CN116109009A - 基于多特征量提取的光储型园区负荷曲线动态识别方法 - Google Patents

基于多特征量提取的光储型园区负荷曲线动态识别方法 Download PDF

Info

Publication number
CN116109009A
CN116109009A CN202310368418.7A CN202310368418A CN116109009A CN 116109009 A CN116109009 A CN 116109009A CN 202310368418 A CN202310368418 A CN 202310368418A CN 116109009 A CN116109009 A CN 116109009A
Authority
CN
China
Prior art keywords
load
curve
load characteristic
characteristic curve
daily
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
Application number
CN202310368418.7A
Other languages
English (en)
Other versions
CN116109009B (zh
Inventor
陈佳佳
闫贵金
徐丙垠
陈文钢
丛新棚
王敬华
赵艳雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Kehui Power Automation Co ltd
Shandong University of Technology
Original Assignee
Shandong Kehui Power Automation Co ltd
Shandong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Kehui Power Automation Co ltd, Shandong University of Technology filed Critical Shandong Kehui Power Automation Co ltd
Priority to CN202310368418.7A priority Critical patent/CN116109009B/zh
Publication of CN116109009A publication Critical patent/CN116109009A/zh
Application granted granted Critical
Publication of CN116109009B publication Critical patent/CN116109009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于多特征量提取的光储型园区负荷曲线动态识别方法，属于用户侧光储绿色电站运行与控制技术领域。对原始负荷数据进行聚类，获得K条负荷特征曲线；日前负荷与负荷特征曲线所属曲线最值比较，计算相同时间段内k 1中的负荷特征曲线以及日前负荷曲线每两个点之间的斜率，并判断是否满足斜率条件；计算日前负荷和k 2中的负荷特征曲线的相同时间段的功率差值，并判断是否满足功率条件；计算日前负荷和k 3中的负荷特征曲线的相同时间段的每段时间的距离，并判断是否满足距离条件；确定日前负荷曲线所属负荷特征曲线以及对应的储能运行策略。本发明确定该日前负荷的储能运行策略，解决了光储型园区储能运行策略难以确定的问题。

Description

基于多特征量提取的光储型园区负荷曲线动态识别方法
技术领域
基于多特征量提取的光储型园区负荷曲线动态识别方法，属于用户侧光储绿色电站运行与控制技术领域。
背景技术
在努力实现“碳达峰、碳中和”的背景下，新能源发电、储能正在改变电力系统的运行方式。据中研普华公司的研究报告，我国未来十年电力储能产业规模上万亿，用户侧储能产业规模达数千亿。而目前建设的用户侧光储电站因缺少先进、成熟的规划与运行控制技术，无法实现电站收益最大化，储能投资处于微利或亏损状态，制约了用户侧储能的规模化发展。
负荷相较于光伏波动更剧烈，随机性更大，不确定性更明显，用户用电特性难以预测，给储能的运行带来巨大挑战，将直接影响园区光储电站的最优运行。在此背景下，如何快速识别负荷曲线，并给出与之相对应的储能最优运行策略，从而降低光储电站运行成本至关重要。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种确定日前负荷属于哪类负荷特征曲线，解决了日前负荷数据快速识别负荷特征的问题的基于多特征量提取的光储型园区负荷曲线动态识别方法。
本发明解决其技术问题所采用的技术方案是：该基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：包括如下步骤：
S1：采用k-means聚类方法对原始负荷数据进行聚类，获得K条负荷特征曲线；
S2：日前负荷与负荷特征曲线最值比较，如果只有一个负荷特征曲线符合最值要求，则该日前负荷属于该负荷特征曲线；如果有k1个负荷特征曲线满足条件，则对该k1个负荷特征曲线执行步骤S3；
S3：计算相同时间段内k1中的负荷特征曲线以及日前负荷曲线每两个点之间的斜率，如果只有一个负荷特征曲线满足斜率条件，则该日前负荷属于该负荷特征曲线；如果有k2个负荷特征曲线满足斜率条件，则对该k2个负荷特征曲线执行S4；
S4：计算日前负荷和k2中的负荷特征曲线的相同时间段的功率差值，如果只有一个负荷特征曲线满足功率条件，则该日前负荷属于该负荷特征曲线；如果有k3个负荷特征曲线满足功率条件，则对满足条件的k3个负荷特征曲线执行步骤S5；
S5：计算日前负荷和k3中的负荷特征曲线的相同时间段的每段时间的距离，如果只有一个负荷特征曲线满足距离条件，那么该日前负荷属于该负荷特征曲线；如果有k4个负荷特征曲线满足距离条件，则对满足条件的k4个负荷特征曲线增加一个时间间隔的日前负荷数据，并再次执行步骤S1，直至跳出循环；
S6：确定日前负荷曲线所属负荷特征曲线以及对应的储能运行策略。
优选的，所述的最值要求为：
Figure SMS_1
；
其中，
Figure SMS_2
为日前负荷曲线，
Figure SMS_3
为属于每个负荷特征曲线
Figure SMS_4
的所有负荷曲线的每个时间点的值，
Figure SMS_5
和
Figure SMS_6
分别为每个值
Figure SMS_7
都要在对应时间的所有日前负荷曲线的最小值和最大值。
优选的，所述的斜率条件为负荷特征曲线与日前负荷曲线斜率相似性
Figure SMS_8
；
Figure SMS_9
；
Figure SMS_10
；
其中，
Figure SMS_11
为负荷特征曲线的负荷段的斜率方向，
Figure SMS_12
为日前负荷曲线的负荷段的斜率方向。
优选的，所述方法还包括，负荷特征曲线的负荷段的斜率方向
Figure SMS_13
和日前负荷曲线负荷段的斜率方向
Figure SMS_14
分别为：
Figure SMS_15
；
其中，
Figure SMS_16
为日前负荷曲线
Figure SMS_17
和
Figure SMS_18
之间各段的斜率。
优选的，所述的功率条件为负荷特征曲线与日前负荷曲线功率相似性
Figure SMS_19
；
Figure SMS_20
；
Figure SMS_21
；
其中，
Figure SMS_22
为日前负荷曲线
Figure SMS_23
和k2的负荷特征曲线的相同时间段的功率差值。
优选的，所述方法还包括，各日前负荷曲线
Figure SMS_24
和k2的负荷特征曲线的相同时间段的功率差为：
Figure SMS_25
。
优选的，所述的距离条件为负荷特征曲线与日前负荷曲线步长相似性
Figure SMS_26
；
Figure SMS_27
；
Figure SMS_28
；
Figure SMS_29
；
其中，
Figure SMS_30
为k3中每个负荷特征曲线每个时间段距离，
Figure SMS_31
为日前负荷曲线
Figure SMS_32
的每个时间段距离。
优选的，所述方法还包括，k3中每个负荷特征曲线每个时间段距离
Figure SMS_33
为：
Figure SMS_34
；
其中，
Figure SMS_35
、
Figure SMS_36
分别为k3中每个负荷特征曲线在i点的横、纵坐标。
优选的，所述方法还包括，日前负荷曲线
Figure SMS_37
的每个时间段距离
Figure SMS_38
为：
Figure SMS_39
。
其中，
Figure SMS_40
、
Figure SMS_41
为日前负荷曲线
Figure SMS_42
在i点的横、纵坐标。
与现有技术相比，本发明所具有的有益效果是：
本基于多特征量提取的光储型园区负荷曲线动态识别方法，通过取值范围、斜率相似度、功率大小相似度、曲线步长相似度多特征量的提取对光储型园区负荷曲线动态识别，确定日前负荷属于哪类负荷特征曲线，并确定该日前负荷的储能运行策略，解决了光储型园区储能运行策略难以确定的问题。
附图说明
图1为基于多特征量提取的光储型园区负荷曲线动态识别方法的流程图。
具体实施方式
下面结合具体实施例对本发明做进一步说明，然而熟悉本领域的人们应当了解，在这里结合附图给出的详细说明是为了更好的解释，本发明的结构必然超出了有限的这些实施例，而对于一些等同替换方案或常见手段，本文不再做详细叙述，但仍属于本申请的保护范围。
图1是本发明的最佳实施例，下面结合附图1对本发明做进一步说明。
如图1所示：基于多特征量提取的光储型园区负荷曲线动态识别方法，包括如下步骤：
S1：采用k-means聚类方法对原始负荷数据进行聚类，获得K条负荷特征曲线；
S2：日前负荷与负荷特征曲线最值比较，如果只有一个负荷特征曲线符合最值要求，则该日前负荷属于该负荷特征曲线；如果有k1个负荷特征曲线满足条件，则对该k1个负荷特征曲线执行步骤S3；
S3：计算相同时间段内k1中的负荷特征曲线以及日前负荷曲线每两个点之间的斜率，如果只有一个负荷特征曲线满足斜率条件，则该日前负荷属于该负荷特征曲线；如果有k2个负荷特征曲线满足斜率条件，则对该k2个负荷特征曲线执行S4；
S4：计算日前负荷和k2中的负荷特征曲线的相同时间段的功率差值，如果只有一个负荷特征曲线满足功率条件，则该日前负荷属于该负荷特征曲线；如果有k3个负荷特征曲线满足功率条件，则对满足条件的k3个负荷特征曲线执行步骤S5；
S5：计算日前负荷和k3中的负荷特征曲线的相同时间段的每段时间的距离，如果只有一个负荷特征曲线满足距离条件，那么该日前负荷属于该负荷特征曲线；如果有k4个负荷特征曲线满足距离条件，则对满足条件的k4个负荷特征曲线增加一个时间间隔的日前负荷数据，并再次执行步骤S1，直至跳出循环；
S6：确定日前负荷曲线所属负荷特征曲线以及对应的储能运行策略。
作为本实施例一种可能的实现方式，原始负荷数据随机聚类，提取负荷特征曲线的过程为：
采用k-means聚类方法对原始负荷数据进行聚类，获得K条典型负荷特征曲线（即K个聚类中心）。
作为本实施例一种可能的实现方式，日前负荷与负荷特征曲线最值比较的过程为：
取日前负荷曲线
Figure SMS_44
相对应时间段的，属于每个负荷特征曲线
Figure SMS_47
的所有负荷曲线的每个时间点的值
Figure SMS_49
（
Figure SMS_45
，
Figure SMS_46
每个聚类中心所属曲线条数）。输入数据的每个值
Figure SMS_48
都要在对应时间的所有负荷特征曲线的最小值
Figure SMS_50
和最大值
Figure SMS_43
之间，如下所示：
Figure SMS_51
；
找出所有满足上述最值要求的负荷特征曲线，如果只有一个负荷特征曲线满足该最值条件，那么日前负荷属于该负荷特征曲线，如果有k1个负荷特征曲线满足最值要求，则对满足条件的k1个负荷特征曲线进行下一步判断。
作为本实施例一种可能的实现方式，日前负荷与负荷特征曲线斜率相似性比较的过程为：
计算相同时间段（起始时间、结束时间相同）内k1内的负荷特征曲线以及日前负荷曲线每两个点之间的斜率，日前负荷曲线
Figure SMS_53
和
Figure SMS_55
之间各段的斜率表示为
Figure SMS_58
。对应时间每个时间间隔的负荷特征曲线
Figure SMS_54
和
Figure SMS_57
之间各段的斜率表示为
Figure SMS_59
。每个负荷段的斜率方向
Figure SMS_62
和
Figure SMS_52
可表示为1，-1，0（两点之间斜率是正，则
Figure SMS_56
；两点之间斜率是负，则
Figure SMS_60
；两点之间斜率是0，则
Figure SMS_61
）。如下所示：
Figure SMS_63
；
分别对负荷特征曲线每段
Figure SMS_64
和日前负荷曲线每段
Figure SMS_65
对比，如果相等则取1，否则，取0，如下所示：
Figure SMS_66
；
Figure SMS_67
求和得到
Figure SMS_68
，
Figure SMS_69
的值越大说明斜率相似的负荷段越多，斜率相似性越高，负荷曲线走势和聚类中心曲线走势越相似。如下所示：
Figure SMS_70
；
如果k1中的负荷特征曲线与日前负荷曲线斜率相似性
Figure SMS_71
，则保留该负荷特征曲线，否则去掉，组成数组k2。如果只有一个负荷特征曲线满足该斜率条件，那么日前负荷属于该负荷特征曲线，如果有k2个负荷特征曲线满足斜率条件，则对满足条件的k2个负荷特征曲线进行下一步判断。
作为本实施例一种可能的实现方式，日前负荷与负荷特征曲线功率相似性比较的过程为：
计算日前负荷曲线
Figure SMS_72
和k2中的负荷特征曲线的相同时间段的功率差值，每个时间间隔的功率差值
Figure SMS_73
。如下所示：
Figure SMS_74
；
功率差值最小的记为1，否则记为0。如下所示：
Figure SMS_75
；
对
Figure SMS_76
每行求和得到
Figure SMS_77
，
Figure SMS_78
的值越大说明曲线长度相似的负荷段越多，曲线功率相似性越高，日前负荷曲线和聚类中心曲线走势越相似。如下所示：
Figure SMS_79
；
如果k2中的负荷特征曲线与日前负荷曲线功率相似性
Figure SMS_80
，则保留该负荷特征曲线，否则去掉，组成数组k3。如果只有一个负荷特征曲线满足该功率条件，那么日前负荷属于该负荷特征曲线，如果有k3个负荷特征曲线满足该功率条件，则对满足条件的k3个负荷特征曲线进行下一步判断。
作为本实施例一种可能的实现方式，日前负荷与负荷特征曲线步长相似性比较的过程为：
计算日前负荷曲线
Figure SMS_81
和k3中的负荷特征曲线的相同时间段，每段时间的距离
Figure SMS_82
和
Figure SMS_83
。如下所示：
Figure SMS_84
；
Figure SMS_85
；
其中，
Figure SMS_86
、
Figure SMS_87
分别为k3中每个负荷特征曲线在i点的横、纵坐标，
Figure SMS_88
、
Figure SMS_89
为日前负荷曲线
Figure SMS_90
在i点的横、纵坐标。
计算k3中每个负荷特征曲线每个时间段距离
Figure SMS_91
与日前负荷曲线
Figure SMS_92
的每个时间段距离
Figure SMS_93
的差值，距离差值最小的记为1，否则记为0。如下所示：
Figure SMS_94
；
Figure SMS_95
；
对
Figure SMS_96
每行求和得到
Figure SMS_97
，
Figure SMS_98
的值越大说明曲线长度相似的负荷段越多，曲线长度相似性越高，日前负荷曲线和聚类中心曲线走势越相似。如下所示：
Figure SMS_99
；
如果k3中的负荷特征曲线与日前负荷曲线步长相似性
Figure SMS_100
，则保留该负荷特征曲线，否则去掉，组成数组k4。如果只有一个负荷特征曲线满足该距离条件，那么日前负荷属于该负荷特征曲线，如果有k4个负荷特征曲线满足该距离条件，则对满足条件的k4个负荷特征曲线，增加一个时间间隔的日前负荷数据，循环上述步骤，直至跳出循环。
作为本实施例一种可能的实现方式，确定日前负荷曲线所属负荷特征曲线以及对应的储能运行策略的过程为：通过取值范围、斜率相似度、功率大小相似度、曲线步长相似度多特征量的提取对光储型园区负荷曲线动态识别，确定日前负荷属于哪类负荷特征曲线以及对应的储能运行策略。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (9)

1.基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：包括如下步骤：
S1：采用k-means聚类方法对原始负荷数据进行聚类，获得K条负荷特征曲线；
S2：日前负荷与负荷特征曲线最值比较，如果只有一个负荷特征曲线符合最值要求，则该日前负荷属于该负荷特征曲线；如果有k1个负荷特征曲线满足条件，则对该k1个负荷特征曲线执行步骤S3；
S3：计算相同时间段内k1中的负荷特征曲线以及日前负荷曲线每两个点之间的斜率，如果只有一个负荷特征曲线满足斜率条件，则该日前负荷属于该负荷特征曲线；如果有k2个负荷特征曲线满足斜率条件，则对该k2个负荷特征曲线执行S4；
S4：计算日前负荷和k2中的负荷特征曲线的相同时间段的功率差值，如果只有一个负荷特征曲线满足功率条件，则该日前负荷属于该负荷特征曲线；如果有k3个负荷特征曲线满足功率条件，则对满足条件的k3个负荷特征曲线执行步骤S5；
S5：计算日前负荷和k3中的负荷特征曲线的相同时间段的每段时间的距离，如果只有一个负荷特征曲线满足距离条件，那么该日前负荷属于该负荷特征曲线；如果有k4个负荷特征曲线满足距离条件，则对满足条件的k4个负荷特征曲线增加一个时间间隔的日前负荷数据，并再次执行步骤S1，直至跳出循环；
S6：确定日前负荷曲线所属负荷特征曲线以及对应的储能运行策略。
2.根据权利要求1所述的基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：所述的最值要求为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为日前负荷曲线，
Figure QLYQS_3
为属于每个负荷特征曲线
Figure QLYQS_4
的所有负荷曲线的每个时间点的值，
Figure QLYQS_5
和
Figure QLYQS_6
分别为每个值
Figure QLYQS_7
都要在对应时间的所有日前负荷曲线的最小值和最大值。
3.根据权利要求1所述的基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：所述的斜率条件为负荷特征曲线与日前负荷曲线斜率相似性
Figure QLYQS_8
；
Figure QLYQS_9
；
Figure QLYQS_10
；
其中，
Figure QLYQS_11
为负荷特征曲线的负荷段的斜率方向，
Figure QLYQS_12
为日前负荷曲线的负荷段的斜率方向。
4.根据权利要求3所述的基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：所述方法还包括，负荷特征曲线的负荷段的斜率方向
Figure QLYQS_13
和日前负荷曲线负荷段的斜率方向
Figure QLYQS_14
分别为：
Figure QLYQS_15
；
其中，
Figure QLYQS_16
为日前负荷曲线
Figure QLYQS_17
和
Figure QLYQS_18
之间各段的斜率。
5.根据权利要求1所述的基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：所述的功率条件为负荷特征曲线与日前负荷曲线功率相似性
Figure QLYQS_19
；
Figure QLYQS_20
；
Figure QLYQS_21
；
其中，
Figure QLYQS_22
为日前负荷曲线
Figure QLYQS_23
和k2的负荷特征曲线的相同时间段的功率差值。
6.根据权利要求5所述的基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：所述方法还包括，各日前负荷曲线
Figure QLYQS_24
和k2的负荷特征曲线的相同时间段的功率差为：
Figure QLYQS_25
。
7.根据权利要求1所述的基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：所述的距离条件为负荷特征曲线与日前负荷曲线步长相似性
Figure QLYQS_26
；
Figure QLYQS_27
；
Figure QLYQS_28
；
Figure QLYQS_29
；
其中，
Figure QLYQS_30
为k3中每个负荷特征曲线每个时间段距离，
Figure QLYQS_31
为日前负荷曲线
Figure QLYQS_32
的每个时间段距离。
8.根据权利要求7所述的基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：所述方法还包括，k3中每个负荷特征曲线每个时间段距离
Figure QLYQS_33
为：
Figure QLYQS_34
；
其中，
Figure QLYQS_35
、
Figure QLYQS_36
分别为k3中每个负荷特征曲线在i点的横、纵坐标。
9.根据权利要求7所述的基于多特征量提取的光储型园区负荷曲线动态识别方法，其特征在于：所述方法还包括，日前负荷曲线
Figure QLYQS_37
的每个时间段距离
Figure QLYQS_38
为：
Figure QLYQS_39
；
其中，
Figure QLYQS_40
、
Figure QLYQS_41
为日前负荷曲线
Figure QLYQS_42
在i点的横、纵坐标。
CN202310368418.7A 2023-04-10 2023-04-10 基于多特征量提取的光储型园区负荷曲线动态识别方法 Active CN116109009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310368418.7A CN116109009B (zh) 2023-04-10 2023-04-10 基于多特征量提取的光储型园区负荷曲线动态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310368418.7A CN116109009B (zh) 2023-04-10 2023-04-10 基于多特征量提取的光储型园区负荷曲线动态识别方法

Publications (2)

Publication Number Publication Date
CN116109009A true CN116109009A (zh) 2023-05-12
CN116109009B CN116109009B (zh) 2023-07-18

Family

ID=86265828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310368418.7A Active CN116109009B (zh) 2023-04-10 2023-04-10 基于多特征量提取的光储型园区负荷曲线动态识别方法

Country Status (1)

Country Link
CN (1) CN116109009B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118432144A (zh) * 2024-07-04 2024-08-02 山东理工大学 考虑需量功率防守的园区单表多变压器分散储能运行策略

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103887826A (zh) * 2014-03-05 2014-06-25 中国东方电气集团有限公司 多台常规发电机组系统消耗燃料最少的有功功率分配方法
CN107657266A (zh) * 2017-08-03 2018-02-02 华北电力大学（保定） 一种基于改进谱多流形聚类的负荷曲线聚类方法
CN111199016A (zh) * 2019-09-29 2020-05-26 国网湖南省电力有限公司 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN111311431A (zh) * 2020-01-19 2020-06-19 国网福建省电力有限公司经济技术研究院 一种基于分段斜率的负荷曲线形态聚类方法
CN112149052A (zh) * 2020-04-30 2020-12-29 国网湖南省电力有限公司 一种基于plr-dtw的日负荷曲线聚类方法
CN112508402A (zh) * 2020-12-04 2021-03-16 国网湖北省电力有限公司电力科学研究院 直流送电曲线场景生成方法、电子设备及介质
WO2021073462A1 (zh) * 2019-10-15 2021-04-22 国网浙江省电力有限公司台州供电公司 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN114611842A (zh) * 2022-05-10 2022-06-10 国网山西省电力公司晋城供电公司 一种整县屋顶分布式光伏功率预测方法
CN115589000A (zh) * 2022-12-12 2023-01-10 广东电网有限责任公司阳江供电局 一种基于典型负荷归类的地区电压调整优化方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103887826A (zh) * 2014-03-05 2014-06-25 中国东方电气集团有限公司 多台常规发电机组系统消耗燃料最少的有功功率分配方法
CN107657266A (zh) * 2017-08-03 2018-02-02 华北电力大学（保定） 一种基于改进谱多流形聚类的负荷曲线聚类方法
CN111199016A (zh) * 2019-09-29 2020-05-26 国网湖南省电力有限公司 一种基于DTW的改进K-means的日负荷曲线聚类方法
WO2021073462A1 (zh) * 2019-10-15 2021-04-22 国网浙江省电力有限公司台州供电公司 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN111311431A (zh) * 2020-01-19 2020-06-19 国网福建省电力有限公司经济技术研究院 一种基于分段斜率的负荷曲线形态聚类方法
CN112149052A (zh) * 2020-04-30 2020-12-29 国网湖南省电力有限公司 一种基于plr-dtw的日负荷曲线聚类方法
CN112508402A (zh) * 2020-12-04 2021-03-16 国网湖北省电力有限公司电力科学研究院 直流送电曲线场景生成方法、电子设备及介质
CN114611842A (zh) * 2022-05-10 2022-06-10 国网山西省电力公司晋城供电公司 一种整县屋顶分布式光伏功率预测方法
CN115589000A (zh) * 2022-12-12 2023-01-10 广东电网有限责任公司阳江供电局 一种基于典型负荷归类的地区电压调整优化方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HUAWEI HONG: "A Decomposition Method of Electricity Quantity Based on Typical Load Curve Simulation", 《2022 IEEE/IAS INDUSTRIAL AND COMMERCIAL POWER SYSTEM ASIA (I&CPS ASIA)》 *
吴郅君;殷新博;陈中;杜健;刘艺;: "基于模糊聚类曲线相似度的负荷用户识别方法", 电力工程技术, no. 03 *
王潇笛等: "采用自适应分段聚合近似的典型负荷曲线形态聚类算法", 《电力系统自动化》, vol. 43, no. 1 *
金伟超等: "基于剪枝策略和密度峰值聚类的行业典型负荷曲线辨识", 《电力系统自动化》, vol. 45, no. 4 *
陈佳佳等: "计及综合需求响应和不确定性风险的电气热耦合型微电网协同优化", 《可再生能源》, vol. 40, no. 6 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118432144A (zh) * 2024-07-04 2024-08-02 山东理工大学 考虑需量功率防守的园区单表多变压器分散储能运行策略

Also Published As

Publication number Publication date
CN116109009B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN116109009B (zh) 基于多特征量提取的光储型园区负荷曲线动态识别方法
CN110675042B (zh) 基于K-Means聚类算法的工业用户储能建设研判方法
CN110994694A (zh) 计及差异化需求响应的微电网源荷储协调优化调度方法
CN107766980A (zh) 基于用户行为习惯的电动汽车分时充电电价优化方法
CN111555347A (zh) 基于风功率预测的风储联合运行控制方法
CN113902304A (zh) 一种基于总负荷曲线相似性的可控负荷筛选方法
CN113098008A (zh) 一种基于改进政治优化算法的光储容量优化配置方法
CN115204592A (zh) 一种电动汽车集群可调节能力评估方法及系统
CN111092451A (zh) 一种基于配电网网格的光伏消纳预警方法
CN110826778B (zh) 一种主动适应新能源发展的负荷特性优化计算方法
CN112670999A (zh) 一种基于用户侧灵活资源的低压配电网实时电压控制方法
CN114611842A (zh) 一种整县屋顶分布式光伏功率预测方法
CN113500940B (zh) 一种基于粒子群算法的电动汽车有序充放电动态优化策略
CN113011104B (zh) 一种面向电网调频控制的集群电动汽车充电负荷聚合建模方法
CN112510270A (zh) 一种储能系统多层级荷电状态均衡统一控制方法及系统
CN109462255B (zh) 一种基于储能系统的配电网光伏发电容量优化方法及系统
CN116522800A (zh) 一种基于场景概率的多目标风-储电站选址定容方法
CN107046312B (zh) 一种基于有序充放电的储能电池优化调度方法
CN103326396B (zh) 一种测定电力系统风电运行出力上限值的方法
CN115130842A (zh) 风光火一体化基地配置方法及装置
CN115587311A (zh) 一种虚拟电厂调节负荷分解与辨识方法
CN115147244A (zh) 一种考虑电动汽车充电负荷-电价响应实现弃风消纳方法
CN114415040A (zh) 一种基于soc实时估计的储能电站能量管理方法及装置
CN108039713A (zh) 一种弃风与大规模电储热和电池储能协调运行方法
CN109066797B (zh) 含光伏发电的电力系统运行控制方法及装置

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