CN117200184A - 一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法 - Google Patents
一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法 Download PDFInfo
- Publication number
- CN117200184A CN117200184A CN202311007537.6A CN202311007537A CN117200184A CN 117200184 A CN117200184 A CN 117200184A CN 202311007537 A CN202311007537 A CN 202311007537A CN 117200184 A CN117200184 A CN 117200184A
- Authority
- CN
- China
- Prior art keywords
- model
- response
- period
- observation
- power plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000007704 transition Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
本发明涉及电厂能源管理技术领域,具体涉及一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,包括以下步骤:数据收集和准备,收集VPP参与调频辅助服务过程中各类可调负荷不同时段的响应数据,并进行数据清洗与预处理;HMM模型建立,选定状态空间与观测空间,根据负荷的历史表现数据计算初始概率分布向量、初始状态转移概率矩阵及观测概率矩阵;模型训练,通过调用MATLAB中的HMM库并采用Viterbi算法对模型进行求解;模型预测,基于Viterbi算法并利用动态规划的思想来找到在给定观测序列下最大概率的状态序列,从而预测VPP中各时段负荷资源的调控潜力。本发明,使得VPP运营者可以从整体大局更好的协调调度以发挥各类负荷间的互补优势。
Description
技术领域
本发明涉及电厂能源管理技术领域,尤其涉及一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法。
背景技术
随着全球能源危机的加剧和电力需求的不断增长,虚拟电厂(VPP)作为一种有效管理能源和优化电力消耗的解决方案日益受到关注,虚拟电厂通过集成多个分散的能源资源,可实现更加灵活和高效的电力供应。
然而,随着《电力负荷管理办法(征求意见稿)》等相关政策的发布,以及将需求侧资源以虚拟电厂等方式纳入电力平衡的号召推动,虚拟电厂的实时调控潜力评估及不同时段响应情况预测等相关研究尚处于初步阶段。特别是针对VPP聚合的多元海量异构资源的评估,目前还未形成统一高效的实时调控潜力预测系统。
负荷侧资源的多样性和复杂性,以及其参与响应调度的时变性和不确定性,给VPP的组合调度决策带来了极大的挑战。在此背景下,如何准确评估实时调控潜力并精确预测响应情况,已成为虚拟电厂实现负荷资源的精细化管理和最优组合调度响应的关键问题。
现有技术虽然在某些方面已有研究和实践,但由于缺乏对海量异构资源的有效整合以及实时调控的精确评估手段,导致在现实应用中存在一定的局限性。
因此,急需一种基于隐马尔可夫模型(Hidden Markov Model,HMM)的虚拟电厂(VPP)负荷侧资源在不同时段调控潜力预测方法及系统,以弥补现有技术的不足,并实现对虚拟电厂调控潜力的精确预测和最优管理。
发明内容
基于上述目的,本发明提供了一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法。
一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,包括以下步骤:
S1:数据收集和准备,收集VPP参与调频辅助服务过程中各类可调负荷不同时段的响应数据,并进行数据清洗与预处理;
S2:HMM模型建立,选定状态空间与观测空间,根据负荷的历史表现数据计算初始概率分布向量、初始状态转移概率矩阵及观测概率矩阵;
S3:模型训练,通过调用MATLAB中的HMM库并采用Viterbi算法对模型进行求解;
S4:模型预测,基于Viterbi算法并利用动态规划的思想来找到在给定观测序列下最大概率的状态序列,从而预测VPP中各时段负荷资源的调控潜力。
进一步的,所述S1中的响应数据包括各类资源历史参与调频响应的出力范围、响应启停时段、响应速度及调度成本。
进一步的,所述S1中的数据预处理包括归一化或标准化处理,以确保数据的可用性,并确保覆盖不同时间段、无异常值或空缺值。
进一步的,所述HMM模型建立基于五元组算法,表示如下:
λ=(S,V,A,B,π)
其中,S为状态空间,V为观测空间,A为初始状态转移概率矩阵,B为观测概率矩阵,π为初始状态概率向量,具体建模过程包括:
S21.确定状态空间S与观测空间V;
S22.计算模型初始矩阵;
S23.模型优化训练。
进一步的,所述S21中设HMM模型状态数n为3,具体如下:
其中:s1、s2、s3为不同时刻各负荷资源参与调频辅助服务的具体出力情况,用以构成状态空间S;
根据负荷Li参与调频时的平均出力值作为阈值来进行调控潜力的离散化评估,s1为可大调、s2为可调、s3为不可调;
Kt为t时段Li参与调频出力的综合性能指标,由Li参与调频响应中的出力情况及成本决定,Ka为平均调频出力值;
其中:T为所研究最小时间周期划分的总时段数;
δt为t时段Li的响应情况,参与响应时取1,未参与时取0;
ξi为各单一指标在综合性能指标评价系统中的权重系数,满足/>其与VPP参与的交易市场特性,即对不同指标的看重程度所决定;/>分别为经过均值归一化处理的t时段Li参与响应的调节范围、爬坡率、响应时间和单位响应成本其中响应时间和相应成本均取倒以转换为正相关;
D为计算模型初始参数的历史数据的总天数;
为总时段中参与响应的时段总数;
V:对应的观测变量数目m取4,分别为不同时段Li的参与响应的调节范围v1、爬坡率v2、响应时间v3和响应成本v4。
进一步的,所述S22中模型初始矩阵如下:
A=[aij]n×n
B=[bjk]m×n
式中:aij表示Li由时段t的状态si变为(t+1)时刻的状态sj的概率,bjk表示在给定状态sj下观测到特定观测值vk的概率;
矩阵A反映了Li不同时段的响应偏好;
矩阵B为该交易场景下,不同响应特性对Li调控潜力的决定程度;
π为初始状态概率向量,用于描述在t=0时刻系统处于每个隐藏状态si的概率。
进一步的,所述S23中的模型优化训练基于收集的历史数据,使用Baum-Welch算法估计模型的参数,使模型能描述历史数据中的状态转移和观测情况。
进一步的,所述S3中使用MATLAB中的HMM库中的函数,对HMM模型进行训练,以最大化模型对观测序列的拟合程度,基于训练好的HMM模型,进而Viterbi算法根据观测序列预测最接近的隐藏状态序列。
本发明的有益效果:
本发明,相比于现有技术,隐马尔可夫模型(HMM)更加关注观测值背后的隐藏状态,在VPP负荷调度潜力实时预测这一场景中,隐藏状态可以表示各负荷在不同时段的可调度能力及响应偏好,这使得VPP运营者可以从整体大局更好的协调调度以发挥各类负荷间的互补优势,同时,HMM模型具有高度自适应性,即可以随着数据的更新累积实时调整迭代其内部参数,为后续考虑季节性等更为繁杂的因素提供了可能。
本发明,相较于现有技术,将隐马尔可夫模型(HMM)应用于虚拟电厂(VPP)负荷侧资源调度潜力实时预测这一方法系统,具有更大的灵活性、更好的时序建模能力和更高的自适应性,可以在VPP负荷调度潜力预测中提供更加精准的预测,且可以随着对训练数据的特异性适用于各个实际场景,从而为VPP协调调度负荷侧资源参与各类辅助服务提供更可靠的支撑。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的预测方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“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。“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。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1所示,一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,包括以下步骤:
S1:数据收集和准备:收集VPP参与调频辅助服务过程中各类可调负荷的实际调度响应数据,包括各类资源历史参与调频响应的出力范围、响应启停时段、响应速度及调度成本。并对收集到的数据进行清洗和预处理等,以确保覆盖不同时间段、无异常值或空缺值、经过归一化或标准化处理,以确保数据的可用性。
S2:模型建立和训练:
通常HMM可用五元组λ=(S,V,A,B,π)来表示,其中,S为状态空间,V为观测空间,A为状态转移概率矩阵,B为观测概率矩阵,π为初始状态概率向量。本模型将经过离散化处理的不同时刻各负荷资源参与调频辅助服务场景下的具体出力情况s1、s2、s3作为模型的隐含状态,用以构成状态空间S,将VPP参与调频辅助服务市场时不同时段负荷参与响应的调节范围、爬坡率、响应时间和响应成本v1、v2、v3、v4作为观测变量,构成观测空间V,并基于此建立隐马尔可夫模型。这里仅以VPP中任意一类负荷资源(记为负荷Li)为例,不同类型仅需输入其各自的历史数据即可。具体建模过程如下:
S21:确定状态空间S与观测空间V:
这里本模型的状态数n取3,这里根据Li参与调频时的平均出力值作为阈值来进行调控潜力的离散化评估,s1为可大调、s2为可调、s3为不可调;具体如下:
式中:Kt为t时段Li参与调频出力的综合性能指标,由Li参与调频响应中的出力情况及成本决定,Ka为平均调频出力值;
式中:T为所研究最小时间周期划分的总时段数;δt为t时段Li的响应情况,参与响应时取1,未参与时取0;ξi为各单一指标在综合性能指标评价系统中的权重系数,满足其与VPP参与的交易市场特性,即对不同指标的看重程度所决定;分别为经过均值归一化处理的t时段Li参与响应的调节范围、爬坡率、响应时间和单位响应成本其中响应时间和相应成本均取倒以转换为正相关);D为计算模型初始参数的历史数据的总天数;/>为总时段中参与响应的时段总数。
V:对应的观测变量数目m取4,分别为不同时段Li的参与响应的调节范围v1、爬坡率v2、响应时间v3和响应成本v4。
S22:计算模型初始矩阵
A=[aij]n×n
B=[bjk]m×n
式中:aij表示Li由时段t的状态si变为(t+1)时刻的状态sj的概率,bjk表示在给定状态sj下观测到特定观测值vk的概率;其中矩阵A反映了Li不同时段的响应偏好;矩阵B为该交易场景下,不同响应特性对Li调控潜力的决定程度。
π为初始状态概率向量,用于描述在t=0时刻系统处于每个隐藏状态si的概率,计算公式如下:
S23:模型训练:
利用收集到的历史数据,使用Baum-Welch算法或其他参数优化算法来估计模型的参数,使得模型能够较好地描述历史数据中的状态转移和观测情况。
S3:模型应用和预测
首先结合VPP参与的具体交易类别定义最小时间周期及时段长度;其次需要结合具体场景下对负荷资源调控潜力中各部分的看重程度及优先级排序,确定综合性能指标评价系统中的权重系数,可结合实际情况选用简单的如线性权重系数、等差等比数列,经典的如AHP、PCA等分析方法,或者采用更加精细化的结合各变量间的相关系数进行权重系数分配等方法;最后,使用MATLAB中的HMM库中的函数,对HMM模型进行训练,以最大化模型对观测序列的拟合程度。并基于训练好的HMM模型,使用Viterbi算法根据给定的观测序列来预测最可能的隐藏状态序列。
具体事例:
本算例以某VPP参与调频辅助服务这一具体场景下,将一个典型日24小时按每15min为一个时段,划分为96个时段,以其内部基准负荷相差较大的三类负荷资源为例,根据其各时段参与调度响应的历史数据,按照“响应时间>响应成本>调节范围>爬坡率”这一优先级,并使用简单化的等差数列(ξ1=0.205,d=0.03)进行权重分配。以其在2021年9月20日至9月30日的历史响应数据对模型进行训练,得到模型的初始参数。具体数据如下:
表1三类负荷基本参数配置
表2本场景下得出的模型初始数据
对训练好的模型(本场景下得出的模型初始数据见附表2),输入新的观测序列以预测此时段下最可能的隐藏状态序列,即该负荷资源在不同时段下的调控潜力序列,进而明确该类资源响应调度的时间偏好,鉴于先关数据较少,这里就不再过多赘述模型的训练过程,整体的系统方法较为明确,即通过对VPP聚合的所有类别的负荷资源进行建模分析,即可得出每个时段各类负荷资源的调控潜力,实现VPP整体协同调度策略的进一步优化,提升VPP的运营利润及调频能力。同时为VPP结合其提供的具体服务特点更加精准的聚合负荷侧资源提供指导与理论支撑。此外,可结合随着时间不断累积的实际数据做进一步优化模型的内部参数以达到更高的预测精度,也可通过对不同季节进行考虑做进一步精细化建模预测。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,其特征在于,包括以下步骤:
S1:数据收集和准备,收集VPP参与调频辅助服务过程中各类可调负荷不同时段的响应数据,并进行数据清洗与预处理;
S2:HMM模型建立,选定状态空间与观测空间,根据负荷的历史表现数据计算初始概率分布向量、初始状态转移概率矩阵及观测概率矩阵;
S3:模型训练,通过调用MATLAB中的HMM库并采用Viterbi算法对模型进行求解;
S4:模型预测,基于Viterbi算法并利用动态规划的思想来找到在给定观测序列下最大概率的状态序列,从而预测VPP中各时段负荷资源的调控潜力。
2.根据权利要求1所述的一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,其特征在于,所述S1中的响应数据包括各类资源历史参与调频响应的出力范围、响应启停时段、响应速度及调度成本。
3.根据权利要求2所述的一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,其特征在于,所述S1中的数据预处理包括归一化或标准化处理,以确保数据的可用性,并确保覆盖不同时间段、无异常值或空缺值。
4.根据权利要求3所述的一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,其特征在于,所述HMM模型建立基于五元组算法,表示如下:
λ=(S,V,A,B,π)
其中,S为状态空间,V为观测空间,A为初始状态转移概率矩阵,B为观测概率矩阵,π为初始状态概率向量,具体建模过程包括:
S21.确定状态空间S与观测空间V;
S22.计算模型初始矩阵;
S23.模型优化训练。
5.根据权利要求4所述的一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,其特征在于,所述S21中设HMM模型状态数n为3,具体如下:
其中:s1、s2、s3为不同时刻各负荷资源参与调频辅助服务的具体出力情况,用以构成状态空间S;
根据负荷Li参与调频时的平均出力值作为阈值来进行调控潜力的离散化评估,s1为可大调、s2为可调、s3为不可调;
Kt为t时段Li参与调频出力的综合性能指标,由Li参与调频响应中的出力情况及成本决定,Ka为平均调频出力值;
其中:T为所研究最小时间周期划分的总时段数;
δt为t时段Li的响应情况,参与响应时取1,未参与时取0;
ξi为各单一指标在综合性能指标评价系统中的权重系数,满足/>其与VPP参与的交易市场特性,即对不同指标的看重程度所决定;/>分别为经过均值归一化处理的t时段Li参与响应的调节范围、爬坡率、响应时间和单位响应成本其中响应时间和相应成本均取倒以转换为正相关;
D为计算模型初始参数的历史数据的总天数;
为总时段中参与响应的时段总数;
V:对应的观测变量数目m取4,分别为不同时段Li的参与响应的调节范围v1、爬坡率v2、响应时间v3和响应成本v4。
6.根据权利要求5所述的一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,其特征在于,所述S22中模型初始矩阵如下:
A=[aij]n×n
B=[bjk]m×n
式中:aij表示Li由时段t的状态si变为(t+1)时刻的状态sj的概率,bjk表示在给定状态sj下观测到特定观测值vk的概率;
矩阵A反映了Li不同时段的响应偏好;
矩阵B为该交易场景下,不同响应特性对Li调控潜力的决定程度;
π为初始状态概率向量,用于描述在t=0时刻系统处于每个隐藏状态si的概率。
7.根据权利要求6所述的一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,其特征在于,所述S23中的模型优化训练基于收集的历史数据,使用Baum-Welch算法估计模型的参数,使模型能描述历史数据中的状态转移和观测情况。
8.根据权利要求7所述的一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法,其特征在于,所述S3中使用MATLAB中的HMM库中的函数,对HMM模型进行训练,以最大化模型对观测序列的拟合程度,基于训练好的HMM模型,进而Viterbi算法根据观测序列预测最接近的隐藏状态序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311007537.6A CN117200184B (zh) | 2023-08-10 | 2023-08-10 | 一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311007537.6A CN117200184B (zh) | 2023-08-10 | 2023-08-10 | 一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117200184A true CN117200184A (zh) | 2023-12-08 |
CN117200184B CN117200184B (zh) | 2024-04-09 |
Family
ID=89002497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311007537.6A Active CN117200184B (zh) | 2023-08-10 | 2023-08-10 | 一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117200184B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117498467A (zh) * | 2024-01-02 | 2024-02-02 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多层级虚拟电厂的能量协调控制分配方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036974A (zh) * | 2012-12-13 | 2013-04-10 | 广东省电信规划设计院有限公司 | 基于隐马尔可夫模型的云计算资源调度方法和系统 |
US20170068760A1 (en) * | 2015-09-04 | 2017-03-09 | Panasonic Intellectual Property Corporation Of America | Method for estimating use state of power of electric devices |
CN111428816A (zh) * | 2020-04-17 | 2020-07-17 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
CN112381359A (zh) * | 2020-10-27 | 2021-02-19 | 惠州蓄能发电有限公司 | 一种基于数据挖掘的多critic强化学习的电力经济调度方法 |
CN113688567A (zh) * | 2021-08-10 | 2021-11-23 | 华北电力大学(保定) | 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法 |
CN114066196A (zh) * | 2021-11-08 | 2022-02-18 | 国网湖北省电力有限公司经济技术研究院 | 一种电网投资策略优化系统 |
CN114358367A (zh) * | 2021-11-24 | 2022-04-15 | 南京安广电力设备有限公司 | 一种非侵入式负荷分解方法及装置 |
CN116094049A (zh) * | 2023-02-21 | 2023-05-09 | 广东电网有限责任公司 | 一种低压分布式可再生能源的电力辅助调频方法及装置 |
-
2023
- 2023-08-10 CN CN202311007537.6A patent/CN117200184B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036974A (zh) * | 2012-12-13 | 2013-04-10 | 广东省电信规划设计院有限公司 | 基于隐马尔可夫模型的云计算资源调度方法和系统 |
US20170068760A1 (en) * | 2015-09-04 | 2017-03-09 | Panasonic Intellectual Property Corporation Of America | Method for estimating use state of power of electric devices |
CN111428816A (zh) * | 2020-04-17 | 2020-07-17 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
WO2021208516A1 (zh) * | 2020-04-17 | 2021-10-21 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
CN112381359A (zh) * | 2020-10-27 | 2021-02-19 | 惠州蓄能发电有限公司 | 一种基于数据挖掘的多critic强化学习的电力经济调度方法 |
CN113688567A (zh) * | 2021-08-10 | 2021-11-23 | 华北电力大学(保定) | 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法 |
CN114066196A (zh) * | 2021-11-08 | 2022-02-18 | 国网湖北省电力有限公司经济技术研究院 | 一种电网投资策略优化系统 |
CN114358367A (zh) * | 2021-11-24 | 2022-04-15 | 南京安广电力设备有限公司 | 一种非侵入式负荷分解方法及装置 |
CN116094049A (zh) * | 2023-02-21 | 2023-05-09 | 广东电网有限责任公司 | 一种低压分布式可再生能源的电力辅助调频方法及装置 |
Non-Patent Citations (2)
Title |
---|
贲树俊;胡楠;韩伟;谢明成;唐旎;王蓓蓓;: "考虑需求响应虚拟电厂的新能源电力系统两阶段优化调度研究", 电力需求侧管理, no. 01, 20 January 2020 (2020-01-20) * |
郑敏嘉;卢洵;程鑫;: "基于HMM模型的电力负荷预测模型研究", 机电工程技术, no. 11, 28 November 2018 (2018-11-28) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117498467A (zh) * | 2024-01-02 | 2024-02-02 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多层级虚拟电厂的能量协调控制分配方法及系统 |
CN117498467B (zh) * | 2024-01-02 | 2024-05-03 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多层级虚拟电厂的能量协调控制分配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117200184B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Optimal management for parking-lot electric vehicle charging by two-stage approximate dynamic programming | |
US10181165B2 (en) | Critical peak pricing demand response participant assessment | |
Deihimi et al. | Application of echo state networks in short-term electric load forecasting | |
Hernandez et al. | A survey on electric power demand forecasting: Future trends in smart grids, microgrids and smart buildings | |
Huang et al. | A multiagent minority-game-based demand-response management of smart buildings toward peak load reduction | |
US20190115753A1 (en) | Method for automatic cloud control of energy storage systems | |
CN117200184B (zh) | 一种虚拟电厂负荷侧资源多时段调控潜力评估预测方法 | |
CN107545364B (zh) | 激励型电力需求响应的用户响应策略优化方法 | |
Yu et al. | An intelligent energy management system for large-scale charging of electric vehicles | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
Garcia-Santiago et al. | A random-key encoded harmony search approach for energy-efficient production scheduling with shared resources | |
CN110245771A (zh) | 需量预测方法、需量控制方法及系统 | |
KR20180044700A (ko) | 고객 맞춤형 수요 반응 프로그램을 운영하는 수요 반응 운영 시스템 및 그 방법 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
Xu et al. | Hybrid holiday traffic predictions in cellular networks | |
De Ridder et al. | Applying an activity based model to explore the potential of electrical vehicles in the smart grid | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
Zhou et al. | Multi-objective distributional reinforcement learning for large-scale order dispatching | |
Yang et al. | Adaptive data decomposition based quantile-long-short-term memory probabilistic forecasting framework for power demand side management of energy system | |
Zheng et al. | Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit | |
Eksin et al. | Demand response with communicating rational consumers | |
Walraven et al. | Planning under uncertainty for aggregated electric vehicle charging with renewable energy supply | |
Xu et al. | A fusion model for CPU load prediction in cloud computing | |
Alizadeh et al. | On modeling and marketing the demand flexibility of deferrable loads at the wholesale level | |
Ahmed et al. | Application of short term energy consumption forecasting for household energy management system |
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 |