System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及潜力调控量化分析,具体为一种大工业用户调控潜力量化方法。
技术介绍
1、工业用户,通常又称大工业用户,是按两部制电价结算电费的用户,主要指受电变压器容量在315kva及以上的工业生产用电;工业用户可调节潜力指的是工业用户在需求响应时段内可调节负荷的能力;电力需求侧用户主要包括工业、商业、居民住宅等部门,而工业负荷基数大、调节潜力高是电力系统需求侧灵活性挖掘的重要来源。
2、然而目前大工业用户的调控潜力量化分析依据大多通过采集日负荷数据,判断当前大工业用户的电力是否饱和,以便得出当前大工业用户是否满足潜力调控要求;但由于工业类型复杂,且工作运行模式繁多,在采集日负荷数据的同时,往往忽略了大工业用户本身的可用于调控潜力的时间,从而导致一部分大工业用户虽符合潜力调控要求,但难以提供可进行调控潜力的时间;因此,降低了现有大工业用户调控潜力量化方法的准确性。
3、因此,不满足现有的需求,对此我们提出了一种大工业用户调控潜力量化方法。
技术实现思路
1、本专利技术的目的在于提供一种大工业用户调控潜力量化方法,通过采集大工业用户的日负荷监测数据及潜力可调控时间,选取符合要求的数据导入神经网络模型中并输出阈值;将所需量化的日负荷监测数据导入最佳神经网络模型并输出可调控潜力数值;将可调控潜力数值与阈值进行量化比对,判断出符合潜力调控要求的大工业用户;并按可调控时间长短及调控潜力值高度进行排序,将可调控时间较短和较长及调控潜力值较低和较高的大工业用户进行区别标记并
2、为实现上述目的,本专利技术提供如下技术方案:一种大工业用户调控潜力量化方法,包括以下步骤:
3、s1、采集大工业用户的日负荷监测数据,并获取大工业用户的潜力可调控时间,以作为大工业用户可调控潜力量化分析的数据依据;
4、s2、创建神经网络模型,选取大工业用户历史日负荷监测数据中的一部分数据,并导入所创建的神经网络模型中进行训练与测试,由此输出大工业用户可调控潜力的阈值,同时还得到测试后的最佳神经网络模型;
5、s3、将所采集的大工业用户历史及当下的日负荷监测数据导入最佳神经网络模型进行训练,由此输出大工业用户可调控潜力数值;
6、s4、将s3中所得出的大工业用户可调控潜力数值与s2中所得出的阈值进行量化比对,由此判断出当前大工业用户可调控潜力是否符合潜力调控要求;
7、s5、将符合大工业用户潜力调控要求的大工业用户与其自身的潜力可调控时间进行匹配,由此将该部分大工业用户的可调控时间及其调控潜力值展示于人机交互终端,以确保大工业用户调控潜力量化的准确。
8、进一步的,所述s1中采集大工业用户的日负荷监测数据,具体为:
9、通过与大工业用户协商,并登录该大工业用户的内部监测系统,由此采集大工业用户历史和当下的日负荷监测数据,以作为可调控潜力量化分析的数据依据。
10、进一步的,所述s1中获取大工业用户的潜力可调控时间,具体为:
11、创建并分析日负荷监测数据分布曲线,以获取该大工业用户的日负荷高峰区间与低峰区间,由此得出大工业用户的潜力可调控时间,以此为可调控潜力量化分析提供辅助数据依据。
12、进一步的,所述s1中采集大工业用户历史和当下的日负荷监测数据后,还包括:
13、按采集时间创建对应的文件夹,将所采集的日负荷监测数据按时间序列保存至对应的文件夹中,并在文件夹中标明所属的大工业用户、潜力可调控时间及其时间戳。
14、进一步的,所述s2中选取大工业用户历史日负荷监测数据中的一部分数据,具体为:
15、分析所采集的大工业用户历史日负荷监测数据,选取历史日负荷监测数据中日负荷值较低的大工业用户数据,以作为导入神经网络模型的样本数据。
16、进一步的,所述s2中选取导入神经网络模型的样本数据后,将所选取的样本数据分为训练样本集和测试样本集,先将训练样本集导入预先所创建的神经网络模型中进行训练,由此得到训练后的神经网络模型以及输出训练结果,该训练结果为:初始可调控潜力的阈值;再将测试样本集导入训练后的神经网络模型中进行测试,由此得到最佳神经网络模型以及输出测试结果,该测试结果为:最佳可调控潜力的阈值,并将该最佳可调控潜力的阈值作为大工业用户可调控潜力的阈值。
17、进一步的,所述s3中所采集的大工业用户的个数在两个或两个以上,因此在输出大工业用户可调控潜力数值后,还需将每个可调控潜力数值的所属大工业用户进行标记。
18、进一步的,所述s4中将s3中所得出的大工业用户可调控潜力数值与s2中所得出的阈值进行量化比对,具体为:
19、将所输出的多个大工业用户可调控潜力数值依次与阈值进行比对,若其中任意一个大工业用户可调控潜力数值处于阈值范围内,则表明该大工业用户符合潜力调控要求;若其中任意一个大工业用户可调控潜力数值高于阈值范围内,则表明该大工业用户具有较高可调控潜力;若其中任意一个大工业用户可调控潜力数值低于阈值范围内,则表明该大工业用户不符合潜力调控要求;再将符合潜力调控要求与具有较高可调控潜力的大工业用户进行区分标记,并将不符合潜力调控要求的大工业用户进行剔除。
20、进一步的,所述s5中将符合大工业用户潜力调控要求的大工业用户与其自身的潜力可调控时间进行匹配,具体为:
21、依次将每个大工业用户的可调控时间及其调控潜力值进行匹配,由此形成调控潜力表格;并按可调控时间长短及其调控潜力值高度进行排序,由此形成大工业用户调控潜力量化分析明细。
22、进一步的,所述s5中按可调控时间长短及其调控潜力值高度进行排序后,还需将可调控时间较短和较长及其调控潜力值较低和较高的大工业用户进行区别标记,以此展示于人机交互终端。
23、与现有技术相比,本专利技术的有益效果是:
24、本专利技术,通过采集大工业用户的日负荷监测数据及潜力可调控时间,选取符合潜力调控要求的数据导入神经网络模型中进行训练并输出阈值;再将当前所需量化分析的大工业用户的日负荷监测数据导入最佳神经网络模型进行训练并输出可调控潜力数值;将该可调控潜力数值与阈值进行量化比对,由此判断出当前大工业用户的可调控潜力是否符合潜力调控要求;筛出符合潜力调控要求的大工业用户,并按可调控时间长短及其调控潜力值高度进行排序,将可调控时间较短和较长及其调控潜力值较低和较高的大工业用户进行区别标记并展示于人机交互终端;使得工作人员直观的了解到大工业用户的调控潜力,便于详细上报大工业用户的响应潜力,确保了大工业用户调控潜力量化的准确性。
本文档来自技高网...【技术保护点】
1.一种大工业用户调控潜力量化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种大工业用户调控潜力量化方法,其特征在于:所述S1中采集大工业用户的日负荷监测数据,具体为:
3.根据权利要求2所述的一种大工业用户调控潜力量化方法,其特征在于:所述S1中获取大工业用户的潜力可调控时间,具体为:
4.根据权利要求2所述的一种大工业用户调控潜力量化方法,其特征在于:所述S1中采集大工业用户历史和当下的日负荷监测数据后,还包括:
5.根据权利要求1所述的一种大工业用户调控潜力量化方法,其特征在于:所述S2中选取大工业用户历史日负荷监测数据中的一部分数据,具体为:
6.根据权利要求5所述的一种大工业用户调控潜力量化方法,其特征在于:所述S2中选取导入神经网络模型的样本数据后,将所选取的样本数据分为训练样本集和测试样本集,先将训练样本集导入预先所创建的神经网络模型中进行训练,由此得到训练后的神经网络模型以及输出训练结果,该训练结果为:初始可调控潜力的阈值;再将测试样本集导入训练后的神经网络模型中进行测试,由此得到最佳神经网
7.根据权利要求1所述的一种大工业用户调控潜力量化方法,其特征在于:所述S3中所采集的大工业用户的个数在两个或两个以上,因此在输出大工业用户可调控潜力数值后,还需将每个可调控潜力数值的所属大工业用户进行标记。
8.根据权利要求1所述的一种大工业用户调控潜力量化方法,其特征在于:所述S4中将S3中所得出的大工业用户可调控潜力数值与S2中所得出的阈值进行量化比对,具体为:
9.根据权利要求1所述的一种大工业用户调控潜力量化方法,其特征在于:所述S5中将符合大工业用户潜力调控要求的大工业用户与其自身的潜力可调控时间进行匹配,具体为:
10.根据权利要求9所述的一种大工业用户调控潜力量化方法,其特征在于:所述S5中按可调控时间长短及其调控潜力值高度进行排序后,还需将可调控时间较短和较长及其调控潜力值较低和较高的大工业用户进行区别标记,以此展示于人机交互终端。
...【技术特征摘要】
1.一种大工业用户调控潜力量化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种大工业用户调控潜力量化方法,其特征在于:所述s1中采集大工业用户的日负荷监测数据,具体为:
3.根据权利要求2所述的一种大工业用户调控潜力量化方法,其特征在于:所述s1中获取大工业用户的潜力可调控时间,具体为:
4.根据权利要求2所述的一种大工业用户调控潜力量化方法,其特征在于:所述s1中采集大工业用户历史和当下的日负荷监测数据后,还包括:
5.根据权利要求1所述的一种大工业用户调控潜力量化方法,其特征在于:所述s2中选取大工业用户历史日负荷监测数据中的一部分数据,具体为:
6.根据权利要求5所述的一种大工业用户调控潜力量化方法,其特征在于:所述s2中选取导入神经网络模型的样本数据后,将所选取的样本数据分为训练样本集和测试样本集,先将训练样本集导入预先所创建的神经网络模型中进行训练,由此得到训练后的神经网络模型以及输出训练结果,该训练结果为:初始可调控潜力的阈值;再将测试样本集导入训练后的神经网络模...
【专利技术属性】
技术研发人员:睢媛媛,宋丽华,陶岩,武亚非,南钰,郝婧,崔佳彬,孔真真,
申请(专利权)人:国网河南省电力公司开封供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。