-
公开(公告)号:CN107590618A
公开(公告)日:2018-01-16
申请号:CN201710892541.3
申请日:2017-09-27
Applicant: 中国农业大学
Abstract: 本发明提供了一种实时电价背景下基于消费心理学的负荷需求响应模型,负荷需求响应方法包括:将电价变化量输入预先基于模糊理论建立的负荷需求响应模型中,获取负荷响应量;其中,所述负荷需求响应模型的死区阈值和饱和区阈值为模糊数。本发明通过基于模糊理论建立的负荷需求响应模型,使得死区阈值和饱和区阈值为模糊数,进而使负荷响应量为区间范围,更加贴近实际情况,使负荷需求响应结果更加全面和准确。
-
公开(公告)号:CN109583621B
公开(公告)日:2021-05-25
申请号:CN201811189045.2
申请日:2018-10-12
Applicant: 中国农业大学 , 国网冀北电力有限公司经济技术研究院 , 国网能源研究院有限公司
Abstract: 本发明属于电力系统领域,涉及一种基于改进变分模态分解的PSO‑LSSVM短期负荷预测方法,包括以下步骤:S1选取分解效果评价指标;S2设定SMD分解上限;S3先用粒子群优化算法优化VMD参数,再进行VMD分解,最后获得模态分量中心频率对应的周期;S4组合模态分量,获得组合分量;S5求解各影响因素数据和组合分量的序列分别与预测日负荷序列的互信息,根据阈值要求获得影响因素输入变量集合;S6将选取的影响因素输入变量代入PSO‑LSSVM模型中,求解预测结果。本发明所述方法提高了影响因素数据的利用效率,得到优化的模态分解结果;通过量化影响因素内部结构分量与负荷的相关关系,准确选取有效的影响因素变量,拓展了影响因素数目,提升了预测精度。
-
公开(公告)号:CN106529759A
公开(公告)日:2017-03-22
申请号:CN201610822408.6
申请日:2016-09-13
Applicant: 中国农业大学
CPC classification number: G06Q10/06315 , G06Q50/06
Abstract: 本发明提供了一种基于主动负荷互动响应的分布式光伏消纳能力评估方法及装置,所述方法包括:构建分时电价环境下的负荷时序模型;将主动负荷响应概率矩阵引入至构建好的负荷时序模型中,得到包含主动负荷响应概率矩阵的负荷时序模型;构建分布式光伏消纳数学模型;根据所述包含主动负荷响应概率矩阵的负荷时序模型,以及构建的分布式光伏消纳数学模型,采用遗传算法获取分布式光伏最大消纳量。本发明通过构建分时电价环境下负荷时序模型,并将负荷响应概率矩阵引入负荷时序模型中,以此来反映负荷响应的不确定性,避免了直接引入价格弹性系数所导致的误差。
-
公开(公告)号:CN109523122A
公开(公告)日:2019-03-26
申请号:CN201811189020.2
申请日:2018-10-12
Applicant: 中国农业大学 , 国网冀北电力有限公司经济技术研究院 , 国网能源研究院有限公司
Abstract: 本发明属于电力系统的电力经济技术领域,涉及一种基于负荷聚合商参与需求响应市场交易的方法,包括以下步骤:步骤S1:设计有负荷聚合商参与的需求响应市场分层结构;步骤S2:负荷聚合商组织不同特点的用户去参与不同的需求响应项目,保证市场成员利益的最大化;步骤S3:规定DR市场投标交易方法;步骤S4:设定DR市场交易时序。本发明所述方法在有负荷聚合商的参与下设计了新的需求响应市场成员,实现了在有负荷聚合商这种新型市场成员参与情况下的需求响应市场交易模式。
-
公开(公告)号:CN106447432A
公开(公告)日:2017-02-22
申请号:CN201610821343.3
申请日:2016-09-13
Applicant: 中国农业大学
Abstract: 本发明属于电力系统运行规划与控制以及电力市场技术领域,尤其涉及一种电力零售市场环境下零售商的售电方法。该方法包括如下步骤:S1:建立零售商的博弈模型;S2:建立电力生产商的博弈模型;S3:建立用户的博弈模型;S4:由所述电力生产商的博弈模型、零售商的博弈模型和用户的博弈模型共同构成电力交易中的主从博弈模型;用最优驻点法求解所述主从博弈模型,得到零售商的最优售电方法。本发明为电力市场的参与者进行决策判断提供了数据支持,使各级参与者可以充分挖掘各自的潜力,降低供电成本,获得更大利益。
-
公开(公告)号:CN109583621A
公开(公告)日:2019-04-05
申请号:CN201811189045.2
申请日:2018-10-12
Applicant: 中国农业大学 , 国网冀北电力有限公司经济技术研究院 , 国网能源研究院有限公司
Abstract: 本发明属于电力系统领域,涉及一种基于改进变分模态分解的PSO-LSSVM短期负荷预测方法,包括以下步骤:S1选取分解效果评价指标;S2设定SMD分解上限;S3先用粒子群优化算法优化VMD参数,再进行VMD分解,最后获得模态分量中心频率对应的周期;S4组合模态分量,获得组合分量;S5求解各影响因素数据和组合分量的序列分别与预测日负荷序列的互信息,根据阈值要求获得影响因素输入变量集合;S6将选取的影响因素输入变量代入PSO-LSSVM模型中,求解预测结果。本发明所述方法提高了影响因素数据的利用效率,得到优化的模态分解结果;通过量化影响因素内部结构分量与负荷的相关关系,准确选取有效的影响因素变量,拓展了影响因素数目,提升了预测精度。
-
-
-
-
-