CN117318049A - 一种基于系数校正的配电网柔性负荷建模方法及系统 - Google Patents
一种基于系数校正的配电网柔性负荷建模方法及系统 Download PDFInfo
- Publication number
- CN117318049A CN117318049A CN202311586001.4A CN202311586001A CN117318049A CN 117318049 A CN117318049 A CN 117318049A CN 202311586001 A CN202311586001 A CN 202311586001A CN 117318049 A CN117318049 A CN 117318049A
- Authority
- CN
- China
- Prior art keywords
- load
- active
- constant characteristic
- loads
- temperature
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000010438 heat treatment Methods 0.000 claims description 21
- 239000007787 solid Substances 0.000 claims description 18
- 238000004378 air conditioning Methods 0.000 claims description 10
- 238000005057 refrigeration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 7
- 230000004044 response Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于系数校正的配电网柔性负荷建模方法及系统,属于配电网技术领域,对主动配电网内的柔性负荷进行分类,包括恒特性负荷、电‑温特性负荷;建立恒特性负荷群的有功和无功模型;建立户内温度控制的电‑温负荷模型;采集历史气象数据以及节假日数据,以及对应日的三类恒特性负荷有功和无功功率值;建立三类恒特性负荷预测模型并进行训练;计算气象校正系数,分别对恒特性负荷群的有功和无功模型以及户内温度控制的电‑温负荷模型进行校正。本发明充分考虑柔性负荷之间的互动行为以及气候参数对模型的影响,使得柔性负荷的建模更准确。
Description
技术领域
本发明属于配电网技术领域,尤其是关于主动配电网故障判别技术领域,具体涉及一种基于系数校正的配电网柔性负荷建模方法及系统。
背景技术
随着智能电网的发展,系统中可以容纳大量的可再生能源发电和智能用电设施,供电系统与用户的互动也有了一定的通讯基础,负荷调度自此成为了智能电网的重要功能,负荷调度与传统调度的区别在于传统调度是电源能被调节而负荷处于自由使用状态,负荷调度是控制负荷的使用来适应电源发电的波动。
在众多用电负荷中,一部分负荷的用电需求必须随时满足,否则可能会造成比较大的经济损失,比如部分工业负荷;而存在一部分这样的负荷,它们的用电负荷功率可以在一定的范围内调整或者其用电时间可以在一定的范围内提前或延后,经过这样的调整并不会对该负荷的效果产生非常大的影响,这样的负荷,我们称之为“柔性负荷”,比如居民负荷中的空调、冰箱、电热水器等,也包括蓄电池、电动汽车等具有双向功率传输的负荷,这些可控负荷均可以按照电网的指令进行用电从而参与电力平衡调度。电力柔性负荷调控是缓解“源-荷”互动矛盾的有效措施。柔性负荷是以全网经济调控为目的,在规定区间内用电量可调节或者在不同时间段可转移,具有一定的灵活性、需求弹性和双向调节能力的负荷。可见对于柔性负荷准确建模是实现配电网科学调控的基础。
目前,针对柔性负荷响应特性方面的建模很多,如中国专利申请CN202310695875.7公开了一种基于配网优化调度的柔性负荷聚类方法,以电动汽车、空调为柔性负荷代表所建立的需求响应模型;根据实时调度为消除调度中的预测误差为主,并以调度补偿成本最小化为目标,建立需求响应模型的目标函数;设置需求响应模型的约束条件,使调度补充成本最小化,所述约束条件包括:配电网功率平衡约束、电价约束、备用约束以及用户舒适度约束;根据所述目标函数和约束条件对的所述需求响应模型进行求解,得到最低补偿成本,从而实现调度补偿成本最小化。
专利申请CN202211543345.2提出了一种灵活性资源聚合建模及协调控制方法该方法通过可控能量状态裕度指标为状态变量建立虚拟储能负荷的聚合模型,提出基于可控裕度指标的柔性负荷状态序列控制方法,实现对于负荷的联合调控;通过建立柔性负荷的分层优化调度架构,完成对多种类负荷的有效调度,解决大规模可调的灵活性资源参与电力系统的运行与控制的技术问题。
但是上述现有技术方案但都是借助引入负荷聚合或者负荷代理商的方式来研究总负荷的外特性,但没有考虑柔性负荷之间的互动行为,也没有考虑气候参数对模型的影响。
发明内容
为解决现有技术存在的上述问题,本发明公开了一种基于系数校正的配电网柔性负荷建模方法及系统。针对主动配电网源—荷互联互通、泛在感知与智能控制需求,在考虑对柔性负荷控制不同时间尺度需求的基础上,提出针对主动配电网故障重构的柔性负荷调控数学模型构建方法,分析柔性负荷运行特性、约束条件以及其对主动配电网的响应交互机理。
本发明具体采用以下技术方案。
一种基于系数校正的配电网柔性负荷建模方法,其特征在于,所述方法包括以下步骤:
步骤1:对主动配电网内的柔性负荷进行分类,包括恒特性负荷、电-温特性负荷;
步骤2:建立恒特性负荷群的有功和无功模型;
步骤3:建立户内温度控制的电-温负荷模型;
步骤4:采集历史气象数据以及节假日数据,以及对应日的三类恒特性负荷有功和无功功率值;
步骤5:建立三类恒特性负荷预测模型,并通过步骤4中预处理后的数据对负荷预测模型进行训练;
步骤6:将当前天气数据以及节假日数据分别归一化后,输入到训练模型后得到预测的三类有功和无功功率值;
步骤7:将三类恒特性负荷有功和无功功率值与最近一个月同时间段的有功和无功平均值的比值作为气象校正系数k1/k2/k3分别对步骤2中的恒特性负荷群的有功和无功模型以及步骤3中的户内温度控制的电-温负荷模型进行校正。
本发明进一步包括以下优选方案。
在步骤1中,所述电-温特性负荷为室内制冷/制热空调负荷。
在步骤2中,按照下式建立恒特性负荷群的有功和无功模型:
式中:为恒特性负荷群节点i点处的额定电压;/>为实际电压;/>为恒特性负荷群额定视在功率;/>、/>、/>分别为固定阻抗、固定电流、固定功率3种负荷所占比例的大小;/>,/>,/>分别为3种负荷的相角。
在步骤3中,按照下式建立户内温度控制的电-温负荷模型:
式中:为室内空气温度;/>为室内固体建筑物体温度;/>为室内空气的电导;/>为室外温度;/>为室内建筑物固体的电导;/>为空气的热质量;/>为建筑物的热质量;/>为进入室内空气的热量;/>为进入室内固体的热量;
设置温度控制区间,其中/>是设置的温度,电-温负荷在户内温度达到/>时开启,户内温度低于/>时关闭;通过对空调的开、关状态切换和温度值的设定来改变耗电量。
空调制冷模式运行负荷模型为:
制冷过程中耗电量为:
空调制热模式运行负荷模型为:
制热过程中耗电量为
式中:为t时间段内空调制冷制热的工作状态,0表示停止,1表示运行;/>为空调制冷的额定功率;/>为空调制热的额定功率;/>为空调制冷工作状态,/>为1时表示空调此时正在制冷,为0表示此时未进行制冷;/>为空调制热工作状态,为1时表示空调此时正在制热,为0时表示此时未进行制热。
在步骤4中,所采集的历史气象数据包括温度、湿度、风力天气预报数据,以及节假日、工作日两类数据。
对于天气预报数据,采用下式归一化处理:
其中,为气象数据归一化后的数值,/>为气象数据实际值,/>为该类气象数据的最小值,/>为该类气象数据的最大值;
工作日和节假日,使用变量a表示,当a=0表示工作日,a=1表示节假日。
在步骤5中,采用三层BP神经网络作为三类恒特性负荷预测模型;
所采用的损失函数为:
其中,Y为真实值,每次递归迭代得到的预测值,/>为精度阈值。
在步骤7中,分别计算预测得到的三类负荷有功和无功功率值与最近一个月同时间段的三类负荷有功和无功平均值的比值得到三类负荷的气象校正系数,即固定阻抗负荷有功气象校正系数、固定阻抗负荷无功气象校正系数/>、固定电流负荷有功气象校正系数、固定电流负荷无功气象校正系数/>、固定功率负荷有功气象校正系数/>、固定功率负荷无功气象校正系数/>;对步骤2中的恒特性负荷群的有功和无功模型修正如下:
式中:为恒特性负荷群节点i点处的额定电压;/>为实际电压;/>为恒特性负荷群额定视在功率;/>、/>、/>分别为固定阻抗、固定电流、固定功率3种负荷所占比例的大小;/>,/>,/>分别为3种负荷的相角;
对步骤3中的户内温度控制的电-温负荷模型的修正结果如下:
式中:为室内空气温度;/>为室内固体建筑物体温度;/>为室内空气的电导;/>为室外温度;/>为室内建筑物固体的电导;/>为空气的热质量;/>为建筑物的热质量;/>为进入室内空气的热量;/>为进入室内固体的热量。
本申请同时公开了一种基于前述方法的基于系数校正的配电网柔性负荷建模方法的建模系统,包括恒特性负荷群有功和无功模型建立模块、户内温度控制的电-温负荷模型建立模块、历史数据采集模块、恒特性负荷预测模型模块、气象校正系数计算模块;
所述恒特性负荷群有功和无功模型建立模块结合三类恒特性负荷建立恒特性负荷群有功和无功模型;
户内温度控制的电-温负荷模型建立模块基于户内温度控制建立电-温负荷模型;
历史数据采集模块采集历史气象数据以及节假日数据,以及对应日的三类恒特性负荷有功和无功功率值;
恒特性负荷预测模型模块建立恒特性负荷预测模型,并采用历史数据作为输入样本进行训练;
通过训练后的恒特性负荷预测模型预测三类恒特性负荷功率;
所述气象校正系数计算模块将预测三类负荷有功和无功功率值分别与最近一个月同时间段的有功和无功的比值作为气象校正系数,使用校正系数分别对恒特性负荷群的有功和无功模型以及户内温度控制的电-温负荷模型进行校正。
本发明相对于现有技术,具有以下有益的技术效果。
本发明通过对柔性负荷运行特性及其对主动配电网的响应交互机理的分析,探索了柔性负荷之间的互动规律,在对柔性负荷建模加以利用。本发明通过大量的数据分析,提出了气候参数对柔性负荷模型的影响因素,通过气象系数对柔性负荷模型进行校正。本发明的建模方法能够为主动配电网的分析、调控提供更精确的模型基础。
附图说明
图1为本发明系数校正的配电网柔性负荷建模方法的流程示意图。
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,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明的保护范围。
如图1所示,本申请公开了一种基于系数校正的配电网柔性负荷建模方法,包括以下步骤:
步骤1:对主动配电网内的柔性负荷进行分类,包括恒特性负荷、电-温特性负荷、电动汽车负荷;
步骤2:建立恒特性负荷群的有功和无功模型;
式中:为恒特性负荷群节点i点处的额定电压;/>为实际电压;/>为恒特性负荷群额定视在功率;/>、/>、/>分别为固定阻抗、固定电流、固定功率3种负荷所占比例的大小;/>,/>,/>分别为3种负荷的相角;
步骤3:建立户内温度控制的电-温负荷模型:
式中:为室内空气温度;/>为室内固体建筑物体温度;/>为室内空气的电导;/>为室外温度;/>为室内建筑物固体的电导;/>为空气的热质量;/>为建筑物的热质量;/>为进入室内空气的热量;/>为进入室内固体的热量;
设置温度控制区间,其中/>是设置的温度,电-温负荷在户内温度达到/>时开启,户内温度低于/>时关闭;通过对空调的开、关状态切换和温度值的设定来改变耗电量;
在本发明的优选实施方式中,户内温度控制的电-温负荷为空调负荷,并且将空调负荷分成制冷模式和制热模式这两种模式进行分别建模。
制冷模式运行负荷模型为:
制冷过程中耗电量为:
空调制热模式运行负荷模型为:
制热过程中耗电量为
式中:为t时间段内空调制冷制热的工作状态,0表示停止,1表示运行;/>为空调制冷的额定功率;/>为空调制热的额定功率;/>为空调制冷工作状态,为1时表示空调此时正在制冷,为0表示此时未进行制冷;/>为空调制热工作状态,/>为1时表示空调此时正在制热,为0时表示此时未进行制热。
步骤4:采集历史气象数据以及节假日数据,以及对应日的三类恒特性负荷有功和无功功率值;
所采集的历史气象数据包括温度、湿度、风力天气预报数据,以及节假日、工作日两类数据。对于天气预报数据,采用下式归一化处理:
其中,为气象数据归一化后的数值,/>为气象数据实际值,/>为该类气象数据的最小值,/>为该类气象数据的最大值;
工作日和节假日,使用变量a表示,当a=0表示工作日,a=1表示节假日。
步骤5:建立三类恒特性负荷预测模型;
采用深度神经网络建立三类恒特性负荷预测模型,在本发明的优选实施例中,采用三层BP神经网络构建恒特性负荷预测模型。基于三类负荷特性,本发明对递归迭代损失函数进行优化,具体损失函数为:
其中,Y为真实值,每次递归迭代得到的预测值,/>为精度阈值。
步骤6:将当前天气数据以及节假日数据分别归一化后,输入到训练模型后得到预测的三类有功和无功功率值;
步骤7:将三类有功和无功功率值与最近一个月同时间段的有功和无功的比值作为气象校正系数k1/k2/k3采用分别对步骤2中的恒特性负荷群的有功和无功模型以及户内温度控制的电-温负荷模型进行校正。
首先,分别计算预测得到的三类负荷有功和无功功率值与最近一个月同时间段的三类负荷有功和无功平均值的比值得到三类负荷的气象校正系数,即将固定阻抗负荷有功预测值与最近一个月内同时间段的固定阻抗负荷平均有功值的比值作为固定阻抗负荷有功气象校正系数,将固定阻抗负荷无功预测值与最近一个月内同时间段的固定阻抗负荷平均无功值的比值作为固定阻抗负荷无功气象校正系数/>,将固定电流负荷有功预测值与最近一个月内同时间段的固定电流负荷平均有功值的比值作为固定电流负荷有功气象校正系数/>,将固定电流负荷无功预测值与最近一个月内同时间段的固定电流负荷平均无功值的比值作为固定电流负荷无功气象校正系数/>,将固定功率负荷有功预测值与最近一个月内同时间段的固定功率负荷平均有功值的比值作为固定功率负荷有功气象校正系数/>,将固定功率负荷无功预测值与最近一个月内同时间段的固定功率负荷平均无功值的比值作为固定功率负荷无功气象校正系数/>。
本发明采用以下方式对恒特性负荷群的有功和无功模型进行修正:
式中:为恒特性负荷群节点i点处的额定电压;/>为实际电压;/>为恒特性负荷群额定视在功率;/>、/>、/>分别为固定阻抗、固定电流、固定功率3种负荷所占比例的大小;,/>,/>分别为3种负荷的相角;
经过仿真计算发现,三类负荷的有功气象校正系数对于电-温负荷模型同样具有正反馈作用,通过拟合,本发明采用对步骤3中的户内温度控制的电-温负荷模型进行修正:
式中:为室内空气温度;/>为室内固体建筑物体温度;/>为室内空气的电导;/>为室外温度;/>为室内建筑物固体的电导;/>为空气的热质量;/>为建筑物的热质量;/>为进入室内空气的热量;/>为进入室内固体的热量。
本申请同时公开了一种基于前述方法的基于系数校正的配电网柔性负荷建模方法的建模系统,包括恒特性负荷群有功和无功模型建立模块、户内温度控制的电-温负荷模型建立模块、历史数据采集模块、恒特性负荷预测模型模块、气象校正系数计算模块;
所述恒特性负荷群有功和无功模型建立模块结合三类恒特性负荷建立恒特性负荷群有功和无功模型;
户内温度控制的电-温负荷模型建立模块基于户内温度控制建立电-温负荷模型;
历史数据采集模块采集历史气象数据以及节假日数据,以及对应日的三类恒特性负荷有功和无功功率值;
恒特性负荷预测模型模块建立恒特性负荷预测模型,并采用历史数据作为输入样本进行训练;
通过训练后的恒特性负荷预测模型预测三类恒特性负荷功率;
所述气象校正系数计算模块将预测三类负荷有功和无功功率值分别与最近一个月同时间段的有功和无功的比值作为气象校正系数,使用校正系数分别对恒特性负荷群的有功和无功模型以及户内温度控制的电-温负荷模型进行校正。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于系数校正的配电网柔性负荷建模方法,其特征在于,所述方法包括以下步骤:
步骤1:对主动配电网内的柔性负荷进行分类,包括恒特性负荷、电-温特性负荷;其中,所述恒特性负荷包括固定阻抗、固定电流、固定功率三类恒特性负荷;
步骤2:建立恒特性负荷群的有功和无功模型;
步骤3:建立户内温度控制的电-温负荷模型;
步骤4:采集历史气象数据以及节假日数据,以及对应日的三类恒特性负荷有功和无功功率值;
步骤5:建立三类恒特性负荷预测模型,并通过步骤4中预处理后的数据对负荷预测模型进行训练;
步骤6:将当前天气数据以及节假日数据分别归一化后,输入到训练模型后得到预测的三类有功和无功功率值;
步骤7:将预测得到的三类恒特性负荷有功和无功功率值与最近一个月同时间段的三类恒特性负荷有功和无功平均值的比值作为气象校正系数,分别对步骤2中的恒特性负荷群的有功和无功模型以及步骤3中的户内温度控制的电-温负荷模型进行校正。
2.根据权利要求1所述的基于系数校正的配电网柔性负荷建模方法,其特征在于:
在步骤1中,所述电-温特性负荷为室内制冷/制热空调负荷。
3.根据权利要求2所述的基于系数校正的配电网柔性负荷建模方法,其特征在于:
在步骤2中,按照下式建立恒特性负荷群的有功和无功模型:
式中:为恒特性负荷群节点i点处的额定电压;/>为实际电压;/>为恒特性负荷群额定视在功率;/>、/>、/>分别为固定阻抗、固定电流、固定功率3种负荷所占比例的大小;,/>,/>分别为3种负荷的相角。
4.根据权利要求2或3所述的基于系数校正的配电网柔性负荷建模方法,其特征在于:
在步骤3中,按照下式建立户内温度控制的电-温负荷模型:
式中:为室内空气温度;/>为室内固体建筑物体温度;/>为室内空气的电导;/>为室外温度;/>为室内建筑物固体的电导;/>为空气的热质量;/>为建筑物的热质量;/>为进入室内空气的热量;/>为进入室内固体的热量;
设置温度控制区间,其中/>是设置的温度,电-温负荷在户内温度达到/>时开启,户内温度低于/>时关闭;通过对空调的开、关状态切换和温度值的设定来改变耗电量。
5.根据权利要求4所述的基于系数校正的配电网柔性负荷建模方法,其特征在于:
空调制冷模式运行负荷模型为:
制冷过程中耗电量为:
空调制热模式运行负荷模型为:
制热过程中耗电量为
式中:为t时间段内空调制冷制热的工作状态,0表示停止,1表示运行;/>为空调制冷的额定功率;/>为空调制热的额定功率;/>为空调制冷工作状态,/>为1时表示空调此时正在制冷,为0表示此时未进行制冷;/>为空调制热工作状态,/>为1时表示空调此时正在制热,为0时表示此时未进行制热。
6.根据权利要求1所述的基于系数校正的配电网柔性负荷建模方法,其特征在于:
在步骤4中,所采集的历史气象数据包括温度、湿度、风力天气预报数据,以及节假日、工作日两类数据。
7.根据权利要求6所述的基于系数校正的配电网柔性负荷建模方法,其特征在于:
对于天气预报数据,采用下式归一化处理:
其中,为气象数据归一化后的数值,/>为气象数据实际值,/>为气象数据的最小值,/>为气象数据的最大值;
工作日和节假日,使用变量a表示,当a=0表示工作日,a=1表示节假日。
8.根据权利要求1或7所述的基于系数校正的配电网柔性负荷建模方法,其特征在于:
在步骤5中,采用三层BP神经网络作为三类恒特性负荷预测模型;
所采用的损失函数为:
其中,Y为真实值,每次递归迭代得到的预测值,/>为精度阈值。
9.根据权利要求8所述的基于系数校正的配电网柔性负荷建模方法,其特征在于:
在步骤7中,分别计算预测得到的三类负荷有功和无功功率值与最近一个月同时间段的三类负荷有功和无功平均值的比值得到三类负荷的气象校正系数,即固定阻抗负荷有功气象校正系数、固定阻抗负荷无功气象校正系数/>、固定电流负荷有功气象校正系数/>、固定电流负荷无功气象校正系数/>、固定功率负荷有功气象校正系数/>、固定功率负荷无功气象校正系数/>;
采用气象校正系数对步骤2中的恒特性负荷群的有功和无功模型修正如下:
式中:/>为恒特性负荷群节点i点处的额定电压;/>为实际电压;/>为恒特性负荷群额定视在功率;/>、/>、/>分别为固定阻抗、固定电流、固定功率3种负荷所占比例的大小;/>,/>,/>分别为3种负荷的相角;
采用气象校正系数对步骤3中的户内温度控制的电-温负荷模型的修正结果如下:
式中:为室内空气温度;/>为室内固体建筑物体温度;/>为室内空气的电导;/>为室外温度;/>为室内建筑物固体的电导;/>为空气的热质量;/>为建筑物的热质量;/>为进入室内空气的热量;/>为进入室内固体的热量。
10.一种基于权利要求1-9任一项权利要求所述基于系数校正的配电网柔性负荷建模方法的建模系统,包括恒特性负荷群有功和无功模型建立模块、户内温度控制的电-温负荷模型建立模块、历史数据采集模块、恒特性负荷预测模型模块、气象校正系数计算模块;其特征在于:
所述恒特性负荷群有功和无功模型建立模块结合三类恒特性负荷建立恒特性负荷群有功和无功模型;
户内温度控制的电-温负荷模型建立模块基于户内温度控制建立电-温负荷模型;
历史数据采集模块采集历史气象数据以及节假日数据,以及对应日的三类恒特性负荷有功和无功功率值;
恒特性负荷预测模型模块建立恒特性负荷预测模型,并采用历史数据作为输入样本进行训练;
通过训练后的恒特性负荷预测模型预测三类恒特性负荷功率;
所述气象校正系数计算模块将预测三类负荷有功和无功功率值分别与最近一个月同时间段的有功和无功的比值作为气象校正系数,使用校正系数分别对步骤2中的恒特性负荷群的有功和无功模型以及步骤3中的户内温度控制的电-温负荷模型进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586001.4A CN117318049B (zh) | 2023-11-27 | 2023-11-27 | 一种基于系数校正的配电网柔性负荷建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586001.4A CN117318049B (zh) | 2023-11-27 | 2023-11-27 | 一种基于系数校正的配电网柔性负荷建模方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117318049A true CN117318049A (zh) | 2023-12-29 |
CN117318049B CN117318049B (zh) | 2024-02-13 |
Family
ID=89285135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311586001.4A Active CN117318049B (zh) | 2023-11-27 | 2023-11-27 | 一种基于系数校正的配电网柔性负荷建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117318049B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819606A (zh) * | 2010-01-27 | 2010-09-01 | 中国电力科学研究院 | 用于电力系统仿真的常用静态负荷元件模型建模方法 |
CN103617325A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 用电环境对负荷特性影响模型的建立方法 |
CN106022530A (zh) * | 2016-05-26 | 2016-10-12 | 国网山东省电力公司电力科学研究院 | 一种电力需求侧柔性负荷有功功率预测方法 |
KR101840738B1 (ko) * | 2017-09-28 | 2018-03-21 | (주)가교테크 | 공조장비의 실측 부하를 기반으로 한 건물의 냉난방부하 예측 방법 |
US20190384879A1 (en) * | 2018-06-13 | 2019-12-19 | State Grid Jiangsu Electric Power Co., Ltd. | Meteorology sensitive load power estimation method and apparatus |
CN110705802A (zh) * | 2019-10-11 | 2020-01-17 | 国网江苏省电力有限公司 | 一种基于多因素分段的配电网柔性负荷预测方法 |
WO2021073462A1 (zh) * | 2019-10-15 | 2021-04-22 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
CN113449900A (zh) * | 2021-01-27 | 2021-09-28 | 国网山东省电力公司济南供电公司 | 一种面向终端用户的综合能源优化方法及系统 |
CN114784790A (zh) * | 2022-03-11 | 2022-07-22 | 华电电力科学研究院有限公司 | 一种分布式能源站全负荷调节方法及系统 |
CN116667337A (zh) * | 2023-06-13 | 2023-08-29 | 广西电网有限责任公司电力科学研究院 | 一种基于配网优化调度的柔性负荷聚合建模方法 |
-
2023
- 2023-11-27 CN CN202311586001.4A patent/CN117318049B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819606A (zh) * | 2010-01-27 | 2010-09-01 | 中国电力科学研究院 | 用于电力系统仿真的常用静态负荷元件模型建模方法 |
CN103617325A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 用电环境对负荷特性影响模型的建立方法 |
CN106022530A (zh) * | 2016-05-26 | 2016-10-12 | 国网山东省电力公司电力科学研究院 | 一种电力需求侧柔性负荷有功功率预测方法 |
KR101840738B1 (ko) * | 2017-09-28 | 2018-03-21 | (주)가교테크 | 공조장비의 실측 부하를 기반으로 한 건물의 냉난방부하 예측 방법 |
US20190384879A1 (en) * | 2018-06-13 | 2019-12-19 | State Grid Jiangsu Electric Power Co., Ltd. | Meteorology sensitive load power estimation method and apparatus |
CN110705802A (zh) * | 2019-10-11 | 2020-01-17 | 国网江苏省电力有限公司 | 一种基于多因素分段的配电网柔性负荷预测方法 |
WO2021073462A1 (zh) * | 2019-10-15 | 2021-04-22 | 国网浙江省电力有限公司台州供电公司 | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 |
CN113449900A (zh) * | 2021-01-27 | 2021-09-28 | 国网山东省电力公司济南供电公司 | 一种面向终端用户的综合能源优化方法及系统 |
CN114784790A (zh) * | 2022-03-11 | 2022-07-22 | 华电电力科学研究院有限公司 | 一种分布式能源站全负荷调节方法及系统 |
CN116667337A (zh) * | 2023-06-13 | 2023-08-29 | 广西电网有限责任公司电力科学研究院 | 一种基于配网优化调度的柔性负荷聚合建模方法 |
Non-Patent Citations (1)
Title |
---|
刘剑星;: "城市配电网实用负荷预测方法研究", 电力技术, no. 3, pages 34 - 38 * |
Also Published As
Publication number | Publication date |
---|---|
CN117318049B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | A multistage home energy management system with residential photovoltaic penetration | |
Afram et al. | Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system | |
Zhang et al. | An optimal and learning-based demand response and home energy management system | |
CN105352108B (zh) | 一种基于空调用电模式的负荷优化控制方法 | |
Li et al. | Reinforcement learning of room temperature set-point of thermal storage air-conditioning system with demand response | |
Tang et al. | Data-driven model predictive control for power demand management and fast demand response of commercial buildings using support vector regression | |
Ali et al. | Optimized power control methodology using genetic algorithm | |
Vašak et al. | Modular hierarchical model predictive control for coordinated and holistic energy management of buildings | |
Mosaddegh et al. | Optimal demand response for distribution feeders with existing smart loads | |
CN114623569B (zh) | 一种基于深度强化学习的集群空调负荷差异化调控方法 | |
Xu et al. | Supply demand coordination for building energy saving: Explore the soft comfort | |
Qin et al. | Energy-efficient heating control for nearly zero energy residential buildings with deep reinforcement learning | |
Du et al. | Multi-regional building energy efficiency intelligent regulation strategy based on multi-objective optimization and model predictive control | |
Han et al. | Physical-data fusion modeling method for energy consumption analysis of smart building | |
Berouine et al. | A predictive control approach for thermal energy management in buildings | |
Bara et al. | Model-free load control for high penetration of solar photovoltaic generation | |
CN117318049B (zh) | 一种基于系数校正的配电网柔性负荷建模方法及系统 | |
CN116717839A (zh) | 供热控制方法、控制装置和供热系统 | |
Zemtsov et al. | Economic MPC based on LPV model for thermostatically controlled loads | |
CN117172499A (zh) | 一种基于强化学习的智慧社区能量优化调度方法、系统及存储介质 | |
Marantos et al. | Towards Plug&Play smart thermostats for building’s heating/cooling control | |
CN115051374A (zh) | 电采暖设备参与电力调峰的控制方法、装置和存储介质 | |
Qin et al. | Exploring new building energy saving control strategy application under the energy internet of things | |
Amasyali et al. | A data-driven, distributed game-theoretic transactional control approach for hierarchical demand response | |
Rastegarpour et al. | Energy Management in Buildings: Lessons Learnt for Modeling and Advanced Control Design |
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 |