CN112803427A - 基于需求的区域电网调度方法、系统、终端及存储介质 - Google Patents
基于需求的区域电网调度方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN112803427A CN112803427A CN202110314782.6A CN202110314782A CN112803427A CN 112803427 A CN112803427 A CN 112803427A CN 202110314782 A CN202110314782 A CN 202110314782A CN 112803427 A CN112803427 A CN 112803427A
- Authority
- CN
- China
- Prior art keywords
- load
- function
- cost
- regional
- power
- 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 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004146 energy storage Methods 0.000 claims abstract description 26
- 238000010845 search algorithm Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 114
- 230000005611 electricity Effects 0.000 claims description 26
- 238000010248 power generation Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- 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
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于需求的区域电网调度方法、系统、终端及存储介质，包括：收集区域历史负荷数据，并将所述历史负荷数据生成训练集；构建预测负荷的神经网络函数，并利用所述训练集训练所述神经网络函数，将训练好的神经网络函数作为负荷预测函数；根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数；根据所述负荷预测函数构建监测时段总负荷标准差作为电网侧目标函数；利用和声搜索算法计算所述用电成本函数和电网侧目标函数最优时对应的调度方案。本发明使分布式电源平滑接入电网，在节省用户用电成本的同时，减少了电网侧的负荷波动，实现了供电侧与用电侧的双赢。
Description
技术领域
本发明涉及电网调度技术领域，具体涉及一种基于需求的区域电网调度方法、系统、终端及存储介质。
背景技术
区域电网中具有光能发电设备和储能设备，如何根据区域电网的负荷对区域电网中的负荷和发电进行调度，从而使用户侧负荷能够平稳接入电网，减小对电网侧的冲击，是丞待解决的问题。
发明内容
针对现有技术的上述不足，本发明提供一种基于需求的区域电网调度方法、系统、终端及存储介质，以解决上述技术问题。
第一方面，本发明提供一种基于需求的区域电网调度方法，包括：
收集区域历史负荷数据，并将所述历史负荷数据生成训练集；
构建预测负荷的神经网络函数，并利用所述训练集训练所述神经网络函数，将训练好的神经网络函数作为负荷预测函数；
根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数；
根据所述负荷预测函数构建监测时段总负荷标准差作为电网侧目标函数；
利用和声搜索算法计算所述用电成本函数和电网侧目标函数最优时对应的调度方案。
进一步的，所述收集区域历史负荷数据，并将所述历史负荷数据生成训练集，包括：
收集区域近一个星期内每天的负荷数据，所述每天的负荷数据为一天内每隔30Min检测到的负荷数据。
进一步的，所述构建预测负荷的神经网络函数，包括：
构建可调度负荷项和不可调度负荷项；
将可调度负荷项与不可调度负荷项之和作为神经网络函数。
进一步的，所述根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数，包括：
获取区域发电函数；
获取区域购电成本、卖电成本和储能成本；
根据所述发电函数、购电成本、卖电成本、储能成本和负荷预测函数计算用电成本函数。
第二方面，本发明提供一种基于需求的区域电网调度系统，包括：
数据收集单元，配置用于收集区域历史负荷数据，并将所述历史负荷数据生成训练集；
负荷构建单元，配置用于构建预测负荷的神经网络函数，并利用所述训练集训练所述神经网络函数，将训练好的神经网络函数作为负荷预测函数；
成本计算单元，配置用于根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数；
供电构建单元，配置用于根据所述负荷预测函数构建监测时段总负荷标准差作为电网侧目标函数；
方案计算单元，配置用于利用和声搜索算法计算所述用电成本函数和电网侧目标函数最优时对应的调度方案。
进一步的，所述数据收集单元包括：
数据收集模块，配置用于收集区域近一个星期内每天的负荷数据，所述每天的负荷数据为一天内每隔30Min检测到的负荷数据。
进一步的，所述负荷构建单元包括：
调度区分模块，配置用于构建可调度负荷项和不可调度负荷项；
函数构建模块，配置用于将可调度负荷项与不可调度负荷项之和作为神经网络函数。
进一步的，所述成本计算单元包括：
发电获取模块，配置用于获取区域发电函数；
成本获取模块，配置用于获取区域购电成本、卖电成本和储能成本；
成本计算模块，配置用于根据所述发电函数、购电成本、卖电成本、储能成本和负荷预测函数计算用电成本函数。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，
本发明提供的基于需求的区域电网调度方法、系统、终端及存储介质，通过根据区域负荷需求、成本最小需求和电网侧负荷平稳需求筛选出最优的电网调度方案。本发明提出的优化调度方法，通过灵活调度各用户的可调度负荷工作时间以及电网发电电能储放电，使分布式电源平滑接入电网，在节省用户用电成本的同时，减少了电网侧的负荷波动，实现了供电侧与用电侧的双赢。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种基于需求的区域电网调度系统。
如图1所示，该方法包括：
步骤110，收集区域历史负荷数据，并将所述历史负荷数据生成训练集；
步骤120，构建预测负荷的神经网络函数，并利用所述训练集训练所述神经网络函数，将训练好的神经网络函数作为负荷预测函数；
步骤130，根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数；
步骤140，根据所述负荷预测函数构建监测时段总负荷标准差作为电网侧目标函数；
步骤150，利用和声搜索算法计算所述用电成本函数和电网侧目标函数最优时对应的调度方案。
具体的，所述基于需求的区域电网调度方法包括：
S1、收集区域历史负荷数据，并将所述历史负荷数据生成训练集。
收集区域近一个星期内每天的负荷数据，每天的负荷数据为一天内每隔30Min检测到的负荷数据。
S2、构建预测负荷的神经网络函数，并利用所述训练集训练所述神经网络函数，将训练好的神经网络函数作为负荷预测函数。
构建负荷预测函数L(i,j)＝A(i,j)+V(j)
其中L(i,j)表示某个时刻的的区域负荷，i表示时刻，j表示是否为工作日；A(i,j)表示不可调度负荷，具有周期性，如照明灯、电视机等。V(j)表示可调度负荷，如电动车充电、可定时运行的洗衣机等，可暂时考虑与时刻无关。
利用神经网络的训练方法利用步骤S1准备的训练集对负荷预测函数进行训练拟合，得到负荷预测函数。
S3、根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数。
利用大数据分析技术获取区域的发电估算函数Fi；
获取区域购电成本Ai、卖电成本Bi和储能成本Ci
区域用电成本f＝Ai+Bi+Ci
其中，一天的能量平衡需要保证：全天购电度数+全天卖电度数＝全天发电度数+全天负荷
购电成本Ai＝当前购电度数×当前时刻购电价格
卖电成本Bi＝当前卖电度数×当前时刻卖电价格
储能成本Ci＝当前储能度数×折旧成本系数
S3、根据所述负荷预测函数构建监测时段总负荷标准差作为电网侧目标函数。
电网侧希望区域的整体负荷能够平滑接入电网，因为区域的总负荷波动越小，对电网的安全稳定运行越有利。区域的总负荷波动情况可以用日负荷的标准差来衡量，即
标准差越小越稳定。
S5、利用和声搜索算法计算所述用电成本函数和电网侧目标函数最优时对应的调度方案。
蓄电池在正常工作时其荷电状态和充放电功率应满足如下约束：
{SOCbt,min≤SOCbt(t)≤SOCbt,max
SOCbt,min、SOCbt,max分别为蓄电池的最小荷电状态和最大荷电状态。
配电网侧约束。为缓解负荷高峰期时电网侧的供电压力，用户在各时段的总负荷值应限制在电网侧的允许范围内：
-Pmax≤L(t)≤Pmax
式中，Pmax为配电网侧允许用户接入的负荷最大值。
和声搜索算法(Harmony Search Algorithm,HSA)是一种新的启发式全局搜索算法，它模拟了乐队通过调整各种乐器从而演奏出最美和声的过程，各乐器可看作各个优化变量，最美和声即为所求问题的最优解，相比于粒子群和遗传等传统算法，其原理简单、参数较少、通用性强、搜索速度快、具有更强的寻优能力[17]。由于其多样的新解产生方式，使算法容易跳出局部最优，不易早熟收敛，对于处理多峰值、多维度优化问题，具有更大的优势。具体的算法步骤可描述为：
(1)在变量约束范围内生成包含M个解向量的和声记忆库(harmony memory，HM)和各变量的可行域；
(2)生成0～1之间的随机数rand1,若其小于HM保留概率P1，则在HM中随机选择新解分量，否则在变量可行域中寻找新解分量；
(3)生成0～1之间的随机数rand2,对来自HM的新解分量，若rand2小于音调扰动概率P2，则以音调扰动带宽bw对新解分量进行扰动，具体扰动方式下：
式中，
和
分别为扰动前和扰动后的新解分量，rand为[0,1]之间的随机数；
(4)判断新解分量是否在约束范围内，若满足约束，则继续执行，否则以变量边界值校正变量；
(5)计算新解的适应度，并与HM中最差解的适应度比较，若优于最差解，则替换，反复循环直到满足迭代次数；
(6)输出HM中的最优解，即为所求解。
由于用户的用电成本和电网侧的负荷波动不可能同时达到最优，即优化一个目标的同时可能会使另一个目标变劣，而Pareto理论提供了一种多个目标不能同时实现最优时如何合理地比较各个目标适应度的方案，使其在一种平衡状态下向着理想解靠近，最终得到一个Pareto最优解集，提供多种可能的方案供决策者选择，所以本文采用基于Pareto理论的MOHSA对模型进行求解。
与单目标和声搜索算法不同的是，MOHSA不仅生成HM，同时生成一个外部库用于存放非劣解，HM只用于产生新解，其种群大小与优化目标数量有关，一般数量越多种群越多，新解产生方式与单目标算法相同，外部库大小可根据决策者需求决定，最终得到的外部库所有非劣解即为Pareto最优解集。
在得到该问题的帕累托最优解集后，本文采用模糊数学法计算解集中各非劣解的满意度，选取满意度最大的解作为问题的折衷解，其中各非劣解对应的各目标函数的满意度可用下式表示
式中，
为第i个非劣解的第k个目标函数值，fk,min、fk,max分别为第k个目标函数的最小值和最大值。
则各非劣的满意度可表示为
式中，K为目标函数的个数，I为帕累托解集中非劣解的个数。选取满意度最大的非劣解作为问题的折衷解。
如图2所示，该系统200包括：
数据收集单元210，配置用于收集区域历史负荷数据，并将所述历史负荷数据生成训练集；
负荷构建单元220，配置用于构建预测负荷的神经网络函数，并利用所述训练集训练所述神经网络函数，将训练好的神经网络函数作为负荷预测函数；
成本计算单元230，配置用于根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数；
供电构建单元240，配置用于根据所述负荷预测函数构建监测时段总负荷标准差作为电网侧目标函数；
方案计算单元250，配置用于利用和声搜索算法计算所述用电成本函数和电网侧目标函数最优时对应的调度方案。
可选地，作为本发明一个实施例，所述数据收集单元包括：
数据收集模块，配置用于收集区域近一个星期内每天的负荷数据，所述每天的负荷数据为一天内每隔30Min检测到的负荷数据。
可选地，作为本发明一个实施例，所述负荷构建单元包括：
调度区分模块，配置用于构建可调度负荷项和不可调度负荷项；
函数构建模块，配置用于将可调度负荷项与不可调度负荷项之和作为神经网络函数。
可选地，作为本发明一个实施例，所述成本计算单元包括：
发电获取模块，配置用于获取区域发电函数；
成本获取模块，配置用于获取区域购电成本、卖电成本和储能成本；
成本计算模块，配置用于根据所述发电函数、购电成本、卖电成本、储能成本和负荷预测函数计算用电成本函数。
图3为本发明实施例提供的一种终端300的结构示意图，该终端300可以用于执行本发明实施例提供的基于需求的区域电网调度方法。
其中，该终端300可以包括：处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
因此，本发明通过根据区域负荷需求、成本最小需求和电网侧负荷平稳需求筛选出最优的电网调度方案。本发明提出的优化调度方法，通过灵活调度各用户的可调度负荷工作时间以及电网发电电能储放电，使分布式电源平滑接入电网，在节省用户用电成本的同时，减少了电网侧的负荷波动，实现了供电侧与用电侧的双赢，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于需求的区域电网调度方法，其特征在于，包括：
收集区域历史负荷数据，并将所述历史负荷数据生成训练集；
构建预测负荷的神经网络函数，并利用所述训练集训练所述神经网络函数，将训练好的神经网络函数作为负荷预测函数；
根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数；
根据所述负荷预测函数构建监测时段总负荷标准差作为电网侧目标函数；
利用和声搜索算法计算所述用电成本函数和电网侧目标函数最优时对应的调度方案。
2.根据权利要求1所述的方法，其特征在于，所述收集区域历史负荷数据，并将所述历史负荷数据生成训练集，包括：
收集区域近一个星期内每天的负荷数据，所述每天的负荷数据为一天内每隔30Min检测到的负荷数据。
3.根据权利要求1所述的方法，其特征在于，所述构建预测负荷的神经网络函数，包括：
构建可调度负荷项和不可调度负荷项；
将可调度负荷项与不可调度负荷项之和作为神经网络函数。
4.根据权利要求1所述的方法，其特征在于，所述根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数，包括：
获取区域发电函数；
获取区域购电成本、卖电成本和储能成本；
根据所述发电函数、购电成本、卖电成本、储能成本和负荷预测函数计算用电成本函数。
5.一种基于需求的区域电网调度系统，其特征在于，包括：
数据收集单元，配置用于收集区域历史负荷数据，并将所述历史负荷数据生成训练集；
负荷构建单元，配置用于构建预测负荷的神经网络函数，并利用所述训练集训练所述神经网络函数，将训练好的神经网络函数作为负荷预测函数；
成本计算单元，配置用于根据区域储能电源存放电能力和所述负荷预测函数计算区域用电成本函数；
供电构建单元，配置用于根据所述负荷预测函数构建监测时段总负荷标准差作为电网侧目标函数；
方案计算单元，配置用于利用和声搜索算法计算所述用电成本函数和电网侧目标函数最优时对应的调度方案。
6.根据权利要求5所述的系统，其特征在于，所述数据收集单元包括：
数据收集模块，配置用于收集区域近一个星期内每天的负荷数据，所述每天的负荷数据为一天内每隔30Min检测到的负荷数据。
7.根据权利要求5所述的系统，其特征在于，所述负荷构建单元包括：
调度区分模块，配置用于构建可调度负荷项和不可调度负荷项；
函数构建模块，配置用于将可调度负荷项与不可调度负荷项之和作为神经网络函数。
8.根据权利要求5所述的系统，其特征在于，所述成本计算单元包括：
发电获取模块，配置用于获取区域发电函数；
成本获取模块，配置用于获取区域购电成本、卖电成本和储能成本；
成本计算模块，配置用于根据所述发电函数、购电成本、卖电成本、储能成本和负荷预测函数计算用电成本函数。
9.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-4任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110314782.6A CN112803427A (zh) | 2021-03-24 | 2021-03-24 | 基于需求的区域电网调度方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110314782.6A CN112803427A (zh) | 2021-03-24 | 2021-03-24 | 基于需求的区域电网调度方法、系统、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112803427A true CN112803427A (zh) | 2021-05-14 |
Family
ID=75817332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110314782.6A Pending CN112803427A (zh) | 2021-03-24 | 2021-03-24 | 基于需求的区域电网调度方法、系统、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112803427A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113327065A (zh) * | 2021-06-30 | 2021-08-31 | 中国人民解放军国防科技大学 | 针对发电侧的用户复杂用电情况的能源管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105870950A (zh) * | 2016-05-05 | 2016-08-17 | 国家电网公司 | 一种智能楼宇可调资源多目标协调系统及优化控制方法 |
| US20180316187A1 (en) * | 2017-04-28 | 2018-11-01 | Lsis Co., Ltd. | Hierarchical type power control system |
| CN110232476A (zh) * | 2019-05-30 | 2019-09-13 | 华中科技大学 | 一种基于深度学习的微电网负荷预测方法 |
-
2021
- 2021-03-24 CN CN202110314782.6A patent/CN112803427A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105870950A (zh) * | 2016-05-05 | 2016-08-17 | 国家电网公司 | 一种智能楼宇可调资源多目标协调系统及优化控制方法 |
| US20180316187A1 (en) * | 2017-04-28 | 2018-11-01 | Lsis Co., Ltd. | Hierarchical type power control system |
| CN110232476A (zh) * | 2019-05-30 | 2019-09-13 | 华中科技大学 | 一种基于深度学习的微电网负荷预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113327065A (zh) * | 2021-06-30 | 2021-08-31 | 中国人民解放军国防科技大学 | 针对发电侧的用户复杂用电情况的能源管理方法及系统 |
| CN113327065B (zh) * | 2021-06-30 | 2023-08-22 | 中国人民解放军国防科技大学 | 针对发电侧的用户复杂用电情况的能源管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Optimal bidding strategy of battery storage in power markets considering performance-based regulation and battery cycle life | |
| CN108960510B (zh) | 一种基于两阶段随机规划的虚拟电厂优化交易策略装置 | |
| Gomes et al. | A novel microgrid support management system based on stochastic mixed-integer linear programming | |
| Vykhodtsev et al. | A review of modelling approaches to characterize lithium-ion battery energy storage systems in techno-economic analyses of power systems | |
| CN115632426A (zh) | 储能控制方法、装置、系统和存储介质 | |
| Haas et al. | On the economics of storage for electricity: Current state and future market design prospects | |
| KR20210100699A (ko) | 하이브리드 발전소 | |
| CN116911076B (zh) | 多微电网对配电网的韧性支撑仿真方法、装置和电子设备 | |
| CN115879983A (zh) | 虚拟电厂调度方法及其系统 | |
| Mansourshoar et al. | Impact of implementing a price-based demand response program on the system reliability in security-constrained unit commitment problem coupled with wind farms in the presence of contingencies | |
| CN112953007A (zh) | 配电网调度方法、装置及系统、处理器、电子设备 | |
| Gomes et al. | Hybrid solar PV-wind-battery system bidding optimisation: A case study for the Iberian and Italian liberalised electricity markets | |
| Reddy et al. | Implementation of clustering based unit commitment employing imperialistic competition algorithm | |
| CN112383086A (zh) | 一种孤岛微电网日前能量-备用联合优化调度方法 | |
| Guo et al. | Real-time self-dispatch of a remote wind-storage integrated power plant without predictions: Explicit policy and performance guarantee | |
| CN112803427A (zh) | 基于需求的区域电网调度方法、系统、终端及存储介质 | |
| CN112671022A (zh) | 光储充电站容量优化配置方法、系统、终端及存储介质 | |
| Alizadeh et al. | Scalable model predictive control of demand for ancillary services | |
| Dehghanpour et al. | Intelligent microgrid power management using the concept of Nash bargaining solution | |
| Mohseni et al. | Probabilistic sizing and scheduling co-optimisation of hybrid battery/super-capacitor energy storage systems in micro-grids | |
| CN112491067A (zh) | 一种基于复合储能的主动配电网容量配置方法 | |
| WO2021162572A1 (en) | A smart power splitter and a method for providing power with use of the smart power splitter | |
| WO2023063383A1 (ja) | 生成方法、生成装置、及び生成プログラム | |
| JP2020052549A (ja) | 受電点電力予測装置、受電点電力予測方法、およびプログラム | |
| Gazafroudi et al. | Evolving New Market Structures |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |