CN115705608A - 一种虚拟电厂负荷感知方法及装置 - Google Patents
一种虚拟电厂负荷感知方法及装置 Download PDFInfo
- Publication number
- CN115705608A CN115705608A CN202110881445.5A CN202110881445A CN115705608A CN 115705608 A CN115705608 A CN 115705608A CN 202110881445 A CN202110881445 A CN 202110881445A CN 115705608 A CN115705608 A CN 115705608A
- Authority
- CN
- China
- Prior art keywords
- load
- power plant
- virtual power
- neural network
- network model
- 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 41
- 238000003062 neural network model Methods 0.000 claims abstract description 49
- 230000004044 response Effects 0.000 claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 18
- 230000008447 perception Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000006854 communication Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design 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
- 238000005192 partition Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及能源互联网技术领域，具体提供了一种虚拟电厂负荷感知方法及装置，旨在解决虚拟电厂的运行管理还缺乏完善各类负荷关联关系的分析和负荷感知准确性的评价研究的技术问题。包括：获取虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据；将所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据作为预先训练的RBF神经网络模型的输入数据，得到所述预先训练的RBF神经网络模型输出的所述虚拟电厂中负荷的预测曲线；该方案实现了负荷行为的精准预测，有效提升了负荷感知的准确性，为虚拟电厂参与电网公司业务提供了良好的基础。
Description
技术领域
本发明涉及能源互联网领域，具体涉及一种虚拟电厂负荷感知方法及装置。
背景技术
21世纪以来，随着化石能源的日渐枯竭和世界各国对温室效应的逐渐重视，大力发展以光伏和发电为代表的可再生能源已刻不容缓。随着可再生能源渗透率的不断提高，弃风弃光现象日益严重，虚拟电厂作为解决可再生能源消纳的重要措施，得到了各国学者及专家的广泛关注。随着需求侧用户终端的智能化水平逐渐提升，虚拟电厂在调峰调频、辅助服务、新能源消纳等领域均已得到应用研究。
虚拟电厂是一种通过先进信息通信技术和软件系统，实现分布式电源、储能系统、可控负荷、电动汽车等分布式能源的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统，最大化分布式能源与用户之间的价格和效益。虚拟电厂通过信息技术、数据技术和智能决策技术提供分布式能源和可控负荷的访问平台，搭建了发电系统中发电和能耗之间的联系，进行一体化优化控制，参与日前和日内实时电力市场及系统的调度控制，以达到整体利益最大化，使发电系统能够高效、稳定、安全运行。
虚拟电厂主要是通过先进的控制技术整合分布式能源、可控负荷以及储能设备对系统发电侧和用户需求侧合理优化调度，并利用负荷感知方法以实现可再生能源的充分消纳。负荷感知通过对一定时间及空间范围内的信息传感和捕捉，通过信息的学习、分析和挖掘，实现发展趋势的预测。包括对环境因素、当前态势和数据的理解，对未来态势的预测及行动措施等。影响态势感知的要素分为系统要素和个体要素，实现态势感知需要依靠各影响要素提供的服务。虚拟电厂可控负荷的调控周期灵活，并逐步向信息物理融合的自动化超短期动态控制演变，且其分析结果直接决策了负荷设备的控制策略，而控制结果亦反馈回感知体系当中，形成负荷态势感知与态势利导合二为一的周期性闭环结构。负荷态势感知可以更加开放兼容地适应多类负荷特性，具备良好的可扩展性，在同一架构下评价负荷可控能力的差异性。此外，负荷感知在对模型的描述上，对离散的时间序列判定中实现更好的分析，降低交互密度的需求。通过负荷感知这个概念可以把人的能力、经验、目标驱动行为、信息环境、资源约束以及它们之间的相互关系有机联系成为一体但它本质上不是决策或执行行为。综上所述，负荷感知各技术层次在各环节协同作用下实现系统有效的运行交互，但目前虚拟电厂的运行管理还缺乏完善各类负荷关联关系的分析和负荷感知准确性的评价研究。因此，深入研究虚拟电厂中各类负荷的关联关系、负荷感知的准确性对虚拟电厂优化运行的影响具有重要意义。
发明内容
为了克服上述缺陷，本发明提出了一种解决如何提升负荷感知的准确性技术问题的虚拟电厂负荷感知方法及装置。
第一方面，提供一种虚拟电厂负荷感知方法，所述虚拟电厂负荷感知方法包括：
获取虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据；
将所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据作为预先训练的RBF神经网络模型的输入数据，得到所述预先训练的RBF神经网络模型输出的所述虚拟电厂中负荷的预测曲线；
其中，所述预先训练的RBF神经网络模型的训练样本包括负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线。
优选的，所述负荷为开关型负荷、分档型负荷或热水器温控负荷。
进一步的，当所述负荷为温控负荷时，所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据至少包括下述中的一种：热水器的出水温度、用户的行为习惯以及环境温度。
进一步的，所述用户的行为习惯至少包括下述中的一种：使用热水器的起始时间和使用时长。
优选的，所述预先训练的RBF神经网络模型的训练过程包括：
获取负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线，并构建样本数据集；
对所述样本数据集进行聚类，得到聚类簇；
以各聚类簇对应的负荷影响其参与需求响应调度潜力的主要因素的历史数据为初始RBF神经网络模型的输入层训练样本，各聚类簇的聚类中心对应的实际负荷曲线为初始RBF神经网络模型的输出层训练样本，对初始RBF神经网络模型进行训练，得到所述预先训练的RBF神经网络模型。
进一步的，所述对所述样本数据集进行聚类的聚类算法采用DBSCAN聚类算法。
第二方面，本发明提供了一种虚拟电厂负荷感知装置，所述装置包括：
获取模块，用于获取虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据；
预测模块，用于将所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据作为预先训练的RBF神经网络模型的输入数据，得到所述预先训练的RBF神经网络模型输出的所述虚拟电厂中负荷的预测曲线；
其中，所述预先训练的RBF神经网络模型的训练样本包括负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线。
优选的，所述负荷为开关型负荷、分档型负荷或热水器温控负荷。
优选的，所述预先训练的RBF神经网络模型的训练过程包括：
获取负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线，并构建样本数据集；
对所述样本数据集进行聚类，得到聚类簇；
以各聚类簇对应的负荷影响其参与需求响应调度潜力的主要因素的历史数据为初始RBF神经网络模型的输入层训练样本，各聚类簇的聚类中心对应的实际负荷曲线为初始RBF神经网络模型的输出层训练样本，对初始RBF神经网络模型进行训练，得到所述预先训练的RBF神经网络模型。
第三方面，本发明提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行所述的虚拟电厂负荷感知方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
本发明提供了一种虚拟电厂负荷感知方法及装置，包括：获取虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据；将所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据作为预先训练的RBF神经网络模型的输入数据，得到所述预先训练的RBF神经网络模型输出的所述虚拟电厂中负荷的预测曲线；其中，所述预先训练的RBF神经网络模型的训练样本包括负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线。该方案通过分析负荷类型与影响其参与需求响应调度潜力的主要因素之间的关联关系，依据RBF神经网络算法实现了负荷行为的精准预测，有效提升了负荷感知的准确性。进一步的，本发明提供的技术方案中，通过对负荷类型与影响其参与需求响应调度潜力的主要因素之间的关联拟合，实现了对于负荷的模型认知、状态预测及量化分析，实现居民负荷在参与电网互动过程中更加精细化和智能化的提升。通过自学习求解式的负荷模型动态校正，实现了智能化负荷认知的同时亦有效兼容了多样化的负荷差异性。
附图说明
图1是根据本发明的一个实施例的虚拟电厂负荷感知方法的主要步骤流程示意图；
图2是本发明实施例中虚拟电厂总体模型结构图；
图3是本发明实施例中RBF神经网络的拓扑结构图；
图4是根据本发明的一个实施例的虚拟电厂负荷感知装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
参阅附图1，图1是根据本发明的一个实施例的虚拟电厂负荷感知方法的主要步骤流程示意图。如图1所示，本发明实施例中的虚拟电厂负荷感知方法主要包括以下步骤：
步骤S101：获取虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据；
步骤S102：将所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据作为预先训练的RBF神经网络模型的输入数据，得到所述预先训练的RBF神经网络模型输出的所述虚拟电厂中负荷的预测曲线；
其中，所述预先训练的RBF神经网络模型的训练样本包括负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线。所述负荷为开关型负荷、分档型负荷或热水器温控负荷。
在一个实施方式中，本发明以典型的温控类型负荷进行相关介绍，具体为：
首先，对研究对象进行了系统定义，并对虚拟电厂和负荷态势感知相关技术进行分析；
然后，对典型的温控类型负荷进行了建模，通过引入增量调制方法改进负荷可消纳能力评估模型，并以热水器群为主要研究对象，构建热水器模型与热力学等值模型，通过模型解析了影响负荷波动变化的行为因素，进而为下一步设计合理的负荷感知方法提供理论基础；
最后，基于以上研究内容，通过DBSCAN算法将用户用热水器行为历史数据进行分类并分析相关数据特征，然后利用DBSCAN算法分类获得的数据进行训练，结合RBF神经网络对目标用户的行为数据进行预测，依据各类变量进行负荷调控，进而提升虚拟电厂中负荷感知的精准度。
其中，当所述负荷为温控负荷时，所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据至少包括下述中的一种：热水器的出水温度、用户的行为习惯以及环境温度。
所述用户的行为习惯至少包括下述中的一种：使用热水器的起始时间和使用时长。
下面结合附图对本发明的具体实施方式和步骤作进一步的详细说明。
步骤1：对研究对象进行了系统定义，并对虚拟电厂和负荷态势感知相关技术进行分析；
虚拟电厂是一种通过先进信息通信技术和软件系统，实现分布式电源、储能系统、可控负荷、电动汽车等分布式能源的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。虚拟电厂作为电力市场下促进可再生能源消纳、应对能源分布不均的重要运营模式，近年来得到迅速发展。同时，国家电网逐渐普及配网量测装置，并推进通信网络建设，其与虚拟电厂的聚合及通信内核紧密融合，为虚拟电厂带来了新特点、新模式、新方法。
负荷感知通过对一定时间及空间范围内的信息传感和捕捉，通过信息的学习、分析和挖掘，实现发展趋势的预测。包括对环境因素、当前态势和数据的理解，对未来态势的预测及行动措施等。影响负荷感知的要素分为系统要素和个体要素，实现态势感知需要依靠各影响要素提供的服务。实现态势感知需要依靠各影响要素提供的服务。虚拟电厂可控负荷的调控周期灵活，并逐步向信息物理融合的自动化超短期动态控制演变，且其分析结果直接决策了负荷设备的控制策略，而控制结果亦反馈回感知体系当中，形成负荷态势感知与态势利导合二为一的周期性闭环结构。
本实施例以虚拟电厂中的柔性负荷为例，说明了虚拟电厂控制中心与各发电单元实现信息的双向交流。此外，虚拟电厂还参与日前和日内实时电力市场与系统的调度控制。附图2是虚拟电厂总体模型结构图。虚拟电厂通过信息技术、数据技术和智能决策技术提供分布式能源和可控负荷的访问平台，搭建了发电系统中发电和能耗之间的联系，进行一体化优化控制，参与日前和日内实时电力市场及系统的调度控制，以达到整体利益最大化，使发电系统能够高效、稳定、安全运行。
步骤2：对典型的温控类型负荷进行了建模，并通过模型解析了影响负荷波动变化的行为因素，进而为下一步设计合理的负荷感知方法提供理论基础；
(1)温控类负荷建模
典型温控类负荷如热水器、空调等，其曲线特性为周期性方波，即：
式中：T(t)和T(t+1)分别为t时刻和t+1时刻目标负荷的温度值；ph为温控负荷的操作热功率；Te(t)为t时刻环境温度；ti为热水器对象的实际用水时长(对于其他温控负荷该项为0)；l为描述温度变化与用水时长关系的等效系数；R和C分别为等效热阻和热容；Δt为状态更新时间间隔；α为热力学等效参数。
本部分通过引入增量调制方法改进负荷可消纳能力评估模型，并以热水器群为主要研究对象，构建热水器模型与热力学等值模型，提升模型与实际环境的拟合性。主要以热水器这一典型负荷进行建模。
热水器的工作本质是加热器周期性的开通与关断，故根据其间歇性工作的特点，建立其任意时刻的运行状态方程:
式中：Tset表示热水器温度设定值；
表示t时刻热水器出水温度；ΔT1表示热水器温度设定值允许的偏移值；gt表示t时刻热水器的工作状态(0为关闭，1为开启)。
(2)影响负荷波动相关因素分析
为了研究不同参量差异性对热水器装置调控潜力的影响，需要对它的热力学状态进行详细分析，进而了解热水器参与虚拟电厂调度的优势。设定在t0时刻水温为Tt0,可以得出：
1)若经过时间Δt后，热水器装置处于运行状态，即gt0＝1，水的温度为:
2)若经过时间Δt后，热水器装置处于停止状态，即gt0＝0，用户用水量为零，即e＝0，则水的温度为:
3)若经过时间Δt后，热水器装置处于停止状态，即gt0＝0，用户用水量不为零，即e≠0，则水的温度为:
在上述公式中，R、C、Q为热力学参数，它们依次表征的是热水器的操作热阻、操作热容和操作热功率；V为水箱容积；Ten为环境温度；e为用户用水量；gt0为开关状态，0代表停止状态，1代表运行状态。
4)改进增量修正
本申请中针对温度临界效应造成的温控负荷可调控能力评估偏差问题，引入增量调制(ΔM)方法对其进行修正，进一步提高负荷群状态估计的精度。通过将历史时刻温度状态区间的估计误差进行累加，在通过量化台阶βk实现曲线的跟踪，从而确定下一时刻的修正量ej(t+1)：
式中，Ej(t)为j状态区间t时刻之间的累计误差；ej(t)为t时刻的估计误差；ΔEj(t)为t时刻实际累计误差曲线与增量调制曲线的差值。
通过以上模型分析可知，对于温控负荷热水器而言，影响其参与需求响应调度潜力的主要因素有热水器的出水温度、用户的行为习惯以及环境温度。
步骤3：基于以上研究内容，通过DBSCAN算法将用户用热水器行为数据进行分类，然后根据DBSCAN算法分类获得的数据进行训练，并利用RBF神经网络进行负荷预测，参照变量进行负荷调控，进而提升虚拟电厂中负荷感知的精准度。
(1)用户使用行为分类研究
以步骤2的分析结果“对于温控负荷热水器而言，影响其参与需求响应调度潜力的主要因素有热水器的出水温度、用户的行为习惯以及环境温度”作为理论基础展开分析，首先通过获得一定规模的数据样本，包含热水器的出水温度、用户的行为习惯(使用热水器的起始时间与使用时长)以及环境温度等相关数据，然后利用本申请所提出一种基于密度的聚类算法(DBSCAN，Density-Based Spatial Clustering of Applications with Noise)对数据样本进行预处理分类，进而能够得到负荷的簇曲线。与划分和层次聚类方法不同，该方法将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。由于该试验样本数量相较不足，相较于K-means算法，DBSCAN算法可以避免小数据量影响，因此对于任意形状的数据分布，DBSCAN算法都具有较好的聚类效果。
(2)热水器负荷预测方法设计
在DBSCAN算法分类获得数据的前提下，本文提出一种径向基函数神经网络算法(Radial Basis Function Neural Network)，具有单隐层的前馈型神经网络，包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。RBF神经网络的拓扑结构图如附图3所示。首先利用上一小节得到的分类结果对RBF神经网络模型初始化参数和权重。然后利用所建立的RBF数据预测模型，同时根据输出误差指导学习过程，将训练所得的热水器负荷预测值与试验样本数据值之间的误差作为评价指标，直至满足所提出的误差要求。
第二方面，本发明提供了一种虚拟电厂负荷感知装置，如图4所示，所述装置包括：
获取模块，用于获取虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据；
预测模块，用于将所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据作为预先训练的RBF神经网络模型的输入数据，得到所述预先训练的RBF神经网络模型输出的所述虚拟电厂中负荷的预测曲线；
其中，所述预先训练的RBF神经网络模型的训练样本包括负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线。
优选的，所述负荷为开关型负荷、分档型负荷或热水器温控负荷。
进一步的，当所述负荷为温控负荷时，所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据至少包括下述中的一种：热水器的出水温度、用户的行为习惯以及环境温度。
进一步的，所述用户的行为习惯至少包括下述中的一种：使用热水器的起始时间和使用时长。
优选的，所述预先训练的RBF神经网络模型的训练过程包括：
获取负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线，并构建样本数据集；
对所述样本数据集进行聚类，得到聚类簇；
以各聚类簇对应的负荷影响其参与需求响应调度潜力的主要因素的历史数据为初始RBF神经网络模型的输入层训练样本，各聚类簇的聚类中心对应的实际负荷曲线为初始RBF神经网络模型的输出层训练样本，对初始RBF神经网络模型进行训练，得到所述预先训练的RBF神经网络模型。
进一步的，所述对所述样本数据集进行聚类的聚类算法采用DBSCAN聚类算法。
进一步的，本发明提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行所述的虚拟电厂负荷感知方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、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)
1.一种虚拟电厂负荷感知方法，其特征在于，所述方法包括：
获取虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据；
将所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据作为预先训练的RBF神经网络模型的输入数据，得到所述预先训练的RBF神经网络模型输出的所述虚拟电厂中负荷的预测曲线；
其中，所述预先训练的RBF神经网络模型的训练样本包括负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线。
2.如权利要求1所述的方法，其特征在于，所述负荷为开关型负荷、分档型负荷或热水器温控负荷。
3.如权利要求2所述的方法，其特征在于，当所述负荷为温控负荷时，所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据至少包括下述中的一种：热水器的出水温度、用户的行为习惯以及环境温度。
4.如权利要求3所述的方法，其特征在于，所述用户的行为习惯至少包括下述中的一种：使用热水器的起始时间和使用时长。
5.如权利要求1所述的方法，其特征在于，所述预先训练的RBF神经网络模型的训练过程包括：
获取负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线，并构建样本数据集；
对所述样本数据集进行聚类，得到聚类簇；
以各聚类簇对应的负荷影响其参与需求响应调度潜力的主要因素的历史数据为初始RBF神经网络模型的输入层训练样本，各聚类簇的聚类中心对应的实际负荷曲线为初始RBF神经网络模型的输出层训练样本，对初始RBF神经网络模型进行训练，得到所述预先训练的RBF神经网络模型。
6.如权利要求5所述的方法，其特征在于，所述对所述样本数据集进行聚类的聚类算法采用DBSCAN聚类算法。
7.一种虚拟电厂负荷感知装置，其特征在于，所述装置包括：
获取模块，用于获取虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据；
预测模块，用于将所述虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据作为预先训练的RBF神经网络模型的输入数据，得到所述预先训练的RBF神经网络模型输出的所述虚拟电厂中负荷的预测曲线；
其中，所述预先训练的RBF神经网络模型的训练样本包括负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线。
8.如权利要求7所述的装置，其特征在于，所述负荷为开关型负荷、分档型负荷或热水器温控负荷。
9.如权利要求7所述的装置，其特征在于，所述预先训练的RBF神经网络模型的训练过程包括：
获取负荷影响其参与需求响应调度潜力的主要因素的历史数据及其对应的实际负荷曲线，并构建样本数据集；
对所述样本数据集进行聚类，得到聚类簇；
以各聚类簇对应的负荷影响其参与需求响应调度潜力的主要因素的历史数据为初始RBF神经网络模型的输入层训练样本，各聚类簇的聚类中心对应的实际负荷曲线为初始RBF神经网络模型的输出层训练样本，对初始RBF神经网络模型进行训练，得到所述预先训练的RBF神经网络模型。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的虚拟电厂负荷感知方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110881445.5A CN115705608A (zh) | 2021-08-02 | 2021-08-02 | 一种虚拟电厂负荷感知方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110881445.5A CN115705608A (zh) | 2021-08-02 | 2021-08-02 | 一种虚拟电厂负荷感知方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115705608A true CN115705608A (zh) | 2023-02-17 |
Family
ID=85178403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110881445.5A Pending CN115705608A (zh) | 2021-08-02 | 2021-08-02 | 一种虚拟电厂负荷感知方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115705608A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
| CN118013253A (zh) * | 2024-01-26 | 2024-05-10 | 国家能源集团江西电力有限公司 | 一种混合型虚拟电厂智能负荷管理方法及系统 |
-
2021
- 2021-08-02 CN CN202110881445.5A patent/CN115705608A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
| CN116663863B (zh) * | 2023-07-28 | 2023-10-20 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
| CN118013253A (zh) * | 2024-01-26 | 2024-05-10 | 国家能源集团江西电力有限公司 | 一种混合型虚拟电厂智能负荷管理方法及系统 |
| CN118013253B (zh) * | 2024-01-26 | 2024-08-30 | 国家能源集团江西电力有限公司 | 一种混合型虚拟电厂智能负荷管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
| CN110210647B (zh) | 一种分布式电源、储能与柔性负荷联合调度方法及装置 | |
| CN108964050A (zh) | 基于需求侧响应的微电网双层优化调度方法 | |
| CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
| CN112036934A (zh) | 考虑热电协调运行的负荷聚合商参与需求响应的报价方法 | |
| CN114723230B (zh) | 面向新能源发电和储能的微电网双层调度方法及系统 | |
| CN103904664B (zh) | 一种基于有效静态安全域的agc机组实时调度方法 | |
| CN112217195A (zh) | 一种基于gru多步预测技术的云储能充放电策略形成方法 | |
| CN115705608A (zh) | 一种虚拟电厂负荷感知方法及装置 | |
| CN113487131B (zh) | 一种基于充电需求和储能调节的站网互动方法 | |
| Ceccon et al. | Intelligent electric power management system for economic maximization in a residential prosumer unit | |
| CN113762650A (zh) | 一种分散式预测电网的优化方法及系统 | |
| CN113158450A (zh) | 一种基于楼宇能量管理系统经济调度方法及系统 | |
| Kefer et al. | Simulation-based optimization of residential energy flows using white box modeling by genetic programming | |
| CN114156951B (zh) | 一种源网荷储系统的控制优化方法和装置 | |
| Vijayalakshmi et al. | An ensemble learning model for estimating the virtual energy storage capacity of aggregated air-conditioners | |
| CN115912419A (zh) | 一种基于负荷聚合商的储热-储电协同调度方法 | |
| CN111313449A (zh) | 一种基于机器学习的集群电动汽车功率优化管理方法 | |
| CN114547821A (zh) | 基于灰色关联理论的可调度柔性资源辨识方法、存储介质 | |
| CN111342471B (zh) | 一种基于机器学习的家庭产消者功率优化管理方法 | |
| Fedorchuk et al. | Using the Concept of Prosumers as a Staff for Balancing at the Power Grid | |
| CN117748514A (zh) | 一种基于交互式模仿学习的微电网能源管理实时调度方法 | |
| CN117557019A (zh) | 基于模型预测控制的含热泵集群的供热系统调度方法 | |
| CN106655175B (zh) | 一种居民用户用电智能调度优化方法 | |
| CN109038672A (zh) | 一种平抑可再生能源波动的多目标鲁棒优化配置方法 |
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 |