CN110556820A - 用于确定能量系统操作场景的方法和设备 - Google Patents
用于确定能量系统操作场景的方法和设备 Download PDFInfo
- Publication number
- CN110556820A CN110556820A CN201910349464.6A CN201910349464A CN110556820A CN 110556820 A CN110556820 A CN 110556820A CN 201910349464 A CN201910349464 A CN 201910349464A CN 110556820 A CN110556820 A CN 110556820A
- Authority
- CN
- China
- Prior art keywords
- clustering
- time
- performance
- energy system
- input variable
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 13
- 238000011867 re-evaluation Methods 0.000 claims description 12
- 238000011524 similarity measure Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 description 43
- 230000006870 function Effects 0.000 description 28
- 230000002123 temporal effect Effects 0.000 description 22
- 238000012545 processing Methods 0.000 description 20
- 238000004088 simulation Methods 0.000 description 19
- 230000007613 environmental effect Effects 0.000 description 17
- 230000008901 benefit Effects 0.000 description 16
- 230000015654 memory Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000013459 approach Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 235000000332 black box Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000005382 thermal cycling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
公开了一种用于确定能量系统的多个操作场景的计算机实现的方法(100)和相关设备。该方法包括获得(101)作为时间的函数的与输入变量值的多个集合对应的对能量系统的多个性能测量。该方法包括将该输入变量值的多个集合和与其相关联的性能测量聚类(103)成各组以及为各组的每一者定义(105)描述符。该方法还包括输出(106)各组的描述符,以供在能量系统的在线预测或离线估计中使用。
Description
技术领域
本发明涉及电能系统(诸如电网、能量生产者和/或能量消耗者)的领域。更具体地,本发明涉及用于确定能量系统的多个操作场景的设备和方法,所述能量系统诸如电网、一个能量消耗者或多个能量消耗者、一个能量生产者或多个能量生产者、或其组合。本公开中提到的电能系统可尤其涉及取决于随机动态变量(例如,具有取决于环境参数的产量和/或负载)的能量系统。
背景技术
本领域中已知的是,诸如分布式可再生能源之类的能源可在其集成、在能量产量的预测以及在间歇能量生产与归因于能量消耗的需求的平衡中提出技术挑战。例如,准确地预测净能量生产或消耗可能是具有挑战性的,因为这可能取决于可能难以预测的随机因素,例如,取决于本地天气条件,诸如云、环境温度、风向和/或风力。
这些挑战可能在各种时间和空间尺度上延伸。例如,消耗者(例如,产消者)可能想要平衡本地生产(诸如来自太阳能的能量生产)与本地能量消耗,以便降低能量成本(例如通过使用较低的容量关税),和/或提高自我可持续性(例如以提高对非本地能源的独立性)。
分配系统运营商(DSO)可能想要本地地平衡生产和消耗(例如,在馈线和变压器的级别上),以促成对电网的管理和/或实现电网升级中的投资的减少或延期。考虑到可变能源的(例如,可再生能源的)增加的份额,这种平衡可能是尤为合需的。
平衡责任方(BRP)可能需要平衡它们的客户的消耗与它们自己的生产组合,例如其可包括间歇和/或难以预测的能源。
例如,全球范围的总光伏能量收集容量可被估计超过300GWp,其中欧洲为100GWp,并且随着各国向更清洁的电力来源转变,可望预计快速增长。在当前的电力市场中,TSO有责任进行平衡,并且当前如果集合商在它们的规划中犯了多达540€(欧元)/MW(这是一波动的价格)的差错,则TSO对集合商施加罚款。更好的产量预测模型长期而言可以在财务上使所有参与的各方受益,例如,产消者/运营商、DSO和TSO。
因此,存在对良好的短时预测模型和方法的需要,以实现智能电网中的消耗和生产的良好匹配。此类预测模型可涉及生产和/或消耗的短期预测。此外,斜坡调节器可被用来限制网络上的负载并改善其稳定性。此类斜坡调节器可能还需要对生产侧进行充分的短期预测。
能量产量的准确估计已成为对强烈取决于随机现象的发电厂和/或电网的重要挑战。例如,风电场和太阳能发电厂在很大程度上取决于诸如气象、云和太阳辐照分布等气象变量,这些变量对于给定站点可以既局部地又全局地变化。有效的在线工厂控制可能要求数天内的预测,例如,优选地在不会导致大量时间和资源开销的有效实现中。此外,可能需要对年度能量产量预测的良好估计以用于计划未来投资。对长期估计而言,相比对于在线预测系统,更多的时间和资源可通常是可用的,但是计算要求也可能高得多。
用于产量估计的最先进模型可依赖于随机现象的简化来减少建模工作和计算时间。作为结果,产量可能被系统性地低估,例如归因于引入了经验损失百分比和余量以避免高估。对于低于1h的时间分辨率,这些余量通常可以是大约10%,这对于较大的站点可能构成不可接受的损失。
然而,使用最先进的办法可能难以实现对影响发电厂或电网的所有动态效应的详细建模。例如,影响能量系统的性能(例如,能量产量)的随机参数可能不允许完全分析办法,其中准确的结果在合理的时间内被获得,例如对气象数据进行后处理以估计年度能量产量可能是计算密集型问题,而用于控制目的的在线估计(例如,通过最大功率点(MPP)跟踪)在不应用简化或近似来降低影响系统的随机和/或动态因素的复杂度的情况下是不太可能的。
如本领域已知的MPP跟踪器可以使用爬山算法来最大化瞬时功率产生。例如,通过最大化瞬时发电,也可以在一定程度上优化时间积分的功率产量,即总共产生的能量。然而,能量生产系统,诸如光伏电池和模块,可以由几秒到几分钟的量级中的热时间常数来管控。系统的当前状态连同当前环境条件可以影响未来状态。因此,最大化瞬时功率可能并不总是保证总能量结果是最佳的。
光伏模块在其工作寿命期间所经受的环境条件可能显著地影响模块在现场的性能。这些条件的变化(例如,逐年、每日、每小时以及甚至在第二范围内)可具有不可忽视的影响。在这一方面通常被认为是最重要的环境条件是湿度、温度和日照。
操作温度通过以下方式对此类模块的潜在能量产量的具有强烈影响:要么通过工作寿命的减少(例如,与热循环相关的可靠性问题),要么通过模块中不同电池的次优性能。热循环可对模块施加机械应力,并且可能导致模块中的不同层随时间破裂和分层。此外,整个模块温度直接影响模块性能,例如,电池水平增加的温度负面地影响整体性能(例如通过开路电压(Voc)中的下降)。照明和/或温度中的局部空间和/或时间变化可导致串联连接的光伏电池之间的不匹配。温度还可显著地取决于日照水平,使得影响性能的环境条件可由于其错综的相关性而难以纳入考虑。
本领域中已知的是,在光伏能量系统的预测(或历史评估)中使用全球水平辐射的太阳能资源数据库。然而,取决于地点和所应用的方法,来自卫星的辐射数据可能显著地偏差。例如,如本领域已知的光伏预测服务可以向电网运营商提供具有每小时分辨率的区域日前预测。然而,对于运营监视和能量管理,可能需要基本上实时地且以高时间分辨率提供因站点而异的预测。例如,时间序列模型和基于地面的天空图像可被用于短期预测,而对于更长的预测范围,可以使用基于来自卫星数据的云运动矢量的预测。
在包括光伏组件的能量系统中,动态遮蔽(例如,归因于移动的空中物体)可能需要被详细地纳入考虑。这种动态遮蔽基本上影响例如具有固定旁路二极管的扁平硅面板的性能。智能面板至少在某种程度上可以减轻这种效应的影响,但是对剩余影响的准确建模仍然是一个重要的挑战。
模块的热行为也可能对性能具有主要影响。模块内温度梯度可致使各电池之间的不匹配,从而导致负载问题。这还受到环境温度中的变化的直接影响。当冷却时(例如,归因于地面风)可以改善模块输出,这是(例如在完全动态的条件下的)难以准确建模的另一热因素。例如,模块表面处的气流可以是非线性的并且是非均匀分布的。风洞中的实验也已表明,可能存在由于靠近模块表面的边界层中的摩擦而导致的不可忽略的加热效应。
如本领域已知的光伏预测技术可以依赖于黑盒模型。例如,大量的训练数据可通常被用来校准和调谐给定的一组测量变量的预测模型,所述测量变量诸如气象数据,例如宏观温度、风况和/或从卫星图像导出的数据。通常,此类黑盒模型可以使用某种形式的神经网络算法。经调谐的黑盒模型可接着被用来推断运行时情况下的预期能量产量。然而,黑盒办法可能意味着不安全的推断,因为模型在未经训练的条件下的行为无法得到保证。在另一方面,基于物理的自下而上的办法可以确保模型在物理属性的界限内的良好行为被纳入考虑,但是,根据最先进的方法,将是困难的或归因于计算复杂度而无法实现的。
此外,光伏阵列和系统的简化工程模型在本领域中是已知的。然而,如本领域中已知的,模块参数是使用针对不同温度和辐照水平或现场测量的因模块而异的闪光测试来确定的。因此,此类模型可能是不可靠的,尤其是当被应用于所测量的亚小时辐照值时。对于整个光伏系统,现有的技术模型可允许将逆变器效率建模为DC功率和电压的函数。然而,简单模型可能无法用于更复杂的分布式拓扑结构,诸如具有中央DC-AC转换步骤的模块集成的DC-DC转换器。
现有技术的PV电池、模块和阵列建模可以基于传统等效电路模型,其中参数是从标准测试条件(STC)的数据表确定的。与STC的特定偏差(诸如归因于太阳光谱、反射损失和/或模块上的温度分布)可以被忽略。例如,光谱效应可能将每年高达5%的不确定性引入到系统产量上。尽管可以从卫星数据推断出用于光谱建模的信息,但是此类方法可能仍然需要广泛的验证。
光伏模块温度由环境因素确定,并且其对能量产量的影响取决于太阳能电池技术。在光伏设备的领域中已经公开了热电和多维模拟模型。还公开了光伏模块的热模型以预测电池的性能和效率。然而,此类模型可能依赖于某些假设,诸如具有可忽略的热容的每层的均匀温度和用于瞬态模拟的类似简化。
在本领域中存在对组合的经验证的模型的需要,该模型计及了光伏模块级上的细粒度空间和时间的光学、热和电现象。对于产量计算,逆变器可通过其作为DC功率和电压的函数的效率来被建模。与光伏阵列的交互可以通过MPP跟踪效率来描述并且根据EN 50530进行评估。
从辐照数据到功率产量的建模链的不确定性信息对于光伏项目融资至关重要。根据现有技术方法,光伏产量计算的经估计的标准偏差可以是约4.5%,其中在建模步骤中的经估计的标准偏差在0.5%和3%之间。
对于关注于较长周期(例如,具有相对低的分辨率(诸如使用每小时的数据))的能量产量预测的办法,可以对短期非线性和热效应上的误差进行平均。因而,合理的准确度可以使用相对简单的技术(例如,黑盒回归模型)来实现。然而,即使对于较长时间帧上的预测,更高的时间分辨率也可能是合需的。
因此,本领域中存在对更详细且更准确的能量系统模型(诸如太阳能资源模型)的明确需要,例如来量化对当前和新太阳能电池技术性能的气象影响。这包括对用于太阳光谱和直接/漫射关系的准确而快速的模型的需要。对于PV电池、模块和阵列建模,模型应优选地包括反射、光谱、温度分布和遮蔽效应。一种真实的电-热-光模块模型(例如,使用允许稳态和瞬态计算的3D有限元模式)可能是合需的。对于逆变器,存在对准确模型的需要,其将逆变器效率对DC电压的依赖性和MPP跟踪效率相整合。长期动态和离散参数(诸如退化或强制断电)应当优选地(例如,通过随机建模)在模型中被纳入考虑。然而,没有简单的模型可用于新兴的分布式拓扑结构,诸如具有中央DC-AC转换步骤的模块集成的DC-DC转换器。
发明内容
本发明的各实施例的目的是提供用于确定能量系统的多个操作场景(例如,系统场景)的良好且有效的手段和方法,该能量系统诸如电网、一个能量消耗者或多个能量消耗者、一个能量生产者或多个能量生产者(例如,(使用例如可再生能源的)发电厂)、电网上的负载调节器(例如,斜坡调节器),或者前述示例性能量系统的一者或多者的组合。
本发明的各实施例的优点在于,可以定义能量系统的操作条件的紧凑且有效的表示,例如,即使在考虑大量参数和/或随机变量时也是如此。
本发明的各实施例的优点在于,通过标识操作场景和/或聚类操作条件,可以以计算上有效的方式做出关于能量系统的操作的运行时决策。例如,标识和/或聚类可以是计算密集型的,但是可以针对能量系统被执行一次,以便提供要在运行时条件下使用的可管理操作场景。
本发明的各实施例的优点在于,多个操作场景可尤其适合于(例如,光伏系统或使用可再生能源的发电厂的)最大功率点跟踪器所作的在线控制。例如,多个操作场景可以实现能量系统的有效全局优化,例如,避免不同于可以基于梯度下降算法、爬山算法或类似算法来选择的全局最优值的局部最优,上述算法容易出现与作为参数空间的函数的成本函数的局部极值、脊线和径线和/或其中成本函数作为参数空间的函数基本上平坦的平台相关联的问题。特别地,操作场景的使用可以在对具有有限计算资源的系统的控制中实现实时、或足够快速的决策。
本发明的各实施例的优点在于,自下而上的办法可被用于表征和/或控制能量系统,例如即使在考虑到大参数空间的情况下,也依赖于物理原理而不是黑盒机器学习方法。
本发明的各实施例的优点在于,能量系统的特定环境条件可被有效地纳入考虑,例如使得能量系统的因位置而异的优化可被实现。
本发明的各实施例的优点在于,用于能量系统的控制的简单且低成本的解决方案可被提供,其实现了良好的精度。
本发明的各实施例的优点在于,可提供用于基于随机可变的环境因素的对能量产量预测和/或能量生产系统(例如,光伏或风能收集系统)的评估的简单且低成本的解决方案。例如,这种预测和/或评估模型可以有利地将系统的物理属性和环境因素的局部测量纳入考虑。
本发明的各实施例的优点在于,可以在用于能量系统的计算上有效的估计框架中实现低估计误差。
本发明的各实施例的优点在于,可以实现在能量系统的大小和复杂度方面的良好可扩展性以用于估计或评估其性能。
本发明的各实施例的优点在于,可有效地执行对能量系统(诸如具有不同材料或不同配置的光伏模块)的WHAT-IF(假设分析)探索。
本发明的各实施例的优点在于,可以实现用于在动态辐照条件下探索具有可控配置参数的智能光伏拓扑结构的有效建模。
本发明的各实施例的优点在于,因站点而异的和/或本地信息(例如,与辐照和本地环境条件相关的)可以被有效地集成在能量系统的性能估计模型中。
本发明的各实施例的优点在于,可以准确地预测取决于本地天气条件(例如,云、环境温度和风向/强度)的净能量生产和/或消耗。
本发明的各实施例的优点在于,可以实现对用于限制电网上的负载和/或用于保证该网络的稳定性的斜坡调节器的生产侧的短期预测。
以上目标是通过根据本发明的方法和设备来实现的。
在第一方面,本发明涉及一种用于确定能量系统的多个操作场景的计算机实现的方法。该方法包括获得作为时间的函数的与输入变量值的多个集合对应的对能量系统的多个性能测量。该方法包括将输入变量值的多个集合和与其相关联的性能测量聚类成各组。该方法还包括为各组的每一者定义描述符并输出各组的描述符,以供在能量系统的(例如,能量系统的性能的)在线预测或离线估计中使用。
在根据本发明的各实施例的方法中,多个性能测量可以包括如针对该多个值的每个相应集合计算的相同性能测量,即代表相同的物理或数学量。
在根据本发明的各实施例的方法中,多个性能测量可以包括能量产量和/或能量消耗估计,例如,如针对该多个值的每个集合计算的。
在根据本发明的各实施例的方法中,能量系统可包括电网、至少一个能量消耗者、至少一个能量生产者、能量网络调节器、或其任何组合。能量系统可包括从可再生能源收集能量的能量生产者。能量系统可包括光伏电站、光伏系统、光伏模块和/或光伏电池。能量系统可包括风力涡轮机或风力涡轮机电厂。能量系统可包括海浪能量收集系统。
在根据本发明的各实施例的方法中,所述输入变量可包括环境温度和/或风向和/或风速和/或环境湿度和/或太阳辐照强度和/或太阳辐照角度和/或代表太阳光谱的至少一个值和/或云层值和/或阴影值和/或其任何组合。
在根据本发明的各实施例的方法中,所述输入变量可以包括工作中的能量系统的配置参数和/或属性,所述能量系统是可重新配置的能量系统。
根据本发明的各实施例的方法可以包括通过确定处于评估中的输入变量值的当前集合所分配到的组和使用指示能量系统的性能的相应性能测量来在能量系统的性能测量的在线预测和/或离线估计中使用群集的描述符。
在根据本发明的各实施例的方法中,在能量系统的在线预测中使用群集的描述符可以包括根据与输入变量值的当前集合所分配到的经确定的组相关联的可控参数来控制能量系统的可控参数。
在根据本发明的各实施例的方法中,输入变量值的多个集合中的每个集合可包括在预定时间帧内的至少一个输入变量的至少一个时间序列。多个性能测量可被确定为预定时间帧内的时间的函数和/或可以在时间帧内被汇总。
在根据本发明的各实施例的方法中,获得多个性能测量可以包括通过在预定时间帧内将一个输入变量或多个输入变量的演变划分成多个离散时间片段来对该至少一个时间序列中的至少一者进行下采样。
在根据本发明的各实施例的方法中,下采样可以包括执行优化过程以确定具有非均匀长度的时间片段。优化过程可以包括成本函数的优化,该成本函数包括指示经下采样的曲线的拟合度的因子或项和/或指示经下采样的一个或多个变量的统计分布的拟合度的因子或项和/或指示一个或多个变量在每个时间片段内进行下采样之前在其时间分辨率处的平滑度的因子或项。
在根据本发明的各实施例的方法中,聚类可以包括:对于输入变量值的多个集合中的每个集合和与其相关联的性能测量,确定这些值和/或性能测量的概括统计量以及定义其中聚类被执行的多维空间中的某点,其中该点在多维空间中的坐标包括概括统计量。
在根据本发明的各实施例的方法中,聚类可以包括确定多维空间中的各点之间的相似性度量并且基于该相似性度量确定各组,其中相似性度量包括多维空间中的超距离测量。
在根据本发明的各实施例的方法中,聚类可以包括迭代聚类,其中各组被迭代地创建和/或更新。在(例如,迭代聚类的)每个聚类步骤中,没有被成功地分配给组的多维空间中的点可以被标记以供在进一步的聚类步骤(例如,迭代聚类的后续聚类步骤)中重新评估。
在根据本发明的各实施例的方法的聚类中,被分配给每个组的数个点可以在每个聚类步骤中或在(迭代聚类的)除了最后的聚类步骤之外的每个聚类步骤中受到预定最大数量的约束。如果组中的点的数量超过预定最大数量,则在评估供添加到组的某点时,可以从该点创建新组(例如,最初由那一点组成)。
在根据本发明的各实施例的方法中,聚类的每个聚类步骤可以包括确定每个组的空间属性以及将空间属性纳入考虑以计算用于判定某点是否被包括在相应组中的相对成本。如果相对成本超过预定阈值,则该点可被标记以供在进一步的聚类步骤中重新评估。
在根据本发明的各实施例的方法中,获得多个性能测量的步骤可以包括针对输入变量值的多个集合中的至少一个集合来随时间对能量系统的多重物理量模型进行模拟。
在根据本发明的各实施例的方法中,获得多个性能测量的步骤可以包括:对于输入变量值的相应集合的出现概率在预定阈值之下的性能测量,应用近似来计算性能测量而非模拟多重物理量模型。
在第二方面,本发明涉及用于确定能量系统的多个操作场景的设备。该设备包括输入,用于获得作为时间的函数的与输入变量值的多个集合对应的对能量系统的多个性能测量。该设备包括处理器,用于将输入变量值的多个集合和与其相关联的性能测量聚类成各组,并且用于为各组的每一者定义描述符。该设备包括输出,用于输出各组的描述符,以供在能量系统的在线预测或离线估计中使用。
在根据本发明的各实施例的设备中,输入可被适配成用于接收输入变量值的多个集合的每个集合,其中每个集合包括在预定时间帧内的至少一个输入变量的至少一个时间序列。输入可以包括模拟器,用于确定在预定时间帧内作为时间的函数和/或在时间帧内被汇总的多个性能测量。
在所附独立和从属权利要求中阐述了本发明的特定和优选方面。来自从属权利要求的特征可以与独立权利要求的特征以及其他从属权利要求的特征适当地结合,而不仅仅是如在权利要求中明确阐述的。
本发明的这些以及其他方面从下文所描述的(诸)实施例中将变得显而易见并且将参考这些实施例来进行阐明。
附图说明
图1示出了根据本发明的各实施例的示例性方法。
图2示出了变量的高时间分辨率曲线、通过下采样到恒定长度时间片段而获得的较低时间分辨率的变量和通过使用可变时间步长获得的较低时间分辨率的变量之间的比较,以用于解说本发明的各实施例的特征。
图3解说了在三维空间ξ1、ξ2、ξ3中表示的运行时场景,以用于解说本发明的各实施例的各方面。
图4示出了输入变量的拟合分布,以用于解说本发明的各实施例的各方面。
图5示意性地解说了根据本发明的各实施例的示例性设备。
这些附图仅是示意性而非限制性的。在附图中,出于解说性目的,各要素中的一些要素的尺寸可被放大且不按比例绘制。
权利要求中的任何附图标记不应被解释为限制范围。
在不同的附图中,相同的附图标记指示相同或相似的要素。
具体实施方式
将关于具体实施例且参考特定附图来描述本发明,但是本发明不限于此而仅由权利要求书来限定。所描述的附图只是示意性的而非限制性的。在附图中,出于解说性目的,各要素中的一些要素的尺寸可被放大且不按比例绘制。尺寸和相对尺寸不对应于本发明的实践的实际缩减。
此外,说明书中和权利要求中的术语第一、第二等等用于在类似元件之间进行区分,并且不一定用于在时间上、空间上、排序或任何其他方式来描述序列。应当理解,如此使用的术语在适当的情况下是可互换的并且本文中所描述的本发明实施例能够以不同于本文中所描述或解说的顺序操作。
此外,说明书和权利要求中的术语顶部、下方及类似术语用于描述性的目的并且不一定用于描述相对位置。应该理解,如此使用的这些术语在合适情况下可以互换,并且本文描述的本发明的实施例能够以不同于本文描述或解说的其他取向来操作。
应注意,权利要求中使用的术语“包括”不应被解释为限定于其后列出的装置;它并不排除其他要素或步骤。因此,该术语应被解释为指定所陈述的特征、整数、步骤或组件的存在,但不排除一个或多个其他特征、整数、步骤或组件、或其组的存在或添加。因此,表述“包括装置A和B的设备”的范围不应当被限定于仅由组件A和B组成的设备。其意指对于本发明,该设备的唯一相关组件是A和B。
贯穿本说明书对“一个实施例”或“实施例”的引用意指结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。因此,短语“在一个实施例中”或“在实施例中”贯穿本说明书在各个地方的出现并不一定都指同一实施例,但是可以指同一实施例。此外,在一个或多个实施例中,如从本公开中对本领域普通技术人员将是显而易见的,特定的特征、结构或特性可以用任何合适的方式进行组合。
类似地,应当领会,在本发明的示例性实施例的描述中,出于精简本公开和辅助对各个发明性方面中的一个或多个的理解的目的,本发明的各个特征有时被一起编组在单个实施例、附图或其描述中。然而,这种公开的方法不应被解释为反映所要求保护的本发明需要比每项权利要求中所明确记载的更多特征的意图。相反,如所附权利要求反映的,各发明方面可以存在比单个前述公开的实施例的全部特征更少的特征。因此,具体实施方式之后所附的权利要求由此被明确纳入本具体实施方式中,其中每一项权利要求本身代表本发明的单独实施例。
此外,尽管本文中所描述的一些实施例包括其他实施例中所包括的一些特征但不包括其他实施例中所包括的其他特征,但是不同实施例的特征的组合旨在落在本发明的范围内,并且形成如将由本领域技术人员所理解的不同实施例。例如,在所附权利要求中,任何所要求保护的实施例均可以以任何组合来使用。
在本文所提供的描述中,阐述了众多具体细节。然而应理解,在没有这些具体细节的情况下也可实践本发明的实施例。在其他情形中,公知的方法、结构和技术未被详细示出以免混淆对本描述的理解。
在第一方面,本发明涉及用于确定能量系统的多个操作场景的方法,所述能量系统诸如电网、一个能量消耗者或多个能量消耗者、一个能量生产者或多个能量生产者、能量网络调节器(例如,斜坡调节器)、或其任何组合。本公开中提到的电能系统可尤其涉及取决于随机动态变量(例如,具有取决于环境参数的产量和/或负载)的能量系统。例如,能量系统可以包括或取决于可再生能源,例如,分布式可再生能源。
根据本发明的各实施例的方法是计算机实现的方法。除非另外特别说明,否则如从以下讨论中显见的,应当领会,贯穿说明书的诸如“认定”、“处理”、“计算”、“运算”、“确定”等术语指代计算机或计算系统或类似电子计算设备的动作和/或过程,其将被表示为物理(诸如电子)量的数据操纵和/或变换成被类似地表示为物理量的其他数据。
以类似方式,术语“CPU”和“处理器”可指代任何设备或设备的一部分,其处理例如来自寄存器和/或存储器的电子数据,以将该电子数据变换成例如可被储存在寄存器和/或存储器中的其他电子数据。“计算机”或“计算机器”或“计算平台”可包括一个或多个处理器。例如,根据本发明的各实施例的方法可以由包括一个或多个处理器的计算机执行和/或在作为并行计算系统操作的计算机群集上被执行。本发明的方法的步骤可以由一个或多个传统处理器(即,一个或多个CPU)执行,或者由专用处理器执行,所述专用处理器诸如一个或多个通用图形处理单元(GPGPU)、单元宽带引擎处理器、应用专用集成电路、现场可编程门阵列和/或本领域已知的其他处理设备。
在一个实施例中,本文中所描述的方法可由机器执行,该机器包括接受包含指令的计算机可读(也称为机器可读)代码的一个或多个处理器。对于本文中所描述的任何方法,当指令被机器执行时,机器执行该方法。能够(顺序或以其他方式)执行一组指令(其指定要由该机器采取的动作)的任何机器被包括在内。因此,一种典型的机器可以通过包括一个或多个处理器的典型处理系统来举例说明。每个处理器可以包括CPU、图形处理单元、和可编程DSP单元中的一者或多者。处理系统可以进一步包括存储器子系统,存储器子系统包括主RAM和/或静态RAM、和/或ROM。可以包括总线子系统,以用于在各组件之间进行通信。如果处理系统需要显示器,则可以包括这样的显示器,例如液晶显示器(LCD)或阴极射线管(CRT)显示器。如果需要手动数据输入,则处理系统还包括输入设备,诸如字母数字输入单元(诸如键盘)、指示控制设备(诸如鼠标)等等中的一者或多者。如本文中所使用的术语存储器单元还涵盖诸如磁盘驱动器单元之类的存储系统。一些配置中的处理系统可以包括声音输出设备和网络接口设备。存储器子系统因而包括承载计算机可读代码(例如,软件)的载体介质,该计算机可读代码包括用于在由处理系统执行时执行本文中所描述的多种方法中的一种或多种的指令。应当注意,当该方法包括若干元素(例如,若干步骤)时,除非特别说明,否则不暗示这些元素的排序。软件可以驻留在硬盘中,或者也可以在计算机系统对其的执行期间完全地或至少部分地驻留在RAM内和/或处理器内。因而,存储器和处理器也构成承载计算机可读代码的载体介质。
在替代实施例中,机器作为独立设备操作或者可以在联网部署中被连接(例如,被联网)到其他机器,机器可以在服务器-客户端网络环境中以服务器或客户机的能力来操作,或者在对等或分布式网络环境中作为对等机来操作。该机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、网络电器、网络路由器、交换机或桥接器、或者能够执行指定将由该机器(顺序或以其他方式)执行的一组指令的任何机器。
应当注意,本领域技术人员将理解,上文中所描述的许多组件可以被包括在内,但是没有被显式地示出或描述以便不模糊发明的方面。
本发明的各方面可采取方法、完全硬件实施例、完全软件实施例或组合软件和硬件方面的实施例的形式。此外,本发明可采取承载被具体化在介质中的计算机可读程序代码的载体介质(例如,在计算机可读存储介质上的计算机程序产品)的形式。软件可经由网络接口设备来通过网络被进一步传送或接收。尽管载体介质在示例性实施例中被示为单个介质,但是术语“载体介质”应该被视为包括储存一个或多个指令集的单个介质或多个介质(例如,集中式或分布式数据库、和/或相关联的高速缓存和服务器)。术语“载体介质”还应当被视为包括能够储存、编码或携带供由机器执行的一组指令并且致使该机器执行本发明的任何一个或多个方法的任何介质。载体介质可采取许多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘、磁盘和磁光盘。易失性介质包括动态存储器,诸如主存储器。传输介质包括同轴电缆、铜导线和光纤,包括包含总线子系统的导线。传输介质还可以采取声波或光波的形式,诸如那些在无线电波和红外数据通信期间生成的那些。例如,术语“载体介质”应当相应地被视为包括但不限于固态存储器、光学和磁介质、和载波信号。
将理解的是所讨论的方法的步骤在一个实施例中通过执行储存在存储器中的指令(计算机可读代码)的处理(即,计算机)系统的适当的处理器(或多个处理器)来执行。同样将理解的是本发明不限于任何特定的实现或编程技术并且本发明可利用用于实现本文中所描述的功能性的任何适当的技术来实现。本发明不限于任何特定的编程语言或操作系统。
参考图1,示出了根据本发明的实施例的示例性方法100。
方法100包括获得101作为时间的函数的与输入变量值的多个集合(例如,值的每个集合对应于输入变量的值的组合)对应的对能量系统的多个性能测量。
多个性能测量可以包括能量估计,例如,能量产生(例如,能量产量)和/或能量消耗估计。
多个性能测量可被确定为预定时间帧内的时间的函数。性能测量和与其相关联的输入变量值的集合可以被称为运行时情况(RTS)。例如,这种运行时情况可以对应于性能测量在预定时间帧内根据与其相关联的各组输入变量值的演变。运行时情况可包括多个时间片段,例如,预定时间帧的划分,输入变量值的集合和/或性能测量值针对该多个时间片段被定义的。附加地或替代地,性能测量可以包括代表在预定时间帧内被汇总的(例如,被积分的)全局性能的标量值。
输入变量值的多个集合中的每个集合可包括预定时间帧内的至少一个输入变量的时间序列,例如,各输入变量的时间序列。
例如,预定时间帧可以具有在1分钟至1小时的范围内(例如,在5分钟至30分钟的范围内,例如,在10分钟至20分钟的范围内,例如,15分钟)的时间长度。时间序列可以以例如0.5s至10s(例如,约1s)的初始时间分辨率来被定义。
输入变量可以包括随机环境变量,诸如天气变量(例如,环境温度)、风向、风速、环境湿度、太阳辐照强度、太阳辐射角、太阳光谱或代表太阳光谱的(诸)参数、云层和/或(诸)阴影变量和/或其任何组合。
输入变量还可以包括能量系统的参数,例如,可重新配置的能量系统的设置和/或工作中的能量系统的属性。例如,输入变量可以包括系统的电流、电压和/或其他电气特性。
输入变量可以包括从上述输入变量或其组合的(例如,诸如天气条件之类的外生变量的、和/或诸如电气特性之类的内生变量的)任一者导出的中间变量。例如,此类中间变量可包括基于此类变量中的一者或多者计算的统计变量,例如,统计中心性、(例如,散布的)离差、偏斜和/或峰态的测量。
获得多个性能测量可包括针对输入变量值的集合中的每个集合或至少一个集合来随时间对能量系统进行模拟。例如,模拟可以包括对详细的、非均匀的和/或细粒度瞬态多重物理量模型(例如,电-热-光模型)进行模拟102。例如,模拟可对应于如EP 2 998 756中所描述的模拟。
例如,对于光伏系统,模拟模型可以使用经预测的或历史天气数据。辐照、环境温度、等效均匀的全球风速和风向(作为典型的非均匀条件的近似)可以被提供作为输入变量。也可以包括光谱信息和天空温度,例如来实现更高的准确度。模拟模型可以包括逐层光学吸收模型,以计算(诸)光伏模块的每层中生成的热量和潜在电能。还可以以相对低的计算成本来将角度和光谱信息纳入考虑。模块内的每个太阳能电池的温度可通过等效热电路模型来被计算。该热电路可包含PV模块的相关物理属性,诸如材料的物理尺寸、热容量和/或热阻。电路模型的值可包括纯物理值或者可以从测量中提取。该电路可将热量的传导、对流和/或辐射纳入考虑。每个热电路可被耦合到其相邻太阳能电池的热电路,以模拟横向和/或纵向方向上的热传导。电路可使用由光学吸收模型计算的每层中所生成的热量作为输入。风洞试验和有限元模型(FEM)模拟可被用来确定全球均匀风速与模块表面处的经空间解析的热传递系数之间的关系。因而,可针对(例如,如由输入变量值提供的)高度变化的非均匀条件来准确地模拟模块内的每个太阳能电池的温度,并且这具有高空间(例如,每电池)和时间(例如,高达1秒)的分辨率。
每个太阳能电池的电气特性可通过如本领域中已知的1或2-二极管模型来建模。此类模型的参数可以通过闪光或稳态IV测量和/或从设备模拟来确定。如上文中所描述的热电路可被用来计算PV模块中的每个太阳能电池的温度,以供用作电路的输入参数。PV模块的完整电-热模型可通过耦合各个个体电路来形成。
因而,模拟模型可以使用具有细粒度时间和空间分辨率的基于物理的光伏能量产量模型来估计个体太阳能电池、面板和发电园区的生产。然而,如本领域已知的其他模拟模型可被用于模拟其他类型的能量资源(例如,风力涡轮机、海浪能量收集系统和/或混合系统)。类似地,如本领域已知的模拟模型可被用于模拟能量消耗、能量生产、能量系统的其他性能测量和/或其组合。
获得101多个性能测量可包括:对于仅偶尔出现的性能测量(例如,各RTS)(例如,对其而言可以为输入变量值的相应集合的计算低于预定阈值的出现概率),应用104相比被用于模拟102的步骤的模型不那么详细的模型(例如,如本领域已知的对性能测量的传统的粗略高估),以有效地使用可用的计算资源。
例如,在模拟102的步骤中使用的详细的电-热-光模型可包括时间和/或空间细粒度瞬态辐照、局部环境温度和风效应。例如,可以基于这样的输入变量的值集合来模拟准确的RC特性曲线。
在根据本发明的各实施例的方法中,作为时间的函数的性能测量(例如,RC曲线或从RC曲线导出的曲线)可以覆盖被划分成离散时间步长(例如,被划分成多个时间片段)的预定时间帧(例如,时间窗口)。
获得101多个性能测量可包括对输入变量和/或中间变量中的至少一者进行下采样108,例如通过将用于基于一个或多个输入变量(例如,光伏电池的硅温度)在计算性能测量的时间窗口内计算性能测量的输入变量的至少一者的和/或至少一个中间变量的演变(例如,作为时间的函数的曲线)划分成多个离散时间片段。例如,变量可以是输入变量或从这样的输入变量(例如,辐照、温度、风速、风矢量或从其导出的值)导出的变量。
例如,多个输入变量随时间的演变可以被划分成多个离散时间片段,例如,多个相关变量的相同时间片段。由于输入变量的时间序列可以高度相关,因此可确定适合于以有利的少量时间步长表达多个输入变量的多个时间片段。例如,这种相关性可归因于管控使这些输入变量相关的物理方程,例如,温度和日照之间的相关性。
例如,可以通过定义多个离散时间片段来降低时间分辨率,使得输入变量在时间窗口内的动态演变可以通过有利的少量时间步长来被描述。例如,可以在每个时间片段中对变量求平均以减少数据点的数量。
将至少一个变量在时间窗口内的演变划分108成多个离散时间片段可包括为每个时间片段确定代表该时间片段中的变量的值,例如,平均值。将至少一个变量的演变划分108成多个离散时间片段还可以包括将多个值与每个时间片段相关联,诸如对应于时间片段中的最低时间值的变量的初始值、对应于时间片段中的最高时间值的变量的最终值和/或时间片段的其他元变量或描述符,例如标准偏差或统计离差的其他测量和/或时间片段内的变量的变化的主导频率或频谱。
例如,对于热变量,与时间片段相关联的值(例如,元变量)可以实现性能测量的有效计算,诸如通过允许对系统的RC常数和/或与强制对流(例如,风冷)相关联的量的有效计算。
时间片段(例如,离散时间步长)可以是长度恒定的,或者可以是可变的,例如,至少两个时间步长在长度上可以不同。因而,划分108的步骤可以包括对时间分辨率的常规下采样,或者可以包括优化过程以确定非均匀长度的适当时间片段。例如,优化过程可以优化合适的成本函数(或目标函数)。例如,优化过程可以确定多个时间片段,其中每个时间片段被选择成具有预定范围(例如,经由用户界面选择的范围)内的长度。时间片段的数量可以是预定的、由优化过程自由确定的或者由优化过程在预定范围(例如,经由用户界面选择)内确定的。
划分108至少一个变量随时间的演变可包括执行成本函数的优化,例如,成本函数包括指示该一个或多个变量的经下采样的曲线相对于(诸)变量的按其初始时间分辨率的曲线的拟合优度的因子或项。成本函数可以附加地或替代地包括指示经下采样的(诸)变量的统计分布相对于(诸)变量在其初始时间分辨率处的统计分布的拟合优度的因子或项。例如,图4示出了基于多个时间片段中的变量(例如,温度)的离散化的经拟合的分布。成本函数可包括指示在每个时间片段内(诸)变量在其初始时间分辨率处的平滑度的项或因子。
时间片段可被确定为具有在0.5s至120s的范围内(例如,优选地在1s至60s的范围内,例如,在1s至10s的范围内)的长度。
例如,一个或多个输入变量可以具有动态行为(例如,包括延迟效应),诸如举例而言,热变量。变量的(时间)梯度的波动可被用来检测可变长度的时间片段。例如,预定余量M(例如,可以以百分比表示的相对余量)可被用来定义时间片段的时间长度的可允许偏差。不同的余量值可被用于不同的输入变量。时间片段的长度可以按照(诸)变量的预期行为来被选择,并且可以由通过优化至少一个超参数来最小化最终误差的闭环算法来优化。
例如,在确定可变长度的时间片段之前,一个或多个输入变量可被滤波,例如以移除高频噪声。可以针对一个或多个变量的时间序列计算时间梯度(例如,通过离散时间差算子)。(诸)梯度可以被变换,例如举例而言,通过计算grad(Z)/abs(grad(Z)),其中Z指代手头的(可能已被滤波的)变量,从而值[-1,0,1]的脉冲串被创建,其中符号中的切换表示从上升到下降行为的切换,且反之亦然。接着,连续的重复值可被移除以创建脉冲串矢量,其中保留了仅改变的符号(即,在-1、0、1状态之间的变化)的相应时间戳。
因而,通过顺序地遍历经减小的脉冲串矢量及其相关联的时间戳,时间片段可被创建,这些时间片段具有在[100-M,100+M]/100(对于以百分比表示的M)乘以预定片段长度或乘以平均片段长度的范围内的长度。例如,对于经减小的脉冲串矢量的每个脉冲,如果当前时间片段小于100%-M的预定下限阈值,则下一个时间片段可被添加到该当前时间片段。如果当前时间片段超过100%-M的上限阈值,则可以为下一个时间片段创建新时间片段。
该过程可以在多次迭代(例如,两次迭代)中被应用,以组合低于预定下限阈值的时间上毗邻的运行时场景。
此类时间片段通常可以比时间序列的初始时间长度短得多,但是远远大于时间序列的初始时间量,同时保留了手头变量的绝大多数动态行为。其他输入变量也可以基于手头变量的时间分段来被分段以保持变量的对齐,或者该办法可被扩展以将多个输入变量的动态行为中的同时近似变化纳入考虑,例如,通过对为多个变量生成的脉冲串进行平均并将平均值四舍五入为整数-1、0、1。
因而,预定时间帧中的时间步长的数量可以被有利地减少,同时以高时间分辨率保持对(诸)变量的良好保真度。例如,经离散化(例如,经下采样)的(诸)变量的统计分布可以是在执行步骤108之前的(诸)变量的统计分布的良好近似。
模拟102步骤可以有利地以(例如,如由时间片段确定的)较低的时间分辨率被执行,使得良好的计算效率可以被实现。例如,对于每个时间片段,性能测量(例如,能量系统的能量产量)可被计算。
此外,时间分辨率的降低还可以有利地导致从用于聚类的运行时场景确定的参数的良好分布,例如导致有效的聚类,如下文进一步描述的。
参考图2,示出了在变量(例如,以1s的分辨率确定的衬底温度)的高时间分辨率曲线21、通过下采样到恒定长度时间片段获得的较低时间分辨率处的变量的时间曲线23、以及通过使用可变时间步长获得的较低时间分辨率处的变量的时间曲线22之间的比较。
方法100包括将输入变量和相关联的性能测量(例如,运行时场景)聚类103成各组以及为每个群集(例如,时间系统场景(TSS))定义105描述符。例如,输入变量值的集合可以在聚类103的步骤中被分组,使得单个性能测量对于该组而言有足够的代表性,例如,在由代表该组的单个性能测量所作的对该组中任何性能测量的近似的误差的预定容差余量内。
聚类103步骤可包括为多个输入变量(例如,包括输入变量的时间序列)确定109概括统计量,例如,统计中心性、(例如,散布的)离差、偏斜和/或峰态的测量,以及定义多维空间中的坐标,其中该坐标包括这些概括统计量以及性能测量,例如,作为时间的函数的性能测量和/或该性能测量的概括统计量。(诸)概括统计量可指代用于概述(例如,描述)变量的值在多个时间片段上的分布的统计量。例如,统计分布函数可被拟合在输入变量(和/或性能测量)的一者或多者的值上,并且可以由分布函数的参数来表示。变量可以例如通过单变量分布来被单独地拟合,或者可以例如通过多变量分布(例如以利用这些变量之间的相关性)来被联合拟合。
例如,输入变量的值可被减少到每运行时场景的每变量一个值。这可包括如本领域中已知的任何形式的汇集方法,例如,简单的最小/最大操作或更多统计办法,诸如从样本中平均或提取合适统计分布的统计参数。
例如,每个运行时场景可以由超空间中的坐标(ξ1,ξ2,…,ξN,成本)表示,例如,其中N坐标代表输入变量,而1坐标代表性能测量。然而,在本发明的各实施例中,不一定排除每输入变量包括多个坐标或包括多个性能测量(例如,表示系统的感兴趣的不同属性)。例如,本发明的各实施例不必限于性能测量的标量坐标,例如,可包括多个不同的性能测量和/或可以包括指示性能测量的多个统计量。例如,可以包括指示能量系统的不同配置的不同但可比较的性能测量。
虽然坐标可以包括指示环境条件(诸如温度、风、辐照和/或遮蔽)的随机输入变量的值或从上述随机变量导出的值,但是也可以包括指示能量系统的可控参数的输入变量的值或从上述输入变量导出的值。例如,每个群集可以与可控参数的一组值相关,例如能量系统的旋钮,例如以参数化的方式。例如,此类可控参数可以与传统旋钮相关,诸如局部/全局DC-DC转换器的电压调节(占空比),或者可以与智能能量系统的旋钮相关,诸如用于智能PV模块/面板的可配置拓扑元件的配置(例如,用于智能旁路二极管和/或开关的设置)。
例如,坐标可包括平均温度、平均辐照、平均工作电流、平均工作电压和能量产量。同样,坐标还可以包括温度的标准偏差、辐照的标准偏差、工作电流的标准偏差、和/或工作电压的标准偏差。本发明的各实施例不限于这些示例,例如,坐标还可以包括其他输入或中间变量和/或这些输入或中间变量的其他统计概括测量。在其上执行聚类的多维空间中的维度的示例可以包括在若干位置处的所生成的功率和工作温度。
对于输入变量值(其可以包括矢量值,例如,时间序列)的多个集合中的每个集合,获得101作为时间函数的能量系统的性能测量,例如,通过对将输入变量纳入考虑的详细的、非均匀的和/或细粒度瞬态多重物理量模型进行模拟102,和/或通过将不太详细的模型(例如,粗略估计模型)应用104到具有低出现概率的输入变量值的至少一个集合。如上文中所描述,至少一个变量可以在模拟102之前被首先下采样108。因而,对于输入变量值的多个集合中的每个集合,多维空间中的坐标可以被定义,以用于表征输入变量值的组合和为该组合获得的性能度量。输入变量值的多个集合中的每个集合可以代表(例如,在模块或工厂的位置处的)能量系统的实际气象条件(和/或与性能相关的其他条件)。可以通过在感兴趣的时间帧(例如,供在预测性能时使用的时间窗口)内对条件进行概况分析和/或采样来获得这些值。例如,在感兴趣的位置处的详细气象条件可以用于供在根据本发明的各实施例的方法中使用,例如,以足够详细的细粒度格式,例如,最多一秒的采样周期。当可用的数据粒度更粗糙时,这可能降低可以被实现的准确度。然而,即使可以被实现的准确度受到输入数据的质量的限制,仍然可以通过根据本发明的各实施例的方法来实现在计算资源的使用方面的显著减少。
如上文中所描述,运行时场景的搜索空间可以被构建。通过对较不频繁出现的情况使用粗略近似,可以实现对搜索空间的良好采样,同时避免在此类罕见情况的详细模拟上花费过多的计算时间。
例如,瞬态效应(例如,系统的存储器/状态)可以通过根据本发明的各实施例的方法来被有效地描述。对于每个运行时场景,输入数据(例如,辐照、温度、风)连同当前状态可以以确定的方式被连接到未来状态。即使可存在强烈取决于环境条件的演变的大量未来状态,这些状态也可以平滑地向外分支出去,并且这些状态中的许多状态可能仅罕见地出现。因此,能量系统的性能可以通过足够频繁出现的场景来被有效地描述,以具有对整体性能(例如,能量产量)的实质性影响。
图3例示了在三维空间ξ1、ξ2、ξ3中表示的运行时场景。然而,应当注意,在实践中,搜索空间的维度可能大于3,例如,可具有在数十或甚至数百个维度的范围中的维度。还应当注意,被用于聚类的成本(例如,性能测量)可以由聚类所形成的各组来表示,例如,通过空间中对应于各组的各区域的多面体边界,然而,这难以在如图3所示的黑白图示中以可辨别的方式来表示。
聚类103步骤可以包括确定多维空间中的各点之间(例如,在多维空间中的一对(或n元组)点之间)的相似性度量,以及基于该相似性度量确定群集,例如使用如本领域中已知的聚类办法。相似性度量可包括多维空间中的超距离测量(或由其组成)。
在聚类103中,代表运行时场景的多维空间中的点的分布可以被划分成表示系统场景的多个不同的组。这种划分(例如,分区)成不同的组(例如,S个不同的组)可以根据总体配置成本来被执行。每当点i的成本c(i)落入组j的成本范围{C(j)min,C(j)max}中时,点i就可以被分配给该组。
这样的成本范围可以通过平衡函数来确定,该平衡函数确保所有组在运行时具有几乎相等的概率出现。以此方式,罕见的系统场景可以被避免,例如,因为他们的存储成本可能超过在表示的准确性方面的收益。该概率可以由该组包含的点(包括重复的点)的数量来表示,这将被称为场景大小。
聚类103可以包括迭代聚类,其中各群集被迭代地更新。例如,在每个聚类步骤中,多维空间中未曾被成功分配给群集的点(例如,由它们的坐标表示的各RTS)可以被标记以供在随后的聚类步骤中重新评估。聚类步骤的数量可以是预定的(例如,通过用户设置),或者可以被动态地确定(例如,通过停止准则)。分配给每个群集的点的数量(例如,在每个聚类步骤中或在除最后一个之外的每个聚类步骤中)可以被约束到预定范围。
例如,在每个聚类步骤中,各群集可以被确定并且被减少到预定点数K(例如,被减少到群集大小的预定上限)。例如,最靠近群集的质心的K个点可以被选择,并且剩余的点(如果有的话)可被拒绝以供随后的聚类步骤中进行重新评估。
此外,(例如,10%(各实施例不限于此)的)预定余量可以被应用于相对情景成本差异,以确定是否拆分组,例如,某点是被添加到处于评估中的组(例如,当低于预定余量时)还是被用来开始新组时(例如,当高于预定余量时)。相对场景成本差异可以通过(Ccurrent–Clow)/Clow来计算,其中Clow和Ccurrent分别指代在将该点添加到处于评估中的组之前和之后的组中的最低成本(例如,最低性能测量)。
例如,当向群集添加某点时,可以计算相对成本,其指示该点关于群集中的性能测量的性能测量。某点可以当该相对成本高于预定阈值时被拒绝,例如诸如当用群集的代表性群集值(例如,其均值)表示群集中任何点的性能测量时,确保群集内的预定准确度。
在每个聚类步骤中,每个群集的空间属性可被确定,诸如指示多维空间中的中心和大小的值,例如,质心和半径。此类属性可被用作用于判定某点是否可以被包括在群集中的阈值。例如,群集的较大空间范围(例如,更大的半径)可导致当使用这样的群集(例如以用于(近)实时预测)时准确度降低,而在存储和计算效率方面的增益。
聚类可以包括预处理步骤,其中RTS签名(例如,如它们在多维空间中的坐标所表示的)按它们的成本(例如,按性能测量(例如,从最坏的情形开始))被排序。因而,最坏情形系统场景可被创建。系统场景可以用具有经排序的序列中的下一成本的点(即,RTS签名)来填充。当系统场景的大小超过场景大小的最大阈值时,新的系统场景可被创建,且依此类推。每个经完成的组可被检查是否存在与先前计算的较高成本系统场景的交叠。交叠意味着RTS参数空间中的各场景区域不是互斥的,并且等于各区域的交集。此类交集可能使预测模糊,并且可因而被消除,例如,通过将交叠区域中的各点移动到较高成本系统场景,或者相应地,从较低成本场景中减去该交叠区域。
在聚类步骤中,可以对组的现有边界(例如,对凸包)执行操作,以及被添加到该组的新点到多维参数空间上的投影点。为了限制凸包中的顶点数量以供更快的运行时预测,凸包上的各点之间的距离可被计算,并且比预定余量更靠近的那些点可被移除(例如,其中L/vmax低于预定阈值,其中L是凸包的周长,而vmax是预测多面体中的顶点的最大数量的用户定义的约束)。
为了确定交叠和区域边界调整,可以应用布尔集合操作以确定两个多面体的交集和差异。
由于多维空间中的坐标点的数量(例如,对应于经采样的运行时场景)可能很大,因此聚类步骤可以应用合适的大数据聚类和/或处理技术,诸如skyline(天际线)查询。
在聚类步骤中确定的每个组(即,群集)按照例如其与多维空间的区域中的输入值和性能测量相关联的坐标来表征该组中的时间系统场景。与这样的组相关联的描述符可以由多面体(例如,由它的凸包)来描述。例如,描述符可以包括多面体的顶点。因而,可以通过检查哪个多面体包含输入值的特定集(例如,因运行时而异的场景)而例如在性能的在线预测或历史评估中有效地使用描述符。因而,可以针对输入值的该特定集估计性能。检查某点是否位于多面体内部是来自计算几何域的经典数据点定位问题,其可以有利地以低计算资源成本来执行。此外,多面体可以有利地以低存储空间成本(例如通过其顶点的列表)来被存储。
如上文中所描述,迭代聚类可以被应用于经分类的签名向量,例如,按成本函数(例如按性能测量(其中当群体准则被满足时开始新组))分类。签名可以被假设在多个场景之间被以相等数量划分,例如诸如确保类似的发生率。然而,在根据本发明的各实施例中,不是确保各组中的近似相等的群体,而是聚类可以集中于(例如,每个组内的)最终误差的良好分布,例如其中出现比率的均匀分布可被认为是次要的。
例如,在每个聚类步骤中,成本的(例如,性能测量的)组内的偏差(例如,统计散布)可被计算。如果当前签名成本偏离场景的第一签名成本(或场景的代表性成本,例如平均成本)超过预定的(例如,用户可控的)百分比,则当前组被关闭并且新组被打开以供构建。这可以有利地在签名向量按它们的成本(例如,性能测量)被分类的情况下被有效地执行,如上文中所描述。
此外,由于输入变量及其相关联的性能测量可以有利地在多维空间中被组织(例如,通过相关性和/或依赖性),因此超距离测量可以被有利地使用。在每个聚类步骤中,当向组添加某点(即,签名)时,诸如组质心和组半径(例如,封闭超球面的半径)之类的几何测量可以被计算(例如,被更新)。在考虑供包含在组中的点时,例如在通过如上文中所描述的被施加在成本上(例如,被施加在性能测量上)的准则之后,(例如,由封闭超球面导致的)该组的邻域可以按照邻域准则来被评估。如果该点未通过邻域准则,例如相比预定阈值而言更远离该组,则该点可被跳过并且被保留以供在下一个聚类步骤中重新评估。相同的超球面可以被有利地用来定义场景的几何大小的下限,例如,以避免代表具有过于小的体积的组的多面体,例如对其而言供预测/历史评估使用的存储和/或处理成本相对于因包括该组而导致的增加的准确性而言是不足的。此外,这样的超球面表示可被用作用来避免非相交超体积之间的凸包操作,从而减少隐含的处理时间。
在聚类步骤的迭代完成之后,下一个聚类阶段可以被执行以创建附加场景。例如,在性能测量方面曾靠近的(例如,通过评估按性能测量分类的点),但被发现位于大于阈值的超距离处的点可能在先前的聚类步骤中被保留以供重新评估。因而,在下一个聚类步骤中,具有类似成本但在多维空间中被不同地定位的签名可以不被聚类在一起而是被分配给不同的组,使得可以避免将具有跨越不必要的大体积的凸包的群集(即,组)。
聚类的迭代规程可以被重复达预定迭代次数,或者可以被重复直到没有其他点被保留以供重新评估。在每次迭代期间,预定的超距离和成本阈值可以被相应地调整,以确保更宽松或更严格的条件,例如,以改善聚类过程的效率。
方法100进一步包括输出106群集的描述符,供在能量系统的(例如,能量系统的本地能量产量的)在线预测或离线估计中使用。在其上执行聚类的多维空间中的维度的示例可包括在若干位置处的所生成的功率和工作温度。描述符可因而被用于在线操作中,以确定与这些位置处的工作温度的特定组合所对应的群集相关联的特性。然而,本发明的各实施例还可以使用其他相关的物理量或从其导出的值,这些物理量或值可以被在线测量或者被(基本上)实时地估计。此外,描述符也可被用于系统的性能的历史评估或重新评估。
该方法还可包括:对于输入变量值的集合(例如,对应于使用中的能量系统的当前状况),通过确定分配了输入变量值集合的群集并且使用指示能量系统的当前和/或未来性能的性能测量来在能量系统的在线预测或离线估计中使用107群集的描述符。
此外,在能量系统的在线预测中使用107群集的描述符可包括根据与所确定的输入变量值被分配到的群集相关联的可控参数来控制110系统的可控参数。因而,优化了能量系统的在线控制,例如,包括智能PV拓扑结构。可以通过考虑多个成本来执行决策制定,从而导致用于配置的本地(时间和空间上)最优解决方案。通过在运行时对能量系统的主动控制,能量生产可以被优化。此外,该优化不限于对瞬时生成的功率的优化,而是可以将未来时间帧内的综合估计的能量生产纳入考虑,例如,使得可以有效地避免未来时间帧内的能量生产的局部但非全局极值。例如,预测预报模型可被用来生成用于确定输入的辐照和/或温度曲线,以确定对应于当前和近期环境条件的群集。这样的预测预报模型可以生成具有几分钟到几天的视野的简档。简档数据可例如被提供给控制器,该控制器可以访问描述符(例如,被存储在存储器中)。因此,可以做出选择以便将系统驱动到其最佳点,例如,通过将其过去、现在和未来状态纳入考虑。
用于估计性能测量(例如,能量产量)的方法可以在在线和/或离线应用中受益于由根据本发明的各实施例的方法提供的描述符。在离线估计的情形中,从过去的气象数据库和局部I-V曲线测量获得的分析结果可被用于感兴趣的站点以产生性能测量的准确值(例如,所考虑的或现有设施的预计年能量产量),例如以协助做出有关初始投资或未来升级/扩展的决策。
尽管可以通过紧密结合天气和能源系统预测(例如,光伏模块或电厂预测)来实现在预测效率方面的显著改善,但是能源系统的复杂度及其对天气条件的依赖性可能意味着高计算资源负担,使得集成的预测系统可能难以实现或成本太高。如本领域中已知的并且在上文中简要讨论的自下而上的光伏能量产量模型可以非常精确,即使对于非常短的时间尺度也是如此。与天气/云预测的组合可以导致显著的精度改进,例如,由于对相关性的利用。根据本发明的各实施例,可以根据本发明的各实施例基本上实时地提供的天气预测(例如,细粒度天气预测)可被用来对使用这种复杂的自下而上模拟框架被预先计算的代表性能量产量进行索引。此外,此类天气预测(或其他环境条件的预测)可以通过使用来自本地测量传感器的输入来增强(例如,在PV面板集成的水平处、本地现场处和/或在馈线/变压器水平处),从而以可接受的成本实现可接受的预测准确度。此类传感器测量可被用来改进天气预测(或其他环境预测),或者可以在对代表性的经预先计算的能量产量进行索引时被直接纳入考虑。
通过有利地降低被用于模拟的输入数据的时间分辨率,探索大空间的代表性天气条件的计算负担可被减少。通过聚类这些模拟的结果和与其相关联的输入变量,可以生成紧凑的表示,其可被容易地用于供在预测或历史评估中进行参考,而不需要对计算资源和/或计算时间提出大的诉求,例如,可以在廉价的处理器硬件平台上被在线执行。例如,对于例如在大约15分钟到几小时的范围内的时间帧,可以实现对实际能量产量的准确预测,其具有关于突然斜坡的出现的详细信息。
可以(例如,通过设备)在服务或产品中、在各种应用中,以及针对各种类型的用户使用107群集的描述符。例如,可针对发电厂运营商、集合商和/或能量供应商来将描述符用于短期预测或模拟解决方案。此外,长期预测或模拟解决方案可被集成在智能家庭能量管理和/或用于工业、市政和/或住宅产消者的管理系统中。
在第二方面,本发明涉及一种用于确定能量系统的多个操作场景的设备。图5中解说了根据本发明的各实施例的示例性设备1。
设备1包括输入2,用于获得作为时间的函数的与输入变量值的多个集合对应的对能量系统的多个性能测量。
输入2可被适配成用于接收该输入变量值的多个集合的每个集合,其中每个值集合包括在预定时间帧内的至少一个输入变量的至少一个时间序列。
输入2可被适配成用于通过在预定时间帧内将一个输入变量或多个输入变量的演变划分成多个离散时间片段来对该至少一个时间序列中的至少一者进行下采样。
输入2可被适配成用于在下采样时执行优化过程以确定具有不均匀长度的时间片段,其中该优化过程包括成本函数的优化,该成本函数包括指示经下采样的曲线的拟合优度的因子或项和/或指示经下采样的一个或多个变量的统计分布的拟合优度的因子或项和/或指示一个或多个变量在每个时间片段内进行下采样之前在其时间分辨率处的平滑度的因子或项。
输入2可以包括模拟器5,用于确定在预定时间帧内作为时间的函数和/或在时间帧内被汇总的多个性能测量。
模拟器5可被适配成用于针对该输入变量值的多个集合中的至少一个集合来随时间对能量系统的多重物理量模型进行模拟。
模拟器5可被适配成用于:对于输入变量值的相应集合的出现概率在预定阈值之下的性能测量,应用近似来计算性能测量而非模拟多重物理量模型。
设备1包括处理器3,以用于将该输入变量值的多个集合和与其相关联的性能测量聚类成各组,并且用于为各组的每一者定义描述符。
处理器3可被适配成用于:对于该输入变量值的多个集合中的每个集合和与其相关联的性能测量,确定这些值和/或性能测量的概括统计量以及定义其中聚类被执行的多维空间中的某点,其中该点在多维空间中的这一坐标包括概括统计量。
处理器3可被适配成用于确定多维空间中的各点之间的相似性度量并且基于该相似性度量确定各组,其中该相似性度量可以包括多维空间中的超距离测量。
处理器3可被适配成用于执行迭代聚类,其中迭代地创建和/或更新各组。在每个聚类步骤中,没有被成功地分配给组的多维空间中的点可以被标记以供在进一步的(例如,后续的)聚类步骤中重新评估。
处理器3可被适配成用于在每个聚类步骤中或在除了最后的聚类步骤之外的每个聚类步骤中使被分配给每个组的数个点受到预定最大数量的约束。处理器3可被适配成用于:如果组中的点的数量超过最大数量,则在评估供添加到组的某点时,创建最初由那一点组成的新的组。
处理器3可被适配成用于确定每个组的空间属性并将这些空间属性纳入考虑以计算用于判定某点是否被包括在相应组中的相对成本。处理器3可被适配成用于在相对成本超过预定阈值的情况下对用于在进一步的聚类步骤中标记用于重新评估的某点。
设备1包括输出4,用于输出各组的描述符,以供在能量系统的在线预测或离线估计中使用。
应该清楚的是,根据本发明的第二方面的各实施例的设备1可以执行根据本发明的第一方面的各实施例的方法或至少其步骤。因此,如上文中所描述的根据本发明的各实施例的方法的特征可以同样适用于根据本发明的各实施例的设备1的相应特征,这对于本领域技术人员来说是显而易见的。因而,设备1可以包括处理系统,该处理系统被适配成用于执行如上文中所描述的方法实施例的不同方法步骤。不同的步骤可以在处理系统中被实现为硬件或软件。这样的处理系统可包括耦合到存储器子系统的至少一个可编程处理器,该存储器子系统包括至少一种形式的存储器,例如RAM、ROM等。可以包括具有至少一个磁盘驱动器的存储子系统,例如固态存储设备和/或磁存储盘、和/或CD-ROM驱动器和/或DVD驱动器。在一些实现中,可包括显示系统、键盘和指示设备作为用户接口子系统的一部分以便向用户提供手动输入信息。还可以包括用于输入和输出数据的端口。可包括更多元件,诸如网络连接、到各个设备的接口等。处理系统的各种元件可以以包括经由总线子系统的各种方式被耦合。存储器子系统的存储器可在某一时间保存当在处理系统上被执行时实现本发明的各方法实施例的(诸)步骤的部分或全部指令集。因而,尽管这样的处理系统是现有技术,但是包括实现本发明的各方面的指令的系统不是现有技术。本发明还包括一种计算机程序产品,当在计算设备上执行时,该计算机程序产品提供根据本发明的任何方法的功能性。此外,本发明包括数据载体,诸如举例而言,CD-ROM、DVD-ROM或软盘,其以机器可读的形式储存计算机产品,并且当在计算设备上执行时执行本发明的各方法中的至少一种。如今,这种软件通常在互联网或公司内联网上被提供以供下载,因此本发明包括通过局域网或广域网传送根据本发明的计算机产品。
Claims (15)
1.一种用于确定能量系统的多个操作场景的计算机实现的方法(100),所述方法包括:
-获得(101)作为时间的函数的与输入变量值的多个集合对应的对所述能量系统的多个性能测量,
-将所述输入变量值的多个集合和与其相关联的所述性能测量聚类(103)成各组;
-为所述组的每一者定义(105)描述符,
-输出(106)所述组的所述描述符,以供在所述能量系统的在线预测或离线估计中使用。
2.根据权利要求1所述的计算机实现的方法,其特征在于,包括通过确定处于评估中的所述输入变量值的当前集合所分配到的所述组和使用指示所述能量系统的性能的相应性能测量来在所述能量系统的所述性能测量的在线预测和/或离线估计中使用(107)群集的所述描述符。
3.根据权利要求2所述的计算机实现的方法,其特征在于,在所述能量系统的在线预测中使用(107)所述群集的所述描述符包括根据与所述输入变量值的当前集合所分配到的经确定的组相关联的可控参数来控制所述能量系统的可控参数。
4.根据前述权利要求中任一项所述的计算机实现的方法,其特征在于,其中所述输入变量值的多个集合中的每个集合包括在预定时间帧内的至少一个输入变量的至少一个时间序列,并且其中所述多个性能测量在所述预定时间帧内被确定为时间的函数和/或在所述时间帧内被汇总。
5.根据权利要求4所述的计算机实现的方法,其特征在于,获得(101)所述多个性能测量包括通过在所述预定时间帧内将所述输入变量或多个所述输入变量的演变划分成多个离散时间片段来对所述至少一个时间序列中的至少一者进行下采样(108)。
6.根据权利要求5所述的计算机实现的方法,其特征在于,其中所述下采样(108)包括执行优化过程以确定具有不均匀长度的所述时间片段,其中所述优化过程包括成本函数的优化,所述成本函数包括指示经下采样的曲线的拟合优度的因子或项和/或指示经下采样的一个或多个变量的统计分布的拟合优度的因子或项和/或指示所述一个或多个变量在每个时间片段内进行下采样之前在其时间分辨率处的平滑度的因子或项。
7.根据前述权利要求中任一项所述的计算机实现的方法,其特征在于,所述聚类(103)包括:对于所述输入变量值的多个集合中的每个集合和与其相关联的所述性能测量,确定(109)所述值和/或所述性能测量的概括统计量以及在其中所述聚类被执行的多维空间中定义某点,其中所述点在所述多维空间中的该坐标包括所述概括统计量。
8.根据权利要求7所述的计算机实现的方法,其特征在于,所述聚类(103)包括确定所述多维空间中的各点之间的相似性度量以及基于所述相似性度量来确定所述组,所述相似性度量包括所述多维空间中的超距离测量。
9.根据权利要求7或8所述的计算机实现的方法,其特征在于,其中所述聚类(103)包括迭代聚类,其中所述组被迭代地创建和/或更新,并且其中在每个聚类步骤中,没有被成功地分配给组的所述多维空间中的点被标记以供在进一步的聚类步骤中进行重新评估。
10.根据权利要求9所述的计算机实现的方法,其特征在于,其中在所述聚类(103)中,分配给每个组的数个点在每个聚类步骤中或在除了最后的聚类步骤之外的每个聚类步骤中受到预定最大数量的约束,并且其中如果所述数量超过所述最大值,则在评估供添加到组的某点时,从所述点创建新的组。
11.根据权利要求9或10所述的计算机实现的方法,其特征在于,其中所述聚类(103)的每个聚类步骤包括确定每个组的空间属性以及将所述空间属性纳入考虑以计算用于判定某点是否被包括在相应组中的相对成本,并且其中如果所述相对成本超过预定阈值,则所述点被标记以供在所述进一步的聚类步骤中进行所述重新评估。
12.根据前述权利要求中任一项所述的计算机实现的方法,其特征在于,所述获得(101)所述多个性能测量包括针对所述输入变量值的多个集合中的至少一个集合随时间来模拟(102)所述能量系统的多重物理量模型。
13.根据权利要求12所述的计算机实现的方法,其特征在于,所述获得(101)所述多个性能测量包括:对于所述输入变量值的相应集合的出现概率低于预定阈值的性能测量,应用(104)近似来计算所述性能测量而不是模拟(102)所述多重物理量模型。
14.一种用于确定能量系统的多个操作场景的设备(1),所述设备包括:
-输入(2),以用于获得作为时间的函数的与输入变量值的多个集合对应的对所述能量系统的多个性能测量,
-处理器(3),以用于将所述输入变量值的多个集合和与其相关联的所述性能测量聚类成各组,并且用于为所述组的每一者定义描述符,
-输出(4),用于输出所述组的所述描述符,以供在所述能量系统的在线预测或离线估计中使用。
15.根据权利要求14所述的设备,其特征在于,其中所述输入(2)被适配成用于接收所述输入变量值的多个集合中的每个集合,其中每个集合包括在预定时间帧内的至少一个输入变量的至少一个时间序列,并且其中所述输入(2)包括模拟器(5),用于确定在所述预定时间帧内作为时间的函数和/或在所述时间帧内被汇总的所述多个性能测量。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18175427.6A EP3576029A1 (en) | 2018-05-31 | 2018-05-31 | Method and device for determining energy system operating scenarios |
EP18175427.6 | 2018-05-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110556820A true CN110556820A (zh) | 2019-12-10 |
Family
ID=62567272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910349464.6A Pending CN110556820A (zh) | 2018-05-31 | 2019-04-28 | 用于确定能量系统操作场景的方法和设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10956993B2 (zh) |
EP (1) | EP3576029A1 (zh) |
CN (1) | CN110556820A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343625A (zh) * | 2020-03-02 | 2021-09-03 | 株式会社东芝 | 运算方法以及运算装置 |
CN113890109A (zh) * | 2021-09-05 | 2022-01-04 | 三峡大学 | 具有时间空间相关性的多风电场功率日场景生成方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11610075B2 (en) * | 2016-04-29 | 2023-03-21 | Hewlett Packard Enterprise Development Lp | Hierarchical rule clustering |
EP3767559B1 (en) | 2019-07-14 | 2023-11-15 | IMEC vzw | Multi-scale optimization framework for smart energy systems |
CN111401757B (zh) * | 2020-03-19 | 2022-04-22 | 西安交通大学 | 一种计及时空相关性的多区域电力负荷时序场景建模方法 |
EP3979154A1 (en) * | 2020-10-05 | 2022-04-06 | ABB Schweiz AG | Method for evaluating an energy efficiency of a site |
EP4024643A1 (en) * | 2020-12-30 | 2022-07-06 | Imec VZW | Simulating a quantity of interest of large solar energy installations |
CN113326658B (zh) * | 2021-06-03 | 2024-03-12 | 中国南方电网有限责任公司 | 基于神经网络的光伏储能并网控制方法 |
CN116956203B (zh) * | 2023-09-21 | 2023-12-15 | 山东和兑智能科技有限公司 | 一种变压器分接开关动作特性测量方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130212410A1 (en) * | 2012-02-10 | 2013-08-15 | University Of Florida Research Foundation, Incorporated | Renewable energy control systems and methods |
US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
US20150012144A1 (en) * | 2013-07-08 | 2015-01-08 | Eaton Corporation | Method and apparatus for optimizing a hybrid power system with respect to long-term characteristics by online optimization, and real-time forecasts, prediction or processing |
WO2017035629A1 (en) * | 2015-08-31 | 2017-03-09 | Green Power Labs Inc. | Method and system for solar power forecasting |
WO2017214210A1 (en) * | 2016-06-06 | 2017-12-14 | Xet | Intelligent grid operating system to manage distributed energy resources in a grid network |
CN107909212A (zh) * | 2017-11-20 | 2018-04-13 | 武汉大学 | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 |
US20180121539A1 (en) * | 2016-11-01 | 2018-05-03 | Quid, Inc. | Topic predictions based on natural language processing of large corpora |
WO2018086761A1 (en) * | 2016-11-10 | 2018-05-17 | Rowanalytics Ltd | Control apparatus and method for processing data inputs in computing devices therefore |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9135667B2 (en) * | 2012-11-16 | 2015-09-15 | Johnson Controls Technology Company | Systems and methods for building energy use benchmarking |
US20150012258A1 (en) * | 2013-07-08 | 2015-01-08 | Holden R. Caine | System and method for modeling and characterizing of photovoltaic power systems |
US9202178B2 (en) * | 2014-03-11 | 2015-12-01 | Sas Institute Inc. | Computerized cluster analysis framework for decorrelated cluster identification in datasets |
US10386820B2 (en) * | 2014-05-01 | 2019-08-20 | Johnson Controls Technology Company | Incorporating a demand charge in central plant optimization |
US10496927B2 (en) * | 2014-05-23 | 2019-12-03 | DataRobot, Inc. | Systems for time-series predictive data analytics, and related methods and apparatus |
EP2998756B1 (en) | 2014-09-16 | 2017-07-05 | IMEC vzw | Simulation of photovoltaic modules |
CN107408230B (zh) * | 2015-03-11 | 2021-06-01 | 西门子工业公司 | 在建筑物管理系统中进行建筑物自动化诊断的系统和方法 |
US10287988B2 (en) * | 2015-03-27 | 2019-05-14 | General Electric Company | Methods and systems for enhancing operation of power plant generating units and systems |
US10726341B2 (en) * | 2016-03-21 | 2020-07-28 | Schneider Electric USA, Inc. | Method for inferring downtime from power quality data |
US10025813B1 (en) * | 2017-04-13 | 2018-07-17 | Sas Institute Inc. | Distributed data transformation system |
US10732319B2 (en) * | 2017-08-30 | 2020-08-04 | International Business Machines Corporation | Forecasting solar power output |
-
2018
- 2018-05-31 EP EP18175427.6A patent/EP3576029A1/en active Pending
-
2019
- 2019-04-28 CN CN201910349464.6A patent/CN110556820A/zh active Pending
- 2019-05-30 US US16/426,410 patent/US10956993B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130212410A1 (en) * | 2012-02-10 | 2013-08-15 | University Of Florida Research Foundation, Incorporated | Renewable energy control systems and methods |
US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
US20150012144A1 (en) * | 2013-07-08 | 2015-01-08 | Eaton Corporation | Method and apparatus for optimizing a hybrid power system with respect to long-term characteristics by online optimization, and real-time forecasts, prediction or processing |
WO2017035629A1 (en) * | 2015-08-31 | 2017-03-09 | Green Power Labs Inc. | Method and system for solar power forecasting |
WO2017214210A1 (en) * | 2016-06-06 | 2017-12-14 | Xet | Intelligent grid operating system to manage distributed energy resources in a grid network |
US20180121539A1 (en) * | 2016-11-01 | 2018-05-03 | Quid, Inc. | Topic predictions based on natural language processing of large corpora |
WO2018086761A1 (en) * | 2016-11-10 | 2018-05-17 | Rowanalytics Ltd | Control apparatus and method for processing data inputs in computing devices therefore |
CN107909212A (zh) * | 2017-11-20 | 2018-04-13 | 武汉大学 | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343625A (zh) * | 2020-03-02 | 2021-09-03 | 株式会社东芝 | 运算方法以及运算装置 |
CN113343625B (zh) * | 2020-03-02 | 2024-04-26 | 株式会社东芝 | 运算方法以及运算装置 |
CN113890109A (zh) * | 2021-09-05 | 2022-01-04 | 三峡大学 | 具有时间空间相关性的多风电场功率日场景生成方法 |
CN113890109B (zh) * | 2021-09-05 | 2023-08-25 | 三峡大学 | 具有时间空间相关性的多风电场功率日场景生成方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190370914A1 (en) | 2019-12-05 |
EP3576029A1 (en) | 2019-12-04 |
US10956993B2 (en) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10956993B2 (en) | Method and device for determining energy system operating scenario | |
Rodríguez et al. | Predicting solar energy generation through artificial neural networks using weather forecasts for microgrid control | |
Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
Raza et al. | An ensemble framework for day-ahead forecast of PV output power in smart grids | |
US11545830B2 (en) | Systems and methods of hierarchical forecasting of solar photovoltaic energy production | |
Mellit et al. | Performance prediction of 20 kWp grid-connected photovoltaic plant at Trieste (Italy) using artificial neural network | |
Graditi et al. | Comparison of Photovoltaic plant power production prediction methods using a large measured dataset | |
De Giorgi et al. | Error analysis of hybrid photovoltaic power forecasting models: A case study of mediterranean climate | |
Sabzehgar et al. | Solar power forecast for a residential smart microgrid based on numerical weather predictions using artificial intelligence methods | |
Ibrahim et al. | An optimized offline random forests-based model for ultra-short-term prediction of PV characteristics | |
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
Rai et al. | A CNN‐BiLSTM based deep learning model for mid‐term solar radiation prediction | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
CN107562992B (zh) | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 | |
Piliougine et al. | Multilayer perceptron applied to the estimation of the influence of the solar spectral distribution on thin-film photovoltaic modules | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
Paulescu et al. | Nowcasting solar irradiance using the sunshine number | |
Capizzi et al. | An advanced neural network based solution to enforce dispatch continuity in smart grids | |
CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
Gupta et al. | Long term estimation of global horizontal irradiance using machine learning algorithms | |
Yan et al. | Operating power reserve quantification through PV generation uncertainty analysis of a microgrid | |
Fan et al. | Spatial-temporal genetic-based attention networks for short-term photovoltaic power forecasting | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining |
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 |