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】
本专利技术涉及能源规划,尤其是涉及一种面向虚拟电厂调控的负荷分类方法、装置和存储介质。
技术介绍
1、目前,新增的供电能力不能满足快速增长的用电需求,产生了大量的供电缺额。因此,可再生能源凭借其污染低、灵活方便的特性受到越来越多的关注。但是由此引发的并网不确定性日益突出且难以控制。为解决此问题,虚拟电厂(virtual power plant,vpp)提供新的解决方法。
2、虚拟电厂通过先进的信息采集、控制、通信技术,将跨地区、多种类的可控分布式资源聚合起来,充分发挥资源的灵活性和互补性。参与聚合的可控分布式资源具有数目多、性能差异大等特征。因此,对于虚拟电厂运营商而言,为了更好地作为一个独立的市场主体参与市场交易,必须提高对内部资源的聚合管理能力并获得聚合特性。
3、针对新能源波动性问题,文献“计及光热发电特性的光-风-火虚拟电厂双阶段优化调度”(彭院院,周任军,李斌,等.电力系统及其自动化学报,2020,32(4):21-28)建立计及光热发电特性的光-风-火虚拟电厂双阶段优化调度模型,以日前调度结果作为虚拟电厂申报出力,通过改变光热电站的储热量来修正输出功率,并利用收缩空间的和声搜索算法求解模型。该方案能够增强其调节能力,虚拟电厂可获得更高的经济效益,但是模型并没有考虑用户侧。在针对负荷侧参与调度的研究中,文献“计及需求侧响应的虚拟电厂运行优化研究”(吴威辰,王旭,蒋传文,等.电气自动化,2019,41(2):29-32+94)将工业负荷分为迎峰负荷和避峰负荷,构建基于收益最大化的虚拟电厂协调调度模
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种面向虚拟电厂调控的负荷分类方法、装置和存储介质,根据负荷的用电特性,建立负荷精细化分类模型,能够优化需求响应调度模型,提升用户和虚拟电厂的社会效益。
2、本专利技术的目的可以通过以下技术方案来实现:
3、根据本专利技术的第一方面,提供一种面向虚拟电厂调控的负荷分类方法,包括离线阶段和在线阶段,所述离线阶段包括以下步骤:
4、在不同的虚拟电厂调控场景下,通过马尔可夫转移场构建电压信号的负荷图像;
5、利用灰度共生矩阵提取当前负荷图像纹理特征,形成训练数据指纹;
6、结合训练数据指纹和对应的标签,形成训练数据;
7、利用gradient boosting集成学习模型进行分类学习,获得负荷识别模型;
8、所述在线阶段包括以下步骤:
9、对负荷侧得到的电压信号,通过马尔可夫转移场构建电压信号的负荷图像,然后利用灰度共生矩阵提取负荷图像纹理特征,构建数据指纹,通过负荷识别模型根据数据指纹进行负荷识别。
10、进一步地,所述负荷图像的构建过程包括以下步骤:
11、对采集的时间序列数据划分为多个分位数箱,把每个分位数箱看作马尔可夫模型的一种状态;
12、利用最大似然法估计状态之间的转移概率,构建马尔可夫转移矩阵;
13、在马尔可夫转移矩阵的基础上,构造马尔可夫转移场;
14、对马尔可夫转移场图像的像素进行平均聚合运算,得到负荷图像。
15、进一步地,所述马尔可夫转移矩阵的表达式为:
16、
17、式中,w为马尔可夫转移矩阵,pij为分位箱qi转移到分位箱qj的概率,∑jpij=1;
18、所述马尔可夫转移场的表达式为:
19、
20、式中,m为马尔可夫转移场,ωij为xi所在的分位数桶转移到xj的分位数箱的概率。
21、进一步地,所述负荷图像纹理特征的提取过程包括以下步骤:
22、对负荷图像进行预处理,得到灰度图像;
23、基于所述灰度图像,构建灰度共生矩阵;
24、根据所述灰度共生矩阵,构建统计量,提取负荷图像的纹理特征;
25、将不同方向和不同相邻间隔情况下得到的不同类型的纹理特征进行图像特征融合,得到数据指纹。
26、进一步地,根据灰度图像的灰度值阶数构建灰度共生矩阵。
27、进一步地,构建的统计量包括角二阶矩、相关性和同质度。
28、进一步地,所述分类学习的过程包括以下步骤:
29、s401:初始化训练数据的权重系数分布,每一个训练样本都赋予相同的权值;选取cart回归树作为基分类器,同时初始化弱学习器;
30、s402:利用训练样本的权值对训练数据进行加权处理,然后建立用于分类学习的cart回归树;根据分类错误概率得到该cart回归树的权重,同时更新训练样本的权值;
31、s403:重复步骤s402,获得多个用于分类学习的cart回归树;
32、s404:对各个cart回归树的权重进行线性加权处理,组合每轮学习的结果,得到最终的强分类学习器,作为负荷识别模型。
33、根据本专利技术的第二方面,提供一种面向虚拟电厂调控的负荷分类装置,包括:
34、离线学习模块,用于提取虚拟电厂中不同种类负荷响应下数据特征,构建电力负荷数据特征库,学习特征和对应标签之间的关系,训练负荷识别模型;
35、在线分类模块:用于将提取到的负荷图像纹理特征,送入负荷识别模型中,得到负荷的分类结果;
36、所述离线学习模块具体包括:
37、负荷图像构建子模块,用于在不同的虚拟电厂调控场景下,通过马尔可夫转移场构建电压信号的负荷图像;
38、特征提取模块子模块,用于利用灰度共生矩阵提取当前负荷图像纹理特征,形成训练数据指纹;
39、训练数据构建子模块,用于结合训练数据指纹和对应的标签,形成训练数据;
40、分类学习子模块,用于利用gradient boosting集成学习模型进行分类学习,获得负荷识别模型。
41、根据本专利技术的第三方面,提供一种面向虚拟电厂调控的负荷分类装置,包括:处理器及存储介质;
42、所述存储介质用于存储指令;
43、所述处理器用于根据所述指令进行操作以执行如上所述的一种面向虚拟电厂调控的负荷分类方法的步骤。
44、根据本专利技术的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行如上所述的一种面向虚拟电厂调控的负荷分类方法的步骤,当该程序被处理器执行时,实现如上所述的一种面向虚本文档来自技高网...
【技术保护点】
1.一种面向虚拟电厂调控的负荷分类方法,其特征在于,包括离线阶段和在线阶段,所述离线阶段包括以下步骤:
2.根据权利要求1所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,所述负荷图像的构建过程包括以下步骤:
3.根据权利要求2所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,所述马尔可夫转移矩阵的表达式为:
4.根据权利要求1所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,所述负荷图像纹理特征的提取过程包括以下步骤:
5.根据权利要求4所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,根据灰度图像的灰度值阶数构建灰度共生矩阵。
6.根据权利要求4所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,构建的统计量包括角二阶矩、相关性和同质度。
7.根据权利要求1所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,所述分类学习的过程包括以下步骤:
8.一种面向虚拟电厂调控的负荷分类装置,其特征在于,包括:
9.一种面向虚拟电厂调控的负荷分类装置,其特征在于,包括:处理
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行如权利要求1-7任一所述的一种面向虚拟电厂调控的负荷分类方法的步骤,当该程序被处理器执行时,实现如权利要求1-7任一所述的一种面向虚拟电厂调控的负荷分类方法的步骤。
...【技术特征摘要】
1.一种面向虚拟电厂调控的负荷分类方法,其特征在于,包括离线阶段和在线阶段,所述离线阶段包括以下步骤:
2.根据权利要求1所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,所述负荷图像的构建过程包括以下步骤:
3.根据权利要求2所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,所述马尔可夫转移矩阵的表达式为:
4.根据权利要求1所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,所述负荷图像纹理特征的提取过程包括以下步骤:
5.根据权利要求4所述的一种面向虚拟电厂调控的负荷分类方法,其特征在于,根据灰度图像的灰度值阶数构建灰度共生矩阵。
6.根据权利要求4所...
【专利技术属性】
技术研发人员:吕冉,朱庆,郭明星,吴恩琦,兰莉,王素,
申请(专利权)人:国网上海市电力公司,
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。