CN115829134A - 面向源网荷不确定性的供电调度方法及系统 - Google Patents
面向源网荷不确定性的供电调度方法及系统 Download PDFInfo
- Publication number
- CN115829134A CN115829134A CN202211589117.9A CN202211589117A CN115829134A CN 115829134 A CN115829134 A CN 115829134A CN 202211589117 A CN202211589117 A CN 202211589117A CN 115829134 A CN115829134 A CN 115829134A
- Authority
- CN
- China
- Prior art keywords
- power supply
- target
- supply strategy
- characteristic
- strategy model
- 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
Images
Abstract
本申请提供的一种面向源网荷不确定性的供电调度方法及系统，涉及电力技术领域，该方法包括：训练初始供电策略模型，得到训练好的供电策略模型，所述供电策略模型用于为目标用户预测待调度电量；对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型；获取所述目标用户所在目标区域的天气特征、被动影响因子特征和历史用电特征；将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略；对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略。本申请能够准确地匹配供电调度的策略。
Description
技术领域
本申请涉及电力技术领域，尤其涉及一种面向源网荷不确定性的供电调度方法及系统。
背景技术
由于自然因素限制，新能源发电一般具有间歇性和波动性，其大规模并网运行会为系统运行引入不确定因素，使得不同区域供电调度在策略和供电量上的准确性难以保证，也难以推进节电和充分用电的有利措施。
因此，需要提出一种面向源网荷不确定性的供电调度方法及系统，以克服上述问题。
发明内容
本发明实施例的目的在于提供一种面向源网荷不确定性的供电调度方法及系统，本申请实施例能够准确地为目标用户匹配供电调度的供电策略，以克服面向源网电荷不确定性导致为不同区域不同用户供电的准确性不高的问题。具体技术方案如下：
在本发明实施例的第一方面，提供一种面向源网荷不确定性的供电调度方法，所述方法包括：
训练初始供电策略模型，得到训练好的供电策略模型，所述供电策略模型用于为目标用户预测待调度电量；
对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型；
获取所述目标用户所在目标区域的天气特征、被动影响因子特征和历史用电特征；
将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略；
对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略。
可选地，所述训练初始供电策略模型，得到训练好的供电策略模型，包括：
获取多个训练样本及其标签；
基于所述多个训练样本训练所述初始供电策略模型，直至满足训练条件，得到所述供电策略模型。
3、根据权利要求2所述的面向源网荷不确定性的供电调度方法，其特征在于，所述对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型，包括：
获取对所述供电策略模型的第一评分公式：
F1为第一评分，P为模型正确预测出训练样本的正样本的数量，M为正样本总数量，N为负样本总数量；
获取对所述供电策略模型的第二评分公式：
F＝(F1*a+F2*b)/2
其中，F为目标评分，y为所述目标用户的预测用电量，y1为所述目标用户的实际用电量，a为第一评分的权重，b为第二评分的权重；
获取所述目标评分大于预设阈值的模型作为所述目标供电策略模型。
4、根据权利要求1所述的面向源网荷不确定性的供电调度方法，其特征在于，将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略，包括：
将所述天气特征、所述被动因子影响特征和所述历史用电特征进行编码融合，得到融合特征；
所述目标供电策略模型根据所述融合特征进行预测，计算对所述目标用户下一时段的补贴总电量。
5、根据权利要求4所述的面向源网荷不确定性的供电调度方法，其特征在于，所述计算对所述目标用户下一时段的补贴总电量，包括：
获取补贴总电量计算公式来计算所述补贴总电量：
Q＝Q1+Q2；
Q1＝(y-x)*n-v；
Q2＝Q缓*(c+d)；
其中，Q为所述补贴总电量，x为历史时段实际人均的用电量，y为模型预测人均用电量，n为所述目标用户的总人数，v为待节约补贴电量，Q1为理论补贴电量，Q2为外部因素补贴电量，Q缓为缓冲池补贴电量，c为天气因素影响权重，d为被动因子影响权重。
6、根据权利要求5所述的面向源网荷不确定性的供电调度方法，其特征在于，所述对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略，包括：
结合所述融合特征对所述初始供电策略进行分析、调整，调整所述补贴总电量的数值作为所述目标供电策略；或者，
根据所述补贴总电量的计算公式，计算对应的补贴总金额作为所述目标供电策略，所述补贴总电量的计算公式为
W＝Q*s；
其中，S为单位电量补贴金额，W为补贴总金额。
在本发明实施例的又一方面，提供一种面向源网荷不确定性的供电调度系统，所述系统包括：
训练模块，用于训练初始供电策略模型，得到训练好的供电策略模型，所述供电策略模型用于为目标用户预测待调度电量；
评分模块，用于对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型；
特征获取模块，用于获取所述目标用户所在目标区域的天气特征、被动影响因子特征和历史用电特征；
初始策略模块，用于将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略；
目标策略模块，用于对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略。
可选地，所述训练模块还具体用于：
获取多个训练样本及其标签；
基于所述多个训练样本训练所述初始供电策略模型，直至满足训练条件，得到所述供电策略模型。
由上可知，本申请通过全面性的获取与目标用户用电相关的天气特征、被动因子影响特征和历史用电特征，利用机器学习模型训练得到的目标供电策略模型对以上特征进行分析计算，为用户提供准确的供电策略，以实现准确地为目标用户进行供电调度的基础上，还有利于高效推进目标用户节约用电和充分用电的措施。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的面向源网荷不确定性的供电调度系统的应用场景示意图；
图2是本申请实施例提供的面向源网荷不确定性的供电调度方法的流程示意图；
图3是本申请实施例提供的面向源网荷不确定性的供电调度系统的结构示意图；
图4是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“系统”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本申请的一些实施例所示的面向源网荷不确定性的供电调度方法的应用场景图。
如图1所示，本说明书实施例所涉及的状态检测系统应用场景100可以包括控制器110、能源路由器120、光伏发电装置130、储能装置140、燃油发电装置150、负载端160以及电网供电端170。
在一些实施例中，状态检测系统可以通过实施本说明书中披露的方法和/或过程来对变电设备进行状态检测和故障检修。
控制器110可以处理来自光伏发电装置130、储能装置140、燃油发电装置150、负载端160以及电网供电端170的数据和/或信息。例如，控制器110可以获取光伏发电装置130的预测供电信息、储能装置140的储能信息以及负载端160的预测负荷信息。控制器110可以对获取的数据进行处理，并控制能源路由器120，使能源路由器120可以控制状态检测系统中一个或多个设备的电源流向。
例如，控制器110可以基于预测供电信息、预测负荷信息以及储能信息，判断是否需要控制能源路由器120使电网供电端170向储能装置140充电。又例如，控制器110可以基于预测供电信息、预测负荷信息以及储能信息，控制储能装置140的充电以及通过能源路由器120为负载端160供电。在一些实施例中，控制器110可以是单个服务器或服务器组。控制器110可以是本地的、远程的。控制器110可以在云平台上实现，或者以虚拟方式提供。
能源路由器120可以与光伏发电装置130、储能装置140、燃油发电装置150连接以实现供电保障。在一些实施例中，能源路由器120还可以与控制器110连接。在一些实施例中，能源路由器120可以控制状态检测系统中一个或多个设备的能源流向。例如，能源路由器120可以控制光伏发电装置130和/或储能装置140对负载端160进行供电。例如，能源路由器120可以控制光伏发电装置130对储能装置140进行储电。在一些实施例中，能源路由器120还可以利用电网供电端170对负载端160进行供电。
电网供电端170可以是用于输送和分配电能的电力传输网络。电网供电端170可以包括联结成网的送电线路、变电所、配电所和配电线路等。在一些实施例中，电网供电端170输送和分配电能的能力(后述简称为配电能力)以及电网供电端170的电价可以根据时段和地区确定。例如，电网供电端170在用电高峰期的配电能力和/或电价大于用电低谷期的配电能力，电网供电端170在炎热地区、寒冷地区的配电能力和/或电价较高。
光伏发电装置130可以将太阳光能转换为电能。在一些实施例中，光伏发电装置130可以是独立光伏发电装置、并网光伏发电装置和/或分布式光伏发电装置。在一些实施例中，光伏发电装置130可以由光伏组件、控制器、逆变器及其他配件组成。在一些实施例中，光伏发电装置130可以利用光伏供电量对负载端160进行供电和/或对储能装置140进行充电。
储能装置140可以是存储电能的设备。在一些实施例中，储能装置140可以包括移动电源、储能电池、家用储能机等。在一些实施例中，储能装置140可以把储存暂时不用的电能，在需要用电的时候(例如，用电高峰、停电)提取使用，或者运往能量紧缺(例如，户外)的地方使用。在一些实施例中，储能装置140还可以利用其储存的电能对负载端160进行供电。在一些实施例中，储能装置140可以由电网供电端170对其进行充电，例如，能源路由器120可以在低电价时段控制电网供电端170对储能装置140进行充电。
燃油发电装置150可以将化学能转换为电能。在一些实施例中，燃油发电装置150可以为柴油发电机、汽油发电机等。在一些实施例中，燃油发电装置150可以利用燃油转换的电能对负载端160进行供电和/或对储能装置140进行充电。
负载端160可以是将电能作为能源进行工作的设备。在一些实施例中，负载端160可以包括但不限于空调、冰箱等。在一些实施例中，负载端160可以以光伏发电装置130的光伏供电量和/或储能装置140的储电量作为能源进行工作。在一些实施例中，负载端160还可以由电网供电端170进行供电。
图2示出了本申请实施例提供的一种面向源网荷不确定性的供电调度方法及系统的流程示意图，如图2所示，一种面向源网荷不确定性的供电调度方法包括如下步骤：
步骤201、训练初始供电策略模型，得到训练好的供电策略模型。其中，供电策略模型用于为目标用户预测待调度电量。
可选地，步骤201可以包括：
获取多个训练样本及其标签；
基于所述多个训练样本训练所述初始供电策略模型，直至满足训练条件，得到所述供电策略模型。
其中，满足训练条件可以包括初始供电策略模型的损失函数达到最小值，或初始供电策略模型的训练轮数达到迭代次数。
步骤202、对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型。
可选地，步骤202可以包括：
获取对所述供电策略模型的第一评分公式：
F1为第一评分，P为模型正确预测出训练样本的正样本的数量，M为正样本总数量，N为负样本总数量；
获取对所述供电策略模型的第二评分公式：
F＝(F1*a+F2*b)/2
其中，F为目标评分，y为所述目标用户的预测用电量，y1为所述目标用户的实际用电量，a为第一评分的权重，b为第二评分的权重；
获取所述目标评分大于预设阈值的模型作为所述目标供电策略模型。
在一些实施例中，正样本和负样本可以根据需求设置，例如，正样本可以是需要供电策略执行用电补贴的目标用户、负样本可以是供电策略中无需执行用户补贴的目标用户。
可以理解，对于第二评分，由于供电策略模型后续会预测给出目标用户在下一时段的预测用电量，使得第二评分能够准确地反映出接近程度，最终，在获取第一评分和第二评分后，根据各自的权重计算出最终的目标评分。
步骤203、获取所述目标用户所在目标区域的天气特征、被动影响因子特征和历史用电特征。
其中，天气特征是指目标用户所在区域的温度、湿度、天气情况等信息。可以理解，在温度过高或过低的天气，会影响用户使用空调、地暖、热水器等电器的功率、时长和频次，使得天气特征对用户用电量的影响较大。
其中，被动影响因子是指一些客观影响目标用户用电量的因素，例如寒暑假、疫情封控在家办公、出差等客观因素均会影响目标用户的用电量。
其中，历史用电特征可以包括目标用户用电量的历史值，还包括用户的用电习惯，例如某目标用户习惯用电时段为18点至23点等用电习惯。
步骤204、将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略。
可选地，步骤204可以包括：
将所述天气特征、所述被动因子影响特征和所述历史用电特征进行编码融合，得到融合特征；
所述目标供电策略模型根据所述融合特征进行预测，计算对所述目标用户下一时段的补贴总电量。
可选地，步骤“所述计算对所述目标用户下一时段的补贴总电量”，包括：
获取补贴总电量计算公式来计算所述补贴总电量：
Q＝Q1+Q2；
Q1＝(y-x)*n-v；
Q2＝Q缓*(c+d)；
其中，Q为所述补贴总电量，x为历史时段实际人均的用电量，y为模型预测人均用电量，n为所述目标用户的总人数，v为待节约补贴电量，Q1为理论补贴电量，Q2为外部因素补贴电量，Q缓为缓冲池补贴电量，c为天气因素影响权重，d为被动因子影响权重。
在本实施例的应用场景中，目标供电策略模型是在一定措施引导下完成预测的，例如对目标区域的目标用户实行节约用电鼓励措施，对达到节约用电的用户发放补贴电量，目标用户在未来任何时段免费使用该补贴电量。
可以裂解，当x小于y时，表示目标用户的实际人均用电量小于模型预测人均用电量，达到了节约用电的指标，使得Q1的理论补贴电量能够发放至目标用户，而待节约补贴电量为预设值，可以通过默认储值的方式为目标用户进行存储，暂时不用作补贴总电量进行发放，可以灵活地计入下一轮补贴总电量发放给目标用户。
在一些实施例中，缓冲池补贴电量可以受天气因素影响权重c和被动因子影响权重d的影响，可以理解，如前提到，当天气过于炎热、寒冷，或者寒暑假期间，目标用户的用电量会随之上升，可以将以上情况下的c和d设置略高，以加大对节约用电的目标用户进行适当的补贴措施。
步骤205、对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略。
可选地，这不后205可以包括：
结合所述融合特征对所述初始供电策略进行分析、调整，调整所述补贴总电量的数值作为所述目标供电策略；或者，
根据所述补贴总电量的计算公式，计算对应的补贴总金额作为所述目标供电策略，所述补贴总电量的计算公式为
W＝Q*s；
其中，S为单位电量补贴金额，W为补贴总金额。
可以理解，如步骤204的描述，在当天气过于炎热、寒冷，或者寒暑假期间，目标用户的用电量会随之上升，可以根据实际情况将Q值适当提高，以鼓励节约用电的目标用户得到更多的用电量补贴。
由上可知，本申请通过全面性的获取与目标用户用电相关的天气特征、被动因子影响特征和历史用电特征，利用机器学习模型训练得到的目标供电策略模型对以上特征进行分析计算，为用户提供准确的供电策略，以实现准确地为目标用户进行供电调度的基础上，还有利于高效推进目标用户节约用电和充分用电的措施。
为实现上述方法类实施例，本申请实施例还提供一种面向源网荷不确定性的供电调度系统，图3示出了本申请实施例提供的一种面向源网荷不确定性的供电调度系统的结构示意图，所述系统包括：
训练模块301，用于训练初始供电策略模型，得到训练好的供电策略模型，所述供电策略模型用于为目标用户预测待调度电量；
评分模块302，用于对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型；
特征获取模块303，用于获取所述目标用户所在目标区域的天气特征、被动影响因子特征和历史用电特征；
初始策略模块304，用于将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略；
目标策略模块305，用于对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略。
可选地，所述训练模块301还具体用于：
获取多个训练样本及其标签；
基于所述多个训练样本训练所述初始供电策略模型，直至满足训练条件，得到所述供电策略模型
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述系统中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
由上可知，本申请通过全面性的获取与目标用户用电相关的天气特征、被动因子影响特征和历史用电特征，利用机器学习模型训练得到的目标供电策略模型对以上特征进行分析计算，为用户提供准确的供电策略，以实现准确地为目标用户进行供电调度的基础上，还有利于高效推进目标用户节约用电和充分用电的措施。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像采集设备的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种面向源网荷不确定性的供电调度方法及系统。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入系统。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现面向源网荷不确定性的供电调度方法及系统。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入系统可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SR AM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
综上所述，本申请提供的一种面向源网荷不确定性的供电调度方法，所述方法包括：
训练初始供电策略模型，得到训练好的供电策略模型，所述供电策略模型用于为目标用户预测待调度电量；
对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型；
获取所述目标用户所在目标区域的天气特征、被动影响因子特征和历史用电特征；
将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略；
对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种面向源网荷不确定性的供电调度方法，其特征在于，所述方法包括：
训练初始供电策略模型，得到训练好的供电策略模型，所述供电策略模型用于为目标用户预测待调度电量；
对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型；
获取所述目标用户所在目标区域的天气特征、被动影响因子特征和历史用电特征；
将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略；
对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略。
2.根据权利要求1所述的面向源网荷不确定性的供电调度方法，其特征在于，所述训练初始供电策略模型，得到训练好的供电策略模型，包括：
获取多个训练样本及其标签；
基于所述多个训练样本训练所述初始供电策略模型，直至满足训练条件，得到所述供电策略模型。
3.根据权利要求2所述的面向源网荷不确定性的供电调度方法，其特征在于，所述对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型，包括：
获取对所述供电策略模型的第一评分公式：
F1为第一评分，P为模型正确预测出训练样本的正样本的数量，M为正样本总数量，N为负样本总数量；
获取对所述供电策略模型的第二评分公式：
F＝(F1*a+F2*b)/2
其中，F为目标评分，y为所述目标用户的预测用电量，y1为所述目标用户的实际用电量，a为第一评分的权重，b为第二评分的权重；
获取所述目标评分大于预设阈值的模型作为所述目标供电策略模型。
4.根据权利要求1所述的面向源网荷不确定性的供电调度方法，其特征在于，将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略，包括：
将所述天气特征、所述被动因子影响特征和所述历史用电特征进行编码融合，得到融合特征；
所述目标供电策略模型根据所述融合特征进行预测，计算对所述目标用户下一时段的补贴总电量。
5.根据权利要求4所述的面向源网荷不确定性的供电调度方法，其特征在于，所述计算对所述目标用户下一时段的补贴总电量，包括：
获取补贴总电量计算公式来计算所述补贴总电量：
Q＝Q1+Q2；
Q1＝(y-x)*n-v；
Q2＝Q缓*(c+d)；
其中，Q为所述补贴总电量，x为历史时段实际人均的用电量，y为模型预测人均用电量，n为所述目标用户的总人数，v为待节约补贴电量，Q1为理论补贴电量，Q2为外部因素补贴电量，Q缓为缓冲池补贴电量，c为天气因素影响权重，d为被动因子影响权重。
6.根据权利要求5所述的面向源网荷不确定性的供电调度方法，其特征在于，所述对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略，包括：
结合所述融合特征对所述初始供电策略进行分析、调整，调整所述补贴总电量的数值作为所述目标供电策略；或者，
根据所述补贴总电量的计算公式，计算对应的补贴总金额作为所述目标供电策略，所述补贴总电量的计算公式为
W＝Q*s；
其中，S为单位电量补贴金额，W为补贴总金额。
7.一种面向源网荷不确定性的供电调度系统，其特征在于，所述系统包括：
训练模块，用于训练初始供电策略模型，得到训练好的供电策略模型，所述供电策略模型用于为目标用户预测待调度电量；
评分模块，用于对训练好的所述供电策略模型进行评分，获取评分符合要求的目标供电策略模型；
特征获取模块，用于获取所述目标用户所在目标区域的天气特征、被动影响因子特征和历史用电特征；
初始策略模块，用于将所述天气特征、所述被动因子影响特征和所述历史用电特征输入至所述目标供电策略模型，得到对所述目标用户的初始供电策略；
目标策略模块，用于对所述初始供电策略再次结合所述天气特征、所述被动因子影响特征和所述历史用电特征进行分析、调整，得到目标用户的目标供电策略。
8.根据所述权利要求7的装置，其特征在于，所述训练模块还具体用于：
获取多个训练样本及其标签；
基于所述多个训练样本训练所述初始供电策略模型，直至满足训练条件，得到所述供电策略模型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1～7中任意一项所述方法的步骤。
10.一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～7中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211589117.9A CN115829134B (zh) | 2022-12-08 | 2022-12-08 | 面向源网荷不确定性的供电调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211589117.9A CN115829134B (zh) | 2022-12-08 | 2022-12-08 | 面向源网荷不确定性的供电调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115829134A true CN115829134A (zh) | 2023-03-21 |
| CN115829134B CN115829134B (zh) | 2023-10-10 |
Family
ID=85546481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211589117.9A Active CN115829134B (zh) | 2022-12-08 | 2022-12-08 | 面向源网荷不确定性的供电调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115829134B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116207867A (zh) * | 2023-05-06 | 2023-06-02 | 深圳艾斯特创新科技有限公司 | 一种家庭储能系统的管理方法、装置、设备及存储介质 |
| CN117293916A (zh) * | 2023-08-22 | 2023-12-26 | 国网安徽省电力有限公司天长市供电公司 | 一种面向用户的电网调度方法及装置、计算设备 |
| CN117293916B (zh) * | 2023-08-22 | 2024-04-23 | 国网安徽省电力有限公司天长市供电公司 | 一种面向用户的电网调度方法及装置、计算设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816145A (zh) * | 2018-12-21 | 2019-05-28 | 国网上海市电力公司 | 一种供电负荷管理用数据平台 |
| CN110956266A (zh) * | 2019-06-06 | 2020-04-03 | 国网辽宁省电力有限公司 | 基于层次分析法的多电源电力系统多目标优化调度方法 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN113256031A (zh) * | 2021-06-25 | 2021-08-13 | 国网江西省电力有限公司供电服务管理中心 | 一种基于居民需求响应策略自学习优化方法 |
| CN113780660A (zh) * | 2021-09-13 | 2021-12-10 | 广东电网有限责任公司 | 一种居民用电量预测方法、系统及存储介质 |
| CN113794279A (zh) * | 2021-08-31 | 2021-12-14 | 深圳供电局有限公司 | 一种智能电网系统 |
| CN113935856A (zh) * | 2021-10-19 | 2022-01-14 | 国网北京市电力公司 | 电能的控制方法及其装置、处理器、计算机可读存储介质 |
| CN114626643A (zh) * | 2022-05-16 | 2022-06-14 | 成都秦川物联网科技股份有限公司 | 智慧城市政府供电调控方法、物联网系统、装置及介质 |
| CN115099606A (zh) * | 2022-06-21 | 2022-09-23 | 厦门亿力吉奥信息科技有限公司 | 一种电网调度模型的训练方法及终端 |
-
2022
- 2022-12-08 CN CN202211589117.9A patent/CN115829134B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816145A (zh) * | 2018-12-21 | 2019-05-28 | 国网上海市电力公司 | 一种供电负荷管理用数据平台 |
| CN110956266A (zh) * | 2019-06-06 | 2020-04-03 | 国网辽宁省电力有限公司 | 基于层次分析法的多电源电力系统多目标优化调度方法 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN113256031A (zh) * | 2021-06-25 | 2021-08-13 | 国网江西省电力有限公司供电服务管理中心 | 一种基于居民需求响应策略自学习优化方法 |
| CN113794279A (zh) * | 2021-08-31 | 2021-12-14 | 深圳供电局有限公司 | 一种智能电网系统 |
| CN113780660A (zh) * | 2021-09-13 | 2021-12-10 | 广东电网有限责任公司 | 一种居民用电量预测方法、系统及存储介质 |
| CN113935856A (zh) * | 2021-10-19 | 2022-01-14 | 国网北京市电力公司 | 电能的控制方法及其装置、处理器、计算机可读存储介质 |
| CN114626643A (zh) * | 2022-05-16 | 2022-06-14 | 成都秦川物联网科技股份有限公司 | 智慧城市政府供电调控方法、物联网系统、装置及介质 |
| CN115099606A (zh) * | 2022-06-21 | 2022-09-23 | 厦门亿力吉奥信息科技有限公司 | 一种电网调度模型的训练方法及终端 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116207867A (zh) * | 2023-05-06 | 2023-06-02 | 深圳艾斯特创新科技有限公司 | 一种家庭储能系统的管理方法、装置、设备及存储介质 |
| CN117293916A (zh) * | 2023-08-22 | 2023-12-26 | 国网安徽省电力有限公司天长市供电公司 | 一种面向用户的电网调度方法及装置、计算设备 |
| CN117293916B (zh) * | 2023-08-22 | 2024-04-23 | 国网安徽省电力有限公司天长市供电公司 | 一种面向用户的电网调度方法及装置、计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115829134B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Correa-Florez et al. | Stochastic operation of home energy management systems including battery cycling | |
| Azuatalam et al. | Energy management of small-scale PV-battery systems: A systematic review considering practical implementation, computational requirements, quality of input data and battery degradation | |
| Yang et al. | Multi-objective optimal scheduling for CCHP microgrids considering peak-load reduction by augmented ε-constraint method | |
| Shaaban et al. | Joint planning of smart EV charging stations and DGs in eco-friendly remote hybrid microgrids | |
| Liu et al. | Dynamic pricing for decentralized energy trading in micro-grids | |
| Wang et al. | Incentive mechanism for sharing distributed energy resources | |
| Wu et al. | Hourly demand response in day‐ahead scheduling for managing the variability of renewable energy | |
| Papavasiliou et al. | Large-scale integration of deferrable demand and renewable energy sources | |
| Ramírez et al. | Co-optimization of generation expansion planning and electric vehicles flexibility | |
| Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
| Xie et al. | Supplementary automatic generation control using controllable energy storage in electric vehicle battery swapping stations | |
| Bakhtiari et al. | Predicting the stochastic behavior of uncertainty sources in planning a stand-alone renewable energy-based microgrid using Metropolis–coupled Markov chain Monte Carlo simulation | |
| Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
| Luo et al. | Coordinated residential energy resource scheduling with vehicle‐to‐home and high photovoltaic penetrations | |
| Tsao et al. | Multiobjective robust fuzzy stochastic approach for sustainable smart grid design | |
| CN112036934A (zh) | 考虑热电协调运行的负荷聚合商参与需求响应的报价方法 | |
| Jiang et al. | Extended multi‐energy demand response scheme for industrial integrated energy system | |
| Wang et al. | Robust multi-objective optimization for energy production scheduling in microgrids | |
| Waseem et al. | Electrical demand and its flexibility in different energy sectors | |
| Hu et al. | Comparison of variant robust SCUC models for operational security and economics of power systems under uncertainty | |
| Luo et al. | Distributed residential energy resource scheduling with renewable uncertainties | |
| Wang et al. | Multi-period energy procurement policies for smart-grid communities with deferrable demand and supplementary uncertain power supplies | |
| CN115829134B (zh) | 面向源网荷不确定性的供电调度方法及系统 | |
| Wu et al. | Electric vehicle charging scheduling considering infrastructure constraints | |
| Mohseni et al. | Stochastic, resilience-oriented optimal sizing of off-grid microgrids considering EV-charging demand response: An efficiency comparison of state-of-the-art metaheuristics |
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 |