CN110198042A - 一种电网储能的动态优化方法及存储介质 - Google Patents
一种电网储能的动态优化方法及存储介质 Download PDFInfo
- Publication number
- CN110198042A CN110198042A CN201910568641.XA CN201910568641A CN110198042A CN 110198042 A CN110198042 A CN 110198042A CN 201910568641 A CN201910568641 A CN 201910568641A CN 110198042 A CN110198042 A CN 110198042A
- Authority
- CN
- China
- Prior art keywords
- power
- electricity
- time
- time series
- consumption
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 230000005611 electricity Effects 0.000 claims abstract description 80
- 230000006870 function Effects 0.000 claims description 43
- 230000002354 daily effect Effects 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 108010074506 Transfer Factor Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种电网储能的动态优化方法及存储介质，采集用电单位耗电的实时数据，进行分析、计算与决策，对储能电池组发出即时指令，达到对所述第二时间序列进行削峰填谷，降低电费成本的目的。并充分考虑了国内电价收费标准，从调整最大用电需量和减少高峰用电两方面控制电费成本；所述功能电池组的充放电策略基于预设的历史耗电数据，并且所述储能电池组和电网能够对收到的指令完成即时响应；并通过输入所述第二时间序列的每月最大用电需量至最优化模型得到第二时间序列的用电最大需量的阈值，通过采集第二时间序列的实时数据与用电最大需量的阈值的关系确定储能电池组的充电以及放电策略，在峰时段进行储能供电，达到削峰效果。
Description
技术领域
本发明涉及用电技术领域，特别涉及一种电网储能的动态优化方法及存储介质。
背景技术
随着经济高速发展，社会对能源的需求在不断提高，电能因其清洁、高效的特点已经成为各国能源来源中的重要部分，并且正在逐渐占据更高的比例。高峰与低谷时段能源消耗的巨大落差是电能消耗的重要特征。对于电网而言，这一特征导致了供电设备利用率低，且在用电低谷时段存在大量剩余电量。同时，供电功率的频繁变更会对供电设备带来严重的负担与损耗且导致设备维护成本的提高。为了减小电能消耗落差带来的损害，电网已经开始应用储能管理系统优化供电方案，并在同时，通过调整收费标准、出台优惠政策等方案鼓励用电单位减少高峰时段的电能消耗。在这样的经济背景下，针对个体用电单位的储能管理方法应运而生。现存方法大多采用锂电池完成储能，然而，具体的充放电策略缺乏专家指导，主要依赖于技术人员的经验，难以保证其稳定性与收益能力。
因此，急需提出一种电网储能的动态优化方法，用以解决储能管理的经验不足以及稳定性差等问题。
发明内容
本发明的目的在于，提供一种电网储能的动态优化方法及存储介质，通过采集用电单位耗电的实时数据，进行分析、计算与决策，对储能电池组发出即时指令，对所述第二时间序列进行削峰填谷，达到降低电费成本的目的。
本发明提供一种电网储能的动态优化方法，包括如下步骤：数据库建立步骤，录入至少一用电实体的用电数据至一数据库，每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率，所述预设历史时间段包含多个第一时间序列；所述用电实体由储能电池组直接进行供电，所述储能电池组由所述电网进行充电储能；数据预处理步骤，对所述预设历史时间段的瞬时耗电功率进行计算得到预设历史时间段的每天最大用电需量并存储至数据库中；样本采集步骤，从所述数据库中采集样本，每一样本包括多个第一时间序列的每天最大用电需量以及瞬时耗电功率；样本分类步骤，将所述样本分为训练样本以及测试样本；预测模型构建步骤，利用所述第一训练样本构建预测模型；预测步骤，输入所述测试样本得到第二时间序列的每日最大用电需量m、每月最大用电需量以及每日的瞬时耗电功率et，所述第二时间序列晚于所述预设历史时间段；最优化模型建立步骤，利用所述训练样本构建最优化模型；得到第二时间序列的每月最优用电需量阈值的最优化模型；阈值输出步骤，输入所述第二时间序列的每月最大用电需量至所述最优化模型中并得到第二时间序列的每月用电需量阈值；判断步骤，判断所述第二时间序列的每一时间间隔是否为阶段电力时间，判断当前时刻是否为阶段电力时间，若是，控制所述电网对所述储能电池组充电；若否，控制所述储能电池组对所述用电实体进行供电；所述阶段电力时间为所述第二时间序列的用电需量的谷时段。
进一步地，所述储能电池组包括备用电池组与功能电池组，所述备用电池组与所述功能电池组的数量之比为1:15～1:8；所述时间间隔为0.5～1.5分钟。
进一步地，在所述数据库建立步骤之后及在所述数据预处理步骤之前，还包括：预充电步骤，控制所述主网对所述备用电池组进行预充电。
进一步地，在所述数据预处理步骤中，具体包括：采集步骤，从数据库中采集预设历史时间段的瞬时耗电功率xi＝[xi1,xi2,......]，i为预设历史时间段的天数；第一计算步骤，对每一天的xi每隔第一时间间隔t进行平均值计算得到取最大值步骤，取每一天的di中的最大值作为预设历史时间段的每天最大用电需量。
进一步地，每一用电实体的用电数据还包括空气质量数据以及气温数据，在所述第一样本采集步骤中，所述第一样本还包括空气质量数据以及气温数据；在所述预测模型构建步骤中，包括：预测模型学习步骤，预测模型根据第一公式进行深度学习，所述第一公式包括：
其中，xi为所述训练样本中的第i个训练样本，n为所述训练样本中训练样本的个数，L()为均方损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，v为所述用户实体的样本集的仿真预测数据，f(xi)为当前的预测模型；计算第一预测误差步骤，采用第二公式确定当前的深度学习模型的第一预测误差，所述第二公式包括：
其中，M为所述第一预测误差，n为用户实体的电力负荷预测数据的个数，X’t为用户实体的测试样本集第t个仿真预测数据，Xt为所述测试集中的第t个测试样本中的每天最大用电需量的真实值；若所述预测误差低于预设的误差下限，则所述预测能力满足所述预定要求；若所述预测能力不满足所述预定要求，则对当前的预测模型进行优化直到满足预设的误差下限。
进一步地，在所述最优化模型建立步骤中，包括：优化模型学习步骤，根据所述第三公式进行模型优化，所述第三公式包括：
其中，pl(t)为t时刻单位电费(元/kwh)，x(t)为t时刻瞬时耗电功率(kw)，p2为需量电价(元/kw)，D(j)为第j月最大需量(kw)，Pe为储能电池组的电流电压负荷(kw)，Q为功能电池组剩余电量，C1为功能电池组的容量(kwh)，P(t)为t时刻供电功率；通过上述最优化模型可得每月最优用电需量阈值mD与每月最大用电需量D(j)二者的函数关系，从而计算出所述第二时间序列的每月用电需量阈值mD。
进一步地，在所述最优化模型建立步骤之后，还包括：优化模型调整步骤，具体包括：第二计算步骤，计算所述第一测试样本的瞬时耗电功率与其对应每日最大用电需量的比值k；调整步骤，若k小于1.1，则直接输出第二时间序列的每月用电需量阈值；若k大于或等于1.1，更新所述第二时间序列的每日最大用电需量m，得到第二时间序列的每日最大用电需量m’，其中，m’＝m*k；更新步骤，更新第二时间序列的每月最大用电需量阈值。
进一步地，所述第二时间序列还包括第一峰时段以及第二峰时段，所述第一峰时段对应所述第二时间序列用电需量的平时段，所述第二峰时段对应所述第二时间序列用电需量的峰时段，所述储能电池组随着第二时间序列的阶段电力时间、第一峰时段以及第二峰时段进行周期性的充电以及放电；在所述判断步骤中，具体包括：第一判断步骤，判断第二时间序列的当前时间点是否为阶段电力时间；若是，则控制所述电网对所述功能电池组进行充电，所述第二时间序列的功能电池组充电功率P'满足以下条件：其中，e为第二时间序列的用电单位耗电功率；若否，则执行第二判断步骤；所述第二判断步骤用以判断所述第二时间序列的时间间隔是否为第一峰时段；若是，当e＞mD时，则控制所述功能电池组对所述用电单位进行供电，所述第二时间序列的功能电池组放电功率P'满足以下条件：P'＝e-mD；若否，执行第三判断步骤；所述第三判断步骤用以判断所述第二时间序列的时间间隔是否为第二峰时段，若是，当e＞mD时，控制所述功能电池组对所述用电单位进行供电，且P'按照所述第一峰时段的供电标准进行供给；若否，控制所述功能电池组为所述用电单位供电，在所述下一个阶段电力时间到来之前将所述功能电池组的剩余存储电量供给完；在所述第四判断步骤中，当e>mD，且Q＝0时，则由备用电池组完成供电，其中P'依照第一峰时段供电标准执行供电。
进一步地，在所述第一判断步骤之后，还包括：误差调整步骤，调整公式为P'＞x-y+z，其中，x为第二时间间隔的瞬时耗电功率之和，y为第二时间间隔的功能电池组的放电功率之和，z为第二时间间隔的最后一时刻的瞬时耗电功率；其中，所述第二时间间隔包括10～50个时间间隔，所述第二时间间隔被包含于所述第一时间序列。
本发明还提供一种计算机可读存储介质，用于存储可执行程序代码；一处理器通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以执行所述的货品感知方法中的步骤。
本发明的有益效果是：本发明提供一种电网储能的动态优化方法及存储介质，通过采集用电单位耗电的实时数据，进行分析、计算与决策，对储能电池组发出即时指令，对所述第二时间序列进行削峰填谷，达到降低电费成本的目的。本发明充分考虑了国内电价收费标准的细节，从调整最大用电需量和减少高峰用电两方面控制电费成本；所述功能电池组的充放电策略基于预设的历史耗电数据，并且所述储能电池组和电网能够对收到的指令完成即时响应；并通过输入所述第二时间序列的每月最大用电需量至最优化模型得到第二时间序列的用电最大需量的阈值，通过采集第二时间序列的实时数据与用电最大需量的阈值的关系确定储能电池组的充电以及放电策略，从而达到在波峰时段进行储能供电，达到削峰效果。
附图说明
下面结合附图和实施例对本发明作进一步的描述。
图1为本发明提供的电网储能的动态优化方法的流程图；
图2为本发明提供的数据预处理步骤的流程图；
图3为本发明提供的预测模型构建步骤的流程图；
图4为本发明提供的阈值调整步骤的流程图；
具体实施方式
以下是各实施例的说明是参考附加的图式，用以例示本发明可以用湿湿的特定实施例。本发明提到的元件名称，例如第一、第二等，仅是区分不同的元部件，可以更好的表达。在图中，相同的部件用相同标号表示，相邻或类似的部件用类似的标号表示。
本文将参照附图来详细描述本发明的实施例。本发明可以表现为许多不同形式，本发明不应仅被解释为本文阐述的具体实施例。本发明提供这些实施例是为了解释本发明的实际应用，从而使本领域其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改方案。
如图1所示，本发明提供一种电网储能的动态优化方法，包括如下步骤S1～S12。
S1)数据库建立步骤，录入至少一用电实体的用电数据至一数据库，每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率、空气质量数据以及气温数据。
所述预设历史时间段包含多个第一时间序列；所述用电实体由储能电池组直接进行供电，所述储能电池组由所述电网进行充电储能。
所述储能电池组包括备用电池组与功能电池组，所述备用电池组与所述功能电池组的数量之比为1:15～1:8。
S2)预充电步骤，控制所述主网对所述备用电池组进行预充电。
如图2所示，在所述数据预处理步骤中，具体包括如下步骤：
S21)采集步骤，从数据库中采集预设历史时间段的瞬时耗电功率xi＝[xi1,xi2,......]，i为预设历史时间段的天数；
S22)第一计算步骤，对每一天的xi每隔第一时间间隔t进行平均值计算得到所述时间间隔为0.5～1.5分钟。
S23)取最大值步骤，取每一天的di中的最大值作为预设历史时间段的每天最大用电需量。
S3)数据预处理步骤，对所述预设历史时间段的瞬时耗电功率进行计算得到预设历史时间段的每天最大用电需量并存储至数据库中；
S4)样本采集步骤，从所述数据库中采集样本，每一样本包括多个第一时间序列的每天最大用电需量、瞬时耗电功率、空气质量数据以及气温数据；
S5)样本分类步骤，将所述样本分为训练样本以及测试样本；
S6)预测模型构建步骤，利用所述第一训练样本构建预测模型；
如图3所示，所述预测模型构建步骤具体包括如下步骤S61～S62。
S61)预测模型学习步骤，所述预测模型根据第一公式进行深度学习，所述第一公式包括：
其中，xi为所述训练样本中的第i个训练样本，n为所述训练样本中训练样本的个数，L()为均方损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，v为所述用户实体的样本集的仿真预测数据，f(xi)为当前的预测模型；
S62)计算第一预测误差步骤，采用第二公式确定当前的深度学习模型的第一预测误差，所述第二公式包括：
其中，M为所述第一预测误差，n为用户实体的电力负荷预测数据的个数，X’t为用户实体的测试样本集第t个仿真预测数据，Xt为所述测试集中的第t个测试样本中的每天最大用电需量的真实值；
若所述预测误差低于预设的误差下限，则所述预测能力满足所述预定要求；若所述预测能力不满足所述预定要求，则对当前的预测模型进行优化直到满足预设的误差下限。
S7)预测步骤，输入所述测试样本得到第二时间序列的每日最大用电需量m、每月最大用电需量以及每日的瞬时耗电功率et，所述第二时间序列晚于所述预设历史时间段；
S8)最优化模型建立步骤，利用所述训练样本构建最优化模型；得到第二时间序列的每月最优用电需量阈值的最优化模型；
在所述最优化模型建立步骤中，具体包括：
优化模型学习步骤，根据所述第三公式进行模型优化，所述第三公式包括：
其中，pl(t)为t时刻单位电费(元/kwh)，x(t)为t时刻瞬时耗电功率(kw)，p2为需量电价(元/kw)，D(j)为第j月最大需量(kw)，Pe为储能电池组的电流电压负荷(kw)，Q为功能电池组剩余电量，C1为功能电池组的容量(kwh)，P(t)为t时刻供电功率。
通过上述最优化模型可得每月最优用电需量阈值mD与每月最大用电需量D(j)二者的函数关系，从而计算出所述第二时间序列的每月用电需量阈值mD。
S10)阈值输出步骤，输入所述第二时间序列的每月最大用电需量至所述最优化模型中并得到第二时间序列的每月用电需量阈值。
S11)阈值调整步骤，具体包括如下步骤S111～S114。
S111)获取实时数据步骤，获取第二时间序列的用电实体的实时瞬时耗电功率；
S112)第二计算步骤，计算所述第一测试样本的瞬时耗电功率与其对应每日最大用电需量的比值k；
S113)调整步骤，若k小于1.1，则直接输出第二时间序列的每月用电需量阈值；若k大于或等于1.1，更新所述第二时间序列的每日最大用电需量m，得到第二时间序列的每日最大用电需量m’，其中，m’＝m*k。
S114)更新步骤，更新第二时间序列的每月最大用电需量阈值。
S12)判断步骤，用以判断所述第二时间序列的当前时刻是否为阶段电力时间。
在一实施例中，在电价时段划分标准中，一般具有峰时段(6～22时)以及谷时段(22时～次日6时)。
则根据所述判断步骤进行判断，若是，控制所述电网对所述储能电池组充电；若否，控制所述储能电池组对所述用电实体进行供电；所述阶段电力时间为所述第二时间序列的用电需量的谷时段。
在另一实施例中，在电价时段划分标准中，一般具有两部制非夏季以及两部制夏季，所述两部制非夏季包括峰时段(8～11时、18～21时)、平时段(6～8时、11～18时、21～22时)以及谷时段(22时～次日6时)；所述两部制夏季包括峰时段(8～11时、13－15时，18～21时)、平时段(6～8时、11～13时、15～18时，21～22时)以及谷时段(22时～次日6时)
所述第二时间序列还包括第一峰时段以及第二峰时段，所述第一峰时段对应所述第二时间序列用电需量的平时段，所述第二峰时段对应所述第二时间序列用电需量的峰时段，所述储能电池组随着第二时间序列的阶段电力时间、第一峰时段以及第二峰时段进行周期性的充电以及放电；
在所述判断步骤中，具体包括：第一判断步骤、第二判断步骤、第三判断步骤以及第四判断步骤。
所述第一判断步骤用以判断第二时间序列的当前时间点是否为阶段电力时间；若是，则控制所述电网对所述功能电池组进行充电，所述第二时间序列的功能电池组充电功率P’(t)满足以下条件：其中，e为第二时间序列的实时的用电单位耗电功率；若否，则执行第二判断步骤；
在所述第一判断步骤之后，还包括：误差调整步骤，调整公式为P'＞x-y+z，其中，x为第二时间间隔的瞬时耗电功率之和，y为第二时间间隔的功能电池组的放电功率之和，z为第二时间间隔的最后一时刻的瞬时耗电功率；其中，所述第二时间间隔包括10～50个时间间隔，所述第二时间间隔被包含于所述第一时间序列。
所述第二判断步骤用以判断所述第二时间序列的时间间隔是否为第一峰时段；若是，当e＞mD时，则控制所述功能电池组对所述用电单位进行供电，所述第二时间序列的功能电池组放电功率P’满足以下条件：P'＝e-mD；若否，执行第三判断步骤。
所述第三判断步骤用以判断所述第二时间序列的时间间隔是否为第二峰时段，若是，当e＞mD时且Q不等于0时，控制所述功能电池组对所述用电单位进行供电，当e>mD，且Q＝0时，则由备用电池组完成供电，其中P'依照第一峰时段供电标准执行供电，且P’按照所述第一峰时段的供电标准进行供给；若否，控制所述功能电池组为所述用电单位供电，在所述下一个阶段电力时间到来之前将所述功能电池组的剩余存储电量供给完。
通过所述四步判断步骤的判断决策，本发明提供了储能电池组动态的优化方法，通过输入所述第二时间序列的每月最大用电需量至最优化模型得到第二时间序列的用电最大需量的阈值，通过采集第二时间序列的实时数据与用电最大需量的阈值的关系确定储能电池组的充电以及放电策略，在峰时段进行储能供电，达到削峰效果，减少电费的成本，实现真正的动态优化。
本发明提供一种电网储能的动态优化方法，通过采集用电单位耗电的实时数据，进行分析、计算与决策，对储能电池组发出即时指令，达到对所述第二时间序列进行削峰填谷，降低电费成本的目的。本发明充分考虑了国内电价收费标准的细节，从调整最大用电需量和减少高峰用电两方面控制电费成本；所述功能电池组的充放电策略基于预设的历史耗电数据，并且所述储能电池组和电网能够对收到的指令完成即时响应；因此所述储能电池组在执行充放电决策时，本方法能够根据实时采集的数据完成动态优化，及时调整控制方案。
本发明还采用深度学习的方式进行第二时间序列的每天最大用电需量的预测，深度学习作为一种人工智能方法相对于传统的时间序列方法和机器学习方法，预测准确率更高，而且在深度学习过程采用的数据不仅有每天平均耗电功率，还有气象数据和空气质量数据，由于天气情况、空气质量都会影响用电单元的行为，进而影响用电实体的耗电功率，最终会导致耗电功率发生变化，因此在考虑气象数据和空气质量数据，可以提高预测准确率。
本发明还提供一种电子设备，包括存储器及处理器，所述存储器用于存储可执行程序代码；所述处理器通过读取所述可执行程序代码来运行与所述可执行程序代码对应的程序，以执行前文所述的电网储能的动态优化方法中的步骤。
所述电子设备包括一种电网储能的动态优化系统，包括一数据库以及数据处理系统,数据库存储于所述存储器内，数据处理系统即为所述处理器。
所述存储器为一种计算机可读存储介质，用于存储可执行程序代码；所述处理器通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以执行前文所述的货品感知方法中的步骤。
应当指出，对于经充分说明的本发明来说，还可具有多种变换及改型的实施方案，并不局限于上述实施方式的具体实施例。上述实施例仅仅作为本发明的说明，而不是对发明的限制。总之，本发明的保护范围应包括那些对于本领域普通技术人员来说显而易见的变换或替代以及改型。
Claims (10)
1.一种电网储能的动态优化方法，其特征在于，包括如下步骤：
数据库建立步骤，录入至少一用电实体的用电数据至一数据库，每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率，所述预设历史时间段包含多个第一时间序列，所述第一时间序列包含多个时间间隔；所述用电实体由储能电池组直接进行供电，所述储能电池组由所述电网进行充电储能；
数据预处理步骤，对所述预设历史时间段的瞬时耗电功率进行计算得到预设历史时间段的每天最大用电需量并存储至数据库中；
样本采集步骤，从所述数据库中采集样本，每一样本包括多个第一时间序列的每天最大用电需量以及瞬时耗电功率；
样本分类步骤，将所述样本分为训练样本以及测试样本；
预测模型构建步骤，利用所述第一训练样本构建预测模型；
预测步骤，输入所述测试样本得到第二时间序列的每日最大用电需量、每月最大用电需量，所述第二时间序列晚于所述预设历史时间段；
最优化模型建立步骤，利用所述训练样本构建最优化模型；得到第二时间序列的每月最优用电需量阈值的最优化模型；
阈值输出步骤，输入所述第二时间序列的每月最大用电需量至所述最优化模型中并得到第二时间序列的每月用电需量阈值；
判断步骤，判断所述第二时间序列的当前时刻是否为阶段电力时间，若是，控制所述电网对所述储能电池组充电；若否，控制所述储能电池组对所述用电实体进行供电；所述阶段电力时间为所述第二时间序列的用电需量的谷时段。
2.如权利要求1所述的电网储能的动态优化方法，其特征在于，
所述储能电池组包括备用电池组与功能电池组，所述备用电池组与所述功能电池组的数量之比为1:15～1:8；
所述时间间隔为0.5～1.5分钟。
3.如权利要求2所述的电网储能的动态优化方法，其特征在于，
在所述数据库建立步骤之后及在所述数据预处理步骤之前，还包括：
预充电步骤，控制所述主网对所述备用电池组进行预充电。
4.如权利要求1所述的电网储能的动态优化方法，其特征在于，
在所述数据预处理步骤中，具体包括：
采集步骤，从数据库中采集预设历史时间段的瞬时耗电功率xi＝[xi1,xi2,......]，i为预设历史时间段的天数；
第一计算步骤，对每一天的xi每隔第一时间间隔t进行平均值计算得到
取最大值步骤，取每一天的di中的最大值作为预设历史时间段的每天最大用电需量。
5.如权利要求1所述的电网储能的动态优化方法，其特征在于，
每一用电实体的用电数据还包括空气质量数据以及气温数据，
在所述第一样本采集步骤中，所述第一样本还包括空气质量数据以及气温数据；
在所述预测模型构建步骤中，包括：
预测模型学习步骤，预测模型根据第一公式进行深度学习，所述第一公式包括：
其中，xi为所述训练样本中的第i个训练样本，n为所述训练样本中训练样本的个数，L()为均方损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，v为所述用户实体的样本集的仿真预测数据，f(xi)为当前的预测模型；
计算第一预测误差步骤，采用第二公式确定当前的深度学习模型的第一预测误差，所述第二公式包括：
其中，M为所述第一预测误差，n为用户实体的电力负荷预测数据的个数，X′t为用户实体的测试样本集第t个仿真预测数据，Xt为所述测试集中的第t个测试样本中的每天最大用电需量的真实值；
若所述预测误差低于预设的误差下限，则所述预测能力满足所述预定要求；若所述预测能力不满足所述预定要求，则对当前的预测模型进行优化直到满足预设的误差下限。
6.如权利要求1所述的电网储能的动态优化方法，其特征在于，
在所述最优化模型建立步骤中，包括：
优化模型学习步骤，所述最优化模型根据第三公式进行模型优化，所述第三公式包括：
其中，pl(t)为t时刻单位电费(元/kwh)，x(t)为t时刻瞬时耗电功率(kw)，p2为需量电价(元/kw)，D(j)为第j月最大需量(kw)，Pe为储能电池组的电流电压负荷(kw)，Q为功能电池组剩余电量，C1为功能电池组的容量(kwh)，P(t)为t时刻供电功率；
通过上述最优化模型可得每月最优用电需量阈值mD与每月最大用电需量D(j)二者的函数关系，从而计算出所述第二时间序列的每月用电需量阈值mD。
7.如权利要求1所述的电网储能的动态优化方法，其特征在于，
在所述阈值输出步骤之后，还包括：
阈值调整步骤，具体包括：
获取实时数据步骤，获取用电实体的实时瞬时耗电功率；
第二计算步骤，计算所述实时瞬时耗电功率与其对应每日最大用电需量的比值k；
调整步骤，若k小于1.1，则第二时间序列的每月用电需量阈值保持不变；
若k大于或等于1.1，更新所述第二时间序列的每日最大用电需量m，得到第二时间序列的每日最大用电需量m’，其中，m’＝m*k；
更新步骤，更新第二时间序列的每月最大用电需量阈值。
8.如权利要求2所述的电网储能的动态优化方法，其特征在于，
所述第二时间序列还包括第一峰时段以及第二峰时段，所述第一峰时段对应所述第二时间序列用电需量的平时段，所述第二峰时段对应所述第二时间序列用电需量的峰时段，所述储能电池组随着第二时间序列的阶段电力时间、第一峰时段以及第二峰时段进行周期性的充电以及放电；
在所述判断步骤中，具体包括：
第一判断步骤，判断第二时间序列的当前时间点是否为阶段电力时间；若是，则控制所述电网对所述功能电池组进行充电，所述第二时间序列的功能电池组充电功率P'满足以下条件：其中，e为第二时间序列的实时用电单位的耗电功率；若否，则执行第二判断步骤；
所述第二判断步骤用以判断所述第二时间序列的时间间隔是否为第一峰时段；若是，当e＞mD时，则控制所述功能电池组对所述用电单位进行供电，所述第二时间序列的功能电池组放电功率P'满足以下条件：P'＝e-mD；
若否，执行第三判断步骤；
所述第三判断步骤用以判断所述第二时间序列的时间间隔是否为第二峰时段，若是，当e＞mD时，控制所述功能电池组对所述用电单位进行供电，且P'按照所述第一峰时段的供电标准进行供给；若否，控制所述功能电池组为所述用电单位供电，在所述下一个阶段电力时间到来之前将所述功能电池组的剩余存储电量供给完；
在所述第三判断步骤中，当e>mD，且Q＝0时，则由备用电池组完成供电，其中P'依照第一峰时段供电标准执行供电。
9.如权利要求8所述的电网储能的动态优化方法，其特征在于，
在所述第一判断步骤之后，还包括：
误差调整步骤，调整公式为P'＞x-y+z，其中，x为第二时间间隔的瞬时耗电功率之和，y为第二时间间隔的功能电池组的放电功率之和，z为第二时间间隔的最后一时刻的瞬时耗电功率；
其中，所述第二时间间隔包括10～50个时间间隔，所述第二时间间隔被包含于所述第一时间序列。
10.一种存储介质，用于存储可执行程序代码；一处理器通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以执行如权利要求1～9中任一项所述的货品感知方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910568641.XA CN110198042B (zh) | 2019-06-27 | 2019-06-27 | 一种电网储能的动态优化方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910568641.XA CN110198042B (zh) | 2019-06-27 | 2019-06-27 | 一种电网储能的动态优化方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110198042A true CN110198042A (zh) | 2019-09-03 |
| CN110198042B CN110198042B (zh) | 2022-12-27 |
Family
ID=67755430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910568641.XA Active CN110198042B (zh) | 2019-06-27 | 2019-06-27 | 一种电网储能的动态优化方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110198042B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111181182A (zh) * | 2020-01-08 | 2020-05-19 | 国网浙江省电力有限公司台州供电公司 | 一种两部制电价引导下储能系统优化运行方法 |
| CN111709654A (zh) * | 2020-06-20 | 2020-09-25 | 陕西省地方电力物资有限公司 | 一种电网物质调配装置 |
| CN115313447A (zh) * | 2022-10-10 | 2022-11-08 | 深圳先进技术研究院 | 一种混合储能系统充放电状态实时优化控制方法 |
| CN115995839A (zh) * | 2023-02-27 | 2023-04-21 | 国网浙江电动汽车服务有限公司 | 多功能移动储能车工作状态确定方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107565585A (zh) * | 2017-10-30 | 2018-01-09 | 暨南大学 | 储能装置调峰回报时间预测方法及其模型创建方法 |
| CN108280552A (zh) * | 2018-02-24 | 2018-07-13 | 合肥工业大学 | 基于深度学习的电力负荷预测方法和系统、存储介质 |
| CN109325631A (zh) * | 2018-10-15 | 2019-02-12 | 华中科技大学 | 基于数据挖掘的电动汽车充电负荷预测方法和系统 |
-
2019
- 2019-06-27 CN CN201910568641.XA patent/CN110198042B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107565585A (zh) * | 2017-10-30 | 2018-01-09 | 暨南大学 | 储能装置调峰回报时间预测方法及其模型创建方法 |
| CN108280552A (zh) * | 2018-02-24 | 2018-07-13 | 合肥工业大学 | 基于深度学习的电力负荷预测方法和系统、存储介质 |
| CN109325631A (zh) * | 2018-10-15 | 2019-02-12 | 华中科技大学 | 基于数据挖掘的电动汽车充电负荷预测方法和系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111181182A (zh) * | 2020-01-08 | 2020-05-19 | 国网浙江省电力有限公司台州供电公司 | 一种两部制电价引导下储能系统优化运行方法 |
| CN111709654A (zh) * | 2020-06-20 | 2020-09-25 | 陕西省地方电力物资有限公司 | 一种电网物质调配装置 |
| CN115313447A (zh) * | 2022-10-10 | 2022-11-08 | 深圳先进技术研究院 | 一种混合储能系统充放电状态实时优化控制方法 |
| WO2024077752A1 (zh) * | 2022-10-10 | 2024-04-18 | 深圳先进技术研究院 | 一种混合储能系统充放电状态实时优化控制方法 |
| CN115995839A (zh) * | 2023-02-27 | 2023-04-21 | 国网浙江电动汽车服务有限公司 | 多功能移动储能车工作状态确定方法、装置、设备及介质 |
| CN115995839B (zh) * | 2023-02-27 | 2023-10-13 | 国网浙江电动汽车服务有限公司 | 多功能移动储能车工作状态确定方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110198042B (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Puttamadappa et al. | Demand side management of small scale loads in a smart grid using glow-worm swarm optimization technique | |
| US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
| CN110198042A (zh) | 一种电网储能的动态优化方法及存储介质 | |
| Azuatalam et al. | Energy management of small-scale PV-battery systems: A systematic review considering practical implementation, computational requirements, quality of input data and battery degradation | |
| Macedo et al. | Demand side management using artificial neural networks in a smart grid environment | |
| Bernal-Agustín et al. | Multi-objective design and control of hybrid systems minimizing costs and unmet load | |
| CN105337310B (zh) | 一种串联结构光储型多微网经济运行系统及方法 | |
| CN106655248B (zh) | 一种并网型微电网电源容量配置方法 | |
| CN107565585B (zh) | 储能装置调峰回报时间预测方法及其模型创建方法 | |
| CN110222883A (zh) | 基于风驱动优化bp神经网络的电力系统负荷预测方法 | |
| Jannati et al. | Multi-objective scheduling of electric vehicles intelligent parking lot in the presence of hydrogen storage system under peak load management | |
| CN109409770A (zh) | 一种基于神经网络的农村电网智能水平评价方法 | |
| CN108876132A (zh) | 基于云的工业企业能效服务推荐方法和系统 | |
| Beheshtikhoo et al. | Design of type-2 fuzzy logic controller in a smart home energy management system with a combination of renewable energy and an electric vehicle | |
| Wang et al. | Secure energy management of multi-energy microgrid: A physical-informed safe reinforcement learning approach | |
| CN109993355A (zh) | 一种基于灰狼算法的楼宇用电优化方法 | |
| CN107171339A (zh) | 一种含微网的配电网电压无功优化方法 | |
| Luo et al. | Stochastic residential energy resource scheduling by multi-objective natural aggregation algorithm | |
| CN113690875B (zh) | 一种微网实时互动等值模型建立方法 | |
| Wang et al. | Data-driven real-time pricing strategy and coordinated optimization of economic load dispatch in electricity market | |
| CN106684916B (zh) | 一种带蓄电池的并网光伏系统运行优化方法 | |
| Zhang et al. | A review on capacity sizing and operation strategy of grid-connected photovoltaic battery systems | |
| Huang et al. | Optimal energy management of grid-connected photovoltaic micro-grid | |
| CN112613656A (zh) | 一种基于鱼群算法的家庭用电需求响应优化系统 | |
| CN102708519B (zh) | 一种基于自由搜索算法的变电站优化选址方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231130 Address after: 201108 3 / F and 4 / F, building 2, 598 Guanghua Road, Minhang District, Shanghai Patentee after: Shanghai Jientropy Data Technology Co.,Ltd. Address before: 201108 room D62, 1st floor, building 6, 4299 Jindu Road, Minhang District, Shanghai Patentee before: SHANGHAI MAXTROPY DATA TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |