CN115549109A - 海量柔性负荷快速聚合控制方法及装置 - Google Patents

海量柔性负荷快速聚合控制方法及装置 Download PDF

Info

Publication number
CN115549109A
CN115549109A CN202211121197.5A CN202211121197A CN115549109A CN 115549109 A CN115549109 A CN 115549109A CN 202211121197 A CN202211121197 A CN 202211121197A CN 115549109 A CN115549109 A CN 115549109A
Authority
CN
China
Prior art keywords
flexible load
control
flexible
model
load
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
CN202211121197.5A
Other languages
English (en)
Inventor
阮广春
钟海旺
何一鎏
夏清
康重庆
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202211121197.5A priority Critical patent/CN115549109A/zh
Publication of CN115549109A publication Critical patent/CN115549109A/zh
Priority to PCT/CN2023/119004 priority patent/WO2024056050A1/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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Abstract

本发明公开了海量柔性负荷快速聚合控制方法及装置，该方法包括：获取电力系统中柔性负荷的特征；根据柔性负荷的特征得到柔性负荷特征向量，基于柔性负荷特征向量对柔性负荷进行分层聚类得到柔性负荷集群；基于柔性负荷集群构建柔性负荷的控制模型，并根据柔性负荷的历史控制信号得到控制模型的数据驱动拟合函数；基于数据驱动拟合函数构建柔性负荷的集中式快速聚合控制模型，并对集中式快速聚合控制模型的模型函数进行计算得到柔性负荷的最优聚合控制策略。本发明广泛适用于不同类型的柔性负荷，有利于大幅提升负荷侧灵活性资源的运营管理效率，具有广阔的工业应用前景。

Description

海量柔性负荷快速聚合控制方法及装置
技术领域
本发明涉及电力需求侧响应技术领域，尤其涉及海量柔性负荷快速聚合控制方法及装置。
背景技术
目前我国提出构建“以新能源为主体的新型电力系统”的重要战略目标。可靠消纳极高比例新能源依赖于灵活性资源，然而这类资源储备日益紧张，亟需开发尚未充分激活的需求侧资源。柔性负荷是其中的重要组成部分，包括电动汽车、智能楼宇建筑、多能源微电网等等。遗憾的是，现有技术还难以对海量异构的柔性负荷资源进行高效聚合控制，这已经成为提升新型电力系统灵活调节能力中的关键瓶颈。
现有的柔性负荷聚合控制技术大致分为集中式与分布式两类。集中式的聚合控制技术是指控制中心先行收集所有柔性负荷运行模型细节，再建立一个大规模精细化的集中式模型，来实现对各类柔性负荷资源的控制。这类技术的突出问题在于隐私泄露问题，即控制中心并非柔性负荷的所有者，而柔性负荷用户通常不愿意提供自身完整的运行模型细节。而且这类技术建立的集中式模型通常非常复杂，而且规模很大，计算复杂度很高，求解速度常常无法满足现实需要。分布式的聚合控制技术是指控制中心与柔性负荷用户之间采用循环迭代的方式，逐步调整控制方案直至达到系统最优状态。这类技术的突出问题在于收敛效率难以得到保障。具体而言，控制中心与柔性负荷用户的频繁通讯势必显著增加通讯压力，而且多轮迭代通常会导致收敛速度低下。这类技术与现有集中式的业务形态差异明显，因而在实际工程应用方面受到严重制约。
此外需要指出，目前绝大多数柔性负荷聚合控制模型是纯解析化表达的，这种建模表达形式常常具有许多冗余表达式，计算效率上会受到一定影响。另外这种建模形式很难内嵌考虑历史经验，限制了模型刻画精度的进一步提升。与之不同，数据驱动方法能够有效地结合历史经验来剔除冗余表达式，有效提升解析化聚合控制模型的表征能力与计算效率。然而目前相关研究与应用仍然处于初步探索阶段。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种海量柔性负荷快速聚合控制方法，主要面向配电网调度机构、微电网控制中心、负荷聚集商、售电商等主体，充分利用数据驱动方法改进聚合控制的计算效率，能有效解决隐私保护与计算效率的冲突，并实现海量异构柔性负荷资源的高效整合与集中控制。
本发明的另一个目的在于提出一种海量柔性负荷快速聚合控制装置。
为达上述目的，本发明一方面提出了一种海量柔性负荷快速聚合控制方法，包括：
获取电力系统中柔性负荷的特征；
根据所述柔性负荷的特征得到柔性负荷特征向量，基于所述柔性负荷特征向量对所述柔性负荷进行分层聚类得到柔性负荷集群；
基于所述柔性负荷集群构建柔性负荷的控制模型，并根据所述柔性负荷的历史控制信号得到所述控制模型的数据驱动拟合函数；
基于所述数据驱动拟合函数构建所述柔性负荷的集中式快速聚合控制模型，并利用所述集中式快速聚合控制模型制定柔性负荷控制方案，通过所述柔性负荷聚合控制方案得到所述柔性负荷的最优聚合控制策略。
根据本发明实施例的海量柔性负荷快速聚合控制方法还可以具有以下附加技术特征：
进一步地，在本发明的一个实施例中，所述根据量柔性负荷的特征得到柔性负荷特征向量，基于柔性负荷特征向量对所述柔性负荷进行分层聚类得到柔性负荷集群，包括：
利用归一化的方法对所述柔性负荷的特征进行拼接得到柔性负荷特征向量；
基于所述柔性负荷特征向量和相似度规则，并利用预设的聚类方法对所述海量柔性负荷进行聚类分层得到所述海量柔性负荷的分层聚类结果；其中，所述分层聚类结果包括不同的柔性负荷集群。
进一步地，在本发明的一个实施例中，所述基于所述柔性负荷集群构建柔性负荷控制模型，包括：
获取柔性负荷运行模型，根据柔性负荷运行模型得到所述柔性负荷集群的控制变量、环境变量、响应用电量和辅助变量；
基于所述控制变量、环境变量、响应用电量和辅助变量的关系，得到柔性负荷控制模型；以及，
基于所述控制变量和所述柔性负荷运行模型，构建所述柔性负荷控制模型的基于多参数规划的标准化闭式解方程。
进一步地，在本发明的一个实施例中，所述根据所述柔性负荷的历史控制信号得到所述控制模型的数据驱动拟合函数，包括：
采用蒙特卡洛采样法生成所述柔性负荷历史控制信号数据集；
对所述历史控制信号数据集中的控制信号落入临界区间的范围进行判断，根据范围判断结果统计每个临界区间内的控制信号的数量，以得到临界区间被调用的概率密度；
对所述临界区间被调用的概率密度和密度分界阈值进行比较，根据比较结果对临界区间进行优化得到临界区间优化结果；其中，所述临界区间优化结果包括保留的临界区间与生成的新临界区间；
将所述保留的临界区间与所述生成的新临界区间进行合并，得到数据驱动拟合的控制模型。
进一步地，在本发明的一个实施例中，所述利用集中式快速聚合控制模型制定柔性负荷控制方案，通过所述柔性负荷聚合控制方案得到所述柔性负荷的最优聚合控制策略，包括：
根据所述数据驱动拟合的控制模型得到混合整数线性形式的约束方程，基于所述约束方程的表达式构建集中式快速聚合控制模型；
利用预设的优化算法对所述集中式快速聚合控制模型进行求解，得到柔性负荷控制信号的优化方案；
基于所述柔性负荷控制信号的优化方案得到最优控制信号，基于所述最优控制信号和所述柔性负荷集群得到对应的最优用电量。
为达到上述目的，本发明另一方面提出了一种海量柔性负荷快速聚合控制装置，包括：
特征获取模块，用于获取电力系统中柔性负荷的特征；
分层聚类模块，用于根据所述柔性负荷的特征得到柔性负荷特征向量，基于所述柔性负荷特征向量对所述柔性负荷进行分层聚类得到柔性负荷集群；
模型构建模块，用于基于所述柔性负荷集群构建柔性负荷的控制模型，并根据所述柔性负荷的历史控制信号得到所述控制模型的数据驱动拟合函数；
聚合控制模块，用于基于所述数据驱动拟合函数构建所述柔性负荷的集中式快速聚合控制模型，并利用所述集中式快速聚合控制模型制定柔性负荷控制方案，通过所述柔性负荷聚合控制方案得到所述柔性负荷的最优聚合控制策略。
本发明实施例的海量柔性负荷快速聚合控制方法和装置，能有效解决隐私保护与计算效率的冲突，实现海量异构柔性负荷资源的快速聚合控制。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的海量柔性负荷快速聚合控制方法的流程图；
图2为根据本发明实施例的典型柔性负荷集群控制模型的三维示意图；
图3为根据本发明实施例的海量柔性负荷快速聚合控制装置结构示意图；
图4为根据本发明实施例的一种模型构建模块结构示意图；
图5为根据本发明实施例的另一种模型构建模块结构示意图；
图6为根据本发明实施例的聚合控制模块结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的海量柔性负荷快速聚合控制方法和装置。
图1是本发明一个实施例的海量柔性负荷快速聚合控制方法的流程图。
可以理解的是，图1示出了本申请的总体流程图，该流程包含两个主要阶段：阶段一为柔性负荷集群自主上报控制模型，阶段二为控制中心制定柔性负荷控制方案。其中控制中心代指负荷服务商、负荷聚合商、配网调度中心、微电网控制中心等主体。
本方案的两阶段流程区别于传统的集中式或分布式流程，总体的两阶段流程可以包括：S1开展初始配置并获取柔性负荷特征数据、S2开展柔性负荷分层聚类、S3生成柔性负荷集群的控制模型、S4生成控制模型的数据驱动拟合函数、S5计算海量柔性负荷的集中式快速聚合控制方案和S6整理并输出结果以得到最优聚合控制策略。通过实施本方案的两阶段流程能够仅借助一次信息交互就完成聚合控制，其中通过聚合等值得到的信息还有助于避免隐私泄露。
具体而言，阶段一包含步骤S2～S4，阶段二包含步骤S5。下面针对图1示出的详细步骤，展开进一步解释说明：
如图1所示，该方法包括但不限于以下步骤：
S1，获取基础数据与参数，并获取柔性负荷特征数据。
可以理解的是，在获取电力系统中柔性负荷的特征数据之前需要进行初始配置。
优选地，检查通讯网络状态。检查控制中心与柔性负荷之间的通信渠道是否畅通，如遇通信失效情形，需要挂起通信线路异常状态，并尽快安排运维检修。同时失联的负荷侧资源将无法参与后续的聚合优化与控制。
优选地，读取激励电价数据。此处的激励电价是指具体调度场景中的电价条件，可以兼容峰谷电价、分时电价、实时电价等多种电价机制，也可以根据需要选取为电价的概率预测数据。后续将在激励电价的引导下制定具体的聚合控制方案。
优选地，读取聚合控制的各类参数值与格式要求。其中参数包括最大允许的负荷集群数量、最大允许的控制模型分段数量、系统运行边界参数(如时段数、系统总容量限制)、优化算法参数等等。格式要求主要包括通信的信道与校核规则、控制信号标准化编码方式等等。
初始配置之后，再获取电力系统中柔性负荷的特征数据，主要采用用户直接上报和历史数据统计分析两种方式。获取特征后可以进行后续控制聚合步骤。
S2，根据柔性负荷的特征得到柔性负荷特征向量，基于柔性负荷特征向量对柔性负荷进行分层聚类得到柔性负荷集群。
具体地，生成并归一化柔性负荷特征向量。柔性负荷具有许多典型特征，包括负荷类型(工业/商业/居民)、负荷用电的电压等级、负荷月平均用电量、负荷时序特征(时序可平移/时序不可平移)、负荷波动特性、负荷控制变量等等。柔性负荷的这些典型特征指标依次记作γi，将这些特征变量拼接起来即得到特征向量。
为了降低变量量纲差异带来的不利影响，需开展归一化处理，具体方法包括最大-最小值归一化、零均值归一化等等，优选地，最大-最小值归一化的公式表达如下：
Figure BDA0003847098270000051
式中，γi，max和γi，min分别表示特征指标γi的最大和最小值。
进一步地，开展基于相似度的柔性负荷分层聚类。分层具体是指按照负荷控制变量将不同负荷区分开来，比如电价激励型负荷、温度控制型负荷、短时响应调度指令型负荷等等。分层的目的是保证统一层内的所有负荷在控制方法上具有同一性，这样可以使用统一信号来控制整个柔性负荷集群。
在同一层内，可以按照相似度规则对柔性负荷进行更精细的聚类与划分，这可以得到更精细化的控制单元，但相应的计算复杂度也有所提升，实际工程应用中需要在控制精度与复杂度之间进行妥善的权衡取舍。相似度规则一般采用距离函数进行度量，表达式如下：
Figure BDA0003847098270000061
式中，sij表示指标γi和γj之间的距离，DIST(·)表示距离函数，常见的距离函数包括欧式距离函数、曼哈顿距离函数、汉明距离函数、余弦相似度函数等等。
最终，聚类过程基于sij指标来开展，典型的聚类目标是最大化聚类的集聚度(组内差异尽量小、组间差异尽量大)，聚类方法包括k均值法、k中值法、DBSCAN密度聚类、层次聚类法等等。结合前述所有步骤，即可得到柔性负荷的分层聚类结果，其实每个划分出的群组即是一组特性相近的柔性负荷集群。
S3，基于柔性负荷集群构建柔性负荷的控制模型。
具体地，重构柔性负荷运行模型并确定控制变量。柔性负荷运行模型是指其决策用电量计划的内部模型，通常只有负荷用户自身才知道，由于常常涉及用户的关键行为参数或偏好信息，普遍被认定是用户隐私。一种典型的柔性负荷运行模型可表达如下：
min cTp
s.t.A1p＝b1
A2p≤b2
式中，决策变量是柔性负荷用电量p，而剩余变量c、A1、A2、b1、b2均为模型参数。该模型是一个包含等式约束和不等式约束的线性规划模型，具有较好的通用性。主要指出的是，工程应用中线性规划模型的使用频率非常高，这得益于其简洁的形式与高效的求解效率，而且许多形式更复杂的模型实际上也可以在局部通过线性规划模型近似表征。
可以理解的是，重构柔性负荷运行模型是指从函数输入输出的角度重整模型，具体划分出控制变量、环境状态、响应用电量、辅助变量。
进一步地，控制变量与环境状态都是运行模型的输入量，而辅助变量与响应用电量则是模型的最优解。控制变量是指可以直接控制或调节的变量，不同应用场景中的控制变量会有所差异，该控制变量与上述步骤的控制方式具有严格对应关系。环境状态一般是柔性负荷运行模型的输入参数，该变量通常无法人为控制，而仅仅当作优化模型的边界条件。响应用电量是柔性聚合优化决策得到的最优用电量计划，这里使用“响应”的前缀，是因为在不同的控制变量设置与环境状态下，最优用电量水平也会相应调整，具有对应关系。辅助变量是指最优解中除响应用电量之外的变量，一般运行模型建模中常常会引入部分辅助变量，来辅助构建运行模型。
作为一种示例，结合空调负荷(温度控制型负荷)作实例化说明。空调负荷的控制变量是预设温度值，环境状态包括当前的室内温度与空调运行边界参数，响应用电量就是空调用电量，辅助变量可以是效用函数辅助变量。
进一步地，构建基于多参数规划的标准化闭式解方程。由于上述步骤在柔性负荷运行模型中划定出了控制变量与响应用电量，这里将进一步建立二者的映射关系，将这种映射关系称作柔性负荷的控制模型。一般应用中为了避免反复求解优化模型，可以结合参数规划理论，得到控制模型的标准化闭式解方程。
本发明实施例的控制变量主要出现在运行模型的约束条件或目标函数当中，下面进行分类讨论。
情况1：当控制变量出现在约束条件中时，引入摄动系数矩阵H1和H2，并用x表示控制变量，则柔性负荷运行模型将转化为：
min cTp
s.t.A1p＝b1-H1x
A2p≤b2-H2x
此处将A2拆分为两部分：
Figure BDA0003847098270000071
其中
Figure BDA0003847098270000072
对应着不等式约束中的起作用约束(相当于取等号)，而
Figure BDA0003847098270000073
对应着不起作用约束。可以完全类似地将这种拆分方式应用于b2和H2。此外引入新记号：
Figure BDA0003847098270000074
类似地可得到
Figure BDA0003847098270000075
和
Figure BDA0003847098270000076
定义关于控制变量x的临界区间：
Figure BDA0003847098270000077
根据多参数规划理论，在该临界区间上最优解p可以由控制变量x直接求得，求解的闭式解公式也称作值函数，具体表达式如下：
Figure BDA0003847098270000078
上述方程称作柔性负荷控制模型的标准化闭式解方程，采用分段线性化的形式表达。情况2：当控制变量出现在目标函数中时，引入摄动系数H，柔性负荷运行模型转化为：
min(cT-xTH)p
s.t.A1p＝b1
A2p≤b2
根据多参数规划理论，控制模型的闭式解表达式如下：
Figure BDA0003847098270000079
图2展示出了一个典型的柔性负荷集群控制模型的三维示意图，该模型的输入为两个控制变量，输出为响应用电量，输入-输出映射关系具体是以分段线性化形式给出的，其中两个控制变量取值落在某个临界区间内时，响应用电量可使用相应的值函数进行计算求解。
进一步，上述步骤中所得的全部柔性负荷集群需要依次生成各自的控制模型标准化闭式解方程，这些方程可以直接上传至控制中心，或进一步采用后续的数据驱动拟合方法实现精简化，有效减少临界区间划分数量，从而降低计算复杂度并提升整体计算效率。
S4，根据柔性负荷的历史控制信号得到控制模型的数据驱动拟合函数。
具体地，采用蒙特卡洛采样法生成历史经验控制信号数据集。此处的数据具体是指控制信号数据，这是开展拟合处理的基础条件，一般可以通过历史数据积累或仿真计算的方式构建数据集。然而，由于历史数据量有限，通常需要先使用历史数据拟合经验曲线，再基于经验曲线，使用蒙特卡洛采样法生成仿真数据，最后将数据合并形成规模较大的数据集。
进一步地，开展基于概率密度的数据驱动拟合处理。首先判断历史经验控制信号数据集中得到的控制信号数据分别落入哪个临界区间，对于落于临界区间分界线的数据点，可将其指派进其中任一区域内。接着统计每个临界区间内的数据点数量，得到这些临界区间被调用的概率密度。具体而言，临界区间Ωi被调用的概率ωi可以如下计算：
Figure BDA0003847098270000081
式中，
Figure BDA0003847098270000082
是临界区间内数据点数，N是总数据量。
进一步地，引入密度分界阈值ωth，对于ωi≥ωth的临界区间，可以直接保留临界区间的完整表达式；而ωi＜ωth的情况则对应于极少被调用的临界区间，可以直接将这些区间合并，变成一个新临界区间；或将这些区间进行归组合并，变成少量新临界区间。引入密度分界阈值的处理后，可以有效减少区间数量，这将有助于提升后续集中式优化的计算效率。
优选地，介绍新临界区间的生成方法。新临界区间是对原有的一组临界区间的近似等值，首先将原有临界区间进行取并集处理，再通过多元线性回归求取近似值函数。
进一步地，整合并打包上传数据驱动拟合的控制模型。将保留的临界区间与生成的新临界区间合并，构成数据驱动拟合的控制模型，由各个柔性负荷集群分别上传给控制中心即可。
可以理解的是，为维持通信格式统一，通信信息采用如下格式：[R，αr，βr，Qr，qr]。其中，R表示总临界区间数量，αr，βr是值函数的一次项与常数项，Qr，qr是临界区间表达式的一次项与常数项。传输中每两个量之间传输分割信号，先传r＝1的数据，再传r＝2，直至传完r＝R为止。可以知道的是，上述通信信息并不会直接暴露用户敏感的运行参数，但这些信息能够有效支撑集中式调度的执行，而且不需要反复迭代更新上报信息。
S5，基于数据驱动拟合函数构建柔性负荷的集中式快速聚合控制模型，并利用集中式快速聚合控制模型制定柔性负荷控制方案。
具体地，将控制模型转化为混合整数线性形式的约束方程。控制中心接收到各柔性负荷集群上报的控制模型后，需要将这些模型转化为约束方程，从而内嵌进集中式优化模型中加以利用。
作为一种示例，具体需要引入一系列0/1变量来完成转换，约束表达式如下所示：
Figure BDA0003847098270000091
Figure BDA0003847098270000092
Figure BDA0003847098270000093
Figure BDA0003847098270000094
Figure BDA0003847098270000095
Figure BDA0003847098270000096
Figure BDA0003847098270000097
式中，Pit为柔性负荷集群i在第t时刻的用电量，pirt是一系列建模辅助变量，其和表示总用电量，每个pirt对应于一个临界区间。πir为新引入的0/1整数变量，πir＝1表示柔性负荷集群i的第r个临界区间被激活，对应的pirt可根据值函数计算得到，而αir，βir正来自于集群i上报的信息。此外还限定只有一个临界区间被激活，而激活临界区间和松弛变量也需要满足限定条件，这里的松弛变量是指
Figure BDA00038470982700000910
可以理解的是，上述约束方程组实际是对类似图2的分段线性函数的公式化描述。
进一步地，构建集中式快速聚合控制模型。快速聚合控制模型具体是指协调设计各控制信号以实现对海量异构柔性负荷开展聚合控制的数学规划模型。该模型不仅包括各柔性负荷集群的控制逻辑，还包括总体目标函数与系统级约束条件，下面分别进行介绍。
总体目标函数可以设置为社会效用最大化，典型的目标函数表达式如下：
Figure BDA0003847098270000099
式中，Pt＝∑iPit表示所有柔性负荷的总用电量，由各柔性负荷集群的用电量加总得到。
上述目标函数采用了二次函数的效用表达式，通常设置c2＜0，c1＞0，以满足边际效用递减规则。有时为了简化，也可以省略二次项，得到一次效用函数表达式。
系统级约束条件的种类繁多，往往具有较大差异性。两个经典的系统约束是上下界约束和每日最小用电总量约束，表达式如下：
Figure BDA0003847098270000101
∑tPt≥E
式中，P，
Figure BDA0003847098270000102
分别表示用电量上下界，E表示每日最小用电总量。
进一步地，求解集中式快速聚合控制模型。搭建起的快速聚合控制模型本质是混合整数线性规划模型，可以使用分支定界法、切平面法等经典优化算法求解，实际工程中可以直接调用成熟的优化软件包来处理。根据运行时间要求，可以进一步采取达到求解时间上限后提前中止，以及适当扩大对偶界的方式来避免过长的求解时间。
S6，通过柔性负荷聚合控制方案得到柔性负荷的最优聚合控制策略。
具体地，整理步骤S5优化方案求解的优化结果，将各最优控制信号按照上述步骤读取的标准化编码方式处理，然后下发给各个柔性负荷集群。接着柔性集群进行本地决策，得到对应的最优用电量。如果控制中心检查到总用电量存在少量超额(因为近似拟合误差所致)，则采用等比例方式将少量削减量分摊至各柔性负荷集群。
所有步骤在执行过程中都会产生运行日志，此步骤将全面整理以上计算过程中的各类结果与日志记录，然后按规程要求存入备份数据库以备日后核查。
至此，海量柔性负荷快速聚合控制的全部过程结束。
根据本发明实施例的海量柔性负荷快速聚合控制方法，充分利用数据驱动方法改进聚合控制的计算效率，能有效解决隐私保护与计算效率的冲突，并实现海量异构柔性负荷资源的高效整合与集中控制。
为了实现上述实施例，如图3所示，本实施例中还提供了海量柔性负荷快速聚合控制装置10，该装置10包括：特征获取模块100、分层聚类模块200、模型构建模块300和聚合控制模块400。
特征获取模块100，用于获取基础数据与参数，并获取柔性负荷的特征；
分层聚类模块200，用于根据柔性负荷的特征得到柔性负荷特征向量，基于柔性负荷特征向量对柔性负荷进行分层聚类得到柔性负荷集群；
模型构建模块300，用于基于柔性负荷集群构建柔性负荷的控制模型，并根据柔性负荷的历史控制信号得到控制模型的数据驱动拟合函数；
聚合控制模块400，用于基于数据驱动拟合函数构建柔性负荷的集中式快速聚合控制模型，并利用集中式快速聚合控制模型制定柔性负荷控制方案，通过柔性负荷聚合控制方案得到柔性负荷的最优聚合控制策略。
进一步地，上述分层聚类模块200，还用于：
利用归一化的方法对柔性负荷的特征进行拼接得到柔性负荷特征向量；
基于柔性负荷特征向量和相似度规则，并利用预设的聚类方法对海量柔性负荷进行聚类分层得到海量柔性负荷的分层聚类结果；其中，分层聚类结果包括不同的柔性负荷集群。
进一步地，如图4所示，模型构建模块300，包括：
变量划分单元301，用于获取柔性负荷运行模型，根据柔性负荷运行模型得到柔性负荷集群的控制变量、环境变量、响应用电量和辅助变量；
模型获取单元302，用于基于控制变量、环境变量、响应用电量和辅助变量的关系，得到柔性负荷控制模型；以及，
函数求解单元303，用于基于控制变量和柔性负荷运行模型，构建柔性负荷控制模型的基于多参数规划的标准化闭式解方程。
进一步地，如图5所示，模型构建模块300，还包括：
信号生成单元304，用于采用蒙特卡洛采样法生成柔性负荷历史控制信号数据集；
概率计算单元305，用于对历史控制信号数据集中的控制信号落入临界区间的范围进行判断，根据范围判断结果统计每个临界区间内的控制信号的数量，以得到临界区间被调用的概率密度；
区间优化单元306，用于对临界区间被调用的概率密度和密度分界阈值进行比较，根据比较结果对临界区间进行优化得到临界区间优化结果；其中，临界区间优化结果包括保留的临界区间与生成的新临界区间；
区间合并单元307，用于将保留的临界区间与所述生成的新临界区间进行合并，得到数据驱动拟合的控制模型。
进一步地，如图6所示，聚合控制模块400，包括：
约束构建单元401，用于根据数据驱动拟合的控制模型得到混合整数线性形式的约束方程，基于约束方程的表达式构建集中式快速聚合控制模型；
方案生成单元402，用于利用预设的优化算法对集中式快速聚合控制模型进行求解，得到柔性负荷控制信号的优化方案；
结果输出单元403，用于基于柔性负荷控制信号的优化方案得到最优控制信号，基于最优控制信号和柔性负荷集群得到对应的最优用电量。
根据本发明实施例的海量柔性负荷快速聚合控制装置，充分利用数据驱动方法改进聚合控制的计算效率，能有效解决隐私保护与计算效率的冲突，并实现海量异构柔性负荷资源的高效整合与集中控制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种海量柔性负荷快速聚合控制方法，其特征在于，包括以下步骤：
获取电力系统中柔性负荷的特征；
根据所述柔性负荷的特征得到柔性负荷特征向量，基于所述柔性负荷特征向量对所述柔性负荷进行分层聚类得到柔性负荷集群；
基于所述柔性负荷集群构建柔性负荷的控制模型，并根据所述柔性负荷的历史控制信号得到所述控制模型的数据驱动拟合函数；
基于所述数据驱动拟合函数构建所述柔性负荷的集中式快速聚合控制模型，并利用所述集中式快速聚合控制模型制定柔性负荷控制方案，通过所述柔性负荷聚合控制方案得到所述柔性负荷的最优聚合控制策略。
2.根据权利要求1所述的方法，其特征在于，所述根据量柔性负荷的特征得到柔性负荷特征向量，基于柔性负荷特征向量对所述柔性负荷进行分层聚类得到柔性负荷集群，包括：
利用归一化的方法对所述柔性负荷的特征进行拼接得到柔性负荷特征向量；
基于所述柔性负荷特征向量和相似度规则，并利用预设的聚类方法对所述海量柔性负荷进行聚类分层得到所述海量柔性负荷的分层聚类结果；其中，所述分层聚类结果包括不同的柔性负荷集群。
3.根据权利要求1所述的方法，其特征在于，所述基于所述柔性负荷集群构建柔性负荷控制模型，包括：
获取柔性负荷运行模型，根据柔性负荷运行模型得到所述柔性负荷集群的控制变量、环境变量、响应用电量和辅助变量；
基于所述控制变量、环境变量、响应用电量和辅助变量的关系，得到柔性负荷控制模型；以及，
基于所述控制变量和所述柔性负荷运行模型，构建所述柔性负荷控制模型的基于多参数规划的标准化闭式解方程。
4.根据权利要求1所述的方法，其特征在于，所述根据所述柔性负荷的历史控制信号得到所述控制模型的数据驱动拟合函数，包括：
采用蒙特卡洛采样法生成所述柔性负荷历史控制信号数据集；
对所述历史控制信号数据集中的控制信号落入临界区间的范围进行判断，根据范围判断结果统计每个临界区间内的控制信号的数量，以得到临界区间被调用的概率密度；
对所述临界区间被调用的概率密度和密度分界阈值进行比较，根据比较结果对临界区间进行优化得到临界区间优化结果；其中，所述临界区间优化结果包括保留的临界区间与生成的新临界区间；
将所述保留的临界区间与所述生成的新临界区间进行合并，得到数据驱动拟合的控制模型。
5.根据权利要求4所述的方法，其特征在于，所述利用集中式快速聚合控制模型制定柔性负荷控制方案，通过所述柔性负荷聚合控制方案得到所述柔性负荷的最优聚合控制策略，包括：
根据所述数据驱动拟合的控制模型得到混合整数线性形式的约束方程，基于所述约束方程的表达式构建集中式快速聚合控制模型；
利用预设的优化算法对所述集中式快速聚合控制模型进行求解，得到柔性负荷控制信号的优化方案；
基于所述柔性负荷控制信号的优化方案得到最优控制信号，基于所述最优控制信号和所述柔性负荷集群得到对应的最优用电量。
6.一种海量柔性负荷快速聚合控制装置，其特征在于，包括以下步骤：
特征获取模块，用于获取电力系统中柔性负荷的特征；
分层聚类模块，用于根据所述柔性负荷的特征得到柔性负荷特征向量，基于所述柔性负荷特征向量对所述柔性负荷进行分层聚类得到柔性负荷集群；
模型构建模块，用于基于所述柔性负荷集群构建柔性负荷的控制模型，并根据所述柔性负荷的历史控制信号得到所述控制模型的数据驱动拟合函数；
聚合控制模块，用于基于所述数据驱动拟合函数构建所述柔性负荷的集中式快速聚合控制模型，并利用所述集中式快速聚合控制模型制定柔性负荷控制方案，通过所述柔性负荷聚合控制方案得到所述柔性负荷的最优聚合控制策略。
7.根据权利要求6所述的装置，其特征在于，所述分层聚类模块，还用于：
利用归一化的方法对所述柔性负荷的特征进行拼接得到柔性负荷特征向量；
基于所述柔性负荷特征向量和相似度规则，并利用预设的聚类方法对所述海量柔性负荷进行聚类分层得到所述海量柔性负荷的分层聚类结果；其中，所述分层聚类结果包括不同的柔性负荷集群。
8.根据权利要求6所述的装置，其特征在于，所述模型构建模块，包括：
变量划分单元，用于获取柔性负荷运行模型，根据柔性负荷运行模型得到所述柔性负荷集群的控制变量、环境变量、响应用电量和辅助变量；
模型获取单元，用于基于所述控制变量、环境变量、响应用电量和辅助变量的关系，得到柔性负荷控制模型；以及，
函数求解单元，用于基于所述控制变量和所述柔性负荷运行模型，构建所述柔性负荷控制模型的基于多参数规划的标准化闭式解方程。
9.根据权利要求6所述的装置，其特征在于，所述模型构建模块，还包括：
信号生成单元，用于采用蒙特卡洛采样法生成所述柔性负荷历史控制信号数据集；
概率计算单元，用于对所述历史控制信号数据集中的控制信号落入临界区间的范围进行判断，根据范围判断结果统计每个临界区间内的控制信号的数量，以得到临界区间被调用的概率密度；
区间优化单元，用于对所述临界区间被调用的概率密度和密度分界阈值进行比较，根据比较结果对临界区间进行优化得到临界区间优化结果；其中，所述临界区间优化结果包括保留的临界区间与生成的新临界区间；
区间合并单元，用于将所述保留的临界区间与所述生成的新临界区间进行合并，得到数据驱动拟合的控制模型。
10.根据权利要求9所述的装置，其特征在于，所述聚合控制模块，包括：
约束构建单元，用于根据所述数据驱动拟合的控制模型得到混合整数线性形式的约束方程，基于所述约束方程的表达式构建集中式快速聚合控制模型；
方案生成单元，用于利用预设的优化算法对所述集中式快速聚合控制模型进行求解，得到柔性负荷控制信号的优化方案；
结果输出单元，用于基于所述柔性负荷控制信号的优化方案得到最优控制信号，基于所述最优控制信号和所述柔性负荷集群得到对应的最优用电量。
CN202211121197.5A 2022-09-15 2022-09-15 海量柔性负荷快速聚合控制方法及装置 Pending CN115549109A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211121197.5A CN115549109A (zh) 2022-09-15 2022-09-15 海量柔性负荷快速聚合控制方法及装置
PCT/CN2023/119004 WO2024056050A1 (zh) 2022-09-15 2023-09-15 海量柔性负荷快速聚合控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211121197.5A CN115549109A (zh) 2022-09-15 2022-09-15 海量柔性负荷快速聚合控制方法及装置

Publications (1)

Publication Number Publication Date
CN115549109A true CN115549109A (zh) 2022-12-30

Family

ID=84727864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211121197.5A Pending CN115549109A (zh) 2022-09-15 2022-09-15 海量柔性负荷快速聚合控制方法及装置

Country Status (2)

Country Link
CN (1) CN115549109A (zh)
WO (1) WO2024056050A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024056050A1 (zh) * 2022-09-15 2024-03-21 清华大学 海量柔性负荷快速聚合控制方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898154A (zh) * 2018-09-29 2018-11-27 华北电力大学 一种电力负荷som-fcm分层聚类方法
CN116529977A (zh) * 2020-10-30 2023-08-01 西门子股份公司 分布式能源系统的优化方法、装置和计算机可读存储介质
CN112488531B (zh) * 2020-12-02 2022-09-06 广东电网有限责任公司电力调度控制中心 基于深度强化学习的异构柔性负荷实时调控方法和装置
CN113541198A (zh) * 2021-06-23 2021-10-22 清华大学 一种主动配电网日前调度方法、装置、电子设备和存储介质
CN113642787A (zh) * 2021-08-04 2021-11-12 国网江苏省电力有限公司南通供电分公司 基于配售电竞争态势下区域配电网网格化负荷区间预测方法
CN114142498B (zh) * 2021-11-30 2023-04-07 天津大学 一种数据驱动的分布式储能自适应预测控制电压调节方法
CN115549109A (zh) * 2022-09-15 2022-12-30 清华大学 海量柔性负荷快速聚合控制方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024056050A1 (zh) * 2022-09-15 2024-03-21 清华大学 海量柔性负荷快速聚合控制方法及装置

Also Published As

Publication number Publication date
WO2024056050A1 (zh) 2024-03-21

Similar Documents

Publication Publication Date Title
CN104049600B (zh) 用与自动化系统相关的能量信息更新置信值的系统及方法
WO2020098728A1 (zh) 集群负荷预测方法、装置及存储介质
CN102931625B (zh) 一种继电保护在线状态检修智能决策分析装置和其信号处理方法及其应用
CN113267692A (zh) 一种低压台区线损智能诊断分析方法和系统
Li et al. Production task queue optimization based on multi-attribute evaluation for complex product assembly workshop
CN104049595B (zh) 用工业自动化系统的组织模型确定能量信息的系统及方法
CN116526667B (zh) 基于电流物联网反馈机制的二次融合配网馈线终端系统
WO2024056050A1 (zh) 海量柔性负荷快速聚合控制方法及装置
CN116821660A (zh) 一种电力管理方法、系统、终端设备及存储介质
CN102509027A (zh) 一种基于交叉熵理论的风电功率组合预测方法
CN109241190A (zh) 电力大数据混合计算架构
Nezhad et al. Joint Peak Clipping and Load Scheduling Based on User Behavior Monitoring in an IoT Platform
Li et al. Optimizing combination of aircraft maintenance tasks by adaptive genetic algorithm based on cluster search
CN107169180A (zh) 一种两级部署的电网调控模型中心系统
CN116245246A (zh) 基于物联网的智慧城市供电管理方法、系统及存储介质
Li et al. Feature analysis of generalized load patterns considering active load response to real-time pricing
CN113300375B (zh) 一种考虑用户参与意愿差异的温控负荷需求响应控制方法
CN114880406A (zh) 一种数据管理方法及装置
CN114462298A (zh) 电力计量资产管理方法、装置、设备及存储介质
US20190317463A1 (en) Adaptive energy storage operating system for multiple economic services
CN114048200A (zh) 一种计及缺失数据补齐的用户用电行为分析方法
CN113139698A (zh) 负荷预测方法、装置及设备
Dal Pont et al. MPC with machine learning applied to resource allocation problem using lambda architecture
Dong et al. Joint optimisation of uncertain distributed manufacturing and preventive maintenance for semiconductor wafers considering multi-energy complementary
Zuo et al. Fine operation intelligent analysis for adjustable power load resources

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