CN115640916A - 分布式电源出力和多能负荷态势感知方法及系统 - Google Patents
分布式电源出力和多能负荷态势感知方法及系统 Download PDFInfo
- Publication number
- CN115640916A CN115640916A CN202211653094.3A CN202211653094A CN115640916A CN 115640916 A CN115640916 A CN 115640916A CN 202211653094 A CN202211653094 A CN 202211653094A CN 115640916 A CN115640916 A CN 115640916A
- Authority
- CN
- China
- Prior art keywords
- information
- distributed power
- energy load
- feature set
- power supply
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000008447 perception Effects 0.000 claims abstract description 116
- 238000010219 correlation analysis Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000033228 biological regulation Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种分布式电源出力和多能负荷态势感知方法及系统,包括获取不同种类的多能负荷信息,和多个第一影响因素信息,以及分布式电源出力信息,和多个第二影响因素信息;基于多能负荷信息与所述多个第一影响因素信息,构建多能负荷特征集;基于分布式电源出力信息以及多个第二影响因素信息,构建分布式电源出力特征集;对多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集;将态势感知特征集输入预先构建的态势感知模型,确定态势感知结果。本发明的方法能够实现提高综合能源系统能源利用率、保证综合能源系统经济性的目的。
Description
技术领域
本发明涉及综合能源技术领域,尤其涉及一种分布式电源出力和多能负荷态势感知方法及系统。
背景技术
综合能源系统是包含电、热、冷、气等多种类型的能源体系,是能源互联网的主要承载形式,它打破了原有的能源系统中电、热、 冷、气等能源供应系统单独规划、设计和运行的既有模式,具有多能协同、多源耦合的特性。
但分布式风电和光伏出力受风速、太阳辐照强度、温度等不确定气象因素的影响,因而具有较强的不确定性。从综合能源系统的层面来看,分布式风电、光伏输出功率的不确定性主要来自于气象要素的不确定性、电能转换过程的不确定性、电能传输过程的不确定性,以及分布式风电、光伏出力态势感知模型的不确定性。
传统能源系统中分布式风电、光伏可再生能源比例相对较低,且不同种类能源系统之间是相互独立的,电力系统、热力系统和天然气系统等各个系统自成一体。现有综合能源系统中分布式风电、光伏的强随机波动性和反调峰特性极大地增加了综合能源系统中常规电源的调节负担和综合能源系统的调控难度,直接影响了综合能源系统的调度计划,进而影响了综合能源系统的能源利用效率以及系统的经济性和充裕性。
发明内容
本发明提供一种分布式电源出力和多能负荷态势感知方法,能够解决现有技术中的部分问题,也即,降低综合能源系统中调节负担和综合能源系统的调控难度。
本发明实施例的第一方面,
提供一种分布式电源出力和多能负荷态势感知方法,包括:
获取不同种类的多能负荷信息,与所述多能负荷信息对应的多个第一影响因素信息,以及分布式电源出力信息,与所述分布式电源出力信息对应的多个第二影响因素信息;
基于所述多能负荷信息与所述多个第一影响因素信息,构建多能负荷特征集;基于所述分布式电源出力信息以及所述多个第二影响因素信息,构建分布式电源出力特征集;
对所述多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集;
将所述态势感知特征集输入预先构建的态势感知模型,确定态势感知结果,其中,所述态势感知模型基于改进的随机森林算法构建。
在一种可选的实施方式中,
所述基于所述多能负荷信息与所述多个第一影响因素信息,构建多能负荷特征集;基于所述分布式电源出力信息以及所述多个第二影响因素信息,构建分布式电源出力特征集之后,所述方法还包括:
确定所述多能负荷特征集和所述分布式电源出力特征集中各个特征的均值信息和标准差信息,若所述多能负荷特征集和所述分布式电源出力特征集中任一特征与所述均值信息的差值绝对值,大于预设数据剔除系数与所述标准差信息的乘积,则剔除该特征的异常值;
和/或
对所述多个第一影响因素信息和所述多个第二影响因素信息进行文本分词、删除停用词以及生成对应的词向量,并生成数据化信息,对所生成的数据化信息进行填充,判断填充后的数据化信息是否完整,若完整,则进行归一化处理。
在一种可选的实施方式中,
所述对所述多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集包括:
将所述多能负荷特征集以及所述分布式电源出力特征集作为预先构建的条件互信息模型的输入,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,其中,所述条件互信息模型用于指示两个变量中是否含有另一变量的约束条件或者两个变量之间的关联程度;
基于所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,采用前向特征选择算法,依次增加输入所述待训练的态势感知模型特征的维度,确定所有维度的特征对应的所述待训练的态势感知模型的态势感知误差;
将态势感知误差最小时的特征维度作为最优态势感知特征集。
在一种可选的实施方式中,
所述将所述多能负荷特征集以及所述分布式电源出力特征集作为预先构建的条件互信息模型的输入,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性包括:
按照如下公式确定各个特征的重要性:
其中,I(X;Y)表示X和Y的互信息值,p(x,y)表示X和Y共同出现的频率,p(x)表示表示X单独出现的频率,p(y)表示Y单独出现的频率,p(x|y)表示Y出现的情况下,X出现的频率,其中,I(X;Y)越大,则X和Y的关联程度越强。
在一种可选的实施方式中,
在将所述态势感知特征集输入预先构建的态势感知模型,确定态势感知结果之前,还包括:
训练所述态势感知模型,所述训练方法包括:
从包含多个样本的原始特征集合中,通过自助重采样方法有放回地抽取多个样本,组成新的样本集合作为训练集;
建立所述训练集对应的决策树,并任由所述决策树生长,不进行剪枝处理,直至所述训练集中样本数无法继续分裂,和/或训练集中所有样本指向同一标签时,所述决策树停止生长;
根据熵计算信息增益,选择所述决策树的最优分裂属性子集,训练所述态势感知模型。
在一种可选的实施方式中,
所述熵计算信息增益如下公式所示:
在一种可选的实施方式中,
所述多个第一影响因素信息和所述多个第二影响因素信息包括时间因素、天气因素,其中,所述天气因素进一步包括太阳辐射、温度、相对湿度以及风度中至少一种。
本发明实施例的第二方面,
提供一种分布式电源出力和多能负荷态势感知系统,包括:
第一单元,用于获取不同种类的多能负荷信息,与所述多能负荷信息对应的多个第一影响因素信息,以及分布式电源出力信息,与所述分布式电源出力信息对应的多个第二影响因素信息;
第二单元,用于基于所述多能负荷信息与所述多个第一影响因素信息,构建多能负荷特征集;基于所述分布式电源出力信息以及所述多个第二影响因素信息,构建分布式电源出力特征集;
第三单元,用于对所述多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集;
第四单元,用于将所述态势感知特征集输入预先构建的态势感知模型,确定态势感知结果,其中,所述态势感知模型基于改进的随机森林算法构建。
本发明实施例的第三方面,
提供一种设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
通过对综合能源系统中分布式电源出力及电、热、冷、气各类负荷进行分析,用专业化、集成化、合理化的方法来管理整个系统,深度挖掘综合能源系统不同种类能源深度耦合的潜力,以实现提高综合能源系统能源利用率、保证综合能源系统经济性的目的。
附图说明
图1为本发明实施例分布式电源出力和多能负荷态势感知方法的流程示意图。
图2为本发明实施例分布式电源出力和多能负荷态势感知系统的结构示意图。
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、完整地描述,显然,所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
随着源侧风电和光伏接入到系统中,使得当前综合能源系统的源、荷两端均具有较强的不确定性,为综合能源系统的安全经济运行带来了极大挑战。在双重不确定性系统中,若想实现综合能源系统中能源的实时供需平衡,需要减少综合能源系统中的不确定性,以便于保证综合能源系统调度灵活性、可靠性。若想减少综合能源系统源、荷两端的不确定性,需要对综合能源系统分布式风电、光伏输出功率进行态势感知,并对综合能源系统中冷、热、电、气负荷进行态势感知,最后得到分布式电源出力及多能负荷的日前态势感知结果,从而增加了综合能源系统低碳调度的灵活性、可靠性,减少了综合能源系统的碳排放。
图1为本发明实施例分布式电源出力和多能负荷态势感知方法的流程示意图,如图1所示,所述方法包括:
S101. 获取不同种类的多能负荷信息,与所述多能负荷信息对应的多个第一影响因素信息,以及分布式电源出力信息,与所述分布式电源出力信息对应的多个第二影响因素信息;
示例性地,综合能源系统分布式光伏出力的影响因素众多,在选择分布式电源出力态势感知模型的输入特征时,既要尽可能涵盖所有的影响因素,又要防止输入特征过多导致的过拟合现象的发生。因此要综合考虑所有分布式电源出力的影响因素,构建分布式电源出力的特征集。
在一种可选的实施方式中,
所述多个第一影响因素信息和所述多个第二影响因素信息包括时间因素、天气因素,其中,所述天气因素进一步包括太阳辐射、温度、相对湿度以及风度中至少一种。
综合能源系统中分布式光伏出力影响因素如下:
(1)时间因素:
地球的公转与自转使得光伏出力具有明显的季节特性与日内特性,而季节特性与日内特性仅与时间有关。光伏发电设备出力受时间的影响最大,预测点的时间决定了太阳向地球传输的辐射量,这意味着当不考虑天气因素时,时间因素决定了光伏发电设备在预测时刻的最大出力值。时间因素主要包括日期和日内时间,日期和日内时间的不同,该时间下对应的太阳辐照强度也不同。
(2)天气因素
天气因素可分为持续性影响因素与突发性影响因素。持续性影响因素指在较长时间内对光伏出力数据产生影响的因素,其发生显著变化的时间远长于数据的时间步长,易于通过历史数据学习。该因素主要包括雾霾、大范围的云层(如积雨云),气温与湿度等,可通过分析预测对应时刻的数值天气预报信息等手段获取。
突发性影响因素指在较短时间内对分布式光伏出力数据产生影响的因素,主要来源于运动云层对阳光的间歇性遮挡。该因素的时间尺度显著低于数值天气预报,因此将预测点前一段时间的历史数据作为该因素的输入特征,以提供光伏出力数据在过去短时间内的波动情况,从而间接反映突发性影响因素的信息。
天气因素中分布式光伏出力的具体影响因素如下:
太阳辐照
太阳辐照是太阳光能在进入地球时,经过大气层后,减去被吸收、反射、折射的能量,照射在单位面积的光伏阵列上的能量,光伏发电的输出功率的公式为:
太阳能辐照强度与光伏发电的功率呈高度正相关关系且太阳能辐照强度同时也与前文所述的时间因素有关,即一年之中的夏季与其他季节相比太阳辐照强度大,一天之内的中午与其他时间段相比太阳辐照强度大。因此,太阳辐照强度是影响光伏发电的一个重要因素。
光伏发电的关键在于太阳光照射在光伏电池的 PN 结上,产生了光生伏特效应的化学反应,空穴和电子在不停的移动,从而产生了电动势。而一般情况而言,环境温度越高,空穴和电子的移动速度越快,光伏发电的输出也越多,且根据上述光伏发电的输出功率的公式可知,分布式光伏设备的环境温度对于光伏发电也有着直接的相关关系。随着温度的升高,分布式光伏输出功率逐渐增多,而当环境温度下降时,也会影响光伏发电量逐渐减小,但温度过高时不利于分布式光伏发电。因此,温度也是影响分布式光伏输出功率的重要因素之一。
相对湿度
当湿度增大时,会导致太阳光穿过云层时的反射、衍射、吸收增大,从而导致照射到分布式光伏设备的能量减小,且湿度大,会影响分布式光伏设备的硬件组件导致设备的能量转化效率的降低。相对湿度与分布式光伏出力呈负相关关系,当相对湿度增大时,分布式光伏发电出力将会减小;而当相对湿度减小时,光伏发电量又会有所增加。
风速与光伏输出功率没有明显的正相关或负相关的关系,但是,风速与其它因素相结合会间接影响光伏输出功率。比如,风速会影响环境温度,风速较大时会加快太阳能电池的散热;风速会影响空气中的气溶胶和太阳能电池表面的浮尘,气溶胶和表面浮尘会影响空气通透性,低通透性会影响照射到太阳能光伏板上的辐照强度。因此,风速也是分布式光伏发电的影响因素之一。
风速对风电机组出力的影响:
综合能源系统中的分布式风电出力设备与风速大小有很大关系。风电机组的输出功率与风速的关系可以表示如下:
当风速很小时,风机不输出功率,即风机的输出功率要大于一个阈值,当大于这个阈值后,如上述公式所示,风速的微小变化将导致功率的巨大变化。当风速大于风电机组的最高输入风速,此后尽管风速增加,但输出功率保持最大值不变。
S102. 基于所述多能负荷信息与所述多个第一影响因素信息,构建多能负荷特征集;基于所述分布式电源出力信息以及所述多个第二影响因素信息,构建分布式电源出力特征集;
在一种可选的实施方式中,
构建多能负荷特征集与分布式电源出力特征集之后,所述方法还包括:
确定所述多能负荷特征集和所述分布式电源出力特征集中各个特征的均值信息和标准差信息,若所述多能负荷特征集和所述分布式电源出力特征集中任一特征与所述均值信息的差值绝对值,大于预设数据剔除系数与所述标准差信息的乘积,则剔除该特征的异常值;
和/或
对所述多个第一影响因素信息和所述多个第二影响因素信息进行文本分词、删除停用词以及生成对应的词向量,并生成数据化信息,对所生成的数据化信息进行填充,判断填充后的数据化信息是否完整,若完整,则进行归一化处理。
对基于数据驱动的分布式电源出力及多能负荷态势感知而言,其采集的数据质量很大程度上决定了态势感知的精确度。而在实际相关数据的采集过程中,从传感器的测量过程,数据的传输过程,到后台数据库的记录过程,倘若其中涉及到的任意环节发生故障都会导致某些采集数据与其他正确数据出现较大的差异,这些与正常值差异较大的数据称作异常值,其变化趋势不符合真正的分布式电源出力及多能负荷的变化规律。如果不能辨识并剔除异常值数据,则在态势感知模型的训练过程中,其反应出的变化规律会干扰态势感知模型的训练,从而导致得到的态势感知结果与实际值产生较大的误差,影响态势感知结果的准确性。
同时,为了更加方便地将历史数据输入模型,减少历史数据数量级的差异对态势感知模型的影响,还需要将历史数据进行归一化处理。且收集到的气象数据中还存在大量的文本信息,难以依靠常规的数据处理分析方法进行处理,从而导致对态势感知模型进行训练时存在数据缺失现象,需要对数据进行融合处理,从而增加分布式电源出力及多能负荷态势感知的精度。
对分布式电源出力及多能负荷历史数据进行异常数据的剔除实质上是指对量测值相比于实际值过大或过小的数据进行剔除,采用拉依达(Pauta)准则对每日的异常数据进行剔除。拉依达准则剔除异常数据的方法如下:
首先分别计算出综合能源系统历史风电出力、历史光伏出力和多能负荷历史数据Lt(t=1,2,…,T)的均值Lu及标准差La,若某时刻的历史数据满足如下公式:
则认为是Lt异常历史数据,并对其进行剔除。
综合能源系统分布式电源出力及多能负荷的历史数据存在种类多、数量大、来源广、量纲不统一等特征,如果直接利用原始数据对综合能源系统分布式电源出力和多能负荷进行态势感知,则对模型的要求较高。而且各类数据对于最终结果影响的大小仅能从数值方面得以体现,不同类型的数据,可能会存在测量数值大小决定最终态势感知结果的情况,即数值大的对结果的影响大,数值小的影响小。为了排除数值大小对于最终态势感知结果的准确性造成的影响,将收集到的数据集进行数据标准化操作,即把原始数据均转化成无量纲的数据,使不同种类数据间数值相差不大,以便于进行综合分析。该模型采用Z-score标准化方法对采集到的数据进行标准化操作,从而得到无量纲的历史数据以消除不同种类历史数据之间数量级上的差异。Z-score标准化方法的公式如下:
其中,x*为规范化后的数值;x为分布式电源出力值或多能负荷数据值,x u 和x a 分别为分布式电源出力值或多能负荷数据的均值和标准差;
负荷数据均值x u 的计算公式为:
利用Z-score标准化方法使得来源不同的负荷数据及分布式电源出力数据有了相对统一的比较标准,保证了分布式电源出力及多能负荷态势感知模型输入数据的可靠性。
S103. 对所述多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集;
对于综合能源系统而言,影响分布式电源出力和多能负荷的因素众多,但若将所有因素不加区分与选择都作为输入变量,那对模型训练能力的要求就非常大,将会影响预测效率。所以需要将各个因素与分布式电源出力和多能负荷的相关性进行量化分析。量化表示后就很容易能看出分布式电源出力和多能负荷与各个影响因素之间的相关性程度,在此基础上把那些与分布式电源出力和多能负荷有较大相关性的因素作为输入特征量。另一方面,分布式电源出力和多能负荷序列在比较平稳阶段具有动态特性,即历史时刻的数值对下一时刻态势感知有影响。但是当前时刻分布式电源出力和多能负荷与后面多少个历史时刻有关联性,需要利用相关性分析方法进行量化分析。根据此量化分析结果来确定应该选取多少个历史时刻值作为输入,提取对态势感知精度贡献最大的有用的信息,对于分布式电源出力和多能负荷态势感知精度提升具有重要意义。因此,本节通过对分布式电源出力和多能负荷特征相关性进行分析,从而得到态势感知模型的最优特征子集,提高分布式电源出力和多能负荷态势感知模型的准确度。
由于影响综合能源系统分布式电源出力和多能负荷的因素众多,且在这些影响因素之间存在错综复杂的耦合关系和冗余的信息,导致在对分布式电源出力和多能负荷的特征进行相关性分析时难度增加。目前常用的特征相关性分析方法中,大多都是强调特征与综合能源系统中分布式电源出力与多能负荷之间的直接关系,较少量研究中会考虑对特征间的冗余信息进行分析。而在分布式电源出力和多能负荷态势感知的研究中,冗余信息的存在将造成无效信息、不利信息的加入,导致分布式电源出力和多能负荷态势感知的精度难以提升。在态势感知模型中加入冗余信息将导致输入态势感知模型的特征向量维数增大,不利于最优态势感知模型的构建和精度的提升。
在一种可选的实施方式中,
所述对所述多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集包括:
将所述多能负荷特征集以及所述分布式电源出力特征集作为预先构建的条件互信息模型的输入,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,其中,所述条件互信息模型用于指示两个变量中是否含有另一变量的约束条件或者两个变量之间的关联程度;
基于所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,采用前向特征选择算法,依次增加输入所述待训练的态势感知模型特征的维度,确定所有维度的特征对应的所述待训练的态势感知模型的态势感知误差;
将态势感知误差最小时的特征维度作为最优态势感知特征集。
示例性地,条件互信息(Conditional Mutual Information, CMI)是一种用互信息来度量特征之间信息量的算法。与MI相比,CMI增加了对特征与特征之间的的重复信息的考量,不是像MI那样仅仅是只考虑目标变量与特征之间的有效的信息,所以,在处理高维数据时具有选择特征准确的特点。
互信息的相关性意义表示为,在知道两个随机变量中的一个后,其值表示另一个随机变量不确定性削弱的程度,所以互信息的值最小为0,此时表明在确定一个随机变量时与事先确定的变量之间没有丝毫的关系。最大取值表示为一个随机变量的熵,这个熵值表示根据给定的随机变量可以完全确定另一个变量的信息,即待确定的随机变量就变成了确定变量,不再具有随机性和不确定性,也就是说,互信息越大,两个项之间的关系越近,相似度越大。
在一种可选的实施方式中,所述将所述多能负荷特征集以及所述分布式电源出力特征集作为预先构建的条件互信息模型的输入,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性包括:
按照如下公式确定各个特征的重要性:
其中,I(X;Y)表示X和Y的互信息值,p(x,y)表示X和Y共同出现的频率,p(x)表示表示X单独出现的频率,p(y)表示Y单独出现的频率,p(x|y)表示Y出现的情况下,X出现的频率,其中,I(X;Y)越大,则X和Y的关联程度越强。
示例性地,分布式电源出力特征相关性分析方法如下:
把原始特征集合中特征和分布式电源出力作为条件互信息的模型输入,得到各特征与分布式电源出力的重要度值,进而得到各特征的重要度排序;然后,基于特征重要度的排序结果,以改进随机森林模型的态势感知精度为决策变量,采用前向特征选择方法,依次增加态势感知模型输入特征的维度,由此得到所有维度的特征作为态势感知模型输入时的态势感知误差,取态势感知误差最小时的特征维度为最优特征子集。
前向特征选择的具体过程如下:
1) 首先利用CMI对原始特征集合中的特征与多元负荷进行相关性分析;
2) 根据相关性分析结果,得到各特征的重要度,并对特征进行排序;
3) 采用前向特征选择方法,首先选择重要度最高的1维特征作为特征子集进行态势感知,保留态势感知结果;
4) 增加重要度次高的特征,组建新的特征子集,再次构建态势感知模型,并保留新态势感知模型的态势感知结果;
5) 重复4),直至增加完全部的特征;
6) 对不同特征子集下的态势感知结果进行分析,选择态势感知精度最高的特征子集为最优特征子集。
多能负荷特征相关性分析的方法如下:
与分布式电源出力特征相关性分析的方法类似,多能负荷相关分析的方法如下:把综合能源系统和各类负荷对应的原始特征集合中的特征作为条件互信息的模型输入,得到各特征与电、热、冷、气负荷的重要度值,进而得到各特征的重要度排序;然后,基于特征重要度的排序结果,以改进随机森林模型的态势感知精度为决策变量,采用前向特征选择方法,依次增加态势感知模型输入特征的维度,由此得到所有维度的特征作为态势感知模型输入时的态势感知误差,取态势感知误差最小时的特征维度为最优特征子集。
S104. 将所述态势感知特征集输入预先构建的态势感知模型,确定态势感知结果,其中,所述态势感知模型基于改进的随机森林算法构建。
在一种可选的实施方式中,
在将所述态势感知特征集输入预先构建的态势感知模型,确定态势感知结果之前,还包括:
训练所述态势感知模型,所述训练方法包括:
从包含多个样本的原始特征集合中,通过自助重采样方法有放回地抽取多个样本,组成新的样本集合作为训练集;
建立所述训练集对应的决策树,并任由所述决策树生长,不进行剪枝处理,直至所述训练集中样本数无法继续分裂,和/或训练集中所有样本指向同一标签时,所述决策树停止生长;
根据熵计算信息增益,选择所述决策树的最优分裂属性子集,训练所述态势感知模型。
在一种可选的实施方式中,
所述熵计算信息增益如下公式所示:
示例性地,在构建分布式电源出力及多能负荷最优特征子集之后,将最优特征子集作为随机森林算法的输入对模型进行训练,并最终得到分布式电源出力及多能负荷态势感知模型。通过对该分布式电源出力及多能负荷态势感知模型的态势感知结果采用一些评价指标进行评价,可以分析出该态势感知模型的态势感知精度较高。基于随机森林的分布式电源出力及多能负荷态势感知模型具有结构简单、态势感知结果精确以及具有鲁棒性的优点,因此该模型适合用于对综合能源系统分布式电源出力及多能负荷进行态势感知。
本发明实施例中熵计算信息增益是一种更接近真实值的熵估计方法,采用改进后的Grassberger熵计算信息增益,选择随机森林分类器节点分裂的最优分裂属性。
在综合能源系统分布式电源出力和多能负荷态势感知的过程中,虽然已经采用数据预处理、基于互信息的特征相关性分析以及随机森林算法等方法来减少态势感知模型的误差,但是在实际的态势感知过程中必然还是会存在一定的误差。为了衡量态势感知过程中产生的误差大小,并对综合能源系统多能负荷态势感知结果进行分析评价,需要一些评价指标来对该模型所产生的态势感知结果进行评价。该模型主要选择了四种评价指标:平均绝对误差 MAE、平均绝对百分比误差 MAPE、均方误差MSE、均方根误差RMSE。这四种态势感知模型指标的计算公式如下:
平均绝对误差
平均绝对误差 MAE是指分布式电源出力和多能负荷态势感知结果的绝对误差的算术平均值,平均绝对误差 MAE越小,说明该模型的态势感知结果与实际值越接近,该态势感知方法的态势感知效果越好,理想情况下,当 MAE=0,说明每个点的态势感知结果都等于实际值,具体公式如下:
其中,P Mi 表示i时刻的实际值,P Pi 表示i时刻的态势感知结果,n表示样本数量。
平均绝对百分比误差
平均绝对百分比误差 MAPE是指分布式电源出力与多能负荷态势感知结果的绝对误差与实际值的比值求平均值,平均绝对百分比误差MAPE越小,说明该模型的态势感知结果与实际值越接近,该态势感知方法的态势感知效果越好,理想情况下,当 MAPE=0,说明每个点的态势感知结果都等于实际值,具体公式如下:
均方误差
均方误差MSE 是指分布式电源出力与多能负荷态势感知的实际值与态势感知值之差的平方和与态势感知次数的比值,均方误差MSE越小,说明分布式电源出力与多能负荷态势感知的态势感知结果与实际值越接近,该模型态势感知方法的态势感知效果越好,理想情况下,当MSE=0,说明每个点的预测值都等于实际值,具体公式如下:
图2为本发明实施例分布式电源出力和多能负荷态势感知系统的结构示意图,本发明实施例第二方面,提供
一种分布式电源出力和多能负荷态势感知系统,包括:
第一单元,用于获取不同种类的多能负荷信息,与所述多能负荷信息对应的多个第一影响因素信息,以及分布式电源出力信息,与所述分布式电源出力信息对应的多个第二影响因素信息;
第二单元,用于基于所述多能负荷信息与所述多个第一影响因素信息,构建多能负荷特征集;基于所述分布式电源出力信息以及所述多个第二影响因素信息,构建分布式电源出力特征集;
第三单元,用于对所述多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集;
第四单元,用于将所述态势感知特征集输入预先构建的态势感知模型,确定态势感知结果,其中,所述态势感知模型基于改进的随机森林算法构建。
本发明实施例的第三方面,
提供一种设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所发明的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种分布式电源出力和多能负荷态势感知方法,其特征在于,包括:
获取不同种类的多能负荷信息,与所述多能负荷信息对应的多个第一影响因素信息,以及分布式电源出力信息,与所述分布式电源出力信息对应的多个第二影响因素信息;
基于所述多能负荷信息与所述多个第一影响因素信息,构建多能负荷特征集;基于所述分布式电源出力信息以及所述多个第二影响因素信息,构建分布式电源出力特征集;
对所述多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集;
将所述态势感知特征集输入预先构建的态势感知模型,确定态势感知结果,其中,所述态势感知模型基于改进的随机森林算法构建。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多能负荷信息与所述多个第一影响因素信息,构建多能负荷特征集;基于所述分布式电源出力信息以及所述多个第二影响因素信息,构建分布式电源出力特征集之后,所述方法还包括:
确定所述多能负荷特征集和所述分布式电源出力特征集中各个特征的均值信息和标准差信息,若所述多能负荷特征集和所述分布式电源出力特征集中任一特征与所述均值信息的差值绝对值,大于预设数据剔除系数与所述标准差信息的乘积,则剔除该特征的异常值;
和/或
对所述多个第一影响因素信息和所述多个第二影响因素信息进行文本分词、删除停用词以及生成对应的词向量,并生成数据化信息,对所生成的数据化信息进行填充,判断填充后的数据化信息是否完整,若完整,则进行归一化处理。
3.根据权利要求1所述的方法,其特征在于,所述对所述多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集包括:
将所述多能负荷特征集以及所述分布式电源出力特征集作为预先构建的条件互信息模型的输入,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,其中,所述条件互信息模型用于指示两个变量中是否含有另一变量的约束条件或者两个变量之间的关联程度;
基于所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,采用前向特征选择算法,依次增加输入待训练的态势感知模型特征的维度,确定所有维度的特征对应的所述待训练的态势感知模型的态势感知误差;
将态势感知误差最小时的特征维度作为最优态势感知特征集。
5.根据权利要求1所述的方法,其特征在于,所述将所述态势感知特征集输入预先构建的态势感知模型,确定态势感知结果之前,还包括:
训练所述态势感知模型,所述训练的过程包括:
从包含多个样本的原始特征集合中,通过自助重采样方法有放回地抽取多个样本,组成新的样本集合作为训练集;
建立所述训练集对应的决策树,并任由所述决策树生长,不进行剪枝处理,直至所述训练集中样本数无法继续分裂,和/或训练集中所有样本指向同一标签时,所述决策树停止生长;
根据熵计算信息增益,选择所述决策树的最优分裂属性子集,训练所述态势感知模型。
7.根据权利要求1所述的方法,其特征在于,
所述多个第一影响因素信息和所述多个第二影响因素信息均包括时间因素、天气因素,其中,所述天气因素包括太阳辐射、温度、相对湿度以及风度中至少一种。
8.一种分布式电源出力和多能负荷态势感知系统,其特征在于,包括:
第一单元,用于获取不同种类的多能负荷信息,与所述多能负荷信息对应的多个第一影响因素信息,以及分布式电源出力信息,与所述分布式电源出力信息对应的多个第二影响因素信息;
第二单元,用于基于所述多能负荷信息与所述多个第一影响因素信息,构建多能负荷特征集;基于所述分布式电源出力信息以及所述多个第二影响因素信息,构建分布式电源出力特征集;
第三单元,用于对所述多能负荷特征集以及所述分布式电源出力特征集进行相关性分析,确定所述多能负荷特征集以及所述分布式电源出力特征集各个特征的重要性,按照重要性排序确定态势感知特征集;
第四单元,用于将所述态势感知特征集输入预先构建的态势感知模型,确定态势感知结果,其中,所述态势感知模型基于改进的随机森林算法构建。
9.一种设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211653094.3A CN115640916B (zh) | 2022-12-22 | 2022-12-22 | 分布式电源出力和多能负荷态势感知方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211653094.3A CN115640916B (zh) | 2022-12-22 | 2022-12-22 | 分布式电源出力和多能负荷态势感知方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115640916A true CN115640916A (zh) | 2023-01-24 |
CN115640916B CN115640916B (zh) | 2023-05-23 |
Family
ID=84948065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211653094.3A Active CN115640916B (zh) | 2022-12-22 | 2022-12-22 | 分布式电源出力和多能负荷态势感知方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640916B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892212A (zh) * | 2024-03-14 | 2024-04-16 | 国网上海市电力公司 | 一种分布式异构能源站点态势感知监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035071A1 (en) * | 2010-07-02 | 2011-02-10 | David Sun | System tools for integrating individual load forecasts into a composite load forecast to present a comprehensive synchronized and harmonized load forecast |
CN107274115A (zh) * | 2017-08-11 | 2017-10-20 | 国网江苏省电力公司电力科学研究院 | 基于分布式监测和多源信息融合的主动配电网态势感知系统和方法 |
CN109888797A (zh) * | 2019-03-09 | 2019-06-14 | 四川大学 | 基于态势感知的含风电接入送端系统频率控制方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112751418A (zh) * | 2020-12-31 | 2021-05-04 | 国网山东省电力公司青岛供电公司 | 智能配电网区域态势要素感知方法及系统 |
CN112836884A (zh) * | 2021-02-07 | 2021-05-25 | 国网福建省电力有限公司经济技术研究院 | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 |
CN113837423A (zh) * | 2020-06-24 | 2021-12-24 | 国家电网有限公司华东分部 | 基于能源互联网电力大数据的电网运行态势预测方法 |
CN113964885A (zh) * | 2021-08-31 | 2022-01-21 | 国网山东省电力公司东营供电公司 | 一种基于态势感知的电网无功主动预测及控制技术 |
-
2022
- 2022-12-22 CN CN202211653094.3A patent/CN115640916B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035071A1 (en) * | 2010-07-02 | 2011-02-10 | David Sun | System tools for integrating individual load forecasts into a composite load forecast to present a comprehensive synchronized and harmonized load forecast |
CN107274115A (zh) * | 2017-08-11 | 2017-10-20 | 国网江苏省电力公司电力科学研究院 | 基于分布式监测和多源信息融合的主动配电网态势感知系统和方法 |
CN109888797A (zh) * | 2019-03-09 | 2019-06-14 | 四川大学 | 基于态势感知的含风电接入送端系统频率控制方法 |
CN113837423A (zh) * | 2020-06-24 | 2021-12-24 | 国家电网有限公司华东分部 | 基于能源互联网电力大数据的电网运行态势预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112751418A (zh) * | 2020-12-31 | 2021-05-04 | 国网山东省电力公司青岛供电公司 | 智能配电网区域态势要素感知方法及系统 |
CN112836884A (zh) * | 2021-02-07 | 2021-05-25 | 国网福建省电力有限公司经济技术研究院 | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 |
CN113964885A (zh) * | 2021-08-31 | 2022-01-21 | 国网山东省电力公司东营供电公司 | 一种基于态势感知的电网无功主动预测及控制技术 |
Non-Patent Citations (3)
Title |
---|
张冰;周步祥;石敏;魏金萧;: "基于灰色关联分析与随机森林回归模型的短期负荷预测" * |
郑睿程;顾洁;金之俭;彭虹桥;蔡珑;: "数据驱动与预测误差驱动融合的短期负荷预测输入变量选择方法研究" * |
黄明增等: "融合JMIM和NGBoost的电力系统暂态稳定评估方法" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892212A (zh) * | 2024-03-14 | 2024-04-16 | 国网上海市电力公司 | 一种分布式异构能源站点态势感知监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115640916B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Research and application based on the swarm intelligence algorithm and artificial intelligence for wind farm decision system | |
Musbah et al. | Energy management of hybrid energy system sources based on machine learning classification algorithms | |
CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
CN114004139A (zh) | 一种光伏发电功率预测方法 | |
McHugh et al. | Forecasting day-ahead electricity prices with a SARIMAX model | |
Li et al. | A two-tier wind power time series model considering day-to-day weather transition and intraday wind power fluctuations | |
Worsnop et al. | Generating wind power scenarios for probabilistic ramp event prediction using multivariate statistical post-processing | |
Yang et al. | Photovoltaic power forecasting with a rough set combination method | |
CN111027768A (zh) | 数据处理方法、装置和应用平台 | |
CN115640916B (zh) | 分布式电源出力和多能负荷态势感知方法及系统 | |
Chen et al. | Short-term wind power forecasting using mixed input feature-based cascade-connected artificial neural networks | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
Chahboun et al. | Novel comparison of machine learning techniques for predicting photovoltaic output power | |
CN114707739A (zh) | 基于大数据的风光出力预测与市场风险管控方法和系统 | |
CN116822331A (zh) | 一种多能源融合的风光发电预测方法 | |
Yang et al. | Ultra-short-term load prediction of integrated energy system based on load similar fluctuation set classification | |
ȚIBOACĂ et al. | Design of short-term wind production forecasting model using machine learning algorithms | |
Pan et al. | Modeling optimization method based on Gamma test and NSGA II for forecast of PV power output | |
Zhu et al. | Operation reference status selection for photovoltaic arrays and its application in status evaluation | |
Liu et al. | A Bayesian deep learning-based probabilistic risk assessment and early-warning model for power systems considering meteorological conditions | |
CN114511127A (zh) | 基于神经网络的区域光伏出力特征长期预测方法及系统 | |
Kumar et al. | Efficient Time Series Photovoltaic Production Forecasting using FLAML with Traditional Machine Learning Algorithms | |
Xia et al. | Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network | |
Sun et al. | Photovoltaic Power Forecasting based on Artificial Neural Network and Ultraviolet Index | |
Sarfuddin et al. | Comparative study of Forecasting Solar irradiation of Indore City Using Different Machine Learning techniques |
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 |