CN113487246A - 一种基于人工智能的蓄电站选址方法及系统 - Google Patents

一种基于人工智能的蓄电站选址方法及系统 Download PDF

Info

Publication number
CN113487246A
CN113487246A CN202111037734.3A CN202111037734A CN113487246A CN 113487246 A CN113487246 A CN 113487246A CN 202111037734 A CN202111037734 A CN 202111037734A CN 113487246 A CN113487246 A CN 113487246A
Authority
CN
China
Prior art keywords
candidate
power station
station
model
reservoir
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111037734.3A
Other languages
English (en)
Other versions
CN113487246B (zh
Inventor
程紫薇
顾亚英
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.)
Nantong Gaojingshuke Machinery Co ltd
Original Assignee
Nantong Gaojingshuke Machinery 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 Nantong Gaojingshuke Machinery Co ltd filed Critical Nantong Gaojingshuke Machinery Co ltd
Priority to CN202111037734.3A priority Critical patent/CN113487246B/zh
Publication of CN113487246A publication Critical patent/CN113487246A/zh
Application granted granted Critical
Publication of CN113487246B publication Critical patent/CN113487246B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

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

Abstract

本发明涉及电站选址领域，并公开了一种基于人工智能的蓄电站选址系统及方法。选址系统包括数据采集模块、地理影像采集模块、建模模块和蓄电站选址系统；选址方法有以下步骤：确定建立蓄电站的候选区域，获取候选区域的地理信息，根据地形地貌信息确定上下水库的候选站点，再利用构建的分析模型、评估模型等获取抽水蓄能电站的最佳组合站点。本发明通过一个数据驱动的、多层面的决策系统，获取抽水蓄能站址的理想站点组合，基于综合评估模型对理想站点组合集合进行评估，获取最终的最佳站点，提高综合可再生能源的效益，极大地节省了抽水蓄能电站选址布局的人力物力投入，提高了选址工作的效率。

Description

一种基于人工智能的蓄电站选址方法及系统
技术领域
本发明涉及电站选址领域，具体涉及一种基于人工智能的蓄电站选址方法及系统。
背景技术
抽水蓄能电站是一种利用负荷低谷时的多余电能将下水库的水抽至上水库,在负荷高峰时放水发电的特殊形式水电站,有调峰填谷、储量大、可调频和调相等优势。抽水蓄能电站作为大规模储能技术，可降低电机组运行维护费用、延长机组寿命；有效降低电场并网运行对电网的冲击，提高电场和电网运行的协调性以及电网运行的安全稳定性。
抽水蓄能电站选址的合理性、科学性、可靠性和经济型直接影响电站的安全与运营效益。目前在抽水蓄能电站选址方面的研究不多，在选址过程中还是以人工勘测，并且现有技术中储能电站选址方法需要专家建立效益指标进行评判，存在较大的主观性和不确定性，并且存在没有充分利用客观数据所提供信息不足等问题。
发明内容
为了克服上述现有技术的缺点，本发明的目的是提供基于人工智能的蓄电站选址方法及系统，包括以下步骤：
S1：获取区域电网中供电电源的位置和运行数据、区域电网中用户用电分布和用电量数据，确定建立抽水蓄能电站的候选区域。
S2: 利用无人机搭载激光雷达、RGB相机获取地面的三维地形数据和地形表面的RGB图像，用于后续抽水蓄能电站数据的分析。
S3:通过对激光雷达数据和RGB图像数据进行处理，开发建立地理信息系统数据库，并基于抽水蓄能电站上水库与下水库的位置关系确定抽水蓄能电站的候选站点。
S4：对理想组合站点的风险程度以及平峰填谷效果进行预测，构建综合评估模型，并基于此获取抽水蓄能电站的最佳组合站点。
利用获取的区域电网的运行数据建立区域电网供电电源的热度图与电网用户的热度图，通过区域电网供电电源的热度图与电网用户的热度图表示供电电源及用户用电负荷的空间分布图；利用区域内的供电电源与电网用户负荷建立约束条件，根据该建立的约束条件在空间分布图选取抽水蓄能电站的候选区域。
其中，约束条件的表达式为：
Figure DEST_PATH_IMAGE001
式中：
Figure 660200DEST_PATH_IMAGE002
是年内第
Figure 217913DEST_PATH_IMAGE002
月；
Figure DEST_PATH_IMAGE003
是该月第
Figure 213551DEST_PATH_IMAGE003
日；
Figure 148009DEST_PATH_IMAGE004
是该日第
Figure 954422DEST_PATH_IMAGE004
个时段；
Figure DEST_PATH_IMAGE005
为在第
Figure 239910DEST_PATH_IMAGE002
月的第
Figure 508080DEST_PATH_IMAGE003
日的第
Figure 297045DEST_PATH_IMAGE004
个时段内第
Figure 743201DEST_PATH_IMAGE006
种可控供电电源的可调容量；
Figure DEST_PATH_IMAGE007
为可控供电电源的种类总数；
Figure 47143DEST_PATH_IMAGE008
表示可控供电电源；
Figure DEST_PATH_IMAGE009
为在第
Figure 400895DEST_PATH_IMAGE002
月的第
Figure 44366DEST_PATH_IMAGE003
日的第
Figure 176270DEST_PATH_IMAGE004
个时段内第
Figure 170771DEST_PATH_IMAGE010
种不可控供电电源在高峰时段的有效容量，
Figure DEST_PATH_IMAGE011
为不可控供电电源的种类总数
Figure 325284DEST_PATH_IMAGE012
表示不可控供电电源；
Figure DEST_PATH_IMAGE013
是用电高峰时段，
Figure 354420DEST_PATH_IMAGE014
是第
Figure 391646DEST_PATH_IMAGE002
月的第
Figure 873443DEST_PATH_IMAGE003
日的日高峰时段用电量。
地理信息数据模型按照以下步骤构建：
对获取的RGB图像进行地物提取，检测地面的公路、水源等；
根据绝对高程或设定阈值去除明显异常点，从提取出的地面点中抽取一定密度的点用来建立地形表面数字高程模型，利用高分辨率的RGB图像构建数字正射影像模型；
利用地形表面数字高程模型数据完成等高线的生成及注记高程点的自动赋值，基于数字正射影像模型或数字立体测图的方法来获得地物和地貌元素，从而完成地形要素数据的采集，通过地物采集所获得的矢量数据和等高线矢量数据进行叠加生成所需的数字地形图。
获取的候选区域内水系的高程信息为
Figure DEST_PATH_IMAGE015
，当
Figure 568998DEST_PATH_IMAGE016
的水系作为候选上水库，
Figure DEST_PATH_IMAGE017
的水系作为候选下水库，所述
Figure 983799DEST_PATH_IMAGE018
为设定的选区域内水系的高程信息。
对确定出抽水蓄能电站候选站点中上下水库组合按照如下方法进行筛选：
建立抽水蓄能电站特征指标分析模型，对抽水蓄能电站候选站点中
Figure DEST_PATH_IMAGE019
组上下水库候选组合进行分析，得到
Figure 473817DEST_PATH_IMAGE019
个特征指标；所述
Figure 442910DEST_PATH_IMAGE020
分别为上、下水库候选站点数量；
获取抽水蓄能电站候选站点附近已建电站的上下水库特征指标，利用该已建电站的上下水库特征指标作为筛选条件对抽水蓄能电站候选站点中上下水库的
Figure 660265DEST_PATH_IMAGE019
个特征指标进行筛选，得到满足条件的理想站点组合。
建立抽水蓄能电站特征指标分析模型的方法如下：
按照如下表达式计算候选站点上下水库的水位均差：
Figure 132834DEST_PATH_IMAGE022
Figure 793754DEST_PATH_IMAGE024
Figure 984564DEST_PATH_IMAGE026
式中：
Figure DEST_PATH_IMAGE027
为上下候选水库的水位差均值，
Figure 5610DEST_PATH_IMAGE028
为库间高度差，
Figure DEST_PATH_IMAGE029
代表候选上水库正常工作高度，
Figure 142805DEST_PATH_IMAGE030
代表候选下水库正常工作高度，
Figure DEST_PATH_IMAGE031
为上水库最大固定库容，
Figure 223894DEST_PATH_IMAGE032
为下水库最大固定库容；
抽水蓄能电站特征指标分析模型的表达式：
Figure 902000DEST_PATH_IMAGE034
式中：
Figure DEST_PATH_IMAGE035
分别为上下两个候选水库中心点的横坐标，
Figure 477469DEST_PATH_IMAGE027
为水位差均值,
Figure 924631DEST_PATH_IMAGE036
为地形特征因子。
所述综合评估模型的表达式：
Figure 911041DEST_PATH_IMAGE038
式中：
Figure DEST_PATH_IMAGE039
为抽水蓄能综合评估指标，
Figure 623913DEST_PATH_IMAGE040
,
Figure DEST_PATH_IMAGE041
为权值；
Figure 252341DEST_PATH_IMAGE042
分别为模型调整因子，
Figure DEST_PATH_IMAGE043
是对候选组合平峰填谷效果预测的判定值；
Figure 367058DEST_PATH_IMAGE044
表示每组候选抽水蓄能电站的风险程度；
Figure 258791DEST_PATH_IMAGE043
是对候选组合平峰填谷效果预测的判定值的表达式如下：
Figure 911489DEST_PATH_IMAGE046
式中：
Figure DEST_PATH_IMAGE047
为区域实际用电负荷的峰值、
Figure 825831DEST_PATH_IMAGE048
为区域实际用电负荷的谷值，
Figure DEST_PATH_IMAGE049
为评估参数；
Figure 778744DEST_PATH_IMAGE044
表示每组候选抽水蓄能电站的风险程度按照如下表达式获取：
Figure DEST_PATH_IMAGE051
Figure DEST_PATH_IMAGE053
式中：
Figure 185585DEST_PATH_IMAGE054
是候选站点运行风险程度
Figure DEST_PATH_IMAGE055
为下水库的风险程度，
Figure 856738DEST_PATH_IMAGE056
为在第
Figure DEST_PATH_IMAGE057
个不确定性风险扰动事件，
Figure 312121DEST_PATH_IMAGE058
为
Figure 588382DEST_PATH_IMAGE056
不确定性风险扰动事件的风险发生概率，
Figure DEST_PATH_IMAGE059
为
Figure 353076DEST_PATH_IMAGE056
不确定性风险扰动事件发生造成的损失严重程度。
蓄电站的选址系统包括：
数据采集模块，所述数据采集模块用于采集区域电网的运行数据进行存储和运算；
地理影像采集模块，所述地理影像采集模块用于获取地面数据，建立地理信息系统数据库，为抽水蓄能电站的选址以及电站的三维设计提供基础空间数据；
建模模块，所述建模模块用于构建上下水库选取模型、 电站特征指标分析模型、电站特征指标计算模型、候选站点运行风险指标评估模型，最终筛选出区域内理想站点组合，确定最佳选址地点。
蓄电站选址系统，用于根据所述建立的选取模型、分析模型、计算模型与评估模型确定所述最终的选址地点。
本发明的有益效果是：抽水蓄能电站选址是勘测规划的首要任务，由于抽水蓄能电站的选址涉及到不同的甚至是相互矛盾的标准，导致抽水蓄能电站的选取难度加大。本发明中通过一个数据驱动的、多层面的决策框架，帮助抽水蓄能电站项目在规划阶段评估场地的使用条件，进一步获取抽水蓄能的站址的理想站点组合，并基于综合评估模型对理想站点组合集合进行评估，获取最终的最佳站点，提高综合可再生能源的效益，极大地节省了抽水蓄能电站选址布局的人力物力投入，提高了选址工作的效率。
附图说明
图1是本发明实施例中的系统流程框图；
图2是本发明所述电站结构图；
图3是本发明实施例中的系统连接框图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
实施例1
为了实现本发明所述内容，本发明设计了一种抽水蓄能电站的选址方法，根据图1所示步骤，综合区域电网中各因素获取抽水蓄能电站的最佳选址地点。
S1：根据区域电网的运行数据，确定修建抽水蓄能电站的候选区域。其中电网运行数据包括电网供电电源位置及供电电源发电量、供电电源的调峰容量、用户用电分布及用户用电需求量。根据设定区域中电网的运行数据，构建区域电网供电电源与电网用户的热度图，电网的热度图表示了供电电源与用户用电负荷的空间分布，区域电网供电电源与电网负荷热度图的密度反映出电网中供电电源和负荷的密度分布，热力图的峰值大小表征了区域电网中供电电源和用户用电量之间的关系。
根据区域电网中各类电站典型月、日、时段电力电量、调峰容量评估区域电网的波动性，以此来确定电网对蓄能电站的需求，通过供电电源的调峰阈值对该区域的电网稳定性进行评估，确定是否需要构建抽水蓄能电站。
由于电网中用户用电量存在高峰期和低谷期，区域电网中电源发电量和需求电量在不同时段有差异性，本发明利用大数据系统获取电网中供电电源发电量以及电网中需求电量的历史数据，计算分析区域电网中各类电站典型月、日、时段电力电量、调峰容量，根据供电电源与电网用户负荷确定约束条件，当不满足约束条件时，则需要在该区域电网中构建蓄能电站对区域电网进行调节，保证供电电源的调峰能力可以满足电网稳定，将该区域作为候选区域。约束条件表达式为：
Figure DEST_PATH_IMAGE061
式中：
Figure 262257DEST_PATH_IMAGE002
是年内第
Figure 239440DEST_PATH_IMAGE002
月；
Figure 901366DEST_PATH_IMAGE003
是该月第
Figure 305802DEST_PATH_IMAGE003
日；
Figure 889230DEST_PATH_IMAGE004
是该日第
Figure 695205DEST_PATH_IMAGE004
个时段；
Figure 211637DEST_PATH_IMAGE005
为在第
Figure 786975DEST_PATH_IMAGE002
月的第
Figure 123278DEST_PATH_IMAGE003
日的第
Figure 442264DEST_PATH_IMAGE004
个时段内第
Figure 563935DEST_PATH_IMAGE006
种可控供电电源的可调容量；
Figure 575754DEST_PATH_IMAGE007
为可控供电电源的种类总数；
Figure 664932DEST_PATH_IMAGE008
表示可控供电电源；
Figure 787609DEST_PATH_IMAGE009
为在第
Figure 13054DEST_PATH_IMAGE002
月的第
Figure 946506DEST_PATH_IMAGE003
日的第
Figure 991823DEST_PATH_IMAGE004
个时段内第
Figure 918190DEST_PATH_IMAGE010
种不可控供电电源在高峰时段的有效容量，
Figure 263721DEST_PATH_IMAGE011
为不可控供电电源的种类总数
Figure 351763DEST_PATH_IMAGE012
表示不可控供电电源；
Figure 635108DEST_PATH_IMAGE013
是用电高峰时段，
Figure 365166DEST_PATH_IMAGE014
是第
Figure 565203DEST_PATH_IMAGE002
月的第
Figure 89726DEST_PATH_IMAGE003
日的日高峰时段用电量。
该步骤的有益效果为：抽水蓄能电站的修建选址及其经济规模与区域电网的负荷特性、电源结构和运行特性等诸多不确定因素因素密切相关。因此，该步骤通过约束函数分析区域电网中对抽水蓄能电站的需求，本发明基于此获取蓄能电站建立的候选区域，提高系统的整体检测效率。
S2：利用无人机搭载的激光雷达、高分辨率相机进行航空摄影获取候选区域地面的三维地形点云数据和地形表面的RGB图像。
该步骤的主要目的是获取地面的地形地貌数据，为抽水蓄能电站的选址以及电站的三维设计提供基础空间数据。
S3：通过对S2获取的三维地形点云数据和RGB图像数据进行处理，建立地理信息系统数据库，确定抽水蓄能电站的候选站点以及候选组合，然后根据筛选模型筛选滤除获取满足条件的电站理想组合。
该步骤的主要目的是对候选区域的三维地形点云数据和RGB图像数据进行处理，构建抽水蓄能电站的候选区域地理信息系统数据库，很大程度上节省了抽水蓄能电站选址过程中勘测规划阶段的人力物力，此外，可基于地理信息系统数据库对抽水蓄能电站的容量进行预测。
本发明所述地理信息数据模型构建的具体过程为：
首先利用获取的RGB图像进行地物提取，本发明中利用语义分割模型对RGB图像进行检测与分析，检测地面的公路、水源等信息。
以RGB图像构建数字正射影像模型；根据激光雷达获得的三维地形点云数据检测分析地形地貌特征，利用绝对高程或阈值设定去除明显异常点；然后提取出地面点，从地面点中抽取一定密度的点建立地形表面数字高程模型，地形表面数字高程模型和高分辨率数字正射影像模型可以生产出高精度的地形图。
利用地形表面数字高程模型数据可以生成等高线和注记高程点的自动赋值，通过数字正射影像模型或数字立体测图采集地形要素数据来获得地物和地貌元素(水系、交通、地形、植被等)。通过地物采集获得的矢量数据和等高线矢量数据进行叠加生成所需的数字地形图。
利用地形图获取地形地质特征和水系特征，根据语义分割模型的输出获取地面水系（河流、湖泊、水库）的分布情况；利用候选区域的地理信息系统数据库中的地形地貌信息，选取抽水蓄能电站上下水库的候选点。
为选取出更加适合的上下水库，本发明将构建上下水库选取模型：首先通过抽水蓄能电站上下水库地理关系与候选区域内各水系的高程数据、坡度等特征，从候选区域的水系中选取多个待定的上水库与下水库，本发明对候选区域内水系的高程信息设置阈值为
Figure 123016DEST_PATH_IMAGE062
（阈值根据实际情况具体而定，本发明设置500m），满足
Figure DEST_PATH_IMAGE063
时，作为上水库的候选站点，满足
Figure 922345DEST_PATH_IMAGE064
时，作为下水库的候选站点。
至此，初步得到上水库候选点序列
Figure DEST_PATH_IMAGE065
，下水库候选站点
Figure 242468DEST_PATH_IMAGE066
，其中，
Figure DEST_PATH_IMAGE067
分别为上、下水库候选站点数量。根据上下水库序列，将其进行两两组合，可得到
Figure 219782DEST_PATH_IMAGE068
组蓄能电站候选站点组合。
为选取更合适的候选组合，提高待建电站的效益，避免人工勘探选取效率低下等问题，本发明构建电站特征指标分析模型，然后基于特征指标分析模型对现有抽水蓄能电站进行分析处理，为待建电站的上下水库的选取提供参考依据，以便从候选站点组合中选取合适、满足条件的水库站点组合，然后设置候选组合筛选模型，对各待定上下水库站点进行分析，筛选出合适的上下水库站点组合。该步骤的目的主要是建立抽水蓄能电站特征指标的计算模型，为抽水蓄能电站上下水库的选取提供准确快速的选取标准，降低人工勘探工作量的同时保证抽水蓄能电站的效益最大化。本发明所述电站结构图如图2。
所述特征指标分析过程具体为：根据电站结构图，对语义感知网络获取的水系进行特征指标分析：
首先计算上下候选水库之间的最大、最小水位差，用于后续水库特征的分析：
Figure 726987DEST_PATH_IMAGE022
Figure 798848DEST_PATH_IMAGE070
Figure DEST_PATH_IMAGE071
其中，
Figure 707898DEST_PATH_IMAGE072
为上下候选水库的水位差均值，
Figure DEST_PATH_IMAGE073
为库间高度差，
Figure 121693DEST_PATH_IMAGE074
分别代表上、下候选水库正常工作高度，
Figure DEST_PATH_IMAGE075
分别为上、下水库最大固定库容。
然后本发明根据上、下候选水库的平均水位差以及上下水库间的位置关系，进行电站特征指标的分析，设置抽水蓄能电站特征指标分析模型：
Figure 381773DEST_PATH_IMAGE076
式中，
Figure DEST_PATH_IMAGE077
分别为上下两个候选水库中心点的横坐标，
Figure 539216DEST_PATH_IMAGE072
为水位差均值,
Figure 302773DEST_PATH_IMAGE078
为地形特征因子，实施者自行选取，本发明设置为
Figure DEST_PATH_IMAGE079
。
至此，即可根据所述模型对
Figure 871158DEST_PATH_IMAGE068
组上下水库候选组合进行分析，得到可得到
Figure 835178DEST_PATH_IMAGE068
个特征指标：
Figure 248842DEST_PATH_IMAGE080
，用于后续理想组合的分析选取。
进一步地，本发明将基于电站特征指标分析模型对现有抽水蓄能电站进行统计处理，设置理想组合筛选模型，用于选出满足条件的候选水库组合。理想组合筛选模型的建立过程具体为：
首先根据所述模型对步骤一所得候选区域及其邻域范围内的现有抽水蓄能电站进行分析，计算各现有电站的特征指标
Figure DEST_PATH_IMAGE081
，获取各现有电站的特征指标序列
Figure 132484DEST_PATH_IMAGE082
,
Figure 606191DEST_PATH_IMAGE010
为候选区域及其邻域范围内的电站的数量。所述邻域范围实施者自行设定，本发明以候选区域边缘为起点向周围扩展五公里内的区域范围；
计算每个电站近
Figure DEST_PATH_IMAGE083
年的损耗指标，所述损耗指标：
Figure 591595DEST_PATH_IMAGE084
，其中，
Figure 74529DEST_PATH_IMAGE086
为电站第
Figure DEST_PATH_IMAGE087
年内自身耗电量，
Figure 78258DEST_PATH_IMAGE088
电站第
Figure 473598DEST_PATH_IMAGE087
年发电量，
Figure DEST_PATH_IMAGE089
为电站第
Figure 929987DEST_PATH_IMAGE087
年内抽水所用总时长，
Figure 951033DEST_PATH_IMAGE090
为修正因子，本发明设置为
Figure DEST_PATH_IMAGE091
。分析
Figure 560000DEST_PATH_IMAGE083
年内的损耗指标均值：
Figure 844350DEST_PATH_IMAGE092
（本发明中
Figure DEST_PATH_IMAGE093
）。获取邻域范围内各电站近
Figure 53615DEST_PATH_IMAGE083
年的效益指标序列
Figure 347193DEST_PATH_IMAGE094
；
将电站的特征指标以及效益指标构成电站分析特征向量
Figure DEST_PATH_IMAGE095
，得到
Figure 73316DEST_PATH_IMAGE010
个特征向量
Figure 794147DEST_PATH_IMAGE096
，对其进行聚类分析，本发明将其分为两个类别，首先选取初始聚类中心，为提高聚类效果及聚类中心的代表性，分别将
Figure DEST_PATH_IMAGE097
、
Figure 959549DEST_PATH_IMAGE098
对应的特征向量
Figure DEST_PATH_IMAGE099
作为聚类中心，以保证类间特征差异足够大，聚类结果更加准确。具体聚类过程为公知技术，不在本发明保护范围内，不做详细阐述。
根据聚类算法将所述特征向量划分为两个簇，对初始中心
Figure 322398DEST_PATH_IMAGE100
对应的类别进行分析，获取该类别中所有特征向量的特征指标，从小到大进行排序得到属于该类别的所有特征向量对应的特征指标范围
Figure DEST_PATH_IMAGE101
，将其作为理想组合的筛选条件，将不满足理想站点筛选范围
Figure 171536DEST_PATH_IMAGE101
的组合进行滤除，仅保留满足条件的站点组合，用于后续电站选址的进一步分析。该步骤能够有效获取待建电站理想站点的筛选条件，有效避免人为设定选取的主观性。
至此，根据抽水蓄能电站的上、下水库选取模型可计算候选组合的特征指标，并对满足条件的候选组合进行筛选，该步骤能够滤除大量不适合的候选组合站点，获取电站站点的理想组合，从而有效解决了抽水蓄能电站上水库与下水库的勘测规划问题，该步骤能够有效降低人为勘察选取电站水库的工作量，提高系统检测速度，快速准确的获取理想候选站点组合。
S4：对理想组合站点的风险程度以及平峰填谷效果进行预测，并基于综合评估模型，获取抽水蓄能电站的最佳组合站点。
对抽水蓄能电站候选站点存在的风险进行综合分析，获得影响抽水蓄能电站安全运行的风险指标，所述风险评估主要针对不确定性扰动事件发生的可能性和后果两个方面对抽水蓄能电站运行的风险进行分析评估。
所述风险程度的大小与该风险可能造成后果的严重性及其发生的可能性密切相关，因此，本发明基于此构建抽水蓄能电站候选站点的运行风险指标评估模型，则每个候选站点运行风险程度可以表示为：
Figure 63269DEST_PATH_IMAGE102
Figure DEST_PATH_IMAGE103
其中，
Figure 981546DEST_PATH_IMAGE104
为上下水库的风险程度，
Figure DEST_PATH_IMAGE105
表示每组候选抽水蓄能电站的风险程度，
Figure 898818DEST_PATH_IMAGE106
为第
Figure 320572DEST_PATH_IMAGE087
个不确定性风险扰动事件，
Figure DEST_PATH_IMAGE107
为
Figure 914364DEST_PATH_IMAGE106
不确定性风险扰动事件的风险发生概率，
Figure 788779DEST_PATH_IMAGE108
为
Figure 962272DEST_PATH_IMAGE106
不确定性风险扰动事件发生造成的损失严重程度，本发明中将不确定性扰动事件造成的损失严重程度设置5个等级，分别是特别严重、严重、中等、轻微、特别微弱，从高到底依次为 5、4、3、2、1级。
考虑到待建电站还需要对待建局部区域起到调峰填谷的作用，以保证区域电网的供需平衡及电网稳定最大化。因此，本发明对待建抽水蓄能电站的平峰填谷效果进行预测，以便后续最佳组合站点的准确选取。对于理想组合，将其进行区域划分，保证每个区域内仅有一组理想站点组合。实施者根据实际情况自行划分区域，不作为本发明保护内容。分别对每个理想组合所在区域的平峰填谷效果进行预测，所述平峰填谷效果预测模型为：
Figure DEST_PATH_IMAGE109
其中，
Figure 520423DEST_PATH_IMAGE110
、
Figure DEST_PATH_IMAGE111
分别为该区域实际用电负荷的峰值、谷值，
Figure 19538DEST_PATH_IMAGE112
为评估参数，本发明设置为
Figure DEST_PATH_IMAGE113
。
Figure 912407DEST_PATH_IMAGE114
表示对候选组合调峰填谷效果预测的判定值，函数值越高，则认为该区域对于平峰填谷的需求越大，也即该区域建立电网更能够起到平峰填谷的效果。
构建抽水蓄能电站选址的综合评估模型，对步骤S3提取的理想组合站点进行综合评估，进而确定最佳选址地点，所述综合评估函数为：
Figure 889591DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE115
为抽水蓄能综合评估指标，
Figure 45458DEST_PATH_IMAGE116
,
Figure DEST_PATH_IMAGE117
为权值。本发明中
Figure 981053DEST_PATH_IMAGE118
,
Figure DEST_PATH_IMAGE119
。
Figure 361219DEST_PATH_IMAGE120
分别为模型调整因子，实施者自行选取，本发明设置
Figure DEST_PATH_IMAGE121
。对候选蓄电站综合评估模型进行归一化，使得函数值处于（0,1），便于直观分析抽水蓄能电站理想组合站点的综合情况。
至此，基于最终的综合评估函数可实现对候选蓄电站的分析评估，将
Figure 158405DEST_PATH_IMAGE122
对应的水库组合
Figure DEST_PATH_IMAGE123
作为抽水蓄能电站的最佳选取地点。
至此，根据本发明所述系统及方法，即可确定抽水蓄能电站的最佳水库地点。
如图3所示，本发明提供了一种基于人工智能的蓄电站选址系统，包括数据采集模块、地理影像采集模块、建模模块以及蓄电站选址系统。
数据采集模块用于采集区域电网的运行数据，并对采集的数据进行存储和运算；
地理影像采集模块用于获取地面数据，对地表的地形地貌信息进行分析，建立地理信息系统数据库，为抽水蓄能电站的选址以及电站的三维设计提供基础空间数据；
建模模块用于构建在选取区域内理想站点组合确定最佳选址地点的过程中需要用到的模型；包括上下水库选取模型、电站特征指标分析模型、电站特征指标计算模型以及综合评估模型；
蓄电站选址系统根据所述建模模块的模型确定最终的选址地点。
以上所述实施例仅仅是对本发明的举例说明，本发明的保护范围并不被实施例所限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的蓄电站选址方法，其特征在于，包括以下步骤：
S1：获取并分析区域电网的运行数据，利用获取的区域电网的运行数据建立区域电网供电电源的热度图与电网用户的热度图，通过区域电网供电电源的热度图与电网用户的热度图表示供电电源及用户用电负荷的空间分布图；利用区域内的供电电源与电网用户负荷建立约束条件，根据该建立的约束条件在空间分布图选取抽水蓄能电站的候选区域；所述约束条件包括：
Figure DEST_PATH_IMAGE002A
式中：
Figure 441180DEST_PATH_IMAGE004
是年内第
Figure 988836DEST_PATH_IMAGE004
月；
Figure 955655DEST_PATH_IMAGE006
是该月第
Figure 946875DEST_PATH_IMAGE006
日；
Figure 366355DEST_PATH_IMAGE008
是该日第
Figure 983282DEST_PATH_IMAGE008
个时段；
Figure 804607DEST_PATH_IMAGE010
为在第
Figure 465264DEST_PATH_IMAGE004
月的第
Figure 372041DEST_PATH_IMAGE006
日的第
Figure 261499DEST_PATH_IMAGE008
个时段内第
Figure 202910DEST_PATH_IMAGE012
种可控供电电源的可调容量；
Figure 533004DEST_PATH_IMAGE014
为可控供电电源的种类总数；
Figure 927076DEST_PATH_IMAGE016
表示可控供电电源；
Figure 354647DEST_PATH_IMAGE018
为在第
Figure 150564DEST_PATH_IMAGE004
月的第
Figure 153024DEST_PATH_IMAGE006
日的第
Figure 34393DEST_PATH_IMAGE008
个时段内第
Figure 796812DEST_PATH_IMAGE020
种不可控供电电源在高峰时段的有效容量，
Figure 447236DEST_PATH_IMAGE022
为不可控供电电源的种类总数
Figure 105751DEST_PATH_IMAGE024
表示不可控供电电源；
Figure 225148DEST_PATH_IMAGE026
是用电高峰时段，
Figure 525679DEST_PATH_IMAGE028
是第
Figure 296189DEST_PATH_IMAGE004
月的第
Figure 391184DEST_PATH_IMAGE006
日的日高峰时段用电量；
S2：获取候选区域地面的三维地形点云数据和地形表面的RGB图像；
S3：利用S2中获取的数据建立地理信息系统数据库，根据该地理信息系统数据库选取抽水蓄能电站候选站点；
利用地理信息系统数据库建立地理信息数据模型，获取候选区域内水系的高程信息来确定出抽水蓄能电站候选点中的上下水库候选组合；对抽水蓄能电站候选点中的上下水库候选组合进行筛选，得到抽水蓄能电站上下水库理想站点；
S4：利用综合评估模型对抽水蓄能电站上下水库理想站点组进行综合评估，获取抽水蓄能电站的选取地点。
2.根据权利要求1所述基于人工智能的蓄电站选址方法，其特征在于，地理信息数据模型的构建按照以下步骤：
对获取到的RGB图像进行地物提取，构建数字正射影像模型；
利用三维地形点云数据检测及分析地形地貌特征，提取出地面点建立地形表面数字高程模型；
利用数字正射影像模型进行地物采集，利用地形表面数字高程模型完成等高线的生成和注记高程点的自动赋值；根据地物采集获得的矢量数据和等高线矢量数据进行叠加生成地理信息数据模型。
3.根据权利要求1所述基于人工智能的蓄电站选址方法，其特征在于，获取的候选区域内水系的高程信息为
Figure 247145DEST_PATH_IMAGE030
，当
Figure 335055DEST_PATH_IMAGE032
的水系作为候选上水库，
Figure 694492DEST_PATH_IMAGE034
的水系作为候选下水库，所述
Figure 960389DEST_PATH_IMAGE036
为设定的选区域内水系的高程信息。
4.根据权利要求1所述基于人工智能的蓄电站选址方法，其特征在于，对确定出抽水蓄能电站候选站点中上下水库组合按照如下方法进行筛选：
建立抽水蓄能电站特征指标分析模型，对抽水蓄能电站候选站点中
Figure 38066DEST_PATH_IMAGE038
组上下水库候选组合进行分析，得到
Figure 693782DEST_PATH_IMAGE038
个特征指标；所述
Figure 173305DEST_PATH_IMAGE040
分别为上、下水库候选站点数量；
获取抽水蓄能电站候选站点附近已建电站的上下水库特征指标，利用该已建电站的上下水库特征指标作为筛选条件对抽水蓄能电站候选站点中上下水库的
Figure 875682DEST_PATH_IMAGE038
个特征指标进行筛选，得到满足条件的理想站点组合。
5.根据权利要求4所述基于人工智能的蓄电站选址方法，其特征在于，建立抽水蓄能电站特征指标分析模型的方法如下：
按照如下表达式计算候选站点上下水库的水位均差：
Figure DEST_PATH_IMAGE042A
Figure DEST_PATH_IMAGE044A
Figure DEST_PATH_IMAGE046A
式中：
Figure 519284DEST_PATH_IMAGE048
为上下候选水库的水位差均值，
Figure 965308DEST_PATH_IMAGE050
为库间高度差，
Figure 299338DEST_PATH_IMAGE052
代表候选上水库正常工作高度，
Figure 907037DEST_PATH_IMAGE054
代表候选下水库正常工作高度，
Figure 959306DEST_PATH_IMAGE056
为上水库最大固定库容，
Figure 927131DEST_PATH_IMAGE058
为下水库最大固定库容；
抽水蓄能电站特征指标分析模型的表达式：
Figure DEST_PATH_IMAGE060A
式中：
Figure 584509DEST_PATH_IMAGE062
分别为上下两个候选水库中心点的横坐标，
Figure 110911DEST_PATH_IMAGE048
为水位差均值,
Figure 650477DEST_PATH_IMAGE064
为地形特征因子。
6.根据权利要求1所述基于人工智能的蓄电站选址方法，其特征在于，所述综合评估模型的表达式：
Figure DEST_PATH_IMAGE066A
式中：
Figure 359676DEST_PATH_IMAGE068
为抽水蓄能综合评估指标，
Figure 668298DEST_PATH_IMAGE070
,
Figure 352220DEST_PATH_IMAGE072
为权值；
Figure 113503DEST_PATH_IMAGE074
分别为模型调整因子，
Figure 190174DEST_PATH_IMAGE076
是对候选组合平峰填谷效果预测的判定值；
Figure 353302DEST_PATH_IMAGE078
表示每组候选抽水蓄能电站的风险程度；
Figure 473705DEST_PATH_IMAGE076
是对候选组合平峰填谷效果预测的判定值的表达式如下：
Figure DEST_PATH_IMAGE080A
式中：
Figure 440393DEST_PATH_IMAGE082
为区域实际用电负荷的峰值、
Figure 304444DEST_PATH_IMAGE084
为区域实际用电负荷的谷值，
Figure 322078DEST_PATH_IMAGE086
为评估参数；
Figure 638483DEST_PATH_IMAGE078
表示每组候选抽水蓄能电站的风险程度按照如下表达式获取：
Figure DEST_PATH_IMAGE088A
Figure DEST_PATH_IMAGE090A
式中：
Figure 764571DEST_PATH_IMAGE092
是候选站点运行风险程度
Figure 432312DEST_PATH_IMAGE094
为下水库的风险程度，
Figure 38874DEST_PATH_IMAGE096
为在第
Figure 517391DEST_PATH_IMAGE098
个不确定性风险扰动事件，
Figure 474983DEST_PATH_IMAGE100
为
Figure 680836DEST_PATH_IMAGE096
不确定性风险扰动事件的风险发生概率，
Figure 673063DEST_PATH_IMAGE102
为
Figure 821017DEST_PATH_IMAGE096
不确定性风险扰动事件发生造成的损失严重程度。
7.一种基于人工智能的蓄电站选址系统，其特征在于，包括以下模块：
数据采集模块，所述数据采集模块用于采集区域电网的运行数据进行存储和运算；
地理影像采集模块，所述地理影像采集模块用于获取地面数据，建立地理信息系统数据库，为抽水蓄能电站的选址以及电站的三维设计提供基础空间数据；
建模模块，所述建模模块用于构建上下水库选取模型、电站特征指标分析模型、电站特征指标计算模型、候选站点运行风险指标评估模型，最终筛选出区域内理想站点组合，确定最佳选址地点；
蓄电站选址系统，用于根据所述建立的选取模型、分析模型、计算模型与评估模型确定所述最终的选址地点。
CN202111037734.3A 2021-09-06 2021-09-06 一种基于人工智能的蓄电站选址方法及系统 Active CN113487246B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111037734.3A CN113487246B (zh) 2021-09-06 2021-09-06 一种基于人工智能的蓄电站选址方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111037734.3A CN113487246B (zh) 2021-09-06 2021-09-06 一种基于人工智能的蓄电站选址方法及系统

Publications (2)

Publication Number Publication Date
CN113487246A true CN113487246A (zh) 2021-10-08
CN113487246B CN113487246B (zh) 2021-12-07

Family

ID=77947210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111037734.3A Active CN113487246B (zh) 2021-09-06 2021-09-06 一种基于人工智能的蓄电站选址方法及系统

Country Status (1)

Country Link
CN (1) CN113487246B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114281113A (zh) * 2021-11-18 2022-04-05 南方电网调峰调频发电有限公司 一种水电设备智能运行信息模型的构建方法及其系统
CN114926032A (zh) * 2022-05-24 2022-08-19 江苏邦鼎科技有限公司 一种饲料企业模块化装配方法及系统
CN117913830A (zh) * 2024-03-20 2024-04-19 中国电建集团昆明勘测设计研究院有限公司 一种抽水蓄能电站的资源调度方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050192780A1 (en) * 2004-02-27 2005-09-01 Mertins Karl-Heinz O. Method and system of determining a location for a wind-powered electrical energy facility
CN103049799A (zh) * 2012-12-10 2013-04-17 河海大学 一种基于多目标优化的电网规划设计方法
CN109325676A (zh) * 2018-09-10 2019-02-12 北方民族大学 基于gis的清洁能源综合电站选址方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050192780A1 (en) * 2004-02-27 2005-09-01 Mertins Karl-Heinz O. Method and system of determining a location for a wind-powered electrical energy facility
CN103049799A (zh) * 2012-12-10 2013-04-17 河海大学 一种基于多目标优化的电网规划设计方法
CN109325676A (zh) * 2018-09-10 2019-02-12 北方民族大学 基于gis的清洁能源综合电站选址方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114281113A (zh) * 2021-11-18 2022-04-05 南方电网调峰调频发电有限公司 一种水电设备智能运行信息模型的构建方法及其系统
CN114281113B (zh) * 2021-11-18 2023-12-19 南方电网调峰调频发电有限公司 一种水电设备智能运行信息模型的构建方法及其系统
CN114926032A (zh) * 2022-05-24 2022-08-19 江苏邦鼎科技有限公司 一种饲料企业模块化装配方法及系统
CN114926032B (zh) * 2022-05-24 2023-07-25 江苏邦鼎科技有限公司 一种饲料企业模块化装配方法及系统
CN117913830A (zh) * 2024-03-20 2024-04-19 中国电建集团昆明勘测设计研究院有限公司 一种抽水蓄能电站的资源调度方法和系统
CN117913830B (zh) * 2024-03-20 2024-06-04 中国电建集团昆明勘测设计研究院有限公司 一种抽水蓄能电站的资源调度方法和系统

Also Published As

Publication number Publication date
CN113487246B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN113487246B (zh) 一种基于人工智能的蓄电站选址方法及系统
CN109492950B (zh) 一种基于gis技术可满足大区域范围空间饱和负荷预测方法
CN104050323B (zh) 一种高海拔山区模糊多准则风电场选址方法
KR101383617B1 (ko) 일사량 예측 방법 및 장치
CN107330422A (zh) 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法
US20240054267A1 (en) Method for planning a layout of a renewable energy site
CN107766825A (zh) 基于空间功能单元的陆域省市县空间规划三区识别方法
CN117408495B (zh) 一种基于土地资源综合管理的数据分析方法及系统
CN111445116A (zh) 国土空间规划辅助编制系统
Aniskevich et al. Modelling the spatial distribution of wind energy resources in Latvia
CN115730728A (zh) 一种抽水蓄能电站选址评估分析方法
CN114626572A (zh) 基于智能图像识别的输电线路路径优选方法
CN107305701A (zh) 一种基于数字高程模型的城市洼地提取方法
CN117077922A (zh) 一种基于bp神经网络智能电网配电方法
Fesalbon et al. Hydropower dam site selection and visualization using GIS and RS techniques: A case of Marinduque, Philippines
Ramirez Camargo et al. Spatiotemporal modeling for assessing complementarity of renewable energy sources in distributed energy systems
Zhang et al. Quality of terrestrial data derived from UAV photogrammetry: A case study of Hetao irrigation district in northern China
CN115526544A (zh) 一种基于多类型数据的绿色矿山建设规划方法及系统
CN107958335A (zh) 一种基于开发地图的风电场装机规模及上网电量估算系统及估算方法
CN115239097A (zh) 基于环境影响评价关键技术指标体系的光热基地规划方法
Zhao et al. Comparison of two different methods for determining flow direction in catchment hydrological modeling
CN103617452A (zh) 一种大型光伏基地区域测光网络布局方法
CN107341568A (zh) 一种台风风暴增水预测方法及系统
Nugroho et al. Preferred site selection using GIS and AHP: case study in Bangka island NPP site
López-González Community-scale rural energy systems: General planning algorithms and methods for developing countries

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