CN113052630A - 电力设备配置模型建立方法、电力设备配置方法和装置 - Google Patents

电力设备配置模型建立方法、电力设备配置方法和装置 Download PDF

Info

Publication number
CN113052630A
CN113052630A CN202110274618.7A CN202110274618A CN113052630A CN 113052630 A CN113052630 A CN 113052630A CN 202110274618 A CN202110274618 A CN 202110274618A CN 113052630 A CN113052630 A CN 113052630A
Authority
CN
China
Prior art keywords
power
price
load
model
power equipment
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
CN202110274618.7A
Other languages
English (en)
Other versions
CN113052630B (zh
Inventor
梅晓辉
韩建振
李国翊
杨海跃
赵海洲
李铁良
刘艳
刘世超
于海龙
白斌
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 Corp of China SGCC
North China Electric Power University
Hengshui Power Supply Co of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Hengshui Power Supply Co of State Grid Hebei 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, North China Electric Power University, Hengshui Power Supply Co of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110274618.7A priority Critical patent/CN113052630B/zh
Publication of CN113052630A publication Critical patent/CN113052630A/zh
Application granted granted Critical
Publication of CN113052630B publication Critical patent/CN113052630B/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明实施例公开了一种电力设备配置模型建立方法、电力设备配置方法和装置。根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，根据预测负荷、负荷的预测误差分布函数和电价需求响应后的负荷变化量，构建负荷不确定性模型。根据所述电价不确定性模型和所述负荷不确定性模型，构建电力设备配置模型，其中，所述电力设备配置模型以利润最大化为目标函数，以负荷约束、资金约束、量本利约束和电价约束为约束条件。通过将配电网的设备配置问题构建对应模型，在保证配电网长期可靠运行的基础上，为每个配电中心新增各种类型的电力设备数量提供了参考方案。

Description

电力设备配置模型建立方法、电力设备配置方法和装置
技术领域
本发明涉及电力优化领域，尤其涉及一种电力设备配置模型建立方法、电力设备配置方法和装置。
背景技术
电网是国民经济发展的基础性设施，担负着保障全社会电力供应、推动经济发展的重任。电网的投资与规划需针对不同地域综合考虑该地域的经济形势、电力供需形势、电网发展战略、电网企业投资能力等多个因素，并适度做出电网超前发展。
供电企业配置电力设备的成本回收与经济效益会根据销售电价的变化，呈现不同的收益效果。在供求关系层面，销售电价会受供给成本、电力需求影响。同时，输配电的损耗会改变输配电成本，相比与城市地区，乡镇地区用户居住分散、负荷不集中、供电半径大、负荷率低、高耗能配变设备数量多，使得电价随着输配成本发生波动。
近年来，电网改革、电价改革与中心村煤改电等政策不断推行，与此同时，由人口年龄结构发生变化与人口流动性不断增强，使得现有的农村电网的配电设施难以保证可靠供电。此外，电价的变化同样会带来负荷的变动，使得农村电网负荷的不确定性进一步增加，而现有的负荷预测方法难以对未来电荷进行准确预测。在配电网进行新的改造与建设背景下，需要进一步考虑电价与负荷的不确定性。
发明内容
有鉴于此，本发明提供了一种电力设备配置模型建立方法、电力设备配置方法和装置，在保证配电网长期可靠运行的基础上，得到每个配电中心需要新增的电力设备类型及对应类型的电力设备数量，为每个配电中心新增各种类型的电力设备数量提供了参考方案。
第一方面，本发明的一个实施方式提供一种电力设备配置模型建立方法，包括：
根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，其中，所述电价不确定性模型输出的电价置信度大于第一预设阈值；
根据预测负荷、负荷的预测误差分布函数和电价需求响应后的负荷变化量，构建负荷不确定性模型，其中，所述负荷不确定性模型输出的负荷置信度大于第二预设阈值；
根据所述电价不确定性模型和所述负荷不确定性模型，构建电力设备配置模型，其中，所述电力设备配置模型以利润最大化为目标函数，以负荷约束、资金约束、量本利约束和电价约束为约束条件。
在上述的电力设备配置模型建立方法中，所述目标函数包括：
Figure BDA0002976095840000021
Figure BDA0002976095840000022
Figure BDA0002976095840000031
其中，max f为配置电力设备后的总收益与配置电力设备总成本的差值，
Figure BDA0002976095840000032
为第i类用户在第T年t时刻的电价，
Figure BDA0002976095840000033
为第i类用户在第T年t时刻的负荷量，
Figure BDA0002976095840000034
为第i类用户在第T-1年t时刻的负荷量，
Figure BDA0002976095840000035
为第k个配电中心在第T年的配置电力设备成本，pj为配置一台第j类特定电力设备的成本，nk，j为第k个配电中心配置的第j类电力设备的数量，nj为电力设备的类型数量，ni为第i类用户的数量，
Figure BDA0002976095840000036
为第j个编号的第i类用户在第T年t时刻的负荷量。
在上述的电力设备配置模型建立方法中，所述负荷约束表示为：
Figure BDA0002976095840000037
Figure BDA0002976095840000038
Figure BDA0002976095840000039
其中，
Figure BDA00029760958400000310
为第i类用户在第T年t时刻的负荷量，
Figure BDA00029760958400000311
为第k个配电中心在第T年配置一台第j类电力设备所增加的电力负荷容量，
Figure BDA00029760958400000312
为第k个配电中心在第T年新增的第j类电力设备的数量，nk，j为第k个配电中心在第T年之前已配置的第j类电力设备的数量，ρk，j为第k个配电中心配置的第j类电力设备的负载率，C(T)为一地区在第T年的总电力负荷容量，Pr为决策变量，
Figure BDA00029760958400000313
为第j个编号的第i类用户在第T年t时刻的负荷量，
Figure BDA00029760958400000314
为第j个编号的第i类用户在第T年t时刻的预测负荷量，Δqi，t为需求响应后第t时刻第i类需求负荷量的改变量，Δli，t为负荷预测误差，α为置信度；
所述资金约束表示为：
Figure BDA0002976095840000041
其中，
Figure BDA0002976095840000042
为第k个配电中心在第T年的配置电力设备成本，Imax为配置电力设备可使用的最高成本值；
所述量本利约束表示为：
Figure BDA0002976095840000043
其中，pi，t为第i类用户在第t时刻的电价，
Figure BDA0002976095840000044
为第i类用户在第T年t时刻的负荷量，F为固定成本，p′i，t为第i类用户在第t时刻电价的单位变动成本；
所述电价约束表示为：
Figure BDA0002976095840000045
其中，Pr为决策变量，
Figure BDA0002976095840000046
为第i类用户在第T年t时刻的电价，
Figure BDA0002976095840000047
为第i类用户在第T年t时刻的预测电价，Δpi，t为电价预测误差，α为置信度。
在上述的电力设备配置模型建立方法中，所述根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，包括：
根据历史实际电价、历史预测电价和已有的日前预测电价，得到训练集、验证集和测试集；
通过所述训练集、验证集和测试集对长短期记忆网络进行训练，得到电价预测模型；
根据历史预测电价与历史实际电价，得到电价的预测误差分布函数；
根据所述电价预测模型输出的预测电价和所述电价的预测误差分布函数，构建电价不确定性模型。
第二方面，本发明的一个实施方式提供一种电力设备配置方法，包括：
获取配置电力设备可使用的最高成本值，每个配电中心已配置的电力设备类型及对应类型的电力设备数量，并将获取到的数据作为模型基本参数；
将所述模型基本参数输入至电力设备配置模型，其中，所述电力设备配置模型通过如第一方面的电力设备配置模型建立方法得到；
对所述电力设备配置模型进行解算，得到每个配电中心需要新增的电力设备类型及对应类型的电力设备数量。
在上述的电力设备配置方法中，所述对所述电力设备配置模型进行解算，包括：
将电力设备配置模型中的负荷约束与电价约束转化为常规不等式约束，得到配置电力设备的整数线性规划模型；
对所述整数线性规划模型进行解算。
第三方面，本发明的一个实施方式提供一种电力设备配置模型建立装置，包括：
电价不确定性模型构建模块，用于根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，其中，所述电价不确定性模型输出的电价置信度大于第一预设阈值；
负荷不确定性模型构建模块，用于根据预测负荷、负荷的预测误差分布函数和电价需求响应后的负荷变化量，构建负荷不确定性模型，其中，所述负荷不确定性模型输出的负荷置信度大于第二预设阈值；
电力设备配置模型构建模块，用于根据所述电价不确定性模型和所述负荷不确定性模型，构建电力设备配置模型，其中，所述电力设备配置模型以利润最大化为目标函数，以负荷约束、资金约束、量本利约束和电价约束为约束条件。
第四方面，本发明的一个实施方式提供一种电力设备配置装置，包括：
参数获取模块，用于获取每个配电中心在第T年新增电力设备的成本，每个配电中心已配置的电力设备类型及对应类型的电力设备数量，并将获取到的数据作为模型基本参数；
参数输入模块，用于将所述模型基本参数输入至电力设备配置模型，其中，所述电力设备配置模型通过如上述任意一项电力设备配置模型建立方法得到；
模型解算模块，用于对所述电力设备配置模型进行解算，得到每个配电中心需要新增的电力设备类型及对应类型的电力设备数量。
第五方面，本发明的一个实施方式提供一种终端设备，包括处理器和存储器，所述存储器上存储有程序或指令，所述程序或指令被所述处理器执行上述任一项的电力设备配置模型建立方法，或者上述任一项的电力设备配置方法。
第六方面，本发明的一个实施方式提供一种可读存储介质，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现上述任一项的电力设备配置模型建立方法，或者上述任一项的电力设备配置方法。
本发明提供一种电力设备配置模型建立方法，根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，其中，所述电价不确定性模型输出的电价置信度大于第一预设阈值，根据预测负荷、负荷的预测误差分布函数和电价需求响应后的负荷变化量，构建负荷不确定性模型，其中，所述负荷不确定性模型输出的负荷置信度大于第二预设阈值，根据所述电价不确定性模型和所述负荷不确定性模型，构建电力设备配置模型，其中，所述电力设备配置模型以利润最大化为目标函数，以负荷约束、资金约束、量本利约束和电价约束为约束条件。在置信度大于预设阈值的情况下，考虑电价与负荷的不确定性，同时，综合考虑了不同类型的负荷的用电区别。通过将配电网的设备配置问题构建对应模型，为每个配电中心新增各种类型的电力设备数量提供了参考方案。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本申请实施例所提供的一种电力设备配置模型建立方法的流程图；
图2示出了本申请实施例所提供的电价与用电量弹性关系的示意图；
图3示出了本申请实施例所提供的LSTM的基本架构示意图；
图4示出了本申请实施例所提供的BRIM模型的架构示意图；
图5示出了本申请实施例所提供的预测日前电价的双向LSTM模型的架构示意图；
图6示出了本申请实施例所提供的一种电力设备配置方法的流程图；
图7示出了本申请实施例所提供的电力设备配置模型建立装置的结构示意图；
图8示出了本申请实施例所提供的电力设备配置装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域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，都属于本发明保护的范围。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
请参阅图1，图1示出了本发明的一种电力设备配置模型建立方法的流程图，图1中的电力设备配置模型建立方法包括以下步骤：
步骤101，根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，其中，所述电价不确定性模型输出的电价置信度大于第一预设阈值。
地区的发展状况、发展规划、人口流动、产业结构以及分布式电源推广等因素，都会影响销售电价的制定。有鉴于此，本申请基于电价不确定性，利用价格弹性理论建立电价不确定性模型。
其中，价格弹性理论是指：若两个经济变量之间存在函数关系，当作为自变量经济变量发生变化时，必然也将引起作为因变量的经济变量发生变化。价格弹性理论适用于研究电力供需关系中的电力负荷与销售电价之间的经济关系，针对销售电价的不确定性，销售电价的价格弹性为，当销售电价上涨或降低时，电力需求关系也会相应发生变化。
如图2所示，将价格弹性理论应当到电能供需价格关系中，随着电力销售价格上涨，用户的用电量会逐渐自然缩减，而随着电力销售价格的下降，用户的用电量会逐渐自然上升。
作为一个示例，所述根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，包括：根据历史实际电价、历史预测电价和已有的日前预测电价，得到训练集、验证集和测试集；通过所述训练集、验证集和测试集对长短期记忆网络进行训练，得到电价预测模型；根据历史预测电价与历史实际电价，得到电价的预测误差分布函数；根据所述电价预测模型输出的预测电价和所述电价的预测误差分布函数，构建电价不确定性模型。
由于电价预测受诸多因素影响，因此传统的灰色预测并不能准确的预测未来电价。有鉴于此，本发明引入了长短期记忆网络(Long Short Term Memory，LSTM)，并在图3示出了单个时间步长内LSTM网络块内部的计算过程，通过深度学习来预测电价，充分考虑了各种影响电价的因素，大大提高了电价预测的精准度。
图4示出了本发明提出的BRIM(Bridge Information Modelling，桥梁信息建模)模型架构，将历史实际电价、历史预测电价、日前实际电价和日前预测电价，连接到一个时间序列。然后，将连接的序列输入到正向网络中，并在反向后输入到反向网络中，并将前向网络和反向网络的输出组合，并输入到输出层。BRIM的输出参考了时间轴正方向上的可用历史输入电价，并与日前输入电价时间轴负方向上的输入数据相结合。
图5示出了本发明预测日前电价的双向LSTM模型架构，先将已有的历史电价数据和日前电价数据分为，训练集、验证集和测试集三部分，其中，日前电价数据可以是不久前得到的另一个互连电力市场的电价。通过训练得到LSTM的输出层矩阵，从而构建BRIM模型输出层与计划预测的日前电力价格的关联矩阵并输出。具体地，定义已有的历史电价数据为
Figure BDA0002976095840000111
定义日前电价数据为
Figure BDA0002976095840000112
定义BRIM模型输出层为[O1,O2,…,Os]T，构建BRIM模型输出层与LSTM模型计划预测的日前电力价格的关联矩阵，得到计划预测的日前电力价格P＝[P1,P2,…,P23,P24]T。
同时，历史电价可以为网络的输出提供足够有效信息，并在历史电价和日前电价之间建立联系。然后，这些输出将被转入到一个常规的输出层，该层将双向LSTM输出映射到需要预测的24个小时的日前电价。
双向LSTM结构利用了时间轴前方和后方两个方向所有的有效数据，包括了历史电价用户的需求等因素，能够学习并建模时间序列中有较长时间间隔的数据。由于不存在输出的延迟，LSTM模型对传统RNN(Recurent Neural Networks，递归神经网络)建模能力不足问题的进行了优化，同时避免了将数据分布到不同网络的缺点。
电网根据用户的用电性质，将其分为：居民生活用电、一般工业商业用电、大工业用电和其他用电。不同类型用户的电价不同，可统计往年各种类型用户的电价，并将历年电价变化量拟合为正态分布N(μ,δ)，以此作为电价变化量的分布函数，则第t年各种类型用户电价的表达可由以下推导：
假设已知各种类型用户前T-1年的电价数据，则各种类型用户每年的电价变化矩阵可有如下公式表示：
Figure BDA0002976095840000121
其中，p为电价，i为用户类型，t为每日的第t时刻，T为第T年。
采用上文给出的LSTM深度学习方法对各类负荷各时间段的电价进行预测，得到
Figure BDA0002976095840000122
作为预测电价，假设每年电价变化量服从正态分布，则拟合后得到各类型用户的电价概率分布函数。根据预测电价与电价的预测误差分布函数，构建的电价不确定性模型可表示：
Figure BDA0002976095840000123
Figure BDA0002976095840000124
其中，
Figure BDA0002976095840000125
为第i类用户在第T年t时刻的电价，
Figure BDA0002976095840000126
为第i类用户在第T年t时刻的预测电价，Δpi,t为电价预测误差，
Figure BDA0002976095840000127
为电价预测误差的正态分布函数，且电价不确定性模型输出的电价误差需满足置信度不小于第一阈值。
步骤102，根据预测负荷、负荷的预测误差分布函数和电价需求响应后的负荷变化量，构建负荷不确定性模型，其中，所述负荷不确定性模型输出的负荷置信度大于第二预设阈值。
地区的发展状况与发展规划、电网的发展状况与发展规划、地区历史用电负荷以及电价的需求响应，都会影响负荷的预测。传统的负荷预测方法有很多，包括回归分析、灰色预测、BP神经网络、机器学习等方法。
其中，电价的需求响应是指：当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。
面对电价的变化波动，电力消费用户的响应会受到诸多不确定因素的影响，不同类型电力用户的响应程度也不同，存在很大的不确定性。同一类型电力用户不确定性的来源，一是其主观因素，即面对电价波动，用户主动选择决定是否参加响应或者参加响应的程度。二是其客观因素，即社会因素、气候因素、消费特点因素。在需求响应的数学建模分析中，如果忽略了这些以上不确定因素，必然会使得结果过于乐观，从而会给电力供应带来较大的误差。
同理的，对于电价需求响应的建模可以引入价格弹性矩阵，以描述销售电价变化引起的电力需求改变，具体地，可把需求量改变率与价格改变率之比作为价格弹性系数E，其中，q为用电负荷，p为电价。
Figure BDA0002976095840000141
基于上文关于电价的预测与分时电价，得到24小时内第i类需求负荷量的改变量。其中的分时电价是指：按系统运行状况，将一天的24小时划分为若干个时段，每个时段按系统运行的平均边际成本收取电费。因此，不同用户在需求响应后，第i类用户在24小时内需求负荷量的改变量可表示为：
Figure BDA0002976095840000142
Δqi为第i类用户在需求响应之后需求负荷量的改变量，以一天24小时计算，qo,i,t为第i类用户在需求响应前第t时刻的负荷，将第T年的数据进行带入，Ei为第i类用户的价格弹性矩阵，Δpi,t为第i类用户在第t时刻的电价变化率。
同理，以第T-1年的历史预测负荷与实际负荷量为基础，同理可得到各类用户一年内第t时刻的预测误差分布，并考虑电价的需求响应，构建的负荷不确定性模型可表示为：
Figure BDA0002976095840000143
Figure BDA0002976095840000144
其中，
Figure BDA0002976095840000145
为第j个编号的第i类用户在第T年t时刻的负荷量，
Figure BDA0002976095840000146
为第j个编号的第i类用户在第T年t时刻的预测负荷量，Δqi，t为需求响应后第t时刻第i类需求负荷量的改变量，Δli，t为负荷预测误差，
Figure BDA0002976095840000151
为负荷预测误差的正态分布函数，且负荷不确定性模型输出的负荷误差需满足置信度不小于第一阈值。
步骤103，根据所述电价不确定性模型和所述负荷不确定性模型，构建电力设备配置模型，其中，所述电力设备配置模型以利润最大化为目标函数，以负荷约束、资金约束、量本利约束和电价约束为约束条件。
在预测电价置信度大于第一预设阈值，预测负荷置信度大于第二预设阈值的情况下，考虑电价与负荷的不确定性。其中，第一预设阈值与第二预设阈值，可根据实际需求选择相同的值，也可根据实际需求选择不同的值。同时，综合考虑了不同类型的负荷的用电区别。将配电中心如何增加电力设备的问题建模为机会约束模型，为每个配电中心新增各种类型的电力设备数量提供了参考方案。
作为一个示例，电力设备配置模型的目标函数可由如下公式表示：
Figure BDA0002976095840000152
Figure BDA0002976095840000153
Figure BDA0002976095840000154
其中，max f为配置电力设备后的总收益与配置电力设备总成本的差值，
Figure BDA0002976095840000155
为第i类用户在第T年t时刻的电价，
Figure BDA0002976095840000156
为第i类用户在第T年t时刻的负荷量，
Figure BDA0002976095840000157
为第i类用户在第T-1年t时刻的负荷量，
Figure BDA0002976095840000158
为第k个配电中心在第T年的配置电力设备成本，pj为配置一台第j类特定电力设备的成本，nk，j为第k个配电中心配置的第j类电力设备的数量，nj为电力设备的类型数量，ni为第i类用户的数量，
Figure BDA0002976095840000161
为第j个编号的第i类用户在第T年t时刻的负荷量。
作为一个示例，负荷约束可表示为：
Figure BDA0002976095840000162
Figure BDA0002976095840000163
Figure BDA0002976095840000164
其中，
Figure BDA0002976095840000165
为第i类用户在第T年t时刻的负荷量，
Figure BDA0002976095840000166
为第k个配电中心在第T年配置一台第j类电力设备所增加的电力负荷容量，
Figure BDA0002976095840000167
为第k个配电中心在第T年新增的第j类电力设备的数量，nk,j为第k个配电中心在第T年之前已配置的第j类电力设备的数量，ρk,j为第k个配电中心配置的第j类电力设备的负载率，C(T)为一地区在第T年的总电力负荷容量，Pr为决策变量，
Figure BDA0002976095840000168
为第j个编号的第i类用户在第T年t时刻的负荷量，
Figure BDA0002976095840000169
为第j个编号的第i类用户在第T年t时刻的预测负荷量，Δqi,t为需求响应后第t时刻第i类需求负荷量的改变量，Δli,t为负荷预测误差，α为置信度。为使负荷的取值不至于偏离太大，需要满足置信度为α的负荷约束。
作为一个示例，资金约束可表示为：
Figure BDA0002976095840000171
其中，
Figure BDA0002976095840000172
为第k个配电中心在第T年的配置电力设备成本，Imax为配置电力设备可使用的最高成本值；
作为一个示例，量本利约束可表示为：
Figure BDA0002976095840000173
其中，pi,t为第i类用户在第t时刻的电价，
Figure BDA0002976095840000174
为第i类用户在第T年t时刻的负荷量，F为固定成本，p′i,t为第i类用户在第t时刻电价的单位变动成本。
量本利分析是一种应用广泛的科学分析方法，它描述了产品产量、成本、利润之间的关系，将其引入到电力设备配置模型中，确保配电中心新增电力设备后的收益为非负，高于保本点。
作为一个示例，电价约束可表示为：
Figure BDA0002976095840000175
其中，Pr为决策变量，
Figure BDA0002976095840000176
为第i类用户在第T年t时刻的电价，
Figure BDA0002976095840000177
为第i类用户在第T年t时刻的预测电价，Δpi，t为电价预测误差，α为置信度。为使电价的取值不至于偏离太大，需要满足置信度为α的电价约束。
本实施例提供一种电力设备配置模型建立方法，根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，其中，所述电价不确定性模型输出的电价置信度大于第一预设阈值，根据预测负荷、负荷的预测误差分布函数和电价需求响应后的负荷变化量，构建负荷不确定性模型，其中，所述负荷不确定性模型输出的负荷置信度大于第二预设阈值，根据所述电价不确定性模型和所述负荷不确定性模型，构建电力设备配置模型，其中，所述电力设备配置模型以利润最大化为目标函数，以负荷约束、资金约束、量本利约束和电价约束为约束条件。在置信度大于预设阈值的情况下，考虑电价与负荷的不确定性，同时，综合考虑了不同类型的负荷的用电区别。通过将配电网的设备配置问题构建对应模型，为每个配电中心新增各种类型的电力设备数量提供了参考方案。
实施例2
请参阅图6，图6示出了本发明的一种电力设备配置方法的流程图，图6中的电力设备配置方法包括以下步骤：
步骤201，获取配置电力设备可使用的最高成本值，每个配电中心已配置的电力设备类型及对应类型的电力设备数量，并将获取到的数据作为模型基本参数。
引入配置电力设备时可投入的最高成本值，以确保配电中心新增电力设备后，需要得到的收益高于保本点。
步骤202，将所述模型基本参数输入至电力设备配置模型，其中，所述电力设备配置模型通过如实施例1电力设备配置模型建立方法得到。
在满足一定置信度的情况下考虑电价与负荷不确定性，并综合考虑不同类型的负荷的用电区别，通过将配电中心如何增加电力设备的问题进行建模，通过模型为配电中心得到新增电力设备的规划方案。
步骤203，对所述电力设备配置模型进行解算，得到每个配电中心需要新增的电力设备类型及对应类型的电力设备数量。
作为一个示例，所述对所述电力设备配置模型进行解算，包括：将电力设备配置模型中的负荷约束与电价约束转化为常规不等式约束，得到配置电力设备的整数线性规划模型；对所述整数线性规划模型进行解算。
由于电力设备配置模型的负荷约束与电价约束，涉及到随机误差变量，可对这两个约束进行转化，以简化模型的求解。具体地，可将电力设备配置模型中的负荷约束与电价约束转化为常规不等式约束，转化后的负荷不等式约束可由如下公式表示：
Figure BDA0002976095840000191
其中，
Figure BDA0002976095840000192
为负荷预测误差的下风险值，
Figure BDA0002976095840000193
为负荷预测误差的上风险值，
Figure BDA0002976095840000194
为第j个编号的第i类用户在第T年t时刻的负荷量，
Figure BDA0002976095840000195
为第j个编号的第i类用户在第T年t时刻的预测负荷量，Δqi，t为需求响应后第t时刻第i类需求负荷量的改变量，α为置信度。
关于
Figure BDA0002976095840000196
与
Figure BDA0002976095840000197
可由如下公式确定：
Figure BDA0002976095840000198
Figure BDA0002976095840000199
同理，转化后的电价不等式约束可由如下公式表示：
Figure BDA00029760958400001910
其中，
Figure BDA0002976095840000201
为电价预测误差的下风险值，
Figure BDA0002976095840000202
为电价预测误差的上风险值，
Figure BDA0002976095840000203
为第i类用户在第T年t时刻的电价，
Figure BDA0002976095840000204
为第i类用户在第T年t时刻的预测电价，α为置信度，关于确定的电价的上下风险公式可参考负荷的上下风险公式。
在得到配置电力设备的整数线性规划模型后，可采用CPLEX对整数线性规划模型进行解算。CPLEX是一种数学优化技术。主要用于提高效率、快速实现策略并提高收益率。使用WebSphere ILOG CPLEX的数学优化技术可以就资源的高效利用做出更佳决策。使用CPLEX，可以将复杂的业务问题表现为数学规划(Mathematic Programming)模型。WebSphere ILOG CPLEX能够以最快的速度最可靠地实现基本算法，以解决困难的数学优化问题。CPLEX提供灵活的高性能优化程序，解决线性规划(Linear Programming)、二次方程规划(Quadratic Programming)、二次方程约束规划(Quadratically ConstrainedProgramming)和混合整型规划(Mixed Integer Programming)问题。
通过CPLEX对模型进行解算，得到每个配电中心需要新增的电力设备类型及对应类型的电力设备数量，为每个配电中心新增各种类型的电力设备数量提供了参考方案。
实施例3
请参阅图7，图7示出了本发明的电力设备配置模型建立装置的流程图，图7中的电力设备配置模型建立装置300包括：
电价不确定性模型构建模块310，用于根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，其中，所述电价不确定性模型输出的电价置信度大于第一预设阈值；
负荷不确定性模型构建模块320，用于根据预测负荷、负荷的预测误差分布函数和电价需求响应后的负荷变化量，构建负荷不确定性模型，其中，所述负荷不确定性模型输出的负荷置信度大于第二预设阈值；
电力设备配置模型构建模块330，用于根据所述电价不确定性模型和所述负荷不确定性模型，构建电力设备配置模型，其中，所述电力设备配置模型以利润最大化为目标函数，以负荷约束、资金约束、量本利约束和电价约束为约束条件。
作为一个示例，所述电价不确定性模型构建模块310，包括：
样本子模块，用于根据历史实际电价、历史预测电价和已有的日前预测电价，得到训练集、验证集和测试集；
训练子模块，用于通过所述训练集、验证集和测试集对长短期记忆网络进行训练，得到电价预测模型；
函数子模块，用于根据历史预测电价与历史实际电价，得到电价的预测误差分布函数；
构建子模块，用于根据所述电价预测模型输出的预测电价和所述电价的预测误差分布函数，构建电价不确定性模型。
电力设备配置模型建立装置300的电价不确定性模型构建模块310、负荷不确定性模型构建模块320、电力设备配置模型构建模块330、样本子模块、训练子模块、函数子模块和构建子模块用于执行上述的电力设备配置模型建立方法中的对应步骤，各个功能的具体实施，在此不再一一描述。此外，实施例1中可选示例也同样适用于实施例3的电力设备配置模型建立装置300。
实施例4
请参阅图8，图8示出了本发明的电力设备配置装置的流程图，图8中的电力设备配置装置400包括：
参数获取模块410，用于获取每个配电中心在第T年新增电力设备的成本，每个配电中心已配置的电力设备类型及对应类型的电力设备数量，并将获取到的数据作为模型基本参数；
参数输入模块420，用于将所述模型基本参数输入至电力设备配置模型，其中，所述电力设备配置模型通过如上述任意一项电力设备配置模型建立方法得到；
模型解算模块430，用于对所述电力设备配置模型进行解算，得到每个配电中心需要新增的电力设备类型及对应类型的电力设备数量。
作为一个示例，所述模型解算模块430，包括：
约束转化子模块，用于将电力设备配置模型中的负荷约束与电价约束转化为常规不等式约束，得到配置电力设备的整数线性规划模型；
整数模型解算子模块，用于对所述整数线性规划模型进行解算。
电力设备配置装置400的参数获取模块410、参数输入模块420、模型解算模块430、约束转化子模块和整数模型解算子模块用于执行上述的电力设备配置方法中的对应步骤，各个功能的具体实施，在此不再一一描述。此外，实施例2中可选示例也同样适用于实施例4的电力设备配置装置400。
本申请实施例还提供一种终端设备，包括处理器和存储器，所述存储器上存储有程序或指令，所述程序或指令被所述处理器执行上述任一项的电力设备配置模型建立方法，或者上述任一项的电力设备配置方法。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现上述任一项的电力设备配置模型建立方法，或者上述任一项的电力设备配置方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种电力设备配置模型建立方法，其特征在于，包括：
根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，其中，所述电价不确定性模型输出的电价置信度大于第一预设阈值；
根据预测负荷、负荷的预测误差分布函数和电价需求响应后的负荷变化量，构建负荷不确定性模型，其中，所述负荷不确定性模型输出的负荷置信度大于第二预设阈值；
根据所述电价不确定性模型和所述负荷不确定性模型，构建电力设备配置模型，其中，所述电力设备配置模型以利润最大化为目标函数，以负荷约束、资金约束、量本利约束和电价约束为约束条件。
2.根据权利要求1所述的电力设备配置模型建立方法，其特征在于，所述目标函数包括：
Figure FDA0002976095830000011
Figure FDA0002976095830000012
Figure FDA0002976095830000013
其中，max f为配置电力设备后的总收益与配置电力设备总成本的差值，
Figure FDA0002976095830000014
为第i类用户在第T年t时刻的电价，
Figure FDA0002976095830000015
为第i类用户在第T年t时刻的负荷量，
Figure FDA0002976095830000016
为第i类用户在第T-1年t时刻的负荷量，
Figure FDA0002976095830000017
为第k个配电中心在第T年的配置电力设备成本，pj为配置一台第j类特定电力设备的成本，nk,j为第k个配电中心配置的第j类电力设备的数量，nj为电力设备的类型数量，ni为第i类用户的数量，
Figure FDA0002976095830000021
为第j个编号的第i类用户在第T年t时刻的负荷量。
3.根据权利要求1所述的电力设备配置模型建立方法，其特征在于，
所述负荷约束表示为：
Figure FDA0002976095830000022
Figure FDA0002976095830000023
Figure FDA0002976095830000024
其中，
Figure FDA0002976095830000025
为第i类用户在第T年t时刻的负荷量，
Figure FDA0002976095830000026
为第k个配电中心在第T年配置一台第j类电力设备所增加的电力负荷容量，
Figure FDA0002976095830000027
为第k个配电中心在第T年新增的第j类电力设备的数量，nk,j为第k个配电中心在第T年之前已配置的第j类电力设备的数量，ρk,j为第k个配电中心配置的第j类电力设备的负载率，C(T)为一地区在第T年的总电力负荷容量，Pr为决策变量，
Figure FDA0002976095830000028
为第j个编号的第i类用户在第T年t时刻的负荷量，
Figure FDA0002976095830000029
为第j个编号的第i类用户在第T年t时刻的预测负荷量，Δqi,t为需求响应后第t时刻第i类需求负荷量的改变量，Δli,t为负荷预测误差，α为置信度；
所述资金约束表示为：
Figure FDA00029760958300000210
其中，
Figure FDA0002976095830000031
为第k个配电中心在第T年的配置电力设备成本，Imax为配置电力设备可使用的最高成本值；
所述量本利约束表示为：
Figure FDA0002976095830000032
其中，pi,t为第i类用户在第t时刻的电价，
Figure FDA0002976095830000033
为第i类用户在第T年t时刻的负荷量，F为固定成本，p′i,t为第i类用户在第t时刻电价的单位变动成本；
所述电价约束表示为：
Figure FDA0002976095830000034
其中，Pr为决策变量，
Figure FDA0002976095830000035
为第i类用户在第T年t时刻的电价，
Figure FDA0002976095830000036
为第i类用户在第T年t时刻的预测电价，Δpi,t为电价预测误差，α为置信度。
4.根据权利要求1所述的电力设备配置模型建立方法，其特征在于，所述根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，包括：
根据历史实际电价、历史预测电价和已有的日前预测电价，得到训练集、验证集和测试集；
通过所述训练集、验证集和测试集对长短期记忆网络进行训练，得到电价预测模型；
根据历史预测电价与历史实际电价，得到电价的预测误差分布函数；
根据所述电价预测模型输出的预测电价和所述电价的预测误差分布函数，构建电价不确定性模型。
5.一种电力设备配置方法，其特征在于，包括：
获取配置电力设备可使用的最高成本值，每个配电中心已配置的电力设备类型及对应类型的电力设备数量，并将获取到的数据作为模型基本参数；
将所述模型基本参数输入至电力设备配置模型，其中，所述电力设备配置模型通过如权利要求1-4任意一项所述的方法得到；
对所述电力设备配置模型进行解算，得到每个配电中心需要新增的电力设备类型及对应类型的电力设备数量。
6.根据权利要求5所述的电力设备配置方法，其特征在于，所述对所述电力设备配置模型进行解算，包括：
将电力设备配置模型中的负荷约束与电价约束转化为常规不等式约束，得到配置电力设备的整数线性规划模型；
对所述整数线性规划模型进行解算。
7.一种电力设备配置模型建立装置，其特征在于，包括：
电价不确定性模型构建模块，用于根据预测电价与电价的预测误差分布函数，构建电价不确定性模型，其中，所述电价不确定性模型输出的电价置信度大于第一预设阈值；
负荷不确定性模型构建模块，用于根据预测负荷、负荷的预测误差分布函数和电价需求响应后的负荷变化量，构建负荷不确定性模型，其中，所述负荷不确定性模型输出的负荷置信度大于第二预设阈值；
电力设备配置模型构建模块，用于根据所述电价不确定性模型和所述负荷不确定性模型，构建电力设备配置模型，其中，所述电力设备配置模型以利润最大化为目标函数，以负荷约束、资金约束、量本利约束和电价约束为约束条件。
8.一种电力设备配置装置，其特征在于，包括：
参数获取模块，用于获取每个配电中心在第T年新增电力设备的成本，每个配电中心已配置的电力设备类型及对应类型的电力设备数量，并将获取到的数据作为模型基本参数；
参数输入模块，用于将所述模型基本参数输入至电力设备配置模型，其中，所述电力设备配置模型通过如权利要求1-4任意一项所述的方法得到；
模型解算模块，用于对所述电力设备配置模型进行解算，得到每个配电中心需要新增的电力设备类型及对应类型的电力设备数量。
9.一种终端设备，其特征在于，包括处理器和存储器，所述存储器上存储有程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至4中任一项所述的电力设备配置模型建立方法，或者实现如权利要求5至6中任一项所述的电力设备配置方法。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现如权利要求1至4中任一项所述的电力设备配置模型建立方法，或者实现如权利要求5至6中任一项所述的电力设备配置方法。
CN202110274618.7A 2021-03-15 2021-03-15 利用模型进行电力设备配置的方法和电力设备配置方法 Active CN113052630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110274618.7A CN113052630B (zh) 2021-03-15 2021-03-15 利用模型进行电力设备配置的方法和电力设备配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110274618.7A CN113052630B (zh) 2021-03-15 2021-03-15 利用模型进行电力设备配置的方法和电力设备配置方法

Publications (2)

Publication Number Publication Date
CN113052630A true CN113052630A (zh) 2021-06-29
CN113052630B CN113052630B (zh) 2022-11-01

Family

ID=76512279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110274618.7A Active CN113052630B (zh) 2021-03-15 2021-03-15 利用模型进行电力设备配置的方法和电力设备配置方法

Country Status (1)

Country Link
CN (1) CN113052630B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759444A (zh) * 2022-11-24 2023-03-07 北京国电通网络技术有限公司 电力设备分配方法、装置、电子设备和计算机可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106532769A (zh) * 2016-11-25 2017-03-22 云南电网有限责任公司电力科学研究院 基于光伏并网不确定性的需求侧分时电价的优化方法
CN107330546A (zh) * 2017-06-14 2017-11-07 武汉大学 一种考虑风电出力和需求响应不确定性的优化调度方法
CN111340556A (zh) * 2020-02-29 2020-06-26 贵州电网有限责任公司 一种考虑柔性负荷的电网峰谷分时电价的制定方法
CN112101689A (zh) * 2019-06-18 2020-12-18 华北电力大学（保定） 一种考虑多种类需求响应不确定性的日前日内调度方法
CN112467730A (zh) * 2020-11-19 2021-03-09 国网四川省电力公司经济技术研究院 考虑风光出力预测误差和需求响应灵活性的电力系统优化调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106532769A (zh) * 2016-11-25 2017-03-22 云南电网有限责任公司电力科学研究院 基于光伏并网不确定性的需求侧分时电价的优化方法
CN107330546A (zh) * 2017-06-14 2017-11-07 武汉大学 一种考虑风电出力和需求响应不确定性的优化调度方法
CN112101689A (zh) * 2019-06-18 2020-12-18 华北电力大学（保定） 一种考虑多种类需求响应不确定性的日前日内调度方法
CN111340556A (zh) * 2020-02-29 2020-06-26 贵州电网有限责任公司 一种考虑柔性负荷的电网峰谷分时电价的制定方法
CN112467730A (zh) * 2020-11-19 2021-03-09 国网四川省电力公司经济技术研究院 考虑风光出力预测误差和需求响应灵活性的电力系统优化调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759444A (zh) * 2022-11-24 2023-03-07 北京国电通网络技术有限公司 电力设备分配方法、装置、电子设备和计算机可读介质
CN115759444B (zh) * 2022-11-24 2023-10-20 北京国电通网络技术有限公司 电力设备分配方法、装置、电子设备和计算机可读介质

Also Published As

Publication number Publication date
CN113052630B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
Shin et al. Operational planning and optimal sizing of microgrid considering multi-scale wind uncertainty
Parker et al. Electric power industry: Operational and public policy challenges and opportunities
Gonzalez et al. Forecasting power prices using a hybrid fundamental-econometric model
Feng et al. Solution sensitivity-based scenario reduction for stochastic unit commitment
Lannoye et al. Assessment of power system flexibility: A high-level approach
Shayesteh et al. Multi-station equivalents for short-term hydropower scheduling
Park et al. Comparing scenario reduction methods for stochastic transmission planning
Nunes et al. Multi‐stage co‐planning framework for electricity and natural gas under high renewable energy penetration
Qi et al. Energyboost: Learning-based control of home batteries
CN115496603A (zh) 基于人工智能技术的电力市场新能源日前交易决策方法
Bollinger et al. Multi-agent reinforcement learning for optimizing technology deployment in distributed multi-energy systems
CN113052630B (zh) 利用模型进行电力设备配置的方法和电力设备配置方法
Bødal et al. Capacity expansion planning with stochastic rolling horizon dispatch
Nammouchi et al. Robust opportunistic optimal energy management of a mixed microgrid under asymmetrical uncertainties
Amosedinakaran et al. Energy source expansion planning for a real-world deregulated electric utility considering emission
Wu et al. Design of A battery energy management system for capacity charge reduction
Lu et al. An interval prediction method for day-ahead electricity price in wholesale market considering weather factors
Vardanyan et al. Short-term hydropower planning with uncertain wind power production
CN110705738B (zh) 基于人工智能的智能用电激励需求响应方法和系统
Zhao Data-driven risk-averse stochastic program and renewable energy integration
Ali et al. Studying dynamic pricing in electrical power markets with distributed generation: Agent-based modeling and reinforcement-learning approach
Younesi et al. Enhancing the resilience of zero-carbon energy communities: Leveraging network reconfiguration and effective load carrying capability quantification
Khodadadi et al. Multimarket Trading Strategy of a Hydropower Producer Considering Active-Time Duration: A Distributional Regression Approach
Tur Investigation of optimum reserve capacity requirement in ancillary services with extreme learning machine
Asrari et al. A stochastic hybrid method to forecast operating reserve: comparison of fuzzy and classical set theory

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