CN116646933B - 一种基于大数据的电力负荷调度方法及系统 - Google Patents
一种基于大数据的电力负荷调度方法及系统 Download PDFInfo
- Publication number
- CN116646933B CN116646933B CN202310907476.2A CN202310907476A CN116646933B CN 116646933 B CN116646933 B CN 116646933B CN 202310907476 A CN202310907476 A CN 202310907476A CN 116646933 B CN116646933 B CN 116646933B
- Authority
- CN
- China
- Prior art keywords
- power load
- data
- scheduling
- power
- energy storage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000005540 biological transmission Effects 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004146 energy storage Methods 0.000 claims description 76
- 238000005457 optimization Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 25
- 230000005611 electricity Effects 0.000 claims description 22
- 238000007599 discharging Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000011217 control strategy Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 18
- 230000002354 daily effect Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 9
- 238000013480 data collection Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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
Abstract
本发明涉及电力系统领域,具体涉及一种基于大数据的电力负荷调度方法及系统。该方法通过收集历史电力负荷数据、天气数据和节假日数据,并利用机器学习和优化算法构建预测模型和调度模型。在调度过程中,通过模型预测控制方法优化发电机组的出力调度,储能设备的充放电策略以及输电网的负载分配。该系统实现了电力负荷的智能预测、优化调度和实时监控,提高了电力系统的运行效率、能源利用率和供电可靠性。该方法及系统可应用于电网调度、能源市场交易、节能管理和新能源集成等领域,为实现可持续、智能和高效的电力系统提供了重要技术支持,实现高效、准确的电力负荷预测和调度,从而优化电力系统的运行效率。
Description
技术领域
本发明涉及电力系统领域,特别是涉及与电力负荷调度和优化相关的研究领域,具体涉及一种基于大数据的电力负荷调度方法及系统。
背景技术
当前电力系统的负荷调度主要依赖于经验判断和人工调整,存在着预测准确性不高、调度效率低下的问题。随着大数据技术的迅猛发展,越来越多的历史电力负荷数据可以被收集和分析,为电力负荷调度提供了更多的参考依据。但传统的电力负荷调度方法通常基于统计模型和人工规划时,仍存在着以下缺陷:
(1)预测准确性有限:传统方法主要依赖于历史数据和经验公式进行负荷预测。然而,这些方法无法充分考虑到各种复杂因素对电力负荷的影响,如气象变化、季节性需求变化、特殊事件等。因此,预测结果往往存在一定的误差,导致负荷调度的不准确性。
(2)缺乏实时性和动态性:传统方法的负荷调度通常是静态的,基于固定时间段的安排,无法及时应对实时负荷波动。此外,传统方法需要人工干预和手动调整,不具备自动化和智能化的特点,导致调度效率低下。
(3)数据处理能力有限:传统方法对于大规模历史电力负荷数据的处理能力较弱。由于数据量庞大且多样性,传统方法难以充分挖掘数据中的潜在信息和关联规律,限制了负荷调度的精确性和效率。
发明内容
为解决传统电力负荷调度方法效率低下、预测准确性差的问题,本发明提供了一种基于大数据的电力负荷调度方法及系统,该方法利用大数据技术,通过收集、分析和处理大规模的历史电力负荷数据,结合先进的算法和模型,实现高效、准确的电力负荷预测和调度,从而优化电力系统的运行效率。
为实现上述目的,本发明实施例提供了如下的技术方案:
第一方面,在本发明提供了一种基于大数据的电力负荷调度方法,包括以下步骤:
步骤1:数据收集与存储
根据不同区域的用电时段,收集各区域的历史电力负荷数据,建立电力负荷数据的数据库;
步骤2:数据预处理与特征提取
对收集到的历史电力负荷数据进行预处理和清洗,从历史电力负荷数据中提取电力负荷的变化规律特征并进行特征分析,其中,电力负荷的变化规律特征包括时间特征、季节特征、节假日特征以及天气特征;
步骤3:负荷预测模型建立
基于历史电力负荷数据和提取的特征,利用机器学习建立电力负荷预测模型,对模型进行训练和调优模型参数,得到训练好的电力负荷预测模型;
步骤4:负荷预测与调度
利用训练好的负荷预测模型对预设时段内的电力负荷进行预测,得到负荷预测结果;根据负荷预测结果和当前电力系统的实际情况,采用优化算法对电力负荷进行调度安排,包括发电机组调度、储能设备调度和输电网调度。
本发明的基于大数据的电力负荷调度方法,通过以上步骤能够利用历史电力负荷数据和提取的特征建立负荷预测模型,并根据预测结果和实际情况进行负荷调度优化,从而实现电力系统的稳定运行和能源资源的有效利用。
作为本发明的进一步方案,所述用电时段包括每天用电高峰期的高峰时段、每天用电低谷期的平谷时段以及高峰时段中用电最高峰期的尖峰时段;所述电力负荷数据包括电力市场价格、能源供应情况和负荷预测结果。
作为本发明的进一步方案,根据不同区域的用电时段,收集各区域的历史电力负荷数据,包括:
基于电子地图对电力系统进行区域划分,并按照用电的高峰时段、平谷时段和尖峰时段收集各区域的历史电力负荷数据;
其中,收集各区域的历史电力负荷数据包括对电力系统监测设备、智能电表、传感器网络的数据实时监测和记录,利用历史负荷调度记录、电力市场交易数据历史电力负荷数据;
采用关系型数据库对电子地图中划分的各区域的历史电力负荷数据进行分布式存储,对每个区域的历史电力负荷数据建立数据表结构并设置查询索引,其中,所述关系型数据库中还建立有数据访问接口和权限控制机制。
本发明根据不同区域的用电时段,收集各区域的历史电力负荷数据,并将其分布式存储于关系型数据库中。这样的数据收集与存储方案能够为后续的负荷预测、调度优化等任务提供准确的数据基础和支持。同时,通过电子地图和关系型数据库的结合应用,可以实现对电力系统的细粒度管理和区域化调度,提高电力负荷调度的效率和精确度。
作为本发明的进一步方案,对收集到的历史电力负荷数据进行预处理和清洗包括缺失值处理、噪声处理和数据格式转换,具体包括以下步骤:
a.缺失值检测:基于NaN(Not a Number)标识,确定历史电力负荷数据集中存在的缺失值,并记录缺失值的位置和数量;
b.线性插值:对于存在缺失值的数据点,在缺失值前后已知的数据点上采用线性插值方法来计算缺失值,通过已知数据点之间的线性关系来估计缺失值;
c.插值后数据评估:绘制插值后的曲线图,对插值后的数据进行评估,并将插值后的数据存储到电力负荷数据的数据库中;
d.噪声处理:通过统计分析方法检测历史电力负荷数据中存在的噪声,根据噪声检测的结果进行噪声过滤和数据平滑处理;
e.数据格式转换:将历史电力负荷数据中的字段转换数值数据类型,并将历史电力负荷数据进行聚合,对历史电力负荷数据进行归一化处理,计算平均值、最大值、最小值。
作为本发明的进一步方案,提取电力负荷的变化规律特征并进行特征分析时,包括:
时间特征提取:根据历史电力负荷数据的时间戳信息,按照时间间隔信息提取时间特征;其中,时间间隔信息包括小时、日期、星期几、月份、季节,用于识别每天、每周、每月或每年的电力负荷变化模式;
季节特征提取:根据历史电力负荷数据的日期信息,提取与季节特征,通过判断每个时间戳所属的季节,将日期信息转换为季度信息获得季节特征用以揭示季节性的电力负荷变化模式;
节假日特征提取:根据历史电力负荷数据的日期信息,提取节假日特征,根据节假日列表将日期信息与节假日进行匹配,提取出节假日特征用于捕捉假期期间电力负荷的变化情况;
天气特征提取:将历史电力负荷数据与天气数据进行关联,提取天气特征,使用气象数据与时间戳的电力负荷数据进行匹配。
作为本发明的进一步方案,负荷预测模型建立时,还包括:
将历史电力负荷数据和提取的特征整理成训练集和测试集,其中,提取的特征整理时包括对提取的时间特征、季节特征、节假日特征以及天气特征进行变换并使用二进制编码进行降维并组合;
根据电力负荷预测任务选择决策树来进行建模,并使用训练集对选定的机器学习模型进行训练,模型学习历史电力负荷数据和特征之间的关系,并调整模型参数以最小化预测误差;
使用测试集对训练好的模型进行评估,计算预测结果与真实值之间的误差指标,根据评估结果,对模型进行调优,得到训练好的电力负荷预测模型。
作为本发明的进一步方案,采用优化算法对电力负荷进行调度安排时,基于模型的预测控制确定发电机组的出力,对发电机组调度;基于模型预测控制优化决定储能设备的充放电策略进行储能设备调度;基于电线路的负载、电压稳定性、电流限制采用潮流计算对输电网调度。
作为本发明的进一步方案,基于模型的预测控制(Model Predictive Control,MPC)用于确定发电机组的出力,以实现电力负荷的调度安排,基于模型的预测控制确定发电机组的出力,对发电机组调度包括以下步骤:
基于历史电力负荷数据、天气数据、节假日数据对电力负荷预测模型进行训练;
根据发电机组调度的需求和约束条件,确定发电机组调度的优化目标,其中,发电机组调度的优化目标包括最小化发电成本以及最大化发电效率;
根据所述电力负荷预测模型和优化目标确定发电机组调度的成本函数,其中,约束条件包括发电机组的最小出力限制、最大出力限制、启停调整的约束以及发电机组的响应时间;
利用线性规划对发电机组调度进行优化并更新控制策略,根据得到的优化结果确定当前时刻的发电机组出力;
实时监测电力负荷的实际变化、监测发电机组的实际出力、及时处理异常情,对发电机组调度监控并调整。
作为本发明的进一步方案,基于模型预测控制(Model Predictive Control,MPC)优化决定储能设备的充放电策略进行储能设备调度,包括以下步骤:
基于历史电力负荷数据、天气数据、节假日数据对电力负荷预测模型进行训练;
根据储能设备调度的需求和约束条件,确定储能设备调度的优化目标,其中,储能设备调度的优化目标包括最小化储能设备的充电成本、最大化储能设备的放电效率以及备用电力;
根据所述电力负荷预测模型和优化目标确定储能设备调度的成本函数,其中,约束条件包括储能设备的容量限制、充放电功率的限制、储能设备的响应时间;
利用非线性规划对储能设备调度进行优化并更新控制策略,根据得到的优化结果确定的储能设备的充放电策略;
实时监测电力负荷的实际变化、监测能源供应变化、储能设备的实际充放电状态,对储能设备调度监控并调整。
作为本发明的进一步方案,基于电线路的负载、电压稳定性、电流限制采用潮流计算对输电网调度,包括以下步骤:
a.确定输入数据:收集输电网的拓扑结构、电力负荷数据、发电机出力数据、变压器参数、线路阻抗参数以及节点电压限制数据;
b.建立潮流计算模型:基于步骤a收集到的数据,建立输电网的潮流计算模型;
c.设定调度目标:根据输电网调度需求和约束条件,确定输电网调度的优化目标,其中,输电网调度的优化目标包括最小化传输损耗以及最大化供电可靠性;
d.求解潮流计算:利用潮流计算方法对所建立的潮流计算模型进行求解,通过迭代计算,得到节点电压、线路功率流的变量数值结果;
e.分析和评估:分析潮流计算的变量数值结果,评估输电网的稳定性、负载情况、电压稳定性以及电流限制,对输电网进行调整和优化。
第二方面,在本发明还提供了一种基于大数据的电力负荷调度系统,包括:
数据获取模块,用于根据不同区域的用电时段,收集各区域的历史电力负荷数据,并将数据存储到电力负荷数据的数据库中;
特征提取模块,用于对收集到的历史电力负荷数据进行预处理和清洗,并从历史电力负荷数据中提取电力负荷的变化规律特征,并进行特征分析;
负荷预测模型建立模块,用于利用机器学习技术基于历史电力负荷数据和提取的特征,建立电力负荷预测模型,其中,训练过程包括对模型进行训练和调优模型参数,以得到训练好的电力负荷预测模型;
负荷预测调度模块,用于利用训练好的负荷预测模型对预设时段内的电力负荷进行预测,得到负荷预测结果,并结合当前电力系统的实际情况,采用优化算法对电力负荷进行调度安排,包括发电机组调度、储能设备调度和输电网调度。
本发明的基于大数据的电力负荷调度系统根据历史电力负荷数据和多种特征,利用机器学习技术建立预测模型,并结合实际情况采用优化算法进行负荷调度,以实现电力系统的高效运行和负荷均衡。
与现有技术相比,本发明的基于大数据的电力负荷调度方法及系统具有以下有益效果:
基于大数据的电力负荷调度方法及系统的有益效果如下:
1.提高电力系统运行效率:通过基于大数据的负荷预测模型,系统能够准确预测未来的电力负荷情况,从而实现对电力系统的有效调度安排。这有助于合理配置发电机组的输出功率、储能设备的充放电控制和输电网的负荷均衡,提高电力系统的运行效率。
2.减少能源浪费和成本:通过精确的负荷预测和调度,系统能够避免过度发电或不足发电的情况,从而减少能源的浪费。同时,系统可以根据负荷预测结果进行合理的发电机组调度和储能设备调度,实现能源的最优利用,降低电力系统运行成本。
3.提升电力供应可靠性:基于大数据的电力负荷调度系统能够实时监测电力系统的运行情况,并根据实际情况进行动态调整和优化。这有助于保持电力系统的平衡,提升电力供应的可靠性,减少因电力负荷不平衡而导致的电力中断或供电不稳定的风险。
4.支持可再生能源集成:大数据分析可以有效地捕捉到可再生能源(如太阳能和风能)的波动性和间歇性特征。通过基于大数据的负荷预测和调度系统,可以更好地预测和管理可再生能源的产生和消纳,实现可再生能源的平滑集成,减少对传统能源的依赖。
5.优化电力市场运营:基于大数据的电力负荷调度系统提供了对电力负荷需求和供应情况的全面分析和预测。这使得电力市场参与者能够更好地制定电力购买和销售策略,提高市场运营效率,降低市场风险。
综上所述,基于大数据的电力负荷调度方法及系统可以提高电力系统运行效率,减少能源浪费和成本,提升电力供应可靠性,支持可再生能源集成,并优化电力市场运营。这将为电力行业带来更高的效益和可持续发展。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。在附图中:
图1为本发明一个实施例的一种基于大数据的电力负荷调度方法的流程图。
图2为本发明实施例的一种基于大数据的电力负荷调度方法中对发电机组调度的流程图。
图3为本发明实施例的一种基于大数据的电力负荷调度方法中对储能设备调度的流程图。
图4为本发明实施例的一种基于大数据的电力负荷调度方法中对输电网调度的流程图。
图5为本发明实施例的一种基于大数据的电力负荷调度系统的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明示例性实施例中的附图,对本发明示例性实施例中的技术方案进行清楚、完整地描述,显然,所描述的示例性实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于当前电力系统的负荷调度存在预测准确性不高、调度效率低下的问题。然而,随着大数据技术的快速发展,可以利用大数据来改进电力负荷调度的方法和系统,以提高预测准确性和调度效率。本发明提供的基于大数据的电力负荷调度方法及系统,利用大数据技术,通过收集、分析和处理大规模的历史电力负荷数据,结合先进的算法和模型,实现高效、准确的电力负荷预测和调度,从而优化电力系统的运行效率。
具体地,下面结合附图,对本申请实施例作进一步阐述。
参见图1所示,本发明的一个实施例提供一种基于大数据的电力负荷调度方法,包括如下步骤:
步骤S1:数据收集与存储
根据不同区域的用电时段,收集各区域的历史电力负荷数据,建立电力负荷数据的数据库。示例性的,在不同区域安装智能电表和传感器设备,定期收集各区域的历史电力负荷数据,将收集到的数据存储在中央数据库中,建立电力负荷数据的历史记录。
步骤S2:数据预处理与特征提取
对收集到的历史电力负荷数据进行预处理和清洗,从历史电力负荷数据中提取电力负荷的变化规律特征并进行特征分析,其中,电力负荷的变化规律特征包括时间特征、季节特征、节假日特征以及天气特征。
在一些实施例中,对收集到的历史电力负荷数据进行预处理和清洗时,包括去除异常值和噪声处理,电力负荷的变化规律特征时,电力负荷的变化规律特征包括:
时间特征:包括小时、日期、星期等,用于捕捉负荷在不同时间段的变化规律;
季节特征:考虑到季节性需求变化对负荷的影响,如夏季空调用电增加等。
节假日特征:考虑到节假日对负荷需求的影响,如法定假日和特殊节日。
天气特征:考虑到天气变化对负荷需求的影响,如温度、湿度等。
步骤S3:负荷预测模型建立
基于历史电力负荷数据和提取的特征,利用机器学习建立电力负荷预测模型,对模型进行训练和调优模型参数,得到训练好的电力负荷预测模型,其中,进行模型训练和调优,使用历史数据进行训练,并通过交叉验证和参数调整来提高模型的预测准确性。
步骤S4:负荷预测与调度
利用训练好的负荷预测模型对预设时段内的电力负荷进行预测,得到负荷预测结果;根据负荷预测结果和当前电力系统的实际情况,采用优化算法对电力负荷进行调度安排,包括:
发电机组调度:根据负荷预测结果和电力系统的供需关系,调整发电机组的输出功率,确保电力供应的平衡和稳定。
储能设备调度:根据负荷预测结果和储能设备的能量储备情况,控制储能设备的充放电策略,以平衡电力负荷和优化能源利用。根据预测的负荷高峰和低谷时段,合理安排储能设备的充电和放电,以减少高负荷时段的电力供应压力和利用低谷时段的电力价格优势。
输电网调度:根据负荷预测结果和输电网的传输能力,优化输电网的电力分配和调整,确保电力的稳定传输和供应。
本发明的基于大数据的电力负荷调度方法,通过以上步骤能够利用历史电力负荷数据和提取的特征建立负荷预测模型,并根据预测结果和实际情况进行负荷调度优化,从而实现电力系统的稳定运行和能源资源的有效利用。
示例性的,假设本发明收集了某地区历史一年的电力负荷数据,并进行了数据预处理和特征提取。通过分析发现,该地区的电力负荷在夏季高峰期间呈现明显的上升趋势,且在周末和节假日有所增加。同时,发现温度和湿度与负荷之间存在一定的相关性。基于这些分析结果,选择使用深度神经网络(DNN)作为负荷预测模型。将历史负荷数据作为输入特征,包括时间特征(小时、日期、星期)、季节特征、节假日特征和天气特征(温度、湿度),以预测未来一周内的负荷情况。
通过训练和调优深度神经网络模型(Deep Neural Network Mode,DNN),得到准确的负荷预测模型。在实际应用中,将利用该模型对未来一周内的负荷进行预测,并结合当前电力系统的实际情况,采用优化算法进行负荷调度安排。例如,根据预测结果本发明发现下周五晚上将出现高负荷峰值,同时周末天气较热,需要额外供应空调的电力需求。在发电机组调度方面,本发明可以增加发电机组的输出功率,以满足高负荷需求;在储能设备调度方面,本发明可以提前充电储能设备,以便在高负荷峰值时段进行放电,缓解电力供应压力;在输电网调度方面,本发明可以合理调整输电网的电力分配,确保电力平衡和稳定传输。
通过该基于大数据的电力负荷调度方法,本发明能够实现对电力系统的智能化调度和优化,提高负荷预测准确性,提高调度效率,实现电力系统的稳定运行和能源资源的有效利用。
在一些实施例中,所述用电时段包括每天用电高峰期的高峰时段、每天用电低谷期的平谷时段以及高峰时段中用电最高峰期的尖峰时段;所述电力负荷数据包括电力市场价格、能源供应情况和负荷预测结果。
在数据收集与存储时,可以根据每天用电高峰期的高峰时段、每天用电低谷期的平谷时段以及高峰时段中用电最高峰期的尖峰时段,收集各区域的历史电力负荷数据,并建立电力负荷数据的数据库。同时,收集电力市场价格、能源供应情况等相关数据,并存储在数据库中。
在调度过程中,根据每天用电高峰期的高峰时段、每天用电低谷期的平谷时段以及高峰时段中用电最高峰期的尖峰时段,合理安排电力资源的调度策略,以满足不同时段的电力需求并优化能源利用。同时,根据电力市场价格和能源供应情况,调整发电机组的运行状态和储能设备的充放电策略,以最优的方式满足电力需求并降低能源成本。
示例性的,假设在预设时段内,需要对电力负荷进行调度安排。根据历史电力负荷数据和提取的特征,建立了一个基于支持向量回归(Support Vector Regression,SVR)的负荷预测模型。利用该模型,对预设时段内的电力负荷进行预测,得到负荷预测结果。
同时,根据电力市场价格和能源供应情况,采用遗传算法对电力负荷进行调度优化。遗传算法通过基因编码和遗传操作,不断演化出更优的负荷调度方案。调度过程中,考虑每天用电高峰期的高峰时段、每天用电低谷期的平谷时段以及高峰时段中用电最高峰期的尖峰时段,合理安排发电机组的运行状态和储能设备的充放电策略。
通过以上方法,可以实现基于大数据的电力负荷调度,以最优的方式满足电力需求,降低能源成本,并提高电力系统的稳定性和可靠性。
在一些实施例中,根据不同区域的用电时段,收集各区域的历史电力负荷数据,包括:
基于电子地图对电力系统进行区域划分,并按照用电的高峰时段、平谷时段和尖峰时段收集各区域的历史电力负荷数据;
其中,收集各区域的历史电力负荷数据包括对电力系统监测设备、智能电表、传感器网络的数据实时监测和记录,利用历史负荷调度记录、电力市场交易数据历史电力负荷数据;
采用关系型数据库对电子地图中划分的各区域的历史电力负荷数据进行分布式存储,对每个区域的历史电力负荷数据建立数据表结构并设置查询索引,其中,所述关系型数据库中还建立有数据访问接口和权限控制机制,确保只有授权人员可以访问和操作历史电力负荷数据。
其中,利用电子地图对电力系统进行区域划分,将电力系统划分为不同的区域,如城市、地区或特定的电力网络区域;根据不同区域的用电时段(高峰时段、平谷时段和尖峰时段),收集各区域的历史电力负荷数据。数据收集可以通过以下方式进行:
·监测设备数据:利用电力系统监测设备、智能电表和传感器网络等设备进行数据实时监测和记录。
·历史负荷调度记录:获取过去的负荷调度记录,包括电力系统的负荷需求和调度安排等信息。
·电力市场交易数据:收集电力市场的交易数据,包括电力市场价格和能源供应情况等。
示例性的,假设电力系统被划分为三个区域:A区、B区和C区。根据电子地图的划分,每个区域都有不同的用电时段(高峰时段、平谷时段和尖峰时段)。
在收集数据阶段,通过电力系统的监测设备、智能电表和传感器网络,实时监测和记录各区域的电力负荷数据。同时,获取历史负荷调度记录,包括过去的负荷需求和调度安排。还收集电力市场的交易数据,包括电力市场价格和能源供应情况。
将收集到的历史电力负荷数据存储在关系型数据库中,为每个区域建立相应的数据表结构,并设置查询索引以提高数据访问效率。同时,确保数据的安全性和隐私性,通过权限控制机制只允许授权人员访问和操作历史电力负荷数据,可以实现对不同区域的历史电力负荷数据的收集、存储以及数据访问和权限控制。
本发明根据不同区域的用电时段,收集各区域的历史电力负荷数据,并将其分布式存储于关系型数据库中。这样的数据收集与存储方案能够为后续的负荷预测、调度优化等任务提供准确的数据基础和支持。同时,通过电子地图和关系型数据库的结合应用,可以实现对电力系统的细粒度管理和区域化调度,提高电力负荷调度的效率和精确度。
在一些实施例中,对收集到的历史电力负荷数据进行预处理和清洗包括缺失值处理、噪声处理和数据格式转换,具体包括以下步骤:
a.缺失值检测:基于NaN(Not a Number)标识,确定历史电力负荷数据集中存在的缺失值,并记录缺失值的位置和数量;
b.线性插值:对于存在缺失值的数据点,在缺失值前后已知的数据点上采用线性插值方法来计算缺失值,通过已知数据点之间的线性关系来估计缺失值;其中,采用线性插值方法来计算缺失值时,包括:首先,确定缺失值的位置,即:确定存在缺失值的数据点以及其前后的已知数据点。然后,计算数据点之间的斜率,即:通过已知数据点之间的线性关系,计算斜率。斜率表示数据点之间的变化率。然后,根据斜率进行插值,即:使用已知数据点之间的斜率,根据缺失值在时间上的位置,插值计算缺失值。可以使用下述公式进行计算:
缺失值 = 已知数据点1的值 + (已知数据点2的值 - 已知数据点1的值) * (缺失值所在位置相对于已知数据点1的位置比例)
其中,已知数据点1和已知数据点2分别是缺失值前后的已知数据点,缺失值所在位置相对于已知数据点1的位置比例可以根据时间或其他适当的标度来计算。
最后,如果存在多个缺失值,可以依次针对每个缺失值进行插值操作,重复上述步骤即可。
c.插值后数据评估:绘制插值后的曲线图,对插值后的数据进行评估,并将插值后的数据存储到电力负荷数据的数据库中,可以帮助检查插值后数据的平滑程度、趋势是否符合实际情况,并确保插值后的数据质量。插值后的数据可以存储到电力负荷数据的数据库中供后续使用。其中,对插值后的数据进行评估时,根据绘制插值后的曲线图,将插值后的数据与原始数据进行对比,通过观察插值后的曲线是否平滑,是否与原始数据趋势相符,来评估插值的效果。如果插值后的曲线能够较好地还原原始数据的趋势和特征,则可以认为插值效果较好。
d.噪声处理:通过统计分析方法检测历史电力负荷数据中存在的噪声,根据噪声检测的结果进行噪声过滤和数据平滑处理,采用滤波技术来平滑数据并去除噪声。这有助于减少异常值或噪声对负荷预测和调度的影响,并提高数据的准确性;
e.数据格式转换:将历史电力负荷数据中的字段转换数值数据类型,并将历史电力负荷数据进行聚合,对历史电力负荷数据进行归一化处理,计算平均值、最大值、最小值。例如,将时间字段转换为日期时间格式,将负荷数值字段转换为浮点数或整数格式。
此外,可以对历史电力负荷数据进行聚合操作,例如计算每天或每小时的平均负荷值、最大负荷值和最小负荷值。还可以对负荷数据进行归一化处理,将负荷数据缩放到特定范围内,以便更好地比较和分析不同区域或时间段的负荷情况。
在一些实施例中,提取电力负荷的变化规律特征并进行特征分析时,包括:
时间特征提取:根据历史电力负荷数据的时间戳信息,按照时间间隔信息提取时间特征;其中,时间间隔信息包括小时、日期、星期几、月份、季节,用于识别每天、每周、每月或每年的电力负荷变化模式;
季节特征提取:根据历史电力负荷数据的日期信息,提取与季节特征,通过判断每个时间戳所属的季节,将日期信息转换为季度信息获得季节特征用以揭示季节性的电力负荷变化模式;
节假日特征提取:根据历史电力负荷数据的日期信息,提取节假日特征,根据节假日列表将日期信息与节假日进行匹配,提取出节假日特征用于捕捉假期期间电力负荷的变化情况;
天气特征提取:将历史电力负荷数据与天气数据进行关联,提取天气特征,使用气象数据与时间戳的电力负荷数据进行匹配。通过将气象数据与时间戳的电力负荷数据进行匹配,可以探索电力负荷与天气条件之间的关系。例如,温度、湿度、风速等天气因素可能对电力负荷产生影响,特征提取可以帮助揭示这种关系。
在本实施例中,负荷预测模型建立时,还包括:
将历史电力负荷数据和提取的特征整理成训练集和测试集,其中,提取的特征整理时包括对提取的时间特征、季节特征、节假日特征以及天气特征进行变换并使用二进制编码进行降维并组合;
根据电力负荷预测任务选择决策树来进行建模,并使用训练集对选定的机器学习模型进行训练,模型学习历史电力负荷数据和特征之间的关系,并调整模型参数以最小化预测误差;
使用测试集对训练好的模型进行评估,计算预测结果与真实值之间的误差指标,根据评估结果,对模型进行调优,得到训练好的电力负荷预测模型。
其中,采用优化算法对电力负荷进行调度安排时,基于模型的预测控制确定发电机组的出力,对发电机组调度;基于模型预测控制优化决定储能设备的充放电策略进行储能设备调度;基于电线路的负载、电压稳定性、电流限制采用潮流计算对输电网调度,根据电线路的负载、电压稳定性和电流限制等因素,采用潮流计算方法进行输电网调度。
通过以上步骤,可以建立训练好的电力负荷预测模型,并利用优化算法对电力负荷进行调度安排,以实现电力系统的稳定运行和能源资源的有效利用。
其中,参见图2所示,基于模型的预测控制(Model Predictive Control,MPC)用于确定发电机组的出力,以实现电力负荷的调度安排,基于模型的预测控制确定发电机组的出力,对发电机组调度包括以下步骤:
S201.基于历史电力负荷数据、天气数据、节假日数据对电力负荷预测模型进行训练;
S202.根据发电机组调度的需求和约束条件,确定发电机组调度的优化目标,其中,发电机组调度的优化目标包括最小化发电成本以及最大化发电效率,另外,其他的约束条件可能包括发电机组的最小出力限制、最大出力限制、启停调整的约束以及发电机组的响应时间;
S203.根据所述电力负荷预测模型和优化目标确定发电机组调度的成本函数,其中,约束条件包括发电机组的最小出力限制、最大出力限制、启停调整的约束以及发电机组的响应时间,成本函数包括考虑发电成本、发电效率和其他约束条件的数学表达式。约束条件确保发电机组运行在安全和可行的范围内;
S204.利用线性规划对发电机组调度进行优化并更新控制策略,根据得到的优化结果确定当前时刻的发电机组出力,优化过程依据当前时刻的电力负荷预测结果、优化目标和约束条件。根据优化结果,更新控制策略,并将发电机组出力设定为最优值;
S205.实时监测电力负荷的实际变化和发电机组的实际出力,与预测结果进行比较,并及时处理异常情况。根据监测结果,对发电机组调度进行监控和调整,确保发电机组按照调度计划运行。
通过以上步骤,基于模型的预测控制可以对发电机组进行调度,以满足电力负荷需求,实现调度的经济性和效率性。
其中,参见图3所示,基于模型预测控制(Model Predictive Control,MPC)优化决定储能设备的充放电策略进行储能设备调度,包括以下步骤:
S301.基于历史电力负荷数据、天气数据、节假日数据对电力负荷预测模型进行训练;
S302.根据储能设备调度的需求和约束条件,确定储能设备调度的优化目标,其中,储能设备调度的优化目标包括最小化储能设备的充电成本、最大化储能设备的放电效率以及备用电力;
S303.根据所述电力负荷预测模型和优化目标确定储能设备调度的成本函数,其中,约束条件包括储能设备的容量限制、充放电功率的限制、储能设备的响应时间;
S304.利用非线性规划对储能设备调度进行优化并更新控制策略,根据得到的优化结果确定的储能设备的充放电策略;
S305.实时监测电力负荷的实际变化、监测能源供应变化、储能设备的实际充放电状态,对储能设备调度监控并调整。
其中,参见图4所示,基于电线路的负载、电压稳定性、电流限制采用潮流计算对输电网调度,包括以下步骤:
S401.确定输入数据:收集输电网的拓扑结构、电力负荷数据、发电机出力数据、变压器参数、线路阻抗参数以及节点电压限制数据;
S402.建立潮流计算模型:基于步骤a收集到的数据,建立输电网的潮流计算模型;
S403.设定调度目标:根据输电网调度需求和约束条件,确定输电网调度的优化目标,其中,输电网调度的优化目标包括最小化传输损耗以及最大化供电可靠性;
S404.求解潮流计算:利用潮流计算方法对所建立的潮流计算模型进行求解,通过迭代计算,得到节点电压、线路功率流的变量数值结果;
S405.分析和评估:分析潮流计算的变量数值结果,评估输电网的稳定性、负载情况、电压稳定性以及电流限制,对输电网进行调整和优化。
综上所述,本发明的基于大数据的电力负荷调度方法,通过综合利用大数据、预测模型和优化方法,该方法能够实现对电力负荷的准确预测和调度,提高电力系统的供电可靠性和能源利用效率。
应该理解的是,上述虽然是按照某一顺序描述的,但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,本实施例的一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
参见图5所示,在本发明的一个实施例还提供了一种基于大数据的电力负荷调度系统,所述基于大数据的电力负荷调度系统采用上述基于大数据的电力负荷调度方法电力负荷的准确预测和调度,所述基于大数据的电力负荷调度系统包括:
数据获取模块301,用于根据不同区域的用电时段,收集各区域的历史电力负荷数据,并将数据存储到电力负荷数据的数据库中;
特征提取模块30,用于对收集到的历史电力负荷数据进行预处理和清洗,并从历史电力负荷数据中提取电力负荷的变化规律特征,并进行特征分析;
负荷预测模型建立模块303,用于利用机器学习技术基于历史电力负荷数据和提取的特征,建立电力负荷预测模型,其中,训练过程包括对模型进行训练和调优模型参数,以得到训练好的电力负荷预测模型;
负荷预测调度模块304,用于利用训练好的负荷预测模型对预设时段内的电力负荷进行预测,得到负荷预测结果,并结合当前电力系统的实际情况,采用优化算法对电力负荷进行调度安排,包括发电机组调度、储能设备调度和输电网调度。
本发明中的基于大数据的电力负荷调度系统可以应用于各种电力系统和能源管理领域,包括但不限于以下应用:
电网调度与运营:该系统可以应用于电网调度中,通过对历史电力负荷数据、天气数据和其他相关数据的分析和预测,实现对电力系统的调度和运营,优化发电机组的出力调度,调整储能设备的充放电策略,并进行输电网的负载管理和优化。
能源市场交易:该系统可以提供对电力负荷的准确预测和调度,帮助能源市场参与者进行电力交易决策,优化电力资源的配置和利用,以实现成本最小化和效益最大化。
节能与负荷平衡:通过对电力负荷的预测和调度,该系统可以帮助实现能源的节约与负荷平衡,提高电力系统的能效和运行稳定性。
新能源集成管理:对于新能源的集成管理,该系统可以结合历史电力负荷数据和天气数据,对新能源发电的波动性进行预测和调度,以实现可再生能源的平滑接入和优化利用。
智能电力用户管理:该系统可以为智能电力用户提供定制化的电力负荷调度服务,根据用户需求和优化目标,实现电力消耗的合理分配和控制,提高能源利用效率。
综上所述,基于大数据的电力负荷调度系统可以广泛应用于电力系统运营、能源市场、节能管理、新能源集成以及智能电力用户管理等领域。
需要特别说明的是,基于大数据的电力负荷调度系统在执行时采用如前述的一种基于大数据的电力负荷调度方法的步骤,因此,本实施例中对基于大数据的电力负荷调度系统的运行过程不再详细介绍。
在本发明的实施例中提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器被配置为用于执行所述存储器中存储的计算机程序。所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现上述方法实施例中的步骤。
在本发明的一个实施例中还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据的电力负荷调度方法,其特征在于,包括以下步骤:
根据不同区域的用电时段,收集各区域的历史电力负荷数据,建立电力负荷数据的数据库;
对收集到的历史电力负荷数据进行预处理和清洗,从历史电力负荷数据中提取电力负荷的变化规律特征并进行特征分析,其中,电力负荷的变化规律特征包括时间特征、季节特征、节假日特征以及天气特征;
基于历史电力负荷数据和提取的特征,利用机器学习建立电力负荷预测模型,对模型进行训练和调优模型参数,得到训练好的电力负荷预测模型;
利用训练好的负荷预测模型对预设时段内的电力负荷进行预测,得到负荷预测结果;
根据负荷预测结果和当前电力系统的实际情况,采用优化算法对电力负荷进行调度安排,包括发电机组调度、储能设备调度和输电网调度;
其中,负荷预测模型建立时,还包括:
将历史电力负荷数据和提取的特征整理成训练集和测试集,其中,提取的特征整理时包括对提取的时间特征、季节特征、节假日特征以及天气特征进行变换并使用二进制编码进行降维并组合;
根据电力负荷预测任务选择决策树来进行建模,并使用训练集对选定的机器学习模型进行训练,模型学习历史电力负荷数据和特征之间的关系,并调整模型参数以最小化预测误差;
使用测试集对训练好的模型进行评估,计算预测结果与真实值之间的误差指标,根据评估结果,对模型进行调优,得到训练好的电力负荷预测模型;
其中,基于模型的预测控制确定发电机组的出力,对发电机组调度包括以下步骤:
基于历史电力负荷数据、天气数据、节假日数据对电力负荷预测模型进行训练;
根据发电机组调度的需求和约束条件,确定发电机组调度的优化目标,其中,发电机组调度的优化目标包括最小化发电成本以及最大化发电效率;
根据所述电力负荷预测模型和优化目标确定发电机组调度的成本函数,其中,约束条件包括发电机组的最小出力限制、最大出力限制、启停调整的约束以及发电机组的响应时间;
利用线性规划对发电机组调度进行优化并更新控制策略,根据得到的优化结果确定当前时刻的发电机组出力;
实时监测电力负荷的实际变化、监测发电机组的实际出力、及时处理异常情,对发电机组调度监控并调整;
其中,基于模型预测控制优化决定储能设备的充放电策略进行储能设备调度,包括以下步骤:
基于历史电力负荷数据、天气数据、节假日数据对电力负荷预测模型进行训练;
根据储能设备调度的需求和约束条件,确定储能设备调度的优化目标,其中,储能设备调度的优化目标包括最小化储能设备的充电成本、最大化储能设备的放电效率以及备用电力;
根据所述电力负荷预测模型和优化目标确定储能设备调度的成本函数,其中,约束条件包括储能设备的容量限制、充放电功率的限制、储能设备的响应时间;
利用非线性规划对储能设备调度进行优化并更新控制策略,根据得到的优化结果确定的储能设备的充放电策略;
实时监测电力负荷的实际变化、监测能源供应变化、储能设备的实际充放电状态,对储能设备调度监控并调整。
2.如权利要求1所述的基于大数据的电力负荷调度方法,其特征在于,所述用电时段包括每天用电高峰期的高峰时段、每天用电低谷期的平谷时段以及高峰时段中用电最高峰期的尖峰时段;所述电力负荷数据包括电力市场价格、能源供应情况和负荷预测结果。
3.如权利要求2所述的基于大数据的电力负荷调度方法,其特征在于,根据不同区域的用电时段,收集各区域的历史电力负荷数据,包括:
基于电子地图对电力系统进行区域划分,并按照用电的高峰时段、平谷时段和尖峰时段收集各区域的历史电力负荷数据;
其中,收集各区域的历史电力负荷数据包括对电力系统监测设备、智能电表、传感器网络的数据实时监测和记录,利用历史负荷调度记录、电力市场交易数据历史电力负荷数据;
采用关系型数据库对电子地图中划分的各区域的历史电力负荷数据进行分布式存储,对每个区域的历史电力负荷数据建立数据表结构并设置查询索引,其中,所述关系型数据库中还建立有数据访问接口和权限控制机制。
4.如权利要求3所述的基于大数据的电力负荷调度方法,其特征在于,对收集到的历史电力负荷数据进行预处理和清洗包括缺失值处理、噪声处理和数据格式转换,包括以下步骤:
缺失值检测:基于NaN标识,确定历史电力负荷数据集中存在的缺失值,并记录缺失值的位置和数量;
线性插值:对于存在缺失值的数据点,在缺失值前后已知的数据点上采用线性插值方法来计算缺失值,通过已知数据点之间的线性关系来估计缺失值;
插值后数据评估:绘制插值后的曲线图,对插值后的数据进行评估,并将插值后的数据存储到电力负荷数据的数据库中;
噪声处理:通过统计分析方法检测历史电力负荷数据中存在的噪声,根据噪声检测的结果进行噪声过滤和数据平滑处理;
数据格式转换:将历史电力负荷数据中的字段转换数值数据类型,并将历史电力负荷数据进行聚合,对历史电力负荷数据进行归一化处理,计算平均值、最大值、最小值。
5.如权利要求4所述的基于大数据的电力负荷调度方法,其特征在于,提取电力负荷的变化规律特征并进行特征分析时,包括:
时间特征提取:根据历史电力负荷数据的时间戳信息,按照时间间隔信息提取时间特征;其中,时间间隔信息包括小时、日期、星期几、月份、季节,用于识别每天、每周、每月或每年的电力负荷变化模式;
季节特征提取:根据历史电力负荷数据的日期信息,提取与季节特征,通过判断每个时间戳所属的季节,将日期信息转换为季度信息获得季节特征用以揭示季节性的电力负荷变化模式;
节假日特征提取:根据历史电力负荷数据的日期信息,提取节假日特征,根据节假日列表将日期信息与节假日进行匹配,提取出节假日特征用于捕捉假期期间电力负荷的变化情况;
天气特征提取:将历史电力负荷数据与天气数据进行关联,提取天气特征,使用气象数据与时间戳的电力负荷数据进行匹配。
6.一种基于大数据的电力负荷调度系统,其特征在于,所述基于大数据的电力负荷调度系统采用权利要求1-5中任意一项所述基于大数据的电力负荷调度方法进行电力负荷调度;所述基于大数据的电力负荷调度系统包括:
数据获取模块,用于根据不同区域的用电时段,收集各区域的历史电力负荷数据,并将数据存储到电力负荷数据的数据库中;
特征提取模块,用于对收集到的历史电力负荷数据进行预处理和清洗,并从历史电力负荷数据中提取电力负荷的变化规律特征,并进行特征分析;
负荷预测模型建立模块,用于利用机器学习技术基于历史电力负荷数据和提取的特征,建立电力负荷预测模型,其中,训练过程包括对模型进行训练和调优模型参数,以得到训练好的电力负荷预测模型;
负荷预测调度模块,用于利用训练好的负荷预测模型对预设时段内的电力负荷进行预测,得到负荷预测结果,并结合当前电力系统的实际情况,采用优化算法对电力负荷进行调度安排,包括发电机组调度、储能设备调度和输电网调度;
其中,负荷预测模型建立时,还包括:
将历史电力负荷数据和提取的特征整理成训练集和测试集,其中,提取的特征整理时包括对提取的时间特征、季节特征、节假日特征以及天气特征进行变换并使用二进制编码进行降维并组合;
根据电力负荷预测任务选择决策树来进行建模,并使用训练集对选定的机器学习模型进行训练,模型学习历史电力负荷数据和特征之间的关系,并调整模型参数以最小化预测误差;
使用测试集对训练好的模型进行评估,计算预测结果与真实值之间的误差指标,根据评估结果,对模型进行调优,得到训练好的电力负荷预测模型;
其中,基于模型的预测控制确定发电机组的出力,对发电机组调度包括以下步骤:
基于历史电力负荷数据、天气数据、节假日数据对电力负荷预测模型进行训练;
根据发电机组调度的需求和约束条件,确定发电机组调度的优化目标,其中,发电机组调度的优化目标包括最小化发电成本以及最大化发电效率;
根据所述电力负荷预测模型和优化目标确定发电机组调度的成本函数,其中,约束条件包括发电机组的最小出力限制、最大出力限制、启停调整的约束以及发电机组的响应时间;
利用线性规划对发电机组调度进行优化并更新控制策略,根据得到的优化结果确定当前时刻的发电机组出力;
实时监测电力负荷的实际变化、监测发电机组的实际出力、及时处理异常情,对发电机组调度监控并调整;
其中,基于模型预测控制优化决定储能设备的充放电策略进行储能设备调度,包括以下步骤:
基于历史电力负荷数据、天气数据、节假日数据对电力负荷预测模型进行训练;
根据储能设备调度的需求和约束条件,确定储能设备调度的优化目标,其中,储能设备调度的优化目标包括最小化储能设备的充电成本、最大化储能设备的放电效率以及备用电力;
根据所述电力负荷预测模型和优化目标确定储能设备调度的成本函数,其中,约束条件包括储能设备的容量限制、充放电功率的限制、储能设备的响应时间;
利用非线性规划对储能设备调度进行优化并更新控制策略,根据得到的优化结果确定的储能设备的充放电策略;
实时监测电力负荷的实际变化、监测能源供应变化、储能设备的实际充放电状态,对储能设备调度监控并调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907476.2A CN116646933B (zh) | 2023-07-24 | 2023-07-24 | 一种基于大数据的电力负荷调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310907476.2A CN116646933B (zh) | 2023-07-24 | 2023-07-24 | 一种基于大数据的电力负荷调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116646933A CN116646933A (zh) | 2023-08-25 |
CN116646933B true CN116646933B (zh) | 2023-10-10 |
Family
ID=87619220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310907476.2A Active CN116646933B (zh) | 2023-07-24 | 2023-07-24 | 一种基于大数据的电力负荷调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116646933B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116914747B (zh) * | 2023-09-06 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 电力用户侧负荷预测方法及系统 |
CN116914781B (zh) * | 2023-09-12 | 2023-12-01 | 中国三峡新能源(集团)股份有限公司辽宁分公司 | 一种新能源快速频率响应系统及方法 |
CN116914751B (zh) * | 2023-09-12 | 2023-12-05 | 济南舜信达电力科技有限公司 | 一种智能配电控制系统 |
CN117273337A (zh) * | 2023-09-19 | 2023-12-22 | 国网黑龙江省电力有限公司营销服务中心 | 一种智能电能表评价方法 |
CN116995674B (zh) * | 2023-09-26 | 2023-12-15 | 深圳稳石氢能科技有限公司 | 一种基于aem实现的智能能源调度方法 |
CN117036104B (zh) * | 2023-10-08 | 2024-01-09 | 北京前景无忧电子科技股份有限公司 | 一种基于电力物联网的智慧用电方法和系统 |
CN117057491B (zh) * | 2023-10-13 | 2024-02-02 | 中宝电气有限公司 | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 |
CN117081088B (zh) * | 2023-10-16 | 2024-04-02 | 国网浙江省电力有限公司宁波供电公司 | 电网负荷调度控制方法、装置、计算机设备及存储介质 |
CN117175595B (zh) * | 2023-10-27 | 2024-03-15 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多级数据的电网调控方法及系统 |
CN117410981A (zh) * | 2023-11-01 | 2024-01-16 | 中嘉能(广东)能源有限公司 | 一种基于大数据的多区域电力能源智能调度方法及系统 |
CN117195598B (zh) * | 2023-11-07 | 2024-02-27 | 国网天津市电力公司电力科学研究院 | 能源供给信息预测方法、装置、设备及介质 |
CN117220318B (zh) * | 2023-11-08 | 2024-04-02 | 国网浙江省电力有限公司宁波供电公司 | 电网数字化驱动控制方法及系统 |
CN117494797A (zh) * | 2023-11-21 | 2024-02-02 | 广东电网有限责任公司佛山供电局 | 一种光伏储能方法和系统 |
CN117394403B (zh) * | 2023-12-07 | 2024-03-29 | 深圳市伟鹏世纪科技有限公司 | 一种基于大数据分析的储能电源充放电智能管控系统 |
CN117424231B (zh) * | 2023-12-14 | 2024-03-15 | 深圳市华星数字有限公司 | 一种节能配电控制系统及方法 |
CN117639113B (zh) * | 2024-01-25 | 2024-04-05 | 湖北世纪森源电力工程有限公司 | 智慧微电网智能电力分配方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701570A (zh) * | 2016-01-11 | 2016-06-22 | 国网浙江省电力公司经济技术研究院 | 一种基于全过程技术提升的短期电力需求分析方法 |
CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
CN108075471A (zh) * | 2017-12-27 | 2018-05-25 | 国电南瑞科技股份有限公司 | 基于随机性电源出力预测的多目标约束优化电网调度策略 |
CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
WO2020125716A1 (zh) * | 2018-12-21 | 2020-06-25 | 中兴通讯股份有限公司 | 一种实现网络优化的方法及相关设备 |
WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合系统及方法 |
CN115528817A (zh) * | 2022-10-28 | 2022-12-27 | 华中科技大学 | 一种用户端智能配用电系统、方法、介质、设备及终端 |
CN115544856A (zh) * | 2021-06-29 | 2022-12-30 | 中国科学院沈阳自动化研究所 | 一种电热综合能源系统日前优化调度方法 |
WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
CN116091118A (zh) * | 2023-02-22 | 2023-05-09 | 广州汇电云联互联网科技有限公司 | 电价预测方法、装置、设备、介质及产品 |
-
2023
- 2023-07-24 CN CN202310907476.2A patent/CN116646933B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701570A (zh) * | 2016-01-11 | 2016-06-22 | 国网浙江省电力公司经济技术研究院 | 一种基于全过程技术提升的短期电力需求分析方法 |
CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
CN108075471A (zh) * | 2017-12-27 | 2018-05-25 | 国电南瑞科技股份有限公司 | 基于随机性电源出力预测的多目标约束优化电网调度策略 |
CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
WO2020125716A1 (zh) * | 2018-12-21 | 2020-06-25 | 中兴通讯股份有限公司 | 一种实现网络优化的方法及相关设备 |
WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合系统及方法 |
CN115544856A (zh) * | 2021-06-29 | 2022-12-30 | 中国科学院沈阳自动化研究所 | 一种电热综合能源系统日前优化调度方法 |
WO2023035564A1 (zh) * | 2021-09-08 | 2023-03-16 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
CN115528817A (zh) * | 2022-10-28 | 2022-12-27 | 华中科技大学 | 一种用户端智能配用电系统、方法、介质、设备及终端 |
CN116091118A (zh) * | 2023-02-22 | 2023-05-09 | 广州汇电云联互联网科技有限公司 | 电价预测方法、装置、设备、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN116646933A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
Li et al. | When weather matters: IoT-based electrical load forecasting for smart grid | |
Yildiz et al. | Household electricity load forecasting using historical smart meter data with clustering and classification techniques | |
CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN116579590B (zh) | 一种虚拟电厂中的需求响应评估方法和系统 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN116581750A (zh) | 一种基于电网负荷水平的智能线路负载充电方法 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
CN108346009B (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
Yu et al. | Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models | |
Thanos et al. | Evaluating demand response programs by means of key performance indicators | |
Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
CN116632875A (zh) | 一种用于配电网的混合储能规划方法及系统 | |
Kimata et al. | Operation planning for heat pump in a residential building | |
KR102556093B1 (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
CN111368257A (zh) | 煤改电负荷特性的分析预测方法及装置 | |
CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及系统 | |
CN117709554B (zh) | 一种储热与电磁加热器联合的能源调度方法及系统 | |
Lee et al. | Determinants of reserve margin volatility: A new approach toward managing energy supply and demand | |
US20240097444A1 (en) | Hybrid system and method for distributed virtual power plants integrated intelligent net zero | |
CN116914738A (zh) | 一种基于人工智能的新能源储能分析方法及系统 | |
Khamaira et al. | Modeling and Forecasting Short-Term Electricity Demand for Libyan Electric Network |
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 |