CN116523278B - 一种基于智慧能源管理平台的能源互补优化方法及系统 - Google Patents
一种基于智慧能源管理平台的能源互补优化方法及系统 Download PDFInfo
- Publication number
- CN116523278B CN116523278B CN202310814062.5A CN202310814062A CN116523278B CN 116523278 B CN116523278 B CN 116523278B CN 202310814062 A CN202310814062 A CN 202310814062A CN 116523278 B CN116523278 B CN 116523278B
- Authority
- CN
- China
- Prior art keywords
- power supply
- energy
- power
- data
- power generation
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 230000000295 complement effect Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010248 power generation Methods 0.000 claims abstract description 321
- 238000004458 analytical method Methods 0.000 claims abstract description 95
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000007726 management method Methods 0.000 claims abstract description 36
- 238000007621 cluster analysis Methods 0.000 claims abstract description 30
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 92
- 239000003345 natural gas Substances 0.000 claims description 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 abstract description 6
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000013433 optimization analysis Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于智慧能源管理平台的能源互补优化方法及系统。通过用户群体聚类划分,得到多个供电子区域与多个供电需求特征;根据能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率;基于供电需求特征进行下一周期的供电数据预测,将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案;在下一个周期进行二次用户群体聚类分析,并实现动态修正能源计划发电方案。本发明通过用户群体的聚类分析,能够对预设区域进行精细化的能源优化互补分析,并基于周期性预测进行能源优化方案的调整,进而能够大大提高能源互补的适配度,提高能源利用率。
Description
技术领域
本发明涉及能源管理领域,更具体的,涉及一种基于智慧能源管理平台的能源互补优化方法及系统。
背景技术
能源结构优化调整不仅是我国能源发展面临的重要任务,也是保证能源安全、实现碳达峰碳中和的重要组成部分。调整优化能源就是要对各种能源的分配与发电计划进行调控与相互配合,以达到提高能源利用率的目的。但受制于传统能源分析技术,存在区域性能源互补优化程度较低,各发电站弃电率高、缺少精细化能源分析等问题,导致了难以实现能源的可持续发展。因此,现在亟需一种高效的能源互补优化方法。
发明内容
本发明克服了现有技术的缺陷,提出了一种基于智慧能源管理平台的能源互补优化方法及系统。
本发明第一方面提供了一种基于智慧能源管理平台的能源互补优化方法,包括:
获取一个周期内预设区域的用户供电数据;
根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征;
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率;
基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据;
将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案;
在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案。
本方案中,所述根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征,具体为:
将预设区域进行最小供电区域划分,得到多个最小供电区域;
基于用户供电数据获取最小供电区域的区域供电数据;
构建聚类模型,将所有区域供电数据形成供电数据集并导入聚类模型进行用户群体聚类,并得到N个供电集群;
基于N个供电集群,将对应的最小供电区域与区域供电数据进行聚类划分,得到N个供电子区域与N个聚合供电数据;
将N个聚合供电数据进行电力需求特征分析并得到N个供电需求特征。
本方案中,所述获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率,具体为:
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据;
分析能源发电数据在一个周期内的发电功率波动与峰值波动,得到发电波动趋势信息;
基于时间维度,对发电波动趋势信息进行长短时电力峰值分析与数据提取,得到长时峰值数据段与短时峰值数据段;
基于长时峰值数据段与短时峰值数据段进行特征提取得到能源发电峰值特征;
基于能源发电数据与用户供电数据进行能源损耗计算,得到能源弃电率。
本方案中,所述基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据,具体为:
获取所有供电子区域的供电需求特征;
构建基于深度学习的电力预测模型;
获取历史M个周期内的历史用户供电数据;
将所述历史用户供电数据按照预设比例拆分为训练数据集、测试数据集与验证数据集,并将所述训练数据集、测试数据集、验证数据集导入电力预测模型进行训练;
将用户供电数据与所述供电需求特征导入电力预测模型进行电力需求预测,得到所有供电子区域的用户预测供电数据。
本方案中,所述将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案,具体为:
将用户预测供电数据导入能源分析模型;
基于用户预测供电数据进行供电需求长短时峰值分析,得到用户用电峰值特征;
从用户预测供电数据中获取每个供电子区域的预测供电量;
选取一个供电子区域作为选定供电子区域,将选定供电子区域的用户用电峰值特征、预测供电量、能源发电峰值特征、能源弃电率导入能源分析模型,基于市政电力、天然气分布式能源、风力、水力、光伏发电多个维度进行选定供电子区域的能源优化计算,得到子区域能源发电方案;
获取所有供电子区域的子区域能源发电方案;
对所述子区域能源发电方案进行方案合并,得到初始发电方案;
基于初始发电方案,对市政电力、天然气分布式能源、风力、水力、光伏能源的发电压力进行计算分析,得到在下个一周期内能源发电的时间压力分布信息;
基于所述时间压力分布信息,对初始发电方案进行二次互补优化调整,得到能源计划发电方案。
本方案中,所述在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案,具体为:
在下一个周期内获取第二用户供电数据与第二能源发电数据;
基于所述用户供电数据进行二次用户群体聚类分析得到多个二次供电子区域与多个二次供电需求特征;
基于二次供电子区域、多个二次供电需求特征、第二能源发电数据,进行下一周期的供电数据预测与发电方案分析,基于分析结果动态修正能源计划发电方案。
本发明第二方面还提供了一种基于智慧能源管理平台的能源互补优化系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于智慧能源管理平台的能源互补优化程序,所述基于智慧能源管理平台的能源互补优化程序被所述处理器执行时实现如下步骤:
获取一个周期内预设区域的用户供电数据;
根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征;
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率;
基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据;
将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案;
在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案。
本方案中,所述根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征,具体为:
将预设区域进行最小供电区域划分,得到多个最小供电区域;
基于用户供电数据获取最小供电区域的区域供电数据;
构建聚类模型,将所有区域供电数据形成供电数据集并导入聚类模型进行用户群体聚类,并得到N个供电集群;
基于N个供电集群,将对应的最小供电区域与区域供电数据进行聚类划分,得到N个供电子区域与N个聚合供电数据;
将N个聚合供电数据进行电力需求特征分析并得到N个供电需求特征。
本方案中,所述获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率,具体为:
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据;
分析能源发电数据在一个周期内的发电功率波动与峰值波动,得到发电波动趋势信息;
基于时间维度,对发电波动趋势信息进行长短时电力峰值分析与数据提取,得到长时峰值数据段与短时峰值数据段;
基于长时峰值数据段与短时峰值数据段进行特征提取得到能源发电峰值特征;
基于能源发电数据与用户供电数据进行能源损耗计算,得到能源弃电率。
本方案中,所述基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据,具体为:
获取所有供电子区域的供电需求特征;
构建基于深度学习的电力预测模型;
获取历史M个周期内的历史用户供电数据;
将所述历史用户供电数据按照预设比例拆分为训练数据集、测试数据集与验证数据集,并将所述训练数据集、测试数据集、验证数据集导入电力预测模型进行训练;
将用户供电数据与所述供电需求特征导入电力预测模型进行电力需求预测,得到所有供电子区域的用户预测供电数据。
本发明公开了一种基于智慧能源管理平台的能源互补优化方法及系统。通过用户群体聚类划分,得到多个供电子区域与多个供电需求特征;根据能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率;基于供电需求特征进行下一周期的供电数据预测,将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案;在下一个周期进行二次用户群体聚类分析,并实现动态修正能源计划发电方案。本发明通过用户群体的聚类分析,能够对预设区域进行精细化的能源优化互补分析,并基于周期性预测进行能源优化方案的调整,进而能够大大提高能源互补的适配度,提高能源利用率。
附图说明
图1示出了本发明一种基于智慧能源管理平台的能源互补优化方法的流程图;
图2示出了本发明供电需求特征获取流程图;
图3示出了本发明能源发电峰值特征获取流程图;
图4示出了本发明一种基于智慧能源管理平台的能源互补优化系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于智慧能源管理平台的能源互补优化方法的流程图。
如图1所示,本发明第一方面提供了一种基于智慧能源管理平台的能源互补优化方法,包括:
S102,获取一个周期内预设区域的用户供电数据;
S104,根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征;
S106,获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率;
S108,基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据;
S110,将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案;
S112,在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案。
需要说明的是,所述用户供电数据、能源发电数据均通过智慧能源管理平台进行数据获取,并在智慧能源管理平台进行数据分析。所述用户预测供电数据、能源计划发电方案可通过智慧能源管理平台进行可视化展示。
图2示出了本发明供电需求特征获取流程图。
根据本发明实施例,所述根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征,具体为:
S202,将预设区域进行最小供电区域划分,得到多个最小供电区域;
S204,基于用户供电数据获取最小供电区域的区域供电数据;
S206,构建聚类模型,将所有区域供电数据形成供电数据集并导入聚类模型进行用户群体聚类,并得到N个供电集群;
S208,基于N个供电集群,将对应的最小供电区域与区域供电数据进行聚类划分,得到N个供电子区域与N个聚合供电数据;
S210,将N个聚合供电数据进行电力需求特征分析并得到N个供电需求特征。
需要说明的是,所述最小供电区域具体为最小的可供数据分析的供电区域,如一个小区、一座楼所形成的供电区域。在用户供电分析中,由于受地段、交通、季节、人流量等影响,不同预设区域内的各个细分供电区域有较大的供电需求差异,因此,本发明通过划分最小供电区域进行聚类分析,能够对预设区域进行精细化的供电分析,从而对预设区域的用户实现精准的群体划分。每个最小供电区域对应一份区域供电数据,在进行聚类分析时,区域供电数据聚类得到的集群同样对应最小供电区域聚类得到的供电子区域。一个供电子区域包括至少一个最小供电区域,一个供电子区域对应一个聚合供电数据,聚合供电数据具体为对应所有最小供电区域的区域供电数据的整合。
图3示出了本发明能源发电峰值特征获取流程图。
根据本发明实施例,所述获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率,具体为:
S302,获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据;
S304,分析能源发电数据在一个周期内的发电功率波动与峰值波动,得到发电波动趋势信息;
S306,基于时间维度,对发电波动趋势信息进行长短时电力峰值分析与数据提取,得到长时峰值数据段与短时峰值数据段;
S308,基于长时峰值数据段与短时峰值数据段进行特征提取得到能源发电峰值特征;
基于能源发电数据与用户供电数据进行能源损耗计算,得到能源弃电率。
需要说明的是,所述长时峰值数据段与短时峰值数据段即在发电波动趋势信息中,提取出能源发电在长时能够保持峰值与在短时能够保持峰值的数据段,所述长时与短时中具体的时间标准可由用户设定。所述能源发电峰值特征中,包括长时峰值数据特征与短时峰值数据特征。另外,所述能源发电峰值特征包括市政电力发电峰值特征、天然气分布式能源发电峰值特征、水力发电峰值特征、风力发电峰值特征、光伏发电峰值特征。所述能源弃电率包括市政电力、天然气分布式能源、水力、风力、光伏弃电率。
根据本发明实施例,所述基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据,具体为:
获取所有供电子区域的供电需求特征;
构建基于深度学习的电力预测模型;
获取历史M个周期内的历史用户供电数据;
将所述历史用户供电数据按照预设比例拆分为训练数据集、测试数据集与验证数据集,并将所述训练数据集、测试数据集、验证数据集导入电力预测模型进行训练;
将用户供电数据与所述供电需求特征导入电力预测模型进行电力需求预测,得到所有供电子区域的用户预测供电数据。
需要说明的是,所述预设比例由用户设定,且保证训练数据集的数据量大于验证数据集。所述M一般为5~10。所述电力预测模型具体为一种基于深度学习的线性回归预测模型,通过预测模型的训练能够提高对供电子区域的电力预测准确度。另外,一个供电子区域对应一个用户预测供电数据。
根据本发明实施例,所述将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案,具体为:
将用户预测供电数据导入能源分析模型;
基于用户预测供电数据进行供电需求长短时峰值分析,得到用户用电峰值特征;
从用户预测供电数据中获取每个供电子区域的预测供电量;
选取一个供电子区域作为选定供电子区域,将选定供电子区域的用户用电峰值特征、预测供电量、能源发电峰值特征、能源弃电率导入能源分析模型,基于市政电力、天然气分布式能源、风力、水力、光伏发电多个维度进行选定供电子区域的能源优化计算,得到子区域能源发电方案;
获取所有供电子区域的子区域能源发电方案;
对所述子区域能源发电方案进行方案合并,得到初始发电方案;
基于初始发电方案,对市政电力、天然气分布式能源、风力、水力、光伏能源的发电压力进行计算分析,得到在下个一周期内能源发电的时间压力分布信息;
基于所述时间压力分布信息,对初始发电方案进行二次互补优化调整,得到能源计划发电方案。
需要说明的是,所述用户用电峰值特征包括用户用电长时峰值特征与用户用电短时峰值特征。所述用户预测供电数据包括在一个周期内的供电功率、供电峰值、供电量等数据。所述子区域能源发电方案为针对单个供电子区域的发电方案,包括市政电力、天然气分布式能源、风力、水力、光伏等多种能源的发电量、发电时间、发电功率。所述时间压力分布信息,包括市政电力、天然气分布式能源、风力、水力、光伏能源的发电峰值压力时间段信息。所述对初始发电方案进行二次互补优化调整中,具体为对能源的发电压力时间点进行互补优化分析。本发明通过对预设区域内聚类后的多个供电子区域的能源发电优化分析,得到初始发电方案,值得一提的是,通过细分供电子区域,能够对能源的发电分配进行精细化的分析,得到满足供电子区域的初始发电方案,进一步的,在对初始发电方案进行合并时,得到的能源的发电计划可能超出发电阈值,此时,通过本发明对能源的发电压力时间点进行互补优化分析,进一步对初始发电方案进行优化得到能源计划发电方案。通过本发明,能够有效提高能源互补优势,进一步提高能源利用率。
根据本发明实施例,所述在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案,具体为:
在下一个周期内获取第二用户供电数据与第二能源发电数据;
基于所述用户供电数据进行二次用户群体聚类分析得到多个二次供电子区域与多个二次供电需求特征;
基于二次供电子区域、多个二次供电需求特征、第二能源发电数据,进行下一周期的供电数据预测与发电方案分析,基于分析结果动态修正能源计划发电方案。
需要说明的是,所述动态修正能源计划发电方案后用于适应下一个周期中预设区域的发电与供电情况。本发明通过在每个周期内进行循环用户特征聚类分析,从而能够动态修正能源计划发电方案,能够适应预设区域内用户不可控的发电与供电变化,从而能够进一步实现绿色能源的可持续发展与提高能源利用率。
根据本发明实施例,还包括:
在目标地区中,基于市政电力、天然气分布式能源、风力、水力、光伏发电站分布划分为多个供电大区域;
选取一个供电大区域作为当前供电大区域;
获取当前供电大区域中预设时间段内的能源发电数据与供电数据;
根据能源发电数据,基于市政电力、天然气分布式能源、风力、水力、光伏多个维度进行发电数据的特征提取,得到市政电力发电特征、天然气分布式能源发电特征、风力发电特征、水力发电特征、光伏发电特征;
将所述市政电力发电特征、天然气分布式能源发电特征、风力发电特征、水力发电特征、光伏发电特征进行数据整合得到能源发电特征;
基于能源发电数据与供电数据进行计算分析,得到基于市政电力、天然气分布式能源、风力、水力、光伏多个维度的能源弃电率;
计算分析出所有供电大区域的能源发电特征、供电数据、能源弃电率;
将所有供电大区域的能源发电特征、供电数据、能源弃电率导入聚类模型,以能源发电特征、供电数据、能源弃电率作为群体划分特征,将供电大区域进行聚类分析,并得到多个供电区域集群;
基于多个供电区域集群的地理位置,计算出每两个供电区域集群的平均传输距离,得到平均传输距离数据;
获取一个供电区域集群中对应的多个供电大区域,并将所述多个供电大区域的能源弃电率、能源发电特征进行数据整合,得到能源弃电率信息与能源发电特征数据;
根据所有供电区域集群中的能源弃电率信息与能源发电特征数据,结合平均传输距离数据,以弃电率作为第一优化值、互补利用率作为第二优化值、传输距离为第三优化值、进行供电区域集群之间的能源互补计算,得到区域能源计划方案。
需要说明的是,所述预设时间段为用户设定,一个供电区域集群包括多个供电大区域,且在同一个供电区域集群下,所有供电大区域均有能源发电与供电特征相似的特点。所述区域能源计划方案包括多个细分方案的组合,每个细分方案具体包括不同供电区域集群之间的能源互补调控方案。通过本发明,能够对一个较大的地区范围进行区域性的集群聚类分析,并基于聚类后的区域集群进行能源互补优化,从而对目标地区进行精细化的能源优化,且基于集群区域间的能源互补分析,能够大大提高能源互补的适配度,进一步提高能源利用率。
所述目标地区为一个较大范围的地区,其中,划分出来的供电大区域中,每个供电大区域均保证有市政电力、天然气分布式能源、风力、水力、光伏发电站与一定范围的供电区域。
图4示出了本发明一种基于智慧能源管理平台的能源互补优化系统的框图。
本发明第二方面还提供了一种基于智慧能源管理平台的能源互补优化系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于智慧能源管理平台的能源互补优化程序,所述基于智慧能源管理平台的能源互补优化程序被所述处理器执行时实现如下步骤:
获取一个周期内预设区域的用户供电数据;
根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征;
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率;
基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据;
将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案;
在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案。
需要说明的是,所述用户供电数据、能源发电数据均通过智慧能源管理平台进行数据获取,并在智慧能源管理平台进行数据分析。所述用户预测供电数据、能源计划发电方案可通过智慧能源管理平台进行可视化展示。
根据本发明实施例,所述根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征,具体为:
将预设区域进行最小供电区域划分,得到多个最小供电区域;
基于用户供电数据获取最小供电区域的区域供电数据;
构建聚类模型,将所有区域供电数据形成供电数据集并导入聚类模型进行用户群体聚类,并得到N个供电集群;
基于N个供电集群,将对应的最小供电区域与区域供电数据进行聚类划分,得到N个供电子区域与N个聚合供电数据;
将N个聚合供电数据进行电力需求特征分析并得到N个供电需求特征。
需要说明的是,所述最小供电区域具体为最小的可供数据分析的供电区域,如一个小区、一座楼所形成的供电区域。在用户供电分析中,由于受地段、交通、季节、人流量等影响,不同预设区域内的各个细分供电区域有较大的供电需求差异,因此,本发明通过划分最小供电区域进行聚类分析,能够对预设区域进行精细化的供电分析,从而对预设区域的用户实现精准的群体划分。每个最小供电区域对应一份区域供电数据,在进行聚类分析时,区域供电数据聚类得到的集群同样对应最小供电区域聚类得到的供电子区域。
根据本发明实施例,所述获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率,具体为:
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据;
分析能源发电数据在一个周期内的发电功率波动与峰值波动,得到发电波动趋势信息;
基于时间维度,对发电波动趋势信息进行长短时电力峰值分析与数据提取,得到长时峰值数据段与短时峰值数据段;
基于长时峰值数据段与短时峰值数据段进行特征提取得到能源发电峰值特征;
基于能源发电数据与用户供电数据进行能源损耗计算,得到能源弃电率。
需要说明的是,所述长时峰值数据段与短时峰值数据段即在发电波动趋势信息中,提取出能源发电在长时能够保持峰值与在短时能够保持峰值的数据段,所述长时与短时中具体的时间标准可由用户设定。所述能源发电峰值特征中,包括长时峰值数据特征与短时峰值数据特征。另外,所述能源发电峰值特征包括市政电力发电峰值特征、天然气分布式能源发电峰值特征、水力发电峰值特征、风力发电峰值特征、光伏发电峰值特征。所述能源弃电率包括市政电力、天然气分布式能源、水力、风力、光伏弃电率。
根据本发明实施例,所述基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据,具体为:
获取所有供电子区域的供电需求特征;
构建基于深度学习的电力预测模型;
获取历史M个周期内的历史用户供电数据;
将所述历史用户供电数据按照预设比例拆分为训练数据集、测试数据集与验证数据集,并将所述训练数据集、测试数据集、验证数据集导入电力预测模型进行训练;
将用户供电数据与所述供电需求特征导入电力预测模型进行电力需求预测,得到所有供电子区域的用户预测供电数据。
需要说明的是,所述预设比例由用户设定,且保证训练数据集的数据量大于验证数据集。所述M一般为5~10。所述电力预测模型具体为一种基于深度学习的线性回归预测模型,通过预测模型的训练能够提高对供电子区域的电力预测准确度。另外,一个供电子区域对应一个用户预测供电数据。
根据本发明实施例,所述将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案,具体为:
将用户预测供电数据导入能源分析模型;
基于用户预测供电数据进行供电需求长短时峰值分析,得到用户用电峰值特征;
从用户预测供电数据中获取每个供电子区域的预测供电量;
选取一个供电子区域作为选定供电子区域,将选定供电子区域的用户用电峰值特征、预测供电量、能源发电峰值特征、能源弃电率导入能源分析模型,基于市政电力、天然气分布式能源、风力、水力、光伏发电多个维度进行选定供电子区域的能源优化计算,得到子区域能源发电方案;
获取所有供电子区域的子区域能源发电方案;
对所述子区域能源发电方案进行方案合并,得到初始发电方案;
基于初始发电方案,对市政电力、天然气分布式能源、风力、水力、光伏能源的发电压力进行计算分析,得到在下个一周期内能源发电的时间压力分布信息;
基于所述时间压力分布信息,对初始发电方案进行二次互补优化调整,得到能源计划发电方案。
需要说明的是,所述用户用电峰值特征包括用户用电长时峰值特征与用户用电短时峰值特征。所述用户预测供电数据包括在一个周期内的供电功率、供电峰值、供电量等数据。所述子区域能源发电方案为针对单个供电子区域的发电方案,包括市政电力、天然气分布式能源、风力、水力、光伏等多种能源的发电量、发电时间、发电功率。所述时间压力分布信息,包括市政电力、天然气分布式能源、风力、水力、光伏能源的发电峰值压力时间段信息。所述对初始发电方案进行二次互补优化调整中,具体为对能源的发电压力时间点进行互补优化分析。本发明通过对预设区域内聚类后的多个供电子区域的能源发电优化分析,得到初始发电方案,值得一提的是,通过细分供电子区域,能够对能源的发电分配进行精细化的分析,得到满足供电子区域的初始发电方案,进一步的,在对初始发电方案进行合并时,得到的能源的发电计划可能超出发电阈值,此时,通过本发明对能源的发电压力时间点进行互补优化分析,进一步对初始发电方案进行优化得到能源计划发电方案。通过本发明,能够有效提高能源互补优势,进一步提高能源利用率。
根据本发明实施例,所述在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案,具体为:
在下一个周期内获取第二用户供电数据与第二能源发电数据;
基于所述用户供电数据进行二次用户群体聚类分析得到多个二次供电子区域与多个二次供电需求特征;
基于二次供电子区域、多个二次供电需求特征、第二能源发电数据,进行下一周期的供电数据预测与发电方案分析,基于分析结果动态修正能源计划发电方案。
需要说明的是,所述动态修正能源计划发电方案后用于适应下一个周期中预设区域的发电与供电情况。本发明通过在每个周期内进行循环用户特征聚类分析,从而能够动态修正能源计划发电方案,能够适应预设区域内用户不可控的发电与供电变化,从而能够进一步实现绿色能源的可持续发展与提高能源利用率。
根据本发明实施例,还包括:
在目标地区中,基于市政电力、天然气分布式能源、风力、水力、光伏发电站分布划分为多个供电大区域;
选取一个供电大区域作为当前供电大区域;
获取当前供电大区域中预设时间段内的能源发电数据与供电数据;
根据能源发电数据,基于市政电力、天然气分布式能源、风力、水力、光伏多个维度进行发电数据的特征提取,得到市政电力发电特征、天然气分布式能源发电特征、风力发电特征、水力发电特征、光伏发电特征;
将所述市政电力发电特征、天然气分布式能源发电特征、风力发电特征、水力发电特征、光伏发电特征进行数据整合得到能源发电特征;
基于能源发电数据与供电数据进行计算分析,得到基于市政电力、天然气分布式能源、风力、水力、光伏多个维度的能源弃电率;
计算分析出所有供电大区域的能源发电特征、供电数据、能源弃电率;
将所有供电大区域的能源发电特征、供电数据、能源弃电率导入聚类模型,以能源发电特征、供电数据、能源弃电率作为群体划分特征,将供电大区域进行聚类分析,并得到多个供电区域集群;
基于多个供电区域集群的地理位置,计算出每两个供电区域集群的平均传输距离,得到平均传输距离数据;
获取一个供电区域集群中对应的多个供电大区域,并将所述多个供电大区域的能源弃电率、能源发电特征进行数据整合,得到能源弃电率信息与能源发电特征数据;
根据所有供电区域集群中的能源弃电率信息与能源发电特征数据,结合平均传输距离数据,以弃电率作为第一优化值、互补利用率作为第二优化值、传输距离为第三优化值、进行供电区域集群之间的能源互补计算,得到区域能源计划方案。
需要说明的是,所述预设时间段为用户设定,一个供电区域集群包括多个供电大区域,且在同一个供电区域集群下,所有供电大区域均有能源发电与供电特征相似的特点。所述区域能源计划方案包括多个细分方案的组合,每个细分方案具体包括不同供电区域集群之间的能源互补调控方案。通过本发明,能够对一个较大的地区范围进行区域性的集群聚类分析,并基于聚类后的区域集群进行能源互补优化,从而对目标地区进行精细化的能源优化,且基于集群区域间的能源互补分析,能够大大提高能源互补的适配度,进一步提高能源利用率。
所述目标地区为一个较大范围的地区,其中,划分出来的供电大区域中,每个供电大区域均保证有市政电力、天然气分布式能源、风力、水力、光伏发电站与一定范围的供电区域。
本发明公开了一种基于智慧能源管理平台的能源互补优化方法及系统。通过用户群体聚类划分,得到多个供电子区域与多个供电需求特征;根据能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率;基于供电需求特征进行下一周期的供电数据预测,将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案;在下一个周期进行二次用户群体聚类分析,并实现动态修正能源计划发电方案。本发明通过用户群体的聚类分析,能够对预设区域进行精细化的能源优化互补分析,并基于周期性预测进行能源优化方案的调整,进而能够大大提高能源互补的适配度,提高能源利用率。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献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,包括若干指令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)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于智慧能源管理平台的能源互补优化方法,其特征在于,包括:
获取一个周期内预设区域的用户供电数据;
根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征;
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率;
基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据;
将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案;
在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案;
其中,所述根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征,具体为:
将预设区域进行最小供电区域划分,得到多个最小供电区域;
基于用户供电数据获取最小供电区域的区域供电数据;
构建聚类模型,将所有区域供电数据形成供电数据集并导入聚类模型进行用户群体聚类,并得到N个供电集群;
基于N个供电集群,将对应的最小供电区域与区域供电数据进行聚类划分,得到N个供电子区域与N个聚合供电数据;
将N个聚合供电数据进行电力需求特征分析并得到N个供电需求特征;
其中,所述获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率,具体为:
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据;
分析能源发电数据在一个周期内的发电功率波动与峰值波动,得到发电波动趋势信息;
基于时间维度,对发电波动趋势信息进行长短时电力峰值分析与数据提取,得到长时峰值数据段与短时峰值数据段;
基于长时峰值数据段与短时峰值数据段进行特征提取得到能源发电峰值特征;
基于能源发电数据与用户供电数据进行能源损耗计算,得到能源弃电率。
2.根据权利要求1所述的一种基于智慧能源管理平台的能源互补优化方法,其特征在于,所述基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据,具体为:
获取所有供电子区域的供电需求特征;
构建基于深度学习的电力预测模型;
获取历史M个周期内的历史用户供电数据;
将所述历史用户供电数据按照预设比例拆分为训练数据集、测试数据集与验证数据集,并将所述训练数据集、测试数据集、验证数据集导入电力预测模型进行训练;
将用户供电数据与所述供电需求特征导入电力预测模型进行电力需求预测,得到所有供电子区域的用户预测供电数据。
3.根据权利要求2所述的一种基于智慧能源管理平台的能源互补优化方法,其特征在于,所述将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案,具体为:
将用户预测供电数据导入能源分析模型;
基于用户预测供电数据进行供电需求长短时峰值分析,得到用户用电峰值特征;
从用户预测供电数据中获取每个供电子区域的预测供电量;
选取一个供电子区域作为选定供电子区域,将选定供电子区域的用户用电峰值特征、预测供电量、能源发电峰值特征、能源弃电率导入能源分析模型,基于市政电力、天然气分布式能源、风力、水力、光伏发电多个维度进行选定供电子区域的能源优化计算,得到子区域能源发电方案;
获取所有供电子区域的子区域能源发电方案;
对所述子区域能源发电方案进行方案合并,得到初始发电方案;
基于初始发电方案,对市政电力、天然气分布式能源、风力、水力、光伏能源的发电压力进行计算分析,得到在下个一周期内能源发电的时间压力分布信息;
基于所述时间压力分布信息,对初始发电方案进行二次互补优化调整,得到能源计划发电方案。
4.根据权利要求3所述的一种基于智慧能源管理平台的能源互补优化方法,其特征在于,所述在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案,具体为:
在下一个周期内获取第二用户供电数据与第二能源发电数据;
基于所述用户供电数据进行二次用户群体聚类分析得到多个二次供电子区域与多个二次供电需求特征;
基于二次供电子区域、多个二次供电需求特征、第二能源发电数据,进行下一周期的供电数据预测与发电方案分析,基于分析结果动态修正能源计划发电方案。
5.一种基于智慧能源管理平台的能源互补优化系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于智慧能源管理平台的能源互补优化程序,所述基于智慧能源管理平台的能源互补优化程序被所述处理器执行时实现如下步骤:
获取一个周期内预设区域的用户供电数据;
根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征;
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率;
基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据;
将用户预测供电数据、能源发电峰值特征、能源弃电率导入能源分析模型进行能源互补优化计算,得到能源计划发电方案;
在下一个周期内获取第二用户供电数据与第二能源发电数据,基于所述第二用户供电数据与第二能源发电数据进行二次用户群体聚类分析,并基于分析结果动态修正能源计划发电方案;
其中,所述根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征,具体为:
将预设区域进行最小供电区域划分,得到多个最小供电区域;
基于用户供电数据获取最小供电区域的区域供电数据;
构建聚类模型,将所有区域供电数据形成供电数据集并导入聚类模型进行用户群体聚类,并得到N个供电集群;
基于N个供电集群,将对应的最小供电区域与区域供电数据进行聚类划分,得到N个供电子区域与N个聚合供电数据;
将N个聚合供电数据进行电力需求特征分析并得到N个供电需求特征;
其中,所述获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据,根据所述能源发电数据进行特征分析与数据计算,得到能源发电峰值特征与能源弃电率,具体为:
获取一个周期内预设区域中基于市政电力、天然气分布式能源、风力、水力、光伏发电的能源发电数据;
分析能源发电数据在一个周期内的发电功率波动与峰值波动,得到发电波动趋势信息;
基于时间维度,对发电波动趋势信息进行长短时电力峰值分析与数据提取,得到长时峰值数据段与短时峰值数据段;
基于长时峰值数据段与短时峰值数据段进行特征提取得到能源发电峰值特征;
基于能源发电数据与用户供电数据进行能源损耗计算,得到能源弃电率。
6.根据权利要求5所述的一种基于智慧能源管理平台的能源互补优化系统,其特征在于,所述根据所述用户供电数据进行区域电力需求分析与用户群体聚类划分,得到多个供电子区域与多个供电需求特征,具体为:
将预设区域进行最小供电区域划分,得到多个最小供电区域;
基于用户供电数据获取最小供电区域的区域供电数据;
构建聚类模型,将所有区域供电数据形成供电数据集并导入聚类模型进行用户群体聚类,并得到N个供电集群;
基于N个供电集群,将对应的最小供电区域与区域供电数据进行聚类划分,得到N个供电子区域与N个聚合供电数据;
将N个聚合供电数据进行电力需求特征分析并得到N个供电需求特征。
7.根据权利要求5所述的一种基于智慧能源管理平台的能源互补优化系统,其特征在于,所述基于供电需求特征进行下一周期的供电数据预测,得到所有供电子区域的用户预测供电数据,具体为:
获取所有供电子区域的供电需求特征;
构建基于深度学习的电力预测模型;
获取历史M个周期内的历史用户供电数据;
将所述历史用户供电数据按照预设比例拆分为训练数据集、测试数据集与验证数据集,并将所述训练数据集、测试数据集、验证数据集导入电力预测模型进行训练;
将用户供电数据与所述供电需求特征导入电力预测模型进行电力需求预测,得到所有供电子区域的用户预测供电数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814062.5A CN116523278B (zh) | 2023-07-05 | 2023-07-05 | 一种基于智慧能源管理平台的能源互补优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814062.5A CN116523278B (zh) | 2023-07-05 | 2023-07-05 | 一种基于智慧能源管理平台的能源互补优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523278A CN116523278A (zh) | 2023-08-01 |
CN116523278B true CN116523278B (zh) | 2023-10-13 |
Family
ID=87408627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310814062.5A Active CN116523278B (zh) | 2023-07-05 | 2023-07-05 | 一种基于智慧能源管理平台的能源互补优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523278B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
CN108269025A (zh) * | 2018-02-02 | 2018-07-10 | 国网四川省电力公司天府新区供电公司 | 基于“互联网+”的源荷对等式电能交互方法 |
CN108494018A (zh) * | 2018-03-15 | 2018-09-04 | 广东电网有限责任公司电网规划研究中心 | 一种考虑需求侧响应的智慧能源示范区规划方法 |
CN114239962A (zh) * | 2021-12-16 | 2022-03-25 | 江苏海宏电力工程顾问股份有限公司 | 一种基于开源信息的精细化空间负荷预测方法 |
CN114400652A (zh) * | 2021-11-28 | 2022-04-26 | 国网辽宁省电力有限公司鞍山供电公司 | 一种计及核电主动参与调峰的多能源发电优化调度方法 |
CN116050572A (zh) * | 2022-11-22 | 2023-05-02 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 新能源消纳场景下自备电厂参与源网互动的条件判断方法 |
-
2023
- 2023-07-05 CN CN202310814062.5A patent/CN116523278B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
CN108269025A (zh) * | 2018-02-02 | 2018-07-10 | 国网四川省电力公司天府新区供电公司 | 基于“互联网+”的源荷对等式电能交互方法 |
CN108494018A (zh) * | 2018-03-15 | 2018-09-04 | 广东电网有限责任公司电网规划研究中心 | 一种考虑需求侧响应的智慧能源示范区规划方法 |
CN114400652A (zh) * | 2021-11-28 | 2022-04-26 | 国网辽宁省电力有限公司鞍山供电公司 | 一种计及核电主动参与调峰的多能源发电优化调度方法 |
CN114239962A (zh) * | 2021-12-16 | 2022-03-25 | 江苏海宏电力工程顾问股份有限公司 | 一种基于开源信息的精细化空间负荷预测方法 |
CN116050572A (zh) * | 2022-11-22 | 2023-05-02 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 新能源消纳场景下自备电厂参与源网互动的条件判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116523278A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mazzola et al. | Assessing the value of forecast-based dispatch in the operation of off-grid rural microgrids | |
Li et al. | Development of low voltage network templates—Part I: Substation clustering and classification | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN115954910B (zh) | 一种基于能量优化的分布式储能控制方法及系统 | |
CN105488592A (zh) | 一种光伏电站发电量预测的方法 | |
CN115842347A (zh) | 一种基于数字孪生的微网负荷动态平衡方法、系统及介质 | |
CN105140967B (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
CN115965223B (zh) | 一种基于云平台的智慧能源管理方法及系统 | |
CN116993227B (zh) | 一种基于人工智能的供热分析评估方法、系统及存储介质 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN103714400A (zh) | 一种任意输入参数的风能预测系统和方法 | |
CN116523278B (zh) | 一种基于智慧能源管理平台的能源互补优化方法及系统 | |
CN109409604B (zh) | 一种基于遗传算法-支持向量机的冷负荷预测方法 | |
CN106529060A (zh) | 一种负荷序列建模方法及系统 | |
CN116070782B (zh) | 一种基于大数据的能源储备管理方法及系统 | |
CN117913829B (zh) | 基于源网荷储的能源协同输电方法及系统 | |
CN110912162B (zh) | 一种储能装置方案的确定方法及装置 | |
CN116911583B (zh) | 一种电动汽车充电站设备的规划方法、系统及介质 | |
CN111668829B (zh) | 一种基于气象特征因子的配电网低电压用户数预测方法 | |
Piyal et al. | Energy demand forecasting using machine learning perspective bangladesh | |
CN116488158B (zh) | 一种基于迁移学习的风电中长期电量预测的方法及装置 | |
CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 | |
CN117878918A (zh) | 一种基于分布式光伏的用电负荷确定方法、装置及介质 | |
Jiang et al. | Research on multi-type demand response user profile based on improved k-means clustering algorithm | |
CN116995721A (zh) | 一种面向高速公路服务区市政电网紧急离网后的系统能源调度方法 |
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 |