CN116054174A - 虚拟电厂分布式资源自组织聚合与协同控制方法及其系统 - Google Patents
虚拟电厂分布式资源自组织聚合与协同控制方法及其系统 Download PDFInfo
- Publication number
- CN116054174A CN116054174A CN202310051286.5A CN202310051286A CN116054174A CN 116054174 A CN116054174 A CN 116054174A CN 202310051286 A CN202310051286 A CN 202310051286A CN 116054174 A CN116054174 A CN 116054174A
- Authority
- CN
- China
- Prior art keywords
- load side
- characteristic
- feature
- network model
- classification
- 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
- 230000002776 aggregation Effects 0.000 title claims abstract description 52
- 238000004220 aggregation Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 223
- 230000033228 biological regulation Effects 0.000 claims abstract description 202
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 229940050561 matrix product Drugs 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 230000001105 regulatory effect Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005065 mining Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- -1 then Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种虚拟电厂分布式资源自组织聚合与协同控制方法及其系统。其首先将获取的多个负荷侧资源的调控特性曲线分别通过第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量,接着,将所述多个负荷侧资源调控特性特征向量进行二维排列后通过第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵,然后,计算所述各个负荷侧资源调控特性特征向量与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量,最后,分别对所述多个分类特征向量进行特征分布优化后分别通过分类器以得到多个分别用于表示各个负荷侧资源是否参与负荷资源的聚合的分类结果。这样,可以降低电网的波动性。
Description
技术领域
本申请涉及智能控制技术领域,且更为具体地,涉及一种虚拟电厂分布式资源自组织聚合与协同控制方法及其系统。
背景技术
全国电力负荷峰谷差持续增大,可再生能源消纳问题凸显。近年来,我国电力负荷增速显著高于电量增速,峰谷差持续增大,负荷尖峰化特征愈加显著。近年来,电力负荷峰谷差持续加大,冬季采暖范围扩大导致冬季用电峰值上升较快,夏季及冬季日负荷双峰特征更加明显。一方面,受第二产业用电比重稳步下降、第三产业和居民用电占比逐年提高影响,国家电网经营区域最大负荷增速将高于用电量。
对于电力系统来说,各个资源的分布极为分散,同时单个资源的可控功率相对于规模庞大的电网来说微不足道,电力公司无法对各个可控资源进行直接、实时、精确的调节,因此需要通过聚合的方式将各个资源构建成聚合型分布式资源主体的形式参与到电力系统的运行优化中。资源聚合是一个双层双向的互动关系:以虚拟电厂为例,在电网层,虚拟电厂向电网公司上报发电信息,电力公司向虚拟电厂发布调度指令;在用户层,用户向负荷虚拟电厂上报用户信息,负荷聚合商向用户发布调控指令。聚合将使调控特性相同的资源聚合为一个整体参与虚拟电厂的构建,便于响应负荷调节信号;另一方面是在有选择的情况下,优先挑选更为经济的负荷侧资源,为虚拟电厂带来更多收益。但是,在实际的聚合过程中,难以对于多个负荷侧资源中调控特性相同的资源进行识别聚合,导致电力系统中的各个可控资源的调节精度较低,造成对于电力系统的运行优化效果较差。
因此,期望一种优化的虚拟电厂分布式资源自组织聚合与协同控制方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种虚拟电厂分布式资源自组织聚合与协同控制方法及其系统。其首先将获取的多个负荷侧资源的调控特性曲线分别通过第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量,接着,将所述多个负荷侧资源调控特性特征向量进行二维排列后通过第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵,然后,计算所述各个负荷侧资源调控特性特征向量与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量,最后,分别对所述多个分类特征向量进行特征分布优化后分别通过分类器以得到多个分别用于表示各个负荷侧资源是否参与负荷资源的聚合的分类结果。这样,可以降低电网的波动性。
根据本申请的一个方面,提供了一种虚拟电厂分布式资源自组织聚合与协同控制方法,其包括:
获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线;
将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量;
将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵;
以所述各个负荷侧资源调控特性特征向量作为查询特征向量,计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量;
分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量;以及
将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合。
在上述的虚拟电厂分布式资源自组织聚合与协同控制方法中,所述将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量,包括:
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个负荷侧资源调控特性特征向量,其中,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个负荷侧资源的调控特性曲线。
在上述的虚拟电厂分布式资源自组织聚合与协同控制方法中,所述将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵,包括:
使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述全局负荷侧资源调控特性关联特征矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述全局负荷侧资源调控特性关联矩阵。
在上述的虚拟电厂分布式资源自组织聚合与协同控制方法中,所述作为过滤器的第一卷积神经网络模型和/或所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
在上述的虚拟电厂分布式资源自组织聚合与协同控制方法中,所述分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量,包括:
以如下公式分别对所述多个分类特征向量进行特征分布优化以得到所述多个优化后分类特征向量;
其中,所述公式为:
其中,V表示所述多个分类特征向量中的各个分类特征向量,V'表示所述多个优化后分类特征向量中的各个优化后分类特征向量,表示所述各个分类特征向量的二范数的平方,Vorder是所述各个分类特征向量的各特征值按大小次序排列的有序向量,且所述各个分类特征向量是列向量形式,表示向量相乘,⊙表示按位置点乘。
在上述的虚拟电厂分布式资源自组织聚合与协同控制方法中,所述将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合,包括:
使用所述分类器的全连接层对所述多个优化后分类特征向量分别进行全连接编码以得到多个编码分类特征向量;以及,
将所述多个编码分类特征向量分别输入所述分类器的Softmax分类函数以得到所述多个分类结果。
根据本申请的另一方面,提供了一种虚拟电厂分布式资源自组织聚合与协同控制系统,其包括:
数据获取模块,用于获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线;
第一卷积编码模块,用于将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量;
第二卷积编码模块,用于将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵;
分类特征向量计算模块,用于以所述各个负荷侧资源调控特性特征向量作为查询特征向量,计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量;
特征分布优化模块,用于分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量;以及
分类结果生成模块,用于将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合。
在上述的虚拟电厂分布式资源自组织聚合与协同控制系统中,所述第一卷积编码模块,进一步用于:
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个负荷侧资源调控特性特征向量,其中,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个负荷侧资源的调控特性曲线。
在上述的虚拟电厂分布式资源自组织聚合与协同控制系统中,所述第二卷积编码模块,进一步用于:
使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述全局负荷侧资源调控特性关联特征矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述全局负荷侧资源调控特性关联矩阵。
在上述的虚拟电厂分布式资源自组织聚合与协同控制系统中,所述作为过滤器的第一卷积神经网络模型和/或所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
与现有技术相比,本申请提供的虚拟电厂分布式资源自组织聚合与协同控制方法及其系统,其首先将获取的多个负荷侧资源的调控特性曲线分别通过第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量,接着,将所述多个负荷侧资源调控特性特征向量进行二维排列后通过第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵,然后,计算所述各个负荷侧资源调控特性特征向量与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量,最后,分别对所述多个分类特征向量进行特征分布优化后分别通过分类器以得到多个分别用于表示各个负荷侧资源是否参与负荷资源的聚合的分类结果。这样,可以降低电网的波动性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制方法的场景示意图。
图2为根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制方法的流程图。
图3为根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制方法的架构示意图。
图4为根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如上所述,聚合将使调控特性相同的资源聚合为一个整体参与虚拟电厂的构建,便于响应负荷调节信号;另一方面是在有选择的情况下,优先挑选更为经济的负荷侧资源,为虚拟电厂带来更多收益。但是,在实际的聚合过程中,难以对于多个负荷侧资源中调控特性相同的资源进行识别聚合,导致电力系统中的各个可控资源的调节精度较低,造成对于电力系统的运行优化效果较差。因此,期望一种优化的虚拟电厂分布式资源自组织聚合与协同控制方案。
具体地,在本申请的技术方案中,考虑到负荷侧资源参与构建虚拟发电厂时,最直观的特性参数是资源的可调潜力及其可控时间,可调潜力与控制时间存在对应关系。因此,将负荷侧资源的可调潜力与可控时间的关系曲线称为负荷侧资源的调控特性曲线,以对于参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线来进行分析以得到聚合结果。具体地,在得到单个负荷侧资源的调节特性曲线后,根据应用场景或电力市场的需求,进行负荷资源的聚合,通过计算多条曲线的吻合度,将吻合度高的,即特性曲线接近的空调负荷聚合在一起。在负荷资源的聚合过程中,计算吻合度的方法有很多,例如计算曲线范函数,或者曲线某段内的数值积分。但是,在实际使用这些方法来进行负荷资源的聚合过程中发现聚合的效果不佳,难以达到预期的结果,这是由于各个负荷侧资源的调控特性曲线中的信息量较大,其中包含有众多的隐含特征信息,并且各个负荷侧资源的调控特性曲线中的隐含特征信息间具有着关联关系,难以对于多个负荷侧资源中调控特性相同的资源进行识别聚合,导致电力系统中的各个可控资源的调节精度较低,造成对于电力系统的运行优化效果较差的问题。也就是说,在进行聚合过程中,难点在于如何挖掘出所述各个负荷侧资源的调控特性曲线的高维隐含关联特征信息以及如何挖掘出所述各个负荷侧资源的调控特性曲线特征与全局负荷资源的调控特性的隐含关联特征的吻合度关联关系,以此来进行负荷资源的聚合分类判断,进而降低电网的波动性,提高电力系统的运行优化效果。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述各个负荷侧资源的调控特性曲线的高维隐含关联特征信息以及所述各个负荷侧资源的调控特性曲线特征与全局负荷资源的调控特性的隐含关联特征的吻合度关联关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并挖掘所述各个负荷侧资源的调控特性曲线的高维隐含关联特征信息以及所述各个负荷侧资源的调控特性曲线特征与全局负荷资源的调控特性的隐含关联特征的吻合度关系。
具体地,在本申请的技术方案中,首先,获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线。接着,考虑到所述各个负荷侧资源的调控特性曲线为图像数据,因此,在本申请的技术方案中,使用在图像的局部隐含特征提取方面具有优异表现性的作为过滤器的第一卷积神经网络模型来分别进行所述多个负荷侧资源的调控特性曲线的特征挖掘,以提取出所述多个负荷侧资源的调控特性曲线中的各个负荷侧资源的调控特性曲线的高维隐含关联特征分布信息,从而得到多个负荷侧资源调控特性特征向量。特别地,这里,所述作为过滤器的第一卷积神经网络模型为深度残差网络模型。
进一步地,考虑到由于不仅所述各个负荷侧资源的调控特性曲线的各个隐含特征间具有着关联性关系,而且所述各个负荷侧资源的调控特性曲线之间也具有着关联性的特征信息,因此,在实际进行负荷资源的聚合过程中,若想对于所述各个负荷侧资源是否参与负荷资源的聚合进行准确地判断,以此来提高对于所述各个负荷侧资源的调控特性曲线的吻合度评估的精准度,就需要对于所述各个负荷侧资源的调控特性曲线的高维隐含关联特征进行特征提取。具体地,在本申请的技术方案中,进一步将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵以整合所述各个负荷侧资源调控特性曲线的高维隐含特征后,将其再通过作为特征提取器的第二卷积神经网络模型中进行特征挖掘,以提取出所述各个负荷侧资源的调控特性曲线隐含特征的全局关联性特征分布信息,从而得到全局负荷侧资源调控特性关联特征矩阵。特别地,这里,所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
然后,以所述各个负荷侧资源调控特性特征向量作为查询特征向量,分别计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积,以此来分别表示所述各个负荷侧资源调控特性曲线特征相对于所述多个负荷侧资源调控特性特征整体的基于全局的关联性特征分布信息,从而得到多个分类特征向量。这样,能够以该每个负荷侧资源调控特性曲线的隐含特征相对于所述各个负荷侧资源调控特性曲线特征整体的关联性特征分布信息来分别表示高维空间中关于所述各个负荷侧资源调控特性曲线的吻合度情况,并以此来确定是否进行所述各个负荷资源的聚合。也就是,具体地,将所述多个分类特征向量分别通过分类器中进行分类处理,以对于所述各个负荷资源的聚合情况进行分类判断,从而得到用于表示各个负荷侧资源是否参与负荷资源的聚合的多个分类结果。这样,能够提高电力系统中的各个可控资源的调节精准度,进而降低电网的波动性,提高电力系统的运行优化效果。
特别地,在本申请的技术方案中,通过计算所述各个负荷侧资源调控特性特征向量与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量,可以将所述全局负荷侧资源调控特性关联特征矩阵表达的负荷侧资源调控特性特征的样本间高维关联表达映射到负荷侧资源调控特性特的特征空间内。但是,由于所述全局负荷侧资源调控特性关联特征矩阵本身表达的是负荷侧资源的调节特性在样本和曲线内部的交叉维度上的高阶关联,将其映射到负荷侧资源的调节特性的曲线内部特征空间后,可能导致所述分类特征向量的特征分布的结构模糊,从而降低所述分类特征向量的表达确定性,影响所述分类特征向量通过所述分类器得到的所述分类结果的准确性。
基于此,本申请的申请人对每个所述分类特征向量进行向量的有序希尔伯特完备化,表示为:
V和V'分别是校正前和校正后的所述分类特征向量,表示所述分类特征向量的二范数的平方,即所述分类特征向量自身的内积,Vorder是所述分类特征向量的各特征值按大小次序排列的有序向量,且所述分类特征向量V是列向量形式。
这里,通过将有序向量映射到由向量的自内积定义的希尔伯特空间内,可以实现特征集合的数值关系在一致性空间内的有意义的度量,以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间,并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化,可以避免由于模糊化结构降低所述分类特征向量的表达确定性,从而增大所述分类特征向量通过所述分类器得到的所述分类结果的准确性。这样,能够提高电力系统中的各个可控资源的调节精准度,进而降低电网的波动性,提高电力系统的运行优化效果。
基于此,本申请提供了一种虚拟电厂分布式资源自组织聚合与协同控制方法,其包括:获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线;将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量;将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵;以所述各个负荷侧资源调控特性特征向量作为查询特征向量,计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量;分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量;以及,将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合。
图1为根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制方法的应用场景图。如图1所示,在该应用场景中,获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线(例如,如图1中所示意的D),然后,将所述多个负荷侧资源的调控特性曲线输入至部署有虚拟电厂分布式资源自组织聚合与协同控制算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于所述虚拟电厂分布式资源自组织聚合与协同控制算法生成多个用于表示各个负荷侧资源是否参与负荷资源的聚合的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制方法的流程图。如图2所示,根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制方法,包括步骤:S110,获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线;S120,将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量;S130,将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵;S140,以所述各个负荷侧资源调控特性特征向量作为查询特征向量,计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量;S150,分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量;以及,S160,将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合。
图3为根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制方法的架构示意图。如图3所示,在该网络架构中,首先,获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线;接着,将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量;然后,将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵;接着,以所述各个负荷侧资源调控特性特征向量作为查询特征向量,计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量;然后,分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量;最后,将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合。
更具体地,在步骤S110中,获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线。负荷侧资源参与构建虚拟发电厂时,最直观的特性参数是资源的可调潜力及其可控时间,可调潜力与控制时间存在对应关系。因此,将负荷侧资源的可调潜力与可控时间的关系曲线称为负荷侧资源的调控特性曲线,以对于参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线来进行分析以得到聚合结果。
更具体地,在步骤S120中,将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量。考虑到所述各个负荷侧资源的调控特性曲线为图像数据,因此,在本申请的技术方案中,使用在图像的局部隐含特征提取方面具有优异表现性的作为过滤器的第一卷积神经网络模型来分别进行所述多个负荷侧资源的调控特性曲线的特征挖掘,以提取出所述多个负荷侧资源的调控特性曲线中的各个负荷侧资源的调控特性曲线的高维隐含关联特征分布信息,从而得到多个负荷侧资源调控特性特征向量。特别地,这里,所述作为过滤器的第一卷积神经网络模型为深度残差网络模型。
相应地,在一个具体示例中,所述将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量,包括:使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个负荷侧资源调控特性特征向量,其中,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个负荷侧资源的调控特性曲线。
更具体地,在步骤S130中,将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵。考虑到由于不仅所述各个负荷侧资源的调控特性曲线的各个隐含特征间具有着关联性关系,而且所述各个负荷侧资源的调控特性曲线之间也具有着关联性的特征信息,因此,在实际进行负荷资源的聚合过程中,若想对于所述各个负荷侧资源是否参与负荷资源的聚合进行准确地判断,以此来提高对于所述各个负荷侧资源的调控特性曲线的吻合度评估的精准度,就需要对于所述各个负荷侧资源的调控特性曲线的高维隐含关联特征进行特征提取。具体地,在本申请的技术方案中,进一步将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵以整合所述各个负荷侧资源调控特性曲线的高维隐含特征后,将其再通过作为特征提取器的第二卷积神经网络模型中进行特征挖掘,以提取出所述各个负荷侧资源的调控特性曲线隐含特征的全局关联性特征分布信息,从而得到全局负荷侧资源调控特性关联特征矩阵。特别地,这里,所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
相应地,在一个具体示例中,所述将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵,包括:使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述全局负荷侧资源调控特性关联特征矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述全局负荷侧资源调控特性关联矩阵。
相应地,在一个具体示例中,所述作为过滤器的第一卷积神经网络模型和/或所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
更具体地,在步骤S140中,以所述各个负荷侧资源调控特性特征向量作为查询特征向量,计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量。这样,能够以该每个负荷侧资源调控特性曲线的隐含特征相对于所述各个负荷侧资源调控特性曲线特征整体的关联性特征分布信息来分别表示高维空间中关于所述各个负荷侧资源调控特性曲线的吻合度情况,并以此来确定是否进行所述各个负荷资源的聚合。也就是,具体地,将所述多个分类特征向量分别通过分类器中进行分类处理,以对于所述各个负荷资源的聚合情况进行分类判断,从而得到用于表示各个负荷侧资源是否参与负荷资源的聚合的多个分类结果。
更具体地,在步骤S150中,分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量。
特别地,在本申请的技术方案中,通过计算所述各个负荷侧资源调控特性特征向量与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量,可以将所述全局负荷侧资源调控特性关联特征矩阵表达的负荷侧资源调控特性特征的样本间高维关联表达映射到负荷侧资源调控特性特的特征空间内。但是,由于所述全局负荷侧资源调控特性关联特征矩阵本身表达的是负荷侧资源的调节特性在样本和曲线内部的交叉维度上的高阶关联,将其映射到负荷侧资源的调节特性的曲线内部特征空间后,可能导致所述分类特征向量的特征分布的结构模糊,从而降低所述分类特征向量的表达确定性,影响所述分类特征向量通过所述分类器得到的所述分类结果的准确性。基于此,本申请的申请人对每个所述分类特征向量进行向量的有序希尔伯特完备化。
相应地,在一个具体示例中,所述分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量,包括:以如下公式分别对所述多个分类特征向量进行特征分布优化以得到所述多个优化后分类特征向量;其中,所述公式为:
其中,V表示所述多个分类特征向量中的各个分类特征向量,V'表示所述多个优化后分类特征向量中的各个优化后分类特征向量,表示所述各个分类特征向量的二范数的平方,Vorder是所述各个分类特征向量的各特征值按大小次序排列的有序向量,且所述各个分类特征向量是列向量形式,表示向量相乘,⊙表示按位置点乘。
这里,通过将有序向量映射到由向量的自内积定义的希尔伯特空间内,可以实现特征集合的数值关系在一致性空间内的有意义的度量,以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间,并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化,可以避免由于模糊化结构降低所述分类特征向量的表达确定性,从而增大所述分类特征向量通过所述分类器得到的所述分类结果的准确性。这样,能够提高电力系统中的各个可控资源的调节精准度,进而降低电网的波动性,提高电力系统的运行优化效果。
更具体地,在步骤S160中,将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合。将所述多个分类特征向量分别通过分类器中进行分类处理,以对于所述各个负荷资源的聚合情况进行分类判断,从而得到用于表示各个负荷侧资源是否参与负荷资源的聚合的多个分类结果。这样,能够提高电力系统中的各个可控资源的调节精准度,进而降低电网的波动性,提高电力系统的运行优化效果。
相应地,在一个具体示例中,所述将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合,包括:使用所述分类器的全连接层对所述多个优化后分类特征向量分别进行全连接编码以得到多个编码分类特征向量;以及,将所述多个编码分类特征向量分别输入所述分类器的Softmax分类函数以得到所述多个分类结果。
综上,基于本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制方法,其首先将获取的多个负荷侧资源的调控特性曲线分别通过第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量,接着,将所述多个负荷侧资源调控特性特征向量进行二维排列后通过第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵,然后,计算所述各个负荷侧资源调控特性特征向量与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量,最后,分别对所述多个分类特征向量进行特征分布优化后分别通过分类器以得到多个分别用于表示各个负荷侧资源是否参与负荷资源的聚合的分类结果。这样,可以降低电网的波动性。
示例性系统
图4为根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制系统100的框图。如图4所示,根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制系统100,包括:数据获取模块110,用于获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线;第一卷积编码模块120,用于将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量;第二卷积编码模块130,用于将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵;分类特征向量计算模块140,用于以所述各个负荷侧资源调控特性特征向量作为查询特征向量,计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量;特征分布优化模块150,用于分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量;以及,分类结果生成模块160,用于将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合。
在一个示例中,在上述虚拟电厂分布式资源自组织聚合与协同控制系统100中,所述第一卷积编码模块120,进一步用于:使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个负荷侧资源调控特性特征向量,其中,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个负荷侧资源的调控特性曲线。
在一个示例中,在上述虚拟电厂分布式资源自组织聚合与协同控制系统100中,所述第二卷积编码模块130,进一步用于:使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述全局负荷侧资源调控特性关联特征矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述全局负荷侧资源调控特性关联矩阵。
在一个示例中,在上述虚拟电厂分布式资源自组织聚合与协同控制系统100中,所述作为过滤器的第一卷积神经网络模型和/或所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
在一个示例中,在上述虚拟电厂分布式资源自组织聚合与协同控制系统100中,所述特征分布优化模块150,进一步用于:以如下公式分别对所述多个分类特征向量进行特征分布优化以得到所述多个优化后分类特征向量;其中,所述公式为:
其中,V表示所述多个分类特征向量中的各个分类特征向量,V'表示所述多个优化后分类特征向量中的各个优化后分类特征向量,表示所述各个分类特征向量的二范数的平方,Vorder是所述各个分类特征向量的各特征值按大小次序排列的有序向量,且所述各个分类特征向量是列向量形式,表示向量相乘,⊙表示按位置点乘。
在一个示例中,在上述虚拟电厂分布式资源自组织聚合与协同控制系统100中,所述分类结果生成模块160,进一步用于:使用所述分类器的全连接层对所述多个优化后分类特征向量分别进行全连接编码以得到多个编码分类特征向量;以及,将所述多个编码分类特征向量分别输入所述分类器的Softmax分类函数以得到所述多个分类结果。
这里,本领域技术人员可以理解,上述虚拟电厂分布式资源自组织聚合与协同控制系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的虚拟电厂分布式资源自组织聚合与协同控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制系统100可以实现在各种无线终端中,例如虚拟电厂分布式资源自组织聚合与协同控制算法的服务器等。在一个示例中,根据本申请实施例的虚拟电厂分布式资源自组织聚合与协同控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该虚拟电厂分布式资源自组织聚合与协同控制系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该虚拟电厂分布式资源自组织聚合与协同控制系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该虚拟电厂分布式资源自组织聚合与协同控制系统100与该无线终端也可以是分立的设备,并且该虚拟电厂分布式资源自组织聚合与协同控制系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种虚拟电厂分布式资源自组织聚合与协同控制方法,其特征在于,包括:
获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线;
将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量;
将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵;
以所述各个负荷侧资源调控特性特征向量作为查询特征向量,计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量;
分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量;以及
将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合。
2.根据权利要求1所述的虚拟电厂分布式资源自组织聚合与协同控制方法,其特征在于,所述将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量,包括:
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个负荷侧资源调控特性特征向量,其中,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个负荷侧资源的调控特性曲线。
3.根据权利要求2所述的虚拟电厂分布式资源自组织聚合与协同控制方法,其特征在于,所述将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵,包括:
使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述全局负荷侧资源调控特性关联特征矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述全局负荷侧资源调控特性关联矩阵。
4.根据权利要求3所述的虚拟电厂分布式资源自组织聚合与协同控制方法,其特征在于,所述作为过滤器的第一卷积神经网络模型和/或所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
6.根据权利要求5所述的虚拟电厂分布式资源自组织聚合与协同控制方法,其特征在于,所述将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合,包括:
使用所述分类器的全连接层对所述多个优化后分类特征向量分别进行全连接编码以得到多个编码分类特征向量;以及,
将所述多个编码分类特征向量分别输入所述分类器的Softmax分类函数以得到所述多个分类结果。
7.一种虚拟电厂分布式资源自组织聚合与协同控制系统,其特征在于,包括:
数据获取模块,用于获取参与构建虚拟发电厂的多个负荷侧资源的调控特性曲线;
第一卷积编码模块,用于将所述多个负荷侧资源的调控特性曲线分别通过作为过滤器的第一卷积神经网络模型以得到多个负荷侧资源调控特性特征向量;
第二卷积编码模块,用于将所述多个负荷侧资源调控特性特征向量进行二维排列为全局负荷侧资源调控特性关联矩阵后通过作为特征提取器的第二卷积神经网络模型以得到全局负荷侧资源调控特性关联特征矩阵;
分类特征向量计算模块,用于以所述各个负荷侧资源调控特性特征向量作为查询特征向量,计算其与所述全局负荷侧资源调控特性关联特征矩阵之间的矩阵乘积以得到多个分类特征向量;
特征分布优化模块,用于分别对所述多个分类特征向量进行特征分布优化以得到多个优化后分类特征向量;以及
分类结果生成模块,用于将所述多个优化后分类特征向量分别通过分类器以得到多个分类结果,各个所述分类结果用于表示各个负荷侧资源是否参与负荷资源的聚合。
8.根据权利要求7所述的虚拟电厂分布式资源自组织聚合与协同控制系统,其特征在于,所述第一卷积编码模块,进一步用于:
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个负荷侧资源调控特性特征向量,其中,所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述多个负荷侧资源的调控特性曲线。
9.根据权利要求8所述的虚拟电厂分布式资源自组织聚合与协同控制系统,其特征在于,所述第二卷积编码模块,进一步用于:
使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述全局负荷侧资源调控特性关联特征矩阵,其中,所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述全局负荷侧资源调控特性关联矩阵。
10.根据权利要求9所述的虚拟电厂分布式资源自组织聚合与协同控制系统,其特征在于,所述作为过滤器的第一卷积神经网络模型和/或所述作为特征提取器的第二卷积神经网络模型为深度残差网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051286.5A CN116054174A (zh) | 2023-02-02 | 2023-02-02 | 虚拟电厂分布式资源自组织聚合与协同控制方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051286.5A CN116054174A (zh) | 2023-02-02 | 2023-02-02 | 虚拟电厂分布式资源自组织聚合与协同控制方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116054174A true CN116054174A (zh) | 2023-05-02 |
Family
ID=86123453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310051286.5A Pending CN116054174A (zh) | 2023-02-02 | 2023-02-02 | 虚拟电厂分布式资源自组织聚合与协同控制方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116054174A (zh) |
-
2023
- 2023-02-02 CN CN202310051286.5A patent/CN116054174A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681130A (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
CN112130538B (zh) | 磨煤机的控制优化及模型训练的方法、装置、设备和介质 | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN113177366B (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
CN114943342A (zh) | 一种联邦学习系统的优化方法 | |
CN117006654A (zh) | 基于边缘计算的空调负荷控制系统及其方法 | |
CN104077489A (zh) | 一种能耗设备能效分析方法及其分析系统 | |
CN114793086B (zh) | 双面双玻光伏板调节支架及调节方法 | |
CN116054174A (zh) | 虚拟电厂分布式资源自组织聚合与协同控制方法及其系统 | |
CN116362503B (zh) | 基于人工智能的电力调节方法及系统 | |
Sun et al. | Fuzzy clustering algorithm-based classification of daily electrical load patterns | |
Yu et al. | Multi-attribute missing data reconstruction based on adaptive weighted nuclear norm minimization in IoT | |
Sheng et al. | Application of new digital signal processing technology based on distributed cloud computing in electronic information engineering | |
CN109210268A (zh) | 一种基于超低功率电磁阀的大数据处理方法 | |
CN111552911B (zh) | 一种基于多场景生成的技术线损影响因素定量分析方法 | |
Lan et al. | Efficient converted spiking neural network for 3d and 2d classification | |
CN112737422B (zh) | 一种基于云计算的电机设备调速控制方法 | |
Li et al. | Comparison and application potential analysis of autoencoder-based electricity pattern mining algorithms for large-scale demand response | |
CN113189871A (zh) | 一种面向火电机组灵活性运行的协调控制策略 | |
Lu-ping et al. | Particle swarm optimization model of distributed network planning | |
Zhu et al. | Typical scene acquisition strategy for VPP based on multi-scale spectral clustering algorithm | |
CN116561696B (zh) | 基于多维度的用户可调节负荷快速聚合方法及其系统 | |
CN111860574A (zh) | 电网用户分组方法、装置、存储介质及电子设备 | |
Zhang et al. | Spectral normalization generative adversarial networks for photovoltaic power scenario generation |
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 |