CN113222473A - 基于电力大脑中枢的电网负荷调整方法及装置 - Google Patents

基于电力大脑中枢的电网负荷调整方法及装置 Download PDF

Info

Publication number
CN113222473A
CN113222473A CN202110623798.5A CN202110623798A CN113222473A CN 113222473 A CN113222473 A CN 113222473A CN 202110623798 A CN202110623798 A CN 202110623798A CN 113222473 A CN113222473 A CN 113222473A
Authority
CN
China
Prior art keywords
real
region
ideal solution
time index
matrix
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
CN202110623798.5A
Other languages
English (en)
Other versions
CN113222473B (zh
Inventor
司为国
彭双武
乐全明
樊立波
徐祥海
孙智卿
罗少杰
方响
赵健
李梁
王亿
徐漪
宣羿
屠永伟
黄隆婷
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
Shanghai University of Electric Power
Zhejiang Huayun Information Technology Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Shanghai University of Electric Power
Zhejiang Huayun Information Technology Co Ltd
Hangzhou 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, Shanghai University of Electric Power, Zhejiang Huayun Information Technology Co Ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202110623798.5A priority Critical patent/CN113222473B/zh
Publication of CN113222473A publication Critical patent/CN113222473A/zh
Application granted granted Critical
Publication of CN113222473B publication Critical patent/CN113222473B/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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于电力大脑中枢的电网负荷调整方法及装置，包括：构建指标体系；通过预先构建的电力大脑中枢基于指标体系获取各个地区的实时指标矩阵；根据实时指标矩阵获取正理想解和负理想解，分别计算第i个地区的实时指标数据与正理想解的KL距离以及与负理想解的KL距离，建立第i个地区的虚拟负理想解的KL距离；结合虚拟负理想解的KL距离计算各个地区与负理想解的相对接近度；分析相对接近度的准确概率，对相对接近度进行调整，得到反馈相对接近度；根据反馈相对接近度调整地区的电网负荷。基于优化矩阵以及改进距离算法优化传统topsis法，避免存在某组解同时与正理想解、负理想解距离相近而影响最优解的选择问题，提高了负荷调控准确性。

Description

基于电力大脑中枢的电网负荷调整方法及装置
技术领域
本发明属于电网负荷调整领域，尤其涉及一种基于电力大脑中枢的电网负荷调整方法及装置。
背景技术
随着物联网技术不断发展，采集多维度的指标数据进行处理分析成为监控电网运作情况的重要手段，其中调整电网负荷作为监控电网运行情况的主要内容，对地区内电网的宏观调控起到重要作用。为了降低电力供需波动带来的损失，通常需要根据实际供电需求对负荷进行调整。由于电网运行过程涉及的指标通常来自多个不同地区的部门或单位，每个部门或单位上报指标数据的时间、格式存在不统一的情况，通常采用topsis等算法对来自不同部门或单位的指标数据进行分析。
传统的topsis算法通过计算与正理想解的欧式距离寻找最优解，但由于欧式距离的局限性，传统算法忽略了存在某一组解同时与正理想解、负理想解距离相近的情况，导致相对接近度的计算不够准确，进而影响了电网负荷调整策略的准确性。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提出了一种基于电力大脑中枢的电网负荷调整方法，包括：
构建包含电网负荷指标和经济指标的指标体系；
通过预先构建的电力大脑中枢基于指标体系获取各个地区的实时指标数据，构成实时指标矩阵；
根据实时指标矩阵获取正理想解和负理想解，分别计算第i个地区的实时指标数 据与正理想解的KL距离
Figure 864440DEST_PATH_IMAGE001
以及与负理想解的KL距离
Figure 857803DEST_PATH_IMAGE002
，通过计算
Figure 80974DEST_PATH_IMAGE003
建立第i个地 区的虚拟负理想解的KL距离
Figure 817986DEST_PATH_IMAGE004
；
结合虚拟负理想解的KL距离
Figure 341371DEST_PATH_IMAGE005
计算各个地区与负理想解的相对接近度；
分析相对接近度的准确概率，当准确概率低于预设概率阈值时通过优化矩阵对相对接近度进行调整，得到反馈相对接近度；
根据反馈相对接近度调整地区的电网负荷。
可选的，所述通过预先构建的电力大脑中枢基于指标体系获取各个地区的实时指标数据，构成实时指标矩阵，包括：
通过电力大脑中枢分别获取各个地区电网负荷指标以及经济指标的实时指标数据；
根据获取到的实时指标数据，构建原始数据矩阵
Figure 240057DEST_PATH_IMAGE006
，
Figure 216104DEST_PATH_IMAGE007
为第i个地区的第j 个实时指标数据，
Figure 756806DEST_PATH_IMAGE008
的取值范围为实数，i、j的取值范围为正整数；
基于公式一对原始数据矩阵X进行标准化处理，得到标准化处理后的实时指标矩 阵
Figure 869119DEST_PATH_IMAGE010
；
Figure 469864DEST_PATH_IMAGE012
公式一；
其中，
Figure 916895DEST_PATH_IMAGE013
为标准化处理后的第i个地区的第j个指标值，m为地区总数，
Figure 995710DEST_PATH_IMAGE014
的取值 范围为实数，m的取值范围为正整数。
可选的，所述根据实时指标矩阵获取正理想解和负理想解，分别计算第i个地区的 实时指标数据与正理想解的KL距离
Figure 493687DEST_PATH_IMAGE015
以及与负理想解的KL距离
Figure 734176DEST_PATH_IMAGE016
，通过计算
Figure 684814DEST_PATH_IMAGE018
建 立第i个地区的虚拟负理想解的KL距离
Figure 301740DEST_PATH_IMAGE019
，包括：
根据实时指标矩阵中的指标值，获取正理想解
Figure 654224DEST_PATH_IMAGE021
以及负理 想解
Figure 65614DEST_PATH_IMAGE023
，其中正理想解
Figure 237969DEST_PATH_IMAGE024
由实时指标矩阵V中每一列的最大值组成， 负理想解
Figure 658586DEST_PATH_IMAGE025
由实时指标矩阵V中每一列的最小值组成；
基于公式二计算各个地区的实时指标数据与正理想解的KL距离
Figure 865577DEST_PATH_IMAGE026
；
Figure 461250DEST_PATH_IMAGE028
公式二；
Figure 120901DEST_PATH_IMAGE029
为正理想解
Figure 79630DEST_PATH_IMAGE030
中的第j个数值，n为电网负荷指标和经济指标的总数，
Figure 141127DEST_PATH_IMAGE031
的取 值范围为正数，
Figure 159898DEST_PATH_IMAGE032
的取值范围为实数，n的取值范围为正整数；
基于公式三计算各个地区的实时指标数据与负理想解的KL距离
Figure 306846DEST_PATH_IMAGE033
；
Figure 69266DEST_PATH_IMAGE035
公式三；
Figure 985269DEST_PATH_IMAGE036
为负理想解
Figure 440521DEST_PATH_IMAGE037
中的第j个数值，
Figure 74765DEST_PATH_IMAGE038
的取值范围为正数，
Figure 640875DEST_PATH_IMAGE039
的取值范围为实数。
可选的，所述结合虚拟负理想解的KL距离
Figure 660653DEST_PATH_IMAGE005
计算各个地区与负理想解的相对接近 度，包括：
基于公式四计算各个地区与负理想解的相对接近度；
Figure 21227DEST_PATH_IMAGE041
公式四；
Figure 877188DEST_PATH_IMAGE042
为第i个地区与负理想解的相对接近度，
Figure 246989DEST_PATH_IMAGE043
为虚拟负理想解的KL距离，
Figure 137585DEST_PATH_IMAGE044
为第 i个地区的实时指标数据与正理想解的KL距离，
Figure 669060DEST_PATH_IMAGE045
为第i个地区的实时指标数据与负理想解 的KL距离，
Figure 12317DEST_PATH_IMAGE046
、
Figure 920230DEST_PATH_IMAGE047
、
Figure 665332DEST_PATH_IMAGE048
、
Figure 367709DEST_PATH_IMAGE049
的取值范围均为正数。
可选的，所述分析相对接近度的准确概率，当准确概率低于预设概率阈值时通过优化矩阵对相对接近度进行调整，得到反馈相对接近度，包括：
步骤一：将各个地区的相对接近度组成列向量，与实时指标矩阵拼接成维度为
Figure 948994DEST_PATH_IMAGE050
的拼接矩阵，m为地区总数，n为电网负荷指标和经济指标的总数，m、n的取值范 围均为正整数；
步骤二：将拼接矩阵输入预先训练好的概率预测模型，通过概率预测模型输出当前相对接近度的准确概率；
步骤三：当准确概率低于预设概率阈值时，获取包含优化权值的优化矩阵，将相对接近度的列向量与优化矩阵相乘，得到调整后的列向量；
步骤四：将调整后的列向量重新与实时指标矩阵拼接成维度为
Figure 395019DEST_PATH_IMAGE051
的拼接 矩阵，基于梯度下降法对优化权值进行更新，重复步骤二至步骤三进行迭代计算，直至相邻 两次列向量的差值小于预设阈值时停止迭代；
步骤五：将最后一次迭代计算得到的列向量作为反馈相对接近度输出。
可选的，所述根据反馈相对接近度调整地区的电网负荷，包括：
基于经济指标对各个地区进行聚类分析，将各个地区划分为若干个类；
对于每一个类，将反馈相对接近度低于预设限值的地区作为待调整地区；
将待调整地区所属类中反馈相对接近度最大的地区作为参考地区，根据参考地区的电网负荷指标对待调整地区的负荷进行调整。
可选的，所述指标体系中的电网负荷指标包括日间负荷密度与夜间负荷密度，所述指标体系中的经济指标包括电力企业平均售电量增长率、度电产值、用电户数增长率以及电力消费弹性系数。
本发明还基于同样的思路提出了一种基于电力大脑中枢的电网负荷调整装置，包括：
体系单元：用于构建包含电网负荷指标和经济指标的指标体系；
获取单元：用于通过预先构建的电力大脑中枢基于指标体系获取各个地区的实时指标数据，构成实时指标矩阵；
计算单元：用于根据实时指标矩阵获取正理想解和负理想解，分别计算第i个地区 的实时指标数据与正理想解的KL距离
Figure 525786DEST_PATH_IMAGE052
以及与负理想解的KL距离
Figure 399064DEST_PATH_IMAGE033
，通过计算
Figure 451334DEST_PATH_IMAGE053
建立第i个地区的虚拟负理想解的KL距离
Figure 966629DEST_PATH_IMAGE005
；
调整单元：用于结合虚拟负理想解的KL距离
Figure 686323DEST_PATH_IMAGE054
计算各个地区与负理想解的相对 接近度；
优化单元：用于分析相对接近度的准确概率，当准确概率低于预设概率阈值时通过优化矩阵对相对接近度进行调整，得到反馈相对接近度；
调整单元：用于根据反馈相对接近度调整地区的电网负荷。
可选的，所述优化单元具体用于：
步骤一：将各个地区的相对接近度组成列向量，与实时指标矩阵拼接成维度为
Figure 996081DEST_PATH_IMAGE055
的拼接矩阵，m为地区总数，n为电网负荷指标和经济指标的总数，m、n的取值范围 均为正整数；
步骤二：将拼接矩阵输入预先训练好的概率预测模型，通过概率预测模型输出当前相对接近度的准确概率；
步骤三：当准确概率低于预设概率阈值时，获取包含优化权值的优化矩阵，将相对接近度的列向量与优化矩阵相乘，得到调整后的列向量；
步骤四：将调整后的列向量重新与实时指标矩阵拼接成维度为
Figure 535647DEST_PATH_IMAGE056
的拼接 矩阵，基于梯度下降法对优化权值进行更新，重复步骤二至步骤三进行迭代计算，直至相邻 两次列向量的差值小于预设阈值时停止迭代；
步骤五：将最后一次迭代计算得到的列向量作为反馈相对接近度输出。
可选的，所述调整单元具体用于：
基于经济指标对各个地区进行聚类分析，将各个地区划分为若干个类；
对于每一个类，将反馈相对接近度低于预设限值的地区作为待调整地区；
将待调整地区所属类中反馈相对接近度最大的地区作为参考地区，根据参考地区的电网负荷指标对待调整地区的负荷进行调整。
本发明提供的技术方案带来的有益效果是：
（1）基于电力与经济两个方面，通过电力大脑中枢采集各个地区多维度的实时指标数据，并基于topsis法科学的调整负荷密度，实现对电网负荷的全面调控，及时准确的调整各个地区电网负荷；
（2）本发明提出的topsis法对计算各地区与正负理想解的距离进行了改进，基于虚拟负理想距离克服了存在某一组解同时与正理想解、负理想解距离相近而影响最优解的选择问题，同时引入准确概率的预测实现相对接近度的优化，进一步提高相对接近度的准确性；
（3）本发明提出的电网负荷调整方法及系统通过聚类分析，能够根据各地区不同的经济特点筛选出最优解，使负荷调整更符合当地的经济发展情况，提高了负荷调整策略的实用性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提出的基于电力大脑中枢的电网负荷调整方法的流程示意图；
图2为本发明提出的基于电力大脑中枢的电网负荷调整装置的结构框图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示，本发明提出了一种基于电力大脑中枢的电网负荷调整方法，包括：
S1：构建包含电网负荷指标和经济指标的指标体系。
在本实施例中，所述指标体系中的电网负荷指标和经济指标来自经济趋势、城市生态、社会民生3个方面。其中，电网负荷指标包括日间负荷密度与夜间负荷密度，还包括地区内总用电量、居民月均用电量、用电量与用电户数增速比；经济指标包括电力企业平均售电量增长率、度电产值、用电户数增长率以及电力消费弹性系数，还包括电力景气指数、住房空置率。
在原有的电网负荷指标的基础上，引入了对电网负荷具有影响的相关经济指标，得到多维度的实时指标数据，有利于更准确的掌握电网负荷的信息。
S2：通过预先构建的电力大脑中枢基于指标体系获取各个地区的实时指标数据，构成实时指标矩阵。
通过电力大脑中枢分别获取各个地区电网负荷指标的以及经济指标的实时指标数据。由于提供实时指标数据的各政府部门以及单位的信息化系统通常相互独立，部门间数据不相往来，因此采用电力大脑中枢汇聚采集来自不同部门与单位的实时指标数据。
电力大脑中枢是融合了物联网、人工智能、大数据以及可视化技术的常规智能运维平台，类似于人脑中枢接收来自全身各处信息的功能，电力大脑中枢用于整合并展示电力系统的运行数据以便于电力系统调度运行，通过物联网关技术，基于ZigBee、RS串口等通信技术接入采集实时指标数据的设备，电力大脑中枢一方面汇聚采集设备采集到的电力系统核心数据，从中提取出电网负荷指标的实时指标数据，另一方面通过政务专线网络连接城市管理系统获取经济、社会、地理方面的外部数据，从中提取出经济指标的实时指标数据。本实施例中，所述电力大脑中枢可通过常规的运维平台开发方法构建。
在数据中台进行电网负荷指标计算和用户行为分析，形成面向政府、企业和居民的三类应用主题，然后通过政务网专线接入城市大脑中枢平台，通过发布指标并授权政府部门的方式，完成场景应用闭环，实现电力数据赋能社会服务功能。
由于电网规模不断扩大，涉及的指标数据越来越复杂，通过电力大脑中枢采集到的实时指标数据通常具有不同的量纲，因此需要对采集到的实时指标数据进行无量纲标准化处理。
根据获取到的实时指标数据，构建原始数据矩阵
Figure 323475DEST_PATH_IMAGE057
，
Figure 163255DEST_PATH_IMAGE058
为第i个地区的第j 个实时指标数据，
Figure 378335DEST_PATH_IMAGE059
的取值范围为实数，i、j的取值范围为正整数；
基于公式一对原始数据矩阵X进行标准化处理，得到标准化处理后的实时指标矩 阵
Figure 920044DEST_PATH_IMAGE060
；
Figure 511562DEST_PATH_IMAGE061
公式一；
其中，
Figure 205849DEST_PATH_IMAGE062
为标准化处理后的第i个地区的第j个指标值，m为地区总数，
Figure 591831DEST_PATH_IMAGE063
的取值范 围为实数，m的取值范围为正整数。
S3：根据实时指标矩阵获取正理想解和负理想解，分别计算第i个地区的实时指标 数据与正理想解的KL距离
Figure 105989DEST_PATH_IMAGE031
以及与负理想解的KL距离
Figure 235619DEST_PATH_IMAGE064
，通过计算
Figure 49991DEST_PATH_IMAGE065
建立第i个 地区的虚拟负理想解的KL距离
Figure 606874DEST_PATH_IMAGE066
。
根据实时指标矩阵中的指标值，获取正理想解
Figure 873908DEST_PATH_IMAGE020
以及负理想 解
Figure 807229DEST_PATH_IMAGE068
，其中正理想解
Figure 210528DEST_PATH_IMAGE069
由实时指标矩阵V中每一列的最大值组成，负 理想解
Figure 203892DEST_PATH_IMAGE070
由实时指标矩阵V中每一列的最小值组成；
基于公式二计算各个地区的实时指标数据与正理想解的KL距离
Figure 440445DEST_PATH_IMAGE071
；
Figure 177457DEST_PATH_IMAGE073
公式二；
Figure 700842DEST_PATH_IMAGE074
为正理想解
Figure 599528DEST_PATH_IMAGE075
中的第j个数值，n为电网负荷指标和经济指标的总数，
Figure 841153DEST_PATH_IMAGE076
的取 值范围为正数，
Figure 116277DEST_PATH_IMAGE077
的取值范围为实数，n的取值范围为正整数；
基于公式三计算各个地区的实时指标数据与负理想解的KL距离
Figure 494168DEST_PATH_IMAGE078
；
Figure 829335DEST_PATH_IMAGE080
公式三；
Figure 27098DEST_PATH_IMAGE081
为负理想解
Figure 371492DEST_PATH_IMAGE082
中的第j个数值，
Figure 338311DEST_PATH_IMAGE033
的取值范围为正数，
Figure 109958DEST_PATH_IMAGE083
的取值范围为实 数。
在topsis法中，正理想解为矩阵V中各个指标的最大值也就是设想的最优解，即对每一个指标选取出一个最大值，负理想解为矩阵V中各个指标的最小值也就是设想的最劣解，即对每一个指标选取出一个最小值。再分别计算矩阵V中的每一组解与正理想解、负理想解的距离，在本实施例中，所述每一组解即每个地区对应的实时指标数据。
本实施例中采用与传统欧式距离算法不同的KL距离进行计算，传统topsis算法在计算各待评估方案到正负理想解之间的欧式距离时，如果不能考虑各指标之间的线性关系，欧式距离就会失效，导致评估结果不够准确，由于欧式距离的缺陷，并不能完整反映各个地区的指标数据与正负理想解的空间位置关系，可能存在与正负理想解方案都近的解。而KL距离即相对熵，它衡量的是相同事件空间里的两个概率分布的差异情况，通过引入分布概率的概念来克服上述问题。
同时，为了解决上述存在某一组解既与正理想解距离近又与负理想解距离近的问 题，本实施例还对传统topsis法进行另一方面的改进，引入虚拟负理想距离
Figure 795017DEST_PATH_IMAGE084
，选 取出最接近正理想解的最优解，其中，
Figure 661211DEST_PATH_IMAGE085
为虚拟负理想距离
Figure 13694DEST_PATH_IMAGE086
中第i个数值，
Figure 690663DEST_PATH_IMAGE045
为负理想解 中第i个数值，
Figure 128598DEST_PATH_IMAGE087
为正理想解中第i个数值，i的取值范围为不大于n的正整数。
S4：结合虚拟负理想解的KL距离
Figure 549215DEST_PATH_IMAGE088
计算各个地区与负理想解的相对接近度。
基于公式四计算各个地区与负理想解的相对接近度；
Figure 756205DEST_PATH_IMAGE090
公式四；
Figure 604076DEST_PATH_IMAGE091
为第i个地区与负理想解的相对接近度，
Figure 263727DEST_PATH_IMAGE093
为虚拟负理想距离，
Figure 488035DEST_PATH_IMAGE094
为第i个地 区的实时指标数据与正理想解的距离，
Figure 549532DEST_PATH_IMAGE095
为第i个地区的实时指标数据与负理想解的距 离，
Figure 568304DEST_PATH_IMAGE091
、
Figure 715251DEST_PATH_IMAGE096
、
Figure 477671DEST_PATH_IMAGE097
、
Figure 659254DEST_PATH_IMAGE038
的取值范围均为正数。
S5：分析相对接近度的准确概率，当准确概率低于预设概率阈值时通过优化矩阵对相对接近度进行调整，得到反馈相对接近度。
为了进一步提高相对接近度的准确性，本实施例设置了以下优化机制：
步骤一：将各个地区的相对接近度组成列向量，与实时指标矩阵拼接成维度为
Figure 599659DEST_PATH_IMAGE098
的拼接矩阵，m为地区总数，n为电网负荷指标和经济指标的总数，m、n的取值范围 均为正整数，例如实时指标矩阵为
Figure 968323DEST_PATH_IMAGE099
，S4中得到的各地区相对接近度的列 向量为
Figure 534434DEST_PATH_IMAGE100
，拼接后的矩阵为
Figure 570523DEST_PATH_IMAGE101
；
步骤二：将拼接矩阵输入预先训练好的概率预测模型，通过概率预测模型输出当前相对接近度的准确概率，本实施例中所述概率预测模型为高斯过程回归模型，在概率预测模型的训练阶段，将获取的各地区历史指标数据和对应的历史相对接近度作为样本数据进行训练，所述历史指标数据即为样本的特征，所述历史相对接近度即为样本所属的类别，所述概率预测模型输出的是根据所述历史指标数据能够得到所述历史相对接近度的概率，输出的概率越大，说明相对接近度越准确。
步骤三：当准确概率低于预设概率阈值时，获取包含优化权值的优化矩阵，将相对接近度的列向量与优化矩阵相乘，得到调整后的列向量；
步骤四：将调整后的列向量重新与实时指标矩阵拼接成维度为
Figure 196676DEST_PATH_IMAGE102
的拼接 矩阵，基于梯度下降法对优化权值进行更新，重复步骤二至步骤三进行迭代计算，直至相邻 两次列向量的差值小于预设阈值时停止迭代；
步骤五：将最后一次迭代计算得到的列向量作为反馈相对接近度输出。
本实施例基于acrot-critic算法原理， 由优化矩阵实现actor作为决策者的功能，由概率预测模型实现critic作为评估者的功能。
在本实施例中，当准确概率高于或等于预设概率阈值时，无需进行调整，直接根据相对接近度调整地区的电网负荷。
S6：根据反馈相对接近度调整地区的电网负荷，包括：
基于经济指标对各个地区进行聚类分析，将各个地区划分为若干个类；
对于每一个类，将反馈相对接近度低于预设限值的地区作为待调整地区；
将待调整地区所属类中反馈相对接近度最大的地区作为参考地区，根据参考地区的电网负荷指标对待调整地区的负荷进行调整。
由于各个地区的经济发展状况不同，进而其负荷的特征也不同。因此，通过聚类分析将各个地区按照经济特点划分为若干类，针对经济特点相近的地区进行针对性调整，使负荷调控准确并有效。
反馈相对接近度越大，说明对应的地区负荷运行情况越好，因此反馈相对接近度最大的地区的电网负荷运行状态可视为最优解进行参考。
若有其他地区的反馈相对接近度小于预设限值，说明该地区的负荷运行状态不理想，需要调整。在本实施例中，通过将其他地区的日间负荷密度、夜间负荷密度调整到与最优解接近，从而使该地区的电网负荷指标与经济指标能够尽可能的达到最优解的效果，从而及时准确的使电网运行在最理想的状态。
实施例二
如图2所示，本发明提出了一种基于电力大脑中枢的电网负荷调整装置7，包括：
体系单元71：用于构建包含电网负荷指标和经济指标的指标体系。
在本实施例中，所述指标体系中的电网负荷指标和经济指标来自经济趋势、城市生态、社会民生3个方面。其中，电网负荷指标包括日间负荷密度与夜间负荷密度，还包括地区内总用电量、居民月均用电量、用电量与用电户数增速比；经济指标包括电力企业平均售电量增长率、度电产值、用电户数增长率以及电力消费弹性系数，还包括电力景气指数、住房空置率。
在原有的电网负荷指标的基础上，引入了对电网负荷具有影响的相关经济指标，得到多维度的实时指标数据，有利于更准确的掌握电网负荷的信息。
获取单元72：用于通过预先构建的电力大脑中枢基于指标体系获取各个地区的实时指标数据，构成实时指标矩阵。
通过电力大脑中枢分别获取各个地区电网负荷指标的以及经济指标的实时指标数据。由于提供实时指标数据的各政府部门以及单位的信息化系统通常相互独立，部门间数据不相往来，因此采用电力大脑中枢汇聚采集来自不同部门与单位的实时指标数据。
电力大脑中枢是用于电力系统调度运行的一体化电网运行智能系统，是融合的物联网、人工智能、大数据以及可视化技术的智能运维平台。通过物联网关技术，基于ZigBee、RS串口等通信技术接入采集实时指标数据的设备，电力大脑中枢一方面通过数据中台汇聚电力系统核心数据，从中提取出电网负荷指标的实时指标数据，另一方面通过政务专线连接城市大脑中枢平台获取经济、社会、地理方面的外部数据，从中提取出经济指标的实时指标数据。
在数据中台进行电网负荷指标计算和用户行为分析，形成面向政府、企业和居民的三类应用主题，然后通过政务网专线接入城市大脑中枢平台，通过发布指标并授权政府部门的方式，完成场景应用闭环，实现电力数据赋能社会服务功能。
由于电网规模不断扩大，涉及的指标数据越来越复杂，通过电力大脑中枢采集到的实时指标数据通常具有不同的量纲，因此获取单元52还包括标准化单元，用于需要对采集到的实时指标数据进行无量纲标准化处理，具体包括：
根据获取到的实时指标数据，构建原始数据矩阵
Figure 52637DEST_PATH_IMAGE103
，
Figure 422438DEST_PATH_IMAGE104
为第i个地区的第j 个实时指标数据，
Figure 313034DEST_PATH_IMAGE105
的取值范围为实数，i、j的取值范围为正整数；
基于公式一对原始数据矩阵X进行标准化处理，得到标准化处理后的实时指标矩 阵
Figure 844509DEST_PATH_IMAGE106
；
Figure 453345DEST_PATH_IMAGE107
公式一；
其中，
Figure 95679DEST_PATH_IMAGE062
为标准化处理后的第i个地区的第j个指标值，m为地区总数，
Figure 106361DEST_PATH_IMAGE014
的取值 范围为实数，m的取值范围为正整数。
计算单元73：用于实时指标矩阵获取正理想解和负理想解，分别计算第i个地区的 实时指标数据与正理想解的KL距离
Figure 808737DEST_PATH_IMAGE031
以及与负理想解的KL距离
Figure 888558DEST_PATH_IMAGE108
，通过计算
Figure 600162DEST_PATH_IMAGE109
建立第i个地区的虚拟负理想解的KL距离
Figure 199770DEST_PATH_IMAGE110
。具体用于：
根据实时指标矩阵中的指标值，获取正理想解
Figure 338628DEST_PATH_IMAGE112
以及负理 想解
Figure 656477DEST_PATH_IMAGE114
，其中正理想解
Figure 171772DEST_PATH_IMAGE030
由实时指标矩阵V中每一列的最大值组成， 负理想解
Figure 625887DEST_PATH_IMAGE115
由实时指标矩阵V中每一列的最小值组成；
基于公式二计算各个地区的实时指标数据与正理想解的KL距离
Figure 670066DEST_PATH_IMAGE094
；
Figure 740790DEST_PATH_IMAGE117
公式二；
Figure 528618DEST_PATH_IMAGE118
为正理想解
Figure 368398DEST_PATH_IMAGE119
中的第j个数值，n为电网负荷指标和经济指标的总数，
Figure 583478DEST_PATH_IMAGE120
的取 值范围为正数，
Figure 875919DEST_PATH_IMAGE121
的取值范围为实数，n的取值范围为正整数；
基于公式三计算各个地区的实时指标数据与负理想解的KL距离
Figure 467438DEST_PATH_IMAGE122
；
Figure 655667DEST_PATH_IMAGE123
公式三；
Figure 572807DEST_PATH_IMAGE124
为负理想解
Figure 86965DEST_PATH_IMAGE125
中的第j个数值，
Figure 216595DEST_PATH_IMAGE002
的取值范围为正数，
Figure 30967DEST_PATH_IMAGE126
的取值范围为实数。
在topsis法中，正理想解为矩阵
Figure 587850DEST_PATH_IMAGE127
中各个指标的最大值也就是设想的最优解，即 对每一个指标选取出一个最大值，负理想解为矩阵V中各个指标的最小值也就是设想的最 劣解，即对每一个指标选取出一个最小值。再分别计算矩阵V中的每一组解与正理想解、负 理想解的距离，在本实施例中，所述每一组解即每个地区对应的实时指标数据。
本实施例中采用与传统欧式距离算法不同的KL距离进行计算，传统topsis算法在计算各待评估方案到正负理想解之间的欧式距离时，如果不能考虑各指标之间的线性关系，欧式距离就会失效，导致评估结果不够准确，由于欧式距离的缺陷，并不能完整反映各个地区的指标数据与正负理想解的空间位置关系，可能存在与正负理想解方案都近的解。而KL距离即相对熵，它衡量的是相同事件空间里的两个概率分布的差异情况，通过引入分布概率的概念来克服上述问题。
同时，为了解决上述存在某一组解既与正理想解距离近又与负理想解距离近的问 题，本实施例还对传统topsis法进行另一方面的改进，通过计算单元73引入虚拟负理想距 离
Figure 854884DEST_PATH_IMAGE128
，选取出最接近正理想解的最优解，其中，
Figure 788205DEST_PATH_IMAGE129
为虚拟负理想距离
Figure 457083DEST_PATH_IMAGE130
中第i个数 值，
Figure 184868DEST_PATH_IMAGE033
为负理想解中第i个数值，
Figure 673618DEST_PATH_IMAGE031
为正理想解中第i个数值，i的取值范围为不大于n的正 整数。
分析单元74：用于结合虚拟负理想解的KL距离
Figure 410630DEST_PATH_IMAGE131
计算各个地区与负理想解的相 对接近度，具体用于：
基于公式四计算各个地区与负理想解的相对接近度；
Figure 668436DEST_PATH_IMAGE132
公式四；
Figure 98280DEST_PATH_IMAGE133
为第i个地区与负理想解的相对接近度，
Figure 323594DEST_PATH_IMAGE131
为虚拟负理想距离，
Figure 333138DEST_PATH_IMAGE134
为第i个地区 的实时指标数据与正理想解的距离，
Figure 976609DEST_PATH_IMAGE135
为第i个地区的实时指标数据与负理想解的距离，
Figure 46197DEST_PATH_IMAGE136
、
Figure 775118DEST_PATH_IMAGE131
、
Figure 588353DEST_PATH_IMAGE097
、
Figure 820752DEST_PATH_IMAGE033
的取值范围均为正数。
优化单元75：用于分析相对接近度的准确概率，当准确概率低于预设概率阈值时通过优化矩阵对相对接近度进行调整，得到反馈相对接近度。
为了进一步提高相对接近度的准确性，本实施例设置了以下优化机制：
步骤一：将各个地区的相对接近度组成列向量，与实时指标矩阵拼接成维度为
Figure 592399DEST_PATH_IMAGE137
的拼接矩阵，m为地区总数，n为电网负荷指标和经济指标的总数，m、n的取值范围 均为正整数，例如实时指标矩阵为
Figure 277458DEST_PATH_IMAGE138
，分析单元74中得到的各地区相对接 近度的列向量为
Figure 159963DEST_PATH_IMAGE139
，拼接后的矩阵为
Figure 246868DEST_PATH_IMAGE140
；
步骤二：将拼接矩阵输入预先训练好的概率预测模型，通过概率预测模型输出当前相对接近度的准确概率，本实施例中所述概率预测模型为高斯过程回归模型，在概率预测模型的训练阶段，将获取的各地区历史指标数据和对应的历史相对接近度作为样本数据进行训练，所述历史指标数据即为样本的特征，所述历史相对接近度即为样本所属的类别，所述概率预测模型输出的是根据所述历史指标数据能够得到所述历史相对接近度的概率，输出的概率越大，说明相对接近度越准确。
步骤三：当准确概率低于预设概率阈值时，获取包含优化权值的优化矩阵，将相对接近度的列向量与优化矩阵相乘，得到调整后的列向量；
步骤四：将调整后的列向量重新与实时指标矩阵拼接成维度为
Figure 189416DEST_PATH_IMAGE141
的拼接 矩阵，基于梯度下降法对优化权值进行更新，重复步骤二至步骤三进行迭代计算，直至相邻 两次列向量的差值小于预设阈值时停止迭代；
步骤五：将最后一次迭代计算得到的列向量作为反馈相对接近度输出。
本实施例基于acrot-critic算法原理， 由优化矩阵实现actor作为决策者的功能，由概率预测模型实现critic作为评估者的功能。
在本实施例中，当准确概率高于或等于预设概率阈值时，无需进行调整，直接根据相对接近度调整地区的电网负荷。
调整单元76：用于根据反馈相对接近度调整地区的电网负荷，具体用于：
基于经济指标对各个地区进行聚类分析，将各个地区划分为若干个类；
对于每一个类，将反馈相对接近度低于预设限值的地区作为待调整地区；
将待调整地区所属类中反馈相对接近度最大的地区作为参考地区，根据参考地区的电网负荷指标对待调整地区的负荷进行调整。
由于各个地区的经济发展状况不同，进而其负荷的特征也不同。因此，通过聚类分析将各个地区按照经济特点划分为若干类，针对经济特点相近的地区进行针对性调整，使负荷调控准确并有效。
反馈相对接近度越大，说明对应的地区负荷运行情况越好，因此反馈相对接近度最大的地区的电网负荷运行状态可视为最优解进行参考。
若有其他地区的反馈相对接近度小于预设限值，说明该地区的负荷运行状态不理想，需要调整。在本实施例中，通过将其他地区的日间负荷密度、夜间负荷密度调整到与最优解接近，从而使该地区的电网负荷指标与经济指标能够尽可能的达到最优解的效果，从而及时准确的使电网运行在最理想的状态。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例，并不用以限制本发明，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。

Claims (10)

1.基于电力大脑中枢的电网负荷调整方法，其特征在于，所述电网负荷调整方法包括：
构建包含电网负荷指标和经济指标的指标体系；
通过预先构建的电力大脑中枢基于指标体系获取各个地区的实时指标数据，构成实时指标矩阵；
根据实时指标矩阵获取正理想解和负理想解，分别计算第i个地区的实时指标数据与 正理想解的KL距离
Figure 210125DEST_PATH_IMAGE001
以及与负理想解的KL距离
Figure 818961DEST_PATH_IMAGE002
，通过计算
Figure 461295DEST_PATH_IMAGE003
建立第i个地区的 虚拟负理想解的KL距离
Figure 19447DEST_PATH_IMAGE004
；
结合虚拟负理想解的KL距离
Figure 987403DEST_PATH_IMAGE005
计算各个地区与负理想解的相对接近度；
分析相对接近度的准确概率，当准确概率低于预设概率阈值时通过优化矩阵对相对接近度进行调整，得到反馈相对接近度；
根据反馈相对接近度调整地区的电网负荷。
2.根据权利要求1所述的基于电力大脑中枢的电网负荷调整方法，其特征在于，所述通过预先构建的电力大脑中枢基于指标体系获取各个地区的实时指标数据，构成实时指标矩阵，包括：
通过电力大脑中枢分别获取各个地区电网负荷指标以及经济指标的实时指标数据；
根据获取到的实时指标数据，构建原始数据矩阵
Figure 817955DEST_PATH_IMAGE006
，
Figure 529559DEST_PATH_IMAGE007
为第i个地区的第j个实 时指标数据，
Figure 191485DEST_PATH_IMAGE008
的取值范围为实数，i、j的取值范围为正整数；
基于公式一对原始数据矩阵X进行标准化处理，得到标准化处理后的实时指标矩阵
Figure 330342DEST_PATH_IMAGE009
；
Figure 648191DEST_PATH_IMAGE010
公式一；
其中，
Figure 960224DEST_PATH_IMAGE011
为标准化处理后的第i个地区的第j个指标值，m为地区总数，
Figure 679918DEST_PATH_IMAGE012
的取值范围 为实数，m的取值范围为正整数。
3.根据权利要求2所述的基于电力大脑中枢的电网负荷调整方法，其特征在于，所述根 据实时指标矩阵获取正理想解和负理想解，分别计算第i个地区的实时指标数据与正理想 解的KL距离
Figure 724097DEST_PATH_IMAGE013
以及与负理想解的KL距离
Figure 794822DEST_PATH_IMAGE014
，通过计算
Figure 644966DEST_PATH_IMAGE015
建立第i个地区的虚拟 负理想解的KL距离
Figure 219167DEST_PATH_IMAGE016
，包括：
根据实时指标矩阵中的指标值，获取正理想解
Figure 699827DEST_PATH_IMAGE017
以及负理想解
Figure 802387DEST_PATH_IMAGE018
，其中正理想解
Figure 393906DEST_PATH_IMAGE019
由实时指标矩阵V中每一列的最大值组成，负 理想解
Figure 822613DEST_PATH_IMAGE020
由实时指标矩阵V中每一列的最小值组成；
基于公式二计算各个地区的实时指标数据与正理想解的KL距离
Figure 536491DEST_PATH_IMAGE021
；
Figure 316228DEST_PATH_IMAGE022
公式二；
Figure 445858DEST_PATH_IMAGE023
为正理想解
Figure 260230DEST_PATH_IMAGE024
中的第j个数值，n为电网负荷指标和经济指标的总数，
Figure 879431DEST_PATH_IMAGE025
的取值范 围为正数，
Figure 146464DEST_PATH_IMAGE023
的取值范围为实数，n的取值范围为正整数；
基于公式三计算各个地区的实时指标数据与负理想解的KL距离
Figure 79785DEST_PATH_IMAGE026
；
Figure 545401DEST_PATH_IMAGE027
公式三；
Figure 538765DEST_PATH_IMAGE028
为负理想解
Figure 27515DEST_PATH_IMAGE029
中的第j个数值，
Figure 311997DEST_PATH_IMAGE030
的取值范围为正数，
Figure 835382DEST_PATH_IMAGE031
的取值范围为实数。
4.根据权利要求1所述的基于电力大脑中枢的电网负荷调整方法，其特征在于，所述结 合虚拟负理想解的KL距离
Figure 999647DEST_PATH_IMAGE032
计算各个地区与负理想解的相对接近度，包括：
基于公式四计算各个地区与负理想解的相对接近度；
Figure 241273DEST_PATH_IMAGE033
公式四；
Figure 313134DEST_PATH_IMAGE034
为第i个地区与负理想解的相对接近度，
Figure 691026DEST_PATH_IMAGE035
为虚拟负理想解的KL距离，
Figure 26192DEST_PATH_IMAGE036
为第i个 地区的实时指标数据与正理想解的KL距离，
Figure 551852DEST_PATH_IMAGE037
为第i个地区的实时指标数据与负理想解的 KL距离，
Figure 630666DEST_PATH_IMAGE038
、
Figure 863064DEST_PATH_IMAGE039
、
Figure 634711DEST_PATH_IMAGE040
、
Figure 382087DEST_PATH_IMAGE041
的取值范围均为正数。
5.根据权利要求1所述的基于电力大脑中枢的电网负荷调整方法，其特征在于，所述分析相对接近度的准确概率，当准确概率低于预设概率阈值时通过优化矩阵对相对接近度进行调整，得到反馈相对接近度，包括：
步骤一：将各个地区的相对接近度组成列向量，与实时指标矩阵拼接成维度为
Figure 999013DEST_PATH_IMAGE042
的拼接矩阵，m为地区总数，n为电网负荷指标和经济指标的总数，m、n的取值范 围均为正整数；
步骤二：将拼接矩阵输入预先训练好的概率预测模型，通过概率预测模型输出当前相对接近度的准确概率；
步骤三：当准确概率低于预设概率阈值时，获取包含优化权值的优化矩阵，将相对接近度的列向量与优化矩阵相乘，得到调整后的列向量；
步骤四：将调整后的列向量重新与实时指标矩阵拼接成维度为
Figure 351497DEST_PATH_IMAGE043
的拼接矩阵， 基于梯度下降法对优化权值进行更新，重复步骤二至步骤三进行迭代计算，直至相邻两次 列向量的差值小于预设阈值时停止迭代；
步骤五：将最后一次迭代计算得到的列向量作为反馈相对接近度输出。
6.根据权利要求1所述的基于电力大脑中枢的电网负荷调整方法，其特征在于，所述根据反馈相对接近度调整地区的电网负荷，包括：
基于经济指标对各个地区进行聚类分析，将各个地区划分为若干个类；
对于每一个类，将反馈相对接近度低于预设限值的地区作为待调整地区；
将待调整地区所属类中反馈相对接近度最大的地区作为参考地区，根据参考地区的电网负荷指标对待调整地区的负荷进行调整。
7.根据权利要求1所述的基于电力大脑中枢的电网负荷调整方法，其特征在于，所述指标体系中的电网负荷指标包括日间负荷密度与夜间负荷密度，所述指标体系中的经济指标包括电力企业平均售电量增长率、度电产值、用电户数增长率以及电力消费弹性系数。
8.基于电力大脑中枢的电网负荷调整装置，其特征在于，所述电网负荷调整装置包括：
体系单元：用于构建包含电网负荷指标和经济指标的指标体系；
获取单元：用于通过预先构建的电力大脑中枢基于指标体系获取各个地区的实时指标数据，构成实时指标矩阵；
计算单元：用于根据实时指标矩阵获取正理想解和负理想解，分别计算第i个地区的实 时指标数据与正理想解的KL距离
Figure 841516DEST_PATH_IMAGE044
以及与负理想解的KL距离
Figure 13871DEST_PATH_IMAGE045
，通过计算
Figure 434488DEST_PATH_IMAGE046
建 立第i个地区的虚拟负理想解的KL距离
Figure 703795DEST_PATH_IMAGE047
；
分析单元：用于结合虚拟负理想解的KL距离
Figure 817245DEST_PATH_IMAGE048
计算各个地区与负理想解的相对接近 度；
优化单元：用于分析相对接近度的准确概率，当准确概率低于预设概率阈值时通过优化矩阵对相对接近度进行调整，得到反馈相对接近度；
调整单元：用于根据反馈相对接近度调整地区的电网负荷。
9.根据权利要求8所述的基于电力大脑中枢的电网负荷调整装置，其特征在于，所述优化单元具体用于：
步骤一：将各个地区的相对接近度组成列向量，与实时指标矩阵拼接成维度为
Figure 476896DEST_PATH_IMAGE049
的拼接矩阵，m为地区总数，n为电网负荷指标和经济指标的总数，m、n的取值范围 均为正整数；
步骤二：将拼接矩阵输入预先训练好的概率预测模型，通过概率预测模型输出当前相对接近度的准确概率；
步骤三：当准确概率低于预设概率阈值时，获取包含优化权值的优化矩阵，将相对接近度的列向量与优化矩阵相乘，得到调整后的列向量；
步骤四：将调整后的列向量重新与实时指标矩阵拼接成维度为
Figure 701204DEST_PATH_IMAGE050
的拼接矩阵， 基于梯度下降法对优化权值进行更新，重复步骤二至步骤三进行迭代计算，直至相邻两次 列向量的差值小于预设阈值时停止迭代；
步骤五：将最后一次迭代计算得到的列向量作为反馈相对接近度输出。
10.根据权利要求8所述的基于电力大脑中枢的电网负荷调整装置，其特征在于，所述调整单元具体用于：
基于经济指标对各个地区进行聚类分析，将各个地区划分为若干个类；
对于每一个类，将反馈相对接近度低于预设限值的地区作为待调整地区；
将待调整地区所属类中反馈相对接近度最大的地区作为参考地区，根据参考地区的电网负荷指标对待调整地区的负荷进行调整。
CN202110623798.5A 2021-06-04 2021-06-04 基于电力大脑中枢的电网负荷调整方法及装置 Active CN113222473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110623798.5A CN113222473B (zh) 2021-06-04 2021-06-04 基于电力大脑中枢的电网负荷调整方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110623798.5A CN113222473B (zh) 2021-06-04 2021-06-04 基于电力大脑中枢的电网负荷调整方法及装置

Publications (2)

Publication Number Publication Date
CN113222473A true CN113222473A (zh) 2021-08-06
CN113222473B CN113222473B (zh) 2023-04-18

Family

ID=77082763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110623798.5A Active CN113222473B (zh) 2021-06-04 2021-06-04 基于电力大脑中枢的电网负荷调整方法及装置

Country Status (1)

Country Link
CN (1) CN113222473B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335902A (zh) * 2015-11-27 2016-02-17 国家电网公司 电力通信网的可靠性确定方法及装置
CN106022524A (zh) * 2016-05-23 2016-10-12 国家电网公司 一种区域柔性负荷管控优化评估方法及装置
CN109118082A (zh) * 2018-08-09 2019-01-01 国网山东省电力公司经济技术研究院 电源接入系统评价体系灰色密切值评估模型
CN109544006A (zh) * 2018-11-23 2019-03-29 国网浙江省电力有限公司电力科学研究院 一种评价电动汽车充电站经济效益的方法
CN111191948A (zh) * 2020-01-02 2020-05-22 中国电力科学研究院有限公司 一种多省联合日内联络线的电网运行状态评价方法及系统
CN112365169A (zh) * 2020-11-16 2021-02-12 国家电网公司华中分部 一种未来低碳能源框架下的电网运营评价分析方法
CN112508251A (zh) * 2020-11-27 2021-03-16 国网浙江省电力有限公司杭州供电公司 一种基于电力驾驶舱的负荷预测方法及装置
CN112508450A (zh) * 2020-12-22 2021-03-16 国网上海市电力公司 一种城市配电网对电动汽车的接纳能力评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335902A (zh) * 2015-11-27 2016-02-17 国家电网公司 电力通信网的可靠性确定方法及装置
CN106022524A (zh) * 2016-05-23 2016-10-12 国家电网公司 一种区域柔性负荷管控优化评估方法及装置
CN109118082A (zh) * 2018-08-09 2019-01-01 国网山东省电力公司经济技术研究院 电源接入系统评价体系灰色密切值评估模型
CN109544006A (zh) * 2018-11-23 2019-03-29 国网浙江省电力有限公司电力科学研究院 一种评价电动汽车充电站经济效益的方法
CN111191948A (zh) * 2020-01-02 2020-05-22 中国电力科学研究院有限公司 一种多省联合日内联络线的电网运行状态评价方法及系统
CN112365169A (zh) * 2020-11-16 2021-02-12 国家电网公司华中分部 一种未来低碳能源框架下的电网运营评价分析方法
CN112508251A (zh) * 2020-11-27 2021-03-16 国网浙江省电力有限公司杭州供电公司 一种基于电力驾驶舱的负荷预测方法及装置
CN112508450A (zh) * 2020-12-22 2021-03-16 国网上海市电力公司 一种城市配电网对电动汽车的接纳能力评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐晗: "TOPSIS模型的改进算法在农业干旱脆弱性评价中的应用――以陕西省关中地区为例", 《西北大学学报(自然科学版)》 *
欧阳森等: "逼近理想解法在台区无功补偿评估中的应用", 《华南理工大学学报(自然科学版)》 *

Also Published As

Publication number Publication date
CN113222473B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
WO2021073462A1 (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
Ke et al. Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network
Wu et al. Combined model with secondary decomposition-model selection and sample selection for multi-step wind power forecasting
Chen et al. Short-term load forecasting and associated weather variables prediction using ResNet-LSTM based deep learning
CN116187640B (zh) 一种基于网格多属性画像体系的配电网规划方法及装置
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN109829560A (zh) 一种配电网可再生能源发电集群接入规划方法
CN110555058A (zh) 基于改进决策树的电力通信设备状态的预测方法
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN112949207A (zh) 一种基于改进最小二乘支持向量机的短期负荷预测方法
CN115600729A (zh) 一种考虑多属性网格电网负荷预测方法
Prakash et al. Short-term load forcasting for smart power systems using swarm intelligence algorithm
CN117764463A (zh) 基于多元分析模型的台区户变关系识别方法
CN110378586A (zh) 基于动态闭环知识管理的变电设备缺陷预警方法及系统
CN108446202A (zh) 一种机房设备的安全状况的判断方法
CN113222473B (zh) 基于电力大脑中枢的电网负荷调整方法及装置
CN110400233A (zh) 一种基于神经网络的配电网损失电量计算方法及装置
CN111965442A (zh) 一种数字孪生环境下的能源互联网故障诊断方法及装置
CN110852370A (zh) 基于聚类算法的大工业用户细分方法
CN111144611A (zh) 一种基于聚类和非线性自回归的空间负荷预测方法
Jiang et al. Design of Line Loss Rate Calculation Method for Low-Voltage Desk Area Based on GA-LMBP Neural Network Model
CN112508251A (zh) 一种基于电力驾驶舱的负荷预测方法及装置
CN113919694A (zh) 一种电力通信光缆关键业务承载状态分析方法及系统
CN112016631A (zh) 一种低电压治理相关的改进方案

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