CN116663926A - 一种基线负荷估计结果修正方法、***、设备及介质 - Google Patents
一种基线负荷估计结果修正方法、***、设备及介质 Download PDFInfo
- Publication number
- CN116663926A CN116663926A CN202310639635.5A CN202310639635A CN116663926A CN 116663926 A CN116663926 A CN 116663926A CN 202310639635 A CN202310639635 A CN 202310639635A CN 116663926 A CN116663926 A CN 116663926A
- Authority
- CN
- China
- Prior art keywords
- baseline
- load
- rebound
- estimation result
- curve
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000012937 correction Methods 0.000 title claims abstract description 42
- 230000001739 rebound effect Effects 0.000 claims abstract description 134
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims description 56
- 230000004044 response Effects 0.000 claims description 51
- 230000008859 change Effects 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000036316 preload Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000002045 lasting effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012935 Averaging Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 238000011160 research 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- 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
- 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
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力负荷预测技术领域,具体公开了一种基线负荷估计结果修正方法、***、设备及介质,本发明通过对回弹效应导致的负荷变化量和基线负荷估计结果偏差量进行计算,使用计算获得的结果进行神经网络训练,获得训练后的神经网络ANN架构,通过训练后的神经网络ANN架构对基线负荷估计结果进行修正,基于神经网络的需求响应基线负荷估计结果修正方法具有很强的适用性,适用于回弹效应对各类基线负荷估计方法影响偏差的修正。通过神经网络学习回弹效应对基线负荷估计影响的偏差,并使用获得的修正量修正基线负荷估计结果,有效的提升了基线负荷估计方法对应的精度,解决基线负荷估计结果出现偏差的问题。
Description
技术领域
本发明属于电力负荷预测技术领域,具体涉及一种基线负荷估计结果修正方法、***、设备及介质。
背景技术
随着新型电力***的不断发展,以风光发电为主的新能源机组在电力***当中的占比不断增加,由于新能源发电功率受各种不确定性因素的影响,呈现出复杂的变化规律。这导致了新型电力***的功率平衡出现了问题,传统的“源随荷动”的平衡策略难以为继。这一问题的有效解决方案是进行从负荷侧出发,执行需求响应计划,进而同时从电源和负荷两个角度着手,通过“源荷联动”的方式满足电网功率的平衡约束。
需求响应计划是在电网运营商、负荷聚合商与工商业和居民电力用户之间的一种调控机制。通过激励用户减少尖峰负荷的方式,除了确保电力***功率平衡之外,根据规划目标不同,执行需求响应计划还具有降低电力***的运行压力,提升电力***的安全稳定性,减少电网运维操作成本,提升电网环境效益等多重功能。参与需求响应的过程中,电力用户往往会与电网签订合同,之后在受到需求响应信号之后,按照合同的约定进行用电负荷的削减。在需求响应事件结束之后,电网将会根据用户在需求响应事件期间削减负荷的大小,对用户进行经济层面上的补偿。
在执行需求响应的过程中,需要对用户削减的负荷量给与经济补偿。因此需要获取用户在未参与需求响应前提下的对应时段用电负荷,这一用电负荷被称为基线负荷,合理的基线负荷估计方法是确保DR项目实施期间用户在收到需求响应信号后的负荷削减量准确获取的关键因素。通过获取更加准确的负荷削减量,各个用户可以获得对应削减量应得的经济奖励,进而提升用户参与需求响应项目的公平性,使更多用户参与到基线负荷估计的过程中。
然而,有很多因素都会影响基线负荷估计结果的性能。其中一种典型的因素是用户参与需求响应之后出现的回弹效应,回弹效应是指用户在参与的DR事件结束后,将关闭的用电设备重新开启的过程中,关闭的用电设备重新将消耗更多的功率,从负荷曲线的角度看,回弹效应的作用体现在负荷曲线经历了DR事件期间的负荷削减之后,会在DR事件后出现一个回弹的负荷峰值。
回弹效应的存在对基线负荷估计方法的内在影响机理可以从以下角度出发进行考虑:基线负荷估计的过程,本质上是使用用户在DR时段之外的用电负荷去估计DR时段用电负荷的过程,回弹效应的存在会使非DR时段的负荷数据受到DR时段负荷削减过程的干扰,使非DR时段负荷发生改变,基线负荷估计过程因此受到了DR时段的影响。这降低了各类基线负荷估计方法的估计精度,使基线负荷估计结果出现偏差。
目前关于电力***需求响应中的回弹效应方面的研究,具体的问题大多针对如何对用户回弹效应进行建模,如何制定针对各类用户在参与需求响应之后的优化调度方案,从而使得用户参与需求响应后的用电负荷逐步回弹,减少回弹效应对电网运行和能源消耗上的影响上。然而,由于工业用户工业生产指标的固定性,或者居民用户对于自身用电舒适度的需求等多元因素,回弹效应的存在不可忽略,目前各类现存的基线负荷估计方法均未考虑用户参与需求响应后导致的回弹效应带来的估计偏差。当用户非DR时段的负荷出现回弹时,它改变了对应时段的负荷用电,因此必然会随之带来相应的基线负荷估计结果偏差量。
发明内容
为了克服现有技术的缺点,本发明的目的在于提供一种基线负荷估计结果修正方法、***、设备及介质,以解决回弹效应的产生对基线负荷估计结果产生影响,使得基线负荷估计结果出现偏差、精度较差的问题。
为了达到上述目的,本发明采用以下技术方案实现:
第一方面,本发明提供一种基线负荷估计结果修正方法,包括:
S1:计算回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量;
S2:使用计算得到的回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量进行神经网络训练,获得训练后的神经网络ANN架构;
S3:使用训练得到的神经网络ANN架构对考虑回弹效应的基线负荷估计结果进行修正。
进一步的,所述计算回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量前,对负荷数据集合划分,具体包括:
S11:用户数据集data包括用户若干日内的有功功率负荷,将其划分为:
训练集Daytrain为使用对应日期集合的数据生成回弹效应事件,分析回弹效应导致的负荷改变量与基线负荷估计结果改变量,通过分析回弹效应导致的负荷改变量与基线负荷估计结果改变量,进行神经网络的训练;
测试集Daydr为待检验用户天数集合,用于测试基线负荷估计结果修正方法的效果;
对照组Daynondr为用户未参与需求响应事件的天数,设定Daynondr中的用户未参与需求响应事件,使用对应部分日期的数据进行训练集与测试集数据的基线负荷估计:
Dayall=Daydr∪Daynondr∪Daytrain
对SPM方法对应程序进行编写改进。
进一步的,所述计算回弹效应导致的负荷变化量具体包括:
S12:基于回弹效应的负荷特征,进行回弹时间长度和回弹比例数值的定义:
对于从Tstart时刻开始到Tend时刻结束,持续时段为Treb={tstart,tstart+1...tend}的回弹时段,有:
回弹时间长度reb=Tend-Tstart,回弹时段集合Treb={tstart,tstart+1...tend},
回弹比例数值α(ti)=Preb(ti)/Punreb(ti)
其中:Treb为回弹时段集合;α(ti)为回弹比例数值;Preb(ti)为回弹效应影响后的负荷;为Punreb(ti)发生回弹效应前的负荷;
ti为回弹时间集合Treb={tstart,tstart+1...tend}内的第i个时刻;
使用蒙特卡洛模拟和虚拟DR日的分析思想,生成了大量不同虚拟DR事件对应的虚拟回弹场景,具体为:
基于训练集Daytrain,采用滚动时间窗选取的方式,依次选择时长为3小时的需求响应时间窗口,并在该需求响应时间窗口之后,根据定义的回弹时间长度和回弹比例数值的概念,生成虚拟DR事件对应的虚拟回弹事件场景;
对于特定场景下滚动需求响应时间窗口的设计,有:
TDRset={T1,T2...Tn}
其中:T1={t1,t2...tDR},T2={t2,t3...tDR+1}…Tn={tn,tn+1...tDR+n},其中TDRset表示对应Daytrain特定日所生成所有生成需求响应时间窗口的集合,T1={t1,t2...tDR},T2={t2,t3...tDR+1}…Tn={tn,tn+1...tDR+n},表示改变需求响应发生时段后的对应需求响应时刻集合;对时间集合进行分析,得到与需求响应时间窗口集合对应的回弹效应时间窗口集合;
Trebset={T1,T2...Tn}
在Trebset中,各个元素分别为T1={t1,t2...treb},T2={t2,t3...treb+1},Tn={tn,tn+1...treb+n};
考虑回弹时间集合中的第i个时刻ti,在考虑回弹比例数值为α(ti)的前,均基于待分析数据集中已知的发生回弹效应前负荷Punreb(ti)获取对应的在回弹效应影响后的负荷Preb(ti);即:
α(ti)=Preb(ti)/Punreb(ti);
基于生成的属于回弹时间集合Trebset={T1,T2...Tn}对应的各个时段,将回弹后各时刻的负荷和回弹开始时刻负荷的负荷相减,获得回弹导致的负荷变化量:
ΔP(ti)=Preb(ti)-Preb(tst)。
进一步的,所述回弹效应导致的基线负荷估计结果偏差量的计算具体包括:
S13:对于将神经网络训练所需的天数集合Daytrain中的负荷数据,使用发生回弹效应前的负荷Punreb(ti)和回弹效应影响后的负荷Preb(ti)依次替换对应场景当中截取的回弹效应时段负荷数据,分别获得对应特定场景中回弹前负荷曲线Curveunreb和回弹后负荷曲线Curvereb,将Curvereb和Curveunreb相减,获得回弹效应时段下因为回弹效应导致的负荷曲线变化量ΔCurve,其中ΔCurve所属时段为对应特定场景下的回弹时段Ti={ti,ti+ 1...ti+reb};
对于生成的负荷曲线Curveunreb与Curvereb,使用编写的改进SPM方法对应程序,获得对应的基线负荷估计结果矩阵,获得对应场景负荷曲线的回弹后基线负荷估计结果Baseline(Curvereb)和回弹前基线负荷估计结果Baseline(Curveunreb),
其中,Baseline=Fbaseline(LoadDaytrain(i),LoadDaynondr(i)).
F代表所使用的基线负荷估计方法,LoadDaytrain(i)和LoadDaynondr(i)分别代表通过负荷曲线Curve进行基线负荷估计所需的DR日负荷数据和非DR日负荷数据;
Curveunreb={Punreb(t1)...Punreb(ti)}({t1...ti}∈day(i),day(i)∈Daytrain)
Curvereb={Preb(t1)...Preb(ti)}({t1...ti}∈day(i),day(i)∈Daytrain)
Baseline(Curveunreb)=Fbaseline(Curveunreb,LoadDaynondr(i))
Baseline(Curvereb)=Fbaseline(Curvereb,LoadDaynondr(i))
基于回弹前后对应的基线负荷估计结果,获得因为回弹效应导致的基线负荷估计结果偏差量:ΔBaseline=Baseline(Curvereb)-Baseline(Curveunreb)
其中,ΔBaseline为回弹效应导致的基线负荷估计结果偏差量。
进一步的,所述步骤S2具体包括:
S21:使用BP神经网络构建对应的神经网络结构,以步骤S1中定义的回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量,分别作为神经网络的输入和输出,使用神经网络连接负荷变化和基线负荷估计结果改变量:
ΔBaseline=ANN(ΔCurve);
S22:通过生成的不同的虚拟DR事件对应的虚拟回弹场景,以回弹效应导致的负荷改变量ΔCurve作为输入,以ΔBaseline作为输出,使用生成的大量带有回弹效应的训练场景Daytrain进行训练,获得训练后的神经网络ANN架构;
S23:对于测试集Daydr,重复步骤S12-S13,获得测试集Daydr对应的负荷曲线偏差量ΔCurve1,并且将负荷曲线偏差量ΔCurve1带入步骤S22训练后的神经网络ANN架构中,获得测试集Daydr对应的基线负荷估计结果偏差量ΔBaseline1:
ΔBaseline1=NN(ΔCurve1)
其中ΔBaseline1与ΔCurve1分别为对于测试集Daydr所求取的结果。
进一步的,所述使用训练得到的神经网络ANN架构对考虑回弹效应的基线负荷估计结果进行修正具体包括:
使用步骤S2计算得到的测试集Daydr对应的基线负荷估计结果偏差量ΔBaseline1,进行基线负荷估计结果的修正:将回弹后的基线负荷Baseline(Curvereb)1减去因为回弹导致的基线负荷估计结果偏差量ΔBaseline1:
Baseline(Curveunreb)1=aseline(Curvereb)1-ΔBaseline1
完成基线负荷估计修正过程。
进一步的,还包括:
编写基线负荷估计性能综合评价指标体系函数,进行考虑回弹效应前后的基线负荷估计方法性能对比;通过MAE、Bias、RER和OPI进行分析;设定函数中的MAE、Bias和RER对应参数结果分别为accuracy,deviation和robustness,将大量场景的以上参数进行计算后求和,并利用求和后的MAE、Bias和RER获得考虑回弹效应进行基线负荷估计结果修正前后的OPI指标:
OPI=MAE+Bias+RER。
第二方面,本发明提供一种基线负荷估计结果修正***,包括:
负荷变化量和基线负荷估计结果偏差量计算模块,用于计算回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量;
神经网络训练模块,用于使用计算得到的回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量进行神经网络训练,获得训练后的神经网络ANN架构;
基线负荷估计结果修正模块,用于使用训练得到的神经网络ANN架构对考虑回弹效应的基线负荷估计结果进行修正。
第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述中任一项所述的一种基线负荷估计结果修正方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述中任一项所述的一种基线负荷估计结果修正方法。
本发明至少具有以下有益效果:
本发明通过对回弹效应导致的负荷变化量和基线负荷估计结果偏差量进行计算,使用计算获得的结果进行神经网络训练,获得训练后的神经网络ANN架构,通过训练后的神经网络ANN架构对基线负荷估计结果进行修正,基于神经网络的需求响应基线负荷估计结果修正方法具有很强的适用性,适用于回弹效应对各类基线负荷估计方法影响偏差的修正。通过神经网络学习回弹效应对基线负荷估计影响的偏差,并使用获得的修正量修正基线负荷估计结果,有效的提升了基线负荷估计方法对应的精度,解决基线负荷估计结果出现偏差的问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为基线负荷估计结果修正方法的步骤流程图;
图2为基线负荷估计结果修正的神经网络结构示意图;
图3为基线负荷估计结果修正***模块示意图
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
实施例1
如图1所示,一种基线负荷估计结果修正方法,包括:
S1:计算回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量;
对回弹效应进行分析,进行各类基线负荷估计方法受回弹效应影响的机理分析:基于目前已经存在的各类平均法、回归法、对照组法等基线负荷估计方法的估计机理分析与负荷参与需求响应后回弹效应的负荷特性,对回弹效应可能导致各类基线负荷估计结果的偏差作用原因进行分析。对于平均法进行分析,回弹效应可能会影响需求响应日之后的非需求响应日的用电量,导致平均法选择非DR估计天数的选择结果发生改变,使估计结果发生改变。对于回归法,由于回弹效应会导致非DR时段的负荷,因此会改变回归法训练模型所需用电数据,进而导致基线负荷估计结果出现偏差。对于对照组法,回弹效应可能导致待估计用户对应的对照组匹配组别发生改变,基线负荷估计性能因此受到影响
S11:进行负荷数据集合划分,为步骤S2神经网络训练做准备:为了使基线负荷估计评估过程对应结果更具说服力,训练样本包含来自雄安地区非光伏居民用户一年期间的历史负荷数据,优选地,选择其中一家用户一年的数据作为研究对象,并选取历史负荷数据对应的时间分辨率为1h,将获得的数据命名为data。用户数据集data包括用户若干日内的有功功率负荷,将其划分为:
训练集Daytrain为使用对应日期集合的数据生成回弹效应事件,分析回弹效应导致的负荷改变量与基线负荷估计结果改变量,通过分析回弹效应导致的负荷改变量与基线负荷估计结果改变量,进行神经网络的训练;
测试集Daydr为待检验用户天数集合,用于测试基线负荷估计结果修正方法的效果;
对照组Daynondr为用户未参与需求响应事件的天数,设定Daynondr中的用户未参与需求响应事件,使用对应部分日期的数据进行训练集与测试集数据的基线负荷估计。
从长度为365天的历史负荷数据当中按时间顺序选择了65天作为虚拟DR日,即测试集,即假定其参与了需求响应事件。将其余300天中100天作为本发明后续神经网络训练过程需要的数据集合,即训练集,最后剩余的200天作为基线负荷估计方法中对照组法进行基线负荷估计所必需的对照组用户,设定Daynondr中的用户未参与需求响应事件。即:
Dayall=Daydr∪Daynondr∪Daytrain
其中:Daydr为待检验用户天数集合;Daynondr为对照组用户未参与需求响应事件的天数集合;Daytrain为带有回弹效应的训练场景。
编写改进的SPM方法对应程序,使用待估计用户的其他非参与DR日负荷作为对照组进行基线负荷估计;传统上的SPM方法是一种基于DR日当天对应用户和其他对照组用户进行基线负荷估计的估计方法,然而,由于受到用户规模的限制,这种方法在对照组用户较少时估计精度会受到影响,因此本发明将传统的SPM方法进行了改进,使用待估计用户的其他非参与DR日负荷作为对照组进行基线负荷估计,通过与现有的基线负荷估计方法综合评价指标体系进行对比,发现改进的SPM方法也具有良好的估计性能。
对目前现有的同步模式匹配基线负荷估计方法是基于当日负荷进行的估计,本专利提出的同步模式匹配法基线负荷估计方法,将对照组选取用户的过程,从选取需求响应日当天与待估计用户最相近负荷模式的用户负荷数据作为对照组,转换成了使用待估计用户历史日的负荷作为对应的对照组数据,从而实现了对于同步模式匹配基线负荷估计方法的改进。
S12:基于回弹效应的负荷特征,进行回弹时间长度和回弹比例数值的定义,以对回弹效应对用电负荷的作用变化特征进行描述,计算回弹导致的负荷变化量。
对于从Tstart时刻开始到Tend时刻结束,持续时段为Treb={tstart,tstart+1...tend}的回弹时段,有:
回弹时间长度reb=Tend-Tstart,回弹时段集合Treb={tstart,tstart+1...tend},
回弹比例数值α(ti)=Preb(ti)/Punreb(ti)
其中:Treb为回弹时段集合;α(ti)为回弹比例数值;Preb(ti)为回弹效应影响后的负荷;为Punreb(ti)发生回弹效应前的负荷;
ti为回弹时间集合Treb={tstart,tstart+1...tend}内的第i个时刻。
使用蒙特卡洛模拟和虚拟DR日的分析思想,生成了大量不同的虚拟DR事件对应的虚拟回弹场景,具体思路为:
基于训练集Daytrain,采用滚动时间窗选取的方式,依次选择时长为3小时的需求响应时间窗口,并在该需求响应时间窗口之后,根据本发明定义的回弹时间长度和回弹比例数值的概念,生成虚拟DR事件对应的虚拟回弹事件场景。
对于特定场景下滚动需求响应时间窗口的设计,有:
TDRset={T1,T2...Tn}
其中:T1={t1,t2...tDR},T2={t2,t3...tDR+1}…Tn={tn,tn+1...tDR+n},其中TDRset表示对应Daytrain特定日所生成所有生成需求响应时间窗口的集合,T1={t1,t2...tDR},T2={t2,t3...tDR+1}…Tn={tn,tn+1...tDR+n},表示改变需求响应发生时段后的对应需求响应时刻集合。对时间集合进行分析,可以得到与需求响应时间窗口集合对应的回弹效应时间窗口集合:
Trebset={T1,T2...Tn},在Trebset中,各个元素分别为T1={t1,t2...treb},T2={t2,t3...treb+1},Tn={tn,tn+1...treb+n}公式当中各元素的具体含义与需求响应时间窗口类似。
考虑回弹时间集合中的第i个时刻ti,在考虑回弹比例数值为α(ti)的前提下,均可基于待分析数据集中已知的发生回弹效应前负荷Punreb(ti)获取对应的在回弹效应影响后的负荷Preb(ti)。即:
α(ti)=Preb(ti)/Punreb(ti);
基于生成的属于回弹时间集合Trebset={T1,T2...Tn}对应的各个时段,将回弹后各时刻的负荷和回弹开始时刻负荷的负荷相减,即可获得回弹导致的负荷变化量。即用电量变化数值:
ΔP(ti)=Preb(ti)-Preb(tst)。
S13:计算回弹效应导致的基线负荷估计结果偏差量,生成训练集对应场景的基线负荷估计结果偏差量:对于神经网络训练所需的天数集合Daytrain中的负荷数据,使用发生回弹效应前的负荷Punreb(ti)和回弹效应影响后的负荷Preb(ti)依次替换对应场景当中截取的回弹效应时段负荷数据,分别获得对应特定场景中回弹前负荷曲线Curveunreb和回弹后负荷曲线Curvereb,将Curvereb和Curveunreb相减,可以获得回弹效应时段下因为回弹效应导致的负荷曲线变化量ΔCurve,其中ΔCurve所属时段为对应特定场景下的回弹时段Ti={ti,ti+1...ti+reb}。
对于生成的负荷曲线Curveunreb与Curvereb,使用编写的改进SPM方法对应程序,获得对应的基线负荷估计结果矩阵,获得对应场景负荷曲线的回弹后基线负荷估计结果Baseline(Curvereb)和回弹前基线负荷估计结果Baseline(Curveunreb),
其中,Baseline=Fbaseline(LoadDaytrain(i),LoadDaynondr(i)).
F代表所使用的基线负荷估计方法——同步模式匹配法,LoadDaytrain(i)和LoadDaynondr(i)分别代表通过负荷曲线Curve进行基线负荷估计所需的DR日负荷数据和非DR日负荷数据。
即:Curveunreb={Punreb(t1)...Punreb(ti)}({t1...ti}∈day(i),day(i)∈Daytrain)
Curvereb={Preb(t1)...Preb(ti)}({t1...ti}∈day(i),day(i)∈Daytrain)
Baseline(Curveunreb)=Fbaseline(Curveunreb,LoadDaynondr(i))
Baseline(Curvereb)=Fbaseline(Curvereb,LoadDaynondr(i))
基于回弹前后对应的基线负荷估计结果,可以获得因为回弹效应导致的基线负荷估计结果偏差量,为建立回弹负荷变化量和因为回弹效应导致的基线负荷估计结果偏差量的联系做准备。
即:ΔBaseline=Baseline(Curvereb)-Baseline(Curveunreb)
其中,ΔBaseline为回弹效应导致的基线负荷估计结果偏差量。
优选的,本发明基线负荷估计的过程还可以使用以平均法,回归法,对照组法等基线负荷估计方法,估计方法不同并不会影响本专利提出方法的有效性。
S2:如图2所示,使用计算得到的回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量进行神经网络训练,获得训练后的神经网络ANN架构;
使用MATLAB神经网络工具箱,以回弹效应导致的负荷变化量ΔP(ti)作输入,以回弹效应导致的基线负荷估计结果偏差量ΔBaseline为输出,进行神经网络训练,使用默认的训练集、对照组和测试集比例进行网络的训练,并利用神经网络效果检验指标R2和MSE进行网络训练效果的验证。
S21:使用BP神经网络构建对应的神经网络结构,以步骤S1中定义的回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量,分别作为神经网络的输入和输出,使用神经网络连接负荷变化和基线负荷估计结果改变量:
ΔBaseline=ANN(ΔCurve);
S22:通过生成的大量不同虚拟DR事件对应的虚拟回弹场景,以回弹效应导致的负荷改变量ΔCurve作为输入,以ΔBaseline作为输出,使用生成的大量带有回弹效应的训练场景Daytrain进行训练,获得训练后的神经网络ANN架构。
S23:进行神经网络的测试和使用环节:对于测试集Daydr,与训练集Daytrain集合类似的,重复步骤S12-S13,获得测试集Daydr对应的负荷曲线偏差量ΔCurve1,并且将负荷曲线偏差量ΔCurve1带入步骤S22训练后的神经网络ANN架构中,获得测试集Daydr对应的基线负荷估计结果偏差量ΔBaseline1。
即:ΔBaseline1=NN(ΔCurve1)
其中ΔBaseline1与ΔCurve1分别为对于测试集Daydr所求取的结果。
S3:使用训练得到的神经网络ANN架构对考虑回弹效应的基线负荷估计结果进行修正,并进行准确性检验;
S31:使用步骤S2计算得到的测试集Daydr对应的基线负荷估计结果偏差量ΔBaseline1,进行基线负荷估计结果的修正:将回弹后的基线负荷Baseline(Curvereb)1减去因为回弹导致的基线负荷估计结果偏差量ΔBaseline1,即:
Baseline(Curveunreb)1=aseline(Curvereb)1-ΔBaseline1
完成基线负荷估计修正过程。
S32:编写基线负荷估计性能综合评价指标体系函数,进行考虑回弹效应前后的基线负荷估计方法性能对比。现存的基线负荷估计方法可以通过MAE(准确度指标)、Bias(偏差量指标)、RER(鲁棒性指标)和OPI(综合评价指标)进行分析。设定函数中的MAE、Bias和RER对应参数结果分别为accuracy,deviation和robustness,将大量场景的以上参数进行计算后求和,并利用求和后的MAE、Bias和RER获得考虑回弹效应进行基线负荷估计结果修正前后的OPI指标。
即:OPI=MAE+Bias+RER
通过对比不同方案的OPI数值的方法,实现将回弹修正前后的基线负荷估计结果进行对比。
S32:进行修正效果的校验:实现考虑回弹效应进行基线负荷估计结果修正的检验。经过校验,经过基线负荷估计结果的修正,方法对应的综合评价指标结果优化了3.63%,(本算例仅用于验证估计方法的有效性,对于不同的负荷类型和时间跨度,通过选择不同的神经网络结构,估计结果的指标优化值可以得到更进一步的提升。)与此同时,经过使用本专利发明的神经网络的效果验证,如果回弹效应导致的负荷变化量进一步增加,基线负荷估计结果的偏差将进一步增大,本发明提出的修正方案能够更好的提升基线负荷估计结果的性能。
实施例2
一种基线负荷估计结果修正***,包括:
负荷变化量和基线负荷估计结果偏差量计算模块,用于计算回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量;
神经网络训练模块,用于使用计算得到的回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量进行神经网络训练,获得训练后的神经网络ANN架构;
基线负荷估计结果修正模块,用于使用训练得到的神经网络ANN架构对考虑回弹效应的基线负荷估计结果进行修正。
实施例3
本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例1所述的一种基线负荷估计结果修正方法。
实施例4
本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述的一种基线负荷估计结果修正方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基线负荷估计结果修正方法,其特征在于,包括:
S1:计算回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量;
S2:使用计算得到的回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量进行神经网络训练,获得训练后的神经网络ANN架构;
S3:使用训练得到的神经网络ANN架构对考虑回弹效应的基线负荷估计结果进行修正。
2.根据权利要求1所述的一种基线负荷估计结果修正方法,其特征在于,所述计算回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量前,对负荷数据集合划分,具体包括:
S11:用户数据集data包括用户若干日内的有功功率负荷,将其划分为:
训练集Daytrain为使用对应日期集合的数据生成回弹效应事件,分析回弹效应导致的负荷改变量与基线负荷估计结果改变量,通过分析回弹效应导致的负荷改变量与基线负荷估计结果改变量,进行神经网络的训练;
测试集Daydr为待检验用户天数集合,用于测试基线负荷估计结果修正方法的效果;
对照组Daynondr为用户未参与需求响应事件的天数,设定Daynondr中的用户未参与需求响应事件,使用对应部分日期的数据进行训练集与测试集数据的基线负荷估计:
Dayall=Daydr∪Daynondr∪Daytrain
对SPM方法对应程序进行编写改进。
3.根据权利要求2所述的一种基线负荷估计结果修正方法,其特征在于,所述计算回弹效应导致的负荷变化量具体包括:
S12:基于回弹效应的负荷特征,进行回弹时间长度和回弹比例数值的定义:
对于从Tstart时刻开始到Tend时刻结束,持续时段为Treb={tstart,tstart+1...tend}的回弹时段,有:
回弹时间长度reb=Tend-Tstart,回弹时段集合Treb={tstart,tstart+1...tend},
回弹比例数值α(ti)=Preb(ti)/Punreb(ti)
其中:Treb为回弹时段集合;α(ti)为回弹比例数值;Preb(ti)为回弹效应影响后的负荷;为Punreb(ti)发生回弹效应前的负荷;
ti为回弹时间集合Treb={tstart,tstart+1...tend}内的第i个时刻;
使用蒙特卡洛模拟和虚拟DR日的分析思想,生成了大量不同虚拟DR事件对应的虚拟回弹场景,具体为:
基于训练集Daytrain,采用滚动时间窗选取的方式,依次选择时长为3小时的需求响应时间窗口,并在该需求响应时间窗口之后,根据定义的回弹时间长度和回弹比例数值的概念,生成虚拟DR事件对应的虚拟回弹事件场景;
对于特定场景下滚动需求响应时间窗口的设计,有:
TDRset={T1,T2...Tn}
其中:T1={t1,t2...tDR},T2={t2,t3...tDR+1}…Tn={tn,tn+1...tDR+n},其中TDRset表示对应Daytrain特定日所生成所有生成需求响应时间窗口的集合,T1={t1,t2...tDR},T2={t2,t3...tDR+1}…Tn={tn,tn+1...tDR+n},表示改变需求响应发生时段后的对应需求响应时刻集合;对时间集合进行分析,得到与需求响应时间窗口集合对应的回弹效应时间窗口集合;
Trebset={T1,T2...Tn}
在Trebset中,各个元素分别为T1={t1,t2...treb},T2={t2,t3...treb+1},Tn={tn,tn+ 1...treb+n};
考虑回弹时间集合中的第i个时刻ti,在考虑回弹比例数值为α(ti)的前提下,均基于待分析数据集中已知的发生回弹效应前负荷Punreb(ti)获取对应的在回弹效应影响后的负荷Preb(ti);即:
α(ti)=Preb(ti)/Punreb(ti);
基于生成的属于回弹时间集合Trebset={T1,T2...Tn}对应的各个时段,将回弹后各时刻的负荷和回弹开始时刻负荷的负荷相减,获得回弹导致的负荷变化量:
ΔP(ti)=Preb(ti)-Preb(tst)。
4.根据权利要求3所述的一种基线负荷估计结果修正方法,其特征在于,所述回弹效应导致的基线负荷估计结果偏差量的计算具体包括:
S13:对于神经网络训练所需的天数集合Daytrain中的负荷数据,使用发生回弹效应前的负荷Punreb(ti)和回弹效应影响后的负荷Preb(ti)依次替换对应场景当中截取的回弹效应时段负荷数据,分别获得对应特定场景中回弹前负荷曲线Curveunreb和回弹后负荷曲线Curvereb,将Curvereb和Curveunreb相减,获得回弹效应时段下因为回弹效应导致的负荷曲线变化量ΔCurve,其中ΔCurve所属时段为对应特定场景下的回弹时段Ti={ti,ti+ 1...ti+reb};
对于生成的负荷曲线Curveunreb与Curvereb,使用编写的改进SPM方法对应程序,获得对应的基线负荷估计结果矩阵,获得对应场景负荷曲线的回弹后基线负荷估计结果Baseline(Curvereb)和回弹前基线负荷估计结果Baseline(Curveunreb),
其中,Baseline=Fbaseline(LoadDaytrain(i),LoadDaynondr(i))
F代表所使用的基线负荷估计方法,LoadDaytrain(i)和LoadDaynondr(i)分别代表通过负荷曲线Curve进行基线负荷估计所需的DR日负荷数据和非DR日负荷数据;
Curveunreb={Punreb(t1)...Punreb(ti)}({t1...ti}∈day(i),day(i)∈Daytrain)
Curvereb={Preb(t1)...Preb(ti)}({t1...ti}∈day(i),day(i)∈Daytrain)
Baseline(Curveunreb)=Fbaseline(Curveunreb,LoadDaynondr(i))
Baseline(Curvereb)=Fbaseline(Curvereb,LoadDaynondr(i))
基于回弹前后对应的基线负荷估计结果,获得因为回弹效应导致的基线负荷估计结果偏差量:ΔBaseline=Baseline(Curvereb)-Baseline(Curveunreb)
其中,ΔBaseline为回弹效应导致的基线负荷估计结果偏差量。
5.根据权利要求4所述的一种基线负荷估计结果修正方法,其特征在于,所述步骤S2具体包括:
S21:使用BP神经网络构建对应的神经网络结构,以步骤S1中定义的回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量,分别作为神经网络的输入和输出,使用神经网络连接负荷变化和基线负荷估计结果改变量:
ΔBaseline=ANN(ΔCurve);
S22:通过生成的不同的虚拟DR事件对应的虚拟回弹场景,以回弹效应导致的负荷改变量ΔCurve作为输入,以ΔBaseline作为输出,使用生成的大量带有回弹效应的训练场景Daytrain进行训练,获得训练后的神经网络ANN架构;
S23:对于测试集Daydr,重复步骤S12-S13,获得测试集Daydr对应的负荷曲线偏差量ΔCurve1,并且将负荷曲线偏差量ΔCurve1带入步骤S22训练后的神经网络ANN架构中,获得测试集Daydr对应的基线负荷估计结果偏差量ΔBaseline1:
ΔBaseline1=ANN(ΔCurve1)
其中ΔBaseline1与ΔCurve1分别为对于测试集Daydr所求取的结果。
6.根据权利要求5所述的一种基线负荷估计结果修正方法,其特征在于,所述使用训练得到的神经网络ANN架构对考虑回弹效应的基线负荷估计结果进行修正具体包括:
使用步骤S2计算得到的测试集Daydr对应的基线负荷估计结果偏差量ΔBaseline1,进行基线负荷估计结果的修正:将回弹后的基线负荷Baseline(Curvereb)1减去因为回弹导致的基线负荷估计结果偏差量ΔBaseline1:
Baseline(Curveunreb)1=Baseline(Curvereb)1-ΔBaseline1
完成基线负荷估计修正过程。
7.根据权利要求1所述的一种基线负荷估计结果修正方法,其特征在于,还包括:
编写基线负荷估计性能综合评价指标体系函数,进行考虑回弹效应前后的基线负荷估计方法性能对比;通过MAE、Bias、RER和OPI进行分析;设定函数中的MAE、Bias和RER对应参数结果分别为accuracy,deviation和robustness,将大量场景的以上参数进行计算后求和,并利用求和后的MAE、Bias和RER获得考虑回弹效应进行基线负荷估计结果修正前后的OPI指标:
OPI=MAE+Bias+RER。
8.一种基线负荷估计结果修正***,其特征在于,包括:
负荷变化量和基线负荷估计结果偏差量计算模块,用于计算回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量;
神经网络训练模块,用于使用计算得到的回弹效应导致的负荷变化量和回弹效应导致的基线负荷估计结果偏差量进行神经网络训练,获得训练后的神经网络ANN架构;
基线负荷估计结果修正模块,用于使用训练得到的神经网络ANN架构对考虑回弹效应的基线负荷估计结果进行修正。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的一种基线负荷估计结果修正方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的一种基线负荷估计结果修正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310639635.5A CN116663926A (zh) | 2023-05-31 | 2023-05-31 | 一种基线负荷估计结果修正方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310639635.5A CN116663926A (zh) | 2023-05-31 | 2023-05-31 | 一种基线负荷估计结果修正方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663926A true CN116663926A (zh) | 2023-08-29 |
Family
ID=87711310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310639635.5A Pending CN116663926A (zh) | 2023-05-31 | 2023-05-31 | 一种基线负荷估计结果修正方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663926A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100114799A1 (en) * | 2008-10-31 | 2010-05-06 | General Electric Company | Optimal dispatch of demand side electricity resources |
US20170236222A1 (en) * | 2016-02-12 | 2017-08-17 | Fujitsu Limited | Critical peak pricing demand response participant assessment |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、***及设备 |
CN115204308A (zh) * | 2022-07-29 | 2022-10-18 | 华北电力大学 | 一种集群基线负荷估计方法及*** |
CN115239519A (zh) * | 2022-08-02 | 2022-10-25 | 华北电力大学 | 一种考虑温湿度变化率的用户基线负荷获取方法及*** |
-
2023
- 2023-05-31 CN CN202310639635.5A patent/CN116663926A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100114799A1 (en) * | 2008-10-31 | 2010-05-06 | General Electric Company | Optimal dispatch of demand side electricity resources |
US20170236222A1 (en) * | 2016-02-12 | 2017-08-17 | Fujitsu Limited | Critical peak pricing demand response participant assessment |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、***及设备 |
CN115204308A (zh) * | 2022-07-29 | 2022-10-18 | 华北电力大学 | 一种集群基线负荷估计方法及*** |
CN115239519A (zh) * | 2022-08-02 | 2022-10-25 | 华北电力大学 | 一种考虑温湿度变化率的用户基线负荷获取方法及*** |
Non-Patent Citations (1)
Title |
---|
孟亚园等: "考虑需求响应的用户基本负荷计算方法", 自动化应用, no. 08, 31 December 2020 (2020-12-31), pages 113 - 114 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101012863B1 (ko) | 고객기준부하 산출을 위한 부하 예측 비교 분석 시스템 | |
US20210276531A1 (en) | Vehicle power management system and method | |
CN113469585A (zh) | 碳管理数据调整方法、碳管理平台、***及存储介质 | |
JP6262954B2 (ja) | 蓄電池導入効果評価装置、蓄電池導入効果評価方法及びプログラム | |
Han et al. | A coordinated dispatch method for energy storage power system considering wind power ramp event | |
Bårdsen et al. | Macroeconometric modeling for policy | |
CN112968450A (zh) | 一种储能参与调频的储能***效益评估方法 | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及*** | |
CN116663926A (zh) | 一种基线负荷估计结果修正方法、***、设备及介质 | |
CN105514988B (zh) | 一种计及动态时空特征的微电网电源规划方案优选方法 | |
CN106372366A (zh) | 一种基于狼爬山算法的智能发电控制方法 | |
CN116823296B (zh) | 一种用电侧碳排放确定方法、***、设备及介质 | |
JP5380119B2 (ja) | 小規模電力系統の電源容量推定装置、その電源容量推定方法及び電源容量推定用プログラム | |
CN112182916A (zh) | 一种配电网可靠性边际效益和边际成本分析方法及*** | |
CN109728607B (zh) | 一种风电消纳评估方法及装置 | |
CN116797245A (zh) | 一种用电侧碳排放系数分摊方法及*** | |
CN114463059A (zh) | t分布GARCH模型的热力负荷-绿色能源交易电价预测方法 | |
CN114169648A (zh) | 基于narnn模型的电力负荷预测方法、***及设备 | |
CN105447598A (zh) | 一种基于误差修正模型的电力***中负荷预测装置及方法 | |
CN117937630B (zh) | 一种输配电协同的多时间尺度优化调度方法及*** | |
CN117458608A (zh) | 一种计及需求响应的低压配电网运行可靠性评估方法 | |
CN110598899B (zh) | 一种基于数据预测的地方电能表申校服务规划方法及*** | |
CN117575622A (zh) | 一种测度碳市场启动后电网碳减排***性成本变化的方法 | |
Rushkoff et al. | Current and Future Energy Storage Market Revenues Sensitivity Study | |
CN116861158A (zh) | 一种基于路段数据的路径行程时间分布函数估计方法 |
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 |