CN115549137A - 分布式电网调控系统及调控方法 - Google Patents

分布式电网调控系统及调控方法 Download PDF

Info

Publication number
CN115549137A
CN115549137A CN202211163857.6A CN202211163857A CN115549137A CN 115549137 A CN115549137 A CN 115549137A CN 202211163857 A CN202211163857 A CN 202211163857A CN 115549137 A CN115549137 A CN 115549137A
Authority
CN
China
Prior art keywords
power
energy storage
energy
storage device
distributed power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211163857.6A
Other languages
English (en)
Inventor
陶鹏
王洪莹
张洋瑞
张超
刘晓瑜
贾勇良
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.)
State Grid Corp of China SGCC
Marketing Service Center of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Marketing Service Center of State Grid Hebei Electric Power 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 State Grid Corp of China SGCC, Marketing Service Center of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211163857.6A priority Critical patent/CN115549137A/zh
Publication of CN115549137A publication Critical patent/CN115549137A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Abstract

本发明涉及分布式电网调控技术领域，尤其涉及一种分布式电网调控系统及调控方法，本发明分布式电网调控系统，设有与分布式电源相适配的储能装置，服务器根据影响因素对分布式发电做出发电预测，在负载侧的计量终端可以对负载做出用能预测，服务器结合用能预测以及发电预测，控制储能装置储能和逆变的命令，分布式发电电能富裕时，对发电进行储存，负载用能较多时，通过储能装置释放电能，降低主网运行的负担，实现弃能少、削峰填谷的目的。本发明分布式电网调控方法实施方式，基于多个因素做出发电量预测，基于多个用能端预测用电量预测，预测所需数据量少，计算量小。最终实现，主网供能波动小，分布式发电弃能少，资源得到充分利用的目的。

Description

分布式电网调控系统及调控方法
技术领域
本发明涉及分布式电网调控技术领域，尤其涉及一种分布式电网调控系统及调控方法。
背景技术
分布式电网以设有多个分布式电源为主要特征。所谓分布式电源是一种与传统供电模式完全不同的新型供电系统，为满足特定用户需要或支持现有配电网的经济运行，以分散方式布置在用户附近、发电功率为几千瓦到五十兆瓦的小型模块式、与环境兼容的独立电源；它通常位于用户附近，包括生物能发电、燃气轮机、太阳能发电和光伏电池、燃料电池、风能发电、微机燃气轮机、内燃机，以及存储控制的技术。分布式能源可以连接电网，也可以独立工作。
与传统电网相比，分布式电网既可以就地消纳分布式能源实现多能互补，又能够与大电网进行能量交换参与电网辅助服务和紧急控制，因而成为“三型两网”新型能源体系下重要的发展趋势之一。近年来，分布式电网因其内部可控机组具有多能互补优势和能量管理灵活性，在电力系统末端迅速推广复制，也为传统配网的电压稳定、功率平衡、电能质量等问题的解决提供了新思路。
由于分布式电网大都使用太阳能、风能等自然能源，而风力资源和太阳能资源具有明显的波动性和不稳定性，使得各子系统的输出功率出现波动。
另一方面，对于用能端，用户的用电也存在一定的波动性，在分布式能源波动和用能波动两个方面，如果以主网供能的方式消除波动，则使得主网本已较为复杂的调控策略雪上加霜。
因此，应当从分布式能源侧和用能侧入手，改进现有的调控方法，使得分布式能源得以充分利用，同时减少用能波动给主网调控带来的压力。
基于此，需要开发设计出一种分布式电网调控系统及调控方法。
发明内容
本发明实施方式提供了一种分布式电网调控系统及调控方法，用于解决现有技术中分布式能源在产能用能少时，得不到充分利用的问题。
第一方面，本发明实施方式提供了一种分布式电网调控系统，应用于设有分布式电源的配电网中，包括：服务器以及储能装置；
所述服务器与所述储存装置信号连接，所述储能装置接入所述配电网中；
所述服务器通过发电预测以及用电预测，输出指示所述储能装置储能或向所述配电网输出电能的第一信号，其中，所述发电预测根据多个因素对所述配电网中的多个分布式电源做出，因素影响分布式电源发电功率，所述用电预测通过用能侧的多个计量终端获取；
所述储能装置按照所述第一信号的指示储存来自所述配电网的电能或向所述配电网输出电能。
在一种可能实现的方式中，所述分布式电源通过第一逆变器与所述配电网的主网并网，所述第一逆变器与所述服务器信号连接；
所述服务器还用于在超过储能阈值和低于主网输送阈值时，输出指示所述分布式电源输出功率的第二信号，其中，所述储能阈值表征所述储能装置储能能量的上限，所述主网输送阈值表征主网最低输送的限值；
所述第一逆变器按照所述第二信号的指示输出电能。
在一种可能实现的方式中，所述储能装置包括：充电逆变模块、第一储能单元以及第二储能单元；
所述第一储能单元以及所述第二储能单元分别与所述充电逆变模块电连接；所述充电逆变模块与所述服务器信号连接；
所述服务器根据分布式电源发电功率以及电网输出功率，输出指示所述储能装置输出或输入电能的第三信号；
所述储能装置根据所述第三信号输出指示所述第一储能单元和或所述第二储能单元输出或输入电能的信号。
在一种可能实现的方式中，所述多个计量终端通过获取多个历史计量信息集做出用能预测；
其中，计量终端与用能侧电连接，计量用能侧的电能计量信息；历史计量信息集包括所述用能侧在多个不同的历史时期获得的电能计量信息。
第二方面，本发明实施方式提供了一种分布式电网调控方法，应用于第一方面可能实现的所述的分布式电网调控系统中，包括：
获取多个因素，其中，因素影响所述分布式电源的发电功率；
将所述因素输入到预测模型中，获取预测发电量；
根据储能电量、预测用电量以及所述预测发电量，确定主网预期输送功率，其中，所述储能电量表征所述储能装置的储存电量，预测用电量基于对多个用能端的预测获取；
根据实时用电功率、实时发电功率以及所述主网预期输送功率，调整所述储能装置的输入功率或输出功率。
在一种可能实现的方式中，所述预测模型基于初始模型训练获得，所述初始模型为具有多个隐含层的BP神经网络模型，所述训练包括：
获取多个样本集，其中，样本集包括发电功率以及多个因素，所述多个因素包括：光照强度、气温、风速、降水量、纬度以及日期；
将所述多个样本集分为训练组以及验证组；
输入步骤：将所述训练组的多个样本集分别输入到所述初始模型，获取所述初始模型的多个训练输出；
根据所述多个训练输出以及所述多个样本集的发电功率之间的训练偏差，调整所述初始模型的参数，直至所述偏差小于阈值；
将所述验证组的多个样本集分别输入到所述初始模型，获取所述初始模型的多个验证输出；
计算所述多个验证输出以及所述多个样本集的发电功率之间的验证偏差；
若所述验证偏差大于阈值，则较少初始模型中多个隐含层的数量，并跳转至所述输入步骤。
在一种可能实现的方式中，用能端的预测通过多个历史计量信息确定所述预测用电量，包括：
获取预定数量的历史计量信息，其中，计量信息表征对应历史时期的用电量；
按照时间顺序，对历史将信息进行排序，获得初始序列；
根据第一公式以及所述初始序列，获得一次序列，其中，第一公式为：
Figure BDA0003860599210000041
式中，x(1)为一次序列，n为预定数量，x(0)(i)为初始序列的第i个元素；
根据第二公式以及一次序列，获得均值序列，其中，第二公式为：
Figure BDA0003860599210000042
式中，z(1)为均值序列，n为预定数量；
根据所述初始序列以及所述均值序列，构建预测模型，所述预测模型为：
x(0)(k)＝-az(1)(k)+b(k＝2,3…n)
式中，-a为发展系数，b为灰作用量；
根据所述预测模型求解发展系数以及灰作用量；
根据第三公式、所述发展系数以及所述灰作用量，获取预测用电量，所述第三公式为：
Figure BDA0003860599210000043
式中，e为自然常数，
Figure BDA0003860599210000044
为预测用电量。
在一种可能实现的方式中，所述根据实时用电功率、实时发电功率以及所述主网预期输送功率，调整所述储能装置的输入功率或输出功率，包括：
根据第四公式，调整所述储能装置的输入或输出，所述第四公式为：
Figure BDA0003860599210000051
式中，p(t)为储能装置的输入或输出功率，K为比例系数，Tr为积分系数，TD为微分系数，g(t)为主网预期输送功率与实际输送功率的差。
第三方面，本发明实施方式提供了一种电子装置，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第二方面或第二方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施方式提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第二方面或第二方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是：
本发明实施方式公开了的一种分布式电网调控系统，其设有与分布式电源相适配的储能装置，服务器根据影响因素对分布式发电做出发电预测，在负载侧的计量终端可以对负载做出用能预测，服务器结合用能预测以及发电预测，做出控制储能装置进行储能和逆变的命令，因此，实现了在分布式发电电能富裕时，对发电进行储存，在负载用能较多时，通过储能装置释放电能，降低主网运行的负担，实现弃能少、削峰填谷的目的。
本发明分布式电网调控方法实施方式，其首先，获取多个因素，其中，因素影响所述分布式电源的发电功率。然后，将所述因素输入到预测模型中，获取预测发电量；接着，根据储能电量、预测用电量以及所述预测发电量，确定主网预期输送功率，其中，所述储能电量表征所述储能装置的储存电量，预测用电量基于对多个用能端的预测获取；最后，根据实时用电功率、实时发电功率以及所述主网预期输送功率，调整所述储能装置的输入功率或输出功率。本发明实施方式其基于多个因素做出发电量预测，因此，预测准确度好，基于多个用能端预测用电量预测，因此，减少了服务器运算的负担，在一些实施方式中，采用灰色预测方法预测用能量，因此，预测所需数据量少，计算量小。最终实现，主网供能波动小，分布式发电弃能少，资源得到充分利用的目的。
附图说明
为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式或现有技术描述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方式，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是本发明实施方式提供的分布式电网调控系统功能框图；
图2是本发明实施方式提供的分布式电网调控方法流程图；
图3是本发明实施方式提供的BP神经网络拓扑结构图；
图4是本发明实施方式提供的电子装置功能框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
图1是本发明实施方式提供的分布式电网调控系统功能框图。
第一方面，本发明实施方式提供了一种分布式电网调控系统，应用于设有分布式电源的配电网中，包括：服务器以及储能装置；
所述服务器与所述储存装置信号连接，所述储能装置接入所述配电网中；
所述服务器通过发电预测以及用电预测，输出指示所述储能装置储能或向所述配电网输出电能的第一信号，其中，所述发电预测根据多个因素对所述配电网中的多个分布式电源做出，因素影响分布式电源发电功率，所述用电预测通过用能侧的多个计量终端获取；
所述储能装置按照所述第一信号的指示储存来自所述配电网的电能或向所述配电网输出电能。
在一种可能实现的方式中，所述分布式电源通过第一逆变器与所述配电网的主网并网，所述第一逆变器与所述服务器信号连接；
所述服务器还用于在超过储能阈值和低于主网输送阈值时，输出指示所述分布式电源输出功率的第二信号，其中，所述储能阈值表征所述储能装置储能能量的上限，所述主网输送阈值表征主网最低输送的限值；
所述第一逆变器按照所述第二信号的指示输出电能。
在一种可能实现的方式中，所述储能装置包括：充电逆变模块、第一储能单元以及第二储能单元；
所述第一储能单元以及所述第二储能单元分别与所述充电逆变模块电连接；所述充电逆变模块与所述服务器信号连接；
所述服务器根据分布式电源发电功率以及电网输出功率，输出指示所述储能装置输出或输入电能的第三信号；
所述储能装置根据所述第三信号输出指示所述第一储能单元和或所述第二储能单元输出或输入电能的信号。
在一种可能实现的方式中，所述多个计量终端通过获取多个历史计量信息集做出用能预测；
其中，计量终端与用能侧电连接，计量用能侧的电能计量信息；历史计量信息集包括所述用能侧在多个不同的历史时期获得的电能计量信息。
示例性地，电网通过主变压器101接收主电网输送电能的同时，还接受分布式电源102输送的电能，分布式电源102在一些应用场景中包括：太阳能发电、风力发电、潮汐发电等发电形式。
此外，本发明实施方式中还设有储能装置，储能装置在分布式电源102产生的电能和电网输送的电能总和，超过负载104的用能能力时，对富裕出的电能进行储存。
本发明实施方式中这种调度控制发电、储能的核心为服务器103，该服务器103通过现有的因素做出合理的发电预测，还通过负载104侧的计量终端105获取用能预测。
通过用能预测以及发电预测，实现对储能装置储能或逆变供能的控制。
在一些应用场景中，储能装置包括有两个储能单元105和一个充电逆变模块106，两个储能单元105分别与充电逆变模块106电连接，充电逆变模块106接入电网实现对储能单元105储能或将储能单元105的能量释放到电网，由于储能单元105设有两个，因此可以实现将其中一个储能单元105处于储能状态，另一个在释放电能的状态106，从而避免储能单元在一些可能中，频繁在充电和逆变状态进行切换。
负载104侧的计量终端105基于历史数据预测除下一时期的用能预测，多个计量终端105将预测数据发送到服务器103。
本发明分布式电网调控系统，其设有与分布式电源相适配的储能装置，服务器根据影响因素对分布式发电做出发电预测，在负载侧的计量终端可以对负载做出用能预测，服务器结合用能预测以及发电预测，做出控制储能装置进行储能和逆变的命令，因此，实现了在分布式发电电能富裕时，对发电进行储存，在负载用能较多时，通过储能装置释放电能，降低主网运行的负担，实现弃能少、削峰填谷的目的。
图2为本发明实施方式提供的分布式电网调控方法流程图。
如图2所示，其示出了本发明实施方式提供的分布式电网调控方法的实现流程图，详述如下：
在步骤201中，获取多个因素，其中，因素影响所述分布式电源的发电功率。
在步骤202中，将所述因素输入到预测模型中，获取预测发电量；
在一些实施方式中，所述预测模型基于初始模型训练获得，所述初始模型为具有多个隐含层的BP神经网络模型，所述训练包括：
获取多个样本集，其中，样本集包括发电功率以及多个因素，所述多个因素包括：光照强度、气温、风速、降水量、纬度以及日期；
将所述多个样本集分为训练组以及验证组；
输入步骤：将所述训练组的多个样本集分别输入到所述初始模型，获取所述初始模型的多个训练输出；
根据所述多个训练输出以及所述多个样本集的发电功率之间的训练偏差，调整所述初始模型的参数，直至所述偏差小于阈值；
将所述验证组的多个样本集分别输入到所述初始模型，获取所述初始模型的多个验证输出；
计算所述多个验证输出以及所述多个样本集的发电功率之间的验证偏差；
若所述验证偏差大于阈值，则较少初始模型中多个隐含层的数量，并跳转至所述输入步骤。
示例性地，如图3所示，BP神经网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐含层，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。
BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。
对于本发明实施方式而言，其输入层的多个节点接受因素P1、P2、…、Pm的输入，最终在输出层做出输出预测的结果，例如图中的a1。
因素可以有多种，例如，日照强度、气温、风速、降水量、纬度以及日期，等等，这些作为输入输入到输入层的节点，在这个神经网络中会输出一个结果，输出的结果与对应这些因素的实际输出功率的差，作为残差，根据残差修正输入层、隐含层以及输出层的参数，直到输出结果与实际输出的功率趋于一致。
这个过程称之为训练过程。在训练结束后，有的情形中，还设有验证过程，不同于修正过程的是，验证过程仅输入因素，获取残差，不修正参数，依据残差验证模型的精度，如果验证过程的残差过大，即就应当调整模型结构，例如，去除一部分或加上一部分隐含层。从而提高拟合的精度。
在步骤203中，根据储能电量、预测用电量以及所述预测发电量，确定主网预期输送功率，其中，所述储能电量表征所述储能装置的储存电量，预测用电量基于对多个用能端的预测获取；
在一种可能实现的方式中，用能端的预测通过多个历史计量信息确定所述预测用电量，包括：
获取预定数量的历史计量信息，其中，计量信息表征对应历史时期的用电量；
按照时间顺序，对历史将信息进行排序，获得初始序列；
根据第一公式以及所述初始序列，获得一次序列，其中，第一公式为：
Figure BDA0003860599210000101
式中，x(1)为一次序列，n为预定数量，x(0)(i)为初始序列的第i个元素；
根据第二公式以及一次序列，获得均值序列，其中，第二公式为：
Figure BDA0003860599210000102
式中，z(1)为均值序列，n为预定数量；
根据所述初始序列以及所述均值序列，构建预测模型，所述预测模型为：
x(0)(k)＝-az(1)(k)+b(k＝2,3…n)
式中，-a为发展系数，b为灰作用量；
根据所述预测模型求解发展系数以及灰作用量；
根据第三公式、所述发展系数以及所述灰作用量，获取预测用电量，所述第三公式为：
Figure BDA0003860599210000111
式中，e为自然常数，
Figure BDA0003860599210000112
为预测用电量。
示例性地，本发明实施方式，采用计量终端，针对每个负载进行用能预测，其预测的基本原理就是依靠灰色预测的GM(1,1)模型，具体来说，就是将历史用能数据，按照时间序列，构建一个一次序列，根据一次序列，生成邻近的均值序列，在根据预测模型，将邻近序列和初始序列带入后，求解预测模型的发展系数和灰作用量，最后根据预测模型，确定预测用电量。
采用灰色预测模型的好处是，获取的因素少，数据计算量小，每个计量终端分布式计算，减少了服务器运算的负担。
在步骤204中，根据实时用电功率、实时发电功率以及所述主网预期输送功率，调整所述储能装置的输入功率或输出功率。
在一些实施方式中，所述根据实时用电功率、实时发电功率以及所述主网预期输送功率，调整所述储能装置的输入功率或输出功率，包括：
根据第四公式，调整所述储能装置的输入或输出，所述第四公式为：
Figure BDA0003860599210000113
式中，p(t)为储能装置的输入或输出功率，K为比例系数，Tt为积分系数，TD为微分系数，g(t)为主网预期输送功率与实际输送功率的差。
示例性地，由于本发明实施方式目标为减少弃能，同时能够削峰填谷减少分布式发电的波动性，因此，本发明以主网预期输送功率平稳为控制目标，控制储能装置的输入或输出功率，构建下式：
Figure BDA0003860599210000121
式中，p(t)为储能装置的输入或输出功率，K为比例系数，Tt为积分系数，TD为微分系数，g(t)为主网预期输送功率与实际输送功率的差。
这个公式中，主网输送功率波动时，依靠波动与预期的差，控制储能装置储存电能或逆变向电网发电。
本发明分布式电网调控方法实施方式，其首先，获取多个因素，其中，因素影响所述分布式电源的发电功率。然后，将所述因素输入到预测模型中，获取预测发电量；接着，根据储能电量、预测用电量以及所述预测发电量，确定主网预期输送功率，其中，所述储能电量表征所述储能装置的储存电量，预测用电量基于对多个用能端的预测获取；最后，根据实时用电功率、实时发电功率以及所述主网预期输送功率，调整所述储能装置的输入功率或输出功率。本发明实施方式其基于多个因素做出发电量预测，因此，预测准确度好，基于多个用能端预测用电量预测，因此，减少了服务器运算的负担，在一些实施方式中，采用灰色预测方法预测用能量，因此，预测所需数据量少，计算量小。最终实现，主网供能波动小，分布式发电弃能少，资源得到充分利用的目的。
应理解，上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式，对于其中未详尽描述的细节，可以参考上述对应的方法实施方式。
图4是本发明实施方式提供的电子装置的功能框图。如图4所示，该实施方式的电子装置4包括：处理器400和存储器401，所述存储器401中存储有可在所述处理器400上运行的计算机程序402。所述处理器400执行所述计算机程序402时实现上述各个铅酸蓄电池快速充电控制方法及实施方式中的步骤，例如图2所示的步骤201至步骤204。
示例性的，所述计算机程序402可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器401中，并由所述处理器400执行，以完成本发明。
所述电子装置4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子装置4可包括，但不仅限于，处理器400、存储器401。本领域技术人员可以理解，图4仅仅是电子装置4的示例，并不构成对电子装置4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器400可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器401可以是所述电子装置4的内部存储单元，例如电子装置4的硬盘或内存。所述存储器401也可以是所述电子装置4的外部存储设备，例如所述电子装置4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器401还可以既包括所述电子装置4的内部存储单元也包括外部存储设备。所述存储器401用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器401还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述或记载的部分，可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法及装置实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种分布式电网调控系统，其特征在于，应用于设有分布式电源的配电网中，包括：服务器以及储能装置；
所述服务器与所述储存装置信号连接，所述储能装置接入所述配电网中；
所述服务器通过发电预测以及用电预测，输出指示所述储能装置储能或向所述配电网输出电能的第一信号，其中，所述发电预测根据多个因素对所述配电网中的多个分布式电源做出，因素影响分布式电源发电功率，所述用电预测通过用能侧的多个计量终端获取；
所述储能装置按照所述第一信号的指示储存来自所述配电网的电能或向所述配电网输出电能。
2.根据权利要求1所述的分布式电网调控系统，其特征在于，所述分布式电源通过第一逆变器与所述配电网的主网并网，所述第一逆变器与所述服务器信号连接；
所述服务器还用于在超过储能阈值和低于主网输送阈值时，输出指示所述分布式电源输出功率的第二信号，其中，所述储能阈值表征所述储能装置储能能量的上限，所述主网输送阈值表征主网最低输送的限值；
所述第一逆变器按照所述第二信号的指示输出电能。
3.根据权利要求1-2任一项所述的分布式电网调控系统，其特征在于，所述储能装置包括：充电逆变模块、第一储能单元以及第二储能单元；
所述第一储能单元以及所述第二储能单元分别与所述充电逆变模块电连接；所述充电逆变模块与所述服务器信号连接；
所述服务器根据分布式电源发电功率以及电网输出功率，输出指示所述储能装置输出或输入电能的第三信号；
所述储能装置根据所述第三信号输出指示所述第一储能单元和或所述第二储能单元输出或输入电能的信号。
4.根据权利要求3所述的分布式电网调控系统，其特征在于，所述多个计量终端通过获取多个历史计量信息集做出用能预测；
其中，计量终端与用能侧电连接，计量用能侧的电能计量信息；历史计量信息集包括所述用能侧在多个不同的历史时期获得的电能计量信息。
5.一种分布式电网调控方法，其特征在于，应用于如权利要求3-4任一项所述的分布式电网调控系统中，包括：
获取多个因素，其中，因素影响所述分布式电源的发电功率；
将所述因素输入到预测模型中，获取预测发电量；
根据储能电量、预测用电量以及所述预测发电量，确定主网预期输送功率，其中，所述储能电量表征所述储能装置的储存电量，预测用电量基于对多个用能端的预测获取；
根据实时用电功率、实时发电功率以及所述主网预期输送功率，调整所述储能装置的输入功率或输出功率。
6.根据权利要求5所述的分布式电网调控方法，其特征在于，所述预测模型基于初始模型训练获得，所述初始模型为具有多个隐含层的BP神经网络模型，所述训练包括：
获取多个样本集，其中，样本集包括发电功率以及多个因素，所述多个因素包括：光照强度、气温、风速、降水量、纬度以及日期；
将所述多个样本集分为训练组以及验证组；
输入步骤：将所述训练组的多个样本集分别输入到所述初始模型，获取所述初始模型的多个训练输出；
根据所述多个训练输出以及所述多个样本集的发电功率之间的训练偏差，调整所述初始模型的参数，直至所述偏差小于阈值；
将所述验证组的多个样本集分别输入到所述初始模型，获取所述初始模型的多个验证输出；
计算所述多个验证输出以及所述多个样本集的发电功率之间的验证偏差；
若所述验证偏差大于阈值，则较少初始模型中多个隐含层的数量，并跳转至所述输入步骤。
7.根据权利要求5所述的分布式电网调控方法，其特征在于，用能端的预测通过多个历史计量信息确定所述预测用电量，包括：
获取预定数量的历史计量信息，其中，计量信息表征对应历史时期的用电量；
按照时间顺序，对历史将信息进行排序，获得初始序列；
根据第一公式以及所述初始序列，获得一次序列，其中，第一公式为：
Figure FDA0003860599200000031
式中，x(1)为一次序列，n为预定数量，x(0)(i)为初始序列的第i个元素；
根据第二公式以及一次序列，获得均值序列，其中，第二公式为：
Figure FDA0003860599200000032
式中，z(1)为均值序列，n为预定数量；
根据所述初始序列以及所述均值序列，构建预测模型，所述预测模型为：
x(0)(k)＝-az(1)(k)+b(k＝2，3...n)
式中，-a为发展系数，b为灰作用量；
根据所述预测模型求解发展系数以及灰作用量；
根据第三公式、所述发展系数以及所述灰作用量，获取预测用电量，所述第三公式为：
Figure FDA0003860599200000033
式中，e为自然常数，
Figure FDA0003860599200000034
为预测用电量。
8.根据权利要求5-7任一项所述的分布式电网调控方法，其特征在于，所述根据实时用电功率、实时发电功率以及所述主网预期输送功率，调整所述储能装置的输入功率或输出功率，包括：
根据第四公式，调整所述储能装置的输入或输出，所述第四公式为：
Figure FDA0003860599200000041
式中，p(t)为储能装置的输入或输出功率，K为比例系数，Tt为积分系数，TD为微分系数，g(t)为主网预期输送功率与实际输送功率的差。
9.一种电子装置，包括存储器和处理器，所述存储器中存储有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上的权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述方法的步骤。
CN202211163857.6A 2022-09-23 2022-09-23 分布式电网调控系统及调控方法 Pending CN115549137A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211163857.6A CN115549137A (zh) 2022-09-23 2022-09-23 分布式电网调控系统及调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211163857.6A CN115549137A (zh) 2022-09-23 2022-09-23 分布式电网调控系统及调控方法

Publications (1)

Publication Number Publication Date
CN115549137A true CN115549137A (zh) 2022-12-30

Family

ID=84730380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211163857.6A Pending CN115549137A (zh) 2022-09-23 2022-09-23 分布式电网调控系统及调控方法

Country Status (1)

Country Link
CN (1) CN115549137A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117374979A (zh) * 2023-12-08 2024-01-09 浙江浙石油综合能源销售有限公司 一种综合供能站的响应能力评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117374979A (zh) * 2023-12-08 2024-01-09 浙江浙石油综合能源销售有限公司 一种综合供能站的响应能力评估方法
CN117374979B (zh) * 2023-12-08 2024-03-15 浙江浙石油综合能源销售有限公司 一种综合供能站的响应能力评估方法

Similar Documents

Publication Publication Date Title
Liu et al. Energy management of cooperative microgrids: A distributed optimization approach
Wu et al. Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm
CN110350523B (zh) 基于需求响应的多能源互补优化调度方法
Guo et al. Multi‐objective stochastic optimal planning method for stand‐alone microgrid system
Andervazh et al. Emission‐economic dispatch of thermal power generation units in the presence of hybrid electric vehicles and correlated wind power plants
CN108306285B (zh) 基于topsis法的含分布式电源的主动配电网可靠性评估方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN110061524B (zh) 一种基于深度神经网络的分布式电源虚拟电厂有功调度等值聚合方法及系统
CN111181201B (zh) 基于双层强化学习的多能园区调度方法及系统
Zhang et al. Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach
CN115549137A (zh) 分布式电网调控系统及调控方法
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
Liu et al. Day-ahead economic dispatch of renewable energy system considering wind and photovoltaic predicted output
Dou et al. Double‐deck optimal schedule of micro‐grid based on demand‐side response
Yang et al. Adaptive robust optimal dispatch of microgrid based on different robust adjustment parameters
CN112564160A (zh) 一种计及风电不确定性的储能系统随机配置方法、终端及存储介质
CN115099725B (zh) 一种综合能源系统能量管理分配方法及系统
CN116822719A (zh) 一种配电网的多目标规划方法及装置
Chen et al. Deep reinforcement learning based research on low‐carbon scheduling with distribution network schedulable resources
Xing et al. A rolling optimization method of reserve capacity considering wind power frequency control
Singh et al. Investigation on dynamic economic dispatch problem of micro grid using cuckoo search algorithm-grid connected and islanded mode
CN115764936A (zh) 电网储能配置的优化方法、装置、设备及存储介质
CN115313519A (zh) 一种配电网储能优化配置方法、装置、设备及存储介质
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
CN114881296A (zh) 基于有偿分配的综合能源系统削峰填谷调度策略

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