结果确定其在预测日的用电特性曲线，具体为：
若第i个用户聚类形成的簇数xi＝2，则先通过分析两簇中的用电特性曲线与工作日、节假日的关联关系，将两簇分别确定为工作日簇、节假日簇，然后通过判定预测日是工作日还是节假日确定其所属的簇，最后通过以下公式确定该用户在预测日的用电特性曲线：
Figure FDA0002900112980000021
上式中，Pi,seq(k)为第i个用户在预测日第k个时段的用电量，Pi,j(k)为第i个用户第j日第k个时段的用电量，num(D)为预测日所属的簇D中元素的个数；
若xi>2或xi＝0，则将离预测日最近90天的日均用电特性曲线作为其预测日的用电特性曲线，即
Figure FDA0002900112980000022
若xi＝1，则利用长短期记忆神经网络得出该用户在预测日的用电特性曲线。
3.根据权利要求2所述的一种含储能的区域配电网短期负荷预测方法，其特征在于：
步骤B1-3中，所述利用长短期记忆神经网络得出该用户在预测日的用电特性曲线具体为：选取该用户离预测日最近90天中第j、j+1两天的用电数据为训练数据，j＝1,2…88，通过预测j+2序列的结果进行反馈修正，对j依次取值，训练更新循环神经网络的权重，得出训练后的循环神经网络的模型参数，最后根据第89日和第90日的用电数据得出预测日的用电特性曲线。
4.根据权利要求2或3所述的一种含储能的区域配电网短期负荷预测方法，其特征在于：
步骤B中，所述根据储能电站离预测日最近90天的充放电功率曲线确定储能电站在预测日的充放电曲线依次包括以下步骤：
B2-1、根据储能电站离预测日最近90天的充放电功率曲线计算其在不同日期的充放电功率曲线相似度：
Figure FDA0002900112980000031
上式中，ρess(s,t)为储能电站第s日与第t日的充放电曲线相似度，s＝1,2…90，t＝1,2…90，ESSs(k)为储能电站第s日第k个时段的充放电电量，充电为负，放电为正，k＝1,2…48，ESSt(k)为储能电站第t日第k个时段的充放电电量；
B2-2、根据计算得到的充放电功率曲线相似度将储能电站离预测日最近90天的充放电功率曲线聚类形成y簇，使每一簇包含的充放电功率曲线同时满足以下条件：
对于每一簇，ρess(s,t)大于预设的相似度值ρset2；
任意一天的充放电功率曲线最多只能出现在一簇中；
B2-3、根据聚类结果确定储能电站在预测日的充放电功率曲线，具体为：
若y>2或y＝0，则按照以下公式计算储能电站在预测日的充放电功率曲线：
Figure FDA0002900112980000032
上式中，Pess,seq(k)为储能电站在预测日第k个时段的充放电电量，ESSj(k)为储能电站第j日第k个时段的充放电电量；
若y＝2，则先通过分析两簇中的充放电功率曲线与工作日、节假日的关联关系，将两簇分别确定为工作日簇、节假日簇，然后通过判定预测日是工作日还是节假日确定其所属的簇，最后通过以下公式确定储能电站在预测日的充放电功率曲线：
Figure FDA0002900112980000033
上式中，num(D)为预测日所属的簇D中元素的个数；
若y＝1，则将离预测日最近90天的日均充放电功率曲线作为其预测日的充放电功率曲线，即
Figure FDA0002900112980000034
CN202110053766.6A 2021-01-15 2021-01-15 一种含储能的区域配电网短期负荷预测方法 Active CN112700069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110053766.6A CN112700069B (zh) 2021-01-15 2021-01-15 一种含储能的区域配电网短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110053766.6A CN112700069B (zh) 2021-01-15 2021-01-15 一种含储能的区域配电网短期负荷预测方法

Publications (2)

Publication Number Publication Date
CN112700069A true CN112700069A (zh) 2021-04-23
CN112700069B CN112700069B (zh) 2024-04-19

Family

ID=75515232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110053766.6A Active CN112700069B (zh) 2021-01-15 2021-01-15 一种含储能的区域配电网短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN112700069B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184388A (zh) * 2015-08-05 2015-12-23 三峡大学 一种城市电力负荷短期预测的非线性回归方法
CN109193720A (zh) * 2018-09-12 2019-01-11 华南理工大学 基于企业用户典型日负荷曲线的用户侧储能容量配置方法
KR20190007328A (ko) * 2017-07-12 2019-01-22 오씨아이 주식회사 태양광 발전량 및 부하량 예측을 통한 전기 에너지 충/방전 관리 시스템 및 방법
CN109314392A (zh) * 2016-06-17 2019-02-05 松下知识产权经营株式会社 电力管理系统
CN109376971A (zh) * 2018-12-29 2019-02-22 北京中电普华信息技术有限公司 一种面向电力用户的负荷曲线预测方法及系统
CN109492048A (zh) * 2019-01-21 2019-03-19 国网河北省电力有限公司经济技术研究院 一种电力用户用电特性的提取方法、系统及终端设备
CN109558467A (zh) * 2018-12-07 2019-04-02 国网江苏省电力有限公司常州供电分公司 用电用户类别识别方法及系统
CN109560562A (zh) * 2018-12-28 2019-04-02 国网湖南省电力有限公司 基于超短期负荷预测的储能电站调峰控制方法
CN109886501A (zh) * 2019-03-06 2019-06-14 昆明理工大学 一种电动汽车充放电多目标优化方法
CN110224444A (zh) * 2019-05-16 2019-09-10 广东电网有限责任公司 一种海岛微电网多时间尺度协调控制方法
CN110322372A (zh) * 2019-07-10 2019-10-11 国网能源研究院有限公司 区域电力系统中多级电网联动的机组组合调度方法
CN110414776A (zh) * 2019-06-14 2019-11-05 国网河南省电力公司郑州供电公司 分行业用电特性快速响应分析系统
CN111311079A (zh) * 2020-01-21 2020-06-19 南方电网科学研究院有限责任公司 一种大用户综合用能服务系统
CN111539620A (zh) * 2020-04-21 2020-08-14 中国电力科学研究院有限公司 一种提供能量服务的储能运营方法及系统
CN112134300A (zh) * 2020-10-09 2020-12-25 国网江苏省电力有限公司无锡供电分公司 基于预约的电动汽车光储充电站滚动优化运行方法及系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184388A (zh) * 2015-08-05 2015-12-23 三峡大学 一种城市电力负荷短期预测的非线性回归方法
CN109314392A (zh) * 2016-06-17 2019-02-05 松下知识产权经营株式会社 电力管理系统
US20190340545A1 (en) * 2016-06-17 2019-11-07 Panasonic Intellectual Property Management Co. Ltd. Electric power management system for reducing large and rapid change in power received from electricity delivery system
KR20190007328A (ko) * 2017-07-12 2019-01-22 오씨아이 주식회사 태양광 발전량 및 부하량 예측을 통한 전기 에너지 충/방전 관리 시스템 및 방법
CN109193720A (zh) * 2018-09-12 2019-01-11 华南理工大学 基于企业用户典型日负荷曲线的用户侧储能容量配置方法
CN109558467A (zh) * 2018-12-07 2019-04-02 国网江苏省电力有限公司常州供电分公司 用电用户类别识别方法及系统
CN109560562A (zh) * 2018-12-28 2019-04-02 国网湖南省电力有限公司 基于超短期负荷预测的储能电站调峰控制方法
CN109376971A (zh) * 2018-12-29 2019-02-22 北京中电普华信息技术有限公司 一种面向电力用户的负荷曲线预测方法及系统
CN109492048A (zh) * 2019-01-21 2019-03-19 国网河北省电力有限公司经济技术研究院 一种电力用户用电特性的提取方法、系统及终端设备
CN109886501A (zh) * 2019-03-06 2019-06-14 昆明理工大学 一种电动汽车充放电多目标优化方法
CN110224444A (zh) * 2019-05-16 2019-09-10 广东电网有限责任公司 一种海岛微电网多时间尺度协调控制方法
CN110414776A (zh) * 2019-06-14 2019-11-05 国网河南省电力公司郑州供电公司 分行业用电特性快速响应分析系统
CN110322372A (zh) * 2019-07-10 2019-10-11 国网能源研究院有限公司 区域电力系统中多级电网联动的机组组合调度方法
CN111311079A (zh) * 2020-01-21 2020-06-19 南方电网科学研究院有限责任公司 一种大用户综合用能服务系统
CN111539620A (zh) * 2020-04-21 2020-08-14 中国电力科学研究院有限公司 一种提供能量服务的储能运营方法及系统
CN112134300A (zh) * 2020-10-09 2020-12-25 国网江苏省电力有限公司无锡供电分公司 基于预约的电动汽车光储充电站滚动优化运行方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AUDER，B: ""Scalable clustering of individual electrical curves for profiling and bottom-up forecasting"", 《ENERGIES》, vol. 11, no. 07, 20 July 2018 (2018-07-20), pages 1 - 22 *
吴郅君;殷新博;陈中;杜健;刘艺;: "基于模糊聚类曲线相似度的负荷用户识别方法", 电力工程技术, vol. 38, no. 03, 28 May 2019 (2019-05-28), pages 151 - 156 *
赵劲帅: ""基于模糊聚类分析与模型识别的微电网多目标优化方法"", 《电网技术》, vol. 40, no. 08, 30 April 2016 (2016-04-30), pages 2316 - 2323 *
陈建枫;范兵;郭敏;施勇;冯小珊;顾洁;: "基于用电特性的分类用户优化峰谷电价机制研究", 电器与能效管理技术, no. 04, 28 February 2017 (2017-02-28), pages 52 - 58 *

Also Published As

Publication number Publication date
CN112700069B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN109462231B (zh) 居民微电网的负荷优化调度方法、系统和存储介质
CN106712061B (zh) 一种基于电动汽车可调度能力的日内优先调度方法
CN110474339B (zh) 一种基于深度发电负荷预测的电网无功控制方法
CN105576699B (zh) 一种独立微电网储能裕度检测方法
CN115693757A (zh) 一种基于数字孪生技术的光伏能源优化调控方法
CN115117931B (zh) 考虑电动汽车灵活性和光伏接入的配电网规划方法及系统
CN110198042B (zh) 一种电网储能的动态优化方法及存储介质
CN112238781B (zh) 一种基于分层架构的电动汽车有序充电控制方法
CN116436008A (zh) 一种用于光储充电站的电力调度方法及终端
CN105868499B (zh) 一种含风光储的电动汽车充电站容量配比方法
CN116187601A (zh) 一种基于负荷预测的综合能源系统运行优化方法
CN108075471B (zh) 基于随机性电源出力预测的多目标约束优化电网调度策略
CN109193729A (zh) 一种配网自动化系统中储能系统的选址方法
CN113258561A (zh) 一种基于多属性决策的多种分布式电源的微电网多目标优化调度方法
CN107370169A (zh) 基于anfis短期负荷预测的大规模储能电站调峰控制器及方法
CN117060474A (zh) 一种新能源充电站的调度方法、系统、设备及存储介质
CN115811135A (zh) 一种基于电网调峰调频的充换电设备智能监测调控系统
CN114723230A (zh) 面向新能源发电和储能的微电网双层调度方法及系统
CN110472841B (zh) 一种电动汽车快速充电站的储能配置方法
CN108846529A (zh) 一种发电量预测系统
CN107609690A (zh) 一种负荷主动管理决策优化的方法
CN116645089A (zh) 一种考虑退役电池容量退化的储能系统双层优化配置方法
CN112700069B (zh) 一种含储能的区域配电网短期负荷预测方法
CN113629775B (zh) 一种基于模糊逻辑的氢储能系统集群出力决策方法
CN114884108A (zh) 源网荷储一体化的微电网多时间尺度能量管理优化方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210701

Address after: 430077 No.47, Xudong Road, guoguohu street, Wuchang District, Wuhan City, Hubei Province

Applicant after: ECONOMIC TECHNOLOGY RESEARCH INSTITUTE OF STATE GRID HUBEI ELECTRIC POWER Co.,Ltd.

Address before: 100031 No. 86 West Chang'an Avenue, Beijing, Xicheng District

Applicant before: STATE GRID CORPORATION OF CHINA

Applicant before: ECONOMIC TECHNOLOGY RESEARCH INSTITUTE OF STATE GRID HUBEI ELECTRIC POWER Co.,Ltd.

GR01 Patent grant
GR01 Patent grant