CN109980695A - 一种配用电***的分布式能源和用户行为预测方法 - Google Patents
一种配用电***的分布式能源和用户行为预测方法 Download PDFInfo
- Publication number
- CN109980695A CN109980695A CN201910248098.5A CN201910248098A CN109980695A CN 109980695 A CN109980695 A CN 109980695A CN 201910248098 A CN201910248098 A CN 201910248098A CN 109980695 A CN109980695 A CN 109980695A
- Authority
- CN
- China
- Prior art keywords
- matrix
- scene
- data
- under
- datap
- 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
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
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种配用电***的分布式能源和用户行为预测方法,通过利用大量的历史运行数据实现分布式能源和用户群体运行的行为预测,其中:通过数据准备,形成信息矩阵;对大量的信息矩阵进行特征根聚合,获得不同的场景集,有效减少信息搜索空间;在此基础上针对各场景集中的多个信息矩阵进行等效矩阵计算,形成每个场景对应的等效特征根,有利于加快场景匹配速度,改善搜索效果;最后通过场景匹配完成运行预测。本发明可以大幅减少历史运行信息的搜索空间和时间,提高场景匹配的整体效率,快速确定***的行为预测值,支撑配用电***的能量管理和互动优化等功能。
Description
技术领域
本发明涉及一种配用电***的分布式能源和用户行为预测方法,属于配用电***技术领域。
背景技术
随着能源和环境问题的日益突出,可再生能源的迅速增长,基于可再生能源的新型供能技术得到越来越广泛的研究和应用,分布式电源、储能***、微网、虚拟电厂等技术日益成熟,其规模化接入给配用电***注入了大量柔性可控、快速响应的分布式资源与灵活的分布式供能手段,同时具有柔性调控功能的多类型用户也成为配用电***中的重要元素。
现阶段分布式能源迅速增长及售电侧市场逐步放开,配用电***将向智能化互动运行方向发展。配用电***可以包含多个子***,其典型结构如图1所示。每个配用电子***中通常包含负荷、风电、光伏、电动汽车等,也包含可调度单元如热电联产机组CHP、储能***,多个配用电子***接入交流母线,交流母线处可配置公共的负荷,另外还有集中式的风电、光伏以及电动汽车充电桩等。配用电***通过交流母线与大电网进行互联。
配用电***中分布式能源和用户存在数量多、分属不同主体运营等特点,各自运行目标不一致甚至相互冲突,传统基于模型的配用电互动将面临分布式能源及用户互动模式大量简化近似、扩展性差、变量数高等障碍,难以保证配用电***互动行为的快速预测、强不确定性环境下的安全运行以及各方利益诉求。与此同时,智能信息技术在配用电领域的应用已积累了较为丰富的数据,大量的历史运行数据能够为分布式能源和用户群体运行的行为预测提供了新的技术手段与可行解决方案。本发明针对该问题,提出配用电***的智能化行为预测方法,结合历史数据弥补传统物理模型的缺陷,挖掘历史数据信息,通过特征根聚合和场景匹配来自动、快速确定可能的行为值,完成运行预测,支撑配用电***后续的能量管理和互动优化等高级功能。
日益成熟的分布式电源、储能***、微网控制等技术,全面支撑微网、园区、负荷聚合商等多主体参与配用电***智能化互动的主动意愿以及市场激励机制。对配用电***中多种能源和用户间互补互动来说,目前基于模型优化的互动行为解决思路存在难以应对不确定性、用户行为模型需要大幅简化等障碍和瓶颈。因而,本发明提出一种配用电***的分布式能源和用户行为预测方法,结合数据弥补物理模型的缺陷,填补技术空白,应用前景广阔。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种配用电***的分布式能源和用户行为预测方法,能够提高场景匹配的整体效率,快速确定配用电***的用户行为预测,支撑配用电***的能量管理和互动优化。
本发明技术解决方案:一种配用电***的分布式能源和用户行为预测方法,包括以下步骤:
第一步,数据准备,获取一天之中分时变化中所有电力价格下所对应的数据集,对所述数据集中各组数据进行信息矩阵表示,并进行特征根求解,获得不同数据集中各组数据对应信息矩阵的特征根;
第二步,特征根聚合,对第一步得到的数据集中各组数据对应信息矩阵的特征根,进行特征根聚类处理,得到数据集对应的场景集;
第三步,场景等效矩阵计算,基于第二步得到的数据集中对应的场景集,构建各信息矩阵的更新信息矩阵,并进行特征根求解,获得不同数据集中各场景集的等效矩阵特征根;
第四步,场景匹配,根据当前的电力价格匹配对应的数据集,然后求解状态矩阵的特征根,并根据第三步中获得不同数据集中各场景集的等效矩阵特征根,进行状态矩阵与各场景集的等效矩阵特征根的参考距离计算,得到匹配数据集中对应的场景集;
第五步,运行预测,根据第四步得到的数据集中对应的场景集,进行状态矩阵与场景集中各更新信息矩阵之间的综合判据计算,得到场景集中对应的更新信息矩阵,最终确定行为预测值。
所述第一步,具体实现如下:
电力价格一天之中分时变化,具备p1、p2、…pi、…、pT等多个价格,设定第i个电力价格为pi,T为分时电价的总时段,设定{DATApi}为第i个电力价格下的输入数据集,此时整体的数据集为{DATAp1},{DATAp2},…,{DATApi},…,{DATApT};{DATApi}包括光伏、风电、负荷的运行数据和可调单元的调度指令历史记录,可调单元的调度指令包括CHP调度指令、储能***调度指令,当{DATApi}包含总数为N的多组数据,假定DATAnpi为第n组数据的信息矩阵表示形式:
其中,下标Sm表示第m个配用电子***,M为配用电子***总数量, 分别为第m个配用电子***中在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令,分别为交流母线处在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令;
对DATA1pi求解信息矩阵的特征根,得对应的特征根为 其中代表第i个电力价格下第1个信息矩阵对应的第k个特征根,K代表信息矩阵对应的特征根总数量;
对DATAnpi求解第i个电力价格下第n个信息矩阵的特征根,得对应的特征根为 其中代表第i个电力价格下第n个信息矩阵对应的第k个特征根;
对DATA1pi,DATA2pi,…,DATAnpi,…DATANpi,分别求解各矩阵的特征根,得到
其中代表第i个电力价格下第N组信息矩阵对应的第k个特征根。
所述第二步,具体实现如下:
对{DATApi},进行特征根聚合:
(1)设定聚合阈值α,设定全局变量j=1;
(2)设定j1=1,如果{DATApi}非空则获取DATA1pi对应的 将DATAj1pi新增至场景集{NEWpi,j};否则视为完成特征根聚合,退出;
(3):j1=j1+1,求解DATAj1pi对应的判断如果则将DATAj1pi增加至{NEWpi,j}集合中,并从数据集{DATApi}中删除第j1个信息矩阵,接着判断如果{DATApi}中的信息矩阵,如果搜索完毕,则从{DATApi}中删除第1个信息矩阵,j=j+1,{DATApi}中剩余信息矩阵按照原有各自的编号,按从小到大的顺序重新从1开始,按递增重置编号,各信息矩阵对应的特征根中的上标n也相应重新从1开始,按递增重置编号,跳转至步骤(2);如果{DATApi}中的信息矩阵未搜索完成,则继续跳至步骤(3);
聚合完成以后,{DATApi}将划分为J个场景集,其中第i个电力价格下{DATApi}包含的所有场景集表示为:{NEWpi,1},{NEWpi,2},…,{NEWpi,j},…,{NEWpi,J};
(4)在此基础上,从i=1到i=T重复步骤(1)至步骤(3),获得分时电价所有时段下的数据集的各场景集。
所述第三步,具体实现如下:
第i个电力价格下{DATApi}包含场景集的数量为W,即场景集为{NEWpi,1},{NEWpi,2},…,{NEWpi,w},…,{NEWpi,W},其中{NEWpi,w}表示数据集{DATApi}下的第w个场景集,其含有H个信息矩阵,DATAw,hpi表示第i个电力价格下第w个场景集中第h个信息矩阵:
其中,分别为第m个配用电子***中在第i个电力价格下第w个场景集中第h个信息矩阵的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令; 分别为交流母线处在第i个电力价格下第w个场景集中第h组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令;
消减每个信息矩阵中的可控单元项,消减后第i个电力价格下第w个场景集中第h个更新信息矩阵表示为NDw,hpi;
则数据集{DATApi}下更新后的第w个场景集{NEWpi,w}包含的更新信息矩阵有NDw, 1pi,NDw,2pi,…,NDw,hpi,…,NDw,Hpi,对NDw,hpi求取对应的特征根,可得 其中代表第i个电力价格下第w个场景集中第h个更新信息矩阵对应的第l个特征根,L代表更新信息矩阵对应的特征根总数量;计算:
其中,为{NEWpi,w}的等效矩阵对应的第l个特征根;
在此基础上,从w=1到w=W重复,获得第i个电力价格下{DATApi}包含各场景集的等效矩阵对应的所有特征根;依次类推,从i=1到i=T执行步骤(3),获得分时电价所有时段下的数据集包含各场景集的等效矩阵对应的所有特征根。
所述第四步,具体实现如下:
首先判断当前的电力价格p,针对电力价格p1、p2、…pi、…、pT等多个价格,寻找最接近p的电力价格,假定为第i个电力价格,记为pi,则匹配的数据集为{DATApi},然后针对数据集{DATApi}下的W个场景集,匹配特征根,具体方法为:
获取目前的运行数据,记为状态矩阵A
其中,PSm,load,PSm,pv,PSm,wt,PSm,ev分别为第m个配用电子***中当前状态的等值负荷、光伏功率、风电功率、电动汽车功率;PC,load,PC,pv,PC,wt,PC,ev分别为交流母线处当前状态的等值负荷、光伏功率、风电功率、电动汽车功率;
求解A矩阵的特征根,得到对应的特征根为λ1,λ2,…,λl,…,λL,其中λl代表状态矩阵A的第l个特征根,计算状态矩阵A与第w个场景等效矩阵的参考距离,以dw进行表示:
在d1,d2,…,dw…,dW中寻找最小值,其对应的下标记为w1,即此时状态矩阵A匹配第w1个场景集{NEWpi,w1}。
所述第五步,具体实现如下:
{NEWpi,w1}表示数据集{DATApi}下的第w1个场景集,假定其含有H个更新信息矩阵,即NDw1,1pi,NDw1,2pi,…,NDw1,hpi…,NDw1,Hpi,其中NDw1,hpi表示消减后第i个电力价格下第w1个场景集中第h个更新信息矩阵,设定综合判据fh满足:
其中,tr(·)表示矩阵的迹,k1、k2为权重系数;
则求得f1,f2,…,fh,…,fH,在其中寻找最小值,其对应的下标记为h1,即此时状态矩阵A匹配第h1个更新信息矩阵,即NDw1,h1pi;
依据NDw1,h1pi中确定的w1、h1两个数值,确定第i个电力价格下第w1个场景集中第h1个信息矩阵DATAw1,h1pi,此时DATAw1,h1pi可控单元项为:
其中,分别为第m个配用电子***中在第i个电力价格下第w1个场景集中第h1个信息矩阵的CHP调度指令、储能***调度指令;分别为交流母线处在第i个电力价格下第w1个场景集中第h1组历史记录中的CHP调度指令、储能***调度指令,将作为目前运行状态下CHP与储能***的行为预测值。
本发明与现有技术相比的优点在于:本发明通过利用大量的历史运行数据实现分布式能源和用户群体运行的行为预测,其中:通过数据准备,形成信息矩阵;对大量的信息矩阵进行特征根聚合,获得不同的场景集,有效减少信息搜索空间;在此基础上针对各场景集中的多个信息矩阵进行等效矩阵计算,形成每个场景对应的等效特征根,有利于加快场景匹配速度,改善搜索效果;最后通过场景匹配完成运行预测。本发明可以大幅减少历史运行信息的搜索空间和时间,提高场景匹配的整体效率,快速确定***的行为预测值,支撑配用电***的能量管理和互动优化等功能。
附图说明
图1为典型配用电***结构;
图2为本发明的行为预测方法流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图2所示,本发明具体实现如下:
1.数据准备
电力价格一天之中可能分时变化,因此具备p1、p2、…pi、…、pT等多个价格,设定第i个电力价格为pi,T为分时电价的总时段,设定{DATApi}为第i个电力价格下的输入数据集,此时整体的数据集为{DATAp1},{DATAp2},…,{DATApi},…,{DATApT}。{DATApi}包含光伏、风电、负荷等运行数据和可调单元如CHP、储能等的调度指令历史记录,当{DATApi}包含总数为N的多组数据,假定DATAnpi为第n组数据的信息矩阵表示形式:
其中,下标Sm表示第m个配用电子***,M为配用电子***总数量, 分别为第m个配用电子***中在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令。分别为交流母线处在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令。
针对DATA1pi求解信息矩阵的特征根,可得对应的特征根为 其中代表第i个电力价格下第1个信息矩阵对应的第k个特征根,K代表信息矩阵对应的特征根总数量。
同理,针对DATAnpi求解第i个电力价格下第n个信息矩阵的特征根,可得对应的特征根为其中代表第i个电力价格下第n个信息矩阵对应的第k个特征根。
针对DATA1pi,DATA2pi,…,DATAnpi,…DATANpi,分别求解各矩阵的特征根,可得
其中代表第i个电力价格下第N组信息矩阵对应的第k个特征根。
2.特征根聚合
针对{DATApi},进行特征根聚合:
第一步:设定聚合阈值α,设定全局变量j=1;
第二步:设定j1=1,如果{DATApi}非空则获取DATA1pi对应的 将DATAj1pi新增至场景集{NEWpi,j};否则视为完成特征根聚合,退出。
第三步:j1=j1+1,求解DATAj1pi对应的判断如果
则将DATAj1pi增加至{NEWpi,j}集合中,并从数据集{DATApi}中删除第j1个信息矩阵,接着判断如果{DATApi}中的信息矩阵,如果搜索完毕,则从{DATApi}中删除第1个信息矩阵,j=j+1,{DATApi}中剩余信息矩阵按照原有各自的编号,按从小到大的顺序重新从1开始,按递增重置编号(各信息矩阵对应的特征根中的上标n也相应重新从1开始,按递增重置编号),跳转至第二步;如果{DATApi}中的信息矩阵未搜索完成,则继续跳至第三步。
聚合完成以后,{DATApi}将划分为J个场景集,其中第i个电力价格下{DATApi}包含的所有场景集表示为:{NEWpi,1},{NEWpi,2},…,{NEWpi,j},…,{NEWpi,J}
3.场景等效矩阵计算:
假定第i个电力价格下{DATApi}包含场景集的数量为W,即场景集为{NEWpi,1},{NEWpi,2},…,{NEWpi,w},…,{NEWpi,W},其中{NEWpi,w}表示数据集{DATApi}下的第w个场景集,假定其含有H个信息矩阵,那么DATAw,hpi表示第i个电力价格下第w个场景集中第h个信息矩阵:
其中,分别为第m个配用电子***中在第i个电力价格下第w个场景集中第h个信息矩阵的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令。 分别为交流母线处在第i个电力价格下第w个场景集中第h组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令。
消减每个信息矩阵中的可控单元项,消减后第i个电力价格下第w个场景集中第h个更新信息矩阵表示为NDw,hpi;
则数据集{DATApi}下更新后的第w个场景集{NEWpi,w}包含的更新信息矩阵有NDw, 1pi,NDw,2pi,…,NDw,hpi,…,NDw,Hpi,对NDw,hpi求取对应的特征根,可得 其中代表第i个电力价格下第w个场景集中第h个更新信息矩阵对应的第l个特征根,L代表更新信息矩阵对应的特征根总数量。计算:
其中,为{NEWpi,w}的等效矩阵对应的第l个特征根。
4.场景匹配
首先判断当前的电力价格p,针对电力价格p1、p2、…pi、…、pT等多个价格,寻找最接近p的电力价格,假定为第i个电力价格,记为pi,则匹配的数据集为{DATApi},然后针对数据集{DATApi}下的W个场景集,快速匹配特征根,具体方法为:
获取目前的运行数据,记为状态矩阵A
其中,PSm,load,PSm,pv,PSm,wt,PSm,ev分别为第m个配用电子***中当前状态的等值负荷、光伏功率、风电功率、电动汽车功率。PC,load,PC,pv,PC,wt,PC,ev分别为交流母线处当前状态的等值负荷、光伏功率、风电功率、电动汽车功率。
求解A矩阵的特征根,可得对应的特征根为λ1,λ2,…,λl,…,λL,其中λl代表状态矩阵A的第l个特征根,计算状态矩阵A与第w个场景等效矩阵的参考距离,以dw进行表示:
在d1,d2,…,dw…,dW中寻找最小值,其对应的下标记为w1,即此时状态矩阵A匹配第w1个场景集{NEWpi,w1}。
5.运行预测
{NEWpi,w1}表示数据集{DATApi}下的第w1个场景集,假定其含有H个更新信息矩阵,即NDw1,1pi,NDw1,2pi,…,NDw1,hpi…,NDw1,Hpi,其中NDw1,hpi表示消减后第i个电力价格下第w1个场景集中第h个更新信息矩阵。设定综合判据fh满足:
其中,tr(·)表示矩阵的迹,k1、k2为权重系数。
则求得f1,f2,…,fh,…,fH,在其中寻找最小值,其对应的下标记为h1,即此时状态矩阵A匹配第h1个更新信息矩阵,即NDw1,h1pi;
依据NDw1,h1pi中确定的w1、h1两个数值,快速确定第i个电力价格下第w1个场景集中第h1个信息矩阵DATAw1,h1pi,此时DATAw1,h1pi可控单元项为:
其中,分别为第m个配用电子***中在第i个电力价格下第w1个场景集中第h1个信息矩阵的CHP调度指令、储能***调度指令。分别为交流母线处在第i个电力价格下第w1个场景集中第h1组历史记录中的CHP调度指令、储能***调度指令。将作为目前运行状态下CHP与储能***的行为预测值。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (6)
1.一种配用电***的分布式能源和用户行为预测方法,其特征在于,包括以下步骤:
第一步,数据准备,获取一天之中分时变化中所有电力价格下所对应的数据集,对所述数据集中各组数据进行信息矩阵表示,并进行特征根求解,获得不同数据集中各组数据对应信息矩阵的特征根;
第二步,特征根聚合,对第一步得到的数据集中各组数据对应信息矩阵的特征根,进行特征根聚类处理,得到数据集对应的场景集;
第三步,场景等效矩阵计算,基于第二步得到的数据集中对应的场景集,构建各信息矩阵的更新信息矩阵,并进行特征根求解,获得不同数据集中各场景集的等效矩阵特征根;
第四步,场景匹配,根据当前的电力价格匹配对应的数据集,然后求解状态矩阵的特征根,并根据第三步中获得不同数据集中各场景集的等效矩阵特征根,进行状态矩阵与各场景集的等效矩阵特征根的参考距离计算,得到匹配数据集中对应的场景集;
第五步,运行预测,根据第四步得到的数据集中对应的场景集,进行状态矩阵与场景集中各更新信息矩阵之间的综合判据计算,得到场景集中对应的更新信息矩阵,最终确定行为预测值。
2.根据权利要求1所述的一种配用电***的分布式能源和用户行为预测方法,其特征在于:所述第一步,具体实现如下:
电力价格一天之中分时变化,具备p1、p2、…pi、…、pT等多个价格,设定第i个电力价格为pi,T为分时电价的总时段,设定{DATApi}为第i个电力价格下的输入数据集,此时整体的数据集为{DATAp1},{DATAp2},…,{DATApi}…{DATApT};{DATApi}包括光伏、风电、负荷的运行数据和可调单元的调度指令历史记录,可调单元的调度指令包括CHP调度指令、储能***调度指令,当{DATApi}包含总数为N的多组数据,假定DATAnpi为第n组数据的信息矩阵表示形式:
其中,下标Sm表示第m个配用电子***,M为配用电子***总数量, 分别为第m个配用电子***中在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令,分别为交流母线处在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令;
对DATA1pi求解信息矩阵的特征根,得对应的特征根为 其中代表第i个电力价格下第1个信息矩阵对应的第k个特征根,K代表信息矩阵对应的特征根总数量;
对DATAnpi求解第i个电力价格下第n个信息矩阵的特征根,得对应的特征根为 其中代表第i个电力价格下第n个信息矩阵对应的第k个特征根;
对DATA1pi,DATA2pi,…,DATAnpi,…DATANpi,分别求解各矩阵的特征根,得到
其中代表第i个电力价格下第N组信息矩阵对应的第k个特征根。
3.根据权利要求1所述的一种配用电***的分布式能源和用户行为预测方法,其特征在于:所述第二步,具体实现如下:
(1)设定聚合阈值α,设定全局变量j=1;
(2)设定j1=1,如果{DATApi}非空,则获取DATA1pi对应的 将DATAj1pi新增至场景集{NEWpi,j};否则视为完成特征根聚合;
(3):j1=j1+1,求解DATAj1pi对应的判断如果则将DATAj1pi增加至{NEWpi,j}集合中,并从数据集{DATApi}中删除第j1个信息矩阵,接着判断如果{DATApi}中的信息矩阵,如果搜索完毕,则从{DATApi}中删除第1个信息矩阵,j=j+1,{DATApi}中剩余信息矩阵按照原有各自的编号,按从小到大的顺序重新从1开始,按递增重置编号,各信息矩阵对应的特征根中的上标n也相应重新从1开始,按递增重置编号,跳转至步骤(2);如果{DATApi}中的信息矩阵未搜索完成,则继续跳至步骤(3);
聚合完成以后,{DATApi}将划分为J个场景集,其中第i个电力价格下{DATApi}包含的所有场景集表示为:{NEWpi,1},{NEWpi,2},…,{NEWpi,j},…,{NEWpi,J};
(4)在此基础上,从i=1到i=T重复步骤(1)至步骤(3),获得分时电价所有时段下的数据集的各场景集。
4.根据权利要求1所述的一种配用电***的分布式能源和用户行为预测方法,其特征在于:所述第三步,具体实现如下:
第i个电力价格下{DATApi}包含场景集的数量为W,即场景集为{NEWpi,1},{NEWpi,2},…,{NEWpi,w},…,{NEWpi,W},其中{NEWpi,w}表示数据集{DATApi}下的第w个场景集,其含有H个信息矩阵,DATAw,hpi表示第i个电力价格下第w个场景集中第h个信息矩阵:
其中,分别为第m个配用电子***中在第i个电力价格下第w个场景集中第h个信息矩阵的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令; 分别为交流母线处在第i个电力价格下第w个场景集中第h组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能***调度指令;
消减每个信息矩阵中的可控单元项,消减后第i个电力价格下第w个场景集中第h个更新信息矩阵表示为NDw,hpi;
则数据集{DATApi}下更新后的第w个场景集{NEWpi,w}包含的更新信息矩阵有NDw,1pi,NDw,2pi,…,NDw,hpi,…,NDw,Hpi,对NDw,hpi求取对应的特征根,可得 其中代表第i个电力价格下第w个场景集中第h个更新信息矩阵对应的第l个特征根,L代表更新信息矩阵对应的特征根总数量;计算:
其中,为{NEWpi,w}的等效矩阵对应的第l个特征根;
在此基础上,从w=1到w=W重复,获得第i个电力价格下{DATApi}包含各场景集的等效矩阵对应的所有特征根;依次类推,从i=1到i=T执行步骤(3),获得分时电价所有时段下的数据集包含各场景集的等效矩阵对应的所有特征根。
5.根据权利要求1所述的一种配用电***的分布式能源和用户行为预测方法,其特征在于:所述第四步,具体实现如下:
首先判断当前的电力价格p,针对电力价格p1、p2、…pi、…、pT多个价格,寻找最接近p的电力价格,假定为第i个电力价格,记为pi,则匹配的数据集为{DATApi},然后针对数据集{DATApi}下的W个场景集,匹配特征根,具体方法为:
获取目前的运行数据,记为状态矩阵A
其中,PSm,load,PSm,pv,PSm,wt,PSm,ev分别为第m个配用电子***中当前状态的等值负荷、光伏功率、风电功率、电动汽车功率;PC,load,PC,pv,PC,wt,PC,ev分别为交流母线处当前状态的等值负荷、光伏功率、风电功率、电动汽车功率;
求解A矩阵的特征根,得到对应的特征根为λ1,λ2,…,λl,…,λL,其中λl代表状态矩阵A的第l个特征根,计算状态矩阵A与第w个场景等效矩阵的参考距离,以dw进行表示:
在d1,d2,…,dw…,dW中寻找最小值,其对应的下标记为w1,即此时状态矩阵A匹配第w1个场景集{NEWpi,w1}。
6.根据权利要求1所述的一种配用电***的分布式能源和用户行为预测方法,其特征在于:所述第五步,具体实现如下:
{NEWpi,w1}表示数据集{DATApi}下的第w1个场景集,假定其含有H个更新信息矩阵,即NDw1,1pi,NDw1,2pi,…,NDw1,hpi…,NDw1,Hpi,其中NDw1,hpi表示消减后第i个电力价格下第w1个场景集中第h个更新信息矩阵,设定综合判据fh满足:
其中,tr(·)表示矩阵的迹,k1、k2为权重系数;
则求得f1,f2,…,fh,…,fH,在其中寻找最小值,其对应的下标记为h1,即此时状态矩阵A匹配第h1个更新信息矩阵,即NDw1,h1pi;
依据NDw1,h1pi中确定的w1、h1两个数值,确定第i个电力价格下第w1个场景集中第h1个信息矩阵DATAw1,h1pi,此时DATAw1,h1pi可控单元项为:
其中,分别为第m个配用电子***中在第i个电力价格下第w1个场景集中第h1个信息矩阵的CHP调度指令、储能***调度指令;分别为交流母线处在第i个电力价格下第w1个场景集中第h1组历史记录中的CHP调度指令、储能***调度指令,将作为目前运行状态下CHP与储能***的行为预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248098.5A CN109980695B (zh) | 2019-03-29 | 2019-03-29 | 一种配用电***的分布式能源和用户行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248098.5A CN109980695B (zh) | 2019-03-29 | 2019-03-29 | 一种配用电***的分布式能源和用户行为预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109980695A true CN109980695A (zh) | 2019-07-05 |
CN109980695B CN109980695B (zh) | 2020-08-07 |
Family
ID=67081618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910248098.5A Active CN109980695B (zh) | 2019-03-29 | 2019-03-29 | 一种配用电***的分布式能源和用户行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109980695B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401219A (zh) * | 2019-07-22 | 2019-11-01 | 中国科学院电工研究所 | 一种分布式能源和用户群体交直流配用电***智能运行方法 |
CN110851892A (zh) * | 2019-11-07 | 2020-02-28 | 山东大学 | 一种园区级综合能源***辅助设计方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106058941A (zh) * | 2016-07-29 | 2016-10-26 | 武汉大学 | 一种基于场景分析的风电场随机优化调度方法 |
CN109447486A (zh) * | 2018-11-01 | 2019-03-08 | 浙江大学 | 一种面向售电公司的电力中长期市场降低偏差考核费用的联盟方法 |
-
2019
- 2019-03-29 CN CN201910248098.5A patent/CN109980695B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106058941A (zh) * | 2016-07-29 | 2016-10-26 | 武汉大学 | 一种基于场景分析的风电场随机优化调度方法 |
CN109447486A (zh) * | 2018-11-01 | 2019-03-08 | 浙江大学 | 一种面向售电公司的电力中长期市场降低偏差考核费用的联盟方法 |
Non-Patent Citations (2)
Title |
---|
JIALI YOU等: "A behavior cluster based availability prediction approach for nodes in distribution networks", 《2013 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》 * |
肖浩等: "分布式电源对配电网电压的影响分析及其优化控制策略", 《电工技术学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401219A (zh) * | 2019-07-22 | 2019-11-01 | 中国科学院电工研究所 | 一种分布式能源和用户群体交直流配用电***智能运行方法 |
CN110401219B (zh) * | 2019-07-22 | 2020-10-09 | 中国科学院电工研究所 | 分布式能源和用户群体交直流配用电***智能运行方法 |
CN110851892A (zh) * | 2019-11-07 | 2020-02-28 | 山东大学 | 一种园区级综合能源***辅助设计方法及*** |
CN110851892B (zh) * | 2019-11-07 | 2021-09-03 | 山东大学 | 一种园区级综合能源***辅助设计方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109980695B (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347149B (zh) | 基于深度q值网络强化学习的微电网储能调度方法及装置 | |
CN109508857B (zh) | 一种主动配电网多阶段规划方法 | |
CN107769237B (zh) | 基于电动汽车接入的多能源***协同调度方法及装置 | |
CN109711620A (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
CN109523060A (zh) | 高比例可再生能源在输配电网协同接入下的配比优化方法 | |
CN105719091B (zh) | 一种梯级水电站群并行多目标优化调度方法 | |
CN111144641B (zh) | 一种基于改进粒子群算法的微电网优化调度方法 | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源***多目标优化方法、存储介质及优化*** | |
CN113326994A (zh) | 一种考虑源荷储互动的虚拟电厂能量协同优化方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及*** | |
Li et al. | Short term prediction of photovoltaic power based on FCM and CG-DBN combination | |
Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
CN116402307A (zh) | 考虑可调度柔性资源运行特性的电网规划容量分析方法 | |
CN116029490A (zh) | 考虑分布式资源区域容量限制的光网储协同规划方法 | |
CN109245152A (zh) | 一种基于多目标蚁群算法的微电网负荷分配方法 | |
CN109980695A (zh) | 一种配用电***的分布式能源和用户行为预测方法 | |
CN115759610A (zh) | 一种电力***源网荷储协同的多目标规划方法及其应用 | |
CN113765154B (zh) | 一种高弹性电网源网荷储多元协同优化控制方法 | |
CN117543581A (zh) | 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用 | |
Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
Xu et al. | Influence of different optimization aalgorithms on prediction accuracy of photovoltaic output power based on BP neural network | |
CN114285093B (zh) | 一种源网荷储互动调度方法及*** | |
CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及*** | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN110401219B (zh) | 分布式能源和用户群体交直流配用电***智能运行方法 |
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 |