基于在线学习的配电馈线需求实时能量分解

尽管配电系统运营商已在其网络中增加更多传感器，但他们仍常缺乏关于分布式能源资源（如需求响应电力负荷和住宅太阳能发电）行为的准确实时图景。此类信息可改善系统可靠性、经济效率和环境影响。与其安装额外的、成本高昂的传感和通信基础设施来获取更多实时信息，不如利用现有传感能力并借助系统知识来减少对新基础设施的需求。在本文中，我们将配电馈线的需求测量分解为：1) 一批空调的需求，以及 2) 连接到该馈线的其余负荷的需求。我们使用一种在线学习算法——动态固定分享（Dynamic Fixed Share, DFS），该算法利用实时配电馈线测量以及由历史和建筑与设备级数据生成的模型。我们开发了该算法的两种实现，并使用来自家庭和商业建筑的真实需求数据进行案例研究，以调查算法的有效性。案例研究表明，DFS能有效执行在线分解，且算法中所包含模型的选择与构建会影响其精度，该精度可与一组卡尔曼滤波器（Kalman filters）相媲美。