CN114865627A - 一种基于供需关系的配电方法、装置及设备 - Google Patents

一种基于供需关系的配电方法、装置及设备 Download PDF

Info

Publication number
CN114865627A
CN114865627A CN202210699661.2A CN202210699661A CN114865627A CN 114865627 A CN114865627 A CN 114865627A CN 202210699661 A CN202210699661 A CN 202210699661A CN 114865627 A CN114865627 A CN 114865627A
Authority
CN
China
Prior art keywords
load
power generation
power
preset
period
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
Application number
CN202210699661.2A
Other languages
English (en)
Inventor
肖勇
王宗义
林伟斌
罗鸿轩
金鑫
潘廷哲
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.)
CSG Electric Power Research Institute
China Southern Power Grid Co Ltd
Original Assignee
CSG Electric Power Research Institute
China Southern Power Grid Co Ltd
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 CSG Electric Power Research Institute, China Southern Power Grid Co Ltd filed Critical CSG Electric Power Research Institute
Priority to CN202210699661.2A priority Critical patent/CN114865627A/zh
Publication of CN114865627A publication Critical patent/CN114865627A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种基于供需关系的配电方法、装置及设备，包括：获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量；依据负荷用电量和负荷信息对各负荷进行聚类，得到表征用电区域在预设时段内的电量需求程度的聚类结果；根据聚类结果对用电区域电量需求进行未来周期的超短期预测，得到预测结果；获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据；根据发电量数据，确定代表预设周期内发电侧的发电量的供电区间；根据预测结果和发电量的供电区间生成最优能效报告和最佳输电方案信息；根据最优能效报告和最佳输电方案信息调整当前配电情况。本申请的配电方法实现系统的供需两侧平衡，改善闲置资源的利用状况。

Description

一种基于供需关系的配电方法、装置及设备
技术领域
本申请涉及电力信息技术领域，更具体的说，是涉及一种基于供需关系的配电方法、装置及设备。
背景技术
新型电力系统，其核心特征在于新能源占据主导地位，成为主要能源形式。新能源在一次能源消费中的比重不断增加，正在加速替代化石能源。未来我国电源装机规模将保持平稳较快增长，呈现出“风光领跑、多源协调”态势。
采用新能源的新型电力系统一方面增强了间歇性、波动性，使得系统对于灵活性资源的需求大幅度提升。而现有的电力系统的调节能力较弱，通常存在大量闲置的柔性资源没有利用，出现局部供电过多而需电区域供电不足的情况，这导致系统无法在供需两侧达到平衡，闲置资源的利用状况不理想，系统的效率有待提升。
发明内容
鉴于上述问题，提出了本申请以便提供一种基于供需关系的配电方法、装置及设备，以实现系统的供需两侧平衡，改善闲置资源的利用状况。具体方案如下：
一种基于供需关系的配电方法，包括：
获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量；
依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果；
根据所述聚类结果，对所述用电区域电量需求进行未来周期的超短期预测，得到预测结果；
获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据，其中，所述预设周期与所述未来周期的周期长度相同；
根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间；
根据所述预测结果和代表所述预设周期内所述发电侧的发电量的供电区间，生成最优能效报告和最佳输电方案信息；
根据所述最优能效报告和所述最佳输电方案信息调整当前配电情况。
优选地，所述根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间，包括：
依据所述预设周期内每一预设时段的发电量数据，确定所述预设周期内每一预设时段的发电区间；
按照预设的筛选策略对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选，确定代表所述预设周期内所述发电侧的发电量的供电区间。
优选地，所述依据所述预设周期内每一预设时段的发电量数据，确定所述预设周期内每一预设时段的发电区间，包括：
对所述预设周期内每一预设时段的发电量数据进行合理性筛选，确定所述预设周期内每一预设时段的发电数据；
确定所述预设周期内每一预设时段的所述发电数据中的最大值和最小值；
将所述最大值和所述最小值分别作为所述预设周期内每一预设时段的发电区间的右端点和左端点，得到与所述预设周期内各预设时段一一对应的发电区间。
优选地，所述按照预设的筛选策略对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选，确定代表所述预设周期内所述发电侧的发电量的供电区间，包括：
将所述预设周期内每一预设时段的发电区间的端点值中的异常值进行剔除，得到剔除异常值后的所述预设周期内至少一个预设时段的发电区间；
若所述发电区间为一个，则将所述发电区间作为代表所述预设周期内所述发电侧的发电量的供电区间；
若所述发电区间为至少两个，则将至少两个所述发电区间的端点值中超过预设的容限值的端点值进行剔除，得到剔除超过预设的容限值的端点值后的所述预设周期内的至少一个预设时段的发电区间；
若所述发电区间为一个，则将所述发电区间作为代表所述预设周期内所述发电侧的发电量的供电区间；
若所述发电区间为至少两个，则将至少两个所述发电区间的端点值中不满足合理性的端点值进行剔除，得到剔除不满足合理性的端点值后的所述预设周期内的至少一个预设时段的发电区间；
将剔除不满足合理性的端点值后的所述预设周期内的至少一个预设时段的发电区间，作为代表所述预设周期内所述发电侧的发电量的供电区间。
优选地，所述按照预设的筛选策略对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选之前，还包括：
构建关于所述预设周期内每一预设时段的发电区间的端点值的箱须图，所述箱须图用于在对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选的过程中，对每一端点值在所述预设周期内的分散情况进行统计并显示。
优选地，所述获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量，包括：
获取用电区域负荷侧中各负荷的用电量信息；
根据所述用电区域负荷侧中各负荷的用电量信息，确定预设时段内用电区域负荷侧中各负荷的负荷曲线；
使用非侵入式负荷识别方法对各负荷的负荷曲线识别，得到用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量。
优选地，所述负荷信息包括：
用电区域负荷侧中的负荷信息参数、所述预设时段内各类电力电源的线损率与汇总用电量的相关性、所述预设时段内负荷的线损率与汇总用电量的相关性、所述预设时段内各类电力电源及负荷的运行状态、所述预设时段内各类电力电源及负荷的可调价值；
所述负荷用电量包括：
所述预设时段内各类电力电源及负荷的用电量数据、所述预设时段内各类电力电源及负荷的有功功率。
优选地，依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果，包括：
随机生成多个聚类中心，每个所述聚类中心对应一个第一聚类中心数值；
针对每个聚类中心：
将与该聚类中心的第一聚类中心数值最接近的负荷用电量所对应的负荷进行聚类，得到聚类负荷群；
计算所述聚类负荷群中负荷用电量的平均值，将所述平均值作为该聚类中心的第二聚类中心数值；
判断该聚类中心的第一聚类中心数值与该聚类中心的第二聚类中心数值是否相同，若是，则将该聚类中心的聚类负荷群作为表征所述用电区域在预设时段内的电量需求程度的聚类结果；
若否，则将该聚类中心的第一聚类中心数值替换为该聚类中心的第二聚类中心数值，并返回执行将与该聚类中心的第一聚类中心数值最接近的负荷用电量所对应的负荷进行聚类的步骤，直到该聚类中心的第一聚类中心数值与该聚类中心的第二聚类中心数值相同为止。
一种基于供需关系的配电装置，包括：
用电数据获取单元，用于获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量；
数据聚类单元，用于依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果；
数据预测单元，用于根据所述聚类结果，对所述用电区域电量需求进行未来周期的超短期预测，得到预测结果；
发电数据获取单元，用于获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据，其中，所述预设周期与所述未来周期的周期长度相同；
区间确定单元，用于根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间；
信息生成单元，用于根据所述预测结果和代表所述预设周期内所述发电侧的发电量的供电区间，生成最优能效报告和最佳输电方案信息；
配电调整单元，用于根据所述最优能效报告和所述最佳输电方案信息调整当前配电情况。
一种基于供需关系的配电设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上所述的基于供需关系的配电方法的各个步骤。
借由上述技术方案，本申请的一种基于供需关系的配电方法，能够先获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量，对各负荷聚类后，进行超短期预测，得到表征未来周期内用电区域电量需求的预测结果；再获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间后，根据预测结果和供电区间，生成最优能效报告和最佳输电方案信息，再根据最优能效报告和最佳输电方案信息调整当前配电情况。由于预测结果能够反映未来预设周期内用电区域电量需求，同时供电区间能够反映发电侧中不同发电单元预设周期内每一预设时段的发电情况，故根据预测结果和所述预设周期内的供电区间生成的最优能效报告和最佳输电方案信息能够精准反映负荷侧的历史需求情况、未来需求预测和发电侧的发电状况，根据最优能效报告和最佳输电方案信息进行的配电就能够达到供需关系的平衡，实现供需两侧的信息互通，改善闲置资源的利用状况，提升系统的效率。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例提供的一种基于供需关系的配电方法的流程示意图；
图2为本申请实施例提供的确定发电量的供电区间的流程示意图；
图3为本申请实施例提供的确定发电数据的流程示意图；
图4为本申请实施例提供的一种基于供需关系的配电装置的结构示意图；
图5为本申请实施例提供的一种基于供需关系的配电方法设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
采用新能源的新型电力系统一方面增强了间歇性、波动性，使得系统对于灵活性资源的需求大幅度提升。而现有的电力系统的调节能力较弱，通常存在大量闲置的柔性资源没有利用，出现局部供电过多而需电区域供电不足的情况，这导致系统无法在供需两侧达到平衡，闲置资源的利用状况不理想，系统的效率有待提升。
故为了解决上述问题，本申请提供了一种基于供需关系的配电方法、装置及设备，以实现系统的供需两侧平衡，改善闲置资源的利用状况。
接下来对本申请的一种基于供需关系的配电方法进行详细的介绍，请参考图1，图1为本申请实施例中提供的一种基于供需关系的配电方法的流程示意图，该方法可以包括以下步骤：
步骤S110、获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量。
具体地，负荷可以包括居民用户的各种用电器、充电桩等用电负荷器等，用电器可以包括家用冰箱和空调等。预设时段可以是一定时长内的时间周期，如一天，一小时等。负荷信息可以包括：用电区域负荷侧中的负荷信息参数、预设时段内各类电力电源的线损率与汇总用电量的相关性、预设时段内负荷的线损率与汇总用电量的相关性、预设时段内各类电力电源及负荷的运行状态、预设时段内各类电力电源及负荷的可调价值等。负荷用电量可以包括：预设时段内各类电力电源及负荷的用电量数据、预设时段内各类电力电源及负荷的有功功率等。
步骤S120、依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果。
具体地，由于用电区域内负荷侧存在众多负荷，若是单独统计每一个负荷的用电量和负荷信息，则会导致时间成本和经济的成本的增加，故而使用聚类的方法对海量数据进行相似特征的分类聚合。在一些实施例中，对各负荷进行聚类的聚类方法可以是K-means聚类算法，能够对具有相似用电量特征的负荷进行准确聚类。在另外的一些实施例中，该聚类方法也可以是其它能够达到相同目的的算法。
具体地，对各负荷进行聚类后，得到多个聚类结果。在一些实施例中，聚类结果数量为5个，分别为：聚类I、聚类II、聚类III、聚类VI、聚类V。其中，聚类I为表征区域的缺电程度很高的负荷聚类，聚类I能够发送极度缺电的反馈指令；聚类II为表征区域的缺电程度较高的负荷聚类，聚类II能够发送比较缺电的反馈指令；聚类III为表征区域内供需平衡的负荷聚类，聚类III此时不工作；聚类VI为表征区域的供电程度较高的负荷聚类，聚类VI能够发送具有较多富裕电量的反馈指令；聚类V为表征区域的供电程度很高的负荷聚类，聚类V能够发送具有很多富裕电量的反馈指令。系统能够根据上述聚类发送的反馈指令，发送操作指令至配电中心，从而使配电中心调整配电方案。
步骤S130、根据所述聚类结果，对所述用电区域电量需求进行未来周期的超短期预测，得到预测结果。
具体地，超短期预测为通过时间序列分析方法学习一定短期时间内电力负荷数据的线性特征与非线性特征的一种预测方法，对保证电网安全稳定运行、能量优化管理、提高发电设备利用率和降低运行成本等具有重要作用。在本实施例中，对聚类结果进行超短期预测，能够得到未来周期内不同区域内负荷侧的电量需求，从而在后续步骤中，依据不同的电量需求调整对不同区域内负荷侧的供电方案。
可以理解的是，受季节、环境和当地政策影响，对于不同用电区域，其用电量都是各不相同的。例如某一区域中有一些企业，在夏天生产某些产品，而冬天不生产；某些月份是产品销售旺季，在这些月份的产量大，其它月份是产品销售淡季，在这些月份的产量小；在夏天用电量激增，在冬天用电量减少，而在一些没有暖气，天气又比较寒冷的区域中生活的用户，冬天开空调用电量也会激增。由于用电量在时间上的不同，对未来周期内的电量需求的超短期预测就很有必要，能够提前预判电量需求情况，从而根据未来周期内的电量需求情况进行配电方案的预期调整。
本步骤中在进行超短期预测之后，能够精准预测出用电区域在未来周期内的分布式电源出力信息数据、用户用能规律、柔性负荷时段信息、天气信息和能源价格信息等。
进一步地，本申请中的未来周期可以是较长的一段时间周期，如一周，一个月等。
步骤S140、获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据。
其中，所述预设周期与所述未来周期的周期长度相同。
具体地，发电侧中可以包括若干个发电单元。
具体地，本申请在对所述用电区域电量需求进行未来周期的超短期预测，得到预测结果的同时，还可以获取时长与未来周期相同的预设周期内每一预设时段的发电量数据，以将相同长度时间段内发电侧的发电情况与负荷侧的用电需求相匹配。
步骤S150、根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间。
具体地，发电侧中的发电单元的发电量不是一个固定值，会受各种因素干扰而产生波动，故本步骤中确定的可以是所述预设周期内所述发电侧的发电量的供电区间。
例如，本申请可以获取发电侧中不同发电单元在一周内每一天的发电量数据，并根据每一天的发电量数据来确定一周内最具代表性的供电区间，该供电区间可以是一周内某一天的发电量的供电区间，也可以是一周内某几天的发电量的供电区间，在此不做限制。
步骤S160、根据所述预测结果和代表所述预设周期内所述发电侧的发电量的供电区间，生成最优能效报告和最佳输电方案信息。
具体地，最优能效报告能够反应负荷侧和发电侧两端的供需关系、供电距离和供电成本之间的关系。例如，区域缺电量为A，发电侧B距离区域较远，可供给电量为B1，B1>A；发电侧C距离区域较近，可供给电量为C1，C1<A。在此情形下，虽然发电侧B与区域距离较远，但仍生成由发电侧B向区域供电的最优能效报告。若与区域距离不相同的发电侧，其可供给电量都符合要求，则可以基于最近距离、最低成本等考量因素，生成最优能效报告。
具体地，系统可以基于最优能效报告，对配电方案进行调整，生成最佳输电方案信息，以确定最佳输电方案。
步骤S170、根据所述最优能效报告和所述最佳输电方案信息调整当前配电情况。
具体地，系统对采集到的用电区域负荷侧中各负荷的负荷信息、用电区域负荷侧中各负荷在预设时段的负荷用电量、发电侧中各发电单元预设周期内每一预设时段的发电量数据进行统计，生成最优能效报告和最佳输电方案，将最佳输送电信息及最优能效报告发送至配电中心，配电中心和智能控制器进行互动，调整配电方案，可以向缺点区域进行电力输送，也可以调节电量富裕区域和电量短缺区域的供需平衡。
进一步地，本申请实施例还可以对采集到的用电区域负荷侧中各负荷的负荷信息、用电区域负荷侧中各负荷在预设时段的负荷用电量、发电侧中各发电单元预设周期内每一预设时段的发电量数据进行存储，并生成历史数据查询库，以便于在配电、维护或监控过程中对所有历史数据进行调用。
借由上述技术方案，本申请的一种基于供需关系的配电方法，能够先获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量，对各负荷聚类后，进行超短期预测，得到表征未来周期内用电区域电量需求的预测结果；再获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间后，根据预测结果和供电区间，生成最优能效报告和最佳输电方案信息，再根据最优能效报告和最佳输电方案信息调整当前配电情况。由于预测结果能够反映未来预设周期内用电区域电量需求，同时供电区间能够反映发电侧中不同发电单元预设周期内每一预设时段的发电情况，故根据预测结果和所述预设周期内的供电区间生成的最优能效报告和最佳输电方案信息能够精准反映负荷侧的历史需求情况、未来需求预测和发电侧的发电状况，根据最优能效报告和最佳输电方案信息进行的配电就能够达到供需关系的平衡，实现供需两侧的信息互通，改善闲置资源的利用状况，提升系统的效率。
本申请的一些实施例中，对上述步骤S150、根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间的过程进行介绍，参考图2，该过程可以包括：
步骤S210、依据所述预设周期内每一预设时段的发电量数据，确定所述预设周期内每一预设时段的发电区间。
具体地，由于大规模新能源发电自身存在间歇性、波动性，同时受受天气环境等情况的影响，不同的发电单元对应预设时段内不同的发电区间。而在对海量数据进行处理的过程中，总是有些数据是不符合要求的，若是不进行处理，这些不合理的数据会影响结果，从而导致结果与真实情况之间产生偏差。故本步骤中，对预设周期内每一预设时段的发电量数据进行处理，从而得到预设周期内每一预设时段的发电区间。
步骤S220、按照预设的筛选策略对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选，确定代表所述预设周期内所述发电侧的发电量的供电区间。
具体地，类比于对水进行多次过滤的过程，在海量数据中，由于各种客观原因，如受筛选条件不合适的限制，一次筛选并不能将不合理的数据全部筛除，而未筛选处理的不合理数据势必会影响后续的计算结果，从而导致结果偏离实际，出现误差。故本步骤中，对端点值进行筛选之后，确定代表所述预设周期内所述发电侧的发电量的供电区间。
进一步地，本申请还可以根据若干个供电区间得到发电侧中各发电单元的总发电量，将若干个发电单元的总发电量传送到配电中心，配电中心根据若干个发电饱和区域到缺电区域的距离和发电多余电量，向缺电区域供电，从而实现电力供需双方的信息互通，优化供电结构。
具体地，在本申请的一些实施例中，在步骤S220、按照预设的筛选策略对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选之前，还包括：
构建关于所述预设周期内每一预设时段的发电区间的端点值的箱须图，所述箱须图用于在对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选的过程中，对每一端点值在所述预设周期内的分散情况进行统计并显示。
具体地，箱须图是利用数据中的五个统计量：最小值、上四分位数、中位数、下四分位数与最大值等参数来描述数据的一种方法，它也可以粗略地看出数据是否具有有对称性，分布的离散程度等信息，特别适用于对几个样本的比较。箱须图是本申请一些实施例中用于对数据进行统计并描述的方法，在另外一些实施例中，也可以采用其它能够达到相同目的的方法。
本申请的一些实施例中，对上述步骤S210、依据所述预设周期内每一预设时段的发电量数据，确定所述预设周期内每一预设时段的发电区间的过程进行介绍，参考图3，该过程可以包括：
步骤S310、对所述预设周期内每一预设时段的发电量数据进行合理性筛选，确定所述预设周期内每一预设时段的发电数据。
具体地，在一些实施例中，以处理第i天的数据为例，对所述预设周期内每一预设时段的发电量数据进行合理性筛选，确定所述预设周期内每一预设时段的发电数据，可以包括如下步骤：
步骤S1、计算第i天的发电量数据的样本均值mi和样本标准差σi：
Figure BDA0003703915850000121
Figure BDA0003703915850000122
其中，i＝1,...,n,ni为第i天内收集的发电量数据总量，datai,j为第i天内收集到的第j个发电量数据。
步骤S2、判断发电量数据datai,j是否满足下式：
|datai,j-mi|≤k*σi
若发电量数据datai,j满足该式，则将该数据datai,j保留，否则将发电量数据datai,j剔除。其中，k为约束系数，根据实际情况确定其取值。
具体地，本步骤中通过上述条件式对数据进行筛选，在一些其它的实施例中，也可以使用能够达到相同目的的额外方法。
步骤S3、基于下式计算步骤S2中保留的所有发电量数据的样本均值m和样本标准差σ：
Figure BDA0003703915850000123
Figure BDA0003703915850000124
其中，data'i,j为步骤S2中保留的第i天内收集到的第j个发电量数据，n”i为步骤S2中保留的所有发电量数据的数量，n”i<ni。
步骤S4、判断data'i,j是否满足下述条件式：
|data'i,j-m|≤k*σ
若数据满足该条件式，则将该数据保留，否则将数据剔除。其中，k为约束系数，根据实际情况确定其取值。
具体地，本步骤中通过上述条件式对数据进行筛选，在一些其它的实施例中，也可以使用能够达到相同目的的额外方法。
步骤S320、确定所述预设周期内每一预设时段的所述发电数据中的最大值和最小值。
步骤S330、将所述最大值和所述最小值分别作为所述预设周期内每一预设时段的发电区间的右端点和左端点，得到与所述预设周期内各预设时段一一对应的发电区间。
具体地，第i天的发电区间表示为：
Figure BDA0003703915850000131
其中，I为上述步骤S4中保留的第i天中的数据总数量，data”i,j为步骤S2中保留的第i天内收集到的第j个发电量数据，ci和di分别为发电区间的左端点和右端点。
本申请的一些实施例中，对上述步骤S220、按照预设的筛选策略对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选，确定代表所述预设周期内所述发电侧的发电量的供电区间的过程进行介绍，该过程可以包括：
步骤S221、将所述预设周期内每一预设时段的发电区间的端点值中的异常值进行剔除，得到剔除异常值后的所述预设周期内至少一个预设时段的发电区间。
具体地，本申请的一些实施例中，使用箱须图以用于对数据进行统计并描述。在另外一些实施例中，也可以采用其它能够达到相同目的的方法。
本申请实施例中，对所述预设周期内每一预设时段的发电区间的端点值ci和di构建箱须图，并判断端点值ci和di是否满足下式，将不满足下式的端点值所在的发电区间进行剔除，得到剔除异常值后的所述预设周期内至少一个预设时段的发电区间：
ci∈[Qc(.25)-1.5IQRc,Qc(.75)+1.5IQRc]
di∈[Qd(.25)-1.5IQRd,Qd(.75)+1.5IQRd]
Li∈[QL(.25)-1.5IQRL,QL(.75)+1.5IQRL]
其中，Li＝di-ci，Q(.25)为下四位分数，表示全部值中有四分之一的数据值比它小；Q(.75)为上四位分数，表示全部值中有四分之一的数据值比它大；IQR为四分位数间距，表示上四位分数与下四位分数之差。
具体地，本步骤中，剔除异常值后的端点值表示为ci'、di'，剔除异常值后的发电区间表示为[c'i,d'i]。
具体地，本步骤中通过上述条件式对数据进行筛选，在一些其它的实施例中，也可以使用能够达到相同目的的额外方法。
步骤S222、若所述发电区间为一个，则将所述发电区间作为代表所述预设周期内所述发电侧的发电量的供电区间；若所述发电区间为至少两个，则将至少两个所述发电区间的端点值中超过预设的容限值的端点值进行剔除，得到剔除超过预设的容限值的端点值后的所述预设周期内的至少一个预设时段的发电区间。
具体地，若经过剔除异常值后的发电区间仅剩一个，则说明筛选过程完成，将剩下的那个发电区间作为代表所述预设周期内所述发电侧的发电量的供电区间。若所述发电区间为至少两个，则继续进行如下操作：
判断端点值ci'和di'是否满足下式，将不满足下式的超过预设的容限值的端点值所在的发电区间进行剔除，得到剔除超过预设的容限值后的所述预设周期内至少一个预设时段的发电区间：
c'i∈[m'c-kσ'c,m'c+kσ'c]
d'i∈[m'd-kσ'd,m'd+kσ'd]
L'i∈[m'L-kσ'L,m'L+kσ'L]
其中，L'i＝d'i-c'i，m'c为剔除异常值后的端点值中所有左端点值的样本均值，σ'c为剔除异常值后的端点值中所有左端点值的样本标准差，m'd为剔除异常值后的端点值中所有右端点值的样本均值，σ'd为剔除异常值后的端点值中所有右端点值的样本标准差，m'L为剔除异常值后的端点值中所有L'i的样本均值，σ'L为剔除异常值后的端点值中所有L'i的样本标准差，k为约束系数，根据实际情况确定其取值，在一些实施例中，k取值为2。
具体地，本步骤中，剔除超过预设的容限值后的端点值表示为c”i、d”i，剔除超过预设的容限值后的发电区间表示为[c”i,d”i]。
具体地，本步骤中通过上述条件式对数据进行筛选，在一些其它的实施例中，也可以使用能够达到相同目的的额外方法。
步骤S223、若所述发电区间为一个，则将所述发电区间作为代表所述预设周期内所述发电侧的发电量的供电区间；若所述发电区间为至少两个，则将至少两个所述发电区间的端点值中不满足合理性的端点值进行剔除，得到剔除不满足合理性的端点值后的所述预设周期内的至少一个预设时段的发电区间。
具体地，若经过剔除超过预设的容限值后的发电区间仅剩一个，则说明筛选过程完成，将剩下的那个发电区间作为代表所述预设周期内所述发电侧的发电量的供电区间。若所述发电区间为至少两个，则继续进行如下操作：
计算ξ*，并判断ξ*是否满足m'c≤ξ*≤m'd，将不满足该式的端点值所在的发电区间进行剔除，得到剔除不满足合理性后的所述预设周期内至少一个预设时段的发电区间：
Figure BDA0003703915850000151
其中，m'c'为剔除超过预设的容限值后的端点值中所有左端点值的样本均值，σ'c'为剔除超过预设的容限值后的端点值中所有左端点值的样本标准差，m”d为剔除异常值后的端点值中所有右端点值的样本均值，σ”d为剔除异常值后的端点值中所有右端点值的样本标准差。
本步骤中，对剔除不满足合理性后的发电区间进行重新编号，编号为1,2,...,n'，并表示为
Figure BDA0003703915850000152
具体地，本步骤中通过上述条件式对数据进行筛选，在一些其它的实施例中，也可以使用能够达到相同目的的额外方法。
步骤S224、将剔除不满足合理性的端点值后的所述预设周期内的至少一个预设时段的发电区间，作为代表所述预设周期内所述发电侧的发电量的供电区间。
具体地，由于现实存在的各种原因，在对数据进行获取和筛选的过程中，会存在无法通过一遍筛选就将所有不合理数据全部筛除的情况。本申请实施例通过上述步骤，设置多维度多方面的筛选方法，对数据进行多次筛选和多次处理，最终能够得到有效准确的数据，保证了结果的准确性。
本申请的一些实施例中，对上述步骤S110、获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量的过程进行详细介绍，该过程可以包括：
步骤S111、获取用电区域负荷侧中各负荷的用电量信息。
具体地，在用电区域负荷侧中，设置采样点，以获取用电区域负荷侧中各负荷的用电量信息。采样点可以是各个负荷监测点，如充电桩、居民用户、煤改电用户等。数据采集时，可以通过Ethernet TCP/IP通讯协议与区域温度传感器、亮度传感器、分布式能源监控终端、储能系统监控终端、以及各层楼宇多功能智能电表、智能插座等设备进行数据感知及传输，用于对区域分布式发电系统和负荷电力数据采集。在数据采集过程中，还可以对区域场景温度、亮度环境等数据进行采集。
步骤S112、根据所述用电区域负荷侧中各负荷的用电量信息，确定预设时段内用电区域负荷侧中各负荷的负荷曲线。
具体地，本步骤中通过采集用电区域负荷侧中各负荷的模拟量数据，得到用电区域负荷侧中各负荷的运行参数，确定用电区域负荷侧中各负荷的负荷曲线。模拟量数据可以包括包括电压量、电流量、频率量与相角量等，运行参数可以包括有功功率、无功功率和时段消耗电量等。
具体地，本步骤中根据采样点拟合的负荷曲线能够反映负荷的特征参数分布，如负荷电压、负荷电流、负荷基波有功功率和负荷基波无功功率等。
步骤S113、使用非侵入式负荷识别方法对各负荷的负荷曲线识别，得到用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量。
具体地，本步骤中可以对负荷曲线使用非侵入式负荷识别方法进行识别，得到用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量。非侵入式负荷识别方法是通过电器负荷的特征(负荷印记)来识别电器设备及参数的一种方法，首先对负荷曲线进行事件检测，若检测到有新事件发生(负荷的启停或状态的改变等)，进行基于稳态特征(如负荷的有功、无功、电压、电流等特征)和暂态特征(如有功暂态波形和无功暂态波形等特征)的特征提取，再从预设用电设备的特征库和从采集数据中提取出来的负荷特征，识别总负荷的成分，实现负荷信息的分解，从而获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量。
具体地，所述负荷信息可以包括：
用电区域负荷侧中的负荷信息参数、所述预设时段内各类电力电源的线损率与汇总用电量的相关性、所述预设时段内负荷的线损率与汇总用电量的相关性、所述预设时段内各类电力电源及负荷的运行状态、所述预设时段内各类电力电源及负荷的可调价值等。
所述负荷用电量可以包括：
所述预设时段内各类电力电源及负荷的用电量数据、所述预设时段内各类电力电源及负荷的有功功率等。
本申请的一些实施例中，对上述步骤S120、依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果的过程进行详细介绍，该过程可以包括：
步骤S121、随机生成多个聚类中心，每个所述聚类中心对应一个第一聚类中心数值。
具体地，在本申请的一些实施例中，可以使用K-means聚类算法进行聚类。K-means聚类算法是一种无监督学习算法，其特点是训练数据没有标注变量，数据被随机分为多类。在K-means算法中，随机产生几个聚类中心，如果聚类中心过多，会造成过拟合，不利于将聚类特征区分开来；如果聚类中心点少了，会造成欠拟合，无法较为准确地依据特征进行聚类。在本申请的一些实施例中，使用误差平方的变化和来评价模型预测结果。
具体地，根据本申请的实际情况，随机生成的聚类中心有5个，即聚类I、聚类II、聚类III、聚类VI、聚类V，分别表征区域的缺电程度很高、缺电程度较高、区域供需平衡、供电程度较高和供电程度很高。
步骤S122、针对每个聚类中心：将与该聚类中心的第一聚类中心数值最接近的负荷用电量所对应的负荷进行聚类，得到聚类负荷群。
具体地，在本步骤中，考虑欧式距离的数据，使用误差平方和作为聚类的目标函数，基于平方欧氏距离将每个数据点分配到与其最近的聚类中心，以对数据进行聚类。
Figure BDA0003703915850000181
其中，ci表示第i个聚类中心的第一聚类中心数值，x表示负荷用电量，dist表示标准欧式距离，k表示聚类总数，本申请实施例中，k＝5。上式中，基于标准欧式距离，计算负荷用电量与每个聚类中心对应的第一聚类中心数值之间的平方误差和，若负荷用电量与某个第一聚类中心数值的平方误差和最小，则说明负荷用电量与此第一聚类中心数值对应的聚类中心之间的距离最接近，将该负荷用电量对应的负荷聚类和该第一聚类中心数值对应的聚类中心作为聚类结果，以此类推。
步骤S123、计算所述聚类负荷群中负荷用电量的平均值，将所述平均值作为该聚类中心的第二聚类中心数值。
具体地，通过下式计算所述聚类负荷群中负荷用电量的平均值：
Figure BDA0003703915850000182
其中，Si表示第i个聚类中心的聚类负荷群，|Si|表示第i个聚类中心的聚类负荷群中的聚类负荷数量，xi表示第i个聚类中心的聚类负荷群中的负荷用电量。
步骤S124、判断该聚类中心的第一聚类中心数值与该聚类中心的第二聚类中心数值是否相同，若是，则将该聚类中心的聚类负荷群作为表征所述用电区域在预设时段内的电量需求程度的聚类结果。
若否，则将该聚类中心的第一聚类中心数值替换为该聚类中心的第二聚类中心数值，并返回执行将与该聚类中心的第一聚类中心数值最接近的负荷用电量所对应的负荷进行聚类的步骤，直到该聚类中心的第一聚类中心数值与该聚类中心的第二聚类中心数值相同为止。
具体地，本申请实施例使用的K-means聚类算法通过多次迭代计算，直至满足停止条件，能够得到较为准确的聚类结果。
下面对本申请实施例提供的一种基于供需关系的配电装置进行描述，下文描述的基于供需关系的配电装置与上文描述的基于供需关系的配电方法可相互对应参照。
参见图4，图4为本申请实施例公开的一种基于供需关系的配电装置结构示意图。
如图4所示，该装置可以包括：
用电数据获取单元11，用于用于获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量。
数据聚类单元12，用于依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果。
数据预测单元13，用于根据所述聚类结果，对所述用电区域电量需求进行未来周期的超短期预测，得到预测结果。
发电数据获取单元14，用于获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据。
其中，所述预设周期与所述未来周期的周期长度相同。
区间确定单元15，用于根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间。
信息生成单元16，用于根据所述预测结果和代表所述预设周期内所述发电侧的发电量的供电区间，生成最优能效报告和最佳输电方案信息。
配电调整单元17，用于根据所述最优能效报告和所述最佳输电方案信息调整当前配电情况。
本申请实施例提供的一种基于供需关系的配电装置可应用于一种基于供需关系的配电设备，如终端：电脑等。可选的，图5示出了一种基于供需关系的配电设备的硬件结构框图，参照图5，一种基于供需关系的配电设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量；
依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果；
根据所述聚类结果，对所述用电区域电量需求进行未来周期的超短期预测，得到预测结果；
获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据，其中，所述预设周期与所述未来周期的周期长度相同；
根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间；
根据所述预测结果和代表所述预设周期内所述发电侧的发电量的供电区间，生成最优能效报告和最佳输电方案信息；
根据所述最优能效报告和所述最佳输电方案信息调整当前配电情况。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量；
依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果；
根据所述聚类结果，对所述用电区域电量需求进行未来周期的超短期预测，得到预测结果；
获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据，其中，所述预设周期与所述未来周期的周期长度相同；
根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间；
根据所述预测结果和代表所述预设周期内所述发电侧的发电量的供电区间，生成最优能效报告和最佳输电方案信息；
根据所述最优能效报告和所述最佳输电方案信息调整当前配电情况。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于供需关系的配电方法，其特征在于，包括：
获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量；
依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果；
根据所述聚类结果，对所述用电区域电量需求进行未来周期的超短期预测，得到预测结果；
获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据，其中，所述预设周期与所述未来周期的周期长度相同；
根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间；
根据所述预测结果和代表所述预设周期内所述发电侧的发电量的供电区间，生成最优能效报告和最佳输电方案信息；
根据所述最优能效报告和所述最佳输电方案信息调整当前配电情况。
2.根据权利要求1所述的方法，其特征在于，所述根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间，包括：
依据所述预设周期内每一预设时段的发电量数据，确定所述预设周期内每一预设时段的发电区间；
按照预设的筛选策略对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选，确定代表所述预设周期内所述发电侧的发电量的供电区间。
3.根据权利要求2所述的方法，其特征在于，所述依据所述预设周期内每一预设时段的发电量数据，确定所述预设周期内每一预设时段的发电区间，包括：
对所述预设周期内每一预设时段的发电量数据进行合理性筛选，确定所述预设周期内每一预设时段的发电数据；
确定所述预设周期内每一预设时段的所述发电数据中的最大值和最小值；
将所述最大值和所述最小值分别作为所述预设周期内每一预设时段的发电区间的右端点和左端点，得到与所述预设周期内各预设时段一一对应的发电区间。
4.根据权利要求2所述的方法，其特征在于，所述按照预设的筛选策略对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选，确定代表所述预设周期内所述发电侧的发电量的供电区间，包括：
将所述预设周期内每一预设时段的发电区间的端点值中的异常值进行剔除，得到剔除异常值后的所述预设周期内至少一个预设时段的发电区间；
若所述发电区间为一个，则将所述发电区间作为代表所述预设周期内所述发电侧的发电量的供电区间；
若所述发电区间为至少两个，则将至少两个所述发电区间的端点值中超过预设的容限值的端点值进行剔除，得到剔除超过预设的容限值的端点值后的所述预设周期内的至少一个预设时段的发电区间；
若所述发电区间为一个，则将所述发电区间作为代表所述预设周期内所述发电侧的发电量的供电区间；
若所述发电区间为至少两个，则将至少两个所述发电区间的端点值中不满足合理性的端点值进行剔除，得到剔除不满足合理性的端点值后的所述预设周期内的至少一个预设时段的发电区间；
将剔除不满足合理性的端点值后的所述预设周期内的至少一个预设时段的发电区间，作为代表所述预设周期内所述发电侧的发电量的供电区间。
5.根据权利要求2所述的方法，其特征在于，所述按照预设的筛选策略对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选之前，还包括：
构建关于所述预设周期内每一预设时段的发电区间的端点值的箱须图，所述箱须图用于在对所述预设周期内每一预设时段的所述发电区间的端点值进行筛选的过程中，对每一端点值在所述预设周期内的分散情况进行统计并显示。
6.根据权利要求1所述的方法，其特征在于，所述获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量，包括：
获取用电区域负荷侧中各负荷的用电量信息；
根据所述用电区域负荷侧中各负荷的用电量信息，确定预设时段内用电区域负荷侧中各负荷的负荷曲线；
使用非侵入式负荷识别方法对各负荷的负荷曲线识别，得到用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量。
7.根据权利要求6所述的方法，其特征在于，所述负荷信息包括：
用电区域负荷侧中的负荷信息参数、所述预设时段内各类电力电源的线损率与汇总用电量的相关性、所述预设时段内负荷的线损率与汇总用电量的相关性、所述预设时段内各类电力电源及负荷的运行状态、所述预设时段内各类电力电源及负荷的可调价值；
所述负荷用电量包括：
所述预设时段内各类电力电源及负荷的用电量数据、所述预设时段内各类电力电源及负荷的有功功率。
8.根据权利要求1所述的方法，其特征在于，依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果，包括：
随机生成多个聚类中心，每个所述聚类中心对应一个第一聚类中心数值；
针对每个聚类中心：
将与该聚类中心的第一聚类中心数值最接近的负荷用电量所对应的负荷进行聚类，得到聚类负荷群；
计算所述聚类负荷群中负荷用电量的平均值，将所述平均值作为该聚类中心的第二聚类中心数值；
判断该聚类中心的第一聚类中心数值与该聚类中心的第二聚类中心数值是否相同，若是，则将该聚类中心的聚类负荷群作为表征所述用电区域在预设时段内的电量需求程度的聚类结果；
若否，则将该聚类中心的第一聚类中心数值替换为该聚类中心的第二聚类中心数值，并返回执行将与该聚类中心的第一聚类中心数值最接近的负荷用电量所对应的负荷进行聚类的步骤，直到该聚类中心的第一聚类中心数值与该聚类中心的第二聚类中心数值相同为止。
9.一种基于供需关系的配电装置，其特征在于，包括：
用电数据获取单元，用于获取用电区域负荷侧中各负荷的负荷信息以及预设时段的负荷用电量；
数据聚类单元，用于依据所述负荷用电量和所述负荷信息对各负荷进行聚类，得到表征所述用电区域在预设时段内的电量需求程度的聚类结果；
数据预测单元，用于根据所述聚类结果，对所述用电区域电量需求进行未来周期的超短期预测，得到预测结果；
发电数据获取单元，用于获取发电侧中不同发电单元在预设周期内每一预设时段的发电量数据，其中，所述预设周期与所述未来周期的周期长度相同；
区间确定单元，用于根据所述预设周期内每一预设时段的发电量数据，确定代表所述预设周期内所述发电侧的发电量的供电区间；
信息生成单元，用于根据所述预测结果和代表所述预设周期内所述发电侧的发电量的供电区间，生成最优能效报告和最佳输电方案信息；
配电调整单元，用于根据所述最优能效报告和所述最佳输电方案信息调整当前配电情况。
10.一种基于供需关系的配电设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1～8中任一项所述的基于供需关系的配电方法的各个步骤。
CN202210699661.2A 2022-06-20 2022-06-20 一种基于供需关系的配电方法、装置及设备 Pending CN114865627A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210699661.2A CN114865627A (zh) 2022-06-20 2022-06-20 一种基于供需关系的配电方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210699661.2A CN114865627A (zh) 2022-06-20 2022-06-20 一种基于供需关系的配电方法、装置及设备

Publications (1)

Publication Number Publication Date
CN114865627A true CN114865627A (zh) 2022-08-05

Family

ID=82626449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210699661.2A Pending CN114865627A (zh) 2022-06-20 2022-06-20 一种基于供需关系的配电方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114865627A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115051416A (zh) * 2022-08-16 2022-09-13 阿里巴巴（中国）有限公司 数据处理方法、发电方法、装置和云设备
CN115513953A (zh) * 2022-11-23 2022-12-23 深圳市健网科技有限公司 一种因需配电方法、系统、终端设备以及可读存储介质
CN117543723A (zh) * 2024-01-09 2024-02-09 深圳市泰士特科技股份有限公司 基于电力供需数据的大型发电机运行策略确定方法及系统
CN117892701A (zh) * 2024-03-18 2024-04-16 工业云制造(四川)创新中心有限公司 一种云制造业务协同系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115051416A (zh) * 2022-08-16 2022-09-13 阿里巴巴（中国）有限公司 数据处理方法、发电方法、装置和云设备
CN115513953A (zh) * 2022-11-23 2022-12-23 深圳市健网科技有限公司 一种因需配电方法、系统、终端设备以及可读存储介质
CN117543723A (zh) * 2024-01-09 2024-02-09 深圳市泰士特科技股份有限公司 基于电力供需数据的大型发电机运行策略确定方法及系统
CN117543723B (zh) * 2024-01-09 2024-03-29 深圳市泰士特科技股份有限公司 基于电力供需数据的大型发电机运行策略确定方法及系统
CN117892701A (zh) * 2024-03-18 2024-04-16 工业云制造(四川)创新中心有限公司 一种云制造业务协同系统
CN117892701B (zh) * 2024-03-18 2024-05-17 工业云制造(四川)创新中心有限公司 一种云制造业务协同系统

Similar Documents

Publication Publication Date Title
CN114865627A (zh) 一种基于供需关系的配电方法、装置及设备
CN116646933B (zh) 一种基于大数据的电力负荷调度方法及系统
Zhang et al. Forecasting residential energy consumption: Single household perspective
CN102999791A (zh) 一种电力行业中基于客户分群的电力负荷预测方法
Li et al. A baseline load estimation approach for residential customer based on load pattern clustering
CN111680937B (zh) 基于电力数据分级赋权的小微企业复工率评估方法
CN106682763B (zh) 一种用于大量样本数据的电力负荷优化预测方法
CN113139711A (zh) 一种基于数据整合的智慧能源数据中心管理系统
Klingler et al. Residential photovoltaic self-consumption: Identifying representative household groups based on a cluster analysis of hourly smart-meter data
CN115660225A (zh) 一种基于电表通信模块的用电负荷预测管理方法及系统
CN106295877B (zh) 一种智能电网电能使用量预测方法
CN117621898B (zh) 考虑电网电价的智慧停车场充电桩充电控制方法及系统
CN111160993A (zh) 基于用户负荷报装的用户实用及阶段释放系数的分析方法
CN113644652A (zh) 一种基于用户不确定性行为的负荷调控优化系统
CN112994002B (zh) 一种电力可移动负荷识别方法
CN115864461A (zh) 一种电力储能系统的控制方法
Arco et al. Clustering methodology for smart metering data based on local and global features
CN111796143B (zh) 一种配用电系统节能设备节能量计量方法
Ma et al. Residential high-power load prediction based on optimized LSTM network
Chen et al. Data-driven residential customer aggregation based on seasonal behavioral patterns
Christensen et al. Data-driven learning from dynamic pricing data-classification and forecasting
CN117236532B (zh) 一种基于负荷数据的用电高峰负荷预测的方法及系统
CN111768023B (zh) 一种基于智慧城市电能表数据的概率峰值负荷估计方法
CN117220417B (zh) 消费端电负荷动态监测方法及系统
CN117578534B (zh) 光伏储能系统的调度方法、装置、设备及存储介质

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