CN112329995B - 分布式储能集群的优化调度方法、装置和计算机设备 - Google Patents

分布式储能集群的优化调度方法、装置和计算机设备 Download PDF

Info

Publication number
CN112329995B
CN112329995B CN202011148859.9A CN202011148859A CN112329995B CN 112329995 B CN112329995 B CN 112329995B CN 202011148859 A CN202011148859 A CN 202011148859A CN 112329995 B CN112329995 B CN 112329995B
Authority
CN
China
Prior art keywords
energy storage
output power
distributed energy
cluster
prediction period
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
Application number
CN202011148859.9A
Other languages
English (en)
Other versions
CN112329995A (zh
Inventor
李毓烜
彭鹏
陈满
李勇琦
胡振恺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Original Assignee
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd filed Critical Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority to CN202011148859.9A priority Critical patent/CN112329995B/zh
Publication of CN112329995A publication Critical patent/CN112329995A/zh
Application granted granted Critical
Publication of CN112329995B publication Critical patent/CN112329995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种分布式储能集群的优化调度方法、装置、计算机设备和存储介质。所述方法包括：根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群；基于日前可调能力评估结果，确定各个所述分布式储能集群的日前输出功率参考值；获取各个所述分布式储能集群在预测周期内的初始输出功率；通过预先训练的输出功率预测模型，基于各个所述分布式储能集群的所述日前输出功率参考值和所述初始输出功率，确定各个所述分布式储能集群在所述预测周期内的目标输出功率；各个所述分布式储能集群在所述预测周期内的目标输出功率用于作为对电力资源的优化调度结果。采用本方法，能够提高电力资源的调度可靠性。

Description

分布式储能集群的优化调度方法、装置和计算机设备
技术领域
本申请涉及分布式能源技术领域，特别是涉及一种分布式储能集群的优化调度方法、装置、计算机设备和存储介质。
背景技术
随着储能技术的飞速发展，出现了各式各样的分布式储能设备，在实现电力资源的高效利用方面，起到了重要的作用。
传统技术中，在电力资源调度过程中，一般是根据用户的用电需求，制定相应的优化调度计划，通过优化调度计划调整相应的分布式储能设备的输出功率，以实现电力资源的调度；但是，分布式储能设备的输出功率受多方面影响，仅仅根据用户的用电需求进行优化调度，容易出现偏差，造成电力资源的调度可靠性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高电力资源的调度可靠性的分布式储能集群的优化调度方法、装置、计算机设备和存储介质。
一种分布式储能集群的优化调度方法，所述方法包括：
根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群；
基于日前可调能力评估结果，确定各个所述分布式储能集群的日前输出功率参考值；
获取各个所述分布式储能集群在预测周期内的初始输出功率；
通过预先训练的输出功率预测模型，基于各个所述分布式储能集群的所述日前输出功率参考值和所述初始输出功率，确定各个所述分布式储能集群在所述预测周期内的目标输出功率；各个所述分布式储能集群在所述预测周期内的目标输出功率用于作为对电力资源的优化调度结果。
在其中一个实施例中，所述根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群，包括：
获取分布式储能设备的关键信息；所述关键信息包括所述分布式储能设备的电气耦合程度、充放电功率和容量；
根据预设的集群划分指令，基于所述分布式储能设备的关键信息，对所述分布式储能设备进行集群划分，得到至少两个分布式储能集群。
在其中一个实施例中，所述根据预设的集群划分指令，基于所述分布式储能设备的关键信息，对所述分布式储能设备进行集群划分，得到至少两个分布式储能集群，包括：
根据所述分布式储能设备的关键信息，确定所述分布式储能设备的电气耦合指标值和储能参数指标值；
对所述预设的集群划分指令进行解析，得到预设的集群划分模型；
通过所述预设的集群划分模型，对所述分布式储能设备进行集群划分，直到集群划分综合指标值最大，则得到所述分布式储能设备对应的至少两个分布式储能集群；所述集群划分综合指标值根据所述电气耦合指标值和所述储能参数指标值得到。
在其中一个实施例中，所述集群划分综合指标值通过下述公式得到：
Figure BDA0002740567320000021
其中，α为所述电气耦合指标值，β为所述储能参数指标值，γ为所述集群划分综合指标值，λ1为第一权重系数，λ2为第二权重系数。
在其中一个实施例中，所述通过预先训练的输出功率预测模型，基于各个所述分布式储能集群的所述日前输出功率参考值和所述初始输出功率，确定各个所述分布式储能集群在所述预测周期内的目标输出功率，包括：
通过预先训练的输出功率预测模型，分别以各个所述分布式储能集群的所述日前输出功率参考值为约束条件，基于各个所述分布式储能集群的所述初始输出功率，得到各个所述分布式储能集群在所述预测周期内的输出功率增量；
根据各个所述分布式储能集群在所述预测周期内的所述初始输出功率和所述输出功率增量，得到各个所述分布式储能集群在所述在预测周期内的目标输出功率。
在其中一个实施例中，所述预先训练的输出功率预测模型通过下述方式训练得到：
获取分布式储能样本集群在预测周期内的初始输出功率和实际输出功率；
将所述分布式储能样本集群在预测周期内的初始输出功率输入待训练的输出功率预测模型，得到所述分布式储能样本集群在预测周期内的预测输出功率；
根据所述预测输出功率与所述实际输出功率之间的差值，确定所述待训练的输出功率预测模型的损失值；
根据所述损失值，对所述待训练的输出功率预测模型的模型参数进行调整，得到所述预先训练的输出功率预测模型。
在其中一个实施例中，所述方法还包括：
在所述预测周期结束时，获取各个所述分布式储能集群的实际输出功率；
分别将各个所述分布式储能集群的实际输出功率，对应作为各个所述分布式储能集群在所述预测周期的下一预测周期内的初始输出功率；
通过所述预先训练的输出功率预测模型，基于各个所述分布式储能集群在所述下一预测周期内的初始输出功率，确定各个所述分布式储能集群在所述下一预测周期内的目标输出功率。
一种分布式储能集群的优化调度装置，所述装置包括：
集群划分模块，用于根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群；
参考值确定模块，用于基于日前可调能力评估结果，确定各个所述分布式储能集群的日前输出功率参考值；
初始输出功率确定模块，用于获取各个所述分布式储能集群在预测周期内的初始输出功率；
目标输出功率确定模块，用于通过预先训练的输出功率预测模型，基于各个所述分布式储能集群的所述日前输出功率参考值和所述初始输出功率，确定各个所述分布式储能集群在所述预测周期内的目标输出功率；各个所述分布式储能集群在所述预测周期内的目标输出功率用于作为对电力资源的优化调度结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群；
基于日前可调能力评估结果，确定各个所述分布式储能集群的日前输出功率参考值；
获取各个所述分布式储能集群在预测周期内的初始输出功率；
通过预先训练的输出功率预测模型，基于各个所述分布式储能集群的所述日前输出功率参考值和所述初始输出功率，确定各个所述分布式储能集群在所述预测周期内的目标输出功率；各个所述分布式储能集群在所述预测周期内的目标输出功率用于作为对电力资源的优化调度结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群；
基于日前可调能力评估结果，确定各个所述分布式储能集群的日前输出功率参考值；
获取各个所述分布式储能集群在预测周期内的初始输出功率；
通过预先训练的输出功率预测模型，基于各个所述分布式储能集群的所述日前输出功率参考值和所述初始输出功率，确定各个所述分布式储能集群在所述预测周期内的目标输出功率；各个所述分布式储能集群在所述预测周期内的目标输出功率用于作为对电力资源的优化调度结果。
上述分布式储能集群的优化调度方法、装置、计算机设备和存储介质，首先根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群；然后基于日前可调能力评估结果，确定各个分布式储能集群的日前输出功率参考值；接着获取各个分布式储能集群在预测周期内的初始输出功率；最后通过预先训练的输出功率预测模型，基于各个分布式储能集群的日前输出功率参考值和初始输出功率，确定各个分布式储能集群在在预测周期内的目标输出功率，作为对电力资源的优化调度结果；这样，在基于日前可调能力评估结果，确定各个分布式储能集群的日前输出功率参考值之后，通过预先训练的输出功率预测模型，综合考虑各个分布式储能集群的日前输出功率参考值和初始输出功率，使得确定出的各个分布式储能集群在预测周期内的目标输出功率更加准确，从而提高了电力资源的调度可靠性。
附图说明
图1为一个实施例中分布式储能集群的优化调度方法的应用环境图；
图2为一个实施例中分布式储能集群的优化调度方法的流程示意图；
图3为一个实施例中日前优化调度和实时优先调度的流程示意图；
图4(a)为一个实施例中日前优化调度的结果示意图；
图4(b)为一个实施例中实时优化调度的结果示意图；
图5为一个实施例中对分布式储能设备进行集群划分，得到至少两个分布式储能集群的步骤的流程示意图；
图6为一个实施例中分布式储能集群的优化调度装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的分布式储能集群的优化调度方法，可以应用于如图1所示的应用环境中。其中，多个分布式储能设备110(比如110a、110b······110n)通过网络与服务器120进行通信。服务器120根据预设的集群划分指令，对与其连接的分布式储能设备110进行集群划分，得到至少两个分布式储能集群；基于日前可调能力评估结果，确定各个分布式储能集群的日前输出功率参考值；获取各个分布式储能集群在预测周期内的初始输出功率；通过预先训练的输出功率预测模型，基于各个分布式储能集群的日前输出功率参考值和初始输出功率，确定各个分布式储能集群在预测周期内的目标输出功率；将各个分布式储能集群的输出功率调整至对应的目标输出功率，以实现对电力资源的优化调度。其中，分布式储能设备110是指用于提供电力资源的储能设备，可以是指分布式电源(比如分布式蓄电池)、分布式储能电站等，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种分布式储能集群的优化调度方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S201，根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群。
其中，预设的集群划分指令是指对分布式储能设备进行集群划分的指令，比如遗传算法指令、聚类算法指令等。分布式储能集群是指多个属于同一类的分布式储能设备所构成的集合。
需要说明的是，至少两个分布式储能集群是指两个或者两个以上分布式储能集群，具体本申请不做限定。
具体地，服务器获取预设的集群划分指令，根据预设的集群划分指令，对与服务器通信连接的分布式储能设备进行集群划分，使得属于同一类的多个分布式储能设备聚集在一起，从而得到分布式储能设备对应的至少两个分布式储能集群。
步骤S202，基于日前可调能力评估结果，确定各个分布式储能集群的日前输出功率参考值。
其中，日前可调能力评估结果，是指通过对用户的日前负荷预测以及储能可用容量数据，确定可调控负荷和分布式储能可参与需求响应的出力范围所对应的结果。日前输出功率参考值是指日前出力功率参考值。
举例说明，服务器基于日前可调能力评估结果，在不影响用户正常生产活动的前提下，将储能按照集群划分结果，分集群进行出力决策，通过对分布式储能集群和可调控负荷进行优化控制使得用户总成本最小，进而确定用户日前优化调度结果，即得到各个分布式储能集群的日前输出功率参考值。
在一个实施例中，服务器首先进行日前可调能力评估，其中包括对用户的日前负荷预测以及储能可用容量数据采集，确定可调控负荷和分布式储能可参与需求响应的出力范围；然后以用户综合成本最小为目标函数，分集群调整储能出力，同时调整用户可调控负荷大小，在满足调度约束条件的情况下进行日前优化调度。其中，综合成本同时考虑了调度总时间段内用户购电成本、用户参与需求响应所得收益、用户侧储能投资成本、由于可调控负荷引起的用户补偿费用等；而所提的调度约束条件包括了储能设备充放电深度约束、储能SOC周期平衡约束、储能蓄电池充放电功率约束、功率平衡约束和负荷转移约束。
例如，参考图3，在日前调度过程中，服务器首先进行日前负荷预测，确定用户出力功率初始值；判断用户出力功率初始值是否满足约束，若不满足约束，则修改出力功率，重新确定用户出力功率初始值；若满足约束，则确定对应的目标函数是否最优，若对应的目标函数不是最优，则修改出力功率，重新确定用户出力功率初始值；若对应的目标函数最优，则将目标函数最优时对应的出力功率，作为日前出力功率参考值；参照此方法，可以得到各个分布式储能集群的日前出力功率参考值，从而确定日前优化调度结果，如图4(a)所示。
步骤S203，获取各个分布式储能集群在预测周期内的初始输出功率。
其中，初始输出功率是指分布式储能集群在预测周期内初始时刻时的输出功率；当然，也可以用可调控负荷功率初始值代替各个分布式储能集群在预测周期内的初始输出功率。
步骤S204，通过预先训练的输出功率预测模型，基于各个分布式储能集群的日前输出功率参考值和初始输出功率，确定各个分布式储能集群在预测周期内的目标输出功率；各个分布式储能集群在预测周期内的目标输出功率用于作为对电力资源的优化调度结果。
其中，预先训练的输出功率预测模型是指用于预测分布式储能集群在预测周期内的目标输出功率的神经网络模型，是通过预先训练得到的。
具体地，通过预先训练的输出功率预测模型，分别以各个分布式储能集群的所述日前输出功率参考值为约束条件，基于各个分布式储能集群的初始输出功率，得到各个分布式储能集群在预测周期内的目标输出功率；将各个分布式储能集群的输出功率调整至对应的目标输出功率，以实现对电力资源的优化调度；这样，综合考虑了日前负荷预测与用户出力能力评估的日前优化调度和基于模型预测控制减少预测偏差的实时优化调度相结合，提出了日前-实时多时间尺度优化调度方案，能够充分挖掘分布式储能集群参与需求响应的潜力，提高了用户用电的经济性与可靠性，同时实现了对用户净负荷功率的有效跟踪。
上述分布式储能集群的优化调度方法中，首先根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群；然后基于日前可调能力评估结果，确定各个分布式储能集群的日前输出功率参考值；接着获取各个分布式储能集群在预测周期内的初始输出功率；最后通过预先训练的输出功率预测模型，基于各个分布式储能集群的日前输出功率参考值和初始输出功率，确定各个分布式储能集群在在预测周期内的目标输出功率；这样，在基于日前可调能力评估结果，确定各个分布式储能集群的日前输出功率参考值之后，通过预先训练的输出功率预测模型，综合考虑各个分布式储能集群的日前输出功率参考值和初始输出功率，使得确定出的各个分布式储能集群在预测周期内的目标输出功率更加准确，从而提高了电力资源的调度可靠性。
在一个实施例中，在步骤S201中，根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群，包括：获取分布式储能设备的关键信息；关键信息包括分布式储能设备的电气耦合程度、充放电功率和容量；根据预设的集群划分指令，基于分布式储能设备的关键信息，对分布式储能设备进行集群划分，得到至少两个分布式储能集群。
具体地，服务器查询存储有多个分布式储能设备的关键信息的数据库，得到分布式储能设备的关键信息，比如分布式储能设备的电气耦合程度、充放电功率和容量；根据预设的集群划分指令，比如遗传算法指令，基于分布式储能设备的电气耦合程度、充放电功率和容量，对与服务器通信连接的分布式储能设备进行集群划分，使得属于同一类的多个分布式储能设备聚集在一起，从而得到分布式储能设备对应的至少两个分布式储能集群。
本实施例提供的技术方案，通过预设的集群划分指令，基于分布式储能设备的关键信息，对分布式储能设备进行集群划分，得到至少两个分布式储能集群，有利于后续基于日前可调能力评估结果，确定各个分布式储能集群的日前输出功率参考值。
在一个实施例中，如图4所示，根据预设的集群划分指令，基于分布式储能设备的关键信息，对分布式储能设备进行集群划分，得到至少两个分布式储能集群，具体包括如下步骤：
步骤S501，根据分布式储能设备的关键信息，确定分布式储能设备的电气耦合指标值和储能参数指标值。
步骤S502，对预设的集群划分指令进行解析，得到预设的集群划分模型。
其中，预设的集群划分模型是指对分布式储能设备进行集群划分的神经网络模型，比如遗传算法模型、聚类算法模型等。
步骤S503，通过预设的集群划分模型，对分布式储能设备进行集群划分，直到集群划分综合指标值最大，则得到分布式储能设备对应的至少两个分布式储能集群；集群划分综合指标值根据电气耦合指标值和储能参数指标值得到。
其中，集群划分综合指标值通过下述公式得到：
Figure BDA0002740567320000091
其中，α为所述电气耦合指标值，β为所述储能参数指标值，γ为集群划分综合指标值，λ1为第一权重系数，λ2为第二权重系数。
其中，直到集群划分综合指标值最大，则得到分布式储能设备对应的至少两个分布式储能集群，是指当集群划分综合指标值最大时，将划分得到的分布式储能集群，作为分布式储能设备对应的至少两个分布式储能集群。
举例说明，服务器根据下述步骤对分布式储能设备进行集群划分，得到至少两个分布式储能集群：
(1)计算分布式储能设备的电气耦合指标值α，具体计算公式如下：
Figure BDA0002740567320000101
其中，aij为连接分布式储能设备i和分布式储能设备j的边权，其值由之间的电气距离进行描述，且满足电气距离越小则边权越大，边权值介于区间[0，1]内；n为分布式储能设备的总数量；
Figure BDA0002740567320000102
为分布式储能网络所有边权之和；/>
Figure BDA0002740567320000103
表示所有与节点i相连的边权之和；δ(i,j)为集群判断值，当分布式储能设备i和分布式储能设备j处于相同分布式储能集群时，认为δ(i,j)＝1，否则认为δ(i,j)＝0。
(2)计算分布式储能设备的储能参数指标值β，具体计算公式如下：
Figure BDA0002740567320000104
其中，pi为分布式储能设备i的充放电功率绝对值，xmax为所有分布式储能设备之间的充电功率绝对值之差的最大值，ci为分布式储能设备i的容量大小，ymax为所有分布式储能设备之间的容量值之差的最大值。
(3)综合电气耦合指标和储能参数指标，得到集群划分综合指标值γ，具体计算公式如下：
Figure BDA0002740567320000105
其中，α为所述电气耦合指标值，β为所述储能参数指标值，γ为集群划分综合指标值，λ1为第一权重系数，λ2为第二权重系数。。
(4)应用智能算法包括但不限于遗传算法，依据步骤(3)中的综合指标γ进行集群划分，即是对集群划分结果进行寻优，使得综合指标γ最大，集群的个数z由算法确定，最终得到分布式储能设备对应的至少两个分布式储能集群。
本实施例提供的技术方案，通过预设的集群划分模型，对分布式储能设备进行集群划分，当得到的集群划分综合指标值最大时，则将划分得到的分布式储能集群，作为分布式储能设备对应的至少两个分布式储能集群，有利于提高分布式储能集群的划分准确率。
在一个实施例中，在步骤S204中，通过预先训练的输出功率预测模型，基于各个分布式储能集群的日前输出功率参考值和初始输出功率，确定各个分布式储能集群在预测周期内的目标输出功率，包括：通过预先训练的输出功率预测模型，分别以各个分布式储能集群的日前输出功率参考值为约束条件，基于各个分布式储能集群的初始输出功率，得到各个分布式储能集群在预测周期内的输出功率增量；根据各个分布式储能集群在预测周期内的初始输出功率和输出功率增量，得到各个分布式储能集群在在预测周期内的目标输出功率。
其中，输出功率增量是指出力功率增量，目标输出功率是指最后确定的出力功率。
其中，各个分布式储能集群在在预测周期内的目标输出功率，是指各个分布式储能集群在预测周期内的初始输出功率和输出功率增量之和。
举例说明，服务器通过下述步骤(1)至(4)，得到各个分布式储能集群在在预测周期内的目标输出功率：
步骤(1)：确定预测步长。
步骤(2)：进行模型预测与滚动优化；例如，服务器建立实时优化调度有功出力预测模型，确定预测周期初始时刻的各储能集群输出功率或可调控负荷功率初始值，以日前优化调度结果为参照采用例如最小二乘法方法实现滚动优化，从而得到各储能集群充放电功率增量以及用户可调控负荷增量，此外，滚动优化除了要满足日前优化调度的所有约束条件外，还需满足蓄电池充放电功率和可调控负荷的控制变量的约束条件。
其中，步骤(2)中提到的实时优化调度有功出力预测模型为：
Figure BDA0002740567320000111
其中，P0(t)为t时刻的储能集群输出功率或可调控负荷功率初始值；N表示预测步长；Δu(t+k|t)代表在t时刻预测的在时段(t+i-1，t+i)时段中的控制变量，其中包括储能集群中每个储能的充放电功率增量和用户可调控负荷增量。
其中，步骤(2)中提到的滚动优化的目标函数如下式，此处采用但不限于最小二乘法：
Figure BDA0002740567320000121
其中，Y(t+i|t)是指模型的输出变量，此处选取用户净负荷功率，而
Figure BDA0002740567320000122
为输出变量在t+i时刻的参考值，是由日前调度结果得到的。
步骤(3)：对预测结果进行反馈修正；例如，在确定了预测周期内的出力增量后，按计划执行控制，在预测周期结束时测量实际运行功率。
步骤(4)将测量得到的实际运行功率作为下一个预测周期的预测模型的初始值，进入下一个预测周期，重复执行步骤(2)和步骤(3)。
再举例说明，参考图3，在实时调度过程中，服务器首先确定预测步长和分布式储能集群在预测周期内的初始出力功率，然后通过有功出力预测模型，输出分布式储能集群在预测周期内的出力功率增量，判断出力功率增量是否满足约束，若出力功率增量不满足约束，则根据日前参考值调整出力，重新确定分布式储能集群在预测周期内的初始出力功率；若出力功率增量满足约束，则确定对应的目标函数是否最优，若对应的目标函数不是最优，则根据日前参考值调整出力，重新确定分布式储能集群在预测周期内的初始出力功率；若对应的目标函数最优，则将目标函数最优时对应的出力功率增量，作为该分布式储能集群在预测周期内的出力功率增量，从而得到实时优化调度结果，如图4(b)所示。
本实施例提供的技术方案，在基于日前可调能力评估结果，确定各个分布式储能集群的日前输出功率参考值之后，通过预先训练的输出功率预测模型，综合考虑各个分布式储能集群的日前输出功率参考值和初始输出功率，使得确定出的各个分布式储能集群在预测周期内的目标输出功率更加准确，从而提高了电力资源的调度可靠性。
在一个实施例中，预先训练的输出功率预测模型通过下述方式训练得到：获取分布式储能样本集群在预测周期内的初始输出功率和实际输出功率；将分布式储能样本集群在预测周期内的初始输出功率输入待训练的输出功率预测模型，得到分布式储能样本集群在预测周期内的预测输出功率；根据预测输出功率与实际输出功率之间的差值，确定待训练的输出功率预测模型的损失值；根据损失值，对待训练的输出功率预测模型的模型参数进行调整，得到预先训练的输出功率预测模型。
其中，损失值用于衡量输出功率预测模型预测的输出功率的准确率。
具体地，服务器获取分布式储能样本集群在预测周期内的初始输出功率和实际输出功率；将分布式储能样本集群在预测周期内的初始输出功率输入待训练的输出功率预测模型，通过待训练的输出功率预测模型基于分布式储能样本集群在预测周期内的初始输出功率，得到分布式储能样本集群在预测周期内的预测输出功率；根据预测输出功率与实际输出功率之间的差值，结合损失函数，计算得到待训练的输出功率预测模型的损失值；根据损失值，对待训练的输出功率预测模型的模型参数进行调整，得到模型参数调整后的输出功率预测模型；对模型参数调整后的输出功率预测模型进行再次训练，直到基于训练后的输出功率预测模型得到的损失值小于预设阈值，则将该训练后的输出功率预测模型，作为预先训练的输出功率预测模型。
本实施例提供的技术方案，通过对待训练的输出功率预测模型进行反复训练，有利于提高通过训练得到的输出功率预测模型预测出的输出功率的准确率，进一步提高了电力资源的调度可靠性。
在一个实施例中，本申请提供的分布式储能集群的优化调度方法还包括：在预测周期结束时，获取各个分布式储能集群的实际输出功率；分别将各个分布式储能集群的实际输出功率，对应作为各个分布式储能集群在预测周期的下一预测周期内的初始输出功率；通过预先训练的输出功率预测模型，基于各个分布式储能集群在下一预测周期内的初始输出功率，确定各个分布式储能集群在下一预测周期内的目标输出功率。
举例说明，参考图3，在确定了预测周期内的出力功率增量后，按计划执行控制，在预测周期结束时测量分布式储能集群的实际运行功率；将测量得到的实际运行功率作为分布式储能集群在下一预测周期内的初始出力功率，即作为有功出力预测模型的初始值，进入下一个预测周期，以预测分布式储能集群在下一预测周期内的目标出力功率。
本实施例提供的技术方案，通过在预测周期结束时，获取分布式储能集群的实际输出功率，并将其作为分布式储能集群在预测周期的下一预测周期内的初始输出功率，有利于后续通过预先训练的输出功率预测模型，基于分布式储能集群在下一预测周期内的初始输出功率，确定分布式储能集群在下一预测周期内的目标输出功率。
为了更清晰阐明本申请实施例提供的分布式储能集群的优化调度方法，以下以一个具体的实施例对该分布式储能集群的优化调度方法进行具体说明。在一个实施例中，本申请还提供了一种基于模型预测控制的分布式储能集群参与需求响应的优化调度方法，具体包括以下步骤：
步骤1：建立分布式储能的基本信息库，其中包括储能位置信息、充放电功率和容量。
步骤2：依据储能间的电气耦合程度、充放电功率和容量对分布式储能进行集群划分。
步骤3：进行日前负荷预测。
步骤4：输入储能蓄电池参数、分时电价，进行用户侧出力评估，计算并输出日前优化调度结果。
步骤5：以日前优化调度结果为参考值，通过模型预测控制算法修正由于负荷预测结果变更带来的影响，其中一次循环的具体过程如下：
(1)确定预测步长N。
(2)确定t时刻的蓄电池输出功率或可调控负荷功率初始值P0(t)。
(3)t时刻预测的在时段(t+i-1，t+i)时段中的控制变量Δu(t+k|t)＝[ΔPc(t+k|t)，ΔPd(t+k|t)，ΔPshift(t+k|t)]；其中，ΔPc(t+k|t)、ΔPd(t+k|t)、ΔPshift(t+k|t)分别代表着蓄电池充放电功率增量以及用户可调控负荷增量。
(4)实时优化调度中所需的输出变量的预测式为：
Figure BDA0002740567320000151
其中I为单位行向量，ΔPL(t+k|t)为预测的(t+k-1，t+k)时段的负荷预测功率增量，为扰动输入变量。
Figure BDA0002740567320000152
刻的参考值，由日前调度结果得到。
(6)反馈校正，确定了预测周期内的出力增量后，按计划执行控制，在预测周期结束时测量实际运行功率；
(7)将测量得到的实际运行功率作为下一个预测周期的预测模型的初始值，进入下一个预测周期，重复步骤(2)至步骤(6)。
步骤6：计算并输出实时优化调度结果。
本实施例提供的技术方案，基于日前负荷预测和用户出力评估，进而得到日前优化调度计划，然后在日前优化调度结果的基础上，通过模型预测控制算法修正了负荷预测结果变更带来的偏差，保证了计算的速度和准确性，并且通过负荷预测和用户出力评估充分挖掘了分布式储能集群参与需求响应的潜力，提高了用户用电的经济性与可靠性，同时实现了对用户净负荷功率的有效跟踪。
应该理解的是，虽然图2、4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种分布式储能集群的优化调度装置，包括：集群划分模块610、参考值确定模块620、初始输出功率确定模块630和目标输出功率确定模块640，其中：
集群划分模块610，用于根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群。
参考值确定模块620，用于基于日前可调能力评估结果，确定各个分布式储能集群的日前输出功率参考值。
初始输出功率确定模块630，用于获取各个分布式储能集群在预测周期内的初始输出功率。
目标输出功率确定模块640，用于通过预先训练的输出功率预测模型，基于各个分布式储能集群的日前输出功率参考值和初始输出功率，确定各个分布式储能集群在预测周期内的目标输出功率；各个分布式储能集群在预测周期内的目标输出功率用于作为对电力资源的优化调度结果。
在一个实施例中，集群划分模块610，还用于获取分布式储能设备的关键信息；关键信息包括分布式储能设备的电气耦合程度、充放电功率和容量；根据预设的集群划分指令，基于分布式储能设备的关键信息，对分布式储能设备进行集群划分，得到至少两个分布式储能集群。
在一个实施例中，集群划分模块610，还用于根据分布式储能设备的关键信息，确定分布式储能设备的电气耦合指标值和储能参数指标值；对预设的集群划分指令进行解析，得到预设的集群划分模型；通过预设的集群划分模型，对分布式储能设备进行集群划分，直到集群划分综合指标值最大，则得到分布式储能设备对应的至少两个分布式储能集群；集群划分综合指标值根据电气耦合指标值和储能参数指标值得到。
在一个实施例中，集群划分模块610，还用于通过下述公式得到集群划分综合指标值：
Figure BDA0002740567320000161
其中，α为电气耦合指标值，β为储能参数指标值，γ为集群划分综合指标值，λ1为第一权重系数，λ2为第二权重系数。
在一个实施例中，目标输出功率确定模块640，还用于通过预先训练的输出功率预测模型，分别以各个分布式储能集群的日前输出功率参考值为约束条件，基于各个分布式储能集群的初始输出功率，得到各个分布式储能集群在预测周期内的输出功率增量；根据各个分布式储能集群在预测周期内的初始输出功率和输出功率增量，得到各个分布式储能集群在在预测周期内的目标输出功率。
在一个实施例中，本申请提供的分布式储能集群的优化调度装置还包括模型训练模块，用于获取分布式储能样本集群在预测周期内的初始输出功率和实际输出功率；将分布式储能样本集群在预测周期内的初始输出功率输入待训练的输出功率预测模型，得到分布式储能样本集群在预测周期内的预测输出功率；根据预测输出功率与实际输出功率之间的差值，确定待训练的输出功率预测模型的损失值；根据损失值，对待训练的输出功率预测模型的模型参数进行调整，得到预先训练的输出功率预测模型。
在一个实施例中，本申请提供的分布式储能集群的优化调度装置还包括功率确定模块，用于在预测周期结束时，获取各个分布式储能集群的实际输出功率；分别将各个分布式储能集群的实际输出功率，对应作为各个分布式储能集群在预测周期的下一预测周期内的初始输出功率；通过预先训练的输出功率预测模型，基于各个分布式储能集群在下一预测周期内的初始输出功率，确定各个分布式储能集群在下一预测周期内的目标输出功率。
关于分布式储能集群的优化调度装置的具体限定可以参见上文中对于分布式储能集群的优化调度方法的限定，在此不再赘述。上述分布式储能集群的优化调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储分布式储能集群的日前输出功率参考值、初始输出功率、目标输出功率等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分布式储能集群的优化调度方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种分布式储能集群的优化调度方法，其特征在于，所述方法包括：
根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群；
基于日前可调能力评估结果，确定各个所述分布式储能集群的日前输出功率参考值；
获取各个所述分布式储能集群在预测周期内的初始输出功率；
通过预先训练的输出功率预测模型，基于各个所述分布式储能集群的所述日前输出功率参考值和所述初始输出功率，确定各个所述分布式储能集群在所述预测周期内的目标输出功率；各个所述分布式储能集群在所述预测周期内的目标输出功率用于作为对电力资源的优化调度结果；
所述各个所述分布式储能集群的日前输出功率参考值，通过下述方式得到：
进行日前负荷预测，确定用户出力功率初始值；
判断所述用户出力功率初始值是否满足调度约束条件；所述调度约束条件至少包括储能设备充放电深度约束、储能SOC周期平衡约束、储能蓄电池充放电功率约束、功率平衡约束和负荷转移约束；
在所述用户出力功率初始值不满足所述调度约束条件的情况下，重新确认所述用户出力功率初始值；
在所述用户出力功率初始值满足所述调度约束条件的情况下，判断所述用户出力功率初始值对应的目标函数是否为最优；所述目标函数是指以用户综合成本最小为最优的目标函数；
在所述用户出力功率初始值对应的目标函数不为最优的情况下，重新确认所述用户出力功率初始值；
在所述用户出力功率初始值对应的目标函数为最优的情况下，将所述用户出力功率初始值，确认为所述日前输出功率参考值；
所述通过预先训练的输出功率预测模型，基于各个所述分布式储能集群的所述日前输出功率参考值和所述初始输出功率，确定各个所述分布式储能集群在所述预测周期内的目标输出功率，包括：
针对各个所述分布式储能集群，通过预先训练的输出功率预测模型，基于所述分布式储能集群的所述初始输出功率，通过下述公式，得到所述分布式储能集群在所述预测周期内的输出功率增量：
Figure FDA0004066889880000021
其中，t为所述预测周期的起始时间点，N为所述预测周期的预测步长，P(t+i|t)为所述分布式储能集群在所述预测周期内的输出功率增量，P0(t)为所述分布式储能集群的所述初始输出功率，Δu(t+k|t)为所述分布式储能集群在所述预测周期内的充放电功率增量和用户可调控负荷增量；
在所述输出功率增量对应的滚动优化目标函数不为最优的情况下，根据所述日前输出功率参考值，重新确认所述分布式储能集群的所述初始输出功率；其中，所述滚动优化目标函数为下述公式：
Figure FDA0004066889880000022
其中，Y(t+i|t)为所述分布式储能集群在所述预测周期内的输出功率增量，
Figure FDA0004066889880000023
为根据所述日前可调能力评估结果得到的所述输出功率增量在t+i时刻的参考值；
在所述输出功率增量对应的滚动优化目标函数为最优的情况下，根据各个所述分布式储能集群在所述预测周期内的所述初始输出功率，和所述输出功率增量，得到所述分布式储能集群在所述预测周期内的目标输出功率。
2.根据权利要求1所述的方法，其特征在于，所述根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群，包括：
获取分布式储能设备的关键信息；所述关键信息包括所述分布式储能设备的电气耦合程度、充放电功率和容量；
根据预设的集群划分指令，基于所述分布式储能设备的关键信息，对所述分布式储能设备进行集群划分，得到至少两个分布式储能集群。
3.根据权利要求2所述的方法，其特征在于，所述根据预设的集群划分指令，基于所述分布式储能设备的关键信息，对所述分布式储能设备进行集群划分，得到至少两个分布式储能集群，包括：
根据所述分布式储能设备的关键信息，确定所述分布式储能设备的电气耦合指标值和储能参数指标值；
对所述预设的集群划分指令进行解析，得到预设的集群划分模型；
通过所述预设的集群划分模型，对所述分布式储能设备进行集群划分，直到集群划分综合指标值最大，则得到所述分布式储能设备对应的至少两个分布式储能集群；所述集群划分综合指标值根据所述电气耦合指标值和所述储能参数指标值得到。
4.根据权利要求3所述的方法，其特征在于，所述集群划分综合指标值通过下述公式得到：
Figure FDA0004066889880000031
其中，α为所述电气耦合指标值，β为所述储能参数指标值，γ为所述集群划分综合指标值，λ1为第一权重系数，λ2为第二权重系数。
5.根据权利要求1所述的方法，其特征在于，所述预先训练的输出功率预测模型通过下述方式训练得到：
获取分布式储能样本集群在预测周期内的初始输出功率和实际输出功率；
将所述分布式储能样本集群在预测周期内的初始输出功率输入待训练的输出功率预测模型，得到所述分布式储能样本集群在预测周期内的预测输出功率；
根据所述预测输出功率与所述实际输出功率之间的差值，确定所述待训练的输出功率预测模型的损失值；
根据所述损失值，对所述待训练的输出功率预测模型的模型参数进行调整，得到所述预先训练的输出功率预测模型。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
在所述预测周期结束时，获取各个所述分布式储能集群的实际输出功率；
分别将各个所述分布式储能集群的实际输出功率，对应作为各个所述分布式储能集群在所述预测周期的下一预测周期内的初始输出功率；
通过所述预先训练的输出功率预测模型，基于各个所述分布式储能集群在所述下一预测周期内的初始输出功率，确定各个所述分布式储能集群在所述下一预测周期内的目标输出功率。
7.一种分布式储能集群的优化调度装置，其特征在于，所述装置包括：
集群划分模块，用于根据预设的集群划分指令，对分布式储能设备进行集群划分，得到至少两个分布式储能集群；
参考值确定模块，用于基于日前可调能力评估结果，确定各个所述分布式储能集群的日前输出功率参考值；
初始输出功率确定模块，用于获取各个所述分布式储能集群在预测周期内的初始输出功率；
目标输出功率确定模块，用于通过预先训练的输出功率预测模型，基于各个所述分布式储能集群的所述日前输出功率参考值和所述初始输出功率，确定各个所述分布式储能集群在所述预测周期内的目标输出功率；各个所述分布式储能集群在所述预测周期内的目标输出功率用于作为对电力资源的优化调度结果；
所述参考值确定模块，还用于通过下述方式，得到所述各个所述分布式储能集群的日前输出功率参考值：
进行日前负荷预测，确定用户出力功率初始值；
判断所述用户出力功率初始值是否满足调度约束条件；所述调度约束条件至少包括储能设备充放电深度约束、储能SOC周期平衡约束、储能蓄电池充放电功率约束、功率平衡约束和负荷转移约束；
在所述用户出力功率初始值不满足所述调度约束条件的情况下，重新确认所述用户出力功率初始值；
在所述用户出力功率初始值满足所述调度约束条件的情况下，判断所述用户出力功率初始值对应的目标函数是否为最优；所述目标函数是指以用户综合成本最小为最优的目标函数；
在所述用户出力功率初始值对应的目标函数不为最优的情况下，重新确认所述用户出力功率初始值；
在所述用户出力功率初始值对应的目标函数为最优的情况下，将所述用户出力功率初始值，确认为所述日前输出功率参考值；
所述目标输出功率确定模块，还用于针对各个所述分布式储能集群，通过预先训练的输出功率预测模型，基于所述分布式储能集群的所述初始输出功率，通过下述公式，得到所述分布式储能集群在所述预测周期内的输出功率增量：
Figure FDA0004066889880000051
其中，t为所述预测周期的起始时间点，N为所述预测周期的预测步长，P(t+i|t)为所述分布式储能集群在所述预测周期内的输出功率增量，P0(t)为所述分布式储能集群的所述初始输出功率，Δu(t+k|t)为所述分布式储能集群在所述预测周期内的充放电功率增量和用户可调控负荷增量；
在所述输出功率增量对应的滚动优化目标函数不为最优的情况下，根据所述日前输出功率参考值，重新确认所述分布式储能集群的所述初始输出功率；其中，所述滚动优化目标函数为下述公式：
Figure FDA0004066889880000052
其中，Y(t+i|t)为所述分布式储能集群在所述预测周期内的输出功率增量，
Figure FDA0004066889880000053
为根据所述日前可调能力评估结果得到的所述输出功率增量在t+i时刻的参考值；
在所述输出功率增量对应的滚动优化目标函数为最优的情况下，根据各个所述分布式储能集群在所述预测周期内的所述初始输出功率，和所述输出功率增量，得到所述分布式储能集群在所述预测周期内的目标输出功率。
8.根据权利要求7所述的装置，其特征在于，所述集群划分模块，还用于：
获取分布式储能设备的关键信息；所述关键信息包括所述分布式储能设备的电气耦合程度、充放电功率和容量；
根据预设的集群划分指令，基于所述分布式储能设备的关键信息，对所述分布式储能设备进行集群划分，得到至少两个分布式储能集群。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202011148859.9A 2020-10-23 2020-10-23 分布式储能集群的优化调度方法、装置和计算机设备 Active CN112329995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011148859.9A CN112329995B (zh) 2020-10-23 2020-10-23 分布式储能集群的优化调度方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011148859.9A CN112329995B (zh) 2020-10-23 2020-10-23 分布式储能集群的优化调度方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN112329995A CN112329995A (zh) 2021-02-05
CN112329995B true CN112329995B (zh) 2023-05-30

Family

ID=74310817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011148859.9A Active CN112329995B (zh) 2020-10-23 2020-10-23 分布式储能集群的优化调度方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN112329995B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554352A (zh) * 2021-08-24 2021-10-26 国网江苏省电力有限公司 一种区域性电网电能分配调度系统及方法
CN114493371A (zh) * 2022-03-30 2022-05-13 国网江苏省电力有限公司电力科学研究院 一种海量分布式可调资源的聚合和可调容量评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109638873A (zh) * 2018-10-24 2019-04-16 中国电力科学研究院有限公司 一种分布式光伏集群优化调度方法和系统
CN109948868A (zh) * 2019-04-17 2019-06-28 上海电力设计院有限公司 高渗透率分布式可再生能源发电集群优化规划方法
CN111680829A (zh) * 2020-05-25 2020-09-18 广东电网有限责任公司 一种考虑充放成本的分布式储能集群调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107994618B (zh) * 2017-12-15 2020-03-06 北京交通大学 配电网级光储集群的有功功率调度方法和配电网测控设备
CN109347137A (zh) * 2018-09-21 2019-02-15 中国农业大学 一种分布式光伏集群协调优化控制方法及装置
CN110048420B (zh) * 2019-05-15 2021-08-13 广东电网有限责任公司 一种配电网随机优化调度的方法、装置和介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109638873A (zh) * 2018-10-24 2019-04-16 中国电力科学研究院有限公司 一种分布式光伏集群优化调度方法和系统
CN109948868A (zh) * 2019-04-17 2019-06-28 上海电力设计院有限公司 高渗透率分布式可再生能源发电集群优化规划方法
CN111680829A (zh) * 2020-05-25 2020-09-18 广东电网有限责任公司 一种考虑充放成本的分布式储能集群调度方法

Also Published As

Publication number Publication date
CN112329995A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112329995B (zh) 分布式储能集群的优化调度方法、装置和计算机设备
CN113255973A (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN115236526A (zh) 一种剩余充电时间预测方法、装置、存储介质和车辆
CN112381315A (zh) 一种基于pso优化的ls-svm智能台区负荷预测方法及系统
CN112861362B (zh) 一种基于整车油耗的动力总成性能参数优化方法和装置
CN109460875B (zh) 基于果蝇优化算法的电力系统经济调度方法
CN115219938A (zh) 一种锂电池soh状态的预估方法和装置
CN113435595A (zh) 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN109193800A (zh) 一种基于外点罚函数法的风电场储能容量的优化配置方法
CN116231665A (zh) 电力负荷调控方法、装置、非易失性存储介质及电子设备
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN115759317A (zh) 一种电力负荷调控方法、装置、电子设备及存储介质
CN118381058A (zh) 火储联合调频控制方法和系统
Yu et al. Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression
CN116643177A (zh) 一种电池健康度在线预测方法、装置、设备及介质
CN117196884A (zh) 一种虚拟电厂优化控制方法及系统
CN109934394A (zh) 一种基于灰色和马尔科夫理论的需求侧响应预测方法
CN115528750A (zh) 一种面向电网安全稳定的数据模型混合驱动机组组合方法
CN114358490A (zh) 面向电力需求响应的多可调资源调节能力聚合方法及系统
CN111626494A (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN116542498B (zh) 基于深度强化学习的电池调度方法、系统、装置及介质
CN118316170B (zh) 一种废旧电池的放电电流自适应控制方法及相关装置
CN113779862B (zh) 电力电子柔性开关接入规划方法、装置、设备和存储介质
CN116799832B (zh) 一种基于大数据的智能调控混合储能电力系统
CN118863354A (zh) 基于自适应权重粒子群算法的主动配电网优化调度方法

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