基于非侵入式负荷监测的居民侧灵活性资源评估方法

居民用户具备巨大的灵活性潜力,充分挖掘并合理利用居民侧灵活性资源有助于提升电网的灵活性。本文利用低频功率数据和深度学习模型,提出了一种基于非侵入式负荷监测的居民侧灵活性资源评估方法。首先,采用功率波动-跳变事件检测算法,实现对电器用电事件的定位和功率数据获取。其次,将时域卷积网络(Time Convolutional Networks,TCN)和门控循环单元(Gated Recurrent Unit,GRU)相结合,借助TCN的数据特征提取能力和GRU的非线性拟合能力,构建TCN-BiGRU负荷识别算法,以有效区分不同电器的用电负荷。然后,利用负荷识别结果对用户总功率信号进行分解,建立设备状态矩阵、设备概率矩阵和设备习惯使用区间矩阵,获取各个电器的用电信息,分析用户用能行为,得到居民侧灵活性资源评估详细结果。最后,通过实际居民用户数据验证了所提出方法的实际有效性。基于本方法所得的灵活性资源评估结果可为居民需求侧响应提供辅助决策。     

考虑居民用户参与度不确定性的激励型需求响应模型与评估

先进的智能测控与双向通信技术引导越来越多居民用户通过智能家庭能量管理系统(SHEMS)参与需求响应(DR),然而用户参与度等不确定因素导致难以有效量化评估居民响应能力.首先,建立了复杂用电环境下的混合整数负荷模型,并综合考虑基于分时电价和用户协议的DR策略,建立了激励型DR参与度自主决策的智能家庭日前优化调度模型.然后...     

基于均衡KNN算法的电力负荷短期并行预测

为提高电力负荷预测精度,应对海量、高维数据带来的单机计算资源不足的问题,提出一种基于均衡KNN算法的短期电力负荷并行预测方法。针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;为提高场景划分精度,采用反熵权法量化负荷特征的权重系数;针对不均衡的负荷场景,提出均衡KNN算法对待预测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用ApacheSpark架构对提出的模型进行并行化编程,提高其处理海量、高维数据的能力。选取某小区居民用电数据进行算例分析,在30节点云计算集群上进行测试验证,结果表明基于该模型的负荷预测精度与执行时间均优于传统预测算法,且提出的算法具有优异的并行性能。     

欠定分离机制下基于特征滤波的居民负荷非侵入辨识算法

通过非侵入采集模式下电流信号的欠定求解实现了负荷分解,获取了各独立负荷的完整电流,在负荷分解基础上实现了状态辨识。利用居民用户的负荷操作习惯将难以求解的欠定问题优化建模,转化为一维欠定问题,将求解模型建立为单位时间间隔仅从采集信号中分离两路信号。依据电流频域信号的稀疏性通过两步迭代收缩阈值算法得到最优解,使每个投入运行的负荷均可独立分解。通过先验方式获取用电网络各负荷的特征电流形成特征滤波器组,对分解电流进行频域滤波,通过对滤波后频率分量的量化判决实现负荷辨识。利用实际采集的用电数据验证了算法的有效性,能够有效实现负荷分解,并准确判断负荷状态。     

基于优先级队列的居民需求响应策略自趋优方法

居民负荷是电网季节性尖峰负荷的重要构成之一,具有巨大的需求响应(DR)潜力,但其随机性和分散性也限制了其灵活参与DR互动的能力。针对居民负荷的特点及其响应行为的不确定性,文中以负荷曲线特征、历史DR参与情况和响应程度为参数建立居民负荷模型,并以实际居民数据集为依据辨识分布参数。此外,文中提出一种基于历史响应效果形成优先级队列的方法,并在此基础上建立居民DR成本模型,以成本最小化为目标得出最优居民DR策略,从而在精确达成负荷削减目标的前提下合理控制DR成本。优先级队列在多次DR事件中逐次更新修正,实现响应策略自趋优。最后通过算例验证了提出的居民负荷模型及居民DR策略自趋优方法的有效性。     

居民负荷需求响应参与度的物理影响因素分析

需求响应(Demand Response,DR)参与度是评价用户群体响应参与积极性与需求响应策略合理性的重要指标,也是电力相关部门更新DR策略的参考依据。在研究居民负荷响应模型的基础上,建立以居民负荷DR参与度最大为目标的需求响应概率优化模型;当需求响应范围足够大时,将所提概率优化模型等效为一系列混合整数规划问题,极大地降低了问题的求解难度,保证了最优解的全局唯一性;量化物理影响因素对DR参与度的作用,分析影响趋势及程度,结果表明:(1)能精准求解需求响应概率优化模型,获得DR参与度;(2)不同物理影响因素对DR参与度的作用趋势及程度各异,制定政策时需酌情考虑并调节分析。     

基于模板滤波的居民负荷非侵入式快速辨识算法

以电流信号的频域分析为基础,结合非侵入监测负荷运行的电流模型,利用单独作用时电流信号的频谱分量会完整包含于混合电流频谱中,提出一种基于模板滤波的居民负荷非侵入式快速辨识算法。通过先验方式获取用电网络各负荷的特征电流形成特征滤波器,对其频谱分量进行0-1赋值得到对应的模板滤波器。利用模板滤波器对非侵入采集模式下的混合电流信号滤波,通过对滤波后频率分量的量化判决确定负荷的运行状态。利用实际采集的用电数据验证了该算法的有效性,能够准确判断负荷运行状态。此外,算法利用快速傅里叶变换(FFT)即可实现,便于实际中硬件封装。     

基于大数据平台的居民负荷变尺度画像技术实现与应用

传统的负荷曲线描述方法难以全面描述负荷变化特征。文章尝试采用用户画像技术进行居民负荷多尺度立体化的用电特性研究。首先,基于大数据平台中的可用数据资源,建立了表征居民负荷用电特性的标签体系。为了快速高效地获取各类典型用户特征,应用标签体系,在大数据平台支撑下,应用分布式聚类算法对海量居民用户用电数据进行聚类分析。最后,针对每类用户,文章绘制了四季的典型日和典型月负荷曲线以及年持续负荷曲线并进行了对比,同时分析了每类用户的负荷波动率和需求响应水平,以构建包含用户的用电时序规律和用电弹性特征的变时间尺度用户画像。分析结果能够可视化地描述居民负荷的时间分布特性及用户用电特性,可为合理制定电价套餐及优化用电模式提供参考。     

基于遗传优化的非侵入式居民负荷辨识算法

负荷在线监测能够为电网及用户提供即时的用电信息,是支撑能效管理和负荷预测工作的有效手段。传统监测方法采用侵入式设计,难以大范围推广应用,因此非侵入式负荷监测方法(NILM)具有重要研究意义。负荷辨识是非侵入式负荷监测的关键,以典型居民负荷的特性分析为基础,提出了一种基于遗传优化的非侵入式居民负荷辨识算法。该算法基于负荷设备的负荷特性,包括有功功率和电流有效值,利用三种不同的编码方法构造判断负荷运行状态的适应度函数,通过遗传算法寻优,最终确定居民负荷的工作状态,并通过实测数据进行验证。实验结果表明,该算法能够实现居民用户负荷状态的有效辨识,且算法收敛速度较快,准确度高。     

基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。     

基于空间密度聚类和异常数据域的负荷异常值识别方法

针对海量电力负荷数据,提出一种基于空间密度聚类和异常数据域的负荷异常值识别方法.首先,基于空间密度聚类方法将负荷曲线按照正常和异常用电模式进行分类,并对正常用电模式中的负荷曲线进行负荷水平分类.然后,在不同负荷水平下,利用负荷期望值的置信区间和负荷样本与样本均值之间偏差的四分位差,构建异常数据域.考虑非典型用电行为的偶然性,引入用电时刻偏移量,对形成的异常数据域进行修正,并构建面向异常用电模式的异常数据域.在算例中,采用居民和工业用户的负荷数据集对所提方法进行检验,相比于传统方法,文中所提方法的识别精确率平均提高了10％以上,综合评价指标平均提高了4％以上.     

A centralized demand response control strategy for domestic electric water heater group based on appliance cloud platform

Motivated by the potential ability of the domestic electric water heater (EWH) in demand response (DR), this paper proposes a centralized DR control strategy to dispatch the EWH loads considering a domestic EWH group based on the appliance cloud platform. The objective is to solve the problem of water heater load control when the appliance cloud platform participates in DR of load curtailment. To solve the problem, first, a DR system model of the appliance cloud platform is presented. Second, a model of single EWH thermal dynamics in static mode of operation is built based on energy flow analysis. Third, based on the system model and the model of EWH thermal dynamics, a DR control strategy in the timescale of minutes is proposed to implement DR control of an EWH load group in a centralized way by the appliance cloud platform. Finally, simulation results confirm the viability and efficiency of the proposed control strategy.     

基于高斯混合模型的居民聚合响应潜力多重置信评估

针对居民用电负荷与源端出力多变背景下传统电力系统运行灵活性不足的现实问题,需求响应可有效提高系统运行灵活性与安全经济效益,价值尤为凸显,而响应潜力的精细化评估是其重要基础支撑。文中提出一种在缺少历史响应数据支撑时基于高斯混合模型的聚合响应潜力评估方法。首先,通过家庭及相似日的两次聚类分析选取典型样本数据,强化数据的代表性;然后,引入高斯混合模型精准挖掘家庭用电行为的概率分布,形成单个家庭的响应潜力;最后,自下而上加权汇总,实现多重置信情景下聚合需求响应潜力的评估。实验分析表明该方法能够仅从历史用电数据中挖掘出小时级的居民需求响应潜力信息,充分反映用电负荷分布及响应潜力分布特征,并通过对比分析验证了两次聚类选取典型样本数据的有效性。     

智能电网中用电感知的数据分析需求响应方案研究

在智能电网中,当前大部分需求响应(DR)管理方法在通过数据分析削减高峰负荷时,并未考虑到用户约束.针对此问题,提出了住宅负荷的数据分析需求响应(DADR)管理方案,以降低高峰负荷需求.提出的方法以从智能家居(SHs)采集的用电数据分析为基础,考虑到电器调节因子,电器优先级指标,电器限电优先级等因素.并基于这些因素,分别...     

基于分时电价和需求响应的家庭微电网负荷优先级控制

分时电价是电能商品的市场反应,可引导用户的用电时段,削峰填谷,提高电能的利用率,结合智能电力需求响应(DR)技术构建家庭负荷优先级(HLP)控制系统,能有效提升用户侧电网的响应能力。首先,结合家居设备的负荷特性对其进行建模;然后,保证用户舒适度,提出了一种家庭负荷优先级(HLP)控制系统算法,该算法根据优先级顺序执行负荷控制决策,并保证家庭总功耗不超过功率限定值。最后,进行算例仿真,对比不同功率限定值下各负荷运行状态,结合分时电价理论验证了HLP控制方案的有效性。     

电动汽车居民区充电负荷建模分析

提出一种基于电动汽车停车时间、充电需求等因素的电动汽车居民区充电负荷建模分析的新方法。针对电动汽车的停车行为,研究基于居民区的区域停车生成率的停车需求,建立居民区的区域停车模型。建立里程分布模型,研究电动汽车移动和电耗量的关系,建立电动汽车剩余荷电状态(SOC)模型。结合居民区的区域停车模型、荷电状态分布模型,通过详细考察居民区区域停车这一功能分区特征,综合设备性质、居民区区域特征等因素,得到居民区的电动汽车充电模型。在充电模型中包含对电动汽车电池的工况分析、电耗量分析、返程时间分布、返程时SOC分布等环节的优化分析。采用一系列的数学建模方法,完成了基于时间分布的电动汽车居民区充电负荷的相关性质研究,以此作为日后电网调度、削峰填谷的参考。以某市为算例,进行蒙特卡洛模拟和分析,得出充电负荷分布的相关结论。     

考虑柔性负荷响应不确定性的多时间尺度协调调度模型

针对柔性负荷实际响应的不确定性,以及各类柔性负荷在多时间尺度上的响应特性,提出了考虑柔性负荷响应不确定性的多时间尺度协调调度模型。首先,基于消费者心理学原理并计及柔性负荷响应不确定性的变化规律,建立了价格型需求响应(DR)的响应量模型。然后,在考虑实际响应误差的基础上,制定了激励型DR的激励机制,并基于上述不确定性分析建立了可转移负荷、可平移负荷和可削减负荷的响应模型。最后,从多时间尺度协调的角度,对柔性负荷、常规机组和风电进行协调优化,构建了日前—日内—实时的协调调度模型,并根据模糊机会约束规划理论和混合整数规划方法进行求解。算例分析验证了所提模型的有效性,通过考虑柔性负荷响应的不确定性及多时间尺度上的协调优化,能够实现削峰填谷,提高风电消纳,并降低电网调度的成本。