CN117895509B - 一种多能源耦合型配电网调度方法及系统 - Google Patents
一种多能源耦合型配电网调度方法及系统 Download PDFInfo
- Publication number
- CN117895509B CN117895509B CN202410288019.4A CN202410288019A CN117895509B CN 117895509 B CN117895509 B CN 117895509B CN 202410288019 A CN202410288019 A CN 202410288019A CN 117895509 B CN117895509 B CN 117895509B
- Authority
- CN
- China
- Prior art keywords
- energy
- date
- power supply
- energy source
- year
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008878 coupling Effects 0.000 title claims abstract description 18
- 238000010168 coupling process Methods 0.000 title claims abstract description 18
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 18
- 230000002776 aggregation Effects 0.000 claims abstract description 34
- 238000004220 aggregation Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 15
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 6
- 238000011105 stabilization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及用于预测目的的数据处理领域，具体涉及一种多能源耦合型配电网调度方法及系统，包括：采集多能源使用方的供电量作为供电数据；根据每种能源的供电数据获得每种能源的第一稳定程度；根据每种能源在预测日期的供电数据获得每种能源在日期邻域范围下的差异系数；根据每种能源在日期邻域范围下的差异系数获得预测日期所在年的最近的每一年的聚集程度；根据聚集程度获得每种能源的第二稳定程度；根据每种能源的第一稳定程度和第二稳定程度获得每种能源预测日期的冗余系数；根据每种能源预测日期的冗余系数对供电数据的预测进行调整。本发明通过提高数据预测精度，完成配电网对多能源耦合型电网电力协调。
Description
技术领域
本发明涉及用于预测目的的数据处理领域，具体涉及一种多能源耦合型配电网调度方法及系统。
背景技术
多能源耦合型配电网是指将不同类型的能源资源如传统电网、太阳能、风能等整合在一起，通过智能化的系统进行电力协调、优化和管理，配电网的设计满足提高能源系统的效率、可靠性，并促进可持续能源的使用，其中电力协调主要将使用方的历史用电需求作为预测数据基础。通常使用基于改进粒子群的小波神经网络综合能源系统短期负荷预测算法获得使用方的未来用电需求，但因配电网的电力受到多能源的影响，使得所选取用于预测的电力数据中未给出合适的冗余量，造成预测的结果出现较大偏差，降低了多能源耦合型配电网调度的效率。
发明内容
本发明提供一种多能源耦合型配电网调度方法及系统，以解决现有的问题：因配电网的电力受到多能源影响，导致预测的结果出现较大偏差，致使多能源耦合性配电网调度出现偏差。
本发明的一种多能源耦合型配电网调度方法及系统采用如下技术方案：
本发明一个实施例提供了一种多能源耦合型配电网调度方法，该方法包括以下步骤：
在若干年中，获取使用方每种能源每天的供电量作为每种能源的供电数据；
根据每种能源的供电数据，获得每种能源的第一稳定程度；
根据每种能源的供电数据，获得每种能源在日期邻域范围下的差异系数；根据每种能源在日期邻域范围下的差异系数，获得每种能源的最佳优选日期范围；
根据每种能源的最佳优选日期范围，获得每种能源的分析序列集合；根据每种能源的分析序列集合，获得每种能源距离预测日期所在年的最近年邻域范围的聚集程度；
根据每种能源距离预测日期所在年的最近年邻域范围的聚集程度和每种能源分析序列集合中所有供电数据，获得每种能源的第二稳定程度；根据每种能源的第一稳定程度和第二稳定程度获得每种能源的冗余系数；
根据每种能源的冗余系数对供电数据的预测进行调整，获得数据基础用于调控用电量。
进一步地，所述根据每种能源的供电数据，获得每种能源的第一稳定程度，包括的具体公式为：
其中，为第/>种能源的第一稳定程度，/>为第/>年的天数，/>为所有供电数据的总采集年份，/>表示第/>种能源在第/>年内第/>天的供电数据，/>表示第/>种能源在所有年份中第/>天的供电数据的均值，/>为第/>种能源在所有年份中第/>天的供电数据的标准差，/>表示第/>种能源的所有供电数据中最大值减去最小值的差值，/>表示归一化函数，/>为以自然常数为底的指数函数。
进一步地，所述根据每种能源的供电数据，获得每种能源在日期邻域范围下的差异系数，包括的具体公式为：
其中，为第/>种能源的预测日期的供电数据在日期邻域范围/>下的差异系数，为第/>种能源在第/>年中第/>个日期的供电数据，/>为第/>种能源在第/>年中第个日期的供电数据，/>为所有供电数据的总采集年份，/>表示/>函数，预测日期属于第/>个日期，所述预测日期为获取的所有供电数据之后的一天。
进一步地，所述根据每种能源在日期邻域范围下的差异系数，获得每种能源的最佳优选日期范围，包括的具体步骤为：
根据第种能源的预测日期的供电数据在日期邻域范围/>下的差异系数，组成一个差异系数序列/>，其中，/>、/>以及/>分别表示第/>种能源的预测日期的供电数据在日期邻域范围/>为1、2以及100下的差异系数；
在差异系数序列，按照序列顺序依次判定相邻两个数据是否相等，将第一个相等的相邻两个数据中的前一个数据的序数值，记为最佳优选日期，得到最佳优选日期范围为/>。
进一步地，所述根据每种能源的最佳优选日期范围，获得每种能源的分析序列集合，包括的具体步骤为：
将第种能源的最佳优选日期范围内每一年的供电数据构成一个数据序列，将第/>种能源的最佳优选日期范围内所有年的数据序列构成一个序列集合，记为第/>种能源的分析序列集合。
进一步地，所述根据每种能源的分析序列集合，获得每种能源距离预测日期所在年的最近年邻域范围的聚集程度，包括的具体公式为：
其中，为第/>种能源距离预测日期所在年的最近/>年的聚集程度，/>为第/>种能源的分析序列集合中每个数据序列中的数据数量，/>为第/>种能源的最近年邻域范围，，/>为第/>种能源的分析序列集合中，距离预测日期所在年的最近/>年中第/>年中第/>个供电数据，/>为第/>种能源的分析序列集合中，距离预测日期所在年的最近/>年中所有第/>个供电数据的均值，/>为第/>种能源的分析序列集合中，距离预测日期所在年的最近/>年中所有第/>个供电数据的标准差，/>为线性归一化函数。
进一步地，所述根据每种能源距离预测日期所在年的最近年邻域范围的聚集程度和每种能源分析序列集合中所有供电数据，获得每种能源的第二稳定程度，包括的具体步骤为：
根据第种能源距离预测日期所在年的最近/>的聚集程度，组成一个聚集程度序列/>，其中，/>以及/>分别表示第/>种能源距离预测日期所在年的最近1，2，3以及Y年的聚集程度；
将聚集程度序列中最大值的序数值，记为最优年邻域范围；
将记为最优年份的范围；
将第种能源的分析序列集合中的最优年份的范围的供电数据均值，记为第一平均值；
将第种能源的分析序列集合中所有供电数据的均值，记为第二平均值；
计算第一平均值与第二平均值的差值的绝对值，将所述绝对值的反比例的归一化值，记为第种能源的第二稳定程度。
进一步地，所述根据每种能源的第一稳定程度和第二稳定程度获得每种能源的冗余系数，包括的具体步骤为：
计算第种能源的第一稳定程度与第二稳定程度的乘积的反比例的归一化值，将所述归一化值与预设的调节系数的乘积，记为第/>种能源在预测日期的冗余系数。
进一步地，所述根据每种能源的冗余系数对供电数据的预测进行调整，获得数据基础用于调控用电量，包括的具体步骤为：
利用回归分析算法根据第种能源在预测日期之前的供电数据获得第/>年中第/>天的预测数据/>，计算第/>种能源在预测日期的冗余系数加1的和值，将所述和值与/>的乘积，记为第/>种能源第/>年中第/>天的修正后的预测数据/>；
将每种能源第年中第/>天的修正后的预测数据/>作为第/>年中第/>天的第i种能源的供电量。
进一步地，一种多能源耦合型配电网调度系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的一种多能源耦合型配电网调度方法的步骤。
本发明的技术方案的有益效果是：采集多能源在供电数据中对使用方的供电量作为供电数据，根据每种能源在历史每一天的供电数据获得每种能源的第一稳定程度，确保获得每种能源更加准确的差异系数；根据每种能源在预测日期的供电数据获得每种能源在日期邻域范围下的差异系数；根据每种能源在日期邻域范围下的差异系数获得预测日期所在年的最近的每一年的聚集程度；根据聚集程度获得最优年的最近邻域，在最优年的最近邻域内根据供电数据获得供电数据均值，根据供电数据均值获得每种能源的第二稳定程度，确保供电数据的准确性；根据每种能源的第一稳定程度和第二稳定程度获得每种能源预测日期的冗余系数，根据每种能源预测日期的冗余系数对供电数据的预测进行调整，获得数据基础用于调控用电量，能够通过对多能源供电数据分析，选择合适的因素作为综合能源负荷预测的输入量，提高数据预测精度。
附图说明
为了更清楚地说明本发明实施例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的一些实施例，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为本发明的一种多能源耦合型配电网调度方法的步骤流程图；
图2为本实施例提供了火电的供电数据示意图；
图3为本实施例提供了太阳能的供电数据示意图；
图4为本实施例提供了风能的供电数据示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种多能源耦合型配电网调度方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种多能源耦合型配电网调度方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种多能源耦合型配电网调度方法的步骤流程图，该方法包括以下步骤：
步骤S001：在若干年中，获取使用方每种能源每天的供电量作为每种能源的供电数据。
需要说明的是，本实施例的目的是根据使用方在多能源配电网的配电过程中的配电量作为供电数据，通过给予预测日期的供电数据的冗余量作为预测数据基础，进而结合改进粒子群的小波神经网络综合能源系统短期负荷预测算法获得预测供电量，实现精准电力调控；因此本实施例需要使用方对于采集每种能源的使用量。为此，本实施例提出了一种多能源耦合型配电网调度方法，其中IPSO-WNN综合能源系统指的是一种利用物联网协议、小波神经网络和综合能源技术的智能能源系统，IPSO-WNN为改进粒子群的小波神经网络。
具体的，为了实现本实施例提出的一种多能源耦合型配电网调度方法，首先需要采集多能源在供电数据中对使用方的供电量作为供电数据，具体过程为：
22获取使用方在历史过程中对于每种能源每天的使用量，将每种能源的历史供电量以一年为一个维度映射到二维空间中，其中横轴为小时，纵轴为供电量；本发明实施例中以火电、太阳能与风能三种能源为例进行分析，如图2、图3以及图4所示，获得每种能源的供电数据。其中图2、图3以及图4中表示时间的横轴的单位为h，即每小时，表示供电量的纵轴，即电力负荷，MW为兆瓦；图2中每条线条代表火电在每天24小时内的供电量，图2中的线条代表一年内火电每天的供电量；图3中每条线条代表太阳能在每天24小时内的供电量，图3中的线条代表一年内太阳能每天的供电量；图4中每条线条代表风能在每天24小时内的供电量，图4中的线条代表一年内风能每天的供电量。其他能源的分析方法与上述三种能源的分析方法相同，在此不再赘述。
本实施例采集若干年份的供电数据，以每年为一个维度，采集间隔为一天，以此为例进行叙述，其他实施方式中可设置为其他值，本实施例不进行限定。
至此，通过上述方法得到每种能源每天的供电数据。
步骤S002：根据每种能源的供电数据，获得每种能源的第一稳定程度。
需要说明的是，每种能源的预测数据冗余量受到该能源在历史中数据变化的影响，若每种能源在历史中数据总是趋近于一个稳定的值，那么每种能源在历史中数据的稳定程度越高，则在计算每种能源的冗余数据时，仅需要给一个较小的冗余值，即可获得每种能源在预测日期的准确需求量，进而在调控的过程中到达精准预测的需求，因此本实施例根据每种能源每一天的供电数据的聚集程度，获得每种能源的第一稳定程度。
具体的，将任意一种能源记为第种能源，根据第/>种能源供电数据的均值获得第/>种能源的第一稳定程度：
其中，为第/>种能源的第一稳定程度，/>为第/>年的天数，取365，/>为所有供电数据的总采集年份，/>表示第/>种能源在第/>年内第/>天的供电数据，/>表示第/>种能源在所有年份中第/>天的供电数据的均值，/>为第/>种能源在所有年份中第/>天的供电数据的标准差，表示第/>种能源的所有供电数据中最大值减去最小值的差值，/>表示归一化函数，将数据值归一化至[0,1]区间内，/>为以自然常数为底的指数函数，/>表示第/>种能源在第/>天的所有供电数据中每个供电数据相较于供电数据均值的聚集程度，取值越大说明第/>种能源在第/>天的所有供电数据越趋近于供电数据均值，则第/>种能源在第/>天的供电数据分布越小，冗余量取越小的值，/>取值越小说明第/>种能源的整体分布越小，那么第一稳定程度越大，则冗余量取值越小。
按照上述方式，得到每种能源的第一稳定程度。
至此，通过上述方法得到每种能源的第一稳定程度。
步骤S003：根据每种能源的供电数据，获得每种能源在日期邻域范围下的差异系数；根据每种能源在日期邻域范围下的差异系数，获得每种能源的最佳优选日期范围，所述日期邻域范围为。
需要说明的是，由于不同年的最近的间隔较长，经过电能产能和需求的增加，使得不同年的最近的供电数据存在一定的偏移，该偏移可能导致能源的分布较大，造成第一稳定程度取值较小不再稳定，本实施例预设的预测日期的日期邻域范围为，初值取为1，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定，根据最小、最大日期，构成日期邻域范围记为/>，所述日期邻域范围/>，由于历史供电数据在短时间内的受到环境影响较小，因此历史供电数据随时间变化与预测日期供电数据的变化差异近似，因此根据在预测日期的日期邻域范围内历史供电数据相较于预测日期所在年份的供电数据获得分析序列集合。
具体的，将预测日期记为第天，所述预测日期为获取供电数据的后一天，则第/>种能源在日期邻域范围/>内第/>个预测日期的差异系数的计算方式为：
其中，为第/>种能源的预测日期的供电数据在日期邻域范围/>下的差异系数，为第/>种能源在第/>年中第/>个日期的供电数据，/>为第/>种能源在第/>年中第个日期的供电数据，/>为所有供电数据的总采集年份，/>表示/>函数，预测日期属于第/>个日期，所述预测日期为获取的所有供电数据之后的一天，将数据值归一化至[0,1]区间内。
按照上述方式，得到每种能源预测日期的供电数据在预测日期的日期邻域范围下的差异系数，由此得到一个差异系数序列，其中，/>、/>以及/>分别表示第/>种能源的预测日期的供电数据在日期邻域范围/>为1、2以及100下的差异系数。
在差异系数序列，按照序列顺序依次判定相邻两个数据是否相等，将第一个相等的相邻两个数据中的前一个数据的序数值，记为最佳优选日期，则最佳优选日期范围为。
所需说明的是：若差异系数序列中没有相等的相邻两个数据，则令为100。
按照上述方式到每种能源在预测日期的最佳优选日期的范围。
步骤S004：根据每种能源的最佳优选日期范围，获得每种能源的分析序列集合；根据每种能源的分析序列集合，获得每种能源距离预测日期所在年的最近年邻域范围的聚集程度。
具体的，根据第种能源在预测日期的最佳优选日期范围，将第/>种能源的最佳优选日期范围内每一年的供电数据构成一个数据序列，第/>种能源的最佳优选日期范围内所有的数据序列构成一个序列集合，记为第/>种能源在预测日期的分析序列集合，其中每个维度的序列长度为该能源最佳优选日期的范围大小，第/>年的第/>个供电数据为/>。
在第种能源在预测日期的分析序列集合中，若数据产生了偏移，那么距离预测日期所在年的最近越近的数据的参考性越大，因此这些数据可能越趋向于一个偏离分析序列集合均值的第二均值，并且越聚集于第二均值则对于预测日期的计算参考性取值越大，因此本实施例预设的预测日期的年的最近邻域范围/>，初值取为1，取值范围为/>，从年的最近邻域范围取值为1开始计算距离预测日期所在年的最近的每一年的范围的聚集程度，计算公式如下：
其中，为第/>种能源距离预测日期所在年的最近/>年的聚集程度，/>为第/>种能源的分析序列集合中每个数据序列中的数据数量，/>为第/>种能源的最近年邻域范围，/>为第/>种能源的分析序列集合中，距离预测日期所在年的最近/>年中第/>年中第/>个供电数据，/>为第/>种能源的分析序列集合中，距离预测日期所在年的最近/>年中第/>个供电数据的均值，/>为第/>种能源的分析序列集合中，距离预测日期所在年的最近/>年中所有第/>个供电数据的标准差，/>为线性归一化函数，将数据值归一化至[0,1]区间内。
按照上述方式，获得每种能源每一年的聚集程度。
步骤S005：根据每种能源距离预测日期所在年的最近年邻域范围的聚集程度和每种能源分析序列集合中所有供电数据，获得每种能源的第二稳定程度；根据每种能源的第一稳定程度和第二稳定程度获得每种能源的冗余系数。
需要说明的是，若使用距离预测日期较远日期邻域范围的供电数据分析，可能由于季节或天气的改变造成第二稳定程度的结果产生误差，因此本实施例根据每种能源每一年的聚集程度、每种能源在最优年维度邻域范围下的供电数据均值和每种能源分析序列集合中所有供电数据的均值，获得每种能源的第二稳定程度。
具体的，据第种能源距离预测日期所在年的最近/>年的聚集程度，组成一个聚集程度序列/>，其中，/>以及/>分别表示第/>种能源距离预测日期所在年的最近1，2，3以及Y年的聚集程度；将聚集程度序列中最大值的序数值，记为最优年邻域范围/>，将/>记为最优年份的范围，获取在最优年份的范围的供电数据均值/>以及在分析序列集合中所有供电数据的均值/>，根据均值获得第/>种能源在的第二稳定程度：
其中，为第/>种能源的第二稳定程度，/>为以自然常数为底的指数函数，/>表示第/>种能源的分析序列集合中的最优年份的范围的供电数据均值，/>表示第/>种能源的分析序列集合中所有供电数据的均值，/>为绝对值函数。
按照上述方式，获得每种能源的第二稳定程度。
进一步，根据每种能源的第一稳定程度和第二稳定程度获取每种能源的冗余系数，本实施例预设的调节系数，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定，则第/>种能源的冗余系数的计算方式为：
其中，为第/>种能源在预测日期的冗余系数，/>为预设的调节系数，/>为以自然常数为底的指数函数，/>表示第/>种能源的第一稳定程度，/>表示第/>种能源的第二稳定程度，本实施例预设/>进行叙述，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定，避免冗余量取值过大造成预测所需的预测数据存在较大误差造成预测失真。
按照上述方式，获得每种能源的冗余系数。
至此，通过上述方法得到每种能源的第二稳定程度和每种能源的冗余系数。
步骤S006：根据每种能源的冗余系数对供电数据的预测进行调整，获得数据基础用于调控用电量。
具体的，利用回归分析算法根据第种能源在预测日期之前的供电数据获得第/>年中第/>天的预测数据，其中，回归分析算法为公知技术，具体方法在此不做介绍，根据冗余系数对预测所需的预测数据进行修正，获得预测数据基础，预测数据修正公式如下：
其中，表示第/>种能源在预测日期的冗余系数，/>表示第/>种能源第/>年中第/>天的预测数据，/>表示修正后的第/>种能源第/>年中第/>天的预测数据。
通过以上步骤，完成预测数据的调整获得数据基础用于调控用电量，即用每种能源第年中第/>天的修正后的预测数据/>作为第/>年中第/>天的每种能源的供电量。
本发明的另一个实施例提供了一种多能源耦合型配电网调度系统，所述系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序时，执行以下操作：
在若干年中，获取使用方每种能源每天的供电量作为每种能源的供电数据；
根据每种能源的供电数据，获得每种能源的第一稳定程度；
根据每种能源的供电数据，获得每种能源在日期邻域范围下的差异系数；根据每种能源在日期邻域范围下的差异系数，获得每种能源的最佳优选日期范围；
根据每种能源的最佳优选日期范围，获得每种能源的分析序列集合；根据每种能源的分析序列集合，获得每种能源每一年的聚集程度；
根据每种能源每一年的聚集程度、每种能源在最优年维度邻域范围下的供电数据均值和每种能源分析序列集合中所有供电数据的均值，获得每种能源的第二稳定程度；根据每种能源的第一稳定程度和第二稳定程度获得每种能源的冗余系数；
根据每种能源的冗余系数对供电数据的预测进行调整，获得数据基础用于调控用电量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种多能源耦合型配电网调度方法，其特征在于，该方法包括以下步骤：
在若干年中，获取使用方每种能源每天的供电量作为每种能源的供电数据；
根据每种能源的供电数据，获得每种能源的第一稳定程度；
根据每种能源的供电数据，获得每种能源在日期邻域范围下的差异系数；根据每种能源在日期邻域范围下的差异系数，获得每种能源的最佳优选日期范围；
根据每种能源的最佳优选日期范围，获得每种能源的分析序列集合；根据每种能源的分析序列集合，获得每种能源距离预测日期所在年的最近年邻域范围的聚集程度；
根据每种能源距离预测日期所在年的最近年邻域范围的聚集程度和每种能源分析序列集合中所有供电数据，获得每种能源的第二稳定程度；根据每种能源的第一稳定程度和第二稳定程度获得每种能源的冗余系数；
根据每种能源的冗余系数对供电数据的预测进行调整，获得数据基础用于调控用电量。
2.根据权利要求1所述一种多能源耦合型配电网调度方法，其特征在于，所述根据每种能源的供电数据，获得每种能源的第一稳定程度，包括的具体公式为：
其中，为第/>种能源的第一稳定程度，/>为第/>年的天数，/>为所有供电数据的总采集年份，/>表示第/>种能源在第/>年内第/>天的供电数据，/>表示第/>种能源在所有年份中第/>天的供电数据的均值，/>为第/>种能源在所有年份中第/>天的供电数据的标准差，/>表示第/>种能源的所有供电数据中最大值减去最小值的差值，/>表示归一化函数，/>为以自然常数为底的指数函数。
3.根据权利要求1所述一种多能源耦合型配电网调度方法，其特征在于，所述根据每种能源的供电数据，获得每种能源在日期邻域范围下的差异系数，包括的具体公式为：
其中，为第/>种能源的预测日期的供电数据在日期邻域范围/>下的差异系数，/>为第/>种能源在第/>年中第/>个日期的供电数据，/>为第/>种能源在第/>年中第/>个日期的供电数据，/>为所有供电数据的总采集年份，/>表示/>函数，预测日期属于第/>个日期，所述预测日期为获取的所有供电数据之后的一天。
4.根据权利要求3所述一种多能源耦合型配电网调度方法，其特征在于，所述根据每种能源在日期邻域范围下的差异系数，获得每种能源的最佳优选日期范围，包括的具体步骤为：
根据第种能源的预测日期的供电数据在日期邻域范围/>下的差异系数，组成一个差异系数序列/>，其中，/>、/>以及/>分别表示第/>种能源的预测日期的供电数据在日期邻域范围/>为1、2以及100下的差异系数；
在差异系数序列，按照序列顺序依次判定相邻两个数据是否相等，将第一个相等的相邻两个数据中的前一个数据的序数值，记为最佳优选日期，得到最佳优选日期范围为。
5.根据权利要求1所述一种多能源耦合型配电网调度方法，其特征在于，所述根据每种能源的最佳优选日期范围，获得每种能源的分析序列集合，包括的具体步骤为：
将第种能源的最佳优选日期范围内每一年的供电数据构成一个数据序列，将第/>种能源的最佳优选日期范围内所有年的数据序列构成一个序列集合，记为第/>种能源的分析序列集合。
6.根据权利要求3或5所述一种多能源耦合型配电网调度方法，其特征在于，所述根据每种能源的分析序列集合，获得每种能源距离预测日期所在年的最近年邻域范围的聚集程度，包括的具体公式为：
其中，为第/>种能源距离预测日期所在年的最近/>年的聚集程度，/>为第/>种能源的分析序列集合中每个数据序列中的数据数量，/>为第/>种能源的最近年邻域范围，，/>为第/>种能源的分析序列集合中，距离预测日期所在年的最近/>年中第/>年中第/>个供电数据，/>为第/>种能源的分析序列集合中，距离预测日期所在年的最近/>年中所有第/>个供电数据的均值，/>为第/>种能源的分析序列集合中，距离预测日期所在年的最近/>年中所有第/>个供电数据的标准差，/>为线性归一化函数。
7.根据权利要求6所述一种多能源耦合型配电网调度方法，其特征在于，所述根据每种能源距离预测日期所在年的最近年邻域范围的聚集程度和每种能源分析序列集合中所有供电数据，获得每种能源的第二稳定程度，包括的具体步骤为：
根据第种能源距离预测日期所在年的最近/>的聚集程度，组成一个聚集程度序列/>，其中，/>以及/>分别表示第/>种能源距离预测日期所在年的最近1，2，3以及Y年的聚集程度；
将聚集程度序列中最大值的序数值，记为最优年邻域范围；
将记为最优年份的范围；
将第种能源的分析序列集合中的最优年份的范围的供电数据均值，记为第一平均值；
将第种能源的分析序列集合中所有供电数据的均值，记为第二平均值；
计算第一平均值与第二平均值的差值的绝对值，将所述绝对值的反比例的归一化值，记为第种能源的第二稳定程度。
8.根据权利要求3所述一种多能源耦合型配电网调度方法，其特征在于，所述根据每种能源的第一稳定程度和第二稳定程度获得每种能源的冗余系数，包括的具体步骤为：
计算第种能源的第一稳定程度与第二稳定程度的乘积的反比例的归一化值，将所述归一化值与预设的调节系数的乘积，记为第/>种能源在预测日期的冗余系数。
9.根据权利要求3所述一种多能源耦合型配电网调度方法，其特征在于，所述根据每种能源的冗余系数对供电数据的预测进行调整，获得数据基础用于调控用电量，包括的具体步骤为：
利用回归分析算法根据第种能源在预测日期之前的供电数据获得第/>年中第/>天的预测数据/>，计算第/>种能源在预测日期的冗余系数加1的和值，将所述和值与/>的乘积，记为第/>种能源第/>年中第/>天的修正后的预测数据/>；
将每种能源第年中第/>天的修正后的预测数据/>作为第/>年中第/>天的第i种能源的供电量。
10.一种多能源耦合型配电网调度系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，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1-9任一项所述的一种多能源耦合型配电网调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288019.4A CN117895509B (zh) | 2024-03-14 | 2024-03-14 | 一种多能源耦合型配电网调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288019.4A CN117895509B (zh) | 2024-03-14 | 2024-03-14 | 一种多能源耦合型配电网调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117895509A CN117895509A (zh) | 2024-04-16 |
| CN117895509B true CN117895509B (zh) | 2024-05-10 |
Family
ID=90641361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410288019.4A Active CN117895509B (zh) | 2024-03-14 | 2024-03-14 | 一种多能源耦合型配电网调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117895509B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104769555A (zh) * | 2012-06-18 | 2015-07-08 | 艾克特菲欧有限公司 | 增强型数据管理虚拟化系统 |
| CN105210253A (zh) * | 2013-02-19 | 2015-12-30 | 艾斯通林克国际有限责任公司 | 关于在变压器区域网络中发现，分割，组织和管理通信设备的方法 |
| CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
| CN112086980A (zh) * | 2020-08-31 | 2020-12-15 | 华南理工大学 | 考虑充电桩接入的公用配电变压器定容选型方法与系统 |
| CN113807566A (zh) * | 2021-08-06 | 2021-12-17 | 西安理工大学 | 基于可再生能源和内部负荷不确定的社区能源的调度方法 |
| CN116258280A (zh) * | 2023-05-12 | 2023-06-13 | 国网湖北省电力有限公司经济技术研究院 | 一种基于时间序列聚类的短期负荷预测方法 |
| CN117578462A (zh) * | 2023-12-11 | 2024-02-20 | 国网湖南省电力有限公司 | 负荷预测方法、装置、计算设备及机器可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7157683B2 (ja) * | 2019-03-12 | 2022-10-20 | 株式会社東芝 | 情報処理装置、情報処理方法及びコンピュータプログラム |
| CN111275240B (zh) * | 2019-12-27 | 2023-06-09 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
-
2024
- 2024-03-14 CN CN202410288019.4A patent/CN117895509B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104769555A (zh) * | 2012-06-18 | 2015-07-08 | 艾克特菲欧有限公司 | 增强型数据管理虚拟化系统 |
| CN105210253A (zh) * | 2013-02-19 | 2015-12-30 | 艾斯通林克国际有限责任公司 | 关于在变压器区域网络中发现，分割，组织和管理通信设备的方法 |
| CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
| CN112086980A (zh) * | 2020-08-31 | 2020-12-15 | 华南理工大学 | 考虑充电桩接入的公用配电变压器定容选型方法与系统 |
| CN113807566A (zh) * | 2021-08-06 | 2021-12-17 | 西安理工大学 | 基于可再生能源和内部负荷不确定的社区能源的调度方法 |
| CN116258280A (zh) * | 2023-05-12 | 2023-06-13 | 国网湖北省电力有限公司经济技术研究院 | 一种基于时间序列聚类的短期负荷预测方法 |
| CN117578462A (zh) * | 2023-12-11 | 2024-02-20 | 国网湖南省电力有限公司 | 负荷预测方法、装置、计算设备及机器可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Short-Term Residential Load Forecasting With Baseline-Refinement Profiles and Bi-Attention Mechanism;Jiang-Wen Xiao et al.;《IEEE TRANSACTIONS ON SMART GRID》;20240131;第15卷(第1期);第1052-1062页 * |
| 低空智联网组网与控制理论方法;吴启晖 等;《航空学报》;20240215;第45卷(第3期);第6-23页 * |
| 电网长期负荷快速预测;贺远 等;《上海电机学院学报》;20191231;第22卷(第4期);第221-226页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117895509A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886567B (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
| WO2019205528A1 (zh) | 基于天气数据的无线传感网节点太阳能收集功率预测算法 | |
| CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN112950098A (zh) | 基于综合能源系统的能源规划方法、装置及终端设备 | |
| CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
| CN115173465A (zh) | 一种基于Copula理论的风光水火储一体化耦合机理分析方法 | |
| CN113283674A (zh) | 一种基于用户用电特征的基线负荷预测修正方法 | |
| CN114841410A (zh) | 一种基于组合策略的换热站负荷预测方法和系统 | |
| CN110397553B (zh) | 一种不基于模型的风电场尾流管理方法及系统 | |
| CN117895509B (zh) | 一种多能源耦合型配电网调度方法及系统 | |
| CN117239740B (zh) | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 | |
| CN112801343A (zh) | 一种计及多气象场景适应成本的储能系统容量规划方法 | |
| CN116611859A (zh) | 基于梯度提升决策树的电力交易现货价差趋势预测方法 | |
| CN114336739B (zh) | 基于云边协同的光储电站储能功率配置方法和系统 | |
| CN114142470A (zh) | 电力系统新能源电站配套储能合理规模测算方法及系统 | |
| CN117155401B (zh) | 一种智慧园区能耗优化管理方法及系统 | |
| CN115481916B (zh) | 一种高寒地区集中供热中供暖面积热指标辨识方法与系统 | |
| CN117353300B (zh) | 一种基于大数据的农村用电需求量分析方法 | |
| US20230246444A1 (en) | Energy supply plan formulation device and energy supply plan formulation method | |
| CN108964019B (zh) | 一种电网多元调控方法 | |
| CN114782069A (zh) | 一种促进新能源消纳的峰谷时段与峰谷电价组合优化方法 | |
| CN117217417A (zh) | 居民用电调节潜力评估方法 | |
| CN116826712A (zh) | 一种高频日内分时用电负荷的升频处理方法、装置和设备 | |
| CN117035173A (zh) | 一种基于六参数模型的换热系统日负荷预测方法及系统 | |
| CN113139346A (zh) | 一种基于iofa-svm的短期风电功率预测方法 |
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 |