CN116826710A - 基于负荷预测的削峰策略推荐方法、装置及存储介质 - Google Patents
基于负荷预测的削峰策略推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116826710A CN116826710A CN202310668168.9A CN202310668168A CN116826710A CN 116826710 A CN116826710 A CN 116826710A CN 202310668168 A CN202310668168 A CN 202310668168A CN 116826710 A CN116826710 A CN 116826710A
- Authority
- CN
- China
- Prior art keywords
- load
- peak clipping
- peak
- prediction
- clipping 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 5
- 238000009440 infrastructure construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于负荷预测的削峰策略推荐方法、装置及存储介质，涉及电力调度技术领域。本发明通过获取某个区域的历史数据并进行预处理，得到训练集和测试集；根据训练集和测试集从模型库中选择预测模型，通过预测模型对某个区域进行电力负荷预测，得到电力负荷值预测数据；提取预测数据中的负荷特性指标和尖峰负荷特征，重复上述步骤，获取多个地区的负荷特性指标和尖峰负荷特征；根据负荷特性指标和尖峰负荷特征，对多个地区进行聚类，形成多个区域群组，从预先建立的削峰策略库选择最优的削峰策略推荐给区域群组的用户。本发明能够为区域电力系统提供一种个性化的削峰策略，可以满足不同区域的削峰需求，从而促进均衡用电提高电网负荷率。
Description
技术领域
本发明涉及电力调度技术领域，具体涉及一种基于负荷预测的削峰策略推荐方法、装置及存储介质。
背景技术
随着我国用电结构持续优化调整，第三产业用电和居民生活用电的时段性需求模式使得电网负荷尖峰化特征日益明显，电力系统深度调峰受到极大挑战。此外，新能源发电在电力系统中占比将逐步提高，光伏、风电等一些可再生资源具有随机性和不确定性，给电力系统的调峰带来巨大挑战。
如何对电力系统进行调峰，是目前的研究重点。现有技术方案大多基于模拟模型，重点关注于各种削峰策略的组合优化与效率提升，没有考虑到由于实际自然条件、电力供需情况、经济发展水平、政策支持力度等因素不同。忽略了各区域尖峰负荷特征与削峰需求具有差异性，导致削峰策略难以同时满足不同区域的削峰需求。
通过上述描述可知，现有方法提供的削峰策略不能满足不同区域的削峰需求，导致用电不均衡。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于负荷预测的削峰策略推荐方法、装置及存储介质，解决了现有方法提供的削峰策略不能满足不同区域的削峰需求的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明提供一种基于负荷预测的削峰策略推荐方法，包括：
S1、获取某个区域在预设时间段内的历史数据并进行预处理，得到训练集和测试集；
S2、根据训练集和测试集从模型库中选择预测模型，通过预测模型对某个区域进行电力负荷预测，得到区域的电力负荷值预测数据；
S3、提取电力负荷值预测数据中的负荷特性指标和尖峰负荷特征；重复步骤S1～S3，获取多个区域的负荷特性指标和尖峰负荷特征；
S4、根据各个区域的负荷特性指标和尖峰负荷特征，对各个区域进行聚类，形成多个区域群组，从预先建立的削峰策略库选择最优的削峰策略推荐给区域群组的用户。
优选的，所述历史数据包括历史用电数据、历史气象数据和历史空气质量数据
优选的，所述模型库中的预测模型包括：
ARIMA模型、多元线性回归模型、灰色模型、支持向量机和LSTM。
优选的，所述根据训练集和测试集从模型库中选择预测模型，包括：
通过模型库中的各个预测模型对训练集的历史数据进行拟合训练，得到训练好的各个预测模型；通过测试集验证预测模型的验证指标，选择出预测效果最优的预测模型；其中，所述验证指标包括RMSE、MAPE、MAE和R2。
优选的，所述负荷特性指标包括全社会用电量与全社会最大负荷、年平均日负荷率、季不均衡系数和最大峰谷差与最大峰谷差率；
所述尖峰负荷特征包括尖峰负荷及三级标准、尖峰负荷持续时间和尖峰电量。
优选的，所述S4具体包括：
使用聚类算法对各区域的负荷特性、尖峰负荷特征、地理位置、自然条件、人口密度及基础设施建设情况、削峰总目标进行聚类，将削峰特征相近的区域聚成一各群组；将每一群组的聚类中心值作为的削峰特征；根据削峰特征在预先建立的削峰策略库中查找对应的削峰策略，推荐给该区域群组的用户；若根据削峰特征无法在预先建立的削峰策略库中查找到对应的削峰策略，则采取预测的方式进行策略推荐；其中，采用以下公式预测区域i对削峰策略u的评分，选择评分最高的削峰策略推荐给该区域群组的用户；
式中，p(i,u)为区域i对削峰策略u的评分；S(i,k)为与区域i相似度高于预设相似度的k个区域的集合；rj,u为S(i,k)中的区域j对削峰策略u的评分；sim(i,j)为区域i和区域j在削峰策略评分上的相似度，N(u)是使用过削峰策略u的所有区域的集合。
优选的，所述削峰策略推荐方法还包括：
确定削峰策略库中评分最小的削峰策略，对该削峰策略进行改进或者剔除。
第二方面，本发明提供一种基于负荷预测的削峰策略推荐装置，包括：
数据获取与预处理模块，用于获取某个区域在预设时间段内的历史数据并进行预处理，得到训练集和测试集；
电力负荷预测模块，用于根据训练集和测试集从模型库中选择预测模型，通过预测模型对某个区域进行电力负荷预测，得到区域的电力负荷值预测数据；
负荷特征确定模块；用于提取电力负荷值预测数据中的负荷特性指标和尖峰负荷特征；重复执行数据获取与预处理模块、电力负荷预测模块、负荷特征确定模块的处理过程，获取多个区域的负荷特性指标和尖峰负荷特征；
削峰策略推荐模块，用于根据各个区域的负荷特性指标和尖峰负荷特征，对各个区域进行聚类，形成多个区域群组，从预先建立的削峰策略库选择最优的削峰策略推荐给区域群组的用户。
第三方面，本发明提供一种计算机可读存储介质，其特征在于，其存储用于基于负荷预测的削峰策略推荐的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于负荷预测的削峰策略推荐方法。
(三)有益效果
本发明提供了一种基于负荷预测的削峰策略推荐方法、装置及存储介质。与现有技术相比，具备以下有益效果：
本发明通过获取某个区域在预设时间段内的历史数据并进行预处理，得到训练集和测试集；根据训练集和测试集从模型库中选择预测模型，通过预测模型对某个区域进行电力负荷预测，得到电力负荷值预测数据；提取电力负荷值预测数据中的负荷特性指标和尖峰负荷特征，重复上述步骤，获取多个地区的负荷特性指标和尖峰负荷特征；根据负荷特性指标和尖峰负荷特征，对多个地区进行聚类，形成多个区域群组，从预先建立的削峰策略库选择最优的削峰策略推荐给区域群组的用户。本发明能够为区域电力系统提供一种个性化的削峰策略，可以满足不同区域的削峰需求，从而促进均衡用电提高电网负荷率，改善电网经济运行，优化电力资源配置和合理使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的一种基于负荷预测的削峰策略推荐方法的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种基于负荷预测的削峰策略推荐方法、装置及存储介质，解决了现有方法提供的削峰策略不能满足不同区域的削峰需求的技术问题，实现个性化的削峰策略推荐，促进均衡用电提高电网负荷率，改善电网经济运行，优化电力资源配置和合理使用。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例通过预设的预测模型库选取最优预测模型对区域电力负荷进行预测，并对预测得到的负荷值进行负荷特性指标及尖峰负荷特征计算；综合考虑区域的负荷特性及尖峰负荷特征、地理位置、气候、基础设施建设情况、削峰总目标等因素，对区域进行聚类，形成削峰特征相似的群组，从预设的削峰策略库中选择出最有可能让区域用户满意的削峰策略，然后发给区域用户。本发明实施例能够为区域电力系统提供一种个性化的削峰策略，可以满足不同区域的削峰需求，从而促进均衡用电提高电网负荷率，改善电网经济运行，优化电力资源配置和合理使用。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种基于负荷预测的削峰策略推荐方法，如图1所示，该方法包括：
S1、获取某个区域在预设时间段内的历史数据并进行预处理，得到训练集和测试集；
S2、根据训练集和测试集从模型库中选择预测模型，通过预测模型对某个区域进行电力负荷预测，得到区域的电力负荷值预测数据；
S3、提取电力负荷值预测数据中的负荷特性指标和尖峰负荷特征；重复步骤S1～S3，获取多个区域的负荷特性指标和尖峰负荷特征；
S4、根据各个区域的负荷特性指标和尖峰负荷特征，对各个区域进行聚类，形成多个区域群组，从预先建立的削峰策略库选择最优的削峰策略推荐给区域群组的用户。
本发明实施例能够为区域电力系统提供一种个性化的削峰策略，可以满足不同区域的削峰需求，从而促进均衡用电提高电网负荷率，改善电网经济运行，优化电力资源配置和合理使用。
下面对各个步骤进行详细描述：
在步骤S1中，获取某个区域在预设时间段内的历史数据并进行预处理，得到训练集和测试集。具体实施过程如下：
历史数据包括历史用电数据、历史气象数据和历史空气质量数据。在本发明实施例通过智能电表、传感器等设备采集某个区域的在预设时间段内的历史用电数据、气象数据以及空气质量数据等高频数据。
对获取到的数据进行预处理，包括缺失值的处理、异常值检测、数据归约、数据标准化等，并将处理好的的数据划分为训练集和测试集。
需要说明的是，在本发明实施例中，区域是指有削峰需求的工业园区、人工密集的城市等，这些区域可能同属于一个地区，也可能属于不同地区。
在步骤S2中，根据训练集和测试集从模型库中选择预测模型，通过预测模型对某个区域进行电力负荷预测，得到区域的电力负荷值预测数据。具体实施过程如下：
本发明实施例选用多种预测模型构成模型库。利用训练集进行建模，并将训练好的预测模型应用于测试集，通过多种验证指标评价模型预测效果。最终，通过比较选择出预测效果最优的预测模型进行电力负荷预测，得到电力负荷值预测数据。
通过模型库中的预测模型对训练集的历史数据进行拟合训练，再通过测试集验证预测模型的性能。选用的验证指标有RMSE、MAPE、MAE、R2，其中RMSE、MAPE、MAE指标的值越低，预测结果越好，而R2的值越高，预测结果越好。这些指标的计算公式如下所示。
其中：n为预测负荷y的总数据点数，yi表示原始负荷值，表示预测负荷值。
需要说明的是，在本发明实施例中对四种验证指标设置误差下限，只有预测模型的四种验证指标都满足误差限制，才表明模型预测能力满足要求，将当前的预测模型作为所述用于进行电力负荷预测的模型。否则，视为预测能力不满足预定要求，需要对当前的模型的网络结构和/或模型参数进行调整。
通过上述过程选择出最优的预测模型进行电力负荷预测，预测时间长短可根据需求自行选择。
本发明实施例中的预测模型库中包括但不限于以下预测模型：
①时间序列法——ARIMA模型
时间序列模型利用序列相关性、趋势和季节变化等特征来预测负荷。最流行的预测方法是ARIMA模型(差分自回归移动平均模型)。ARIMA(p,d,q)中，AR是自回归，p为自回归项数，MA为移动平均，q为移动平均项数，d为使序列成为平稳序列所做的差分次数(阶数)。
②多元线性回归模型
多元线性回归使用线性函数来映射输出y与多重独立的关系变量x1,x2…xk。多元线性回归的数学公式预测模型可表示为:
y＝β0+β1x1+β2x2+…+βkxk (1)
其中：y是要预测的短期负荷，xi是影响电力负荷的特征，βi为回归参数为随机误差。多元线性回归已广泛用于平滑时间序列预测。然而，对于具有强波动的时间序列，多元线性回归的精度很低。
③灰色模型
灰色模型(GM)使用少量的历史数据来建立微分方程来预测电力负荷。
首先，对历史数据进行积累，生成新的数据序列，以削弱原始数据的随机性。其次，利用微分方程建立微分方程生成的序列。其他传统方法需要大量的历史数据训练模型，而灰色模型需要的相对较少数据。灰色模型适用于负荷曲线的增长指数增长。对于平稳电力负荷曲线，其预测的准确性是有限的。
④机器学习——支持向量机
SVM是Vapnik于1995年首次提出的机器学习方法，它遵循结构风险最小化原则，善于解决非线性、小样本和高维模式识别问题，主要思想是把低维空间中的x通过非线性函数映射到高维的特征空间/>在高维空间中建立线性回归超平面，从而处理低维空间中的非线性问题。高维特征空间的线性函数可以表示为：
(2)式中：x为输入空间，y为输出的预测值；表示特征空间的内积.构造风险函数Q(式(3))，式(2)中的权重向量w与偏置常数b通过求解最小化Q得到。
(3)式中：ε是预测值和观测值之间的偏差；C是预设的惩罚系数；Lε(xi,yi,f)是ε-不敏感损失函数，表示不会惩罚小于ε的误差.引入松弛变量ξi和ξ*，则最小化Q的求解可转变为式(5)：
式(5)的求解是典型的凸二次规划问题，常通过引入拉格朗日乘子ai和建立拉格朗日函数，将原问题转化为它的对偶问题来求解，最终得到最优超平面的回归函数，如式(7)：
(8)式中：K(xi,x)为核函数，其表达式如下：
⑥神经网络预测模型——LSTM
LSTM的全称是Long Short Term Memory，它具有记忆长短期信息的能力，与RNN同属于循环神经网络，有效解决了RNN梯度消失和梯度爆炸的问题。LSTM网络由一个个被成为“记忆砖块”的大神经元构成，每个大神经元内包含多个小的神经元，主要为记忆单元、输入门、输出门和遗忘门。
LSTM层的计算公式为：
ft＝σ(Wf·[ht-1,xt]+bf) (9)
公式(9)为遗忘门计算公式，该门读取上一个细胞的输出ht-1和当前细胞输入xt，输出0到1之间的一个数值给每个在细胞状态Ct-1中的数字，1表示“完全保留”，0表示“完全舍弃”。
it＝σ(Wi·[ht-1,xt]+bi) (10)
Ct＝ft*Ct-1+it*tanh(Wc·[ht-1,xt]+bc) (11)
公式(10)和公式(11)代表了输入门两个计算步骤：第一，该门读取上一个细胞的输出ht-1和当前细胞输入xt，并经过σ激活层以决定哪些信息要更新；第二，通过Tanh激活函数，对输入端进行激活，将细胞由Ct-1更新为Ct。
ot＝σ(Wo·[ht-1,xt]+bo) (12)
ht＝ot*tanh(Ct) (13)
公式(12)和公式(13)为输出门计算公式，读取上一个细胞的输出ht-1和当前细胞输入xt，并经过σ激活层，输入门更新的Ct经过Tanh激活函数与ot点乘得到最终输出ht。
在步骤S3中，提取电力负荷值预测数据中的负荷特性指标和尖峰负荷特征；重复步骤S1～S3，获取多个区域的负荷特性指标和尖峰负荷特征。具体实施过程如下：
从电力负荷值预测数据提取区域的负荷特性指标和尖峰负荷特征。
负荷特性指标包括：全社会用电量与全社会最大负荷、年平均日负荷率、季不均衡系数和最大峰谷差与最大峰谷差率。
全社会用电量指第一、二、三产业等所有用电领域的电能消耗总量，包括工业用电、农业用电、商业用电、居民用电、公共设施用电以及其它用电等。
全社会最大负荷：是指区域内所有用户同一时间点的用电负荷之和的最大值。
日负荷率是日平均负荷与同日最大负荷的比率，它的大小反映了日负荷平伏程度，一天内的负荷波动越小，日负荷率越高，日负荷曲线就越平坦。
年平均日负荷率＝全年各日负荷率的平均值
季不均衡系数又称为季负荷率，该指标反映用电负荷的季节性变化。
峰谷差是日最高负荷与最低负荷的差值，用来说明日负荷变动的幅度，能够直观地反映电网负荷波动了多少万千瓦以及电力系统所需要的调峰能力。
峰谷差率是日峰谷差与同日最高负荷的比率，常用于不同电网间的横向比较及同一电网不同年份之间的纵向比较。
日峰谷差＝日最高负荷-日最低负荷
年最大峰谷差＝全年日峰谷差的最大值
年最大峰谷差率＝全年日峰谷差率的最大值
尖峰负荷特征包括：尖峰负荷及三级标准、尖峰负荷持续时间和尖峰电量。
Pmax代表年最大负荷，以97％、95％和90％作为常见的尖峰负荷划分标准。90％Pmax为年最大负荷乘以90％得出的负荷阈值，97％Pmax、95％Pmax为年最大负荷分别乘以97％、95％得出的负荷阈值。
尖峰负荷持续时间包括持续小时数和持续天数。
持续小时数：尖峰负荷持续小时数为全年8760时点中负荷值大于90％Pmax(或97％、95％Pmax)的小时数合计。
持续天数：只要1天里至少有1个小时满足尖峰负荷条件，计为1天。
尖峰电量为一定时期内，超出尖峰负荷某一标准的总电量。
在步骤S4中，根据各个区域的负荷特性指标和尖峰负荷特征，对各个区域进行聚类，形成多个区域群组，从预先建立的削峰策略库选择最优的削峰策略推荐给区域群组的用户。具体实施过程如下：
本发明实施例中预先建立的削峰策略库包括多种削峰措施，如光伏发电、风力发电、用户侧需求响应、多能源混合系统等。用户可自行选择削峰目标，如以削峰总成本最小为总目标、以削峰效率最高为总目标等。削峰策略推荐还考虑了区域所在的地理位置、自然条件、人口密度及基础建设等情况，因为不同地区的自然条件不同，光能、风能、潮汐等削峰措施的适用度也不同。
对各个区域进行聚类后，会形成多个区域群组，如果根据区域群组的中削峰特征能从削峰策略库中找到对应的削峰策略，即该群组的削峰特征有相对应的削峰策略，则使用该群组对应的削峰策略。否则，则采取预测的方式进行策略推荐。
使用k-means等聚类算法对各区域的负荷特性及尖峰负荷特征、地理位置、自然条件、人口密度及基础设施建设情况、削峰总目标等因素进行聚类，将削峰特征更相似的区域聚成一各群组，进而对每一群组的均值特征(均值特征是指聚类得到的各群组的聚类中心值，上述提到的负荷特征、尖峰负荷特征、气候等的各因素值的均值)进行分析，将每一群组的均值特征作为的削峰特征，然后根据削峰特征在预先建立的削峰策略库中查找对应的削峰策略，进而推荐给该区域群组的用户。这种推荐方法，考虑了区域的负荷特性及尖峰负荷特征、地理位置、自然条件、人口密度及基础设施建设情况、削峰总目标等因素，能够为该区域提供一种个性化的削峰策略，可以满足不同区域用户的需求。
在具体实施过程中，如果形成了新的区域群组即该群组没有相对应的削峰策略，则采取预测的方式进行策略推荐。其中，可以采用以下公式预测区域i对削峰策略u的评分：
式中，p(i,u)为区域i对削峰策略u的评分；S(i,k)为与区域i相似度高于预设相似度的k个区域的集合；rj,u为S(i,k)中的区域j对削峰策略u的评分；sim(i,j)为区域i和区域j在削峰策略评分上的相似度，N(u)是使用过削峰策略u的所有区域的集合。
例如，有N个削峰策略，区域i和区域j对这N个削峰策略的评分分别表示为向量区域i和区域j之间的相似度可以用下式：
选择评分最高的削峰策略推荐给该区域群组的用户；这里通过预测的方式选择出最有可能让区域用户满意的削峰策略，然后发给区域用户，进而实现比较优质的推荐服务。
在具体实施时，还可以对策略库中的削峰策略进行一定的处理，例如，根据区域用户的评分，确定评分最小的削峰策略，然后对该削峰策略进行改进或者剔除。当然，还可以根据计算出来的均值特征，在削峰策略库中增加相应的削峰策略。比如，相关研究探索出一种新的削峰措施，可以首先考虑这种措施是否可以替代策略库中已有的削峰措施(比如相同削峰场景下，新措施与某一旧措施相比可以在削峰的同时造成的污染更小，可以考虑用新措施替代旧措施。但在实施时是否可以替代需要相关技术人员进行判定)，或者作为一种新措施直接添加进削峰策略库，然后根据已经有的削峰特征计算出该种特征对应的包含这种新技术的削峰策略。这时候一个削峰特征可能会对应两个或多个削峰策略，在推荐时可以同时进行推荐，并要求用户进行评分，最后在对应的多个策略中选出用户评分最高的策略作为该特征对应的最优削峰策略，实现削峰策略的不断更新。
本发明实施例还提供一种基于负荷预测的削峰策略推荐装置，该装置包括：
数据获取与预处理模块，用于获取某个区域在预设时间段内的历史数据并进行预处理，得到训练集和测试集；
电力负荷预测模块，用于根据训练集和测试集从模型库中选择预测模型，通过预测模型对某个区域进行电力负荷预测，得到区域的电力负荷值预测数据；
负荷特征确定模块；用于提取电力负荷值预测数据中的负荷特性指标和尖峰负荷特征；重复执行数据获取与预处理模块、电力负荷预测模块、负荷特征确定模块的处理过程，获取多个区域的负荷特性指标和尖峰负荷特征；
削峰策略推荐模块，用于根据各个区域的负荷特性指标和尖峰负荷特征，对各个区域进行聚类，形成多个区域群组，从预先建立的削峰策略库选择最优的削峰策略推荐给区域群组的用户。
可理解的是，本发明实施例提供的基于负荷预测的削峰策略推荐装置与上述基于负荷预测的削峰策略推荐方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于负荷预测的削峰策略推荐方法中的相应内容，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，其存储用于基于负荷预测的削峰策略推荐的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于负荷预测的削峰策略推荐方法。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例能够为区域电力系统提供一种个性化的削峰策略，可以满足不同区域的削峰需求，从而促进均衡用电提高电网负荷率，改善电网经济运行，优化电力资源配置和合理使用。
2、本发明实施例采用多种预测模型建立了预测模型库选取最优模型，利用RMSE、MAE、MAPE、R2四种评价指标对模型进行评估，基于此选择出的最优预测模型得到的负荷值预测准确率更高，为未来削峰策略的准确推荐提供了实际电力负荷数据。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于负荷预测的削峰策略推荐方法，其特征在于，包括：
S1、获取某个区域在预设时间段内的历史数据并进行预处理，得到训练集和测试集；
S2、根据训练集和测试集从模型库中选择预测模型，通过预测模型对某个区域进行电力负荷预测，得到区域的电力负荷值预测数据；
S3、提取电力负荷值预测数据中的负荷特性指标和尖峰负荷特征；重复步骤S1～S3，获取多个区域的负荷特性指标和尖峰负荷特征；
S4、根据各个区域的负荷特性指标和尖峰负荷特征，对各个区域进行聚类，形成多个区域群组，从预先建立的削峰策略库选择最优的削峰策略推荐给区域群组的用户。
2.如权利要求1所述的基于负荷预测的削峰策略推荐方法，其特征在于，所述历史数据包括历史用电数据、历史气象数据和历史空气质量数据。
3.如权利要求1所述的基于负荷预测的削峰策略推荐方法，其特征在于，所述模型库中的预测模型包括：
ARIMA模型、多元线性回归模型、灰色模型、支持向量机和LSTM。
4.如权利要求1所述的基于负荷预测的削峰策略推荐方法，其特征在于，所述根据训练集和测试集从模型库中选择预测模型，包括：
通过模型库中的各个预测模型对训练集的历史数据进行拟合训练，得到训练好的各个预测模型；通过测试集验证预测模型的验证指标，选择出预测效果最优的预测模型；其中，所述验证指标包括RMSE、MAPE、MAE和R2。
5.如权利要求1～4任一所述的基于负荷预测的削峰策略推荐方法，其特征在于，所述负荷特性指标包括全社会用电量与全社会最大负荷、年平均日负荷率、季不均衡系数和最大峰谷差与最大峰谷差率；
所述尖峰负荷特征包括尖峰负荷及三级标准、尖峰负荷持续时间和尖峰电量。
6.如权利要求1～4任一所述的基于负荷预测的削峰策略推荐方法，其特征在于，所述S4具体包括：
使用聚类算法对各区域的负荷特性、尖峰负荷特征、地理位置、自然条件、人口密度及基础设施建设情况、削峰总目标进行聚类，将削峰特征相近的区域聚成一各群组；将每一群组的聚类中心值作为的削峰特征；根据削峰特征在预先建立的削峰策略库中查找对应的削峰策略，推荐给该区域群组的用户；若根据削峰特征无法在预先建立的削峰策略库中查找到对应的削峰策略，则采取预测的方式进行策略推荐；其中，采用以下公式预测区域i对削峰策略u的评分，选择评分最高的削峰策略推荐给该区域群组的用户；
式中，p(i,u)为区域i对削峰策略u的评分；S(i,k)为与区域i相似度高于预设相似度的k个区域的集合；rj,u为S(i,k)中的区域j对削峰策略u的评分；sim(i,j)为区域i和区域j在削峰策略评分上的相似度，N(u)是使用过削峰策略u的所有区域的集合。
7.如权利要求6所述的基于负荷预测的削峰策略推荐方法，其特征在于，所述削峰策略推荐方法还包括：
确定削峰策略库中评分最小的削峰策略，对该削峰策略进行改进或者剔除。
8.一种基于负荷预测的削峰策略推荐装置，其特征在于，包括：
数据获取与预处理模块，用于获取某个区域在预设时间段内的历史数据并进行预处理，得到训练集和测试集；
电力负荷预测模块，用于根据训练集和测试集从模型库中选择预测模型，通过预测模型对某个区域进行电力负荷预测，得到区域的电力负荷值预测数据；
负荷特征确定模块；用于提取电力负荷值预测数据中的负荷特性指标和尖峰负荷特征；重复执行数据获取与预处理模块、电力负荷预测模块、负荷特征确定模块的处理过程，获取多个区域的负荷特性指标和尖峰负荷特征；
削峰策略推荐模块，用于根据各个区域的负荷特性指标和尖峰负荷特征，对各个区域进行聚类，形成多个区域群组，从预先建立的削峰策略库选择最优的削峰策略推荐给区域群组的用户。
9.一种计算机可读存储介质，其特征在于，其存储用于基于负荷预测的削峰策略推荐的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一所述的基于负荷预测的削峰策略推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310668168.9A CN116826710A (zh) | 2023-06-06 | 2023-06-06 | 基于负荷预测的削峰策略推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310668168.9A CN116826710A (zh) | 2023-06-06 | 2023-06-06 | 基于负荷预测的削峰策略推荐方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116826710A true CN116826710A (zh) | 2023-09-29 |
Family
ID=88115977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310668168.9A Pending CN116826710A (zh) | 2023-06-06 | 2023-06-06 | 基于负荷预测的削峰策略推荐方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116826710A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117638950A (zh) * | 2023-10-19 | 2024-03-01 | 河北思极科技有限公司 | 用电策略推荐方法、装置、电子设备及存储介质 |
| CN117878953A (zh) * | 2024-03-11 | 2024-04-12 | 国网北京市电力公司 | 一种削峰填谷方案生成方法、装置、设备及介质 |
-
2023
- 2023-06-06 CN CN202310668168.9A patent/CN116826710A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117638950A (zh) * | 2023-10-19 | 2024-03-01 | 河北思极科技有限公司 | 用电策略推荐方法、装置、电子设备及存储介质 |
| CN117638950B (zh) * | 2023-10-19 | 2024-05-31 | 河北思极科技有限公司 | 用电策略推荐方法、装置、电子设备及存储介质 |
| CN117878953A (zh) * | 2024-03-11 | 2024-04-12 | 国网北京市电力公司 | 一种削峰填谷方案生成方法、装置、设备及介质 |
| CN117878953B (zh) * | 2024-03-11 | 2024-07-19 | 国网北京市电力公司 | 一种削峰填谷方案生成方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
| CN110909912B (zh) | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 | |
| CN112561156A (zh) | 基于用户负荷模式分类的短期电力负荷预测方法 | |
| CN104598986B (zh) | 基于大数据的电力负荷预测方法 | |
| CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
| CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
| CN109359389A (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN110895773A (zh) | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
| CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
| CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
| CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
| CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN116562398B (zh) | 电力负荷预测模型训练方法、预测方法、电子设备和介质 | |
| CN115622056B (zh) | 一种基于线性加权和选解法的储能优化配置方法及系统 | |
| CN117613993A (zh) | 一种公路微电网风光氢蓄储系统的日内优化调度方法 | |
| CN117810987A (zh) | 一种住宅净负荷区间的预测方法、装置、终端和存储介质 |
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 |