CN113887809A - 双碳目标下配电网供需平衡方法、系统、介质及计算设备 - Google Patents
双碳目标下配电网供需平衡方法、系统、介质及计算设备 Download PDFInfo
- Publication number
- CN113887809A CN113887809A CN202111180603.0A CN202111180603A CN113887809A CN 113887809 A CN113887809 A CN 113887809A CN 202111180603 A CN202111180603 A CN 202111180603A CN 113887809 A CN113887809 A CN 113887809A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- index
- distribution network
- output
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种双碳目标下配电网供需平衡方法、系统、介质及计算设备,其包括:获取样本数据,并进行预处理,所述样本数据包括外部数据指标和供电系统内部电力负荷数据;确定所述电力负荷数据与各所述外部数据指标之间的关联程度,并提取能够反映各所述外部数据指标影响程度的新指标;对所述新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据所述典型时序用电模式得到区域性典型样本;根据所述区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。本发明能对配电网供需侧形态演变进行精准的趋势预测。
Description
技术领域
本发明涉及一种配电网技术领域,特别是关于一种双碳目标下配电网供需平衡方法、系统、介质及计算设备。
背景技术
如今人民生活水平越来越高,生活生产中对电力的需求也越来越大。在“碳达峰、碳中和”的目标下,更多的清洁能源包括水力发电、太阳能光伏发电、风力发电、生物质能发电、地热能、潮汐能等也将逐步替代传统的火力发电,作为分布式电源接入电网。在城市转型与能源互联网的建设中,城市综合体、智能楼宇、分布式光伏电站、电动汽车充电设施、高新制造业等新型用电负荷不断涌现,对于现代化城市用电结构也带来了巨大变化。分布式能源及多元化负荷的大量涌入给传统配电网的潮流供给都带来了不小的冲击,对“双碳”目标驱动下配电网供需侧形态演变进行更细致的趋势预测具有重要现实意义。
发明内容
针对上述问题,本发明的目的是提供一种双碳目标下配电网供需平衡方法、系统、介质及计算设备,其能对配电网供需侧形态演变进行精准的趋势预测。
为实现上述目的,本发明采取以下技术方案:一种双碳目标下配电网供需平衡方法,其包括:获取样本数据,并进行预处理,所述样本数据包括外部数据指标和供电系统内部电力负荷数据;确定所述电力负荷数据与各所述外部数据指标之间的关联程度,并提取能够反映各所述外部数据指标影响程度的新指标;对所述新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据所述典型时序用电模式得到区域性典型样本;根据所述区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。
进一步,所述确定所述电力负荷数据与各所述外部数据指标之间的关联程度,包括:采用数据挖掘方法从不同维度,确定电力负荷与外部各数据指标之间的关联程度。
进一步,所述提取能够反映各所述外部数据指标影响程度的新指标,包括:采用主成分分析法,提取能够反映各所述外部数据指标影响程度的新指标。
进一步,所述对所述新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,包括:根据网上电网中配变用电类型、配变投运时间、配变负载率、分布式光伏接入容量及储能装置接入这些相关数据,采用K-means聚类方法,识别用户负荷类型集聚区,提取用户典型用电模式方法以及用户集群用电行为模拟方法,建立不同类型、不同地区用户典型时序用电模式。
进一步,所述根据所述区域性典型样本,建立出力、负荷精准化预测模型,采用数据包络分析方法实现,所述预测模型为:
进一步,所述预测模型需满足约束条件为:
式中,和分别为的第i种区域性典型样本输入数据和第t种输出指标数据,xij为决策单元DMU的区域性典型样本输入数据,ytj为决策单元DMU的输出指标数据,n为评价对象的个数,为决策单元,λj为使θ最小的的权重。
进一步,若干所述决策单元DMU的设定,包括:
确定配电网利用有效评价的指标模型,通过所述指标模型体现出供电量、用能效率和电能质量之间的关系:一组固定的分布式能源组合在预先设定的条件下能带来一组确定的能源输出;
将符合指标模型的区域性典型样本定义为决策单元DMU。
一种双碳目标下配电网供需平衡系统,其包括:第一获取模块、指标提取模块、第二获取模块和输出模块;所述第一获取模块,用于获取样本数据,并进行预处理,所述样本数据包括外部数据指标和供电系统内部电力负荷数据;所述指标提取模块,用于确定所述电力负荷数据与各所述外部数据指标之间的关联程度,并提取能够反映各所述外部数据指标影响程度的新指标;所述第二获取模块,用于对所述新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据所述典型时序用电模式得到区域性典型样本;所述输出模块,根据所述区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行上述方法中的任一方法。
一种计算设备,其包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案,其具有以下优点:
本发明在“双碳”目标的驱动下,根据分布式电源及多元化负荷的特性,分别受自然条件(气候、地理位置、环境)、经济社会发展情况、区域定位及节假日等影响。对其接入的配网侧的供需平衡进行研究,采用对数据样本预处理、利用数据挖掘技术找平衡、对出力及负荷特性聚类分析、建立精准化预测模型的方法对配电网供需平衡进行精准预测。采用DEA的3个模型研究了配电网分布式电源及多元化负荷的出力及消纳平衡问题,进一步通过C2R效率排序模型实现了水平比较。
附图说明
图1是本发明一实施例中的配电网供需平衡方法流程示意图;
图2是本发明一实施例中的计算设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
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申请的示例性实施方式。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,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
分布式能源和多元化负荷的给传统配电网的潮流供给带来的影响分别如下:
分布式电源大量接入对配电网的影响:分布式电源的大量接入将对配电网的节点电压、潮流、短/断路电流等均带来影响,如果无规划的直接接入,将会降低配电网的供电可靠性以及降低配电网的经济性。(1)对继电保护的影响:分布式电源直接接入配网系统后,对其原本的继电保护产生以下几个影响:1)降低继电保护装置的灵敏度,甚至引起原有的继电保护装置的拒动。分布式电源产生的故障电流可能会减小流过馈线继电器的电流,使速断保护无法启动,从而导致故障不能及时切除。2)引起继电保护装置的误动作。相邻馈线的故障可能会导致分布式电源所在的线路保护误动作。3)改变配电网的故障水平。不同分布式电源所发生的故障水平不同,大量的分布式电源的接入将导致故障电流产生大幅度的变化。4)非同期合闸下会扩大事故停电范围。若故障跳闸后,分布式电源没有停止运行或从电网中切除,造成的非同期重合闸将会导致继电保护装置误动作,扩大事故停电范围。(2)对配电网规划的影响:传统配电网规划的主要任务是根据规划期间网格中空间负荷预测的结果和现有网络的基本状况确定最优的系统建设方案在满足负荷增长和安全可靠供电的前提下使配电系统的建设和运行费用最小。但分布式电源的接入,使得配电网规划突破了传统的方式,对配电网规划造成了深远的影。主要表现为:1)分布式电源的接入会影响系统的负荷增长模式,使原有的配电系统的负荷预测和规划面临着更大的不确定性。2)配电网本身节点数非常多,系统增加的大量分布式发电机节点,使得在所有可能网络结构中寻找最优网络布置方案更加困难。3)对含多种类型分布式发电混合联网供电系统,根据各类型能源分布特征建立模型,在配电网中确定合理的电源结构,协调有效利用各种类型电源成为待解决的问题。
多元化负荷发展对配电网的影响:(1)网架结构特征变化趋势:新型电力系统的建设,改变了分布式可再生能源不能提供可靠容量的状态,通过源网荷储的弹性互动与智慧调度,改善、提高分布式可再生能源的可信度,实现传统配电网由单侧电源结构向双侧电源结构的转变。(2)运行状态特征变化趋势:鉴于分布式新能源在终端能源结构中的比重日益提高,配电网将由传统的受端系统转变为具备一定电源能力、与大电网相互支撑的分布式电源系统,双向潮流的交互使得配电网在运行状态上发生了根本性的改变。(3)配电设备特征变化趋势:受双侧电源结构与双向潮流形态的变化影响,新型配电网相比传统配电网在设备选型、调控运行等方面都将发生根本性改变。配电设备应全面适应智能化、数字化转型要求。
因此,在“双碳”目标下,对影响分布式电源及多元化负荷的相关因素进行分析,分布式电源的大量接入将对配电网的节点电压、潮流、短/断路电流等均带来影响,多元化负荷与网架结构、运行状态、配电设备的特征变化趋势均有关。在“双碳”目标驱动下,采用对数据样本预处理、利用数据挖掘技术找平衡、对出力及负荷特性聚类分析、建立精准化预测模型的方法对配电网供需平衡进行精准预测。得出分布式电源的出力受到多方因素的影响,包括天气数据、经济社会发展情况、区域定位及节假日等;多元化负荷的消纳也与政策导向、用户需求、偶发状况等有关。采用DEA的3个模型分析配电网分布式电源及多元化负荷的出力及消纳平衡问题,进一步通过C2R效率排序模型实现了水平比较。
在本发明的一个实施例中,如图1所示,提供一种双碳目标下配电网供需平衡方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤1、获取样本数据,并进行预处理,样本数据包括外部数据指标和供电系统内部电力负荷数据;
步骤2、确定电力负荷数据与各外部数据指标之间的关联程度,并提取能够反映各外部数据指标影响程度的新指标;
步骤3、对新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据典型时序用电模式得到区域性典型样本;
步骤4、根据区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。
本发明使用时,“双碳”目标驱动下多元化负荷发展预测应首先根据全省电力电量总体预测结果及各地区碳排指标计算分布式电源装机总体需求。根据各地市自然条件差异及土地利用规划开展针对性的分布式能源预测。在预测过程中应研究各地市资源差异、气候差异及用电特性,分区域进行电力电量平衡。
上述步骤1中,样本数据包括外部数据指标和供电系统内部电力负荷数据两个部分。外部数据指标主要包括天气数据、经济社会发展情况、区域定位及节假日等客观条件。供电系统内部负荷数据主要包括分布式电源能源类型、分布式电源出力情况、用户用电类型、用户负荷增长情况及用户配变负载率等电网运行及电源出力数据。
上述步骤2中,确定电力负荷数据与各外部数据指标之间的关联程度,具体为:采用数据挖掘方法从不同维度,确定电力负荷与外部各数据指标之间的关联程度。
在本实施例中,利用数据挖掘方法,从时间、空间等不同维度,确定电力负荷与各外部数据指标之间的关联程度,如典型日、星期、节假日、气候气温、产业结构、人文经济、能源政策等,对可能影响的各指标(即典型日、星期、节假日、气候气温、产业结构、人文经济、能源政策等)进行相关性分析,并进一步采用主成分分析法,提取能够反映各指标影响程度的新指标。
上述步骤2中,提取能够反映各外部数据指标影响程度的新指标,在本实施例中采用主成分分析法,提取能够反映各外部数据指标影响程度的新指标。
上述步骤3中,对新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,包括:根据网上电网中配变用电类型、配变投运时间、配变负载率、分布式光伏接入容量及储能装置接入这些相关数据,采用K-means聚类方法,识别用户负荷类型集聚区,提取用户典型用电模式方法以及用户集群用电行为模拟方法,建立不同类型、不同地区用户典型时序用电模式。
在本实施例中,采用聚类分析方法,以分布式能源装机情况、用户配变或开发地块为单位进行特性分析。根据“网上电网”中配变用电类型、配变投运时间、配变负载率、分布式光伏接入容量、储能装置接入等相关数据,采用K-means聚类方法,识别用户负荷类型集聚区,研究提取用户典型用电模式方法,以及用户集群用电行为模拟方法,建立不同类型、不同地区用户典型时序用电模式。分析用户在不同投运时间、不同季节的全天负荷情况,形成区域性典型样本。
上述步骤4中,根据区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,具体为:结合当前网格化规划理念,针对不同建设程度的规划区域(如新兴开发区、已建设成熟区),应采用差异化的负荷预测手段;基于深度学习理论,采用人工智能预测方法,如神经网络法等,构建人工智能数学预测模型,对出力、负荷进行准确预测。
由于分布式电源的出力受到多方因素的影响,包括天气数据、经济社会发展情况、区域定位及节假日等;多元化负荷的消纳也与政策导向、用户需求、偶发状况等有关。电网的调度人员必须了解各个区域的出力及消纳规律,综合考虑多方因素,从而更高效的利用消纳清洁能源。因此,建立含分布式电源及多元化负荷的配电网供需侧指标评价模型十分重要。
根据Lockamy、CoxAdams等人对输入产出过程绩效的评价方法和运用的回顾得知,由于输入产出过程是一个多维度多变量过程,其中相关的影响因素很多,绩效考核不限于财务指标,更多的是利用效率、电能质量等指标。对于配电网供需平衡来说,其评价模型也应是一种多指标的评价体系。多指标的评价方法很多,但由于评价对象是过程,其输入和输出之间的权重难以确定,使得大部分评价模型不适用。本实施例采用数据包络分析方法运用于分布式电源和多元化负荷平衡有效性的评价中,以帮助调度人员进行综合考量。
其中,数据包络分析(DEA)方法是一种基于线性规划方法的多个决策单元(DMU)的相对效率评价方法。该方法由Charness和Copper等人于1978年提出后,被广泛运用于绩效评价中。DEA方法通过多变量的输入和输出求出指标的权重,避免了人为确定权重的主观性,使得DEA方法可以纯粹基于观察到的数据进行计算评价。在DEA方法中,通过计算输出与输入之间的有效性系数确定各DMU的相对有效性,从而判断各个DMU是否有效。
DEA方法包括2种基本模型,分别是判断DMU综合有效的C2R模型和用于判断DMU技术有效的C2RS2模型。由于传统DEA方法只能对非有效DMU提供决策信息,存在一定的局限性。Andersen和Petersen在C2R模型的基础上提出了DEA的排序修正模型,解决了有效DMU的绩效排序问题,从而为所有DMU都提供决策信息,使水平比较和持续改进成为可能。DEA方法包括以下3种模型。
(1)C2R模型(综合有效模型)。
设有n个评价对象,每个评价对象被称为一个决策单元(DMUj)。每个DMUj包含输入向量Xj和输出向量Yj,表示为Xj=(x1j,x2j,…,xmj)T和Yj=(y1j,y2j,…,yrj)T,其中,m为输入指标数目,r为输出指标数目。
由此可得到基于输入的非阿基米德无穷小的C2R模型:
式中,ε为非阿基米德无穷小,θ为综合效率,为线性规划模型中输入模型的松弛变量,为线性规划模型中输出模型的松弛变量,和分别为的第i种区域性典型样本输入数据和第t种输出指标数据,j0表示非效率的决策单元,xij为决策单元DMU的区域性典型样本输入数据,ytj为决策单元DMU的输出指标数据,n为评价对象的个数,为决策单元,λj为使θ最小的权重,需要通过线性规划来求得(需要找到一组λj,使得θ最小)。用该模型可对的综合有效性(即技术有效性和规模有效性)进行分析和评价。使用线性规划的方法可得其最优解θ*,从而获得各个DMU单元的相对有效性。
(2)C2RS2模型(技术有效模型)。
C2RS2模型一般只用来评价技术有效性,如果某决策单元用C2R模型评价为无效,用C2RS2评价为有效,则该单元为技术有效,规模无效。
(3)C2R排序模型(综合有效排序模型)
上述的C2R和C2RS2模型都只能对DMU的有效与否进行判断,而无法判断当2个单元都有效时哪个更有效。为解决这个问题,采用下面的修正模型对决策单元的综合有效性进行排序:
当对进行有效性评价时,不作为参照集的成员,这样不包含j0的DMU集合将形成新的有效前沿面。模型(3)的最优值θ度量了到新的有效前沿面的距离,距离越远则绩效越好。与交叉排序方法相比,这种方法更为简单实用。
在本实施例中,根据区域性典型样本,建立出力、负荷精准化预测模型,采用数据包络分析方法实现,将C2R模型作为预测模型。
上述实施例中,若干决策单元DMU的设定,方法为:
确定配电网利用有效评价的指标模型,通过指标模型体现出供电量、用能效率和电能质量之间的关系:一组固定的分布式能源组合在预先设定的条件下能带来一组确定的能源输出;
将符合指标模型的区域性典型样本定义为决策单元DMU。
其中,指标模型为:
(y1,y2,…,yn)=(x1,x2,…,xm)
式中,yn为输出,xm为输入。由于对于配电网实际供电用能来说,如何衡量利用效率是一个需要解决的重要问题。配电网的绩效评价主要涉及用电可靠性、灵活性等多种因素。在“双碳”背景下,清洁能源的利用率也是一个十分重要的指标。供电量、用能效率和电能质量之间的关系,可以用指标模型来表示。
也就是说,一组固定的分布式能源组合在一定的条件下会带来一组确定的能源输出。因此,当存在若干符合上述指标模型的区域性典型样本时,就可定义为若干个DMU。
对于能源的利用效率评价,一些专家提出了许多指标。Flapper提出了财务和非财务性指标、全局和局部指标、内部和外部指标等多方面进行评价。Neely和White分别总结了质量、时间、成本和柔性等4类指标。基于输入—利用率—电能质量理论,对于调度人员而言,降低传统火电能源的输入,利用现有的清洁能源满足更多的用能需求是配电网管理者的最终目的。根据指标的分类,并结合实际用能需求,在本实施例中提出,对于单种清洁能源而言,出力和消纳指标可分为3个方面,即分布式电源出力、利用率和电能质量。利用率和电能质量被定为输出指标。与利用率和电能质量关系密切的出力指标被定为输入指标。通过对影响产品的利用率和电能质量的外界因素(天气数据、经济社会发展情况、区域定位及节假日等)中与出力有关的要素分析,确定外界因素的投入情况作为输入指标考虑。
根据本实施例中采用的C2R模型确定x1、x2、x3、x4分别代表天气数据、经济社会发展情况、区域定位及节假日4项指标,y1、y2分别代表利用率和电能质量2项指标。
综上,在“双碳”目标的驱动下,本发明分别剖析了分布式电源及多元化负荷的特性,他们分别受自然条件(气候、地理位置、环境)、经济社会发展情况、区域定位及节假日等影响。对其接入的配网侧的供需平衡进行研究,采用对数据样本预处理、利用数据挖掘技术找平衡、对出力及负荷特性聚类分析、建立精准化预测模型的方法对配电网供需平衡进行研究。采用DEA的3个模型研究了配电网分布式电源及多元化负荷的出力及消纳平衡问题,进一步通过C2R效率排序模型实现了水平比较。
在本发明的一个实施例中,提供一种双碳目标下配电网供需平衡系统,其包括第一获取模块、指标提取模块、第二获取模块和输出模块;
第一获取模块,用于获取样本数据,并进行预处理,样本数据包括外部数据指标和供电系统内部电力负荷数据;
指标提取模块,用于确定电力负荷数据与各外部数据指标之间的关联程度,并提取能够反映各外部数据指标影响程度的新指标;
第二获取模块,用于对新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据典型时序用电模式得到区域性典型样本;
输出模块,根据区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。
本实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
如图2所示,为本发明一实施例中提供的计算设备结构示意图,该计算设备可以是终端,其可以包括:处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中,处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序,该计算机程序被处理器执行时以实现一种平衡方法;该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏,该输入装置可以是显示屏上覆盖的触摸层,也可以是计算设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令,以执行如下方法:
获取样本数据,并进行预处理,样本数据包括外部数据指标和供电系统内部电力负荷数据;确定电力负荷数据与各外部数据指标之间的关联程度,并提取能够反映各外部数据指标影响程度的新指标;对新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据典型时序用电模式得到区域性典型样本;根据区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以理解,图2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设备的限定,具体的计算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。
在本发明的一个实施例中,提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取样本数据,并进行预处理,样本数据包括外部数据指标和供电系统内部电力负荷数据;确定电力负荷数据与各外部数据指标之间的关联程度,并提取能够反映各外部数据指标影响程度的新指标;对新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据典型时序用电模式得到区域性典型样本;根据区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。
在本发明的一个实施例中,提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:获取样本数据,并进行预处理,样本数据包括外部数据指标和供电系统内部电力负荷数据;确定电力负荷数据与各外部数据指标之间的关联程度,并提取能够反映各外部数据指标影响程度的新指标;对新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据典型时序用电模式得到区域性典型样本;根据区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种双碳目标下配电网供需平衡方法,其特征在于,包括:
获取样本数据,并进行预处理,所述样本数据包括外部数据指标和供电系统内部电力负荷数据;
确定所述电力负荷数据与各所述外部数据指标之间的关联程度,并提取能够反映各所述外部数据指标影响程度的新指标;
对所述新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据所述典型时序用电模式得到区域性典型样本;
根据所述区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。
2.如权利要求1所述配电网供需平衡方法,其特征在于,所述确定所述电力负荷数据与各所述外部数据指标之间的关联程度,包括:采用数据挖掘方法从不同维度,确定电力负荷与外部各数据指标之间的关联程度。
3.如权利要求1所述配电网供需平衡方法,其特征在于,所述提取能够反映各所述外部数据指标影响程度的新指标,包括:采用主成分分析法,提取能够反映各所述外部数据指标影响程度的新指标。
4.如权利要求1所述配电网供需平衡方法,其特征在于,所述对所述新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,包括:根据网上电网中配变用电类型、配变投运时间、配变负载率、分布式光伏接入容量及储能装置接入这些相关数据,采用K-means聚类方法,识别用户负荷类型集聚区,提取用户典型用电模式方法以及用户集群用电行为模拟方法,建立不同类型、不同地区用户典型时序用电模式。
7.如权利要求6所述配电网供需平衡方法,其特征在于,若干所述决策单元DMU的设定,包括:
确定配电网利用有效评价的指标模型,通过所述指标模型体现出供电量、用能效率和电能质量之间的关系:一组固定的分布式能源组合在预先设定的条件下能带来一组确定的能源输出;
将符合指标模型的区域性典型样本定义为决策单元DMU。
8.一种双碳目标下配电网供需平衡系统,其特征在于,包括:第一获取模块、指标提取模块、第二获取模块和输出模块;
所述第一获取模块,用于获取样本数据,并进行预处理,所述样本数据包括外部数据指标和供电系统内部电力负荷数据;
所述指标提取模块,用于确定所述电力负荷数据与各所述外部数据指标之间的关联程度,并提取能够反映各所述外部数据指标影响程度的新指标;
所述第二获取模块,用于对所述新指标进行出力、符合特性聚类分析,建立不同类型、不同地区用户典型时序用电模式,根据所述典型时序用电模式得到区域性典型样本;
所述输出模块,根据所述区域性典型样本,建立出力、负荷精准化预测模型,输出电力电量平衡结果,实现双碳目标下配电网供需平衡。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备,其特征在于,包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180603.0A CN113887809A (zh) | 2021-10-11 | 2021-10-11 | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111180603.0A CN113887809A (zh) | 2021-10-11 | 2021-10-11 | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887809A true CN113887809A (zh) | 2022-01-04 |
Family
ID=79005953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111180603.0A Pending CN113887809A (zh) | 2021-10-11 | 2021-10-11 | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887809A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629455A (zh) * | 2023-07-19 | 2023-08-22 | 山西阳风新能售电有限公司 | 一种基于电力供电的智能定向预测方法 |
CN116797049A (zh) * | 2023-08-21 | 2023-09-22 | 国网安徽省电力有限公司合肥供电公司 | 配电网差异化节能潜力量化评估方法 |
-
2021
- 2021-10-11 CN CN202111180603.0A patent/CN113887809A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629455A (zh) * | 2023-07-19 | 2023-08-22 | 山西阳风新能售电有限公司 | 一种基于电力供电的智能定向预测方法 |
CN116629455B (zh) * | 2023-07-19 | 2023-10-31 | 山西阳风新能售电有限公司 | 一种基于电力供电的智能定向预测方法 |
CN116797049A (zh) * | 2023-08-21 | 2023-09-22 | 国网安徽省电力有限公司合肥供电公司 | 配电网差异化节能潜力量化评估方法 |
CN116797049B (zh) * | 2023-08-21 | 2023-11-03 | 国网安徽省电力有限公司合肥供电公司 | 配电网差异化节能潜力量化评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | A hybrid load forecasting model based on support vector machine with intelligent methods for feature selection and parameter optimization | |
Scarabaggio et al. | Distributed demand side management with stochastic wind power forecasting | |
Wang et al. | Clustered hybrid wind power prediction model based on ARMA, PSO-SVM, and clustering methods | |
Lebotsa et al. | Short term electricity demand forecasting using partially linear additive quantile regression with an application to the unit commitment problem | |
Wang et al. | Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
Fu et al. | Planning of distributed renewable energy systems under uncertainty based on statistical machine learning | |
Zhou et al. | Optimizing carbon emission forecast for modelling China's 2030 provincial carbon emission quota allocation | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Nazir et al. | Forecasting energy consumption demand of customers in smart grid using Temporal Fusion Transformer (TFT) | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
Keynia et al. | A new financial loss/gain wind power forecasting method based on deep machine learning algorithm by using energy storage system | |
Zhang et al. | Energy economy and energy structure optimization countermeasures based on big data mining | |
Liu et al. | Social implications of cyber-physical systems in electrical load forecasting | |
Chang et al. | The use of the peak-clipping method for energy management in households with energy storage equipment | |
Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
Pang et al. | A bi-objective low-carbon economic scheduling method for cogeneration system considering carbon capture and demand response | |
Zou et al. | Predicting the electric power consumption of office buildings based on dynamic and static hybrid data analysis |
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 |