CN110675275B - 一种虚拟电厂的需求侧响应用电负荷调控方法及*** - Google Patents
一种虚拟电厂的需求侧响应用电负荷调控方法及*** Download PDFInfo
- Publication number
- CN110675275B CN110675275B CN201910837278.7A CN201910837278A CN110675275B CN 110675275 B CN110675275 B CN 110675275B CN 201910837278 A CN201910837278 A CN 201910837278A CN 110675275 B CN110675275 B CN 110675275B
- Authority
- CN
- China
- Prior art keywords
- power
- power generation
- data
- historical
- load
- 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 44
- 230000004044 response Effects 0.000 title claims abstract description 19
- 238000010248 power generation Methods 0.000 claims abstract description 122
- 230000005611 electricity Effects 0.000 claims abstract description 28
- 230000001105 regulatory effect Effects 0.000 claims abstract description 16
- 230000001276 controlling effect Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/90—Financial instruments for climate change mitigation, e.g. environmental taxes, subsidies or financing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种虚拟电厂的需求侧响应用电负荷调控方法和***，该方法包括：实时获取可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息；获取待预测日的时间数据和对应的气象数据；根据所述时间数据和对应的气象数据预测电力负荷数据、可再生能源发电出力功率；根据可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息、电力负荷数据、可再生能源发电出力功率调控可再生能源的功率出力。本发明提供了负荷和可再生能源出力功率预测的准确性，实现了主动配电网中部分负荷的合理控制。
Description
技术领域
本发明涉及电力负荷调控技术领域，尤其涉及一种虚拟电厂的需求侧响应用电负荷调控方法及***。
背景技术
在电力市场改革的大背景下，电力将逐渐回归商品属性，电价也将实时波动，即电价的波动会影响负荷的大小，而负荷的波动也会影响电价的大小，两者在相互影响的过程中达到平衡。电力***的负荷预测是电力***进行调度运行和生产计划的基础工作，负荷预测关系到电力***的安全和稳定运行，对于实际生产生活有着不可估量的作用。
虚拟电厂在不改变电网现有拓扑结构的前提下，控制协调中心基于发电预测、负荷预测，通过先进的协调控制技术、智能计量技术和信息通信技术聚合分布式电源、储能***、可入网电动汽车等不同类型的电源，通过上层的软件算法实现多分布式能源的协调优化运行，从而促进资源合理优化配置及利用。虚拟电厂可参与的电力市场包括日前市场、实时市场、双边合同市场和辅助服务市场等，参与平衡市场能帮助虚拟电厂平抑可再生能源的波动，降低可再生能源出力预测不准确的风险，并获得更大经济效益。
需求响应可以使需求侧资源成为一种虚拟资源参与电网负荷调度，用户需求响应包括基于价格的需求响应和基于激励的需求响应。结合考虑负荷侧资源和电源侧资源，使负荷侧和电源侧调度相协调，是解决不可控新能源电力消纳问题的有效途径。
申请专利号为“201811043955.X”，名称为“电网负荷预测方法、装置、计算机设备和存储介质”的发明专利申请，提出了根据历史相似日的历史数据建立预测模型；根据所述预测模型对待预测日的电网负荷进行预测。
已有电力负荷预测研究发现，用户会随着时间或天气等特征因素用电习惯会改变，单一固定的训练出的电力负荷预测模型会随着时间或天气等特征因素预测出的电力负荷会逐渐变得不准确。
发明内容
本发明所要解决的技术问题在于，提供一种虚拟电厂的需求侧响应用电负荷调控方法和***，以解决现有技术中在对负荷进行预测没有考虑气象因素的影响的缺陷。
为了解决上述技术问题，本发明提供一种虚拟电厂的需求侧响应用电负荷调控方法，该方法包括如下步骤：
实时获取可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息；
获取待预测日的时间数据和对应的气象数据；
根据所述时间数据和对应的气象数据预测电力负荷数据、可再生能源发电出力功率；
根据可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息、电力负荷数据、可再生能源发电出力功率调控可再生能源的功率出力。
其中，所述根据所述时间数据和对应的气象数据预测电力负荷数据、可再生能源发电出力功率具体包括：
将所述待预测日的时间数据和对应的气象数据代入构建的电力负荷预测模型中，获得电力负荷的预测值；
将所述待预测日的时间数据和对应的气象数据代入构建的风力发电出力功率预测模型中获得所述风力发电出力功率预测值；
将所述待预测日的时间数据和对应的气象数据代入构建的光伏发电出力功率预测模型中获得所述光伏发电出力功率预测值。
其中，构建电力负荷预测模型具体包括：
获取用户端的历史电力负荷数据以及历史电力负荷数据对应的时间数据和历史气象数据；
对所述时间数据和历史气象数据进行处理，获得处理后的历史时间数据和历史气象数据；
利用所述处理后的历史时间数据和历史气象数据以及所述历史时间数据对应的历史电力负荷数据训练电力负荷预测，从而获得电力负荷预测模型。
其中，所述电力负荷预测模型采用径向基函数神经网络和极限学习机方法结合预测。
其中，所述构建风力发电出力功率预测模型具体包括：
获取风力发电出力功率的历史数据、风力发电出力功率的历史时间数据和历史气象数据；
对所述风力发电出力功率的历史时间数据和历史气象数据进行处理，获得处理后的风力发电出力功率数据以及对应的历史时间数据和历史气象数据；
利用处理后的风力发电出力功率数据和历史气象数据训练风力发电预测模型获得所述风力发电出力功率预测模型。
其中，所述风力发电出力功率预测模型和所述光伏发电出力功率预测模型采用ARIMA(p,q)模型。
本发明还提供一种虚拟电厂的需求侧响应用电负荷调控***，包括：
价格获取模块，用于实时获取可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息；
待测日信息获取模块，用于获取待预测日的时间数据和对应的气象数据；
预测模块，用于根据所述时间数据和对应的气象数据预测电力负荷数据、可再生能源发电出力功率；
调控模块，用于根据可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息、电力负荷数据、可再生能源发电出力功率调控用户端的电力负荷。
其中，所述预测模块包括：
电力负荷预测模块，用于将所述待预测日的时间数据和对应的气象数据代入构建的电力负荷预测模型中，获得电力负荷的预测值；
风力发电出力功率预测模块，用于将所述待预测日的时间数据和对应的气象数据代入构建的风力发电出力功率预测模型中获得所述风力发电出力功率预测值；
光伏发电出力功率预测模块，用于将所述待预测日的时间数据和对应的气象数据代入构建的光伏发电出力功率预测模型中获得所述光伏发电出力功率预测值。
其中，所述电力负荷预测模型采用径向基函数神经网络和极限学习机方法结合预测。
其中，所述风力发电出力功率预测模型和所述光伏发电出力功率预测模型采用ARIMA(p,q)模型。
本发明实施例的有益效果在于：在预测用户的电力负荷和可再生能源的功率出力预测的过程中考虑了气象因素，提高了预测的准确性，此外，用户响应电价策略后，在某些高价时刻允许中断或减少用电量，改善了***总体功率平衡；且在某些低价阶段增大了用电量需求，可以改善配电***资源分布，防止弃风和弃电的现象。如若调整价格激励策略，需求响应分布曲线将随着策略而改变，可实现了主动配电网中部分负荷的合理控制。
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是本发明实施例的一种虚拟电厂的需求侧响应用电负荷调控方法的流程示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
以下参照图1进行说明，本发明实施例一提供一种虚拟电厂的需求侧响应用电负荷调控方法，该方法包括如下步骤：
S1、实时获取可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息。
具体地，实时获取风力发电上网价格、光伏发电上网价格、风力发电政府补贴价格、光伏发电政府补贴价格、用户侧的实时电价。
S2、获取待预测日的时间数据和对应的气象数据。
S3、根据所述时间数据和对应的气象数据预测电力负荷数据、可再生能源发电出力功率。
在一具体实施方式中，所述根据所述时间数据和对应的气象数据预测电力负荷数据、可再生能源发电出力功率具体包括：
将所述待预测日的时间数据和对应的气象数据代入构建的电力负荷预测模型中，获得电力负荷的预测值；将所述待预测日的时间数据和对应的气象数据代入构建的风力发电出力功率预测模型中获得所述风力发电出力功率预测值；将所述待预测日的时间数据和对应的气象数据代入构建的光伏发电出力功率预测模型中获得所述光伏发电出力功率预测值。
在一具体实施方式中，构建电力负荷预测模型具体包括：获取用户端的历史电力负荷数据以及历史电力负荷数据对应的时间数据和历史气象数据；对所述时间数据和历史气象数据进行处理，例如，在获得了历史电力负荷数据后，对历史电力负荷数据的时间和相对应的历史气象数据中的异常值进行处理，包括对存在异常值的历史时间数据和相对应的历史气象数据进行删除，从而获得处理后的历史时间数据和历史气象数据；利用所述处理后的历史时间数据和历史气象数据以及所述历史时间数据对应的历史电力负荷数据训练电力负荷预测，从而获得电力负荷预测模型。
为了提升电力负荷预测模型预测的准确率，电力负荷预测模型采用空间负荷预测法、电力弹性系数法、人均用电量法、产值用电单耗法、负荷密度法、单耗法、趋势外推法、时间序列法、回归分析法、自回归滑动平均法、神经网络法、支持向量机、模糊集理论、混沌理论、小波分析、灰色***理论、机器学***均。
以径向基函数神经网络和极限学***均气温、日温度差、节假日类型、月份数和天数等特征因子。
所提出的方法的训练网络模型表示为：
式中，αi＝[αi1，αi2，...，αin]为连接内核函数与输出层之间的连接权值，n表示连接权值的个数；为第i个核函数的输出，N是指内核函数的个数，fN(x)是指训练模型网络的输出。
预测模型为
式中，y为预测值，H为隐含层矩阵，HT为H矩阵的转置，λ为比例因子，T为时间变量，N为内核函数的个数。
预测性能参数即预测结果误差err为：
式中，yi为第i天电力负荷预测值，通过第i天的预测模型得到；ti为yi对应的电力负荷实际值，K为预测天数。
预测步骤为：
步骤1：给定输入N个训练集，径向基函数神经网络M个神经元；
步骤2：设定核函数中心、中心影响宽度；
步骤3：计算隐含层矩阵H和矩阵H广义的逆矩阵H+；
步骤4：计算输出层权值；
步骤5：输入测试集，得到预测结果，并计算训练集的误差；
步骤6：得到最优预测结果。
在一具体实施方式中，所述构建风力发电出力功率预测模型具体包括：获取风力发电出力功率的历史数据、风力发电出力功率的历史时间数据和历史气象数据；对所述风力发电出力功率的历史时间数据和历史气象数据进行处理，获得处理后的风力发电出力功率数据以及对应的历史时间数据和历史气象数据；利用处理后的风力发电出力功率数据和历史气象数据训练风力发电预测模型获得所述风力发电出力功率预测模型。
可以采用ARIMA模型、神经网络、支持向量机、多元线性回归等算法对风力发电和光伏发电等分布式可再生能源的出力功率进行预测。
其中，ARIMA(p,q)模型为
式中，xt为出力功率样本值，ut为零均值白噪声序列，p为自回归阶数，q为移动平均阶数，为自回归(AR)系数，θi为滑动平均(MA)系数。
预测方法：
步骤1：对原始数据进行平稳性检验；
步骤2：确定相应ARIMA模型的阶数(p,q)的值和差分次数d.
步骤3：采用最小二乘法对ARIMA模型参数进行估计。在ARIMA中，记
则残差项为
Δxt＝xt-fi(x,a)
当Δxt的平方和最小时，a为最小二乘参数估计值。
步骤4：通过作残差序列自相关函数和偏相关函数，检验该模型是否合理。
步骤5：通过对模型类型识别、定阶、参数估算和检验等，确定模型并对电出风力发电和光伏发电等分布式可再生能源的出力功率预测。
S4、根据可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息、电力负荷数据、可再生能源发电出力功率调控可再生能源的出力功率。
具体地，根据国家政策宏观调控用电价格，采用分时电价，在高价时刻允许中断或减少用电量，在低价时刻增大用电需求，结合对电力负荷数据预测数据，调控风力发电和光伏发电等分布式可再生能源的出力功率。
本发明实施例的虚拟电厂的需求侧响应用电负荷调控方法，在预测用户的电力负荷和可再生能源的功率出力的过程中考虑了气象因素，提高了预测的准确性，此外，用户响应电价策略后，在某些高价时刻允许中断或减少用电量，改善了***总体功率平衡；且在某些低价阶段增大了用电量需求，可以改善配电***资源分布，防止弃风和弃电的现象。如若调整价格激励策略，需求响应分布曲线将随着策略而改变，可实现了主动配电网中部分负荷的合理控制。
基于本发明实施例一，本发明实施例二提供了一种虚拟电厂的需求侧响应用电负荷调控***，具体包括：
价格获取模块，用于实时获取可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息；
待测日信息获取模块，用于获取待预测日的时间数据和对应的气象数据；
预测模块，用于根据所述时间数据和对应的气象数据预测电力负荷数据、可再生能源发电出力功率；
调控模块，用于根据可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息、电力负荷数据、可再生能源发电出力功率调控用户端的电力负荷。
其中，所述预测模块包括：
电力负荷预测模块，用于将所述待预测日的时间数据和对应的气象数据代入构建的电力负荷预测模型中，获得电力负荷的预测值；
风力发电出力功率预测模块，用于将所述待预测日的时间数据和对应的气象数据代入构建的风力发电出力功率预测模型中获得所述风力发电出力功率预测值；
光伏发电出力功率预测模块，用于将所述待预测日的时间数据和对应的气象数据代入构建的光伏发电出力功率预测模型中获得所述光伏发电出力功率预测值。
其中，所述电力负荷预测模型采用径向基函数神经网络和极限学习机方法结合预测。
其中，所述风力发电出力功率预测模型和所述光伏发电出力功率预测模型采用ARIMA(p,q)模型。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (5)
1.一种虚拟电厂的需求侧响应用电负荷调控方法，其特征在于，包括如下步骤：
实时获取可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息；
获取待预测日的时间数据和气象数据；
根据所述时间数据和气象数据预测电力负荷数据、可再生能源发电出力功率，具体包括：将所述待预测日的时间数据和气象数据代入构建的电力负荷预测模型中，获得电力负荷的预测值；将所述待预测日的时间数据和气象数据代入构建的风力发电出力功率预测模型中获得所述风力发电出力功率预测值；将所述待预测日的时间数据和气象数据代入构建的光伏发电出力功率预测模型中获得光伏发电出力功率预测值；
根据可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息、电力负荷数据、可再生能源发电出力功率调控可再生能源的功率出力，具体包括：采用分时电价，在高价时刻允许中断或减少用电量，在低价时刻增大用电需求，结合所述电力负荷的预测值，调控风力发电出力功率和光伏发电出力功率；
其中，构建电力负荷预测模型具体包括：
获取用户端的历史电力负荷数据以及历史电力负荷数据对应的时间数据和历史气象数据；对所述时间数据和历史气象数据进行处理，获得处理后的历史时间数据和历史气象数据；利用所述处理后的历史时间数据和历史气象数据以及所述历史时间数据对应的历史电力负荷数据训练电力负荷预测模型，从而获得电力负荷预测模型，电力负荷预测模型表示为：
式中，y为预测值，H为隐含层矩阵，HT为H矩阵的转置，为比例因子，T为时间变量，N为内核函数的个数，/>为第/>个核函数的输出；
预测性能参数即预测结果误差err为：
式中，为第/>天电力负荷预测值，通过第i天的预测模型得到；/>为/>对应的电力负荷实际值，/>为预测天数。
2.根据权利要求1所述的方法，其特征在于，构建风力发电出力功率预测模型具体包括：
获取风力发电出力功率的历史数据、风力发电出力功率的历史时间数据和历史气象数据；
对所述风力发电出力功率的历史时间数据和历史气象数据进行处理，获得处理后的风力发电出力功率数据以及对应的历史时间数据和历史气象数据；
利用处理后的风力发电出力功率数据和历史气象数据训练风力发电出力功率预测模型获得所述风力发电出力功率预测模型。
3.根据权利要求2所述的方法，其特征在于，所述风力发电出力功率预测模型和所述光伏发电出力功率预测模型采用ARIMA（p,q）模型，p为自回归阶数，q为移动平均阶数。
4.一种虚拟电厂的需求侧响应用电负荷调控***，其特征在于 ，包括：
价格获取模块，用于实时获取可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息；
待测日信息获取模块，用于获取待预测日的时间数据和气象数据；预测模块，用于根据所述时间数据和气象数据预测电力负荷数据、可再生能源发电出力功率；
调控模块，用于根据可再生能源的发电上网价格、可再生能源的发电政府补贴价格、用户侧电价信息、电力负荷数据、可再生能源发电出力功率调控用户端的电力负荷；
所述预测模块包括：
电力负荷预测模块，用于将所述待预测日的时间数据和气象数据代入构建的电力负荷预测模型中，获得电力负荷的预测值；
风力发电出力功率预测模块，用于将所述待预测日的时间数据和气象数据代入构建的风力发电出力功率预测模型中获得所述风力发电出力功率预测值；
光伏发电出力功率预测模块，用于将所述待预测日的时间数据和气象数据代入构建的光伏发电出力功率预测模型中获得光伏发电出力功率预测值；
其中，构建电力负荷预测模型具体包括：
获取用户端的历史电力负荷数据以及历史电力负荷数据对应的时间数据和历史气象数据；对所述时间数据和历史气象数据进行处理，获得处理后的历史时间数据和历史气象数据；利用所述处理后的历史时间数据和历史气象数据以及所述历史时间数据对应的历史电力负荷数据训练电力负荷预测模型，从而获得电力负荷预测模型，电力负荷预测模型表示为：
式中，y为预测值，H为隐含层矩阵，HT为H矩阵的转置，为比例因子，T为时间变量，N为内核函数的个数，/>为第/>个核函数的输出；
预测性能参数即预测结果误差err为：
式中，为第/>天电力负荷预测值，通过第i天的预测模型得到；/>为/>对应的电力负荷实际值，/>为预测天数。
5.根据权利要求4所述的***，其特征在于：
所述风力发电出力功率预测模型和所述光伏发电出力功率预测模型采用ARIMA（p,q）模型，p为自回归阶数，q为移动平均阶数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910837278.7A CN110675275B (zh) | 2019-09-05 | 2019-09-05 | 一种虚拟电厂的需求侧响应用电负荷调控方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910837278.7A CN110675275B (zh) | 2019-09-05 | 2019-09-05 | 一种虚拟电厂的需求侧响应用电负荷调控方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110675275A CN110675275A (zh) | 2020-01-10 |
| CN110675275B true CN110675275B (zh) | 2023-12-05 |
Family
ID=69076518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910837278.7A Active CN110675275B (zh) | 2019-09-05 | 2019-09-05 | 一种虚拟电厂的需求侧响应用电负荷调控方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675275B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111509705A (zh) * | 2020-04-24 | 2020-08-07 | 明阳智慧能源集团股份公司 | 一种电力配网预测*** |
| CN111697570A (zh) * | 2020-05-25 | 2020-09-22 | 国网河北省电力有限公司石家庄市藁城区供电分公司 | 一种电网负荷预测方法 |
| CN111898821A (zh) * | 2020-07-28 | 2020-11-06 | 国网山东省电力公司禹城市供电公司 | 一种电力负荷预测方法、***及装置 |
| CN113283659B (zh) * | 2021-06-03 | 2022-11-22 | 上海分未信息科技有限公司 | 一种面向虚拟电厂的电力负荷响应任务分配方法 |
| CN113256016A (zh) * | 2021-06-04 | 2021-08-13 | 广东电网有限责任公司珠海供电局 | 基于虚拟电厂运营的负荷预测方法及*** |
| CN114465231B (zh) * | 2022-02-14 | 2023-06-13 | 南京邮电大学盐城大数据研究院有限公司 | 一种海上风力发电的电力接入方法及*** |
| CN115169734B (zh) * | 2022-08-01 | 2023-08-04 | 周口师范学院 | 一种基于物联网的风力发电预测***及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107742900A (zh) * | 2017-11-10 | 2018-02-27 | 国网四川省电力公司技能培训中心 | 风光储智能微电网经济调度控制方法 |
| CN108808743B (zh) * | 2018-05-28 | 2020-08-21 | 华东理工大学 | 基于通信网络的多能源微电网能量预测和优化调度方法 |
-
2019
- 2019-09-05 CN CN201910837278.7A patent/CN110675275B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110675275A (zh) | 2020-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675275B (zh) | 一种虚拟电厂的需求侧响应用电负荷调控方法及*** | |
| US20190265768A1 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
| CN112950098B (zh) | 基于综合能源***的能源规划方法、装置及终端设备 | |
| CN112926770A (zh) | 一种基于数字孪生的统一数据计量采集*** | |
| CN112183849A (zh) | 一种基于人工神经网络的短期电力电量预测方法 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
| CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
| CN110796307A (zh) | 一种综合能源***分布式负荷预测方法及*** | |
| CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
| CN114219212A (zh) | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 | |
| CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
| Putri et al. | Short-term forecasting of electricity consumption revenue on Java-Bali electricity system using Jordan recurrent neural network | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
| CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及*** | |
| CN113935856A (zh) | 电能的控制方法及其装置、处理器、计算机可读存储介质 | |
| CN110414776B (zh) | 分行业用电特性快速响应分析*** | |
| CN109767037A (zh) | 一种夏季日最大负荷的预测方法 | |
| CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
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 |