CN114970979A - 一种基于功率预测的储能优化方法及系统 - Google Patents

一种基于功率预测的储能优化方法及系统 Download PDF

Info

Publication number
CN114970979A
CN114970979A CN202210494898.7A CN202210494898A CN114970979A CN 114970979 A CN114970979 A CN 114970979A CN 202210494898 A CN202210494898 A CN 202210494898A CN 114970979 A CN114970979 A CN 114970979A
Authority
CN
China
Prior art keywords
data
power
energy storage
power data
prediction
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
CN202210494898.7A
Other languages
English (en)
Other versions
CN114970979B (zh
Inventor
王宏
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202210494898.7A priority Critical patent/CN114970979B/zh
Publication of CN114970979A publication Critical patent/CN114970979A/zh
Application granted granted Critical
Publication of CN114970979B publication Critical patent/CN114970979B/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
    • G06Q10/04—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
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于功率预测的储能优化方法及系统；其中，所述方法包括：获取第一区域内的第一功率数据，所述第一功率数据为历史数据；根据所述第一功率数据预测得出第二功率数据，根据所述第二功率数据绘制得出功率波动曲线；根据所述功率波动曲线确定储能优化方案。本发明的方案能够基于对风力发电功率的预测数据来获得当下时段的功率波动曲线，进而针对性的确定出合理的储能优化方案，使得发电功率保持较高的稳定性。

Description

一种基于功率预测的储能优化方法及系统
技术领域
本发明涉及电力系统技术领域，具体而言，涉及一种基于功率预测的储能优化方法、系统、电子设备及计算机存储介质。
背景技术
当前能源枯竭和环境污染问题日愈严重，因此人们越来越重视可再生清洁能源的研究和使用。例如，风能是可再生的清洁能源，利用风能发电，可以有效缓解上述两个问题。但是，风能具有较强的不稳定性，其发电功率会有较大的波动，这就需要实施相关的储能措施来应对风能的波动，进而实现风力发电的稳定功率输出。
然而，现有技术对储能优化这方面的研究较少，现有研究也难以满足实际需要，亟需改进。
发明内容
为了至少解决上述背景技术中存在的技术问题，本发明提供了一种基于功率预测的储能优化方法、系统、电子设备及计算机存储介质。
本发明的第一方面提供了一种基于功率预测的储能优化方法，包括如下步骤：
获取第一区域内的第一功率数据，所述第一功率数据为历史数据；
根据所述第一功率数据预测得出第二功率数据，根据所述第二功率数据绘制得出功率波动曲线；
根据所述功率波动曲线确定储能优化方案。
进一步地，所述方法还包括：
获取第二区域内的第一数据，根据所述第一数据预测得出第一区域内的第二数据；其中，所述第一数据为实时数据；
根据所述第二数据和预设模型计算得出第三功率数据；
根据所述第三功率数据对所述第二功率数据进行修正。
进一步地，所述根据所述第三功率数据对所述第二功率数据进行修正，包括：
计算所述第三功率数据和所述第二功率数据之间的相似度，若所述相似度大于或等于第一阈值，则根据所述第三功率数据对所述第二功率数据进行修正，以得出修正后的所述第二功率数据；
否则，不对所述第二功率数据进行修正。
进一步地，所述根据所述第三功率数据对所述第二功率数据进行修正，包括：
计算所述第一区域和所述第二区域之间的距离，根据所述距离确定第一修正系数，根据所述第一修正系数确定第二修正系数；
根据所述第三功率数据和所述第一修正系数、所述第二功率数据和所述第二修正系数计算得出修正后的所述第二功率数据。
进一步地，所述根据所述第一数据预测得出第一区域内的第二数据，包括：
将所述第一数据输入深度学习模型，所述深度学习模型输出第一区域内的第二数据；其中，所述第一数据包括若干检测子数据，各所述检测子数据包括位置数据、朝向数据、力度数据。
进一步地，在所述将所述第一数据输入深度学习模型之前，还包括训练步骤，并且采用如下的损失函数对所述深度学习模型进行训练：
Figure BDA0003632381300000021
式中，floss代表损失函数；yi代表第n轮训练过程中输入第i个第一检测数据之后输出的预测结果，y代表与第i个第一检测数据对应的真实值；N代表第n轮训练过程中输入的第一检测数据的个数；α1、α2为权重系数。
进一步地，所述根据所述功率波动曲线确定储能优化方案，包括：
确定所述功率波动曲线的若干波谷数据，将大于或等于第二阈值的所述波谷数据确定为目标波谷数据；
根据已配备的储能方式及其属性特征、所述目标波谷数据确定至少一种储能方式；
根据所述目标波谷数据确定所述至少一种储能方式的触发储能节点和触发发电节点。
本发明的第二方面提供了一种基于功率预测的储能优化系统，包括获取模块、处理模块、存储模块；所述处理模块与所述获取模块、所述存储模块连接；
所述存储模块，用于存储可执行的计算机程序代码；
所述获取模块，用于获取相关数据并传输给所述处理模块；
所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如前任一项所述的方法。
本发明的第三方面提供了一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前任一项所述的方法。
本发明的第四方面提供了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。
本发明的方案，获取第一区域内的第一功率数据，所述第一功率数据为历史数据；根据所述第一功率数据预测得出第二功率数据，根据所述第二功率数据绘制得出功率波动曲线；根据所述功率波动曲线确定储能优化方案。本发明的方案能够基于对风力发电功率的预测数据来获得当下时段的功率波动曲线，进而针对性的确定出合理的储能优化方案，使得发电功率保持较高的稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例公开的一种基于功率预测的储能优化方法的流程示意图；
图2是本发明实施例公开的一种基于功率预测的储能优化系统的结构示意图；
图3是本发明实施例公开一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本申请实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本申请实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
下面结合附图详细说明本发明的优选实施例。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于功率预测的储能优化方法的流程示意图。如图1所示，本发明实施例的一种基于功率预测的储能优化方法，包括如下步骤：
获取第一区域内的第一功率数据，所述第一功率数据为历史数据；
根据所述第一功率数据预测得出第二功率数据，根据所述第二功率数据绘制得出功率波动曲线；
根据所述功率波动曲线确定储能优化方案。
在本发明实施例中，针对风能的波动特性，本发明获取风能发电功率的历史数据并进行分析，从而预测得出当下的第二功率数据，进一步绘制得出功率波动曲线，在此基础上，即可根据功率波动曲线确定出合理的储能优化方案。于是，本发明的方案能够基于对风力发电功率的预测数据来获得当下时段的功率波动曲线，进而针对性的确定出合理的储能优化方案，使得发电功率保持较高的稳定性。
其中，本发明的方案包括至少两种实施主体，即现场处理设备或者服务器。其中，现场处理设备可以为通用处理器，例如，可以是中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、分立门或晶体管逻辑器件、分立硬件组件等；以及，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要进行说明的是，本发明的以上及以下方案除了可以应用于风力发电以外，还可以应用于具有类似波动特性的潮汐发电。
进一步地，所述方法还包括：
获取第二区域内的第一数据，根据所述第一数据预测得出第一区域内的第二数据；其中，所述第一数据为实时数据；
根据所述第二数据和预设模型计算得出第三功率数据；
根据所述第三功率数据对所述第二功率数据进行修正。
在本发明实施例中，通过对历史数据进行统计分析可以得出第一区域内的风力规律，进而可以得出比较有参考意义的第二功率数据，而且还可以以时间、季节等要素进行区分。同时，除了利用历史数据进行功率预测之外，本发明还基于实时数据进行功率预测，然后，再综合基于历史数据预测得出的第二功率数据和基于实时数据预测得出的第三功率数据来获得更为准确的第二功率数据。其中，预设模型指的是能源强度与发电功率之间的函数关系，可以预先基于能源属性和发电设备参数等进行确定。
需要进行说明的是，本发明中涉及的第一区域是第二区域的内核区域，即发电设备所处的小区域，而第二区域是外围的更大的区域。
进一步地，所述根据所述第三功率数据对所述第二功率数据进行修正，包括：
计算所述第三功率数据和所述第二功率数据之间的相似度，若所述相似度大于或等于第一阈值，则根据所述第三功率数据对所述第二功率数据进行修正，以得出修正后的所述第二功率数据；
否则，不对所述第二功率数据进行修正。
在本发明实施例中，在对第二功率数据进行修正时，本发明考虑了具体的情况。具体来说，如果根据历史数据预测得出的第二功率数据和根据实时数据预测得出的第三功率数据相似度很高时，说明当前时段的风力情况是基本符合历史规律的，此时可以综合历史预测数据和实时预测数据确定得出更为准确的功率预测数，反之，则不需要进行修正，即以实时预测数据为准。
需要进行说明的是，风力矩阵之间的相似度可以通过多种现有技术中的相似度计算方法进行，例如，余弦相似度、皮尔逊相关系数、Tanimoto系数、汉明距离等，本发明对此不作限定。
进一步地，所述根据所述第三功率数据对所述第二功率数据进行修正，包括：
计算所述第一区域和所述第二区域之间的距离，根据所述距离确定第一修正系数，根据所述第一修正系数确定第二修正系数；
根据所述第三功率数据和所述第一修正系数、所述第二功率数据和所述第二修正系数计算得出修正后的所述第二功率数据。
在本发明实施例中，由于第三功率数据是基于较大范围内的实时检测的风力数据预测得出的，而二者之间的距离越远则预测结果的可信度越低。针对于此，本发明基于第一区域和第二区域之间的距离来调节第三功率数据的第一修正系数，进而确定出第二功率数据的第二修正系数(第一修正系数和第二修正系数之和为1)，此时即可采用加权求和的方式得出修正后的第二功率数据。其中，第一修正系数与距离呈负相关关系。
进一步地，所述根据所述第一数据预测得出第一区域内的第二数据，包括：
将所述第一数据输入深度学习模型，所述深度学习模型输出第一区域内的第二数据；其中，所述第一数据包括若干检测子数据，各所述检测子数据包括位置数据、朝向数据、力度数据。
在本发明实施例中，由于风能、潮汐能等在传播过程中也具有很强的不确定性，实际上很难准确构建出能源传输函数关系。于是，本发明使用深度学习模型来进行不同区域之间的能源传输函数关系的分析。其中，深度学习模型可以通过TensorFlow、Keras、MXNet、PyTorch等主流的深度学习框架搭建，对于具体的搭建方法，本发明在此不再赘述。
其中，在第二区域内分布布设有多个风力探测设备，其可以探测得出对应点位的朝向数据、力度数据，进而得出的第一数据为以上数据的基于各位置数据的数据矩阵，相应地，经过训练的深度学习模型就建立起了不同的第一数据对应的预测得出的第二数据的函数关系。
进一步地，在所述将所述第一数据输入深度学习模型之前，还包括训练步骤，并且采用如下的损失函数对所述深度学习模型进行训练：
Figure BDA0003632381300000081
式中，floss代表损失函数；yi代表第n轮训练过程中输入第i个第一检测数据之后输出的预测结果，y代表与第i个第一检测数据对应的真实值；N代表第n轮训练过程中输入的第一检测数据的个数；α1、α2为权重系数。
在本发明实施例中，对于深度学习模型来说，预训练是至关重要的，而损失函数又是确保训练朝向正确方向进行的关键内容。于是，本发明设计了如上式的损失函数来训练深度学习模型。
其中，权重系数α1、α2可以根据训练轮次来确定，具体来说，α1与训练轮次n正相关，即随着训练轮次的增加，α1逐渐变大，相应地，由于α1+α2＝1，α2则是逐渐变小。如此设置，随着训练过程的增加而对损失函数的进行动态调节，使得训练过程的前段侧重于减小误差，而后段侧重于提高效率，从而有效减少训练的轮次。
进一步地，所述根据所述功率波动曲线确定储能优化方案，包括：
确定所述功率波动曲线的若干波谷数据，将大于或等于第二阈值的所述波谷数据确定为目标波谷数据；
根据已配备的储能方式及其属性特征、所述目标波谷数据确定至少一种储能方式；
根据所述目标波谷数据确定所述至少一种储能方式的触发储能节点和触发发电节点。
在本发明实施例中，在获得风力数据的功率波动曲线时，就可以将其中波动较大的波谷数据提取出来，而波谷数据即为需要通过在先储能来在后补足的区域。其中，根据各风力发电场的储能设备的配置情况，可以选择使用一种或多种储能方式来预先存储能量，并且在目标波谷阶段逐步补足发电，以使得对外输出的电力的稳定性更好。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于功率预测的储能优化系统的结构示意图。如图2所示，本发明实施例的一种基于功率预测的储能优化系统，包括获取模块(101)、处理模块(102)、存储模块(103)；所述处理模块(101)与所述获取模块(101)、所述存储模块(103)连接；
所述存储模块(103)，用于存储可执行的计算机程序代码；
所述获取模块(101)，用于获取相关数据并传输给所述处理模块(102)；
所述处理模块(102)，用于通过调用所述存储模块(103)中的所述可执行的计算机程序代码，执行如前实施例一所述的方法。
该实施例中的一种基于功率预测的储能优化系统的具体功能参照上述实施例一，由于本实施例中的系统采用了上述实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
实施例三
请参阅图3，图3是本发明实施例公开的一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如实施例一所述的方法。
实施例四
本发明实施例还公开了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如实施例一所述的方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括、但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用的技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明的构思的情况下，还可以包括更多其他等效实施例，均属于本发明的保护范畴。

Claims (10)

1.一种基于功率预测的储能优化方法，其特征在于，包括如下步骤：
获取第一区域内的第一功率数据，所述第一功率数据为历史数据；
根据所述第一功率数据预测得出第二功率数据，根据所述第二功率数据绘制得出功率波动曲线；
根据所述功率波动曲线确定储能优化方案。
2.根据权利要求1所述的一种基于功率预测的储能优化方法，其特征在于：所述方法还包括：
获取第二区域内的第一数据，根据所述第一数据预测得出第一区域内的第二数据；其中，所述第一数据为实时数据；
根据所述第二数据和预设模型计算得出第三功率数据；
根据所述第三功率数据对所述第二功率数据进行修正。
3.根据权利要求2所述的一种基于功率预测的储能优化方法，其特征在于：所述根据所述第三功率数据对所述第二功率数据进行修正，包括：
计算所述第三功率数据和所述第二功率数据之间的相似度，若所述相似度大于或等于第一阈值，则根据所述第三功率数据对所述第二功率数据进行修正，以得出修正后的所述第二功率数据；
否则，不对所述第二功率数据进行修正。
4.根据权利要求3所述的一种基于功率预测的储能优化方法，其特征在于：所述根据所述第三功率数据对所述第二功率数据进行修正，包括：
计算所述第一区域和所述第二区域之间的距离，根据所述距离确定第一修正系数，根据所述第一修正系数确定第二修正系数；
根据所述第三功率数据和所述第一修正系数、所述第二功率数据和所述第二修正系数计算得出修正后的所述第二功率数据。
5.根据权利要求1-4任一项所述的一种基于功率预测的储能优化方法，其特征在于：所述根据所述第一数据预测得出第一区域内的第二数据，包括：
将所述第一数据输入深度学习模型，所述深度学习模型输出第一区域内的第二数据；其中，所述第一数据包括若干检测子数据，各所述检测子数据包括位置数据、朝向数据、力度数据。
6.根据权利要求5所述的一种基于功率预测的储能优化方法，其特征在于：在所述将所述第一数据输入深度学习模型之前，还包括训练步骤，并且采用如下的损失函数对所述深度学习模型进行训练：
Figure FDA0003632381290000021
式中，floss代表损失函数；yi代表第n轮训练过程中输入第i个第一检测数据之后输出的预测结果，y代表与第i个第一检测数据对应的真实值；N代表第n轮训练过程中输入的第一检测数据的个数；α1、α2为权重系数。
7.根据权利要求1或6所述的一种基于功率预测的储能优化方法，其特征在于：所述根据所述功率波动曲线确定储能优化方案，包括：
确定所述功率波动曲线的若干波谷数据，将大于或等于第二阈值的所述波谷数据确定为目标波谷数据；
根据已配备的储能方式及其属性特征、所述目标波谷数据确定至少一种储能方式；
根据所述目标波谷数据确定所述至少一种储能方式的触发储能节点和触发发电节点。
8.一种基于功率预测的储能优化系统，包括获取模块、处理模块、存储模块；所述处理模块与所述获取模块、所述存储模块连接；
所述存储模块，用于存储可执行的计算机程序代码；
所述获取模块，用于获取相关数据并传输给所述处理模块；
其特征在于：所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如权利要求1-7任一项所述的方法。
9.一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；其特征在于：所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质，该存储介质上存储有计算机程序，其特征在于：该计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
CN202210494898.7A 2022-05-07 2022-05-07 一种基于功率预测的储能优化方法及系统 Active CN114970979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210494898.7A CN114970979B (zh) 2022-05-07 2022-05-07 一种基于功率预测的储能优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210494898.7A CN114970979B (zh) 2022-05-07 2022-05-07 一种基于功率预测的储能优化方法及系统

Publications (2)

Publication Number Publication Date
CN114970979A true CN114970979A (zh) 2022-08-30
CN114970979B CN114970979B (zh) 2024-10-22

Family

ID=82981854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210494898.7A Active CN114970979B (zh) 2022-05-07 2022-05-07 一种基于功率预测的储能优化方法及系统

Country Status (1)

Country Link
CN (1) CN114970979B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117353349A (zh) * 2023-12-04 2024-01-05 珠海科创储能科技有限公司 储能系统的供电状态控制方法、存储介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709569A (zh) * 2020-06-11 2020-09-25 国网冀北电力有限公司电力科学研究院 风电场输出功率预测修正方法及装置
CN113902228A (zh) * 2021-12-09 2022-01-07 北京东润环能科技股份有限公司 基于逐步回归与深度学习的风电功率预测方法及相关设备
CN113988359A (zh) * 2021-09-08 2022-01-28 中南大学 基于非对称Laplace分布的风功率预测方法和系统
CN114139803A (zh) * 2021-11-30 2022-03-04 广东电网有限责任公司 一种风电场站短期功率的预测方法、系统、设备和介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709569A (zh) * 2020-06-11 2020-09-25 国网冀北电力有限公司电力科学研究院 风电场输出功率预测修正方法及装置
CN113988359A (zh) * 2021-09-08 2022-01-28 中南大学 基于非对称Laplace分布的风功率预测方法和系统
CN114139803A (zh) * 2021-11-30 2022-03-04 广东电网有限责任公司 一种风电场站短期功率的预测方法、系统、设备和介质
CN113902228A (zh) * 2021-12-09 2022-01-07 北京东润环能科技股份有限公司 基于逐步回归与深度学习的风电功率预测方法及相关设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117353349A (zh) * 2023-12-04 2024-01-05 珠海科创储能科技有限公司 储能系统的供电状态控制方法、存储介质及电子设备
CN117353349B (zh) * 2023-12-04 2024-03-29 珠海科创储能科技有限公司 储能系统的供电状态控制方法、存储介质及电子设备

Also Published As

Publication number Publication date
CN114970979B (zh) 2024-10-22

Similar Documents

Publication Publication Date Title
US20220398384A1 (en) Text extraction method and device, computer readable storage medium and electronic device
Di Piazza et al. Solar and wind forecasting by NARX neural networks
US11580957B1 (en) Method for training speech recognition model, method and system for speech recognition
CN111625816A (zh) 一种入侵检测方法及装置
Cheng et al. A real-time flow forecasting with deep convolutional generative adversarial network: Application to flooding event in Denmark
Cui et al. Statistical scenarios forecasting method for wind power ramp events using modified neural networks
CN113378545B (zh) 一种方面级情感分析方法、装置、电子设备及存储介质
Jiang et al. Day‐ahead renewable scenario forecasts based on generative adversarial networks
He et al. Probabilistic solar irradiance forecasting via a deep learning‐based hybrid approach
CN116581755B (zh) 功率预测方法、装置、设备及存储介质
CN114970979A (zh) 一种基于功率预测的储能优化方法及系统
CN114880991B (zh) 知识图谱问答问句实体链接方法、装置、设备及介质
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
CN114330641A (zh) 基于复杂地形的深度学习的短期风速订正模型的建立方法
CN114330493A (zh) 一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统
Liu et al. A Bayesian deep learning-based probabilistic risk assessment and early-warning model for power systems considering meteorological conditions
CN117856228A (zh) 基于用户用电频率画像的台区负荷预测方法、系统及介质
Lee et al. Model‐agnostic online forecasting for PV power output
CN114926701A (zh) 一种模型训练方法、目标检测方法、以及相关设备
Xie et al. Weight‐Aware Sensor Deployment in Wireless Sensor Networks for Smart Cities
JP6839001B2 (ja) モデル学習装置、情報判定装置およびそれらのプログラム
Bai et al. Application of a Hybrid Model Based on Secondary Decomposition and ELM Neural Network in Water Level Prediction
Rogers Optimal strategies for wind turbine environmental curtailment
Chen et al. Analyzing the correlation and predictability of wind speed series based on mutual information
Haouas et al. Wind farm power forecasting

Legal Events

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