CN117495055A - 基于综合能源集群协调智能配电装置及其方法 - Google Patents
基于综合能源集群协调智能配电装置及其方法 Download PDFInfo
- Publication number
- CN117495055A CN117495055A CN202311825376.1A CN202311825376A CN117495055A CN 117495055 A CN117495055 A CN 117495055A CN 202311825376 A CN202311825376 A CN 202311825376A CN 117495055 A CN117495055 A CN 117495055A
- Authority
- CN
- China
- Prior art keywords
- data
- power distribution
- power
- utilization area
- holiday
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000005611 electricity Effects 0.000 claims description 19
- 238000013480 data collection Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 230000002354 daily effect Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Abstract
本发明公开了基于综合能源集群协调智能配电装置及其方法，涉及智能配电技术领域，包括数据获取模块、处理分析模块和智能配电模块，数据获取模块用于获取各个用电区域的电力数据、环境因素数据和节假日数据；处理分析模块对环境因素数据和节假日数据进行处理分析得出配电占比；智能配电模块用于根据配电占比去分配各个用电区域的配电占比；本装置能够对影响各个用电区域配电占比的环境因素以及配电当天是否为节假日因素进行联立分析，进而预测得到适用于各个用电区域的配电占比，使得本装置能够对电力资源进行合理分配，进而避免部分用电区域电力供应不足或过剩的问题，提高了电力系统的运行效率。
Description
技术领域
本发明涉及智能配电技术领域，尤其涉及基于综合能源集群协调智能配电装置及其方法。
背景技术
综合能源系统是指一定区域内利用先进的物理信息技术和创新管理模式，整合区域内煤炭、石油、天然气、电能、热能等多种能源，实现多种异质能源子系统之间的协调规划、优化运行，协同管理、交互响应和互补互济。在满足系统内多元化用能需求的同时，要有效地提升能源利用效率，促进能源可持续发展的新型一体化的能源系统，目前的配电装置在对各个用电区域进行电力分配时，无法根据分配当天的节假日情况以及各个用电区域的环境因素数据对电力进行分配，从而使得目前的配电装置不能够对电力资源进行合理分配，从而造成部分用电区域电力供应不足或过剩的问题，使得电力系统的运行效率低下。
发明内容
针对现有技术存在的不足，本发明的目的在于提供基于综合能源集群协调智能配电装置及其方法，旨在解决上述技术问题。
为了实现上述目的，本发明采用了如下技术方案：
基于综合能源集群协调智能配电装置，包括数据获取模块、处理分析模块和智能配电模块；
数据获取模块，所述数据获取模块用于获取以当前时间为时间节点向前N天的各个用电区域的电力数据、环境因素数据和节假日数据，并将其输入至处理分析模块，其中N为人为设定的参数且N为大于等于7的正整数；
处理分析模块，所述处理分析模块用于对获取环境因素数据和节假日数据进行处理分析从而得到各个用电区域的配电占比，假设有M个用电区域，以任意一个用电区域A为例，处理分析模块对环境因素数据和节假日数据进行处理分析的具体过程如下：S1、构建节假日数据集；S2、对环境因素数据进行标准化操作，从而分别得到标准平均温度数据集、标准平均湿度数据集和标准平均风速数据集；S3、构造输入样本矩阵；S4、创建M个样本输入通道，然后将M个输入样本矩阵作为输入样本一一输入至M个样本输入通道中，并对各个样本输入通道中的输入样本矩阵进行卷积操作从而得到M个特征矩阵；S5、计算各个样本输入通道的特征矩阵的特征均值TJ；S6、将各个样本输入通道的特征均值输入至全连接层，通过全连接层对各个样本输入通道的特征均值进行拼接得到特征均值向量；S7、将特征均值向量的各个分量作为输出层的输入数据输入至输出层中进行计算得到各个用电区域的配电占比；
智能配电模块，所述智能配电模块用于根据处理分析模块对环境因素数据和节假日数据进行处理分析得到的各个用电区域的配电占比去分配各个用电区域的配电占比。
优选地，所述S1中构造节假日数据集的过程如下，以当前时间节点向前N天的日期为起点再以当前时间节点的日期为终点，得到节假日数据集{0、0、...、1、0}，其中若当天为节假日则将当天标记为1，否则标记为0，采集数据的总天数为N。
优选地，所述电力数据包括各个用电区域每天的配电占比，所述环境因素数据包括各个用电区域的当天的平均温度、当天的平均湿度以及当天的平均风速，所述节假日数据包括是节假日和非节假日。
优选地，所述S2中以平均温度T为例，通过公式Tb=获取平均温度数据经过标准化后的数据，其中Tb表示平均温度数据经过标准化后的数据，/>表示为每天的平均温度数值，/>表示为所有平均温度数值的均值，/>表示为所有平均温度数值的标准差，从而得到标准平均温度数据集，同理对于平均湿度和平均风速也分别进行上述标准化操作，进而分别得到标准平均湿度数据集和标准平均风速数据集。
优选地，所述S4中的卷积操作通过以下公式实现，其中/>表示代号为j的用电区域所对应的样本输入通道所输出的特征矩阵，/>表示代号为j的用电区域所对应的输入至样本输入通道的输入样本矩阵，/>表示代号为j的用电区域所对应的样本输入通道的权重系数矩阵，/>表示代号为j的用电区域所对应的样本输入通道的偏置项，⊙表示点积，且权重系数矩阵的尺寸均为4×4，4×4表示权重系数矩阵为四行四列，滑动窗口步长设定为1，得到的特征矩阵的尺寸为1×N-3，1×N-3表示特征矩阵为一行N-3列。
优选地，所述S7中输出层对特征均值向量的各个分量通过公式
，
计算得出各个用电区域的配电占比，其中表示代号为j的用电区域的配电占比，表示特征均值向量第t列的分量数值。
基于综合能源集群协调智能配电装置的配电方法，采用上述的智能配电装置，包括以下步骤：
步骤一、数据获取模块获取以当前时间为时间节点向前N天的各个用电区域的电力数据、环境因素数据和节假日数据；
步骤二、处理分析模块对各个用电区域的环境因素数据和节假日数据进行处理分析，并最终得出各个用电区域的配电占比；
步骤三、智能配电模块根据处理分析模块对环境因素数据和节假日数据进行处理分析得到的各个用电区域的配电占比去分配各个用电区域的配电占比。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本装置能够对影响各个用电区域配电占比的环境因素以及配电当天是否为节假日因素进行联立分析，进而预测得到适用于各个用电区域的配电占比，使得本装置能够对电力资源进行合理分配，进而避免部分用电区域电力供应不足或过剩的问题，提高了电力系统的运行效率。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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附图。
图1示出了基于综合能源集群协调智能配电装置的结构示意图。
图2示出了处理分析模块以任意一个用电区域A为例对环境因素数据和节假日数据进行处理分析的流程图。
图3示出了基于综合能源集群协调智能配电装置的配电方法的流程图。
图例说明：
1、数据获取模块；2、处理分析模块；3、智能配电模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的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，都属于本发明保护的范围。
参照图1至图3对本发明基于综合能源集群协调智能配电装置及其方法实施例做进一步说明。
实施例一：请参照图1-图2，基于综合能源集群协调智能配电装置，包括数据获取模块1、处理分析模块2和智能配电模块3；
数据获取模块1，所述数据获取模块1用于获取以当前时间为时间节点向前N天的各个用电区域的电力数据、环境因素数据和节假日数据，并将其输入至处理分析模块2，所述电力数据包括各个用电区域每天的配电占比，其中N为人为设定的参数且N为大于等于7的正整数；所述环境因素数据包括各个用电区域的当天的平均温度、当天的平均湿度以及当天的平均风速；所述节假日数据包括是节假日和非节假日；需要说明的是，各个用电区域以当前时间为节点向前N天的每天的实际配电占比可从当地配电局的历史数据中联网获取；各个用电区域以当前时间为节点向前N天的每天的平均温度、平均湿度以及平均风速可从当地气象局的历史数据中联网获取，其中计算平均温度的温度数据、计算平均湿度的湿度数据以及计算平均风速的风速数据可分别通过温度传感器、湿度传感器和风速传感器获取。
处理分析模块2，所述处理分析模块2用于对获取环境因素数据和节假日数据进行处理分析从而得到各个用电区域的配电占比。
假设有M个用电区域，以任意一个用电区域A为例，处理分析模块2对环境因素数据和节假日数据进行处理分析的具体过程如下：
S1、构建节假日数据集，以当前时间节点向前N天的日期为起点再以当前时间节点的日期为终点，得到节假日数据集{0、0、...、1、0}，其中若当天为节假日则将当天标记为1，否则标记为0，采集数据的总天数为N。
S2、对环境因素数据进行标准化操作，如以平均温度T为例，通过公式Tb=获取平均温度数据经过标准化后的数据，其中Tb表示平均温度数据经过标准化后的数据，/>表示为每天的平均温度数值，/>表示为所有平均温度数值的均值，/>表示为所有平均温度数值的标准差，从而得到标准平均温度数据集，同理对于平均湿度和平均风速也分别进行上述标准化操作，从而分别得到标准平均湿度数据集和标准平均风速数据集。
S3、构造输入样本矩阵，将标准平均温度数据集、标准平均湿度数据集、标准平均风速数据集和节假日数据集进行组合，从而得到用电区域A的输入样本矩阵，需要说明的是输入样本矩阵尺寸为4行N列，N为采集数据的总天数，且用电区域A输入样本矩阵每一列向量的分量分别对应用电区域A当天的标准平均温度、当天的标准平均湿度、当天的标准平均风速、当天的实际配电量以及当天是否为节假日，同理对于剩下的M-1个用电区域也进行上述操作，从而分别得到与M-1个用电区域一一对应的输入样本矩阵。
S4、创建M个样本输入通道，然后将M个输入样本矩阵作为输入样本一一输入至M个样本输入通道中，并对各个样本输入通道中的输入样本矩阵进行卷积操作从而得到M个特征矩阵，其中卷积操作通过以下公式实现，其中/>表示代号为j的用电区域所对应的样本输入通道所输出的特征矩阵，/>表示代号为j的用电区域所对应的输入至样本输入通道的输入样本矩阵，/>表示代号为j的用电区域所对应的样本输入通道的权重系数矩阵，/>表示代号为j的用电区域所对应的样本输入通道的偏置项，⊙表示点积，且权重系数矩阵的尺寸均为4×4，4×4表示权重系数矩阵为四行四列，滑动窗口步长设定为1，得到的特征矩阵的尺寸为1×N-3，1×N-3表示特征矩阵为一行N-3列。
需要说明的是权重系数矩阵和偏置项通过对训练数据集中的数据进行训练得到的，具体为对权重系数矩阵和偏置项进行随机初始化，再将训练数据集中的数据作为训练样本输入，通过卷积神经网络的前向传播计算，进而得到预测的各个区域的配电占比，将预测的各个区域的配电占比与相对应的真实的各个区域的配电占比进行比较，计算损失函数的值，此处的损失函数选用基于softmax的交叉熵函数，然后再根据损失函数利用反向传播算法计算每个权重系数和偏置项对损失函数的梯度，需要说明的是反向传播算法是一种常用的神经网络训练算法，在此不做详细说明；使用优化算法根据每个权重系数和偏置项对损失函数的梯度来更新权重系数和偏置项的数值，需要说明的是优化算法可采用自适应学习率算法，如Adagrad、RMSProp、Adam等；重复上述操作，直至损失函数收敛于预设的阈值，输出此时的权重系数和偏置项，进而得到了训练后的权重系数矩阵和偏置项。
所述训练数据集通过如下步骤获得：按相应抽取比例从节假日数据集中抽取节假日数据，然后再分别从标准平均温度数据集、标准平均湿度数据集和标准平均风速数据集中以等量抽取比例一一对应的抽取标准平均温度数据、标准平均湿度数据和标准平均风速数据，从而得到训练数据集，需要说明的是抽取比例为人为设定的。
S5、计算各个样本输入通道的特征矩阵的特征均值TJ，其中
，
N表示为采集数据的总天数，表示为特征矩阵中第i列的数值。
S6、将各个样本输入通道的特征均值输入至全连接层，通过全连接层对各个样本输入通道的特征均值进行拼接得到特征均值向量，需要说明的是特征均值向量为一维向量，其尺寸为1×M，其中1表示特征均值向量的行数，M表示特征均值向量的列数。
S7、将特征均值向量的各个分量作为输出层的输入数据输入至输出层中，通过公式
，
从而得到各个用电区域的配电占比，其中表示代号为j的用电区域的配电占比，表示特征均值向量第t列的分量数值，输出层的激活函数采用的是softmax函数。
通过设置有处理分析模块2，使得本装置能够对影响各个用电区域配电占比的环境因素以及配电当天是否为节假日因素进行联立分析，进而预测得到适用于各个用电区域的配电占比，使得本装置能够对电力资源进行合理分配，进而避免部分用电区域电力供应不足或过剩的问题，提高了电力系统的运行效率。
智能配电模块3，所述智能配电模块3用于根据处理分析模块2对环境因素数据和节假日数据进行处理分析得到的各个用电区域的配电占比去分配各个用电区域的配电占比。
实施例二：请参照图3，基于综合能源集群协调智能配电装置的配电方法，采用上述的智能配电装置，包括以下步骤：步骤一、数据获取模块获取以当前时间为时间节点向前N天的各个用电区域的电力数据、环境因素数据和节假日数据；步骤二、处理分析模块对各个用电区域的环境因素数据和节假日数据进行处理分析，并最终得出各个用电区域的配电占比；步骤三、智能配电模块根据处理分析模块对环境因素数据和节假日数据进行处理分析得到的各个用电区域的配电占比去分配各个用电区域的配电占比。
工作原理：工作时，本装置通过数据获取模块1获取以当前时间为时间节点向前N天的各个用电区域的电力数据、环境因素数据和节假日数据，然后通过处理分析模块2将影响各个用电区域配电占比的环境因素数据和节假日数据进行联立分析，从而得到能够预测各个用电区域配电占比的卷积神经网络模型，使得本装置在对各个用电区域进行配电时，通过将各个用电区域以当前时间为时间节点向前N天的每天的平均温度、每天的平均湿度、每天的平均风速以及每天是否为节假日作为卷积神经网络模型的输入，从而输出当前时间的各个用电区域的配电占比，智能配电模块3通过处理分析输出的配电占比对各个用电区域进行配电分配。
实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.基于综合能源集群协调智能配电装置，其特征在于，包括数据获取模块（1）、处理分析模块（2）和智能配电模块（3）；
数据获取模块（1），所述数据获取模块（1）用于获取以当前时间为时间节点向前N天的各个用电区域的电力数据、环境因素数据和节假日数据，并将其输入至处理分析模块（2），其中N为人为设定的参数且N为大于等于7的正整数；
处理分析模块（2），所述处理分析模块（2）用于对获取环境因素数据和节假日数据进行处理分析从而得到各个用电区域的配电占比，假设有M个用电区域，以任意一个用电区域A为例，处理分析模块（2）对环境因素数据和节假日数据进行处理分析的具体过程如下：S1、构建节假日数据集；S2、对环境因素数据进行标准化操作，从而分别得到标准平均温度数据集、标准平均湿度数据集和标准平均风速数据集；S3、构造输入样本矩阵；S4、创建M个样本输入通道，然后将M个输入样本矩阵作为输入样本一一输入至M个样本输入通道中，并对各个样本输入通道中的输入样本矩阵进行卷积操作从而得到M个特征矩阵；S5、计算各个样本输入通道的特征矩阵的特征均值TJ；S6、将各个样本输入通道的特征均值输入至全连接层，通过全连接层对各个样本输入通道的特征均值进行拼接得到特征均值向量；S7、将特征均值向量的各个分量作为输出层的输入数据输入至输出层中进行计算得到各个用电区域的配电占比；
智能配电模块（3），所述智能配电模块（3）用于根据处理分析模块（2）对环境因素数据和节假日数据进行处理分析得到的各个用电区域的配电占比去分配各个用电区域的配电占比。
2.根据权利要求1所述的基于综合能源集群协调智能配电装置，其特征在于，所述S1中构造节假日数据集的过程如下，以当前时间节点向前N天的日期为起点再以当前时间节点的日期为终点，得到节假日数据集{0、0、...、1、0}，其中若当天为节假日则将当天标记为1，否则标记为0，采集数据的总天数为N。
3.根据权利要求1所述的基于综合能源集群协调智能配电装置，其特征在于，所述电力数据包括各个用电区域每天的配电占比，所述环境因素数据包括各个用电区域的当天的平均温度、当天的平均湿度以及当天的平均风速，所述节假日数据包括是节假日和非节假日。
4.根据权利要求1所述的基于综合能源集群协调智能配电装置，其特征在于，所述S2中以平均温度T为例，通过公式Tb=获取平均温度数据经过标准化后的数据，其中Tb表示平均温度数据经过标准化后的数据，/>表示为每天的平均温度数值，/>表示为所有平均温度数值的均值，/>表示为所有平均温度数值的标准差，从而得到标准平均温度数据集，同理对于平均湿度和平均风速也分别进行上述标准化操作，进而分别得到标准平均湿度数据集和标准平均风速数据集。
5.根据权利要求1所述的基于综合能源集群协调智能配电装置，其特征在于，所述S4中的卷积操作通过以下公式实现，其中/>表示代号为j的用电区域所对应的样本输入通道所输出的特征矩阵，/>表示代号为j的用电区域所对应的输入至样本输入通道的输入样本矩阵，/>表示代号为j的用电区域所对应的样本输入通道的权重系数矩阵，/>表示代号为j的用电区域所对应的样本输入通道的偏置项，⊙表示点积，且权重系数矩阵的尺寸均为4×4，4×4表示权重系数矩阵为四行四列，滑动窗口步长设定为1，得到的特征矩阵的尺寸为1×N-3，1×N-3表示特征矩阵为一行N-3列。
6.根据权利要求1所述的基于综合能源集群协调智能配电装置，其特征在于，所述S7中输出层对特征均值向量的各个分量通过公式
，
计算得出各个用电区域的配电占比，其中表示代号为j的用电区域的配电占比，/>表示特征均值向量第t列的分量数值。
7.基于综合能源集群协调智能配电装置的配电方法，采用如权利要求1-6任一所述的智能配电装置，其特征在于，包括以下步骤：
步骤一、数据获取模块（1）获取以当前时间为时间节点向前N天的各个用电区域的电力数据、环境因素数据和节假日数据；
步骤二、处理分析模块（2）对各个用电区域的环境因素数据和节假日数据进行处理分析，并最终得出各个用电区域的配电占比；
步骤三、智能配电模块（3）根据处理分析模块（2）对环境因素数据和节假日数据进行处理分析得到的各个用电区域的配电占比去分配各个用电区域的配电占比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311825376.1A CN117495055A (zh) | 2023-12-28 | 2023-12-28 | 基于综合能源集群协调智能配电装置及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311825376.1A CN117495055A (zh) | 2023-12-28 | 2023-12-28 | 基于综合能源集群协调智能配电装置及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117495055A true CN117495055A (zh) | 2024-02-02 |
Family
ID=89676728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311825376.1A Pending CN117495055A (zh) | 2023-12-28 | 2023-12-28 | 基于综合能源集群协调智能配电装置及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117495055A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
| CN110782094A (zh) * | 2019-10-28 | 2020-02-11 | 国网江苏省电力有限公司苏州供电分公司 | 一种居民用户细粒度用电行为的分项负荷预测方法 |
| CN115358437A (zh) * | 2022-06-30 | 2022-11-18 | 桂林电子科技大学 | 基于卷积神经网络的供电负荷预测方法 |
| CN115545333A (zh) * | 2022-10-24 | 2022-12-30 | 国网上海市电力公司 | 一种多负荷日类型配电网负荷曲线预测方法 |
-
2023
- 2023-12-28 CN CN202311825376.1A patent/CN117495055A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
| CN110782094A (zh) * | 2019-10-28 | 2020-02-11 | 国网江苏省电力有限公司苏州供电分公司 | 一种居民用户细粒度用电行为的分项负荷预测方法 |
| CN115358437A (zh) * | 2022-06-30 | 2022-11-18 | 桂林电子科技大学 | 基于卷积神经网络的供电负荷预测方法 |
| CN115545333A (zh) * | 2022-10-24 | 2022-12-30 | 国网上海市电力公司 | 一种多负荷日类型配电网负荷曲线预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm | |
| CN108154258B (zh) | 空气源热泵负荷的预测方法、装置、存储介质和处理器 | |
| Li et al. | Spatio-temporal modeling with enhanced flexibility and robustness of solar irradiance prediction: a chain-structure echo state network approach | |
| CN110851892B (zh) | 一种园区级综合能源系统辅助设计方法及系统 | |
| Peng et al. | Dual-stage attention-based long-short-term memory neural networks for energy demand prediction | |
| Lau et al. | Modelling carbon emissions in electric systems | |
| CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
| CN117006654A (zh) | 基于边缘计算的空调负荷控制系统及其方法 | |
| Hu et al. | Edge intelligence for real-time data analytics in an IoT-based smart metering system | |
| CN116845889B (zh) | 一种基于层次化超图神经网络的电力负载预测方法 | |
| Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
| CN117495055A (zh) | 基于综合能源集群协调智能配电装置及其方法 | |
| Acquah et al. | Spatiotemporal Sequence-to-Sequence Clustering for Electric Load Forecasting | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| CN116485139A (zh) | 一种基于多特征融合的短期光伏发电量预测方法 | |
| CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
| CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
| CN111915084A (zh) | 一种基于神经网络的混合型光伏发电功率预测方法及系统 | |
| Liu et al. | SFCL: Electricity Consumption Forecasting of CNN-LSTM Based on Similar Filter | |
| CN117407681B (zh) | 一种基于向量聚类的时序数据预测模型建立方法 | |
| CN116227753B (zh) | 一种变化环境下水资源优化配置方法 | |
| CN114139835A (zh) | 一种电力负荷预测关键因素的辨识方法及系统 | |
| CN113128064B (zh) | 用于仿真的热电数据聚合方法、系统、装置及存储介质 | |
| CN117609829A (zh) | 一种基于多标签一致深度字典学习的负荷辨识方法 | |
| CN117810984A (zh) | 一种分布式光伏发电功率预测方法、系统、设备及介质 |
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 |