CN113364062A - 用于利用机器学习的多电力资源管理的微电网站点预测控制 - Google Patents

用于利用机器学习的多电力资源管理的微电网站点预测控制 Download PDF

Info

Publication number
CN113364062A
CN113364062A CN202110226564.7A CN202110226564A CN113364062A CN 113364062 A CN113364062 A CN 113364062A CN 202110226564 A CN202110226564 A CN 202110226564A CN 113364062 A CN113364062 A CN 113364062A
Authority
CN
China
Prior art keywords
power
energy
battery
determining
cost
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
Application number
CN202110226564.7A
Other languages
English (en)
Inventor
蔡志俊
张艳钗
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.)
Caterpillar Inc
Original Assignee
Caterpillar Inc
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 Caterpillar Inc filed Critical Caterpillar Inc
Publication of CN113364062A publication Critical patent/CN113364062A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J4/00—Circuit arrangements for mains or distribution networks not specified as ac or dc
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

一种装置可以接收负载的功率需求和一时间段的天气预报。所述装置可以基于天气预报确定所述时间段内可从光伏(PV)设施获得的第一功率供应。所述装置可以基于功率需求和第一功率供应确定该时间段内的电力短缺。所述装置可以确定在该时间段内与利用可从电池获得的第二功率供应相关联的第一成本以及与利用可从发动机获得的第三功率供应相关联的第二成本。所述装置可以基于第一成本和第二成本确定电源以克服电力短缺，并且可以使PV设施和该电源供应电力以满足负载的功率需求。

Description

用于利用机器学习的多电力资源管理的微电网站点预测控制
技术领域
本公开大体上涉及多电力资源管理，且例如，涉及用于利用机器学习的多电力资源管理的微电网站点预测控制。
背景技术
在各种情况下，当单个电力资源不足以向负载提供能量时，可使用多个电力资源来向负载提供能量。负载可以是电力系统中的电负载，例如，民用负载、商用负载、工业负载、农业负载等。负载可以是消耗电流形式的电能并将其变换为例如热、光、功等另一形式的一个或多个装置。例如，光伏(PV)设施、电池和/或发动机可以被配置成向需要比PV设施能够输出的更多电力的负载提供电能。与电力资源相关联的优化方案可用于确定与所述多个电力资源相关联的最具成本效益的能量输出。
然而，来自PV设施的可用能量的供应可取决于当前天气条件。虽然优化方案可使用当前天气条件来确定与多个电力资源相关联的最具成本效益的能量输出，但优化方案可能不会考虑未来的天气条件和未来天气条件可能对来自PV设施的可用能量供应的影响。由于不会考虑未来的天气条件和未来天气条件可能对来自PV设施的可用能量供应的影响，优化方案可能无法最小化与多个电力资源的能量输出相关联的总成本。
2016年9月6日颁发给Roy等人的第9,438,041B2号美国专利(“‘041专利”)中公开了确定与多个电力资源相关联的最具成本效益的能量输出的一种尝试。具体来说，‘041专利公开了能量系统控制器中的一种部件，其控制互连到一个能量系统中的能量资源的操作，以为客户提供最佳能量管理。
虽然‘041专利的部件可以公开一种用于为客户提供最佳能源管理的系统，但‘041专利未能公开所述系统考虑未来天气条件以及未来天气条件可能对例如PV设施的可再生能量资源的可用能源供应的影响。
本公开的用于多电力资源管理系统的微电网站点预测控制解决了上述问题中的一个或多个问题和/或现有技术中的其他问题。
发明内容
根据一些实施方式，一种方法可以包括：由装置的优化器模块接收负载的功率需求；由优化器模块接收一时间段的天气预报；由优化器模块基于天气预报确定在该时间段内从光伏(PV)设施可获得的第一功率供应；由优化器模块基于功率需求和第一功率供应确定该时间段内的电力短缺；由优化器模块确定在该时间段内与利用可从电池获得的第二功率供应相关联的第一成本；由优化器模块确定在该时间段内与利用可从发动机获得的第三功率供应相关联的第二成本；由优化器模块基于第一成本和第二成本确定电源以克服电力短缺，其中，所述电源包括电池或发动机中的至少一者；以及由监管模块向PV设施和电源发送请求，以使PV设施和电源供应电力以满足负载的功率需求。
根据一些实施方式，一种装置可以包括：一个或多个存储器；以及通信耦接到一个或多个存储器的一个或多个处理器，所述处理器被配置成：接收负载的功率需求；接收一时间段的天气预报；基于天气预报确定在该时间段内从光伏(PV)设施可获得的第一功率供应；基于功率需求和第一功率供应确定该时间段内的电力短缺；确定在该时间段内与利用可从电池获得的第二功率供应相关联的第一成本；确定在该时间段内与利用可从发动机获得的第三功率供应相关联的第二成本；基于第一成本和第二成本确定电源以克服电力短缺，其中，所述电源包括电池或发动机中的至少一者；以及向PV设施和电源发送请求，以使PV设施和电源供应电力以满足负载的功率需求。
根据一些实施方式，一种系统可包括多个电力资源；以及功率控制装置。所述功率控制装置可以被配置成：接收功率需求；接收第一时间段的第一天气预报和第二时间段的第二天气预报，其中第二时间段在第一时间段之后；基于第一天气预报确定在第一时间段内可从多个电力资源的第一电力资源获得的第一功率供应，并基于第二天气预报确定在第二时间段内可从第一电力资源获得的第二功率供应；基于功率需求和第一功率供应确定第一时间段内的电力短缺；确定在第一时间段内与利用来自多个电力资源的第二电力资源的第三功率供应相关联的成本；确定在第一时间段内与利用来自多个电力资源的第三电力资源的第四功率供应相关联的成本；基于第二功率供应、与利用第三功率供应相关联的成本、以及与利用第四功率供应相关联的成本，选择第二电力资源或第三电力资源中的一个或多个作为选定电源，以满足电力短缺；并向第一电力资源和选定电力资源发送请求，以使第一电力资源和选定电力资源提供电力以满足功率需求。
附图说明
图1是本文描述的示例性发电系统的图。
图2是示出训练PV能量预测模型的示例的图。
图3是示出向新观察结果应用训练过的PV能量预测模型的示例的图。
图4是示出训练负载配置文件预测模型的示例的图。
图5是示出向新观察结果应用经训练的负载配置文件预测模型的示例的图。
图6是用于控制多个电力资源的示例性过程的流程图。
图7是用于确定利用电池供电的成本的示例性过程的流程图。
图8是用于确定利用电力资源供电的成本的示例性过程的流程图。
图9是用于控制多个电力资源的示例性过程的图。
图10是多个电力资源的能量图。
图11是本文描述的示例性发电系统的图。
具体实施方式
本公开涉及一种用于发电系统的功率控制系统。该功率控制系统具有对利用类似功率控制系统的任何发电系统的通用性。
图1是本文描述的示例性发电系统100的图。发电系统100包括多个电力资源102，所述多个电力资源被配置成基于从功率控制系统104接收的功率控制信息向负载供应能量和/或存储能量。发电系统100的装置可经由有线连接、无线连接，或有线连接和无线连接的组合而互连。
电力资源102可包括可再生能量资源、可调度能量资源、存储的能量资源和/或另一类型的能量资源。可再生能量资源是从天然补充但有流量限制的来源中产生能量的一种电力资源，例如风力、太阳能、地热、生物质和水电。可再生能量资源是间歇性的、不可调度的能量资源，在接收到来自能量流(例如，太阳能、风能等)的输入时生成电力。可再生能量资源可以是太阳能资源(例如，光伏能量资源)、风能资源(例如，风力发电机)、水力发电资源(例如，涡轮机)和/或另一类型的可再生能量资源。
如图1中所示，主要可再生能量资源是光伏(PV)能量资源106。PV能量资源106包括PV设施，所述PV设施包括将阳光转换成电的多个PV装置或太阳能电池。PV装置被布置成形成PV面板，并且多个PV面板被布置成PV阵列以形成PV设施。PV设施基于从功率控制系统104接收的功率控制信息将阳光转换成电力，并将电力提供到负载和/或到存储的能量资源。
次级电力资源被配置成接受来自主要电源的电力输入，并将所述电力输出提供至客户端。次级电力资源是可调度的能量资源，其可按需被使用(例如，可被打开或关闭)，且可基于从例如功率控制系统104的客户端控制器接收的功率控制信息来调整供应给客户端(诸如负载)的功率输出。如图1中所示，可调度能量资源是被配置成向负载提供电力的发动机108。发动机108可以是任何类型的内燃机，例如，燃气发动机、柴油发动机、动态燃气混合(DGB)发动机和/或其组合。
所存储的能量资源是接收并存储来自例如电力资源102之一(例如，可再生能量资源和/或可调度能量资源)的能量的能量存储装置。能量存储装置基于从功率控制系统104接收的功率控制信息将存储的能量提供到负载。如图1中所示，能量存储装置是电池110，例如，电化学电池(例如，钠硫电池、钠-氯化镍电池、锂聚合物电池、锂离子电池、铅酸电池、镍镉电池等)和/或适合储存能量和向负载提供所存储能量的另一类型的电池。
每个电力资源102具有电子控制模块(ECM)，所述电子控制模块包括基于从功率控制系统104接收的功率控制信息提供电力资源的对应控制的一个或多个装置。
ECM可根据来自功率控制系统104的指令执行指令以执行各种控制功能和过程以控制多个电力资源102。ECM可包括被配置成执行控制功能从而使得多个电力资源102可如本文所述工作的任何适当类型的电力资源控制系统。此外，ECM还可控制车辆或机器的另一系统，例如传动系统、液压系统等等。
功率控制系统104包括提供功率控制信息以控制来自多个电力资源102的功率输出的一个或多个装置。功率控制系统104使用功率控制信息使多个电力资源102的ECM控制从多个电力资源102贡献到负载的功率的相应量。在一些实施方式中，功率控制系统104被实施为处理器。处理器实现于硬件、固件或硬件和软件的组合中。
如图1中所示，功率控制系统104包括优化器模块和监管模块，其用于基于负载配置文件管理和控制由多个电力资源102的能量输出。负载配置文件指示在指定时间段内的负载的功率需求和/或变化。优化器模块确定用于供应足够能量以满足功率需求的电力资源102，并且监管模块控制电力资源102的输出，如本文其它地方所述。
如图1中所示，功率控制系统104接收负载配置文件。例如，功率控制系统104从发动机108的电子控制模块(ECM)接收负载配置文件。功率控制系统104(例如，优化器模块)识别电力资源102中的一个或多个以将能量提供到负载。在一些实施方式中，功率控制系统104一开始确定与PV能量资源106相关联的可用能量的量是否足以满足在负载配置文件中标识的功率需求。
功率控制系统104确定与PV能量资源106相关联的可用能量的量。例如，功率控制系统104可以查询PV能量资源106的ECM和/或向其发送信号。PV能量资源106的ECM可以基于查询和/或从功率控制系统104接收信号来发送指示可用于由PV能量资源106供应到负载的能量的量的信息。功率控制系统104基于指示可由PV能量资源106供应到负载的能量的量的信息来确定与PV能量资源106相关联的可用能量的量。
在一些实施方式中，与PV能量资源106相关联的可用能量的量等于功率需求。功率控制系统104(例如，优化器模块)基于与PV能量资源106相关联的可用能量的量等于功率需求而确定可以通过利用与PV能量资源106相关联的可用能量来满足功率需求。
功率控制系统104(例如，监管模块)将功率控制信息传输到PV能量资源106，以使PV能量资源106在指定时间段内将能量供应到负载。例如，功率控制系统104可以将能量分配命令传输到PV能量资源106。能量分配命令包括指示PV能量资源106要在指定时间段内将所需量的能量供应到负载的信息。PV能量资源106接收能量需求命令，并基于其在指定时间段内将与PV能量资源106相关联的可用能量提供到负载。
在一些实施方式中，与PV能量资源106相关联的可用能量的量大于功率需求。功率控制系统104(例如，优化器模块)基于与PV能量资源106相关联的可用能量的量大于功率需求而确定可以通过与PV能量资源106相关联的可用能量的一部分来满足功率需求。功率控制系统104确定与PV能量资源106相关联的可用能量的过剩部分将提供给电池110并由该电池存储。
功率控制系统104(例如，监管模块)将功率控制信息传输到PV能量资源106，使PV能量资源106在指定时间段内提供足以满足功率需求的充分大量的与PV能量资源106相关联的可用能量，并且将与PV能量资源106相关联的可用能量的过剩部分提供到电池110。
例如，功率控制系统104将第一能量分配命令传输到PV能量资源106。第一能量分配命令指示PV能量资源106要在指定时间段内向负载供应足以满足功率需求的与PV能量资源106相关联的可用能量的一部分，并且如果电池110未充满电，则将与PV能量资源106相关联的可用能量的剩余部分提供到电池110。
PV能量资源106接收第一能量分配命令。PV能量资源106使足以满足功率需求的与PV能量资源106相关联的可用能量的一部分在指定时间段内到负载，并且基于第一能量分配命令使与PV能量资源106相关联的可用能量的剩余部分被提供到电池110。
另外，功率控制系统104将功率控制信息传输到电池110，以使电池110接收并存储与PV能量资源106相关联的可用能量的剩余部分。
例如，功率控制系统104将第二能量分配命令传输到电池110。第二能量分配命令指示电池110从PV能量资源106接收与PV能量资源106相关联的可用能量的剩余部分。第二能量分配命令还指示电池110存储与PV能量资源106相关联的可用能量的剩余部分和/或电池110在指定时间段内不向负载提供与PV能量资源106相关联的可用能量的剩余部分的任何部分。
基于第二能量分配命令，电池110从PV能量资源106接收与PV能量资源106相关联的可用能量的剩余部分。另外，电池110存储与PV能量资源106相关联的可用能量的剩余部分和/或在指定时间段内不向负载提供与PV能量资源106相关联的可用能量的剩余部分的任何部分。
在一些实施方式中，存在电力短缺。电力短缺是指与PV能量资源106相关联的可用能量的量不足以满足功率需求。功率控制系统104(例如，优化器模块)确定通过利用与PV能量资源106相关联的可用能量来满足功率需求的第一部分。功率控制系统104基于在功率需求中指定的时间段之后发生的后续时间段的预测负载配置文件、PV能量资源106将在后续时间段期间能够提供的能量的预测量、发动机成本和/或电池成本，确定要满足功率需求的第二部分而将要由发动机108提供的能量的量和/或将要由电池110提供的能量的量。
在一些实施方式中，功率控制系统104利用机器学习技术来确定PV能量资源106将在后续时间段内能够提供的能量的预测量，以及预测负载配置文件。例如，功率控制系统104可以训练并利用PV能量预测模型来预测PV能量资源106将在后续时间段内能够提供的能量的量，如本文其它地方所述。如本文其它地方所述，功率控制系统104可以训练并利用负载配置文件预测模型来预测后续时间段内的功率需求。
发动机成本是与利用发动机108提供足够的能量以满足功率需求的第二部分相关联的成本。功率控制系统104基于与发动机108相关联的一个或多个发动机参数来确定发动机成本。
如图1中所示，功率控制系统104获得与发动机108相关联的发动机信息。发动机信息可包括指示由发动机108利用的燃料类型(例如，汽油、柴油燃料、柴油-燃气混合燃料等)、与发动机108相关联的发动机图、与发动机108相关联的寿命和健康状态信息等的信息。发动机信息可以由用户经由与功率控制系统104相关联的用户界面输入。替代地和/或另外，功率控制系统104可以从发动机108的ECM接收发动机信息。
指示由发动机108利用的燃料类型的信息可包括指示发动机108的类型、发动机108的型号、发动机108的制造商、与发动机108相关联的序列号的信息，和/或可用于确定由发动机108利用的燃料类型的另一类型的信息。
发动机图包括指示当发动机108经受各种参数变化时发动机108的行为的信息，例如负载变化(例如，发动机108的节流阀的开放程度变化)、点火定时变化、空气-燃料比变化、发动机108的温度变化、与发动机108相关联的环境温度变化等。
寿命和健康状态信息可以包括与发动机108的运行相关联的信息。例如，寿命和健康状态信息可以包括指示发动机108的使用年限(例如，运行小时数)的信息、指示发动机108的温度的信息、指示与发动机108相关联的环境温度的信息等。
在一些实施方式中，功率控制系统104通过基于发动机的类型确定由发动机108使用的燃料类型来确定发动机成本。例如，功率控制系统104访问存储在数据库中的数据结构中的信息。数据库可以包含标识由各种类型的发动机使用的燃料类型、用于各种类型的发动机的PV能量资源106和电池110之间的最佳功率分布等的信息。
功率控制系统104确定由发动机利用的每种类型的燃料的每单位燃料(例如，加仑、升等等)的成本。例如，如果功率控制系统104确定发动机108利用柴油燃料，那么功率控制系统104确定与一(1)加仑柴油燃料相关联的成本。数据库可包括标识由各种类型的发动机使用的燃料类型以及与由各种类型的发动机使用的每种类型的燃料相关联的每单位燃料的成本的信息。功率控制系统104可以基于包括在数据库中的信息确定发动机108使用的燃料类型的每单位燃料的成本。在一些实施方式中，发动机108可以是DGB发动机，并且功率控制系统104可以利用发动机替代图将DGB发动机使用的汽油成本转换为等价燃料成本(例如，柴油成本)。
功率控制系统104基于燃料的类型、发动机图和/或指示发动机健康状态的信息来确定发动机108产生单位能量(例如，千瓦小时)所需的该类型燃料的量。功率控制系统104基于每单位由发动机108使用的该类型燃料的成本、发动机108产生单位能量所需的燃料量以及满足功率需求的第二部分的足够能量的量来确定发动机成本。
例如，功率控制系统104将满足功率需求的第二部分的足够多能量的量除以该单位能量，以确定满足功率需求的第二部分的足够多能量的单位数量。功率控制系统104将满足功率需求的第二部分的充分多能量的单位数量乘以发动机108产生单位能量所需的该类型燃料的量，以确定燃料的总量。功率控制系统104将燃料总量乘以每单位该类型燃料的成本以确定初始发动机成本。
在一些实施方式中，功率控制系统104基于利用发动机108来提供足够的能量以满足功率需求的第二部分对发动机108的维护、维修和/或寿命的影响来修改初始发动机成本。初始成本是代表发动机108提供足够的能量以满足功率需求的第二部分所用燃料成本的数值。利用发动机106来提供足够的能量以满足功率需求的第二部分对发动机108将需要维护、维修和/或更换之前的时间量产生负面影响(例如，缩短)。功率控制系统104修改(例如，增大)该数值以考虑在发动机108将需要维护、维修和/或更换之前的时间量减少。
功率控制系统104基于与电池110相关联的电池信息确定电池成本。功率控制系统104利用实时、动态等价制动燃料消耗率(BSFC)图来确定电池成本。基于对电池110充电的即时成本而更新BSFC图。基于电池的老化和/或基于更换电池110的成本来对BSFC图加权。
如图1中所示，电池信息包括指示电池110的荷电状态(SOC)的信息和/或与电池110相关联的寿命和健康状态信息。
指示电池110的SOC的信息包括指示存储在电池110中的能量的量的信息。例如，电池110的当前电压、电池110的最大操作电压、存储在电池110中的能量的最大量等。
寿命和健康状态信息可包括指示与利用电池110提供足够能量以满足功率需求的第二部分相关联的双向损失的信息、指示电池110的使用年限、与电池110相关联的周期数、与电池110相关联的周期深度、电池110的温度、与电池110相关联的环境温度等。
为了确定电池成本，功率控制系统104基于指示电池110的SOC的信息确定存储在电池110中的能量的可用量。例如，功率控制系统104将当前电压与电池110的最大操作电压进行比较，以确定存储在电池110中的能量的量。
功率控制系统104确定存储在电池110中的能量是否足以满足功率需求的第二部分。在一些实施方式中，功率控制系统104确定当前电压等于电池110的最大操作电压。功率控制系统104基于当前电压等于电池110的最大操作电压而确定电池110已充满电(例如，具有最大量的存储能量可用)。功率控制系统104基于比较存储在电池110中的能量的量和满足功率需求的第二部分的足够能量的量来确定存储在电池110中的能量的量是否足以满足功率需求的第二部分。
在一些实施方式中，功率控制系统104确定存储在电池110中的能量的量足以满足功率需求的第二部分。在这些实施方式中，功率控制系统104在利用电池110提供足够的能量以满足功率需求的第二部分之后确定与对电池110充电相关联的成本。
例如，功率控制系统104可以在电池110提供足够能量以满足功率需求的第二部分之后确定对电池110再充电的足够能量的量。用于对电池110再充电的足够能量可包括满足功率需求的第二部分的足够能量的量和对应于由于提供足够能量以满足功率需求的第二部分而导致的任何双向能量损失的能量的量。因为与PV能量资源106相关联的所有可用能量将被提供以满足功率需求的第一部分，所以功率控制系统104确定与利用发动机108向电池110提供足够能量的量以给电池110再充电相关联的成本。
功率控制系统104基于发动机的类型确定与利用发动机108为电池110提供足够能量以对电池110再充电相关联的成本。例如，功率控制系统104访问数据库中的信息，并且以类似于上文所描述的方式基于包括在数据库中的信息来确定发动机108利用的燃料的类型。
功率控制系统104确定由发动机108利用的该类型的燃料的每单位燃料(例如，加仑、升等等)的成本。例如，功率控制系统104确定发动机108利用柴油燃料。功率控制系统104通过例如以类似于上文描述的方式访问数据库中的信息来确定与单位柴油燃料相关联的成本。功率控制系统104基于包括在数据库中的信息确定发动机108使用的燃料类型的每单位燃料的成本。
功率控制系统104基于燃料的类型、发动机图和/或指示发动机健康状态的信息来确定发动机108产生单位能量(例如，千瓦小时)所需的该类型燃料的量。功率控制系统104基于每单位由发动机108使用的该类型燃料的成本、发动机108产生单位能量所需的燃料量以及对电池110再充电所需能量的量来确定与利用发动机108对电池110再充电相关联的成本。
例如，功率控制系统104将对电池110再充电所需的能量的量除以能量单位以确定对电池110再充电所需的能量单位的数量。功率控制系统104将对电池110再充电所需能量单位的数量乘以发动机108产生单位能量所需的该类型燃料的量，以确定燃料的总量。功率控制系统104将燃料总量乘以每单位燃料的该类型燃料的成本以确定与利用发动机108为电池110提供足够能量的量以对电池110再充电相关联的成本。
功率控制系统104基于电池110的使用年限确定第一劣化因子。第一劣化因子可对应于电池110的使用年限对电池性能的影响。例如，相对于较年轻的电池，较老的电池可能具有降低的用于存储能量的容量、增大的内阻和/或提高的自放电速率。
用于存储能量的容量降低是指电池110可存储的能量的最大量减小。电池110的容量可能随着电池110的老化而减小。例如，电池110可包括一个或多个存储可转换成电能的化学能的电化学单元，例如锂离子电池。电化学单元存储化学能的能力基于电池110的使用年限和电池110的周期计数(例如，电池110释放所存储能量的次数)而减小。
在一些实施方式中，电池110可包括一个或多个电化学单元，并且化学能到电能的转换可引起电池110的内阻增大。电池110的内阻影响电池110递送所存储能量的能力。当电池110在提供所存储能量时，电池110内阻增大导致电池110的电压下降和温度升高。电压下降可能降低电池110向负载提供能量的能力。另外，电池110的温度升高可能缩短电池110的使用寿命。
电池110的自放电速率是电池110无法保持所存储能量的速率。在电池110被充电之后，自放电速率可能立即到达最大，并且随着时间推移，自放电速率可以逐渐下降到设定的速率。电池110的自放电速率随着电池110的使用年限、电池110的循环和/或电池110的温度升高而增大。
功率控制系统104确定与电池110的SOC相关联的第二劣化因子。对电池110完全放电(例如，利用与电池110相关联的所有存储能量)可能通过不允许由电池110自放电一定量的存储能量而造成向电池110施加应力。例如，操作者可以使电池完全放电以避免与利用例如发动机108等另一能量资源相关联的成本。施加到电池110的应力可能使电池110存储能量的容量降低。
功率控制系统104基于电池110的周期计数、周期的深度(例如，在对电池110再充电之前利用了多少所存储的能量)和/或电池110的温度来确定第三劣化因子。电池110的频繁放电、将电池110放电到特定SOC(例如30％的SOC)以下，和/或升高的温度可能导致电池应力，这导致电池110的使用寿命减小和/或电池110的容量减小。
功率控制系统104基于与利用发动机108为电池110提供对电池110再充电所需量的能量相关联的成本、第一劣化因子、第二劣化因子和第三劣化因子来确定电池成本。例如，功率控制系统104可以确定累积加权因子，其将与第一劣化相关联的加权值、与第二劣化因子相关联的加权值、以及与第三劣化因子相关联的加权值与利用发动机108向电池110提供足够能量的量以对电池110进行再充电相关联的成本相加在一起。
在一些实施方式中，功率控制系统104确定存储在电池110中的能量的量不足以满足功率需求的第二部分。在这些实施方式中，功率控制系统104确定要由发动机108满足的功率需求的第二部分的剩余部分。功率控制系统104基于与利用电池110向负载提供与电池110相关联的所有所存储能量相关联的成本，与利用发动机108为电池110提供足够能量的量以对电池110再充电相关联的成本，以及与利用发动机108提供足够能量以满足功率的第二部分的剩余部分相关联的成本来确定这些实施方式中的成本。
功率控制系统104以与上文关于确定电池成本所描述的方式类似的方式确定与利用电池110向负载提供储存在电池110中的所有能量相关联的成本和/或与利用发动机108向电池110提供对电池110再充电所需量的能量相关联的成本。功率控制系统104以类似于上文关于发动机108所描述的方式的方式确定与利用发动机108提供足够能量以满足功率需求的第二部分的剩余部分相关联的成本。
功率控制系统104(例如，优化器模块)基于发动机成本和电池成本确定初始供电计划。初始供电计划可以指示为满足功率需求的第二部分而将由发动机108提供的能量的量和/或将由电池110提供的能量的量。
初始供电计划可以优化或最小化与提供足够能量以满足功率需求的第二部分相关联的成本(例如，发动机成本和/或电池成本)。成本可以是每单位有功功率(例如，千瓦功率(KW))的成本和/或每单位无功功率(例如，无功千伏安(KVAR))的成本。功率控制系统104确定要利用由发动机108提供的能量满足的功率需求的第二部分的量，以及要利用由电池110提供的能量满足的功率需求的第二部分的量，使得将每单位有功功率成本和/或每单位无功功率的成本被最小化。
功率控制系统104(例如，优化器模块)通过基于后续时间段内的预测负载配置文件和/或可用于在后续时间段内提供到负载的与PV能量资源106相关联的能量的量来修改初始供电计划，从而确定最终供电计划。
如图1所示，功率控制系统104使用机器学习模型，例如负载配置文件模型，以确定后续时间段内的预测负载配置文件。功率控制系统104获得与发电系统100相关联的多个负载配置文件。多个负载配置文件中的每个负载配置文件包括指示特定时间段内负载的需求和/或变化的信息。例如，在一段时间内(例如，一天、一个月、一年和/或另一时间段)，功率控制系统104可以将从多个电力资源102中的一个或多个电力资源的ECM接收的负载配置文件存储在与功率控制系统104相关联的存储器中。
根据与发电系统100相关联的一个或多个负载配置文件参数，功率控制系统104使用与发电系统100相关联的多个负载配置文件来训练负载配置文件模型。一个或多个负载配置文件参数可包括负载因子、多样性因子、利用率因子、需求因子等。
特定负载配置文件的负载因子是与特定负载配置文件相关联的时间段内的平均负载除以峰值负载。多样性因子是发电系统100的子部门的各个非同时发生的最大负载之和与发电系统100的最大需求的比率。利用率是多个电力资源102中的电力资源(例如，PV能量资源106、发动机108和/或电池110)使用的时间与该电力资源可以使用的总时间的比率。需求因子是由多个电力资源102中的电力资源(例如，PV能量资源106、发动机108和/或电池110)提供的能量相对于可由该电力资源提供的能量最大量的分数量。
功率控制系统104基于多个负载配置文件确定一个或多个负载配置文件参数。在一些实施方式中，当生成负载配置文件模型以确定一个或多个负载配置文件参数时，功率控制系统104执行数据预处理操作。例如，功率控制系统104可以分析每个存储的负载配置文件以确定负载因子、多样性因子、利用率因子和/或需求因子以及与一个或多个参数中的每个参数相关联的时间段。使用多个负载配置文件和一个或多个负载配置文件参数作为负载配置文件模型的输入，功率控制系统104确定后续时间段(例如，在指定时间段之后发生的时间段)的预测负载配置文件。
如图1所示，功率控制系统104利用诸如PV预测模型的机器学习模型来确定可用于在后续时间段内提供到负载的与PV能量资源106相关联的能量的量。如下文所述，PV预测模型接收实时天气信息(例如，天气预报)和历史天气信息，以确定可用于在后续时间段内提供到负载的与PV能量资源106相关联的能量的量。
如图1中所示，天气预报被输入到PV预测模型中。天气预报可以指示与时间段(例如，一小时、一天、一周等)相关联的一个或多个天气条件。功率控制系统104基于一个或多个天气预报中指示的一个或多个天气条件来训练PV预测模型。根据一个或多个天气条件，功率控制系统104使用与和PV能量资源106相关联的可用能量的量相关联的历史数据来训练PV预测模型。使用历史数据和一个或多个天气条件作为PV预测模型的输入，功率控制系统104确定后续时间段与PV能量资源106相关联的可用能量的量。
功率控制系统104基于预测的负载配置文件和可用于在后续时间段内提供到负载的与PV能量资源106相关联的能量的量，确定后续时间段内的预测供电计划。功率控制系统104以类似于上文关于确定初始供电计划所描述的方式的方式确定预测供电计划。
功率控制系统104(例如，优化器模块)基于初始供电计划和/或预测供电计划确定最终供电计划。例如，功率控制系统104可以修改初始供电计划以优化或最小化与提供足够能量以满足功率需求的第二部分相关联的成本(例如，发动机成本和/或电池成本)，并且优化或最小化与提供足够能量以满足预测负载配置文件指示的功率需求相关联的成本。通过这种方式，可以优化和/或最小化与发电系统100相关联的总成本。
功率控制系统104(例如，监管模块)基于最终供电计划将功率控制信息传输到多个电力资源102。例如，如图1中所示，功率控制系统104将能量分配命令传输到PV能量资源106、发动机108和/或电池110，以使PV能量资源106、发动机108和/或电池110基于最终供电计划提供足够能量以满足功率需求。
如上所述，提供图1作为示例。其它示例可能与结合图1所描述的不同。例如，尽管示出了单个PV能量资源106、单个发动机108和单个电池110，但在实践中，发电系统100可包括多个PV能量资源106、多个发动机108和/或多个电池110。
图2是示出训练PV能量预测模型的示例200的图。可以使用机器学习系统来执行本文所述的PV能量预测模型训练。机器学习系统可包括计算装置、服务器、云计算环境等，例如功率控制系统104。
如附图标记205所示，可以使用一组观察结果来训练PV能量预测模型。可以从历史数据获得和/或输入该组观察结果，所述历史数据例如是使用本文所述的一个或多个过程收集的天气预报。该组观察结果可包括相同时间段和/或不同时间段的一组天气预报。在一些实施方式中，机器学习系统可以从功率控制系统104接收该组观察结果(例如，作为输入)。另外和/或替代地，该组观察结果可以由用户输入。
如附图标记210所示，可以从该组观察结果导出特征集。特征集可包括一组变量类型。变量类型可被称为特征。特定观察结果可包括对应于该组变量类型的一组变量值。一组变量值可以是观察结果特有的。在一些情况下，不同的观察结果可以与不同组的变量值相关联，变量值有时称为特征值。在一些实施方式中，机器学习系统可以基于从功率控制系统104接收的输入来确定特定观察结果的变量值。
例如，机器学习系统可以例如通过从表格的特定列提取数据、从表的特定字段提取数据、从消息的特定字段提取数据、提取以结构化数据格式接收的数据、上下文数据等，从输入到机器学习系统的结构化数据识别特征集(例如，一个或多个特征和/或对应特征值)。在一些实施方式中，机器学习系统可以通过上述方式，基于从功率控制系统104的ECM、PV能量资源106的ECM和/或用于提供天气数据的一个或多个源接收的输入来确定特征集的特征(例如，变量类型)。另外或替代地，机器学习系统可以从操作者接收输入以确定特征和/或特征值，例如，太阳辐照度、太阳辐射量、天气预报、燃料成本等。
在一些实施方式中，机器学习系统可以执行自然语言处理和/或另一特征识别技术，以例如通过从文本识别关键字和/或与那些关键字相关联的值来从输入到机器学习系统的文本(例如，非结构化数据)提取特征(例如，变量类型)和/或特征值(例如，变量值)。例如，用户可以以文档的形式输入天气预报。机器学习系统可以执行自然语言处理以从文档提取特征(例如，太阳辐照度、太阳辐射量、云量、湿度和/或另一大气参数)。
作为示例，如图2中由附图标记210所示，一组观察结果(例如，一组天气预报)的特征集可包括第一特征：太阳辐照度、第二特征：太阳辐射量、第三特征：与该组观察结果相关联的日期和/或时间(例如，与特定天气预报相关联的数据和/或时间)，等等。这些特征和特征值作为示例提供，并且可以在其它示例中不同，例如云量特征、湿度特征、降水机会特征、天气预报的来源等。在一些实施方式中，机器学习系统可以预处理和/或执行降维以化简特征集和/或将特征集的特征组合成最小特征集。可以在最小特征集上训练PV能量预测模型，从而节约用于训练PV能量预测模型的机器学习系统的资源(例如，处理资源、存储器等)。
如附图标记215所示，该组观察结果可以与目标变量类型相关联。目标变量类型可以表示具有数值的变量(例如，整数值、浮点值等)，可以表示数值落在一值域之内或具有一些离散的可能值的变量，可以表示可从多个选项之一(例如，多个类别、分类、标签等之一)选择的变量，可以表示具有布尔值的变量(例如，0或1、真或假、是或否)等。目标变量类型可以与目标变量值相关联，并且目标变量值可以是特定于观察结果的。在一些情况下，不同的观察结果可以与不同的目标变量值相关联。
目标变量可以表示PV能量预测模型正被训练要预测的值，并且特征集可以表示输入到训练过的PV能量预测模型以预测目标变量的值的变量。该组观察结果可以包括目标变量值，使得可以训练PV能量预测模型以识别特征集中产生目标变量值的模式。被训练来预测目标变量值的PV能量预测模型可被称为有监督学习模型、预测模型等。当目标变量类型与连续目标变量值(例如，数量范围和/或类似物)相关联时，PV能量预测模型可以采用回归技术。当目标变量类型与类别目标变量值(例如，类别、标签和/或类似物)相关联时，PV能量预测模型可以采用分类技术。
在一些实施方式中，可以针对不包括目标变量(或包括目标变量，但不执行PV能量预测模型来预测目标变量)的一组观察结果来训练PV能量预测模型。这可被称为无监督学习模型、自动化数据分析模型、自动化信号提取模型等。在这种情况下，PV能量预测模型可以从该组观察结果中学习模式，而不需要标记或监督，并且可以例如通过使用聚类和/或关联来识别该组观察结果内的相关项目组来提供指示此类模式的输出。
如进一步所示，机器学习系统可以将该组观察结果划分成训练集220和测试集225，训练集包括观察结果的第一子集，测试集包括观察结果的第二子集。训练集220可用于训练(例如，拟合、调谐等)PV能量预测模型，而测试集225可用于评价使用训练集220训练的PV能量预测模型。例如，对于有监督学习，训练集220可用于使用观察结果的第一子集的初始模型训练，并且测试集225可用于测试经训练的模型是否准确预测了观察结果的第二子集中的目标变量。在一些实施方式中，机器学习系统可以通过在训练集220中包括该组观察结果的第一部分或第一百分比(例如，75％、80％或85％，等等)并且在测试集225中包括该组观察结果的第二部分或第二百分比(例如，25％、20％或15％，等等)，将该组观察结果划分成训练集220和测试集225。在一些实施方式中，机器学习系统可以随机地选择要包括在训练集220和/或测试集225中的观察结果。
如附图标记230所示，机器学习系统可以使用训练集220训练PV能量预测模型。这种训练可包括由机器学习系统执行机器学习算法以基于训练集220确定一组模型参数。在一些实施方式中，机器学习算法可以包括回归算法(例如，线性回归、逻辑回归等)，其可以包括正则回归算法(例如，Lasso回归、Ridge回归、弹性网络回归等)。另外或替代地，机器学习算法可以包括决策树算法，其可以包括树集成算法(tree ensemble algorithm)(例如，使用装袋(bagging)和/或提升(boosting)生成)、随机森林算法、提升树算法等。模型参数可以包括从输入到模型中的数据(例如，训练集220)习得的PV能量预测模型的属性。例如，对于回归算法，模型参数可以包括回归系数(例如，权重)。对于决策树算法，例如，模型参数可以包括决策树分叉位置。
如附图标记235所示，机器学习系统可以使用一个或多个超参数集240来调谐PV能量预测模型。超参数可以包括结构参数，其控制机器学习系统对机器学习算法的执行，例如施加于机器学习算法的约束。与模型参数不同，超参数不是从输入到模型中的数据习得的。正则回归算法的示例性超参数包括应用于回归系数以缓解PV能量预测模型与训练集220的过度拟合的罚分的强度(例如，权重)。可以基于系数值的大小(例如，对于Lasso回归，例如处罚大系数值)，可以基于系数值的平方大小(例如，对于Ridge回归，例如处罚较大的平方系数值)，可以基于大小和平方大小的比率(例如，对于弹性网络回归)，可以通过将一个或多个特征值设置为零(例如，对于自动特征选择)等来应用罚分。决策树算法的示例性超参数包括要应用的树集成技术(例如，装袋、提升、随机森林算法、提升树算法等)、要评估的若干特征、要使用的若干观察结果、每个决策树的最大深度(例如，允许用于决策树的分支的数量)、要包括在随机森林算法中的决策树的数目等。
为了训练PV能量预测模型，机器学习系统可以识别要使用的一组机器学习算法(例如，基于标识一个或多个机器学习算法的操作者输入，基于对一组机器学习算法的随机选择等)，并且可以使用训练集220训练该组机器学习算法(例如，对于该组中的每个机器学习算法独立地训练)。机器学习系统可以使用一个或多个超参数集240(例如，基于标识要使用的超参数集240的操作者输入，基于随机生成超参数值等)来调谐每个机器学习算法。机器学习系统可以使用特定机器学习算法和对应的超参数集240来训练特定PV能量预测模型。在一些实施方式中，机器学习系统可以训练多个PV能量预测模型以针对每个PV能量预测模型生成一组模型参数，其中每个PV能量预测模型对应于机器学习算法和针对那一机器学习算法的超参数集240的不同组合。
在一些实施方式中，机器学习系统可以在训练PV能量预测模型时执行交叉验证。可以使用交叉验证来仅使用训练集220而不使用测试集225获得PV能量预测模型性能的可靠估计，例如通过将训练集220分成若干组(例如，基于标识组数目的操作者输入，基于随机选择若干组等)以及使用这些组来估计模型性能。例如，使用k折交叉验证，训练集220中的观察结果可以(例如，按次序或随机地)分成k组。
对于训练程序，一个组可以被标记为留出组，其余组可以标记为训练组。对于训练程序，机器学习系统可以在训练组上训练PV能量预测模型，然后在留出组上测试PV能量预测模型以生成交叉验证得分。机器学习系统可以使用不同的留出组和不同的测试组来重复此训练程序，以生成每个训练程序的交叉验证得分。在一些实施方式中，机器学习系统可以独立地训练PV能量预测模型k次，其中每个个体组被用作一次留出组并且用作训练组k-1次。机器学习系统可以组合每个训练程序的交叉验证得分，以生成PV能量预测模型的总交叉验证得分。总交叉验证得分可以包括例如(例如，所有训练程序中的)平均交叉验证得分、交叉验证得分的标准偏差、交叉验证得分的标准误差等。
在一些实施方式中，机器学习系统可以通过将训练集分成若干组(例如，基于标识组数目的操作者输入，基于随机选择若干组等)来在训练PV能量预测模型时执行交叉验证。机器学习系统可以执行多个训练程序，并且可以为每个训练程序生成交叉验证得分。机器学习系统可以为与特定机器学习算法相关联的每个超参数集240生成总交叉验证得分。机器学习系统可以将与特定机器学习算法相关联的不同超参数集240的总交叉验证得分进行比较，并且可以选择具有用于训练PV能量预测模型的最佳(例如，最高准确性、最低误差、最接近所需阈值等)总交叉验证得分的超参数集240。
然后，机器学习系统可以使用所选的超参数集240来训练PV能量预测模型，而不进行交叉验证(例如，使用训练集220中的所有数据而没有任何留出组)，以生成用于特定机器学习算法的单个PV能量预测模型。然后，机器学习系统可以使用测试集225测试此PV能量预测模型以生成性能得分，例如均方误差(例如，对于回归)、平均绝对误差(例如，对于回归)、接收器操作特征曲线下方的面积(例如，对于分类)等。如果PV能量预测模型充分地执行(例如，具有满足阈值的性能得分)，则机器学习系统可以将该PV能量预测模型存储为训练过的PV能量预测模型245以用于分析新观察结果，如下文结合图3所述。
在一些实施方式中，机器学习系统可以如上所述对多种机器学习算法(例如，独立地)执行交叉验证，例如正则回归算法、决策树算法等。基于对多种机器学习算法执行交叉验证，机器学习系统可以生成多个PV能量预测模型，其中每个PV能量预测模型针对对应机器学习算法具有最佳总交叉验证得分。然后，机器学习系统可以使用整个训练集220训练每个PV能量预测模型(例如，没有交叉验证)，并且可以使用测试集225测试每个PV能量预测模型以生成每个PV能量预测模型的对应性能得分。PV能量预测模型可以比较每个PV能量预测模型的性能得分，并且可以选择具有最佳(例如，最高准确度、最低误差、最接近所需阈值等)性能得分的PV能量预测模型作为训练过的PV能量预测模型245。
如上所述，提供图2作为示例。其它示例可以与结合图2所描述的不同。例如，可以使用与结合图2描述的不同的过程来训练PV能量预测模型。另外或替代地，PV能量预测模型可以采用不同于结合图2描述的机器学习算法，例如贝叶斯估计算法、k最近邻算法、先验算法、k均值算法、支持矢量机算法、神经网络算法(例如，卷积神经网络算法)、深度学习算法等。
图3是示出向新观察结果应用训练过的PV能量预测模型的示例300的图。新观察结果可以被输入到存储训练过的PV能量预测模型305的机器学习系统。在一些实施方式中，训练过的PV能量预测模型305可以是上文结合图2描述的训练过的PV能量预测模型245。机器学习系统可包括计算装置、服务器、云计算环境等，例如功率控制系统104。
如附图标记310所示，机器学习系统可以接收新观察结果(或一组新观察结果)，并且可以将新观察结果输入到PV能量预测模型305。如图所示，例如，新观察结果可包括第一特征：太阳辐照度、第二特征：太阳辐射量、第三特征：与新观察结果相关联的日期和/或时间等。机器学习系统可以将训练过的PV能量预测模型305应用于新观察结果以生成输出(例如，结果)。输出的类型可以取决于PV能量预测模型的类型和/或正在执行的机器学习任务的类型。
例如，输出可以包括目标变量的预测(例如估计)值(例如，连续值域内的值、离散值、标签、类别、分类等)，例如当采用有监督学习时。另外或替代地，输出可包括标识新观察结果所属集群的信息、指示新观察结果与一个或多个先前观察结果之间的相似性程度的信息(例如，其可能先前是输入到PV能量预测模型的新观察结果和/或用于训练PV能量预测模型的观察结果)等，例如当采用无监督学习时。
在一些实施方式中，训练过的PV能量预测模型305可以预测可用于由PV能量资源106在后续时间段内针对新观察结果的目标变量“可用能量”而提供的能量的量，如附图标记315所示。基于这一预测，机器学习系统可以执行自动化动作和/或可以使自动化动作被执行(例如，通过指示另一装置执行自动化动作)，例如指示PV能量资源106的ECM将目标变量提供至功率控制系统104的ECM和/或负载配置文件预测模型的机器学习系统。
在一些实施方式中，训练过的PV能量预测模型305可以将新观察结果分类(例如，聚类)在天气预报高可靠性集群中，如附图标记320所示。集群内的观察结果可具有阈值相似性程度。基于将新观察结果分类在天气预报高可靠性集群中，机器学习系统可以提供建议，例如指示与PV能量资源106在后续时间段内可提供的能量的预测量相关联的高可靠性的信息。另外或替代地，机器学习系统可以执行自动化动作和/或可以使自动化动作被执行(例如，通过指示另一装置执行自动化动作)，例如向功率控制系统104的ECM和/或负载配置文件预测模型的机器学习系统提供指示天气预报的可靠性的信息。
作为另一示例，如果机器学习系统将把新观察结果分类在天气预报低可靠性集群中，那么机器学习系统可以提供不同的建议(例如，指示应当获得新的和/或更新的天气预报的信息(例如，来自不同来源的天气预报))和/或可以执行或导致执行不同的自动化动作(例如，从相同来源和/或从不同来源获得新的和/或更新的天气预报)。
通过这种方式，机器学习系统可以应用严谨且自动化的过程来预测PV能量资源106可在后续时间段期间提供的能量的量。机器学习系统使得能够发现和/或识别多个观察结果的多个特征和/或特征值，由此，相对于需要为多个操作者分配计算资源以尝试使用特征或特征值手动地预测PV能量资源106在后续时间段内可以提供的能量的量，提高了预测PV能量资源106在后续时间段内可以提供的能量的量的准确性和一致性。
如上所述，提供图3作为示例。其它示例可以与结合图3所描述的不同。
图4是示出训练负载配置文件预测模型的示例400的图。可以使用机器学习系统来执行本文所述的负载配置文件预测模型训练。机器学习系统可包括计算装置、服务器、云计算环境等，例如功率控制系统104。
如附图标记405所示，可以使用一组观察结果来训练负载配置文件预测模型。可以从历史数据获得和/或输入该组观察结果，所述历史数据例如是使用本文所述的一个或多个过程收集的数据。例如，该组观察结果可包括与从发动机108的ECM和/或与功率控制系统104的用户交互和/或该功率控制系统的用户输入接收的负载配置文件相关联的数据，如本文其它地方所述。
如附图标记410所示，可以从该组观察结果导出特征集。在一些实施方式中，机器学习系统可以通过类似于上文关于图2所述的方式的方式，基于从功率控制系统104接收的输入来确定特定观察结果的变量值。
例如，观察结果可以是与过去的时间段相关联的负载配置文件(例如，历史负载配置文件)。如图4中所示，一组历史负载配置文件的特征集可包括第一特征：功率需求、第二特征：日期、第三特征：时间段，等等。这些特征和特征值被作为示例提供，在其它示例中可以不同。在一些实施方式中，机器学习系统可以预处理和/或执行降维以化简特征集和/或将特征集的特征组合成最小特征集。可以在最小特征集上训练负载配置文件预测模型，从而节约用于训练负载配置文件预测模型的机器学习系统的资源(例如，处理资源、存储器等)。
如附图标记415所示，该组观察结果可以与目标变量类型预测负载配置文件相关联。目标变量类型预测负载配置文件可以指后续时间段内的预测负载配置文件。目标变量类型可以表示具有数值的变量(例如，整数值、浮点值等)，可以表示数值落在一值域之内或具有一些离散的可能值的变量，可以表示可从多个选项之一(例如，多个类别、分类、标签等之一)选择的变量，可以表示具有布尔值的变量(例如，0或1、真或假、是或否)等。目标变量类型可以与目标变量值相关联，并且目标变量值可以是特定于观察结果的。在一些情况下，不同的观察结果可以与不同的目标变量值相关联。
在一些实施方式中，可以通过类似于上文关于图2所述的方式的方式针对不包括目标变量(或包括目标变量，但不执行负载配置文件预测模型来预测目标变量)的一组观察结果来训练负载配置文件预测模型。
如进一步所示，机器学习系统可以将该组观察结果划分成训练集420和测试集425，训练集包括该组观察结果的观察结果的第一子集，测试集包括该组观察结果的观察结果的第二子集。训练集420可用于训练(例如，拟合、调谐等)负载配置文件预测模型，而测试集425可用于以类似于上文关于图2所论述的方式来评估使用训练集420训练的负载配置文件预测模型。
图5是示出向新观察结果应用经训练的负载配置文件预测模型的示例500的图。新观察结果可以被输入到存储训练过的负载配置文件预测模型505的机器学习系统。在一些实施方式中，训练过的负载配置文件预测模型505可以是上文结合图4描述的训练过的负载配置文件预测模型445。机器学习系统可包括计算装置、服务器、云计算环境等，例如功率控制系统104。
如附图标记510所示，机器学习系统可以接收新观察结果(或一组新观察结果)，并且可以将新观察结果输入到负载配置文件预测模型505。如图所示，作为示例，新观察结果可包括第一特征：功率需求、第二特征：与功率需求相关联的日期、第三特征：与功率需求相关联的时间，等等。机器学习系统可以通过类似于上文关于图3所论述的方式将训练过的负载配置文件预测模型505应用于新观察结果，以生成输出(例如，结果)。
在一些实施方式中，训练过的负载配置文件预测模型505可以针对新观察结果的目标变量预测负载配置文件预测后续时间段的负载配置文件，如附图标记515所示。基于这种预测，机器学习系统可确定在后续时间段内可用于由PV能量资源106供应的能量的预测量是否足以满足与预测负载配置文件相关联的功率需求。另外或替代地，机器学习系统可以执行自动化动作和/或可以使自动化动作被执行(例如，通过指示另一装置执行自动化动作)，例如修改初始供电计划以生成最终供电计划，如本文其它地方所论述。
在一些实施方式中，如附图标记520所示，训练过的负载配置文件预测模型505可以通过与上文关于图3所述的方式类似的方式，在后续时间段内PV能量资源106供应的可用能量的预测量超过与预测负载配置文件相关联的功率需求时将新观察结果分类(例如，聚类)在“过量集群”中，在后续时间段内PV能量资源106供应的可用能量的预测量等于与预测负载配置文件相关联的功率需求时将新观察结果分类在“足量集群”中，并且在后续时间段内PV能量资源106供应的可用能量的预测量不足以满足与预测负载配置文件相关联的功率需求时将新观察结果分类在“不足集群”中。
通过这种方式，机器学习系统可以应用严谨且自动化的过程以确定供电计划。机器学习系统使得能够发现和/或识别多个观察结果的多个特征和/或特征值，从而相对于需要为多个操作者分配计算资源以使用所述特征或特征值手动地确定供电计划，提高了确定供电计划的准确性和一致性。
如上所述，提供图5作为示例。其它示例可以与结合图5所描述的不同。
图6是用于控制多个电力资源的示例性过程600的流程图。图6的一个或多个过程框可以由功率控制系统104执行。另外或替代地，图6的一个或多个过程框可以由与功率控制系统104分开或包括该功率控制系统的另一装置或一组装置执行，例如PV能量资源106的ECM、发动机108的ECM和/或电池110的ECM。
如图6中所示，过程600可包括接收负载的功率需求(框602)。例如，功率控制系统的优化器模块可以从发动机的ECM接收负载配置文件。如上所述，负载配置文件可以指示一段时间内的功率需求，并且功率控制系统(例如，优化器模块)可以基于负载配置文件确定功率需求。
如图6中进一步所示，过程600可包括接收一段时间的天气预报(框604)。例如，如上所述，优化器模块可以从PV能量资源的天气来源和/或ECM接收天气预报。
如图6中进一步所示，过程600可包括基于天气预报确定该时间段内可从光伏(PV)设施获得的第一功率供应(框606)。例如，如上所述，优化器模块可以基于天气预报来确定在该时间段内可从PV能量资源获得的第一功率供应。
在一些实施方式中，功率控制系统可以获得多个历史天气数据(例如，先前时间段的天气预报)。功率控制系统可生成用于确定第一功率供应的模型，且可使用所述模型处理历史天气数据以确定第一功率供应。
在一些实施方式中，当生成模型时，功率控制系统可以执行训练操作。功率控制系统可以将历史天气数据分成训练集、验证集和测试集，并且可以使用训练集来拟合模型，使用验证集来提供模型拟合的评估，并且可以使用测试集来提供针对训练集的模型评估。
如图6中进一步所示，过程600可包括基于功率需求和第一功率供应来确定该时间段内的电力短缺(框608)。例如，如上所述，优化器模块可以基于功率需求和可用于由PV能量资源提供的功率供应来确定该时间段内的电力短缺。
如图6中进一步所示，过程600可包括确定在该时间段内与利用可从电池获得的第二功率供应相关联的第一成本(框610)。例如，如上所述，优化器模块可以确定与利用电池供应足够的能量以满足电力短缺相关联的电池成本。
如图6中进一步所示，过程600可包括确定在该时间段内与利用可从发动机获得的第三功率供应相关联的第二成本(框612)。例如，如上所述，优化器模块可以确定与利用发动机供应足够的能量以满足电力短缺相关联的发动机成本。
如图6中进一步所示，过程600可包括基于第一成本和第二成本确定克服电力短缺的电源(框614)。例如，优化器模块可以基于第一成本和第二成本确定克服电力短缺的电源。所述电源包括如上所述的电池或发动机中的至少一个。
如图6中进一步所示，过程600可包括向PV设施和该电源发送请求，以使得PV设施和电源供应电力以满足负载的功率需求(框616)。例如，如上所述，功率控制系统的监管模块可以将控制信息发送至PV能量资源和电池或发动机中的至少一者，以使PV能量资源和电池或发动机中的至少一者供应电力以在负载配置文件中指定的时间段内满足负载的功率需求。
过程600可包括附加的实施方式，如上文中描述和/或结合本文别处所述的一个或多个其它过程描述的任何单个实施方式或实施方式的任何组合。
图7是用于确定利用电池供电的成本的示例性过程700的流程图。图7的一个或多个过程框可以由功率控制系统104执行。另外或替代地，图7的一个或多个过程框可以由与功率控制系统104分开或包括该功率控制系统的另一装置或一组装置执行，例如PV能量资源106的ECM、发动机108的ECM和/或电池110的ECM。
如图7所示，过程700可包括确定与对电池充电相关联的成本(框702)。例如，如上所述，功率控制系统可以确定与对电池充电相关联的成本。
如图7中进一步所示，过程700可包括确定与和将电池用作电源相关联的双向损失相关联的成本(框704)。例如，如上所述，功率控制系统可以确定与和将电池用作电源相关联的双向损失相关联的成本。
如图7中进一步所示，过程700可包括确定与电池的使用年限相关联的第一劣化因子(框706)。例如，如上所述，功率控制系统可以确定与电池的使用年限相关联的第一劣化因子。
如图7中进一步所示，过程700可包括确定与电池的荷电状态相关联的第二劣化因子(框708)。例如，如上所述，功率控制系统可以确定与电池的荷电状态相关联的第二劣化因子。
如图7中进一步所示，过程700可包括确定与周期计数、周期深度和/或电池温度相关联的第三劣化因子(框710)。例如，如上所述，功率控制系统可以确定与周期计数、周期深度和/或电池温度相关联的第三劣化因子。
如图7中进一步所示，过程700可包括基于与对电池充电相关联的成本、与和将电池用作电力资源相关联的双向损失相关联的成本、第一劣化因子、第二劣化因子和第三劣化因子来确定利用电池的成本(框712)。例如，如上所述，功率控制系统可以基于与对电池充电相关联的成本、与和将电池用作电力资源相关联的双向损失相关联的成本、第一劣化因子、第二劣化因子和第三劣化因子来确定利用电池的成本。
过程700可包括附加的实施方式，如上文中描述和/或结合本文别处所述的一个或多个其它过程描述的任何单个实施方式或实施方式的任何组合。
图8是用于确定利用电力资源供电的成本的示例性过程800的流程图。图8的一个或多个过程框可以由功率控制系统104执行。另外或替代地，图8的一个或多个过程框可以由与功率控制系统104分开或包括该功率控制系统的另一装置或一组装置执行，例如PV能量资源106的ECM、发动机108的ECM和/或电池110的ECM。
如图8中所示，过程800可包括确定由电力资源利用的燃料的类型(框802)。例如，如上所述，功率控制系统可以确定由发动机利用的燃料的类型。
如图8中进一步所示，过程800可包括确定由电力资源利用的燃料类型的成本(框804)。例如，如上所述，功率控制系统可以确定由发动机利用的燃料类型的成本。
如图8中进一步所示，过程800可包括确定由电力资源利用以产生单位能量的该类型燃料的量(框806)。例如，如上所述，功率控制系统可以确定由发动机用来产生单位能量的该类型燃料的量。
如图8中进一步所示，过程800可包括基于该燃料类型的成本以及由电力资源利用以产生单位能量的该类型燃料的量来确定利用该电力资源的成本(框808)。例如，如上所述，功率控制系统可以基于该类型燃料的成本和由发动机利用以产生单位能量的该类型燃料的量来确定利用发动机的成本。
过程800可包括附加的实施方式，如上文中描述和/或结合本文别处所述的一个或多个其它过程描述的任何单个实施方式或实施方式的任何组合。
图9是用于控制多个电力资源的示例性过程900的图。主控制器(例如，功率控制系统104)可以按类似于上文关于图1所描述的方式的方式接收指示功率需求的负载配置文件。如图9中所示，主控制器确定可从多个电力资源(例如，PV能量资源106、发动机108和/或电池110)获得的有功功率的量和无功功率的量。在一些实施方式中，主控制器基于能量图，例如用于多个电力资源的能量图，确定有功功率的量，如图10所示。图10描绘了示例性应用，其中PV能量资源106可以提供电力用于所请求的负载和对电池充电，并且在存在过量能量的情况下可以被缩减。
在一些实施方式中，主控制器可以通过类似于上文关于图1所描述的方式的方式确定与PV能量资源相关联的能量的量足以满足功率需求。在这些实施方式中，主控制器可进入不用电池的最大可再生模式。在不用电池的最大可再生模式中，主控制器以类似于上文关于图1所描述的方式的方式，仅使由PV能量资源提供的电力被提供到负载。
在一些实施方式中，主控制器可以确定与PV能量资源相关联的能量的量不足以满足功率需求。在这些实施方式中，主控制器可进入用电池的最大可再生模式。在用电池的最大可再生模式中，主控制器以类似于上文关于图1所描述的方式的方式确定利用PV能量资源和电池或发动机中的至少一者向负载提供电力。
如上所述，提供图9作为示例。其它示例可以与结合图9所描述的不同。
工业适用性
微电网站点利用多个电力资源向负载提供能量。例如，微电网站点可包括配置成向负载提供电能的光伏(PV)设施、电池和/或发动机。与电力资源相关联的优化方案可用于确定与所述多个电力资源相关联的最具成本效益的能量输出。
然而，来自PV设施的可用能量的供应可取决于当前天气条件。虽然优化方案可使用当前天气条件来确定与多个电力资源相关联的最具成本效益的能量输出，但优化方案可能不会考虑未来的天气条件和未来天气条件可能对来自PV设施的可用能量供应的影响。由于不会考虑未来的天气条件和未来天气条件可能对来自PV设施的可用能量供应的影响，优化方案可能无法最小化与多个电力资源的能量输出相关联的总成本。
如图11中所示，功率控制系统利用机器学习来确定最小化与多个电力资源的能量输出相关联的总成本的优化方案。例如，在接收到负载请求(例如，负载配置文件)时，功率控制系统获得天气信息(例如，天气预报)并且提供未来时间段的天气信息作为PV模型(例如，PV能量预测模型)的输入。如本文所述，PV模型输出在一段时间内可从PV能量资源获得的能量的量。
发电机组健康模型接收与微电网站点中包括的一个或多个发动机相关联的发动机信息作为输入，并输出发动机成本信息。电池寿命和损伤模型接收与微电网站点中包括的一个或多个电池相关联的电池信息作为输入，并输出电池成本信息。如本文所述，预测模型(例如，负载配置文件预测模型)接收历史负载配置文件作为输入并输出预测的负载配置文件。功率控制系统将可从PV能量资源获得的能量的量、发动机成本信息、电池成本信息以及预测的负载配置文件输入到配电模型中，以确定用于向负载供应能量的供电计划。
因为功率控制系统考虑未来的天气条件和未来天气条件可能对来自PV设施的可用能量供应的影响，优化方案最小化了与多个电力资源的能量输出相关联的总成本。
如本文所使用，冠词“一(a)”和“一(an)”旨在包括一个或多个物品，且可与“一个或多个”互换使用。此外，如本文中所使用，术语“具有(has)”、“具有(have)”、“具有(having)”等旨在为开放式术语。此外，短语“基于”意图表示“至少部分地基于”。
以上公开提供了说明和描述，但并不意图为详尽的或将实施方式限制为所公开的精确形式。修改和变化可鉴于上述公开做出，或者可从实施方式的实践中获取。说明书旨在仅被认为是示例性的，本公开的真实范围由下文的权利要求书及其等同物限定。即使特征的特定组合在权利要求书中叙述和/或在说明书中公开，这些组合也并非旨在限制各种实施方式的公开。尽管下面列出的每个从属权利要求可直接从属于仅一项权利要求，但各种实施方式的公开内容包括与权利要求集中的每个其它权利要求组合的每个从属权利要求。

Claims (10)

1.一种方法，所述方法包括：
由功率控制系统的优化器模块接收负载的功率需求；
由所述优化器模块接收一时间段的天气预报；
由所述优化器模块基于所述天气预报确定所述时间段内可从光伏(PV)设施获得的第一功率供应；
由所述优化器模块基于所述功率需求和所述第一功率供应确定所述时间段内的电力短缺；
由所述优化器模块确定在所述时间段内与利用可从电池获得的第二功率供应相关联的第一成本；
由所述优化器模块确定在所述时间段内与利用可从发动机获得的第三功率供应相关联的第二成本；
由所述优化器模块基于第一成本和第二成本确定电源以克服电力短缺，
其中，所述电源包括所述电池或所述发动机中的至少一者；以及
由所述功率控制系统的监管模块向所述PV设施和所述电源发送请求，以使所述PV设施和所述电源供应电力以满足所述负载的所述功率需求。
2.根据权利要求1所述的方法，其中，确定所述第一功率供应包括：
利用机器学习来确定所述第一功率供应。
3.根据权利要求1-2中任一项所述的方法，其中，确定所述第一功率供应包括：
获得多个历史天气数据；
生成用于确定所述第一功率供应的模型；以及
使用所述模型处理所述历史天气数据以确定所述第一功率供应。
4.根据权利要求3所述的方法，还包括：
当通过将所述历史天气数据分成训练集、验证集和测试集来生成所述模型时，执行训练操作，
其中，执行所述训练操作包括：
使用所述训练集来拟合所述模型，
使用所述验证集提供所述模型的拟合的评估，以及
使用所述测试集针对所述训练集提供所述模型的评估。
5.根据权利要求1-4中任一项所述的方法，其中，确定所述第一成本包括如下至少一项操作：
确定与对所述电池充电相关联的成本；或者
确定与和利用所述电池作为电力资源相关联的双向损失相关联的成本。
6.一种装置，包括：
一个或多个存储器；以及
通信地耦接到所述一个或多个存储器的一个或多个处理器，所述一个或多个处理器配置成：
接收负载的功率需求；
接收一时间段的天气预报；
基于所述天气预报确定所述时间段内可从光伏(PV)设施获得的第一功率供应；
基于所述功率需求和所述第一功率供应确定所述时间段内的电力短缺；
确定在所述时间段内与利用可从电池获得的第二功率供应相关联的第一成本；
确定在所述时间段内与利用可从发动机获得的第三功率供应相关联的第二成本；
基于所述第一成本和所述第二成本确定电源以克服所述电力短缺，
其中，所述电源包括所述电池或所述发动机中的至少一者；以及
向所述PV设施和所述电源发送请求，以使所述PV设施和所述电源供应电力以满足所述负载的所述功率需求。
7.根据权利要求6所述的装置，其中，确定所述电源包括：
利用机器学习来确定所述电源。
8.根据权利要求6-7中任一项所述的装置，其中，确定电源包括：
获得多个历史负载配置文件；
生成用于确定所述电源的模型；
使用所述模型处理所述历史负载配置文件以确定预测的负载配置文件；以及
基于所述预测的负载配置文件和所述第一功率供应确定所述电源。
9.根据权利要求6-8中任一项所述的装置，其中，确定所述第一成本包括如下至少一项操作：
确定与对所述电池充电相关联的成本；或者
确定与和利用所述电池作为电力资源相关联的双向损失相关联的成本。
10.根据权利要求6-9中任一项所述的装置，其中，确定所述第一成本包括如下至少一项操作：
确定与所述电池的使用年限相关联的第一劣化因子；
确定与所述电池的荷电状态相关联的第二劣化因子；或者
确定与和电池相关联的周期计数相关联的第三劣化因子。
CN202110226564.7A 2020-03-03 2021-03-01 用于利用机器学习的多电力资源管理的微电网站点预测控制 Pending CN113364062A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/808,181 US11251620B2 (en) 2020-03-03 2020-03-03 Micro-grid site predictive control for multipower resource management with machine learning
US16/808,181 2020-03-03

Publications (1)

Publication Number Publication Date
CN113364062A true CN113364062A (zh) 2021-09-07

Family

ID=74661244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110226564.7A Pending CN113364062A (zh) 2020-03-03 2021-03-01 用于利用机器学习的多电力资源管理的微电网站点预测控制

Country Status (4)

Country Link
US (1) US11251620B2 (zh)
EP (1) EP3876378A1 (zh)
CN (1) CN113364062A (zh)
AU (1) AU2021201097A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116404647A (zh) * 2023-06-09 2023-07-07 山东大学 计及动态汇聚特性的分布式光伏短期功率预测方法及系统
CN117526443A (zh) * 2023-11-07 2024-02-06 北京清电科技有限公司 一种基于新型电力系统的配电网优化调控方法及系统
CN117977664A (zh) * 2024-04-02 2024-05-03 国网山东省电力公司诸城市供电公司 一种微电网储能控制系统、方法、设备及介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11875371B1 (en) 2017-04-24 2024-01-16 Skyline Products, Inc. Price optimization system
US11641177B2 (en) 2019-02-08 2023-05-02 8Me Nova, Llc Coordinated control of renewable electric generation resource and charge storage device
US11329487B2 (en) * 2020-06-25 2022-05-10 General Electric Renovables Espana, S.L. System and method for controlling a power generating system
US20220077812A1 (en) * 2020-09-10 2022-03-10 Eric Robert ANDERSON Electricity Generation System and Method
EP4117134A1 (en) * 2021-07-08 2023-01-11 Galooli Ltd Systems and methods for maximizing solar energy usage and optimizing non-renewable energy sources
US11936184B2 (en) * 2021-08-19 2024-03-19 Caterpillar Inc. Systems and methods for operating hybrid power system by combining prospective and real-time optimizations
US11962156B2 (en) 2021-08-19 2024-04-16 Caterpillar Inc. Systems and methods for constrained optimization of a hybrid power system that accounts for asset maintenance and degradation
WO2023069161A1 (en) * 2021-10-20 2023-04-27 8Me Nova, Llc Target function prioritization of control modes for renewable electric generation resource and charge storage device
FR3128835A1 (fr) * 2021-10-28 2023-05-05 Sagemcom Energy & Telecom Sas Optimisation de l’utilisation d’un groupe électrogène
CN114172840B (zh) * 2022-01-17 2022-09-30 河海大学 一种基于图论和深度强化学习的多微网系统能量路由方法
EP4329149A1 (en) * 2022-08-26 2024-02-28 Rolls-Royce Solutions Augsburg GmbH Controller for a number of components of a hybrid electrical-power system of a hybrid microgrid, hybrid electrical-power system and hybrid microgrid
CN116307652A (zh) * 2023-05-25 2023-06-23 华北电力大学 一种智能电网人工智能资源分配方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7274975B2 (en) 2005-06-06 2007-09-25 Gridpoint, Inc. Optimized energy management system
US8600571B2 (en) 2008-06-19 2013-12-03 Honeywell International Inc. Energy optimization system
US8892264B2 (en) 2009-10-23 2014-11-18 Viridity Energy, Inc. Methods, apparatus and systems for managing energy assets
US9244444B2 (en) * 2011-03-07 2016-01-26 Callida Energy Llc Systems and methods for optimizing energy and resource management for building systems
US9438041B2 (en) * 2012-12-19 2016-09-06 Bosch Energy Storage Solutions Llc System and method for energy distribution
CN103996075A (zh) 2014-05-08 2014-08-20 南方电网科学研究院有限责任公司 考虑柴蓄协调增效的微电网多目标优化调度方法
US9645596B1 (en) 2016-11-23 2017-05-09 Advanced Microgrid Solutions, Inc. Method and apparatus for facilitating the operation of an on-site energy storage system to co-optimize battery dispatch
US10324483B2 (en) * 2017-01-12 2019-06-18 Johnson Controls Technology Company Building energy storage system with peak load contribution cost optimization
CN106786547A (zh) 2017-01-12 2017-05-31 沃太能源南通有限公司 一种新型微网系统以及基于该系统的组网调度方法
EP3580719A4 (en) * 2017-02-13 2020-09-16 Griddy Holdings LLC PROCEDURES AND SYSTEMS FOR AN AUTOMATED SUPPLY MARKET PLATFORM
CN107039975B (zh) 2017-05-27 2020-03-24 上海电气分布式能源科技有限公司 一种分布式能源系统能量管理方法
US20190036341A1 (en) * 2017-07-26 2019-01-31 Nec Laboratories America, Inc. Method for Operation of Energy Storage Systems to Reduce Demand Charges and Increase Photovoltaic (PV) Utilization
US11011913B2 (en) * 2019-01-25 2021-05-18 Flex Power Control, Inc. Multifunction power management system

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116404647A (zh) * 2023-06-09 2023-07-07 山东大学 计及动态汇聚特性的分布式光伏短期功率预测方法及系统
CN116404647B (zh) * 2023-06-09 2023-08-29 山东大学 计及动态汇聚特性的分布式光伏短期功率预测方法及系统
CN117526443A (zh) * 2023-11-07 2024-02-06 北京清电科技有限公司 一种基于新型电力系统的配电网优化调控方法及系统
CN117526443B (zh) * 2023-11-07 2024-04-26 北京清电科技有限公司 一种基于电力系统的配电网优化调控方法及系统
CN117977664A (zh) * 2024-04-02 2024-05-03 国网山东省电力公司诸城市供电公司 一种微电网储能控制系统、方法、设备及介质

Also Published As

Publication number Publication date
EP3876378A1 (en) 2021-09-08
AU2021201097A1 (en) 2021-09-23
US11251620B2 (en) 2022-02-15
US20210281077A1 (en) 2021-09-09

Similar Documents

Publication Publication Date Title
US11251620B2 (en) Micro-grid site predictive control for multipower resource management with machine learning
CN109462231B (zh) 居民微电网的负荷优化调度方法、系统和存储介质
CN107039975B (zh) 一种分布式能源系统能量管理方法
US20170262007A1 (en) Multi-agent oriented method for forecasting-based control with load priority of microgrid in island mode
Dufo-López et al. Daily operation optimisation of hybrid stand-alone system by model predictive control considering ageing model
CN111626527B (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN107565607A (zh) 一种基于实时电价机制的微电网多时间尺度能量调度方法
CN107017625B (zh) 用于独立微电网的能量动态调度的方法和设备
Liu et al. Fast stability scanning for future grid scenario analysis
KR20200119367A (ko) 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법
CN113258561A (zh) 一种基于多属性决策的多种分布式电源的微电网多目标优化调度方法
Pinto et al. Coping with wind power uncertainty in unit commitment: A robust approach using the new hybrid metaheuristic deepso
CN116151486A (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
TWI639962B (zh) 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法
Mandal et al. Optimal design of a hybrid power system using a new improved particle swarm optimization technique
Kaddah et al. Probabilistic unit commitment in multi-area grids with high renewable energy penetration by using dynamic programming based on Neural Network
CN113537575B (zh) 一种含分布式光伏和电动汽车并网的趋势负荷预测方法
CN113949084B (zh) 一种基于非线性分位数区间预测的充放电优化调度方法
Wang et al. Energy management of microgrid based on day-ahead and short-term optimisation
CN117175695B (zh) 一种基于柴油发电机组的光伏微网发电方法及系统
CN113078691B (zh) 一种含电动汽车的微电网多目标负荷调度方法
CN117578534B (zh) 光伏储能系统的调度方法、装置、设备及存储介质
CN116454983B (zh) 一种风光储联合最优控制管理方法、系统及设备
Cardoso et al. Intelligent Micro-Cogeneration Systems for Residential Grids: A Sustainable Solution for Efficient Energy Management. Energies 2023, 16, 5215
Junhuathon et al. Planning for battery energy storage systems control to enhance stability of the microgrid using power forecasting

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