CN114219212A - 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 - Google Patents
一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 Download PDFInfo
- Publication number
- CN114219212A CN114219212A CN202111337813.6A CN202111337813A CN114219212A CN 114219212 A CN114219212 A CN 114219212A CN 202111337813 A CN202111337813 A CN 202111337813A CN 114219212 A CN114219212 A CN 114219212A
- Authority
- CN
- China
- Prior art keywords
- power
- demand side
- model
- load
- aggregator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/0639—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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明公开一种计及电力物联与边缘计算的需求侧资源柔性调度方法。所述调度方法包括:构建泛在电力物联网背景下需求侧资源的柔性调度框架;分析分布式电源、负荷、储能等广义需求侧资源的运行特性,构建风电、光伏等分布式电源和电力负荷的时序预测模型,研究需求侧资源多时间尺度柔性调度控制技术;构建以配电网运行者为主导者、电力用户为从属者的Stackleberg博弈模型,结合云计算和边缘计算技术,采用机器学习方法对模型进行求解,得到需求侧资源多时间尺度柔性调度结果。
Description
技术领域
本发明涉及能源领域,特别是涉及一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法。
背景技术
大力发展风、光等可再生能源,是应对能源环境问题的必然选择。可再生能源的迅猛发展、电力尖峰负荷的逐年升高以及大规模电动汽车、储能、微网等双向功率单元的接入,给电力系统的经济运行和安全管理提出了巨大的挑战。随着以人工智能、大数据和物联网为主要驱动力的第四次工业革命的到来,“互联网+新能源”的新型能源发展方式逐渐形成。物联网技术通过泛在的感知技术赋予电力系统动态的灵活感知、实时通信、智能控制和可靠的信息安全等能力,不断提升电网运行控制和调度的智能化水平,持续深入提高各种类型能源之间的互动能力,从而使电网从单纯的电力传输网络向智能能源信息一体化基础设施扩展。然而电力物联网的建设要求在配用电系统中广泛接入海量的物联网终端,使得原有安全边界变得模糊。因此,需要开展计及泛在电力物联与边缘计算的需求侧资源柔性调度方法的相关研究,为得到电网柔性调度的架构和方法提供支撑。
发明内容
本发明的目的是提供一种泛在电力物联与边缘计算的需求侧资源多时间尺度柔性调度方法及系统。
为实现上述目的,本发明提供了如下方案:
一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,所述优化调度方法包括:
分析广义需求侧资源的运行特性;
构建风电、光伏等分布式电源和电力负荷的时序预测模型;
建立基于边缘计算的主动配电网模型;
构建泛在电力物联网背景下需求侧资源的柔性调度框架;
建立各类需求侧资源的经济性模型;
提出基于Stackleberg博弈的需求侧资源多时间尺度柔性调度控制方法;
设计基于机器学习的博弈均衡分布式求解方法。
可选的,所述的广义需求侧资源的运行特性具体包括:
1)分布式电源特性。一般可分为两类:可调度分布式电源(如燃料电池、微型燃气轮机等)和不可调度分布式电源(如风电、光伏发电等),需要说明的是,此处的不可调度是指无法完全控制其出力。度、表面湿度和温度等因素,因此其输出功率具有较大的波动性。风力机组输出功率的主要影响因素为实时风速,可以采用概率模型来描述风速的随机性。
2)负荷特性。需求侧存在着大量能与电网友好合作的电力负荷,具有很大的调节潜力。商业负荷,主要是指商业部门的照明、空调、动力等用电负荷,覆盖面积大,且用电增长平稳,商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不及工业负荷,但商业负荷中的照明类负荷占用电力系统高峰时段。此外,商业部门由于商业行为在节假日会增加营业时间,从而成为节假日中影响电力负荷的重要因素之一。
工业负荷是指用于工业生产的用电,一般工业负荷的比重在用电构成中居于首位,它不仅取决于工业用户的工作方式(包括设备利用情况、企业的工作班制等),而且与各行业的行业特点、季节因素都有紧密的联系,一般负荷是比较恒定的。从以上分析可知电力负荷的特点是经常变化的,不但按小时变、按日变,而且按周变,按年变,同时负荷又是以天为单位不断起伏的,具有较大的周期性,负荷变化是连续的过程,一般不会出现大的跃变,但电力负荷对季节、温度、天气等是敏感的,不同的季节,不同地区的气候,以及温度的变化都会对负荷造成明显的影响。
3)储能特性。根据存储电能方式的不同,可以将储能分为电化学、电磁和物理储能三类。考虑到经济环境、建造难度以及技术水平等影响用户侧装备储能的因素,本文聚合管理的储能主要为电化学储能。电化学储能将电能转换为化学能进行存储,如锂离子电池、铅酸电池、钠硫电池、液流电池等各种储能电池。储能装置对分布式电源出力随机性和负荷预测的不确定性具有互补的作用,从而使广义负荷聚合商在电力市场交易中获取较多的利润。
可选的,所述风电、光伏等分布式电源和电力负荷的时序预测模型具体包括:
(1)获取光伏电站最近一年的出力数据及气象数据(水平辐射度(GHR)、水平散射辐射度(DHR)、风速(WS)、环境温度(T)、相对湿度(RH)),形成数据集。删除数据集中的异常值并补充缺失值,将数据集的每个维度通过下式归一化为(0-1)的范围,使之标准化。
(2)对数据进行训练集、测试集和验证集划分,其中训练集为整个数据集的72%,验证集为整个数据集的18%,测试集为整个数据集的10%。
(3)对各个气象因素与光伏电站功率输出之间的皮尔逊相关系数r进行计算,通过热力图来呈现并选取光伏功率预测模型的输入因素。
(4)通过遗传算法寻找Bi-LSTM模型的最优参数和结构,并利用训练集对模型进行训练,进而通过验证集进行验证。计算四个预测评价指标来对模型预测效果进行评估:均方误差、均方根误差、平均绝对误差和R2。各评估指标定义如下:
基于混合深度学习的风电功率预测:
(1)获取风电站最近一年的出力数据及气象数据(历史风电功率输出(WP)、不同高度的历史风速(WS)和风向(WD)、相对湿度(H)、降雨量(R)和气压(P),形成数据集。
(2)删除数据集中的异常值并补充缺失值,采用平均值归一化(AVN)和极差归一化(PDN)方法,将数据集的每个维度归一化为(0-1)的范围。
(3)对数据进行训练集、测试集和验证集划分,其中训练集为整个数据集的65%,验证集为整个数据集的20%,测试集为整个数据集的15%。
(4)利用灰色关联分析(GCA)筛选风电功率的影响因素,并作为混合深度学习模型的输入。
(5)通过试错改进方法确定混合深度学习模型BiLSTM-CNN的结构和参数,并利用训练集对模型进行训练,进而通过验证集进行验证。同时,为了验证提出模型的风电预测的精准度,将所提出模型与其他深度学习模型进行比较。模型预测效果进行评估的预测评价指标为:均方根误差(RMSE),平均绝对误差(MAE)和R2。
(6)混合深度学习模型BiLSTM-CNN通过测试集进行测试。
可选的,所述基于边缘计算的主动配电网模型具体包括:
主动配电网的边缘计算层次架构主要由物理系统、信息网络系统和控制系统3个层次结构组成:①主动配电网中的物理系统主要指各种电力设备,其中较传统电网不同的是大量微电网、分布式电源、储能装置、柔性负荷,物理系统经过各传感器节点将数据传输存储至CPS局域网,可对实时采集的信息和局部中心下发的控制立即执行;②CPS局域网和CPS网络形成信息通信网络系统,支撑了边缘计算节点的分布式计算、云主站计算中心的集中式计算和控制中心的控制;③配网可以划分为多个独立运行的控制区域,通过不同边缘计算节点与整体配电系统进行双向信息通信和物理控制,实现既可以通过云主站进行集中控制、计算,也可以通过边缘计算节点进行分散控制、计算的分层协调方式。
可选的,所述泛在电力物联网背景下需求侧资源的柔性调度框架具体包括:
需求侧资源具有种类多、容量小、规模大的特征,可为电网提供灵活性调节能力。为了充分发掘规模化异质需求侧资源的灵活性潜力,构建泛在电力物联网背景下需求侧资源的柔性调度框架。其中,电网作为调度任务的决策者,将分配后的任务下发给聚合商。任务分配考虑两情况:当聚合商上报的可调负荷容量总和远小于电网的评估值时,电网应提高对聚合商的补偿以调动用户参与积极性,直到上报的可调度负荷容量总和满足要求,进而进行消纳任务分配;当聚合商上报的可调度负荷容量总和大于或近似电网评估值时,以聚合商提供的负荷容量范围为准,进行消纳任务分配。需求侧资源聚合者作为博弈框架的引导者,其通过聚合大规模差异化需求侧资源的灵活性,响应电网调控需求。同时,其基于电网的价格信号,通过制定内部的价格来引导各类需求侧资源的行为;以分布式电源、负荷、储能为例,各类需求侧资源作为博弈框架的跟随者,其通过安排自身的发电或用电计划,响应聚合者的价格信号。
可选的,所述的建立各类需求侧资源的经济性模型,具体包括:
电网价格模型:
对于需求侧资源聚合者而言,其作为电网价格信号的接受者,进而优化各类需求侧资源的发电或用电行为。电网的价格模型如下:
需求侧资源聚合者成本模型:
需求侧资源聚合者通过制定内部价格,引导各类需求侧资源行为,具体内部价格模型如下:
对于需求侧资源聚合者,其一方面可通过聚合各类需求侧资源的灵活性响应电网的功率调节需求,平滑高比例光伏接入带来的净负荷波动性;另一方面需实现需求侧资源的聚合成本最小。因此,其成本模型为:
FAGG=ωCAGG+(1-ω)fAGG
CAGG=Cgrid+CDG+Cload+CES
其中,CAGG表示聚合者的运行成本,fAGG表示需求侧资源的聚合功率波动,ω权重系数;Cgrid、CDG、Cload和CES分别表示聚合商与电网、分布式电源所有者、电力用户以及储能所有者的交互成本;NLt为聚合需求侧资源时段t的净负荷,Lave为优化周期内净负荷的平均值;和为时段t电网的售电和购电价格,和为时段t聚合者内部的售电和购电价格; 分别为时段t的固定负荷、实际可平移负荷、柴油发电机出力、光伏出力及储能出力。
分布式电源所有者收益模型:
其中,FDG表示分布式电源所有者的效用函数,效用函数第一项表征分布式电源所有者向聚合者的售电收益,第二项为可控分布式电源的发电成本;为柴油发电机在时段t的有功出力,为时段t向聚合者的售电电价;aG、bG、cG分别为柴油发电机的燃料成本系数。
用户收益模型:
储能所有者收益模型:
可选的,所述基于Stackleberg博弈的需求侧资源多时间尺度柔性调度控制方法,具体包括:
构建需求侧资源柔性调度的Stackleberg博弈模型:
其中,表示博弈从属者的集合,博弈引导者;分别为分布式电源所有者、电力负荷以及储能所有者的策略;和为需求侧资源聚合者的策略;FDG、Fuser、FES和FAGG分别表示分布式电源所有者、电力负荷、储能所有者以及需求侧资源聚合者的支付函数。
在上述博弈模型中,当各博弈参与者的策略满足如下条件时:
可选的,所述基于机器学习的博弈均衡分布式求解方法,具体包括:
对于构建的Stackleberg博弈模型,一般求解思路是将从属者优化问题转化为等价的KKT条件,作为引导者优化问题的附加约束。但由于不同博弈主体间存在数据隐私,采用已有求解方法无法保护博弈从属者的隐私信息,且无法解决多时间尺度问题。因此,设计了基于机器学习的分布式求解算法:首先,需求侧资源聚合者基于电网的购售电价格信息,制定初始内部购售电价格并发布给各从属者;然后,各博弈从属者根据聚合者发布的内部购售电价格,通过求解各自的效益最大化问题得到各自的发电或用电策略,并反馈给需求侧资源聚合者;需求侧资源聚合者根据反馈的信息调整价格信号。在迭代过程中,每一个timestep对应一次半移,使用时间差分学习算法TD(λ)来改变网络的权重。如此反复,直到满足收敛条件。权重迭代公式如下:
为了实现上述目的,本发明还提供了如下方案:
一种计及泛在电力物联与边缘计算的需求侧资源柔性调度系统,所述优化调度系统包括:
数据采集模块,用于采集需求侧资源灵活性优化调度所需的负荷、光伏出力以及电价数据;
分布式电源时序预测模型建立模块,用于构建风电、光伏等分布式电源和电力负荷的时序预测模型;
基于边缘计算的主动配电网模型建立模块,用于监测和分析配电网大数据,建立基于边缘计算的配电网模型;
需求侧资源柔性调度框架建立模块,用于建立泛在电力物联网背景下需求侧资源的柔性调度框架;
需求侧资源经济性模型建立模块,用于构建需求侧资源聚合者的成本模型,构建分布式电源所有者、电力用户、储能所有者的收益模型;
Stackleberg博弈模型建立模块,用于建立需求侧资源聚合者与分布式电源所有者、电力用户和储能所有者之间的Stackleberg博弈模型;
分布式求解模块,用于求解所构建Stackleberg博弈模型的均衡解。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明公开了一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法及系统,通过分析分布式电源、负荷、储能等广义需求侧资源的运行特性,构建了风电、光伏等分布式电源和电力负荷的时序预测模型;建立了基于边缘计算的主动配电网模型,构建泛在电力物联网背景下需求侧资源的柔性调度框架,提高了各类型能源之间的互动能力;建立了各类需求侧资源的经济性模型,提出需求侧资源多时间尺度柔性调度方法,并设计了基于机器学习的Stackleberg博弈均衡分布式求解方法,克服了配电网中接入海量物联网终端安全边界变模糊的问题问题。本发明所提的需求侧资源多时间尺度柔性调度方法,可有效提高需求侧资源的灵活调节能力,提升电网运行控制和调度的智能化水平,具有一定的实际应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明主动配电网的边缘计算层次模型
图2为本发明提供的计及泛在电力物联与边缘计算的需求侧资源柔性调度方法的流程图;
图3为本发明提供的计及泛在电力物联与边缘计算的需求侧资源柔性调度系统的组成框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-3所示,本发明提供了计及泛在电力物联与边缘计算的需求侧资源柔性调度,所述优化调度方法包括:
步骤100:采集需求侧资源柔性调度所需的负荷、光伏出力以及电价数据;
步骤200:监测和分析配电网大数据,分析广义需求侧资源的运行特性;
步骤300:建立基于边缘计算的主动配电网高度融合的信息物理系统模型;
步骤400:建立风电、光伏等分布式电源和电力负荷的时序预测模型;
步骤500:建立泛在电力物联网背景下需求侧资源的柔性调度框架;
步骤600:构建需求侧资源聚合者的成本模型,构建分布式电源所有者、电力用户、储能所有者的收益模型;
步骤700:建立需求侧资源聚合者与分布式电源所有者、电力用户和储能所有者之间的Stackleberg博弈模型;
步骤800:求解所构建Stackleberg博弈模型的均衡解。
所述步骤200:监测和分析配电网大数据,分析广义需求侧资源的运行特性,具体包括:
1)分布式电源特性。一般可分为两类:可调度分布式电源(如燃料电池、微型燃气轮机等)和不可调度分布式电源(如风电、光伏发电等),需要说明的是,此处的不可调度是指无法完全控制其出力。度、表面湿度和温度等因素,因此其输出功率具有较大的波动性。风力机组输出功率的主要影响因素为实时风速,可以采用概率模型来描述风速的随机性。
2)负荷特性。需求侧存在着大量能与电网友好合作的电力负荷,具有很大的调节潜力。商业负荷,主要是指商业部门的照明、空调、动力等用电负荷,覆盖面积大,且用电增长平稳,商业负荷同样具有季节性波动的特性。商业负荷中的照明类负荷占用电力系统高峰时段,由于商业行为在节假日会增加营业时间,从而成为节假日中影响电力负荷的重要因素之一。
工业负荷是指用于工业生产的用电,一般工业负荷的比重在用电构成中居于首位,它不仅取决于工业用户的工作方式(包括设备利用情况、企业的工作班制等),而且与各行业的行业特点、季节因素都有紧密的联系,一般负荷是比较恒定的。从以上分析可知电力负荷的特点是经常变化的,不但按小时变、按日变,而且按周变,按年变,同时负荷又是以天为单位不断起伏的,具有较大的周期性,负荷变化是连续的过程,一般不会出现大的跃变,但电力负荷对季节、温度、天气等是敏感的,不同的季节,不同地区的气候,以及温度的变化都会对负荷造成明显的影响。
3)储能特性。根据存储电能方式的不同,可以将储能分为电化学、电磁和物理储能三类。考虑到经济环境、建造难度以及技术水平等影响用户侧装备储能的因素,本文聚合管理的储能主要为电化学储能。电化学储能将电能转换为化学能进行存储,如锂离子电池、铅酸电池、钠硫电池、液流电池等各种储能电池。储能装置对分布式电源出力随机性和负荷预测的不确定性具有互补的作用,从而使广义负荷聚合商在电力市场交易中获取较多的利润。
所述步骤300:建立基于边缘计算的主动配电网高度融合的信息物理系统模型,具体包括:
基于边缘计算的主动配电网高度融合的信息物理系统如图1所示。主动配电网的边缘计算层次架构主要由物理系统、信息网络系统和控制系统3个层次结构组成:①主动配电网中的物理系统主要指各种电力设备,其中较传统电网不同的是大量微电网、分布式电源、储能装置、柔性负荷,物理系统经过各传感器节点将数据传输存储至CPS局域网,可对实时采集的信息和局部中心下发的控制立即执行;②CPS局域网和CPS网络形成信息通信网络系统,支撑了边缘计算节点的分布式计算、云主站计算中心的集中式计算和控制中心的控制;③配网可以划分为多个独立运行的控制区域,通过不同边缘计算节点与整体配电系统进行双向信息通信和物理控制,实现既可以通过云主站进行集中控制、计算,也可以通过边缘计算节点进行分散控制、计算的分层协调方式。该模型各层间的开放式通信协议如表1所示。
表1各层通信规约
所述步骤400:建立风电、光伏等分布式电源和电力负荷的时序预测模型,具体包括:
基于GA-BiLSTM的光伏功率预测:
(1)获取光伏电站最近一年的出力数据及气象数据(水平辐射度(GHR)、水平散射辐射度(DHR)、风速(WS)、环境温度(T)、相对湿度(RH)),形成数据集。删除数据集中的异常值并补充缺失值,将数据集的每个维度通过下式归一化为(0-1)的范围,使之标准化。
(2)对数据进行训练集、测试集和验证集划分,其中训练集为整个数据集的72%,验证集为整个数据集的18%,测试集为整个数据集的10%。
(3)对各个气象因素与光伏电站功率输出之间的皮尔逊相关系数r进行计算,通过热力图来呈现并选取光伏功率预测模型的输入因素。
(4)通过遗传算法寻找Bi-LSTM模型的最优参数和结构,并利用训练集对模型进行训练,进而通过验证集进行验证。计算四个预测评价指标来对模型预测效果进行评估:均方误差、均方根误差、平均绝对误差和R2。各评估指标定义如下:
基于混合深度学习的风电功率预测:
(1)获取风电站最近一年的出力数据及气象数据(历史风电功率输出(WP)、不同高度的历史风速(WS)和风向(WD)、相对湿度(H)、降雨量(R)和气压(P)),形成数据集。
(2)删除数据集中的异常值并补充缺失值,采用平均值归一化(AVN)和极差归一化(PDN)方法,将数据集的每个维度归一化为(0-1)的范围。
(3)对数据进行训练集、测试集和验证集划分,其中训练集为整个数据集的65%,验证集为整个数据集的20%,测试集为整个数据集的15%。
(4)利用灰色关联分析(GCA)筛选风电功率的影响因素,并作为混合深度学习模型的输入。
(5)通过试错改进方法确定混合深度学习模型BiLSTM-CNN的结构和参数,并利用训练集对模型进行训练,进而通过验证集进行验证。同时,为了验证提出模型的风电预测的精准度,将所提出模型与其他深度学习模型进行比较。模型预测效果进行评估的预测评价指标为:均方根误差(RMSE),平均绝对误差(MAE)和R2。
(6)混合深度学习模型BiLSTM-CNN通过测试集进行测试。
所述步骤500:建立泛在电力物联网背景下需求侧资源的柔性调度框架,具体包括:
需求侧资源具有种类多、容量小、规模大的特征,可为电网提供灵活性调节能力。为了充分发掘规模化异质需求侧资源的灵活性潜力,构建泛在电力物联网背景下需求侧资源的柔性调度框架。其中,电网作为调度任务的决策者,将分配后的任务下发给聚合商。任务分配考虑两情况:当聚合商上报的可调负荷容量总和远小于电网的评估值时,电网应提高对聚合商的补偿以调动用户参与积极性,直到上报的可调度负荷容量总和满足要求,进而进行消纳任务分配;当聚合商上报的可调度负荷容量总和大于或近似电网评估值时,以聚合商提供的负荷容量范围为准,进行消纳任务分配。需求侧资源聚合者作为博弈框架的引导者,其通过聚合大规模差异化需求侧资源的灵活性,响应电网调控需求。同时,其基于电网的价格信号,通过制定内部的价格来引导各类需求侧资源的行为;以分布式电源、负荷、储能为例,各类需求侧资源作为博弈框架的跟随者,其通过安排自身的发电或用电计划,响应聚合者的价格信号。
所述步骤600:构建需求侧资源聚合者的成本模型,构建分布式电源所有者、电力用户、储能所有者的收益模型,具体包括:
电网价格模型:
对于需求侧资源聚合者而言,其作为电网价格信号的接受者,进而优化各类需求侧资源的发电或用电行为。电网的价格模型如下:
需求侧资源聚合者成本模型:
需求侧资源聚合者通过制定内部价格,引导各类需求侧资源行为,具体内部价格模型如下:
对于需求侧资源聚合者,其一方面可通过聚合各类需求侧资源的灵活性响应电网的功率调节需求,平滑高比例光伏接入带来的净负荷波动性;另一方面需实现需求侧资源的聚合成本最小。因此,其成本模型为:
FAGG=ωCAGG+(1-ω)fAGG
CAGG=Cgrid+CDG+Cload+CES
其中,CAGG表示聚合者的运行成本,fAGG表示需求侧资源的聚合功率波动,ω权重系数;Cgrid、CDG、Cload和CES分别表示聚合商与电网、分布式电源所有者、电力用户以及储能所有者的交互成本;NLt为聚合需求侧资源时段t的净负荷,Lave为优化周期内净负荷的平均值;和为时段t电网的售电和购电价格,和为时段t聚合者内部的售电和购电价格; 分别为时段t的固定负荷、实际可平移负荷、柴油发电机出力、光伏出力及储能出力。
分布式电源所有者收益模型:
其中,FDG表示分布式电源所有者的效用函数,效用函数第一项表征分布式电源所有者向聚合者的售电收益,第二项为可控分布式电源的发电成本;为柴油发电机在时段t的有功出力,为时段t向聚合者的售电电价;aG、bG、cG分别为柴油发电机的燃料成本系数。
用户收益模型:
储能所有者收益模型:
所述步骤700:建立需求侧资源聚合者与分布式电源所有者、电力用户和储能所有者之间的Stackleberg博弈模型,具体包括:
构建需求侧资源灵活性调度的Stackleberg博弈模型:
其中,表示博弈从属者的集合,博弈引导者;分别为分布式电源所有者、电力负荷以及储能所有者的策略;和为需求侧资源聚合者的策略;FDG、Fuser、FES和FAGG分别表示分布式电源所有者、电力负荷、储能所有者以及需求侧资源聚合者的支付函数。
在上述博弈模型中,当各博弈参与者的策略满足如下条件时:
所述步骤800:求解所构建Stackleberg博弈模型的均衡解,具体包括:
对于构建的Stackleberg博弈模型,一般求解思路是将从属者优化问题转化为等价的KKT条件,作为引导者优化问题的附加约束。但由于不同博弈主体间存在数据隐私,采用已有求解方法无法保护博弈从属者的隐私信息,且无法解决多时间尺度问题。因此,设计了基于机器学习的分布式求解算法:首先,需求侧资源聚合者基于电网的购售电价格信息,制定初始内部购售电价格并发布给各从属者;然后,各博弈从属者根据聚合者发布的内部购售电价格,通过求解各自的效益最大化问题得到各自的发电或用电策略,并反馈给需求侧资源聚合者;需求侧资源聚合者根据反馈的信息调整价格信号。引入神经网络的强化学习方法NFSP算法,直接将随机探索环节剥离出来,使用off-policy的强化学习方法(如Q-learning、DQN)来训练一个行动值神经网络FQ,预测最大化行动值,其迭代公式为该网络用来定义近似最优策略:β=ε-greedy(FQ)。同时训练另一个策略神经网络来定义扰动平均策略π,最终从中选择动作,其中,η∈R是预测参数。在迭代过程中,每一个timestep对应一次半移,使用时间差分学习算法TD(λ)来改变网络的权重。如此反复,直到满足收敛条件。权重迭代公式如下:
如图3所示,本发明还提供了计及泛在电力物联与边缘计算的需求侧资源柔性调度系统,所述优化调度系统包括:
数据采集模块1,用于采集需求侧资源灵活性优化调度所需的负荷、光伏出力以及电价数据;
主动配电网高度融合的信息物理系统建立模块2,用于监测和分析配电网大数据,建立基于边缘计算的配电网模型;
分布式电源时序预测模型建立模块3,用于分析广义需求侧资源的运行特性,构建风电、光伏等分布式电源和电力负荷的时序预测模型;
需求侧资源柔性调度框架建立模块4,用于建立泛在电力物联网背景下需求侧资源的柔性调度框架;
需求侧资源经济性模型建立模块5,用于构建需求侧资源聚合者的成本模型,构建分布式电源所有者、电力用户、储能所有者的收益模型;
Stackleberg博弈模型建立模块6,用于建立需求侧资源聚合者与分布式电源所有者、电力用户和储能所有者之间的Stackleberg博弈模型;
分布式求解模块7,用于求解所构建Stackleberg博弈模型的均衡解。
本发明的有益效果:
通过采用本发明所述的需求侧资源多时间尺度柔性调度方法,可将其优化后的结果应用到电力物联网的建设中。本发明中的柔性调度方法所依据的基础数据包括风电、光伏等分布式电源出力、电负荷及电价数据,参与调度的决策主体包括需求侧资源聚合者、分布式电源所有者、电力用户和储能所有者,符合配电系统的发展实际情况;考虑到配电网中接入海量的物联网终端,所提基于边缘计算的主动配电网模型有利于解决原有安全边界变模糊的问题。所提基于Stackleberg博弈的柔性调度框架,可用于描述多决策主体间的协同优化问题;所提基于机器学习的博弈均衡求解方法,可克服传统集中式求解过程中的隐私数据泄露问题。通过使用本发明所述柔性调度方法,将结果应用到规模化需求侧资源多时间尺度柔性调度中,能在保证满足电网调控需求的前提下,合理安排各类需求侧资源的发电或用电计划,有利于促进新能源的消纳利用、保障各需求侧资源所有者的收益。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,其特征在于,所述调度方法包括:
分析广义需求侧资源的运行特性;
构建风电、光伏分布式电源和电力负荷的时序预测模型;
建立基于边缘计算的主动配电网模型;
构建泛在电力物联网背景下需求侧资源的柔性调度框架;
建立各类需求侧资源的经济性模型;
提出基于Stackleberg博弈的需求侧资源多时间尺度柔性调度控制方法;
设计基于机器学习的博弈均衡分布式求解方法。
2.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,其特征在于,所述的广义需求侧资源的运行特性具体包括:分布式电源特性、负荷特性和储能特性。
3.根据权利要求2所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,其特征在于,
所述分布式电源特性分为两类:可调度分布式电源和不可调度分布式电源,所述可调度分布式电源包括燃料电池和微型燃气轮机,所述不可调度分布式电源包括风电和光伏发电,所述不可调度是指无法完全控制其出力,表面湿度和温度因素,因此其输出功率具有波动性,风力机组输出功率的影响因素为实时风速,采用概率模型来描述风速的随机性;
所述负荷特性包括商业负荷和工业负荷,所述商业负荷是指商业部门的照明、空调、动力用电负荷,覆盖面积大,且用电增长平稳,商业负荷同样具有季节性波动的特性,虽然商业负荷在电力负荷中所占比重不及工业负荷,但商业负荷中的照明类负荷占用电力系统高峰时段,商业部门由于商业行为在节假日会增加营业时间,从而成为节假日中影响电力负荷的重要因素之一;工业负荷是指用于工业生产的用电,工业负荷的比重在用电构成中居于首位,它不仅取决于工业用户的工作方式,而且与各行业的行业特点、季节因素都有紧密的联系,负荷是比较恒定的;
所述储能特性根据存储电能方式的不同,将储能分为电化学、电磁和物理储能三类。
4.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,其特征在于,所述构建风电、光伏分布式电源和电力负荷的时序预测模型具体包括:
基于GA-BiLSTM的光伏功率预测:
(1)获取光伏电站最近一年的出力数据及气象数据包括水平辐射度、水平散射辐射度、风速、环境温度、相对湿度,形成数据集;删除数据集中的异常值并补充缺失值,将数据集的每个维度通过下式归一化为0-1的范围,使之标准化:
(2)对数据进行训练集、测试集和验证集划分,其中训练集为整个数据集的72%,验证集为整个数据集的18%,测试集为整个数据集的10%;
(3)对各个气象因素与光伏电站功率输出之间的皮尔逊相关系数r进行计算,通过热力图来呈现并选取光伏功率预测模型的输入因素;
(4)通过遗传算法寻找Bi-LSTM模型的最优参数和结构,并利用训练集对模型进行训练,进而通过验证集进行验证;计算四个预测评价指标来对模型预测效果进行评估:均方误差、均方根误差、平均绝对误差和R2,各评估指标定义如下:
基于混合深度学习的风电功率预测:
(1)获取风电站最近一年的出力数据及气象数据包括历史风电功率输出、不同高度的历史风速和风向、相对湿度、降雨量和气压,形成数据集;
(2)删除数据集中的异常值并补充缺失值,采用平均值归一化和极差归一化方法,将数据集的每个维度归一化为0-1的范围;
(3)对数据进行训练集、测试集和验证集划分,其中训练集为整个数据集的65%,验证集为整个数据集的20%,测试集为整个数据集的15%;
(4)利用灰色关联分析筛选风电功率的影响因素,并作为混合深度学习模型的输入;
(5)通过试错改进方法确定混合深度学习模型BiLSTM-CNN的结构和参数,并利用训练集对模型进行训练,进而通过验证集进行验证;同时,为了验证提出模型的风电预测的精准度,将所提出模型与其他深度学习模型进行比较;模型预测效果进行评估的预测评价指标为:均方根误差,平均绝对误差和R2;
(6)混合深度学习模型BiLSTM-CNN通过测试集进行测试。
5.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,其特征在于,所述基于边缘计算的主动配电网模型具体包括:
主动配电网的边缘计算层次架构由物理系统、信息网络系统和控制系统3个层次结构组成:①主动配电网中的物理系统指各种电力设备,物理系统经过各传感器节点将数据传输存储至CPS局域网,对实时采集的信息和局部中心下发的控制立即执行;②CPS局域网和CPS网络形成信息通信网络系统,支撑了边缘计算节点的分布式计算、云主站计算中心的集中式计算和控制中心的控制;③配网划分为多个独立运行的控制区域,通过不同边缘计算节点与整体配电系统进行双向信息通信和物理控制,实现通过云主站进行集中控制、计算,或通过边缘计算节点进行分散控制、计算的分层协调方式。
6.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,其特征在于,所述泛在电力物联网背景下需求侧资源的柔性调度框架具体包括:
电网作为调度任务的决策者,将分配后的任务下发给聚合商;任务分配考虑两情况:当聚合商上报的可调负荷容量总和小于电网的评估值时,电网提高对聚合商的补偿以调动用户参与积极性,直到上报的可调度负荷容量总和满足要求,进而进行消纳任务分配;当聚合商上报的可调度负荷容量总和大于或近似电网评估值时,以聚合商提供的负荷容量范围为准,进行消纳任务分配;需求侧资源聚合者作为博弈框架的引导者,其通过聚合大规模差异化需求侧资源的灵活性,响应电网调控需求;基于电网的价格信号,通过制定内部的价格来引导各类需求侧资源的行为;分布式电源、负荷和储能需求侧资源作为博弈框架的跟随者,其通过安排自身的发电或用电计划,响应聚合者的价格信号。
7.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,其特征在于,所述各类需求侧资源的经济性模型具体包括:
电网价格模型:
对于需求侧资源聚合者而言,其作为电网价格信号的接受者,进而优化各类需求侧资源的发电或用电行为,电网的价格模型如下:
需求侧资源聚合者成本模型:
需求侧资源聚合者通过制定内部价格,引导各类需求侧资源行为,具体内部价格模型如下:
对于需求侧资源聚合者,一方面通过聚合各类需求侧资源的灵活性响应电网的功率调节需求,平滑高比例光伏接入带来的净负荷波动性;另一方面需实现需求侧资源的聚合成本最小,其成本模型为:
FAGG=ωCAGG+(1-ω)fAGG;
CAGG=Cgrid+CDG+Cload+CES;
其中,CAGG表示聚合者的运行成本,fAGG表示需求侧资源的聚合功率波动,ω权重系数;Cgrid、CDG、Cload和CES分别表示聚合商与电网、分布式电源所有者、电力用户以及储能所有者的交互成本;NLt为聚合需求侧资源时段t的净负荷,Lave为优化周期内净负荷的平均值;和为时段t电网的售电和购电价格,和为时段t聚合者内部的售电和购电价格; 分别为时段t的固定负荷、实际可平移负荷、柴油发电机出力、光伏出力及储能出力;
分布式电源所有者收益模型:
其中,FDG表示分布式电源所有者的效用函数,效用函数第一项表征分布式电源所有者向聚合者的售电收益,第二项为可控分布式电源的发电成本;为柴油发电机在时段t的有功出力,为时段t向聚合者的售电电价;aG、bG、cG分别为柴油发电机的燃料成本系数;
用户收益模型:
储能所有者收益模型:
8.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,其特征在于,所述基于Stackleberg博弈的需求侧资源多时间尺度柔性调度控制方法,具体包括:
构建需求侧资源多时间尺度柔性调度的Stackleberg博弈模型:
其中,表示博弈从属者的集合,博弈引导者;分别为分布式电源所有者、电力负荷以及储能所有者的策略;和为需求侧资源聚合者的策略;FDG、Fuser、FES和FAGG分别表示分布式电源所有者、电力负荷、储能所有者以及需求侧资源聚合者的支付函数;
在上述博弈模型中,当各博弈参与者的策略满足如下条件时:
9.根据权利要求1所述的一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法,其特征在于,所述的基于机器学习的博弈均衡分布式求解方法,具体包括:
对于构建的Stackleberg博弈模型,设计了基于机器学习的分布式求解算法:首先,需求侧资源聚合者基于电网的购售电价格信息,制定初始内部购售电价格并发布给各从属者;然后,各博弈从属者根据聚合者发布的内部购售电价格,通过求解各自的效益最大化问题得到各自的发电或用电策略,并反馈给需求侧资源聚合者;需求侧资源聚合者根据反馈的信息调整价格信号;在迭代过程中,每一个timestep对应一次半移,使用时间差分学习算法TD(λ)来改变网络的权重;如此反复,直到满足收敛条件;权重迭代公式如下:
10.一种计及泛在电力物联与边缘计算的需求侧资源柔性调度系统,其特征在于,所述柔性调度系统包括:
数据采集模块,用于采集需求侧资源柔性调度所需的负荷、光伏出力以及电价数据;
分布式电源时序预测模型建立模块,用于构建风电、光伏分布式电源和电力负荷的时序预测模型;
基于边缘计算的主动配电网模型建立模块,用于监测和分析配电网大数据,建立基于边缘计算的配电网模型;
需求侧资源柔性调度框架建立模块,用于分析广义需求侧资源的类型,建立泛在电力物联网背景下需求侧资源的柔性调度框架;
需求侧资源经济性模型建立模块,用于构建需求侧资源聚合者的成本模型,构建分布式电源所有者、电力用户、储能所有者的收益模型;
Stackleberg博弈模型建立模块,用于建立需求侧资源聚合者与分布式电源所有者、电力用户和储能所有者之间的Stackleberg博弈模型;
分布式求解模块,用于求解所构建Stackleberg博弈模型的均衡解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337813.6A CN114219212A (zh) | 2021-11-12 | 2021-11-12 | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337813.6A CN114219212A (zh) | 2021-11-12 | 2021-11-12 | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114219212A true CN114219212A (zh) | 2022-03-22 |
Family
ID=80697028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111337813.6A Pending CN114219212A (zh) | 2021-11-12 | 2021-11-12 | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219212A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116111599A (zh) * | 2022-09-08 | 2023-05-12 | 贵州电网有限责任公司 | 一种基于区间预测的智能电网不确定性感知管理控制方法 |
CN116317094A (zh) * | 2022-09-07 | 2023-06-23 | 东南大学溧阳研究院 | 一种基于物联网设备量测数据的低压配电网拓扑识别方法 |
CN117039832A (zh) * | 2023-10-07 | 2023-11-10 | 合肥工业大学 | 一种用于直流配电网的能量优化管理方法及其系统 |
CN117094478A (zh) * | 2023-10-19 | 2023-11-21 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
-
2021
- 2021-11-12 CN CN202111337813.6A patent/CN114219212A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116317094A (zh) * | 2022-09-07 | 2023-06-23 | 东南大学溧阳研究院 | 一种基于物联网设备量测数据的低压配电网拓扑识别方法 |
CN116317094B (zh) * | 2022-09-07 | 2024-03-19 | 东南大学溧阳研究院 | 一种基于物联网设备量测数据的低压配电网拓扑识别方法 |
CN116111599A (zh) * | 2022-09-08 | 2023-05-12 | 贵州电网有限责任公司 | 一种基于区间预测的智能电网不确定性感知管理控制方法 |
CN117039832A (zh) * | 2023-10-07 | 2023-11-10 | 合肥工业大学 | 一种用于直流配电网的能量优化管理方法及其系统 |
CN117039832B (zh) * | 2023-10-07 | 2023-12-19 | 合肥工业大学 | 一种用于直流配电网的能量优化管理方法及其系统 |
CN117094478A (zh) * | 2023-10-19 | 2023-11-21 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
CN117094478B (zh) * | 2023-10-19 | 2024-02-06 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114219212A (zh) | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 | |
Tostado-Véliz et al. | Optimal energy management of cooperative energy communities considering flexible demand, storage and vehicle-to-grid under uncertainties | |
CN110417015A (zh) | 基于模型预测控制的微电网多目标优化调度方法及系统 | |
CN107301472A (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
Liu et al. | Optimal allocation model for EV charging stations coordinating investor and user benefits | |
Fu et al. | Planning of distributed renewable energy systems under uncertainty based on statistical machine learning | |
CN113077101A (zh) | 面向能源互联网调配管理的数字化系统及方法 | |
CN112636338B (zh) | 一种基于边缘计算的负荷分区调控系统及方法 | |
Taik et al. | Empowering prosumer communities in smart grid with wireless communications and federated edge learning | |
CN112926770A (zh) | 一种基于数字孪生的统一数据计量采集系统 | |
CN110350527A (zh) | 一种含分布式电源的增量配电网双层优化配置方法 | |
Kong et al. | Refined peak shaving potential assessment and differentiated decision-making method for user load in virtual power plants | |
Zhou et al. | Smart energy management | |
Alqahtani et al. | Dynamic energy scheduling and routing of a large fleet of electric vehicles using multi-agent reinforcement learning | |
CN113807589A (zh) | 基于模型预测的运营商储能的滚动优化方法及装置 | |
CN114421459A (zh) | 一种分布式电源规模化并网的集群划分评估方法及系统 | |
CN114077910A (zh) | 柔性负荷参与调峰优化配置的方法、装置及计算机设备 | |
Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
Hashemipour et al. | Uncertainty modeling for participation of electric vehicles in collaborative energy consumption | |
Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
Chen | Energy-use Internet and friendly interaction with power grid: A perspective | |
Barone et al. | The role of energy communities in electricity grid balancing: A flexible tool for smart grid power distribution optimization | |
Zhang et al. | Energy economy and energy structure optimization countermeasures based on big data mining | |
CN113673141A (zh) | 一种基于数据驱动的能量路由器建模及优化控制方法 | |
Lee | Optimal coalition structure generation on large-scale renewable energy smart grids |
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 |