一种基于用户用电特征的有序用电方案智能生成方法技术

本发明专利技术涉及用电方案生成，具体涉及一种基于用户用电特征的有序用电方案智能生成方法，将分类后的用电负荷数据输入至多尺度用电负荷分析模型，得到多尺度用电负荷预测曲线；根据多尺度用电负荷预测曲线确定用户在预测时间段内的用电特征，并以总用电量最大为目标建立目标函数；基于用电特征、总用电量上限值和预测时间段内各时段的总负荷上限值，确定目标函数对应的约束条件；根据约束条件和用电特征对目标函数进行线性求解，得到用户在预测时间段内各时段分别对应的用电量；本发明专利技术提供的技术方案能够有效克服现有技术所存在的有序用电方案制定缺乏对用户用电特征的充分考虑，有序用电方案缺乏对用户在各时段内用电量进行调节的缺陷。调节的缺陷。调节的缺陷。

【技术实现步骤摘要】
一种基于用户用电特征的有序用电方案智能生成方法


[0001]本专利技术涉及用电方案生成，具体涉及一种基于用户用电特征的有序用电方案智能生成方法。

技术介绍

[0002]随着我国经济快速持续地发展，我国的电力供应需求也正随之逐渐增大，用电负荷呈现冬、夏“双高峰”特性，经常会出现用电高峰时电力供不应求的情况。而有序用电仍然是国内面对电力供不应求的有效应对措施，进一步完善有序用电机制，无论是对短期保障电力稳定供应，还是对中长期实现碳达峰、碳中和目标都具有积极意义。
[0003]目前，有序用电主要采取时段错峰、时段避峰、移峰填谷等方法，通过协调以上几种方法，提出排产建议，让用户错峰，平滑用电，缓解用电高峰时段电网的运行压力。然而，现有有序用电方案的制定缺乏对用户用电特征的充分考虑，并且一般只针对用户用电时间进行调整，缺乏对用户在各时段内用电量的调节。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术所存在的上述缺点，本专利技术提供了一种基于用户用电特征的有序用电方案智能生成方法，能够有效克服现有技术所存在的有序用电方案制定缺乏对用户用电特征的充分考虑，有序用电方案缺乏对用户在各时段内用电量进行调节的缺陷。
[0006](二)技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0008]一种基于用户用电特征的有序用电方案智能生成方法，包括以下步骤：
[0009]S1、获取用户的用电负荷数据，并按照预设时间尺度对用电负荷数据进行分类处理；
[0010]S2、将分类后的用电负荷数据输入至多尺度用电负荷分析模型，得到多尺度用电负荷预测曲线；
[0011]S3、根据多尺度用电负荷预测曲线确定用户在预测时间段内的用电特征，并以总用电量最大为目标建立目标函数；
[0012]S4、基于用电特征、总用电量上限值和预测时间段内各时段的总负荷上限值，确定目标函数对应的约束条件；
[0013]S5、根据约束条件和用电特征对目标函数进行线性求解，得到用户在预测时间段内各时段分别对应的用电量。
[0014]优选地，S2中将分类后的用电负荷数据输入至多尺度用电负荷分析模型，包括：
[0015]将按照小时、天时间尺度的用电负荷数据输入至多尺度用电负荷分析模型中的LSTM神经网络模型；
[0016]将按照天、周时间尺度的用电负荷数据输入至多尺度用电负荷分析模型中的差分
自回归移动平均模型。
[0017]优选地，所述多尺度用电负荷分析模型包括LSTM神经网络模型、差分自回归移动平均模型、双线性池化层和全连接层；
[0018]所述LSTM神经网络模型、差分自回归移动平均模型的输出端均通过双线性池化层连接全连接层。
[0019]优选地，所述LSTM神经网络模型的训练过程，包括：
[0020]将按照小时、天时间尺度的历史用电负荷数据作为LSTM神经网络模型的输入层训练样本，将历史用电负荷数据对应的预测时间段内的多尺度用电负荷预测曲线作为LSTM神经网络模型的输出层训练样本，对LSTM神经网络模型进行模型训练。
[0021]优选地，所述差分自回归移动平均模型的训练过程，包括：
[0022]将按照天、周时间尺度的历史用电负荷数据作为差分自回归移动平均模型的输入层训练样本，将历史用电负荷数据对应的预测时间段内的多尺度用电负荷预测曲线作为差分自回归移动平均模型的输出层训练样本，对差分自回归移动平均模型进行模型训练。
[0023]优选地，所述双线性池化层对LSTM神经网络模型、差分自回归移动平均模型的输出结果进行外积池化。
[0024]优选地，所述用户在预测时间段内的用电特征包括用户在预测时间段之前若干时段内的用电负荷，用户在预测时间段内各时段的负荷上限值，以及用户的爬坡上限值和爬坡下限值。
[0025]优选地，S4中基于用电特征、总用电量上限值和预测时间段内各时段的总负荷上限值，确定目标函数对应的约束条件，包括：
[0026]基于用户在预测时间段内各时段的负荷上限值，确定用户负荷上限约束条件；
[0027]基于用户的爬坡上限值和爬坡下限值，确定用户爬坡约束条件；
[0028]基于总用电量上限值，确定总用电量约束条件；
[0029]基于预测时间段内各时段的总负荷上限值，确定各时段总负荷约束条件。
[0030]优选地，S5中根据约束条件和用电特征对目标函数进行线性求解，得到用户在预测时间段内各时段分别对应的用电量，包括：
[0031]对用户负荷上限约束条件、用户爬坡约束条件、总用电量约束条件、各时段总负荷约束条件分别进行线性化处理；
[0032]结合用户在预测时间段之前若干时段内的用电负荷，以及线性化处理的约束条件，通过粒子群算法对目标函数进行线性求解，得到用户在预测时间段内各时段分别对应的用电量。
[0033](三)有益效果
[0034]与现有技术相比，本专利技术所提供的一种基于用户用电特征的有序用电方案智能生成方法，具有以下有益效果：
[0035]1)获取用户的用电负荷数据，并按照预设时间尺度对用电负荷数据进行分类处理，将分类后的用电负荷数据输入至多尺度用电负荷分析模型，得到多尺度用电负荷预测曲线，根据多尺度用电负荷预测曲线确定用户在预测时间段内的用电特征，从而能够根据用电负荷数据得到多尺度用电负荷预测曲线，并通过多尺度用电负荷预测曲线获取用户在预测时间段内的用电特征；
[0036]2)以总用电量最大为目标建立目标函数，基于用电特征、总用电量上限值和预测时间段内各时段的总负荷上限值，确定目标函数对应的约束条件，根据约束条件和用电特征对目标函数进行线性求解，得到用户在预测时间段内各时段分别对应的用电量，从而能够基于用户在预测时间段内的用电特征建立约束条件，并对目标函数进行线性求解，在对用户用电特征进行充分考虑的基础上，实现对用户在各时段内用电量的有效调节。
附图说明
[0037]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0038]图1为本专利技术的流程示意图；
[0039]图2为本专利技术中基于多尺度用电负荷预测曲线对用户在预测时间段内各时段分别对应的用电量进行调节的流程示意图。
具体实施方式
[0040]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0041]一种基于用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户用电特征的有序用电方案智能生成方法，其特征在于：包括以下步骤：S1、获取用户的用电负荷数据，并按照预设时间尺度对用电负荷数据进行分类处理；S2、将分类后的用电负荷数据输入至多尺度用电负荷分析模型，得到多尺度用电负荷预测曲线；S3、根据多尺度用电负荷预测曲线确定用户在预测时间段内的用电特征，并以总用电量最大为目标建立目标函数；S4、基于用电特征、总用电量上限值和预测时间段内各时段的总负荷上限值，确定目标函数对应的约束条件；S5、根据约束条件和用电特征对目标函数进行线性求解，得到用户在预测时间段内各时段分别对应的用电量。2.根据权利要求1所述的基于用户用电特征的有序用电方案智能生成方法，其特征在于：S2中将分类后的用电负荷数据输入至多尺度用电负荷分析模型，包括：将按照小时、天时间尺度的用电负荷数据输入至多尺度用电负荷分析模型中的LSTM神经网络模型；将按照天、周时间尺度的用电负荷数据输入至多尺度用电负荷分析模型中的差分自回归移动平均模型。3.根据权利要求2所述的基于用户用电特征的有序用电方案智能生成方法，其特征在于：所述多尺度用电负荷分析模型包括LSTM神经网络模型、差分自回归移动平均模型、双线性池化层和全连接层；所述LSTM神经网络模型、差分自回归移动平均模型的输出端均通过双线性池化层连接全连接层。4.根据权利要求3所述的基于用户用电特征的有序用电方案智能生成方法，其特征在于：所述LSTM神经网络模型的训练过程，包括：将按照小时、天时间尺度的历史用电负荷数据作为LSTM神经网络模型的输入层训练样本，将历史用电负荷数据对应的预测时间段内的多尺度用电负荷预测曲线作为LSTM神经网络模型的输出层训练样本，对LSTM神经网络模型进行模型训练。5.根据权利要求3所述的基于用户用电特征的有序用电方案智能生成方法，其特征在...

【专利技术属性】
技术研发人员：刘峰，
申请(专利权)人：安徽数升数据科技有限公司，
类型：发明
国别省市：