CN113708365A - 一种基于端边云架构的虚拟电厂能源管控优化方法及系统 - Google Patents

一种基于端边云架构的虚拟电厂能源管控优化方法及系统 Download PDF

Info

Publication number
CN113708365A
CN113708365A CN202110856120.1A CN202110856120A CN113708365A CN 113708365 A CN113708365 A CN 113708365A CN 202110856120 A CN202110856120 A CN 202110856120A CN 113708365 A CN113708365 A CN 113708365A
Authority
CN
China
Prior art keywords
cluster
model
energy
data
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.)
Granted
Application number
CN202110856120.1A
Other languages
English (en)
Other versions
CN113708365B (zh
Inventor
韩帅
卢健斌
张旻钰
孙乐平
郭小璇
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202110856120.1A priority Critical patent/CN113708365B/zh
Publication of CN113708365A publication Critical patent/CN113708365A/zh
Application granted granted Critical
Publication of CN113708365B publication Critical patent/CN113708365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • H02J3/38—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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明涉及虚拟电厂能源管控优化技术领域，尤其涉及一种基于端边云架构的虚拟电厂能源管控优化方法及系统。本发明基于端边云架构的运行机制，采用分布式控制的架构，极大缓解了云中心的计算压力，提升了系统的运行效率，同时该系统还考虑了用户侧柔性负荷的调控潜力，进一步完善了系统的能源优化调度模型，提高了能源的利用效率。本发明针对不同的灵活性资源，在不同区域内，构建多个灵活性资源集群，可以强化虚拟电厂对各个灵活性资源的调度控制。

Description

一种基于端边云架构的虚拟电厂能源管控优化方法及系统
技术领域
本发明涉及虚拟电厂能源管控优化技术领域，尤其涉及一种基于端边云架构的虚拟电厂能源管控优化方法及系统。
背景技术
在全球性能源资源短缺、环境污染等大背景下，大力发展绿色、低碳、可持续的能源已成为世界各国的共识。近年来，在政府的大力扶持下，我国可再生能源发展迅速，以风能、太阳能为代表的分布式可再生能源装机规模逐年递增。然而受制于分布式能源自身容量小、间歇性、分散性等特性，很难独立地加入电力市场参与运营。由于虚拟电厂能够在不改变分布式电源的并网方式的同时，通过控制、计量、通信等先进的技术集合储能、分布式能源及可控负荷等不同类型的分布式电源，运用灵活的软件构架实现多种分布式能源的协调优化运行，协助分布式能源参与电力市场运营，因此对虚拟电厂的研究受到了各国能源行业的普遍关注。
现有的虚拟电厂大多都是集中式的运行机制，所有的信息数据都汇总到云中心，由云中心同一处理，这样的运行机制给云中心造成了巨大的计算压力、延缓了信息的响应速度。另外现有的虚拟电厂在优化调控过程中通常只针对电源侧分布式电源进行调控，而忽略了用能侧柔性负荷的调控潜力。
本发明目的是为了改进现有的虚拟电厂运行机制，提高系统的运行效率，同时考虑用户侧柔性负荷的调控潜力，进一步完善系统的能源优化调度模型，提高能源的利用效率。基于以上目的本发明提出了一种基于端边云架构的虚拟电厂能源管控优化系统。
发明内容
为了解决上述问题，本发明提供了一种基于端边云架构的虚拟电厂能源管控优化方法及系统，具体技术方案如下：
一种基于端边云架构的虚拟电厂能源管控优化方法，包括以下步骤：
S1：虚拟电厂包含以下灵活性资源：光伏电池板、风力发电机组、微型燃气轮机、储能装置以及柔性负荷；所述柔性负荷包括电动汽车、空调；针对不同的灵活性资源，在不同区域内，构建多个聚合的灵活性资源集群；
S2：智能终端采集各种灵活性资源实时的出力数据、负荷需求、设备特性参数信息，并通过无线网络将智能终端采集到的数据信息传递给边缘服务器；其中，每个灵活性资源集群的数据上传至对应一个边缘服务器；
S3：边缘服务器接收智能终端上传的数据，对数据进行处理并建模，得到反映聚合灵活性资源整体外特性的集群模型和边缘集群优化模型，并将数据传送给云中心；所述集群模型包括电动汽车集群模型、空调集群模型、风力发电机组集群模型、光伏电池板集群模型、储能装置集群模型、微型燃气轮机集群模型；所述边缘集群优化模型包括边缘电动汽车集群优化模型、边缘空调集群优化模型；
S4：云中心收集边缘服务器中的各集群模型和数据，对数据进行处理并抽取出虚拟电厂的可用容量、爬坡速率，生成虚拟电厂云端动态聚合模型，建立能源优化调度模型；将集群模型和云端动态聚合模型、能源优化调度模型上传至电力系统，之后依据电力系统的调度指令，利用遗传算法求解能源优化调度模型生成针对各灵活性资源集群的调控指令，并将指令传送给边缘服务器；
S5：边缘服务器依据云中心下达的调控指令，求解边缘集群优化模型，生成单个灵活性资源集群的调控指令，并将调控指令发送给对应灵活性资源集群内的智能终端；
S6：智能终端依据边缘服务器的调控指令，调控对应灵活性资源集群内的能源设备的出力，实现单个灵活性资源集群内部的高效有序进行；
S7：重复步骤S2-S7，实时调控虚拟电厂内部的能源设备出力。
优选地，所述电动汽车集群模型为：
Figure BDA0003184225500000021
Figure BDA0003184225500000022
式中：PEV,i(t)为第i辆电动汽车在t时刻的充放电功率，
Figure BDA0003184225500000023
分别为电动汽车的最大、最小充放电功率，PEV,sum(t)为在t时刻电动汽车集群聚合后的功率，N1为集群内电动汽车的数量。
优选地，所述空调集群模型为：
Figure BDA0003184225500000024
Figure BDA0003184225500000025
式中：Pac,i(t)为第i个空调在t时刻的功率，
Figure BDA0003184225500000026
为空调的额定功率，Pac,sum(t)为空调集群聚合后在t时刻的功率，N2为集群内空调的数量。
优选地，所述虚拟电厂云端动态聚合模型为：
Figure BDA0003184225500000027
式中，PVPP(t)为t时刻虚拟电厂的可调度容量，PVPP(t-1)为t-1时刻虚拟电厂的可调度容量，
Figure BDA0003184225500000031
分别为虚拟电厂的向下、向上爬坡速率。
优选地，所述能源优化调度模型包括经济性目标、碳排放目标、约束条件；所述约束条件包括功率平衡约束、集群出力约束、集群机组爬坡速率约束；
所述能源优化调度模型的经济性目标为：
Figure BDA0003184225500000032
式中：Gas(t)为微型燃气轮机t时刻的耗气量，CG(t)为每立方米天然气价格，
Figure BDA0003184225500000033
Figure BDA0003184225500000034
分别为在t时刻聚合电动汽车、空调调度后的功率，
Figure BDA0003184225500000035
分别为在t时刻聚合电动汽车、空调无调度时的功率；PMT,sum(t)为微型燃气轮机集群聚合后在t时刻的功率，PPV,sum(t)为光伏电池板集群聚合后的功率，PWT,sum(t)为风力发电机组集群聚合后在t时刻的功率，Psi,sum(t)为储能装置集群聚合后在t时刻的的功率，
γ1、γ2为相应电动汽车、空调的调度成本；θ1、θ2、θ3、θ4为相应微型燃气轮机、光伏电池板、风力发电机组、储能装置的维护成本系数；
所述能源优化调度模型的碳排放目标为：
Figure BDA0003184225500000036
式中：QMT(t)为t时刻微型燃气轮机所产生CO2排放量，Q为CO2排放限值，γ为微型燃气轮机超额排放CO2的惩罚系数；
所述能源优化调度模型的功率平衡约束为：
Figure BDA0003184225500000037
式中：PVPP(t)为电力系统对虚拟电厂的总的调度指令；
所述能源优化调度模型的集群出力约束：
Figure BDA0003184225500000038
Figure BDA0003184225500000039
分别为电动汽车的最大、最小充放电功率，N1为集群内电动汽车的数量；
Figure BDA0003184225500000041
Figure BDA0003184225500000042
为空调的额定功率，N2为集群内空调的数量；
Figure BDA0003184225500000043
Figure BDA0003184225500000044
为风力发电机组的最大输出大功率，N3为集群内风力发电机组的个数；
Figure BDA0003184225500000045
Figure BDA0003184225500000046
为光伏电池板的最大功率，N4为集群内光伏电池板的数量；
Figure BDA0003184225500000047
Figure BDA0003184225500000048
分别为储能装置的最大、最小充放电功率，N5为集群内储能装置的数量；
Figure BDA0003184225500000049
Figure BDA00031842255000000410
为的微型燃气轮机的最大功率，N6为集群内微型燃气轮机的数量；
所述能源优化调度模型的集群机组爬坡速率约束为：
Figure BDA00031842255000000411
Figure BDA00031842255000000412
Figure BDA00031842255000000413
式中，
Figure BDA00031842255000000414
分别为风力发电机组集群的向上、向下爬坡速率，
Figure BDA00031842255000000415
分别为光伏电池板集群的向上、向下爬坡速率，
Figure BDA00031842255000000416
分别为微型燃气轮机集群的向上、向下爬坡速率。
优选地，所述边缘电动汽车集群优化模型的目标函数为：
Figure BDA00031842255000000417
Figure BDA00031842255000000418
式中：δi(t)为第i辆电动汽车t时刻的调度成本，SOCEV,i(t)为第i辆电动汽车t时刻的荷电状态，
Figure BDA00031842255000000419
分别表示第i辆电动汽车的最大、最小荷电状态，μ2、μ3为转换系数；
Figure BDA00031842255000000420
表示第i辆电动汽车可参与调度时间；
约束条件包括功率平衡约束：
Figure BDA0003184225500000051
电动汽车荷电状态约束：
Figure BDA0003184225500000052
电动汽车充放电约束：
Figure BDA0003184225500000053
优选地，所述边缘空调集群优化模型的目标函数为：
Figure BDA0003184225500000054
Figure BDA0003184225500000055
Figure BDA0003184225500000056
式中：εi(t)为第i个空调在t时刻的调度成本，
Figure BDA0003184225500000057
第i个空调在t时刻的可调控容量，
Figure BDA0003184225500000058
为第i个空调的可调度时间，σ为容量转换系数，ρ1、ρ2成本为转换系数；
约束条件包括功率平衡约束：
Figure BDA0003184225500000059
空调运行功率约束：
Figure BDA00031842255000000510
一种基于端边云架构的虚拟电厂能源管控优化系统，包括与虚拟电厂每种灵活性资源集群中各能源设备连接的智能终端、与各个灵活性资源集群中的智能终端连接的边缘服务器，以及与调控各个灵活性资源集群的边缘服务器连接的云中心；
所述智能终端包括数据采集模块、信息传输模块和设备控制模块；所述边缘服务器包括边缘计算模块和数据传输模块；所述云中心包括云计算中心和数据交换中心；
所述数据采集模块、设备控制模块分别与每种灵活性资源集群中各能源设备连接；所述信息传输模块分别与数据采集模块、设备控制模块、数据传输模块连接；所述边缘计算模块与数据传输模块连接；所述数据交换中心分别与云计算中心、电力调度系统连接；
所述信息采集模块用于采集灵活性资源集群中各能源设备的出力数据、负荷需求、设备特性参数信息，并通过信息传输模块将采集到的数据信息传递给数据传输模块；
所述数据传输模用于块将信息传输模块传来的数据传输至边缘计算模块，并且将边缘服务器下发的调控指令传输至设备控制单元；
所述边缘计算模块用于接收智能终端上传的数据，对数据进行处理并建模，得到反映聚合灵活性资源整体外特性的集群模型和边缘集群优化模型，并通过数据传输模块将边缘服务器的数据传送给数据交换中心，以及接收数据传输模块传输来的云中心的调控指令，并根据调控指令求解边缘集群优化模型，生成优化后的调控指令，并将优化后的调控指令通过数据传输模块传输至信息传输模块；
所述数据交换中心用于将边缘服务器上传的数据传输至云计算中心进行处理
所述云计算中心用于对边缘服务器上传的数据进行处理并抽取出虚拟电厂的可用容量、爬坡速率，生成虚拟电厂云端动态聚合模型，建立能源优化调度模型，并且将集群模型和云端动态聚合模型、能源优化调度模型上传至电力系统，之后依据电力系统的调度指令，利用遗传算法求解能源优化调度模型生成针对各灵活性资源集群的调控指令，并将调控指令通过数据交换中心传送给边缘服务器的数据传输模块；
所述控制设备单元用于根据信息传输模块传输来的调控指令对灵活性资源集群内部的能源设备进行调控。
本发明的有益效果为：本发明基于端边云架构的运行机制，采用分布式控制的架构，极大缓解了云中心的计算压力，提升了系统的运行效率，同时该系统还考虑了用户侧柔性负荷的调控潜力，进一步完善了系统的能源优化调度模型，提高了能源的利用效率。本发明针对不同的灵活性资源，在不同区域内，构建多个灵活性资源集群，可以强化虚拟电厂对各个灵活性资源的调度控制。
附图说明
图1为本发明一种基于端边云架构的虚拟电厂能源管控优化方法的流程图；
图2为本发明提供的一种基于端边云架构的虚拟电厂能源管控优化系统的原理图；
图3为本发明提供的一种基于端边云架构的虚拟电厂能源管控优化系统的详细原理图。
具体实施方式
为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：
如图1所示，一种基于端边云架构的虚拟电厂能源管控优化方法，包括以下步骤：
S1：虚拟电厂包含以下灵活性资源：光伏电池板、风力发电机组、微型燃气轮机、储能装置以及柔性负荷；所述柔性负荷包括电动汽车、空调；针对不同的灵活性资源，在不同区域内，构建多个聚合的灵活性资源集群；
S2：智能终端采集各种灵活性资源实时的出力数据、负荷需求、设备特性参数信息，并通过无线网络将智能终端采集到的数据信息传递给边缘服务器；其中，每个灵活性资源集群的数据上传至对应一个边缘服务器；
S3：边缘服务器接收智能终端上传的数据，对数据进行处理并建模，利用机理建模、蒙特卡洛抽样建模、热力学等效建模等建模方法，得到反映聚合灵活性资源整体外特性的集群模型和边缘集群优化模型，并通过光纤将边缘服务器的数据传送给云中心；所述集群模型包括电动汽车集群模型、空调集群模型、风力发电机组集群模型、光伏电池板集群模型、储能装置集群模型、微型燃气轮机集群模型。
电动汽车集群模型为：
Figure BDA0003184225500000071
Figure BDA0003184225500000072
式中：PEV,i(t)为第i辆电动汽车在t时刻的充放电功率，
Figure BDA0003184225500000073
分别为电动汽车的最大、最小充放电功率，PEV,sum(t)为在t时刻电动汽车集群聚合后的功率，N1为集群内电动汽车的数量。
Figure BDA0003184225500000074
Figure BDA0003184225500000075
式中：Pac,i(t)为第i个空调在t时刻的功率，
Figure BDA0003184225500000076
为空调的额定功率，Pac,sum(t)为空调集群聚合后在t时刻的功率，N2为集群内空调的数量。
风力发电机组集群模型为：
Figure BDA0003184225500000077
Figure BDA0003184225500000078
Figure BDA0003184225500000079
式中：PWT,i(t)为第i个风力发电机组在t时刻的功率，
Figure BDA00031842255000000710
为风力发电机组的最大输出大功率，
Figure BDA00031842255000000711
分别为风力发电机组的向下、向上爬坡速率，PWT,sum(t)为风力发电机组集群聚合后在t时刻的功率，N3为集群内风力发电机组的个数。
光伏电池板集群模型为：
Figure BDA0003184225500000081
Figure BDA0003184225500000082
Figure BDA0003184225500000083
式中：PPV,i(t)为第i个光伏电池板在t时刻的功率，
Figure BDA0003184225500000084
为光伏电池板的最大功率，
Figure BDA0003184225500000085
Figure BDA0003184225500000086
分别为光伏电池板的向下、向上爬坡速率，PPV,sum(t)为光伏电池板集群聚合后的功率，N4为集群内光伏电池板的数量。
储能装置集群模型为：
Figure BDA0003184225500000087
Figure BDA0003184225500000088
式中：Psi,i(t)为第i个储能装置在t时刻的的充放电功率，
Figure BDA0003184225500000089
分别为储能装置的最大、最小充放电功率，Psi,sum(t)为储能装置集群聚合后在t时刻的的功率，N5为集群内储能装置的数量。
微型燃气轮机集群模型为：
Figure BDA00031842255000000810
Figure BDA00031842255000000811
Figure BDA00031842255000000812
式中：PMT,i(t)为第i个微型燃气轮机在t时刻的功率，
Figure BDA00031842255000000813
为的微型燃气轮机的最大功率，
Figure BDA00031842255000000814
分别为微燃机机组的向下、向上爬坡速率，PMT,sum(t)为微型燃气轮机集群聚合后在t时刻的功率，N6为集群内微型燃气轮机的数量。
S4：云中心收集边缘服务器中的各集群模型和数据，对数据进行处理并抽取出虚拟电厂的可用容量、爬坡速率，生成虚拟电厂云端动态聚合模型，建立能源优化调度模型；将集群模型和云端动态聚合模型、能源优化调度模型上传至电力系统，之后依据电力系统的调度指令，利用遗传算法求解能源优化调度模型生成针对各灵活性资源集群的调控指令，并将指令传送给边缘服务器。
虚拟电厂云端动态聚合模型为：
Figure BDA0003184225500000091
式中，PVPP(t)为t时刻虚拟电厂的可调度容量，PVPP(t-1)为t-1时刻虚拟电厂的可调度容量，
Figure BDA0003184225500000092
分别为虚拟电厂的向下、向上爬坡速率。
能源优化调度模型包括经济性目标、碳排放目标、约束条件；所述约束条件包括功率平衡约束、集群出力约束、集群机组爬坡速率约束；
所述能源优化调度模型的经济性目标为：
Figure BDA0003184225500000093
式中：Gas(t)为微型燃气轮机t时刻的耗气量，CG(t)为每立方米天然气价格，
Figure BDA0003184225500000094
Figure BDA0003184225500000095
分别为在t时刻聚合电动汽车、空调调度后的功率，
Figure BDA0003184225500000096
分别为在t时刻聚合电动汽车、空调无调度时的功率；PMT,sum(t)为微型燃气轮机集群聚合后在t时刻的功率，PPV,sum(t)为光伏电池板集群聚合后的功率，PWT,sum(t)为风力发电机组集群聚合后在t时刻的功率，Psi,sum(t)为储能装置集群聚合后在t时刻的的功率，
γ1、γ2为相应电动汽车、空调的调度成本；θ1、θ2、θ3、θ4为相应微型燃气轮机、光伏电池板、风力发电机组、储能装置的维护成本系数；
所述能源优化调度模型的碳排放目标为：
Figure BDA0003184225500000097
式中：QMT(t)为t时刻微型燃气轮机所产生CO2排放量，Q为CO2排放限值，γ为微型燃气轮机超额排放CO2的惩罚系数；
所述能源优化调度模型的功率平衡约束为：
Figure BDA0003184225500000098
式中：PVPP(t)为电力系统对虚拟电厂的总的调度指令；
所述能源优化调度模型的集群出力约束：
Figure BDA0003184225500000101
Figure BDA0003184225500000102
分别为电动汽车的最大、最小充放电功率，N1为集群内电动汽车的数量；
Figure BDA0003184225500000103
Figure BDA0003184225500000104
为空调的额定功率，N2为集群内空调的数量；
Figure BDA0003184225500000105
Figure BDA0003184225500000106
为风力发电机组的最大输出大功率，N3为集群内风力发电机组的个数；
Figure BDA0003184225500000107
Figure BDA0003184225500000108
为光伏电池板的最大功率，N4为集群内光伏电池板的数量；
Figure BDA0003184225500000109
Figure BDA00031842255000001010
分别为储能装置的最大、最小充放电功率，N5为集群内储能装置的数量；
Figure BDA00031842255000001011
Figure BDA00031842255000001012
为的微型燃气轮机的最大功率，N6为集群内微型燃气轮机的数量；
所述能源优化调度模型的集群机组爬坡速率约束为：
Figure BDA00031842255000001013
Figure BDA00031842255000001014
Figure BDA00031842255000001015
式中，
Figure BDA00031842255000001016
分别为风力发电机组集群的向上、向下爬坡速率，
Figure BDA00031842255000001017
分别为光伏电池板集群的向上、向下爬坡速率，
Figure BDA00031842255000001018
分别为微型燃气轮机集群的向上、向下爬坡速率。
S5：边缘服务器依据云中心下达的调控指令，求解边缘集群优化模型，生成单个灵活性资源集群的调控指令，并将调控指令发送给对应灵活性资源集群内的智能终端。由于电动汽车和空调集群内部的各个资源的可调度容量、调度价格以及用户对调度的相应程度不相同，因此还需要对集群内的电动汽车和空调进行优化。
所述边缘电动汽车集群优化模型的目标函数为：
Figure BDA0003184225500000111
Figure BDA0003184225500000112
式中：δi(t)为第i辆电动汽车t时刻的调度成本，SOCEV,i(t)为第i辆电动汽车t时刻的荷电状态，
Figure BDA0003184225500000113
分别表示第i辆电动汽车的最大、最小荷电状态，μ1、μ2、μ3为转换系数；
Figure BDA0003184225500000114
表示第i辆电动汽车可参与调度时间；
约束条件包括功率平衡约束：
Figure BDA0003184225500000115
电动汽车荷电状态约束：
Figure BDA0003184225500000116
电动汽车充放电约束：
Figure BDA0003184225500000117
边缘空调集群优化模型的目标函数为：
Figure BDA0003184225500000118
Figure BDA0003184225500000119
Figure BDA00031842255000001110
式中：εi(t)为第i个空调在t时刻的调度成本，
Figure BDA00031842255000001111
第i个空调在t时刻的可调控容量，
Figure BDA00031842255000001112
为第i个空调的可调度时间，σ为容量转换系数，ρ1、ρ2成本为转换系数；
约束条件包括功率平衡约束：
Figure BDA00031842255000001113
空调运行功率约束：
Figure BDA00031842255000001114
S6：智能终端依据边缘服务器的调控指令，调控对应灵活性资源集群内的能源设备的出力，实现单个灵活性资源集群内部的高效有序进行；
S7：重复步骤S2-S7，实时调控虚拟电厂内部的能源设备出力。
图2是本发明提供的一种基于端边云架构的虚拟电厂能源管控优化框架图，由图2可以看出本发明的虚拟电厂能源管控的优化架构由智能终端、边缘服务器以及云中心组成。其中，云中心和边缘服务器之间通过无线通信技术传输信息数据，边缘服务器和云中心之间通过光纤传输信息数据。虚拟电厂内部包含多种灵活性资源，有光伏电池板、风力发电机组、微型燃气轮机、储能装置以及柔性负荷(电动汽车、空调等)；针对不同的灵活性资源，在不同区域内，构建多个灵活性资源集群，便于云中心对灵活资源进行调控和管理。
如图3所示，一种基于端边云架构的虚拟电厂能源管控优化系统，包括与虚拟电厂每种灵活性资源集群中各能源设备连接的智能终端、与各个灵活性资源集群中的智能终端连接的边缘服务器，以及与调控各个灵活性资源集群的边缘服务器连接的云中心；
所述智能终端包括数据采集模块、信息传输模块和设备控制模块；所述边缘服务器包括边缘计算模块和数据传输模块；所述云中心包括云计算中心和数据交换中心；
所述数据采集模块、设备控制模块分别与每种灵活性资源集群中各能源设备连接；所述信息传输模块分别与数据采集模块、设备控制模块、数据传输模块连接；所述边缘计算模块与数据传输模块连接；所述数据交换中心分别与云计算中心、电力调度系统连接；
所述信息采集模块用于采集灵活性资源集群中各能源设备的出力数据、负荷需求、设备特性参数信息，并通过信息传输模块将采集到的数据信息传递给数据传输模块；
所述数据传输模用于块将信息传输模块传来的数据传输至边缘计算模块，并且将边缘服务器下发的调控指令传输至设备控制单元；
所述边缘计算模块用于接收智能终端上传的数据，对数据进行处理并建模，得到反映聚合灵活性资源整体外特性的集群模型和边缘集群优化模型，并通过数据传输模块将边缘服务器的数据传送给数据交换中心，以及接收数据传输模块传输来的云中心的调控指令，并根据调控指令求解边缘集群优化模型，生成优化后的调控指令，并将优化后的调控指令通过数据传输模块传输至信息传输模块；
所述数据交换中心用于将边缘服务器上传的数据传输至云计算中心进行处理
所述云计算中心用于对边缘服务器上传的数据进行处理并抽取出虚拟电厂的可用容量、爬坡速率，生成虚拟电厂云端动态聚合模型，建立能源优化调度模型，并且将集群模型和云端动态聚合模型、能源优化调度模型上传至电力系统，之后依据电力系统的调度指令，利用遗传算法求解能源优化调度模型生成针对各灵活性资源集群的调控指令，并将调控指令通过数据交换中心传送给边缘服务器的数据传输模块；
所述控制设备单元用于根据信息传输模块传输来的调控指令对灵活性资源集群内部的能源设备进行调控。
本发明的端边云架构包括智能终端、边缘服务器和云中心；智能终端包括信息采集单元、无线通信模块和能源设备控制单元，边缘侧包括边缘计算模块和信息传输模块，云中心包括云计算中心和数据交换中心。
其中，所述智能终端包括用于采集数据的各种传感器(温度、流量、电压电流等多种类型)、摄像头、电表、设备内的电子标签，用于数据传输的无线通信模块以及用于控制能源设备出力的能源设备控制单元。
边缘服务器的硬件设备包括智能芯片、边缘数据存储设备，软件包括边缘计算系统操作平台；边缘服务器接收智能终端上传的数据，利用机理建模、蒙特卡洛抽样建模、热力学等效建模等建模方法，得到反映聚合灵活性资源整体外特性的集群模型和边缘集群优化模型，上传给云中心，并优化分配到各集群的调度指令，实现单个集群内部的高效有序运行。
云中心的硬件设备包括大型云端服务器、数据中心交换机，软件包括云中心数据平台；云中心收集各集群模型，利用云计算、大数据、人工智能、区块链等技术执行数据清洗、分类、建模、存储等，抽取出整个虚拟电厂的可用容量、爬坡速率等外特性，生成虚拟电厂云端动态聚合模型、建立能源优化调度模型。然后将集群模型和云端动态聚合模型、能源优化调度模型上传至电力系统，并在收到调度指令后分解指令，进行优化决策，可以实现与电网运营商、电力交易平台等机构决策互动。
本发明针对不同的灵活性资源，在不同区域内，构建多个灵活性资源集群，可以强化虚拟电厂对各个灵活性资源的调度控制。
本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于端边云架构的虚拟电厂能源管控优化方法，其特征在于，包括以下步骤：
S1：虚拟电厂包含以下灵活性资源：光伏电池板、风力发电机组、微型燃气轮机、储能装置以及柔性负荷；所述柔性负荷包括电动汽车、空调；针对不同的灵活性资源，在不同区域内，构建多个聚合的灵活性资源集群；
S2：智能终端采集各种灵活性资源实时的出力数据、负荷需求、设备特性参数信息，并通过无线网络将智能终端采集到的数据信息传递给边缘服务器；其中，每个灵活性资源集群的数据上传至对应一个边缘服务器；
S3：边缘服务器接收智能终端上传的数据，对数据进行处理并建模，得到反映聚合灵活性资源整体外特性的集群模型和边缘集群优化模型，并将数据传送给云中心；所述集群模型包括电动汽车集群模型、空调集群模型、风力发电机组集群模型、光伏电池板集群模型、储能装置集群模型、微型燃气轮机集群模型；所述边缘集群优化模型包括边缘电动汽车集群优化模型、边缘空调集群优化模型；
S4：云中心收集边缘服务器中的各集群模型和数据，对数据进行处理并抽取出虚拟电厂的可用容量、爬坡速率，生成虚拟电厂云端动态聚合模型，建立能源优化调度模型；将集群模型和云端动态聚合模型、能源优化调度模型上传至电力系统，之后依据电力系统的调度指令，利用遗传算法求解能源优化调度模型生成针对各灵活性资源集群的调控指令，并将指令传送给边缘服务器；
S5：边缘服务器依据云中心下达的调控指令，求解边缘集群优化模型，生成单个灵活性资源集群的调控指令，并将调控指令发送给对应灵活性资源集群内的智能终端；
S6：智能终端依据边缘服务器的调控指令，调控对应灵活性资源集群内的能源设备的出力，实现单个灵活性资源集群内部的高效有序进行；
S7：重复步骤S2-S7，实时调控虚拟电厂内部的能源设备出力。
2.根据权利要求1所述的一种基于端边云架构的虚拟电厂能源管控优化方法，其特征在于，所述电动汽车集群模型为：
Figure FDA0003184225490000011
Figure FDA0003184225490000012
式中：PEV,i(t)为第i辆电动汽车在t时刻的充放电功率，
Figure FDA0003184225490000013
分别为电动汽车的最大、最小充放电功率，PEV,sum(t)为在t时刻电动汽车集群聚合后的功率，N1为集群内电动汽车的数量。
3.根据权利要求1所述的一种基于端边云架构的虚拟电厂能源管控优化方法，其特征在于，所述空调集群模型为：
Figure FDA0003184225490000021
Figure FDA0003184225490000022
式中：Pac,i(t)为第i个空调在t时刻的功率，
Figure FDA0003184225490000023
为空调的额定功率，Pac,sum(t)为空调集群聚合后在t时刻的功率，N2为集群内空调的数量。
4.根据权利要求1所述的一种基于端边云架构的虚拟电厂能源管控优化方法，其特征在于，所述虚拟电厂云端动态聚合模型为：
Figure FDA0003184225490000024
式中，PVPP(t)为t时刻虚拟电厂的可调度容量，PVPP(t-1)为t-1时刻虚拟电厂的可调度容量，
Figure FDA0003184225490000025
分别为虚拟电厂的向下、向上爬坡速率。
5.根据权利要求1所述的一种基于端边云架构的虚拟电厂能源管控优化方法，其特征在于，所述能源优化调度模型包括经济性目标、碳排放目标、约束条件；所述约束条件包括功率平衡约束、集群出力约束、集群机组爬坡速率约束；
所述能源优化调度模型的经济性目标为：
Figure FDA0003184225490000026
式中：Gas(t)为微型燃气轮机t时刻的耗气量，CG(t)为每立方米天然气价格，
Figure FDA0003184225490000027
Figure FDA0003184225490000028
分别为在t时刻聚合电动汽车、空调调度后的功率，
Figure FDA0003184225490000029
分别为在t时刻聚合电动汽车、空调无调度时的功率；PMT,sum(t)为微型燃气轮机集群聚合后在t时刻的功率，PPV,sum(t)为光伏电池板集群聚合后的功率，PWT,sum(t)为风力发电机组集群聚合后在t时刻的功率，Psi,sum(t)为储能装置集群聚合后在t时刻的的功率，
γ1、γ2为相应电动汽车、空调的调度成本；θ1、θ2、θ3、θ4为相应微型燃气轮机、光伏电池板、风力发电机组、储能装置的维护成本系数；
所述能源优化调度模型的碳排放目标为：
Figure FDA0003184225490000031
式中：QMT(t)为t时刻微型燃气轮机所产生CO2排放量，Q为CO2排放限值，γ为微型燃气轮机超额排放CO2的惩罚系数；
所述能源优化调度模型的功率平衡约束为：
Figure FDA0003184225490000032
式中：PVPP(t)为电力系统对虚拟电厂的总的调度指令；
所述能源优化调度模型的集群出力约束：
Figure FDA0003184225490000033
Figure FDA0003184225490000034
分别为电动汽车的最大、最小充放电功率，N1为集群内电动汽车的数量；
Figure FDA0003184225490000035
Figure FDA0003184225490000036
为空调的额定功率，N2为集群内空调的数量；
Figure FDA0003184225490000037
Figure FDA0003184225490000038
为风力发电机组的最大输出大功率，N3为集群内风力发电机组的个数；
Figure FDA0003184225490000039
Figure FDA00031842254900000310
为光伏电池板的最大功率，N4为集群内光伏电池板的数量；
Figure FDA00031842254900000311
Figure FDA00031842254900000312
分别为储能装置的最大、最小充放电功率，N5为集群内储能装置的数量；
Figure FDA00031842254900000313
Figure FDA00031842254900000314
为的微型燃气轮机的最大功率，N6为集群内微型燃气轮机的数量；
所述能源优化调度模型的集群机组爬坡速率约束为：
Figure FDA00031842254900000315
Figure FDA00031842254900000316
Figure FDA00031842254900000317
式中，
Figure FDA0003184225490000041
分别为风力发电机组集群的向上、向下爬坡速率，
Figure FDA0003184225490000042
分别为光伏电池板集群的向上、向下爬坡速率，
Figure FDA0003184225490000043
分别为微型燃气轮机集群的向上、向下爬坡速率。
6.根据权利要求1所述的一种基于端边云架构的虚拟电厂能源管控优化方法，其特征在于，所述边缘电动汽车集群优化模型的目标函数为：
Figure FDA0003184225490000044
Figure FDA0003184225490000045
式中：δi(t)为第i辆电动汽车t时刻的调度成本，SOCEV,i(t)为第i辆电动汽车t时刻的荷电状态，
Figure FDA0003184225490000046
分别表示第i辆电动汽车的最大、最小荷电状态，
Figure FDA0003184225490000047
表示第i辆电动汽车可参与调度时间，μ1、μ2、μ3为转换系数；
约束条件包括功率平衡约束：
Figure FDA0003184225490000048
电动汽车荷电状态约束：
Figure FDA0003184225490000049
电动汽车充放电约束：
Figure FDA00031842254900000410
7.根据权利要求1所述的一种基于端边云架构的虚拟电厂能源管控优化方法，其特征在于，所述边缘空调集群优化模型的目标函数为：
Figure FDA00031842254900000411
Figure FDA00031842254900000412
Figure FDA00031842254900000413
式中：εi(t)为第i个空调在t时刻的调度成本，
Figure FDA00031842254900000414
第i个空调在t时刻的可调控容量，
Figure FDA00031842254900000415
为第i个空调的可调度时间，σ为容量转换系数，ρ1、ρ2成本为转换系数；
约束条件包括功率平衡约束：
Figure FDA0003184225490000051
空调运行功率约束：
Figure FDA0003184225490000052
8.一种基于端边云架构的虚拟电厂能源管控优化系统，其特征在于：包括与虚拟电厂每种灵活性资源集群中各能源设备连接的智能终端、与各个灵活性资源集群中的智能终端连接的边缘服务器，以及与调控各个灵活性资源集群的边缘服务器连接的云中心；
所述智能终端包括数据采集模块、信息传输模块和设备控制模块；所述边缘服务器包括边缘计算模块和数据传输模块；所述云中心包括云计算中心和数据交换中心；
所述数据采集模块、设备控制模块分别与每种灵活性资源集群中各能源设备连接；所述信息传输模块分别与数据采集模块、设备控制模块、数据传输模块连接；所述边缘计算模块与数据传输模块连接；所述数据交换中心分别与云计算中心、电力调度系统连接；
所述信息采集模块用于采集灵活性资源集群中各能源设备的出力数据、负荷需求、设备特性参数信息，并通过信息传输模块将采集到的数据信息传递给数据传输模块；
所述数据传输模用于块将信息传输模块传来的数据传输至边缘计算模块，并且将边缘服务器下发的调控指令传输至设备控制单元；
所述边缘计算模块用于接收智能终端上传的数据，对数据进行处理并建模，得到反映聚合灵活性资源整体外特性的集群模型和边缘集群优化模型，并通过数据传输模块将边缘服务器的数据传送给数据交换中心，以及接收数据传输模块传输来的云中心的调控指令，并根据调控指令求解边缘集群优化模型，生成优化后的调控指令，并将优化后的调控指令通过数据传输模块传输至信息传输模块；
所述数据交换中心用于将边缘服务器上传的数据传输至云计算中心进行处理
所述云计算中心用于对边缘服务器上传的数据进行处理并抽取出虚拟电厂的可用容量、爬坡速率，生成虚拟电厂云端动态聚合模型，建立能源优化调度模型，并且将集群模型和云端动态聚合模型、能源优化调度模型上传至电力系统，之后依据电力系统的调度指令，利用遗传算法求解能源优化调度模型生成针对各灵活性资源集群的调控指令，并将调控指令通过数据交换中心传送给边缘服务器的数据传输模块；
所述控制设备单元用于根据信息传输模块传输来的调控指令对灵活性资源集群内部的能源设备进行调控。
CN202110856120.1A 2021-07-28 2021-07-28 一种基于端边云架构的虚拟电厂能源管控优化方法及系统 Active CN113708365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110856120.1A CN113708365B (zh) 2021-07-28 2021-07-28 一种基于端边云架构的虚拟电厂能源管控优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110856120.1A CN113708365B (zh) 2021-07-28 2021-07-28 一种基于端边云架构的虚拟电厂能源管控优化方法及系统

Publications (2)

Publication Number Publication Date
CN113708365A true CN113708365A (zh) 2021-11-26
CN113708365B CN113708365B (zh) 2024-03-15

Family

ID=78650710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110856120.1A Active CN113708365B (zh) 2021-07-28 2021-07-28 一种基于端边云架构的虚拟电厂能源管控优化方法及系统

Country Status (1)

Country Link
CN (1) CN113708365B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113991720A (zh) * 2021-12-27 2022-01-28 北京海泰微纳科技发展有限公司 一种电动汽车虚拟储能电站及云平台
CN114243709A (zh) * 2021-12-13 2022-03-25 广东电网有限责任公司 一种需求侧可调节资源分层分级的调度运行方法
CN114244679A (zh) * 2021-12-07 2022-03-25 国网福建省电力有限公司经济技术研究院 一种云-边-端架构下虚拟电厂通信网络分层控制方法
CN115833266A (zh) * 2023-02-14 2023-03-21 中国科学院电工研究所 新能源电力系统中跟网型变流器集群聚合控制方法
TWI815666B (zh) * 2022-09-16 2023-09-11 國立成功大學 分散式虛擬電廠整合智慧淨零的混合系統及其方法
CN117036100A (zh) * 2023-08-18 2023-11-10 北京知达客信息技术有限公司 一种虚拟电厂资源聚合动态调度系统
WO2024060413A1 (zh) * 2022-09-20 2024-03-28 国网上海能源互联网研究院有限公司 虚拟电厂可调容量构建方法、装置、电子设备、存储介质、程序、及程序产品
CN117791612A (zh) * 2024-02-26 2024-03-29 浙电(宁波北仑)智慧能源有限公司 一种资源集群调控方法、系统、存储介质及计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201714378A (zh) * 2015-07-04 2017-04-16 太陽邊際能源公司 虛擬電廠
CN111062632A (zh) * 2019-12-24 2020-04-24 国网黑龙江省电力有限公司 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法
CN111340456A (zh) * 2020-03-06 2020-06-26 国网冀北电力有限公司 基于物联网的边云协同数据处理方法、装置及设备
CN111509728A (zh) * 2020-03-25 2020-08-07 中国电力科学研究院有限公司 一种基于多源异构虚拟负荷的优化调控方法及系统
CN112072640A (zh) * 2020-08-13 2020-12-11 清华大学 一种虚拟电厂聚合资源的容量优化方法
CN112819275A (zh) * 2020-12-31 2021-05-18 上海玫克生储能科技有限公司 用户参与配电网调节用电峰谷的智能装置和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201714378A (zh) * 2015-07-04 2017-04-16 太陽邊際能源公司 虛擬電廠
CN111062632A (zh) * 2019-12-24 2020-04-24 国网黑龙江省电力有限公司 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法
CN111340456A (zh) * 2020-03-06 2020-06-26 国网冀北电力有限公司 基于物联网的边云协同数据处理方法、装置及设备
CN111509728A (zh) * 2020-03-25 2020-08-07 中国电力科学研究院有限公司 一种基于多源异构虚拟负荷的优化调控方法及系统
CN112072640A (zh) * 2020-08-13 2020-12-11 清华大学 一种虚拟电厂聚合资源的容量优化方法
CN112819275A (zh) * 2020-12-31 2021-05-18 上海玫克生储能科技有限公司 用户参与配电网调节用电峰谷的智能装置和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUAI HAN等: "Profit Evaluation for Virtual Power Plant in Power Load Response: From the Perspective of Power Grid", 《 2020 IEEE 4TH CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》, pages 2874 - 2878 *
韩帅等: "含多类型资源虚拟电厂鲁棒竞标模型研究", 《电力建设》, vol. 41, no. 9, pages 20 - 29 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114244679A (zh) * 2021-12-07 2022-03-25 国网福建省电力有限公司经济技术研究院 一种云-边-端架构下虚拟电厂通信网络分层控制方法
CN114243709A (zh) * 2021-12-13 2022-03-25 广东电网有限责任公司 一种需求侧可调节资源分层分级的调度运行方法
CN113991720A (zh) * 2021-12-27 2022-01-28 北京海泰微纳科技发展有限公司 一种电动汽车虚拟储能电站及云平台
TWI815666B (zh) * 2022-09-16 2023-09-11 國立成功大學 分散式虛擬電廠整合智慧淨零的混合系統及其方法
WO2024060413A1 (zh) * 2022-09-20 2024-03-28 国网上海能源互联网研究院有限公司 虚拟电厂可调容量构建方法、装置、电子设备、存储介质、程序、及程序产品
CN115833266A (zh) * 2023-02-14 2023-03-21 中国科学院电工研究所 新能源电力系统中跟网型变流器集群聚合控制方法
CN117036100A (zh) * 2023-08-18 2023-11-10 北京知达客信息技术有限公司 一种虚拟电厂资源聚合动态调度系统
CN117791612A (zh) * 2024-02-26 2024-03-29 浙电(宁波北仑)智慧能源有限公司 一种资源集群调控方法、系统、存储介质及计算机设备

Also Published As

Publication number Publication date
CN113708365B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN113708365B (zh) 一种基于端边云架构的虚拟电厂能源管控优化方法及系统
CN111445090B (zh) 一种离网型综合能源系统双层规划方法
CN111681130B (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
CN110350518B (zh) 一种用于调峰的电网储能容量需求评估方法及系统
CN102694391A (zh) 风光储联合发电系统日前优化调度方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN109523065A (zh) 一种基于改进量子粒子群算法的微能源网优化调度方法
CN113437752B (zh) 一种含混合储能的综合能源系统运行控制方法
CN114330827B (zh) 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用
CN116061742B (zh) 一种分时电价光伏园区内电动汽车的充电控制方法和系统
CN109347152A (zh) 考虑多类型电源参与调峰的随机生产模拟方法及应用
CN107273968A (zh) 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN115936244A (zh) 考虑可再生能源发电不确定性的虚拟电厂优化调度方法
CN116957294A (zh) 基于数字孪生的虚拟电厂参与电力市场交易的调度方法
CN115114854A (zh) 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统
CN108448655B (zh) 一种无源电网广域发电控制方法及系统
CN112365129A (zh) 基于交叉超效率ccr模型的综合能源系统综合效率评价方法
CN112260274A (zh) 一种基于全景理论的虚拟电厂组建方法
CN114938040B (zh) 源-网-荷-储交直流系统综合优化调控方法和装置
CN116979578A (zh) 一种风光水火储的电气热三联产优化调度方法和系统
CN114662922B (zh) 考虑光伏不确定性的居民需求响应潜力评估方法及系统
CN115800276A (zh) 一种考虑机组爬坡的电力系统应急调度方法
CN115693793A (zh) 一种区域微电网能源优化控制方法
CN113190574B (zh) 一种电热综合能源的源荷数据调度方法和系统
CN117424268B (zh) 一种区域能源供需平衡的电动汽车充电站调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant