CN117293916A - 一种面向用户的电网调度方法及装置、计算设备 - Google Patents

一种面向用户的电网调度方法及装置、计算设备 Download PDF

Info

Publication number
CN117293916A
CN117293916A CN202311064082.1A CN202311064082A CN117293916A CN 117293916 A CN117293916 A CN 117293916A CN 202311064082 A CN202311064082 A CN 202311064082A CN 117293916 A CN117293916 A CN 117293916A
Authority
CN
China
Prior art keywords
electricity
node
utilization
power
electricity consumption
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
Application number
CN202311064082.1A
Other languages
English (en)
Other versions
CN117293916B (zh
Inventor
李长龙
金轶
薛瑶
张巧妹
黄其龙
向青岚
翁同
芦俊
陶国祥
钟韬
王强然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chuzhou Power Supply Co of State Grid Anhui Electric Power Co Ltd
Tianchang Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
Chuzhou Power Supply Co of State Grid Anhui Electric Power Co Ltd
Tianchang Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chuzhou Power Supply Co of State Grid Anhui Electric Power Co Ltd, Tianchang Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical Chuzhou Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority to CN202311064082.1A priority Critical patent/CN117293916B/zh
Publication of CN117293916A publication Critical patent/CN117293916A/zh
Application granted granted Critical
Publication of CN117293916B publication Critical patent/CN117293916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00016—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus
    • 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
    • H02J3/007—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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向用户的电网调度方法及装置、计算设备，其中方法包括：采集多个用户单元的用电侧信息；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息；预设所述用电节点的配给侧信息，根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量；根据各个发电节点的剩余能力、用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。本发明根据各个发电节点的剩余能力、用电节点的目标需求用电量和配给侧信息生成最优用电调度策略，实现电网对用户的用电设备的精准调度，提高了对整体用电的调控能力。

Description

一种面向用户的电网调度方法及装置、计算设备
技术领域
本发明涉及电网调度领域，具体涉及一种面向用户的电网调度方法及装置、计算设备。
背景技术
在电网调度中，需求侧管理(DSM)对于控制能源消耗、提高能源使用效率起着重要作用，同时它能够降低负荷曲线的峰均比，达到电力的供需平衡。目前，随着智能电表逐渐进入工业企业和居民家庭用户，优化用电用户能源消耗已经成了电网调度的研究热点之一。
随着社会的发展和人民生活水平的不断提高，对电能的需求越来越大，用户的用电设备数量和位置时刻处于动态的变化中，传统的电力调度难以达到供需平衡。由于电能生产和消费的同时性，需要合理调度电能才能使其满足用户用电消费。目前，用电预测主要是通过电价政策以及用电时段对用电量的影响进行调度。但在实际生活中，用电行为在很大程度上会受到人口流动、温度、季节、气象、动态设备、疫情等综合因素的影响。
传统的调度优化方法是在每天的开始就制定好当天的用电调度，使得对用户用电信息的预测存在误差，会导致日前调度优化方法在实际环境中难于执行。特别地，当用电信息突然变化时，如果用户没有及时响应将会造成用电成本和电力系统不稳定风险的大大提高。因此，如何减少用电信息不确定性对电力调度造成的影响亟需解决。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服用电信息不确定性对电力调度造成影响问题的面向用户的电网调度方法及装置、计算设备。
根据本发明的一个方面，提供了一种面向用户的电网调度方法，包括：
采集多个用户单元的用电侧信息；其中，所述用电节点的用户类型包括家庭用户、工业生产、商业运营以及充电站；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息；
预设所述用电节点的配给侧信息，其中，所述需求信息包括用电需求量、用电时间段以及用电优先级信息；
根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量；
根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。
在一种可选的方式中，所述用电设备包括固定设备和动态设备，其中，所述固定设备为用电功率和用电时间在预设范围的设备，所述动态设备包括新增固定设备和临时新增设备。
在一种可选的方式中，所述气象信息包括以下多者中的至少一者：气压、降水量、气温、湿度、风向、风速、日照时间、降雪量、天气、节假日以及特殊规定期间。
在一种可选的方式中，所述根据所述用电节点的用电侧信息和需求侧信息，预先训练得到用电节点用电量网络模型进一步包括：
将所述用电节点的用电侧信息按至少一个预设时间尺度划分为多个等值时间段的时间序列集合，得到所述多个等值时间段对应的滑动平均值的函数，其中，所述移动滑动值包括最大和最小值滑动平均值；
对所述用电节点的用电侧信息进行编码得到全局特征编码器和相应的解码器，对所述多个等值时间段的时间序列集合及对应的滑动平均值进行编码得到局部特征编码器和相应的解码器；
基于所述全局特征编码器、所述局部特征编码器及相应的解码器构建所述用电节点用电量网络模型。
在一种可选的方式中，所述用电节点用电量网络模型包括Transformer模块、CNN卷积层模块和双层LSTM模块，其中一个LSTM模块根据所述用电节点的配给侧信息引入自适应调节机制，其包括遗忘门、输入门以及输出门。
在一种可选的方式中，所述用电节点用电量网络模型还包括特征向量提取层，用于对所述多个等值时间段的用电侧信息进行融合得到抽象特征向量，所述得到抽象特征向量的定义为：
其中，j为用电节点用电量网络模型的网络层，ai (j)＝xi (j)时为条件时间序列，ai (j)＝y时为目标时间序列，xi为第i个变量的用电时间序列，y为目标需求用电量，ai (j)为第j层网络的第i维的输入，Wi (j)为第j层网络的第i个变量的权重，表示是否存在配给侧信息的相关权重，bi (j)为抽象特征向量提取的偏值。
在一种可选的方式中，所述卷积层模块包括至少一个并联的卷积层，各个卷积层用于对与其对应的用电量的时间序列执行卷积操作；
对应第i个用电量变量，第f个滤子输出第k个元素，卷积操作定义为：
其中，CS为每个卷积层的大小。
在一种可选的方式中，所述多个等值时间段对应的滑动平均值的函数为：
其中，为第i个时间段对应的最大滑动平均值，为第i个时间段对应的最小滑动平均值，i为第i个时间段在用电时间序列中的位置，Hi为第i个时间段内的最高用电量，Li为第i个时间段内的最低用电量，m为所有时间段的数量。
根据本发明的另一方面，提供了一种面向用户的电网调度装置，包括：
用电节点信息采集模块，用于采集多个用户单元的用电侧信息；其中，所述用电节点的用户类型包括家庭用户、工业生产、商业运营以及充电站；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息；
用电节点配置模块，用于预设所述用电节点的配给侧信息，其中，所述需求信息包括用电需求量、用电时间段以及用电优先级信息；
用电量预测模块，用于根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量；
电网调度模块，用于根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述面向用户的电网调度方法对应的操作。
根据本发明提供的方案，采集多个用户单元的用电侧信息；其中，所述用电节点的用户类型包括家庭用户、工业生产、商业运营以及充电站；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息；预设所述用电节点的配给侧信息，其中，所述需求信息包括用电需求量、用电时间段以及用电优先级信息；根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量；根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。本发明根据各个发电节点的剩余能力、用电节点的目标需求用电量和配给侧信息生成最优用电调度策略，实现电网对用户的用电设备的精准调度，提高了对整体用电的调控能力。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例的面向用户的电网调度方法的流程示意图；
图2示出了本发明实施例的训练用电节点用电量网络模型的流程示意图；
图3示出了本发明实施例的用电节点用电量网络模型示意图一；
图4示出了本发明实施例的用电节点用电量网络模型示意图二；
图5示出了本发明实施例的面向用户的电网调度装置的结构示意图；
图6示出了本发明实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例的面向用户的电网调度方法的流程示意图。本方法根据各个发电节点的剩余能力、用电节点的目标需求用电量和配给侧信息生成最优用电调度策略，以实现电网对用户的用电设备的精准调度。具体地，包括以下步骤：
步骤S101，采集多个用户单元的用电侧信息；其中，所述用电节点的用户类型包括家庭用户、工业生产、商业运营以及充电站；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息。
例如，采集用户的用电设备的电压信息和电流信息，根据用户的用电设备的电压信息和电流信息识别用户的用电设备的种类，记录用户不同用电设备的用电时刻以及用电时长。根据用电节点的用电信息(如用户用电倾向数据表)，可以预设发电节点的发电能力、供电能力。
在一种可选的方式中，所述气象信息包括以下多者中的至少一者：气压、降水量、气温、湿度、风向、风速、日照时间、降雪量、天气、节假日以及特殊规定期间。
例如，在预测次日的需求的情况下，基于到前一天为止的气象实绩数据和需求实绩数据以及日历，使用包含预测对象的月份日期在内的其前后的各天的气象实绩数据和需求实绩数据，建立气象与用电需求的预测模型，通过对预测模型输入预测对象日的气象预报，来预测用电需求。
步骤S102，预设所述用电节点的配给侧信息，其中，所述需求信息包括用电需求量、用电时间段以及用电优先级信息。
通过预设各种类型和区域的用电节点的配给侧信息，力求全网运行成本最低和能源资源的优化配置，实现全网经济效益的提升。
步骤S103，根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量。
例如，根据所述用电节点的历史用电侧信息(如具有不同特征的带有时间属性的历史用电数据)预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述下一个时刻用电节点的目标需求用电量。
传统(静态)神经网络的使用流程为：1)固定网络架构，初始化网络参数；2)训练阶段：在训练集上优化网络参数；3)推理阶段：固定网络架构与参数，输入测试样本进行前向传播，得到预测结果。静态网络在测试阶段，对所有的输入样本，均采用相同的网络架构与参数进行推理。可选地，用电节点用电量网络模型采用动态网络，在处理不同测试样本时，动态地调节自身的结构/参数，从而在推理效率、表达能力、自适应性等方面展现出卓越的优势。例如，模型能够针对不同输入样本，自适应地调节其结构或参数。分别从每个输入样本的空间、时间维度进行自适应推理。动态网络则可以在推理阶段根据输入样本自适应地调节自身的结构/参数，从而拥有诸多静态网络无法享有的良好特性。例如，用电节点用电量网络模型采用动态深度和/或动态宽度两个类型建立具有多条前向通道的超网络,然后采用一定的策略，对不同的输入样本进行动态路由，本文对此不加以限定。
在一种可选的方式中，所述根据所述用电节点的用电侧信息和需求侧信息，预先训练得到用电节点用电量网络模型进一步包括：
将所述用电节点的用电侧信息(采集的时间序列用电数据)按至少一个预设时间尺度划分为多个等值时间段的时间序列集合，得到所述多个等值时间段对应的滑动平均值的函数，其中，所述移动滑动值包括最大和最小值滑动平均值。可选地，对多个等值时间段的时间序列集合进行规范化处理，例如：多个规范化的时间序列数据的时间尺度为等比关系，多个规范化的时间序列数据的时间尺度为等差关系，多个规范化的时间序列数据的时间尺度为规则的离散关系。
对所述用电节点的用电侧信息进行编码得到全局特征编码器和相应的解码器，对所述多个等值时间段的时间序列集合及对应的滑动平均值进行编码得到局部特征编码器和相应的解码器。可选地，所述全局特征编码器包括由CNN网络构建的短期特征抽取器、向量量化模块、由多个注意力模块堆叠组成的Transformer编码器，其中，短期特征抽取器用于对输入时间序列进行短期特征提取得到时间序列的短期表示，向量量化模块用于对输入短期表示进行向量化编码，得到编码后的向量；Transformer编码器用于基于编码后的向量建立整条时间序列中的长期依赖关系，输出时间序列的全局特征表示。局部特征编码器的结构与全局特征编码器一致，该编码器的参数不参与反向传播调整，而是直接由自适应参数生成模块生成得到。卷积Transformer解码器由一个卷积模块和多个相同的注意力模块堆叠而成，其中，CNN模块结构与编码器中的CNN模块一致，注意力模块包含面向解码器输出的多头注意力网络。可选地，引入后向掩码机制防止在预测某一时刻数据时看到后面的数据。
基于所述全局特征编码器、所述局部特征编码器及相应的解码器构建所述用电节点用电量网络模型。例如，将全局特征表示和局部特征表示拼接后输入到CNN的Transformer解码器，得到预测步长的预测输出。
在一种可选的方式中，所述用电节点用电量网络模型包括Transformer模块、CNN卷积层模块和双层LSTM模块，其中一个LSTM模块根据所述用电节点的配给侧信息引入自适应调节机制，其包括遗忘门、输入门以及输出门。
其中一个LSTM模块根据所述用电节点的配给侧信息引入自适应调节机制，其包括遗忘门、输入门以及输出门，分别需要计算遗忘门信息，即上一时刻的信息有哪些需要保留到下一时刻；输入门信息，即当前时刻输入的信息需要保留多少；以及输出门信息，即当前状态的信息有多少需要作为当前输出值输出；整个训练过程需要学习的参数有6组，分别是遗忘门的权重矩阵和偏置项、输入门的权重矩阵和偏置项、输出门的权重矩阵和偏置项。如图3、图4所示，在自适应层的前端插入了LSTM模块，对于输入X，首先通过LSTM进行处理，输出与原输入进行融合之后，再作为输入传到自适应层，执行Transformer模块的操作。本实施例中的用电节点用电量网络模型能够同时提供LSTM和Transformer模块所提供的补充历史信息和自适应能力的信息表示，提高了模型能力，能够解决单个模型在不同大小数据集上性能表现不同的问题，如一般LSTM在小数据集上比Transformer表现更好，但Transformer在预训练后表现很突出。其中，自适应层(Adaptation Layer)用于完成源域和目标域数据的自适应。自适应层能够使得源域和目标域的数据分布更加接近，从而使得网络的效果更好。自适应层主要完成两部分的工作：一是哪些层可以自适应，这决定了网络的学习程度；二是采用什么样的自适应方法(度量准则)，这决定了网络的泛化能力。可以采用如AutoDIAL(Automatic DomaIn Alignment Layers)等自动深度网络自适应层，可以很简单地被加入现有的深度网络中，实现自动的自适应学习，采用何种深度网络的自适应层，本文对此不加以限定。
在一种可选的方式中，所述用电节点用电量网络模型还包括特征向量提取层，用于对所述多个等值时间段的用电侧信息进行融合得到抽象特征向量，所述得到抽象特征向量的定义为：
其中，j为用电节点用电量网络模型的网络层，ai (j)＝xi (j)时为条件时间序列，ai (j)＝y时为目标时间序列，xi为第i个变量的用电时间序列，y为目标需求用电量，ai (j)为第j层网络的第i维的输入，Wi (j)为第j层网络的第i个变量的权重，表示是否存在配给侧信息的相关权重，bi (j)为抽象特征向量提取的偏值。
现有的时间序列预测方法没有充分利用可获得序列的全部抽象特征，往往采用的是单变量时间序列预测，即仅利用预测目标时间序列的抽象特征进行预测。但实际上，事物是存在相互关联的，也就是说，在同一应用领域的不同变量的时间序列存在关联性和共现度，存在单变量时间序列特征的局限性，得到信息不够全面准确，预测结果不够精确。本实施例中，用电节点用电量网络模型采用特征向量提取层，对多个等值时间段的用电侧信息进行融合得到抽象特征向量，通过特征向量提取层和条件时间序列等，对不同变量的时间序列进行关联，进一步提高了预测精确度。
在一种可选的方式中，所述卷积层模块包括至少一个并联的卷积层，各个卷积层用于对与其对应的用电量的时间序列执行卷积操作；
对应第i个用电量变量，第f个滤子输出第k个元素，卷积操作定义为：
其中，CS为每个卷积层的大小。
卷积层模块是通过卷积滤子对特征提取层输出的临时特征进一步获取特征，包括对每一个变量时间序列的特征提取层输出分别进行卷积操作。卷积的目的是通过不同的卷积滤子得到抽象特征，这个过程是权值共享的，从而减小计算的复杂度。可选地，CS＝2。
在一种可选的方式中，所述多个等值时间段对应的滑动平均值的函数为：
其中，为第i个时间段对应的最大滑动平均值，为第i个时间段对应的最小滑动平均值，i为第i个时间段在用电时间序列中的位置，Hi为第i个时间段内的最高用电量，Li为第i个时间段内的最低用电量，m为所有时间段的数量。
将多个等值时间段用电量对应的最小滑动平均值、最大滑动平均值以及滑动平均值的函数值作为特征向量，喂入用电节点用电量网络模型，能够进一步提高模型的自适应能力,预测得到的各时间步长的用电量更加平稳。
步骤S104，根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。
剩余能力为剩余的发电能力(可以是发电功率等)、剩余的供电能力(可以是内存/存储电能的大小等)、剩余的电网带宽(可以是每秒传输的度数等)以及距离(发电节点至用电节点的距离)等信息。配给侧信息用于预设用电节点的优先模式和符合模式。例如，根据用电节点自身的需求，预设用电节点的优先模式和符合模式。该用电节点可以是家庭用户的用电节点，工业生产的用电节点，商业运营的用电节点或充电站的用电节点等。根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。例如，根据用电节点的目标需求用电量，可以预设对发电节点的发电能力高优先，供电能力强优先，电网带宽快优先或距离短优先等。也可以按照具体值或范围值设定优先模式，发电能力为100MW兆瓦优先，供电能力为10～20MW兆瓦优先等。或者，根不同用电区域的类别与供电节点数量的均衡性，通过调整每个节点区域的用电调度优先级进行电网调度。具体的用电调度策略或方式，本文对此不加以限制。
根据本发明提供的方案，采集多个用户单元的用电侧信息；其中，所述用电节点的用户类型包括家庭用户、工业生产、商业运营以及充电站；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息；预设所述用电节点的配给侧信息，其中，所述需求信息包括用电需求量、用电时间段以及用电优先级信息；根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量；根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。本发明根据各个发电节点的剩余能力、用电节点的目标需求用电量和配给侧信息生成最优用电调度策略，实现电网对用户的用电设备的精准调度，提高了对整体用电的调控能力。
图5示出了本发明实施例的面向用户的电网调度装置的结构示意图。面向用户的电网调度装置500包括：用电节点信息采集模块510、用电节点配置模块520、用电量预测模块530和电网调度模块540。
所述用电节点信息采集模块510，用于采集多个用户单元的用电侧信息；其中，所述用电节点的用户类型包括家庭用户、工业生产、商业运营以及充电站；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息；
所述用电节点配置模块520，用于预设所述用电节点的配给侧信息，其中，所述需求信息包括用电需求量、用电时间段以及用电优先级信息；
所述用电量预测模块530，用于根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量；
所述电网调度模块540，用于根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。
在一种可选的方式中，所述用电设备包括固定设备和动态设备，其中，所述固定设备为用电功率和用电时间在预设范围的设备，所述动态设备包括新增固定设备和临时新增设备。
在一种可选的方式中，所述气象信息包括以下多者中的至少一者：气压、降水量、气温、湿度、风向、风速、日照时间、降雪量、天气、节假日以及特殊规定期间。
在一种可选的方式中，所述用电量预测模块530进一步用于：
将所述用电节点的用电侧信息按至少一个预设时间尺度划分为多个等值时间段的时间序列集合，得到所述多个等值时间段对应的滑动平均值的函数，其中，所述移动滑动值包括最大和最小值滑动平均值；
对所述用电节点的用电侧信息进行编码得到全局特征编码器和相应的解码器，对所述多个等值时间段的时间序列集合及对应的滑动平均值进行编码得到局部特征编码器和相应的解码器；
基于所述全局特征编码器、所述局部特征编码器及相应的解码器构建所述用电节点用电量网络模型。
在一种可选的方式中，所述用电节点用电量网络模型包括Transformer模块、CNN卷积层模块和双层LSTM模块，其中一个LSTM模块根据所述用电节点的配给侧信息引入自适应调节机制，其包括遗忘门、输入门以及输出门。
在一种可选的方式中，所述用电节点用电量网络模型还包括特征向量提取层，用于对所述多个等值时间段的用电侧信息进行融合得到抽象特征向量，所述得到抽象特征向量的定义为：
其中，j为用电节点用电量网络模型的网络层，ai (j)＝xi (j)时为条件时间序列，ai (j)＝y时为目标时间序列，xi为第i个变量的用电时间序列，y为目标需求用电量，ai (j)为第j层网络的第i维的输入，Wi (j)为第j层网络的第i个变量的权重，表示是否存在配给侧信息的相关权重，bi (j)为抽象特征向量提取的偏值。
在一种可选的方式中，所述卷积层模块包括至少一个并联的卷积层，各
个卷积层用于对与其对应的用电量的时间序列执行卷积操作；
对应第i个用电量变量，第f个滤子输出第k个元素，卷积操作定义为：
其中，CS为每个卷积层的大小。
在一种可选的方式中，所述多个等值时间段对应的滑动平均值的函数为：
其中，为第i个时间段对应的最大滑动平均值，为第i个时间段对应的最小滑动平均值，i为第i个时间段在用电时间序列中的位置，Hi为第i个时间段内的最高用电量，Li为第i个时间段内的最低用电量，m为所有时间段的数量。
根据本发明提供的方案，采集多个用户单元的用电侧信息；其中，所述用电节点的用户类型包括家庭用户、工业生产、商业运营以及充电站；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息；预设所述用电节点的配给侧信息，其中，所述需求信息包括用电需求量、用电时间段以及用电优先级信息；根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量；根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。本发明根据各个发电节点的剩余能力、用电节点的目标需求用电量和配给侧信息生成最优用电调度策略，实现电网对用户的用电设备的精准调度，提高了对整体用电的调控能力。
图6示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。处理器602，用于执行程序610，具体可以执行上述面向用户的电网调度方法实施例中的相关步骤。
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种面向用户的电网调度方法，其特征在于，包括：
采集多个用户单元的用电侧信息；其中，所述用电节点的用户类型包括家庭用户、工业生产、商业运营以及充电站；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息；
预设所述用电节点的配给侧信息，其中，所述需求信息包括用电需求量、用电时间段以及用电优先级信息；
根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量；
根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。
2.根据权利要求1所述的面向用户的电网调度方法，其特征在于，所述用电设备包括固定设备和动态设备，其中，所述固定设备为用电功率和用电时间在预设范围的设备，所述动态设备包括新增固定设备和临时新增设备。
3.根据权利要求1或2所述的面向用户的电网调度方法，其特征在于，所述气象信息包括以下多者中的至少一者：气压、降水量、气温、湿度、风向、风速、日照时间、降雪量、天气、节假日以及特殊规定期间。
4.根据权利要求1所述的面向用户的电网调度方法，其特征在于，所述根据所述用电节点的用电侧信息和需求侧信息，预先训练得到用电节点用电量网络模型进一步包括：
将所述用电节点的用电侧信息按至少一个预设时间尺度划分为多个等值时间段的时间序列集合，得到所述多个等值时间段对应的滑动平均值的函数，其中，所述移动滑动值包括最大和最小值滑动平均值；
对所述用电节点的用电侧信息进行编码得到全局特征编码器和相应的解码器，对所述多个等值时间段的时间序列集合及对应的滑动平均值进行编码得到局部特征编码器和相应的解码器；
基于所述全局特征编码器、所述局部特征编码器及相应的解码器构建所述用电节点用电量网络模型。
5.根据权利要求1或4所述的面向用户的电网调度方法，其特征在于，所述用电节点用电量网络模型包括Transformer模块、CNN卷积层模块和双层LSTM模块，其中一个LSTM模块根据所述用电节点的配给侧信息引入自适应调节机制，其包括遗忘门、输入门以及输出门。
6.根据权利要求5所述的面向用户的电网调度方法，其特征在于，所述用电节点用电量网络模型还包括特征向量提取层，用于对所述多个等值时间段的用电侧信息进行融合得到抽象特征向量，所述得到抽象特征向量的定义为：
其中，j为用电节点用电量网络模型的网络层，ai (j)＝xi (j)时为条件时间序列，ai (j)＝y时为目标时间序列，xi为第i个变量的用电时间序列，y为目标需求用电量，ai (j)为第j层网络的第i维的输入，Wi (j)为第j层网络的第i个变量的权重，表示是否存在配给侧信息的相关权重，bi (j)为抽象特征向量提取的偏值。
7.根据权利要求5所述的面向用户的电网调度方法，其特征在于，所述卷积层模块包括至少一个并联的卷积层，各个卷积层用于对与其对应的用电量的时间序列执行卷积操作；
对应第i个用电量变量，第f个滤子输出第k个元素，卷积操作定义为：
其中，CS为每个卷积层的大小。
8.根据权利要求5所述的面向用户的电网调度方法，其特征在于，所述多个等值时间段对应的滑动平均值的函数为：
其中，为第i个时间段对应的最大滑动平均值，为第i个时间段对应的最小滑动平均值，i为第i个时间段在用电时间序列中的位置，Hi为第i个时间段内的最高用电量，Li为第i个时间段内的最低用电量，m为所有时间段的数量。
9.一种面向用户的电网调度装置，其特征在于，包括：
用电节点信息采集模块，用于采集多个用户单元的用电侧信息；其中，所述用电节点的用户类型包括家庭用户、工业生产、商业运营以及充电站；所述用电侧信息包括用电设备信息、历史购电信息、历史实际用电信息以及对应的气象信息；
用电节点配置模块，用于预设所述用电节点的配给侧信息，其中，所述需求信息包括用电需求量、用电时间段以及用电优先级信息；
用电量预测模块，用于根据所述用电节点的用电侧信息预先训练得到用电节点用电量网络模型，根据所述用电节点用电量网络模型预测所述用电节点的目标需求用电量；
电网调度模块，用于根据各个发电节点的剩余能力、所述用电节点的目标需求用电量和所述配给侧信息生成最优用电调度策略。
10.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-8中任一项所述的面向用户的电网调度方法对应的操作。
CN202311064082.1A 2023-08-22 2023-08-22 一种面向用户的电网调度方法及装置、计算设备 Active CN117293916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311064082.1A CN117293916B (zh) 2023-08-22 2023-08-22 一种面向用户的电网调度方法及装置、计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311064082.1A CN117293916B (zh) 2023-08-22 2023-08-22 一种面向用户的电网调度方法及装置、计算设备

Publications (2)

Publication Number Publication Date
CN117293916A true CN117293916A (zh) 2023-12-26
CN117293916B CN117293916B (zh) 2024-04-23

Family

ID=89243393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311064082.1A Active CN117293916B (zh) 2023-08-22 2023-08-22 一种面向用户的电网调度方法及装置、计算设备

Country Status (1)

Country Link
CN (1) CN117293916B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284001A (zh) * 2021-04-08 2021-08-20 南方电网数字电网研究院有限公司 用电量预测方法、装置、计算机设备和存储介质
KR20210131160A (ko) * 2020-04-23 2021-11-02 한국전력공사 딥러닝 모델 기반의 전력 수요 예측 장치 및 방법
CN115829134A (zh) * 2022-12-08 2023-03-21 国网山东省电力公司临沂供电公司 面向源网荷不确定性的供电调度方法及系统
CN116011651A (zh) * 2023-01-09 2023-04-25 国网浙江省电力有限公司 基于神经网络的电力数据流预测方法、装置、设备及介质
WO2023070960A1 (zh) * 2021-10-29 2023-05-04 中国华能集团清洁能源技术研究院有限公司 一种基于卷积transformer架构的风功率预测方法、系统及设备
CN116187601A (zh) * 2023-05-04 2023-05-30 华北理工大学 一种基于负荷预测的综合能源系统运行优化方法
WO2023093010A1 (zh) * 2021-11-26 2023-06-01 中国华能集团清洁能源技术研究院有限公司 基于深度学习融合模型的风电功率预测方法及设备
CN116436008A (zh) * 2023-03-28 2023-07-14 福建时代星云科技有限公司 一种用于光储充电站的电力调度方法及终端
CN116565846A (zh) * 2023-05-11 2023-08-08 国网上海市电力公司 一种虚拟电厂需求预测方法、系统及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210131160A (ko) * 2020-04-23 2021-11-02 한국전력공사 딥러닝 모델 기반의 전력 수요 예측 장치 및 방법
CN113284001A (zh) * 2021-04-08 2021-08-20 南方电网数字电网研究院有限公司 用电量预测方法、装置、计算机设备和存储介质
WO2023070960A1 (zh) * 2021-10-29 2023-05-04 中国华能集团清洁能源技术研究院有限公司 一种基于卷积transformer架构的风功率预测方法、系统及设备
WO2023093010A1 (zh) * 2021-11-26 2023-06-01 中国华能集团清洁能源技术研究院有限公司 基于深度学习融合模型的风电功率预测方法及设备
CN115829134A (zh) * 2022-12-08 2023-03-21 国网山东省电力公司临沂供电公司 面向源网荷不确定性的供电调度方法及系统
CN116011651A (zh) * 2023-01-09 2023-04-25 国网浙江省电力有限公司 基于神经网络的电力数据流预测方法、装置、设备及介质
CN116436008A (zh) * 2023-03-28 2023-07-14 福建时代星云科技有限公司 一种用于光储充电站的电力调度方法及终端
CN116187601A (zh) * 2023-05-04 2023-05-30 华北理工大学 一种基于负荷预测的综合能源系统运行优化方法
CN116565846A (zh) * 2023-05-11 2023-08-08 国网上海市电力公司 一种虚拟电厂需求预测方法、系统及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆继翔 等: "基于CNN-LSTM混合神经网络模型的短期负荷预测方法", 电力系统自动化, vol. 43, no. 08, 26 February 2019 (2019-02-26), pages 131 - 137 *

Also Published As

Publication number Publication date
CN117293916B (zh) 2024-04-23

Similar Documents

Publication Publication Date Title
Islam et al. Development of chaotically improved meta-heuristics and modified BP neural network-based model for electrical energy demand prediction in smart grid
CN108429256B (zh) 电力系统运行优化方法及终端设备
CN116523148B (zh) 一种配电网配变重过载预警方法、装置和设备
CN118333338B (zh) 充电管理平台的数据处理方法及系统
CN117578409A (zh) 一种电力市场环境下的多能互补优化调度方法及系统
CN115169723A (zh) 发电功率预测方法、负荷预测方法及模型训练方法
CN111193295A (zh) 一种考虑动态重构的配网灵活性提升鲁棒优化调度方法
CN113723793A (zh) 园区综合能源系统的实现方法、装置、设备和介质
CN116663870B (zh) 基于云计算的供热系统调度方法及系统
CN117293916B (zh) 一种面向用户的电网调度方法及装置、计算设备
CN117036101A (zh) 基于联邦学习的虚拟电厂居民需求响应预测方法及系统
Wang et al. Adaptive forecasting of diverse electrical and heating loads in community integrated energy system based on deep transfer learning
Zhu et al. Memetic algorithm for solving monthly unit commitment problem considering uncertain wind power
CN113298329A (zh) 训练、策略生成方法、系统、计算机装置及存储介质
Horichenko et al. Research and Software Implementation of Intelligent Method of Energy Consumption Control.
CN118353073B (zh) 基于经验模态分解的新能源储能优化配置方法及装置
Zhang et al. Decision-Oriented Learning for Future Power System Decision-Making under Uncertainty
Fernández-Fernández et al. A dynamic programming approach for power curtailment decision making on pv systems
CN116341836B (zh) 一种园区综合能源系统多能源市场运营方法及系统
CN115800275B (zh) 电力平衡调控配电方法、系统、设备及存储介质
CN118134157A (zh) 一种储能用电规划方法、装置及计算机设备
Rui et al. Graph reinforcement learning for flexible job shop scheduling under industrial demand response: A production and energy nexus perspective
CN118508452A (zh) 源网荷储电力系统的调度方法、装置、设备及存储介质
CN117610698A (zh) 基于碳交易的综合能源系统优化调度方法、服务器及系统
CN116526456A (zh) 基于b/s架构的电能路由器智能化集中控制方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant