CN116957306B - 基于资源协同互动的用户侧响应潜力评估方法及*** - Google Patents
基于资源协同互动的用户侧响应潜力评估方法及*** Download PDFInfo
- Publication number
- CN116957306B CN116957306B CN202311217211.6A CN202311217211A CN116957306B CN 116957306 B CN116957306 B CN 116957306B CN 202311217211 A CN202311217211 A CN 202311217211A CN 116957306 B CN116957306 B CN 116957306B
- Authority
- CN
- China
- Prior art keywords
- response
- user side
- equipment
- resource
- regulation
- 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 501
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 230000009133 cooperative interaction Effects 0.000 title claims abstract description 19
- 230000008878 coupling Effects 0.000 claims abstract description 89
- 238000010168 coupling process Methods 0.000 claims abstract description 89
- 238000005859 coupling reaction Methods 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 49
- 238000013210 evaluation model Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 4
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q10/0631—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力用户侧响应的技术领域,特别是涉及一种基于资源协同互动的用户侧响应潜力评估方法及***,其提高电网资源利用效率和电力市场稳定性与可靠性;方法应用于电力交易平台,方法包括:获取参与电力交易活动的用户侧历史调控响应信息以及用户侧设备资源信息,用户侧设备资源信息与用户侧历史调控响应信息一一对应;利用预先构建的用户侧设备识别模型,对用户侧设备资源信息进行识别分类,获得具有响应电网调控能力的可调控设备资源集合;对用户侧历史调控响应信息进行响应特征提取,获得响应特征参数集合;将可调控设备资源集合与响应特征参数集合进行响应特征耦合分析,获得响应耦合特征集合。
Description
技术领域
本发明涉及电力用户侧响应的技术领域,特别是涉及一种基于资源协同互动的用户侧响应潜力评估方法及***。
背景技术
电力市场的供需平衡是保障电力***稳定运行的重要因素;通过评估用户侧的响应潜力,可以了解用户在电力需求方面的灵活性和可调节性;这使得电力交易平台能够更好地预测和管理供需变化,从而提高电力市场的稳定性和可靠性。
现有的响应潜力评估方法大多是通过分析用户侧在进行电力交易活动一定时间内响应调控的能力,再对其进行综合评价或领域专家评价,才能确定该用户侧的响应潜力;这就导致用户侧在进行电力交易活动前期存在无法参与电网调控的空窗期,造成资源浪费。因此亟需一种能够及时确认用户侧响应潜力的评估方法。
发明内容
为解决上述技术问题,本发明提供一种提高电网资源利用效率和电力市场稳定性与可靠性的基于资源协同互动的用户侧响应潜力评估方法。
第一方面,本发明提供了基于资源协同互动的用户侧响应潜力评估方法,所述方法应用于电力交易平台,所述方法包括:
获取参与电力交易活动的用户侧历史调控响应信息以及用户侧设备资源信息,所述用户侧设备资源信息与用户侧历史调控响应信息一一对应;
利用预先构建的用户侧设备识别模型,对所述用户侧设备资源信息进行识别分类,获得具有响应电网调控能力的可调控设备资源集合;
对所述用户侧历史调控响应信息进行响应特征提取,获得响应特征参数集合;
将所述可调控设备资源集合与所述响应特征参数集合进行响应特征耦合分析,获得响应耦合特征集合;
将所述可调控设备资源集合、所述响应耦合特征集合以及预先经过综合评估得到的响应潜力指数作为训练数据集,构建用户侧资源响应潜力评估模型;
获取待评估用户侧的可调控设备资源集合,并输入至所述用户侧资源响应潜力评估模型,输出待评估用户侧的响应潜力指数。
进一步地,所述响应特征包括响应时间、响应幅度、响应稳定性和响应频率;
所述响应时间是从所述用户侧历史调控响应信息中获取每次调控信号发送时间戳和用户设备响应的时间戳,通过计算响应的时间差,得到响应时间;
所述响应幅度是从所述用户侧历史调控响应信息中获取每次调控信号和用户设备的响应数据,通过计算响应的幅度差,得到响应幅度;
所述响应稳定性是从所述用户侧历史调控响应信息中获取每次调控信号和用户设备的响应数据,通过计算用户侧响应的波动性指标,得到能够表征响应稳定性的数值;
所述响应频率是从所述用户侧历史调控响应信息中获取每次调控信号发送时间和用户设备的响应时间戳,统计在设定时间范围内响应的次数,得到响应频率。
进一步地,所述用户侧设备识别模型的构建方法,包括:
收集用户侧设备资源信息,包括设备类型、设备容量、设备技术参数,作为数据集;
根据收集到的用户侧设备资源信息,进行特征工程处理以提取有用的特征,提取的特征包括设备、设备容量和设备是否具有响应电网调控能力;
利用机器学习算法构建所述用户侧设备识别模型;所述用户侧设备识别模型将接受经过特征工程的设备类型和设备容量作为输入,并输出设备是否具有响应电网调控能力;
使用已经标注好的数据集,将数据集划分为训练集和测试集;使用训练集对设备识别模型进行训练,使用测试集评估模型的性能。
进一步地,所述响应耦合特征集合的获得方法,包括:
对响应特征参数集合和可调控设备资源集合进行归一化处理;
利用相似度度量方法,计算响应特征参数集合中每个特征与可调控设备资源集合中每个资源的相似度得分,得到相似度矩阵,所述相似度矩阵中每个元素表示一个响应特征与一个可调控设备资源之间的相似度;
通过使用特征选择算法或领域专家知识确定响应特征权重;
将所述相似度矩阵与响应特征权重相乘,得到每个可调控设备资源在响应特征参数集合上的耦合特征值,得到响应耦合特征矩阵;
根据所要进行响应潜力评估的用户侧的可调控设备资源集合,选择与该用户侧设备资源相对应的响应耦合特征集合。
进一步地,所述用户侧资源响应潜力评估模型的构建方法,包括:
结合领域专家对历史参与电力交易活动的用户进行设定时间范围内的调控响应能力评估,获得能够评价用户响应潜力的响应潜力指数;
将可调控设备资源集合、响应耦合特征集合以及相对应的响应潜力指数作为训练数据集;
利用机器学习算法搭建用户侧资源响应潜力评估模型的模型框架,并使用训练数据集来构建用户侧资源响应潜力评估模型;所述用户侧资源响应潜力评估模型的输入为可调控设备资源集合和响应耦合特征集合,输出为能够评价用户响应潜力的响应潜力指数。
进一步地,所述用户侧设备识别模型的构建方法中,特征工程处理包括对设备类型进行编码表示、对设备容量进行响应数值表示和对设备是否具有响应电网调控能力进行二进制表示。
进一步地,所述用户侧历史调控响应信息包括电力需求调整数据、调控信号响应数据、调控信号接受与执行数据、响应时间和稳定性数据。
另一方面,本申请还提供了基于资源协同互动的用户侧响应潜力评估***,所述***包括:
历史数据获取模块,用于获取参与电力交易活动的用户侧历史调控响应信息以及用户侧设备资源信息,并发送;其中,所述用户侧设备资源信息与所述用户侧历史调控响应信息一一对应;
设备识别分类模块,用于接收所述用户侧设备资源信息,并利用预先存储的用户侧设备识别模型对所述用户侧设备资源信息进行识别分类,得到具有响应电网调控能力的可调控设备资源集合,并发送;
响应特征提取模块,用于接收所述用户侧历史调控响应信息,并对所述用户侧历史调控响应信息进行响应特征提取,得到响应特征参数集合,并发送;
响应耦合分析模块,用于接收所述可调控设备资源集合和响应特征参数集合,并将所述可调控设备资源集合和所述响应特征参数集合进行响应特征耦合分析,通过分析不同设备资源与其对应的响应特征参数之间的关系,得到响应耦合特征集合,并发送;
评估模型训练模块,用于录入与该用户侧相对应的经过综合评估得到的响应潜力指数,并接收所述响应耦合特征集合和所述可调控设备资源集合;通过将可调控设备资源集合、响应耦合特征集合以及经过综合评估得到的响应潜力指数作为训练数据集,上传至数据集成训练平台进行学习,获得用户侧资源响应潜力评估模型,并发送;
响应潜力评估模块,用于接收并存储用户侧资源响应潜力评估模型,同时获取待评估用户侧的可调控设备资源集合,并将其输入至用户侧资源响应潜力评估模型,得到待评估用户侧的响应潜力指数。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:本发明通过获取参与电力交易活动用户侧的历史调控响应信息和设备资源信息,并将其进行对应;通过综合利用历史数据和设备信息,更全面地了解用户侧的响应潜力,而不仅仅是通过单一指标或领域专家评价;
本发明利用预先构建的用户侧设备识别模型对设备资源信息进行识别分类,得到具有响应电网调控能力的可调控设备资源集合;通过对设备进行分类,能够更加准确地确定可调控设备,并排除那些无法响应电网调控的设备,提高了评估的精度和可靠性;
本发明对用户侧的历史调控响应信息进行响应特征提取,得到响应特征参数集合;然后将该集合与可调控设备资源集合进行响应特征耦合分析,获得响应耦合特征集合;通过对响应特征的提取和耦合分析,更好地捕捉用户侧的响应特点和潜力,以便更准确地评估其响应能力;
本发明将可调控设备资源集合、响应耦合特征集合以及预先经过综合评估得到的响应潜力指数作为训练数据集,构建用户侧资源响应潜力评估模型;通过这个模型,在获取待评估用户侧的可调控设备资源集合后,直接输入模型进行评估,输出待评估用户侧的响应潜力指数;这样既节省了时间,又提高了评估的自动化程度;
综上所述,基于资源协同互动的用户侧响应潜力评估方法通过综合利用历史数据和设备信息,进行特征提取和耦合分析,并构建评估模型,能够更准确地评估用户侧的响应潜力;这种方法能够减少电力交易活动前期的空窗期,提高资源利用效率和电力市场的稳定性与可靠性。
附图说明
图1是本发明的流程图;
图2是构建用户侧设备识别模型的流程图;
图3是获取响应耦合特征集合的流程图;
图4是基于资源协同互动的用户侧响应潜力评估***的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图3所示,本发明的基于资源协同互动的用户侧响应潜力评估方法,所述方法应用于电力交易平台,具体包括以下步骤:
S1、获取参与电力交易活动的用户侧历史调控响应信息以及用户侧设备资源信息,所述用户侧设备资源信息与用户侧历史调控响应信息一一对应;
S1步骤是获取参与电力交易活动的用户侧历史调控响应信息以及用户侧设备资源信息;这些信息对于评估用户侧的响应潜力非常重要,因为它们提供了关于用户在过去的调控活动中所展现出的能力和可调节性的数据;具体而言,S1步骤涉及以下方面:
用户侧历史调控响应信息:是指用户在过去进行电力交易活动期间对电网调控信号做出的响应或行为的记录,这些信息旨在评估用户在调整电力需求方面的可调节性和灵活性,从而确定用户侧的响应潜力;用户侧历史调控响应信息包括以下方面的数据和指标:
电力需求调整数据:该数据记录了用户侧在过去的电力交易活动期间的实际电力需求调整情况;包括用户侧的电力消耗或用电量的变化,比如增加或减少用电量的幅度、时长和频率等;
调控信号响应数据:该数据记录了用户侧在过去的电力交易活动期间对电网调控信号的响应情况;包括用户侧根据接收到的电网调控信号做出的响应动作和策略,比如减少用电、切断部分负载或启动备用发电设备等;
调控信号接受与执行数据:该数据记录了用户侧接收到电网调控信号后的接受和执行情况;包括用户侧是否及时接收到调控信号,是否按照信号要求采取相应的调整措施,以及执行的效果和结果等;
响应时间和稳定性数据:该数据记录了用户侧响应调控信号的时间延迟和响应的稳定性情况;包括用户侧从接收到调控信号到实际采取行动之间的时间间隔,以及在响应过程中是否存在波动或不稳定的情况等;
上述数据可以从用户侧的智能电表、能源管理***或其他相关设备中获取;通过收集和记录这些用户侧历史调控响应信息,可以分析用户在过去的行为和操作中的表现,进而评估用户在未来电力交易活动中的响应潜力;这有助于确定用户侧在电力供需平衡中的灵活性,提高电力交易平台的精确性和有效性,从而提升电力市场的稳定性和可靠性。
用户侧设备资源信息:这涉及用户侧可调控设备的资源情况;可调控设备是指用户侧能够接受电力***调控信号并做出相应响应的设备,例如可控负荷设备、分布式能源装置等;用户侧设备资源信息包括以下内容:
设备类型:标识用户侧可调控设备的类型,如空调、照明、暖气等;
设备容量:指用户侧设备的额定功率容量或能力,反映设备可提供的响应潜力;
设备技术参数:包括关于设备性能、效率、响应速度等的具体技术指标,这些参数影响设备的响应能力和稳定性;
上述数据可以从用户侧的设备清单、智能电表或其他设备管理***中获取。
在S1步骤中,首先需要建立一个数据收集和管理***,以便从各个用户侧获取历史调控响应信息和设备资源信息。这涉及与用户侧进行数据交换和协调,确保数据的准确性和安全性。
然后,收集到的历史调控响应信息和设备资源信息需要进行匹配和对应,确保每条调控响应信息都可以与相应的设备资源信息对应起来。可以通过标识符、设备编号或其他唯一标识符进行关联。
综上所述,S1步骤是获取电力交易活动中用户侧历史调控响应信息和设备资源信息的过程。这些信息将用于后续步骤,如设备识别分类、响应特征提取和资源响应潜力评估模型的构建,以评估用户侧的响应潜力。
S2、利用预先构建的用户侧设备识别模型,对所述用户侧设备资源信息进行识别分类,获得具有响应电网调控能力的可调控设备资源集合;
在步骤S2中,用户侧设备识别模型是识别用户设备资源中具有响应潜力的关键步骤;其准确性和可靠性对于保障电力交易平台的供需平衡和稳定运行具有重要意义;所述用户侧设备识别模型构建的具体步骤如下:
S21、数据准备:首先,收集和整理用户侧设备资源信息,包括设备类型、设备容量、设备技术参数等,确保数据的准确性和完整性是评估的关键;
S22、特征工程:根据收集到的设备资源信息,进行特征工程处理以提取有用的特征;这些特征包括设备类型的编码表示、设备容量的数值表示、设备是否具有响应电网调控能力的二进制表示等;通过特征工程,将设备资源信息转化为机器学习算法可以处理的形式;
S23、设备识别模型构建:利用已有的机器学习算法如决策树、支持向量机、神经网络等,构建设备识别模型;该模型将接受经过特征工程的设备资源信息作为输入,并输出是否具有响应电网调控能力;
S24、训练与评估:使用已经标注好的数据集,将数据集划分为训练集和测试集;使用训练集对设备识别模型进行训练,然后使用测试集评估模型的性能;评估指标包括准确率、召回率、F1 值等;
S25、模型应用:经过训练和评估后,将设备识别模型应用于新的用户侧设备资源信息;通过模型的推断,将设备资源信息分类为具有响应电网调控能力的可调控设备资源和不具有调控能力的非可调控设备资源。
在本步骤中,通过使用机器学习算法构建设备识别模型,可以有效地提高对用户设备资源的识别准确性和可靠性;模型可以学习和理解不同特征之间的关系,减少人为错误和主观判断的影响;使用用户侧设备识别模型可以自动地对大量的用户设备资源进行分类,减少了人工处理的工作量和时间成本;模型能够快速处理设备资源信息,并生成准确的分类结果,提高了处理效率;
通过构建统一的设备识别模型,可以确保对用户设备资源的分类标准和方法的一致性;这有助于提高电力交易平台的供需平衡和稳定运行,减少因设备分类不一致带来的调度问题和不确定性;
综上所述,通过使用预先构建的用户侧设备识别模型,可以提高设备资源识别分类的准确性和效率,保障电力交易平台的供需平衡和稳定运行,提供自动化、统一标准和可扩展的设备管理解决方案。
S3、对所述用户侧历史调控响应信息进行响应特征提取,获得响应特征参数集合;
在S3步骤中,所述响应特征具体包括响应时间、响应幅度、响应稳定性和响应频率;从用户侧历史调控响应信息中提取这些关键的响应特征参数,以便进一步分析和评估用户侧的响应潜力,具体的:
响应时间是指用户侧设备在接收到电网调控信号后做出响应的时间;较短的响应时间意味着用户侧设备具有快速响应电网调控的能力,这在电力市场中十分有价值;
响应时间提取方法:从历史数据中获取每次调控信号发送时间和用户设备响应的时间戳;计算每次响应的时间差,即响应时间;可以使用响应时间的平均值、最小值、最大值等作为响应特征参数;
响应幅度是指用户侧设备在响应电网调控时实际调整的能力;不同类型的设备可能有不同的响应幅度限制,例如,某些设备只能进行微小的功率调整,而其他设备可能能够实现更大范围的功率调整;
响应幅度提取方法:从历史数据中获取每次调控信号和用户设备的响应数据,例如电力需求调整数据;通过计算每次响应的幅度差,即响应幅度;例如,计算用户设备实际电力需求变化的绝对值或百分比作为响应特征参数;
响应稳定性衡量了用户侧设备在响应电网调控时是否能够保持稳定的调节行为;稳定性是电力***可靠性的重要指标,对于平衡供需和维持***稳定非常关键;
响应稳定性提取方法:通过从历史数据中获取每次调控信号和用户设备的响应数据,例如电力需求调整数据;通过计算每次响应的波动性指标,例如方差、标准差或变异系数,来衡量响应的稳定性;较小的波动性指标表示响应更加稳定。
响应频率指的是用户侧设备在一定时间范围内做出响应的频率;频繁的响应意味着设备具有更高的活跃度和可调度性,对于电力***的灵活性和供需平衡具有积极作用;
响应频率提取方法:通过从历史数据中获取每次调控信号发送时间和用户设备的响应时间戳;统计在一定时间范围内响应的次数或计算相邻响应时间戳的平均间隔,以得出响应频率;
将提取到的响应时间、响应幅度、响应稳定性和响应频率组成响应特征参数集合。
在本步骤中,通过提取响应时间、响应幅度、响应稳定性和响应频率等多个特征参数,可以全面评估用户侧设备的响应潜力;这些特征参数涵盖了用户设备的响应速度、调节能力、稳定性和活跃度等方面,能够提供多维度的信息;响应特征参数能够用具体的数值表示,可以进行量化分析和比较;例如,可以计算平均响应时间、最大响应幅度、稳定性指标等,以便进行数据统计和建模分析;
根据不同的响应特征参数,可以评估用户侧设备在电网调控中的表现;例如,快速的响应时间有助于提高电力市场的响应效率,较大的响应幅度表示设备具备更高的灵活性,良好的稳定性有助于维持***的可靠性等;该步骤从用户侧历史调控响应信息中提取特征参数,通过分析已有的数据来评估设备的响应特性,无需额外的实时数据获取;总之,通过提取响应特征参数并分析其特性,能够更好地了解用户侧设备的响应能力和行为,为电力***的调度和管理提供有价值的信息和决策依据。
S4、将所述可调控设备资源集合与所述响应特征参数集合进行响应特征耦合分析,获得响应耦合特征集合;
S4步骤中的耦合分析主要是将响应特征参数集合与可调控设备资源集合进行关联分析,以获取响应耦合特征集合;耦合分析的目的是确定响应特征参数与可调控设备资源之间的关系,以提高电力交易平台对供需变化的预测和管理能力;具体包括以下步骤:
S41、计算相似度矩阵:首先,需要对响应特征参数集合和可调控设备资源集合进行归一化处理,以消除不同特征之间的量纲差异;然后,利用合适的相似度度量方法,比如相关系数、余弦相似度等,计算响应特征参数集合中每个特征与可调控设备资源集合中每个资源的相似度得分,从而得到一个相似度矩阵,其中每个元素表示一个响应特征与一个可调控设备资源之间的相似度;
S42、特征权重分配:在耦合分析中,不同的响应特征参数对于可调控设备资源的耦合影响程度可能不同;因此,需要对相似度矩阵进行权重分配,以捕捉到响应特征参数在耦合分析中的重要性;通过使用特征选择算法如信息增益、卡方检验等,或领域专家知识来确定响应特征权重;
S43、计算响应耦合特征矩阵:在得到响应特征权重后,将相似度矩阵与响应特征权重相乘,得到每个可调控设备资源在响应特征参数集合上的耦合特征值,进而得到响应耦合特征矩阵,其中每行表示一个可调控设备资源,在列中列出了对应的响应特征的耦合特征值;
S44、响应耦合特征集合选择:根据具体所要进行响应潜力评估的用户侧的可调控设备资源集合,选择与该用户侧设备资源相对应的响应耦合特征集合;这一步的目的是从整个响应耦合特征矩阵中选取与该用户侧最相关的一部分响应耦合特征,以便在电力交易平台中更准确地预测和管理供需变化;
在本步骤中,耦合分析考虑了响应特征参数集合和可调控设备资源集合之间的关系;通过将它们进行耦合分析,可以综合考虑多个响应特征和设备资源的影响,更全面地了解它们之间的相互作用;
该步骤通过对响应特征进行加权;不同的响应特征可能对可调控设备资源的耦合影响程度不同,通过响应特征权重分配,可以准确地反映响应特征的重要性;能够更精确地描述响应特征参数与可调控设备资源的相关性;
通过计算相似度矩阵和响应特征权重分配,可以提取耦合特征值,表示每个可调控设备资源在响应特征参数集合上的耦合特征;这些耦合特征特征值提供了关于每个设备资源在响应特征参数上的重要信息,有助于了解可调控设备资源的响应潜力;
综上所述,S4步骤中的耦合分析方法通过综合特征和设备资源,考虑特征的权重,并提取耦合特征,能够更全面、准确地描述响应特征参数与可调控设备资源之间的关系,从而提高电力交易平台对供需变化的预测和管理能力。
S5、将所述可调控设备资源集合、所述响应耦合特征集合以及预先经过综合评估得到的响应潜力指数作为训练数据集,构建用户侧资源响应潜力评估模型;
S5步骤的目标是构建一个用户侧资源响应潜力评估模型,该模型可以预测待评估用户侧的响应潜力指数,所述用户侧资源响应潜力评估模型的具体构建方法,包括以下步骤:
S51、响应潜力指数的综合评估:对历史参与电力交易活动的用户进行一定时间范围内的调控能力评估;包括分析用户侧的响应速度、响应幅度、稳定性等方面的数据,并结合领域专家的判断来综合评价用户的响应潜力;该综合评估的目标是得到一个响应潜力指数,用于表示用户侧在电力调控方面的能力和潜在响应程度;这种综合评估能力可以更准确地评估用户的响应潜力,考虑到不同方面的因素,提高了评估的综合性和准确性;
S52、构建训练数据集:将S2步骤中获取的可调控设备资源集合和S4步骤中获取的响应耦合特征集合以及S51步骤得到的响应潜力指数作为训练数据集;可调控设备资源集合包括具有响应电网调控能力的设备列表,响应耦合特征集合包括与可调控设备资源集合相对应的响应耦合特征值的集合;使用这样的丰富数据集来训练模型可以更好地捕捉用户侧资源和响应特征之间的关联性;
S53、模型构建:利用机器学习算法如回归模型、支持向量机、随机森林等或其他建模方法,使用训练数据集来构建用户侧资源响应潜力评估模型;模型的目标是学习用户侧设备资源和响应特征之间的关联性,从而能够准确预测用户的响应潜力指数;根据具体的需求和数据情况选择适合的建模方法;不同的建模方法具有不同的优势,可以进一步提高模型的性能和预测精度;
S54、模型训练和评估:使用训练数据集对模型进行训练,并使用评价指标如均方根误差、决定系数等来评估模型的性能;在模型构建过程中,可能会进行特征选择、模型调优等步骤,以提高模型的准确性和泛化能力;通过训练和评估过程,可以及时发现模型的问题并进行改进;模型的准确性和泛化能力可以通过特征选择、模型调优等步骤得到进一步提升;
综上所述,S5步骤的用户侧资源响应潜力评估模型构建方法具有综合评估能力、使用丰富数据集、多种建模方法选择和模型训练与评估的优点,这些优点可以提高模型的准确性和泛化能力,从而更好地评估用户侧的资源响应潜力。
S6、获取待评估用户侧的可调控设备资源集合,并输入至所述用户侧资源响应潜力评估模型,输出待评估用户侧的响应潜力指数。
在S6步骤进行评估之前,通过于电力交易平台获取相对应的用户侧设备资源信息,并经过用户侧设备识别模型进行识别,得到与待评估用户侧相对应的可调控设备资源集合;
根据与待评估用户侧相对应的可调控设备资源集合由响应耦合特征矩阵中提取对应的响应耦合特征集合;
将待评估用户侧的可调控设备资源集合与相对应的响应耦合特征集合输入至S5中预先训练好的用户侧资源响应潜力评估模型中,从而输出该待评估用户侧的响应潜力指数。
在本步骤中,采用资源协同互动的方法,利用用户侧设备识别模型对设备资源进行分类和识别,从而快速获取可调控设备资源集合;然后,根据可调控设备资源集合由响应耦合特征矩阵中提取相应的响应耦合特征集合,无需对所有设备进行耦合分析,有效减少了计算量和评估时间;
该方法利用用户侧历史调控响应信息和设备资源信息,通过提取响应特征参数集合和响应耦合特征集合,充分利用了历史数据的信息,有助于提高电力交易平台对用户侧响应潜力的评估准确性和效率,进而促进电力市场的稳定与可靠运行。
实施例二
如图4所示,本发明的基于资源协同互动的用户侧响应潜力评估***,具体包括以下模块;
历史数据获取模块,用于获取参与电力交易活动的用户侧历史调控响应信息以及用户侧设备资源信息,并发送;其中,所述用户侧设备资源信息与所述用户侧历史调控响应信息一一对应;
设备识别分类模块,用于接收所述用户侧设备资源信息,并利用预先存储的用户侧设备识别模型对所述用户侧设备资源信息进行识别分类,得到具有响应电网调控能力的可调控设备资源集合,并发送;
响应特征提取模块,用于接收所述用户侧历史调控响应信息,并对所述用户侧历史调控响应信息进行响应特征提取,得到响应特征参数集合,并发送;
响应耦合分析模块,用于接收所述可调控设备资源集合和响应特征参数集合,并将所述可调控设备资源集合和所述响应特征参数集合进行响应特征耦合分析,通过分析不同设备资源与其对应的响应特征参数之间的关系,得到响应耦合特征集合,并发送;
评估模型训练模块,用于录入与该用户侧相对应的经过综合评估得到的响应潜力指数,并接收所述响应耦合特征集合和所述可调控设备资源集合;通过将可调控设备资源集合、响应耦合特征集合以及经过综合评估得到的响应潜力指数作为训练数据集,上传至数据集成训练平台进行学习,获得用户侧资源响应潜力评估模型,并发送;
响应潜力评估模块,用于接收并存储用户侧资源响应潜力评估模型,同时获取待评估用户侧的可调控设备资源集合,并将其输入至用户侧资源响应潜力评估模型,得到待评估用户侧的响应潜力指数。
在本实施例中,该***从历史数据获取模块中获得用户侧历史调控响应信息和设备资源信息,基于真实的数据进行评估;这可以提高评估的准确性和可靠性,避免了基于假设或猜测的评估方法可能引入的误差;
设备识别分类模块利用预先存储的用户侧设备识别模型对设备资源信息进行识别和分类;通过根据设备类型划分可调控设备资源集合,***能够更好地了解用户侧可调控设备的特性和潜力;
响应特征提取模块对用户侧历史调控响应信息进行特征提取,提取出响应特征参数集合;这些特征参数可以包括用户侧对电力需求的响应时间、响应幅度等信息,能够反映用户侧的响应能力和特点;
响应耦合分析模块对可调控设备资源集合和响应特征参数集合进行耦合分析,探索不同设备资源与其对应的响应特征参数之间的关系;这有助于揭示用户侧设备资源与响应能力之间的相互关系,为评估提供更全面的信息;
评估模型训练模块将可调控设备资源集合、响应耦合特征集合和经过综合评估的响应潜力指数作为训练数据集,上传至数据集成训练平台进行学习;通过训练出用户侧资源响应潜力评估模型,***能够更准确地评估待评估用户侧的响应潜力指数;
响应潜力评估模块接收并存储用户侧资源响应潜力评估模型,并能够根据待评估用户侧的可调控设备资源集合进行实时评估;这使得***能够快速确认用户侧的响应潜力,避免了传统方法中的空窗期和资源浪费;
综上所述,该基于资源协同互动的用户侧响应潜力评估***通过数据驱动、设备识别分类、响应特征提取、响应耦合分析和实时评估等模块的协同作用,可以提供准确、及时的用户侧响应潜力评估,从而解决电力市场供需平衡和提高电力市场的稳定性和可靠性的问题。
前述实施例一中的基于资源协同互动的用户侧响应潜力评估方法的各种变化方式和具体实施例同样适用于本实施例的基于资源协同互动的用户侧响应潜力评估***,通过前述对基于资源协同互动的用户侧响应潜力评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于资源协同互动的用户侧响应潜力评估***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (5)
1.一种基于资源协同互动的用户侧响应潜力评估方法,其特征在于,所述方法应用于电力交易平台,所述方法包括:
获取参与电力交易活动的用户侧历史调控响应信息以及用户侧设备资源信息,所述用户侧设备资源信息与用户侧历史调控响应信息一一对应;
利用预先构建的用户侧设备识别模型,对所述用户侧设备资源信息进行识别分类,获得具有响应电网调控能力的可调控设备资源集合;
对所述用户侧历史调控响应信息进行响应特征提取,获得响应特征参数集合;
将所述可调控设备资源集合与所述响应特征参数集合进行响应特征耦合分析,获得响应耦合特征集合;
将所述可调控设备资源集合、所述响应耦合特征集合以及预先经过综合评估得到的响应潜力指数作为训练数据集,构建用户侧资源响应潜力评估模型;
获取待评估用户侧的可调控设备资源集合,并输入至所述用户侧资源响应潜力评估模型,输出待评估用户侧的响应潜力指数;
所述响应特征包括响应时间、响应幅度、响应稳定性和响应频率;
所述响应时间是从所述用户侧历史调控响应信息中获取每次调控信号发送时间戳和用户设备响应的时间戳,通过计算响应的时间差,得到响应时间;
所述响应幅度是从所述用户侧历史调控响应信息中获取每次调控信号和用户设备的响应数据,通过计算响应的幅度差,得到响应幅度;
所述响应稳定性是从所述用户侧历史调控响应信息中获取每次调控信号和用户设备的响应数据,通过计算用户侧响应的波动性指标,得到能够表征响应稳定性的数值;
所述响应频率是从所述用户侧历史调控响应信息中获取每次调控信号发送时间和用户设备的响应时间戳,统计在设定时间范围内响应的次数,得到响应频率;
所述用户侧设备识别模型的构建方法,包括:
收集用户侧设备资源信息,包括设备类型、设备容量、设备技术参数,作为数据集;
根据收集到的用户侧设备资源信息,进行特征工程处理以提取有用的特征,提取的特征包括设备、设备容量和设备是否具有响应电网调控能力;
利用机器学习算法构建所述用户侧设备识别模型;所述用户侧设备识别模型将接受经过特征工程的设备类型和设备容量作为输入,并输出设备是否具有响应电网调控能力;
使用已经标注好的数据集,将数据集划分为训练集和测试集;使用训练集对设备识别模型进行训练,使用测试集评估模型的性能;
所述响应耦合特征集合的获得方法,包括:
对响应特征参数集合和可调控设备资源集合进行归一化处理;
利用相似度度量方法,计算响应特征参数集合中每个特征与可调控设备资源集合中每个资源的相似度得分,得到相似度矩阵,所述相似度矩阵中每个元素表示一个响应特征与一个可调控设备资源之间的相似度;
使用特征选择算法或领域专家知识确定响应特征权重;
将所述相似度矩阵与响应特征权重相乘,得到每个可调控设备资源在响应特征参数集合上的耦合特征值,得到响应耦合特征矩阵;
根据所要进行响应潜力评估的用户侧的可调控设备资源集合,选择与该用户侧设备资源相对应的响应耦合特征集合;
所述用户侧资源响应潜力评估模型的构建方法,包括:
结合领域专家对历史参与电力交易活动的用户进行设定时间范围内的调控响应能力评估,获得能够评价用户响应潜力的响应潜力指数;
将可调控设备资源集合、响应耦合特征集合以及相对应的响应潜力指数作为训练数据集;
利用机器学习算法搭建用户侧资源响应潜力评估模型的模型框架,并使用训练数据集来构建用户侧资源响应潜力评估模型;所述用户侧资源响应潜力评估模型的输入为可调控设备资源集合和响应耦合特征集合,输出为能够评价用户响应潜力的响应潜力指数;
所述用户侧设备识别模型的构建方法中,特征工程处理包括对设备类型进行编码表示、对设备容量进行响应数值表示和对设备是否具有响应电网调控能力进行二进制表示。
2.如权利要求1所述的基于资源协同互动的用户侧响应潜力评估方法,其特征在于,所述用户侧历史调控响应信息包括电力需求调整数据、调控信号响应数据、调控信号接受与执行数据、响应时间和稳定性数据。
3.一种基于资源协同互动的用户侧响应潜力评估***,其特征在于,所述***包括:
历史数据获取模块,用于获取参与电力交易活动的用户侧历史调控响应信息以及用户侧设备资源信息,并发送;其中,所述用户侧设备资源信息与所述用户侧历史调控响应信息一一对应;
设备识别分类模块,用于接收所述用户侧设备资源信息,并利用预先存储的用户侧设备识别模型对所述用户侧设备资源信息进行识别分类,得到具有响应电网调控能力的可调控设备资源集合,并发送;所述用户侧设备识别模型的构建方法,包括:
收集用户侧设备资源信息,包括设备类型、设备容量、设备技术参数,作为数据集;
根据收集到的用户侧设备资源信息,进行特征工程处理以提取有用的特征,提取的特征包括设备、设备容量和设备是否具有响应电网调控能力;特征工程处理包括对设备类型进行编码表示、对设备容量进行响应数值表示和对设备是否具有响应电网调控能力进行二进制表示;
利用机器学习算法构建所述用户侧设备识别模型;所述用户侧设备识别模型将接受经过特征工程的设备类型和设备容量作为输入,并输出设备是否具有响应电网调控能力;
使用已经标注好的数据集,将数据集划分为训练集和测试集;使用训练集对设备识别模型进行训练,使用测试集评估模型的性能;
响应特征提取模块,用于接收所述用户侧历史调控响应信息,并对所述用户侧历史调控响应信息进行响应特征提取,得到响应特征参数集合,并发送;所述响应特征包括响应时间、响应幅度、响应稳定性和响应频率;所述响应时间是从所述用户侧历史调控响应信息中获取每次调控信号发送时间戳和用户设备响应的时间戳,通过计算响应的时间差,得到响应时间;所述响应幅度是从所述用户侧历史调控响应信息中获取每次调控信号和用户设备的响应数据,通过计算响应的幅度差,得到响应幅度;所述响应稳定性是从所述用户侧历史调控响应信息中获取每次调控信号和用户设备的响应数据,通过计算用户侧响应的波动性指标,得到能够表征响应稳定性的数值;所述响应频率是从所述用户侧历史调控响应信息中获取每次调控信号发送时间和用户设备的响应时间戳,统计在设定时间范围内响应的次数,得到响应频率;
响应耦合分析模块,用于接收所述可调控设备资源集合和响应特征参数集合,并将所述可调控设备资源集合和所述响应特征参数集合进行响应特征耦合分析,通过分析不同设备资源与其对应的响应特征参数之间的关系,得到响应耦合特征集合,并发送;所述响应耦合特征集合的获得方法,包括:
对响应特征参数集合和可调控设备资源集合进行归一化处理;
利用相似度度量方法,计算响应特征参数集合中每个特征与可调控设备资源集合中每个资源的相似度得分,得到相似度矩阵,所述相似度矩阵中每个元素表示一个响应特征与一个可调控设备资源之间的相似度;
使用特征选择算法或领域专家知识确定响应特征权重;
将所述相似度矩阵与响应特征权重相乘,得到每个可调控设备资源在响应特征参数集合上的耦合特征值,得到响应耦合特征矩阵;
根据所要进行响应潜力评估的用户侧的可调控设备资源集合,选择与该用户侧设备资源相对应的响应耦合特征集合;
评估模型训练模块,用于录入与该用户侧相对应的经过综合评估得到的响应潜力指数,并接收所述响应耦合特征集合和所述可调控设备资源集合;通过将可调控设备资源集合、响应耦合特征集合以及经过综合评估得到的响应潜力指数作为训练数据集,上传至数据集成训练平台进行学习,获得用户侧资源响应潜力评估模型,并发送;所述用户侧资源响应潜力评估模型的构建方法,包括:
结合领域专家对历史参与电力交易活动的用户进行设定时间范围内的调控响应能力评估,获得能够评价用户响应潜力的响应潜力指数;
将可调控设备资源集合、响应耦合特征集合以及相对应的响应潜力指数作为训练数据集;
利用机器学习算法搭建用户侧资源响应潜力评估模型的模型框架,并使用训练数据集来构建用户侧资源响应潜力评估模型;所述用户侧资源响应潜力评估模型的输入为可调控设备资源集合和响应耦合特征集合,输出为能够评价用户响应潜力的响应潜力指数;
响应潜力评估模块,用于接收并存储用户侧资源响应潜力评估模型,同时获取待评估用户侧的可调控设备资源集合,并将其输入至用户侧资源响应潜力评估模型,得到待评估用户侧的响应潜力指数。
4.一种基于资源协同互动的用户侧响应潜力评估电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-2中任一项所述方法中的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-2中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311217211.6A CN116957306B (zh) | 2023-09-20 | 2023-09-20 | 基于资源协同互动的用户侧响应潜力评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311217211.6A CN116957306B (zh) | 2023-09-20 | 2023-09-20 | 基于资源协同互动的用户侧响应潜力评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116957306A CN116957306A (zh) | 2023-10-27 |
CN116957306B true CN116957306B (zh) | 2024-01-12 |
Family
ID=88442915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311217211.6A Active CN116957306B (zh) | 2023-09-20 | 2023-09-20 | 基于资源协同互动的用户侧响应潜力评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957306B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106410781A (zh) * | 2015-07-29 | 2017-02-15 | 中国电力科学研究院 | 一种电力用户需求响应潜力确定方法 |
CN107317340A (zh) * | 2016-04-27 | 2017-11-03 | 中国电力科学研究院 | 一种考虑用户需求的冷热电多元负荷频率协同控制方法 |
CN111489188A (zh) * | 2020-03-11 | 2020-08-04 | 国网天津市电力公司电力科学研究院 | 一种居民可调负荷潜力挖掘方法及*** |
CN111783846A (zh) * | 2020-06-12 | 2020-10-16 | 国网山东省电力公司电力科学研究院 | 一种智慧用能服务协同控制***和方法 |
CN112366682A (zh) * | 2020-09-24 | 2021-02-12 | 国网天津市电力公司电力科学研究院 | 用户侧可调控灵活资源的量化与协同优化控制方法 |
CN112381474A (zh) * | 2021-01-14 | 2021-02-19 | 南方电网数字电网研究院有限公司 | 一种用户侧资源聚合参与电力辅助调峰方法 |
CN113394777A (zh) * | 2021-07-07 | 2021-09-14 | 国网天津市电力公司 | 基于配电网运行与用户侧能源***需求响应协同优化方法 |
CN114139994A (zh) * | 2021-12-06 | 2022-03-04 | 浙江中新电力工程建设有限公司 | 一种基于需求侧响应深度学习的高弹性电网控制算法 |
WO2022077588A1 (zh) * | 2020-10-12 | 2022-04-21 | 中国电力科学研究院有限公司 | 可调节负荷参与需求响应的调用方法、***及装置 |
CN114530853A (zh) * | 2021-12-28 | 2022-05-24 | 国网浙江省电力有限公司海宁市供电公司 | 一种高安全性的电网协同控制***及方法 |
CN115310782A (zh) * | 2022-07-20 | 2022-11-08 | 国网湖北省电力有限公司电力科学研究院 | 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置 |
CN115496249A (zh) * | 2022-04-26 | 2022-12-20 | 国网山西省电力公司营销服务中心 | 一种基于聚类算法的工业可调负荷潜力分析方法及*** |
CN115496627A (zh) * | 2022-11-22 | 2022-12-20 | 国网天津市电力公司电力科学研究院 | 一种可调资源响应潜力的评估方法及*** |
CN115564197A (zh) * | 2022-09-22 | 2023-01-03 | 国网经济技术研究院有限公司 | 用户侧灵活性资源响应潜力评估方法、***、设备和介质 |
CN115566740A (zh) * | 2022-12-05 | 2023-01-03 | 广东电网有限责任公司江门供电局 | 一种分布式可再生能源集群聚合调控潜力评估方法和装置 |
-
2023
- 2023-09-20 CN CN202311217211.6A patent/CN116957306B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106410781A (zh) * | 2015-07-29 | 2017-02-15 | 中国电力科学研究院 | 一种电力用户需求响应潜力确定方法 |
CN107317340A (zh) * | 2016-04-27 | 2017-11-03 | 中国电力科学研究院 | 一种考虑用户需求的冷热电多元负荷频率协同控制方法 |
CN111489188A (zh) * | 2020-03-11 | 2020-08-04 | 国网天津市电力公司电力科学研究院 | 一种居民可调负荷潜力挖掘方法及*** |
CN111783846A (zh) * | 2020-06-12 | 2020-10-16 | 国网山东省电力公司电力科学研究院 | 一种智慧用能服务协同控制***和方法 |
CN112366682A (zh) * | 2020-09-24 | 2021-02-12 | 国网天津市电力公司电力科学研究院 | 用户侧可调控灵活资源的量化与协同优化控制方法 |
WO2022077588A1 (zh) * | 2020-10-12 | 2022-04-21 | 中国电力科学研究院有限公司 | 可调节负荷参与需求响应的调用方法、***及装置 |
CN112381474A (zh) * | 2021-01-14 | 2021-02-19 | 南方电网数字电网研究院有限公司 | 一种用户侧资源聚合参与电力辅助调峰方法 |
CN113394777A (zh) * | 2021-07-07 | 2021-09-14 | 国网天津市电力公司 | 基于配电网运行与用户侧能源***需求响应协同优化方法 |
CN114139994A (zh) * | 2021-12-06 | 2022-03-04 | 浙江中新电力工程建设有限公司 | 一种基于需求侧响应深度学习的高弹性电网控制算法 |
CN114530853A (zh) * | 2021-12-28 | 2022-05-24 | 国网浙江省电力有限公司海宁市供电公司 | 一种高安全性的电网协同控制***及方法 |
CN115496249A (zh) * | 2022-04-26 | 2022-12-20 | 国网山西省电力公司营销服务中心 | 一种基于聚类算法的工业可调负荷潜力分析方法及*** |
CN115310782A (zh) * | 2022-07-20 | 2022-11-08 | 国网湖北省电力有限公司电力科学研究院 | 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置 |
CN115564197A (zh) * | 2022-09-22 | 2023-01-03 | 国网经济技术研究院有限公司 | 用户侧灵活性资源响应潜力评估方法、***、设备和介质 |
CN115496627A (zh) * | 2022-11-22 | 2022-12-20 | 国网天津市电力公司电力科学研究院 | 一种可调资源响应潜力的评估方法及*** |
CN115566740A (zh) * | 2022-12-05 | 2023-01-03 | 广东电网有限责任公司江门供电局 | 一种分布式可再生能源集群聚合调控潜力评估方法和装置 |
Non-Patent Citations (10)
Title |
---|
A cooperative demand response strategy based on repeated game and cartel mechanism;Jie Yang, Tieding Ma, Kai Ma;《Electric Power Systems Research》;第201卷(第2021期);1-9 * |
An improved electricity market model on demand response considering distribution loss sensitivities;Mingguo Hong; Kenneth A. Loparo;《2014 IEEE PES General Meeting | Conference & Exposition》;1-5 * |
Demand Response Cooperative and Demand Charge;Ayman Elkasrawy; Bala Venkatesh;《IEEE Transactions on Smart Grid》;第11卷(第05期);4167 – 4175 * |
基于模糊优化集对分析理论的需求响应潜力评估;刘国辉;赵佳;孙毅;;电力需求侧管理;第20卷(06);1-5 * |
基于电力需求响应的智能家电管理控制方案;汤奕; 鲁针针; 宁佳; 林扬宇;《电力***自动化》;第38卷(第09期);93-99 * |
新型电力***下电力用户的需求响应潜力评估;王樊云;刘敏;李庆生;陈巨龙;李震;《电测与仪表》;第60卷(第08期);105-113+132 * |
用户侧响应对电网负荷的影响研究;王征;张楠;;世界有色金属(第12期);102-103 * |
考虑用户侧需求响应的多能流耦合的RIES优化设计;张韧;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第01期);C039-95 * |
能源互联网背景下自动需求响应关键问题及展望;曾鸣;韩旭;孙静惠;董立军;黄雯;;电力建设;第38卷(第02期);21-27 * |
计及需求侧资源的电网分层分区供需平衡调控方法;石坤;李德智;何胜;王鲁;易永仙;;现代电力;第35卷(第01期);66-70 * |
Also Published As
Publication number | Publication date |
---|---|
CN116957306A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及*** | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN112598443A (zh) | 一种基于深度学习的线上渠道业务数据处理方法及*** | |
CN112632179A (zh) | 模型构建方法、装置、存储介质及设备 | |
CN111507565A (zh) | 一种储能电站在调频应用场景下的性能评价方法及*** | |
CN117853158A (zh) | 基于动态量本利分析的企业运营数据预测方法及装置 | |
CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
CN117474278A (zh) | 动态煤种的燃煤电厂深度调峰方法及装置 | |
Gu et al. | Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems | |
CN116957306B (zh) | 基于资源协同互动的用户侧响应潜力评估方法及*** | |
CN116909712A (zh) | 基于机器学习的智能任务调度***及其方法 | |
CN116402528A (zh) | 电力数据处理*** | |
CN111709623A (zh) | 高性能计算环境评价方法、装置、电子设备及存储介质 | |
CN112116139A (zh) | 一种电力需求预测方法及*** | |
CN116956075B (zh) | 电力用户侧类型自动识别方法、***、设备及存储介质 | |
CN112329351A (zh) | 基于数据追踪的流量分析***及方法 | |
CN117709767A (zh) | 企业实时生产运营状况定量评估方法、装置、设备及介质 | |
CN116910551A (zh) | 一种电力***时空分布特征配网线损分析***和方法 | |
CN117371662A (zh) | 一种虚拟电厂调节能力的评估***及其方法 | |
CN117498313A (zh) | 充电站负荷预测方法、装置、存储介质及计算机设备 | |
CN118249339A (zh) | 电力需求信息的预测方法、装置、存储介质和处理器 | |
Zou et al. | Maintenance Evaluation of Power Grid Fault Equipment Based on Random Forest | |
CN118428774A (zh) | 基于时间序列和负荷特性的能源消费智能分析方法和*** |
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 |