分布式电力资源调度信息处理与优化方法及系统与流程

摘要: 本发明属于电力系统及其自动化领域,尤其涉及分布式电力资源调度信息处理与优化方法及系统。背景技术:1、随着新能源技术普及,分布式电力资源渗透率不断提升,电力系统逐...
分布式电力资源调度信息处理与优化方法及系统与流程

本发明属于电力系统及其自动化领域,尤其涉及分布式电力资源调度信息处理与优化方法及系统。

背景技术:

1、随着新能源技术普及,分布式电力资源渗透率不断提升,电力系统逐步向分布式协同调度转型。当前电网对调度灵活性、经济性需求增加,同时用户用电行为更趋多样,对用电可靠性与体验要求提高,如何在满足电网负荷调节需求的同时适配用户个性化需求,成为分布式电力资源调度领域的核心发展方向,相关技术正围绕数据整合与精准决策持续演进。

2、现有分布式电力资源调度方案未充分整合设备实时运行数据与用户行为数据,无法精准刻画用户用电习惯及对设备的依赖程度,且缺乏负荷投切操作对用户影响的量化手段,导致调度方案易与用户实际需求脱节,引发用户不满或手动干预;同时方案未设置基于用户反馈的动态更新机制,用户习惯画像与调度模型难以适配用户行为的变化,长期使用下调度效果逐渐下降,整体无法实现电网负荷调节需求与用户满意度的有效平衡。

技术实现思路

1、本发明的目的在于提供分布式电力资源调度信息处理与优化方法,旨在解决背景技术中确定的现有技术存在的技术问题。

2、本发明是这样实现的,分布式电力资源调度信息处理与优化方法,所述方法包括:

3、持续采集分布式电力资源的实时运行数据和用户行为数据;

4、基于实时运行数据和用户行为数据,构建后悔度预测模型,分析每个分布式电力资源的使用规律和用户依赖程度,建立用户习惯画像,预测在不同时段对分布式电力资源执行负荷投切操作可能导致的用户后悔度数值;

5、当接收到针对用电负荷的调节指令时,基于后悔度数值,构建以最小化总后悔度为目标、以满足用电负荷调节指令要求为约束条件的优化模型,求解最优调度方案,确定各分布式电力资源的投切时序和功率水平,并生成调度指令;

6、将调度指令下发至相应的分布式电力资源执行,同时监测用户的手动干预行为和通过移动终端收集的满意度评价,并更新用户习惯画像和后悔度预测模型。

7、作为本发明更进一步的方案,所述持续采集分布式电力资源的实时运行数据和用户行为数据,具体包括:

8、通过智能电表持续采集分布式电力资源的电压、电流、功率因数和设备开关时长,形成包含时间戳的实时运行数据流;

9、持续监测用户的用电时段分布、用户设备使用频次和持续时间,获取原始用户行为数据,并对原始用户行为数据进行清洗和特征提取,得到标准化的用户行为数据集;

10、将实时运行数据流和标准化的用户行为数据集进行关联整合,建立包含设备属性、历史用电模式和用户偏好的分布式电力资源数字档案。

11、作为本发明更进一步的方案,所述预测在不同时段对分布式电力资源执行负荷投切操作可能导致的用户后悔度数值,具体包括:

12、基于具有完整时间序列特征的实时运行数据流和标准化的用户行为数据集,分别识别工作日与周末的用电规律模式,并建立每种类型设备的激活时间概率分布模型,构建动态更新的用户习惯画像;

13、利用具有完整时间序列特征的实时运行数据流中的设备开关时长和标准化的用户行为数据集中的设备使用频次,建立后悔度评估函数,量化计算负荷投切操作可能引发的用户不满程度;

14、建立后悔度预测模型,将用户习惯画像中的设备激活时间概率分布和后悔度评估函数的输出作为输入特征,输出在未来24小时内每个15分钟时段对分布式电力资源执行负荷投切操作可能导致的用户后悔度数值;

15、根据用户后悔度数值生成包含时间维度和设备维度的调度风险热力图,并标示各时段各设备的调度敏感度分布情况。

16、作为本发明更进一步的方案,所述确定各分布式电力资源的投切时序和功率水平,并生成调度指令,具体包括:

17、解析用电负荷的调节指令,提取指令中包含的负荷削减总量、调节持续时间和功率变化速率要求的技术参数,确定构建优化模型的等式约束和不等式约束条件;

18、基于调度风险热力图中的用户后悔度数值,建立以系统总后悔度最小化为目标函数、以满足用电负荷的调节指令要求为硬性约束的优化模型,其中系统总后悔度为所有被调度设备后悔度数值的加权和;

19、求解优化模型,分析确定各分布式电力资源的投切时序和功率水平的最佳组合方案;

20、根据各分布式电力资源的投切时序和功率水平的最佳组合方案,生成包含设备唯一标识符、投切时间点、持续时长和功率调整幅度的调度指令。

21、作为本发明更进一步的方案,所述监测用户的手动干预行为和通过移动终端收集的满意度评价,并更新用户习惯画像和后悔度预测模型,具体包括:

22、将包含设备唯一标识符、投切时间点、持续时长和功率调整幅度的调度指令加密下发至目标分布式电力资源,并实时监控调度指令执行状态和实际负荷调整效果;

23、监测用户通过智能家居系统执行的手动干预行为,同时收集用户对本次调度体验的满意度评分,形成包含时间标记的用户反馈数据集;

24、利用手动干预行为记录和满意度评分,动态更新用户习惯画像中的设备激活时间概率分布参数;

25、基于更新后的用户习惯画像,重新训练后悔度评估函数,优化后悔度预测模型中的参数配置。

26、本发明的另一目的在于提供分布式电力资源调度信息处理与优化系统,所述系统包括:

27、实时数据采集模块,用于持续采集分布式电力资源的实时运行数据和用户行为数据;

28、后悔度预测模型构建模块,用于基于实时运行数据和用户行为数据,构建后悔度预测模型,分析每个分布式电力资源的使用规律和用户依赖程度,建立用户习惯画像,预测在不同时段对分布式电力资源执行负荷投切操作可能导致的用户后悔度数值;

29、优化调度模型构建模块,用于当接收到针对用电负荷的调节指令时,基于后悔度数值,构建以最小化总后悔度为目标、以满足用电负荷调节指令要求为约束条件的优化模型,求解最优调度方案,确定各分布式电力资源的投切时序和功率水平,并生成调度指令;

30、调度指令执行与反馈监测模块,用于将调度指令下发至相应的分布式电力资源执行,同时监测用户的手动干预行为和通过移动终端收集的满意度评价,并更新用户习惯画像和后悔度预测模型。

31、作为本发明更进一步的方案,所述实时数据采集模块包括:

32、实时运行数据采集模块,用于通过智能电表持续采集分布式电力资源的电压、电流、功率因数和设备开关时长,形成包含时间戳的实时运行数据流;

33、行为数据监测与提取模块,用于持续监测用户的用电时段分布、用户设备使用频次和持续时间,获取原始用户行为数据,并对原始用户行为数据进行清洗和特征提取,得到标准化的用户行为数据集;

34、数据关联整合模块,用于将实时运行数据流和标准化的用户行为数据集进行关联整合,建立包含设备属性、历史用电模式和用户偏好的分布式电力资源数字档案。

35、作为本发明更进一步的方案,所述后悔度预测模型构建模块包括:

36、数据关联整合模块,用于基于具有完整时间序列特征的实时运行数据流和标准化的用户行为数据集,分别识别工作日与周末的用电规律模式,并建立每种类型设备的激活时间概率分布模型,构建动态更新的用户习惯画像;

37、评估函数构建模块,用于利用具有完整时间序列特征的实时运行数据流中的设备开关时长和标准化的用户行为数据集中的设备使用频次,建立后悔度评估函数,量化计算负荷投切操作可能引发的用户不满程度;

38、预测模型构建模块,用于建立后悔度预测模型,将用户习惯画像中的设备激活时间概率分布和后悔度评估函数的输出作为输入特征,输出在未来24小时内每个15分钟时段对分布式电力资源执行负荷投切操作可能导致的用户后悔度数值;

39、热力图生成模块,用于根据用户后悔度数值生成包含时间维度和设备维度的调度风险热力图,并标示各时段各设备的调度敏感度分布情况。

40、作为本发明更进一步的方案,所述优化调度模型构建模块包括:

41、调节指令解析模块,用于解析用电负荷的调节指令,提取指令中包含的负荷削减总量、调节持续时间和功率变化速率要求的技术参数,确定构建优化模型的等式约束和不等式约束条件;

42、优化模型构建模块,用于基于调度风险热力图中的用户后悔度数值,建立以系统总后悔度最小化为目标函数、以满足用电负荷的调节指令要求为硬性约束的优化模型,其中系统总后悔度为所有被调度设备后悔度数值的加权和;

43、优化模型求解模块,用于求解优化模型,分析确定各分布式电力资源的投切时序和功率水平的最佳组合方案;

44、调度指令生成模块,用于根据各分布式电力资源的投切时序和功率水平的最佳组合方案,生成包含设备唯一标识符、投切时间点、持续时长和功率调整幅度的调度指令。

45、作为本发明更进一步的方案,所述调度指令执行与反馈监测模块包括:

46、指令加密与下发模块,用于将包含设备唯一标识符、投切时间点、持续时长和功率调整幅度的调度指令加密下发至目标分布式电力资源,并实时监控调度指令执行状态和实际负荷调整效果;

47、用户行为与满意度监测模块,用于监测用户通过智能家居系统执行的手动干预行为,同时收集用户对本次调度体验的满意度评分,形成包含时间标记的用户反馈数据集;

48、画像动态更新模块,用于利用手动干预行为记录和满意度评分,动态更新用户习惯画像中的设备激活时间概率分布参数;

49、评估函数二次训练模块,用于基于更新后的用户习惯画像,重新训练后悔度评估函数,优化后悔度预测模型中的参数配置。

50、本发明的有益效果是:

51、本方案通过持续采集分布式电力资源实时运行数据与用户行为数据,关联整合后建立包含设备属性、历史用电模式和用户偏好的数字档案,为调度决策提供全面且精准的数据支撑;基于该数据构建动态更新的用户习惯画像与后悔度预测模型,能量化不同时段负荷投切操作对用户的影响,将用户主观感受转化为客观决策依据,避免调度与用户需求脱节;接收到负荷调节指令时,以最小化总后悔度为目标、满足指令要求为约束构建优化模型,确保调度方案既达成电网负荷削减总量、调节持续时间等技术要求,又优先选择用户敏感度低的设备与时段执行操作,降低用户不满;调度执行过程中,加密下发指令保障传输安全,实时监控执行状态与负荷调整效果,同时采集用户手动干预行为与满意度评价,动态更新用户习惯画像与后悔度预测模型,实现模型持续迭代优化。整体方案有效解决现有技术缺陷,实现电网负荷调节与用户体验的协同优化,显著提升分布式电力资源调度的精准性、稳定性与用户接受度。