CN114662922A - 考虑光伏不确定性的居民需求响应潜力评估方法及系统 - Google Patents

考虑光伏不确定性的居民需求响应潜力评估方法及系统 Download PDF

Info

Publication number
CN114662922A
CN114662922A CN202210295871.5A CN202210295871A CN114662922A CN 114662922 A CN114662922 A CN 114662922A CN 202210295871 A CN202210295871 A CN 202210295871A CN 114662922 A CN114662922 A CN 114662922A
Authority
CN
China
Prior art keywords
day
data
residents
power generation
photovoltaic power
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
CN202210295871.5A
Other languages
English (en)
Other versions
CN114662922B (zh
Inventor
林林
胡新雨
严锋
王嘉楠
徐晓轶
胡楠
李勇生
吴晓楠
罗勇
周进飞
金震
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.)
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Original Assignee
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
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 Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co filed Critical Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Priority to CN202210295871.5A priority Critical patent/CN114662922B/zh
Publication of CN114662922A publication Critical patent/CN114662922A/zh
Application granted granted Critical
Publication of CN114662922B publication Critical patent/CN114662922B/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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

考虑光伏不确定性的居民需求响应潜力评估方法及系统，将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集；对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；针对雨天净负荷数据集进行聚类，划分具有相似用电特性的居民；对聚类出的每类居民分别构建阴天光伏发电数据模型；对聚类出的每类居民分别计算其晴天光伏发电数据模型；基于深度学习对聚类出的每类居民构建负荷预测模型；基于光伏发电模型与负荷预测模型对参与需求响应居民进行需求响应潜力评估。本发明针对光伏发电不确定性场景下评估居民需求响应潜力难度大误差大的问题，能提高需求响应潜力评估的准确程度。

Description

考虑光伏不确定性的居民需求响应潜力评估方法及系统
技术领域
本发明涉及电力居民需求响应评估领域，尤其涉及考虑光伏不确定性的居民需求响应潜力评估方法及系统。
背景技术
传统调度模式是以发电侧资源作为调控对象，随着电网新技术的应用和新型控制技术的发展，使得需求响应资源成为理想的、优质的和较为经济的可调度资源，电源-电网-居民三者的有效互动将改变固有的电网调度模式。在欧美等发达国家的电力系统中，需求响应可以通过参与电能市场和辅助服务市场的方式参与电网互动运行，例如PJM、新英格兰、加州等电力市场中均具有较为成熟的需求响应技术体系及市场机制。近年来，国内也高度重视需求响应技术的发展，并且已经开展了部分试点项目和示范工程，目前，我国的需求响应试点城市已包括北京/苏州/唐山/佛山和上海市五家。
对于调度部门来说，知晓居民的需求响应潜力具有重要的意义，可用于日后协调需求响应资源来源分配与发布与发布需求响应指令。凭借着多种智能家电、空调、电动汽车、光伏储能设备的技术发展，居民作为需求响应的一大重要储备，研究居民的需求响应潜力具有一定的意义。然而，由于居民所使用的光伏设备通常不连接单独的计量装置，而是居民在进户处装有总的智能电表测量光伏与其他所有家用负荷，因此无法将光伏发电与其余负荷分离开。另外考虑到光伏发电的不确定性与居民用电的不确定性，对居民进行需求响应评估具有一定的难度。
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，提供一种考虑光伏不确定性的居民需求响应潜力评估方法及系统。
本发明采用如下的技术方案：
考虑光伏不确定性的居民需求响应潜力评估方法，包括以下步骤：
步骤1，采集居民用电总负荷数据以及对应时间段内的历史天气数据，并将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集；
步骤2，根据历史天气数据，对工作日用电数据集和非工作日用电数据集进行划分，得到雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；
步骤3，针对雨天净负荷数据集进行聚类，得到居民分类结果；
步骤4，对聚类得到的每类居民，利用雨天净负荷数据集和阴天总负荷数据集，构建阴天光伏发电数据模型；
步骤5，对聚类得到的每类居民，利用雨天净负荷数据集和晴天总负荷数据集，构建晴天光伏发电数据模型；
步骤6，基于深度学习对聚类得到的每类居民构建负荷预测模型；
步骤7，基于光伏发电数据模型与负荷预测模型对参与需求响应居民进行需求响应潜力评估。
步骤2中，根据历史天气数据，对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；
雨天的总负荷数据
Figure BDA0003563294140000021
与净负荷数据
Figure BDA0003563294140000022
相等，即：
Figure BDA0003563294140000023
划分数据集后一共包含六个数据集，分别为：工作日雨天净负荷数据集，工作日阴天总负荷数据集，工作日晴天总负荷数据集，非工作日雨天净负荷数据集，非工作日阴天总负荷数据集，非工作日晴天总负荷数据集。
在所述步骤3中，所述聚类方法为：
步骤3.1，对于任意一样本mi，选择适当聚类数目k；
步骤3.2，随机选取k个点作为初始化聚类中心；
步骤3.3，计算样本xi到各聚类中心cj,j＝1,2,…k的欧式距离；
欧式距离计算公式为：
Figure BDA0003563294140000024
步骤3.4，将样本xi划分到欧式距离最小的聚类中心cj所在的类中；
步骤3.5，重新计算各类的聚类中心；
计算公式为：
Figure BDA0003563294140000025
其中，cj’为重新计算后的第j类聚类中心；
步骤3.6，重复步骤3.3至步骤3.5，直到达到提前设定的最大迭代次数或者k个聚类中心的位置不再改变，输出聚类中心与聚类划分结果。
随机选取k个点作为初始化聚类中心的方法为：
Figure BDA0003563294140000031
其中，a(i)为样本mi的类内不相似度，b(i)为样本mi的类间不相似度，s(i)的值介于[-1,1]之间，取s(i)数目相同的k数目；
类内不相似度a(i)的计算公式如下：
Figure BDA0003563294140000032
其中，ci为mi所在的类，n为类ci中除mi其他所有的点，|n|为n的个数；
类间不相似度b(i)计算公式如下：
Figure BDA0003563294140000033
其中c为所有的类，p为除了ci以外的类中的所有点，|p|为p的个数。
步骤4中，所述阴天光伏发电数据模型包括：工作日阴天光伏发电数据模型与非工作日阴天光伏发电数据模型。
根据步骤3的聚类结果，对第j聚类的工作日阴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日阴天总负荷叠加数据的差；
对第j聚类的非工作日阴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日阴天总负荷叠加数据的差。
针对每一类的居民进行阴天光伏发电数据模型的构建，构建方法满足如下关系式：
Figure BDA0003563294140000034
式中，
Figure BDA0003563294140000035
分别第j聚类内所有居民的工作日雨天净负荷叠加数据，第j聚类内所有居民的工作日阴天总负荷叠加数据，第j聚类内所有居民的工作日阴天光伏发电数据模型；
其中，第j聚类内所有居民的非工作日阴天光伏发电数据模型，满足如下关系式：
Figure BDA0003563294140000036
式中，
Figure BDA0003563294140000041
分别为第j聚类内所有居民的非工作日雨天净负荷叠加数据，第j聚类内所有居民的非工作日阴天总负荷叠加数据，第j聚类内所有居民的非工作日阴天光伏发电数据模型。
晴天光伏发电数据模型模型分为工作日晴天光伏发电数据模型与非工作日晴天光伏发电数据模型；根据步骤3的聚类结果，对第j聚类的工作日晴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日晴天总负荷叠加数据的差；
对第j聚类的非工作日晴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日晴天总负荷叠加数据的差。
构建晴天光伏发电数据模型具体为：
Figure BDA0003563294140000042
Figure BDA0003563294140000043
其中，
Figure BDA0003563294140000044
分别为按上述方法计算的第j类内的所有居民的工作日雨天总负荷叠加数据，第j类内的所有居民的工作日晴天总负荷叠加数据，工作日晴天光伏发电数据模型；
Figure BDA0003563294140000045
分别为按上述方法计算的第j类内的所有居民的非工作日雨天总负荷叠加数据，第j类内的所有居民的非工作日晴天总负荷叠加数据，非工作日晴天光伏发电数据模型。
深度学习具体为LSTM深度学习模型；
针对每类居民训练并优化一个负荷预测模型，共训练4种负荷预测模型，分别为工作日阴天负荷预测模型、非工作日阴天负荷预测模型、工作日晴天负荷预测模型、非工作日晴天负荷预测模型。
在需求响应事件发生后，记录实际负荷Preal(t)，并基于步骤4与5考虑当天的天气情况与工作日与否选取合适的光伏发电模型，基于步骤6考虑当天的天气情况与工作日与否选取居民负荷预测模型，从而根据下式计算每类的居民需求响应潜力：
Pj,DR(t)＝Pj,total(t)-Pj,PV(t)-Pj,real(t)
其中，Pj,total(t)为依据居民负荷预测模型计算出的第j类居民总负荷；Pj,PV(t)为依据光伏预测模型计算出的j类居民光伏发电量；Pj,real(t)为j类居民当天实际负荷数据。
居民需求响应潜力评估系统包括：数据采集模块、数据分类模块、数据聚类模块、光伏发电数据模型构建模块、负荷预测模型构建模块、需求响应潜力计算模块；
数据采集模块，用于采集居民用电总负荷数据以及对应时间段内的历史天气数据，将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集，并将数据输入至数据分类模块；
数据分类模块，用于根据历史天气数据，对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集，并将分类结果输入至数据聚类模块；
数据聚类模块，用于使用聚类算法对雨天净负荷数据集进行聚类，划分具有相似用电特性的居民居，并将聚类结果输入至光伏发电数据模型构建模块、负荷预测模型构建模块以及需求响应潜力计算模块；
光伏发电数据模型，用于构建模块对聚类出的每类居民分别构建阴天光伏发电数据模型和晴天光伏发电数据模型，并将构建好的模型输入至需求响应潜力计算模块；
负荷预测模型，用于使用深度学习模型构建模块构建工作日阴天负荷预测模型、非工作日阴天负荷预测模型
数据聚类模块使用的聚类算法如下：
步骤3.1，对于任意一样本mi，选择适当聚类数目k；
步骤3.2，随机选取k个点作为初始化聚类中心；
步骤3.3，计算样本xi到各聚类中心cj,j＝1,2,…k的欧式距离；
欧式距离计算公式为：
Figure BDA0003563294140000051
步骤3.4，将样本xi划分到欧式距离最小的聚类中心cj所在的类中；
步骤3.5，重新计算各类的聚类中心；
计算公式为：
Figure BDA0003563294140000052
其中，cj’为重新计算后的第j类聚类中心
步骤3.6，重复步骤3.3至步骤3.5，直到达到提前设定的最大迭代次数或者k个聚类中心的位置不再改变，输出聚类中心与聚类划分结果。
选择适当聚类数目的方法为：
Figure BDA0003563294140000053
其中，a(i)为样本mi的类内不相似度，b(i)为样本mi的类间不相似度，s(i)的值介于[-1,1]之间，越接近1说明分类效果越好，取s(i)对应的k数目；
类内不相似度a(i)的计算公式如下：
Figure BDA0003563294140000061
其中，ci为mi所在的类，n为类ci中除mi其他所有的点，|n|为n的个数。
类间不相似度b(i)计算公式如下：
Figure BDA0003563294140000062
其中c为所有的类，p为除了ci以外的类中的所有点。
阴天光伏发电数据模型分为工作日阴天光伏发电数据模型与非工作日阴天光伏发电数据模型；根据聚类结果，对第j聚类的工作日阴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日阴天总负荷叠加数据的差；
对第j聚类的非工作日阴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日阴天总负荷叠加数据的差；
晴天光伏发电数据模型模型分为工作日晴天光伏发电数据模型与非工作日晴天光伏发电数据模型；根据聚类结果，对第j聚类的工作日晴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日晴天总负荷叠加数据的差；
对第j聚类的非工作日晴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日晴天总负荷叠加数据的差。
使用的深度学习模型是LSTM。
需求响应潜力计算模块通过考虑当天的天气情况与工作日与否选取合适的光伏发电模型，通过考虑当天的天气情况与工作日与否选取居民负荷预测模型，并计算出当天每类的居民需求响应潜力；
本发明的有益效果在于，与现有技术相比，本发明充分利用历史的居民用电负荷数据，将光伏发电数据从总负荷数据中分离出来。考虑光伏发电的不确定性，对光伏发电与居民用电分场景分时段建立特定模型，提高需求响应潜力评估的准确程度。需求响应潜力评估结果供后续中心调控部门发布需求响应指令参考，具有重要的学术意义和工程实用价值。
附图说明
图1为本发明居民用电数据的分类示意图。
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。
考虑光伏不确定性的居民需求响应潜力评估方法，具体包括以下步骤：
步骤1，采集居民用电总负荷数据以及对应时间段内的历史天气数据，并将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集；
首先将居民用电的历史用电数据，即居民用电总负荷数据，并将采集到的数据划分为工作日用电数据集与非工作日用电数据集。划分工作日与非工作日分别进行后续的模型建立，以排除工作日与非工作日用电行为明显不同导致的用电数据模型误差；
考虑到参与需求响应事件，居民用电数据可分为参与需求响应后的实际负荷Preal(t)、净负荷Pnet(t)、不计光伏的总负荷Ptotal(t)，其公式及示意图如图1：
Pnet(t)＝Ptotal(t)-PPV(t)
Preal(t)＝Pnet(t)-PDR(t)
PDR(t)为需求响应潜力，PPV(t)为居民光伏发电数据，实时数据中，上式的五个量中只有实际负荷Preal(t)已知，为了评估需求响应潜力，需要知道Pnet(t)从而求出PDR(t)。然而实时的Pnet(t)与Preal(t)数据只能存在其中一个量，因为负荷不参与需求响应(Pnet(t))与参与需求响应(Preal(t))只能选择一个。只考虑Ptotal(t)由居民所有固定负荷(非柔性负荷)构成，因为一般Ptotal(t)稳定，而PPV(t)存在不确定性，从而无法直接对Pnet(t)进行预测。因此需要通过对PPV(t)与Ptotal(t)的历史数据进行分析，构建相应的模型，从而预估净负荷Pnet(t)，进而与实时的Preal(t)相减求出需求响应潜力PDR(t)。
步骤2，根据历史天气数据，对工作日用电数据集和非工作日用电数据集进行划分，得到雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；
根据历史天气数据，对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；
其中，由于雨天的光伏发电量很小(几乎为零)，则可将雨天的总负荷数据
Figure BDA0003563294140000081
与净负荷数据
Figure BDA0003563294140000082
看作相等。
Figure BDA0003563294140000083
划分数据集后一共包含六个数据集，分别为：工作日雨天净负荷数据集，工作日阴天总负荷数据集，工作日晴天总负荷数据集，非工作日雨天净负荷数据集，非工作日阴天总负荷数据集，非工作日晴天总负荷数据集。
雨天净负荷数据集包括工作日雨天净负荷数据集与非工作日雨天净负荷数据集，阴天总负荷数据集包括工作日阴天总负荷数据集与非工作日阴天总负荷数据集，晴天总负荷数据集包括工作日晴天总负荷数据集与非工作日晴天总负荷数据集。
步骤3，针对雨天净负荷数据集进行聚类，得到居民分类结果；
本领域技术人员可根据实际情况选择聚类方法，本发明给出的仅为一优选实施例，不能作为对本发明的必然限制；
具体地，此处使用改进后的K-means算法对数据集进行聚类，改进之后的K-means算法原理如下：
步骤3.1，对于任意一样本mi，选择适当聚类数目k；
具体地，依照以下的公式选择：
Figure BDA0003563294140000084
其中，a(i)为样本mi的类内不相似度，b(i)为样本mi的类间不相似度，s(i)的值介于[-1,1]之间，越接近1说明分类效果越好，取s(i)对应的k数目；
类内不相似度a(i)的计算公式如下：
Figure BDA0003563294140000085
其中，ci为mi所在的类，n为类ci中除mi其他所有的点，|n|为n的个数。
类间不相似度b(i)计算公式如下：
Figure BDA0003563294140000086
其中c为所有的类，p为除了ci以外的类中的所有点。
步骤3.2，随机选取k个点作为初始化聚类中心；
步骤3.3，计算样本xi到各聚类中心cj,j＝1,2,…k的欧式距离；
xi为除去聚类中心以外的任一一点；
欧式距离计算公式为：
Figure BDA0003563294140000091
步骤3.4，将样本xi划分到欧式距离最小的聚类中心cj所在的类中；
步骤3.5，重新计算各类的聚类中心；
计算公式为：
Figure BDA0003563294140000092
其中，cj’为重新计算后的第j类聚类中心
步骤3.6，重复步骤3.3至步骤3.5，直到达到提前设定的最大迭代次数或者k个聚类中心的位置不再改变，输出聚类中心与聚类划分结果。
步骤4，对聚类得到的每类居民，利用雨天净负荷数据集和阴天总负荷数据集，构建阴天光伏发电数据模型；
本领域技术人员可根据实际情况构建阴天光伏发电数据模型，本发明给出的仅为一优选实施例，不能是对本发明的必然限制；
具体地，本实施例的阴天光伏发电数据模型分为工作日阴天光伏发电数据模型与非工作日阴天光伏发电数据模型；根据步骤3的聚类结果，对第j聚类的工作日阴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日阴天总负荷叠加数据的差；
对第j聚类的非工作日阴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日阴天总负荷叠加数据的差；
具体地，以工作日雨天净负荷数据集为例，基于步骤(3)聚类出的居民结果，记为
Figure BDA0003563294140000093
其中
Figure BDA0003563294140000094
为第j类内的所有居民的工作日雨天净负荷数据，将所有的数据按照时间维度叠加计为
Figure BDA0003563294140000095
则所有类的叠加结果为
Figure BDA0003563294140000096
对于工作日阴天总负荷数据集以聚类算法划分的居民类进行叠加，结果记为
Figure BDA0003563294140000097
针对每一类的居民进行阴天光伏发电数据模型的构建，构建方法如下：
Figure BDA0003563294140000098
Figure BDA0003563294140000099
其中，
Figure BDA00035632941400000910
分别为按上述方法计算的第j类内的所有居民的工作日雨天净负荷叠加数据，第j类内的所有居民的工作日阴天总负荷叠加数据，工作日阴天光伏发电数据模型；
Figure BDA0003563294140000101
分别为按上述方法计算的第j类内的所有居民的非工作日雨天净负荷叠加数据，第j类内的所有居民的非工作日阴天总负荷叠加数据，非工作日阴天光伏发电数据模型。
步骤5，对聚类得到的每类居民，利用雨天净负荷数据集和晴天总负荷数据集，构建晴天光伏发电数据模型；
本领域技术人员可根据实际情况构建晴天光伏发电数据模型，本发明给出的仅为一优选实施例，不能作为对本发明的必然限制；
具体地，本实施例的晴天光伏发电数据模型模型分为工作日晴天光伏发电数据模型与非工作日晴天光伏发电数据模型；根据步骤3的聚类结果，对第j聚类的工作日晴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日晴天总负荷叠加数据的差；
对第j聚类的非工作日晴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日晴天总负荷叠加数据的差；
具体地，对聚类出的每类居民分别计算其晴天光伏发电数据模型；按照步骤(4)提出的方法构建晴天光伏发电数据模型：
Figure BDA0003563294140000102
Figure BDA0003563294140000103
其中，
Figure BDA0003563294140000104
分别为按上述方法计算的第j类内的所有居民的工作日雨天总负荷叠加数据，第j类内的所有居民的工作日晴天总负荷叠加数据，工作日晴天光伏发电数据模型；
Figure BDA0003563294140000105
分别为按上述方法计算的第j类内的所有居民的非工作日雨天总负荷叠加数据，第j类内的所有居民的非工作日晴天总负荷叠加数据，非工作日晴天光伏发电数据模型。
步骤6，基于深度学习对聚类得到的每类居民构建负荷预测模型；
本领域技术人员可根据实际情况选择深度学习模型，本发明给出的仅为一优选实施例，不能作为对本发明的必然限制；
具体地，本发明选择的是LSTM深度学习模型；
针对每类居民训练并优化一个负荷预测模型，共训练4种负荷预测模型，分别为工作日阴天负荷预测模型、非工作日阴天负荷预测模型、工作日晴天负荷预测模型、非工作日晴天负荷预测模型；
具体地，以工作日阴天负荷预测模型为例：对于工作日阴天负荷预测模型来说，输入数据为前u天的工作日阴天净负荷叠加数据，输出为需求响应当天的阴天负荷数据。其中训练出的模型分别记为：
Figure BDA0003563294140000111
Figure BDA0003563294140000112
其中
Figure BDA0003563294140000113
为第j类居民的工作日阴天负荷预测模型，
Figure BDA0003563294140000114
为第j类居民的非工作日阴天负荷预测模型。
非工作日阴天负荷预测模型、工作日晴天负荷预测模型、非工作日晴天负荷预测模型的构建方法与工作日阴天负荷预测模型的构建方法一致。
步骤7，基于光伏发电数据模型与负荷预测模型对参与需求响应居民进行需求响应潜力评估；
在需求响应事件发生后，记录实际负荷Preal(t)。并基于步骤(4)与(5)考虑当天的天气情况与工作日与否选取合适的光伏发电模型，基于步骤(6)考虑当天的天气情况与工作日与否选取居民负荷预测模型，从而根据下式计算每类的居民需求响应潜力。
Pj,DR(t)＝Pj,total(t)-Pj,PV(t)-Pj,real(t)
其中，Pj,total(t)为依据居民负荷预测模型计算出的第j类居民总负荷；例如，如果当天是非工作日阴天，则选用非工作日阴天负荷预测模型计算Pj,total(t)；Pj,PV(t)为依据光伏预测模型计算出的j类居民光伏发电量；例如，如果当天是非工作日阴天，则选用非工作日阴天光伏发电数据模型Pj,PV(t)；Pj,real(t)为j类居民当天实际负荷数据。
本发明还公开了一种基于考虑光伏不确定性的居民需求响应潜力评估方法的考虑光伏不确定性的居民需求响应潜力评估系统，包括数据采集模块、数据分类模块、数据聚类模块、光伏发电数据模型构建模块、负荷预测模型构建模块、需求响应潜力计算模块；
具体地，
数据采集模块采集居民用电总负荷数据以及对应时间段内的历史天气数据，将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集，并将数据输入至数据分类模块；
数据分类模块根据历史天气数据，对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集，并将分类结果输入至数据聚类模块；
数据聚类模块使用聚类算法对雨天净负荷数据集进行聚类，划分具有相似用电特性的居民，并将聚类结果输入至光伏发电数据模型构建模块、负荷预测模型构建模块以及需求响应潜力计算模块；
具体地，此处使用改进后的K-means算法对数据集进行聚类，改进之后的K-means算法原理如下：
步骤3.1，对于任意一样本mi，选择适当聚类数目k；
具体地，依照以下的公式选择：
Figure BDA0003563294140000121
其中，a(i)为样本mi的类内不相似度，b(i)为样本mi的类间不相似度，s(i)的值介于[-1,1]之间，越接近1说明分类效果越好，取s(i)对应的k数目；
类内不相似度a(i)的计算公式如下：
Figure BDA0003563294140000122
其中，ci为mi所在的类，n为类ci中除mi其他所有的点，|n|为n的个数。
类间不相似度b(i)计算公式如下：
Figure BDA0003563294140000123
其中c为所有的类，p为除了ci以外的类中的所有点。
步骤3.2，随机选取k个点作为初始化聚类中心；
步骤3.3，计算样本xi到各聚类中心cj,j＝1,2,…k的欧式距离；
xi为除去聚类中心以外的任意一点；
欧式距离计算公式为：
Figure BDA0003563294140000124
步骤3.4，将样本xi划分到欧式距离最小的聚类中心cj所在的类中；
步骤3.5，重新计算各类的聚类中心；
计算公式为：
Figure BDA0003563294140000125
其中，cj’为重新计算后的第j类聚类中心
步骤3.6，重复步骤3.3至步骤3.5，直到达到提前设定的最大迭代次数或者k个聚类中心的位置不再改变，输出聚类中心与聚类划分结果。
光伏发电数据模型构建模块对聚类出的每类居民分别构建阴天光伏发电数据模型和晴天光伏发电数据模型，并将构建好的模型输入至需求响应潜力计算模块；
具体地，阴天光伏发电数据模型分为工作日阴天光伏发电数据模型与非工作日阴天光伏发电数据模型；根据聚类结果，对第j聚类的工作日阴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日阴天总负荷叠加数据的差；
对第j聚类的非工作日阴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日阴天总负荷叠加数据的差；
晴天光伏发电数据模型模型分为工作日晴天光伏发电数据模型与非工作日晴天光伏发电数据模型；根据聚类结果，对第j聚类的工作日晴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日晴天总负荷叠加数据的差；
对第j聚类的非工作日晴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日晴天总负荷叠加数据的差；
负荷预测模型使用深度学习模型构建模块构建工作日阴天负荷预测模型、非工作日阴天负荷预测模型、工作日晴天负荷预测模型、非工作日晴天负荷预测模型，并将构建好的预测模型输入至需求响应潜力计算模块；
具体地，使用的深度学习模型是LSTM；
需求响应潜力计算模块通过考虑当天的天气情况与工作日与否选取合适的光伏发电模型，通过考虑当天的天气情况与工作日与否选取居民负荷预测模型，并计算出当天每类的居民需求响应潜力；
计算方法如下：
Pj,DR(t)＝Pj,total(t)-Pj,PV(t)-Pj,real(t)
其中，Pj,total(t)为依据居民负荷预测模型计算出的第j类居民总负荷；例如，如果当天是非工作日阴天，则选用非工作日阴天负荷预测模型计算Pj,total(t)；Pj,PV(t)为依据光伏预测模型计算出的j类居民光伏发电量；例如，如果当天是非工作日阴天，则选用非工作日阴天光伏发电数据模型Pj,PV(t)；Pj,real(t)为j类居民当天实际负荷数据。
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 (16)

1.考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，所述评估方法包括以下步骤：
步骤1，采集居民用电总负荷数据以及对应时间段内的历史天气数据，并将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集；
步骤2，根据历史天气数据，对工作日用电数据集和非工作日用电数据集进行划分，得到雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；
步骤3，针对雨天净负荷数据集进行聚类，得到居民分类结果；
步骤4，对聚类得到的每类居民，利用雨天净负荷数据集和阴天总负荷数据集，构建阴天光伏发电数据模型；
步骤5，对聚类得到的每类居民，利用雨天净负荷数据集和晴天总负荷数据集，构建晴天光伏发电数据模型；
步骤6，基于深度学习对聚类得到的每类居民构建负荷预测模型；
步骤7，基于光伏发电数据模型与负荷预测模型对参与需求响应居民进行需求响应潜力评估。
2.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，
步骤2中，根据历史天气数据，对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集；
雨天的总负荷数据
Figure FDA0003563294130000011
与净负荷数据
Figure FDA0003563294130000012
相等，即：
Figure FDA0003563294130000013
划分数据集后一共包含六个数据集，分别为：工作日雨天净负荷数据集，工作日阴天总负荷数据集，工作日晴天总负荷数据集，非工作日雨天净负荷数据集，非工作日阴天总负荷数据集，非工作日晴天总负荷数据集。
3.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，
在所述步骤3中，所述聚类方法为：
步骤3.1，对于任意一样本mi，选择适当聚类数目k；
步骤3.2，随机选取k个点作为初始化聚类中心；
步骤3.3，计算样本xi到各聚类中心cj,j＝1,2,…k的欧式距离；
欧式距离计算公式为：
Figure FDA0003563294130000021
步骤3.4，将样本xi划分到欧式距离最小的聚类中心cj所在的类中；
步骤3.5，重新计算各类的聚类中心；
计算公式为：
Figure FDA0003563294130000022
其中，cj′为重新计算后的第j类聚类中心；
步骤3.6，重复步骤3.3至步骤3.5，直到达到提前设定的最大迭代次数或者k个聚类中心的位置不再改变，输出聚类中心与聚类划分结果。
4.根据权利要求3所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，
随机选取k个点作为初始化聚类中心的方法为：
Figure FDA0003563294130000023
其中，a(i)为样本mi的类内不相似度，b(i)为样本mi的类间不相似度，s(i)的值介于[-1,1]之间，取s(i)数目相同的k数目；
类内不相似度a(i)的计算公式如下：
Figure FDA0003563294130000024
其中，ci为mi所在的类，n为类ci中除mi其他所有的点，|n|为n的个数；
类间不相似度b(i)计算公式如下：
Figure FDA0003563294130000025
其中c为所有的类，p为除了ci以外的类中的所有点，|p|为p的个数。
5.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，
步骤4中，所述阴天光伏发电数据模型包括：工作日阴天光伏发电数据模型与非工作日阴天光伏发电数据模型。
根据步骤3的聚类结果，对第j聚类的工作日阴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日阴天总负荷叠加数据的差；
对第j聚类的非工作日阴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日阴天总负荷叠加数据的差。
6.根据权利要求5所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，
针对每一类的居民进行阴天光伏发电数据模型的构建，构建方法满足如下关系式：
Figure FDA0003563294130000031
式中，
Figure FDA0003563294130000032
分别第j聚类内所有居民的工作日雨天净负荷叠加数据，第j聚类内所有居民的工作日阴天总负荷叠加数据，第j聚类内所有居民的工作日阴天光伏发电数据模型；
其中，第j聚类内所有居民的非工作日阴天光伏发电数据模型，满足如下关系式：
Figure FDA0003563294130000033
式中，
Figure FDA0003563294130000034
分别为第j聚类内所有居民的非工作日雨天净负荷叠加数据，第j聚类内所有居民的非工作日阴天总负荷叠加数据，第j聚类内所有居民的非工作日阴天光伏发电数据模型。
7.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，
所述晴天光伏发电数据模型模型分为工作日晴天光伏发电数据模型与非工作日晴天光伏发电数据模型；根据步骤3的聚类结果，对第j聚类的工作日晴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日晴天总负荷叠加数据的差；
对第j聚类的非工作日晴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日晴天总负荷叠加数据的差。
8.根据权利要求7所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，
所述构建晴天光伏发电数据模型具体为：
Figure FDA0003563294130000035
Figure FDA0003563294130000036
其中，
Figure FDA0003563294130000041
分别为按上述方法计算的第j类内的所有居民的工作日雨天总负荷叠加数据，第j类内的所有居民的工作日晴天总负荷叠加数据，工作日晴天光伏发电数据模型；
Figure FDA0003563294130000042
分别为按上述方法计算的第j类内的所有居民的非工作日雨天总负荷叠加数据，第j类内的所有居民的非工作日晴天总负荷叠加数据，非工作日晴天光伏发电数据模型。
9.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，
所述深度学习具体为LSTM深度学习模型；
针对每类居民训练并优化一个负荷预测模型，共训练4种负荷预测模型，分别为工作日阴天负荷预测模型、非工作日阴天负荷预测模型、工作日晴天负荷预测模型、非工作日晴天负荷预测模型。
10.根据权利要求1所述的考虑光伏不确定性的居民需求响应潜力评估方法，其特征在于，
在需求响应事件发生后，记录实际负荷Preal(t)，并基于步骤4与5考虑当天的天气情况与工作日与否选取合适的光伏发电模型，基于步骤6考虑当天的天气情况与工作日与否选取居民负荷预测模型，从而根据下式计算每类的居民需求响应潜力：
Pj,DR(t)＝Pj,total(t)-Pj,PV(t)-Pj,real(t)
其中，Pj,total(t)为依据居民负荷预测模型计算出的第j类居民总负荷；Pj,PV(t)为依据光伏预测模型计算出的j类居民光伏发电量；Pj,real(t)为j类居民当天实际负荷数据。
11.基于权利要求1-10任意一项所述的考虑光伏不确定性的居民需求响应潜力评估方法的需求响应潜力评估系统，其特征在于：
所述居民需求响应潜力评估系统包括：数据采集模块、数据分类模块、数据聚类模块、光伏发电数据模型构建模块、负荷预测模型构建模块、需求响应潜力计算模块；
所述数据采集模块，用于采集居民用电总负荷数据以及对应时间段内的历史天气数据，将居民用电总负荷数据分为工作日用电数据集和非工作日用电数据集，并将数据输入至数据分类模块；
所述数据分类模块，用于根据历史天气数据，对工作日用电数据集和非工作日用电数据集内分别划分雨天净负荷数据集、阴天总负荷数据集和晴天总负荷数据集，并将分类结果输入至数据聚类模块；
所述数据聚类模块，用于使用聚类算法对雨天净负荷数据集进行聚类，划分具有相似用电特性的居民居，并将聚类结果输入至光伏发电数据模型构建模块、负荷预测模型构建模块以及需求响应潜力计算模块；
所述光伏发电数据模型，用于构建模块对聚类出的每类居民分别构建阴天光伏发电数据模型和晴天光伏发电数据模型，并将构建好的模型输入至需求响应潜力计算模块；
所述负荷预测模型，用于使用深度学习模型构建模块构建工作日阴天负荷预测模型、非工作日阴天负荷预测模型。
12.根据权利要求11所述的考虑光伏不确定性的居民需求响应潜力评估系统，其特征在于，
所述数据聚类模块使用的聚类算法如下：
步骤3.1，对于任意一样本mi，选择适当聚类数目k；
步骤3.2，随机选取k个点作为初始化聚类中心；
步骤3.3，计算样本xi到各聚类中心cj,j＝1,2,…k的欧式距离；
欧式距离计算公式为：
Figure FDA0003563294130000051
步骤3.4，将样本xi划分到欧式距离最小的聚类中心cj所在的类中；
步骤3.5，重新计算各类的聚类中心；
计算公式为：
Figure FDA0003563294130000052
其中，cj′为重新计算后的第j类聚类中心
步骤3.6，重复步骤3.3至步骤3.5，直到达到提前设定的最大迭代次数或者k个聚类中心的位置不再改变，输出聚类中心与聚类划分结果。
13.根据权利要求12所述的考虑光伏不确定性的居民需求响应潜力评估系统，其特征在于，
所述选择适当聚类数目的方法为：
Figure FDA0003563294130000053
其中，a(i)为样本mi的类内不相似度，b(i)为样本mi的类间不相似度，s(i)的值介于[-1,1]之间，越接近1说明分类效果越好，取s(i)对应的k数目；
类内不相似度a(i)的计算公式如下：
Figure FDA0003563294130000061
其中，ci为mi所在的类，n为类ci中除mi其他所有的点，|n|为n的个数。
类间不相似度b(i)计算公式如下：
Figure FDA0003563294130000062
其中c为所有的类，p为除了ci以外的类中的所有点。
14.根据权利要求11所述的考虑光伏不确定性的居民需求响应潜力评估系统，其特征在于，
所述阴天光伏发电数据模型分为工作日阴天光伏发电数据模型与非工作日阴天光伏发电数据模型；根据聚类结果，对第j聚类的工作日阴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日阴天总负荷叠加数据的差；
对第j聚类的非工作日阴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日阴天总负荷叠加数据的差；
所述晴天光伏发电数据模型模型分为工作日晴天光伏发电数据模型与非工作日晴天光伏发电数据模型；根据聚类结果，对第j聚类的工作日晴天光伏发电数据模型为该聚类内所有居民的工作日雨天净负荷叠加数据与该聚类内所有居民的工作日晴天总负荷叠加数据的差；
对第j聚类的非工作日晴天光伏发电数据模型为该聚类内所有居民的非工作日雨天净负荷叠加数据与该聚类内所有居民的非工作日晴天总负荷叠加数据的差。
15.根据权利要求11所述的考虑光伏不确定性的居民需求响应潜力评估系统，其特征在于，
所述负荷预测模型使用的深度学习模型是LSTM。
16.根据权利要求11所述的考虑光伏不确定性的居民需求响应潜力评估系统，其特征在于，
所述需求响应潜力计算模块通过考虑当天的天气情况与工作日与否选取合适的光伏发电模型，通过考虑当天的天气情况与工作日与否选取居民负荷预测模型，并计算出当天每类的居民需求响应潜力；
计算方法如下：
Pj,DR(t)＝Pj,total(t)-Pj,PV(t)-Pj,real(t)
其中，Pj,total(t)为依据居民负荷预测模型计算出的第j类居民总负荷；Pj,PV(t)为依据光伏预测模型计算出的j类居民光伏发电量；Pj,real(t)为j类居民当天实际负荷数据。
CN202210295871.5A 2022-03-24 2022-03-24 考虑光伏不确定性的居民需求响应潜力评估方法及系统 Active CN114662922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210295871.5A CN114662922B (zh) 2022-03-24 2022-03-24 考虑光伏不确定性的居民需求响应潜力评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210295871.5A CN114662922B (zh) 2022-03-24 2022-03-24 考虑光伏不确定性的居民需求响应潜力评估方法及系统

Publications (2)

Publication Number Publication Date
CN114662922A true CN114662922A (zh) 2022-06-24
CN114662922B CN114662922B (zh) 2023-12-26

Family

ID=82030667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210295871.5A Active CN114662922B (zh) 2022-03-24 2022-03-24 考虑光伏不确定性的居民需求响应潜力评估方法及系统

Country Status (1)

Country Link
CN (1) CN114662922B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579590A (zh) * 2023-07-13 2023-08-11 北京圆声能源科技有限公司 一种虚拟电厂中的需求响应评估方法和系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160329707A1 (en) * 2015-05-04 2016-11-10 Solarcity Corporation Peak shaving using energy storage
CN109599861A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN109687520A (zh) * 2019-01-07 2019-04-26 浙江中光新能源科技有限公司 一种用于电力孤网的太阳能光伏与光热互补发电系统
WO2020035907A1 (ja) * 2018-08-15 2020-02-20 三菱電機株式会社 空調装置、制御装置、空調方法及びプログラム
CN111222674A (zh) * 2019-10-08 2020-06-02 南昌大学 基于长短期记忆神经网络的短期光伏发电量预测方法
CN111245025A (zh) * 2020-02-04 2020-06-05 国网河北省电力有限公司经济技术研究院 综合能源系统运行策略的优化方法、终端设备及存储介质
CN112821444A (zh) * 2020-12-30 2021-05-18 国网浙江海盐县供电有限公司 一种分布式光伏发电的源网荷协调分析控制方法
CN113158450A (zh) * 2021-04-08 2021-07-23 国网河南省电力公司电力科学研究院 一种基于楼宇能量管理系统经济调度方法及系统
CN113507136A (zh) * 2021-06-28 2021-10-15 东北电力大学 一种基于图形分析法的光伏调节能力需求分析的方法
CN113869616A (zh) * 2021-12-06 2021-12-31 国网湖北省电力有限公司经济技术研究院 一种自适应的居民用户负荷预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160329707A1 (en) * 2015-05-04 2016-11-10 Solarcity Corporation Peak shaving using energy storage
WO2020035907A1 (ja) * 2018-08-15 2020-02-20 三菱電機株式会社 空調装置、制御装置、空調方法及びプログラム
CN109599861A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑本地负荷调峰能力的送端电网电源结构规划方法
CN109687520A (zh) * 2019-01-07 2019-04-26 浙江中光新能源科技有限公司 一种用于电力孤网的太阳能光伏与光热互补发电系统
CN111222674A (zh) * 2019-10-08 2020-06-02 南昌大学 基于长短期记忆神经网络的短期光伏发电量预测方法
CN111245025A (zh) * 2020-02-04 2020-06-05 国网河北省电力有限公司经济技术研究院 综合能源系统运行策略的优化方法、终端设备及存储介质
CN112821444A (zh) * 2020-12-30 2021-05-18 国网浙江海盐县供电有限公司 一种分布式光伏发电的源网荷协调分析控制方法
CN113158450A (zh) * 2021-04-08 2021-07-23 国网河南省电力公司电力科学研究院 一种基于楼宇能量管理系统经济调度方法及系统
CN113507136A (zh) * 2021-06-28 2021-10-15 东北电力大学 一种基于图形分析法的光伏调节能力需求分析的方法
CN113869616A (zh) * 2021-12-06 2021-12-31 国网湖北省电力有限公司经济技术研究院 一种自适应的居民用户负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
严锋: "基于自适应模型预测控制的柔性互联配电网优化调度", 电力自动化设备 *
李佳佳: "适应网荷互动的可中断负荷特性及监测模型研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑) *
林林: "distribution robust active and reactive power optimization in distribution network with PV and energy storage system", 2020 INTERNATIONAL CONFERENCE ON SMART GRIDS AND ENERGY SYSTEMS *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579590A (zh) * 2023-07-13 2023-08-11 北京圆声能源科技有限公司 一种虚拟电厂中的需求响应评估方法和系统
CN116579590B (zh) * 2023-07-13 2023-11-10 北京圆声能源科技有限公司 一种虚拟电厂中的需求响应评估方法和系统

Also Published As

Publication number Publication date
CN114662922B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN111681130B (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
CN104008432A (zh) 基于emd-kelm-ekf的微网短期负荷预测方法
CN110321919A (zh) 一种用于低压单相用户户相关系辨识的聚类方法
CN113139711A (zh) 一种基于数据整合的智慧能源数据中心管理系统
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN102938562B (zh) 一种区域内风电总功率的预测方法
CN113141008A (zh) 一种数据驱动的配电网分布式新能源消纳能力评估方法
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN112671035A (zh) 一种基于风电预测的虚拟电厂储能容量配置方法
CN115081902A (zh) 基于源网荷储协同的综合规划方法、装置、设备及介质
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
CN114662922A (zh) 考虑光伏不确定性的居民需求响应潜力评估方法及系统
Jin et al. Wind and photovoltaic power time series data aggregation method based on an ensemble clustering and Markov chain
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN117910668A (zh) 一种考虑多不确定性因素的电力系统演化路径规划方法
CN113988471A (zh) 一种微电网运行多目标优化方法
CN117748444A (zh) 一种配电系统的运行模拟方法
Shabbir et al. Residential DC Load Forecasting Using Long Short-Term Memory Network (LSTM)
CN112598175A (zh) 一种流域型虚拟电厂调度方法
Zhang et al. Time-of-use pricing model considering wind power uncertainty
CN114036845B (zh) 一种风电场群模型构建方法
CN113673141B (zh) 一种基于数据驱动的能量路由器建模及优化控制方法
CN114444955A (zh) 综合能源用关键参数数据挖掘及长期配置预测方法及系统
CN116307437A (zh) 基于碳排放权兑换机制的虚拟电厂优化调度方法及系统
CN111948446A (zh) 一种自适应的负荷识别方法以及智能电能表

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