CN115630753B - 基于新能源多时空场景下电解制氢的负荷基线预测方法 - Google Patents
基于新能源多时空场景下电解制氢的负荷基线预测方法 Download PDFInfo
- Publication number
- CN115630753B CN115630753B CN202211629207.6A CN202211629207A CN115630753B CN 115630753 B CN115630753 B CN 115630753B CN 202211629207 A CN202211629207 A CN 202211629207A CN 115630753 B CN115630753 B CN 115630753B
- Authority
- CN
- China
- Prior art keywords
- load
- hydrogen production
- electrolytic hydrogen
- day
- hour
- 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.)
- Active
Links
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 99
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 99
- 239000001257 hydrogen Substances 0.000 title claims abstract description 99
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000000611 regression analysis Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims description 20
- 238000005286 illumination Methods 0.000 claims description 17
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 102000003712 Complement factor B Human genes 0.000 claims 1
- 108090000056 Complement factor B Proteins 0.000 claims 1
- 238000005868 electrolysis reaction Methods 0.000 abstract description 15
- 230000004044 response Effects 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012047 cause and effect analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012315 univariate regression analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
本发明属于新能源电力系统技术领域，具体涉及一种基于新能源多时空场景下电解制氢的负荷基线预测方法。本发明首先通过对过去历史数据的统计整理，得出历史每小时的电解制氢负荷；再使用聚类分析将历史电解制氢负荷聚为不同类别，保留其中具有相似连续性质的类别，并拟合形成第一部分负荷基线；然后对其余历史时刻负荷值采用回归分析法进行分析拟合，拟合形成第二部分负荷基线；最后通过整合前述拟合的负荷曲线，并乘以修正系数从而形成最终的负荷基线；本发明用于工作在多时空场景下需要尽可能准确预测负荷基线从而参与用户响应的电解制氢系统，使其可以获得较为准确的负荷基线，从而更好地参与需求响应项目，实现电解制氢系统高效经济运行。
Description
技术领域
本发明属于新能源电力系统技术领域，具体涉及一种基于新能源多时空场景下电解制氢的负荷基线预测方法。
背景技术
可再生能源电解制氢（绿氢）是未来氢能发展的重要方向，在新能源电解制氢环节中，开展关于优化新能源电解制氢系统性能，提升可再生能源利用率以及新能源制氢系统经济性的研究势在必行。
传统的负荷基线计算往往都是采用单一方法，如平均值法，回归法，聚类法等方法。而针对电解制氢而言，其往往工作在削峰填谷、新能源消纳、用能优化等多种不同时空场景之中。单一的负荷基线计算方法通常针对于相似的场景，难免会使电解制氢的预测负荷与实际负荷大相径庭。而准确的负荷基线的计算是基于激励的需求响应项目的关键环节，是为参与需求响应项目用户提供补偿的重要前提，所以需要发明基于新能源多时空场景下电解制氢的负荷基线预测方法。
发明内容
为了解决上述问题，本发明提出了基于新能源多时空场景下电解制氢的负荷基线预测方法，综合取用不同负荷基线计算方法的特点，使电解制氢在面临多种负荷场景时尽可能的减小负荷预测基线与实际基线的误差，适用于工作在多时空场景下需要尽可能准确预测负荷基线从而参与用户响应的电解制氢系统。
本发明提出了基于新能源多时空场景下电解制氢的负荷基线预测方法，首先通过对过去历史数据的统计整理，得出历史每小时的电解制氢负荷；再使用聚类分析将历史电解制氢负荷聚为不同类别，保留其中具有相似连续性质的类别，并拟合形成第一部分负荷基线，舍去其余时刻负荷值所属聚类；然后对其余历史时刻负荷值采用回归分析法进行分析拟合，拟合形成第二部分负荷基线；最后通过整合前述拟合的负荷曲线，并乘以修正系数从而形成最终的负荷基线；本发明用于工作在多时空场景下需要尽可能准确预测负荷基线从而参与用户响应的电解制氢系统，使其可以获得较为准确的负荷基线，从而更好地参与需求响应项目，实现电解制氢系统高效经济运行。
本发明的技术方案为：
基于新能源多时空场景下电解制氢的负荷基线预测方法，包括以下步骤：
步骤1：统计历史数据，获取待预测日前N天内每天24小时的电解制氢负荷数据；
步骤2：利用K-means聚类法将待预测日前N天每天24小时的电解制氢负荷数据分为K类；
步骤3：统计其中具有相似连续性的时刻的电解制氢负荷值，保留其类别以及中心点，并拟合形成第一部分负荷基线，舍去其余时刻电解制氢负荷值所属聚类；
步骤4：通过选用风力等级因子、光照强度因子、电价因子作为自变量对其余时刻电解制氢负荷值采用回归分析法进行分析，拟合形成第二部分负荷基线；
步骤5：整合通过步骤3和步骤4所拟合的负荷曲线，初步形成负荷基线；
步骤6：将形成的负荷基线与即日反馈修正系数结合，得出最终预测的电解制氢负荷基线。
进一步的，步骤2的具体方法为：
步骤2.1：通过平均值法求得待预测日前N天内每天24小时分别的平均负荷值；
步骤2.2：随机设定24个负荷中心值，将24个由历史负荷所求的平均负荷值分为24类，并通过反复地聚类，直至聚类中心稳定，最终形成K类负荷和K个负荷中心。
进一步的，步骤3的具体方法为：
步骤3.1：统计筛选所生成K类负荷，将包含3个及以上连续时刻负荷的类别及聚类
中心保留，定义聚类中心为
，k=1,2,...,K；
步骤3.2：将所保留的负荷的类别中心与历史数据所得负荷值进行加权平均得到
，表示通过聚类法得到的第d天第i个小时的电解制氢负荷值；将
各小时
负荷值进行整理拟合形成第一部分负荷基线，将其余时刻负荷值所属聚类舍去。
进一步的，步骤4的具体方法为：
步骤4.1：选用风力等级因子A、光照强度因子B、电价因子C作为自变量系数，风力强度W、光照强度L、每小时电价M作为自变量，电解槽每小时的负荷P作为因变量；
步骤4.2：假设步骤2，3利用K-means聚类法统计其中具有相似连续性的时刻的电解制氢负荷值后所保留小时数为n，因此接下来需要统计过去N天24-n个小时分别包含电解制氢负荷值，风力强度，光照强度，每小时电价在内的各项数据；
步骤4.3：整理事件日前N天数据，采用最小二乘法，求得A，B，C三个系数，加上待预
测日风力强度，光照强度，每小时电价预测值，得到
，其中，
表示通过回归分析
法得到的第d天第i个小时的电解制氢负荷值，
表示从第d天第i个小时的风力强
度，
表示从第d天第i个小时的光照强度，
表示从第d天第i个小时的电
价，将
各小时负荷值进行拟合形成第二部分负荷基线。
进一步的，步骤6的具体方法为：
步骤6.1：定义即日反馈修正系数e为负荷值前l个小时的预测负荷值与实际负荷
值之比的乘积，定义为
，其中，
为第d天第i小时电解制氢实
际负荷值，
第d天第i小时电解制氢预测负荷值；
步骤6.2：将步骤5所拟合负荷基线与即日反馈修正系数结合，得到最终的预测电
解制氢负荷
，将
各小时
负荷值进行拟合得到最终的预测电解制氢负荷基线。
本发明的有益效果为，本发明提出了基于新能源多时空场景下电解制氢的负荷基线预测方法，综合取用不同负荷基线计算方法的特点，使电解制氢在面临多种负荷场景时尽可能的减小负荷预测基线与实际基线的误差，从而更好地参与需求响应项目，实现电解制氢系统高效经济运行。具体而言，具有以下优点：（1）基于新能源多时空场景下电解制氢的负荷基线预测方法，综合考虑不同负荷基线计算方法的特点，使电解制氢系统可以获得较为准确的负荷基线，从而更好地参与需求响应项目，实现电解制氢系统高效经济运行。（2）本发明全面考虑了电解制氢面临的不同场景，使所预测的负荷基线更加具有说服力。（3）对比于传统的单一负荷基线计算方法，本发明取用不同负荷基线计算方法特点，融汇形成基于新能源多时空场景下电解制氢的负荷基线预测方法，在面向电解制氢的场景更具有适配性和针对性。（4）本发明加入了多层次的即日反馈修正系数，使负荷基线计算结果更加趋于实际值。
附图说明
图1是本发明基于新能源多时空场景下电解制氢的负荷基线预测方法流程图。
具体实施方式
下面将结合附图，对本发明的技术方案进行清楚、完整地描述，以便本领域的技术人员能够更好地理解本发明。
本发明是针对电解制氢这样工作在不同场景下的系统，如响应峰谷电价变化时的削峰填谷场景、风力和光伏发电时的新能源消纳场景、不同用户不同用电地域的用能优化场景。不同场景之间相互关联，因此单一的负荷基线计算方法难免捉襟见肘。聚类分析法可以将不同时段的电解制氢负荷进行合理的聚类，所谓物以类聚，聚类分析法可以使一定时间内变化幅度小的电解制氢负荷聚集为一类，适用于响应峰谷电价变化时的削峰填谷场景；针对风力和光伏发电时的新能源消纳场景时，电解制氢负荷变化规律与光照强度、风力强度有着类似的变化趋势，宜采用回归分析法，回归分析法是一种常用的因果分析和相关分析的方法，光照强度、风力强度、电价的变化与负荷的变化是有一定因果关系的，这种因果关系无法用确定的函数关系来表达，因此需要利用回归分析法进行统计分析；顾名思义，平均值法可以将需求响应事件前几天的小时电解氢负荷值进行线性拟合，对历史负荷数据进行统计、分析及运算，利用平均值法可以尽可能的抵消不同用户不同用电地域的用能优化场景下的随机性。本发明取不同负荷基线计算方法特点，融汇形成基于新能源多时空场景下电解制氢的负荷基线预测方法。
如图1所示，本发明的方法具体为：
步骤1：统计出预测日当天过去N天内每天24小时的历史电解制氢负荷数据；
步骤2：基于步骤一所整理统计的历史日电解制氢负荷值，利用K-means聚类法将事件日过去N天每天24小时的电解制氢负荷数据合理分为K类，具体为：
步骤2.1：首先通过平均值法求得事件日过去N天内每天24小时分别的平均负荷
值，得到
，其中，
表示待预测日前N天内每
天24小时分别的平均负荷值，
：表示从第d天往前第j天第i个小时的电解制
氢负荷值；i：第i个小时，i=1,2,...,24；
步骤2.2：自由设定24个小时分别的电解制氢负荷中心值，将24个由历史负荷所求的平均负荷值分为24类，通过反复地聚类进行聚类中心的迭代，直至聚类中心稳定，最终形成K类负荷和其分别对应的K个负荷中心；
步骤3：统计具有相似连续性的时刻负荷值保留其类别以及中心点，并拟合形成第一部分负荷基线，舍去其余时刻负荷值所属聚类，具体为：
步骤3.1：统计筛选步骤2所生成K类电解制氢负荷，将包含3个及以上连续时刻电
解制氢负荷的类别及聚类中心保留，定义聚类中心为
，k=1,2,...,K；
步骤3.2：将所保留的电解制氢负荷的类别中心与历史数据所得电解制氢负荷值
进行加权平均，即
，其中，
表示从第d天
第i个小时的电解制氢负荷值；
表示待预测日前N天内每天24小时分别的平均负
荷值；i表示第i个小时，i=1,2,...,24。拟合形成第一部分负荷基线，其余时刻负荷值所属
聚类舍去；
步骤4：通过选用风力等级因子，光照强度因子，电价因子作为自变量对步骤三所舍去的其余时刻负荷值采用回归分析法进行分析，拟合形成第二部分负荷基线，具体为：
步骤4.1：选用风力等级因子，光照强度因子，电价因子作为自变量，电解槽每小时
的负荷P存在关系
，其中，W：风力强度；L：光照强度；M：每小时电
价；A：风力等级因子；B：光照强度因子；C：电价因子。现需要通过多元回归分析法对A，B，C三
个系数进行合理估计；
步骤4.2：假设步骤2，3利用聚类法所保留小时数为n，因此接下来需要统计过去N
天24-n个小时分别包含电解制氢负荷值，风力强度，光照强度，每小时电价在内的各项数
据。其满足
步骤4.3：整理事件日过去N天数据为
令
将多元方程组可简化为：
，其中，Y表示电解制氢历史实际负荷值所构成
列向量，X表示历史风力强度，光照强度，每小时电价所构成矩阵，Z表示待估计的风力等级
因子，光照强度因子，电价因子所构成的列向量；
步骤4.4：现需要对系数A，B，C进行合理估计，建立P与W，L，M之间的方程。同一元回
归分析情况一样，多元复杂模型中的线性系数A，B，C的估计方法仍用最小二乘法，假设一个
，使得向量Y与Y * 之间的距离最小，此时
，即可求得A，B，C
三个系数；
步骤4.5：通过所求得A，B，C三个系数，加上所预测日风力强度，光照强度，每小时
电价预测值，可拟合形成第二部分基线负荷
，其中，
表示通过回归分析
法得到的第d天第i个小时的电解制氢负荷值，
表示从第d天第i个小时的风力强
度，
表示从第d天第i个小时的光照强度，
表示从第d天第i个小时的电
价，将
各小时负荷值进行拟合形成第二部分负荷基线；
步骤5：整合通过步骤3和步骤4所拟合的负荷基线，初步形成负荷基线；
步骤6：将计算所得的负荷基线与即日反馈修正系数结合，使其能更符合当天的负
荷情况，然后得出最终预测的电解制氢负荷基线，使其尽可能的减小与实际基线的误差，具
体为：定义即日反馈修正系数e为负荷值前l个小时的预测负荷值与实际负荷值之比的乘
积，定义为
，其中，
为第d天第i小时电解制氢实际负荷值，
第d天第i小时电解制氢预测负荷值；
步骤6.2：将步骤5所拟合负荷基线与即日反馈修正系数结合，整合得出最终的预
测电解制氢负荷基线
。
本发明提出了基于新能源多时空场景下电解制氢的负荷基线预测方法，首先通过对过去历史数据的统计整理，得出历史每小时的电解制氢负荷；再使用聚类分析将历史电解制氢负荷聚为不同类别，保留其中具有相似连续性质的类别，并拟合形成第一部分负荷基线，舍去其余时刻负荷值所属聚类；然后对其余历史时刻负荷值采用回归分析法进行分析拟合，拟合形成第二部分负荷基线；最后通过整合前述拟合的负荷曲线，并乘以修正系数从而形成最终的负荷基线；本发明用于工作在多时空场景下需要尽可能准确预测负荷基线从而参与用户响应的电解制氢系统，使其可以获得较为准确的负荷基线，从而更好地参与需求响应项目，实现电解制氢系统高效经济运行。
Claims (1)
1.基于新能源多时空场景下电解制氢的负荷基线预测方法，其特征在于，包括以下步骤：
步骤1：统计历史数据，获取待预测日前N天内每天24小时的电解制氢负荷数据；
步骤2：利用K-means聚类法将待预测日前N天每天24小时的电解制氢负荷数据分为K类；具体方法为：
步骤2.1：通过平均值法求得待预测日前N天内每天24小时分别的平均负荷值；
步骤2.2：随机设定24个负荷中心值，将24个由历史负荷所求的平均负荷值分为24类，并通过反复地聚类，直至聚类中心稳定，最终形成K类负荷和K个负荷中心；
步骤3：统计其中具有相似连续性的时刻的电解制氢负荷值，保留其类别以及中心点，并拟合形成第一部分负荷基线，舍去其余时刻电解制氢负荷值所属聚类；具体方法为：
步骤3.1：统计筛选所生成K类负荷，将包含3个及以上连续时刻负荷的类别及聚类中心保留，定义聚类中心为Pk，k＝1,2,...,K；
步骤3.2：将所保留的负荷的类别中心与历史数据所得负荷值进行加权平均得到P1(d，i)，表示通过聚类法得到的第d天第i个小时的电解制氢负荷值；将P1(d，i)各小时负荷值进行整理拟合形成第一部分负荷基线，将其余时刻负荷值所属聚类舍去；
步骤4：通过选用风力等级因子、光照强度因子、电价因子作为自变量对其余时刻电解制氢负荷值采用回归分析法进行分析，拟合形成第二部分负荷基线；具体方法为：
步骤4.1：选用风力等级因子A、光照强度因子B、电价因子C作为自变量系数，风力强度W、光照强度L、每小时电价M作为自变量，电解槽每小时的负荷P作为因变量；
步骤4.2：假设步骤2，3利用K-means聚类法统计其中具有相似连续性的时刻的电解制氢负荷值后所保留小时数为n，因此接下来需要统计过去N天24-n个小时分别包含电解制氢负荷值，风力强度，光照强度，每小时电价在内的各项数据；
步骤4.3：整理事件日前N天数据，采用最小二乘法，求得A，B，C三个系数，加上待预测日风力强度，光照强度，每小时电价预测值，得到P2(d，i)＝AW(d，i)+BL(d，i)+CM(d，i)，其中，P2(d，i)表示通过回归分析法得到的第d天第i个小时的电解制氢负荷值，W(d，i)表示从第d天第i个小时的风力强度，L(d，i)表示从第d天第i个小时的光照强度，M(d，i)表示从第d天第i个小时的电价，将P2(d，i)各小时负荷值进行拟合形成第二部分负荷基线；
步骤5：整合通过步骤3和步骤4所拟合的负荷基线，初步形成负荷基线；
步骤6：将形成的负荷基线与即日反馈修正系数结合，得出最终预测的电解制氢负荷基线；具体方法为：
步骤6.1：定义即日反馈修正系数e为负荷值前l个小时的预测负荷值与实际负荷值之比的乘积，定义为
其中，Pr(d，i)为第d天第i小时电解制氢实际负荷值，P(d，i)第d天第i小时电解制氢预测负荷值；
步骤6.2：将步骤5所拟合负荷基线与即日反馈修正系数结合，得到最终的预测电解制氢负荷Pfinal(d，i)＝(e·P1(d，i))∪(e·P2(d，i))，将Pfinal(d，i)各小时负荷值进行拟合得到最终的预测电解制氢负荷基线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211629207.6A CN115630753B (zh) | 2022-12-19 | 2022-12-19 | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211629207.6A CN115630753B (zh) | 2022-12-19 | 2022-12-19 | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115630753A CN115630753A (zh) | 2023-01-20 |
| CN115630753B true CN115630753B (zh) | 2023-03-03 |
Family
ID=84909794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211629207.6A Active CN115630753B (zh) | 2022-12-19 | 2022-12-19 | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115630753B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017034797A (ja) * | 2015-07-30 | 2017-02-09 | 富士電機株式会社 | ベースライン負荷推定装置及びベースライン負荷推定プログラム |
| CN106650979A (zh) * | 2015-10-29 | 2017-05-10 | 中国电力科学研究院 | 一种馈线基线负荷预测方法 |
| CN106682999A (zh) * | 2016-11-18 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 电力用户基线负荷计算方法及装置 |
| CN106712077A (zh) * | 2016-11-28 | 2017-05-24 | 无锡智合电力技术有限公司 | 一种公共楼宇参与电网优化运行方法 |
| CN107886204A (zh) * | 2017-12-15 | 2018-04-06 | 国电南瑞科技股份有限公司 | 基于用户实测数据修正的负荷基线预测方法 |
| CN112186788A (zh) * | 2020-09-30 | 2021-01-05 | 西南交通大学 | 一种用于地铁列车的车载式飞轮储能系统的设计方法 |
| CN113283674A (zh) * | 2021-06-25 | 2021-08-20 | 上海腾天节能技术有限公司 | 一种基于用户用电特征的基线负荷预测修正方法 |
| CN113592218A (zh) * | 2021-06-10 | 2021-11-02 | 国网河北省电力有限公司营销服务中心 | 一种光伏用户基线负荷估计方法、装置和终端设备 |
| JP2022066059A (ja) * | 2020-10-16 | 2022-04-28 | 株式会社竹中工務店 | 電力需給調整システム、および電力需給調整方法 |
| CN114914929A (zh) * | 2022-04-01 | 2022-08-16 | 湖州电力设计院有限公司 | 一种基于变电站的区域新能源在线全额消纳方法 |
| CN115204946A (zh) * | 2022-07-12 | 2022-10-18 | 深圳供电局有限公司 | 一种考虑天气因素的建筑用电负荷基线生成方法与系统 |
| CN115293457A (zh) * | 2022-08-31 | 2022-11-04 | 三峡大学 | 基于分布式协同优化策略的综合能源系统季节性氢储优化配置方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130060719A1 (en) * | 2011-09-02 | 2013-03-07 | Hunt Energy Iq, Lp | Load profile management and cost sensitivity analysis |
| US10949777B2 (en) * | 2017-06-07 | 2021-03-16 | Johnson Controls Technology Company | Building energy optimization system with economic load demand response (ELDR) optimization |
| US10246171B1 (en) * | 2018-10-25 | 2019-04-02 | Anthony Beebe | Floating vessel cargo optimization system |
| EP3896821A4 (en) * | 2018-12-12 | 2022-07-27 | Toshiba Energy Systems & Solutions Corporation | CONTROL DEVICE FOR HYDROGEN SYSTEM AND CONTROL METHOD FOR HYDROGEN SYSTEM |
-
2022
- 2022-12-19 CN CN202211629207.6A patent/CN115630753B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017034797A (ja) * | 2015-07-30 | 2017-02-09 | 富士電機株式会社 | ベースライン負荷推定装置及びベースライン負荷推定プログラム |
| CN106650979A (zh) * | 2015-10-29 | 2017-05-10 | 中国电力科学研究院 | 一种馈线基线负荷预测方法 |
| CN106682999A (zh) * | 2016-11-18 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 电力用户基线负荷计算方法及装置 |
| CN106712077A (zh) * | 2016-11-28 | 2017-05-24 | 无锡智合电力技术有限公司 | 一种公共楼宇参与电网优化运行方法 |
| CN107886204A (zh) * | 2017-12-15 | 2018-04-06 | 国电南瑞科技股份有限公司 | 基于用户实测数据修正的负荷基线预测方法 |
| CN112186788A (zh) * | 2020-09-30 | 2021-01-05 | 西南交通大学 | 一种用于地铁列车的车载式飞轮储能系统的设计方法 |
| JP2022066059A (ja) * | 2020-10-16 | 2022-04-28 | 株式会社竹中工務店 | 電力需給調整システム、および電力需給調整方法 |
| CN113592218A (zh) * | 2021-06-10 | 2021-11-02 | 国网河北省电力有限公司营销服务中心 | 一种光伏用户基线负荷估计方法、装置和终端设备 |
| CN113283674A (zh) * | 2021-06-25 | 2021-08-20 | 上海腾天节能技术有限公司 | 一种基于用户用电特征的基线负荷预测修正方法 |
| CN114914929A (zh) * | 2022-04-01 | 2022-08-16 | 湖州电力设计院有限公司 | 一种基于变电站的区域新能源在线全额消纳方法 |
| CN115204946A (zh) * | 2022-07-12 | 2022-10-18 | 深圳供电局有限公司 | 一种考虑天气因素的建筑用电负荷基线生成方法与系统 |
| CN115293457A (zh) * | 2022-08-31 | 2022-11-04 | 三峡大学 | 基于分布式协同优化策略的综合能源系统季节性氢储优化配置方法 |
Non-Patent Citations (3)
| Title |
|---|
| Yongbao Chen 等.Short-term electrical load forecasting using the Support Vector Regression (SVR) model to calculate the demand response baseline for office buildings.2017,第195卷第659-670页. * |
| 刘顺桂 ; 杨佳驹 ; 王磊 ; .考虑用户用电特性的基线负荷计算方法.2016,第18卷(第03期),第17-22页. * |
| 殷亮亮 等.基于负荷分类的风光蓄家庭微电网的独立运行能量优化管理.2017,(第03期),第84-90页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115630753A (zh) | 2023-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110994694B (zh) | 计及差异化需求响应的微电网源荷储协调优化调度方法 | |
| CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
| CN116523148B (zh) | 一种配电网配变重过载预警方法、装置和设备 | |
| CN113112177A (zh) | 一种基于混合指标的台区线损处理方法及系统 | |
| CN109559154A (zh) | 基于Johnson-Copula模型的电力需求总量相关因素分析系统及方法 | |
| CN116934105A (zh) | 一种考虑柔性资源接入的配电网灵活性评估方法和系统 | |
| CN109190786A (zh) | 一种光伏发电效率的组合预测方法 | |
| CN115828755A (zh) | 微网群参与电网服务的评估方法、装置及可读存储介质 | |
| Budin et al. | Day-ahead multiple households load forecasting using deep learning and unsupervised clustering | |
| Shi et al. | Active distribution network type identification method of high proportion new energy power system based on source-load matching | |
| CN116596279B (zh) | 一种智慧园区能源消耗调度系统 | |
| CN115630753B (zh) | 基于新能源多时空场景下电解制氢的负荷基线预测方法 | |
| CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
| CN113705098A (zh) | 一种基于pca和ga-bp网络的风道加热器建模方法 | |
| CN111915084A (zh) | 一种基于神经网络的混合型光伏发电功率预测方法及系统 | |
| CN114662922B (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 | |
| CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| CN114861993A (zh) | 基于联邦学习与深度神经网络的区域光伏发电预测方法 | |
| CN115034608A (zh) | 基于配网要素和神经网络的配网风险评估方法 | |
| CN105976081A (zh) | 一种基于需求响应的居民用电负荷分布式管理系统及方法 | |
| CN115186940B (zh) | 综合能源调度方法、装置及设备 | |
| CN116089847B (zh) | 基于协方差代理的分布式可调资源聚类方法 | |
| CN117713176B (zh) | 源网荷储低碳运行方法、装置、电子设备及存储介质 | |
| Liu et al. | Load Baseline Prediction Method for Hydrogen Production by Electrolysis in Multi-temporal and Spatial Scenarios of New Energy | |
| Chen et al. | Short-time photovoltaic power prediction considering relative influential factor based on typical weather conditions |
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 |