CN114662761A - 一种基于负荷预测的可参与需求响应负荷辨识方法及系统 - Google Patents
一种基于负荷预测的可参与需求响应负荷辨识方法及系统 Download PDFInfo
- Publication number
- CN114662761A CN114662761A CN202210295886.1A CN202210295886A CN114662761A CN 114662761 A CN114662761 A CN 114662761A CN 202210295886 A CN202210295886 A CN 202210295886A CN 114662761 A CN114662761 A CN 114662761A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- demand response
- model
- module
- 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
- 230000004044 response Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 230000005611 electricity Effects 0.000 claims abstract description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims 1
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 239000011737 fluorine Substances 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于负荷预测的可参与需求响应负荷辨识方法,采集居民历史用电数据,进行数据预处理;接着基于深度学习算法对居民用电数据进行预测;然后根据负荷历史数据,对关键因素基于机器学习算法建立典型居民负荷用电模型;基于优化的算法,对预测负荷与需求响应后的负荷差进行负荷分解,对居民用户参与需求响应的负荷的数量与种类进行辨识。本发明提供的基于负荷预测的非侵入式的居民用户参与需求响应负荷辨识方法,可在居民用户负荷种类多、用电行为不确定前提下,充分利用建立的负荷模型,对需求响应负荷进行分解从而对参与需求响应用户进行潜力评估与利益分配,对需求响应的实施具有促进作用,具有重要学术意义和工程实用价值。
Description
技术领域
本发明涉及电力需求响应领域,尤其涉及一种基于负荷预测的可参与需求响应负荷辨识方法及系统。
背景技术
新形势下电力系统形态正在发生深度变革,电力平衡由早期以省网为主体的模式逐渐转变为跨区域全网平衡模式。送受端、交直流、高低压电网高度耦合,连锁故障形态更加复杂,影响范围广、冲击大。电网运行面临特性认知难度大、调节控制复杂、故障防御困难等问题。跨区直流规模快速增长,在直流故障巨大冲击下,交流系统功角、电压、频率稳定问题,潮流堵塞问题以及故障后连锁反应等问题日益突出,电网存在重大安全风险,迫切需要在源网荷协调运行机制、需求侧响应等方面展开研究。
近几年,需求响应、能效管理等技术的发展,以及柔性负荷、电动汽车、分布式发电、储能等的应用,使用户侧负荷改变了固有特性,具有一定的调节能力。尤其是需求响应的实施,可充分挖掘用户侧负荷响应潜力,使得商业以及居民生活负荷中的空调、负荷侧的储能、电动汽车等多元微负荷实时响应电网需求,成为提高电力系统运行经济性和稳定性的重要手段,也可经济有效地应对小概率高风险的城市核心区设备重载问题。因此,研究量化用户需求响应的负荷辨识技术具有重要的意义。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种基于负荷预测的可参与需求响应负荷辨识方法及系统。
本发明采用如下的技术方案:
一种基于负荷预测的可参与需求响应负荷辨识方法,包括以下步骤:
步骤1,采集居民历史用电数据,进行数据预处理;
步骤2,构建用于预测居民用电数据的深度学习网络模型;
步骤3,基于聚类算法建立典型居民负荷用电模型,使用步骤1的数据聚类出的功率数值作为该负荷的模型;将所有负荷的模型构成负荷模型库;
步骤4,使用步骤2的深度学习网络模型对居民用电数据进行预测,将需求响应施行当日的居民负荷预测值与需求响应当日实际负荷值进行作差得到参与需求响应负荷总量,并基于步骤3建立的负荷模型库对预测出的参与需求响应负荷总量进行分解,得到最终辨识结果。
在步骤1中,采集居民用户智能电表电流数据,包括5分钟一个点的电流、功率、电压数值;
采集频率为5分钟一次,每个点对应半小时内的6维数据;
在步骤1中,进行数据预处理包括对数据缺失值进行填补,对异常值进行剔除;
缺失值填补方法为:
m(td+7,i)为数据在第d+7天第i时刻的缺失值,m(td,i)为数据在第d天第i时刻的缺失值,NaN指空或缺失值。如果td,i时刻前后一周同一时刻的数据不为NaN,那么缺失值为前一周与后一周同一时刻数值的平均值,若前后一周同一时刻数值至少有一项为NaN,那么该缺失值填补为0。
异常值删除方法为:
对数据进行聚类,剔除各类中距离聚类中心大于10%的数据。
在步骤2中,使用长短记忆神经网络模型对居民用电数据进行预测,以60天为单位,前50天数据用于训练,后10天数据用于测试,输入维度为(50,48,6),其中50是输入数据条目数,48是数据长度,6为数据维度。
在步骤3中,所用聚类算法包括以下步骤:
步骤3.1,从采集的用电数据中随机选取一个点C1作为初始聚类中心;
步骤3.2,计算所有点到C1聚类中心的距离;
步骤3.3,从未被指定类的数据中以一定概率选取聚类中心cj;
步骤3.4,计算每个点到所有聚类中心的距离;
步骤3.5,将每个点分到距离最近的聚类中心所在的类中;
步骤3.6,重复步骤3.3至步骤3.5直到指定数目的聚类中心被选好。
在步骤3.2中,距离计算公式为:
在步骤3.3中,该聚类中心选取的概率为:
D(xm)为点xm与所有聚类中心的最小距离,N代表点的个数,D(xn)为任意一点xn与所有聚类中心的最小距离。
在步骤4中,负荷分解运用了优化算法,具体满足以下关系式:
0≤m≤M
其中,为需求响应当日预测负荷功率,PDR(t)为需求响应当日实际负荷功率,ΔPDR(t)为预测负荷功率与需求响应当日实际负荷量的差值,Pi(t)为负荷模型库中第i类负荷的功率量,m为选取的m类负荷,M为负荷模型库中的总类数,t1与t2为负荷分解求解的开始与结束时间,P(t)为优化模型中的变量,其为待求解的m类负荷Pi(t)的和。
本发明还公开了基于一种基于负荷预测的可参与需求响应负荷辨识方法的基于负荷预测的可参与需求响应负荷辨识系统,具体包括数据采集模块、数据预处理模块、深度学习网络模型构建模块、负荷模型库构建模块以及负荷分解模块;
数据采集模块采集居民用户智能电表电流数据并将所采集的数据输入至数据预处理模块;
数据预处理模块对接受的数据进行缺失值填补以及异常值的删除,并将处理过的数据输入至负荷模型库构建模块以及负荷分解模块;
深度学习网络模型构建模块构建可以用以预测居民用电负荷的深度学习网络模型,并将构建好的模型输入至负荷分解模块;
负荷模型库构建模块基于聚类算法建立典型居民负荷用电模型,使用数据预处理模块输出的数据聚类出的功率数值作为该负荷的模型并将所有负荷的模型构成负荷模型库;
负荷分解模块使用深度学习网络模型对居民用电数据进行预测,并基于负荷模型库对预测出的负荷进行分解,得到最终辨识结果。
负荷分解模块包括深度学习预测单元、负荷分解最小值求解单元以及负荷分解条件设置单元;
深度学习预测单元对居民用电数据进行预测得到预测负荷功率;
负荷分解最小值求解单元通过计算负荷分解求解的开始与结束时间期间预测负荷功率与需求响应当日实际负荷量的差值与优化模型中的变量的差值平方的最小值;其中,优化模型中的变量,为待求解的m类负荷的和;
负荷分解条件设置单元将负荷类别的个数设置为0到负荷模型库中的总类数之间。
本发明的有益效果在于,与现有技术相比,本发明可在居民用户负荷种类多、用电行为不确定前提下,充分利用建立的负荷模型,对需求响应负荷进行分解从而对参与需求响应用户进行潜力评估与利益分配,对需求响应的实施具有促进作用,具有重要学术意义和工程实用价值;基于非侵入式的方法,在能够不侵犯居民用户的隐私的前提下量化负荷需求响应潜力。
附图说明
图1为本发明一种基于负荷预测的可参与需求响应负荷辨识方法的流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1,一种基于负荷预测的非侵入式负荷辨识方法,包括以下步骤:
步骤1,采集居民历史用电数据,进行数据预处理;
在本实施例中,采集居民用户智能电表电流数据,包括5分钟一个点的电流、功率、电压数值;
采集频率为5分钟一次,每个点对应半小时内的6维数据;
本领域的技术人员可以根据实际情况对数据进行预处理,本发明提供的预处理方法仅为一优选实施例,不能成为对本发明的必然限制。
在本实施例中,进行数据预处理包括对数据缺失值进行填补,对异常值进行剔除;
使用的缺失值填补原则为:
m(td+7,i)为数据在第d+7天第i时刻的缺失值,m(td,i)为数据在第d天第i时刻的缺失值,NaN指空或缺失值。如果td,i时刻前后一周同一时刻的数据不为NaN,那么缺失值为前一周与后一周同一时刻数值的平均值,若前后一周同一时刻数值至少有一项为NaN,那么该缺失值填补为0。
本发明异常值删除原则如下:
对异常值进行删除,对数据进行聚类,剔除各类中距离聚类中心大于10%的数据。
步骤2,构建用于预测居民用电数据的深度学习网络模型;
本领域的技术人员可以根据实际情况构建深度学习网络模型,本发明提供的深度学习网络模型仅为一优选实施例,不能成为对本发明的必然限制。
在本实施例中,使用长短记忆神经网络(LSTM)模型对居民用电数据进行预测,以60天为单位,前50天数据用于训练,后10天数据用于测试,输入维度为(50,48,6),其中50是输入数据条目数,48是数据长度,6为数据维度。因为需求响应以30分钟为一个周期,所以负荷预测时也以30分钟为周期预测负荷,那么一天就有48个点,每个点的数据维度为6。应用于数据集进行训练,得到用于预测居民用电负荷的深度学习网络模型。
步骤3,基于聚类算法建立典型居民负荷用电模型,使用步骤1的数据聚类出的功率数值作为该负荷的模型;将所有负荷的模型构成负荷模型库;
本领域的技术人员可以根据实际情况选择聚类算法模型,本发明提供的聚类算法模型仅为一优选实施例,不能成为对本发明的必然限制。
在本实施例中,本发明改进的聚类算法具体方法如下:
步骤3.1,从采集的用电数据中随机选取一个点C1作为初始聚类中心;
步骤3.2,计算所有点到该聚类中心的距离,距离计算公式为:
步骤3.3,从未被指定类的数据中以一定概率选取聚类中心cj;
该聚类中心选取的概率为:
D(xm)为点xm与所有聚类中心的最小距离,N代表点的个数,D(xn)为任意一点xn与所有聚类中心的最小距离;
步骤3.4,计算每个点到所有聚类中心的距离;
步骤3.5,将每个点分到距离最近的聚类中心所在的类中;
步骤3.6,重复步骤3.3至步骤3.5直到指定数目的聚类中心被选好。
本领域的技术人员可以根据实际情况选择聚类中心的指定数目;
步骤4,使用步骤2的深度学习网络模型对居民用电数据进行预测,将需求响应施行当日的居民负荷预测值与需求响应当日实际负荷值进行作差得到参与需求响应负荷总量,并基于步骤3建立的负荷模型库对预测出的参与需求响应负荷总量进行分解,得到最终辨识结果;
本领域的技术人员可以根据实际情况选择对负荷进行分解的方法,本发明提供的负荷分解方法仅为一优选实施例,不能成为对本发明的必然限制。
对居民用电数据进行预测得到预测负荷功率,通过计算负荷分解求解的开始与结束时间期间预测负荷功率与需求响应当日实际负荷量的差值与优化模型中的变量的差值平方的最小值;其中,优化模型中的变量,为待求解的m类负荷的和;
将负荷类别的个数m的个数,设置为0到负荷模型库中的总类数之间。
在本实施例中,负荷分解的具体算法为,具体为:
0≤m≤M
其中,为需求响应当日预测负荷功率,PDR(t)为需求响应当日实际负荷功率,ΔPDR(t)为预测负荷功率与需求响应当日实际负荷量的差值,Pi(t)为负荷模型库中第i类负荷的功率量,m为选取的m类负荷,M为负荷模型库中的总类数,t1与t2为负荷分解求解的开始与结束时间,P(t)为优化模型中的变量,其为待求解的m类负荷Pi(t)的和,本步骤优化目标就是将预测负荷功率与需求响应当日实际负荷量的差值与负荷库的负荷进行匹配,辨识出参与需求响应的负荷种类与其量的大小。
本发明还公开了一种基于负荷预测的非侵入式负荷辨识方法的非侵入式负荷辨识系统,具体包括数据采集模块、数据预处理模块、深度学习网络模型构建模块、负荷模型库构建模块以及负荷分解模块;
具体地,数据采集模块采集居民用户智能电表电流数据并将所采集的数据输入至数据预处理模块;
数据预处理模块对接受的数据进行缺失值填补以及异常值的删除,并将处理过的数据输入至负荷模型库构建模块以及负荷分解模块;
深度学习网络模型构建模块构建可以用以预测居民用电负荷的深度学习网络模型,并将构建好的模型输入至负荷分解模块;
负荷模型库构建模块基于聚类算法建立典型居民负荷用电模型,使用数据预处理模块输出的数据聚类出的功率数值作为该负荷的模型并将所有负荷的模型构成负荷模型库;
负荷分解模块使用深度学习网络模型对居民用电数据进行预测,并基于负荷模型库对预测出的负荷进行分解,得到最终辨识结果;
负荷分解模块包括深度学习预测单元、负荷分解最小值求解单元以及负荷分解条件设置单元;
深度学习预测单元对居民用电数据进行预测得到预测负荷功率;
负荷分解最小值求解单元通过计算负荷分解求解的开始与结束时间期间预测负荷功率与需求响应当日实际负荷量的差值与优化模型中的变量的差值平方的最小值;其中,优化模型中的变量,为待求解的m类负荷的和;
负荷分解条件设置单元将负荷类别的个数m设置为0到负荷模型库中的总类数之间。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种基于负荷预测的可参与需求响应负荷辨识方法,其特征在于,所述方法包括以下步骤:
步骤1,采集居民历史用电数据,进行数据预处理;
步骤2,构建用于预测居民用电数据的深度学习网络模型;
步骤3,基于聚类算法建立典型居民负荷用电模型,使用步骤1的数据聚类出的功率数值作为该负荷的模型;将所有负荷的模型构成负荷模型库;
步骤4,使用步骤2的深度学习网络模型对居民用电数据进行预测,将需求响应施行当日的居民负荷预测值与需求响应当日实际负荷值进行作差得到参与需求响应负荷总量,并基于步骤3建立的负荷模型库对预测出的参与需求响应负荷总量进行分解,得到最终辨识结果。
2.根据权利要求1所述的一种基于负荷预测的可参与需求响应负荷辨识方法,其特征在于,
在所述步骤1中,采集居民用户智能电表电流数据,包括5分钟一个点的电流、功率、电压数值;
采集频率为5分钟一次,每个点对应半小时内的6维数据。
4.根据权利要求1所述的一种基于负荷预测的可参与需求响应负荷辨识方法,其特征在于,
在所述步骤2中,使用长短记忆神经网络模型对居民用电数据进行预测,以60天为单位,前50天数据用于训练,后10天数据用于测试,输入维度为(50,48,6),其中50是输入数据条目数,48是数据长度,6为数据维度。
5.根据权利要求1所述的一种基于负荷预测的可参与需求响应负荷辨识方法,其特征在于,
在所述步骤3中,所用聚类算法包括以下步骤:
步骤3.1,从采集的用电数据中随机选取一个点C1作为初始聚类中心;
步骤3.2,计算所有点到C1聚类中心的距离;
步骤3.3,从未被指定类的数据中以一定概率选取聚类中心cj;
步骤3.4,计算每个点到所有聚类中心的距离;
步骤3.5,将每个点分到距离最近的聚类中心所在的类中;
步骤3.6,重复步骤3.3至步骤3.5直到指定数目的聚类中心被选好。
9.根据权利要求1-8任意一项所述的一种基于负荷预测的可参与需求响应负荷辨识方法的基于负荷预测的可参与需求响应负荷辨识系统,系统包括数据采集模块、数据预处理模块、深度学习网络模型构建模块、负荷模型库构建模块以及负荷分解模块;其特征在于,
所述数据采集模块采集居民用户智能电表电流数据并将所采集的数据输入至数据预处理模块;
所述数据预处理模块对接受的数据进行缺失值填补以及异常值的删除,并将处理过的数据输入至负荷模型库构建模块以及负荷分解模块;
所述深度学习网络模型构建模块构建可以用以预测居民用电负荷的深度学习网络模型,并将构建好的模型输入至负荷分解模块;
所述负荷模型库构建模块基于聚类算法建立典型居民负荷用电模型,使用数据预处理模块输出的数据聚类出的功率数值作为该负荷的模型并将所有负荷的模型构成负荷模型库;
所述负荷分解模块使用深度学习网络模型对居民用电数据进行预测,并基于负荷模型库对预测出的负荷进行分解,得到最终辨识结果。
10.根据权利要求9所述的一种基于负荷预测的可参与需求响应负荷辨识系统,其特征在于,
所述负荷分解模块包括深度学习预测单元、负荷分解最小值求解单元以及负荷分解条件设置单元;
深度学习预测单元对居民用电数据进行预测得到预测负荷功率;
负荷分解最小值求解单元通过计算负荷分解求解的开始与结束时间期间预测负荷功率与需求响应当日实际负荷量的差值与优化模型中的变量的差值平方的最小值;其中,优化模型中的变量,为待求解的m类负荷的和;
负荷分解条件设置单元将负荷类别的个数设置为0到负荷模型库中的总类数之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295886.1A CN114662761A (zh) | 2022-03-24 | 2022-03-24 | 一种基于负荷预测的可参与需求响应负荷辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295886.1A CN114662761A (zh) | 2022-03-24 | 2022-03-24 | 一种基于负荷预测的可参与需求响应负荷辨识方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114662761A true CN114662761A (zh) | 2022-06-24 |
Family
ID=82030610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210295886.1A Pending CN114662761A (zh) | 2022-03-24 | 2022-03-24 | 一种基于负荷预测的可参与需求响应负荷辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662761A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015231328A (ja) * | 2014-06-09 | 2015-12-21 | Jx日鉱日石エネルギー株式会社 | 予測装置、予測方法及び予測プログラム |
CN105260798A (zh) * | 2015-10-21 | 2016-01-20 | 中国电力科学研究院 | 一种多维负荷特性分析的大数据挖掘器 |
CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和系统 |
CN111915116A (zh) * | 2019-05-10 | 2020-11-10 | 国网能源研究院有限公司 | 一种基于K-means聚类的电力居民用户分类方法 |
US20210056647A1 (en) * | 2019-08-23 | 2021-02-25 | North China Electric Power University | Method for multi-dimensional identification of flexible load demand response effect |
CN112465403A (zh) * | 2020-12-17 | 2021-03-09 | 国网能源研究院有限公司 | 一种区域电力需求侧响应潜力评估方法 |
CN113469506A (zh) * | 2021-06-10 | 2021-10-01 | 国网河北省电力有限公司营销服务中心 | 用户基线负荷估计方法、终端及计算机可读存储介质 |
CN113705957A (zh) * | 2021-07-09 | 2021-11-26 | 国网河北省电力有限公司营销服务中心 | 一种用户集群基线负荷估计方法、装置和终端设备 |
-
2022
- 2022-03-24 CN CN202210295886.1A patent/CN114662761A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015231328A (ja) * | 2014-06-09 | 2015-12-21 | Jx日鉱日石エネルギー株式会社 | 予測装置、予測方法及び予測プログラム |
CN105260798A (zh) * | 2015-10-21 | 2016-01-20 | 中国电力科学研究院 | 一种多维负荷特性分析的大数据挖掘器 |
CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和系统 |
CN111915116A (zh) * | 2019-05-10 | 2020-11-10 | 国网能源研究院有限公司 | 一种基于K-means聚类的电力居民用户分类方法 |
US20210056647A1 (en) * | 2019-08-23 | 2021-02-25 | North China Electric Power University | Method for multi-dimensional identification of flexible load demand response effect |
CN112465403A (zh) * | 2020-12-17 | 2021-03-09 | 国网能源研究院有限公司 | 一种区域电力需求侧响应潜力评估方法 |
CN113469506A (zh) * | 2021-06-10 | 2021-10-01 | 国网河北省电力有限公司营销服务中心 | 用户基线负荷估计方法、终端及计算机可读存储介质 |
CN113705957A (zh) * | 2021-07-09 | 2021-11-26 | 国网河北省电力有限公司营销服务中心 | 一种用户集群基线负荷估计方法、装置和终端设备 |
Non-Patent Citations (3)
Title |
---|
SHUNFU LIN: "Clustering Load Profiles for Demand Response Applications", : IEEE TRANSACTIONS ON SMART GRID * |
傅靖: "基于并行K-Means聚类的配电网台区用户行为分析模型研究及应用", 电网与清洁能源, vol. 34, no. 11 * |
孙智卿;王守相;周凯;刘天宇;: "基于负荷分解的用户侧自动需求响应系统", 电力系统及其自动化学报, no. 12 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Majidpour et al. | Fast prediction for sparse time series: Demand forecast of EV charging stations for cell phone applications | |
Lin et al. | Multi-area economic dispatch using an improved stochastic fractal search algorithm | |
Chen | Two-level hierarchical approach to unit commitment using expert system and elite PSO | |
CN109583655B (zh) | 一种发输电多阶段联合扩展规划方法及系统 | |
CN111815035A (zh) | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 | |
CN105956788A (zh) | 一种输变电工程造价的动态管理控制方法 | |
CN107968430A (zh) | 考虑风-储联合系统概率模型的储输协同随机规划方法 | |
CN111626492B (zh) | 一种电动汽车充电网络模糊多目标机会约束规划方法 | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
Du et al. | Impact of wind power scenario reduction techniques on stochastic unit commitment | |
Hu et al. | Probabilistic electric vehicle charging demand forecast based on deep learning and machine theory of mind | |
Aldridge et al. | Knowledge-based genetic algorithm for unit commitment | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
Dahal et al. | GA/SA-based hybrid techniques for the scheduling of generator maintenance in power systems | |
Wang et al. | Transmission network dynamic planning based on a double deep-Q network with deep ResNet | |
Khwaja et al. | Short-term individual electric vehicle charging behavior prediction using long short-term memory networks | |
Li et al. | Optimal storage sizing of energy storage for peak shaving in presence of uncertainties in distributed energy management systems | |
Yang et al. | A Novel Binary Jaya Optimization for Economic/Emission Unit Commitment. | |
Saric et al. | Optimal DG allocation for power loss reduction considering load and generation uncertainties | |
Shang et al. | Distributed V2G dispatching via LSTM network within cloud-edge collaboration framework | |
Samaan | Reliability assessment of electric power systems using genetic algorithms | |
CN114662761A (zh) | 一种基于负荷预测的可参与需求响应负荷辨识方法及系统 | |
CN116780509A (zh) | 一种离散概率和cgan融合的电网随机场景生成方法 | |
Liu et al. | A multi-stage restoration strategy to enhance distribution system resilience with improved conditional generative adversarial nets |
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 |