CN116109009B - 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
CN116109009B
CN116109009B CN202310368418.7A CN202310368418A CN116109009B CN 116109009 B CN116109009 B CN 116109009B CN 202310368418 A CN202310368418 A CN 202310368418A CN 116109009 B CN116109009 B CN 116109009B
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.)
Active
Application number
CN202310368418.7A
Other languages
English (en)
Other versions
CN116109009A (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

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

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，并判断是否满足斜率条件；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，并判断是否满足功率条件；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，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：
min{Yk，i，j|j＝1，2，...，nk}≤Li≤max{Yk，i，j|j＝1，2，...，nk}；
其中，Li(i＝1，...，N)为日前负荷曲线第i个时刻的负荷值，Y(k，j，i)为属于每个负荷特征曲线k(k＝1，...，K)的第j(j＝1，2，...，nk)条负荷曲线第i个时刻的负荷值，min{Yk，i，j|j＝1，2，...，nk}和max{Yk，i，j|j＝1，2，...，nk}分别为对第k个聚类中心的第j条负荷曲线在i时刻的最大最小值。
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
其中，N为第N个采样点，i为第i个时刻；为负荷特征曲线的负荷段的斜率方向，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和日前负荷曲线负荷段的斜率方向/>分别为：
其中，计算日前负荷曲线上第i个时刻的负荷值Li和第i+1个时刻的负荷值Li+1之间的斜率，并用si表示，SL＝{s1，s2，...si，...sN-1}表示每个时间间隔的斜率。
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
其中，N为第N个采样点，i为第i个时刻，为日前负荷曲线和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，各日前负荷曲线和k2的负荷特征曲线的相同时间段的功率差为：
其中，为k＝2时的负荷特征曲线，/>为k＝2时的负荷特征曲线第i时刻的负荷值/>与日前负荷曲线第i时刻的负荷值Li功率差值绝对值，每个时刻的功率差值表示为
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
其中，N为第N个采样点，i为第i个时刻，为k3中每个负荷特征曲线每个时间段距离，lL＝{l1，l2，...，li，...，lN-1}为日前负荷曲线L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为：
其中，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L的每个时间段距离lL＝{l1，l2，...，li，...，lN-1}为：
其中，Xi、Yi为日前负荷曲线L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：
取日前负荷曲线相对应时间段的，属于每个负荷特征曲线k(k＝1，...，K)的所有负荷曲线的每个时间点的值Y(k，j，i)(j(j＝1，2，...，nk)，nk每个聚类中心所属曲线条数)。输入数据的每个值Li都要在对应时间的所有负荷特征曲线的min{Yk，i，j|j＝1，2，...，nk)和max{Yk，i，j|j＝1，2，...，nk}之间，如下所示：
min{Yk，i，j|j＝1，2，...，nk}≤Li≤max{Yk，i，j|j＝1，2，...，nk}；
其中，Li(i＝1，...，N)为日前负荷曲线第i个时刻的负荷值。
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，日前负荷曲线上第i个时刻的负荷值Li和第i+1个时刻的负荷值Li+1之间的斜率，并用si表示，SL＝{s1，s2，...si，...sN-1}表示每个时间间隔的斜率对应时间每个时间间隔的负荷特征曲线/>和之间各段的斜率表示为每个负荷段的斜率方向/>和/>可表示为1，-1，0(两点之间斜率是正，则ti＝1；两点之间斜率是负，则ti＝-1；两点之间斜率是0，则ti＝0)。如下所示：
分别对负荷特征曲线每段和日前负荷曲线每段/>对比，如果相等则取1，否则，取0，如下所示：
求和得到/>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：
如果k1中的负荷特征曲线与日前负荷曲线斜率相似性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L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如下所示：
功率差值最小的记为1，否则记为0。如下所示：
对每行求和得到/>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：
如果k2中的负荷特征曲线与日前负荷曲线功率相似性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L和k3中的负荷特征曲线的相同时间段，每段时间的距离lL＝{l1，l2，...，li，...，lN-1}和如下所示：
其中，分别为k3中每个负荷特征曲线在i点的横、纵坐标，Xi、Yi为日前负荷曲线L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lL＝{l1，l2，...，li，...，lN-1}与日前负荷曲线L的每个时间段距离的差值，距离差值最小的记为1，否则记为0。如下所示：
对每行求和得到/>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：
如果k3中的负荷特征曲线与日前负荷曲线步长相似性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：
min{Y(k，j，i)|j＝1，2，...，nk}≤Li≤max{Y(k，j，i)|j＝1，2，...，nk}；
其中，Li(i＝1，...，N)为日前负荷曲线第i个时刻的负荷值，Y(k，j，i)为属于每个负荷特征曲线k(k＝1，...，K)的第j(j＝1，...，nk)条负荷曲线第i个时刻的负荷值，min{Y(k，j，i)|j＝1，2，...，nk}和max{Y(k，j，i)|j＝1，2，...，nk}分别为对第k个聚类中心的第j条负荷曲线在i时刻的最大最小值。
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
其中，N为第N个采样点，i为第i个时刻；为负荷特征曲线的负荷段的斜率方向，/>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和日前负荷曲线负荷段的斜率方向/>分别为：
其中，计算日前负荷曲线上第i个时刻的负荷值Li和第i+1个时刻的负荷值Li+1之间的斜率，并用Si表示，SL＝{s1，s2，...si，...sN-1}表示每个时间间隔的斜率。
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
其中，N为第N个采样点，i为第i个时刻，为日前负荷曲线和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，各日前负荷曲线和k2的负荷特征曲线的相同时间段的功率差为：
其中，为k＝2时的负荷特征曲线第i时刻的负荷值/>与日前负荷曲线第i时刻的负荷值Li功率差值绝对值，每个时刻的功率差值表示为
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
其中，N为第N个采样点，i为第i个时刻，为k3中每个负荷特征曲线每个时间段距离，lL＝{l1，l2，...，li，...，lN-1}为日前负荷曲线L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为：
其中，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L的每个时间段距离lL＝{l1，l2，...，li，...，lN-1}为：
其中，Xi、Yi为日前负荷曲线L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 CN116109009A (zh) 2023-05-12
CN116109009B true 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)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103887826B (zh) * 2014-03-05 2016-04-06 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
CN107657266B (zh) * 2017-08-03 2021-01-08 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
CN111199016B (zh) * 2019-09-29 2023-11-07 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
CN110991786B (zh) * 2019-10-15 2022-06-24 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
CN112508402B (zh) * 2020-12-04 2024-02-27 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
CN114611842B (zh) * 2022-05-10 2022-07-29 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
CN115589000B (zh) * 2022-12-12 2023-04-07 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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN116109009A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN107800140B (zh) 一种考虑负荷特征的大用户供电接入决策方法
CN110994694B (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
CN112258251B (zh) 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN113452033B (zh) 分区自治的含高比例光伏配电网电压控制方法及存储介质
CN113902304A (zh) 一种基于总负荷曲线相似性的可控负荷筛选方法
CN103530531B (zh) 一种基于极大似然估计的风电功率持续特性描述方法
CN106875058B (zh) 一种电力业扩可开放容量智能判断方法
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
CN110909786A (zh) 一种基于特性指标与决策树模型的新装用户负荷辨识方法
CN113393121A (zh) 一种基于负荷电力指纹特征的非侵入式负荷识别方法
CN116304537B (zh) 基于智能量测终端的窃电用户核查方法
CN116418001A (zh) 应对新能源不确定性的水库群多能互补调度方法与系统
CN108335042B (zh) 动态光伏电板清洗指数的计算方法
CN108183496B (zh) 一种光伏储能系统的能量管理方法
CN115993555A (zh) 储能电池组一致性等级的确定方法及装置
CN114285086A (zh) 基于改进蚁群算法的电化学储能电站能量调度方法及系统
CN111583059B (zh) 基于k-means聚类的分布式能源站典型日负荷获取方法
CN110543712B (zh) 一种基于先进数据挖掘的电动汽车有序充电优化方法
CN109149644B (zh) 一种基于大数据分析的光储一体在线策略匹配和协同优化方法
CN109359671A (zh) 一种水电站水库调度规则的分类智能提取方法
CN109934394A (zh) 一种基于灰色和马尔科夫理论的需求侧响应预测方法
CN115730701B (zh) 一种适用于小型用能场所电力调度设备的负荷预测方法及系统
CN115528687B (zh) 一种有限成本约束下的电力系统柔性响应能力优化方法
CN117634931B (zh) 一种考虑充电行为的电动汽车调节能力预测方法及系统

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