CN113033953A - 一种基于大数据的用户侧需求响应决策建议方法 - Google Patents

一种基于大数据的用户侧需求响应决策建议方法 Download PDF

Info

Publication number
CN113033953A
CN113033953A CN202110177485.1A CN202110177485A CN113033953A CN 113033953 A CN113033953 A CN 113033953A CN 202110177485 A CN202110177485 A CN 202110177485A CN 113033953 A CN113033953 A CN 113033953A
Authority
CN
China
Prior art keywords
response
load
potential
valley
peak
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
CN202110177485.1A
Other languages
English (en)
Other versions
CN113033953B (zh
Inventor
胡伟
马骏达
张磊
蔡展乐
姜昺蔚
杨剑
徐耀辉
应英俊
胡萌
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 Zhejiang Electric Power Co Ltd
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Jinhua Power Supply Co of State Grid Zhejiang 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 Zhejiang Electric Power Co Ltd, Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202110177485.1A priority Critical patent/CN113033953B/zh
Publication of CN113033953A publication Critical patent/CN113033953A/zh
Application granted granted Critical
Publication of CN113033953B publication Critical patent/CN113033953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Abstract

本发明属于电力技术领域，具体涉及一种基于大数据的用户侧需求响应决策建议方法，包括：获取电力系统内外部数据并进行预处理；基于预处理后的电力系统内外部数据，构建削峰填谷潜力分析模型，并计算得到高削峰响应潜力用户及高填谷响应潜力用户；获取高削峰响应潜力用户及高填谷响应潜力用户的负荷曲线数据，构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析，得到需求侧响应的决策建议。本发明采用的技术方案，具有如下有益效果：实现客户侧需求响应潜力客户精准筛选，提升客户侧高潜力需求响应资源识别的精准性；为用户需求响应成功提供强有力的支持和保障，从而提高用户需求响应的成功的概率。

Description

一种基于大数据的用户侧需求响应决策建议方法
技术领域
本发明属于电力技术领域，具体涉及一种基于大数据的用户侧需求响应决策建议方法。
背景技术
近年来，随着我国经济发展进入新常态，全社会用电增速逐步放缓，电力供需失衡状态地区差异明显，加上可再生能源消纳矛盾日益突出。为促进电力供需平衡和保障重点用户用电，如何对客户侧需求响应资源精准唤醒及科学培育，促进可再生能源消纳，持续提升需求响应客户的参与度和获得感，成为当前需求侧响应工作的重要挑战。
目前较多的需求响应分析主要针对“基于价格的需求侧响应”，即实施分时电价后对用户负荷曲线的变化进行研究，也有相关学者提出相关需求潜力评估的方法，如行业电力需求侧响应削峰潜力评估方法，基于模糊优化集对分析理论的需求响应潜力评估，但未明确至用户层面的响应潜力能力评估，需求侧响应过程中响应预评估等方法。
发明内容
为解决上述技术问题，本发明提出一种基于大数据的用户侧需求响应决策建议方法。
一种基于大数据的用户侧需求响应决策建议方法，包括：
获取电力系统内外部数据并进行预处理；
基于预处理后的电力系统内外部数据，构建削峰填谷潜力分析模型，并计算得到高削峰响应潜力用户及高填谷响应潜力用户；
获取高削峰响应潜力用户及高填谷响应潜力用户的负荷曲线数据，构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析，得到需求侧响应的决策建议。
优选的，所述获取电力系统内外部数据并进行预处理包括：
获取待分析的负荷数据集，根据具体日期衍生出节假日指标；
基于业务目标，剔除节日、假日数据，保留工作日、调休上班对应的数据集；
基于业务逻辑，对小于等于0的数据置空；
确定数据集突增下限θupper、突减上限θlower；
大于等于突增下限θupper、小于等于突减上限θlower的数据置空；
统计数据集的空值占比，借鉴帕累托法则制定占比阈值0.2；
占比小于阈值0.2的数据通过前后第一个非空数值的均值填充。
优选的，所述确定数据集突增下限θupper、突减上限θlower包括：
运用箱型图异常值检测方法，统计有效数据集上限θup1、下限θlow1、异常值占比Rerror1；
运用聚类算法将数据集划为n类，统计首尾两个类别的上限/下限、数据集占比，得到首类上限θup2、尾类下限θlow2；
基于正态分布原理，制定异常值占比阈值5％，结合上述统计指标对突增下限、突减上限进行动态调整：
若Rerror1<5％，则θupper＝θup1、θlower＝θlow1；
若Rerror1≥5％，则θupper＝min(θup1,θlow2)、θlower＝max(θlow1,θup2)。
优选的，所述基于预处理后的电力系统内外部数据，构建削峰填谷潜力分析模型，并计算得到高削峰响应潜力用户及高填谷响应潜力用户包括：
获得用户负荷特征曲线；
基于用户负荷特征曲线获得用电高峰负荷的基准值；
基于电高峰负荷的基准值获得用电高峰时段及对应平均负荷、用电低谷时段及对应的平均负荷；
构建削峰填谷潜力分析模型；
基于用电高峰时段及对应平均负荷计算削峰响应潜力，并利用削峰填谷潜力分析模型确定用户削峰响应潜力等级，得到高削峰响应潜力用户；
基于用电低谷时段及对应平均负荷计算填谷响应潜力，并利用削峰填谷潜力分析模型确定用户填谷响应潜力等级，得到高填谷响应潜力用户。
优选的，所述基于用电高峰时段及对应平均负荷计算削峰响应潜力，并利用削峰填谷潜力分析模型确定用户削峰响应潜力等级，得到高削峰响应潜力用户包括：
计算早高峰响应潜力Pam：
Figure BDA0002940446390000031
其中，
Figure BDA0002940446390000032
表示早高峰平均负荷，
Figure BDA0002940446390000033
滑动4个点的平均负荷，Npeak表示峰个数；
计算午高峰响应潜力Ppm：
Figure BDA0002940446390000034
其中，
Figure BDA0002940446390000035
表示早高峰平均负荷，
Figure BDA0002940446390000036
滑动4个点的平均负荷,Npeak表示峰个数；
计算削峰响应潜力P：
P＝Pam*0.2+Ppm*0.8；
确定用户削峰响应潜力等级Pgrade：
Figure BDA0002940446390000041
其中Prank是削峰响应潜力大于零用户的削峰相应排名。
优选的，所述基于用电低谷时段及对应平均负荷计算填谷响应潜力，并利用削峰填谷潜力分析模型确定用户填谷响应潜力等级，得到高填谷响应潜力用户包括：
计算折算前凌晨低谷响应潜力Gam：
Figure BDA0002940446390000042
其中Efj表示第j个峰时段的平均负荷值，
Figure BDA0002940446390000043
凌晨低谷平均负荷，Npeak表示峰个数；
计算折算前中午低谷响应潜力Gpm：
Figure BDA0002940446390000044
其中Efj表示第j个峰时段的平均负荷值，
Figure BDA0002940446390000045
表示中午低谷平均负荷，Npeak表示峰个数；
计算折算前填谷响应潜力G_B：
G_B＝G_Bam*0.5+G_Bpm*0.5；
计算填谷响应潜力折算系数β：
Figure BDA0002940446390000046
收集n个已参与填谷响应用户的填谷响应负荷，Ci表示第i个已参与填谷响应用户的填谷响应负荷，G_Bi表示第i个已参与填谷响应用户的折算前填谷响应潜力；
计算填谷响应潜力基准负荷Gbase：
Gbase＝max(Efj)-G_B*(1-β),j∈[1,n]；
其中Efj表示第j个峰时段的平均负荷值，G_B表示折算前填谷响应潜力，β表示填谷响应潜力折算系数；
计算凌晨低谷响应潜力Gam：
Figure BDA0002940446390000051
计算中午低谷响应潜力Gpm：
Figure BDA0002940446390000052
计算填谷响应潜力G：
G＝Gam*0.5+Gpm*0.5；
确定填谷响应潜力等级：
Figure BDA0002940446390000053
其中Grank是填谷响应潜力大于零用户的填谷相应排名。
优选的，所述构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析包括：响应负荷达标条件分析：
若待响应类型为削峰：削峰达标上限Pstandupper、下限Pstandlower计算如下：
Figure BDA0002940446390000061
Pstandlower＝mean(loadbase,cut)-loadpeak*1.2；
其中，loadbase,cut为待响应日期待响应时段各点的基线负荷；
若待响应类型为填谷：填谷达标上限Vstandupper、下限Vstandlower计算如下：
Vstandupper＝mean(loadbase,cut)-loadvalley*1.2；
Vstandlower＝mean(loadbase,cut)-loadvalley*0.8。
优选的，所述构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析包括：报量准确度分析：
若待响应类型为削峰：
Figure BDA0002940446390000062
若待响应类型为填谷：
Figure BDA0002940446390000063
其中，
Figure BDA0002940446390000064
为基线负荷曲线滑动4个点的平均负荷曲线。
优选的，所述构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析包括：响应负荷参考时段分析：
计算参与需求响应的达标负荷：
若待响应类型为削峰，达标负荷＝待响应日期待响应时段各点的基线负荷的平均值-削峰响应报量；
若待响应类型为填谷，达标负荷＝待响应日期待响应时段各点的基线负荷的平均值+填谷响应报量；
计算基线负荷曲线各点近1个小时的平均负荷；
计算基线负荷曲线各点近1个小时的平均负荷与达标负荷的差值的绝对值，并找到绝对值最小的点，并换算得到该点对应的近1个小时的时段，作为参考时段。
优选的，还包括：
获取用户档案信息、参与需求响应邀约记录及响应情况；
根据用户档案信息、参与需求响应邀约记录及响应情况获取对应响应结果。
本发明采用的技术方案，具有如下有益效果：
1.获取电力系统内外部数据并进行预处理，基于预处理后的电力系统内外部数据，构建削峰填谷潜力分析模型，并计算得到高削峰响应潜力用户及高填谷响应潜力用户，实现客户侧需求响应潜力客户精准筛选，提升客户侧高潜力需求响应资源识别的精准性。
2.获取高削峰响应潜力用户及高填谷响应潜力用户的负荷曲线数据，构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析，得到需求侧响应的决策建议，为用户需求响应成功提供强有力的支持和保障，从而提高用户需求响应的成功的概率。
3.获取用户档案信息、参与需求响应邀约记录及响应情况，根据用户档案信息、参与需求响应邀约记录及响应情况获取对应响应结果，通过需求响应结果分析功能，不断调整需求响应决策建议，并个性化的给客户提供响应整改措施，为更好的执行需求响应工作提供强有力的支撑。
本发明的具体技术方案及其有益效果将会在下面的具体实施方式中结合附图进行详细的说明。
附图说明
下面结合附图和具体实施方式对本发明作进一步描述：
图1为本发明一种基于大数据的用户侧需求响应决策建议方法的流程示意图；
图2为本发明一种基于大数据的用户侧需求响应决策建议方法中步骤S1的流程示意图；
图3为本发明一种基于大数据的用户侧需求响应决策建议方法中步骤S2的流程示意图；
图4为本发明一种基于大数据的用户侧需求响应决策建议方法中步骤S4的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1所示，一种基于大数据的用户侧需求响应决策建议方法，包括以下步骤：
S1：获取电力系统内外部数据并进行预处理。
如图2所示，具体包括以下步骤：
S11：获取待分析的负荷数据集，根据具体日期衍生出节假日指标；
例如0代表正常工作日，1代表节日，2代表假日，3代表调休上班。
S12：基于业务目标，剔除节日、假日数据，保留工作日、调休上班对应的数据集；
S13：基于业务逻辑，对小于等于0的数据置空；
S14：确定数据集突增下限θupper、突减上限θlower：
第一步，运用箱型图异常值检测方法，统计有效数据集上限θup1、下限θlow1、异常值占比Rerror1。
第二步，运用聚类算法将数据集划为n类，聚类效果通过SilhouetteCoefficient、Calinski-Harabasz等系数控制最优聚类类别，统计首尾两个类别的上限/下限、数据集占比，首类上限θup2、尾类下限θlow2。
第三步，基于正态分布原理，制定异常值占比阈值5％，结合上述统计指标对突增下限、突减上限进行动态调整。
若Rerror1<5％，则θupper＝θup1、θlower＝θlow1；
若Rerror1≥5％，则θupper＝min(θup1,θlow2)、θlower＝max(θlow1,θup2)。
S15：大于等于突增下限、小于等于突减上限的数据置空；
S16：统计数据集的空值占比，借鉴帕累托法则制定占比阈值0.2；
S17：占比小于阈值0.2的数据通过前后第一个非空数值的均值填充。
S2：基于预处理后的电力系统内外部数据，构建削峰填谷潜力分析模型，并计算得到高削峰响应潜力用户及高填谷响应潜力用户。
如图3所示，具体包括以下步骤：
S21：获得用户负荷特征曲线。
依据步骤S1获取用户近3个月清洗后的96点负荷数据，对各点求均值获取用户负荷特征曲线:d1，d2，……，d96.
S22：基于用户负荷特征曲线获得用电高峰负荷的基准值。
基于所有用户负荷特征曲线，求各点的基准值basei，获得基准负荷曲线为base1，base2，……，base96。
其中，i表示点序号,basei为所以i点对应负荷的96％分位数。
S23：基于电高峰负荷的基准值获得用电高峰时段及对应平均负荷、用电低谷时段及对应的平均负荷。
(1)获得高峰时点：用户时点负荷大于基准负荷的点记为高峰时点；
(2)将上述时点从小到大排序，按时点的连续性进行时点归类，中间连续无时点间断的归为1类，依次归纳为N类，定义为M1，M2，……，Mn,分别计算M1，M2，……，Mn对应的连续点数Q1，Q2，……，Qn；M1，M2，……，Mn间隔的时点数D1，D2，……，Dn-1；
(3)确认用户的用电高峰时段及平均负荷：
①将M1，M2，……，Mn进行高峰时段粘连，如果Di<4,且Qi>Di,Qi+1>Di，Mi与Mi+1粘连，其他情况终止粘连，粘连后的连续时段为最后粘连的时点至最初粘连的时点，依次归类为m类，定义为m1，m2，……，mm；
②当mi对应的时点数大于等于4，则判断为峰时段，从时段大小分别定义为f1，f2，……，fp；非峰时段定义为l1，l2，……，lq；
③获取峰个数Npeak：
Figure BDA0002940446390000101
其中，Ef、El分别为所有峰时段、非峰时段平均负荷；
Figure BDA0002940446390000102
di为峰时段里各点对应的负荷值，pn、qn分别为所有峰时段、非峰时段的负荷点数；
④计算各峰时段的平均负荷值：
Figure BDA0002940446390000111
di为各锋时段里各点对应的负荷值，n为峰时段里的负荷点数。
S24：构建削峰填谷潜力分析模型。
S25：基于用电高峰时段及对应平均负荷计算削峰响应潜力，并利用削峰填谷潜力分析模型确定用户削峰响应潜力等级，得到高削峰响应潜力用户。
计算早高峰响应潜力Pam：
Figure BDA0002940446390000112
其中，
Figure BDA0002940446390000113
表示早高峰平均负荷，
Figure BDA0002940446390000114
滑动4个点的平均负荷，Npeak表示峰个数；
计算午高峰响应潜力Ppm：
Figure BDA0002940446390000115
其中，
Figure BDA0002940446390000116
表示早高峰平均负荷，
Figure BDA0002940446390000117
滑动4个点的平均负荷,Npeak表示峰个数；
计算削峰响应潜力P：
P＝Pam*0.2+Ppm*0.8；
确定用户削峰响应潜力等级Pgrade：
Figure BDA0002940446390000118
其中Prank是削峰响应潜力大于零用户的削峰相应排名。
S26：基于用电低谷时段及对应平均负荷计算填谷响应潜力，并利用削峰填谷潜力分析模型确定用户填谷响应潜力等级，得到高填谷响应潜力用户。
计算折算前凌晨低谷响应潜力Gam：
Figure BDA0002940446390000121
其中Efj表示第j个峰时段的平均负荷值，
Figure BDA0002940446390000122
凌晨低谷平均负荷，Npeak表示峰个数；
计算折算前中午低谷响应潜力Gpm：
Figure BDA0002940446390000123
其中Efj表示第j个峰时段的平均负荷值，
Figure BDA0002940446390000124
表示中午低谷平均负荷，Npeak表示峰个数；
计算折算前填谷响应潜力G_B：
G_B＝G_Bam*0.5+G_Bpm*0.5；
计算填谷响应潜力折算系数β：
Figure BDA0002940446390000125
收集n个已参与填谷响应用户的填谷响应负荷，Ci表示第i个已参与填谷响应用户的填谷响应负荷，G_Bi表示第i个已参与填谷响应用户的折算前填谷响应潜力；
计算填谷响应潜力基准负荷Gbase：
Gbase＝max(Efj)-G_B*(1-β),j∈[1,n]；
其中Efj表示第j个峰时段的平均负荷值，G_B表示折算前填谷响应潜力，β表示填谷响应潜力折算系数；
计算凌晨低谷响应潜力Gam：
Figure BDA0002940446390000131
计算中午低谷响应潜力Gpm：
Figure BDA0002940446390000132
计算填谷响应潜力G：
G＝Gam*0.5+Gpm*0.5；
确定填谷响应潜力等级：
Figure BDA0002940446390000133
其中Grank是填谷响应潜力大于零用户的填谷相应排名。
S3：获取高削峰响应潜力用户及高填谷响应潜力用户的负荷曲线数据，构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析，得到需求侧响应的决策建议。
根据步骤S2获取高削峰响应潜力用户及高填谷响应潜力用户近1年负荷曲线数据，并做数据清洗，同步骤S1；
获取基线负荷：
Figure BDA0002940446390000134
确定待响应日期，待响应时段，待响应类型(削峰或填谷)、需求侧响应报量loadres，其中，削峰响应报量为loadpeak、填谷响应报量为loadvalley；
若待响应日期为工作日，则基线负荷为待响应日期前近5个工作日各时点的负荷分别求均值，获取96点的基线负荷曲线；
若待响应日期为周末(休息日)，则基线负荷为待响应日期近一周休息日各时点的负荷分别求均值，获取96点的基线负荷曲线；
若待响应日期为春节、国庆等特殊节日，则基线负荷为待响应日期去年同期对应节日各时点的负荷分别求均值，获取96点的基线负荷曲线。
响应负荷达标条件分析：
(1)若待响应类型为削峰：
削峰达标上限Pstandupper、下限Pstandlower计算如下：
Figure BDA0002940446390000141
Pstandlower＝mean(loadbase,cut)-loadpeak*1.2；
其中，loadbase,cut为待响应日期待响应时段各点的基线负荷；
(2)若待响应类型为填谷：
填谷达标上限Vstandupper、下限Vstandlower计算如下：
Vstandupper＝meam(loadbase,cut)-loadvalley*1.2；
Vstandlower＝mean(loadbase,cut)-loadvalley*0.8。
报量准确度分析：
(1)若待响应类型为削峰：
Figure BDA0002940446390000142
(2)若待响应类型为填谷：
Figure BDA0002940446390000151
其中，
Figure BDA0002940446390000152
为基线负荷曲线滑动4个点的平均负荷曲线。
响应负荷参考时段分析：
(1)计算参与需求响应的达标负荷：
若待响应类型为削峰，达标负荷＝待响应日期待响应时段各点的基线负荷的平均值-削峰响应报量；
若待响应类型为填谷，达标负荷＝待响应日期待响应时段各点的基线负荷的平均值+填谷响应报量；
(2)计算基线负荷曲线各点近1个小时的平均负荷；
(3)计算基线负荷曲线各点近1个小时的平均负荷与达标负荷的差值的绝对值，并找到绝对值最小的点，并换算得到该点对应的近1个小时的时段，作为参考时段。
最后基于响应负荷达标条件分析、报量准确度分析、响应负荷参考时段分析给出需求侧响应的决策建议，决策建议包括了削峰达标上下限、填谷达标上下限、报量是否偏高以及响应负荷参考时段。
在一实施例中，如图4所示，一种基于大数据的用户侧需求响应决策建议方法还包括以下步骤：
S4：获取用户档案信息、参与需求响应邀约记录及响应情况；根据用户档案信息、参与需求响应邀约记录及响应情况获取对应响应结果。
收集用户档案信息、参与需求响应邀约记录(参与日期、用户报价、竞价出清价格、用户报量、回复短信情况)、响应情况(响应电量、响应时段)等数据作为模型构建的数据基础。
基于用户参与需求侧响应的行为进行响应结果类型分析，响应结果类型具体分为用户响应成功、用户报量偏高、用户未响应、实际平均负荷不达标、实际最大/最小负荷不达标、未出清、未答复、答复不参与8大类。
Figure BDA0002940446390000161
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，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。

Claims (10)

1.一种基于大数据的用户侧需求响应决策建议方法，其特征在于，包括：
获取电力系统内外部数据并进行预处理；
基于预处理后的电力系统内外部数据，构建削峰填谷潜力分析模型，并计算得到高削峰响应潜力用户及高填谷响应潜力用户；
获取高削峰响应潜力用户及高填谷响应潜力用户的负荷曲线数据，构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析，得到需求侧响应的决策建议。
2.根据权利要求1所述的一种基于大数据的用户侧需求响应决策建议方法，其特征在于，所述获取电力系统内外部数据并进行预处理包括：
获取待分析的负荷数据集，根据具体日期衍生出节假日指标；
基于业务目标，剔除节日、假日数据，保留工作日、调休上班对应的数据集；
基于业务逻辑，对小于等于0的数据置空；
确定数据集突增下限θupper、突减上限θlower；
大于等于突增下限θupper、小于等于突减上限θlower的数据置空；
统计数据集的空值占比，借鉴帕累托法则制定占比阈值0.2；
占比小于阈值0.2的数据通过前后第一个非空数值的均值填充。
3.根据权利要求2所述的一种基于大数据的用户侧需求响应决策建议方法，其特征在于，所述确定数据集突增下限θupper、突减上限θlower包括：
运用箱型图异常值检测方法，统计有效数据集上限θup1、下限θlow1、异常值占比Rerror1；
运用聚类算法将数据集划为n类，统计首尾两个类别的上限/下限、数据集占比，得到首类上限θup2、尾类下限θlow2；
基于正态分布原理，制定异常值占比阈值5％，结合上述统计指标对突增下限、突减上限进行动态调整：
若Rerror1＜5％，则θupper＝θup1、θlower＝θlow1；
若Rerror1≥5％，则θupper＝min(θup1，θlow2)、θlower＝max(θlow1，θup2)。
4.根据权利要求1所述的一种基于大数据的用户侧需求响应决策建议方法，其特征在于，所述基于预处理后的电力系统内外部数据，构建削峰填谷潜力分析模型，并计算得到高削峰响应潜力用户及高填谷响应潜力用户包括：
获得用户负荷特征曲线；
基于用户负荷特征曲线获得用电高峰负荷的基准值；
基于电高峰负荷的基准值获得用电高峰时段及对应平均负荷、用电低谷时段及对应的平均负荷；
构建削峰填谷潜力分析模型；
基于用电高峰时段及对应平均负荷计算削峰响应潜力，并利用削峰填谷潜力分析模型确定用户削峰响应潜力等级，得到高削峰响应潜力用户；
基于用电低谷时段及对应平均负荷计算填谷响应潜力，并利用削峰填谷潜力分析模型确定用户填谷响应潜力等级，得到高填谷响应潜力用户。
5.根据权利要求4所述的一种基于大数据的用户侧需求响应决策建议方法，其特征在于，所述基于用电高峰时段及对应平均负荷计算削峰响应潜力，并利用削峰填谷潜力分析模型确定用户削峰响应潜力等级，得到高削峰响应潜力用户包括：
计算早高峰响应潜力Pam：
Figure FDA0002940446380000021
其中，
Figure FDA0002940446380000022
表示早高峰平均负荷，
Figure FDA0002940446380000023
滑动4个点的平均负荷，Npeak表示峰个数；
计算午高峰响应潜力Ppm：
Figure FDA0002940446380000031
其中，
Figure FDA0002940446380000032
表示早高峰平均负荷，
Figure FDA0002940446380000033
滑动4个点的平均负荷，Npeak表示峰个数；
计算削峰响应潜力P：
P＝Pam*0.2+Ppm*0.8；
确定用户削峰响应潜力等级Pgrade：
Figure FDA0002940446380000034
其中Prank是削峰响应潜力大于零用户的削峰相应排名。
6.根据权利要求4所述的一种基于大数据的用户侧需求响应决策建议方法，其特征在于，所述基于用电低谷时段及对应平均负荷计算填谷响应潜力，并利用削峰填谷潜力分析模型确定用户填谷响应潜力等级，得到高填谷响应潜力用户包括：
计算折算前凌晨低谷响应潜力Gam：
Figure FDA0002940446380000035
其中Efj表示第j个峰时段的平均负荷值，
Figure FDA0002940446380000036
凌晨低谷平均负荷，Npeak表示峰个数；
计算折算前中午低谷响应潜力Gpm：
Figure FDA0002940446380000041
其中Efj表示第j个峰时段的平均负荷值，
Figure FDA0002940446380000042
表示中午低谷平均负荷，Npeak表示峰个数；
计算折算前填谷响应潜力G_B：
G_B＝G_Bam*0.5+G_Bpm*0.5；
计算填谷响应潜力折算系数β：
Figure FDA0002940446380000043
收集n个已参与填谷响应用户的填谷响应负荷，Ci表示第i个已参与填谷响应用户的填谷响应负荷，G_Bi表示第i个已参与填谷响应用户的折算前填谷响应潜力；
计算填谷响应潜力基准负荷Gbase：
Gbase＝max(Efj)-G_B*(1-β)，j∈[1，n]；
其中Efj表示第j个峰时段的平均负荷值，G_B表示折算前填谷响应潜力，β表示填谷响应潜力折算系数；
计算凌晨低谷响应潜力Gam：
Figure FDA0002940446380000044
计算中午低谷响应潜力Gpm：
Figure FDA0002940446380000045
计算填谷响应潜力G：
G＝Gam*0.5+Gpm*0.5；
确定填谷响应潜力等级：
Figure FDA0002940446380000051
其中Grank是填谷响应潜力大于零用户的填谷相应排名。
7.根据权利要求1所述的一种基于大数据的用户侧需求响应决策建议方法，其特征在于，所述构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析包括：响应负荷达标条件分析：
若待响应类型为削峰：削峰达标上限Pstandupper、下限Pstandlower计算如下：
Figure FDA0002940446380000052
Pstandlower＝mean(loadbase，cut)-loadpeak*1.2；
其中，loadbase，cut为待响应日期待响应时段各点的基线负荷；
若待响应类型为填谷：填谷达标上限Vstandupper、下限Vstandlower计算如下：
Vstandupper＝mean(loadbase，cut)-loadvalley*1.2；
Vstandlower＝mean(loadbase，cut)-loadvalley*0.8。
8.根据权利要求1所述的一种基于大数据的用户侧需求响应决策建议方法，其特征在于，所述构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析包括：报量准确度分析：
若待响应类型为削峰：
Figure FDA0002940446380000061
若待响应类型为填谷：
Figure FDA0002940446380000062
其中，
Figure FDA0002940446380000063
为基线负荷曲线滑动4个点的平均负荷曲线。
9.根据权利要求1所述的一种基于大数据的用户侧需求响应决策建议方法，其特征在于，所述构建需求侧响应邀约客户预评估模型对负荷曲线数据进行响应负荷达标条件分析包括：响应负荷参考时段分析：
计算参与需求响应的达标负荷：
若待响应类型为削峰，达标负荷＝待响应日期待响应时段各点的基线负荷的平均值-削峰响应报量；
若待响应类型为填谷，达标负荷＝待响应日期待响应时段各点的基线负荷的平均值+填谷响应报量；
计算基线负荷曲线各点近1个小时的平均负荷；
计算基线负荷曲线各点近1个小时的平均负荷与达标负荷的差值的绝对值，并找到绝对值最小的点，并换算得到该点对应的近1个小时的时段，作为参考时段。
10.根据权利要求1～9任一项所述的一种基于大数据的用户侧需求响应决策建议方法，其特征在于，还包括：
获取用户档案信息、参与需求响应邀约记录及响应情况；
根据用户档案信息、参与需求响应邀约记录及响应情况获取对应响应结果。
CN202110177485.1A 2021-02-07 2021-02-07 一种基于大数据的用户侧需求响应决策建议方法 Active CN113033953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110177485.1A CN113033953B (zh) 2021-02-07 2021-02-07 一种基于大数据的用户侧需求响应决策建议方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110177485.1A CN113033953B (zh) 2021-02-07 2021-02-07 一种基于大数据的用户侧需求响应决策建议方法

Publications (2)

Publication Number Publication Date
CN113033953A true CN113033953A (zh) 2021-06-25
CN113033953B CN113033953B (zh) 2023-08-25

Family

ID=76460861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110177485.1A Active CN113033953B (zh) 2021-02-07 2021-02-07 一种基于大数据的用户侧需求响应决策建议方法

Country Status (1)

Country Link
CN (1) CN113033953B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657760A (zh) * 2021-08-18 2021-11-16 国家电网有限公司 基于工业企业资源池的削峰填谷联动需求响应方法及装置
CN113705989A (zh) * 2021-08-17 2021-11-26 上海交通大学 基于数据驱动和偏差判据的虚拟电厂用户响应检测方法
CN114169802A (zh) * 2021-12-31 2022-03-11 佰聆数据股份有限公司 电网用户需求响应潜力分析方法、系统及存储介质
CN114971400A (zh) * 2022-06-24 2022-08-30 东南大学溧阳研究院 一种基于Dirichlet分布-多项分布共轭先验的用户侧储能聚合方法
CN117236532A (zh) * 2023-11-16 2023-12-15 国网天津市电力公司营销服务中心 一种基于负荷数据的用电高峰负荷预测的方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140122177A1 (en) * 2012-10-25 2014-05-01 State Grid Corporation Of China Electric power demand response system and method
US20150338869A1 (en) * 2014-05-22 2015-11-26 Panasonic Intellectual Property Management Co., Ltd. Demand response control method and demand response control device
CN106410781A (zh) * 2015-07-29 2017-02-15 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
CN106952010A (zh) * 2017-01-04 2017-07-14 国家电网公司 一种基于多租户技术的需求响应系统及方法
WO2017215599A1 (zh) * 2016-06-15 2017-12-21 中国电力科学研究院 馈线需求响应物理潜力的评估方法、装置及存储介质
JP2018005296A (ja) * 2016-06-27 2018-01-11 株式会社東芝 デマンドレスポンス計画装置、方法及びプログラム
CN107622340A (zh) * 2017-08-18 2018-01-23 广东电网有限责任公司电力调度控制中心 一种基于用户用电数据分析的激励方法及装置
CN108710992A (zh) * 2018-04-24 2018-10-26 国网天津市电力公司电力科学研究院 一种需求响应参与电网削峰填谷效果的评估方法
WO2019006733A1 (zh) * 2017-07-06 2019-01-10 大连理工大学 一种跨省互联水电站群长期联合调峰调度方法
CN109636146A (zh) * 2018-11-28 2019-04-16 东南大学 一种用户需求响应潜力画像方法
CN110533218A (zh) * 2019-07-23 2019-12-03 中国电力科学研究院有限公司 一种基于数据挖掘的居民用户多目标优化用电策略及系统
CN110796283A (zh) * 2019-09-18 2020-02-14 浙江大学 一种面向需求侧主动响应的电量套餐优化设计方法
CN111242423A (zh) * 2019-12-31 2020-06-05 深圳能源售电有限公司 主动需求响应潜力分析方法、装置、设备以及存储介质
CN111832971A (zh) * 2020-07-27 2020-10-27 南方电网科学研究院有限责任公司 一种负荷需求响应潜力不确定性的量化方法、装置和设备
CN111967723A (zh) * 2020-07-24 2020-11-20 南昌大学 一种基于数据挖掘的用户调峰潜力分析方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140122177A1 (en) * 2012-10-25 2014-05-01 State Grid Corporation Of China Electric power demand response system and method
US20150338869A1 (en) * 2014-05-22 2015-11-26 Panasonic Intellectual Property Management Co., Ltd. Demand response control method and demand response control device
CN106410781A (zh) * 2015-07-29 2017-02-15 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
WO2017215599A1 (zh) * 2016-06-15 2017-12-21 中国电力科学研究院 馈线需求响应物理潜力的评估方法、装置及存储介质
JP2018005296A (ja) * 2016-06-27 2018-01-11 株式会社東芝 デマンドレスポンス計画装置、方法及びプログラム
CN106952010A (zh) * 2017-01-04 2017-07-14 国家电网公司 一种基于多租户技术的需求响应系统及方法
WO2019006733A1 (zh) * 2017-07-06 2019-01-10 大连理工大学 一种跨省互联水电站群长期联合调峰调度方法
CN107622340A (zh) * 2017-08-18 2018-01-23 广东电网有限责任公司电力调度控制中心 一种基于用户用电数据分析的激励方法及装置
CN108710992A (zh) * 2018-04-24 2018-10-26 国网天津市电力公司电力科学研究院 一种需求响应参与电网削峰填谷效果的评估方法
CN109636146A (zh) * 2018-11-28 2019-04-16 东南大学 一种用户需求响应潜力画像方法
CN110533218A (zh) * 2019-07-23 2019-12-03 中国电力科学研究院有限公司 一种基于数据挖掘的居民用户多目标优化用电策略及系统
CN110796283A (zh) * 2019-09-18 2020-02-14 浙江大学 一种面向需求侧主动响应的电量套餐优化设计方法
CN111242423A (zh) * 2019-12-31 2020-06-05 深圳能源售电有限公司 主动需求响应潜力分析方法、装置、设备以及存储介质
CN111967723A (zh) * 2020-07-24 2020-11-20 南昌大学 一种基于数据挖掘的用户调峰潜力分析方法
CN111832971A (zh) * 2020-07-27 2020-10-27 南方电网科学研究院有限责任公司 一种负荷需求响应潜力不确定性的量化方法、装置和设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ELISA GUELPA: "Demand response and other demand side management techniques for district heating: A review", ENERGY, pages 1 - 16 *
HELIN XU: "Peak shaving potential analysis of distributed load virtual power plants", ENERGY REPORTS, no. 6, pages 515 *
任炳俐: "基于用电采集数据的需求响应削峰潜力评估方法", 《电力建设》, vol. 37, no. 11, pages 64 - 70 *
贾孟扬: "计及用户响应度的用户行为分析与互动化策略研究", 中国优秀硕士学位论文全文数据库, pages 1 - 50 *
赵佳: "智能电网需求侧用户响应潜力评估方法研究", 中国优秀硕士学位论文全文数据库, pages 1 - 52 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705989A (zh) * 2021-08-17 2021-11-26 上海交通大学 基于数据驱动和偏差判据的虚拟电厂用户响应检测方法
CN113705989B (zh) * 2021-08-17 2023-12-08 上海交通大学 基于数据驱动和偏差判据的虚拟电厂用户响应检测方法
CN113657760A (zh) * 2021-08-18 2021-11-16 国家电网有限公司 基于工业企业资源池的削峰填谷联动需求响应方法及装置
CN114169802A (zh) * 2021-12-31 2022-03-11 佰聆数据股份有限公司 电网用户需求响应潜力分析方法、系统及存储介质
CN114971400A (zh) * 2022-06-24 2022-08-30 东南大学溧阳研究院 一种基于Dirichlet分布-多项分布共轭先验的用户侧储能聚合方法
CN114971400B (zh) * 2022-06-24 2023-01-31 东南大学溧阳研究院 一种基于Dirichlet分布-多项分布共轭先验的用户侧储能聚合方法
CN117236532A (zh) * 2023-11-16 2023-12-15 国网天津市电力公司营销服务中心 一种基于负荷数据的用电高峰负荷预测的方法及系统
CN117236532B (zh) * 2023-11-16 2024-04-02 国网天津市电力公司营销服务中心 一种基于负荷数据的用电高峰负荷预测的方法及系统

Also Published As

Publication number Publication date
CN113033953B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN113033953A (zh) 一种基于大数据的用户侧需求响应决策建议方法
CN113267692A (zh) 一种低压台区线损智能诊断分析方法和系统
CN106355285B (zh) 一种基于参数修正的用电负荷预测方法
CN105762793B (zh) 计及分布式新能源的配网故障停电损失评估方法
CN111091232A (zh) 一种考虑用电需求变化趋势的电力负荷预测方法
CN114283024A (zh) 一种电力系统的需求响应潜力用户与潜力空间的识别方法
CN111339491A (zh) 一种城市配电网改造方案的评估方法
Zheng et al. Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit
CN111598151A (zh) 用户用电负荷的预测方法
CN114676931B (zh) 一种基于数据中台技术的电量预测系统
CN113327006A (zh) 一种满足差异化可靠性需求的配电网供电恢复系统和方法
CN114140176B (zh) 一种负荷聚集平台的可调容量预测方法及装置
CN114048200A (zh) 一种计及缺失数据补齐的用户用电行为分析方法
CN114123196A (zh) 配电网供电能力评估方法及装置
CN110210755B (zh) 一种基于K_means聚类算法的用户需求响应能力评估方法
CN117236532B (zh) 一种基于负荷数据的用电高峰负荷预测的方法及系统
CN111967896A (zh) 提高可中断类负荷参与需求响应积极性的方法及系统
CN106682849B (zh) 基于信息关联的水调系统自动计算方法
Lu et al. Analysis on Influencing Factors of Repair Order of Power Supply Station based on Grey Correlation Analysis
CN115528687B (zh) 一种有限成本约束下的电力系统柔性响应能力优化方法
TWI783605B (zh) 太陽能系統發電量預測方法
CN117291299B (zh) 一种考虑多种影响因素的月度电量预测方法
CN110297145B (zh) 一种基于多用户电能量数据深度分析的电压暂降检测方法
Zhai et al. A user peak load staggering potential assessment method based on three-demarcation analytic hierarchy process
CN116720322A (zh) 一种需求响应潜力用户、行业、线路的智能推荐模型设计方法

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
GR01 Patent grant
GR01 Patent grant