CN117154722A - 一种电力需求响应潜力评估方法和系统 - Google Patents
一种电力需求响应潜力评估方法和系统 Download PDFInfo
- Publication number
- CN117154722A CN117154722A CN202311411889.8A CN202311411889A CN117154722A CN 117154722 A CN117154722 A CN 117154722A CN 202311411889 A CN202311411889 A CN 202311411889A CN 117154722 A CN117154722 A CN 117154722A
- Authority
- CN
- China
- Prior art keywords
- demand response
- gaussian process
- regression model
- actual electricity
- actual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 155
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 126
- 230000008569 process Effects 0.000 claims abstract description 95
- 230000005611 electricity Effects 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 239000000126 substance Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- 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
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种电力需求响应潜力评估方法和系统,属于电力负荷分析技术领域;该方法包括:构建针对需求响应邀约时段的实际用电负荷评估用训练集,实际用电负荷评估用训练集包括:多个需求响应用户的需求响应潜力特征以及对应需求响应用户在历史需求响应邀约时段的实际用电负荷;建立高斯过程回归模型,并将实际用电负荷评估用训练集对高斯过程回归模型进行训练,高斯过程回归模型以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系;获取目标用户的需求响应潜力特征,并将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中,以得到目标用户在需求响应邀约时段的实际用电负荷预测结果,实际用电负荷预测结果作为潜力评估结果。
Description
技术领域
本公开涉及电力负荷分析技术领域,特别涉及一种电力需求响应潜力评估方法和系统。
背景技术
对于电力企业而言,负荷管理的总体原则是根据电网运行和负荷缺口情况,按照“需求响应优先、有序用电保底、节约用电助力”的总体原则,进行负荷资源统筹调节。其中,对于用电用户在响应日中响应邀约时段的响应潜力进行评估,是进行负荷资源统筹调节之前的一项重要环节;目前,对于用电用户的响应潜力评估,大都采用定性评估,定性评估结果难以为之后进行的负荷资源统筹调节提供数据支撑。故,如何实现对用电用户在响应日中响应邀约时段的响应潜力进行定量评估,成为本领域亟需解决的一项技术问题。
发明内容
第一方面,本公开实施例提供了一种电力需求响应潜力评估方法,包括:
构建针对需求响应邀约时段的实际用电负荷评估用训练集,所述实际用电负荷评估用训练集包括:多个需求响应用户的需求响应潜力特征以及对应所述需求响应用户在历史需求响应邀约时段的实际用电负荷;
假定所述实际用电负荷评估用训练集中所记载的实际用电负荷符合联合高斯分布,建立高斯过程回归模型,并将所述实际用电负荷评估用训练集对高斯过程回归模型进行训练,其中高斯过程回归模型以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系;
获取目标用户的需求响应潜力特征,并将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中,以得到所述目标用户的实际用电负荷预测结果,所述实际用电负荷预测结果作为潜力评估结果。
在一些实施例中,建立高斯过程回归模型,所述高斯过程回归模型如下:
对于给定的训练集:
为训练集/>中第i个需求响应用户的需求响应潜力特征,/>为训练集/>中第i个需求响应用户在历史需求响应邀约时段的实际用电负荷,/>和/>分别为训练集/>所对应的输入矩阵和输出标签;
定义回归函数为一个高斯过程,由均值函数/>和协方差矩阵/>来描述:
对于采集到的实际用电负荷,认为其叠加了服从高斯分布的噪声,简化回归模型为:
其中,表示为服从方差为/>的高斯分布的噪声:
基于训练集得到输出标签的先验分布:
回归函数为一个高斯过程,由均值函数/>和协方差矩阵/>来描述:
为Kronecker delta函数,当/>时/>,当/>时/>,/>为单位矩阵;
基于新输入测试样本所对应的输出标签/>,输出标签/>与输出标签/>的联合分布也服从高斯分布,即:
其中,为训练输入样本/>的自协方差矩阵,/>为新输入测试样本/>与训练输入样本/>之间的协方差矩阵,/>为新输入测试样本/>的自协方差矩阵;
基于多维高斯分布的性质,在已知取得实际用电负荷评估用训练集的条件下,输出标签/>的后验分布为:
其中,输出标签的均值/>和方差/>分别为:
将所述实际用电负荷评估用训练集导入高斯过程回归模型中进行训练,得到训练好的高斯过程回归模型;
其中,表示高斯过程,/>表示数学期望,/>表示高斯分布,表示矩阵/>与矩阵/>的转置矩阵相乘。
在一些实施例中,在将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中后,所述高斯过程回归模型输出所述目标用户的实际用电负荷预测结果包括:在置信区间为95%所对应的实际用电负荷区间。
在一些实施例中,所述高斯过程回归模型所配置的RBF核函数为:
和/>是输入样本,/>表示输入样本/>和/>的欧氏距离,/>表示核函数的带宽的平方。
在一些实施例中,在将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中的步骤之前,还包括:
利用预先构建的实际用电负荷评估用验证集,对训练好的高斯过程回归模型进行验证。
在一些实施例中,所述需求响应潜力特征包括:对应用户的用电容量、对应用户在有效参与对应需求响应活动之前的趋势性负荷信息、周期性负荷信息、历史申报参与率、历史实际参与率、历史申报用电负荷中至少之一。
第二方面,本公开实施例提供了一种电力需求响应潜力评估系统,所述系统可用于实现如第一方面中所提供的任一所述方法,所述系统包括:
构建模块,配置为构建针对需求响应邀约时段的实际用电负荷评估用训练集,所述实际用电负荷评估用训练集包括:多个需求响应用户的需求响应潜力特征以及对应所述需求响应用户在历史需求响应邀约时段的实际用电负荷;
建模模块,假定所述实际用电负荷评估用训练集中所记载的实际用电负荷符合联合高斯分布,建立高斯过程回归模型,并将所述实际用电负荷评估用训练集对高斯过程回归模型进行训练,其中高斯过程回归模型以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系;
预测模块,配置为获取目标用户的需求响应潜力特征,并将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中,以得到所述目标用户的实际用电负荷预测结果,所述实际用电负荷预测结果作为潜力评估结果。
第三方面,本公开实施例还提供了一种电子设备,其中,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中所提供的任一所述方法。
第四方面,本公开实施例还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如第一方面中所提供的任一所述方法中的步骤。
本公开提供了一种电力需求响应潜力评估方法和系统,通过以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系,并基于实际用电负荷评估用训练集训练出了能够用于对目标用户的实际用电负荷进行预测的高斯过程回归模型,最后将目标用户的需求响应潜力特征输入至该训练好的高斯过程回归模型,从而得到目标用户在未来需求响应邀约时段的实际用电负荷预测结果,该实际用电负荷预测结果可实现对目标用户在响应日中响应邀约时段的响应潜力的量化,即实现了对响应潜力的量化评估。
附图说明
图1为本公开实施例提供的一种电力需求响应潜力评估方法的流程图。
图2为本公开实施例提供的另一种电力需求响应潜力评估方法的流程图。
图3和图4均为本公开实施例中对高斯过程回归模型进行测试分析的测试结果示意图。
图5为本公开中利用已训练的高斯过程回归模型对某化工企业进行预测的一种示意图。
图6为本公开实施例提供的电力需求响应潜力评估系统的一种结构框图。
图7为本公开实施例的一种电子设备的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案,下面结合附图和具体实施方式对本公开作进一步详细描述。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
在下文中描述了本公开的许多特定的细节,例如步骤的可选实现方法、某些示例的算法等,以便更清楚地理解本公开。但正如本领域的技术人员能够理解的那样,可以不按照这些特定的细节来实现本公开。
需要说明的是,在下文所描述的“负荷”具体只是指用电功率。
图1为本公开实施例提供的一种电力需求响应潜力评估方法的流程图。如图1所示,该电力需求响应潜力评估方法包括:
步骤S1、构建针对需求响应邀约时段的实际用电负荷评估用训练集。
其中,实际用电负荷评估用训练集包括:多个需求响应用户的需求响应潜力特征以及对应需求响应用户在历史需求响应邀约时段的实际用电负荷。
步骤S2、建立以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系的高斯过程回归模型,并将实际用电负荷评估用训练集对高斯过程回归模型进行训练。
在本公开中,假定待创建的高斯过程回归模型所输出的实际用电负荷预测结果符合高斯分布,并将实际用电负荷评估用训练集中柔性资源需求响应时段的实际负荷值的联合分布可构成高斯过程。其中,高斯过程回归模型以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系。
步骤S3、获取目标用户的需求响应潜力特征,并将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中,以得到目标用户的实际用电负荷预测结果,实际用电负荷预测结果作为潜力评估结果。
在一些实施例中,需求响应潜力特征包括:对应用户的用电容量、对应用户在有效参与对应需求响应活动之前的实际用电信息(例如,用户在不同日子中的不同时刻的用电负荷曲线)、趋势性负荷信息(例如,用户的趋势性用电负荷曲线)、周期性负荷信息(例如,用户的周期性用电负荷曲线)、历史申报参与率(用户申报参与需求响应活动的次数与该用户收到的邀约总次数之比)、历史实际参与率(用户实际参与需求响应活动的次数与该用户收到的邀约总次数之比)、历史申报用电负荷(用户参与对应需求响应活动之前所申报的在活动中的用电负荷)中至少之一。
需要说明的是,上述示例仅为本公开中的可选实施方案,其不会对本公开的技术方案产生限制。其中,需求响应潜力特征为能够在一定程度或方面表征用户参与需求响应活动积极性(潜力)的特征;需求响应潜力特征作为一种辨识负荷的管理手段,相对成熟的应用于电网领域;在实际应用中,可根据实际需要来设计相应的特征提取算法以对用户进行需求响应潜力特征的进行按需提取。
在本公开中,对于需求响应潜力特征所包含的具体特征及其提取相应特征所采用的特征提取算法,本公开均不作限定。
在本公开实施例中,通过以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系,并基于实际用电负荷评估用训练集训练出了能够用于对目标用户的实际用电负荷进行预测的高斯过程回归模型,最后将目标用户的需求响应潜力特征输入至该训练好的高斯过程回归模型,从而得到目标用户在未来需求响应邀约时段的实际用电负荷预测结果,该实际用电负荷预测结果可实现对目标用户在响应日中响应邀约时段的响应潜力的量化,即实现了对响应潜力的量化评估。
在一些实施例中,建立高斯过程回归模型,高斯过程回归模型如下:
对于给定的训练集:
为训练集/>中第i个需求响应用户的需求响应潜力特征,/>为训练集/>中第i个需求响应用户在历史需求响应邀约时段的实际用电负荷,/>和/>分别为训练集/>所对应的输入矩阵和输出标签;
定义回归函数为一个高斯过程,由均值函数/>和协方差矩阵/>来描述:
对于采集到的实际用电负荷,认为其叠加了服从高斯分布的噪声,简化回归模型为:
其中,表示为服从方差为/>的高斯分布的噪声:
基于训练集得到输出标签的先验分布:
回归函数为一个高斯过程,由均值函数/>和协方差矩阵/>来描述:
为Kronecker delta函数,当/>时/>,当/>时/>,/>为单位矩阵;
基于新输入测试样本所对应的输出标签/>,输出标签/>与输出标签/>的联合分布也服从高斯分布,即:
其中,为训练输入样本/>的自协方差矩阵,/>为新输入测试样本/>与训练输入样本/>之间的协方差矩阵,/>为新输入测试样本/>的自协方差矩阵;
基于多维高斯分布的性质,在已知取得实际用电负荷评估用训练集的条件下,输出标签/>的后验分布为:
其中,输出标签的均值/>和方差/>分别为:
其中,表示高斯过程,/>表示数学期望,/>表示高斯分布,表示矩阵/>与矩阵/>的转置矩阵相乘。
将实际用电负荷评估用训练集导入高斯过程回归模型中进行训练,得到训练好的高斯过程回归模型。具体训练过程为本领域的常规技术,此处不进行赘述。
需要说明的是,上述新输入测试样本和输出标签/>可看作是预先给定的测试集/>:
在一些实施例中,在将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中后,高斯过程回归模型输出目标用户的实际用电负荷预测结果包括:在置信区间为95%所对应的实际用电负荷区间。
对应地,在得到高斯过程回归模型的后验分布过程中,输出标签所对应的评估结果为/>。
在一些实施例中,高斯过程回归模型所配置的RBF核函数为:
和/>是输入样本,/>表示输入样本/>和/>的欧氏距离,/>表示核函数的带宽的平方。
需要说明的是,当然,在实际应用中本公开的技术方案还可以采用其他核函数。
图2为本公开实施例提供的另一种电力需求响应潜力评估方法的流程图。如图2所示,该电力需求响应潜力评估方法不但包括前面实施例中的步骤S1~步骤S3,且在步骤S2与步骤S3之前还包括:步骤S2a;下面仅对步骤S2a作详细描述。
步骤S2a、利用预先构建的实际用电负荷评估用验证集,对训练好的高斯过程回归模型进行验证。
在实际应用中,可在步骤S2中完成建立高斯过程回归模型的步骤之后,采用K-Fold交叉验证来对高斯过程回归模型进行验证。具体地,将预先获取到的实际用电负荷评估用分成K个子集,其中K-1个子集用于训练模型,剩下的一个子集用于验证模型该过程会重复K次,每次选择不同的验证集。在每次迭代中,模型在K-1个子集上进行训练,然后在保留的验证集上进行评估。最终,K次迭代的结果被平均或汇总,这里定义评估结果的准确率Z作为模型性能的估计,如式下面式子所示,其含义为实际需求响应量落入高斯过程回归模型所评估结果的95%置信区间内的用户数与参与需求响应邀约的总用户数n之比。
式中,(模型预测正确)代表有两种情况:(1)用户i实际需求响应量小于0且高斯过程回归模型评估均值也小于0,即模型预测到了该用户不参与需求响应;(2)用户i实际需求响应量落入高斯过程回归模型所评估结果的95%置信区间内,即;反之则/>(模型预测错误)。
图3和图4均为本公开实施例中对高斯过程回归模型进行测试分析的测试结果示意图。如图3和图4所示,以某省某次日前邀约型需求响应为例来进行案例分析,此次需求响应邀约用户数量为198位,案例分析的数据包括用户的历史用电数据、历史响应数据以及响应日前的申报量,数据颗粒度为一天96个采样点,采样间隔为15min。
分析结果图3所示,最终准确率Z的取值为88.4%(即198户中有175户的实际需求响应量落入高斯过程回归模型所评估结果的95%置信区间内或者模型预测到了其不参与需求响应的行为)。
图5为本公开中利用已训练的高斯过程回归模型对某化工企业进行预测的一种示意图。如图5所示,选取某化工股份有限公司进行分析,图5中加粗点为需求响应日前的实际用电量,虚线为需求响应日的基线评估,三角虚线为高斯过程回归模型预测的邀约时段用电量,阴影部分为需求响应日评估用电量的95%置信区间,实线为预测的需求响应日基线。
通过计算得该用户需求响应潜力的均值为17289.8kW,标准差为405.406kW,即当置信区间取为95%时,该用户需求响应时段实际用电的评估结果为。根据实际的需求响应量所测数据可知,该用户的实际响应负荷为16598.21kW,可见该用户实际需求响应量落入高斯过程回归模型所评估结果的95%置信区间内,故/>,表明对应的高斯过程回归模型较为成功地预测出了某化工企业的需求响应量。
基于同一发明构思,本公开实施例还提供了一种电力需求响应潜力评估系统。图6为本公开实施例提供的电力需求响应潜力评估系统的一种结构框图。如图6所示,该电力需求响应潜力评估系统可用于实现前面实施例提供的电力需求响应潜力评估方法,该电力需求响应潜力评估系统包括:构建模块1、建模模块2和预测模块3。
其中,构建模块1配置为构建针对需求响应邀约时段的实际用电负荷评估用训练集,实际用电负荷评估用训练集包括:多个需求响应用户的需求响应潜力特征以及对应需求响应用户在历史需求响应邀约时段的实际用电负荷。
建模模块2配置为假定实际用电负荷评估用训练集中所记载的实际用电负荷符合联合高斯分布,建立高斯过程回归模型,并将实际用电负荷评估用训练集对高斯过程回归模型进行训练,其中高斯过程回归模型以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系。
预测模块3配置为获取目标用户的需求响应潜力特征,并将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中,以得到目标用户的实际用电负荷预测结果,实际用电负荷预测结果作为潜力评估结果。
对于上述各功能模块的具体描述,可参见前面实施例中的相关内容,此处不再赘述。
基于同一发明构思,本公开实施例还提供了一种电子设备。图7为本公开实施例的一种电子设备的结构示意图。如图7所示,本公开实施例提供一种电子设备包括:一个或多个处理器101、存储器102、一个或多个I/O接口103。存储器102上存储有一个或多个程序,当该一个或多个程序被该一个或多个处理器执行,使得该一个或多个处理器实现如上述实施例中任一的电力需求响应潜力评估方法;一个或多个I/O接口103连接在处理器与存储器之间,配置为实现处理器与存储器的信息交互。
其中,处理器101为具有数据处理能力的器件,包括但不限于中央处理器(CPU)等;存储器102为具有数据存储能力的器件,包括但不限于随机存取存储器(RAM,更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH);I/O接口(读写接口)103连接在处理器101与存储器102间,能实现处理器101与存储器102的信息交互,包括但不限于数据总线(Bus)等。
在一些实施例中,处理器101、存储器102和I/O接口103通过总线104相互连接,进而与计算设备的其它组件连接。
在一些实施例中,该一个或多个处理器101包括现场可编程门阵列。
根据本公开的实施例,还提供一种计算机可读介质。该计算机可读介质上存储有计算机程序,其中,该程序被处理器执行时实现如上述实施例中任一的电力需求响应潜力评估方法中的步骤。
特别地,根据本公开实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,包括承载在机器可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本公开的系统中限定的上述功能。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的电路或子电路可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的电路或子电路也可以设置在处理器中,例如,可以描述为:一种处理器,包括:接收电路和处理电路,该处理模块包括写入子电路和读取子电路。其中,这些电路或子电路的名称在某种情况下并不构成对该电路或子电路本身的限定,例如,接收电路还可以被描述为“接收视频信号”。
可以理解的是,以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式,然而本公开并不局限于此。对于本领域内的普通技术人员而言,在不脱离本公开的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本公开的保护范围。
Claims (9)
1.一种电力需求响应潜力评估方法,其特征在于,包括:
构建针对需求响应邀约时段的实际用电负荷评估用训练集,所述实际用电负荷评估用训练集包括:多个需求响应用户的需求响应潜力特征以及对应所述需求响应用户在历史需求响应邀约时段的实际用电负荷;
假定所述实际用电负荷评估用训练集中所记载的实际用电负荷符合联合高斯分布,建立高斯过程回归模型,并将所述实际用电负荷评估用训练集对高斯过程回归模型进行训练,其中高斯过程回归模型以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系;
获取目标用户的需求响应潜力特征,并将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中,以得到所述目标用户在需求响应邀约时段的实际用电负荷预测结果,所述实际用电负荷预测结果作为潜力评估结果。
2.根据权利要求1所述的方法,其特征在于,建立高斯过程回归模型,所述高斯过程回归模型如下:
对于给定的训练集:
;
为训练集/>中第i个需求响应用户的需求响应潜力特征,/>为训练集/>中第i个需求响应用户在历史需求响应邀约时段的实际用电负荷,/>和/>分别为训练集/>所对应的输入矩阵和输出标签;
定义回归函数为一个高斯过程,由均值函数/>和协方差矩阵/>来描述:
;
;
对于采集到的实际用电负荷,认为其叠加了服从高斯分布的噪声,简化回归模型为:
;
其中,表示为服从方差为/>的高斯分布的噪声:
;
基于训练集得到输出标签的先验分布:
;
回归函数为一个高斯过程,由均值函数/>和协方差矩阵/>来描述:
;
为Kronecker delta函数,当/>时/>,当/>时/>,/>为单位矩阵;
基于新输入测试样本所对应的输出标签/>,输出标签/>与输出标签/>的联合分布也服从高斯分布,即:
;
其中,为训练输入样本/>的自协方差矩阵,/>为新输入测试样本/>与训练输入样本/>之间的协方差矩阵,/>为新输入测试样本/>的自协方差矩阵;
基于多维高斯分布的性质,在已知取得实际用电负荷评估用训练集的条件下,输出标签/>的后验分布为:
;
其中,输出标签的均值/>和方差/>分别为:
;
将所述实际用电负荷评估用训练集导入高斯过程回归模型中进行训练,得到训练好的高斯过程回归模型;
其中,表示高斯过程,/>表示数学期望,/>表示高斯分布,表示矩阵/>与矩阵/>的转置矩阵/>相乘。
3.根据权利要求2所述的方法,其中,在将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中后,所述高斯过程回归模型输出所述目标用户的实际用电负荷预测结果包括:在置信区间为95%所对应的实际用电负荷区间。
4.根据权利要求2所述的方法,其中,所述高斯过程回归模型所配置的RBF核函数为:
;
和/>是输入样本,/>表示输入样本/>和/>的欧氏距离,/>表示核函数的带宽的平方。
5.根据权利要求1所述的方法,其特征在于,在将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中的步骤之前,还包括:
利用预先构建的实际用电负荷评估用验证集,对训练好的高斯过程回归模型进行验证。
6.根据权利要求1至5中任一所述的方法,其特征在于,所述需求响应潜力特征包括:对应用户的用电容量、对应用户在有效参与对应需求响应活动之前的趋势性负荷信息、周期性负荷信息、历史申报参与率、历史实际参与率、历史申报用电负荷中至少之一。
7.一种电力需求响应潜力评估系统,其特征在于,所述系统可用于实现如权利要求1至6中任一所述方法,所述系统包括:
构建模块,配置为构建针对需求响应邀约时段的实际用电负荷评估用训练集,所述实际用电负荷评估用训练集包括:多个需求响应用户的需求响应潜力特征以及对应所述需求响应用户在历史需求响应邀约时段的实际用电负荷;
建模模块,配置为假定所述实际用电负荷评估用训练集中所记载的实际用电负荷符合联合高斯分布,建立高斯过程回归模型,并将所述实际用电负荷评估用训练集对高斯过程回归模型进行训练,其中高斯过程回归模型以高斯过程描述需求响应潜力特征与实际用电负荷的映射关系;
预测模块,配置为获取目标用户的需求响应潜力特征,并将目标用户的需求响应潜力特征输入至训练好的高斯过程回归模型中,以得到所述目标用户在需求响应邀约时段的实际用电负荷预测结果,所述实际用电负荷预测结果作为潜力评估结果。
8.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
其特征在于,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至6中任一所述方法。
9.一种计算机可读介质,所述计算机可读介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411889.8A CN117154722A (zh) | 2023-10-30 | 2023-10-30 | 一种电力需求响应潜力评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411889.8A CN117154722A (zh) | 2023-10-30 | 2023-10-30 | 一种电力需求响应潜力评估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117154722A true CN117154722A (zh) | 2023-12-01 |
Family
ID=88908428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311411889.8A Pending CN117154722A (zh) | 2023-10-30 | 2023-10-30 | 一种电力需求响应潜力评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117154722A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877339A (zh) * | 2017-04-05 | 2017-06-20 | 长沙理工大学 | 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法 |
CN109064079A (zh) * | 2018-10-30 | 2018-12-21 | 国网河南省电力公司经济技术研究院 | 基于负荷分类的电力需求响应基线计算方法的选取方法 |
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
CN111242423A (zh) * | 2019-12-31 | 2020-06-05 | 深圳能源售电有限公司 | 主动需求响应潜力分析方法、装置、设备以及存储介质 |
CN116757378A (zh) * | 2022-11-30 | 2023-09-15 | 北京中电飞华通信有限公司 | 需求响应评估模型训练方法、应用评估方法及相关设备 |
CN116842405A (zh) * | 2023-06-30 | 2023-10-03 | 国电南瑞科技股份有限公司 | 一种电力负荷数据聚类方法、系统、设备及存储介质 |
-
2023
- 2023-10-30 CN CN202311411889.8A patent/CN117154722A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106877339A (zh) * | 2017-04-05 | 2017-06-20 | 长沙理工大学 | 一种考虑电动汽车接入配电网后随机模糊潮流的分析方法 |
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
CN109064079A (zh) * | 2018-10-30 | 2018-12-21 | 国网河南省电力公司经济技术研究院 | 基于负荷分类的电力需求响应基线计算方法的选取方法 |
CN111242423A (zh) * | 2019-12-31 | 2020-06-05 | 深圳能源售电有限公司 | 主动需求响应潜力分析方法、装置、设备以及存储介质 |
CN116757378A (zh) * | 2022-11-30 | 2023-09-15 | 北京中电飞华通信有限公司 | 需求响应评估模型训练方法、应用评估方法及相关设备 |
CN116842405A (zh) * | 2023-06-30 | 2023-10-03 | 国电南瑞科技股份有限公司 | 一种电力负荷数据聚类方法、系统、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
LIPAN FAN等: "Demand side supply demand balance control method for localized microgrid", 《ICPST》 * |
吴迪等: "基于高斯过程回归的工业用户需求响应潜力评估方法", 《电力自动化设备》, vol. 42, no. 7, pages 94 - 100 * |
樊立攀等: "基于需求侧管理的电力用户能耗预测分析", 《计算机与数字工程》, vol. 49, no. 5 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10642642B2 (en) | Techniques to manage virtual classes for statistical tests | |
CN110515739B (zh) | 深度学习神经网络模型负载计算方法、装置、设备及介质 | |
Eismann et al. | Predicting the costs of serverless workflows | |
US8578023B2 (en) | Computer resource utilization modeling for multiple workloads | |
CN111435463A (zh) | 数据处理方法及相关设备、系统 | |
Huang et al. | An experimental method to estimate running time of evolutionary algorithms for continuous optimization | |
Aas et al. | Bounds on total economic capital: the DNB case study | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
Stiskalek et al. | The scatter in the galaxy–halo connection: a machine learning analysis | |
Waxman et al. | A stochastic model for a single click of Muller's ratchet | |
Caporin et al. | Thresholds, news impact surfaces and dynamic asymmetric multivariate GARCH | |
CN112887371B (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
CN109213965A (zh) | 一种系统容量预测方法、计算机可读存储介质及终端设备 | |
Casale | Accelerating performance inference over closed systems by asymptotic methods | |
CN113962874A (zh) | 母线负荷模型的训练方法、装置、设备及存储介质 | |
CN113159453A (zh) | 资源数据预测方法、装置、设备及存储介质 | |
CN117154722A (zh) | 一种电力需求响应潜力评估方法和系统 | |
Xie et al. | Global-local metamodel-assisted stochastic programming via simulation | |
Sverchkov | A new approach to estimation of response probabilities when missing data are not missing at random | |
CN111932376A (zh) | 虚拟资源数据的模拟方法、装置 | |
Deo et al. | Credit risk: Simple closed-form approximate maximum likelihood estimator | |
CN110929957A (zh) | 一种用于综合能源系统的优化方法及装置 | |
US10097600B2 (en) | Real-time statistical analysis on high speed streaming data | |
CN116701887B (zh) | 用电量预测方法、装置、电子设备及存储介质 | |
CN112861365B (zh) | 低压配电网负荷状态估计方法、装置及终端设备 |
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 |