CN113095566B - 一种基于用能行为层次化分析的多源协调供能方法及系统 - Google Patents
一种基于用能行为层次化分析的多源协调供能方法及系统 Download PDFInfo
- Publication number
- CN113095566B CN113095566B CN202110376896.3A CN202110376896A CN113095566B CN 113095566 B CN113095566 B CN 113095566B CN 202110376896 A CN202110376896 A CN 202110376896A CN 113095566 B CN113095566 B CN 113095566B
- Authority
- CN
- China
- Prior art keywords
- energy
- energy consumption
- behavior
- correlation
- analysis
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 230000006399 behavior Effects 0.000 claims abstract description 153
- 238000010219 correlation analysis Methods 0.000 claims abstract description 22
- 238000000611 regression analysis Methods 0.000 claims abstract description 14
- 230000005611 electricity Effects 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 20
- 238000010168 coupling process Methods 0.000 abstract description 20
- 238000005859 coupling reaction Methods 0.000 abstract description 20
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002354 daily effect Effects 0.000 description 51
- 238000004364 calculation method Methods 0.000 description 24
- 238000005457 optimization Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
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
- G06Q10/04—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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于用能行为层次化分析的多源协调供能方法及系统,包括:根据获取的多元用能数据和能源种类划分包含若干个二级用能行为特征的一级用能行为特征序列;以任意一个一级用能行为特征序列作为母序列,其他一级用能行为特征序列作为子序列,在母序列和子序列间依次进行灰色关联分析,得到不同能源种类间用能行为的关联度;对各一级用能行为特征序列进行回归分析后得到不同能源种类间用能行为的影响度,根据关联度和影响度,对综合能源的多源协调供能状态进行优化。对多元用能行为特征的耦合特性进行层次化分析,从多个方面分析用户多能源消耗行为间的耦合特性,以发挥综合能源系统多源协调供能的优势。
Description
技术领域
本发明涉及用电技术领域,特别是涉及一种基于用能行为层次化分析的多源协调供能方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
综合能源系统包括多种能源供应种类,以电力系统为核心,包括电、气、冷、热等多种能源供应形式,在各能源供应环节中通过协调优化提升能源供应效率。在综合能源系统中,各个能源之间高度耦合,互相影响,并且可以相互转化。
随着综合能源系统建设的不断推进,用户耗能形式呈现多样化发展,电能与其他能源形式的耦合变的更加密切,而传统综合能源系统对各能源之间的耦合机理考虑尚有欠缺,主要停留在定性分析阶段,缺乏对各能源形式间耦合特性的定量分析方法,对各类能源之间耦合程度的判断较为模糊,难以充分发挥综合能源系统多源协调供能的优势。
发明内容
为了解决上述问题,本发明提出了一种基于用能行为层次化分析的多源协调供能方法及系统,对多元用能行为特征的耦合特性进行层次化分析,包括各个用能行为间的关联度以及相互影响程度,从多个方面分析用户多能源消耗行为间的耦合特性,以发挥综合能源系统多源协调供能的优势。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于用能行为层次化分析的多源协调供能方法,包括:
根据获取的多元用能数据和能源种类划分包含若干个二级用能行为特征的一级用能行为特征序列;
以任意一个一级用能行为特征序列作为母序列,其他一级用能行为特征序列作为子序列,在母序列和子序列间依次进行灰色关联分析,得到不同能源种类间用能行为的关联度;
对各一级用能行为特征序列进行回归分析后得到不同能源种类间用能行为的影响度,根据关联度和影响度,对综合能源的多源协调供能状态进行优化。
第二方面,本发明提供一种基于用能行为层次化分析的多源协调供能系统,包括:
特征提取模块,被配置为根据获取的多元用能数据和能源种类划分包含若干个二级用能行为特征的一级用能行为特征序列;
关联分析模块,被配置为以任意一个一级用能行为特征序列作为母序列,其他一级用能行为特征序列作为子序列,在母序列和子序列间依次进行灰色关联分析,得到不同能源种类间用能行为的关联度;
回归分析模块,被配置为对各一级用能行为特征序列进行回归分析后得到不同能源种类间用能行为的影响度,根据关联度和影响度,对综合能源的多源协调供能状态进行优化。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明提供一种综合能源用户每日用能行为耦合特性的层次化分析方法,对综合能源用户每日用能行为耦合特性进行层次化分析,主要包括一级指标耦合特性分析与二级指标耦合特性分析两方面,分析方法主要包括定性分析与定量分析,从各个用能行为间的关联度以及相互影响程度等多个方面分析用户多能源消耗行为间的耦合特性,以发挥综合能源系统多源协调供能的优势。
本发明针对综合能源用户每日冷、热、电用能数据曲线,设计每日用能行为特征指标体系,该体系主要由每日用电特性、每日用热特性与每日用冷特性三方面一级指标组成,每个一级指标又由若干个二级指标组成,各二级指标通过CRITIC方法进行权重计算并带权重相加,得到相应的一级指标;然后根据用能行为特征指标体系,对综合能源用户每日用能行为耦合特性进行层次化分析,能够充分挖掘综合能源用户用能行为之间的耦合特性,为综合能源系统建设、综合能源供给、用户服务等各个方面业务的开展提供了有利条件。
本发明附加方面的优点将在下面的描述中部分给出,部分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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于用能行为层次化分析的综合能源运行优化方法流程图;
图2(a)-2(c)为本发明实施例1提供的灰色关联分析的结果。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实施例提供一种基于用能行为层次化分析的综合能源运行优化方法,包括:
S1:根据获取的多元用能数据和能源种类划分包含若干个二级用能行为特征的一级用能行为特征序列;
S2:以任意一个一级用能行为特征序列作为母序列,其他一级用能行为特征序列作为子序列,在母序列和子序列间依次进行灰色关联分析,得到不同能源种类间用能行为的关联度;
S3:对各一级用能行为特征序列进行回归分析后得到不同能源种类间用能行为的影响度,根据关联度和影响度,对综合能源运行状态进行优化。
在本实施例中,在所述步骤S1中,本实施例获取一定时间段内,待分析综合能源用户的冷、热、电的多元用能负荷数据,并对多元用能负荷数据进行数据清洗;
优选地,所述数据清洗包括异常数据修复与缺失数据修补,其中:若检测到数据缺失,则用上一天同一时间段的数据对当前时刻的缺失值进行修补;采用均方差法检测异常数据,若检测到异常数据,则使用该时刻数据前一时刻与后一时刻数据的平均值进行替代。
优选地,以日为单位获取多元用能负荷数据,本实施例获取一年内的多元用能负荷数据。
在本实施例中,所述一级用能行为特征序列包括每日用电行为特征、每日用热行为特征与每日用冷行为特征,且每个一级行为特征指标下包含多种二级用能行为特征,由一级用能行为特征序列和二级用能行为特征构建综合能源用户用能行为特征指标体系。
具体地,S1-1-1:每日用电行为特征包含日平均负荷、日负荷率、峰时耗电率、谷电系数、日峰谷差、细节波动性、日负荷波动率、调峰能力、需求响应潜力熵和最大需求响应潜力,其中各指标的计算公式如下:
日平均负荷指用户每天负荷曲线的平均值,综合反映用户的能耗等级,计算公式如下:
式中:L1表示日平均负荷,n为一天的采样次数,L(t)为t时刻的负荷值。
日负荷率指用户每天的平均负荷与当天的最大负荷的比值,表示用户用能行为的波动性,计算公式下:
L2=Lav/Lmax (2)
式中:L2表示日负荷率,Lav和Lmax分别表示日平均负荷和日最大负荷。
峰时耗电率指用户在用电高峰时段所消耗的电量占与天所用总电量的比值,计算公式如下:
L3=Lp/LZ (3)
式中:L3表示峰时耗电率,Lp和LZ分别表示用户峰时用电量和当天的总用电量。
谷电系数指用户在用电低谷时段所消耗的电量占与天所用总电量的比值,计算公式如下:
L4=Lv/LZ (4)
式中:L4表示谷电系数,Lv和LZ分别表示用户谷时用电量和当天的总用电量。
日峰谷差指用户每天中最大负荷与最小负荷之差,计算公式如下:
S1=Lmax-Lmin (5)
式中:S1表示日峰谷差,Lmax和Lmin分别一天中的最大负荷与最小负荷值。
细节波动性指用户在相邻时刻用能的波动性大小,可衡量用户用能的突变程度,计算公式如下:
式中:S2表示细节波动性,n表示用户每天的负荷采样点数,L(t)和L(t-1)分别为t时刻和前一时刻的负荷值。
日负荷波动率指一天中负荷的总波动性,日负荷波动率越大,则其一天中的负荷波动越强烈,计算公式如下:
调峰能力用于描述用户可能削减负荷的大小,每日峰时负荷与低谷负荷的差值越大,用户用能的可改变量就越大,即调峰能力越大,其计算公式如下:
式中:D1表示用户的调峰能力,Tp为用户当日用能功率最高的时刻,Lp(t)表示t时刻的负荷值,min(L)为用户日负荷中的最小值。
需求响应潜力熵利用信息熵描述用户需求响应的潜力,其计算公式如下:
式中:D2表示需求响应潜力熵,n表示每天的负荷点数,xi表示归一化后i时刻用户的负荷量。
最大需求响应潜力计算公式如下:
D3=Li-min(L) (10)
式中:D3表示用户的最大需求响应潜力,Li为用户第i天的总负荷,min(L)表示当月的最小日总负荷。
S1-1-2:日用热行为特征与日用冷行为特征都包含日平均负荷、日负荷率、日负荷波动率、日峰谷差、峰时用能率,其计算公式与用电行为特征中的公式(1)、(2)、(7)、(5)、(3)相同。
根据已获取的综合能源用户多元用能数据,采用步骤S1-1-1和S1-1-2所述的方法得到二级用能行为特征指标;采用CRITIC权重计算方法,计算每个二级用能行为特征的权重值,并以权重进行相加后,得到包括每日用电行为特征、每日用热行为特征与每日用冷行为特征三方面的一级用能行为特征指标。
具体地,S1-2:所述CRITIC方法是权重计算方法,依据各二级用能行为特征指标间的对比强度与冲突强度计算每个特征指标的权重,计算步骤如下:
1)归一化:
假设有m个月份,n个指标,对正向指标和逆向指标采取不同的归一化方法,其中:
正向指标归一化方法:
逆向指标归一化方法:
式中:i=1,2,…,m,j=1,2,…,n,aij表示第i个月的第j项指标实际值,bij表示归一化后第i个月第j项的指标值。
2)相关系数矩阵计算:
相关系数是研究指标之间线性相关程度的度量值,在CRITIC法中,依据各指标间的相关系数来描述指标之间的相关性,具体公式如下所示:
式中:i=1,2,…,n,j=1,2,…,n,rij表示第i项指标与第j项指标之间的相关系数。
3)计算权重
利用计算得到的相关系数矩阵,计算各二级用能行为特征指标的对比强度及冲突性,如下式所示:
式中:j=1,2,…,n,σj为第j项指标的均方差,CIj表示第j项指标的对比强度,CTj表示第j项指标与其他指标冲突性的量化指标。
基于二级用能行为特征指标的对比强度和冲突性,利用下式求出二级用能行为特征指标所包含的信息量:
式中:j=1,2,…,n,Gj取值越大,表征第j项指标所蕴含的信息量越大,赋权也应更大。
最终第j项二级用能行为特征指标的客观权重Wj为:
根据权重对二级用能行为特征赋权后得到一级用能行为特征指标。
在所述步骤S2中,本实施例还包括对用户各一级用能行为特征指标进行宏观相关性分析,对二级用能行为特征指标进行微观相关性分析,分层分析各指标之间的耦合特性;
其中,所述相关性分析指对用户一年中每日的用电、用冷与用热一级用能行为特征指标或二级用能行为特征指标进行线性相关性分析,得到Pearson相关系数,并以此计算得到相关性矩阵,其计算公式如下:
其中,x与y分别代表计算相关系数的两个指标,i代表第i个样本,N代表样本个数。
在所述步骤S2中,对用户各一级用能行为特征指标进行灰色关联分析,得到各用能行为特征之间的相似度;具体包括:
S2-1:确定母序列,本实施例中有几种能源形式则进行几次关联分析,其中每次分析选用一种能源作为母序列,其余能源形式作为子序列;
S2-2:计算关联系数:
其中,母序列第k个时刻的值记为y(k),第i个因素的第k个值记为xi(k),p为分辨系数,本实施例中设为0.5;
S2-3:计算关联度:
在所述步骤S3中,所述回归分析指以用电行为特征的一级指标作为因变量,以用冷与用热一级行为特征指标作为自变量,得到用冷与用热行为特征对用电行为特征的定性与定量影响关系;具体包括:
S3-1:对回归分析模型的拟合情况、模型共线性问题、是否通过F检验等情况进行分析;具体包括:
所述模型拟合情况包括:R2为0.3时,则说明所有自变量可以解释因变量30%的变化原因;R2计算公式为:
所述模型共线性问题包括:VIF值小于5时,则说明无多重共线性;VIF值计算公式为:
其中,R2代表决定系数。
所述是否通过F检验包括:F检验用于判定是否自变量中至少有一个对因变量产生影响,如果呈现出显著性,则说明所有自变量中至少一个会对因变量产生影响关系;F检验统计量公式为:
首先确定显著性水平α,查表得到Fα(1,n-2),确定模型是否满足线性相关显著性条件。
S3-2:判断自变量对因变量的影响关系方向,回归系数B值的大小对比自变量对因变量的影响程度大小,若回归系数B值大于0,说明正向影响,反之负向影响。
本实施例采用美国亚利桑那州立大学Campus Metabolism项目平台的多元用能数据,利用该项目平台提供的Tempe校区Bio Design Institute B(BioB)这所建筑2018年的冷、热、电负荷数据,采样频率为每个小时1个点;得到的用能行为指标体系的具体框架如表1所示,其中代表正向指标,代表负向指标;
表1综合能源用户每日用能行为特征指标体系
如表2所示为该建筑2018年1月1日至1月7日一周的各一级指标下的二级指标;
表2 biob建筑日用能特性评价指标
基于计算得到的每日二级用能行为特征指标得分,然后通过CRITIC法计算各个二级评价指标的权重系数,带权重计算得到综合能源用户日用能行为特征一级指标,计算所得各二级指标的权重分配及1月1日至1月7日的一级指标得分平均值如表3所示。
表3短期用能特性综合评价指标权重分配
由表3可见,在用电指标方面,日平均负荷、调峰能力、需求响应潜力熵与最大需求响应潜力具有较高权重,在用热指标方面,日平均负荷具有较高权重,在用冷行为特征方面,日平均负荷与日峰谷差具有较高权重,以上具有较高权重的指标均为包含信息量较大的指标。
根据使用Pearson相关系数进行二级指标相关性分析的结果,除了个别用电行为指标与用热行为指标之间相关性较弱之外,其余指标均具有显著的相关性,该结果不但说明了综合能源用户各能源利用形式之间具有紧密的耦合关系,而且对该耦合关系给出了定量分析结果;使用Pearson相关系数进行一级指标相关性分析的结果如表4所示,可见用电行为特征和用热行为特征之间的相关系数值为0.223,说明用电行为特征和用热行为特征之间有着显著的正相关关系;用电行为特征和用冷行为特征之间的相关系数值为0.283,说明power_day_biob和cool_day_biob之间有着显著的正相关关系;对于一级指标而言,该结果证明综合能源用户各能源利用的总体行为特征也存在较为紧密的耦合关系,并给出了定量的耦合程度分析结果。
表4一级指标相关性分析结果
灰色关联分析的结果如附图2(a)-2(c)所示,该结果依次以用电行为特征一级指标、用热行为特征一级指标、用冷行为特征一级指标作为母序列,以其他一级指标作为子序列,分析子序列与母序列之间的相关性,可见无论采用哪种用能行为作为母序列,其他子序列均与母序列具有较高的相似程度,且该建筑的能源利用行为相似程度较为接近,说明其具有较好的稳定性。
回归分析结果如表5所示,将用冷与用热行为特征作为自变量,而将用电行为特征作为因变量进行回归分析,R方值为0.121,意味着用冷与用热行为特征可以解释用电行为特征的12.1%变化原因,而且模型通过F检验(F=24.848,p=0.000<0.05),说明模型有效。
模型公式为:用电行为特征=0.269+0.148*用冷行为特征+0.204*用热行为特征;用冷行为特征的回归系数值为0.148(t=5.399,p=0.000<0.01),意味着用冷行为特征会对用电行为特征产生显著的正向影响关系,用热行为特征的回归系数值为0.204(t=4.077,p=0.000<0.01),意味着用热行为特征会对用电行为特征产生显著的正向影响关系。
实施例2
本实施例提供一种基于用能行为层次化分析的综合能源运行优化系统,包括:
特征提取模块,被配置为根据获取的多元用能数据和能源种类划分包含若干个二级用能行为特征的一级用能行为特征序列;
关联分析模块,被配置为以任意一个一级用能行为特征序列作为母序列,其他一级用能行为特征序列作为子序列,在母序列和子序列间依次进行灰色关联分析,得到不同能源种类间用能行为的关联度;
回归分析模块,被配置为对各一级用能行为特征序列进行回归分析后得到不同能源种类间用能行为的影响度,根据关联度和影响度,对综合能源运行状态进行优化。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于用能行为层次化分析的多源协调供能方法,其特征在于,包括:
根据获取的多元用能数据和能源种类划分包含若干个二级用能行为特征的一级用能行为特征序列;
以任意一个一级用能行为特征序列作为母序列,其他一级用能行为特征序列作为子序列,在母序列和子序列间依次进行灰色关联分析,得到不同能源种类间用能行为的关联度;
对各一级用能行为特征序列进行回归分析后得到不同能源种类间用能行为的影响度,根据关联度和影响度,对综合能源的多源协调供能状态进行优化;
根据能源种类确定灰色关联分析的次数,依次计算母序列和子序列的关联系数,以此得到不同能源种类间用能行为的关联度。
2.如权利要求1所述的一种基于用能行为层次化分析的多源协调供能方法,其特征在于,所述一级用能行为特征序列包括用电行为特征序列、用热行为特征序列、用冷行为特征序列,以用电行为特征序列为因变量,以用热行为特征序列和用冷行为特征序列为自变量,根据回归系数判断自变量对因变量的影响方向。
3.如权利要求1所述的一种基于用能行为层次化分析的多源协调供能方法,其特征在于,所述二级用能行为特征包括日平均负荷、日负荷率、峰时耗电率、谷电系数、日峰谷差、细节波动性、日负荷波动率、调峰能力、需求响应潜力熵和最大需求响应潜力的一种或多种组合。
4.如权利要求1所述的一种基于用能行为层次化分析的多源协调供能方法,其特征在于,根据二级用能行为特征的对比强度和冲突性得到权重,对二级用能行为特征赋权后得到一级用能行为特征。
5.如权利要求4所述的一种基于用能行为层次化分析的多源协调供能方法,其特征在于,采用CRITIC方法计算二级用能行为特征的相关系数矩阵,根据相关系数矩阵得到对比强度和冲突性,根据对比强度和冲突性得到二级用能行为特征所包含的信息量,并以此得到权重。
6.如权利要求1所述的一种基于用能行为层次化分析的多源协调供能方法,其特征在于,对二级用能行为特征进行正向指标归一化和逆向指标归一化的预处理。
7.一种基于用能行为层次化分析的多源协调供能系统,其特征在于,包括:
特征提取模块,被配置为根据获取的多元用能数据和能源种类划分包含若干个二级用能行为特征的一级用能行为特征序列;
关联分析模块,被配置为以任意一个一级用能行为特征序列作为母序列,其他一级用能行为特征序列作为子序列,在母序列和子序列间依次进行灰色关联分析,得到不同能源种类间用能行为的关联度;
回归分析模块,被配置为对各一级用能行为特征序列进行回归分析后得到不同能源种类间用能行为的影响度,根据关联度和影响度,对综合能源的多源协调供能状态进行优化;
根据能源种类确定灰色关联分析的次数,依次计算母序列和子序列的关联系数,以此得到不同能源种类间用能行为的关联度。
8.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376896.3A CN113095566B (zh) | 2021-04-08 | 2021-04-08 | 一种基于用能行为层次化分析的多源协调供能方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376896.3A CN113095566B (zh) | 2021-04-08 | 2021-04-08 | 一种基于用能行为层次化分析的多源协调供能方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095566A CN113095566A (zh) | 2021-07-09 |
CN113095566B true CN113095566B (zh) | 2023-02-07 |
Family
ID=76675276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110376896.3A Active CN113095566B (zh) | 2021-04-08 | 2021-04-08 | 一种基于用能行为层次化分析的多源协调供能方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095566B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784440A (zh) * | 2017-10-23 | 2018-03-09 | 国网辽宁省电力有限公司 | 一种电力信息系统资源调配系统及方法 |
CN109409769A (zh) * | 2018-11-13 | 2019-03-01 | 国家电网有限公司 | 基于改进集对分析的农村电网投资效益综合评价方法 |
CN109740826A (zh) * | 2019-01-30 | 2019-05-10 | 广东工业大学 | 一种基于动态数据挖掘的冷热电联供系统负荷预测方法 |
CN111355230A (zh) * | 2018-12-24 | 2020-06-30 | 中国电力科学研究院有限公司 | 一种综合能源系统优化调度方法与系统 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
CN111815026A (zh) * | 2020-06-09 | 2020-10-23 | 国网山东省电力公司经济技术研究院 | 一种基于特征聚类的多能源系统负荷预测方法 |
CN111968008A (zh) * | 2020-07-22 | 2020-11-20 | 国网智能科技股份有限公司 | 基于多能协作的综合能源监控系统及方法 |
CN112232575A (zh) * | 2020-10-21 | 2021-01-15 | 国网山西省电力公司经济技术研究院 | 一种基于多元负荷预测的综合能源系统调控方法和装置 |
CN112311019A (zh) * | 2020-10-20 | 2021-02-02 | 山东中瑞电气有限公司 | 多智能体系统及其能源路由策略 |
CN112365164A (zh) * | 2020-11-13 | 2021-02-12 | 国网江苏省电力有限公司扬州供电分公司 | 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156568A (zh) * | 2014-07-22 | 2014-11-19 | 国家电网公司 | 一种基于加权灰色关联和模糊聚类的变压器故障诊断方法 |
CN111784116B (zh) * | 2020-06-10 | 2023-08-08 | 山东大学 | 一种多能耦合下配电网弹性能力评估方法及系统 |
CN112308427B (zh) * | 2020-11-02 | 2024-03-19 | 江苏省电力试验研究院有限公司 | 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统 |
CN112465215A (zh) * | 2020-11-24 | 2021-03-09 | 西安热工研究院有限公司 | 一种分布式能源用户侧冷热电短期负荷预测方法及系统 |
CN112614004A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 用电信息的处理方法及装置 |
-
2021
- 2021-04-08 CN CN202110376896.3A patent/CN113095566B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784440A (zh) * | 2017-10-23 | 2018-03-09 | 国网辽宁省电力有限公司 | 一种电力信息系统资源调配系统及方法 |
CN109409769A (zh) * | 2018-11-13 | 2019-03-01 | 国家电网有限公司 | 基于改进集对分析的农村电网投资效益综合评价方法 |
CN111355230A (zh) * | 2018-12-24 | 2020-06-30 | 中国电力科学研究院有限公司 | 一种综合能源系统优化调度方法与系统 |
CN109740826A (zh) * | 2019-01-30 | 2019-05-10 | 广东工业大学 | 一种基于动态数据挖掘的冷热电联供系统负荷预测方法 |
CN111815026A (zh) * | 2020-06-09 | 2020-10-23 | 国网山东省电力公司经济技术研究院 | 一种基于特征聚类的多能源系统负荷预测方法 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
CN111968008A (zh) * | 2020-07-22 | 2020-11-20 | 国网智能科技股份有限公司 | 基于多能协作的综合能源监控系统及方法 |
CN112311019A (zh) * | 2020-10-20 | 2021-02-02 | 山东中瑞电气有限公司 | 多智能体系统及其能源路由策略 |
CN112232575A (zh) * | 2020-10-21 | 2021-01-15 | 国网山西省电力公司经济技术研究院 | 一种基于多元负荷预测的综合能源系统调控方法和装置 |
CN112365164A (zh) * | 2020-11-13 | 2021-02-12 | 国网江苏省电力有限公司扬州供电分公司 | 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113095566A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
Ploennigs et al. | Exploiting generalized additive models for diagnosing abnormal energy use in buildings | |
CN104680261A (zh) | 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 | |
Zagrebina et al. | Electrical energy consumption prediction is based on the recurrent neural network | |
CN114065605A (zh) | 一种智能电能表运行状态检测评估系统和方法 | |
CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
CN112330153A (zh) | 基于非线性正交回归的行业规模预测模型建模方法及装置 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
CN111144447B (zh) | 一种新能源出力引起的反调峰风险的电网峰谷时段划分方法 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
CN112101761A (zh) | 清洁低碳、安全高效的能源体系建设成效综合评价方法 | |
CN113095669A (zh) | 一种基于用能耦合协调性的综合能源调度方法及系统 | |
CN114186713A (zh) | 一种考虑远景发展情景约束的中长期用电量预测方法 | |
CN113095566B (zh) | 一种基于用能行为层次化分析的多源协调供能方法及系统 | |
CN112365164A (zh) | 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法 | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
CN115730766A (zh) | 一种区域内综合能源系统集群协同规划评价方法及装置 | |
CN115239201A (zh) | 一种电力指数的评估方法及系统 | |
CN112052430B (zh) | 一种基于改进topsis的光伏场站相关性综合评估系统 | |
CN113627821A (zh) | 一种基于用电行为特征进行异常用电识别的方法及系统 | |
Ogihara et al. | A study of risk reduction for daily peak load demand forecasting | |
CN118586592A (zh) | 一种基于区域性电能替代潜力预测结果的评估方法及装置 | |
CN117150234A (zh) | 一种基于灰色关联与区间统计的电采暖电量预测方法 | |
Simsar et al. | Forecasting power demand using neural networks model |
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 |