CN111047465B - 一种基于电力大数据的电网友好型负荷响应方法 - Google Patents
一种基于电力大数据的电网友好型负荷响应方法 Download PDFInfo
- Publication number
- CN111047465B CN111047465B CN201911253219.1A CN201911253219A CN111047465B CN 111047465 B CN111047465 B CN 111047465B CN 201911253219 A CN201911253219 A CN 201911253219A CN 111047465 B CN111047465 B CN 111047465B
- Authority
- CN
- China
- Prior art keywords
- response
- load
- user
- power grid
- strategy
- 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
- 230000004044 response Effects 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005611 electricity Effects 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 230000002411 adverse Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005406 washing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电网控制技术领域，尤其是一种基于电力大数据的电网友好型负荷响应方法，包括响应用户选取、负荷预测单元、响应策略流程和仿真分析；采用K‑means聚类方法进行响应用户选取，负荷预测单元预测所述响应用户选取传送来的用户用电信息；响应策略根据所述负荷预测单元的结果作出响应动作。该基于电力大数据的电网友好型负荷响应方法，通过提出预见性响应策略与实时响应策略相结合的电网友好型负荷响应策略，以缓解负荷变化对***稳定运行造成的影响；然后依据负荷预测单元结果分析该策略的基本原理及实现方法；最后通过仿真验证了该响应策略的合理性与可行性，从而实现预见性响应策略与实时响应策略相结合的电网友好型负荷响应方法。
Description
技术领域
本发明涉及电网控制技术领域，尤其涉及一种基于电力大数据的电网友好型负荷响应方法。
背景技术
随着智能电网的规模不断扩大，各类电力负荷快速增长，给电网的安全稳定运行带来了挑战。大量波动性用电负荷同时接入电网，极易造成电网超负荷运行，甚至导致电网崩溃，由此而引发的大停电事故频频发生。构建安全、稳定、高效、经济的智能电网是其发展的主要驱动力和目标之一，在智能电网的推动发展下，″电网友好″的负荷需求响应策略越来越受到重视。
但是在高比例新能源渗透电网中，当面对冲击负荷或负荷瞬时波动率较大，加之负荷响应具有一定延时特性，因此实时调整策略难以及时应对，这时就增加了电网事故的可能性。为了应对这种延时特性，电网友好响应策略应具有一定的超前效应，因此，预见性响应策略与实时响应策略相结合的电网友好技术具有重要的研究意义。
发明内容
基于现有的在高比例新能源渗透电网中，面对冲击负荷或负荷瞬时波动率较大而产生负荷响应具有延时特性的技术问题，本发明提出了一种基于电力大数据的电网友好型负荷响应方法。
本发明提出的一种基于电力大数据的电网友好型负荷响应方法，包括响应用户选取、负荷预测单元、响应策略流程和仿真分析；
所述响应用户选取采用K-means聚类方法提取响应用户；
所述负荷预测单元预测所述响应用户选取传送来的用户用电信息；
所述响应策略根据所述负荷预测单元的结果作出响应动作；
所述仿真分析对经过所述响应策略的结果数据进行仿真验证。
优选地，所述响应用户选取采用K-means聚类方法提取出可响应用户，所述K-means聚类方法的流程为从数据集中选取K个点，每个点初始地代表每个簇的聚类中心，然后计算剩余各个样本到聚类中心的距离，将它赋给最近的簇，接着重新计算每一簇的平均值，整个过程不断重复，若相邻两次调整都没有变化，则数据聚类形成的簇已经收敛；该算法的一个特点是在每次迭代中都要考察每个样本的分类是否正确，若不正确，就需调整，在全部样本调整完后，再修改聚类中心，进入下一次迭代。
优选地，所述不断重复所述K-means聚类方法直到满足终止条件，所述终止条件为：
(1)没有对象被重新分配给不同的聚类；
(2)聚类中心不再发生变化；
(3)误差平方和局部最小。
优选地，所述终止条件的算法步骤为：
(1)从N个数据对象任意选择K个对象作为初始聚类中心；
(2)循环(3)到(4)直到每个聚类不再发生变化为止；
(3)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分；
(4)重新计算每个聚类的均值(中心对象)，直到聚类中心不再变化；这种划分使得下式最小：
优选地，所述负荷预测单元的流程为采用基于遗传算法改进的BP神经网络对负荷进行预测，所述遗传算法使用Sheffield工具箱。
优选地，所述响应策略的核心思想为：当某一节点负荷达到用户响应阈值时，控制中心即向该节点用户发送控制命令，用户接收命令并进行响应，主动改变自身用电情况，以缓解电网负荷变化对电网安全运行造成的不利影响；
本文所提出的策略适用于居民或商业用户中可短时间减小用电功率或停止运行且工作性能所受影响不大的负荷，或其运行具有时间弹性的负荷；为了避免节点下大量用户同时响应对电网造成的冲击，首先根据用户历史负荷曲线，聚类分组成不同的用户用户群，并对不同的组别设置不同的响应阈值Loni(i＝1，2，3，...)和恢复阈值Loffi(i＝1，2，3，...)，实现用户的分组响应。
优选地，所述对用户设置每次最短响应时间Tmin、单次最长响应时间Tmax以及响应休止时间Tω，其典型值分别为5s、10min和10min；用户单次响应时间Ti需满足式Tmin≤ti≤Tmax；
其中i＝1，2，3...；
如上式所示的条件，一次响应结束后，用户需等待Tω时间才能再次接收控制中心发送给来的响应指令。
优选地，所述仿真分析包括聚类分析、负荷预测单元和响应策略仿真。
优选地，所述聚类分析选取可响应用户，选取出能够参与电网友好响应策略的用户和不能参与电网友好响应策略的用户，所述选取条件选取最高负荷出现时间、最低负荷出现时间、日最高负荷、日最低负荷、日峰谷差和平均值的指标作为识别用户群的指标，并对以上6个指标进行最小-最大标准化处理，其转换公式如下：
优选地，所述负荷预测单元为运用遗传算法改进的BP神经网络对该用户一天用电负荷进行训练学***均绝对误差MAPE作为预测结果评价指标，其计算公式如式：
如上式所示，当MAPE小于10时预测精度较高。
本发明中的有益效果为：
1、通过提出预见性响应策略与实时响应策略相结合的电网友好型负荷响应策略，以缓解负荷变化对***稳定运行造成的影响；然后依据负荷预测单元结果分析该策略的基本原理及实现方法；最后通过仿真验证了该响应策略的合理性与可行性，从而实现预见性响应策略与实时响应策略相结合的电网友好型负荷响应方法。
2、本申请提出预见性响应策略与实时响应策略相结合的电网友好型负荷响应策略，进行智能友好的受送端互动来改变用户用电时间和用电模式，电网负荷友好响应电力高峰需求达到提高电力***稳定性的最终目的。
3、电网友好型负荷响应策略的核心思想为：当某一节点负荷达到用户响应阈值时，控制中心即向该节点用户发送控制命令，用户接收命令并进行响应，主动改变自身用电情况，以缓解电网负荷变化对电网安全运行造成的不利影响。
附图说明
图1为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的遗传算法改进神经网络流程图；
图2为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的遗传算法运行参数设定图；
图3为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的负荷响应策略流程图；
图4为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的响应方案控制图；
图5为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的用户用电负荷数据表；
图6为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的用户聚类结果图；
图7为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的用户群特征雷达图；
图8为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的阈值参数设置图；
图9为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的节点1用电负荷表；
图10为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的负荷预测单元曲线图；
图11为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的仿真对象参数表；
图12为本发明提出的一种基于电力大数据的电网友好型负荷响应方法的仿真结果图。
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。
参照图1-12，一种基于电力大数据的电网友好型负荷响应方法，包括响应用户选取、负荷预测单元、响应策略流程和仿真分析；
负荷预测单元预测响应用户选取传送来的用户用电信息；
进一步地，响应用户选取采用K-means聚类方法提取出可响应用户，K-means聚类方法的流程为从数据集中选取K个点，每个点初始地代表每个簇的聚类中心，然后计算剩余各个样本到聚类中心的距离，将它赋给最近的簇，接着重新计算每一簇的平均值，整个过程不断重复，若相邻两次调整都没有变化，则数据聚类形成的簇已经收敛；该算法的一个特点是在每次迭代中都要考察每个样本的分类是否正确，若不正确，就需调整，在全部样本调整完后，再修改聚类中心，进入下一次迭代；
进一步地，不断重复K-means聚类方法直到满足终止条件，终止条件为：
(1)没有对象被重新分配给不同的聚类；
(2)聚类中心不再发生变化；
(3)误差平方和局部最小；
进一步地，终止条件的算法步骤为：
(1)从N个数据对象任意选择K个对象作为初始聚类中心；
(2)循环(3)到(4)直到每个聚类不再发生变化为止；
(3)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分；
(4)重新计算每个聚类的均值(中心对象)，直到聚类中心不再变化；这种划分使得下式最小：
响应策略根据负荷预测单元的结果作出响应动作；
如图1-2所示，负荷预测单元的流程为采用基于遗传算法改进的BP神经网络对负荷进行预测，遗传算法使用Sheffield工具箱；
响应策略的核心思想为：当某一节点负荷达到用户响应阈值时，控制中心即向该节点用户发送控制命令，用户接收命令并进行响应，主动改变自身用电情况，以缓解电网负荷变化对电网安全运行造成的不利影响；
电网友好型负荷响应策略的核心思想为：当某一节点负荷达到用户响应阈值时，控制中心即向该节点用户发送控制命令，用户接收命令并进行响应，主动改变自身用电情况，以缓解电网负荷变化对电网安全运行造成的不利影响。
如图3-4所示，本文所提出的策略适用于居民或商业用户中可短时间减小用电功率或停止运行且工作性能所受影响不大的负荷(如空调、热水器、电冰箱等)，或其运行具有时间弹性的负荷(如洗衣机、电动汽车等)。为了避免节点下大量用户同时响应对电网造成的冲击，我们首先根据用户历史负荷曲线，聚类分组成不同的用户用户群，并对不同的组别设置不同的响应阈值Loni(i＝1，2，3，...)和恢复阈值Loffi(i＝1，2，3，...)，实现用户的分组响应；
具体响应策略分为两部分，一是预见性响应策略，***未来一段时间电网负荷量，根据负荷预测单元结果，给用户发送调整建议，用户主动调整用电计划，起到提前预防超负荷运行的作用。能够较好的应对负荷响应的延时特性，用户提前做出调整，改变用电计划，大大降低了电网事故的可能性。二是实时响应策略，当电网实时负荷高于用户的响应阈值Loni时，用户的上述设备将自动停止运行，有助于电网迅速恢复正常；当负荷逐步下降并达到用户的恢复阈值Loffi时，设备将会自动重启；当电网负荷处于Loni与Loffi之间时，用户用电状态不会发生改变；
即，当某一节点负荷达到用户响应阈值时，控制中心即向该节点用户发送控制命令，用户接收命令并进行响应，主动改变自身用电情况，以缓解电网负荷变化对电网安全运行造成的不利影响。
本申请所提出的策略适用于居民或商业用户中可短时间减小用电功率或停止运行且工作性能所受影响不大的负荷，或其运行具有时间弹性的负荷；为了避免节点下大量用户同时响应对电网造成的冲击，首先根据用户历史负荷曲线，聚类分组成不同的用户用户群，并对不同的组别设置不同的响应阈值Loni(i＝1，2，3，...)和恢复阈值Loffi(i＝1，2，3，...)，实现用户的分组响应；
进一步地，对用户设置每次最短响应时间Tmin、单次最长响应时间Tmax以及响应休止时间Tω，其典型值分别为5s、10min和10min；用户单次响应时间Ti需满足式Tmin≤ti≤Tmax；
其中i＝1，2，3...；
如上式所示的条件，一次响应结束后，用户需等待Tω时间才能再次接收控制中心发送给来的响应指令；
本申请提出预见性响应策略与实时响应策略相结合的电网友好型负荷响应策略，进行智能友好的受送端互动来改变用户用电时间和用电模式，达到削减电力需求高峰、友好响应电网负荷、提高电力***稳定性的最终目的。
仿真分析对经过响应策略的结果数据进行仿真验证；
进一步地，仿真分析包括聚类分析、负荷预测单元和响应策略仿真；
具体整个响应策略实现方案如图4所示，控制中心***并实时监测电网所有关键节点的用户负荷量，用户的负荷设备接收来自控制中心发送的命令。控制中心对所有用户的历史用电数据进行处理分析，并预测未来一段时间内，用户的负荷大致波动曲线，提前向用户发出控制命令，用户接收到控制命令并做出相应调整，主动调整用电计划。当某一关键节点用户负荷量达到负荷设备响应阈值时，控制中心即向该节点下的所有用户负荷设备发送控制命令，用户负荷设备接收控制命令并进行响应。整个响应策略要求用户负荷设备实现与控制中心、智能控制终端之间的通信。
如图5所示，首先，采用k-means聚类方法对该节点2201家用户进行分组；
进一步地，如图6-8所示，聚类分析选取可响应用户，选取出能够参与电网友好响应策略的用户和不能参与电网友好响应策略的用户，选取条件选取最高负荷出现时间、最低负荷出现时间、日最高负荷、日最低负荷、日峰谷差和平均值的指标作为识别用户群的指标，并对以上6个指标进行最小-最大标准化处理，其转换公式如下：
由上述用户群特征分析雷达图说明每个用户群都有明显不同的表现特征，基于该特征描述，本案例定义五个等级的用户类别：高用电型用户、较高用电型用户、低用电型用户、一般型用电用户、稳定型用电用户。每种用户类别的特征如下：
用户群1：高用电型用户，整体用电负荷程度大，且负荷波动小，最高负荷持续时间长。
用户群2：低用电型用户，整体用电负荷低，峰值时间出现在晚上。
用户群3：较低用电型用户，用电集中在上午，用电负荷量较低。
用户群4：较高用电型用户，峰值时间出现在中午，整体用电负荷量较大。
用户群5：一般用电型用户，全天保持一定的用电负荷，波动不大，用电负荷量居中。
由聚类结果可以看出，用户群1最高负荷持续时间、日最高负荷与负荷均值均较大，负荷波动小，在最高负荷下的持续时间也较久，即最大负荷利用小时数较大，该用户群对用电需求较大且负荷稳定，此用户群不适合参与电网友好响应策略，以免耽误生产，影响社会效益。而其余用户群均可参与电网友好响应策略。对不同的用户群分别设置响应阈值Loni和恢复阈值Loffi。
进一步地，如图9所示，每隔15min对节点1用电负荷进行采集；
进一步地，如图10所示，负荷预测单元为运用遗传算法改进的BP神经网络对该用户一天用电负荷进行训练学***均绝对误差MAPE作为预测结果评价指标，其计算公式如式：
如上式所示，当MAPE小于10时预测精度较高；
进一步地，如图11所示，本文选取具有代表的5类负荷(电热水器、空调设备、洗衣机、电冰箱和微波炉)作为仿真对象，在预见性响应策略中，主要由洗衣机和微波炉参与；在实时响应策略中，主要由电热水器、空调设备和电冰箱参与；
进一步地，如图12所示，假设每个用户在响应决策策略中均采用提前用电计划(避开高峰使用洗衣机、微波炉)；由图12的仿真结果图可以看出，根据负荷预测单元曲线，预见性响应策略可以让用户调整用电计划，起到调峰的效果；实时响应策略依据响应阈值发送控制命令，能起到平峰效果；整个负荷响应策略能达到调峰和平峰效果，对调整电网负荷起到了明显的作用。
通过提出预见性响应策略与实时响应策略相结合的电网友好型负荷响应策略，以缓解负荷变化对***稳定运行造成的影响；然后依据负荷预测单元结果分析该策略的基本原理及实现方法；最后通过仿真验证了该响应策略的合理性与可行性，从而实现预见性响应策略与实时响应策略相结合的电网友好型负荷响应方法。
***未来一段时间电网负荷量，根据负荷预测结果，给用户发送调整建议，用户主动调整用电计划，起到提前预防超负荷运行的作用；
较好的应对负荷响应的延时特性，用户提前做出调整，改变用电计划，大大降低了电网事故的可能性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于电力大数据的电网友好型负荷响应方法，其特征在于：包括响应用户选取、负荷预测单元、响应策略流程和仿真分析；
所述响应用户选取采用K-means聚类方法提取响应用户；
所述负荷预测单元预测所述响应用户选取传送来的用户用电信息；
所述响应策略根据所述负荷预测单元的结果作出响应动作；
所述仿真分析对经过所述响应策略的结果数据进行仿真验证；
所述K-means聚类方法的流程为从数据集中选取K个点，每个点初始地代表每个簇的聚类中心，然后计算剩余各个样本到聚类中心的距离，将它赋给最近的簇，接着重新计算每一簇的平均值，整个过程不断重复，若相邻两次调整都没有变化，则数据聚类形成的簇已经收敛；该算法的一个特点是在每次迭代中都考察每个样本的分类是否正确，若不正确，就需调整，在全部样本调整完后，再修改聚类中心，进入下一次迭代；
不断重复所述K-means聚类方法直到满足终止条件，所述终止条件为：
(1)没有对象被重新分配给不同的聚类；
(2)聚类中心不再发生变化；
(3)误差平方和局部最小；
所述终止条件的算法步骤为：
(1)从N个数据对象任意选择K个对象作为初始聚类中心；
(2)循环(3)到(4)直到每个聚类不再发生变化为止；
(3)根据每个聚类对象的均值作为中心对象，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分；
(4)重新计算每个聚类的均值作为中心对象，直到聚类中心不再变化；这种划分使得下式最小：
所述仿真分析包括聚类分析、负荷预测单元和响应策略仿真；
所述聚类分析选取可响应用户，选取出能够参与电网友好响应策略的用户和不能参与电网友好响应策略的用户，所述选取条件选取最高负荷出现时间、最低负荷出现时间、日最高负荷、日最低负荷、日峰谷差和平均值的指标作为识别用户群的指标，并对以上6个指标进行最小-最大标准化处理，其转换公式如下：
所述负荷预测单元为运用遗传算法改进的BP神经网络对该用户一天用电负荷进行训练学***均绝对误差MAPE作为预测结果评价指标，其计算公式如式：
如上式所示，当MAPE小于10时预测精度较高。
2.根据权利要求1所述的一种基于电力大数据的电网友好型负荷响应方法，其特征在于：所述负荷预测单元的流程为采用基于遗传算法改进的BP神经网络对负荷进行预测，所述遗传算法使用Sheffield工具箱。
3.根据权利要求1所述的一种基于电力大数据的电网友好型负荷响应方法，其特征在于：所述响应策略的核心思想为：当某一节点负荷达到用户响应阈值时，控制中心即向该节点用户发送控制命令，用户接收命令并进行响应，主动改变自身用电情况，以缓解电网负荷变化对电网安全运行造成的不利影响；
上述所提出的策略适用于电力用户中可短时间减小用电功率或停运用电设备且用电体验影响不大的负荷，或其运行具有时间弹性的负荷；为了避免同一电力节点的大量用户同时响应对电网造成的冲击，首先根据用户历史负荷曲线，聚类分组成不同的用户群，并对不同的组别设置不同的响应阈值L oni(i＝1，2，3，...)和恢复阈值L offi(i＝1，2，3，...)，实现用户的分组响应。
4.根据权利要求3所述的一种基于电力大数据的电网友好型负荷响应方法，其特征在于：对用户设置每次最短响应时间T min、单次最长响应时间T max以及响应休止时间Tω，其典型值分别为5s、10min和10min；用户单次响应时间Ti需满足式T min≤t i≤T max；
其中i＝1，2，3...；
如上式所示的条件，一次响应结束后，用户需等待Tω时间才能再次接收控制中心发送给来的响应指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911253219.1A CN111047465B (zh) | 2019-12-09 | 2019-12-09 | 一种基于电力大数据的电网友好型负荷响应方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911253219.1A CN111047465B (zh) | 2019-12-09 | 2019-12-09 | 一种基于电力大数据的电网友好型负荷响应方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111047465A CN111047465A (zh) | 2020-04-21 |
| CN111047465B true CN111047465B (zh) | 2024-05-10 |
Family
ID=70235266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911253219.1A Active CN111047465B (zh) | 2019-12-09 | 2019-12-09 | 一种基于电力大数据的电网友好型负荷响应方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111047465B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115034559A (zh) * | 2022-05-07 | 2022-09-09 | 上海发电设备成套设计研究院有限责任公司 | 负荷调整方法、装置、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013040837A1 (zh) * | 2011-09-25 | 2013-03-28 | 国网电力科学研究院 | 微电网***计算机监控方法 |
| CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
| CN104993490A (zh) * | 2015-08-11 | 2015-10-21 | 湘潭大学 | 一种家庭负荷分类电网友好响应控制方法 |
| CN107359617A (zh) * | 2017-08-08 | 2017-11-17 | 国网江苏省电力公司盐城供电公司 | 一种包含微网群的主动配电网源‑网‑荷协调控制*** |
| CN107766976A (zh) * | 2017-10-17 | 2018-03-06 | 国网江苏省电力公司盐城供电公司 | 一种面向电力市场的主动需求响应平台 |
| CN109284851A (zh) * | 2018-06-11 | 2019-01-29 | 西安交通大学 | 一种适用于需求侧响应的用户用电行为分类方法 |
-
2019
- 2019-12-09 CN CN201911253219.1A patent/CN111047465B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013040837A1 (zh) * | 2011-09-25 | 2013-03-28 | 国网电力科学研究院 | 微电网***计算机监控方法 |
| CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
| CN104993490A (zh) * | 2015-08-11 | 2015-10-21 | 湘潭大学 | 一种家庭负荷分类电网友好响应控制方法 |
| CN107359617A (zh) * | 2017-08-08 | 2017-11-17 | 国网江苏省电力公司盐城供电公司 | 一种包含微网群的主动配电网源‑网‑荷协调控制*** |
| CN107766976A (zh) * | 2017-10-17 | 2018-03-06 | 国网江苏省电力公司盐城供电公司 | 一种面向电力市场的主动需求响应平台 |
| CN109284851A (zh) * | 2018-06-11 | 2019-01-29 | 西安交通大学 | 一种适用于需求侧响应的用户用电行为分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 电网友好型多用电设备协调控制模型与策略;廖正海等;《电 力 自 动 化 设 备》;全文 * |
| 计及用电行为聚类的智能小区互动化需求响应方法;陆俊;朱炎平;彭文昊;祁兵;崔高颖;;电力***自动化(17);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111047465A (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103036974B (zh) | 基于隐马尔可夫模型的云计算资源调度方法和*** | |
| CN107578288B (zh) | 一种考虑用户用电模式差异的非侵入式负荷分解方法 | |
| CN110260470B (zh) | 基于群智能架构的中央空调并联冷机负荷优化分配方法 | |
| KR20140105506A (ko) | 전력 생산 용량의 적응 및 에너지 저장 유닛 사이즈의 결정 | |
| CN111489188B (zh) | 一种居民可调负荷潜力挖掘方法及*** | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
| CN109827310B (zh) | 一种居民空调负荷群聚合模型建立方法 | |
| CN109242150A (zh) | 一种电网可靠性预测方法 | |
| CN111144654A (zh) | 一种基于物联网的园区能源管理配置方法及装置 | |
| CN112508306A (zh) | 一种电力生产配置的自适应方法及*** | |
| CN110854891A (zh) | 一种配电网灾前资源配置方法及*** | |
| CN111047465B (zh) | 一种基于电力大数据的电网友好型负荷响应方法 | |
| CN113452033A (zh) | 分区自治的含高比例光伏配电网电压控制方法及存储介质 | |
| CN113526272B (zh) | 电梯群控***和电梯群控设备 | |
| Oprea et al. | Electricity load profile calculation using self-organizing maps | |
| CN114992772A (zh) | 空调温控负荷集群可调节潜力评估方法、装置及存储介质 | |
| Dai et al. | Elevator group-control policy with destination registration based on hybrid genetic algorithms | |
| CN113837486A (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| CN107368929B (zh) | 一种基于互动协同、滚动趋优的日内计划计算方法 | |
| CN107528347B (zh) | 高渗透率间歇式新能源接入配电网需求侧管理***及方法 | |
| CN117901703B (zh) | 充电负荷调控方法、装置和电子设备 | |
| CN113283755B (zh) | 一种车间智能调度决策方法 | |
| CN116910637B (zh) | 基于改进的iga-rbf神经网络短期负荷预测方法 | |
| Zhou et al. | Regional operation and maintenance outage planning optimization model considering time sequence optimization | |
| CN113013904B (zh) | 一种海上风电储能容量配置的优化方法及装置 |
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 |