祁 兵,李鵬云,李 彬
(華北電力大學(xué) 電氣與電子工程學(xué)院,北京 102206)
我國(guó)電力企業(yè)越來(lái)越重視需求側(cè)的互動(dòng)和服務(wù),用戶也初步具備了參與電網(wǎng)公司開展需求響應(yīng)工作的意愿,需求響應(yīng)強(qiáng)化了用戶與電網(wǎng)的交互能力,更有利于挖掘用戶側(cè)的調(diào)節(jié)能力[1-3]。由于電力系統(tǒng)需要保持靈活敏捷的調(diào)控能力,從需求側(cè)進(jìn)行負(fù)荷可調(diào)度能力的分析,有助于電網(wǎng)側(cè)高效解決負(fù)荷峰谷差的問(wèn)題,改善用戶用電,達(dá)到削峰填谷的作用[4]。為了支撐更多終端資源參與到電網(wǎng)企業(yè)提供的可調(diào)節(jié)負(fù)荷相關(guān)互動(dòng)與服務(wù)中,以及解決云計(jì)算中心海量的電力數(shù)據(jù)的問(wèn)題[5],提出了邊緣計(jì)算模式的融合[6]。邊緣計(jì)算模型將計(jì)算分析功能擴(kuò)展到網(wǎng)絡(luò)邊緣側(cè)一些具備計(jì)算能力的設(shè)備,只需要將計(jì)算分析結(jié)果上傳至云中心,即可很大程度上減輕云計(jì)算中心的壓力。
近年來(lái),國(guó)內(nèi)外研究人員在負(fù)荷可調(diào)節(jié)潛力方面進(jìn)行了大量研究,主要是集中在溫控負(fù)荷的建模以及調(diào)節(jié)能力評(píng)估上。文獻(xiàn)[7]提出了一種基于溫度預(yù)報(bào)的戶用電采暖負(fù)荷可調(diào)節(jié)能力的評(píng)估方法,引入基于數(shù)值天氣預(yù)報(bào)獲取未來(lái)一定時(shí)間段內(nèi)的溫度參數(shù),評(píng)估了在滿足人體舒適度的溫度區(qū)間下的戶用電采暖負(fù)荷的可調(diào)節(jié)能力。文獻(xiàn)[8]針對(duì)靈活可調(diào)的負(fù)荷,建立了電熱負(fù)荷參數(shù)的均勻聚類模型,分析了其調(diào)節(jié)電熱負(fù)荷聚類的潛力。文獻(xiàn)[9]針對(duì)電動(dòng)汽車和空調(diào),提出了一種粒子群算法,通過(guò)該算法進(jìn)行了柔性負(fù)荷可調(diào)度潛力策略研究。文獻(xiàn)[10]建立了一種基于實(shí)時(shí)電價(jià)下的用戶可調(diào)節(jié)能力模型,解決了供電與用電間的電力供需不平衡問(wèn)題,實(shí)現(xiàn)用戶積極響應(yīng)及利益最大化。文獻(xiàn)[11]針對(duì)不同用戶響應(yīng)行為的不確定性、響應(yīng)時(shí)延等問(wèn)題,提出了一種基于需求響應(yīng)信息物理系統(tǒng)的耦合特性,對(duì)用戶可調(diào)節(jié)潛力和聚合商調(diào)度可靠性進(jìn)行了建模。文獻(xiàn)[12]考慮用戶負(fù)荷特性和可調(diào)節(jié)潛力的用戶用電行為,提出了一種融合K?means 和自組織映射(Self?Organizing Maps,SOM)進(jìn)行二次聚類綜合聚類的方法。部分研究學(xué)者認(rèn)為,在臺(tái)區(qū)開展可調(diào)節(jié)潛力分析具有重要的意義,但需要考慮大規(guī)模用戶負(fù)荷在不同時(shí)間維度下所展現(xiàn)的動(dòng)態(tài)調(diào)節(jié)潛力的分析,目前相關(guān)研究工作正在開展。圍繞影響調(diào)節(jié)潛力的共性因素,本文提出一種面向臺(tái)區(qū)大規(guī)模用戶負(fù)荷進(jìn)行潛力分析研究的方法,采用邊緣計(jì)算的模式,依靠長(zhǎng)短期記憶(Long Short?term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)算法評(píng)估不同維度下的用戶終端可調(diào)節(jié)潛力,并通過(guò)算例仿真分析驗(yàn)證了該方法的可行性與有效性。
在傳統(tǒng)臺(tái)區(qū)內(nèi),由于缺乏智能化的方法和設(shè)備,導(dǎo)致邊緣側(cè)計(jì)算能力較弱,無(wú)法支撐邊緣計(jì)算模型以及進(jìn)行大規(guī)模的負(fù)荷可調(diào)節(jié)潛力分析。因此,在臺(tái)區(qū)內(nèi)最重要的是安裝智能配變終端[13]。基于邊緣計(jì)算能力的臺(tái)區(qū)智能融合終端是配電臺(tái)區(qū)以及用電側(cè)的邊緣物聯(lián)節(jié)點(diǎn),具備海量數(shù)據(jù)存儲(chǔ)及強(qiáng)大的邊緣計(jì)算能力,可以分擔(dān)主站功能,實(shí)現(xiàn)對(duì)用戶和包括電能表在內(nèi)的用采終端的管控,實(shí)現(xiàn)信息實(shí)時(shí)的互聯(lián)互通,推動(dòng)營(yíng)配貫通。
智能化終端設(shè)備采用“硬件平臺(tái)化,軟件APP化”的設(shè)計(jì)理念,配電臺(tái)區(qū)作為數(shù)據(jù)匯聚和邊緣計(jì)算中心[14]。根據(jù)智能配變終端功能及定位,提出基于邊緣模式下臺(tái)區(qū)電氣連接架構(gòu)圖,如圖1所示。
圖1 基于邊緣計(jì)算臺(tái)區(qū)結(jié)構(gòu)示意圖Fig.1 Structure diagram based on edge computing platform
用戶側(cè)作為數(shù)據(jù)源頭,主要功能是生產(chǎn)數(shù)據(jù)和執(zhí)行決策。線路側(cè)主要由智能開關(guān)構(gòu)成,以便實(shí)現(xiàn)邊緣計(jì)算賦能和統(tǒng)一通信能力。配變側(cè)主要由智能配變終端、臺(tái)區(qū)總表、進(jìn)線總漏電保護(hù)器、進(jìn)出線柱頭等構(gòu)成。智能配變終端是具備邊緣計(jì)算能力的邊緣物聯(lián)節(jié)點(diǎn),將基站功能與終端集成為一體。
在邊緣側(cè)對(duì)智能電能表、監(jiān)測(cè)設(shè)備采集的數(shù)據(jù)進(jìn)行就地分析處理并提供就地決策,實(shí)現(xiàn)設(shè)備管理、單元能效優(yōu)化、臺(tái)區(qū)管理等功能,以提高管理效率和滿足實(shí)時(shí)性要求。對(duì)于設(shè)備預(yù)測(cè)能力及其維護(hù)等需要在云端進(jìn)行數(shù)據(jù)處理、分析和訓(xùn)練。訓(xùn)練模型可在邊緣智能設(shè)備中定期更新,以提供更精準(zhǔn)的決策。
融合邊緣計(jì)算的智能分析系統(tǒng)架構(gòu)如圖2 所示。該系統(tǒng)主要包括數(shù)據(jù)采集終端、邊緣智能處理單元和云中心三個(gè)模塊。數(shù)據(jù)采集終端將歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)采集上傳處理,為邊緣計(jì)算提供數(shù)據(jù)支撐。邊緣智能處理單元主要處理實(shí)時(shí)輕量型數(shù)據(jù),對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)處理之后,將模型訓(xùn)練數(shù)據(jù)上傳至云中心。云中心適合處理非實(shí)時(shí)性、復(fù)雜度高的數(shù)據(jù),主要對(duì)歷史數(shù)據(jù)進(jìn)行LSTM算法模型訓(xùn)練,并將訓(xùn)練好的模型移植到邊緣智能處理單元中,通過(guò)邊緣處理單元存儲(chǔ)實(shí)時(shí)數(shù)據(jù)進(jìn)行邊緣計(jì)算,進(jìn)而完成可調(diào)節(jié)潛力的實(shí)時(shí)分析。
圖2 融合邊緣計(jì)算的智能分析系統(tǒng)架構(gòu)Fig.2 Intelligent analysis system with edge computing
融合邊緣計(jì)算的智能分析系統(tǒng)將云中心的部分功能下放到邊緣側(cè),邊緣計(jì)算既能夠減輕云中心的數(shù)據(jù)流量壓力,又能夠提高數(shù)據(jù)處理效率,實(shí)現(xiàn)可調(diào)節(jié)潛力分析的高實(shí)時(shí)性和低時(shí)延特性。
LSTM深度神經(jīng)網(wǎng)絡(luò)屬于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recur?rent Neural Network,RNN)的一種,當(dāng)前輸出不僅與當(dāng)前輸入相關(guān),還與RNN 之前的輸出有關(guān),即此刻狀態(tài)與上一刻的歷史狀態(tài)有一定程度的關(guān)系,且可能導(dǎo)致下一刻狀態(tài)的變化[15]。
LSTM網(wǎng)絡(luò)有三個(gè)門結(jié)構(gòu),分別是輸入門,用于控制信息輸入;遺忘門,用于控制細(xì)胞歷史狀態(tài)信息的保留;輸出門,用于控制信息輸出[16]。激勵(lì)函數(shù)σ使得遺忘門的輸出值在[0,1],當(dāng)遺忘門輸出為0時(shí),表示上一狀態(tài)的信息全部丟棄;當(dāng)遺忘門輸出為1時(shí),表示上一狀態(tài)的信息全部保留,其涉及的過(guò)程和公式如下:
遺忘門:
輸入門:
記憶單元狀態(tài):
圖3 LSTM神經(jīng)元內(nèi)部結(jié)構(gòu)Fig.3 Internal structure of LSTM neurous
輸出門:
式中:ht-1為t-1 時(shí)刻的輸出數(shù)據(jù);xt為t 時(shí)刻的輸入數(shù)據(jù);ct-1為t-1 時(shí)刻的細(xì)胞狀態(tài);ft為遺忘門系數(shù);it為輸入門系數(shù);為通過(guò)tanh 函數(shù)得到的輸入數(shù)據(jù);ct為t時(shí)刻更新后的細(xì)胞狀態(tài);ot為輸出系數(shù);ht為t時(shí)刻的輸出數(shù)據(jù);σ為sigmoid函數(shù);Wf和bf分別為t-1 時(shí)刻到達(dá)t 時(shí)刻的神經(jīng)元所對(duì)應(yīng)的遺忘門的權(quán)重和偏置;Wi和bi分別為t-1 時(shí)刻到達(dá)t時(shí)刻的神經(jīng)元所對(duì)應(yīng)的輸入門的權(quán)重和偏置;Wc和bc分別為t-1 時(shí)刻到達(dá)t 時(shí)刻的神經(jīng)元所對(duì)應(yīng)的輸入數(shù)據(jù)的權(quán)重和偏置;Wo和bo分別為t-1時(shí)刻到達(dá)t時(shí)刻的神經(jīng)元所對(duì)應(yīng)的輸出門的權(quán)重和偏置。
由于LSTM神經(jīng)網(wǎng)絡(luò)具有特殊的門結(jié)構(gòu)和記憶功能,可以避免傳統(tǒng)RNN梯度消失問(wèn)題[17-19],且可以記憶數(shù)據(jù)的長(zhǎng)期依賴關(guān)系,非常適用于處理具有時(shí)間相關(guān)性的序列信息[20]。
基于LSTM的神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下:
(1)將t 時(shí)刻數(shù)據(jù)特征輸入輸入層,經(jīng)過(guò)激勵(lì)函數(shù)輸出結(jié)果;
(2)將輸入層輸出結(jié)果、t-1時(shí)刻隱藏層輸出結(jié)果和t-1 時(shí)刻Cell 單元存儲(chǔ)的信息輸入LSTM 結(jié)構(gòu)的節(jié)點(diǎn)中,通過(guò)輸入門、輸出門、遺忘門和Cell 單元的處理,輸出數(shù)據(jù)到下一層隱藏層或輸出層;
(3)將LSTM結(jié)構(gòu)節(jié)點(diǎn)的輸出結(jié)果代入輸出層神經(jīng)元,輸出結(jié)果;
(4)誤差反向傳播,更新各個(gè)權(quán)值。
對(duì)于電力負(fù)荷的可調(diào)節(jié)潛力分析評(píng)估,采用數(shù)據(jù)分析與負(fù)荷預(yù)測(cè)融合的方法開展研究[21]。首先對(duì)原始數(shù)據(jù)特征進(jìn)行選取,提取臺(tái)區(qū)內(nèi)家庭用戶正常生活的電氣數(shù)據(jù),并且進(jìn)行預(yù)處理,消除不同量綱的影響,選擇與負(fù)荷可調(diào)節(jié)潛力高度相關(guān)的狀態(tài)變量作為輸入變量。其次是LSTM 預(yù)測(cè)模型訓(xùn)練過(guò)程,將采集處理之后狀態(tài)變量作為輸入變量,電力負(fù)荷作為輸出,接著對(duì)LSTM 網(wǎng)絡(luò)進(jìn)行訓(xùn)練[22],通過(guò)迭代更新權(quán)值和偏置使誤差最小,獲得負(fù)荷功率預(yù)測(cè)模型。最后,進(jìn)行負(fù)荷調(diào)節(jié)潛力計(jì)算,采用兩種方法、兩個(gè)維度進(jìn)行可調(diào)節(jié)潛力分析處理:方法一,直接對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行數(shù)學(xué)計(jì)算,量化為可調(diào)節(jié)潛力,再利用歷史負(fù)荷可調(diào)節(jié)潛力數(shù)據(jù)進(jìn)行預(yù)測(cè);方法二,先將歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè)分析,再利用數(shù)學(xué)方法進(jìn)行潛力分析。在不同方法分析過(guò)程中,采用特征對(duì)比明顯的時(shí)間段進(jìn)行潛力分析會(huì)更加準(zhǔn)確,因此利用時(shí)間維度對(duì)負(fù)荷數(shù)據(jù)進(jìn)行劃分,維度一采用不同月份之間的負(fù)荷數(shù)據(jù),維度二采用工作日與節(jié)假日之間的負(fù)荷數(shù)據(jù),以提高模型的適用性。
2.2.1 LSTM算法模型
LSTM算法模型一共5層,包括兩個(gè)LSTM層、兩個(gè)dropout層和一個(gè)全連接層。第一層LSTM網(wǎng)絡(luò)中隱藏層的神經(jīng)元個(gè)數(shù)設(shè)置為80,第二層LSTM網(wǎng)絡(luò)中隱藏層的神經(jīng)元個(gè)數(shù)設(shè)置為100,模型的損失函數(shù)設(shè)置為預(yù)測(cè)結(jié)果與實(shí)際值的均方誤差,并采用Adam優(yōu)化器。LSTM模型的訓(xùn)練參數(shù)見表1。
表1 LSTM模型訓(xùn)練參數(shù)Tab.1 Parameters of LSTM training model
為評(píng)價(jià)電力可調(diào)節(jié)能力預(yù)測(cè)模型的性能,評(píng)價(jià)指標(biāo)選擇均方根誤差(Root Absolute Error,RMSE),式中記作RMSE、均方誤差(Mean Square Error,MSE),式中記作MSE,各評(píng)價(jià)指標(biāo)的計(jì)算公式分別如式(7)、式(8)所示:
式中:fi,yi分別為某個(gè)時(shí)刻負(fù)荷實(shí)際值、預(yù)測(cè)值,其中i=1,2,…,N,N 為數(shù)據(jù)集時(shí)間序列的長(zhǎng)度。在預(yù)測(cè)模型評(píng)價(jià)指標(biāo)中,MSE是指參數(shù)估計(jì)值與參數(shù)真實(shí)值之差平方的期望值;RMSE 是均方誤差的算術(shù)平方根。MSE和RMSE可以評(píng)價(jià)數(shù)據(jù)的變化程度和預(yù)測(cè)結(jié)果的準(zhǔn)確性,MSE和RMSE的值越小,說(shuō)明預(yù)測(cè)模型描述試驗(yàn)數(shù)據(jù)的精確度越高。
2.2.2 負(fù)荷可調(diào)節(jié)潛力計(jì)算流程
綜合考慮上述算法特點(diǎn),提出了基于LSTM 深度學(xué)習(xí)算法的負(fù)荷潛力評(píng)估模型。該計(jì)算模型主要包括三個(gè)過(guò)程:數(shù)據(jù)采集處理過(guò)程、LSTM預(yù)測(cè)過(guò)程和負(fù)荷潛力分析評(píng)估過(guò)程。具體流程圖如圖4所示。
圖4 基于LSTM模型的潛力分析流程圖Fig.4 Flow chart of potential analysis based on LSTM model
基于邊緣計(jì)算模式的負(fù)荷可調(diào)節(jié)潛力的計(jì)算方法主要包括以下步驟;
(1)在臺(tái)區(qū)內(nèi)安裝邊緣計(jì)算裝置,利用邊緣計(jì)算裝置采集不同用戶、不同時(shí)刻、不同類別的電氣特征參數(shù)作為模型訓(xùn)練測(cè)試數(shù)據(jù)集;
(2)對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理;
(3)選取與待測(cè)時(shí)刻的電氣特征參數(shù)同一類簇的歷史數(shù)據(jù)作為云平臺(tái)預(yù)測(cè)模型的訓(xùn)練樣本,通過(guò)LSTM 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練,得到臺(tái)區(qū)負(fù)荷潛力預(yù)測(cè)模型,訓(xùn)練完成后使用sklearn數(shù)據(jù)庫(kù)提供的pickle 函數(shù)將模型每一層的結(jié)構(gòu)、權(quán)重和偏置及映射關(guān)系等參數(shù)進(jìn)行保存;
(4)將保存的分析模型移植到邊緣計(jì)算的終端設(shè)備中,并通過(guò)實(shí)時(shí)待測(cè)電氣參數(shù)的驅(qū)動(dòng),得到實(shí)時(shí)負(fù)荷潛力曲線。
為了驗(yàn)證LSTM模型在電力負(fù)荷調(diào)節(jié)潛力方面應(yīng)用的可行性與有效性,本文選取某地區(qū)實(shí)際電力負(fù)荷數(shù)據(jù)部分樣本(每15 min 一個(gè)采樣點(diǎn),每日96點(diǎn),量綱為MW)進(jìn)行算例分析。按照前文所述兩種方法、每種方法兩個(gè)維度進(jìn)行展開,采用2014 年8月與1月的10戶電力負(fù)荷數(shù)據(jù)進(jìn)行維度一分析,以2014-09-26—09-30電力負(fù)荷數(shù)據(jù)為工作日樣本數(shù)據(jù),以2014-10-01—10-05 電力負(fù)荷數(shù)據(jù)為節(jié)假日樣本數(shù)據(jù)進(jìn)行維度二分析。
經(jīng)過(guò)訓(xùn)練集多次迭代,得出最優(yōu)負(fù)荷可調(diào)節(jié)潛力預(yù)測(cè)模型,使用該模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè),所得預(yù)測(cè)曲線如圖5所示。由圖5可知,LSTM模型的預(yù)測(cè)結(jié)果接近實(shí)際曲線,精確度較高。
圖5 各維度負(fù)荷預(yù)測(cè)曲線Fig.5 Load predication curve of each dimension
為了進(jìn)一步驗(yàn)證LSTM 模型的預(yù)測(cè)性能,分別計(jì)算RMSE、MSE 值,將LSTM 模型與RNN 模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,見表2。在使用相同方法、相同維度、不同模型的情況下,評(píng)價(jià)指標(biāo)會(huì)呈現(xiàn)不同程度的差異。在方法一、維度一情況下,LSTM 模型比RNN模型的MSE指標(biāo)下降了5.3%,RMSE指標(biāo)下降了2.6%;在方法一、維度二情況下,LSTM 模型比RNN模型的MSE指標(biāo)下降了5.5%,RMSE指標(biāo)下降了2.7%。在方法二、維度一情況下,8月與1月結(jié)果中,LSTM 模型比RNN 模型的MSE 指標(biāo)分別下降了2.1%和0.3%,RMSE 指標(biāo)分別下降了1.1%和3.7%;在方法二、維度二情況下,節(jié)假日與工作日結(jié)果中,LSTM 模型比RNN 模型的MSE 指標(biāo)分別下降了16.9%和1.2%,RMSE 指標(biāo)分別下降了8.1%和0.6%。綜上所述,LSTM 模型的MSE、RMSE 值分別比RNN 模型都有不同程度的降低,驗(yàn)證了LSTM 模型在電力負(fù)荷可調(diào)節(jié)潛力預(yù)測(cè)上具有良好的適用性。在仿真環(huán)境下,LSTM預(yù)測(cè)模型精度較高,為負(fù)荷可調(diào)節(jié)潛力的進(jìn)一步深入分析奠定了基礎(chǔ)。
表2 兩種預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)比較Tab.2 Evaluation indexes of the prediction model
3.2.1 不同月份之間可調(diào)節(jié)潛力分析
由于受溫度、天氣等眾多因素影響,相對(duì)來(lái)說(shuō)8月負(fù)荷數(shù)據(jù)要高于1月數(shù)據(jù)。將數(shù)據(jù)集前20 d數(shù)據(jù)劃分為訓(xùn)練集,后10 d 數(shù)據(jù)劃分為測(cè)試集,利用該數(shù)據(jù)訓(xùn)練測(cè)試,得到不同月份之間調(diào)控能力的曲線圖如圖6所示。
圖6 不同月份可調(diào)節(jié)能力曲線Fig.6 Adjustable capacity curve of different months
分別從調(diào)節(jié)潛力的峰值、谷值、均值和總和方面對(duì)兩種方法進(jìn)行比較分析,結(jié)果見表3??梢钥闯?,在不同月份可調(diào)節(jié)潛力峰值方面,方法二比方法一降低了93.969 MW,均值降低了42.421 MW。兩種方法進(jìn)行潛力分析的結(jié)果差異不大。
表3 維度一不同方法結(jié)果比較分析Tab.3 Comparative analysis of results of different methods in demension MW
3.2.2 工作日與節(jié)假日之間可調(diào)節(jié)潛力分析
由于測(cè)試樣本絕大部分為家庭用電數(shù)據(jù),因此節(jié)假日比工作日負(fù)荷相對(duì)要高,采用5 d數(shù)據(jù),由前3 d數(shù)據(jù)訓(xùn)練,測(cè)試后2 d數(shù)據(jù),得到工作日與節(jié)假日調(diào)控能力的曲線圖如圖7所示。
圖7 節(jié)假日與工作日可調(diào)節(jié)能力曲線Fig.7 Holiday and working day adjustable capacity curve
分別從調(diào)節(jié)潛力的峰值、谷值、均值和總和方面對(duì)不同方法進(jìn)行比較分析,結(jié)果見表4。由表4可以看出,在節(jié)假日與工作日可調(diào)節(jié)潛力峰值方面,方法一比方法二降低了42.084 MW;方法二比方法一均值降低了29.876 MW。兩種方法進(jìn)行潛力分析的結(jié)果差異不大。
表4 維度二不同方法結(jié)果比較分析Tab.4 Compartive analysis of results of different methods in dimension 2 MW
本文提出了一種基于邊緣計(jì)算的LSTM負(fù)荷可調(diào)節(jié)潛力分析模型。相比傳統(tǒng)RNN方法,本文方法具有如下優(yōu)勢(shì):
(1)針對(duì)可調(diào)節(jié)潛力分析需求,提出了基于邊緣計(jì)算的方法,利用機(jī)器學(xué)習(xí)模型,自上而下對(duì)數(shù)據(jù)進(jìn)行全面分析,提高數(shù)據(jù)分析的高效性、合理性和實(shí)時(shí)性。
(2)將與可調(diào)節(jié)潛力高度相關(guān)狀態(tài)變量作為L(zhǎng)STM 算法的輸入變量,綜合考慮選取兩種不同時(shí)間維度進(jìn)行分析,有效提高了電力負(fù)荷可調(diào)節(jié)潛力分析的準(zhǔn)確性。
本文提出的基于邊緣計(jì)算的臺(tái)區(qū)負(fù)荷可調(diào)節(jié)潛力研究,與傳統(tǒng)電網(wǎng)集中式對(duì)數(shù)據(jù)存儲(chǔ)及潛力分析相比,很大程度上減輕了主站的數(shù)據(jù)處理壓力,將算力邊緣化,更加有效、實(shí)時(shí)處理數(shù)據(jù),進(jìn)而提高了電力負(fù)荷可調(diào)節(jié)潛力分析的準(zhǔn)確性、實(shí)時(shí)性,為后續(xù)需求側(cè)負(fù)荷研究提供了參考。