CN115496627A - 一种可调资源响应潜力的评估方法及系统 - Google Patents
一种可调资源响应潜力的评估方法及系统 Download PDFInfo
- Publication number
- CN115496627A CN115496627A CN202211462841.5A CN202211462841A CN115496627A CN 115496627 A CN115496627 A CN 115496627A CN 202211462841 A CN202211462841 A CN 202211462841A CN 115496627 A CN115496627 A CN 115496627A
- Authority
- CN
- China
- Prior art keywords
- resource
- adjustable
- time node
- data
- response potential
- 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 189
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000013210 evaluation model Methods 0.000 claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 230000005284 excitation Effects 0.000 claims description 64
- 238000000354 decomposition reaction Methods 0.000 claims description 58
- 230000005611 electricity Effects 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 42
- 230000009467 reduction Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012847 principal component analysis method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000009960 carding Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000012804 iterative process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Abstract
本发明公开了一种可调资源响应潜力的评估方法及系统,所述方法包括:基于影响可调资源响应潜力的不确定性因素,建立响应潜力评估模型;获取所述响应潜力评估模型在各时间节点的关键参数;将所述关键参数带入所述响应潜力评估模型进行求解,得到所述可调资源在各时间节点的可调容量的概率分布。本发明考虑不同时间节点可调资源用电特征差异,能够在多时间节点上对可调资源响应潜力进行评估,从而得到可调资源集群不同时间节点响应潜力的概率分布。
Description
技术领域
本发明属于电网工程技术领域,特别涉及一种可调资源响应潜力的评估方法及系统。
背景技术
虚拟电厂(VPP)参与需求响应是电网需求侧管理的一种重要方式。当电网预测峰(谷)负荷量达到警戒值时,将会触发削峰(填谷)信号。电网控制中心检测到响应信号后,向需求响应平台发布相应信息。VPP作为电网需求响应重要参与者可与电网公司达成削减负荷或者增加负荷的任务合同,并将是否参与响应的信息推送给合同用户,并根据用户反馈的信息确定参与响应的用户。最后,将增加负荷量或者减少负荷量的任务分发给参与的用户,确保电网运行的安全性与高效性。因此,确定VPP中的可调资源集群的响应潜力评估是VPP参与电网平衡业务确保电网安全运行的关键。在可调资源集群响应潜力评估方面,现有技术中,对建筑集群、电动汽车集群、空调集群等潜在集群模型进行了研究,并从响应设备层面分析了用户参与响应。然而,集群能耗行为的随机性使得很难获得用户个体的精确需求响应特征。现有技术之一利用高斯混合模型(GMM)对智能电表采集的用户在不同时段的用电量数据进行分析,得到集群负荷下降的概率分析模型。但是概率模型中没有用户的历史响应数据,因此模型不能反映实际用户的个人响应特征。现有技术之二考虑了温度对用户响应行为的影响,提出了一种混合密度神经网络需求响应潜力评估模型,解决了温度对用户参与需求响应的影响问题。但用户响应参与不仅受温度的影响,还受用户行为和激励价格的影响。
在制定激励价格策略时,现有技术之三从用户负荷高峰、用电高峰时间和负荷弹性三个角度分析用户用电曲线,建立了满足用户基本约束条件下DR利润最大化的模型。现有技术之四提出了一种在线实时需求响应定价策略,通过在时间维度上更精细化、更灵活的价格设定来提高电力服务提供商的DR利润。然而,这些优化模型的研究并没有考虑不同集群的特点。所有DR的价格都是统一设定的,不可能充分挖掘各个集群用户的需求响应潜力。也有一些从用户分类的角度进行的研究。现有技术之五将用户负载分为灵活和不灵活两种类型,并针对不同类型的用户制定了激励措施。
现有技术之六使用分类算法,根据消费者的个人信息将其划分为不同的类别,然后向不同类别的用户提供价格计划列表,鼓励不同的用户参与需求响应。但是,用户响应行为具有多样化的特点,会随着时间的推移而变化。基于简单划分的激励措施比较粗糙,难以准确反映用户响应行为的差异。因此,有必要进一步研究不同激励价格和时段下集群的需求响应潜力,以支持VPP制定激励策略。
综上所述,当前针对可调资源集群的响应模型主要侧重于在较长时间尺度上对各类可调资源集群自身用电特性进行分析,没有考虑较短的不同时间节点下可调资源用电特征之间的差异性。针对响应不确定性问题,当前研究主要针对同行业或单集群自身长时间尺度下考虑不确定性的响应潜力的分析,得到的仅是可调资源在特定激励下考虑不确定性的响应容量,对多时间节点上不确定性影响因素下的可调资源集群响应潜力的概率分布情况没有给出进一步的分析。
发明内容
针对上述问题,本发明提供了一种可调资源响应潜力的评估方法,包括:
基于影响可调资源响应潜力的不确定性因素,建立响应潜力评估模型;
获取所述响应潜力评估模型在各时间节点的关键参数;
将所述关键参数带入所述响应潜力评估模型进行求解,得到所述可调资源在各时间节点的可调容量的概率分布。
优选地,所述基于影响可调资源响应潜力的不确定性因素,建立响应潜力评估模型包括:
梳理可调资源的历史负荷数据,所述历史负荷数据包括:可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度;
分析所述不确定性因素的影响下,所述响应潜力与所述激励强度的关系;
基于所述响应潜力与所述激励强度的关系,对基于消费者心理学的需求响应模型进行改进,获得所述响应潜力评估模型。
优选地,所述获取所述响应潜力评估模型在各时间节点的关键参数包括:
将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据;
采用EMD算法分解所述用电功率时序数据,得到所述可调资源用电功率单时间序列的本征模态分量;
通过自编码器对所述本征模态分量进行特征提取,将提取后的特征参数集合,形成m维用电特征参数集;
采用主成分分析法对所述m维用电特征参数集进行降维处理,得到降维数据,并采用最小二乘拟合所述降维数据得到所述关键参数。
优选地,采用EMD算法分解所述可调资源用电功率时序数据,得到所述可调资源用电功率单时间序列的本征模态分量包括:
式中:表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分解
得到的第i个本征模态分量,表示对第k个可调资源在时间节点t下的功率时序数据使
用EMD分解得到的全部残余分量,k表示可调资源的编号,i表示本征模态分量的编号,n表示
本征模态分量的总编号,a表示残余分量的总编号,t表示时间节点;
迭代提取第i个IMF分量直至满足迭代停止条件。
优选地,所述迭代提取第i个IMF分量直至满足迭代停止条件包括:
所述第i个IMF分量的一次迭代过程的计算式为:
式中:表示对可调资源k的第j次迭代过程中的分解模态分量,表示
对可调资源k第j-t′次迭代过程中的分解模态分量,k表示可调资源的编号,t′表示迭代的
次数,r表示迭代的总次数,所述迭代停止条件表示两个连续的分解模态分量和的标准差,d表示标准差的编号。
给定n个可调资源,则自编码器的输入数据为Xi:
式中:表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得
到的第i个本征模态分量,表示对第2个可调资源的在时间节点t下的功率时序数据
使用EMD分解得到的第i个本征模态分量,表示对第k′个可调资源的在时间节点t下
的功率时序数据使用EMD分解得到的第i个本征模态分量;
式中:为,,和的取值,和分别为单时间节点下第i个本征分
量特征提取的输入层与隐含层之间的权重矩阵和偏置向量,和分别为第i个本征分量
特征提取的隐含层与输出层之间权重矩阵和偏置向量,L为与的误差函数,为编码
过程输入的数据,为解码之后输出的数据,argmin表示使目标函数取最小值时的变量
值。
优选地,所述采用主成分分析法对所述m维用电特征参数集hi进行降维处理得到降维数据,并采用最小二乘拟合所述降维数据得到所述关键参数的计算式为:
式中:q表示特征指标的编号,Q表示特征指标的总编号,p表示可调资源用电特征指标的主成分的编号,P表示可调资源用电特征指标的主成分的总编号,t表示时间节点b1p(t)、b2p(t)和b3p(t)分别表示时间节点t下关键参数r1、r2、r3的特征系数,Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分,aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数,hq为第q个特征指标的取值,r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
优选地,所述将所述关键参数带入所述响应潜力评估模型进行求解,得到所述可调资源在各时间节点的可调容量的概率分布包括:
通过响应历史数据集进行点估计,得到各时间节点下的估计值,将所述估计值视为时间节点t下考虑不确定性因素影响的随机参数r4(t)满足的正态分布参数:
式中:表示可调资源在各时间节点的可调容量的概率分布,表示激励
强度,表示激励强度的模糊值,、、、、、、
和分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、
均值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值,为均值
估计值,为标准差模糊值,为均值的偏差,为标准差的偏差,表示时
间节点t下的激励强度,表示时间节点t下的激励强度模糊值,r1(t)、r2(t)和r3(t)分
别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数;
通过对可调资源各个时间节点的时序数据进行滚动分析,得到可调资源在不同时间节点的可调容量的概率分布。
本发明还提供一种可调资源响应潜力的评估系统,包括:
建立单元,用于基于影响可调资源响应潜力的不确定性因素,建立响应潜力评估模型;
获取单元,用于获取所述响应潜力评估模型在各时间节点的关键参数;
求解单元,用于将所述关键参数带入所述响应潜力评估模型进行求解,得到所述可调资源在各时间节点的可调容量的概率分布。
优选地,所述建立单元包括:
梳理模块,用于梳理可调资源的历史负荷数据,所述历史负荷数据包括:可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度;
分析模块,用于分析所述不确定性因素的影响下,所述响应潜力与所述激励强度的关系;
获得模块,用于基于所述响应潜力与所述激励强度的关系,对基于消费者心理学的需求响应模型进行改进,获得所述响应潜力评估模型。
优选地,所述获取单元包括:
组成模块,用于将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据;
分解模块,用于采用EMD算法分解所述用电功率时序数据,得到所述可调资源用电功率单时间序列的本征模态分量;
提取模块,用于通过自编码器对所述本征模态分量进行特征提取,将提取后的特征参数集合,形成m维用电特征参数集;
降维处理模块,用于采用主成分分析法对所述m维用电特征参数集进行降维处理,得到降维数据,并采用最小二乘拟合所述降维数据得到所述关键参数。
优选地,分解模块包括:
式中:表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分解
得到的第i个本征模态分量,表示对第k个可调资源在时间节点t下的功率时序数据使
用EMD分解得到的全部残余分量,k表示可调资源的编号,i表示本征模态分量的编号,n表示
本征模态分量的总编号,a表示残余分量的总编号,t表示时间节点;
迭代子模块,用于迭代提取第i个IMF分量直至满足迭代停止条件。
优选地,所述第i个IMF分量的一次迭代过程的计算式为:
式中:表示对可调资源k的第j次迭代过程中的分解模态分量,表示
对可调资源k第j-t′次迭代过程中的分解模态分量,k表示可调资源的编号,t′表示迭代的
次数,r表示迭代的总次数,所述迭代停止条件表示两个连续的分解模态分量
和的标准差,d表示标准差的编号。
优选地,所述提取模块包括:
给定子模块,用于给定n个可调资源,则自编码器的输入数据为Xi:
式中:表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得
到的第i个本征模态分量,表示对第2个可调资源的在时间节点t下的功率时序数据
使用EMD分解得到的第i个本征模态分量,表示对第k′个可调资源的在时间节点t下
的功率时序数据使用EMD分解得到的第i个本征模态分量;
式中:为,,和的取值,和分别为单时间节点下第i个本征分
量特征提取的输入层与隐含层之间的权重矩阵和偏置向量,和分别为第i个本征分量
特征提取的隐含层与输出层之间权重矩阵和偏置向量,L为与的误差函数,为编码
过程输入的数据,为解码之后输出的数据,argmin表示使目标函数取最小值时的变量
值。
优选地,采用主成分分析法对所述m维用电特征参数集hi进行降维处理得到降维数据,并采用最小二乘拟合所述降维数据得到所述关键参数的计算式为:
式中:q表示特征指标的编号,Q表示特征指标的总编号,p表示可调资源用电特征指标的主成分的编号,P表示可调资源用电特征指标的主成分的总编号,t表示时间节点b1p(t)、b2p(t)和b3p(t)分别表示时间节点t下关键参数r1、r2、r3的特征系数,Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分,aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数,hq为第q个特征指标的取值,r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
优选地,所述求解单元包括:
估计模块,用于通过响应历史数据集进行点估计,得到各时间节点下的估计值,将所述估计值视为时间节点t下考虑不确定性因素影响的随机参数r4(t)满足的正态分布参数:
式中:表示可调资源在各时间节点的可调容量的概率分布,表示激励
强度,表示激励强度的模糊值,、、、、、、
和分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、
均值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值,为均值
估计值,为标准差模糊值,为均值的偏差,为标准差的偏差,表示时
间节点t下的激励强度,表示时间节点t下的激励强度模糊值,r1(t)、r2(t)和r3(t)分
别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数;
滚动分析模块,用于通过对可调资源各个时间节点的时序数据进行滚动分析,得到可调在不同时间节点的可调容量的概率分布。
本发明的有益效果:本发明提出了一种考虑不确定因素的单集群聚合响应潜力评估方法,该方法考虑不同时间节点可调资源用电特征差异,能够在多时间节点上对可调资源响应潜力进行评估,从而得到可调资源集群不同时间节点响应潜力的概率分布。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种可调资源响应潜力的评估方法的流程示意图;
图2为本发明在不确定性因素影响下可调资源响应与激励强度关系图;
图3为本发明提取第i个IMF的迭代过程示意图;
图4为本发明SAE网络结构与可调资源数据训练示意图;
图5为本发明可调资源多时间节点潜力评估数据输入与输出示意图;
图6为本发明可调资源多时间节点可调容量评估流程示意图;
图7为本发明具体应用实例的现货市场实时购电价格图;
图8为本发明具体应用实例的集群在各时间节点下的模型参数图;
图9为本发明具体应用实例的集群在各时间节点下响应潜力分析结果图。
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中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
图1为本发明一种可调资源响应潜力的评估方法的流程示意图,如图1所示,本发明提供了一种可调资源响应潜力的评估方法,包括步骤:
S1基于影响可调资源响应潜力的不确定性因素,建立响应潜力评估模型;
S2获取所述响应潜力评估模型在各时间节点的关键参数;
S3将所述关键参数带入所述响应潜力评估模型进行求解,得到所述可调资源在各时间节点的可调容量的概率分布。
具体地,所述S1基于影响可调资源响应潜力的不确定性因素,建立响应潜力评估模型包括步骤:
S1.1梳理可调资源的历史负荷数据,所述历史负荷数据包括:可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度;
S1.2分析所述不确定性因素的影响下,所述响应潜力与所述激励强度的关系;
S1.3基于所述响应潜力与所述激励强度的关系,对基于消费者心理学的需求响应模型进行改进,获得所述响应潜力评估模型。
本实施例以基于消费者心理学的需求响应模型为基础 ,进一步考虑可调资源参与响应的不确定性,提出面向不同类型单集群可调资源的日前可调潜力评估方法。不同行业可调资源由于其自身产生效益及需求的不同,用户的响应程度也根据电价或激励的变化各不相同。根据用户以最小用电成本的心理倾向,不同可调资源参与需求响应也满足一定的规律。尤其是针对集群可调资源,该规律更加明显。
图2为本发明在不确定性因素影响下可调资源响应与激励强度关系图;如图2所示,不考虑响应不确定性因素影响时,该模型将用户参与需求响应的响应率与激励强度的关系描述为一个分段线性函数。图2中A为激励强度的死区拐点,激励强度低于A点时,用户对激励没有响应,即在该激励价格下可调资源没有响应潜力。B为激励强度的饱和区拐点,激励强度大于B点时,用户对激励的增加不再反应,主要是因为用户可调资源的总功率是有限的,当用户响应达到自身调节最大限值时,即使提高激励价格也无法再提高响应率。A点和B点之间为线性区,在该范围内用户的响应率随着激励的增加而增加。随着激励强度的增大,用户响应行为会经历由死区到线性区再到饱和区的变化。
考虑到对可调资源响应潜力评估时各种不确定因素的影响,线性区通常认为由图2中线条一和线条二围成的区域表示,即在线性区的某一个激励强度下,用户响应率不是唯一的一个点位,而是在一个可能的区域内变化。取线性区的用户响应率上边界曲线时,得到的响应潜力为该激励下的响应上限,取下边界曲线时,得到的响应潜力为该激励下的响应下限,最终用户在该激励下的响应潜力可认为是由两条曲线的中间部分来表示。
忽略可调资源在死区和饱和区响应的随机性,所以本实施例主要针对线性区的相关参数建模求解,具体包括死区拐点r1(激励强度最低值)、饱和区拐点r2(激励强度最大值)及其纵坐标r3(用户响应率)。由于考虑到不确定性因素的影响,因此无法使用线性函数来对线性区建模考虑,本实施例将线性区响应曲线用二次函数表示:
式中:a、b为二次模型的相关参数,r4为考虑不确定性影响的随机参数;为用户
响应率;为激励强度。若已知某用户参与响应的模型关键参数,即拐点(r1,0)和(r2,r3)
已知,则用户响应负荷率可由下式得到:
式中:为用户响应率;为激励强度,r1、r2和r3分别为第一确定性关键参数、
第二确定性关键参数和第三确定性关键参数,r4为考虑不确定性影响的随机参数,通过r4的
随机性变化可以刻画可调资源参与响应过程的随机特征。本实施例认为用户的确定性参数
r1、r2、r3具有个体间的差异性,而随机参数r4对同种类可调资源响应潜力的影响具有相似
性。本实施例在用户聚类分析的基础上,对具有用电行为相似性的一类可调资源分析其随
机参数r4对可调资源响应潜力的影响。
具体地,所述S2获取所述响应潜力评估模型在各时间节点的关键参数包括:
S2.1将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据;
本实施例中,采集系统在特定时间节点每日采集的用电功率组成可调资源用电功
率时序数据。可调资源用电功率时序数据由采集系统在特定时间节点每日采集的用电
功率组成,将采集到的每日用电功率数据进行单时间节点切分得到用电功率时序数据,其中k为可调资源编号,t表示时间节点。为描述方便,下面仅考虑单时间节点下对功
率时间序列进行特征分析,并提取出可调资源在该时间节点下的用电特征,的
维度取决于采集的样本数据天数。
步骤S2.2具体包括:
S2.22迭代提取第i个IMF分量直至满足迭代停止条件;
本实施例中,将获得的用电功率时序数据采用EMD(empirical mode
decomposition, 经验模态分解)算法分解获得可调资源用电功率单时间序列的本征模态
分量和。EMD是一种非平稳信号分析算法,该算法基于两种假设:①信号由不同的
IMF(Intrinsic Mode Fuction,本征模态分量 )组合而成;②IMF同时具备线性和非线性特
点。从而可以使用EMD算法将用电功率时序数据分解为一系列IMF分量,可以用如下计
算式表示:
式中:表示对第k个可调资源在时间节点t下的功率时序数据使用EMD分解
得到的第i个本征模态分量,表示对第k个可调资源在时间节点t下的功率时序数据使
用EMD分解得到的全部残余分量,k表示可调资源的编号,i表示本征模态分量的编号,n表示
本征模态分量的总编号,a表示残余分量的总编号,t表示时间节点
提取第i个IMF的迭代过程可以如图3所示(图3为本发明提取第i个IMF的迭代过程
示意图)。EMD对时序数据分解是通过对局部极大、极小值用三次样条曲线连接起来形成上
下包络线,并取其均值,接着从初始序列中减去这些包络线的平均值得到剩余序
列,有:
以上步骤是IMF求取的一次迭代过程,针对剩余序列局部的极大值与极小值继
续形成上下包络线均值,并将该剩余序列在迭代过程中表示为分解模态分量,然后用分解模态分量减去包络线均值,得到下一次迭代过程中的
分解模态分量,重复上述过程,直到满足某个给定的停止标准,通常使用两个连
续的分解结果之间的标准差指标作为迭代停止条件,该指标根据如下公式计算得到:
式中:表示对可调资源k的第j次迭代过程中的分解模态分量,表示
对可调资源k第j-t′次迭代过程中的分解模态分量,k表示可调资源的编号,t′表示迭代的
次数,r表示迭代的总次数,所述迭代停止条件表示两个连续的分解模态分量
和的标准差,d表示标准差的编号。
从而获得第i个IMF和剩余序列。继续对剩余序列(全部残余分量中的第i
个残余分量)提取第i+1个IMF,直到剩余序列(对第k个可调资源的在时间节点t下的功率时
序数据使用EMD分解得到的全部残余分量)无法再分解。
S2.3通过自编码器对所述本征模态分量进行特征提取,将提取后的特征参数集合,形成m维用电特征参数集hi;
S2.4采用主成分分析法对所述m维用电特征参数集hi进行降维处理,得到降维数据,并采用最小二乘拟合所述降维数据得到所述关键参数(第一确定性关键参数r1、第二确定性关键参数r2、第三确定性关键参数r3和考虑不确定性影响的随机参数r4)。
采用SAE对可调资源用电功率进行特征提取,SAE是由自编码器(Autoencoder,AE)栈式堆叠构成的一种深层神经网络,通过引入多个隐含层从而能够学习原始数据多种内在联系,主要适用于特征提取、数据分类等任务。图4为一个具有N个隐含层的SAE网络结构,如图4所示,SAE网络由对称的编码器与解码器组成,通过编码器与解码器的互相学习迭代完成网络训练。
给定含n个可调资源的集群,SAE网络的输入为:
其中:表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得
到的第i个本征模态分量,表示对第2个可调资源的在时间节点t下的功率时序数据
使用EMD分解得到的第i个本征模态分量,表示对第k′个可调资源的在时间节点t下
的功率时序数据使用EMD分解得到的第i个本征模态分量;
式中:为,,和的取值,和分别为单时间节点下第i个本征分
量特征提取的输入层与隐含层之间的权重矩阵和偏置向量,和分别为第i个本征分量
特征提取的隐含层与输出层之间权重矩阵和偏置向量,L为与的误差函数,为编码
过程输入的数据,为解码之后输出的数据,argmin表示使目标函数取最小值时的变量
值。
通过网络训练使得重构误差足够小时,认为隐含层状态包含了原始数据的全部
特征信息,从而该隐含层状态即为提取出的特征。在SAE中,该隐藏层往往具有多层,从而
能够提取出原始数据更多维度的特征。迭代过程中,将上一个隐藏层的输出作为下一个隐
藏层的输入进一步提取特征,最后一个隐藏层和输出层进行数据重构,从而完成多隐藏层
的迭代训练过程。网络训练完成后,可以将编码器与解码器组合在一起作为可调资源时序
分量特征提取器,对多个IMF分量进行特征提取可以得到可调资源用电功率时序数据的所
有特征量。将一天24小时按照15min间隔划分为96个时间节点,各时间节点下集群可调资源
潜力评估输入与输出如图5所示(图5中xn,T表示第n个可调资源集群在日期T的用电功率时
序数据,dn,D表示第n个可调资源在时间节点D下的历史响应数据),输入数据为集群在各个
时间节点下不同日期用电功率的时序数据,输出为n个可调资源在各时间节点下的历史响
应数据,包含历史降负荷率和参与响应的激励价格,即有。输入数据先
通过EMD方法进行分解,然后将分解后的各IMF分量作为SAE网络的输入,提取集群各可调资
源的用电特征。输出数据一方面作为全连接层的输出参与神经网络的训练,另一方面作为
计算分布鲁棒不确定性参数的输入数据。
通过上述特征提取方法得到m维的特征集hi,在此基础上对该集群使用主成分分析法对特征集降维处理,并采用最小二乘拟合挖掘用户可调潜力模型关键参数(第一确定性关键参数r1、第二确定性关键参数r2、第三确定性关键参数r3和考虑不确定性影响的随机参数r4)。具体步骤为对该集群使用主成分分析法对特征集降维处理,并采用最小二乘拟合挖掘用户可调潜力模型关键参数,最终得到如下关系式:
式中:q表示特征指标的编号,Q表示特征指标的总编号,p表示可调资源用电特征指标的主成分的编号,P表示可调资源用电特征指标的主成分的总编号,t表示时间节点b1p(t)、b2p(t)和b3p(t)分别表示时间节点t下关键参数r1、r2、r3的特征系数,Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分,aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数,hq为第q个特征指标的取值,r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
将获得的可调资源在日内各时间节点关键参数带入可调潜力模型进行求解,进而得到可调资源在多时间节点的可调容量的概率分布。具体步骤为:通过对响应历史数据集进行点估计得到各时间节点下的估计值,将该估计值视为r4(t)满足的正态分布参数。
式中:表示可调资源在各时间节点的可调容量的概率分布,表示激励
强度,表示激励强度的模糊值,、、、、、、
和分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、
均值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值,为均值
估计值,为标准差模糊值,为均值的偏差,为标准差的偏差,表示时
间节点t下的激励强度,表示时间节点t下的激励强度模糊值,r1(t)、r2(t)和r3(t)分
别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
进一步通过对可调资源各个时间节点的时序数据进行滚动分析,得到该集群在不同时间的可调容量潜力的概率分布。图6为本发明可调资源多时间节点可调容量评估流程示意图,如图6所示,通过采用本方法逐个对日内各时间节点进行分析,进而得到可调资源在多时间节点的可调容量的概率分布。
实施例1
实施例1所用数据为某市2019年5月10日至2020年2月25日含500个可调资源的集
群的用电负荷数据,数据的采集频率为15min/点。由于难以获得15min/点的气温数据,本实
施例采用日最高气温与日最低气温 来分析温度对可调资源各时序分量用电特征的影响。
为了分析节假日、气象数据等非参数化数据对可调资源用电时序各分量的影响,使用布尔
变量对非参数化影响因素进行参数化处理。由于当前缺少可调资源在各个时间节点的历史
响应数据,本实施例采用表1所示的不同类型可调资源在各个时间节点价格弹性系数
仿真数据,500个可调资源在各个时间节点的响应降负荷数据设置为满足的正
态分布,其中取0.1。可调资源的响应激励电价设置为如图7所示的现货市场实时
购电价格,可调资源在各时间节点参与响应的降负荷率可根据价格弹性系数与实时购电价
格计算得到。
表1可调资源价格弹性系数仿真数据
在对用电时序IMF分量进行特征提取时,最终设定SAE的超参数为:SAE编码、解码层各4层,即进行4次自编码过程,最终将可调资源功率时序数据降维至20个深层特征参数,进一步可根据该特征参数求取各时间节点的模型参数。
通过SAE对集群I提取的各IMF分量进行网络训练并提取特征,然后通过最小二乘
法对集群进行拟合求取消费者心理学模型各参数。各时间节点下的参数求取结果如图8所
示(图8中,和分别为均值基准值和标准差基准值,r1、r2和r3分别为第一确定性关
键参数、第二确定性关键参数和第三确定性关键参数),可知可调资源在各时间节点下模型
参数都有所变化。其中r1参数物理含义为用户参与响应的初始激励价格,由各时间节点下
的求取结果可知,在夜间与凌晨可调资源用电需求并不急迫,因此初始激励价格较低,但白
天可调资源因生产或用户自身意愿等原因,部分资源参与响应意愿较低,因此初始激励价
格较高。并且由r2参数也能看出,可调资源白天达到最大降负荷率的激励价格也比夜间较
高,即可调资源白天因为参与响应需要牺牲更多的舒适度或,因此需要更高的激励才能达
到更高的降负荷率。并且在白天即使给予较高的激励,可调资源参与响应的降负荷率也比
夜间有所下降。
以上分析反映了当前进行需求响应促进削峰填谷时普遍存在的问题,即白天用电压力较大时,可调资源管理者(调度中心,虚拟电厂等)参与响应时,响应代价较高且降负荷效果难以达到理想情况,本文所提的针对多时间节点可调资源潜力评估方法能够针对各时间节点下可调资源响应特性进行分析,为后续可调资源管理者参与响应业务的政策制定提供一定的支撑。
进一步将求取的可调资源消费者心理学模型各参数代入公式4-10,并将90%置信度下的降负荷率作为可调资源响应潜力的概率区间,从而可以得到图9所示集群I在各时间节点下响应潜力的分析结果。由图9中的(a)所示潜力评估结果可知,在高峰用电时段内,可调资源由于自身用电需求等因素的影响其响应降负荷率较低,即使提高响应激励价格其最大降负荷率也较为有限。但在夜间等非高峰时段时,可调资源必要用电需求下降,此时提高响应激励价格能明显提高其响应潜力。由图9中的(b)所示为选取的第29个时间节点下可调资源响应降负荷率评估结果,当响应激励价格达到0.31¥/kWh这一起始响应激励时,可调资源才开始参与响应,随着激励价格的提升可调资源降负荷率也逐渐提高,但当激励价格达到1¥/kWh时,再增加激励价格降负荷率不再增加,可调资源内部存在部分必要用电设施无法参与响应。在激励价格处于0.31~1¥/kWh之间时,在特定激励下可调资源在90%置信度下的降负荷率分布如图中阴影部分所示。该潜力评估结果表明本文所提方法能够分析不同时间节点下可调资源响应特征的差异性,进一步为可调资源管理者参与响应业务的激励价格制定提供支撑。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
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 (16)
1.一种可调资源响应潜力的评估方法,其特征在于,包括:
基于影响可调资源响应潜力的不确定性因素,建立响应潜力评估模型;
获取所述响应潜力评估模型在各时间节点的关键参数;
将所述关键参数带入所述响应潜力评估模型进行求解,得到所述可调资源在各时间节点的可调容量的概率分布。
2.根据权利要求1所述的可调资源响应潜力的评估方法,其特征在于,所述的基于影响可调资源响应潜力的不确定性因素,建立响应潜力评估模型包括:
梳理可调资源的历史负荷数据,所述历史负荷数据包括:可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度;
分析所述不确定性因素的影响下,所述响应潜力与所述激励强度的关系;
基于所述响应潜力与所述激励强度的关系,对基于消费者心理学的需求响应模型进行改进,获得所述响应潜力评估模型。
3.根据权利要求1所述的可调资源响应潜力的评估方法,其特征在于,所述的获取所述响应潜力评估模型在各时间节点的关键参数包括:
将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据;
采用EMD算法分解所述用电功率时序数据,得到所述可调资源用电功率单时间序列的本征模态分量;
通过自编码器对所述本征模态分量进行特征提取,将提取后的特征参数集合,形成m维用电特征参数集;
采用主成分分析法对所述m维用电特征参数集进行降维处理,得到降维数据,并采用最小二乘拟合所述降维数据得到所述关键参数。
5.根据权利要求4所述的可调资源响应潜力的评估方法,其特征在于,所述迭代提取第i个IMF分量直至满足迭代停止条件包括:
所述第i个IMF分量的一次迭代过程的计算式为:
给定n个可调资源,则自编码器的输入数据为Xi:
式中:表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得到的
第i个本征模态分量,表示对第2个可调资源的在时间节点t下的功率时序数据使用
EMD分解得到的第i个本征模态分量,表示对第k′个可调资源的在时间节点t下的功
率时序数据使用EMD分解得到的第i个本征模态分量;
7.根据权利要求3所述的可调资源响应潜力的评估方法,其特征在于,所述的采用主成分分析法对所述m维用电特征参数集hi进行降维处理得到降维数据,并采用最小二乘拟合所述降维数据得到所述关键参数的计算式为:
式中:q表示特征指标的编号,Q表示特征指标的总编号,p表示可调资源用电特征指标的主成分的编号,P表示可调资源用电特征指标的主成分的总编号,t表示时间节点b1p(t)、b2p(t)和b3p(t)分别表示时间节点t下关键参数r1、r2、r3的特征系数,Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分,aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数,hq为第q个特征指标的取值,r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
8.根据权利要求1所述的可调资源响应潜力的评估方法,其特征在于,所述的将所述关键参数带入所述响应潜力评估模型进行求解,得到所述可调资源在各时间节点的可调容量的概率分布包括:
通过响应历史数据集进行点估计,得到各时间节点下的估计值,将所述估计值视为时间节点t下考虑不确定性因素影响的随机参数r4(t)满足的正态分布参数:
式中:表示可调资源在各时间节点的可调容量的概率分布,表示激励强度,表示激励强度的模糊值,、、、、、、和分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、均
值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值,为均值估
计值,为标准差模糊值,为均值的偏差,为标准差的偏差,表示时间
节点t下的激励强度,表示时间节点t下的激励强度模糊值,r1(t)、r2(t)和r3(t)分别
为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数;
通过对可调资源各个时间节点的时序数据进行滚动分析,得到可调资源在不同时间节点的可调容量的概率分布。
9.一种可调资源响应潜力的评估系统,其特征在于,包括:
建立单元,用于基于影响可调资源响应潜力的不确定性因素,建立响应潜力评估模型;
获取单元,用于获取所述响应潜力评估模型在各时间节点的关键参数;
求解单元,用于将所述关键参数带入所述响应潜力评估模型进行求解,得到所述可调资源在各时间节点的可调容量的概率分布。
10.根据权利要求9所述的可调资源响应潜力的评估系统,其特征在于,所述建立单元包括:
梳理模块,用于梳理可调资源的历史负荷数据,所述历史负荷数据包括:可调资源的响应潜力、影响所述响应潜力的不确定性因素和激励强度;
分析模块,用于分析所述不确定性因素的影响下,所述响应潜力与所述激励强度的关系;
获得模块,用于基于所述响应潜力与所述激励强度的关系,对基于消费者心理学的需求响应模型进行改进,获得所述响应潜力评估模型。
11.根据权利要求9所述的可调资源响应潜力的评估系统,其特征在于,所述获取单元包括:
组成模块,用于将在设定的时间节点采集的用电功率数据组成所述可调资源的用电功率时序数据;
分解模块,用于采用EMD算法分解所述用电功率时序数据,得到所述可调资源用电功率单时间序列的本征模态分量;
提取模块,用于通过自编码器对所述本征模态分量进行特征提取,将提取后的特征参数集合,形成m维用电特征参数集;
降维处理模块,用于采用主成分分析法对所述m维用电特征参数集进行降维处理,得到降维数据,并采用最小二乘拟合所述降维数据得到所述关键参数。
14.根据权利要求11所述的可调资源响应潜力的评估系统,其特征在于,所述提取模块包括:
给定子模块,用于给定n个可调资源,则自编码器的输入数据为Xi:
式中:表示对第1个可调资源在时间节点t下的功率时序数据使用EMD分解得到的
第i个本征模态分量,表示对第2个可调资源的在时间节点t下的功率时序数据使用
EMD分解得到的第i个本征模态分量,表示对第k′个可调资源的在时间节点t下的功
率时序数据使用EMD分解得到的第i个本征模态分量;
15.根据权利要求11所述的可调资源响应潜力的评估系统,其特征在于,采用主成分分析法对所述m维用电特征参数集hi进行降维处理得到降维数据,并采用最小二乘拟合所述降维数据得到所述关键参数的计算式为:
式中:q表示特征指标的编号,Q表示特征指标的总编号,p表示可调资源用电特征指标的主成分的编号,P表示可调资源用电特征指标的主成分的总编号,t表示时间节点b1p(t)、b2p(t)和b3p(t)分别表示时间节点t下关键参数r1、r2、r3的特征系数,Up表示通过主成分分析法提取出的第p个可调资源用电特征指标的主成分,aqp(t)为第p个可调资源用电特征指标的主成分构成中第q个特征指标的系数,hq为第q个特征指标的取值,r1(t)、r2(t)和r3(t)分别为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数。
16.根据权利要求9所述的可调资源响应潜力的评估系统,其特征在于,所述求解单元包括:
估计模块,用于通过响应历史数据集进行点估计,得到各时间节点下的估计值,将所述估计值视为时间节点t下考虑不确定性因素影响的随机参数r4(t)满足的正态分布参数:
式中:表示可调资源在各时间节点的可调容量的概率分布,表示激励强度,表示激励强度的模糊值,、、、、、、和分别为描述可调资源在时间节点t的响应潜力不确定性参数的均值、均值估计值、均
值基准值、方差、标准差基准值、均值模糊值、标准差模糊值和标准差估计值,为均值估
计值,为标准差模糊值,为均值的偏差,为标准差的偏差,表示时间
节点t下的激励强度,表示时间节点t下的激励强度模糊值,r1(t)、r2(t)和r3(t)分别
为时间节点t下第一确定性关键参数、第二确定性关键参数和第三确定性关键参数;
滚动分析模块,用于通过对可调资源各个时间节点的时序数据进行滚动分析,得到可调在不同时间节点的可调容量的概率分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211462841.5A CN115496627A (zh) | 2022-11-22 | 2022-11-22 | 一种可调资源响应潜力的评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211462841.5A CN115496627A (zh) | 2022-11-22 | 2022-11-22 | 一种可调资源响应潜力的评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496627A true CN115496627A (zh) | 2022-12-20 |
Family
ID=85114950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211462841.5A Pending CN115496627A (zh) | 2022-11-22 | 2022-11-22 | 一种可调资源响应潜力的评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496627A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116544930A (zh) * | 2023-06-25 | 2023-08-04 | 国网浙江省电力有限公司丽水供电公司 | 一种分布式资源聚合体可调节能力评估方法及装置 |
CN116957306A (zh) * | 2023-09-20 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 基于资源协同互动的用户侧响应潜力评估方法及系统 |
CN117236532A (zh) * | 2023-11-16 | 2023-12-15 | 国网天津市电力公司营销服务中心 | 一种基于负荷数据的用电高峰负荷预测的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102891770A (zh) * | 2012-10-22 | 2013-01-23 | 哈尔滨工业大学深圳研究生院 | 一种利用短相关模型预测长相关序列的方法 |
CN103034757A (zh) * | 2012-12-02 | 2013-04-10 | 中国科学院电工研究所 | 基于经验模态分解的风电场时频域建模方法 |
CN105046383A (zh) * | 2015-09-19 | 2015-11-11 | 东北电力大学 | 一种基于集合经验模态分解和相关向量机的风电功率实时预测方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
CN110263971A (zh) * | 2019-05-14 | 2019-09-20 | 西安理工大学 | 基于支持向量机的超短期风电功率组合预测方法 |
CN115313361A (zh) * | 2022-07-25 | 2022-11-08 | 天津大学 | 一种规模化可调资源的联合优化控制方法和装置 |
-
2022
- 2022-11-22 CN CN202211462841.5A patent/CN115496627A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102891770A (zh) * | 2012-10-22 | 2013-01-23 | 哈尔滨工业大学深圳研究生院 | 一种利用短相关模型预测长相关序列的方法 |
CN103034757A (zh) * | 2012-12-02 | 2013-04-10 | 中国科学院电工研究所 | 基于经验模态分解的风电场时频域建模方法 |
CN105046383A (zh) * | 2015-09-19 | 2015-11-11 | 东北电力大学 | 一种基于集合经验模态分解和相关向量机的风电功率实时预测方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
CN110263971A (zh) * | 2019-05-14 | 2019-09-20 | 西安理工大学 | 基于支持向量机的超短期风电功率组合预测方法 |
CN115313361A (zh) * | 2022-07-25 | 2022-11-08 | 天津大学 | 一种规模化可调资源的联合优化控制方法和装置 |
Non-Patent Citations (1)
Title |
---|
孔祥玉等: ""考虑动态过程的可调资源集群多时间节点响应潜力评估方法"", 《电力系统自动化》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116544930A (zh) * | 2023-06-25 | 2023-08-04 | 国网浙江省电力有限公司丽水供电公司 | 一种分布式资源聚合体可调节能力评估方法及装置 |
CN116544930B (zh) * | 2023-06-25 | 2023-09-19 | 国网浙江省电力有限公司丽水供电公司 | 一种分布式资源聚合体可调节能力评估方法及装置 |
CN116957306A (zh) * | 2023-09-20 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 基于资源协同互动的用户侧响应潜力评估方法及系统 |
CN116957306B (zh) * | 2023-09-20 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 基于资源协同互动的用户侧响应潜力评估方法及系统 |
CN117236532A (zh) * | 2023-11-16 | 2023-12-15 | 国网天津市电力公司营销服务中心 | 一种基于负荷数据的用电高峰负荷预测的方法及系统 |
CN117236532B (zh) * | 2023-11-16 | 2024-04-02 | 国网天津市电力公司营销服务中心 | 一种基于负荷数据的用电高峰负荷预测的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A hybrid FCW-EMD and KF-BA-SVM based model for short-term load forecasting | |
Mansoor et al. | Comparison of echo state network and feed-forward neural networks in electrical load forecasting for demand response programs | |
CN115496627A (zh) | 一种可调资源响应潜力的评估方法及系统 | |
CN111582911A (zh) | 一种多元用户与电网友好互动用电系统 | |
CN113610303A (zh) | 一种负荷预测方法及系统 | |
Nwulu et al. | Modelling and predicting electricity consumption using artificial neural networks | |
Mustapha et al. | Classification of electricity load forecasting based on the factors influencing the load consumption and methods used: An-overview | |
CN106372739B (zh) | 一种基于需求响应基线的需求响应效果评估方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
Zhang et al. | A novel sequence to sequence data modelling based CNN-LSTM algorithm for three years ahead monthly peak load forecasting | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
Kojury-Naftchali et al. | Identifying susceptible consumers for demand response and energy efficiency policies by time-series analysis and supplementary approaches | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
Mansoor et al. | Past vector similarity for short term electrical load forecasting at the individual household level | |
Lou et al. | Mts-lstdm: multi-time-scale long short-term double memory for power load forecasting | |
CN115049102A (zh) | 一种电价预测方法、装置、移动终端及存储介质 | |
CN113919594A (zh) | 一种基于深度森林的需求响应潜力评估方法 | |
Yang et al. | Multi-objective based demand response strategy optimization considering differential demand on reliability of power system | |
Rostamnia et al. | Investigating the effect of competitiveness power in estimating the average weighted price in electricity market | |
Livas-García et al. | Forecasting of locational marginal price components with artificial intelligence and sensitivity analysis: A study under tropical weather and renewable power for the mexican southeast | |
Sari et al. | The effectiveness of hybrid backpropagation Neural Network model and TSK Fuzzy Inference System for inflation forecasting | |
Silva et al. | Impact evaluation of feature selection to short-term load forecasting models considering weather inputs and load history | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
Cao et al. | A hybrid electricity load prediction system based on weighted fuzzy time series and multi-objective differential evolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221220 |