CN109842140B - 高压配网峰谷负荷平衡智能管控方法 - Google Patents
高压配网峰谷负荷平衡智能管控方法 Download PDFInfo
- Publication number
- CN109842140B CN109842140B CN201910159489.XA CN201910159489A CN109842140B CN 109842140 B CN109842140 B CN 109842140B CN 201910159489 A CN201910159489 A CN 201910159489A CN 109842140 B CN109842140 B CN 109842140B
- Authority
- CN
- China
- Prior art keywords
- power
- peak
- area
- predicted
- power supply
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Abstract
本发明公开了一种高压配网峰谷负荷平衡智能管控方法,在平衡过程中通过低压台区峰谷负荷平衡智能管理子系统进行第一级调峰,通过自身进行第二级调峰,借助储能补偿和光伏补偿实现削峰填谷,使得供给侧依据各个台区的台区供电负荷需求和电网供电负荷需求来确定发电机组的运行数量,减少了高峰时机组的运行数量,节省了供电成本,并且能够将调峰波动限制在±5%以内,实现近似直线的电力输出,防止发电机组空转,保证了发电机组的设备安全。
Description
技术领域
本发明涉及台区供电智能化技术,特别是一种高压配网峰谷负荷平衡智能管控方法。
背景技术
电力需求存在多样性和不确定性,峰谷差接近50%,使得按满足客户最大需求设置的发供电能力,在需求低谷时段大量被闲置,加大了发电机组的投入,增加了投资浪费,降低了效率,提高了电价成本,与此同时,增加了能源消耗,排放了更多的污染物,不符合节能减排的要求。
面对这一客观存在的问题,我国采取了多种措施:
1)夏时制,所谓夏时制是一种为节约能源而人为规定地方时间的制度,一般在天亮早的夏季人为将时间提前一小时,可以使人早起早睡,减少照明量,以充分利用光照资源,从而节约照明用电,我国于1986年至1991年间在全国范围内实行了6年夏时制,但经过统计计算,夏时制并未改变峰谷差,只是将峰谷出现的时间提前了,并且夏时制还会扰乱人们正常的生物钟和社会的正常运转;
2)调峰供给侧,现实中多为抽水蓄能电站,抽水蓄能电站利用电力负荷低谷时的电能抽水至上水库,在电力负荷高峰期再放水至下水库发电的水电站,它可将电网负荷低时的多余电能转变为电网高峰时期的高价值电能,还适于调频、调相,稳定电力系统的周波和电压,且宜为事故备用,还可提高系统中火电站和核电站的效率,但是抽水蓄能电站的建设周期长,场地要求高,很难大面积推广,并且抽水蓄能电站在能量转换的过程中会造成大量的能量损失;
3)峰谷电价管理措施,峰谷电价按高峰用电和低谷用电分别计算电费,峰谷电价制度能充分发挥价格的经济杠杆作用,调动用户削峰填谷、均衡用电的积极性,提高了电网负荷率和设备利用率,达到控制高峰负荷、充分利用电网低谷电量的目的,同时也达到了成本合理分摊的目的,虽然从2012年7月开始,居民阶梯电价制度已在我国大部分省市开始实行,但是峰谷电价管理并不能从源头上解决存在的问题。
由于上述措施存在的种种局限性,目前全国的调峰能力仅能达到1.7%,远远不能满足实际需求,如何增强电网的峰谷负荷平衡能力成为当今急需解决的问题。
发明内容
针对背景技术中存在的技术问题,本发明提出一种高压配网峰谷负荷平衡智能管控方法,其特征在于,所述高压配网峰谷负荷平衡智能管控方法具体包括:
1)由低压台区峰谷负荷平衡智能管理子系统进行第一级调峰;
2)由高压配网峰谷负荷平衡智能管理主系统进行第二级调峰;
所述高压配网峰谷负荷平衡智能管理主系统包括多个所述低压台区峰谷负荷平衡智能管理子系统;
所述第一级调峰和所述第二级调峰同时进行。
进一步地,所述第一级调峰具体包括:
1)在低谷电价开始的那个时刻,校正用户用电曲线预测模型;
2)通过用户用电曲线预测模型预测未来24小时内预测的用户用电曲线,同时预测未来24小时内预测的台区光伏发电曲线,利用所述预测的用户用电曲线和所述预测的台区光伏发电曲线计算台区供电负荷需求,供给侧参考所述台区供电负荷需求提供电能;
3)在低谷电价期间,将低价电存入台区蓄能储能装置;
4)在低谷电价结束的那个时刻,将多个光伏发电单元的电能输入主网配电系统;
5)实时监测各个台区检测单元的数据,预测用户负荷端的用电需求,对于所述台区蓄能储能装置进行控制。
进一步地,所述步骤1中,所述校正用户用电曲线预测模型具体包括:
将最近24小时以内的供电信息与之前预测的用户用电曲线进行对比,计算用户用电相对误差,若所述用户用电相对误差小于等于第一阈值,则不必校正所述用户用电曲线预测模型,若所述用户用电相对误差大于第一阈值,小于等于第二阈值,则基于最新的供电信息数据校正所述用户用电曲线预测模型,若所述用户用电相对误差大于第二阈值,则判断实际气温与天气预报气温是否有较大差异,如果存在较大差异,说明输入所述用户用电曲线预测模型的参数与实际值相差较大,不必校正所述用户用电曲线预测模型,反之,则校正所述用户用电曲线预测模型。
进一步地,所述用户用电相对误差的计算公式如下:
ErT代表用户用电相对误差,d1、d2、…、dn代表实际供电量,d1’、d2’、…、dn’代表用户用电预测曲线中对应时刻的预测用电量。
进一步地,所述用户用电曲线预测模型采用LSTM神经网络,基于深度学习框架Keras进行训练和改进。
进一步地,所述步骤2中,所述预测未来24小时内预测的台区光伏发电曲线具体包括:
收集光伏发电单元之前24小时以内的发电量信息和天气信息,获取未来24小时以内的天气预报信息,结合光伏发电单元的运行特性,合理预测光伏发电单元未来24小时以内的发电曲线。
进一步地,所述步骤2中,所述台区供电负荷需求的具体计算过程包括:
1)利用预测的用户用电曲线计算预测用户用电平均值;
2)利用预测的台区光伏发电曲线计算预测台区光伏发电平均值;
3)用所述预测用户用电平均值减去所述预测台区光伏发电平均值便可得到所述台区供电负荷需求。
进一步地,所述步骤5中,在两个用电高峰时段,若预测用电量大于当前的供电能力,开启所述台区蓄能储能装置,通过所述台区蓄能储能装置进一步地供电能补偿,在白天的非高峰时段,若预测用电量小于当前的供电能力,将多余的电能存入所述台区蓄能储能装置。
进一步地,所述低压台区峰谷负荷平衡智能管控方法还包括:
6)于特定时间点,统计之前24小时以内针对各个用户的供电情况,将其存入台区供电信息存储单元,计算得到台区调峰波动参数和台区蓄能储能装置利用率参数,将其存入台区运行参数存储单元。
进一步地,所述台区调峰波动参数包括台区最大正波动和台区最小负波动,具体计算公式如下:
FmaxT代表台区最大正波动,FminT代表台区最小负波动,d1、d2、…、dn代表台区供电信息存储单元中存储的实际供电量,dsT代表台区供电负荷需求。
进一步地,所述台区蓄能储能装置利用率参数包括台区储能利用率和台区调峰利用率,具体计算公式如下:
CsaveT代表台区储能利用率,CleaveT代表台区调峰利用率,EvT代表低谷电价结束的那个时刻台区蓄能储能装置中的电能,EmaxT代表台区蓄能储能装置中的电能总容量,EleaveT代表低谷电价开始的那个时刻台区蓄能储能装置中剩余的电能。
进一步地,所述第二级调峰具体包括:
1)在低谷电价开始的那个时刻,校正台区用电曲线预测模型;
2)通过台区用电曲线预测模型预测未来24小时内预测的台区用电曲线,同时预测未来24小时内预测的电网光伏发电曲线,利用所述预测的台区用电曲线和所述预测的电网光伏发电曲线计算电网供电负荷需求,供给侧参考所述电网供电负荷需求提供电能;
3)在低谷电价期间,将低价电存入电网蓄能储能装置;
4)在低谷电价结束的那个时刻,将多个光伏发电单元的电能输入主网配电系统;
5)实时监测各个电网检测单元的数据,预测低压台区峰谷负荷平衡智能管理子系统的用电需求,对于所述电网蓄能储能装置进行控制。
进一步地,所述步骤1中,所述校正台区用电曲线预测模型具体包括:
将最近24小时以内的供电信息与之前预测的台区用电曲线进行对比,计算台区用电相对误差,若所述台区用电相对误差小于等于第一阈值,则不必校正所述台区用电曲线预测模型,若所述台区用电相对误差大于第一阈值,小于等于第二阈值,则基于最新的供电信息数据校正所述台区用电曲线预测模型,若所述台区用电相对误差大于第二阈值,则判断实际气温与天气预报气温是否有较大差异,如果存在较大差异,说明输入所述台区用电曲线预测模型的参数与实际值相差较大,不必校正所述台区用电曲线预测模型,反之,则校正所述台区用电曲线预测模型。
进一步地,所述台区用电相对误差的计算公式如下:
ErD代表台区用电相对误差,d1、d2、…、dn代表实际供电量,d1’、d2’、…、dn’代表台区用电预测曲线中对应时刻的预测用电量。
进一步地,所述台区用电曲线预测模型采用LSTM神经网络,基于深度学习框架Keras进行训练和改进。
进一步地,所述步骤2中,所述预测未来24小时内预测的电网光伏发电曲线具体包括:
收集光伏发电单元之前24小时以内的发电量信息和天气信息,获取未来24小时以内的天气预报信息,结合光伏发电单元的运行特性,合理预测光伏发电单元未来24小时以内的发电曲线。
进一步地,所述步骤2中,所述电网供电负荷需求的具体计算过程包括:
1)利用预测的台区用电曲线计算预测台区用电平均值;
2)利用预测的电网光伏发电曲线计算预测电网光伏发电平均值;
3)用所述预测台区用电平均值减去所述预测电网光伏发电平均值便可得到所述电网供电负荷需求。
进一步地,所述步骤5中,在两个用电高峰时段,若预测用电量大于当前的供电能力,开启所述电网蓄能储能装置,通过所述电网蓄能储能装置提供电能补偿,在白天的非高峰时段,若预测用电量小于当前的供电能力,将多余的电能存入所述电网蓄能储能装置。
进一步地,所述低压台区峰谷负荷平衡智能管控方法还包括:
6)于特定时间点,统计之前24小时以内针对各个用户的供电情况,将其存入电网供电信息存储单元,计算得到电网调峰波动参数和电网蓄能储能装置利用率参数,将其存入电网运行参数存储单元。
进一步地,所述电网调峰波动参数包括电网最大正波动和电网最小负波动,具体计算公式如下:
其中FmaxD代表电网最大正波动,FminD代表电网最小负波动,d1、d2、…、dn代表电网供电信息存储单元中存储的实际供电量,dsD代表电网供电负荷需求。
进一步地,所述电网蓄能储能装置利用率参数包括电网储能利用率和电网调峰利用率,具体计算公式如下:
其中CsaveD代表电网储能利用率,CleaveD代表电网调峰利用率,EvD代表低谷电价结束的那个时刻电网蓄能储能装置中的电能,EmaxD代表电网蓄能储能装置中的电能总容量,EleaveD代表低谷电价开始的那个时刻电网蓄能储能装置中剩余的电能。
进一步地,在第二级调峰过程中自动检测低压台区中各相电流的变化,实时计算并发出所需补偿电流,以使低压台区迅速达到平衡状态。
附图说明
图1是低压台区峰谷负荷平衡智能管理子系统结构示意图;
图2是低压台区峰谷负荷平衡智能管控方法流程图;
图3是高压配网峰谷负荷平衡智能管理主系统结构示意图;
图4是高压配网峰谷负荷平衡智能管控方法流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
在自然界中,湿地是陆地和水域的交汇处,水位接近或处于地表面,或有浅层积水的区域,湿地的特殊位置,使湿地像自然界的海绵层一样,在丰水期时,湿地能蓄水,在枯水期则自身能供水,维持环境整体水量的平衡,借鉴大自然中的湿地效应,本发明提出电力系统的“湿地效应”,具体指的是电力调度过程中,电量充裕时,多余电量快速匀至“电力湿地效应系统”的多个“蓄电区”,集点成面,由面成片,分散型蓄电,当需要调度大量电力时,又能从各微型“蓄电区”的线路快速汇集,及时补充高峰电力缺损,整个过程与自然湿地的蓄水过程相似。
基于电力湿地效应系统的概念,本发明提供一种高压配网峰谷负荷平衡智能管理主系统,高压配网峰谷负荷平衡智能管理主系统进行两级调峰操作,由高压配网峰谷负荷平衡智能管理主系统内部的低压台区峰谷负荷平衡智能管理子系统进行第一级调峰,由高压配网峰谷负荷平衡智能管理主系统进行第二级调峰。
通过附图1可以看出,低压台区峰谷负荷平衡智能管理子系统包括台区光伏发电装置、台区蓄能储能装置、台区智能管理装置和多个台区检测单元。
台区光伏发电装置包括多个光伏发电单元,用于在用电高峰时提供补偿,为了最大限度地利用光能,可以将光伏发电单元设置在光照充足的楼顶、厂区空地等位置,形成多个微电网,通过线路进行电能交换。
台区蓄能储能装置包括多组自愈式可充电电池,具体选用NiCo/Zn可充电电池,NiCo/Zn可充电电池使用可自我修复的水凝胶电解质,电解质中包含由铁离子(Fe3+)交联的聚丙烯酸钠(PANa),聚丙烯酸钠(PANa)与NiCo/Zn可充电电池中离子迁移所需的自由移动的Zn2+和OH–具有高度的相容性,使用Fe3+作为交联剂来加强PANa水凝胶的愈合性能,可自我修复的水凝胶电解质使NiCo/Zn可充电电池易于装配,具有高容量和前所未有的固有自愈能力。
台区检测单元设置在用电负荷端,实时地将用户的用电信息传输给台区智能管理装置。
台区智能管理装置包括中央处理单元、用户用电曲线预测单元、台区光伏发电预测单元、台区网络信息获取单元、台区供电参数计算单元、台区运行参数存储单元、台区平衡效果分析单元、台区供电信息存储单元、用户用电趋势预测单元和三相负荷平衡单元,用户用电曲线预测单元包括用户用电曲线预测模型,用户用电曲线预测模型采用神经网络结构,输入参数为温度、季节、日期、节假日、各类工厂的数量、常住人口户数,基于台区供电信息存储单元中存储的历史数据,训练得到初始用户用电曲线预测模型,在采集得到新的供电信息后,可以对初始用户用电曲线预测模型进行不断校正,考虑到LSTM神经网络是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,已经在科技领域有了多种应用,例如预测疾病、点击率和股票等,用户用电曲线预测模型具体采用LSTM神经网络,用户用电曲线预测单元基于深度学习框架Keras训练和改进用户用电曲线预测模型,台区光伏发电预测单元收集光伏发电单元之前24小时以内的发电量信息和天气信息,通过台区网络信息获取单元获取未来24小时以内的天气预报信息,结合光伏发电单元的运行特性,合理预测光伏发电单元未来24小时以内的发电曲线,台区网络信息获取单元用于通过网络获取台区运行所需的相关信息,台区供电信息存储单元用于存储针对各个用户负荷端的供电量信息,用户用电趋势预测单元用于实时监测各个台区检测单元的数据,基于大数据预测技术预测用户负荷端的用电需求,决定是否启用蓄能储能装置,中央处理单元用于控制整个系统的正常运行,台区供电参数计算单元用于计算台区供电负荷需求,供给侧可根据台区供电负荷需求确定发电机组的运行数量,台区供电负荷需求的具体计算过程为:1)通过用户用电曲线预测单元获得预测的用户用电曲线,利用预测的用户用电曲线计算预测用户用电平均值;2)通过台区光伏发电预测单元获得光伏发电单元未来24小时以内的发电曲线,利用预测的发电曲线计算预测台区光伏发电平均值;3)用预测用户用电平均值减去预测台区光伏发电平均值便可得到台区供电负荷需求,台区运行参数存储单元用于存储台区调峰波动参数和台区蓄能储能装置利用率参数,台区平衡效果分析单元主要进行三项工作:1)计算台区调峰波动参数,具体的计算公式为 ,其中FmaxT代表台区最大正波动,FminT代表台区最小负波动,d1、d2、…、dn代表台区供电信息存储单元中存储的实际供电量,dsT代表台区供电负荷需求;2)计算台区蓄能储能装置利用率参数,具体的计算公式为:其中CsaveT代表台区储能利用率,CleaveT代表台区调峰利用率,EvT代表低谷电价结束的那个时刻台区蓄能储能装置中的电能,EmaxT代表台区蓄能储能装置中的电能总容量,EleaveT代表低谷电价开始的那个时刻台区蓄能储能装置中剩余的电能;3)在特定时间点(例如月终、季度的最后一天、年终),提取台区运行参数存储单元中存储的相关参数,利用大数据关联分析评价当前低压台区峰谷负荷平衡智能管理子系统的运行效果,给出相关的调整建议,例如是否需要调整台区蓄能储能装置的电能总容量,三相负荷平衡单元通过外接电流互感器实时检测低压台区的电流,将电流信息发送给内部控制器进行处理分析,以判断低压台区是否处于不平衡状态,同时计算出达到平衡状态时各相所需转换的电流值,然后将信号发送给内部IGBT并驱动其动作,将不平衡电流从电流大的相转移到电流小的相,最后达到三相平衡状态,三相负荷平衡单元自动检测低压台区中各相电流的变化,实时计算并发出所需补偿电流,以使低压台区迅速达到平衡状态。台区智能管理装置基于Linux服务器,采用多个GPU加快深度学习的速度。
低压台区峰谷负荷平衡智能管理子系统借助储能补偿和光伏补偿进行削峰填谷,使得供给侧不必依据用户用电的最大峰值来确定发电机组的运行数量,只需依据台区供电负荷需求来确定发电机组的运行数量,减少了发电机组的运行数量,节省了供电成本,并且能够将台区调峰波动限制在±10%以内,实现近似直线的电力输出,防止发电机组空转,保证了发电机组的设备安全。
通过附图2可以看出,基于低压台区峰谷负荷平衡智能管理子系统的低压台区峰谷负荷平衡智能管控方法具体包括:
1)在低谷电价开始的那个时刻(例如23时),校正用户用电曲线预测模型,将台区供电信息存储单元存储的最近24小时以内的供电信息与用户用电曲线预测模型之前预测的用户用电曲线进行对比,计算用户用电相对误差,所述用户用电相对误差的计算公式如下:
ErT代表用户用电相对误差,d1、d2、…、dn代表台区供电信息存储单元中存储的实际供电量,d1’、d2’、…、dn’代表用户用电预测曲线中对应时刻的预测用电量;
若用户用电相对误差小于等于第一阈值(例如15%),则不必校正用户用电曲线预测模型,若误差大于第一阈值,小于等于第二阈值(例如25%),则基于最新的供电信息数据校正用户用电曲线预测模型,若误差大于第二阈值,则判断实际气温与天气预报气温是否有较大差异,如果存在较大差异,说明输入用户用电曲线预测模型的参数与实际值相差较大,不必校正用户用电曲线预测模型,反之,则校正用户用电曲线预测模型;
2)将天气预报的气温、季节、日期、节假日、各类工厂的数量、常住人口户数等参数输入用户用电曲线预测模型,得出未来24小时内预测的用户用电曲线,台区光伏发电预测单元预测光伏发电单元未来24小时内的发电曲线,台区供电参数计算单元利用预测的用户用电曲线和预测的台区光伏发电曲线计算台区供电负荷需求,供给侧参考台区供电负荷需求提供电能;
3)在低谷电价期间(例如23时至次日7时),中央处理单元将低价电存入台区蓄能储能装置;
4)在低谷电价结束的那个时刻(例如次日7时)通过台区光伏发电装置将多个光伏发电单元的电能输入主网配电系统;
5)用户用电趋势预测单元实时监测各个台区检测单元的数据,基于大数据预测技术预测用户负荷端的用电需求,在两个用电高峰时段(例如8时30分至11时30分和18时至23时),若预测用电量大于当前的供电能力,发送信号给中央处理单元,中央处理单元开启台区蓄能储能装置,通过台区蓄能储能装置提供电能补偿,在白天的非高峰时段,若预测用电量小于当前的供电能力,发送信号给中央处理单元,中央处理单元将多余的电能存入台区蓄能储能装置;
6)于特定时间点(例如次日23时),中央处理单元统计之前24小时以内针对各个用户的供电情况,将其存入台区供电信息存储单元,台区平衡效果分析单元计算得到台区调峰波动参数和台区蓄能储能装置利用率参数,将其存入台区运行参数存储单元。
在低压台区峰谷负荷平衡智能管理子系统运行过程中,台区智能管理装置中的三相负荷平衡单元一直处于工作状态,保证低压台区的三相负荷平衡,减少线路的电能损耗,保证用电设备的安全运行。
通过附图3可以看出,高压配网峰谷负荷平衡智能管理主系统包括电网光伏发电装置、电网蓄能储能装置、电网智能管理装置、多个电网检测单元和多个低压台区峰谷负荷平衡智能管理子系统。
电网光伏发电装置包括多个光伏发电单元,用于在用电高峰时提供补偿,考虑到电网端的补偿用电量较大,光伏发电单元为中等规模的光伏发电站。
电网蓄能储能装置包括多组动力电容电池,其能够在用电低谷时吸收电能,在用电高峰时提供补偿,由于采用了动力电容电池,蓄能储能装置具有三项优势:1)使用寿数长,动力电池的循环次数比一般电池的寿数长很多,不会因为电池寿数的原因而影响蓄能储能装置的运转;2)维护成本低,由于动力电容电池的循环次数比较多,蓄能储能装置不会因为其电池衰减而影响效益;3)安全性高,动力电容电池因为其本身的材料决定其不会发作焚烧爆炸,使得蓄能储能装置不会发生大的破坏性事故,正是由于上述优势,蓄能储能装置能够满足高压配网峰谷负荷平衡智能管理主系统对于长期安全稳定低成本运行的要求。
电网检测单元设置于低压台区峰谷负荷平衡智能管理子系统,实时地将各个台区的用电信息传输给电网智能管理装置。
电网智能管理装置包括中央处理单元、台区用电曲线预测单元、电网光伏发电预测单元、电网网络信息获取单元、电网供电参数计算单元、电网运行参数存储单元、电网平衡效果分析单元、电网供电信息存储单元和台区用电趋势预测单元,台区用电曲线预测单元包括台区用电曲线预测模型,台区用电曲线预测模型采用神经网络结构,输入参数为温度、季节、日期、节假日、各类工厂的数量、常住人口户数,基于电网供电信息存储单元中存储的历史数据,训练得到初始台区用电曲线预测模型,在采集得到新的供电信息后,可以对初始台区用电曲线预测模型进行不断校正,台区用电曲线预测模型仍然采用LSTM神经网络,台区用电曲线预测单元基于深度学习框架Keras训练和改进台区用电曲线预测模型,电网光伏发电预测单元收集光伏发电单元之前24小时以内的发电量信息和天气信息,通过电网网络信息获取单元获取未来24小时以内的天气预报信息,结合光伏发电单元的运行特性,合理预测光伏发电单元未来24小时以内的发电曲线,电网网络信息获取单元用于通过网络获取电网运行所需的相关信息,电网供电信息存储单元用于存储针对各个低压台区峰谷负荷平衡智能管理子系统的供电量信息,台区用电趋势预测单元用于实时监测各个电网检测单元的数据,基于大数据预测技术预测低压台区峰谷负荷平衡智能管理子系统的用电需求,决定是否启用电网蓄能储能装置,中央处理单元用于控制整个系统的正常运行,电网供电参数计算单元用于计算电网供电负荷需求,供给侧可根据电网供电负荷需求确定发电机组的运行数量,电网供电负荷需求的具体计算过程为:1)通过台区用电曲线预测单元获得预测的台区用电曲线,利用预测的台区用电曲线计算预测台区用电平均值;2)通过电网光伏发电预测单元获得光伏发电单元未来24小时以内的发电曲线,利用预测的发电曲线计算预测电网光伏发电平均值;3)用预测台区用电平均值减去预测电网光伏发电平均值便可得到电网供电负荷需求,电网运行参数存储单元用于存储电网调峰波动参数和电网蓄能储能装置利用率参数,电网平衡效果分析单元主要进行三项工作:1)计算电网调峰波动参数,具体的计算公式为,其中FmaxD代表电网最大正波动,FminD代表电网最小负波动,d1、d2、…、dn代表电网供电信息存储单元中存储的实际供电量,dsD代表电网供电负荷需求;2)计算电网蓄能储能装置利用率参数,具体的计算公式为:其中CsaveD代表电网储能利用率,CleaveD代表电网调峰利用率,EvD代表低谷电价结束的那个时刻电网蓄能储能装置中的电能,EmaxD代表电网蓄能储能装置中的电能总容量,EleaveD代表低谷电价开始的那个时刻电网蓄能储能装置中剩余的电能;3)在特定时间点(例如月终、季度的最后一天、年终),提取电网运行参数存储单元中存储的相关参数,利用大数据关联分析评价当前高压配网峰谷负荷平衡智能管理主系统的运行效果,给出相关的调整建议,例如是否需要调整电网蓄能储能装置的电能总容量。电网智能管理装置基于云平台,利用云平台的灵活性,可以迅速增加运算资源和存储资源。
高压配网峰谷负荷平衡智能管理主系统通过低压台区峰谷负荷平衡智能管理子系统进行的第一级调峰和由自身进行的第二级调峰进行负荷平衡调整,借助储能补偿和光伏补偿实现削峰填谷,使得供给侧不必依据用户用电的最大峰值来确定发电机组的运行数量,只需依据各个台区的台区供电负荷需求和电网供电负荷需求来确定发电机组的运行数量,减少了发电机组的运行数量,节省了供电成本,并且能够将调峰波动限制在±5%以内,实现近似直线的电力输出,防止发电机组空转,保证了发电机组的设备安全。
通过附图4可以看出,基于高压配网峰谷负荷平衡智能管理主系统的高压配网峰谷负荷平衡智能管控方法具体包括:
1)由高压配网峰谷负荷平衡智能管理主系统内部的低压台区峰谷负荷平衡智能管理子系统进行第一级调峰;
2)由高压配网峰谷负荷平衡智能管理主系统进行第二级调峰,第二级调峰具体包括如下步骤:
(1)在低谷电价开始的那个时刻(例如23时),校正台区用电曲线预测模型,将电网供电信息存储单元存储的最近24小时以内的供电信息与台区用电曲线预测模型之前预测的台区用电曲线进行对比,计算台区用电相对误差,所述台区用电相对误差的计算公式如下:
ErD代表台区用电相对误差,d1、d2、…、dn代表电网供电信息存储单元中存储的实际供电量,d1’、d2’、…、dn’代表台区用电预测曲线中对应时刻的预测用电量;
若台区用电相对误差小于等于第一阈值(例如15%),则不必校正台区用电曲线预测模型,若误差大于第一阈值,小于等于第二阈值(例如25%),则基于最新的供电信息数据校正台区用电曲线预测模型,若误差大于第二阈值,则判断实际气温与天气预报气温是否有较大差异,如果存在较大差异,说明输入台区用电曲线预测模型的参数与实际值相差较大,不必校正台区用电曲线预测模型,反之,则校正台区用电曲线预测模型;
(2)将天气预报的气温、季节、日期、节假日、各类工厂的数量、常住人口户数等参数输入台区用电曲线预测模型,得出未来24小时内预测的台区用电曲线,电网光伏发电预测单元预测光伏发电单元未来24小时内的发电曲线,电网供电参数计算单元利用预测的台区用电曲线和预测的电网光伏发电曲线计算电网供电负荷需求,供给侧参考电网供电负荷需求提供电能;
(3)在低谷电价期间(例如23时至次日7时),中央处理单元将低价电存入电网蓄能储能装置;
(4)在低谷电价结束的那个时刻(例如次日7时)通过电网光伏发电装置将多个光伏发电单元的电能输入主网配电系统;
(5)台区用电趋势预测单元实时监测各个电网检测单元的数据,基于大数据预测技术预测低压台区峰谷负荷平衡智能管理子系统的用电需求,在两个用电高峰时段(例如8时30分至11时30分和18时至23时),若预测用电量大于当前的供电能力,发送信号给中央处理单元,中央处理单元开启电网蓄能储能装置,通过电网蓄能储能装置提供电能补偿,在白天的非高峰时段,若预测用电量小于当前的供电能力,发送信号给中央处理单元,中央处理单元将多余的电能存入电网蓄能储能装置;
(6)于特定时间点(例如次日23时),中央处理单元统计之前24小时以内针对各个低压台区峰谷负荷平衡智能管理子系统的供电情况,将其存入电网供电信息存储单元,电网平衡效果分析单元计算得到电网调峰波动参数和电网蓄能储能装置利用率参数,将其存入电网运行参数存储单元。
第一级调峰和第二级调峰同时进行,并不存在先后顺序。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (1)
1.一种高压配网峰谷负荷平衡智能管控方法,其特征在于,所述高压配网峰谷负荷平衡智能管控方法具体包括:
1)由低压台区峰谷负荷平衡智能管理子系统进行第一级调峰;
2)由高压配网峰谷负荷平衡智能管理主系统进行第二级调峰;
所述高压配网峰谷负荷平衡智能管理主系统包括多个所述低压台区峰谷负荷平衡智能管理子系统;所述第一级调峰和所述第二级调峰同时进行;
所述第一级调峰具体包括:
在低谷电价开始附近时刻,校正用户用电曲线预测模型;
通过用户用电曲线预测模型预测未来24小时内预测的用户用电曲线,同时预测未来24小时内预测的台区光伏发电曲线,利用所述预测的用户用电曲线和所述预测的台区光伏发电曲线计算台区供电负荷需求,供给侧参考所述台区供电负荷需求提供电能;
在低谷电价期间,将低价电存入台区蓄能储能装置;
在低谷电价结束附近时刻,将多个光伏发电单元的电能输入主网配电系统;
实时监测各个台区检测单元的数据,预测用户负荷端的用电需求,对于所述台区蓄能储能装置进行控制;
所述第一级调峰步骤1中,所述校正用户用电曲线预测模型具体包括:将最近24小时以内的供电信息与之前预测的用户用电曲线进行对比,计算
用户用电相对误差,若所述用户用电相对误差小于等于第一阈值,则不必校正所述用户用电曲线预测模型,若所述用户用电相对误差大于第一阈值,则基于最新的供电信息数据校正所述用户用电曲线预测模型,若所述用户用电相对误差大于第二阈值,则判断实际气温与天气预报气温是否有较大差异,如果存在较大差异,说明输入所述用户用电曲线预测模型的参数与实际值相差较大,不必校正所述用户用电曲线预测模型,反之,则校正所述用户用电曲线预测模型;所述用户用电相对误差的计算公式如下:
ErT代表用户用电相对误差,d1、d2、…、dn代表实际供电量,d1 ’、
d2 ’、…、dn ’代表用户用电预测曲线中对应时刻的预测用电量;所述用户用电曲线预测模型采用LSTM神经网络,基于深度学习框架Keras进行训练和改进;所述步骤2中,所述预测未来24小时内预测的台区光伏发电曲线具体包括:收集光伏发电单元之前24小时以内的发电量信息和天气信息,获取未来24小时以内的天气预报信息,结合光伏发电单元的运行特性,合理预测光伏发电单元未来24小时以内的发电曲线;所述步骤2中,所述台区供电负荷需求的具体计算过程包括:
利用预测的用户用电曲线计算预测用户用电平均值;
利用预测的台区光伏发电曲线计算预测台区光伏发电平均值;
用所述预测用户用电平均值减去所述预测台区光伏发电平均值便可得到
所述台区供电负荷需求;步骤5中,在两个用电高峰时段,若预测用电量大于当前的供电能力,开启所述台区蓄能储能装置,通过所述台区蓄能储能装置提供电能补偿,在白天的非高峰时段,若预测用电量小于当前的供电能力,将多余的电能存入所述台区蓄能储能装置;所述低压台区峰谷负荷平衡智能管控方法还包括:
6)于特定时间点,统计之前24小时以内针对各个用户的供电情况,将其存入台区供电信息存储单元,计算得到台区调峰波动参数和台区蓄能储能装置利用率参数,将其存入台区运行参数存储单元;
所述台区调峰波动参数包括台区最大正波动和台区最小负波动,具体计算公式如下:
FmaxT代表台区最大正波动,FminT代表台区最小负波动,d1、d2、…、dn代表台区供电信息存储单元中存储的实际供电量,dsT代表台区供电负荷需求;
所述台区蓄能储能装置利用率参数包括台区储能利用率和台区调峰利用率,具体计算公式如下:
CsaveT代表台区储能利用率,CleaveT代表台区调峰利用率,EvT代表低谷电价结束的那个时刻台区蓄能储能装置中的电能,EmaxT代表台区蓄能储能装置中的电能总容量,EleaveT代表低谷电价开始的那个时刻台区蓄能储能装置中剩余的电能;
所述第二级调峰具体包括:
在低谷电价开始的那个时刻,校正台区用电曲线预测模型;
通过台区用电曲线预测模型预测未来24小时内预测的台区用电曲线,同时预测未来24小时内预测的电网光伏发电曲线,利用所述预测的台区用电曲线和所述预测的电网光伏发电曲线计算电网供电负荷需求,供给侧参考所述电网供电负荷需求提供电能;
在低谷电价期间,将低价电存入电网蓄能储能装置;
在低谷电价结束的那个时刻,将多个光伏发电单元的电能输入主网配电系统;
实时监测各个电网检测单元的数据,预测低压台区峰谷负荷平衡智能管理子系统的用电需求,对于所述电网蓄能储能装置进行控制;
所述第二级调峰的步骤1中,所述校正台区用电曲线预测模型具体包括:将最近24小时以内的供电信息与之前预测的台区用电曲线进行对比,计算
台区用电相对误差,若所述台区用电相对误差小于等于第一阈值,则不必校正所述台区用电曲线预测模型,若所述台区用电相对误差大于第一阈值,则基于最新的供电信息数据校正所述台区用电曲线预测模型,若所述台区用电相对误差大于第二阈值,则判断实际气温与天气预报气温是否有较大差异,如果存在较大差异,说明输入所述台区用电曲线预测模型的参数与实际值相差较大,不必校正所述台区用电曲线预测模型,反之,则校正所述台区用电曲线预测模型;
所述台区用电相对误差的计算公式如下:
ErD代表台区用电相对误差,d1、d2、…、dn代表实际供电量,d1 ’、
d2 ’、…、dn ’代表台区用电预测曲线中对应时刻的预测用电量;所述台区用电曲线预测模型采用LSTM神经网络,基于深度学习框架Keras进行训练和改进;所述第二级调峰的步骤2中,所述预测未来24小时内预测的电网光伏发电曲线具体包括:
收集光伏发电单元之前24小时以内的发电量信息和天气信息,获取未来
24小时以内的天气预报信息,结合光伏发电单元的运行特性,合理预测光伏发电单元未来24小时以内的发电曲线,所述第二级调峰的步骤2中,所述电网供电负荷需求的具体计算过程包括:
利用预测的台区用电曲线计算预测台区用电平均值;
利用预测的电网光伏发电曲线计算预测电网光伏发电平均值;
用所述预测台区用电平均值减去所述预测电网光伏发电平均值便可得到
所述电网供电负荷需求;所述步骤5中,在两个用电高峰时段,若预测用电量大于当前的供电能力,开启所述电网蓄能储能装置,通过所述电网蓄能储能装置提供电能补偿,在白天的非高峰时段,若预测用电量小于当前的供电能力,将多余的电能存入所述电网蓄能储能装置;所述低压台区峰谷负荷平衡智能管控方法还包括:
6)于特定时间点,统计之前24小时以内针对各个用户的供电情况,将其存入电网供电信息存储单元,计算得到电网调峰波动参数和电网蓄能储能装置利用率参数,将其存入电网运行参数存储单元;
所述电网调峰波动参数包括电网最大正波动和电网最小负波动,具体计算公式如下:
其中FmaxD代表电网最大正波动,FminD代表电网最小负波动,d1、d2、…、dn
代表电网供电信息存储单元中存储的实际供电量,dsD代表电网供电负荷需求;
所述电网蓄能储能装置利用率参数包括电网储能利用率和电网调峰利用率,具体计算公式如下:
其中CsaveD代表电网储能利用率,CleaveD代表电网调峰利用率,EvD代表低谷电价结束的那个时刻电网蓄能储能装置中的电能,EmaxD代表电网蓄能储能装置中的电能总容量,EleaveD代表低谷电价开始的那个时刻电网蓄能储能装置中剩余的电能;在第二级调峰过程中自动检测低压台区中各相电流的变化,实时计算并发出所需补偿电流,以使低压台区迅速达到平衡状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159489.XA CN109842140B (zh) | 2019-03-04 | 2019-03-04 | 高压配网峰谷负荷平衡智能管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159489.XA CN109842140B (zh) | 2019-03-04 | 2019-03-04 | 高压配网峰谷负荷平衡智能管控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109842140A CN109842140A (zh) | 2019-06-04 |
CN109842140B true CN109842140B (zh) | 2023-01-17 |
Family
ID=66885234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910159489.XA Active CN109842140B (zh) | 2019-03-04 | 2019-03-04 | 高压配网峰谷负荷平衡智能管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109842140B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582542B (zh) * | 2020-03-31 | 2023-10-03 | 国网上海市电力公司 | 一种基于异常修复的电力负荷预测方法及系统 |
CN115574647B (zh) * | 2022-10-09 | 2023-05-12 | 北京东华博泰科技有限公司 | 基于工业物联网的生产设备能量再利用系统 |
CN117056848B (zh) * | 2023-10-10 | 2023-12-29 | 湖北华中电力科技开发有限责任公司 | 一种用于提升电力系统决策的监测数据质量分析方法 |
CN117096923B (zh) * | 2023-10-20 | 2023-12-22 | 南京中电科能技术有限公司 | 一种基于峰谷套利的储能运行控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283308A (zh) * | 2013-07-10 | 2015-01-14 | 北京中电建投微电网科技有限公司 | 微电网智能中央策略控制系统 |
CN106058905A (zh) * | 2016-07-20 | 2016-10-26 | 姜宪明 | 基于功率预测的分布式光伏储能调峰系统 |
CN109038626A (zh) * | 2018-08-24 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 一种特高压受端电网调峰控制方法 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
-
2019
- 2019-03-04 CN CN201910159489.XA patent/CN109842140B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283308A (zh) * | 2013-07-10 | 2015-01-14 | 北京中电建投微电网科技有限公司 | 微电网智能中央策略控制系统 |
CN106058905A (zh) * | 2016-07-20 | 2016-10-26 | 姜宪明 | 基于功率预测的分布式光伏储能调峰系统 |
CN109038626A (zh) * | 2018-08-24 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 一种特高压受端电网调峰控制方法 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109842140A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109842140B (zh) | 高压配网峰谷负荷平衡智能管控方法 | |
CN103606967B (zh) | 一种实现电力系统鲁棒运行的调度方法 | |
EP2485356A1 (en) | Energy storage and power management system | |
CN109767078B (zh) | 一种基于混合整数规划的多类型电源检修安排方法 | |
CN104104116A (zh) | 一种含多分布式能源的光伏微电网供需控制系统设计方法 | |
CN110783959B (zh) | 一种新能源发电系统的稳定状态控制系统 | |
CN103904749B (zh) | 一种考虑风电出力波动性的电动汽车有序充电控制方法 | |
CN114492085B (zh) | 关于负荷、电源联合概率分布的区域电力电量平衡方法 | |
CN114285034B (zh) | 一种考虑受电及新能源波动的日前调控优化方法及系统 | |
CN108879657B (zh) | 基于风电容量可信度的电力电量平衡优化方法 | |
Rossi et al. | Real-time optimization of the battery banks lifetime in hybrid residential electrical systems | |
CN111555329B (zh) | 一种自治型微电网储能容量配置方法 | |
CN108009681A (zh) | 一种基于电网负荷尖峰时段曲线提高风电消纳方法 | |
Notton et al. | Wind hybrid electrical supply system: behaviour simulation and sizing optimization | |
CN109038668B (zh) | 一种基于弃风利用的塔筒电梯供电方法及储能系统 | |
CN108736498B (zh) | 一种用于智能家居光储发电系统的能量控制方法 | |
CN112269966A (zh) | 一种考虑备用需求的通信基站虚拟电厂发电容量测量方法 | |
CN109742777A (zh) | 低压台区峰谷负荷平衡智能管控子系统 | |
CN104184158A (zh) | 储能系统的控制方法和控制装置 | |
CN107563547B (zh) | 一种用户侧用能纵深优化综合能源管控方法 | |
CN109904865B (zh) | 高压配网峰谷负荷平衡智能管控主系统 | |
Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
CN109754128B (zh) | 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法 | |
CN106981887A (zh) | 一种虚拟电厂基于相似日的智能调配方法 | |
CN109842141A (zh) | 低压台区峰谷负荷平衡智能管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |