CN115879698A - 一种实时负荷资源调度方法、系统、装置及存储介质 - Google Patents
一种实时负荷资源调度方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115879698A CN115879698A CN202211467056.9A CN202211467056A CN115879698A CN 115879698 A CN115879698 A CN 115879698A CN 202211467056 A CN202211467056 A CN 202211467056A CN 115879698 A CN115879698 A CN 115879698A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- scheduling
- real
- resource scheduling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000004044 response Effects 0.000 claims abstract description 100
- 230000006399 behavior Effects 0.000 claims abstract description 77
- 230000005611 electricity Effects 0.000 claims abstract description 51
- 230000015654 memory Effects 0.000 claims abstract description 24
- 238000003064 k means clustering Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种实时负荷资源调度方法、系统、装置及存储介质，实时负荷资源调度方法通过获取各个用户的历史负荷数据和需求响应情况，并采用K均值聚类算法高效、准确地得到用电行为数据，同时计算各个用户的参与值，通过考虑用户参与值提升后续实时负荷资源调度方案的可靠性；通过采用卷积神经网络和长短期记忆网络的组合神经网络进行调度时段内的负荷预测，其中卷积神经网络对于历史负荷数据的特征提取能力强，且长短期记忆网络能够学习长期依赖性，使得预测过程更加高效，且提升了负荷预测结果的准确性，后续根据用电行为数据、参与值、调度数据以及负荷预测结果生成实时负荷资源调度方案，实现了对电网高峰负荷的精准削减和及时调度。
Description
技术领域
本申请涉及数据处理技术领域，尤其是一种实时负荷资源调度方法、系统、装置及存储介质。
背景技术
随着数字智能电表的迅速普及，电网信息采集系统收集到大量的用户负荷数据，但这些负荷数据目前仍未得到高效挖掘和利用。能源消耗的迅速增长以及电网面临的不确定性日益增大，使得电网负荷资源的实时调度受到越来越广泛的重视。然而，现有的负荷资源调度方法未能利用用户负荷数据，调度的及时性及可靠性较差，无法精准削减电网高峰负荷、保障电网安全。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本发明实施例提供了一种实时负荷资源调度方法、系统、装置及存储介质，生成了实时的负荷资源调度方案，实现了对电网高峰负荷的精准削减和及时调度，保护了电网安全。
为了达到上述技术目的，本发明实施例所采取的技术方案包括：
一方面，本发明实施例提供了一种实时负荷资源调度方法，包括以下步骤：
获取各个用户的历史负荷数据以及各个用户的需求响应情况，所述需求响应情况包括接收需求响应次数和响应次数；
根据预处理后的所述历史负荷数据，使用K均值聚类算法对用户的用电行为进行分类，得到用电行为数据，所述历史负荷数据的预处理包括缺失值补全、异常值修正以及归一化处理；
根据所述需求响应情况计算各个用户的参与值，所述参与值为所述响应次数与所述接收需求响应次数的比值；
响应于接收到负荷资源调度任务，根据所述负荷资源调度任务确定调度时段和调度数据，所述调度时段为需要进行负荷资源调度的时段，所述调度数据为所述调度时段内需要进行负荷资源调度的数据；
根据预处理后的所述历史负荷数据，结合卷积神经网络和长短期记忆网络进行预测，得到所述调度时段的负荷预测结果；
根据所述用电行为数据、所述参与值、所述调度数据以及所述负荷预测结果生成实时负荷资源调度方案。
另外，根据本发明上述实施例的一种实时负荷资源调度方法，还可以具有以下附加的技术特征：
进一步地，本发明实施例的一种实时负荷资源调度方法中，所述根据预处理后的所述历史负荷数据，使用K均值聚类算法对用户的用电行为进行分类，得到用电行为数据，包括：
从各个用户的所述历史负荷数据中选取个数为第一数量的第一聚类中心；
将所述第一聚类中心作为当前聚类中心；
计算各个用户的所述历史负荷数据与各个所述当前聚类中心的距离，并将各个用户的所述历史负荷数据依次分配给距离最近的所述当前聚类中心，形成个数为所述第一数量的聚类；
根据所述聚类计算得到个数为所述第一数量的第二聚类中心；
根据所述历史负荷数据、所述当前聚类中心和所述第二聚类中心判断是否满足预设的终止条件；
若否，将所述第二聚类中心作为所述当前聚类中心，并返回计算各个用户的所述历史负荷数据与各个所述当前聚类中心的距离，并将各个用户的所述历史负荷数据依次分配给距离最近的所述当前聚类中心，形成个数为所述第一数量的聚类这一步骤；
若是，根据所述聚类得到所述用电行为数据。
进一步地，在本发明的一个实施例中，所述用电行为数据包括用电行为类型和对应的用电行为占比，所述用电行为类型包括低用电无波动、低用电有波动、高用电无波动和高用电有波动，所述第一数量为4；
所述根据所述聚类得到所述用电行为数据，包括：
根据所述聚类得到个数为所述第一数量的所述用电行为类型；
分别计算各个所述聚类中所述历史负荷数据的个数与所述历史负荷数据的总个数的比值，得到所述用电行为占比。
进一步地，在本发明的一个实施例中，所述实时负荷资源调度方案包括目标需求响应发送和负荷资源余量配置，所述负荷预测结果包括负荷预测值和响应负荷预测值；
所述根据所述用电行为数据、所述参与值、所述调度数据以及所述负荷预测结果生成实时负荷资源调度方案，包括：
根据所述参与值、所述调度数据以及所述响应负荷预测值进行目标需求响应发送；
根据所述用电行为数据以及所述负荷预测值进行负荷资源余量配置。
进一步地，在本发明的一个实施例中，所述根据所述参与值、所述调度数据以及所述响应负荷预测值进行目标需求响应发送，包括：
根据所述调度数据和所述响应负荷预测值生成目标需求响应；
按照所述参与值由高到低的顺序向所述参与值对应的用户发送所述目标需求响应。
进一步地，在本发明的一个实施例中，所述根据所述用电行为数据以及所述负荷预测值进行负荷资源余量配置，包括：
根据所述用电行为数据得到目标用户，所述目标用户为经历过用电波动的用户：
根据所述负荷预测值计算得到负荷资源余量；
将所述负荷资源余量分配给所述目标用户。
进一步地，在本发明的一个实施例中，所述历史负荷数据以及所述需求响应情况从实时更新的历史数据库中获取；
所述实时负荷资源调度方法还包括：
将所述调度时段内的负荷数据存储至所述历史数据库。
另一方面，本发明实施例提出了一种实时负荷资源调度系统，包括：
第一模块，用于获取各个用户的历史负荷数据以及各个用户的需求响应情况，所述需求响应情况包括接收需求响应次数和响应次数；
第二模块，用于根据预处理后的所述历史负荷数据，使用K均值聚类算法对用户的用电行为进行分类，得到用电行为数据，所述历史负荷数据的预处理包括缺失值补全、异常值修正以及归一化处理；
第三模块，用于根据所述需求响应情况计算各个用户的参与值，所述参与值为所述响应次数与所述接收需求响应次数的比值；
第四模块，用于响应于接收到负荷资源调度任务，根据所述负荷资源调度任务确定调度时段和调度数据，所述调度时段为需要进行负荷资源调度的时段，所述调度数据为所述调度时段内需要进行负荷资源调度的数据；
第五模块，用于根据预处理后的所述历史负荷数据，结合卷积神经网络和长短期记忆网络进行预测，得到所述调度时段的负荷预测结果；
第六模块，用于根据所述用电行为数据、所述参与值、所述调度数据以及所述负荷预测结果生成实时负荷资源调度方案。
另一方面，本发明实施例提供了一种实时负荷资源调度装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现所述的一种实时负荷资源调度方法。
另一方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现所述的一种实时负荷资源调度方法。
本发明的优点和有益效果：
本发明实施例通过获取各个用户的历史负荷数据和需求响应情况，并根据预处理后的历史负荷数据采用K均值聚类算法高效、准确地得到用电行为数据，同时根据需求响应情况计算各个用户的参与值，通过考虑用户参与值提升后续实时负荷资源调度方案的可靠性；通过采用卷积神经网络和长短期记忆网络的组合神经网络进行调度时段内的负荷预测，其中卷积神经网络对于历史负荷数据的特征提取能力强，且长短期记忆网络能够学习长期依赖性，适用于历史负荷数据的建模，使得预测过程更加高效，且提升了负荷预测结果的准确性，后续根据用电行为数据、参与值、调度数据以及负荷预测结果生成实时负荷资源调度方案，实现了对电网高峰负荷的精准削减和及时调度，保护了电网安全。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案，下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明一种实时负荷资源调度方法具体实施例的流程示意图；
图2为本发明一种实时负荷资源调度方法具体实施例的卷积神经网络与长短期记忆网络组合的基本单元结构；
图3为本发明一种实时负荷资源调度系统具体实施例的结构示意图；
图4为本发明一种实时负荷资源调度装置具体实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
随着数字智能电表的迅速普及，电网信息采集系统收集到大量的用户负荷数据，但这些负荷数据目前仍未得到高效挖掘和利用。能源消耗的迅速增长以及电网面临的不确定性日益增大，使得电网负荷资源的实时调度受到越来越广泛的重视。然而，现有的负荷资源调度方法未能利用用户负荷数据，调度的及时性及可靠性较差，无法精准削减电网高峰负荷、保障电网安全。为此，本发明提出了一种实时负荷资源调度方法、系统、装置及存储介质，通过获取各个用户的历史负荷数据和需求响应情况，并根据预处理后的历史负荷数据采用K均值聚类算法高效、准确地得到用电行为数据，同时根据需求响应情况计算各个用户的参与值，通过考虑用户参与值提升后续实时负荷资源调度方案的可靠性；通过采用卷积神经网络和长短期记忆网络的组合神经网络进行调度时段内的负荷预测，其中卷积神经网络对于历史负荷数据的特征提取能力强，且长短期记忆网络能够学习长期依赖性，适用于历史负荷数据的建模，使得预测过程更加高效，且提升了负荷预测结果的准确性，后续根据用电行为数据、参与值、调度数据以及负荷预测结果生成实时负荷资源调度方案，实现了对电网高峰负荷的精准削减和及时调度，保护了电网安全。
下面参照附图详细描述根据本发明实施例提出的一种实时负荷资源调度方法、系统、装置及存储介质，首先将参照附图描述根据本发明实施例提出的一种实时负荷资源调度方法。
参照图1，本发明实施例中提供一种实时负荷资源调度方法，本发明实施例中的一种实时负荷资源调度方法，可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。本发明实施例中的一种实时负荷资源调度方法主要包括以下步骤S101-S106：
S101、获取各个用户的历史负荷数据以及各个用户的需求响应情况；
其中，需求响应情况包括接收需求响应次数和响应次数。
可以理解的是，用户的历史负荷数据包括过去每个周期中每天的每个时段的负荷数据。
可选地，在一些实施例中，可采用智能电表获取各个用户的历史负荷数据。
可选地，在一些实施例中，过去每个周期中一天包括24个时段(一个小时为一个时段)，单个用户的历史负荷数据记作集合：
Ui＝(Li，Wi，gi，pi，Pi)
式中，Ui表示第i个用户；Li表示第i个用户在各个时段的负荷量；Wi表示第i个用户在各个时段用电的温度；gi表示第i个用户在各个时段接收需求响应的标识；pi表示第i个用户在各个时段对需求响应进行响应的标识；Pi表示第i个用户在各个时段的响应负荷量。
可以理解的是，根据gi可以得到第i个用户的接收需求响应次数，根据pi可以得到第i个用户的响应次数，即基于各个用户的历史负荷数据可以获取到各个用户的需求响应情况。
S102、根据预处理后的历史负荷数据，使用K均值聚类算法对用户的用电行为进行分类，得到用电行为数据；
其中，在一些实施例中，历史负荷数据的预处理包括缺失值补全、异常值修正以及归一化处理。
可以理解的是，电网系统分布广泛，且所处的环境复杂，其中保存的历史负荷数据的数据量较大，容易因电网系统的性能波动或故障出现数据缺失和数据异常的情况。因此，在本发明的实施例中，对历史负荷数据进行缺失值补全和异常值修正，以提升历史负荷数据的完整性和准确性，使得后续得到的负荷预测结果更加准确、可靠。
根据先验知识可知，缺失值补全可应对历史负荷数据中单一数据值缺失情况以及多数据值缺失情况。
在本发明的实施例中，对于历史负荷数据中的单一数据值缺失，基于负荷数据与时序相关的规律性，选取缺失值的前后两个负荷数据求平均值，并采用该平均值补全缺失值。
可选地，在一些实施例中，在历史负荷数据中，某一天的第三个时段缺失负荷数据，则选取第二个时段和第四个时段的负荷数据，并采用第二个时段的负荷数据与第四个时段的负荷数据的平均值补全第三个时段缺失的负荷数据。
对于历史负荷数据中的多数据值缺失，采用相似日填补法进行缺失值的补全，即选取与存在缺失值的日期相似度最高的三个日期，并根据三个日期中与缺失值所处的时段相同的时段的负荷数据计算平均值，并采用该平均值补全缺失值。其中，相似度是不同的两个日期之间各个对应的时刻的负荷数据的相似度。
可选地，在一些实施例中，在历史负荷数据中，第d天的第三个时段、第四个时段和第五个时段缺失负荷数据，选取与第d天相似度最高的三个日期d1、d2、d3，并计算d1、d2、d3第三个时段的负荷数据的平均值，采用d1、d2、d3第三个时段的负荷数据的平均值补全第d天的第三个时段的缺失值；计算d1、d2、d3第四个时段的负荷数据的平均值，采用d1、d2、d3第四个时段的负荷数据的平均值补全第d天的第四个时段的缺失值；计算d1、d2、d3第五个时段的负荷数据的平均值，采用d1、d2、d3第五个时段的负荷数据的平均值补全第d天的第五个时段的缺失值。
即第d天t时刻的缺失值：
x(d，t)＝[x(d1，t)+x(d2，t)+x(d3，t)]/3
其中，x(d1，t)表示第d1天t时刻的负荷数据，x(d2，t)表示第d2天t时刻的负荷数据，x(d3，t)表示第d3天t时刻的负荷数据。
可以理解的是，在进行历史负荷数据的异常值修正前，需要先判定历史负荷数据中的异常点(异常值所在的时间点)。在本发明的一些实施例中，结合水平判断法和垂直判断法进行异常点的判定。根据先验知识以及前述的负荷数据与时序相关的规律性可知，水平判断法通过判断某一时间点的负荷数据与其相邻的时间点的负荷数据变化是否超过设定的第一阈值εp，来判断该时间点是否为水平异常点，判定公式如下：
max[|x(d，t)-x(d，t-1)|，|x(d，t)-x(d，t+1)|]＞εp
垂直判断法通过判断某一天的各个时刻的负荷数据与前后几天对应时刻的负荷数据平均值相比是否出现大幅突变(超过设定的第二阈值ηp)，来判断某一天中是否存在异常点(垂直异常点)，判定公式如下：
|x(d，t)-a(t)|＞ηp
式中，a(t)为第d天前后5天t时刻负荷数据的平均值。
根据先验知识可知，不同类别历史负荷数据之间，如负荷量和接收需求响应的标识之间，存在不同的数量级和单位，若在机器学习模型中直接输入原始的历史负荷数据，则波动较小的数据将被湮没，导致负荷预测结果因信息挖掘不全而预测精度降低，同时数量级过高的数据也会减慢模型的训练速度，使预测模型的时效性变差。因此，在本发明的实施例中，对历史负荷数据进行缺失值补全和异常值修正后，还需要进行归一化处理，使得历史负荷数据中各项数据的尺度(数量级)统一。
可选地，在一些实施例中，采用极值归一化法对历史负荷数据进行归一化处理，公式如下：
式中，x为样本数据，xmax、xmin分别为样本数据的最大值和最小值，x*为标准化的样本数据，[bg，ag]为归化区间，一般为[-1，1]或[0，1]。
具体地，在本发明的实施例中，完成历史负荷数据的预处理后，根据预处理后的历史负荷数据，使用K均值聚类算法(K-means)对用户的用电行为进行分类，得到用电行为数据。
根据先验知识可知，K均值聚类算法是一种基于距离的、迭代求解的聚类分析算法，采用欧式距离作为相似度对样本进行评价。同时，K均值聚类算法在处理大量数据时效率高、收敛速度快，并且聚类效果好，从而能够高效、准确地得到用电行为数据。在本发明的一些实施例中，采用K均值聚类算法在所有历史负荷数据中选取K个历史负荷数据作为初始的聚类中心，并将初始的聚类中心看作当前聚类中心，然后计算每个历史负荷数据与各个当前聚类中心之间的距离，并分别将各个历史负荷数据分配给距离最近的当前聚类中心，以此形成多个聚类。可以理解的是，在历史负荷数据的分配过程中，每个聚类的当前聚类中心会根据聚类中现有的对象(历史负荷数据)被重新计算，并重新计算每个历史负荷数据与各个当前聚类中心之间的距离，然后再次将各个历史负荷数据分配给距离最近的当前聚类中心，直至满足预设的终止条件。
由此可知，S102可以进一步划分为以下步骤S1021-S1027：
步骤S1021、从各个用户的历史负荷数据中选取个数为第一数量的第一聚类中心；
可选地，用电行为数据包括用电行为类型和对应的用电行为占比。其中，在一些实施例中，用电行为类型包括四类：低用电无波动(T1)、低用电有波动(T2)、高用电无波动(T3)和高用电有波动(T4)。因此，在一些实施例中，从各个用户的历史负荷数据中选取四个第一聚类中心C1，即第一数量为4。
根据先验知识可知，K均值聚类算法的最终目的是求解最小平方和函数(Sum ofSquared Error，SSE)的最小值：
式中，x为数据对象，即各个用户的历史负荷数据；Ci为第i个聚类中心(当i＝1时为第一聚类中心)，可以理解的是，K均值聚类算法的迭代次数加一，则i+1；k为聚类的个数，即本发明实施例中的第一数量。SSE的大小代表聚类结果的可靠性，SSE越小，聚类结果的可靠性越高。
步骤S1022、将第一聚类中心作为当前聚类中心；
步骤S1023、计算各个用户的历史负荷数据与各个当前聚类中心的距离，并将各个用户的历史负荷数据依次分配给距离最近的当前聚类中心，形成个数为第一数量的聚类；
根据先验知识可知，将各个用户的历史负荷数据依次分配给距离最近的当前聚类中心，也即将各个用户的历史负荷数据依次分配给相似度最高的当前聚类中心。
步骤S1024、根据聚类计算得到个数为第一数量的第二聚类中心；
可以理解的是，在将历史负荷数据的分配至距离最近的当前聚类中心并形成聚类时，每个聚类的当前聚类中心会根据聚类中现有的对象(历史负荷数据)被重新计算，从而得到个数为第一数量的第二聚类中心。
步骤S1025、根据历史负荷数据、当前聚类中心和第二聚类中心判断是否满足预设的终止条件；
可选地，在本发明的一些实施例中，预设的终止条件可为以下之一：
a)没有(或预设的最小数目)历史负荷数据被重新分配给不同的聚类；
b)没有(或预设的最小数目)聚类中心再发生变化；
c)聚类的误差平方和局部最小。
步骤S1026、若否，将第二聚类中心作为当前聚类中心，并返回步骤S1023；
步骤S1027、若是，根据聚类得到用电行为数据。
可选地，根据步骤S1021可知，在一些实施例中，用电行为数据包括用电行为类型和对应的用电行为占比，用电行为类型包括低用电无波动(T1)、低用电有波动(T2)、高用电无波动(T3)和高用电有波动(T4)。可以理解的是，根据聚类得到用电行为数据包括各个用电行为类型的确定和各个用电行为类型的用电行为占比的计算。
可以理解的是，在本发明的实施例中，K均值聚类算法最终得到的各个聚类即为各个用电行为类型，从而分别计算各个聚类中历史负荷数据的个数与历史负荷数据的总个数的比值，即可得到用电行为占比。
可选地，在一些实施例中，A台区的低用电无波动(T1)类中的历史负荷数据个数(用户数)为NA1，低用电有波动(T2)类中的历史负荷数据个数(用户数)为NA2，高用电无波动(T3)类中的历史负荷数据个数(用户数)为NA3，高用电有波动(T4)类中的历史负荷数据个数(用户数)为NA4，则A台区的低用电无波动(T1)的用电行为占比为：
S103、根据需求响应情况计算各个用户的参与值；
其中，参与值为响应次数与接收需求响应次数的比值。
具体地，在本发明的实施例中，参与值：
其中，i表示第i个用户；m表示第m时刻；gim表示第i个用户在第m时刻的接收需求响应次数；pim表示第i个用户在第m时刻的响应次数。
可以理解的是，响应次数与接收需求响应次数的比值越大，表示用户对需求响应的响应率越高，即参与值反映了各个用户响应的积极性。本发明实施例通过考虑各个用户的参与值，提升了后续实时负荷资源调度方案具体实施时的可靠性。
S104、响应于接收到负荷资源调度任务，根据负荷资源调度任务确定调度时段和调度数据；
其中，调度时段为需要进行负荷资源调度的时段，调度数据为调度时段内需要进行负荷资源调度的数据。
可选地，在一些实施例中，负荷资源调度任务可以为人为下发的负荷资源调度任务，也可以为电网系统根据实时的负荷情况及预设的负荷计划自动下发的负荷资源调度任务。
S105、根据预处理后的历史负荷数据，结合卷积神经网络和长短期记忆网络进行预测，得到调度时段的负荷预测结果；
根据先验知识可知，卷积神经网络(Convolutional Neural Networks，CNN)在提取连续的历史时序数据特征时表现出色，即能够高效、准确地对本发明实施例的历史负荷数据进行特征提取；长短期记忆网络(Long Short-Term Memory，LSTM)是一种特殊的循环神经网络，能够学习长期依赖性，适用于时序数据的建模，因此也适用于基于本发明实施例的历史负荷数据的建模。可以理解的是，本发明实施例通过结合卷积神经网络和长短期记忆网络，基于CNN-LSTM网络不仅能够得到历史负荷数据的时序关系，还能提取历史负荷数据的空间特征，使得最终得到的负荷预测结果更加准确，且预测过程更加高效。
可选地，参照图2，在一些实施例中，CNN-LSTM网络直接使用卷积作为读取LSTM输入的一部分。CNN-LSTM网络的核心本质与LSTM一样，由记忆细胞、输入门、输出门、遗忘门组成。其与LSTM的区别在于输入与各个门之间的连接由前馈式变为卷积，并且状态之间也采用了卷积运算。结合图2，CNN-LSTM网络的计算公式如下：
式中，it表示输入门；ft表示遗忘门；Ct表示过度状态；ot表示输入门；Ht表示当前状态；W为对应卷积核的权重系数矩阵；b为对应门的偏执项；*表示卷积；ο为Hadamard乘积；σ和tanh为激活函数，其中σ为Sigmoid函数。
可选地，在一些实施例中，基于负荷预测结果采用平均绝对百分比误差(MeanAbsolute Percentage Error，MAPE)评价模型预测的精度，公式如下：
可选地，在一些实施例中，将历史负荷数据及历史对应时刻的天气、温度和风向输入CNN-LSTM网络进行训练学习，得到调度时段的负荷预测结果。
可选地，在一些实施例中，负荷预测结果包括负荷预测值和响应负荷预测值。可以理解的是，在同一台区中，各个用户的负荷预测值相加即可得到台区在调度时段的负荷总量，各个用户的响应负荷预测值相加即可得到台区在调度时段的响应负荷总量。
S106、根据用电行为数据、参与值、调度数据以及负荷预测结果生成实时负荷资源调度方案。
可选地，在一些实施例中，实时负荷资源调度方案包括目标需求响应发送和负荷资源余量配置。根据步骤S105可知，在一些实施例中，负荷预测结果包括负荷预测值和响应负荷预测值。
具体地，S106可以进一步划分为以下步骤S1061-S1062：
步骤S1061、根据参与值、调度数据以及响应负荷预测值进行目标需求响应发送；
根据步骤S103可知，参与值代表了用户对需求响应的响应率。可以理解的是，将目标需求响应发送给参与值较高的用户，收到用户响应的概率更高。
在一些实施例中，步骤S1061具体包括：
1)根据调度数据和响应负荷预测值生成目标需求响应；
具体地，在一些实施例中，根据基于负荷资源调度任务确定的调度时段内的调度数据，以及调度时段的响应负荷预测值来确定所需向用户发送的目标需求响应。
2)按照参与值由高到低的顺序向参与值对应的用户发送目标需求响应。
步骤S1062、根据用电行为数据以及负荷预测值进行负荷资源余量配置。
具体地，在本发明的实施例中，利用调度时段内的负荷预测值，对台区内经历过用电波动的用户预留负荷资源余量，以抑制用电波动。可以理解的是，所配置的负荷资源余量的资源量根据负荷预测值进行确定。
在一些实施例中，步骤S1062具体包括：
1)根据用电行为数据得到目标用户；
其中，目标用户为经历过用电波动的用户。
可选地，在一些实施例中，用电行为数据中的用电行为类型包括低用电无波动(T1)、低用电有波动(T2)、高用电无波动(T3)和高用电有波动(T4)，其中T2和T4类的用户为目标用户。
2)根据负荷预测值计算得到负荷资源余量；
3)将负荷资源余量分配给目标用户。
可以理解的是，本发明实施例生成的实时负荷资源调度方案为台区内的实时负荷资源调度方案，应用于多台区时，只需要采用本发明实施例所述的实时负荷资源调度方法分别生成各个台区的实时负荷资源调度方案，即可实现对多台区的实时负荷资源调度。
可选地，在一些实施例中，各个用户的历史负荷数据以及需求响应情况从实时更新的历史数据库中获取。在本发明的实施例中，在采用实时负荷资源调度方案进行负荷资源调度后，将调度时段内的负荷数据存储至历史数据库，以对历史数据库进行实时更新。
结合步骤S101-S106所述的一种实时负荷资源调度方法可知，本发明通过获取各个用户的历史负荷数据和需求响应情况，并根据预处理后的历史负荷数据采用K均值聚类算法高效、准确地得到用电行为数据，同时根据需求响应情况计算各个用户的参与值，通过考虑用户参与值提升后续实时负荷资源调度方案的可靠性；通过采用卷积神经网络和长短期记忆网络的组合神经网络进行调度时段内的负荷预测，其中卷积神经网络对于历史负荷数据的特征提取能力强，且长短期记忆网络能够学习长期依赖性，适用于历史负荷数据的建模，使得预测过程更加高效，且提升了负荷预测结果的准确性，后续根据用电行为数据、参与值、调度数据以及负荷预测结果生成实时负荷资源调度方案，实现了对电网高峰负荷的精准削减和及时调度，保护了电网安全。
其次，参照附图描述根据本申请实施例提出的一种实时负荷资源调度系统。
图3是本申请一个实施例的一种实时负荷资源调度系统结构示意图。
所述系统具体包括：
第一模块301，用于获取各个用户的历史负荷数据以及各个用户的需求响应情况，所述需求响应情况包括接收需求响应次数和响应次数；
第二模块302，用于根据预处理后的所述历史负荷数据，使用K均值聚类算法对用户的用电行为进行分类，得到用电行为数据，所述历史负荷数据的预处理包括缺失值补全、异常值修正以及归一化处理；
第三模块303，用于根据所述需求响应情况计算各个用户的参与值，所述参与值为所述响应次数与所述接收需求响应次数的比值；
第四模块304，用于响应于接收到负荷资源调度任务，根据所述负荷资源调度任务确定调度时段和调度数据，所述调度时段为需要进行负荷资源调度的时段，所述调度数据为所述调度时段内需要进行负荷资源调度的数据；
第五模块305，用于根据预处理后的所述历史负荷数据，结合卷积神经网络和长短期记忆网络进行预测，得到所述调度时段的负荷预测结果；
第六模块306，用于根据所述用电行为数据、所述参与值、所述调度数据以及所述负荷预测结果生成实时负荷资源调度方案。
可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图4，本申请实施例提供了一种实时负荷资源调度装置，包括：
至少一个处理器401；
至少一个存储器402，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器401执行时，使得所述至少一个处理器401实现步骤S101-S106所述的一种实时负荷资源调度方法。
同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本申请的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本申请，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本申请的范围，本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
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，包括若干程序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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行程序的定序列表，可以具体实现在任何计算机可读介质中，以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用，或结合这些程序执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明，但本申请并不限于所述实施例，熟悉本领域的技术人员在不违背本申请精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种实时负荷资源调度方法，其特征在于，包括以下步骤：
获取各个用户的历史负荷数据以及各个用户的需求响应情况，所述需求响应情况包括接收需求响应次数和响应次数；
根据预处理后的所述历史负荷数据，使用K均值聚类算法对用户的用电行为进行分类，得到用电行为数据，所述历史负荷数据的预处理包括缺失值补全、异常值修正以及归一化处理；
根据所述需求响应情况计算各个用户的参与值，所述参与值为所述响应次数与所述接收需求响应次数的比值；
响应于接收到负荷资源调度任务，根据所述负荷资源调度任务确定调度时段和调度数据，所述调度时段为需要进行负荷资源调度的时段，所述调度数据为所述调度时段内需要进行负荷资源调度的数据；
根据预处理后的所述历史负荷数据，结合卷积神经网络和长短期记忆网络进行预测，得到所述调度时段的负荷预测结果；
根据所述用电行为数据、所述参与值、所述调度数据以及所述负荷预测结果生成实时负荷资源调度方案。
2.根据权利要求1所述的一种实时负荷资源调度方法，其特征在于，所述根据预处理后的所述历史负荷数据，使用K均值聚类算法对用户的用电行为进行分类，得到用电行为数据，包括：
从各个用户的所述历史负荷数据中选取个数为第一数量的第一聚类中心；
将所述第一聚类中心作为当前聚类中心；
计算各个用户的所述历史负荷数据与各个所述当前聚类中心的距离，并将各个用户的所述历史负荷数据依次分配给距离最近的所述当前聚类中心，形成个数为所述第一数量的聚类；
根据所述聚类计算得到个数为所述第一数量的第二聚类中心；
根据所述历史负荷数据、所述当前聚类中心和所述第二聚类中心判断是否满足预设的终止条件；
若否，将所述第二聚类中心作为所述当前聚类中心，并返回计算各个用户的所述历史负荷数据与各个所述当前聚类中心的距离，并将各个用户的所述历史负荷数据依次分配给距离最近的所述当前聚类中心，形成个数为所述第一数量的聚类这一步骤；
若是，根据所述聚类得到所述用电行为数据。
3.根据权利要求2所述的一种实时负荷资源调度方法，其特征在于，所述用电行为数据包括用电行为类型和对应的用电行为占比，所述用电行为类型包括低用电无波动、低用电有波动、高用电无波动和高用电有波动，所述第一数量为4；
所述根据所述聚类得到所述用电行为数据，包括：
根据所述聚类得到个数为所述第一数量的所述用电行为类型；
分别计算各个所述聚类中所述历史负荷数据的个数与所述历史负荷数据的总个数的比值，得到所述用电行为占比。
4.根据权利要求1所述的一种实时负荷资源调度方法，其特征在于，所述实时负荷资源调度方案包括目标需求响应发送和负荷资源余量配置，所述负荷预测结果包括负荷预测值和响应负荷预测值；
所述根据所述用电行为数据、所述参与值、所述调度数据以及所述负荷预测结果生成实时负荷资源调度方案，包括：
根据所述参与值、所述调度数据以及所述响应负荷预测值进行目标需求响应发送；
根据所述用电行为数据以及所述负荷预测值进行负荷资源余量配置。
5.根据权利要求4所述的一种实时负荷资源调度方法，其特征在于，所述根据所述参与值、所述调度数据以及所述响应负荷预测值进行目标需求响应发送，包括：
根据所述调度数据和所述响应负荷预测值生成目标需求响应；
按照所述参与值由高到低的顺序向所述参与值对应的用户发送所述目标需求响应。
6.根据权利要求4所述的一种实时负荷资源调度方法，其特征在于，所述根据所述用电行为数据以及所述负荷预测值进行负荷资源余量配置，包括：
根据所述用电行为数据得到目标用户，所述目标用户为经历过用电波动的用户；
根据所述负荷预测值计算得到负荷资源余量；
将所述负荷资源余量分配给所述目标用户。
7.根据权利要求4所述的一种实时负荷资源调度方法，其特征在于，所述历史负荷数据以及所述需求响应情况从实时更新的历史数据库中获取；
所述实时负荷资源调度方法还包括：
将所述调度时段内的负荷数据存储至所述历史数据库。
8.一种实时负荷资源调度系统，其特征在于，包括：
第一模块，用于获取各个用户的历史负荷数据以及各个用户的需求响应情况，所述需求响应情况包括接收需求响应次数和响应次数；
第二模块，用于根据预处理后的所述历史负荷数据，使用K均值聚类算法对用户的用电行为进行分类，得到用电行为数据，所述历史负荷数据的预处理包括缺失值补全、异常值修正以及归一化处理；
第三模块，用于根据所述需求响应情况计算各个用户的参与值，所述参与值为所述响应次数与所述接收需求响应次数的比值；
第四模块，用于响应于接收到负荷资源调度任务，根据所述负荷资源调度任务确定调度时段和调度数据，所述调度时段为需要进行负荷资源调度的时段，所述调度数据为所述调度时段内需要进行负荷资源调度的数据；
第五模块，用于根据预处理后的所述历史负荷数据，结合卷积神经网络和长短期记忆网络进行预测，得到所述调度时段的负荷预测结果；
第六模块，用于根据所述用电行为数据、所述参与值、所述调度数据以及所述负荷预测结果生成实时负荷资源调度方案。
9.一种实时负荷资源调度装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7中任一项所述的一种实时负荷资源调度方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-7中任一项所述的一种实时负荷资源调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211467056.9A CN115879698A (zh) | 2022-11-22 | 2022-11-22 | 一种实时负荷资源调度方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211467056.9A CN115879698A (zh) | 2022-11-22 | 2022-11-22 | 一种实时负荷资源调度方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115879698A true CN115879698A (zh) | 2023-03-31 |
Family
ID=85760542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211467056.9A Pending CN115879698A (zh) | 2022-11-22 | 2022-11-22 | 一种实时负荷资源调度方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879698A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094478A (zh) * | 2023-10-19 | 2023-11-21 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
| CN118246962A (zh) * | 2024-05-29 | 2024-06-25 | 国网山东省电力公司营销服务中心(计量中心) | 可参与能源调控的电力用户筛选方法、系统、介质及设备 |
-
2022
- 2022-11-22 CN CN202211467056.9A patent/CN115879698A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094478A (zh) * | 2023-10-19 | 2023-11-21 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
| CN117094478B (zh) * | 2023-10-19 | 2024-02-06 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
| CN118246962A (zh) * | 2024-05-29 | 2024-06-25 | 国网山东省电力公司营销服务中心(计量中心) | 可参与能源调控的电力用户筛选方法、系统、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115879698A (zh) | 一种实时负荷资源调度方法、系统、装置及存储介质 | |
| CN110188919A (zh) | 一种基于长短期记忆网络的负荷预测方法 | |
| CN108629045A (zh) | 一种消息推送方法、存储介质和服务器 | |
| CN116028838B (zh) | 一种基于聚类算法的能源数据处理方法、装置及终端设备 | |
| Rahmani et al. | A new optimal power flow approach for wind energy integrated power systems | |
| CN112651534B (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
| CN112487794B (zh) | 行业分类方法、装置、终端设备及存储介质 | |
| Lan et al. | Demand side data generating based on conditional generative adversarial networks | |
| CN113240153A (zh) | 光伏发电数据预测方法、装置、计算设备及存储介质 | |
| CN115796559A (zh) | 一种考虑需求响应场景的可调负荷排序方法及系统 | |
| CN110516849A (zh) | 一种基于典型日负荷曲线的负荷分类结果评价方法 | |
| CN113570398A (zh) | 推广数据处理方法、模型训练方法、系统和存储介质 | |
| Sun et al. | Fast transient stability prediction using grid-informed temporal and topological embedding deep neural network | |
| CN117892148A (zh) | 物联网终端业务模型识别方法和系统、设备及存储介质 | |
| US11308563B2 (en) | Energy program communication control system and method based on load shape analysis | |
| CN117200204A (zh) | 一种多元负荷预测方法、装置及存储介质 | |
| Kalboussi et al. | Deferred supplier energy amount prediction using neural network based on switching strategy for resilient smart grid | |
| CN116404637A (zh) | 电力系统短期负荷预测方法和电力系统短期负荷预测装置 | |
| CN116885705A (zh) | 区域负荷预测方法及装置 | |
| US20230316302A1 (en) | Improving accuracy and efficiency of prediction processes on big data sets using domain based segmentation and time series clustering | |
| CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
| Shirsat et al. | Identification of the potential of residential demand response using artificial neural networks | |
| CN112215420B (zh) | 一种居民用电的客户过户识别方法及系统 | |
| CN113657658A (zh) | 一种能源优化方法、装置、电子设备及存储介质 | |
| Dong et al. | Image-based with peak load ensemble prediction system for demand response 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 |