CN114498702B - 一种基于能源路由器的微电网能源管理方法和系统 - Google Patents

一种基于能源路由器的微电网能源管理方法和系统 Download PDF

Info

Publication number
CN114498702B
CN114498702B CN202210094050.5A CN202210094050A CN114498702B CN 114498702 B CN114498702 B CN 114498702B CN 202210094050 A CN202210094050 A CN 202210094050A CN 114498702 B CN114498702 B CN 114498702B
Authority
CN
China
Prior art keywords
weather
energy
power
prediction model
time period
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.)
Active
Application number
CN202210094050.5A
Other languages
English (en)
Other versions
CN114498702A (zh
Inventor
程建洲
费金星
李林隆
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.)
Nanjing Qingdian Iot Technology Co ltd
Original Assignee
Nanjing Qingdian Iot Technology 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 Nanjing Qingdian Iot Technology Co ltd filed Critical Nanjing Qingdian Iot Technology Co ltd
Priority to CN202210094050.5A priority Critical patent/CN114498702B/zh
Publication of CN114498702A publication Critical patent/CN114498702A/zh
Application granted granted Critical
Publication of CN114498702B publication Critical patent/CN114498702B/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
    • H02J3/28—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
    • 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
    • H02J15/00—Systems for storing electric 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
    • 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
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本说明书实施例提供一种能源路由器的微电网能源管理，该方法包括获取光伏发电设备的光伏供电量和用电设备的用电需求量；当光伏供电量低于用电需求量时，控制能源路由器基于电价条件从储电设备或电网对用电设备进行供电。

Description

一种基于能源路由器的微电网能源管理方法和系统
技术领域
本说明书涉及智能电网领域，特别涉及一种基于能源路由器的微电网能源管理方法和系统。
背景技术
消费者通过智能电表了解电量使用情况，从而可以主动地去节省用电、节省能耗开支，而这并不能直接实现节省能耗开支。
为了帮助消费者节省能耗开支，同时又确保满足电力公司在需求响应或负荷管理计划中与消费者采用率有关的期望，很明显除了智能电表以外，为消费者部署微电网能源管理配套设备是必要的。因此，需要提出一种基于能源路由器的微电网能源管理方法，控制各种设备的电量流向，实现能源利用最大化。
发明内容
本说明书实施例之一提供一种基于能源路由器的微电网能源管理方法，所述方法包括：获取光伏发电设备的光伏供电量和用电设备的用电需求量；当所述光伏供电量低于所述用电需求量时，控制能源路由器基于电价条件从储电设备或电网对所述用电设备进行供电。
本说明书实施例之一提供一种基于能源路由器的微电网能源管理系统，所述系统包括：获取模块，用于获取光伏发电设备的光伏供电量和用电设备的用电需求量；控制模块，用于当所述光伏供电量低于所述用电需求量时，控制能源路由器基于电价条件从储电设备或电网对所述用电设备进行供电。
本说明书实施例之一提供一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于能源路由器的微电网能源管理方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行基于能源路由器的微电网能源管理方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的微电网能源管理系统的应用场景示意图；
图2是根据本说明书一些实施例所示的微电网能源管理系统的示例性模块图；
图3是根据本说明书一些实施例所示的微电网能源管理方法的示例性流程图；
图4是根据本说明书一些实施例所示的微电网能源管理方法的另一示例性流程图；
图5是根据本说明书一些实施例所示的模型交替训练的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的微电网能源管理系统的应用场景示意图。
如图1所示，本说明书实施例所涉及的应用场景100可以包括处理设备110、能源路由器120、光伏发电设备130、储电设备140、用电设备150、能源存储设备160以及电网170。
在一些实施例中，微电网能源管理系统可以通过实施本说明书中披露的方法和/或过程来对能源进行管理。
处理设备110可以处理来自能源路由器120的数据和/或信息。处理设备110可以经由能源路由器120获取数据。例如，处理设备110经由能源路由器120获取光伏发电设备130的光伏供电量、储电设备140的当前储电量、用电设备150的用电需求量以及能源存储设备160的储能量。处理设备110可以对获取的数据进行处理。例如，处理设备110可以基于光伏供电量和用电需求量，判断是否需要控制能源路由器对用电设备150进行供电。例如，处理设备110可以基于光伏供电量、用电需求量以及储电设备140的可储电余量，判断是否需要控制能源路由器120对能源存储设备160进行储能。又例如，处理设备110可以预测至少一个未来时间段的预测光伏供电量和预测用电需求量，并根据预测光伏供电量、预测用电需求量和储电设备140的当前储电量，判断是否需要控制能源路由器对储电设备140进行充电。在一些实施例中，处理设备110可以是单个服务器或服务器组。处理设备110可以是本地的、远程的。处理设备110可以在云平台上实现，或者以虚拟方式提供。
能源路由器120可以与光伏发电设备130、储电设备140、用电设备150、能源存储设备160连接以控制微电网能源管理系统中的能源流向。在一些实施例中，能源路由器120还可以与电网170连接。在一些实施例中，能源路由器可以控制微电网能源管理系统中一个或多个设备的能源流向。例如，能源路由器120可以控制光伏发电设备130和/或储电设备140对用电设备150进行供电。例如，能源路由器120可以控制光伏发电设备130对储电设备140进行储电，和/或对能源存储设备160进行储能。在一些实施例中，能源路由器120还可以利用电网对用电设备150进行供电，和/或对能源存储设备160进行储能。
电网170可以是用于输送和分配电能的电力传输网络。电网170可以包括联结成网的送电线路、变电所、配电所和配电线路等。在一些实施例中，电网170输送和分配电能的能力(后述简称为配电能力)以及电网170的电价可以根据时段和地区确定。例如，电网170在用电高峰期的配电能力和/或电价大于用电低谷期的配电能力，电网170在炎热地区、寒冷地区的配电能力和/或电价较高。
光伏发电设备130可以将太阳光能转换为电能。在一些实施例中，光伏发电设备130可以是独立光伏发电设备、并网光伏发电设备和/或分布式光伏发电设备。在一些实施例中，光伏发电设备130可以由光伏组件、控制器、逆变器及其他配件组成。
在一些实施例中，光伏发电设备130可以利用光伏供电量对用电设备150进行供电、对储电设备140进行充电，还可以对能源存储设备160进行供电，使得能源存储设备160可以将电能转换为其他能源进行存储。
储电设备140可以是存储电能的设备。在一些实施例中，储电设备140可以包括移动电源、储能电池、储能机等。在一些实施例中，储电设备140可以把储存暂时不用的电能，在需要用电的时候(例如，用电高峰、停电)提取使用，或者运往能量紧缺(例如，户外)的地方使用。在一些实施例中，储电设备140还可以利用其储存的电能对用电设备150、能源存储设备160进行供电。在一些实施例中，储电设备140可以由电网对其进行充电，例如，能源路由器120可以在低电价时段控制电网对储电设备140进行充电。
用电设备150可以是将电能作为能源进行工作的设备。在一些实施例中，用电设备150可以包括但不限于空调、冰箱等。在一些实施例中，用电设备150可以以光伏发电设备130的光伏供电量储电设备140的储电量作为能源进行工作。在一些实施例中，用电设备150还可以由电网进行供电。
能源存储设备160可以是将能源以除电能外的其他能源形式进行存储的设备。在一些实施例中，能源存储设备160可以用于存储冷能、热能等。在一些实施例中，能源存储设备160可以包括空气源热泵、冷能存储设备和热能存储设备等。在一些实施例中，能源存储设备160可以由光伏发电设备130和/或储电设备140进行供电。在一些实施例中，能源存储设备160还可以由电网进行供电。
图2是根据本说明书一些实施例所示的微电网能源管理系统的示例性模块图。
在一些实施例中，所述微电网能源管理系统200可以包括获取模块210、控制模块220和预测模块230。
获取模块210可以用于获取光伏发电设备的光伏供电量和用电设备的用电需求量。关于获取光伏供电量和用电需求量的更多细节参见图3。
控制模块220可以用于当光伏供电量低于用电需求量时，控制能源路由器基于电价条件从储电设备或电网对用电设备进行供电。在一些实施例中，控制模块220可以用于当光伏供电量高于用电需求量与储电设备的可储电余量之和时，控制能源存储设备进行储能。关于对用电设备进行供电和对能源存储设备进行储能的更多细节参见图3。
在一些实施例中，控制模块220还可以还用于当预测光伏供电量与储电设备的当前储电量之和低于预测用电需求量时，控制能源路由器在至少一个未来时间段之前的至少一个低电价时段，从电网对储电设备进行充电。关于在低电价时段从电网进行充电的更多细节参见图4。
预测模块230可以用于确定至少一个未来时间段的预测光伏供电量和预测用电需求量。在一些实施例中，预测模块230还可以基于机器学习模型预测能源需求量，确定能源存储设备的储能量。关于预测光伏供电量、预测用电需求量和预测能源需求量的更多细节参见图4。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的获取模块210、控制模块220和预测模块230可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的微电网能源管理方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理器(例如，处理设备110)执行。
步骤310，获取光伏发电设备的光伏供电量和用电设备的用电需求量。在一些实施例中，步骤310可以由获取模块210执行。
光伏发电设备可以将太阳能转化为电能。关于光伏发电设备的更多细节参见图1。
光伏供电量可以是光伏发电设备在一段时间内将太阳能转化为电能的量。在一些实施例中，光伏供电量可以与水平面太阳能辐照度、光照时间(能接收到光照的时间)、光伏发电设备中光伏组件的光电转化率、安装面积及倾角等有关。
在一些实施例中，光伏供电量还可以受到其他因素影响，例如，环境温度、其他天气变量等。
光伏供电量可以通过多种方式获取，例如，直接获取光伏发电设备上显示的数据或基于实际情况计算等。
在一些实施例中，光伏供电量还可以通过机器学习模型获取，例如，可以基于机器学习模型对被预测时段的天气数据等相关数据的处理，获得被预测时段的光伏供电量，基于机器学习模型预测光伏供电量的进一步说明参见图4。
用电设备是可以将电能作为能源进行工作的设备。关于用电设备的更多细节参见图1。
用电需求量可以是用电设备为满足当前使用需求或未来使用需求所需要的电量。在一些实施例中，用电需求量可以与用电设备的数量及类型、功率、使用时间等有关。
在一些实施例中，获取模块210可以通过能源路由器获取用电设备的用电需求量。在一些实施例中，获取模块210可以获取历史同时期用电设备的用电需求量作为当前的电需求量。在一些实施例中，用电需求量还可以通过机器学习模型获取，关于机器学习模型预测用电需求量的更多细节参见图4。
步骤320，当光伏供电量低于用电需求量时，控制能源路由器基于电价条件从储电设备或电网对用电设备进行供电。在一些实施例中，步骤320可以由控制模块220执行。
电价条件是指用于确定用电设备所用电能来源的策略，例如，电价条件可以用于确定是从储电设备对用电设备进行供电，还是从电网对用电设备进行供电。在一些实施例中，电价条件可以基于电价大小、电价变化来确定。例如，电价条件可以是电价低于电价阈值(例如，0.5元/度)时则从电网对用电设备进行供电。电价阈值可以提前设定。在一些实施例中，电价阈值的取值与基于储电设备、能源存储设备等设备供电或供能时的成本相关，例如，电价阈值取值不高于基于储电设备、能源存储设备等设备供电或供能时的成本。
电价低于电价阈值的时间段可以称为低电价时段，即电价条件可以是电价处于低电价时段时从电网对用电设备进行供电，关于低电价时段的更多细节参见步骤420及其相关描述。在一些实施例中，控制模块220可以直接在电网查询到实时电价，基于该实时电价确定电价条件。在一些实施例中，电价条件可以提前预设。
当满足电价条件时，控制模块220可以控制能源路由器从电网对用电设备进行供电，否则，控制能源路由器从储电设备对用电设备进行供电。例如，以上述电价条件为例，电价低于0.5元/度时，控制模块220控制能源路由器从电网对用电设备进行供电；电价高于0.5元/度时，控制模块220控制能源路由器从储电设备对用电设备进行供电。
在一些实施例中，在满足特定条件时，控制模块220还可以控制能源存储设备进行储能，具体参见步骤330。应当注意的是，步骤330并非必须进行的步骤，即步骤320后可以不继续进行步骤330。
步骤330，当光伏供电量高于用电需求量与储电设备的可储电余量之和时，控制能源存储设备进行储能。在一些实施例中，步骤330可以由控制模块220执行。
可储电余量可以是储电设备的储电容量减去储电设备的当前储电量的量。储电容量为储电设备所能储存的最大电量，当前储电量为储电设备当前所储存的电量。
储能可以是将能源以除电能外的其他能源形式进行储存。其他能源形式包括热能、冷能、风能等。在一些实施例中，控制模块220可以将光伏供电量高于用电需求量与可储电余量之和的这部分电能转化为其他能源储存在能源存储设备中。例如，光伏供电量为20度，用电需求量为5度，可储电余量为5度，则可以将剩余10度电量转化为其他能源储存在能源存储设备中。
能源存储设备是指可以实现储能的设备。在一些实施例中，能源存储设备可以包括空气源热泵、蓄冷设备和蓄热设备等。空气源热泵可以用于储存热冷和/或冷能，蓄冷设备可以用于储存冷能，蓄热设备可以用于储存热能。关于能源存储设备的更多细节参见图1。
当光伏发电设备所能提供的光伏供电量在给用电设备和储电设备完成供电后，剩余的光伏供电量转化为其他能源储存在能源存储设备中，可以提高能源的利用率，同时降低用电的成本，实现了经济用电。
在一些实施例中，控制模块220控制能源存储设备进行储能时，还可以基于能源需求量确定能源存储设备的储能量。在一些实施例中，能源需求量可以由预测模块230获取，具体地，预测模块230可以基于机器学习模型(如第一预测模型)预测能源需求量。
第一预测模型可以用于预测能源需求量。第一预测模型的输入可以为历史时间段的天气特征和日期特征、未来时间段的天气特征和日期特征，输出为未来时间段的能源需求量。历史时间段可以是当前时间点之前的一段时间。例如，当前时间点为今天的北京时间18:00，历史时间段可以是今天的北京时间12:00-13:00。未来时间段可以是当前时间点之后的一段时间。例如，当前时间点为今天的北京时间18:00，未来时间段可以是今天的北京时间21:00-22:00。
在一些实施例中，第一预测模型的类型可以包括卷积神经网络(CNN)、深度神经网络(DNN)等。
第一预测模型的参数可以通过训练获取。在一些实施例中，第一预测模型可以基于大量带有第一标签的第一训练样本训练得到。例如，将带有第一标签的第一训练样本输入初始第一预测模型中，通过第一标签和初始第一预测模型的预测结果构建损失函数，基于损失函数迭代更新模型的参数。当训练的模型满足预设条件时，训练结束。其中，预设条件为损失函数收敛、迭代的次数达到阈值等。
第一训练样本至少包括样本历史时间段的天气特征和日期特征、样本未来时间段的天气特征和日期特征，第一标签可以是未来时间段的能源需求量。在一些实施例中，第一标签可以基于历史数据生成，也可以通过人为标注获取。
在一些实施例中，第一预测模型可以包括天气特征层、日期特征层、全连接层。天气特征层可以用于输入历史时间段的天气特征和未来时间段的天气特征，输出为天气特征向量。日期特征层可以用于输入历史时间段的日期特征和未来时间段的日期特征，输出为日期特征向量。全连接层的输入为天气特征层的输出和日期特征层的输出，其输出为能源需求量。在一些实施例中，天气特征层、日期特征层的模型类型可以是CNN、DNN等。在一些实施例中，第一预测模型中天气特征层的参数还可以通过与其他含有天气特征层的模型交替训练获取。关于交替训练的更多细节参见图5。
能源需求量可以是在一段时间内为满足使用需求所需要的能源的量。能源需求量还可以包括能源对应的类型。例如，能源需求量可以为5L的55℃热储能量可以是根据能源需求量确定的能源存储设备存储的能源的量。
在一些实施例中，储能量可以与能源需求量和能源存储设备的可储能余量的大小关系有关。类似的，能源存储设备的可储能余量可以为能源存储设备的储能容量减去能量存储设备的当前储能量。在一些实施例中，当能源需求量小于可储能余量时，储能量可以等于能源需求量；当能源需求量大于可储能余量时，储能量可以等于可储能余量。
通过第一预测模型可以准确地预测能源需求量，从而可以进一步根据能源需求量确定能源存储设备的储能量，避免向能源存储设备中储存过多能源，对设备造成损耗。
通过分析连接到能源路由器的各个设备的能源的提供量和/或消耗量，对各个设备的能源利用进行合理化管理，从而可以在保障用户生活舒适度的同时，提高能源的利用率。通过能源路由器可以灵活调度各用电设备的供电途径，以充分利用光伏供电量对其他设备进行供电，或在低电价时段从电网对其他设备进行供电，降低用电成本的同时还可以提高用电效率。通过机器学习模型准确预测能源需求量，从而确定储能设备等的具体储能需求，可以在满足可靠用电需求的同时降低设备的损耗率。
图4是根据本说明书一些实施例所示的微电网能源管理方法的另一示例性流程图。
步骤410，确定至少一个未来时间段的预测光伏供电量和预测用电需求量。在一些实施例中，步骤410可以由预测模块230执行。
预测光伏供电量可以是预测的未来一段时间内的光伏供电量。类似的，预测光伏供电量也可以与天气条件(如水平面太阳能辐照度、光照时间)、设备条件(如光伏发电设备中光伏组件的光电转化率)等有关。
预测用电需求量可以是预测的用电设备在未来一段时间内为满足使用需求所需要的电量。在一些实施例中，预测用电需求量可以与用电设备的数量及类型、功率、使用时间等有关。
在一些实施例中，预测用电需求量可以基于历史用电量确定，历史用电量可以为过去的某一段时间内用电设备消耗的电量。例如，用户在北京时间20:00-22:00之间的历史用电量为3-5度电，则可以确定用户在相同时间段的预测用电需求量为3-5度电。
在一些实施例中，预测用电需求量还可以通过机器学习模型(如第二预测模型)获取。
第二预测模型可以用于确定预测用电需求量。其输入可以为至少一个历史时间段的用电量序列、至少一个历史时间段的天气特征和日期特征、至少一个未来时间段的天气特征和日期特征，输出为至少一个未来时间段的预测用电需求量序列。
第二预测模型的参数可以通过训练获取，第二预测模型可以基于大量带有第二标签的第二训练样本训练得到。第二训练样本至少包括样本历史时间段的用电量序列、样本历史时间段的天气特征和日期特征、样本未来时间段的天气特征和日期特征，第二标签可以是未来时间段的预测用电需求量序列，具体训练方式可以参见步骤330及其相关描述，此处不再赘述。
在一些实施例中，第二预测模型可以包括天气特征层、日期特征层、用电量特征层以及全连接层。第二预测模型的天气特征层可以用于输入历史时间段的天气特征和未来时间段的天气特征，输出为天气特征向量。日期特征层可以用于输入历史时间段的日期特征和未来时间段的日期特征，输出为日期特征向量。用电量特征层可以用于输入历史时间段的用电量序列，输出为用电量特征向量。全连接层的输入为天气特征层的输出、日期特征层的输出以及用电量特征层的输出，其输出为预测用电需求量序列。在一些实施例中，天气特征层、日期特征层及用电量特征层的模型类型可以是CNN、DNN等。
在一些实施例中，第二预测模型可以与第一预测模型共用一个天气特征层。在一些实施例中，第二预测模型中天气特征层的参数还可以通过与其他含有天气特征层的模型交替训练获取。关于交替训练的更多细节参见图5。
用电量可以为一段时间内用电设备消耗的电量，用电量序列为至少一段时间内用电设备消耗的电量的序列表示，可以预先设定序列中各个序列值对应的时间点。例如序列中第一个值对应的时间为12:00-14:00，该时间段用电量为2度；第二个值对应的时间为14:00-16:00，对应用电量为1度；第三个值对应的时间为16:00-18:00，对应用电量为2度，则用电量序列可以表示为(2,1,2)。
天气特征可以是与天气有关的信息。在一些实施例中，天气特征包括云量、气温、降水量、风向和风速等。天气特征可以参考气象站数据获取。例如，天气特征可以是(27℃，多云，东南风1级)等。
日期特征可以是与时间相关的信息。在一些实施例中，日期特征包括季节、月份、一天当中的时间段等。日期特征可以由人为输入获取。例如，日期特征可以是(冬季，夜间)等。
在一些实施例中，预测光伏供电量可以基于历史光伏供电量确定，历史光伏供电量可以为过去的某一段时间内光伏发电设备产生的电量。例如，光伏发电设备在27℃的晴天无云的天气情况下光照八小时的历史光伏供电量为10度电，则可以确定其在相同或类似的天气情况下光照八小时产生的预测光伏供电量为10度电。
在一些实施例中，预测模块230可以基于至少一个未来时间段的天气特征确定至少一个未来时间段的预测光伏供电量。
在一些实施例中，预测模块230可以基于对照表确定天气特征对应的预测光伏供电量。对照表可以包括在不同的天气特征及不同的光照时间下，对应产生的光伏供电量，对照表可以根据历史数据确定。例如，预测模块230可以根据当前的天气特征和预计的光照时间在对照表中查询对应的光伏供电量作为预测光伏供电量。预计的光照时间可以参考气象站数据获取。例如，明天上午10:00-12:00的天气特征为晴天多云，对照表中对应相同或相似的天气特征下光照2h所产生的光伏供电量为2度，则预测模块230可以确定光伏发电设备在明天上午10:00-12:00产生的预测光伏供电量为2度。
在一些实施例中，预测模块230可以基于机器学习模型(如第三预测模型)对至少一个未来时间段的天气特征进行处理，确定至少一个未来时间段的预测光伏供电量。
第三预测模型可以用于确定未来时间段的预测光伏供电量。其输入可以为当前时间的光伏供电量、未来时间段的天气特征，输出为未来时间段的预测光伏供电量。
第三预测模型的参数可以通过训练获取，第三预测模型可以基于大量带有第三标签的第三训练样本训练得到。第三训练样本至少包括样本当前时间的光伏供电量、样本未来时间段的天气特征，第三标签可以是未来时间段的预测光伏供电量，具体训练方式可以参见步骤330及其相关描述，此处不再赘述。
在一些实施例中，第三预测模型可以包括天气特征层、光伏特征层以及全连接层。第三预测模型的天气特征层可以用于输入未来时间段的天气特征，输出为天气特征向量。光伏特征层可以用于当前时间的光伏供电量，输出为光伏特征向量。全连接层的输入为天气特征层的输出和光伏特征层的输出，其输出为预测光伏供电量。在一些实施例中，天气特征层、光伏特征层的模型类型可以是CNN、DNN等。
在一些实施例中，第三预测模型可以与第一预测模型、第二预测模型共用一个天气特征层。在一些实施例中，第三预测模型中天气特征层的参数还可以通过与其他模型(如第一模型和/或第二模型)交替训练获取。关于交替训练的更多细节参见图5。
通过机器学习模型可以更加准确地预测未来时间段的预测光伏供电量和预测用电需求量，从而可以更好地管理微电网能源的流向，提高能源的利用率，降低能源的使用成本的同时，提升用户的智慧用能体验。
步骤420，当预测光伏供电量与储电设备的当前储电量之和低于预测用电需求量时，控制能源路由器在低电价时段从电网对储电设备进行充电，所述低电价时段处于所述未来时间段之前。在一些实施例中，步骤420可以由控制模块220执行。
低电价时段可以是电价低于电价阈值的时间段。低电价时段可以根据电价条件确定，例如，电价条件为电价低于0.5元/度时则从电网对用电设备进行供电，则可以确定低电价时段为电价低于0.5元/度的时间段。低电价时段为当前时间到未来时间段之前的时间段，例如，未来时间段为明天16:00-18:00，则低电价时段是当前时间到明天16:00-18:00之前的电价低于电价阈值的时间段。
在一些实施例中，控制模块230可以基于机器学习模型对历史数据进行处理获取低电价时段。历史数据可以包括不同情况下对应电价的数据，例如，电价在不同时段和不同地区的变化情况。在一些实施例中，控制模块230还可以直接在电网查询到电价，从而确定低电价时段。
在一些实施例中，当预测光伏供电量与储电设备的当前储电量之和低于预测用电需求量时，控制模块230可以在低电价时段控制能源路由器从电网对储电设备进行充电，从而使得在光伏供电量不足以满足用电设备的使用需求时，储电设备中的储电量可以为用电设备提供充足的电能。在一些实施例中，控制模块230还可以在低电价时段控制控制能源路由器从电网对能源存储设备进行供电，从而使得储能设备可以在低电价时段提前储存能源，以备不时之需。
通过预测各个设备在未来时间段的能源提供量和/或消耗量，可以更有效地管理微电网能源流向，提前在低电价时段对各个设备进行储电和/或储能，进一步降低用电的成本，实现经济用电。
应当注意的是，上述有关流程300、400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300、400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图5是根据本说明书一些实施例所示的模型交替训练的示例性示意图。
如图5所示，在一些实施例中，第一预测模型、第二预测模型与第三预测模型可以共用一个天气特征层。天气特征层可以用于输入天气特征，输出为天气特征向量。天气特征层的具体输入与所在模型的类别相关，例如，第一预测模型中天气特征层的输入为历史时间段的天气特征和未来时间段的天气特征，第二预测模型中天气特征层的输入为至少一个历史时间段的天气特征、至少一个未来时间段的天气特征，第三预测模型中天气特征层的输入为未来时间段的天气特征。
在一些实施例中，天气特征层的模型类型可以是神经网络模型，例如，CNN、DNN等。
在一些实施例中，天气特征层的参数可以通过交替训练获取。交替训练可以是在其中一个模型完成训练后，将训练好的天气特征层的参数迁移到另外的模型中，并对另外的模型进行训练并更新天气特征层的参数，再将更新好的天气特征层的参数迁移到下一个模型中，继续对天气特征层的参数进行更新，直到训练的模型满足预设条件时，训练结束。其中，预设条件为损失函数收敛、迭代的次数达到阈值等。例如，交替训练可以是利用第一训练样本及第一标签对第一预测模型完成训练后，将训练好的第一预测模型中天气特征层的参数迁移到第二预测模型中的天气特征层，然后利用第二训练样本及第二标签更新第二预测模型中天气特征层的参数，并将更新好的天气特征层的参数迁移到第三预测模型中的天气特征层中，再利用第三训练样本及第三标签更新第三预测模型中天气特征层的参数，如此交替进行，直到满足预设条件。
在一些实施例中，训练完成后的天气特征层的参数可以迁移到第一预测模型、第二预测模型和/或第三预测模型中。
通过交替训练获取预测模型，可以解决训练数据量不足的问题，同时，通过利用多种训练样本及标签对同一个模型进行交替训练，可以使得训练后的预测模型的精度更高。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (6)

1.一种基于能源路由器的微电网能源管理方法，其特征在于，所述方法包括：
获取光伏发电设备的光伏供电量和用电设备的用电需求量；
当所述光伏供电量低于所述用电需求量时，控制能源路由器基于电价条件从储电设备或电网对所述用电设备进行供电；
当所述光伏供电量高于所述用电需求量与所述储电设备的可储电余量之和时，控制能源存储设备进行储能；其中，所述控制能源存储设备进行存储包括：
基于第一预测模型预测能源需求量，确定所述能源存储设备的储能量，所述第一预测模型为机器学习模型；第一预测模型包括天气特征层、日期特征层、全连接层，所述天气特征层用于输入历史时间段的天气特征和未来时间段的天气特征，输出为天气特征向量；所述日期特征层用于输入所述历史时间段的日期特征和所述未来时间段的日期特征，输出为日期特征向量；所述全连接层的输入为所述天气特征向量和所述日期特征向量，输出为所述未来时间段的能源需求量；其中，所述第一预测模型的天气特征层通过与第二预测模型的天气特征层、第三预测模型的天气特征层交替训练得到，所述第二预测模型用于输入至少一个所述历史时间段的用电量序列、至少一个所述历史时间段的天气特征和日期特征、至少一个所述未来时间段的天气特征和日期特征，输出为至少一个所述未来时间段的预测用电需求量序列；所述第三预测模型用于输入当前时间的光伏供电量、所述未来时间段的天气特征，输出为所述未来时间段的预测光伏供电量；所述交替训练包括：
利用第一训练样本及第一标签对所述第一预测模型完成训练后，将训练好的所述第一预测模型中所述天气特征层的参数迁移到所述第二预测模型中的所述天气特征层；
利用第二训练样本及第二标签更新所述第二预测模型中的所述天气特征层的参数，并将更新好的所述天气特征层的参数迁移到所述第三预测模型中的所述天气特征层中；
利用第三训练样本及第三标签更新所述第三预测模型中所述天气特征层的参数，如此交替进行，直到满足预设条件，并将训练完成后的所述天气特征层的参数可以迁移到所述第一预测模型中。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取至少一个未来时间段的预测光伏供电量和预测用电需求量；
当所述预测光伏供电量与所述储电设备的当前储电量之和低于所述预测用电需求量时，控制所述能源路由器在所述至少一个未来时间段之前的至少一个低电价时段，从所述电网对所述储电设备进行充电。
3.一种基于能源路由器的微电网能源管理系统，其特征在于，所述系统包括：
获取模块，用于获取光伏发电设备的光伏供电量和用电设备的用电需求量；
控制模块，用于当所述光伏供电量低于所述用电需求量时，控制能源路由器基于电价条件从储电设备或电网对所述用电设备进行供电；
当所述光伏供电量高于所述用电需求量与所述储电设备的可储电余量之和时，控制能源存储设备进行储能；
预测模块，用于基于第一预测模型预测能源需求量，确定所述能源存储设备的储能量，所述第一预测模型为机器学习模型；第一预测模型包括天气特征层、日期特征层、全连接层，所述天气特征层用于输入历史时间段的天气特征和未来时间段的天气特征，输出为天气特征向量；所述日期特征层用于输入所述历史时间段的日期特征和所述未来时间段的日期特征，输出为日期特征向量；所述全连接层的输入为所述天气特征向量和所述日期特征向量，输出为所述未来时间段的能源需求量；其中，所述第一预测模型的天气特征层通过与第二预测模型的天气特征层、第三预测模型的天气特征层交替训练得到，所述第二预测模型用于输入至少一个所述历史时间段的用电量序列、至少一个所述历史时间段的天气特征和日期特征、至少一个所述未来时间段的天气特征和日期特征，输出为至少一个所述未来时间段的预测用电需求量序列；所述第三预测模型用于输入当前时间的光伏供电量、所述未来时间段的天气特征，输出为所述未来时间段的预测光伏供电量；所述交替训练包括：
利用第一训练样本及第一标签对所述第一预测模型完成训练后，将训练好的所述第一预测模型中所述天气特征层的参数迁移到所述第二预测模型中的所述天气特征层；
利用第二训练样本及第二标签更新所述第二预测模型中的所述天气特征层的参数，并将更新好的所述天气特征层的参数迁移到所述第三预测模型中的所述天气特征层中；
利用第三训练样本及第三标签更新所述第三预测模型中所述天气特征层的参数，如此交替进行，直到满足预设条件，并将训练完成后的所述天气特征层的参数可以迁移到所述第一预测模型中。
4.根据权利要求3所述的系统，其特征在于，所述预测模块还用于获取至少一个未来时间段的预测光伏供电量和预测用电需求量；
所述控制模块还用于：
当所述预测光伏供电量与所述储电设备的当前储电量之和低于所述预测用电需求量时，控制所述能源路由器在所述至少一个未来时间段之前的至少一个低电价时段，从所述电网对所述储电设备进行充电。
5.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-2中任一项所述的方法。
6.一种计算机可读存储介质，所述存储介质存储计算机指令，其特征在于，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1-2中任一项所述的方法。
CN202210094050.5A 2022-01-26 2022-01-26 一种基于能源路由器的微电网能源管理方法和系统 Active CN114498702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210094050.5A CN114498702B (zh) 2022-01-26 2022-01-26 一种基于能源路由器的微电网能源管理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210094050.5A CN114498702B (zh) 2022-01-26 2022-01-26 一种基于能源路由器的微电网能源管理方法和系统

Publications (2)

Publication Number Publication Date
CN114498702A CN114498702A (zh) 2022-05-13
CN114498702B true CN114498702B (zh) 2023-03-24

Family

ID=81476536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210094050.5A Active CN114498702B (zh) 2022-01-26 2022-01-26 一种基于能源路由器的微电网能源管理方法和系统

Country Status (1)

Country Link
CN (1) CN114498702B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116667443B (zh) * 2023-06-20 2024-04-26 苏州天富利新能源科技有限公司 一种光伏设备和光伏设备控制系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011121815A1 (ja) * 2010-03-29 2011-10-06 株式会社日立製作所 エネルギーマネジメントシステム、エネルギーマネジメント装置及びエネルギーマネジメント方法
CN206559127U (zh) * 2017-03-27 2017-10-13 国网冀北电力有限公司技能培训中心 风光互补电热供应系统
CN107834611A (zh) * 2017-11-15 2018-03-23 安徽工程大学 一种户用电能路由器
CN110007613B (zh) * 2019-04-10 2022-04-29 北方工业大学 用于储热式电暖器的用暖预测方法、系统及存储介质
CN110112783B (zh) * 2019-05-23 2021-01-19 深圳市建筑科学研究院股份有限公司 光伏蓄电池微电网调度控制方法
CN110086205A (zh) * 2019-06-24 2019-08-02 珠海格力电器股份有限公司 供电系统的控制方法、装置、系统和存储介质
CN214307314U (zh) * 2021-02-01 2021-09-28 包头市爱能控制工程有限责任公司 一种源网荷储热泵供暖系统

Also Published As

Publication number Publication date
CN114498702A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
US11537091B2 (en) Multi-scale optimization framework for smart energy systems
Abdolrasol et al. An optimal scheduling controller for virtual power plant and microgrid integration using the binary backtracking search algorithm
Wang et al. Integrated energy exchange scheduling for multimicrogrid system with electric vehicles
Hamilton et al. Dispatch optimization of concentrating solar power with utility-scale photovoltaics
US20150324935A1 (en) Control system for power system
Agamah et al. A heuristic combinatorial optimization algorithm for load-leveling and peak demand reduction using energy storage systems
Rahmani-Andebili et al. Price-controlled energy management of smart homes for maximizing profit of a GENCO
CN111525627A (zh) 含抽蓄与新能源发电的柔性直流输电系统日前调度方法
CN111262264B (zh) 一种基于嵌入式的用户侧储能优化控制器及控制方法
Li et al. Optimal battery schedule for grid-connected photovoltaic-battery systems of office buildings based on a dynamic programming algorithm
CN111682529A (zh) 一种基于节点电价信息的移动储能车灵活调度方法
CN114498702B (zh) 一种基于能源路由器的微电网能源管理方法和系统
Michael et al. Economic scheduling of virtual power plant in day-ahead and real-time markets considering uncertainties in electrical parameters
Harrold et al. Battery control in a smart energy network using double dueling deep q-networks
Ceccon et al. Intelligent electric power management system for economic maximization in a residential prosumer unit
Massana et al. Multi-vector energy management system including scheduling electrolyser, electric vehicle charging station and other assets in a real scenario
US20180197252A1 (en) Methods And Systems For A Renewable Electricity System
Ioakimidis et al. Introduction of plug-in hybrid electric vehicles in an isolated island system
Abul'Wafa Energy storage sizing for rooftop grid-connected PV system
CN115809593A (zh) 一种包含多元储能装置的综合能源系统的运行控制方法
Syed et al. Predictive energy management, control and communication system for grid tied wind energy conversion systems
Shuvo et al. Optimal dispatch for a microgrid with distributed generations and ev charging load
Kumar et al. Optimal planning for building integrated microgrid system (BIMGS) for economic feasibility with renewable energy support
da Silva et al. Optimal energy trading policy for solar-powered microgrids: a modeling approach based on plug-in hybrid electric vehicles
Gunapriya et al. Performance enhancement of EV charging stations and distribution system: a GJO–APCNN technique

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