CN111754090A - 一种基于大数据的电力用户需求侧调控方法 - Google Patents
一种基于大数据的电力用户需求侧调控方法 Download PDFInfo
- Publication number
- CN111754090A CN111754090A CN202010513716.7A CN202010513716A CN111754090A CN 111754090 A CN111754090 A CN 111754090A CN 202010513716 A CN202010513716 A CN 202010513716A CN 111754090 A CN111754090 A CN 111754090A
- Authority
- CN
- China
- Prior art keywords
- power
- user
- data
- load
- grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005611 electricity Effects 0.000 claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000005265 energy consumption Methods 0.000 claims abstract description 31
- 230000008901 benefit Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000012544 monitoring process Methods 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004146 energy storage Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005485 electric heating Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000004044 response Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000002354 daily effect Effects 0.000 description 10
- 230000035772 mutation Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据的电力用户需求侧调控方法，包括，步骤S1，从用户的用电信息中获取用户用电数据，进行预处理，校验各类数据是否存在缺失；步骤S2，根据收集的各级用能数据结合日常的电价信息，针对不同用电设备的运行数据，确定每个用户的负荷情况；步骤S3，根据用户需求侧调控效果评估的指标计算模型，确定各项指标值及权重数值；步骤S4，根据用户设置的偏好数据和周围环境温度变化数据，得到一个含有约束条件的优化模型，求解电力用户参与电网协调的控制决策；步骤S5，形成用户自身的互动效益评估指标，进行需求侧调控补偿结算。本发明以电力用户及设备为对象，参与需求侧管理和调控及对负荷的精细化管理，提升整体运行效率。
Description
技术领域
本发明涉及电力***自动化技术领域，特别是涉及一种基于大数据的电力用户需求侧调控方法。
背景技术
伴随着我国经济的不断发展以及现代化建设的不断推进，我国能源消耗迅速增加，能源危机日益严重。随着“煤改电”、“电能替代”等措施的提出，电能作为二次侧清洁能源正引起逐渐重视，在能源消费比重不断增加，负荷用电的急剧扩增为电网的稳定运行带来挑战，另一方面，不断增长的峰谷差为用户侧供电质量提出了巨大的考验。为了满足高峰负荷的供电需求，不仅在发电环节需要安装更多的机组，而且在输电环节需要进行额外的扩容并增加一系列配套设施，然而，对于额外供电设备在除了峰段时间以外其他时段通常被闲置，造成电力投资的浪费。
伴随着配售电市场的逐渐放开，售电公司、负荷聚合商等作为独立于电网公司和用户作为主体参与电力***运营。需求侧响应被认为是以上三者交互的重要机制，分为价格型手段和激励型手段。在价格型手段中，用电用户响应售电公司的电价改变自身的用电习惯。在激励型手段中，用户通过接受经济补偿主动改变自身用电习惯或者将用电设备交给第三方机构代理控制。对于售电公司的传统研究集中在价格型手段的应用。如采用深度学习方法根据用户的响应情况反复迭代求出最优电价；或者根据用户的响应程度的不同制订多种电价机制，并针对配电网的损耗成本分析；考虑对于多个售电公司以及多个能源供应商与用户间的主从博弈问题的电价问题。在此基础上将用户划分为两类，通过考虑多个售电公司与两类用户间的博弈问题，或根据用户响应程度提出自适应电价机制，以提升需求侧调控的效果。
随着我国电力市场的发展，售电公司、电网公司与用电用户的频繁互动趋势将逐渐形成，用户侧的响应积极程度也将逐渐呈现多元化的局面，进一步为用电技术的提升提出了更高的要求；电网公司开始由传统的电能提供商转变为电能服务商，传统的拉闸限电的需求侧管理行政手段已很难满足当今需求，需要进一步挖掘经济手段的作用。技术层面上“泛在电力物联网”概念的提出，5G通信技术的发明，智能硬件的不断发展，为电力双向供需互动技术注入新的能量。如何通过泛在电力物联网的信息架构平台实现供需互动技术的完善势在必行。
发明内容
本发明实施例所解决的技术问题是现有技术中以电力用户及设备为对象，参与需求侧管理和调控及对负荷的精细化管理不足，无法提升整体运行效率的问题。
本发明的一方面，提供一种基于大数据的电力用户需求侧调控方法，包括：
步骤S1，从用户的用电信息中获取用户总负荷数据、用户各用电子数据、用户的环境数据、用户的用电费用数据，进行预处理，校验各类数据是否存在缺失；
步骤S2，根据收集的各级用能数据结合日常的电价信息，针对不同用电设备的运行数据，确定每个用户的负荷情况；
步骤S3，根据用户需求侧调控效果评估的指标计算模型，确定各项指标值及权重数值；
步骤S4，根据用户设置的偏好数据和周围环境温度变化数据，结合负荷情况、各项指标值及权重数值得到一个含有约束条件的优化模型，根据此优化模型求解电力用户参与电网协调的控制决策；
步骤S5，根据用户类型和用户的关注点，从互动效益评估指标体系中选取用户所关注的指标，形成用户自身的互动效益评估指标，进行需求侧调控补偿结算。
进一步，在步骤S1中，所述预处理具体包括：
区域用能监测，针对供电区域范围，检测区域内大用户当前和前一天的负荷曲线对比，突出展示最大、最小和平均负荷之间的对比，及区域用户当前和前一天的用电量曲线对比；
小区用能监测，检测多场景下的用能情况，通过设备实时数据采集，优化用能比重，对公共区域综合能源集中监控及居民用户能源管理；
配电设施监测，查询小区变电站模拟图的各线路、开关元件的具体数据，并监测统计该变电站主变台数、近一小时用电量、主变总容量、进出线负荷、实时负荷、设备工况、采集成功率以及监测实时的变位数据；
电动汽车监测，查询小区每个充电桩的状态信息，获取充电桩单相、三相、直流充电功率及台数的信息，形成该小区充电桩实时负荷曲线，输出当前负荷、最大负荷和峰谷差的数据信息；
光储监测，获取光伏概况信息和储能概况信息，形成光储并网的结构简图；
专变用户用能监测，获取各类大用户的基本信息，对用户设备工况进行实时监测，形成各类设备的测点分布及用能情况，监测该用户的实时负荷以及当月峰谷电量，统计用户的电、气、水、热的用能数据。
进一步，在步骤S2中，所述确定每个用户的负荷情况具体为，将电力负荷按照用电类型进行分类，将产业所有用电负荷的总和分为行业用电负荷；将城镇和乡村居民家庭照明、家用电器的生活用电负荷分为居民生活用电。
进一步，在步骤S3中，根据以下公式确定各项指标值Z：
当评估指标为正指标时，采用以下公式进行计算：
当评估指标为负指标时，采用以下公式进行计算：
当评估指标为中间型时，采用以下公式进行计算:
其中，Z为评估指标数值，xmin为评估指标可能得到的最小值，xmax为评估指标可能得到的最大值，[U1,U2]为评估指标值的最佳区间，U1为评估指标值的最佳区间的最小值，U2为评估指标值的最佳区间的最大值。
进一步，在步骤S3中，所述确定各项指标的权重数值具体包括，根据用户数据中不同影响因素建立用户的递阶层次结构：目标层，作为最高层，只包含一个元素，用以分析问题的预定目标或理想结果；准则层，作为中间层，用以设置实现目标所涉及的中间环节，至少含有若干个层级；方案层，作为最底层，用以实现目标可供选择的各种措施、决策方案。
进一步，在步骤S3中，所述确定各项指标的权重数值具体包括，
根据以下公式计算最大主特征根λmax：
W＝(w1,w2…wn)T
其中，W为A的特征向量，n为A的特征根，(A·W)i为A·W的第i个元素，W＝(w1,w2…wn)T是n阶矩阵的排序权重向量，A为一致性判断矩阵；
根据以下公式对权重数值的一致性进行检验，其中，n>2：
RC＝IC/IR
IC＝(λmax-m)/(m-1)
其中，RC为判断矩阵的随机一致性比率，IC为判断矩阵的一般一致性指标；IR为判断矩阵的平均随机一致性指标；
当RC<0.1时，判定判断矩阵的一致性可以接受，权系数分配是合理；当CI≥0.1时，判定判断矩阵作需要重新修改，对改正后的矩阵重新计算权重和进行一致性检验；
计算各层元素对用户目标的合成权重,根据以下公司特征向量w进行归一化处理后，得到某一级各个评价指标关于它上一级指标的相对权重：
X＝AHP(x)＝Σw′ixi
其中，向量w′＝(w′1,w′2…w′n)为某一级各个评价指标关于它上一级指标的相对权重。
进一步，在步骤S4中，所述约束条件具体包括:
电网功率约束条件为：
|Pgrid(t)|≤Pgrid,max(t)
式中，Pgrid,max(t)为用户与电网间每个时间段的功率交换限制；
不可中断负荷约束条件为：
tload,start≤tload≤tload,end-N,t∈N*
空调负荷约束条件为：
0≤Pair(t)≤Pair,max
Tair,min≤Tin(t)≤Tair,max
其中，Pair(t)为空调制冷时t时段的功率，Pair,max为空调制冷额定功率，Δt为一个时段时间，Tair,max为室内温度上限，Tair,min为室内温度下限。
电热类负荷约束条件为：
0≤Peh(t)≤Peh,max
Teh,min≤Teh(t)≤Teh,max
其中，Teh(t)为电热器热水在第t时段的温度，Peh,max为电热器加热额定功率，Teh,max为电热器的热上限温度,Teh,min为电热器的热下限温度。
进一步，在步骤S4中，所述根据优化模型求解电力用户参与电网协调的控制决策具体包括：
当不含风险系数时，根据以下公式对经济性目标进行求解：
其中，Pgrid(t)为当前时段从电网中购买的电量，ρgrid(t)为所分析时段用户与电网间的电价，CDG为分布式电源发电成本及损耗折旧费；
当包含风险系数时，从目标函数中提取出随机变量，根据以下公式对经济性目标进行求解：
Pgrid(t)＝Pmust(t)+Pheat(t)+Pload(t)+Pbat(t)-Ppv(t)
其中，Pgrid(t)为在第t时间段内的购电功率,Ppv(t)在第t时间段内的可再生能源发电功率，Pbat(t)是在第t时间段内的电动汽车充放电功率，Pmust(t),Pheat(t)和Pload(t)分别是不可调整负荷。
进一步，在步骤S5中，所述需求侧调控补偿结算具体过程包括：
获取n个电力用户的日负荷数据，至少包括电力用户的编号以及相应时间点的功率；
根据以下公式将电力负荷数据进行归一化处理：
选取与电力用户的日负荷数据相应的峰谷时段，形成数据矩阵，保留该峰谷时段的数据，根据以下公式计算用户间的欧式距离：
其中，
为第i个电力负荷与第j个电力负荷之间的欧式距离，T为峰谷时段的时间点集合；
将矩阵按行求和，计算其余电力负荷与距离和最小的行的相关系数，选取相关系数r≥0.8的用户，和该m行用户归为一类并记作V＝[m1,m2,…]；
当向量V是空集时，则将其余用户归为一类，给予单独标记，并输出程序结果；当矩阵行数n≤2时，则输出程序结果，否则，从数据矩阵中去除向量V元素所在行的数据，重新计算用户间的欧式距离。
进一步，所述计算其余电力负荷与距离和最小的行的相关系数具体为，根据以下公式计算相关系数:
其中，m为距离和最小的行，i为电力负荷的位数，r为相关系数。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的基于大数据的电力用户需求侧调控方法，可对工商业/居民等分散式设备进行有效的调控；相比较于之前的强制性直接负荷控制手段，本发明提出的策略充分考虑到用户响应积极程度的不同，采用基本补偿机制和额外补偿鼓励用户参与进直接负荷控制，建立了以售电公司总效益获利最优效果调控策略。
充分应用了能源大数据，并考虑了需求侧调控的不同目标和考核指标，在进行不同指标的权重处理和确定方面，基于不同用户中各因素之间的关系，建立用户的层次结构，可实现包括功率平衡调控、削峰填谷调控、电力***调频业务、事故情况下的紧急调控等不同业务需求的需求侧调控。
在需求侧调控构建和求解过程中具有很好的灵活性，可实现不同目标和多业务需求的功能，在客户需求模式的基础上加载模型的生活方式，可以将给电力用户带来的不便最小化，形成用户自身的互动效益评估指标，基于评估的效益分析，进行需求侧调控补偿结算。
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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的基于大数据的电力用户需求侧调控方法的主流程示意图。
图2为本发明体用的基于大数据的电力用户需求侧调控方法的判断矩阵的平均随机一致性指标数值表。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明提供的一种基于大数据的电力用户需求侧调控方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
步骤S1，从用户的用电信息中获取用户总负荷数据、用户各用电子数据、用户的环境数据、用户的用电费用数据，进行预处理，校验各类数据是否存在缺失；
具体一个实施例中，所述预处理是是面向“设备-用户-聚合商”各级的用能监测(含水、电、气)，可查看各小区、各类专变用户、居民用户负荷情况及总体能耗情况，实现数据汇集展示，也是其他模块功能的数据基础；根据监测主体的不同，分为区域用能监测、小区用能监测、配电设施监测、电动汽车监测、光储监测、专变用户用能监测、居民用户用能监测等。
具体的，区域用能监测，主要针对供电区域范围，检测区域内大用户当前和前一天的负荷曲线对比，突出展示最大、最小和平均负荷之间的对比，及区域用户当前和前一天的用电量曲线对比；
小区用能监测，小区是需求侧调控的重要单元，集成配电***、充电桩、光伏***/储能***、照明***和家庭能源管理***等，检测多场景下的用能情况，通过设备实时数据采集，优化用能比重，综合优化调度，指导小区优化用能，降低小区整体能耗，对公共区域综合能源集中监控及居民用户能源管理，节约运营成本；
配电设施监测，查询小区变电站模拟图的各线路、开关元件的具体数据，并监测统计该变电站主变台数、近一小时用电量、主变总容量、进出线负荷、实时负荷、设备工况、采集成功率以及监测实时的变位数据；
电动汽车监测，查询小区每个充电桩的状态信息，获取充电桩单相、三相、直流充电功率及台数的信息，形成该小区充电桩实时负荷曲线，输出当前负荷、最大负荷和峰谷差的数据信息；
光储监测，获取光伏概况信息和储能概况信息，包括累计发电量、今日发电量、最大发电功率、装机容量、并网电压、电池荷态、累计充放电次数、储能容量、最大放电功率，形成光储并网的结构简图，包含具体光储电压、充放电信息；
专变用户用能监测，获取各类大用户的基本信息，包括客户编号、客户地址、电压等级、合同容量、客户状态等；对用户设备工况进行实时监测，形成各类设备的测点分布及用能情况，，包括最大负荷及发生时间、当日和昨日用电量、本月和上月超限次数、安全用电和异常用电的运维天数；监测该用户的实时负荷以及当月峰谷电量，统计用户的电、气、水、热的用能数据；
居民用户用能监测，基于非入户型家庭智慧能源网关，能够查看用户的用电实际情况，包括用户各类电器日电量情况、电量占比情况以及该用户的峰谷电量情况；也可以通过切换查询条件，监测居民用户的年/月/日用电实际情况。
步骤S2，根据收集的各级用能数据结合日常的电价信息，针对不同用电设备的运行数据，确定每个用户的负荷情况；
具体一个实施例中，对经过校验的数据进行分析，根据用户对互动效益需求类型数据，统计包括但不限于电机负荷设备、空调负荷用电数据、照明负荷用电数据、电梯负荷用电数据、分布式电源运行数据、电价数据、空调舒适度数据、照明舒适度数据、电梯平均等待时间数据等。
具体的，将电力负荷按照用电类型进行分类，将产业所有用电负荷的总和分为行业用电负荷，包括第一产业、第二产业、第三产业所有用电负荷的总和；将城镇和乡村居民家庭照明、家用电器的生活用电负荷分为居民生活用电；居民用电负荷主要是居民的家用负荷，它具有随生活水平的增长而增长以及明显的季节性波动特点，而且居民用电负荷的特点还与居民的日常生活和工作的规律紧密相关。但居民负荷的季节性变化在很多情况下，直接影响***峰值负荷的季节性变化，但其影响程度则取决于居民用电负荷在***总负荷中所占的比例。
步骤S3，根据用户需求侧调控效果评估的指标计算模型，基于可实现包括功率平衡调控、削峰填谷调控、电力***调频业务、事故情况下的紧急调控等不同业务需求，建立用户需求侧调控效果评估的指标计算模型，指标包括需求响应量，需求响应速率，需求响应实施可靠性等。各指标的量纲和指标值的变化区间各不相同，基于标准化处理保证评估结果的客观、合理；确定各项指标值及权重数值；
具体一个实施例中，根据以下公式确定各项指标值Z，将评估指标值标准化为[0,1]之间的无量纲值：
当评估指标为正指标，即“越大越好”时，采用以下公式进行计算：
当评估指标为负指标，即“越小越好”时，采用以下公式进行计算：
当评估指标为中间型，即“适中为宜”时，采用以下公式进行计算:
其中，Z为评估指标数值，xmin为评估指标可能得到的最小值，xmax为评估指标可能得到的最大值，[U1,U2]为评估指标值的最佳区间，U1为评估指标值的最佳区间的最小值，U2为评估指标值的最佳区间的最大值。
具体的，在进行不同指标的权重处理和确定时，根据用户数据中不同影响因素建立用户的层次结构：目标层，作为最高层，只包含一个元素，用以分析问题的预定目标或理想结果；准则层，作为中间层，用以设置实现目标所涉及的中间环节，至少含有若干个层级，包括所需要考虑的准则、子准则；方案层，作为最底层，用以实现目标可供选择的各种措施、决策方案；对同一层次的各元素关于上一层次中某一准则的重要性进行两两比较，可以构造两两比较判断矩阵。
具体的，记准则层元素C所支配的下一层的元素为U1,U2,…Un，决策者需针对准则C，比较两个元素Ui和Uj哪一个更重要，重要程度如何，根据比例标度对重要性程度赋值，形成判断矩阵A＝(aij)n×n，其中aij就是元素Ui与Uj相对于准则C的重要性比例标度；因此aij满足如下性质：aij>0；aji＝1/aij；aii＝1，所以判断矩阵可表示为：
由判断矩阵计算被比较元素对于该准则的相对权重，并进行判断矩阵的一致性检验；
设W＝(w1,w2…wn)T是n阶矩阵的排序权重向量，如果用A表示一致性判断矩阵，则有：
用W＝(w1,w2…wn)T右乘上式，得到AW＝nW，表明W为A的特征向量，且特征根为n；由此可见，求取权值可以归结为求取判断矩阵的特征值及特征向量问题。
最大特征值λmax所对应的特征向量即为所求权重向量，根据以下公式计算最大主特征根λmax：
其中，W为A的特征向量，n为A的特征根，(A·W)i为A·W的第i个元素，W＝(w1,w2…wn)T是n阶矩阵的排序权重向量，A为一致性判断矩阵。
根据以下公式对权重数值的一致性进行检验，其中，n>2：
RC＝IC/IR
IC＝(λmax-m)/(m-1)
其中，RC为判断矩阵的随机一致性比率，IC为判断矩阵的一般一致性指标；IR为判断矩阵的平均随机一致性指标，对于n＝1～9阶判断矩阵，其IR值如图2所示；
当RC<0.1时，判定判断矩阵的一致性可以接受，权系数分配是合理；当CI≥0.1时，判定判断矩阵作需要重新修改，对改正后的矩阵重新计算权重和进行一致性检验。
具体的，计算各层元素对用户目标的合成权重,根据以下公司特征向量w进行归一化处理后，得到某一级各个评价指标关于它上一级指标的相对权重：
X＝AHP(x)＝∑w′ixi
其中，向量w′＝(w′1,w′2…w′n)为某一级各个评价指标关于它上一级指标的相对权重。
步骤S4，根据用户设置的偏好数据和周围环境温度变化数据，结合负荷情况、各项指标值及权重数值得到一个含有约束条件的优化模型，根据此优化模型求解电力用户参与电网协调的控制决策；
具体实施例中，目标函数：所构建的模型中用户需求侧调控需要对经济性与用户舒适度进行综合考虑，分别得到用电成本与舒适度受影响程度最小为目标，两种目标函数综合起来，作为用户参与电网紧急调度情况下的能量管理优化目标；
当不含风险系数时，根据以下公式对经济性目标进行求解：
其中，Pgrid(t)为当前时段从电网中购买的电量，ρgrid(t)为所分析时段用户与电网间的电价，当Pgrid(t)>0，ρgrid(t)表示为购电，当Pgrid(t)<0，ρgrid(t)表示为售电，售电价格定义为该时购电价格的一半；CDG为分布式电源发电成本及损耗折旧费，，对于分布式可再生能源，其发电成本为0，对于微燃气轮机等，成本为燃气成本；C1为户总的用电费用；
当包含风险系数时，从目标函数中提取出随机变量，根据以下公式对经济性目标进行求解：
Pgrid(t)＝Pmust(t)+Pheat(t)+Pload(t)+Pbat(t)-Ppv(t)
其中，Pgrid(t)为在第t时间段内的购电功率,Ppv(t)在第t时间段内的可再生能源发电功率，Pbat(t)是在第t时间段内的电动汽车充放电功率，Pmust(t),Pheat(t)和Pload(t)分别是不可调整负荷。
再具体的，电力用户需求侧调控主要考虑以下几个约束条件：
电网功率约束条件为：
|Pgrid(t)|≤Pgrid,max(t)
式中，Pgrid,max(t)为用户与电网间每个时间段的功率交换限制；
不可中断负荷约束条件为：
tload,start≤tload≤tload,end-N,t∈N*
空调负荷约束条件为：
0≤Pair(t)≤Pair,max
Tair,min≤Tin(t)≤Tair,max
其中，Pair(t)为空调制冷时t时段的功率，Pair,max为空调制冷额定功率，Δt为一个时段时间，Tair,max为室内温度上限，Tair,min为室内温度下限。
电热类负荷约束条件为：
0≤Peh(t)≤Peh,max
Teh,min≤Teh(t)≤Teh,max
其中，Teh(t)为电热器热水在第t时段的温度，Peh,max为电热器加热额定功率，Teh,max为电热器的热上限温度,Teh,min为电热器的热下限温度。
步骤S5，根据用户类型和用户的关注点，从互动效益评估指标体系中选取用户所关注的指标，形成用户自身的互动效益评估指标，进行需求侧调控补偿结算。
具体的一个实施例中，主要从用户曲线的峰谷差入手，实现了基于负荷曲线峰谷差的分类，方便后续电网公司针对性地制定电价激励策略。
输入：居民用户每日每小时或每15分钟负荷功率值。
输出：输出与地区负荷曲线不同吻合程度的用户类别。
具体的，获取n个电力用户的日负荷数据，常用电力用户日负荷数据为24个或者96个点的数据，至少包括电力用户的编号以及相应时间点的功率；
根据以下公式将电力负荷数据进行归一化处理：
选取与电力用户的日负荷数据相应的峰谷时段，可以根据实际情况选择峰谷时段进行研究，例如选取的峰荷时段是t1～t2，谷荷时段是t3～t4，若是多个峰谷时段则进行多个分段，形成数据矩阵，依照时间顺序保留峰谷时段的数据，去除其余数据，根据以下公式计算用户间的欧式距离：
其中，
为第i个电力负荷与第j个电力负荷之间的欧式距离，T为峰谷时段的时间点集合；
将矩阵按行求和，计算其余电力负荷与距离和最小的行的相关系数，选取相关系数r≥0.8的用户，和该m行用户归为一类并记作V＝[m1,m2,…]；根据以下公式计算相关系数:
其中，m为距离和最小的行，i为电力负荷的位数，r为相关系数。
当向量V是空集时，则将其余用户归为一类，给予单独标记，并输出程序结果；当矩阵行数n≤2时，则输出程序结果，否则，从数据矩阵中去除向量V元素所在行的数据，重新计算用户间的欧式距离
本发明的实施例中，需求侧调控实施的模型求解。提出基于改进的协调进化算法，解决所提出的欧化模型，并考虑各用户的成本效益，进行电力用户参与电网协调控制决策。
智能电网需求侧管理算法的设计需要能够处理大量的几种不同类型的可控设备。每种类型的可控负载可以具有遍布几个小时的不同的消费特性，并有几个启发式的可控负载类型。所设计的算法应该能够处理这些复杂特性。通常在该领域使用线性规划和动态规划的方法。然而，线性规划和动态规划算法不能充分处理这些复杂性。进化算法表明在了其他领域有潜在的可用于解决这些复杂问题的方法。这些算法与传统数学算法相比，除了能够提供接近最优的结果之外，还有几个优点。因此，本发明提出基于改进的协调进化算法，解决步骤四所提出的欧化模型，并考虑各用户的成本效益，进行电力用户参与电网协调控制决策。
所提出的算法的主要优点，是在构建和开发的算法中，具有任何其他的常规方法所不具备灵活性。进化算法可以灵活的实现特性功能，在客户需求模式的基础上加载模型的生活方式，因此，可以将给客户带来的不便最小化。例如，考虑两个可控负载：空调和洗衣机。他们在早上开始消费。由于客户的生活方式，空调在高温时候可以通过调高温度实现需求响应，但不宜移动到其他时刻进行开机运行。而洗衣机没有这样的偏好，它可以被转移到一天中稍晚的时间。某些负载，可以比其他负载具有更高的优先级，这也可以由该算法考虑，根据其重要性，让这些载荷转移到适当的时间步长。该算法的另一个主要优势是能够处理大量几种不同类型的可控设备。大小的问题只影响进化算法的染色体的长度。
所采用的遗传算法包括三个基本操作：选择(selection)，交叉(crossover)和变异(mutation)。结合排序选择和最优最差选择改进选择操作，对交叉和变异算子进行自适应调节，另外对于惩罚函数进行自适应调节。
在选择操作方面，可采用赌轮盘选择法，拥有较大的概率被选择成为进行后续的交叉与变异的流程继而成为下一代个体，但是适应度值较大的个体也是有一定的概率被忽略掉的。而且在越靠近收敛的情况下，种群个体之间的适应度值相差就越小，这种情况出现的几率就越大。对提出的排序方法进行改进：在选择的每一步中，将个体净支出(或功率波动)较少的1/4个体保存，并替代净支出(或功率波动)较高的1/4个体，对中间的个体轮盘赌选择，为下一步的自适应交叉和变异提供基础。
在交叉和变异操作方面，本发明提出了经典的自适应调节变异率和交叉率的遗传算法，虽然当个体适应度高于平均适应度时采用自适应调节Pc、Pm值，但是当个体适应度低于平均适应度时却采用了较大的固定的Pc、Pm值，这样会使得一些劣质个体所携带的优质个体遭到破坏。基于以上考虑，利用闫春等人提出的自适应交叉和变异概率，如式所示：
运用arcsin函数能随着fave的变换，更好地判别种群适应度间的集中和分散程度，采用π/6作为判断数值，是因为sin(π/6)＝1/2。当
时
适应度集中分布，这说明适应度平均值接近适应度最大值，即种群适应度接近最大适应度集中分布，再通过π/12≤arcsin(fave/fmax)<π/3来判断是否先进行交叉还是变异。当种群处在进化初级以及进化末端时，种群适应度有可能出现非常分散或非常集中现象，此时先对原式进行变异操作，再做交叉操作，加快收敛速度。
因此，按照上述措施改进后，会使得得出的种群进化后的种群个体净支出(或功率波动)适应度值分散度适度，使得得出的结果更好地收敛到统一值，同时加快收敛速度。得出的种群个体净支出(或功率波动)更容易地跳出局部最优解，收敛到全局最优解，使得优化结果更加稳定。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的基于大数据的电力用户需求侧调控方法，可对工商业/居民等分散式设备进行有效的调控；相比较于之前的强制性直接负荷控制手段，本发明提出的策略充分考虑到用户响应积极程度的不同，采用基本补偿机制和额外补偿鼓励用户参与进直接负荷控制，建立了以售电公司总效益获利最优效果调控策略。
充分应用了能源大数据，并考虑了需求侧调控的不同目标和考核指标，在进行不同指标的权重处理和确定方面，基于不同用户中各因素之间的关系，建立用户的层次结构，可实现包括功率平衡调控、削峰填谷调控、电力***调频业务、事故情况下的紧急调控等不同业务需求的需求侧调控。
在需求侧调控构建和求解过程中具有很好的灵活性，可实现不同目标和多业务需求的功能，在客户需求模式的基础上加载模型的生活方式，可以将给电力用户带来的不便最小化，形成用户自身的互动效益评估指标，基于评估的效益分析，进行需求侧调控补偿结算。
以上所揭露的仅为本发明一种较佳实施例而已，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 (10)
1.一种基于大数据的电力用户需求侧调控方法，其特征在于，包括：
步骤S1，从用户的用电信息中获取用户总负荷数据、用户各用电子数据、用户的环境数据、用户的用电费用数据，进行预处理，校验各类数据是否存在缺失；
步骤S2，根据收集的各级用能数据结合日常的电价信息，针对不同用电设备的运行数据，确定每个用户的负荷情况；
步骤S3，根据用户需求侧调控效果评估的指标计算模型，确定各项指标值及权重数值；
步骤S4，根据用户设置的偏好数据和周围环境温度变化数据，结合负荷情况、各项指标值及权重数值得到一个含有约束条件的优化模型，根据此优化模型求解电力用户参与电网协调的控制决策；
步骤S5，根据用户类型和用户的关注点，从互动效益评估指标体系中选取用户所关注的指标，形成用户自身的互动效益评估指标，进行需求侧调控补偿结算。
2.如权利要求1所述的方法，其特征在于，在步骤S1中，所述预处理具体包括：
区域用能监测，针对供电区域范围，检测区域内大用户当前和前一天的负荷曲线对比，突出展示最大、最小和平均负荷之间的对比，及区域用户当前和前一天的用电量曲线对比；
小区用能监测，检测多场景下的用能情况，通过设备实时数据采集，优化用能比重，对公共区域综合能源集中监控及居民用户能源管理；
配电设施监测，查询小区变电站模拟图的各线路、开关元件的具体数据，并监测统计该变电站主变台数、近一小时用电量、主变总容量、进出线负荷、实时负荷、设备工况、采集成功率以及监测实时的变位数据；
电动汽车监测，查询小区每个充电桩的状态信息，获取充电桩单相、三相、直流充电功率及台数的信息，形成该小区充电桩实时负荷曲线，输出当前负荷、最大负荷和峰谷差的数据信息；
光储监测，获取光伏概况信息和储能概况信息，形成光储并网的结构简图；
专变用户用能监测，获取各类大用户的基本信息，对用户设备工况进行实时监测，形成各类设备的测点分布及用能情况，监测该用户的实时负荷以及当月峰谷电量，统计用户的电、气、水、热的用能数据；
居民用户用能监测，用以查看用户的用电实际情况或通过切换查询条件，监测居民用户的年/月/日用电实际情况。
3.如权利要求2所述的方法，其特征在于，在步骤S2中，所述确定每个用户的负荷情况具体为，将电力负荷按照用电类型进行分类，将产业所有用电负荷的总和分为行业用电负荷；将城镇和乡村居民家庭照明、家用电器的生活用电负荷分为居民生活用电。
4.如权利要求3所述的方法，其特征在于，在步骤S3中，根据以下公式确定各项指标值Z：
当评估指标为正指标时，采用以下公式进行计算：
当评估指标为负指标时，采用以下公式进行计算：
当评估指标为中间型时，采用以下公式进行计算:
其中，Z为评估指标数值，xmin为评估指标可能得到的最小值，xmax为评估指标可能得到的最大值，[U1,U2]为评估指标值的最佳区间，U1为评估指标值的最佳区间的最小值，U2为评估指标值的最佳区间的最大值。
5.如权利要求4所述的方法，其特征在于，在步骤S3中，所述确定各项指标的权重数值具体包括，根据用户数据中不同影响因素建立用户的递阶层次结构：目标层，作为最高层，只包含一个元素，用以分析问题的预定目标或理想结果；准则层，作为中间层，用以设置实现目标所涉及的中间环节，至少含有若干个层级；方案层，作为最底层，用以实现目标可供选择的各种措施、决策方案。
6.如权利要求5所述的方法，其特征在于，在步骤S3中，所述确定各项指标的权重数值具体包括，
根据以下公式计算最大主特征根λmax：
W＝(w1,w2…wn)T
其中，W为A的特征向量，n为A的特征根，(A·W)i为A·W的第i个元素，W＝(w1,w2…wn)T是n阶矩阵的排序权重向量，A为一致性判断矩阵；
根据以下公式对权重数值的一致性进行检验，其中，n>2：
RC＝IC/IR
IC＝(λmax-m)/(m-1)
其中，RC为判断矩阵的随机一致性比率，IC为判断矩阵的一般一致性指标；IR为判断矩阵的平均随机一致性指标；
当RC<0.1时，判定判断矩阵的一致性可以接受，权系数分配是合理；当CI≥0.1时，判定判断矩阵作需要重新修改，对改正后的矩阵重新计算权重和进行一致性检验；
计算各层元素对用户目标的合成权重,根据以下公司特征向量w进行归一化处理后，得到某一级各个评价指标关于它上一级指标的相对权重：
X＝AHP(x)＝∑w′ixi
其中，向量w'＝(w′1,w′2…w′n)为某一级各个评价指标关于它上一级指标的相对权重。
7.如权利要求6所述的方法，其特征在于，在步骤S4中，所述约束条件具体包括:
电网功率约束条件为：
|Pgrid(t)|≤Pgrid,max(t)
式中，Pgrid,max(t)为用户与电网间每个时间段的功率交换限制；
不可中断负荷约束条件为：
tload,start≤tload≤tload,end-N,t∈N*
空调负荷约束条件为：
0≤Pair(t)≤Pair,max
Tair,min≤Tin(t)≤Tair,max
其中，Pair(t)为空调制冷时t时段的功率，Pair,max为空调制冷额定功率，Δt为一个时段时间，Tair,max为室内温度上限，Tair,min为室内温度下限。
电热类负荷约束条件为：
0≤Peh(t)≤Peh,max
Teh,min≤Teh(t)≤Teh,max
其中，Teh(t)为电热器热水在第t时段的温度，Peh,max为电热器加热额定功率，Teh,max为电热器的热上限温度,Teh,min为电热器的热下限温度。
8.如权利要求7所述的方法，其特征在于，在步骤S4中，所述根据优化模型求解电力用户参与电网协调的控制决策具体包括：
当不含风险系数时，根据以下公式对经济性目标进行求解：
其中，Pgrid(t)为当前时段从电网中购买的电量，ρgrid(t)为所分析时段用户与电网间的电价，CDG为分布式电源发电成本及损耗折旧费，C1为户总的用电费用；
当包含风险系数时，从目标函数中提取出随机变量，根据以下公式对经济性目标进行求解：
Pgrid(t)＝Pmust(t)+Pheat(t)+Pload(t)+Pbat(t)-Ppv(t)
其中，Pgrid(t)为在第t时间段内的购电功率,Ppv(t)在第t时间段内的可再生能源发电功率，Pbat(t)是在第t时间段内的电动汽车充放电功率，Pmust(t),Pheat(t)和Pload(t)分别是不可调整负荷。
9.如权利要求1所述的方法，其特征在于，在步骤S5中，所述需求侧调控补偿结算具体过程包括：
获取n个电力用户的日负荷数据，至少包括电力用户的编号以及相应时间点的功率；
根据以下公式将电力负荷数据进行归一化处理：
选取与电力用户的日负荷数据相应的峰谷时段，形成数据矩阵，保留该峰谷时段的数据，根据以下公式计算用户间的欧式距离：
其中，
为第i个电力负荷与第j个电力负荷之间的欧式距离，T为峰谷时段的时间点集合；
将矩阵按行求和，计算其余电力负荷与距离和最小的行的相关系数，选取相关系数r≥0.8的用户，和该m行用户归为一类并记作V＝[m1,m2,…]；
当向量V是空集时，则将其余用户归为一类，给予单独标记，并输出程序结果；当矩阵行数n≤2时，则输出程序结果，否则，从数据矩阵中去除向量V元素所在行的数据，重新计算用户间的欧式距离。
10.如权利要求9所述的方法，其特征在于，所述计算其余电力负荷与距离和最小的行的相关系数具体为，根据以下公式计算相关系数:
其中，m为距离和最小的行，i为电力负荷的位数，为相r关系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513716.7A CN111754090B (zh) | 2020-06-08 | 2020-06-08 | 一种基于大数据的电力用户需求侧调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513716.7A CN111754090B (zh) | 2020-06-08 | 2020-06-08 | 一种基于大数据的电力用户需求侧调控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754090A true CN111754090A (zh) | 2020-10-09 |
| CN111754090B CN111754090B (zh) | 2024-06-11 |
Family
ID=72674975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010513716.7A Active CN111754090B (zh) | 2020-06-08 | 2020-06-08 | 一种基于大数据的电力用户需求侧调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754090B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109377051A (zh) * | 2018-10-24 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 一种输配电单位可避免成本分配因子确定方法及相关产品 |
| CN112488560A (zh) * | 2020-12-10 | 2021-03-12 | 国网辽宁省电力有限公司沈阳供电公司 | 电力容量配置的获取方法 |
| CN113746086A (zh) * | 2021-08-03 | 2021-12-03 | 国网浙江省电力有限公司湖州供电公司 | 一种非入侵式需求响应***及方法 |
| CN113794212A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 一种电网需求侧智能管理***及方法 |
| CN115081946A (zh) * | 2022-07-25 | 2022-09-20 | 国网信息通信产业集团有限公司 | 用电量调控方法、***、装置、电子设备和计算机介质 |
| CN115630831A (zh) * | 2022-12-06 | 2023-01-20 | 北京华联电力工程监理有限公司 | 一种电力需求侧管理辅助决策支持*** |
| CN115907168A (zh) * | 2022-11-28 | 2023-04-04 | 浙江浙能能源服务有限公司 | 一种用于电力负荷预测的异常数据处理*** |
| CN116742645A (zh) * | 2023-08-15 | 2023-09-12 | 北京中电普华信息技术有限公司 | 一种电力负荷调控任务分配方法及装置 |
| CN117369813A (zh) * | 2023-10-13 | 2024-01-09 | 湖北华中电力科技开发有限责任公司 | 一种基于数据中台的用能监测指标体系可视化展示方法 |
| CN117726152A (zh) * | 2024-02-18 | 2024-03-19 | 安徽泰然信息技术有限公司 | 基于企业信息的储能方案生成方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102902882A (zh) * | 2012-09-14 | 2013-01-30 | 安徽南瑞继远软件有限公司 | 一种信息***运行质量的评价方法 |
| CN105160149A (zh) * | 2015-07-22 | 2015-12-16 | 国家电网公司 | 一种模拟调峰机组的需求响应调度评估体系构建方法 |
| CN105225033A (zh) * | 2015-09-08 | 2016-01-06 | 国家电网公司 | 一种基于层次分析法的变电站能效评估方法 |
| CN105243609A (zh) * | 2015-11-04 | 2016-01-13 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于模糊层次分析的用户有序用电决策方法 |
| CN105352108A (zh) * | 2015-09-29 | 2016-02-24 | 中国电力科学研究院 | 一种基于空调用电模式的负荷优化控制方法 |
| CN107248031A (zh) * | 2017-05-27 | 2017-10-13 | 西安交通大学 | 一种针对负荷曲线峰谷差的快速电力用户分类方法 |
| CN109712023A (zh) * | 2018-12-26 | 2019-05-03 | 国网河南省电力公司经济技术研究院 | 一种区域售电市场价值评估方法 |
| CN111027747A (zh) * | 2019-11-09 | 2020-04-17 | 天津大学 | 一种考虑用户舒适度风险偏好的家庭能量控制方法 |
-
2020
- 2020-06-08 CN CN202010513716.7A patent/CN111754090B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102902882A (zh) * | 2012-09-14 | 2013-01-30 | 安徽南瑞继远软件有限公司 | 一种信息***运行质量的评价方法 |
| CN105160149A (zh) * | 2015-07-22 | 2015-12-16 | 国家电网公司 | 一种模拟调峰机组的需求响应调度评估体系构建方法 |
| CN105225033A (zh) * | 2015-09-08 | 2016-01-06 | 国家电网公司 | 一种基于层次分析法的变电站能效评估方法 |
| CN105352108A (zh) * | 2015-09-29 | 2016-02-24 | 中国电力科学研究院 | 一种基于空调用电模式的负荷优化控制方法 |
| CN105243609A (zh) * | 2015-11-04 | 2016-01-13 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于模糊层次分析的用户有序用电决策方法 |
| CN107248031A (zh) * | 2017-05-27 | 2017-10-13 | 西安交通大学 | 一种针对负荷曲线峰谷差的快速电力用户分类方法 |
| CN109712023A (zh) * | 2018-12-26 | 2019-05-03 | 国网河南省电力公司经济技术研究院 | 一种区域售电市场价值评估方法 |
| CN111027747A (zh) * | 2019-11-09 | 2020-04-17 | 天津大学 | 一种考虑用户舒适度风险偏好的家庭能量控制方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109377051B (zh) * | 2018-10-24 | 2022-04-29 | 南方电网科学研究院有限责任公司 | 一种输配电单位可避免成本分配因子确定方法及相关产品 |
| CN109377051A (zh) * | 2018-10-24 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 一种输配电单位可避免成本分配因子确定方法及相关产品 |
| CN112488560A (zh) * | 2020-12-10 | 2021-03-12 | 国网辽宁省电力有限公司沈阳供电公司 | 电力容量配置的获取方法 |
| CN113746086B (zh) * | 2021-08-03 | 2024-01-30 | 国网浙江省电力有限公司湖州供电公司 | 一种非入侵式需求响应***及方法 |
| CN113746086A (zh) * | 2021-08-03 | 2021-12-03 | 国网浙江省电力有限公司湖州供电公司 | 一种非入侵式需求响应***及方法 |
| CN113794212A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 一种电网需求侧智能管理***及方法 |
| CN115081946A (zh) * | 2022-07-25 | 2022-09-20 | 国网信息通信产业集团有限公司 | 用电量调控方法、***、装置、电子设备和计算机介质 |
| CN115907168A (zh) * | 2022-11-28 | 2023-04-04 | 浙江浙能能源服务有限公司 | 一种用于电力负荷预测的异常数据处理*** |
| CN115630831A (zh) * | 2022-12-06 | 2023-01-20 | 北京华联电力工程监理有限公司 | 一种电力需求侧管理辅助决策支持*** |
| CN116742645A (zh) * | 2023-08-15 | 2023-09-12 | 北京中电普华信息技术有限公司 | 一种电力负荷调控任务分配方法及装置 |
| CN116742645B (zh) * | 2023-08-15 | 2024-02-27 | 北京中电普华信息技术有限公司 | 一种电力负荷调控任务分配方法及装置 |
| CN117369813A (zh) * | 2023-10-13 | 2024-01-09 | 湖北华中电力科技开发有限责任公司 | 一种基于数据中台的用能监测指标体系可视化展示方法 |
| CN117726152A (zh) * | 2024-02-18 | 2024-03-19 | 安徽泰然信息技术有限公司 | 基于企业信息的储能方案生成方法及装置 |
| CN117726152B (zh) * | 2024-02-18 | 2024-05-17 | 安徽泰然信息技术有限公司 | 基于企业信息的储能方案生成方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754090B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754090B (zh) | 一种基于大数据的电力用户需求侧调控方法 | |
| Soroudi et al. | A distribution network expansion planning model considering distributed generation options and techo-economical issues | |
| Wang et al. | A bargaining game-based profit allocation method for the wind-hydrogen-storage combined system | |
| CN112651105B (zh) | 一种基于博弈论的微网容量配置优化方法 | |
| CN112467722A (zh) | 一种考虑电动汽车充电站的主动配电网源-网-荷-储协调规划方法 | |
| CN111985702A (zh) | 一种计及电能替代效果的园区级综合能源***优化方法 | |
| CN108921376B (zh) | 一种智能配电网用电可靠性提升对象的优选方法及*** | |
| US20230070151A1 (en) | Hierarchical energy management for community microgrids with integration of second-life battery energy storage systems and photovoltaic solar energy | |
| CN107038535A (zh) | 一种改进万有引力搜索的智能微网楼宇负荷用电调度方法 | |
| CN111754091A (zh) | 一种电力用户需求侧调控*** | |
| CN112465286A (zh) | 一种电动汽车充电网络服务能力评价方法 | |
| CN109685287A (zh) | 增量配电网电源容量多目标优化配置方法 | |
| CN113450031B (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
| CN113988471A (zh) | 一种微电网运行多目标优化方法 | |
| Alikhani et al. | Optimal implementation of consumer demand response program with consideration of uncertain generation in a microgrid | |
| CN110599059A (zh) | 一种面向增量配电网用户的售电决策方法及*** | |
| Gu et al. | Optimal economic dispatch for an industrial park with consideration of an elastic energy cloud model with integrated demand response uncertainty | |
| Yuasa et al. | Power energy cost reduction effects by applying optimized long-term storage battery operation strategy | |
| CN114819292A (zh) | 基于安全综合评价的园区微电网智能调度方法及*** | |
| CN112861376B (zh) | 一种基于单元调度模型的评估方法及装置 | |
| Mabuggwe et al. | Design and development of an intelligent tool for retail electric provider plan selection | |
| Rahi et al. | Flexibility-Based Congestion Management Considering Consumers' Inconvenience Cost of Demand Response Programs | |
| Zhang et al. | Research on peak and valley periods partition and distributed energy storage optimal allocation considering load characteristics of industrial park | |
| CN110474338A (zh) | 一种交直流混合微电网优化配置方法 | |
| Shi et al. | Optimal configuration of energy storage system capacity in PV-integrated EV charging station based on NSGA-III |
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 |