CN113592271A - 分布式储能用户挖掘方法、装置、计算机设备及存储介质 - Google Patents
分布式储能用户挖掘方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113592271A CN113592271A CN202110830645.8A CN202110830645A CN113592271A CN 113592271 A CN113592271 A CN 113592271A CN 202110830645 A CN202110830645 A CN 202110830645A CN 113592271 A CN113592271 A CN 113592271A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- user
- evaluation
- data set
- condition
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005065 mining Methods 0.000 title claims abstract description 27
- 238000013210 evaluation model Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000013139 quantization Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000009434 installation Methods 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/06—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
- 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
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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—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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (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
本发明公开分布式储能用户挖掘方法、装置、计算机设备及存储介质,该方法包括如下步骤:采集影响建设储能的数据集并进行重要性分级;将数据集进行量化处理;基于量化处理后的数据集构建储能评估模型;基于储能评估模型评估用户建设储能的潜力等级。本发明基于对用户不同采集、调研数据的考虑分析,提出常见的影响建设储能的数据集合,并按重要性进行了分级,对各数据集进行量化处理,通过对数据的分析评估得到用户建设储能的潜力等级。本发明评估结果准确高效,具有较强的通用性和实用性,对于挖掘储能客户潜力和指导储能装机规模具有重要的意义。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及分布式储能用户挖掘方法、装置、计算机设备及存储介质。
背景技术
煤炭、石油、天然气等化石能源资源的迅速消耗,生态环境的不断恶化,特别是温室气体排放导致日益严峻的全球气候变化,使人类社会的可持续发展受到了严重威胁。开发利用新能源是世界能源发展的新趋势,发展新能源成为世界各国应对气候变化、解决能源和环保问题的共同选择。随着功率具有随机波动特征的风力和太阳能发电等电源的大量接入电网、具有移动负荷和储能特征的电动车的推广应用及现代社会对供电可靠性和电能质量的严格要求,与人类生活息息相关的电力系统正面临着越来越多的挑战。
分布式系统带来的随机性和高负荷等问题需要相应的存储技术提供解决方案,因此,诞生了分布式储能技术。相较于集中式储能,分布式储能减少了集中储能电站的线路损耗和投资压力,但也具有分散布局,可控性差等特点。合理规划的分布式储能,不但可以通过“削峰填谷”起到降低配电网容量的作用,还可以弥补分布式的随机性对电网安全和经济运行的负面影响。如何挖掘潜在的分布式储能用户,并针对不同的用户给出合理的储能安装规模建议亟待解决。
发明内容
为了解决上述技术问题,本发明提出分布式储能用户挖掘、系统、计算机设备及存储介质,针对不同的分布式储能用户给出合理的储能安装规模建议。
为了达到上述目的,本发明的技术方案如下:
分布式储能用户挖掘方法,包括如下步骤:
采集影响建设储能的数据集并进行重要性分级;
将数据集进行量化处理;
基于量化处理后的数据集构建储能评估模型;
基于储能评估模型评估用户建设储能的潜力等级。
优选地,所述进行重要性分级,具体包括如下步骤:
根据影响因素设置必要条件、强相关条件和弱相关条件;
基于必要条件、强相关条件和弱相关条件将数据集分级。
优选地,所述必要条件包括客户意愿A1、能够安装储能的面积A2以及高温和低温总天数A3;所述强相关条件包含负荷曲线类型B1、负荷容量与变压器容量占比B2、三相电负荷不平衡度B3以及是否有UPS B4;所述弱相关条件包含年用电量C1、用电负荷C2、用电量是否增加C3、用电负荷是否增加C4、园区等级C5以及城市分类C6。
,所述量化处理,具体包括如下步骤:设定客户意愿A1,“拒绝安装”为0,“没有拒绝安装”为1;能够安装储能的面积A2,单位m2;高温和低温总天数A3,该地区温度超过40℃和低于-10℃的总天数;负荷曲线类型B1,迎峰型为1、避峰型为0;负荷容量与变压器容量占比B2,0-1之间的数值;三相电负荷不平衡度B3,0-1之间的数值;是否有UPS为B4,“无UPS”为1,“有UPS”为0;年用电量C1,单位万kWh;用电负荷C2,单位kW;用电量是否增加C3,“增加”为1、“没有增加”为0;用电负荷是否增加C4,“增加”为1、“没有增加”为0;园区等级C5,主要分为“国家级工业园区”、“省级园区”、“地市级工业园区”、“县级工业园区”,依次对应的值为1、0.8、0.6、0.4;城市分类C6,主要分为“一线城市”、“二线城市”、“三线城市”、“四线城市”,依次对应的值为1、0.8、0.6、0.4。
优选地,所述基于储能评估模型评估用户建设储能的潜力等级,具体包括如下步骤:
评估1:将用户的必要条件数据输入至储能评估模型中,判断用户的必要条件是否符合于预设的第一评估条件时,若是,则转至评估2;若否,则评估为不建议安装储能用户;
评估2:将用户的强相关条件数据输入至储能评估模型中,判断用户的强相关条件是否符合第二评估条件时,若是,则评估为强烈建议安装储能用户;若否,则转至评估3;
评估3:将用户的弱相关条件数据输入至储能评估模型中,判断用户的弱相关条件是否符合第三评估条件时,若是,则评估为建议安装储能用户,若否,则评估为可以安装储能用户。
优选地,所述第一评估条件为必要条件满足A1=0、A2<10、A3>60中任意一项;所述第二评估条件为强相关条件满足B1=1、B2>0.9、B3>0.1、B4=1中任意一项;所述第三评估条件为引入常量C11、C21和Q,若年用电量C1>100,则C11=1,否则为0;若用电负荷C2>200,则C21=1,否则为0;令Q=C11+C21+C3+C4+C5+C6+C7,判断Q是否不小于3。
分布式储能用户挖掘装置,包括采集模块、量化模块和储能评估模型构建模块,其中,
所述采集模块,用于采集影响建设储能的数据集并进行重要性分级;
所述量化模块,用于对数据集进行量化处理;
所述储能评估模型构建模块,用于构建储能评估模型,来评估用户建设储能的潜力等级。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如上述任一项权利要求所述分布式储能用户挖掘方法的步骤。
一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述任一项权利要求所述分布式储能用户挖掘方法的步骤。
基于上述技术方案,本发明的有益效果是:本发明基于对用户不同采集、调研数据的考虑分析,提出常见的影响建设储能的数据集合,并按重要性进行了分级,对各数据集进行量化处理,通过对数据的分析评估得到用户建设储能的潜力等级。该方法准确高效,具有较强的通用性和实用性,对于挖掘储能客户潜力和指导储能装机规模具有重要意义。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1是一个实施例中分布式储能用户挖掘方法的应用环境图;
图2是一个实施例中分布式储能用户挖掘方法流程图;
图3是一个实施例中分布式储能用户挖掘方法的评估流程图;
图4是一个实施例中分布式储能用户挖掘装置的结构框图;
图5是一个实施例中计算机设备的内部结构图。
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。
本申请实施例提供的分布式储能用户挖掘方法,可以应用于如图1所示的应用环境中。如图1所示,该应用环境包括计算机设备110。计算机设备110可以采集影响建设储能的数据集并进行重要性分级;计算机设备110可以将数据集进行量化处理;计算机设备110可以基于量化处理后的数据集构建储能评估模型;计算机设备110可以基于储能评估模型评估用户建设储能的潜力等级,其中,计算机设备110可以但不限于是各种个人计算机、笔记本电脑、机器人、平板电脑等。
在一个实施例中,如图2所示,提供一种分布式储能用户挖掘方法,包括如下步骤:
步骤201,采集影响建设储能的数据集并进行重要性分级;
本实施例中,基于对用户不同采集、调研数据的考虑分析,提出常见的影响建设储能的数据集合,并将其分为必要条件、强相关条件、弱相关条件及系统结论,其中必要条件包含客户意愿A1、能够安装储能的面积A2以及高温和低温总天数A3;强相关条件包含负荷曲线类型B1、负荷容量与变压器容量占比B2、三相电负荷不平衡度B3以及是否有UPS B4;弱相关条件包含年用电量C1、用电负荷C2、用电量是否增加C3、用电负荷是否增加C4、园区等级C5以及城市分类C6,基于必要条件、强相关条件和弱相关条件将数据集分级。
步骤202,将数据集进行量化处理;
本实施例中,将数据集进行量化:客户意愿A1,“拒绝安装”为0,“没有拒绝安装”为1;能够安装储能的面积A2,单位m2;高温和低温总天数A3,该地区温度超过40℃和低于-10℃的总天数;负荷曲线类型B1,迎峰型为1、避峰型为0;负荷容量与变压器容量占比B2,0-1之间的数值;三相电负荷不平衡度B3,0-1之间的数值;是否有UPS为B4,“无UPS”为1,“有UPS”为0;年用电量C1,单位万kWh;用电负荷C2,单位kW;用电量是否增加C3,“增加”为1、“没有增加”为0;用电负荷是否增加C4,“增加”为1、“没有增加”为0;园区等级C5,主要分为“国家级工业园区”、“省(自治区、直辖市)级园区”、“地市(州、盟)级工业园区”、“县级工业园区”,依次对应的值为1、0.8、0.6、0.4;城市分类C6,主要分为“一线城市”、“二线城市”、“三线城市”、“四线城市”,依次对应的值为1、0.8、0.6、0.4。
步骤203,基于量化处理后的数据集构建储能评估模型。
本实施例中,建立储能评估模型;通过输入用户的三个等级数据集,输出四个发展储能潜力评估结论:一是强烈建议安装储能用户;二是建议安装储能用户;三是可以安装储能用户;四是不建议安装储能用户。
步骤204,基于储能评估模型评估用户建设储能的潜力等级。
如图3所示,本实施中,求解储能评估模型评估用户建设储能的潜力等级;评估1:将用户的必要条件数据输入至储能评估模型中,判断用户的必要条件是否符合于A1=0、A2<10、A3>60中任意一项时,若是,则转至评估2;若否,则评估为不建议安装储能用户;评估2:将用户的强相关条件数据输入至储能评估模型中,判断用户的强相关条件是否符合B1=1、B2>0.9、B3>0.1、B4=1中任意一项时,若是,则评估为强烈建议安装储能用户;若否,则转至评估3;评估3:将用户的弱相关条件数据输入至储能评估模型中并引入常量C11、C21和Q,若年用电量C1>100,则C11=1,否则为0;若用电负荷C2>200,则C21=1,否则为0;令Q=C11+C21+C3+C4+C5+C6+C7,判断Q是否不小于3时,若是,则评估为建议安装储能用户,若否,则评估为可以安装储能用户。
在一个实施例中,如图4所示,提供一种分布式储能潜力用户挖掘装置,包括采集模块301、量化模块302和储能评估模型构建模块303,其中,
所述采集模块301,用于采集影响建设储能的数据集并进行重要性分级;
所述量化模块302,用于对数据集进行量化处理;
所述储能评估模型构建模块303,用于构建储能评估模型,来评估用户建设储能的潜力等级。
本领域技术人员可以理解,上述实施例阐明的装置、模块或单元,具体可以由计算机芯片或设备实现,或者由具有某种功能的产品来实现,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行一下步骤:
采集影响建设储能的数据集并进行重要性分级;
将数据集进行量化处理;
基于量化处理后的数据集构建储能评估模型;
基于储能评估模型评估用户建设储能的潜力等级。
在一个实施例中,提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行以下步骤:
采集影响建设储能的数据集并进行重要性分级;
将数据集进行量化处理;
基于量化处理后的数据集构建储能评估模型;
基于储能评估模型评估用户建设储能的潜力等级。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书实施例中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (9)
1.分布式储能用户挖掘方法,其特征在于,包括如下步骤:
采集影响建设储能的数据集并进行重要性分级;
将数据集进行量化处理;
基于量化处理后的数据集构建储能评估模型;
基于储能评估模型评估用户建设储能的潜力等级。
2.根据权利要求1所述的分布式储能用户挖掘方法,其特征在于,所述进行重要性分级,具体包括如下步骤:
根据影响因素设置必要条件、强相关条件和弱相关条件;
基于必要条件、强相关条件和弱相关条件将数据集分级。
3.根据权利要求2所述的分布式储能用户挖掘方法,其特征在于,所述必要条件包括客户意愿A1、能够安装储能的面积A2以及高温和低温总天数A3;所述强相关条件包含负荷曲线类型B1、负荷容量与变压器容量占比B2、三相电负荷不平衡度B3以及是否有UPS B4;所述弱相关条件包含年用电量C1、用电负荷C2、用电量是否增加C3、用电负荷是否增加C4、园区等级C5以及城市分类C6。
4.根据权利要求3所述的分布式储能用户挖掘方法,其特征在于,所述量化处理,具体包括如下步骤:设定客户意愿A1,“拒绝安装”为0,“没有拒绝安装”为1;能够安装储能的面积A2,单位m2;高温和低温总天数A3,该地区温度超过40℃和低于-10℃的总天数;负荷曲线类型B1,迎峰型为1、避峰型为0;负荷容量与变压器容量占比B2,0-1之间的数值;三相电负荷不平衡度B3,0-1之间的数值;是否有UPS为B4,“无UPS”为1,“有UPS”为0;年用电量C1,单位万kWh;用电负荷C2,单位kW;用电量是否增加C3,“增加”为1、“没有增加”为0;用电负荷是否增加C4,“增加”为1、“没有增加”为0;园区等级C5,主要分为“国家级工业园区”、“省级园区”、“地市级工业园区”、“县级工业园区”,依次对应的值为1、0.8、0.6、0.4;城市分类C6,主要分为“一线城市”、“二线城市”、“三线城市”、“四线城市”,依次对应的值为1、0.8、0.6、0.4。
5.根据权利要求4所述的分布式储能用户挖掘方法,其特征在于,所述基于储能评估模型评估用户建设储能的潜力等级,具体包括如下步骤:
评估1:将用户的必要条件数据输入至储能评估模型中,判断用户的必要条件是否符合于预设的第一评估条件时,若是,则转至评估2;若否,则评估为不建议安装储能用户;
评估2:将用户的强相关条件数据输入至储能评估模型中,判断用户的强相关条件是否符合第二评估条件时,若是,则评估为强烈建议安装储能用户;若否,则转至评估3;
评估3:将用户的弱相关条件数据输入至储能评估模型中,判断用户的弱相关条件是否符合第三评估条件时,若是,则评估为建议安装储能用户,若否,则评估为可以安装储能用户。
6.根据权利要求5所述的分布式储能用户挖掘方法,其特征在于,所述第一评估条件为必要条件满足A1=0、A2<10、A3>60中任意一项;所述第二评估条件为强相关条件满足B1=1、B2>0.9、B3>0.1、B4=1中任意一项;所述第三评估条件为引入常量C11、C21和Q,若年用电量C1>100,则C11=1,否则为0;若用电负荷C2>200,则C21=1,否则为0;令Q=C11+C21+C3+C4+C5+C6+C7,判断Q是否不小于3。
7.分布式储能用户挖掘装置,其特征在于,包括采集模块、量化模块和储能评估模型构建模块,其中,
所述采集模块,用于采集影响建设储能的数据集并进行重要性分级;
所述量化模块,用于对数据集进行量化处理;
所述储能评估模型构建模块,用于构建储能评估模型,来评估用户建设储能的潜力等级。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项权利要求所述分布式储能用户挖掘方法的步骤。
9.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至6中任一项权利要求所述分布式储能用户挖掘方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830645.8A CN113592271A (zh) | 2021-07-22 | 2021-07-22 | 分布式储能用户挖掘方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830645.8A CN113592271A (zh) | 2021-07-22 | 2021-07-22 | 分布式储能用户挖掘方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592271A true CN113592271A (zh) | 2021-11-02 |
Family
ID=78249066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110830645.8A Pending CN113592271A (zh) | 2021-07-22 | 2021-07-22 | 分布式储能用户挖掘方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592271A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675087A (zh) * | 2019-10-11 | 2020-01-10 | 国网(苏州)城市能源研究院有限责任公司 | 一种区域综合能源系统投资潜力评估方法 |
CN110675042A (zh) * | 2019-09-17 | 2020-01-10 | 南瑞集团有限公司 | 基于K-Means聚类算法的工业用户储能建设研判方法 |
CN110852495A (zh) * | 2019-10-28 | 2020-02-28 | 国网新疆电力有限公司电力科学研究院 | 一种分布式储能电站选址方法 |
CN112464168A (zh) * | 2020-11-27 | 2021-03-09 | 国网江苏省电力有限公司无锡供电分公司 | 一种综合能源潜力用户靶向评估提取方法 |
-
2021
- 2021-07-22 CN CN202110830645.8A patent/CN113592271A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675042A (zh) * | 2019-09-17 | 2020-01-10 | 南瑞集团有限公司 | 基于K-Means聚类算法的工业用户储能建设研判方法 |
CN110675087A (zh) * | 2019-10-11 | 2020-01-10 | 国网(苏州)城市能源研究院有限责任公司 | 一种区域综合能源系统投资潜力评估方法 |
CN110852495A (zh) * | 2019-10-28 | 2020-02-28 | 国网新疆电力有限公司电力科学研究院 | 一种分布式储能电站选址方法 |
CN112464168A (zh) * | 2020-11-27 | 2021-03-09 | 国网江苏省电力有限公司无锡供电分公司 | 一种综合能源潜力用户靶向评估提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeh et al. | Comparison of decentralised and centralised grid‐compatible battery storage systems in distribution grids with high PV penetration | |
Aboreshaid et al. | Probabilistic evaluation of voltage stability | |
Leonidaki et al. | Decision trees for determination of optimal location and rate of series compensation to increase power system loading margin | |
Liu et al. | Toward a CPFLOW-based algorithm to compute all the type-1 load-flow solutions in electric power systems | |
Chen et al. | Forecast of energy consumption based on FGM (1, 1) model | |
Hassan et al. | Techno-economic assessment of battery storage with photovoltaics for maximum self-consumption | |
Rezaeian‐Marjani et al. | Probabilistic assessment of D‐STATCOM operation considering correlated uncertain variables | |
Chen et al. | An energy allocation strategy for hybrid ship DC power system based on genetic algorithm | |
CN113592271A (zh) | 分布式储能用户挖掘方法、装置、计算机设备及存储介质 | |
Shah et al. | Chronological risk assessment approach of distribution system with concentrated solar power plant | |
Cebi et al. | Soft computing and computational intelligent techniques in the evaluation of emerging energy technologies | |
Yin et al. | Initial investigation of data mining applications in event classification and location identification using simulated data from MinniWECC | |
Shang et al. | ISCP-Data: a vehicle-to-grid dataset for commercial center and its machine learning application | |
Titz et al. | Identifying drivers and mitigators for congestion and redispatch in the German electric power system with explainable AI | |
Ren et al. | The assessment of hydrogen energy systems for fuel cell vehicles using principal component analysis and cluster analysis | |
Hanjalić et al. | Hosting capacity assessment in electrical power distribution systems using genetic algorithm | |
Guo et al. | Online model-free estimation of the dynamic system model for a power system with renewables in ambient conditions | |
Chenxu et al. | An improved cumulant method for probabilistic load flow calculation | |
CN112488505B (zh) | 一种电动汽车充电站业扩接入规划方法及系统 | |
Wang | A Novel Extension Decision‐Making Method for Selecting Solar Power Systems | |
EP2752812B1 (en) | Charging infrastructure information providing system, charging infrastructure information providing device, control method and program | |
Bhuiyan et al. | Indicators for assessing the necessity of power system flexibility: a systematic review and literature meta-analysis | |
Riese et al. | Utilization of renewably generated power in the chemical process industry | |
CN111832936A (zh) | 一种含分布式电源的配网供电可靠性评估方法 | |
Venkateswarlu et al. | Enhancement of Static Voltage Stability Margin Using STATCOM in Grid-Connected Solar Farms |
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 |