CN113642787A - 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 - Google Patents
基于配售电竞争态势下区域配电网网格化负荷区间预测方法 Download PDFInfo
- Publication number
- CN113642787A CN113642787A CN202110889709.1A CN202110889709A CN113642787A CN 113642787 A CN113642787 A CN 113642787A CN 202110889709 A CN202110889709 A CN 202110889709A CN 113642787 A CN113642787 A CN 113642787A
- Authority
- CN
- China
- Prior art keywords
- interval
- power
- load
- charging
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 108090000672 Annexin A5 Proteins 0.000 claims abstract description 19
- 238000010248 power generation Methods 0.000 claims abstract description 18
- 238000007599 discharging Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 12
- 230000002860 competitive effect Effects 0.000 claims abstract description 11
- 238000005265 energy consumption Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 34
- 238000009616 inductively coupled plasma Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 101100059678 Mus musculus Cfdp1 gene Proteins 0.000 claims description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06Q10/04—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于配售电竞争态势下区域配电网网格化负荷区间预测方法,包括:对配电网终端用户典型用能进行建模研究;研究基于时间尺度研究供用电分类方法;研究柔性负荷的灵活性和供用电区间模型;对电动汽车充放电模型进行建模研究,研究每个时间断面上电动汽车的充电需求,确定电动汽车充放电区间;根采用粒子群寻优算法进行综合优化,确定网络模型的最优输出权重;计算PICP和DADI供用电区间灵活性评价指标;获得预测准确度较高的供用电区间值。本发明考虑分布式光伏、柔性负荷和电动汽车的供用电区间等多种因素,在配售电竞争态势下结合社会效益和区间指标为优化目标确定准确度较高的供用电区间值。
Description
本发明属于配电网区间预测技术领域,涉及一种基于配售电竞争态势下区域配电网网格化负荷区间预测方法。
背景技术
目前我国分布式电源发展迅猛,分布式电源装机容量不断增加,且分布式电源容量在全国总装机容量占比日趋变大。由于我国政府对开发利用新能源的大力支持和有关政策的推出,使得包括风力发电、光伏发电等形式的可再生能源发电在近些年得到了相当快速的发展,分布式电源尤其是分布式可再生能源实现了大规模的接入与应用。
目前,国内外对可再生能源预测,柔性负荷供用区间模型有较为深入的研究,对含配售电竞争态势下供用电区间和区间评估指标的研究较少。根据已有的供用电区间,结合配售电竞争态势下以社会效益和PICP以及DADI区间评价指标优化供用电区间模型,建立更为合理的配电网供用电区间。
发明内容
本发明的目的在于提供一种基于配售电竞争态势下区域配电网网格化负荷区间预测方法。该方法从工程投资建设的角度,基于蒙特卡洛和小波神经网络建模分析,并提出了以PICP和DADI为评价指标的供用电区间优化方法。
本发明的技术解决方案:一种基于配售电竞争态势下区域配电网网格化负荷区间预测方法,包括以下步骤:
步骤10)基于局部极值聚类(CFDP)构建配电网终端用户典型用能模型;
步骤20)根据年负荷曲线的电力用户特征集和日负荷曲线电力用户特征集,基于时间尺度研究供用电类型;
步骤30)基于分时电价和实时电价等不同电价机制下研究柔性负荷的供用电区间模型;
步骤40)基于蒙特卡洛方法对电动汽车充放电模型进行建模研究,结合蒙特卡洛抽样和区间数确定每个时间断面上电动汽车的充电需求,按照其期望和标准差确定电动汽车充放电区间;
步骤50)建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限,根据区间覆盖率ICP和区间平均宽度IAW等评价指标采用粒子群寻优算法进行综合优化,确定网络模型的最优输出权重;
步骤60)根据历史数据和区间上下限计算PICP和DADI供用电区间灵活性评价指标;
步骤70)综合考虑光伏系统、柔性负荷和电动汽车负荷出力不确定性影响下,综合配售电竞争态势下社会效用和灵活性指标为优化目标,获得预测准确度较高的供用电区间值。
进一步的,本发明中,所述步骤10)中,基于局部极值聚类(CFDP)构建配电网终端用户典型用能模型,其局部密度为:
上式中:参数dc为截断距离,dij为i与j之间的距离;ρi为i节点局部密度;Is为所有节点集合。
进一步的,本发明中,所述步骤20)中,根据年负荷曲线的电力用户特征集和日负荷曲线电力用户特征集,基于时间尺度研究供用电类型。对于一条给定的负荷曲线:
式中:l(t)为t月的负荷曲线;a为全年负荷曲线;s(t)为t月的负荷率。
对于电力用户负荷用电行为的建模就可以转化为对其用电总量的分析和用电的时间分布分析两个子问题。
进一步的,本发明中,所述步骤30)中基于分时电价和实时电价等不同电价机制下研究柔性负荷的灵活性和供用电区间模型。对于采用峰谷分时电价的用户来说,峰时段的电量变化量为:
式中:Δq1和Δp1分别是峰时段时电量q和电价p的相对增量;εij(i≠j)是交叉弹性系数,表示在i时段电量需求变化率与在j时段电价变动率之间的比值;εii为弹性系数,表示在i时段电量需求变化率与电价变动率之间的比值。
谷时段的电量变化量为:
式中:Δq2和Δp2分别是谷时段电量q和电价p的相对增量。行峰谷电价后,谷时段的用电量不会小于执行前的用电量。
进一步的,本发明中,所述步骤40)中,基于蒙特卡洛方法对电动汽车充放电模型进行建模研究,利用蒙特卡洛抽样研究每个时间断面上电动汽车的充电需求,按照其期望和标准差确定电动汽车充放电区间,结合最大拟然估计法:
式中:μt=3.2,σt=0.88,t为时间段。电动汽车的电池荷电状态与其日行驶里程d也近似满足线性关系,则电动汽车充电时长TC可估计为:
式中,W100为EV的百公里平均耗电量(单位:kW·h/100km);PC为电动汽车的充电功率(单位:kW);d为日行驶里程量(单位:km)。在优化后的峰谷电价时间段内,电动汽车一般采取有序充模式,则单辆电动汽车在t0时刻的充电功率需求可表述为:
式中:P(t0)为t0时间断面上单辆电动汽车的功率需求;PC(t0)为t0时间断面上单辆电动汽车的充电功率;ζC(t0)为时间t0断面上单辆电动汽车充电功率的概率,Ψ(·)则为电动汽车起始充电时刻的概率密度函数。电动汽车充电区间数为:
式中,υ为区间数的半径调节参数,μEV和σEV为对应期望值和标准差。
进一步的,本发明中,所述步骤50)中,建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限,根据区间评价指标采用粒子群寻优算法进行综合优化,确定网络模型的最优输出权重。光伏发电系统的稳态功率输出可以用如下简化模型:
式中:PPV为光伏的实际输出功率(kW);GSTC和GING分别为标准条件下和实际的太阳辐射强度(W/m2);PSTC为标准测试条件下光伏电池最大功率输出(kW);kPV为功率温度系数(%/℃);Tc为电池温度;Tr为参考温度。
可再生光顾区间评价指标主要分为两个方面:区间覆盖概率(interval coverageprobability,ICP)以及区间平均宽度(interval average width,IAW)。ICP即光伏发电系统出力的实测值落入区间模型的概率,概率值越大,表明区间模型越准确;IAW则表示区间值的宽窄,理论上应使平均区间宽度尽可能小,以便获得更为精确的区间值,在此基础上构建如下式所示的区间模型综合评价指(combinational coverage width-basedcriterion,CWC):
CWC=IAW[(1+γ)ICPe-θ(ICP-μ)] (11)
式中:γ为ICP的控制系数,μ为置信水平,θ为置信水平与ICP的差异放大系数。
进一步的,本发明中,所述步骤60)中,根据历史数据和区间上下限计算PICP和DADI的供用电区间灵活性评价指标。PICP为实际值落在预测区间中的统计概率,可写为:
上式中:m为每一组样本中的数据个数;aij为预测结果判别指标,当给定值处于给定的上下边界之间时,其取值为1,否则取值为0:
式中:Uij和Lij分别为给定上下边界值。PICP指标能够直观反映区间的准确性,其数值越高,表明负荷真实值落在预测区间中的概率越大,预测结果更好。DADI则可以准确直观地反映负荷实际值与预测区间之间的偏离程度:
上式中dj为第j个时间节点处负荷i真实值与预测区间的偏差。综合上述分析可知DADI指标数值越小,表明负荷真实值与预测区间的偏移程度越小,预测区间较为精确。
进一步的,本发明中,所述步骤70)中,综合考虑光伏系统、柔性负荷和电动汽车负荷出力不确定性影响下,以配售电竞争态势下社会效用最大为优化目标,获得预测准确度较高的供用电区间值。对于配网与微网之间的能源交易分析可知,成本目标函数为:
式中:μb(t)和μs(t)分别为t时刻配电网从主网的购售电价;us(t)和ub(t)分别为配电网从主网的购售电量;Δt为时间间隔,通常取1h;T为24。
有益效果:与现有技术相比,本发明具有以下优点:
已有研究仅从国内外的短期预测负荷分析,研究了不同类型负荷的耦合特性,针对负荷区间进行概念性的阐述归纳。对于考虑配售电竞争态势下配电网供用电区间模型,本发明基于蒙特卡洛抽样,综合考虑配电网整体社会效益和PICP以及DADI等供用电区间灵活性指标,确定基于配售电竞争态势下区域配电网网格化负荷区间预测方法。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的电动汽车充放电区间结果图;
图3为本发明实施例的配电网供用电负荷区间结果图;
图4、5为本发明实施例的含可再生能源节点负荷区间结果图。
具体实施方式
下面结合附图,对本发明实施例的技术方案做进一步的说明。
如图1所示,本发明方法的实施例,基于配售电竞争态势下区域配电网网格化负荷区间预测方法如图1所示,该方法包括以下步骤:
步骤10)基于局部极值聚类(CFDP)构建配电网终端用户典型用能模型;
步骤20)根据年负荷曲线的电力用户特征集和日负荷曲线电力用户特征集,基于时间尺度研究供用电类型;
步骤30)基于分时电价和实时电价等不同电价机制下研究柔性负荷的供用电区间模型;
步骤40)基于蒙特卡洛方法对电动汽车充放电模型进行建模研究,结合蒙特卡洛抽样和区间数确定每个时间断面上电动汽车的充电需求,按照其期望和标准差确定电动汽车充放电区间;
步骤50)建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限,根据区间覆盖率ICP和区间平均宽度IAW等评价指标采用粒子群寻优算法进行综合优化,确定网络模型的最优输出权重;
步骤60)根据历史数据和区间上下限计算PICP和DADI供用电区间灵活性评价指标;
步骤70)综合考虑光伏系统、柔性负荷和电动汽车负荷出力不确定性影响下,综合配售电竞争态势下社会效用和灵活性指标为优化目标,获得预测准确度较高的供用电区间值。
进一步的,本发明中,所述步骤10)中,基于局部极值聚类(CFDP)构建配电网终端用户典型用能模型,其局部密度为:
上式中:参数dc为截断距离,dij为i与j之间的距离;ρi为i节点局部密度;Is为所有节点集合。
进一步的,本发明中,所述步骤20)中,根据年负荷曲线的电力用户特征集和日负荷曲线电力用户特征集,基于时间尺度研究供用电类型。对于一条给定的负荷曲线:
式中:l(t)为t月的负荷曲线;a为全年负荷曲线;s(t)为t月的负荷率。
对于电力用户负荷用电行为的建模就可以转化为对其用电总量的分析和用电的时间分布分析两个子问题。
进一步的,本发明中,所述步骤30)中基于分时电价和实时电价等不同电价机制下研究柔性负荷的灵活性和供用电区间模型。对于采用峰谷分时电价的用户来说,峰时段的电量变化量为:
式中:Δq1和Δp1分别是峰时段时电量q和电价p的相对增量;εij(i≠j)是交叉弹性系数,表示在i时段电量需求变化率与在j时段电价变动率之间的比值;εii为弹性系数,表示在i时段电量需求变化率与电价变动率之间的比值。
谷时段的电量变化量为:
式中:Δq2和Δp2分别是谷时段电量q和电价p的相对增量。行峰谷电价后,谷时段的用电量不会小于执行前的用电量。
进一步的,本发明中,所述步骤40)中,基于蒙特卡洛方法对电动汽车充放电模型进行建模研究,利用蒙特卡洛抽样研究每个时间断面上电动汽车的充电需求,按照其期望和标准差确定电动汽车充放电区间,结合最大拟然估计法:
式中:μt=3.2,σt=0.88,t为时间段。电动汽车的电池荷电状态与其日行驶里程d也近似满足线性关系,则电动汽车充电时长TC可估计为:
式中,W100为EV的百公里平均耗电量(单位:kW·h/100km);PC为电动汽车的充电功率(单位:kW);d为日行驶里程量(单位:km)。在优化后的峰谷电价时间段内,电动汽车一般采取有序充模式,则单辆电动汽车在t0时刻的充电功率需求可表述为:
式中:P(t0)为t0时间断面上单辆电动汽车的功率需求;PC(t0)为t0时间断面上单辆电动汽车的充电功率;ζC(t0)为时间t0断面上单辆电动汽车充电功率的概率,Ψ(·)则为电动汽车起始充电时刻的概率密度函数。电动汽车充电区间数为:
式中,υ为区间数的半径调节参数,μEV和σEV为对应期望值和标准差。
进一步的,本发明中,所述步骤50)中,建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限,根据区间评价指标采用粒子群寻优算法进行综合优化,确定网络模型的最优输出权重。光伏发电系统的稳态功率输出可以用如下简化模型:
式中:PPV为光伏的实际输出功率(kW);GSTC和GING分别为标准条件下和实际的太阳辐射强度(W/m2);PSTC为标准测试条件下光伏电池最大功率输出(kW);kPV为功率温度系数(%/℃);Tc为电池温度;Tr为参考温度。
可再生光顾区间评价指标主要分为两个方面:区间覆盖概率(interval coverageprobability,ICP)以及区间平均宽度(interval average width,IAW)。ICP即光伏发电系统出力的实测值落入区间模型的概率,概率值越大,表明区间模型越准确;IAW则表示区间值的宽窄,理论上应使平均区间宽度尽可能小,以便获得更为精确的区间值,在此基础上构建如下式所示的区间模型综合评价指(combinational coverage width-basedcriterion,CWC):
CWC=IAW[(1+γ)ICPe-θ(ICP-μ)] (26)
式中:γ为ICP的控制系数,μ为置信水平,θ为置信水平与ICP的差异放大系数。
进一步的,本发明中,所述步骤60)中,根据历史数据和区间上下限计算PICP和DADI的供用电区间灵活性评价指标。PICP为实际值落在预测区间中的统计概率,可写为:
上式中:m为每一组样本中的数据个数;aij为预测结果判别指标,当给定值处于给定的上下边界之间时,其取值为1,否则取值为0:
式中:Uij和Lij分别为给定上下边界值。PICP指标能够直观反映区间的准确性,其数值越高,表明负荷真实值落在预测区间中的概率越大,预测结果更好。DADI则可以准确直观地反映负荷实际值与预测区间之间的偏离程度:
上式中dj为第j个时间节点处负荷i真实值与预测区间的偏差。综合上述分析可知DADI指标数值越小,表明负荷真实值与预测区间的偏移程度越小,预测区间较为精确。
进一步的,本发明中,所述步骤70)中,综合考虑光伏系统、柔性负荷和电动汽车负荷出力不确定性影响下,以配售电竞争态势下社会效用最大为优化目标,获得预测准确度较高的供用电区间值。对于配网与微网之间的能源交易分析可知,成本目标函数为:
式中:μb(t)和μs(t)分别为t时刻配电网从主网的购售电价;us(t)和ub(t)分别为配电网从主网的购售电量;Δt为时间间隔,通常取1h;T为24。
下面列举一具体实施例。
选取IEEE 33节点系统做具体分析说明,配电系统包含八组光伏电源,光伏发电系统的额定容量设为400kVA。当地的光伏设备额定容量为400kVA,光伏发电系统设置在3,4,7,12,14,18,21,24节点上。配电系统包含电动汽车充放电负荷,假定一天内电动汽车充电数目为50,充电汽车功率为3kW,电动汽车充放电系统设置在3,4,7,12,14,18,21,24节点上。与上级电网之间交易电量电价t(单位:元/千瓦时)如下式所示:
式中:T为时间段。具体电动汽车负荷区间,配电网与主网交互功率区间和含可再生能源节点负荷区间分别如下图2至5所示;
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解,本发明不受上述具体实施例的限制,上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。
Claims (8)
1.一种基于配售电竞争态势下区域配电网网格化负荷区间预测方法,其特征在于,该方法包括以下步骤:
步骤10)基于局部极值聚类(CFDP)构建配电网终端用户典型用能模型;
步骤20)根据年负荷曲线的电力用户特征集和日负荷曲线电力用户特征集,基于时间尺度研究供用电类型;
步骤30)基于分时电价和实时电价等不同电价机制下研究柔性负荷的供用电区间模型;
步骤40)基于蒙特卡洛方法对电动汽车充放电模型进行建模研究,结合蒙特卡洛抽样和区间数确定每个时间断面上电动汽车的充电需求,按照其期望和标准差确定电动汽车充放电区间;
步骤50)建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限,根据区间覆盖率ICP和区间平均宽度IAW等评价指标采用粒子群寻优算法进行综合优化,确定网络模型的最优输出权重;
步骤60)根据历史数据和区间上下限计算PICP和DADI供用电区间灵活性评价指标;
步骤70)综合考虑光伏系统、柔性负荷和电动汽车负荷出力不确定性影响下,综合配售电竞争态势下社会效用和灵活性指标为优化目标,获得预测准确度较高的供用电区间值。
5.根据权利要求4所述的基于配售电竞争态势下区域配电网网格化负荷区间预测方法,其特征在于,所述步骤40)中,基于蒙特卡洛方法对电动汽车充放电模型进行建模研究,利用蒙特卡洛抽样研究每个时间断面上电动汽车的充电需求,按照其期望和标准差确定电动汽车充放电区间,结合最大拟然估计法:
式中:μt=3.2,σt=0.88,t为时间段;电动汽车的电池荷电状态与其日行驶里程d也近似满足线性关系,则电动汽车充电时长TC可估计为:
式中,W100为EV的百公里平均耗电量,单位:kW·h/100km;PC为电动汽车的充电功率,单位:kW;d为日行驶里程量,单位:km;在优化后的峰谷电价时间段内,电动汽车一般采取有序充模式,则单辆电动汽车在t0时刻的充电功率需求可表述为:
式中:P(t0)为t0时间断面上单辆电动汽车的功率需求;PC(t0)为t0时间断面上单辆电动汽车的充电功率;ζC(t0)为时间t0断面上单辆电动汽车充电功率的概率,Ψ(·)则为电动汽车起始充电时刻的概率密度函数;电动汽车充电区间数为:
式中,υ为区间数的半径调节参数,μEV和σEV为对应期望值和标准差。
6.根据权利要求5所述的基于配售电竞争态势下区域配电网网格化负荷区间预测方法,其特征在于,所述步骤50)中,建立双输出单隐层神经网络模型获取光伏发电系统出力的上下限,根据区间评价指标采用粒子群寻优算法进行综合优化,确定网络模型的最优输出权重;光伏发电系统的稳态功率输出可以用如下简化模型:
式中:PPV为光伏的实际输出功率kW;GSTC和GING分别为标准条件下和实际的太阳辐射强度(W/m2);PSTC为标准测试条件下光伏电池最大功率输出kW;kPV为功率温度系数%/℃;Tc为电池温度;Tr为参考温度;
可再生光顾区间评价指标主要分为两个方面:区间覆盖概率以及区间平均宽度;ICP即光伏发电系统出力的实测值落入区间模型的概率,概率值越大,表明区间模型越准确;IAW则表示区间值的宽窄,理论上应使平均区间宽度尽可能小,以便获得更为精确的区间值,在此基础上构建如下式所示的区间模型综合评价指:
CWC=IAW[(1+γ)ICPe-θ(ICP-μ)] (11)
式中:γ为ICP的控制系数,μ为置信水平,θ为置信水平与ICP的差异放大系数。
7.根据权利要求6所述的基于配售电竞争态势下区域配电网网格化负荷区间预测方法,其特征在于,所述步骤60)中,根据历史数据和区间上下限计算PICP和DADI的供用电区间灵活性评价指标;PICP为实际值落在预测区间中的统计概率,可写为:
上式中:m为每一组样本中的数据个数;aij为预测结果判别指标,当给定值处于给定的上下边界之间时,其取值为1,否则取值为0:
式中:Uij和Lij分别为给定上下边界值;PICP指标能够直观反映区间的准确性,其数值越高,表明负荷真实值落在预测区间中的概率越大,预测结果更好;DADI则可以准确直观地反映负荷实际值与预测区间之间的偏离程度:
上式中dj为第j个时间节点处负荷i真实值与预测区间的偏差;综合上述分析可知DADI指标数值越小,表明负荷真实值与预测区间的偏移程度越小,预测区间较为精确。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889709.1A CN113642787A (zh) | 2021-08-04 | 2021-08-04 | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 |
PCT/CN2021/138595 WO2023010759A1 (zh) | 2021-08-04 | 2021-12-24 | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889709.1A CN113642787A (zh) | 2021-08-04 | 2021-08-04 | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113642787A true CN113642787A (zh) | 2021-11-12 |
Family
ID=78419567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110889709.1A Pending CN113642787A (zh) | 2021-08-04 | 2021-08-04 | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113642787A (zh) |
WO (1) | WO2023010759A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023010759A1 (zh) * | 2021-08-04 | 2023-02-09 | 国网江苏省电力有限公司南通供电分公司 | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 |
WO2024056050A1 (zh) * | 2022-09-15 | 2024-03-21 | 清华大学 | 海量柔性负荷快速聚合控制方法及装置 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994627B (zh) * | 2023-03-22 | 2023-07-14 | 湖南大学 | 住宅建筑柔性负荷日前优化调度方法、装置、设备、介质 |
CN116632842B (zh) * | 2023-07-26 | 2023-11-10 | 国网山东省电力公司信息通信公司 | 基于聚类特性的台区分布式光伏负荷概率预测方法及系统 |
CN116901774B (zh) * | 2023-09-11 | 2023-11-14 | 南京安充智能科技有限公司 | 基于全网通充电桩的柔性配电方法、系统及存储介质 |
CN117056848B (zh) * | 2023-10-10 | 2023-12-29 | 湖北华中电力科技开发有限责任公司 | 一种用于提升电力系统决策的监测数据质量分析方法 |
CN117134361B (zh) * | 2023-10-27 | 2024-01-30 | 国网天津市电力公司宝坻供电分公司 | 高比例绿电跨区跨电压等级消纳方法、装置、设备及介质 |
CN117639036B (zh) * | 2023-11-21 | 2024-04-26 | 广东健电新能源科技有限公司 | 一种充电桩的充放电规划方法及系统 |
CN117332291B (zh) * | 2023-11-30 | 2024-03-26 | 中国电力科学研究院有限公司 | 一种面向分布式光伏的区域资源监测布局方法及系统 |
CN117559566A (zh) * | 2024-01-11 | 2024-02-13 | 国网吉林省电力有限公司经济技术研究院 | 基于负荷预测不确定性的园区系统接入配电网的优化方法 |
CN117634931B (zh) * | 2024-01-25 | 2024-04-16 | 华北电力大学 | 一种考虑充电行为的电动汽车调节能力预测方法及系统 |
CN117895659B (zh) * | 2024-03-14 | 2024-05-31 | 山东理工大学 | 一种智能电网自动化调度方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107425520A (zh) * | 2017-06-12 | 2017-12-01 | 东南大学 | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 |
US20200090285A1 (en) * | 2018-03-16 | 2020-03-19 | Dalian University Of Technology | Method for short-term generation scheduling of cascade hydropower plants coupling cluster analysis and decision tree |
CN110956329A (zh) * | 2019-12-02 | 2020-04-03 | 国网浙江省电力有限公司绍兴供电公司 | 基于分布式光伏与电动汽车时空分布的负荷预测方法 |
CN112131733A (zh) * | 2020-09-15 | 2020-12-25 | 燕山大学 | 计及电动汽车充电负荷影响的分布式电源规划方法 |
CN112217202A (zh) * | 2020-09-29 | 2021-01-12 | 东南大学 | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9514428B2 (en) * | 2011-10-28 | 2016-12-06 | Viridity Energy, Inc. | Managing energy assets associated with transport operations |
CN107017619B (zh) * | 2017-03-29 | 2019-09-27 | 华北电力大学 | 非合作博弈视角的光伏充电站网络分布式能量管理方法 |
CN109872228A (zh) * | 2019-01-17 | 2019-06-11 | 华北电力大学(保定) | 计及不确定性的柔性负荷聚合商参与电力市场投标方法 |
CN113642787A (zh) * | 2021-08-04 | 2021-11-12 | 国网江苏省电力有限公司南通供电分公司 | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 |
-
2021
- 2021-08-04 CN CN202110889709.1A patent/CN113642787A/zh active Pending
- 2021-12-24 WO PCT/CN2021/138595 patent/WO2023010759A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107425520A (zh) * | 2017-06-12 | 2017-12-01 | 东南大学 | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 |
US20200090285A1 (en) * | 2018-03-16 | 2020-03-19 | Dalian University Of Technology | Method for short-term generation scheduling of cascade hydropower plants coupling cluster analysis and decision tree |
CN110956329A (zh) * | 2019-12-02 | 2020-04-03 | 国网浙江省电力有限公司绍兴供电公司 | 基于分布式光伏与电动汽车时空分布的负荷预测方法 |
CN112131733A (zh) * | 2020-09-15 | 2020-12-25 | 燕山大学 | 计及电动汽车充电负荷影响的分布式电源规划方法 |
CN112217202A (zh) * | 2020-09-29 | 2021-01-12 | 东南大学 | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 |
Non-Patent Citations (2)
Title |
---|
王超等: "基于电动汽车用户电价响应的充电负荷优化模型建立", 《内蒙古电力技术》 * |
钱仲豪 等: "计及不确定性因素的分布式电源与电动汽车充电站协调优化", 《电力工程技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023010759A1 (zh) * | 2021-08-04 | 2023-02-09 | 国网江苏省电力有限公司南通供电分公司 | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 |
WO2024056050A1 (zh) * | 2022-09-15 | 2024-03-21 | 清华大学 | 海量柔性负荷快速聚合控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023010759A1 (zh) | 2023-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642787A (zh) | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 | |
Sun | A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage | |
CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
Eldeeb et al. | Multi-objective optimization technique for the operation of grid tied PV powered EV charging station | |
Kang et al. | How to better share energy towards a carbon-neutral city? A review on application strategies of battery energy storage system in city | |
CN107370170B (zh) | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 | |
CN109888806B (zh) | 一种含电动汽车的微电网储能优化配置方法 | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Li et al. | Optimization between the PV and the retired EV battery for the residential microgrid application | |
Srithapon et al. | Surrogate-Assisted multi-objective probabilistic optimal power flow for distribution network with photovoltaic generation and electric vehicles | |
Mohammadi et al. | Optimal operation management of microgrids using the point estimate method and firefly algorithm while considering uncertainty | |
CN103715688A (zh) | 并网型微网优化配置方法及装置 | |
Negri et al. | Combined model predictive control and ANN-based forecasters for jointly acting renewable self-consumers: An environmental and economical evaluation | |
CN113869616A (zh) | 一种自适应的居民用户负荷预测方法 | |
CN111404193A (zh) | 一种基于数据驱动的微电网随机鲁棒优化调度方法 | |
Li et al. | Optimization for a grid-connected hybrid PV-wind-retired HEV battery microgrid system | |
Ahmadian et al. | Techno-economic evaluation of PEVs energy storage capability in wind distributed generations planning | |
CN112418488A (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
CN109285039A (zh) | 一种计及风光不确定性的电动汽车充电站电价制定方法 | |
Soleimani et al. | A linear stochastic formulation for distribution energy management systems considering lifetime extension of battery storage devices | |
CN109636033B (zh) | 一种分布式光伏项目自发自用综合电价预测方法 | |
Guo et al. | Stochastic optimization for economic operation of plug-in electric vehicle charging stations at a municipal parking deck integrated with on-site renewable energy generation | |
CN114723284A (zh) | 一种含分布式电源和电动汽车的配电网可靠性评估方法 | |
Hashemipour et al. | Uncertainty modeling for participation of electric vehicles in collaborative energy consumption |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211112 |