CN115632392A - 基于机器学习的分层分区精准负荷响应系统 - Google Patents
基于机器学习的分层分区精准负荷响应系统 Download PDFInfo
- Publication number
- CN115632392A CN115632392A CN202211118159.4A CN202211118159A CN115632392A CN 115632392 A CN115632392 A CN 115632392A CN 202211118159 A CN202211118159 A CN 202211118159A CN 115632392 A CN115632392 A CN 115632392A
- Authority
- CN
- China
- Prior art keywords
- load
- response
- adjustable
- user
- machine learning
- 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 147
- 238000010801 machine learning Methods 0.000 title claims abstract description 51
- 230000008901 benefit Effects 0.000 claims abstract description 13
- 238000013316 zoning Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 38
- 230000033228 biological regulation Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 12
- 238000002591 computed tomography Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000009960 carding Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims 2
- 230000009466 transformation Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于机器学习的分层分区精准负荷响应系统,包括负荷预测模块、负荷可调能力预测模块和分层分区精准负荷响应模块,负荷预测模块基于机器学习的非稳态和非线性时间序列建模,通过对实际历史功率数据进行全面的预处理和时间序列分析,从而获得负荷预测模型。本发明公开的基于机器学习的分层分区精准负荷响应系统,其通过负荷预测模块、负荷可调能力预测模块和分层分区精准负荷响应模块对具有高弹性电网的虚拟电厂进行建设,从而使其具有负荷响应场景下基于机器学习的负荷预测、基于机器学习的可调节负荷可调能力预测和基于公平经济的分层分区的精准负荷响应等优点。
Description
技术领域
本发明属于电网负荷相应技术领域,具体涉及一种基于机器学习的分层分区精准负荷响应系统。
背景技术
随着高弹性电网建设的发展,提出不断加强需求响应数字化转型,建设电力需求响应平台,对接电力业务系统、负荷集成商系统等,支持虚拟电厂、中低压用户等多种主体参与。
现在的虚拟电厂建设中,具有以下问题:
(1)机器学习算法并非在任意的场景下都会表现出极强的适应性。有的机器学习算法可能适用于稀疏数据集且易快速求解的场景,有的机器学习算法可能更适用于海量数据集且求解精度高的场景。如何根据地区多站融合兼顾分层分区精准响应实际场景的运行情况,设定不同维度下的机器学习算法库成为一个难点。
(2)面向分层分区场景下各资源的负荷预测需要海量的基础数据支撑,然而海量的样本数据存在淹没关键信息的风险,不利于分析对用能异常风险评估影响比较大的强关联特征。如何通过合适的数据预处理方法从大量的数据中剔除不必要的且非核心的特征项,遴选出对分层分区场景下各资源的负荷预测影响大的核心特征项是一个难点。
(3)在研究分层分区场景下各资源的可调能力预测时,各类资源的能效特性无法使用统一的数学解析式模型进行表述,加上能效特性易受气象因素、地理位置、激励机制等情况的影响,能效特性的评估十分困难。如何在数据核心特征项的基础上,利用机器学习算法建立数据驱动模型,表述不同类型资源在多场景、多时段的可调负荷特性情况是也是难点之一。
因此,针对上述问题,予以进一步改进。
发明内容
本发明的主要目的在于提供基于机器学习的分层分区精准负荷响应系统,其通过负荷预测模块、负荷可调能力预测模块和分层分区精准负荷响应模块对具有高弹性电网的虚拟电厂进行建设,从而使其具有负荷响应场景下基于机器学习的负荷预测、基于机器学习的可调节负荷可调能力预测和基于公平经济的分层分区的精准负荷响应等优点。
为达到以上目的,本发明提供一种基于机器学习的分层分区精准负荷响应系统,用于高弹性电网的虚拟电厂建设,包括负荷预测模块、负荷可调能力预测模块和分层分区精准负荷响应模块,其中,
负荷预测模块基于机器学习的非稳态和非线性时间序列建模,通过对实际历史功率数据进行全面的预处理和时间序列分析,从而获得负荷预测模型,进而对短期和中长期的负荷曲线进行预测并且指导电网运行计划修正、用户用能计划调整和需求响应事件;
负荷可调能力预测模块用于对历史响应事件调节指标和实际响应能力数据的可调能力校正进行分析,从而获得负荷数据的核心特征项与可调能力之间的输入输出关系,进而获得并且通过机器学习,对不同类型和行业的用户可调节能力进行有效预测;
分层分区精准负荷响应模块基于供电区域(市、县、供电所、服务站、街道社区等)和电网架构(站、线、变、户)层级关系相匹配的精准负荷响应原理,配合不同用户群区域的互联互通互补原理,通过分层分区资源汇集单元、多维度负荷分配单元和分层分级方案预测单元进行需求侧资源参与供需平衡调节。
作为上述技术方案的进一步优选的技术方案,对于负荷预测模块的负荷预测模型,通过受限波尔兹曼机和单层反向传播网络构成的深度置信网络的负荷预测模型对负荷曲线进行负荷预测,其中:
在负荷预测模型的底层通过DBN模块(deep belief network,深度信念网络)对输入的实际历史功率数据(样本数据)进行无监督学习特征提取,并且在负荷预测模型的顶层使用有监督的BP神经网络回归拟合产生预测结果;
DBN模块包括多层RBM(受限玻尔兹曼机)模块并且每层的输出作为下一层的输入,并且每层的RBM模块均包括可见层和隐含层,可见层和隐含层的层内自身神经元无连接并且隐含层的每个神经元和可见层的每个神经元均进行连接。
作为上述技术方案的进一步优选的技术方案,对于负荷可调能力预测模块:
将输入可调节负荷可调能力预测模块的负荷数据的核心特征项进行矩阵化,从而获得用户用电信息矩阵并且在用户用电信息矩阵中,用户响应的效益函数通过二次函数近似表示:
比较响应所带来的舒适度损失与所获经济效益之间的关系,决策在不同激励价格下的响应量,用户参与需求响应的目标函数表示为如下形式:
引入机器学习算法以及算法模型,从而获得调节预测模型(包括输入门、遗忘门和输出门),并且将包括调节补贴价格、温度、时间和负荷状态的用户响应行为作为调节预测模型的输入数据,调节预测模型的用户响应状态记录单元中记录了之前时刻的状态,在每次读取当前输入数据之后,对状态信息进行更新,用户响应状态记录单元的更新公式如下:
更新用户响应状态记录单元的状态信息后,根据用户响应状态记录单元的状态信息以及当前的输入决定所要输出的内容,即用户的预计响应量,输出门的更新公式如下:
ot=σ(Wo[ht-1,xt]+bo);
ht=ot×tanh(Ct);
其中,Wo,bo分别为输入的权重以及偏置。
作为上述技术方案的进一步优选的技术方案,对于分层分区资源汇集单元:
维护用户所属层、区档案,在用户原有所属行政区域、供电区域档案基础上,维护用户所属包括供电变电站、电压等级、线路和配变的信息,同时维护主变、线路和配变对应关系,实现用户纵向层级档案梳理;根据负荷需求,依托负荷资源潜力池,分主变、线路和配变开展负荷资源分解,形成分层分区资源池;
在执行需求响应过程中通过调用用户档案信息和实时采集的电表数据,利用机器学习算法预测参与需求响应的可调节负荷可调节潜力,解析配网网架下各个线路的可调节负荷容量大小。
作为上述技术方案的进一步优选的技术方案,对于多维度负荷分配单元:
(考虑公平、经济性的同时,充分考虑不同层级的负荷响应场景,构建各场景典型负荷分配方法,精准匹配负荷调控);
以考虑补贴总额最低和信用惩罚的公平分配策略作为优化目标,以实际负荷调节功率占最大可调节功率的分配百分比来定义公平指标,同时根据价格和信用评级来调节分配百分比;
原目标函数:
其中,i为可调节负荷的序号;N为符合要求的可调节负荷的总数;Pi为第i个可调节负荷的负荷调节值;Pcap,i为第i个可调节负荷的负荷可调能力;CRi为第i个可调节负荷的信用惩罚系数;CTi为第i个可调节负荷的价格调节系数;
对价格调节系数CT用归一化方法进行映射,使得其取值在0.5~1.5之间,与信用惩罚系数CR保持在同一量级;
其中,Ci为第i个可调节负荷的调节补贴价格;Max(Ci)为所有可调节负荷中的调节补贴价格最大值;Min(Ci)为所有可调节负荷中的调节补贴价格最小值;
由于原目标函数包含绝对值,(不是简单的线性优化问题,求解时增加了难度,故对其进行以下优化)进行线性优化;
优化后的目标函数:
其中,i为可调节负荷的序号;N为符合要求的可调节负荷的总数;Zi为可调节负荷的经济公平指标;
以下为以原目标函数优化成优化后的目标函数之后引入的等价条件:
以功率平衡、响应时间和功率限值作为约束条件,结合优化后的目标函数,建立线性规划问题求解;
参与需求响应的可调节负荷所调节的功率必须与需求响应功率指标相平衡,(考虑到部分可调节负荷可能未响应邀约或响应不达标)引入需求响应功率系数:
其中,Pi为第i个可调节负荷的负荷调节值;Si,j为第i个可调节负荷对设备j的灵敏度;j为设备序号;Ptotal,j为设备j所需的需求响应负荷需求;α为需求响应功率裕量;M为设备总数;
参与需求响应的可调节负荷必须在响应开始时间之前,将功率调节到位:
其中,Tnotify,i为第i个可调节负荷的通知时长;Pi为第i个可调节负荷的负荷调节值;Pmax,i为第i个可调节负荷的负荷可调能力;TRamp,i为第i个可调节负荷的负荷爬坡时间;Tstart为距离需求响应开始时间的时长;
参与需求响应的可调节负荷的调节功率必须在其可调范围之内:
Pmin,i≤Pi≤Pcap,i,i=1,2,…N;
其中,Pmin,i为第i个可调节负荷的可调能力最小值;Pi为第i个可调节负荷的负荷调节值;Pcap,i为第i个可调节负荷的可调能力最大值。
作为上述技术方案的进一步优选的技术方案,基于机器学习的分层分区精准负荷响应系统还包括虚拟电厂可视化模块,虚拟电厂可视化模块包括共建变单元、可调能力数据聚合展示单元、异常告警展示单元和调控需求单元,其中:
共建变单元,通过网架拓扑关系以及灵敏度算法分析,获取每个资源与各个变电站或者线路的耦合关系,若存在强关联,则说明该资源的负荷增减会对该变电站或线路造成较大的关联影响,当该变电站或线路出现重过载异常情况时,优先考虑(这些)强耦合用户资源;
可调能力数据聚合展示单元,对该变电站或线路的强关联用户在削峰和填谷能力分解占比,同时通过圆点图清晰地展示各不同爬坡时间和响应时长维度地资源可调节能力;
异常告警展示单元,根据各个变电站或者线路的异常情况,在主网拓扑图以及站内拓扑图上进行异常告警展示,主要异常包括有当前重过载警示、未来重过载预警、电压越线警示、检修计划警示和负载不均衡警示,从而获得某个站点、某条线路和某个设备出现异常,针对这些异常情况自动或手动生成调节需求通过平台发布事件进行处理;
调控需求单元,根据主网异常手动创建调控需求,同时系统基于供电区域和电网架构层级关系,构建各场景典型负荷分配方法,精准匹配负荷调控,生成负荷分配策略,确认后下发到指定终端用户并且执行对应调控需求。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述基于机器学习的分层分区精准负荷响应系统。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述基于机器学习的分层分区精准负荷响应系统。
本发明的有益效果在于:
对于负荷预测模块,针对响应场景下的资源用户的多种运行特性,研究基于历史负荷数据的用能特性分析,通过机器学习,对短期、中长期的负荷曲线进行预测,指导电网运行计划修正、用户用能计划调整和需求响应事件,保证电网安全、经济、高效运行,基于机器学习的非稳态、非线性时间序列建模,通过对实际历史功率数据进行全面的预处理和时间序列分析,研究负荷预测模型、算法,为多站融合安全约束、经济最优等策略提供事前研判;
对于负荷可调能力预测模块,针对响应场景下的接入的可调节资源可调节能力,研究基于历史响应事件调节指标和实际响应能力数据的可调能力校正研究,通过机器学习,对不同类型和行业的用户可调节能力进行有效预测,实现沉睡资源的精准有效挖掘,为负荷响应场景下的精准调控提供有效的数据支撑;
对于分层分区精准负荷响应模块,构建基于供电区域(市、县、供电所、服务站、街道社区等)和电网架构(站、线、变、户)层级关系相匹配的精准负荷响应工作机制,配合不同用户群区域的互联互通互补机制,实现全面、精准的需求侧资源参与供需平衡调节。一是分层分区资源汇集。基于资源一张图成果,对负荷资源按区域、线路、主变等层级进行管理,精确汇集各级负荷响应能力;二是建立多维度负荷分配策略。考虑公平、经济性的同时,研充分考虑不同层级的负荷响应场景,构建各场景典型负荷分配方法,精准匹配负荷调控;三是分层分级方案预测。针对不同地区、不同电压等级、不同类型用户群区域下的负荷调控需求,优化方案推演功能,满足针对不同需求的方案预测分析,依靠响应启动研判算法,自动生成分层分区的负荷响应方案并下发;
针对当前大规模新能源资源接入电网、需求响应技术路线中需求响应业务调控粗放、需求响应服务单一等问题,提出相应解决方案。通过对分布式电源、储能、负荷侧等资源进行负荷预测、统一调配,提高分布式能源的处理稳定性,提高需求侧资源配置效率,提升电网稳定性,减少碳排放量,助力达成“碳达峰碳中和”目标。同时以虚拟电厂为参与主体,聚合虚拟电厂内各类资源,为用户和分布式能源等市场主体提供参与电力调控和市场交易等新业务的途径。
附图说明
图1是本发明的基于机器学习的分层分区精准负荷响应系统的示意图。
图2是本发明的基于机器学习的分层分区精准负荷响应系统的负荷预测模型示意图。
图3是本发明的基于机器学习的分层分区精准负荷响应系统的调节预测模型示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
在本发明的优选实施例中,本领域技术人员应注意,本发明所涉及的虚拟电厂和电子设备等可被视为现有技术。
优选实施例。
本发明公开了一种基于机器学习的分层分区精准负荷响应系统,用于高弹性电网的虚拟电厂建设,包括负荷预测模块、负荷可调能力预测模块和分层分区精准负荷响应模块,其中:
负荷预测模块基于机器学习的非稳态和非线性时间序列建模,通过对实际历史功率数据进行全面的预处理和时间序列分析,从而获得负荷预测模型,进而对短期和中长期的负荷曲线进行预测并且指导电网运行计划修正、用户用能计划调整和需求响应事件;
负荷可调能力预测模块用于对历史响应事件调节指标和实际响应能力数据的可调能力校正进行分析,从而获得负荷数据的核心特征项与可调能力之间的输入输出关系,进而获得并且通过机器学习,对不同类型和行业的用户可调节能力进行有效预测;
分层分区精准负荷响应模块基于供电区域(市、县、供电所、服务站、街道社区等)和电网架构(站、线、变、户)层级关系相匹配的精准负荷响应原理,配合不同用户群区域的互联互通互补原理,通过分层分区资源汇集单元、多维度负荷分配单元和分层分级方案预测单元进行需求侧资源参与供需平衡调节。
具体的是,对于负荷预测模块的负荷预测模型,通过受限波尔兹曼机和单层反向传播网络构成的深度置信网络的负荷预测模型对负荷曲线进行负荷预测,其中:
在负荷预测模型的底层通过DBN模块(deep belief network,深度信念网络)对输入的实际历史功率数据(样本数据)进行无监督学习特征提取,并且在负荷预测模型的顶层使用有监督的BP神经网络回归拟合产生预测结果;
DBN模块包括多层RBM(受限玻尔兹曼机)模块并且每层的输出作为下一层的输入,并且每层的RBM模块均包括可见层和隐含层,可见层和隐含层的层内自身神经元无连接并且隐含层的每个神经元和可见层的每个神经元均进行连接。
如图2所示,对负荷进行负荷预测,V表示可见层,H表示隐含层,vi为第i个可视单元状态,hj为第j个隐含单元状态,X和Y分别对应输入和输出数据。分析该图结构可知,在模型底层,采用DBN对数据样本进行无监督学习特征提取。顶层使用有监督的BP神经网络回归拟合产生预测结果。
更具体的是,对于负荷可调能力预测模块:
将输入可调节负荷可调能力预测模块的负荷数据的核心特征项进行矩阵化,从而获得用户用电信息矩阵并且在用户用电信息矩阵中,用户响应的效益函数通过二次函数近似表示:
(对于用户来说,其响应目标为经济利益最大,而用户每次接受到的激励价格与用户的历史响应行为有关,历史响应量越大,下一次所接收到的激励价格越高)比较响应所带来的舒适度损失与所获经济效益之间的关系,决策在不同激励价格下的响应量,用户参与需求响应的目标函数表示为如下形式:
如图3所示,引入机器学习算法以及算法模型,从而获得调节预测模型(包括输入门、遗忘门和输出门),(确定了预测模型,就需要进一步对模型训练的输入数据进行优选。通过用户响应模型可以看出,用户的响应量直接取决于所接收到的激励价格以及用户的负荷特性,而用户的负荷特性又受到外部环境的影响。对于居民用户来说,温控负荷是其负荷的主要组成部分之一,外界温度的变化会对用户的响应特性产生较大的影响,因此选择温度作为用户响应预测的输入参数之一。同时,用户的负荷特性具有周期性的特点,即用户在一天内相似的时段会有着相似的响应特性,因此选择时间作为输入参数之一。用户参与需求响应时的负荷状态直接决定了用户的最大响应潜力,因此,选择用户响应前一时段的负荷状态作为模型训练的输入量之一。综上,用户响应行为预测模型的输入数据选择为:调节补贴价格、温度、时间以及负荷状态)并且将包括调节补贴价格、温度、时间和负荷状态的用户响应行为作为调节预测模型的输入数据,调节预测模型的用户响应状态记录单元中记录了之前时刻的状态,在每次读取当前输入数据之后,对状态信息进行更新,用户响应状态记录单元的更新公式如下:
更新用户响应状态记录单元的状态信息后,根据用户响应状态记录单元的状态信息以及当前的输入决定所要输出的内容,即用户的预计响应量,输出门的更新公式如下:
ot=σ(Wo[ht-1,xt]+bo);
ht=ot×tanh(Ct);
其中,Wo,bo分别为输入的权重以及偏置。
优选地,核心特征项包括天气数据、历史数据、经济数据和日历规则。天气数据采用预测时刻前1h的实际温度、湿度、风速信息;负荷历史数据为预测时刻前96小时的电负荷数据;经济数据包括调节补贴价格;日历规则将周末和法定节假日作为非工作日,其余日期作为工作日处理。
进一步的是,对于分层分区资源汇集单元:
维护用户所属层、区档案,在用户原有所属行政区域、供电区域档案基础上,维护用户所属包括供电变电站、电压等级、线路和配变的信息,同时维护主变、线路和配变对应关系,实现用户纵向层级档案梳理;根据负荷需求,依托负荷资源潜力池,分主变、线路和配变开展负荷资源分解,形成分层分区资源池;
在执行需求响应过程中通过调用用户档案信息和实时采集的电表数据,利用机器学习算法预测参与需求响应的可调节负荷可调节潜力,解析配网网架下各个线路的可调节负荷容量大小。
更进一步的是,对于多维度负荷分配单元:
(考虑公平、经济性的同时,充分考虑不同层级的负荷响应场景,构建各场景典型负荷分配方法,精准匹配负荷调控);
以考虑补贴总额最低和信用惩罚的公平分配策略作为优化目标,以实际负荷调节功率占最大可调节功率的分配百分比来定义公平指标,同时根据价格和信用评级来调节分配百分比;
原目标函数:
其中,i为可调节负荷的序号;N为符合要求的可调节负荷的总数;Pi为第i个可调节负荷的负荷调节值;Pcap,i为第i个可调节负荷的负荷可调能力;CRi为第i个可调节负荷的信用惩罚系数;CTi为第i个可调节负荷的价格调节系数;
对价格调节系数CT用归一化方法进行映射,使得其取值在0.5~1.5之间,与信用惩罚系数CR保持在同一量级;
其中,Ci为第i个可调节负荷的调节补贴价格;Max(Ci)为所有可调节负荷中的调节补贴价格最大值;Min(Ci)为所有可调节负荷中的调节补贴价格最小值;
由于原目标函数包含绝对值,(不是简单的线性优化问题,求解时增加了难度,故对其进行以下优化)进行线性优化;
优化后的目标函数:
其中,i为可调节负荷的序号;N为符合要求的可调节负荷的总数;Zi为可调节负荷的经济公平指标;
以下为以原目标函数优化成优化后的目标函数之后引入的等价条件:
以功率平衡、响应时间和功率限值作为约束条件,结合优化后的目标函数,建立线性规划问题求解;
参与需求响应的可调节负荷所调节的功率必须与需求响应功率指标相平衡,(考虑到部分可调节负荷可能未响应邀约或响应不达标)引入需求响应功率系数:
其中,Pi为第i个可调节负荷的负荷调节值;Si,j为第i个可调节负荷对设备j的灵敏度;j为设备序号;Ptotal,j为设备j所需的需求响应负荷需求;α为需求响应功率裕量;M为设备总数;
参与需求响应的可调节负荷必须在响应开始时间之前,将功率调节到位:
其中,Tnotify,i为第i个可调节负荷的通知时长;Pi为第i个可调节负荷的负荷调节值;Pmax,i为第i个可调节负荷的负荷可调能力;TRamp,i为第i个可调节负荷的负荷爬坡时间;Tstart为距离需求响应开始时间的时长;
参与需求响应的可调节负荷的调节功率必须在其可调范围之内:
Pmin,i≤Pi≤Pcap,i,i=1,2,…N;
其中,Pmin,i为第i个可调节负荷的可调能力最小值;Pi为第i个可调节负荷的负荷调节值;Pcap,i为第i个可调节负荷的可调能力最大值。
优选地,基于机器学习的分层分区精准负荷响应系统还包括虚拟电厂可视化模块,虚拟电厂可视化模块包括共建变单元、可调能力数据聚合展示单元、异常告警展示单元和调控需求单元,其中:
共建变单元,通过网架拓扑关系以及灵敏度算法分析,获取每个资源与各个变电站或者线路的耦合关系,若存在强关联,则说明该资源的负荷增减会对该变电站或线路造成较大的关联影响,当该变电站或线路出现重过载异常情况时,优先考虑(这些)强耦合用户资源;
可调能力数据聚合展示单元,对该变电站或线路的强关联用户在削峰和填谷能力分解占比,同时通过圆点图清晰地展示各不同爬坡时间和响应时长维度地资源可调节能力;
异常告警展示单元,根据各个变电站或者线路的异常情况,在主网拓扑图以及站内拓扑图上进行异常告警展示,主要异常包括有当前重过载警示、未来重过载预警、电压越线警示、检修计划警示和负载不均衡警示,从而获得某个站点、某条线路和某个设备出现异常,针对这些异常情况自动或手动生成调节需求通过平台发布事件进行处理;
调控需求单元,根据主网异常手动创建调控需求,同时系统基于供电区域和电网架构层级关系,构建各场景典型负荷分配方法,精准匹配负荷调控,生成负荷分配策略,确认后下发到指定终端用户并且执行对应调控需求。
本发明还公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述基于机器学习的分层分区精准负荷响应系统。
本发明还公开了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述基于机器学习的分层分区精准负荷响应系统。
值得一提的是,本发明专利申请涉及的虚拟电厂和电子设备等技术特征应被视为现有技术,这些技术特征的具体结构、工作原理以及可能涉及到的控制方式、空间布置方式采用本领域的常规选择即可,不应被视为本发明专利的发明点所在,本发明专利不做进一步具体展开详述。
对于本领域的技术人员而言,依然可以对前述各实施例所记载的技术方案进行修改,或对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围。
Claims (8)
1.一种基于机器学习的分层分区精准负荷响应系统,用于高弹性电网的虚拟电厂建设,其特征在于,包括负荷预测模块、负荷可调能力预测模块和分层分区精准负荷响应模块,其中:
负荷预测模块基于机器学习的非稳态和非线性时间序列建模,通过对实际历史功率数据进行全面的预处理和时间序列分析,从而获得负荷预测模型,进而对短期和中长期的负荷曲线进行预测并且指导电网运行计划修正、用户用能计划调整和需求响应事件;
负荷可调能力预测模块用于对历史响应事件调节指标和实际响应能力数据的可调能力校正进行分析,从而获得负荷数据的核心特征项与可调能力之间的输入输出关系,进而获得并且通过机器学习,对不同类型和行业的用户可调节能力进行有效预测;
分层分区精准负荷响应模块基于供电区域和电网架构层级关系相匹配的精准负荷响应原理,配合不同用户群区域的互联互通互补原理,通过分层分区资源汇集单元、多维度负荷分配单元和分层分级方案预测单元进行需求侧资源参与供需平衡调节。
2.根据权利要求1所述的一种基于机器学习的分层分区精准负荷响应系统,其特征在于,对于负荷预测模块的负荷预测模型,通过受限波尔兹曼机和单层反向传播网络构成的深度置信网络的负荷预测模型对负荷曲线进行负荷预测,其中:
在负荷预测模型的底层通过DBN模块对输入的实际历史功率数据进行无监督学习特征提取,并且在负荷预测模型的顶层使用有监督的BP神经网络回归拟合产生预测结果;
DBN模块包括多层RBM模块并且每层的输出作为下一层的输入,并且每层的RBM模块均包括可见层和隐含层,可见层和隐含层的层内自身神经元无连接并且隐含层的每个神经元和可见层的每个神经元均进行连接。
3.根据权利要求2所述的一种基于机器学习的分层分区精准负荷响应系统,其特征在于,对于负荷可调能力预测模块:
将输入可调节负荷可调能力预测模块的负荷数据的核心特征项进行矩阵化,从而获得用户用电信息矩阵并且在用户用电信息矩阵中,用户响应的效益函数通过二次函数近似表示:
比较响应所带来的舒适度损失与所获经济效益之间的关系,决策在不同激励价格下的响应量,用户参与需求响应的目标函数表示为如下形式:
引入机器学习算法以及算法模型,从而获得调节预测模型,并且将包括调节补贴价格、温度、时间和负荷状态的用户响应行为作为调节预测模型的输入数据,调节预测模型的用户响应状态记录单元中记录了之前时刻的状态,在每次读取当前输入数据之后,对状态信息进行更新,用户响应状态记录单元的更新公式如下:
更新用户响应状态记录单元的状态信息后,根据用户响应状态记录单元的状态信息以及当前的输入决定所要输出的内容,即用户的预计响应量,输出门的更新公式如下:
ot=σ(Wo[ht-1,xt]+bo);
ht=ot×tanh(Ct);
其中,Wo,bo分别为输入的权重以及偏置。
4.根据权利要求3所述的一种基于机器学习的分层分区精准负荷响应系统,其特征在于,对于分层分区资源汇集单元:
维护用户所属层、区档案,在用户原有所属行政区域、供电区域档案基础上,维护用户所属包括供电变电站、电压等级、线路和配变的信息,同时维护主变、线路和配变对应关系,实现用户纵向层级档案梳理;根据负荷需求,依托负荷资源潜力池,分主变、线路和配变开展负荷资源分解,形成分层分区资源池;
在执行需求响应过程中通过调用用户档案信息和实时采集的电表数据,利用机器学习算法预测参与需求响应的可调节负荷可调节潜力,解析配网网架下各个线路的可调节负荷容量大小。
5.根据权利要求4所述的一种基于机器学习的分层分区精准负荷响应系统,其特征在于,对于多维度负荷分配单元:
以考虑补贴总额最低和信用惩罚的公平分配策略作为优化目标,以实际负荷调节功率占最大可调节功率的分配百分比来定义公平指标,同时根据价格和信用评级来调节分配百分比;
原目标函数:
其中,i为可调节负荷的序号;N为符合要求的可调节负荷的总数;Pi为第i个可调节负荷的负荷调节值;Pcap,i为第i个可调节负荷的负荷可调能力;CRi为第i个可调节负荷的信用惩罚系数;CTi为第i个可调节负荷的价格调节系数;
对价格调节系数CT用归一化方法进行映射,使得其取值在0.5~1.5之间,与信用惩罚系数CR保持在同一量级;
其中,Ci为第i个可调节负荷的调节补贴价格;Max(Ci)为所有可调节负荷中的调节补贴价格最大值;Min(Ci)为所有可调节负荷中的调节补贴价格最小值;
由于原目标函数包含绝对值,进行线性优化;
优化后的目标函数:
其中,i为可调节负荷的序号;N为符合要求的可调节负荷的总数;Zi为可调节负荷的经济公平指标;
以下为以原目标函数优化成优化后的目标函数之后引入的等价条件:
以功率平衡、响应时间和功率限值作为约束条件,结合优化后的目标函数,建立线性规划问题求解;
参与需求响应的可调节负荷所调节的功率必须与需求响应功率指标相平衡,引入需求响应功率系数:
其中,Pi为第i个可调节负荷的负荷调节值;Si,j为第i个可调节负荷对设备j的灵敏度;j为设备序号;Ptotal,j为设备j所需的需求响应负荷需求;α为需求响应功率裕量;M为设备总数;
参与需求响应的可调节负荷必须在响应开始时间之前,将功率调节到位:
其中,Tnotify,i为第i个可调节负荷的通知时长;Pi为第i个可调节负荷的负荷调节值;Pmax,i为第i个可调节负荷的负荷可调能力;TRamp,i为第i个可调节负荷的负荷爬坡时间;Tstart为距离需求响应开始时间的时长;
参与需求响应的可调节负荷的调节功率必须在其可调范围之内:
Pmin,i≤Pi≤Pcap,i,i=1,2,…N;
其中,Pmin,i为第i个可调节负荷的可调能力最小值;Pi为第i个可调节负荷的负荷调节值;Pcap,i为第i个可调节负荷的可调能力最大值。
6.根据权利要求5所述的一种基于机器学习的分层分区精准负荷响应系统,其特征在于,基于机器学习的分层分区精准负荷响应系统还包括虚拟电厂可视化模块,虚拟电厂可视化模块包括共建变单元、可调能力数据聚合展示单元、异常告警展示单元和调控需求单元,其中:
共建变单元,通过网架拓扑关系以及灵敏度算法分析,获取每个资源与各个变电站或者线路的耦合关系,若存在强关联,则说明该资源的负荷增减会对该变电站或线路造成较大的关联影响,当该变电站或线路出现重过载异常情况时,优先考虑强耦合用户资源;
可调能力数据聚合展示单元,对该变电站或线路的强关联用户在削峰和填谷能力分解占比,同时通过圆点图清晰地展示各不同爬坡时间和响应时长维度地资源可调节能力;
异常告警展示单元,根据各个变电站或者线路的异常情况,在主网拓扑图以及站内拓扑图上进行异常告警展示,主要异常包括有当前重过载警示、未来重过载预警、电压越线警示、检修计划警示和负载不均衡警示,从而获得某个站点、某条线路和某个设备出现异常,针对这些异常情况自动或手动生成调节需求通过平台发布事件进行处理;
调控需求单元,根据主网异常手动创建调控需求,同时系统基于供电区域和电网架构层级关系,构建各场景典型负荷分配方法,精准匹配负荷调控,生成负荷分配策略,确认后下发到指定终端用户并且执行对应调控需求。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于机器学习的分层分区精准负荷响应系统。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于机器学习的分层分区精准负荷响应系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211118159.4A CN115632392A (zh) | 2022-09-15 | 2022-09-15 | 基于机器学习的分层分区精准负荷响应系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211118159.4A CN115632392A (zh) | 2022-09-15 | 2022-09-15 | 基于机器学习的分层分区精准负荷响应系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115632392A true CN115632392A (zh) | 2023-01-20 |
Family
ID=84903331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211118159.4A Pending CN115632392A (zh) | 2022-09-15 | 2022-09-15 | 基于机器学习的分层分区精准负荷响应系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115632392A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090798A (zh) * | 2023-04-07 | 2023-05-09 | 山东历控能源有限公司 | 一种综合能源调度方法及系统 |
CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
CN116822803A (zh) * | 2023-08-29 | 2023-09-29 | 北京国网信通埃森哲信息技术有限公司 | 基于智能算法的碳排放数据图构建方法、装置与设备 |
CN117239740A (zh) * | 2023-11-14 | 2023-12-15 | 北京国科恒通数字能源技术有限公司 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
CN117477660A (zh) * | 2023-10-16 | 2024-01-30 | 广州高新区能源技术研究院有限公司 | 基于vpp需求响应的柔光储充系统联合调控方法及系统 |
CN117877647A (zh) * | 2024-03-13 | 2024-04-12 | 苏州创腾软件有限公司 | 基于机器学习的配方生成方法和装置 |
-
2022
- 2022-09-15 CN CN202211118159.4A patent/CN115632392A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090798A (zh) * | 2023-04-07 | 2023-05-09 | 山东历控能源有限公司 | 一种综合能源调度方法及系统 |
CN116822803A (zh) * | 2023-08-29 | 2023-09-29 | 北京国网信通埃森哲信息技术有限公司 | 基于智能算法的碳排放数据图构建方法、装置与设备 |
CN116822803B (zh) * | 2023-08-29 | 2023-11-24 | 北京国网信通埃森哲信息技术有限公司 | 基于智能算法的碳排放数据图构建方法、装置与设备 |
CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
CN116826745B (zh) * | 2023-08-30 | 2024-02-09 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
CN117477660A (zh) * | 2023-10-16 | 2024-01-30 | 广州高新区能源技术研究院有限公司 | 基于vpp需求响应的柔光储充系统联合调控方法及系统 |
CN117477660B (zh) * | 2023-10-16 | 2024-05-28 | 广州高新区能源技术研究院有限公司 | 基于vpp需求响应的柔光储充系统联合调控方法及系统 |
CN117239740A (zh) * | 2023-11-14 | 2023-12-15 | 北京国科恒通数字能源技术有限公司 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
CN117239740B (zh) * | 2023-11-14 | 2024-01-23 | 北京国科恒通数字能源技术有限公司 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
CN117877647A (zh) * | 2024-03-13 | 2024-04-12 | 苏州创腾软件有限公司 | 基于机器学习的配方生成方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115632392A (zh) | 基于机器学习的分层分区精准负荷响应系统 | |
Liu et al. | A new hybrid ensemble deep reinforcement learning model for wind speed short term forecasting | |
Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
Xia et al. | Short, medium and long term load forecasting model and virtual load forecaster based on radial basis function neural networks | |
Gao et al. | Combination of fuzzy based on a meta-heuristic algorithm to predict electricity price in an electricity markets | |
CN110751508A (zh) | 一种基于大数据分析的农产品市场价格预警管理系统 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
Nazir et al. | Forecasting energy consumption demand of customers in smart grid using Temporal Fusion Transformer (TFT) | |
CN110276393A (zh) | 一种绿色建筑能耗复合预测方法 | |
Wei et al. | Forecasting the daily natural gas consumption with an accurate white-box model | |
Salam et al. | Energy consumption prediction model with deep inception residual network inspiration and LSTM | |
Kong et al. | Refined peak shaving potential assessment and differentiated decision-making method for user load in virtual power plants | |
Wang et al. | Development and application of a simulation model for changes in land-use patterns under drought scenarios | |
CN115496627A (zh) | 一种可调资源响应潜力的评估方法及系统 | |
CN116014724A (zh) | 一种有源配电网网格化负荷预测方法 | |
Wu et al. | Bilevel load-agent-based distributed coordination decision strategy for aggregators | |
Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model | |
CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN114219225A (zh) | 基于多源数据的电网投资效益评估系统及评估方法 | |
CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
Su et al. | Optimal placement and capacity sizing of energy storage systems via NSGA-II in active distribution network | |
CN102708298B (zh) | 一种车载通信系统电磁兼容指标分配方法 | |
CN115577996B (zh) | 一种电网停电计划的风险评估方法、系统、设备和介质 | |
Cao et al. | A hybrid electricity load prediction system based on weighted fuzzy time series and multi-objective differential evolution | |
Wang et al. | Predicting smart cities’ electricity demands using k-means clustering algorithm in smart grid |
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 |