CN115169869A - 多能互补混合储能调度系统及其调度方法 - Google Patents

多能互补混合储能调度系统及其调度方法 Download PDF

Info

Publication number
CN115169869A
CN115169869A CN202210778813.8A CN202210778813A CN115169869A CN 115169869 A CN115169869 A CN 115169869A CN 202210778813 A CN202210778813 A CN 202210778813A CN 115169869 A CN115169869 A CN 115169869A
Authority
CN
China
Prior art keywords
matrix
energy storage
characteristic
classification
vector
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
Application number
CN202210778813.8A
Other languages
English (en)
Inventor
俞李斌
吴卫红
罗海华
郑成航
李钦武
林俊光
孙士恩
秦刚华
高翔
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.)
Zhejiang University ZJU
Zhejiang Energy Group Research Institute Co Ltd
Original Assignee
Zhejiang University ZJU
Zhejiang Energy Group Research Institute 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 Zhejiang University ZJU, Zhejiang Energy Group Research Institute Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202210778813.8A priority Critical patent/CN115169869A/zh
Publication of CN115169869A publication Critical patent/CN115169869A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • 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
    • 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)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种多能互补混合储能调度系统及其调度方法，其采用人工智能技术的深度神经网络模型对各个电用户的用电功率值以及电网的谷电功率密度和储能系统的储能容量进行在时间维度上的高维隐含特征提取，并以此来进行特征融合以对分配给电用户和储能系统电能的比例合理性进行判断，并且在特征融合时，采用特征值的类条件边界约束合成方法，以避免特征值集合由于集合的分布外样本而导致在分类目标域内的决策区域的过度碎片化，提高了分类特征矩阵的分类性能，进而提高了对于合理性判断的准确性。

Description

多能互补混合储能调度系统及其调度方法
技术领域
本发明属于储能智能控制技术领域，具体地说是涉及一种多能互补混合储能调度系统及其调度方法。
背景技术
近年来，风电、光伏等可再生新能源装机容量快速增长，由于风光等可再生能源发电出力具有随机性和用户负荷需求动态波动性，使得二者在时间尺度和空间维度上往往具有不一致性和非匹配性。可再生能源发电大规模并网后可能对电力系统的安全稳定运行带来新的挑战，也可能出现弃风、弃光等问题。因此，大规模可再生能源并网比例的持续增加，如何实现大规模可再生能源的消纳，保障电力系统安全稳定是亟需解决的国际性难题。
在新能源渗透率快速提升的背景下，电网系统调节压力持续增大，对灵活性资源的需求不断增加，需要建设新的调节资源以缓解压力。因此，推动新型大容量储能技术与发电/供热系统的耦合与应用，构建分布式储能-灵活供热供电、新型卡诺电池等新型发电系统，同时也可对现有装机中占比最大的燃煤机组实施灵活性改造，不仅能改善电力系统结构，解决新能源电力大幅上网后的消纳问题，缓解系统调峰压力，保障能源和电力安全。
在利用谷电对储能系统进行冲能时，一方面谷电需分配适当的比例的电能来满足电用户的用电需求，同时，另一方面，也需要考虑储能系统的储能效率。应可以理解，电用户的用电需求在时序维度上存在波动，也就是，电用户的整体用电需求会产生波动如果没有将波动因素考虑在内，则可能导致用户用电产生波动，即，造成电能质量的下降。并且，在利用谷电对储能系统进行充电时，储能是一个连续的过程，而储能效率却会随着储能系统的状态变化而产生波动，而储能效率的变化可通过剩余待储能的容量来表示。
因此，需要一种技术方案来确定分配给电用户和储能系统的电能比例。
发明内容
为了克服现有技术的缺点和不足，本发明提供了一种多能互补混合储能调度系统及其调度方法。本发明可以提高分类特征矩阵的分类性能，进而提高了对于合理性判断的准确性。
为实现上述目的，本发明所采取的技术方案为：
一种多能互补混合储能调度系统，所述系统包括电用户数据采集模块、电用户数据结构化模块、用电数据编码模块、输电和储电数据采集模块、时序编码模块、响应性估计模块、特征融合模块、特征分布校正模块和调度结果生成模块；
电用户数据采集模块，用于获取多个预定时间点的各个电用户的用电功率值；
电用户数据结构化模块，用于将多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵；
用电数据编码模块，用于使用第一卷积神经网络模型对所述二维输入矩阵进行显式空间编码以得到用电特征矩阵；
输电和储电数据采集模块，用于获取多个预定时间点的电网的谷电功率密度和储能系统的储能容量；
时序编码模块，用于将多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量；
响应性估计模块，用于计算谷电功率密度向量相对于所述储能特征向量的响应性矩阵；
特征融合模块，用于融合响应性矩阵和所述用电特征矩阵以得到分类特征矩阵；
特征分布校正模块，用于对分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，其中，所述基于特征值的类条件边界约束合成基于以分类特征矩阵中各个位置的特征值为幂的自然指数函数值与分类特征矩阵中各个位置的特征值的倒数之间的差值来进行；
调度结果生成模块，用于将校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。
作为优选，所述电用户数据结构化模块包括向量构造单元和矩阵构造单元；
向量构造单元，用于将多个预定时间点的各个电用户的用电功率分别按照所述时间维度排列为行向量以获得多个行向量；
矩阵构造单元，用于将多个行向量按照电用户样本维度排列为二维输入矩阵。
作为优选，所述用电数据编码模块，进一步用于使用第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为用电特征矩阵，所述第一卷积神经网络的第一层的输入为二维输入矩阵。
作为优选，所述时序编码模块包括输入向量构造单元、全连接编码单元和一维卷积编码单元；
输入向量构造单元，用于将多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别按照时间维度排列为一维的输入向量；
全连接编码单元，用于使用时序编码器的全连接层以如下公式对输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure BDA0003723961220000031
其中X是所述输入向量，Y是输出向量，W是权重矩阵， B是偏置向量，
Figure BDA0003723961220000032
表示矩阵乘；
一维卷积编码单元，用于使用时序编码器的一维卷积层以如下公式对输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure BDA0003723961220000033
其中，a为卷积核在x方向上的宽度，F为卷积核参数向量，G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
作为优选，所述响应性估计模块，进一步用于计算谷电功率密度向量相对于储能特征向量的转移矩阵作为所述响应性矩阵，其中，所述转移矩阵乘以谷电功率密度向量等于储能特征向量。
作为优选，所述特征融合模块进一步用于：以如下公式融合响应性矩阵和用电特征矩阵以得到分类特征矩阵；
其中，所述公式为：
M＝αM1+βM2
其中，M为分类特征矩阵，M1为响应性矩阵，M2为用电特征矩阵，α和β为用于控制响应性矩阵和用电特征矩阵之间的平衡的加权参数。
作为优选，所述特征分布校正模块进一步用于：以如下公式对分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵；
其中，所述公式为：
Figure BDA0003723961220000041
其中，mi，j表示分类特征矩阵中各个位置的特征值，mi，j′表示校正后分类特征矩阵中各个位置的特征值。
作为优选，所述调度结果生成模块进一步用于：分类器以如下公式对校正后分类特征矩阵进行处理以生成分类结果；
其中，所述公式为：
softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}
其中，Project(F)表示将所校正后分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
本发明还提供了上述多能互补混合储能调度系统的调度方法，包括下述步骤：
(1)获取多个预定时间点的各个电用户的用电功率值；
(2)将多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵；
(3)使用第一卷积神经网络模型对二维输入矩阵进行显式空间编码以得到用电特征矩阵；
(4)获取多个预定时间点的电网的谷电功率密度和储能系统的储能容量；
(5)将多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量；
(6)计算谷电功率密度向量相对于储能特征向量的响应性矩阵；
(7)融合响应性矩阵和用电特征矩阵以得到分类特征矩阵；
(8)对分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，其中，所述基于特征值的类条件边界约束合成基于以分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中各个位置的特征值的倒数之间的差值来进行；
(9)将校正后分类特征矩阵通过分类器以得到分类结果，分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。
作为优选，在上述多能互补混合储能调度系统的调度方法中，将多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵，包括：将多个预定时间点的各个电用户的用电功率分别按照所述时间维度排列为行向量以获得多个行向量；以及将多个行向量按照电用户样本维度排列为二维输入矩阵。
在上述多能互补混合储能调度系统的调度方法中，使用第一卷积神经网络模型对所述二维输入矩阵进行显式空间编码以得到用电特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述用电特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维输入矩阵。
在上述多能互补混合储能调度系统的调度方法中，将所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量，包括：将所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别按照时间维度排列为一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure BDA0003723961220000051
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B 是偏置向量，
Figure BDA0003723961220000052
表示矩阵乘；以及，使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure BDA0003723961220000061
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在上述多能互补混合储能调度系统的调度方法中，计算所述谷电功率密度向量相对于所述储能特征向量的响应性矩阵，包括：计算所述谷电功率密度向量相对于所述储能特征向量的转移矩阵作为所述响应性矩阵，其中，所述转移矩阵乘以所述谷电功率密度向量等于所述储能特征向量。
在上述多能互补混合储能调度系统的调度方法中，融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵，包括：以如下公式融合所述响应性矩阵和所述用电特征矩阵以得到所述分类特征矩阵；
其中，所述公式为：
M＝αM1+βM2
其中，M为所述分类特征矩阵，M1为所述响应性矩阵，M2为所述用电特征矩阵，“+”表示所述响应性矩阵和所述用电特征矩阵相对应位置处的元素相加，α和β为用于控制所述响应性矩阵和所述用电特征矩阵之间的平衡的加权参数。
在上述多能互补混合储能调度系统的调度方法中，对所述分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，包括：以如下公式对所述分类特征矩阵进行基于特征值的类条件边界约束合成以得到所述校正后分类特征矩阵；
其中，所述公式为：
Figure BDA0003723961220000062
其中，mi，j表示所述分类特征矩阵中各个位置的特征值，mi，j′表示所述校正后分类特征矩阵中各个位置的特征值。
在上述多能互补混合储能调度系统的调度方法中，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理，包括：所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成分类结果，
其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述校正后分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵， B1至Bn表示各层全连接层的偏置矩阵。
相对于现有技术，本发明的有益效果在于：
本发明采用人工智能技术的深度神经网络模型对各个电用户的用电功率值以及电网的谷电功率密度和储能系统的储能容量进行在时间维度上的高维隐含特征提取，并以此来进行特征融合以对分配给电用户和储能系统电能的比例合理性进行判断，并且在特征融合时，采用特征值的类条件边界约束合成方法，以避免特征值集合由于集合的分布外样本而导致在分类目标域内的决策区域的过度碎片化，提高了分类特征矩阵的分类性能，进而提高了对于合理性判断的准确性。
附图说明
图1为根据本发明实施例的多能互补混合储能调度系统中储能热电技术路线图；
图2为根据本发明实施例的多能互补混合储能调度系统中低谷时段储能过程示意图；
图3为根据本发明实施例的多能互补混合储能调度系统中高峰/尖峰时段放能过程示意图；
图4为根据本发明实施例的多能互补混合储能调度系统中熔盐储热系统流程示意图；
图5为根据本发明实施例的多能互补混合储能调度系统中熔盐罐及其保温基础结构图；
图6为根据本发明实施例的多能互补混合储能调度系统中储电系统流程示意图；
图7为根据本发明实施例的多能互补混合储能调度系统的应用场景图；
图8为根据本发明实施例的多能互补混合储能调度系统的框图；
图9为根据本发明实施例的多能互补混合储能调度系统的调度方法的流程图；
图10为根据本发明实施例的多能互补混合储能调度系统的调度方法的架构示意图。
具体实施方式
下面通过实施例，对本发明的技术方案作进一步具体的说明，这些实施例是对本发明的说明而作，不是对本发明的限制。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。
在新能源渗透率快速提升的背景下，电网系统调节压力持续增大，对灵活性资源的需求不断增加，需要建设新的调节资源以缓解压力。因此，推动新型大容量储能技术与发电/供热系统的耦合与应用，构建分布式储能-灵活供热供电、新型卡诺电池等新型发电系统，同时也可对现有装机中占比最大的燃煤机组实施灵活性改造，不仅能改善电力系统结构，解决新能源电力大幅上网后的消纳问题，缓解系统调峰压力，保障能源和电力安全。
为满足绿色低碳工业园区的建设需求，综合考虑各种储能技术的适用性和经济性，本发明提出了熔盐储热技术和储电技术相结合的储能方案，建立多能互补低碳混合储能-灵活调峰热电系统。系统包括熔盐储热系统、储电系统和发电、供热系统。
储能系统的能源来自谷电和各种再生能源电(中压蒸汽作为备用能源)。低谷时段利用谷电进行储能，同时利用谷电产生低压蒸汽直接供热用户使用；高峰时段和尖峰时段释放热能发电和供蒸汽，同时释放电能，解决园区热用户/电用户的高峰用能瓶颈。同时储能系统可用于大规模风光等新能源的消纳及现有机组的灵活调峰，储电系统可作为移动式储能电源。
储能热电技术路线图如图1所示。
储能过程：在低谷时段，或大规模风光新能源接入后的时段，利用谷电将冷熔盐加热至所需温度；利用谷电直接加热除盐水产生低压蒸汽，供热用户使用；利用谷电对液流电池和磷酸铁锂电池充电储能。
放能过程：在高峰时段和尖峰时段，或者风光等新能源出力无法满足用电用热需求时，利用高温熔盐加热除盐水产生中压蒸汽，进入背压汽轮机发电，排汽和电力供用户使用；释放液流电池和磷酸铁锂电池所储电量，供电用户使用，也可作为移动式电源供电。
低谷时段储能、高尖峰时段放能过程如图2和3所示。
1、熔盐储热系统
a.技术路线
熔盐储热系统包括熔盐储热模组、熔盐电加热模组、熔盐放热模组、熔盐蒸汽加热模组、除盐水电加热模组。
熔盐储热：利用谷电作为电源，在低谷时段，利用熔盐泵将低温熔盐泵送至熔盐电加热模组，熔盐电加热模组利用谷电通过电加热器将低温熔盐加热至所需温度后，送至熔盐储热模组，将高温熔盐储存至高温熔盐罐中。同时除盐水电加热模组利用谷电直接加热除盐水产生低压蒸汽，供热用户使用。谷电时间结束后关闭熔盐电加热模组和除盐水电加热模组。
熔盐放热：利用熔盐泵将高温熔盐泵送至熔盐放热模组，在高峰时段和尖峰时段，或者风光等新能源出力无法满足用电用热需求时，利用高温熔盐加热除盐水并产生中压蒸汽，进入背压汽轮机发电，排汽和电力供用户使用，高温熔盐换热后返回低温熔盐罐中。
熔盐储热系统流程如图4所示。
b.关键设备工艺
熔盐储热系统运行的关键设备工艺包括熔盐、熔盐储罐、电加热器、换热器、熔盐泵、疏盐罐、汽轮机、发电机及管道阀门等。
1)熔盐
熔盐按组元数可分为单盐、二元熔盐、三元熔盐和多元熔盐，本系统优先采用硝酸盐。
2)熔盐储罐
包括高温储罐和低温储罐，熔盐储存的主要场所。
储罐容积依据储热量和熔盐的物性参数确定，罐壁设置多个测温点，随时监测熔盐温度。
熔盐储罐基础采用承重、保温一体结构设计，地基在提供支撑作用的同时，保温层阻止罐体中存储的热量向外扩散，减少能量损失，基础必须满足罐体承重、保温及膨胀等要求。罐底基础主要由砂垫层、钢板层、隔热耐火砖层、泡沫玻璃保温层及高温混凝土层组成。
熔盐罐保温基础的结构如图5所示，熔盐罐保温基础的结构，包括：罐体1；砂垫层2；钢板层3；保温隔热层4；环形隔热层5；耐高温混凝土外墙6；通风管7；散热层8；耐火混凝土层9；耐火砖内墙10；混凝土支撑层11。
熔盐储罐与熔盐泵相连接处设有安全阀，设计压力为常压。目前储热行业没有设计标准，熔盐储罐的设计参考石油储罐设计标准API650。
3)电加热器
包括管道电加热器和防凝电加热器。
通过电加热器，在低谷时段，可利用谷电将低温熔盐加热为高温熔盐，通过熔盐储热来满足使用要求；同时可利用谷电将除盐水加热为低压蒸汽，供夜间热用户使用。
防凝电加热器设置于熔盐储罐底部，弥补罐壁和罐底的热损，可保证在系统停止运行情况下，维持熔盐温度不低于熔点温度，同时设置自测量系统和调控系统，当熔盐温度低于设定最低温度时启动，加热熔盐至设定温度。
4)换热器
换热器类型根据换热器设计手册及供暖热水要求，采用管壳式换热器。
熔盐放热模组采用的换热器包括预热器、蒸发器和过热器。预热器将除盐水加热至略低于蒸发的临界温度，蒸发器将预热后的除盐水加热为微过热的蒸汽，过热器将微过热的蒸汽加热至所需温度；换热器采用U型管表面式结构，其中预热器、过热器中熔盐走壳侧，蒸发器中蒸汽走壳侧。
安装时对换热器的制造、出口温度、出口压力等相关指标进行测试，证明其性能符合所采用规范和标准的要求，满足30年设计寿命的要求，确保产品质量符合标准和规范的规定。
5)熔盐泵
熔盐泵选用长轴液下泵，在高温储罐、低温储罐上分别设高温熔盐泵和低温熔盐泵。熔盐泵为高可靠性、低维修要求的变频电机驱动泵，驱动熔盐在高温储罐、加热系统、放热系统、低温储罐间循环流动。通过使用变频器来适应不同供热工况下储能系统内的流量要求，从而实现最大程度地提高储能效率。
6)疏盐罐
疏盐罐主要用于收集管道和换热器内的熔盐。疏盐罐内有立式泵，将收集的熔盐返回到冷盐罐中，并装配有电加热器防止熔盐凝结。在疏盐系统中设置有泄漏探测器，一旦发现有泄漏，立即将盐/水管路分开，并确认泄漏位置。
7)汽轮机和发电机
熔盐放热产生的高温蒸汽进入汽轮机中并带动发电机进行发电，排汽和电力供用户使用。
8)管道阀门
熔盐输送过程的主要通道，为保证熔盐在工作及非工作情况下保持液体状态，需对管路进行伴热和预热，采用电伴热系统，防止冻堵情况发生。
管道需进行保温处理，一方面保证运行时管路预热温度，另一方面减少热量损失，降低消耗，节约生产成本。一般情况下，正常生产运行的管路，保温外壁温度与室温最高不超过50℃。
2、储电系统
a.技术路线
储电系统包括液流电池、磷酸铁锂电池。
电池充电：谷电作为电源，在低谷时段，利用谷电对液流电池和磷酸铁锂电池进行充电。
电池放电：用电高峰时段和尖峰时段，电池放电除提供自运行所需的电能外，其余电量为园区电用户使用，即可作为固定式电源使用，也可作为移动式电源使用。
储电系统流程如图6所示。
b.关键设备工艺
储电系统关键设备工艺包括储能电池、PCS储能变流器、BMS电池管理系统、EMS能量管理系统等。
应可以理解，由于在利用谷电对储能系统进行冲能时，一方面谷电需分配适当的比例的电能来满足电用户的用电需求，同时，另一方面，也需要考虑储能系统的储能效率。应可以理解，电用户的用电需求在时序维度上存在波动，也就是，电用户的整体用电需求会产生波动如果没有将波动因素考虑在内，则可能导致用户用电产生波动，即，造成电能质量的下降。并且，在利用谷电对储能系统进行充电时，储能是一个连续的过程，而储能效率却会随着储能系统的状态变化而产生波动，而储能效率的变化可通过剩余待储能的容量来表示。因此，需要一种技术方案来确定分配给电用户和储能系统的电能比例。
相应地，在本发明的技术方案中，选择以各个电用户在各个预定时间点的用电功率来表示其用电需求。也就是，具体地，首先获取多个预定时间点的各个用电用户的用电功率值，并将所述多个预定时间点的各个电用户的用电功率按电用户样本维度和时间维度排列为二维输入矩阵。这样，就可以整合所述多个预定时间点的各个电用户的用电功率在样本和时间维度上的数据分布信息。然后，使用在隐含关联特征提取方面具有优异表现的第一卷积神经网络模型来对所述二维输入矩阵进行显式空间编码，以提取出所述各个电用户在各个预定时间点的用电功率的高维隐含关联特征信息，从而获得用电特征矩阵。
应可以理解，在利用谷电对储能系统进行充电时，储能是一个连续的过程，而储能效率却会随着储能系统的状态变化而产生波动，并且储能效率的变化可通过剩余待储能的容量来表示。因此，进一步地，获取所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量，并将其分别通过包含一维卷积层的时序编码器中进行编码处理，以挖掘出所述电网的谷电功率密度和所述储能系统的储能容量在时序维度上的动态变化特征，从而得到谷电功率密度向量和储能特征向量。
然后，考虑到所述电网的谷电功率密度特征是所述储能系统的储能容量特征的响应性特征，因此为了加强这两者的关联性特征信息，以得到动态的隐含变化特征，进一步计算所述谷电功率密度向量相对于所述储能特征向量的转移矩阵作为所述响应性矩阵。这样，就可以融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵，例如可以计算所述响应性矩阵和所述用电特征矩阵的按位置的加权和来得到所述分类特征矩阵。
应可以理解，由于所述响应性矩阵对应于时序-时序维度，而所述用电特征矩阵对应于时序-样本维度，在将其融合时，可能存在由于维度不对齐导致的分布外(out-of-distribution)特征值。因此，对于融合所述响应性矩阵和所述用电特征矩阵所获得的所述分类特征矩阵，进行特征值的类条件边界约束合成，表示为：
Figure BDA0003723961220000121
该特征值的类条件边界约束合成通过对特征值及其所属的类条件进行基于规则的结构化理解，来进行特征的边界约束合成，这可以避免特征值集合由于集合的分布外样本而导致在分类目标域内的决策区域的过度碎片化，提高了分类特征矩阵的分类性能。进而，也就使得分配给储能系统和分配给电用户的电能比例的合理性更高。
基于此，本发明提出了一种多能互补混合储能调度系统，其包括：电用户数据采集模块，用于获取多个预定时间点的各个电用户的用电功率值；电用户数据结构化模块，用于将所述多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵；用电数据编码模块，用于使用第一卷积神经网络模型对所述二维输入矩阵进行显式空间编码以得到用电特征矩阵；输电和储电数据采集模块，用于获取所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量；时序编码模块，用于将所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量；响应性估计模块，用于计算所述谷电功率密度向量相对于所述储能特征向量的响应性矩阵；特征融合模块，用于融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵；特征分布校正模块，用于对所述分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，其中，所述基于特征值的类条件边界约束合成基于以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中各个位置的特征值的倒数之间的差值来进行；以及，调度结果生成模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。
根据本发明实施例的多能互补混合储能调度系统的应用场景图如图7所示，在该应用场景中，首先，通过部署于各个电用户用电场所(例如，如图7中所示意的E)内的各个功率测量仪(例如，如图7中所示意的T)获取多个预定时间点的各个电用户的用电功率值，并且通过各个传感器(例如，如图7中所示意的 R)获取所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量。然后，将获取的所述多个预定时间点的各个电用户的用电功率值以及电网(例如，如图7中所示意的N)的谷电功率密度和储能系统(例如，如图7中所示意的E) 的储能容量输入至部署有多能互补混合储能调度算法的服务器中(例如，如图7中所示意的云服务器S)，其中，所述服务器能够以多能互补混合储能调度算法对所述多个预定时间点的各个电用户的用电功率值以及电网的谷电功率密度和储能系统的储能容量进行处理，以生成用于表示分配给储能系统和分配给电用户的电能比例是否合理的分类结果。
在介绍了本发明的基本原理之后，下面将参考附图来具体介绍本发明的各种非限制性实施例。
实施例1
根据本发明实施例的多能互补混合储能调度系统的框图如图8所示，根据本发明实施例的多能互补混合储能调度系统200，包括：电用户数据采集模块210，用于获取多个预定时间点的各个电用户的用电功率值；电用户数据结构化模块 220，用于将所述多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵；用电数据编码模块230，用于使用第一卷积神经网络模型对所述二维输入矩阵进行显式空间编码以得到用电特征矩阵；输电和储电数据采集模块240，用于获取所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量；时序编码模块250，用于将所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量；响应性估计模块260，用于计算所述谷电功率密度向量相对于所述储能特征向量的响应性矩阵；特征融合模块270，用于融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵；特征分布校正模块280，用于对所述分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，其中，所述基于特征值的类条件边界约束合成基于以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中各个位置的特征值的倒数之间的差值来进行；以及，调度结果生成模块290，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。
具体地，在本发明实施例中，所述电用户数据采集模块210、所述电用户数据结构化模块220和所述用电数据编码模块230，用于获取多个预定时间点的各个电用户的用电功率值，并将所述多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵，再使用第一卷积神经网络模型对所述二维输入矩阵进行显式空间编码以得到用电特征矩阵。如前所述，在利用谷电对储能系统进行冲能时，一方面谷电需分配适当的比例的电能来满足电用户的用电需求，同时，另一方面，也需要考虑储能系统的储能效率。应可以理解，电用户的用电需求在时序维度上存在波动，也就是，电用户的整体用电需求会产生波动如果没有将波动因素考虑在内，则可能导致用户用电产生波动，即，造成电能质量的下降。并且，在利用谷电对储能系统进行充电时，储能是一个连续的过程，而储能效率却会随着储能系统的状态变化而产生波动，而储能效率的变化可通过剩余待储能的容量来表示。因此，在本发明的技术方案中，期望以所述各个电用户在各个预定时间点的用电功率来表示其用电需求。
也就是，具体地，首先获取多个预定时间点的各个用电用户的用电功率值，并将所述多个预定时间点的各个电用户的用电功率按电用户样本维度和时间维度排列为二维输入矩阵。这样，就可以整合所述多个预定时间点的各个电用户的用电功率在样本和时间维度上的数据分布信息。相应地，在一个具体示例中，将所述多个预定时间点的各个电用户的用电功率分别按照所述时间维度排列为行向量以获得多个行向量；以及，将所述多个行向量按照所述电用户样本维度排列为所述二维输入矩阵。然后，使用在隐含关联特征提取方面具有优异表现的第一卷积神经网络模型来对所述二维输入矩阵进行显式空间编码，以提取出所述各个电用户在各个预定时间点的用电功率的高维隐含关联特征信息，从而获得用电特征矩阵。
更具体地，在本发明实施例中，所述用电数据编码模块，进一步用于：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述用电特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维输入矩阵。
具体地，在本发明实施例中，所述输电和储电数据采集模块240和所述时序编码模块250，用于获取所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量，并将所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量。应可以理解，在利用谷电对储能系统进行充电时，储能是一个连续的过程，而储能效率却会随着储能系统的状态变化而产生波动，并且储能效率的变化可通过剩余待储能的容量来表示。因此，在本发明的技术方案中，进一步地，获取所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量，并将其分别通过包含一维卷积层的时序编码器中进行编码处理，以挖掘出所述电网的谷电功率密度和所述储能系统的储能容量在时序维度上的动态变化特征，从而得到谷电功率密度向量和储能特征向量。
更具体地，在本发明实施例中，所述时序编码模块，包括：输入向量构造单元，用于将所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别按照时间维度排列为一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure BDA0003723961220000161
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003723961220000162
表示矩阵乘；以及，一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure BDA0003723961220000163
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
具体地，在本发明实施例中，所述响应性估计模块260和所述特征融合模块270，用于计算所述谷电功率密度向量相对于所述储能特征向量的响应性矩阵，并融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵。应可以理解，考虑到所述电网的谷电功率密度特征是所述储能系统的储能容量特征的响应性特征，因此为了加强这两者的关联性特征信息，以得到动态的隐含变化特征，在本发明的技术方案中，进一步计算所述谷电功率密度向量相对于所述储能特征向量的转移矩阵作为所述响应性矩阵，这里，在一个具体示例中，所述转移矩阵乘以所述谷电功率密度向量等于所述储能特征向量。这样，就可以进一步融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵，例如可以计算所述响应性矩阵和所述用电特征矩阵的按位置的加权和来得到所述分类特征矩阵。
更具体地，在本发明实施例中，所述特征融合模块，进一步用于：以如下公式融合所述响应性矩阵和所述用电特征矩阵以得到所述分类特征矩阵；
其中，所述公式为：
M＝αM1+βM2
其中，M为所述分类特征矩阵，M1为所述响应性矩阵，M2为所述用电特征矩阵，“+”表示所述响应性矩阵和所述用电特征矩阵相对应位置处的元素相加，α和β为用于控制所述响应性矩阵和所述用电特征矩阵之间的平衡的加权参数。
具体地，在本发明实施例中，所述特征分布校正模块280，用于对所述分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，其中，所述基于特征值的类条件边界约束合成基于以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中各个位置的特征值的倒数之间的差值来进行。应可以理解，由于所述响应性矩阵对应于时序-时序维度，而所述用电特征矩阵对应于时序-样本维度，在将其融合时，可能存在由于维度不对齐导致的分布外(out-of-distribution)特征值。因此，在本发明的技术方案中，对于融合所述响应性矩阵和所述用电特征矩阵所获得的所述分类特征矩阵，进行特征值的类条件边界约束合成。应可以理解，该所述特征值的类条件边界约束合成通过对特征值及其所属的类条件进行基于规则的结构化理解，来进行特征的边界约束合成，这可以避免特征值集合由于集合的分布外样本而导致在分类目标域内的决策区域的过度碎片化，提高了分类特征矩阵的分类性能。进而，也就使得分配给储能系统和分配给电用户的电能比例的合理性更高。
更具体地，在本发明实施例中，所述特征分布校正模块，进一步用于：以如下公式对所述分类特征矩阵进行基于特征值的类条件边界约束合成以得到所述校正后分类特征矩阵；
其中，所述公式为：
Figure BDA0003723961220000171
其中，mi，j表示所述分类特征矩阵中各个位置的特征值，mi，j′表示所述校正后分类特征矩阵中各个位置的特征值。
具体地，在本发明实施例中，所述调度结果生成模块290，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。也就是，在一个具体示例中，所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述校正后分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本发明实施例的所述多能互补混合储能调度系统200被阐明，其采用人工智能技术的深度神经网络模型对各个电用户的用电功率值以及电网的谷电功率密度和储能系统的储能容量进行在时间维度上的高维隐含特征提取，并以此来进行特征融合以对分配给电用户和储能系统电能的比例合理性进行判断，并且在特征融合时，采用特征值的类条件边界约束合成方法，以避免特征值集合由于集合的分布外样本而导致在分类目标域内的决策区域的过度碎片化，提高了分类特征矩阵的分类性能，进而提高了对于合理性判断的准确性。
如上所述，根据本发明实施例的多能互补混合储能调度系统200可以实现在各种终端设备中，例如多能互补混合储能调度算法的服务器等。在一个示例中，根据本发明实施例的多能互补混合储能调度系统200可以作为一个软件模块和/ 或硬件模块而集成到终端设备中。例如，该多能互补混合储能调度系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该多能互补混合储能调度系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该多能互补混合储能调度系统200与该终端设备也可以是分立的设备，并且该多能互补混合储能调度系统200可以通过有线和/ 或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
实施例2
一种多能互补混合储能调度系统的调度方法的流程图如图9所示，根据本发明实施例的多能互补混合储能调度系统的调度方法，包括步骤：S110，获取多个预定时间点的各个电用户的用电功率值；S120，将所述多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵；S130，使用第一卷积神经网络模型对所述二维输入矩阵进行显式空间编码以得到用电特征矩阵；S140，获取所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量；S150，将所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量；S160，计算所述谷电功率密度向量相对于所述储能特征向量的响应性矩阵；S170，融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵；S180，对所述分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，其中，所述基于特征值的类条件边界约束合成基于以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中各个位置的特征值的倒数之间的差值来进行；以及，S190，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。
根据本发明实施例的多能互补混合储能调度系统的调度方法的架构示意图如图10所示，在所述多能互补混合储能调度系统的调度方法的网络架构中，首先，将获得的所述多个预定时间点的各个电用户的用电功率(例如，如图10中所示意的P1)按照电用户样本维度和时间维度排列为二维输入矩阵(例如，如图10中所示意的M)；接着，使用第一卷积神经网络模型(例如，如图10中所示意的CNN1)对所述二维输入矩阵进行显式空间编码以得到用电特征矩阵(例如，如图10中所示意的MF1)；然后，将获得的所述多个预定时间点的电网的谷电功率密度(例如，如图10中所示意的Q1)和储能系统的储能容量(例如，如图10中所示意的Q2)分别通过包含一维卷积层的时序编码器(例如，如图 10中所示意的E)以得到谷电功率密度向量(例如，如图10中所示意的VF1) 和储能特征向量(例如，如图10中所示意的VF2)；接着，计算所述谷电功率密度向量相对于所述储能特征向量的响应性矩阵(例如，如图10中所示意的MF2)；然后，融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵(例如，如图10中所示意的MF)；接着，对所述分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵(例如，如图10中所示意的MC)；以及，最后，将所述校正后分类特征矩阵通过分类器(例如，如图10中所示意的分类器)以得到分类结果，所述分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。
更具体地，在步骤S110、步骤S120和步骤S130中，获取多个预定时间点的各个电用户的用电功率值，并将所述多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵，再使用第一卷积神经网络模型对所述二维输入矩阵进行显式空间编码以得到用电特征矩阵。应可以理解，在利用谷电对储能系统进行冲能时，一方面谷电需分配适当的比例的电能来满足电用户的用电需求，同时，另一方面，也需要考虑储能系统的储能效率。应可以理解，电用户的用电需求在时序维度上存在波动，也就是，电用户的整体用电需求会产生波动如果没有将波动因素考虑在内，则可能导致用户用电产生波动，即，造成电能质量的下降。并且，在利用谷电对储能系统进行充电时，储能是一个连续的过程，而储能效率却会随着储能系统的状态变化而产生波动，而储能效率的变化可通过剩余待储能的容量来表示。因此，在本发明的技术方案中，期望以所述各个电用户在各个预定时间点的用电功率来表示其用电需求。
也就是，具体地，首先获取多个预定时间点的各个用电用户的用电功率值，并将所述多个预定时间点的各个电用户的用电功率按电用户样本维度和时间维度排列为二维输入矩阵。这样，就可以整合所述多个预定时间点的各个电用户的用电功率在样本和时间维度上的数据分布信息。相应地，在一个具体示例中，将所述多个预定时间点的各个电用户的用电功率分别按照所述时间维度排列为行向量以获得多个行向量；以及，将所述多个行向量按照所述电用户样本维度排列为所述二维输入矩阵。然后，使用在隐含关联特征提取方面具有优异表现的第一卷积神经网络模型来对所述二维输入矩阵进行显式空间编码，以提取出所述各个电用户在各个预定时间点的用电功率的高维隐含关联特征信息，从而获得用电特征矩阵。
更具体地，在步骤S140和步骤S150中，获取所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量，并将所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量。应可以理解，在利用谷电对储能系统进行充电时，储能是一个连续的过程，而储能效率却会随着储能系统的状态变化而产生波动，并且储能效率的变化可通过剩余待储能的容量来表示。因此，在本发明的技术方案中，进一步地，获取所述多个预定时间点的电网的谷电功率密度和储能系统的储能容量，并将其分别通过包含一维卷积层的时序编码器中进行编码处理，以挖掘出所述电网的谷电功率密度和所述储能系统的储能容量在时序维度上的动态变化特征，从而得到谷电功率密度向量和储能特征向量。
更具体地，在步骤S160和步骤S170中，计算所述谷电功率密度向量相对于所述储能特征向量的响应性矩阵，并融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵。应可以理解，考虑到所述电网的谷电功率密度特征是所述储能系统的储能容量特征的响应性特征，因此为了加强这两者的关联性特征信息，以得到动态的隐含变化特征，在本发明的技术方案中，进一步计算所述谷电功率密度向量相对于所述储能特征向量的转移矩阵作为所述响应性矩阵，这里，在一个具体示例中，所述转移矩阵乘以所述谷电功率密度向量等于所述储能特征向量。这样，就可以进一步融合所述响应性矩阵和所述用电特征矩阵以得到分类特征矩阵，例如可以计算所述响应性矩阵和所述用电特征矩阵的按位置的加权和来得到所述分类特征矩阵。
更具体地，在步骤S180中，对所述分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，其中，所述基于特征值的类条件边界约束合成基于以所述分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中各个位置的特征值的倒数之间的差值来进行。应可以理解，由于所述响应性矩阵对应于时序-时序维度，而所述用电特征矩阵对应于时序-样本维度，在将其融合时，可能存在由于维度不对齐导致的分布外 (out-of-distribution)特征值。因此，在本发明的技术方案中，对于融合所述响应性矩阵和所述用电特征矩阵所获得的所述分类特征矩阵，进行特征值的类条件边界约束合成。应可以理解，该所述特征值的类条件边界约束合成通过对特征值及其所属的类条件进行基于规则的结构化理解，来进行特征的边界约束合成，这可以避免特征值集合由于集合的分布外样本而导致在分类目标域内的决策区域的过度碎片化，提高了分类特征矩阵的分类性能。进而，也就使得分配给储能系统和分配给电用户的电能比例的合理性更高。
更具体地，在步骤S190中，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。也就是，在一个具体示例中，所述分类器以如下公式对所述校正后分类特征矩阵进行处理以生成分类结果，其中，所述公式为： softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}，其中Project(F)表示将所述校正后分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本发明实施例的所述多能互补混合储能调度系统的调度方法被阐明，其采用人工智能技术的深度神经网络模型对各个电用户的用电功率值以及电网的谷电功率密度和储能系统的储能容量进行在时间维度上的高维隐含特征提取，并以此来进行特征融合以对分配给电用户和储能系统电能的比例合理性进行判断，并且在特征融合时，采用特征值的类条件边界约束合成方法，以避免特征值集合由于集合的分布外样本而导致在分类目标域内的决策区域的过度碎片化，提高了分类特征矩阵的分类性能，进而提高了对于合理性判断的准确性。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种多能互补混合储能调度系统，其特征在于：所述系统包括电用户数据采集模块、电用户数据结构化模块、用电数据编码模块、输电和储电数据采集模块、时序编码模块、响应性估计模块、特征融合模块、特征分布校正模块和调度结果生成模块；
电用户数据采集模块，用于获取多个预定时间点的各个电用户的用电功率值；
电用户数据结构化模块，用于将多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵；
用电数据编码模块，用于使用第一卷积神经网络模型对所述二维输入矩阵进行显式空间编码以得到用电特征矩阵；
输电和储电数据采集模块，用于获取多个预定时间点的电网的谷电功率密度和储能系统的储能容量；
时序编码模块，用于将多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量；
响应性估计模块，用于计算谷电功率密度向量相对于所述储能特征向量的响应性矩阵；
特征融合模块，用于融合响应性矩阵和所述用电特征矩阵以得到分类特征矩阵；
特征分布校正模块，用于对分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，其中，所述基于特征值的类条件边界约束合成基于以分类特征矩阵中各个位置的特征值为幂的自然指数函数值与分类特征矩阵中各个位置的特征值的倒数之间的差值来进行；
调度结果生成模块，用于将校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。
2.根据权利要求1所述的多能互补混合储能调度系统，其特征在于：所述电用户数据结构化模块包括向量构造单元和矩阵构造单元；
向量构造单元，用于将多个预定时间点的各个电用户的用电功率分别按照所述时间维度排列为行向量以获得多个行向量；
矩阵构造单元，用于将多个行向量按照电用户样本维度排列为二维输入矩阵。
3.根据权利要求2所述的多能互补混合储能调度系统，其特征在于：所述用电数据编码模块，进一步用于使用第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为用电特征矩阵，所述第一卷积神经网络的第一层的输入为二维输入矩阵。
4.根据权利要求3所述的多能互补混合储能调度系统，其特征在于：所述时序编码模块包括输入向量构造单元、全连接编码单元和一维卷积编码单元；
输入向量构造单元，用于将多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别按照时间维度排列为一维的输入向量；
全连接编码单元，用于使用时序编码器的全连接层以如下公式对输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
Figure FDA0003723961210000021
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0003723961210000022
表示矩阵乘；
一维卷积编码单元，用于使用时序编码器的一维卷积层以如下公式对输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
Figure FDA0003723961210000023
其中，a为卷积核在x方向上的宽度，F为卷积核参数向量，G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
5.根据权利要求4所述的多能互补混合储能调度系统，其特征在于：所述响应性估计模块，进一步用于计算谷电功率密度向量相对于储能特征向量的转移矩阵作为所述响应性矩阵，其中，所述转移矩阵乘以谷电功率密度向量等于储能特征向量。
6.根据权利要求5所述的多能互补混合储能调度系统，其特征在于：所述特征融合模块进一步用于：以如下公式融合响应性矩阵和用电特征矩阵以得到分类特征矩阵；
其中，所述公式为：
M＝αM1+βM2
其中，M为分类特征矩阵，M1为响应性矩阵，M2为用电特征矩阵，α和β为用于控制响应性矩阵和用电特征矩阵之间的平衡的加权参数。
7.根据权利要求6所述的多能互补混合储能调度系统，其特征在于：所述特征分布校正模块进一步用于：以如下公式对分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵；
其中，所述公式为：
Figure FDA0003723961210000031
其中，mi，j表示分类特征矩阵中各个位置的特征值，mi，j′表示校正后分类特征矩阵中各个位置的特征值。
8.根据权利要求7所述的多能互补混合储能调度系统，其特征在于：所述调度结果生成模块进一步用于：分类器以如下公式对校正后分类特征矩阵进行处理以生成分类结果；
其中，所述公式为：
softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}
其中，Project(F)表示将所校正后分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
9.一种所述多能互补混合储能调度系统的调度方法，其特征在于包括下述步骤：
S110，获取多个预定时间点的各个电用户的用电功率值；
S120，将多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵；
S130，使用第一卷积神经网络模型对二维输入矩阵进行显式空间编码以得到用电特征矩阵；
S140，获取多个预定时间点的电网的谷电功率密度和储能系统的储能容量；
S150，将多个预定时间点的电网的谷电功率密度和储能系统的储能容量分别通过包含一维卷积层的时序编码器以得到谷电功率密度向量和储能特征向量；
S160，计算谷电功率密度向量相对于储能特征向量的响应性矩阵；
S170，融合响应性矩阵和用电特征矩阵以得到分类特征矩阵；
S180，对分类特征矩阵进行基于特征值的类条件边界约束合成以得到校正后分类特征矩阵，其中，所述基于特征值的类条件边界约束合成基于以分类特征矩阵中各个位置的特征值为幂的自然指数函数值与所述分类特征矩阵中各个位置的特征值的倒数之间的差值来进行；
S190，将校正后分类特征矩阵通过分类器以得到分类结果，分类结果用于表示分配给储能系统和分配给电用户的电能比例是否合理。
10.根据权利要求9所述的多能互补混合储能调度系统的调度方法，其特征在于：将多个预定时间点的各个电用户的用电功率按照电用户样本维度和时间维度排列为二维输入矩阵，包括：将多个预定时间点的各个电用户的用电功率分别按照所述时间维度排列为行向量以获得多个行向量；以及将多个行向量按照电用户样本维度排列为二维输入矩阵。
CN202210778813.8A 2022-06-30 2022-06-30 多能互补混合储能调度系统及其调度方法 Pending CN115169869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210778813.8A CN115169869A (zh) 2022-06-30 2022-06-30 多能互补混合储能调度系统及其调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210778813.8A CN115169869A (zh) 2022-06-30 2022-06-30 多能互补混合储能调度系统及其调度方法

Publications (1)

Publication Number Publication Date
CN115169869A true CN115169869A (zh) 2022-10-11

Family

ID=83491132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210778813.8A Pending CN115169869A (zh) 2022-06-30 2022-06-30 多能互补混合储能调度系统及其调度方法

Country Status (1)

Country Link
CN (1) CN115169869A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029520A (zh) * 2023-01-13 2023-04-28 上海合煌能源科技有限公司 基于电力需求响应的在线调度方法及其系统
CN117094453A (zh) * 2023-10-20 2023-11-21 国网安徽省电力有限公司合肥供电公司 一种用于虚拟电厂的调度优化系统及其方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029520A (zh) * 2023-01-13 2023-04-28 上海合煌能源科技有限公司 基于电力需求响应的在线调度方法及其系统
CN116029520B (zh) * 2023-01-13 2023-10-27 上海合煌能源科技有限公司 基于电力需求响应的在线调度方法及其系统
CN117094453A (zh) * 2023-10-20 2023-11-21 国网安徽省电力有限公司合肥供电公司 一种用于虚拟电厂的调度优化系统及其方法
CN117094453B (zh) * 2023-10-20 2024-01-30 国网安徽省电力有限公司合肥供电公司 一种用于虚拟电厂的调度优化系统及其方法

Similar Documents

Publication Publication Date Title
CN109004686B (zh) 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统
CN115169869A (zh) 多能互补混合储能调度系统及其调度方法
CN104734168B (zh) 一种基于电热联合调度的微电网运行优化系统及方法
CN109510224A (zh) 光伏储能与分布式能源联合的容量配置与运行优化方法
CN103868389A (zh) 一种独立熔盐蓄热电站
CN113036819A (zh) 一种考虑源荷双侧不确定性的电热综合能源系统鲁棒调度方法
CN112396238A (zh) 一种热电联合系统实时优化调度方法
CN111598289A (zh) 计及lstm光伏出力预测的综合能源系统分散式优化方法
CN113256045A (zh) 考虑风光不确定性的园区综合能源系统日前经济调度方法
CN116341881B (zh) 计及热网灵活性的电-热系统鲁棒超前调度方法及系统
CN106953367A (zh) 用于含燃气‑蒸汽联合循环机组热电系统的风电消纳方法
CN109474026A (zh) 一种基于规模化固态储热的多源协调系统优化调度方法
CN111860966A (zh) 基于模糊相关机会规划的含储能综合能源系统调度方法
CN110286590A (zh) 考虑多类型能源存储的冷热电联供系统日前优化调度方法
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
CN113255224A (zh) 一种基于发光萤火虫算法的能源系统配置优化方法
CN112085263A (zh) 一种用户侧分布式能源系统混合储能优化配置方法和系统
CN111600345A (zh) 储能管理装置及发电系统及基于区块链的电能分配方法
CN203772087U (zh) 一种独立熔盐蓄热电站
CN107565605A (zh) 一种基于微电网的工厂设备自动趋向优化的方法
Amanpour et al. Integrated energy in Germany–A critical look at the development and state of integrated energies in Germany
CN116109216A (zh) 一种源网储荷系统的可调性评估方法
CN115933548A (zh) 一种考虑管网模型的电热综合能源系统模型预测控制方法
Shaneb et al. An evaluation of integrated fuel cell and energy storage systems for residential applications
CN113794242A (zh) 一种计及天然气网动态特性的区间优化调度方法

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