CN115879690A - 一种电网负荷序列模拟方法和装置 - Google Patents
一种电网负荷序列模拟方法和装置 Download PDFInfo
- Publication number
- CN115879690A CN115879690A CN202211316450.2A CN202211316450A CN115879690A CN 115879690 A CN115879690 A CN 115879690A CN 202211316450 A CN202211316450 A CN 202211316450A CN 115879690 A CN115879690 A CN 115879690A
- Authority
- CN
- China
- Prior art keywords
- load
- sequence
- simulation
- time scale
- characteristic
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电网负荷序列模拟方法和装置,方法包括:获取待模拟年份的多时间尺度特性参数;根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列;获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列;将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列。本申请生成的所述待模拟年份的目标负荷模拟序列可为电力系统运行规划等工作提供数据基础。同时负荷序列模拟模型直接采用历史负荷转换序列优化负荷趋势,能快速生成所需的目标负荷模拟序列,在实际的生产运行和系统规划中应用更为便捷。
Description
技术领域
本申请涉及电力系统模拟领域,更具体地说,涉及一种电网负荷序列模拟方法和装置。
背景技术
负荷预测是保证电力供需平衡的基础,并为电网、电源的规划建设以及电网企业、电网使用者的经营决策提供信息和依据,预测对象包括系统负荷和母线负荷。负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数,在满足一定精度要求的条件下,确定未来某特定时刻的负荷数据,其中负荷是指电力需求量或用电量。
其中,电网负荷序列模拟作为负荷预测的其中一种,是电力系统经济调度中的一项重要内容。准确的电网负荷序列模拟,可以给经济合理地安排电网内部发电机组的启停,减少不必要的旋转储备容量,合理安排机组检修计划提供参考,保持电网运行的安全稳定性,保障社会的正常生产和生活,有效地降低发电成本,提高经济效益和社会效益,电网负荷序列模拟所构建的负荷特性是否与实际负荷特性一致也将直接对电力系统运行模拟结果产生影响。
目前,电网负荷序列模拟方法通常为蒙特卡洛模拟,通过生成大量的模拟序列,并统计分别其特性与历史数据的统计特性一致。但采用这种方式生成的负荷序列数据量较大,需要进行多次电力系统运行模拟,且后续还需要对电力系统运行模拟的结果进行统计,给电力系统规划等工作带来了不便。此外,在实际系统运行及规划工作中,该方式并未考虑未来年份电网的基本属性将可能发生升级更迭的问题。
因此,综上所述,需要提出一种能够兼顾未来年份电网的基本属性,且简便、快速的电网负荷序列模拟方法。
发明内容
有鉴于此,本申请提供了一种电网负荷序列模拟方法和装置,可为电力系统运行规划等工作提供数据基础,同时采用历史负荷转换序列优化负荷趋势,能快速生成所需的目标负荷模拟序列,在实际的生产运行和系统规划中应用更为便捷。
一种电网负荷序列模拟方法,包括:
获取待模拟年份的多时间尺度特性参数;
根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列;
获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列;
将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列,所述负荷序列模拟模型以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,以所述目标负荷模拟序列与所述历史负荷转换序列的时间分布规律最接近为优化目标,所述全年总电量约束、所述每月总电量约束以及所述负荷特性约束基于所述待模拟年份的多时间尺度特性参数确定。
优选的,根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列,包括:
根据所述待模拟年份的多时间尺度特性参数中的月最高负荷和周特性,计算得到所述待模拟年份的日最高负荷特性;
根据所述待模拟年份的多时间尺度特性参数中的日特性,以及所述日最高负荷特性,确定所述待模拟年份的初始负荷模拟序列。
优选的,根据所述待模拟年份的多时间尺度特性参数中的月最高负荷和周特性,计算得到所述待模拟年份的日最高负荷特性的计算公式为:
优选的,根据所述待模拟年份的多时间尺度特性参数中的日特性,以及所述日最高负荷特性,确定所述待模拟年份的初始负荷模拟序列的计算公式为:
优选的,对所述历史负荷序列进行时间尺度转换,包括:
根据所述历史负荷序列的时间尺度与所述预先设置的负荷序列模拟模型的时间尺度的大小,判断对所述历史负荷序列进行时间尺度转换的方向;
若所述时间尺度转换的方向为从小时间尺度转换为大时间尺度,则基于所述预先设置的负荷序列模拟模型的时间尺度对所述历史负荷序列进行等间隔均分,计算每一间隔中各个数值的平均值并作为大时间尺度的每一数值;
若所述时间尺度转换的方向为从大时间尺度转换为小时间尺度,则基于所述预先设置的负荷序列模拟模型的时间尺度确定所述历史负荷序列中每一数值需要细分的小时间尺度的数值个数,其中所述历史负荷序列中每一数值与其细分的各个小时间尺度的数值相同。
优选的,所述全年总电量约束为:
优选的,所述每月总电量约束为:
优选的,所述负荷特性约束为:
p′t(1-Dev)≤pt≤p′t(1+Dev)
优选的,所述优化目标为:
其中,pt为目标负荷模拟序列中第t个目标模拟负荷,为时间尺度转换后的历史负荷转换序列中第t个历史负荷,/>和/>分别为目标负荷模拟序列以及历史负荷转换序列的标幺化的最大基准值,ω2和ω1分别为L2范数和L1范数的权重系数,at为第t个目标模拟负荷与第t个历史负荷的标幺值之差。
一种电网负荷序列模拟装置,包括:
参数获取单元,用于获取待模拟年份的多时间尺度特性参数;
初始模拟单元,用于根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列;
历史获取单元,用于获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列;
优化模拟单元,用于将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列,所述负荷序列模拟模型以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,以所述目标负荷模拟序列与所述初始负荷模拟序列的时间分布规律最接近为优化目标,所述全年总电量约束、所述每月总电量约束以及所述负荷特性约束基于所述待模拟年份的多时间尺度特性参数确定。
从上述的技术方案可以看出,本申请实施例提供的一种电网负荷序列模拟方法和装置,通过获取待模拟年份的多时间尺度特性参数,根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列,同时获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列,将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列。本申请生成的所述待模拟年份的目标负荷模拟序列考虑全年负荷在月、周、日等多时间尺度上的分布规律,以及全年最高负荷、全年总电量等统计值,可为电力系统运行规划等工作提供数据基础。
本申请电网负荷序列模拟方法中的所述负荷序列模拟模型以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,并以所述目标负荷模拟序列与所述历史负荷转换序列的时间分布规律最接近为优化目标。负荷序列模拟模型直接采用历史负荷转换序列优化负荷趋势,能快速生成所需的目标负荷模拟序列,且目标负荷模拟序列满足序列在多个时间尺度的分布规律及全年最高负荷、全年总电量等统计值,相比于传统的蒙特卡洛模拟方法,本发明所提出的方法简单实用,无需多次模拟,在实际的生产运行和系统规划中应用更为便捷。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种电网负荷序列模拟方法流程图;
图2为本申请公开的从小时间尺度转换为大时间尺度的时间尺度转换示意图;
图3为本申请公开的从大时间尺度转换为小时间尺度的时间尺度转换示意图;
图4为本申请公开的一种电网负荷序列模拟装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本申请实施例提供一种电网负荷序列模拟方法,该方法可以应用于各种电网系统的预测模拟中,亦可以应用在各种计算机终端或是智能终端中,其执行主体可以为计算机终端或是智能终端的处理器或服务器。
接下来介绍本申请方案,本申请提出如下技术方案,具体参见下文。
图1为本申请实施例公开的一种电网负荷序列模拟方法的流程图,如图1所示,该方法可以包括:
步骤S1、获取待模拟年份的多时间尺度特性参数。
具体的,获取待模拟年份的多时间尺度特性参数包括待模拟年份的全年总电量Ysum、月总电量全年最高负荷Ymax、月最高负荷/>日特性Thm及周特性Wmw。一般由调度机构根据未来年份的社会经济情况、各行业用电增长等预测信息,对未来年份的系统的多时间尺度特性进行预测得到。其中日特性和周特性均为以最大值为基准值标幺化后的数据,在周特性中还考虑了节假日的影响因素。
步骤S2、根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列。
所述待模拟年份的初始负荷模拟序列中记录有预设的时间尺度下全年序列长度的数量的初始模拟负荷,初始负荷模拟序列为基于待模拟年份的电力系统的基本属性生成的表征待模拟年份电力负荷情况的初始预测序列。初始负荷模拟序列中的每一初始模拟负荷为待模拟年份每一时间尺度的时间对应的负荷预测数值。
步骤S3、获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列。
具体的,在生成初始负荷模拟序列后,还可在此基础上结合电量约束,以及电力系统的历史负荷情况对初始负荷模拟序列进行调整。考虑到历史负荷序列的时间尺度与预设的待模拟年份对应的时间尺度的大小可能不相同,因此在这之前还需先对获取的历史负荷序列进行时间尺度转换,生成历史负荷转换序列,转换后的历史负荷转换序列的时间尺度与所述待模拟年份的初始负荷模拟序列的时间尺度大小一致。可以理解的是,待模拟年份对应的时间尺度也就是所述预先设置的负荷序列模拟模型的时间尺度,所述待模拟年份的初始负荷模拟序列可在负荷序列模拟模型中根据约束条件以及所述历史负荷转换序列的时间分布规律进行调整,从而生成所述待模拟年份的目标负荷模拟序列。
步骤S4、将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列。
具体的,所述负荷序列模拟模型以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,以所述目标负荷模拟序列与所述历史负荷转换序列的时间分布规律最接近为优化目标,所述全年总电量约束、所述每月总电量约束以及所述负荷特性约束基于所述待模拟年份的多时间尺度特性参数确定。
将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,所述负荷序列模拟模型以所述目标负荷模拟序列与所述历史负荷转换序列的时间分布规律最接近为优化目标对所述初始负荷模拟序列中的数值进行调整,同时生成的目标负荷模拟序列中的各个数值能够同时满足全年总电量约束、每月总电量约束以及负荷特性约束。
从上述的技术方案可以看出,本申请实施例提供的一种电网负荷序列模拟方法和装置,通过获取待模拟年份的多时间尺度特性参数,根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列,同时获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列,将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列。本申请生成的所述待模拟年份的目标负荷模拟序列考虑全年负荷在月、周、日等多时间尺度上的分布规律,以及全年最高负荷、全年总电量等统计值,可为电力系统运行规划等工作提供数据基础。
本申请电网负荷序列模拟方法中的所述负荷序列模拟模型以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,并以所述目标负荷模拟序列与所述历史负荷转换序列的时间分布规律最接近为优化目标。负荷序列模拟模型直接采用历史负荷转换序列优化负荷趋势,能快速生成所需的目标负荷模拟序列,且目标负荷模拟序列满足序列在多个时间尺度的分布规律及全年最高负荷、全年总电量等统计值,相比于传统的蒙特卡洛模拟方法,本发明所提出的方法简单实用,无需多次模拟,在实际的生产运行和系统规划中应用更为便捷。
在本申请的一些实施例中,对步骤S2、根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列的过程进行介绍,具体可以包括:
步骤S21、根据所述待模拟年份的多时间尺度特性参数中的月最高负荷和周特性,计算得到所述待模拟年份的日最高负荷特性。
具体的,根据所述待模拟年份的多时间尺度特性参数中的月最高负荷和周特性,计算得到所述待模拟年份的日最高负荷特性的计算公式可以为:
例如,当d=1时,即第d天为待模拟年份中的第一天,此时第d天所处的月份及第d天在所处的一周中天数m=w=1;当d=7时,即第d天为待模拟年份中的第七天,此时第d天所处的月份m=1,第d天在所处的待模拟年份的第一周中的第七天,即w=7。
步骤S22、根据所述待模拟年份的多时间尺度特性参数中的日特性,以及所述日最高负荷特性,确定所述待模拟年份的初始负荷模拟序列。
具体的,根据所述待模拟年份的多时间尺度特性参数中的日特性,以及所述日最高负荷特性,确定所述待模拟年份的初始负荷模拟序列的计算公式为:
例如,当预设的时间尺度为小时级时,U=8760,代表一年中有8760个小时。
在本申请的一些实施例中,对步骤S3中,对所述历史负荷序列进行时间尺度转换的过程进行介绍,具体可以包括:
步骤S31、根据所述历史负荷序列的时间尺度与所述预先设置的负荷序列模拟模型的时间尺度的大小,判断对所述历史负荷序列进行时间尺度转换的方向。
具体的,根据所述历史负荷序列的时间尺度与所述预先设置的负荷序列模拟模型的时间尺度的大小,判断对所述历史负荷序列进行时间尺度转换的方向。
若所述历史负荷序列的时间尺度大于所述预先设置的负荷序列模拟模型的时间尺度,则说明所述历史负荷序列的时间尺度较大,为大时间尺度,预先设置的负荷序列模拟模型的时间尺度较小,为小时间尺度,此时需要将所述历史负荷序列由大时间尺度转换为小时间尺度,所述时间尺度转换的方向为从大时间尺度转换为小时间尺度。
若所述历史负荷序列的时间尺度小于所述预先设置的负荷序列模拟模型的时间尺度,则说明所述历史负荷序列的时间尺度较小,为小时间尺度,预先设置的负荷序列模拟模型的时间尺度较大,为大时间尺度,此时需要将所述历史负荷序列由小时间尺度转换为大时间尺度,所述时间尺度转换的方向为从小时间尺度转换为大时间尺度。
步骤S32、若所述时间尺度转换的方向为从小时间尺度转换为大时间尺度,则基于所述预先设置的负荷序列模拟模型的时间尺度对所述历史负荷序列进行等间隔均分,计算每一间隔中各个数值的平均值并作为大时间尺度的每一数值。
具体的,如图2所示的从小时间尺度转换为大时间尺度的时间尺度转换示意图,预先设置的负荷序列模拟模型的时间尺度为所述历史负荷序列的三倍,而所述历史负荷序列中记录有9个历史负荷数值,也就是说转换为大时间尺度后应该生成3个负荷数值,因此对所述历史负荷序列进行等间隔均分,将其中a、b、c的平均值作为大时间尺度的A的数值,将其中d、e、f的平均值作为大时间尺度的B的数值,将其中g、h、i的平均值作为大时间尺度的C的数值,A、B、C将构成历史负荷转换序列。
步骤S33、若所述时间尺度转换的方向为从大时间尺度转换为小时间尺度,则基于所述预先设置的负荷序列模拟模型的时间尺度确定所述历史负荷序列中每一数值需要细分的小时间尺度的数值个数,其中所述历史负荷序列中每一数值与其细分的各个小时间尺度的数值相同。
具体的,例如获取到的数据为全年每15分钟的负荷,所述预先设置的负荷序列模拟模型的时间尺度为小时级,则每小时的负荷等于对应的其中4个15分钟负荷的平均值。
如图3所示的从大时间尺度转换为小时间尺度的时间尺度转换示意图,预先设置的负荷序列模拟模型的时间尺度为所述历史负荷序列的三分之一倍,而所述历史负荷序列中记录有9个历史负荷数值,也就是说转换为小时间尺度后应该生成27个负荷数值,因此对所述历史负荷序列中每一数值均需要细分的小时间尺度的数值个数为3个,其中a将细分为A1、A2、A3,A1、A2、A3的值与a相同,b将细分为B1、B2、B3,B1、B2、B3的值与b相同,i将细分为I1、I2、I3,I1、I2、I3的值与i相同,依次对9个历史负荷数值依次细分并生成27个负荷数值,生成的27个负荷数值将构成历史负荷转换序列。
在本申请的一些实施例中,在上述实施例的基础上,所述负荷序列模拟模型为以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,以所述目标负荷模拟序列与所述历史负荷转换序列的时间分布规律最接近为优化目标的模拟模型,下面分别对其中的全年总电量约束、每月总电量约束、负荷特性约束以及优化目标的设置方式进行介绍。
所述全年总电量约束为:
所述每月总电量约束为:
所述负荷特性约束为:
p′t(1-Dev)≤pt≤p′t(1+Dev)
当d属于固定日特性的周或节假日时Dev=0,否则Dev为设定值。固定日特性是指在范围内时刻的负荷设定为最初的模拟负荷,不参与优化。
所述优化目标为:
其中,pt为目标负荷模拟序列中第t个目标模拟负荷,取值范围为0~Ymax,为时间尺度转换后的历史负荷转换序列中第t个历史负荷,/>和/>分别为目标负荷模拟序列以及历史负荷转换序列的标幺化的最大基准值,ω2和ω1分别为L2范数和L1范数的权重系数,at为第t个目标模拟负荷与第t个历史负荷的标幺值之差。
下面对本申请实施例提供的电网负荷序列模拟装置进行描述,下文描述的电网负荷序列模拟装置与上文描述的电网负荷序列模拟方法可相互对应参照。
参见图4,图4为本申请实施例公开的一种电网负荷序列模拟装置的结构框图。
如图4所示,所述电网负荷序列模拟装置可以包括:
参数获取单元110,用于获取待模拟年份的多时间尺度特性参数;
初始模拟单元120,用于根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列;
历史获取单元130,用于获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列;
优化模拟单元140,用于将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列,所述负荷序列模拟模型以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,以所述目标负荷模拟序列与所述初始负荷模拟序列的时间分布规律最接近为优化目标,所述全年总电量约束、所述每月总电量约束以及所述负荷特性约束基于所述待模拟年份的多时间尺度特性参数确定。
从上述的技术方案可以看出,本申请实施例提供的一种电网负荷序列模拟方法和装置,通过获取待模拟年份的多时间尺度特性参数,根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列,同时获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列,将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列。本申请生成的所述待模拟年份的目标负荷模拟序列考虑全年负荷在月、周、日等多时间尺度上的分布规律,以及全年最高负荷、全年总电量等统计值,可为电力系统运行规划等工作提供数据基础。
本申请电网负荷序列模拟方法中的所述负荷序列模拟模型以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,并以所述目标负荷模拟序列与所述历史负荷转换序列的时间分布规律最接近为优化目标。负荷序列模拟模型直接采用历史负荷转换序列优化负荷趋势,能快速生成所需的目标负荷模拟序列,且目标负荷模拟序列满足序列在多个时间尺度的分布规律及全年最高负荷、全年总电量等统计值,相比于传统的蒙特卡洛模拟方法,本发明所提出的方法简单实用,无需多次模拟,在实际的生产运行和系统规划中应用更为便捷。
可选的,所述初始模拟单元,根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列的过程,可以包括:
根据所述待模拟年份的多时间尺度特性参数中的月最高负荷和周特性,计算得到所述待模拟年份的日最高负荷特性;
根据所述待模拟年份的多时间尺度特性参数中的日特性,以及所述日最高负荷特性,确定所述待模拟年份的初始负荷模拟序列。
可选的,所述初始模拟单元,根据所述待模拟年份的多时间尺度特性参数中的月最高负荷和周特性,计算得到所述待模拟年份的日最高负荷特性的计算公式为:
可选的,所述初始模拟单元,根据所述待模拟年份的多时间尺度特性参数中的日特性,以及所述日最高负荷特性,确定所述待模拟年份的初始负荷模拟序列的计算公式为:
可选的,所述历史获取单元,对所述历史负荷序列进行时间尺度转换的过程,可以包括:
根据所述历史负荷序列的时间尺度与所述预先设置的负荷序列模拟模型的时间尺度的大小,判断对所述历史负荷序列进行时间尺度转换的方向;
若所述时间尺度转换的方向为从小时间尺度转换为大时间尺度,则基于所述预先设置的负荷序列模拟模型的时间尺度对所述历史负荷序列进行等间隔均分,计算每一间隔中各个数值的平均值并作为大时间尺度的每一数值;
若所述时间尺度转换的方向为从大时间尺度转换为小时间尺度,则基于所述预先设置的负荷序列模拟模型的时间尺度确定所述历史负荷序列中每一数值需要细分的小时间尺度的数值个数,其中所述历史负荷序列中每一数值与其细分的各个小时间尺度的数值相同。
可选的,所述全年总电量约束为:
可选的,所述每月总电量约束为:
可选的,所述负荷特性约束为:
p′t(1-Dev)≤pt≤p′t(1+Dev)
可选的,所述优化目标为:
其中,pt为目标负荷模拟序列中第t个目标模拟负荷,为时间尺度转换后的历史负荷转换序列中第t个历史负荷,/>和/>分别为目标负荷模拟序列以及历史负荷转换序列的标幺化的最大基准值,ω2和ω1分别为L2范数和L1范数的权重系数,at为第t个目标模拟负荷与第t个历史负荷的标幺值之差。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电网负荷序列模拟方法,其特征在于,包括:
获取待模拟年份的多时间尺度特性参数;
根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列;
获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列;
将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列,所述负荷序列模拟模型以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,以所述目标负荷模拟序列与所述历史负荷转换序列的时间分布规律最接近为优化目标,所述全年总电量约束、所述每月总电量约束以及所述负荷特性约束基于所述待模拟年份的多时间尺度特性参数确定。
2.根据权利要求1所述的方法,其特征在于,根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列,包括:
根据所述待模拟年份的多时间尺度特性参数中的月最高负荷和周特性,计算得到所述待模拟年份的日最高负荷特性;
根据所述待模拟年份的多时间尺度特性参数中的日特性,以及所述日最高负荷特性,确定所述待模拟年份的初始负荷模拟序列。
5.根据权利要求1所述的方法,其特征在于,对所述历史负荷序列进行时间尺度转换,包括:
根据所述历史负荷序列的时间尺度与所述预先设置的负荷序列模拟模型的时间尺度的大小,判断对所述历史负荷序列进行时间尺度转换的方向;
若所述时间尺度转换的方向为从小时间尺度转换为大时间尺度,则基于所述预先设置的负荷序列模拟模型的时间尺度对所述历史负荷序列进行等间隔均分,计算每一间隔中各个数值的平均值并作为大时间尺度的每一数值;
若所述时间尺度转换的方向为从大时间尺度转换为小时间尺度,则基于所述预先设置的负荷序列模拟模型的时间尺度确定所述历史负荷序列中每一数值需要细分的小时间尺度的数值个数,其中所述历史负荷序列中每一数值与其细分的各个小时间尺度的数值相同。
10.一种电网负荷序列模拟装置,其特征在于,包括:
参数获取单元,用于获取待模拟年份的多时间尺度特性参数;
初始模拟单元,用于根据所述待模拟年份的多时间尺度特性参数中的月最高负荷、周特性和日特性,计算得到所述待模拟年份的初始负荷模拟序列;
历史获取单元,用于获取历史负荷序列并对所述历史负荷序列进行时间尺度转换,生成历史负荷转换序列;
优化模拟单元,用于将所述初始负荷模拟序列送入预先设置的负荷序列模拟模型中,生成所述待模拟年份的目标负荷模拟序列,所述负荷序列模拟模型以全年总电量约束、每月总电量约束以及负荷特性约束为约束条件,以所述目标负荷模拟序列与所述初始负荷模拟序列的时间分布规律最接近为优化目标,所述全年总电量约束、所述每月总电量约束以及所述负荷特性约束基于所述待模拟年份的多时间尺度特性参数确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316450.2A CN115879690A (zh) | 2022-10-26 | 2022-10-26 | 一种电网负荷序列模拟方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316450.2A CN115879690A (zh) | 2022-10-26 | 2022-10-26 | 一种电网负荷序列模拟方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879690A true CN115879690A (zh) | 2023-03-31 |
Family
ID=85758965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211316450.2A Pending CN115879690A (zh) | 2022-10-26 | 2022-10-26 | 一种电网负荷序列模拟方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879690A (zh) |
-
2022
- 2022-10-26 CN CN202211316450.2A patent/CN115879690A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7482167B2 (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
Correa-Florez et al. | Stochastic operation of home energy management systems including battery cycling | |
Rahmani-Andebili et al. | Cooperative distributed energy scheduling for smart homes applying stochastic model predictive control | |
Lujano-Rojas et al. | Optimizing daily operation of battery energy storage systems under real-time pricing schemes | |
Wu et al. | Hourly demand response in day‐ahead scheduling for managing the variability of renewable energy | |
Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
CN112070301B (zh) | 一种用户用电量调整方法、系统及设备 | |
Lu et al. | Data-driven stochastic programming for energy storage system planning in high PV-penetrated distribution network | |
US10333307B2 (en) | Machine learning based demand charge | |
CN109697527A (zh) | 一种多维度基于时间序列趋势分解的电量预测方法 | |
JP6069738B2 (ja) | 充放電制御システム、充放電制御方法、および充放電制御プログラム | |
Zhou et al. | Interval optimization combined with point estimate method for stochastic security-constrained unit commitment | |
CN115081958B (zh) | 用户电力调整方法、装置、电子设备和计算机可读介质 | |
Faza et al. | PSO-based optimization toward intelligent dynamic pricing schemes parameterization | |
Zhu et al. | Energy optimal dispatch of the data center microgrid based on stochastic model predictive control | |
Lv et al. | Hierarchical learning optimisation method for the coordination dispatch of the inter‐regional power grid considering the quality of service index | |
JP2020039222A (ja) | 電力需給制御装置、電力需給制御システムおよび電力需給制御方法 | |
CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
JP6679980B2 (ja) | 電力需要予測装置、及び電力需要予測方法 | |
CN115879690A (zh) | 一种电网负荷序列模拟方法和装置 | |
US20230120165A1 (en) | Target function prioritization of control modes for renewable electric generation resource and charge storage device | |
CN115730818A (zh) | 功率平衡风险指标评估方法、装置、设备及介质 | |
Liu et al. | Joint optimisation of generation and storage in the presence of wind | |
Sun et al. | Machine learning derived dynamic operating reserve requirements in high-renewable power systems |
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 |