CN115619431A - 微电网的调度方法、装置、终端及存储介质 - Google Patents
微电网的调度方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115619431A CN115619431A CN202211287546.0A CN202211287546A CN115619431A CN 115619431 A CN115619431 A CN 115619431A CN 202211287546 A CN202211287546 A CN 202211287546A CN 115619431 A CN115619431 A CN 115619431A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- power
- energy storage
- storage system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000005611 electricity Effects 0.000 claims abstract description 159
- 238000004146 energy storage Methods 0.000 claims abstract description 144
- 238000012937 correction Methods 0.000 claims abstract description 93
- 238000007599 discharging Methods 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005096 rolling process Methods 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000005338 heat storage Methods 0.000 description 28
- 238000010168 coupling process Methods 0.000 description 22
- 238000005859 coupling reaction Methods 0.000 description 22
- 230000008878 coupling Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005485 electric heating Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—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
- H02J3/003—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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种微电网的调度方法、装置、终端及存储介质。该方法包括:在购电知识图谱库中查找与微电网的实时负荷需求和实时电价对应的购电功率序列,得到初始购电功率序列;在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量;基于修正量对初始购电功率序列进行修正,得到购电功率序列,以基于购电功率序列对微电网进行调度。本发明通过储能系统的实时充放电平衡度和实时出力强度确定购电功率的修正量,对购电功率进行修正,通过修正后的购电功率对微电网进行调度,可以将储能系统的参数控制在需要的范围内,确保储能系统的长期寿命,实现对微电网运行的可持续性协调控制。
Description
技术领域
本发明涉及电力调度技术领域,尤其涉及一种微电网的调度方法、装置、终端及存储介质。
背景技术
近年来,随着工业迅猛发展,全球气候不断恶化,世界各国传统化石能源储备量日渐贫乏,因此,为了满足人类生产、生活对能源的需求,发展绿色清洁能源成为各国能源发展规划的重中之重。特别在电力领域,各国都提出了相关政策,以加快新能源发电、并网,减少传统发电机组的使用,为实现“碳达峰”、“碳中和”的全球目标共同助力。同时,随着“煤改电”政策的实施、电力市场改革浪潮的到来以及智能电网建设的推进,用户侧光储热耦合微电网的建设和应用变得越来越重要。
用户侧光储热耦合微电网具备储能、用能和产能的功能,目前为了提高用户侧光储热耦合微电网运行的经济性,有学者建立了光储型微电网的中央控制器,对户用光储热耦合微电网进行运行控制。然而,目前的微电网控制方式通常只考虑了运行成本、负荷需求等因素,没有考虑储能系统的长期寿命受到的影响,导致户用光储热耦合微电网运行的可持续性受到影响。
发明内容
本发明实施例提供了一种微电网的调度方法、装置、终端及存储介质,以解决现有的控制方式难以保证户用光储热耦合微电网运行的可持续性的问题。
第一方面,本发明实施例提供了一种微电网的调度方法,微电网包括储能系统和负荷设备;该方法包括:
在购电知识图谱库中查找与微电网的实时负荷需求和实时电价对应的购电功率序列,得到初始购电功率序列;其中,购电知识图谱库基于历史电价、历史负荷需求和历史购电序列构建;
在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量;其中,修正知识图谱库基于历史充放电平衡度、历史出力强度和历史修正量构建;
基于修正量对初始购电功率序列进行修正,得到购电功率序列,以基于购电功率序列对微电网进行调度。
在一种可能的实现方式中,该方法还包括:
基于模型预测控制器对购电功率进行滚动优化和反馈矫正,得到优化后的供电功率序列,以基于优化后的购电功率序列对微电网进行调度。
在一种可能的实现方式中,在购电知识图谱库中查找与微电网的实时负荷需求和实时电价对应的购电功率序列之前,该方法还包括:
获取多个历史时段对应的电价、负荷需求和购电功率序列;
分别对各个电价、负荷需求和购电功率序列进行分级,构建以电价和负荷需求为输入,以购电功率序列为输出的三元关系组,得到购电知识图谱库。
在一种可能的实现方式中,在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量之前,该方法还包括:
获取储能系统的实时运行状态参数;
基于储能系统的实时运行状态参数计算储能系统的实时充放电平衡度和实时出力强度。
在一种可能的实现方式中,实时运行状态参数包括实时荷电状态;
基于储能系统的实时运行状态参数计算储能系统的实时充放电平衡度,包括:
基于实时荷电状态和充放电平衡度计算公式计算储能系统的实时充放电平衡度;其中,充放电平衡度计算公式为:
其中,Csoc(k)表示储能系统在k时刻的荷电状态,Csoc.ref表示储能系统的荷电状态推荐值,Csoc.max表示储能系统的最大荷电值,Csoc.min表示储能系统的最小荷电值。
在一种可能的实现方式中,实时运行状态参数包括实时充放电功率;
基于储能系统的实时运行状态参数计算储能系统的实时出力强度,包括:
基于实时充放电功率和出力强度计算公式计算储能系统的实时出力强度;其中,出力强度计算公式为:
其中,P.ref(k)表示储能系统在k时刻的充放电功率指令,P.cmax表示储能系统的最大充电功率,P.dmax表示储能系统的最大放电功率,wc和wd表示权重因子。
在一种可能的实现方式中,在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量之前,该方法还包括:
获取多个历史时段对应的充放电平衡度、出力强度和修正量;
分别对各个充放电平衡度、出力强度和修正量进行分级,构建以充放电平衡度和出力强度为输入,以修正量为输出的三元关系组,得到修正知识图谱库。
第二方面,本发明实施例提供了一种微电网的调度装置,微电网包括储能系统和负荷设备;该装置包括:
第一确定模块,用于在购电知识图谱库中查找与微电网的实时负荷需求和实时电价对应的购电功率序列,得到初始购电功率序列;其中,购电知识图谱库基于历史电价、历史负荷需求和历史购电序列构建;
第二确定模块,用于在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量;其中,修正知识图谱库基于历史充放电平衡度、历史出力强度和历史修正量构建;
功率修正模块,用于基于修正量对初始购电功率序列进行修正,得到购电功率序列,以基于购电功率序列对微电网进行调度。
第三方面,本发明实施例提供了一种终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式方法的步骤。
本发明实施例提供一种微电网的调度方法、装置、终端及存储介质,该方法包括:在购电知识图谱库中查找与微电网的实时负荷需求和实时电价对应的购电功率序列,得到初始购电功率序列;其中,购电知识图谱库基于历史电价、历史负荷需求和历史购电序列构建;在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量;其中,修正知识图谱库基于历史充放电平衡度、历史出力强度和历史修正量构建;基于修正量对初始购电功率序列进行修正,得到购电功率序列,以基于购电功率序列对微电网进行调度。本发明首先通过知识图谱确定初始的购电功率,得到一个较准确的购电功率,然后通过储能系统的实时充放电平衡度和实时出力强度确定购电功率的修正量,对购电功率进行修正,通过修正后的购电功率对微电网进行调度,可以将储能系统的参数控制在需要的范围内,确保储能系统的长期寿命,实现对微电网运行的可持续性协调控制。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的微电网的调度方法的应用场景图;
图2是本发明一实施例提供的微电网的拓扑结构图;
图3是本发明一实施例提供的微电网的能量流图;
图4是本发明一实施例提供的微电网的调度方法的实现流程图;
图5是本发明一实施例提供的微电网的调度方法的三元组结构示意图;
图6是本发明另一实施例提供的微电网的调度方法的三元组结构示意图;
图7是本发明一实施例提供的微电网的调度方法的控制框图;
图8是本发明一实施例提供的电价曲线图;
图9是本发明一实施例提供的初始售购电序列示意图;
图10是本发明一实施例提供的光伏预测功率示意图;
图11是本发明一实施例提供的储能系统状态曲线图;
图12是本发明一实施例提供的售购电及储能功率曲线图;
图13是本发明一实施例提供的微电网的调度装置的结构示意图;
图14是本发明一实施例提供的终端的示意图。
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例。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例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、电路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例来进行说明。
图1为本发明实施例提供的微电网的调度方法的应用场景图。如图1所示,本实施例提供的微电网的调度方法应用于微电网,其中微电网具体可以是户用光储热耦合微电网。户用光储热耦合微电网主要包含分布式光伏、储能系统(储热水箱、储能电池等)、用电负荷(空气源热泵)以及控制器等,各部分的运行连接关系如图1所示。
户用光储热耦合微电网的运行方式分为四种,分别为并网、离网、检修、停运。并网运行时,户用光储热耦合微电网系统通过静态开关连接到外电网,光伏组件在MPPT模式运行,储能系统用于储存电能、储热以及平滑光伏实际输出功率的间歇性波动;离网运行时,在外部电网故障或停电等的情况下,该光储热耦合的微电网与外部电网断开连接,储能系统以V/F(电压/频率)的控制模式运行,此时,该微电网系统的电源为储能电池,以此来供给网内负荷,在一定时间内维持供电不中断其拓扑结构如图2所示;当该微电网内设备需要检修时,静态开关断开,检修人员对微电网内设备进行检修;当微电网内部发生严重故障、或者需要进一步扩容建设等时,该光储热微电网与外电网断开,系统内部各个设备停运。
本发明基于能量流模型对户用光储热耦合微电网进行分析。能量流模型与宏观交通流模型相似,在电力能量流模型中不在以单一设备为中心,来研究其功率控制、电能流动,而是以整个微电网控制系统为核心,研究其与微电网储能、用能、产能各部分之间的功率能量流动,描述各个部分之间的电能传递规律,从而控制各个部分电能传递,实现微电网内部、微电网与外电网之间电能的经济调度。以各个装置的电功率对户用光储热微电网系统中的各个装置进行等效替代,得到总体系统能量流图,如图3所示。
图3中,Ppv为光伏实际发出的功率,Pg为该系统与外电网之间的售购电功率,Pb为储能调控的总功率,PL为负荷功率。在系统中光伏作为间歇性电源的代表,空气源热泵作为负荷的代表。该户用光储热耦合微电网系统在确保系统内部等效负荷需求的同时,在实时电价下,控制微电网与外电网的售购电,优化储能电池充放电功率,最大限度延长电池使用寿命,储能系统则主要起到抑制网内热(冷)负荷及光伏的随机性、间歇性。
该户用光储热协调控制系统的动态数学模型如式(1)所示:
其中,PLH、PLE分别代表等效热负荷、电负荷功率,Ppv为光伏实际发出的功率,Pb为储能调控的总功率,储能系统进行储能充电时,该功率为负值;释放能量、进行放电时,该功率为正值,Pg为用户与智慧能源服务平台(外电网)的售购电功率,从外购电时为正、售电时为负,Eb是储能电池在当前时刻存储的电量,η是储能电池能量的转换效率,包含放电效率和充电效率。
将式(1)表示成离散二阶动态方程如式(2)所示:
其中,v(k)为控制变量,y(k)为输出量,x1(k)、x2(k)为状态变量,u1(k)、u2(k)、u3(k)为非控制输入变量。若写成矩阵形式如式(3)所示。
其中,A、B、C、D为系数矩阵,分别如式(4)所示。
参见图4,其示出了本发明实施例提供的微电网的调度方法的实现流程图,详述如下:
步骤401,在购电知识图谱库中查找与微电网的实时负荷需求和实时电价对应的购电功率序列,得到初始购电功率序列;其中,购电知识图谱库基于历史电价、历史负荷需求和历史购电序列构建。
在本实施例中,购电功率序列是由在一段时间内各时段购电功率组成的序列,例如一天中的不同时段会对应不同的实时电价,则不同时段也可能对应不同的购电功率,将一天中各时段的购电功率按照顺序排列,就可得到这一天对应的购电功率序列。
知识图谱(Knowledge Graph)作为一种基于人工智能技术的知识组织和构建方法,其信息表达更接近人类认知世界的形式,能够从语义层面表示复杂的关联关系,提供一种更好地管理和理解海量信息的能力,知识图谱的构建目的,是让机器具备认知能力,可以实现理解、推理、解释等任务。类似人脑的思维逻辑,知识图谱一般可以分为模式层与数据层2个层次,部分研究已对电力调度领域的知识图谱应用进行了初步探索。近年来,许多学者设计了人工智能应用于电网调控领域的总体框架,对知识图谱的应用场景进行了分析;对智能助手中的调度规程知识库构建进行了探讨,通过自然语言处理技术对调度知识文本进行学习和理解。人们通过对调度自动化系统的业务知识构建图谱,从而帮助专业运维人员了解调度自动化系统的内部结构与业务逻辑。
对于市场实时电价、户用光储热耦合微电网系统内负荷需求、用户购售电决策之间,存在着很大的人的意愿影响,在这样的问题中,很难找到相对应的数学关系进行建模和分析,用数学形式的控制理论或者典型的控制理论都很难找到精准的数学模型去反映用户侧最大经济化的决策,因此,仅靠数学逻辑和常规控制算法难以达到用户购售电功率的经济调度。知识图谱理论是通过对相关领域经验、操作规范、规则进行知识建模,是实现知识驱动智能调度的重要手段之一,因此本实施例中通过购电知识图谱,来做出控制决策,确定初始购电功率序列。
根据实时电价以及负荷需求信息,基于知识图谱模拟人工调度经验产生的决策让微电网在电价高峰期、且满足网内负荷需求同时向外电网售电,而在电价、网内负荷低谷期从外电网购电进行存储,从而是微电网整体达到一定经济效益,微电网从外电网售购电的初始功率序列Yg可由式(5)可得。
Yg(k)=KG(pL(k),m(k)) (5)
其中,pL(k)、m(k)分别为单位区间k内,户用光储热耦合微电网内负荷需求大小和市场交易实时电价大小,两者作为确定初始购电功率序列的输入量。
步骤402,在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量;其中,修正知识图谱库基于历史充放电平衡度、历史出力强度和历史修正量构建。
在本实施例中,在电池储能系统参与用户经济调度过程中,由于户用光储热耦合微电网网内负荷、光伏较强的随机性、间歇性,电池储能系统充放电功率可能过小或过大,常常使得储能电池SOC值处于或接近上下限,不利于下一时刻对电池储能功率的调控,并且储能电池频繁工作于极端状态不利于电池寿命。例如,传统调度方法中,通常只考虑实时电价和负荷需求,在电价低时或负荷需求高时进行购电,但是没有考虑电池充放电的程度,即有可能在电池完全放电后才进行购电,这种方式可能对于电池寿命造成较大影响。为实现对电池储能功率控制,提高其充放电能力,并延长电池寿命,本发明将实时充放电平衡度和实时出力强度作为储能电池的评估指标,来评估确定电池当前的运行状态,通过不断矫正微电网与外部电网的初始售购电功率,来实时调整储能电池充放电功率,从而在微电网的调度过程中,保持电池SOC值在推荐值附近。
步骤403,基于修正量对初始购电功率序列进行修正,得到购电功率序列,以基于购电功率序列对微电网进行调度。
在本实施例中,初始购电功率用于实现产能、购能、用能、储能的综合利用。具体来说,当微电网的内部发电电量充足时,可以对外部电网售电,增加微电网的经济收入;当微电网的内部发电量不能满足运行时,可以根据实时电价适当购电,保证满足负荷需求。因此,初始购电功率序列能够对各个部分的功率电能流动进行协调控制,保证户用“电采暖”的经济性。使用修正过的购电功率序列对微电网进行调度,能够在初始购电功率序列的基础上,增加调整储能系统充放电功率的功能,从而在保证微电网经济性的前提下,尽可能延长储能系统的寿命,保证微电网的可持续性。
在一种可能的实现方式中,该方法还包括:
基于模型预测控制器对购电功率进行滚动优化和反馈矫正,得到优化后的供电功率序列,以基于优化后的购电功率序列对微电网进行调度。
在本实施例中,模型预测控制(ModelPredictiveControl,MPC)是一类新型计算机控制算法,该算法直接产生于工业过程控制的实际应用,并在与工业应用的紧密结合中不断完善和成熟。由于大量的工业生产过程具有非线性、不确定性和时变等特点,经典的控制方法如PID控制、模糊控制、神经网络控制方法等以及现代控制理论都难以获得较良好的控制效果,而MPC方法由于具有灵活的预测模型、在线的滚动优化和实时的反馈校正三个环节,其具有鲁棒性高、控制效果好、自适应能力强且对模型精确性要求不高等优点,因此,MPC能够有效地应用于复杂的工业过程控制。
MPC在每一采样时刻,根据获得的当前测量信息,在线求解一个有限时域开环优化问题,并将得到的控制序列第一个元素作用于被控对象,且在下一采样时刻重复上述过程,即用新的测量值刷新优化问题并重新求解。在线求解开环优化问题获得开环优化序列是模型预测控制和传统控制方法的主要区别。
MPC主要包含以下三个部分:
1)模型预测:本实施例中主要为光伏功率预测,进而得到功率误差预测Y* g-Y。为引入积分以减少或消除静态误差将系统模型式(3)改写为增量形式如式(6)所示:
其中,Δv(k)为当前时刻控制变量增量,y(k)为当前时刻输出量,Δx(k+1)为下一时刻状态变量增量,Δu(k)为当前时刻非控制输入变量增量。
则系统k+p时刻状态变量可以通过k时刻状态递推得到。
Δx(k+1)=A·Δx(k)+B·Δu(k)+C·Δv(k),
Δx(k+2|k)=A2·Δx(k)+AB·Δu(k)+B·Δu(k+1)+AC·Δv(k)
Δx(k+3|k)=A3·Δx(k)+A2B·Δu(k)+AB·Δu(k+1)+B·Δu(k+2)+A2C·Δv(k)
......
Δx(k+p|k)=Ap·Δx(k)+Ap-1B·Δu(k)+Ap-2B·Δu(k+1)+......+Ap-mB·Δu(k+m-1)+Ap-1C·Δv(k) (7)
其中,k+1|k表示k时刻对k+1时刻的预测,“|”后面的k表示当前时刻。由输出方程进一步预测输出量在k+p时刻的值如式(8)所示。
y(k+1)=DA·Δx(k)+DB·Δu(k)+DC·Δv(k)+y(k)
y(k+2|k)=(DA2+DA)·Δx(k)+(DAB+DB)·Δu(k)+DB·Δu(k+1)+(DAC+DC)·Δv(k)+y(k)
......
因此对于系统未来p步的预测输出写成矩阵形式如式(9)所示。
Yp(k+1|k)=H·Δx(k)+I·y(k)+J·v(k)+K·u(k) (9)
其中关系矩阵H、I、J、K如式(10)所示。
IT=[in×n in×n ... in×n]p×1,
功率误差预测如式(11)所示。
2)滚动优化:由于外界干扰造成的不确定性,利用滚动优化始终将新优化值的第一个分量作用于当前系统,使控制保持实际上的最优。本文以预测时域内功率误差预测e(k+i/k)和控制时域内BESS出力u(k+i/k)最小为目标函数建立优化模型如式(12)所示。
其中,mp、mc分别为预测时域和控制时域,wyi、wui为控制变量的加权因子,加权因子越大表明期望对应的控制输出越接近给定的参考输入,td为BESS出力最小的优化时间单位。约束条件包含BESS的soc和最大充放电容量如式(13)所示。
显然此类优化问题为典型的二次规划(QP)问题,可在每一时刻调用MATLAB优化工具箱进行求解。将优化模型写成矩阵形式如式(14)所示。
3)反馈矫正:将确定的输出值反馈至MPC控制器的输入端,MPC控制器根据当前时刻的输入值以及上一时刻的输出值计算下一时刻的输出值,可以修正预测不准确带来的误差。
在一种可能的实现方式中,在购电知识图谱库中查找与微电网的实时负荷需求和实时电价对应的购电功率序列之前,该方法还包括:
获取多个历史时段对应的电价、负荷需求和购电功率序列;
分别对各个电价、负荷需求和购电功率序列进行分级,构建以电价和负荷需求为输入,以购电功率序列为输出的三元关系组,得到购电知识图谱库。
在本实施例中,构建购电知识图谱库的具体方式可以是:根据以往的人工调度经验,对历史时段中的电价、负荷需求和购电功率序列进行分级,以此作为知识图谱的实体,在历史决策信息中提取输入与输出实体间的关系,从而形成以此三元组为基本单元的知识结构如图5所示,从属关系如表1。
表1
其中,L、M、SH、H、VH、MH分别表示系统内负荷需求低、中、略高、高、非常高、极高;MS、MOP、MP、NOP、ANP、ANOP、EP、EOP是根据分时电价信息定义的早-平台期、早-低谷期、早-高峰期、中午-低谷期、下午-高峰期、下午-低谷期、晚-高峰期、晚-低谷期。
在一种可能的实现方式中,在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量之前,该方法还包括:
获取储能系统的实时运行状态参数;
基于储能系统的实时运行状态参数计算储能系统的实时充放电平衡度和实时出力强度。
在本实施例中,实时运行状态参数能够体现储能系统的实时运行状态,实时运行状态参数如果接近理想值,说明储能系统运行于健康、可持续的状态。本实施例中通过实时运行状态参数计算实时充放电平衡度和实时出力强度,并通过实时充放电平衡度和实时出力强度确定购电功率序列的修正量,从而对实时充放电平衡度和实时出力强度进行调节,使储能系统运行于理想状态。
在一种可能的实现方式中,实时运行状态参数包括实时荷电状态;
基于储能系统的实时运行状态参数计算储能系统的实时充放电平衡度,包括:
基于实时荷电状态和充放电平衡度计算公式计算储能系统的实时充放电平衡度;其中,充放电平衡度计算公式为:
其中,B(k)表示充放电平衡度,Csoc(k)表示储能系统在k时刻的荷电状态,Csoc.ref表示储能系统的荷电状态推荐值,Csoc.max表示储能系统的最大荷电值,Csoc.min表示储能系统的最小荷电值。
在本实施例中,电池储能系统充放电平衡度B(k)用来衡量电池储能系统充放电能力,计算公式如式(15)所示:
其中,B(k)表示充放电平衡度,Csoc(k)表示储能系统在k时刻的荷电状态,Csoc.ref表示储能系统的荷电状态推荐值,Csoc.max表示储能系统的最大荷电值,Csoc.min表示储能系统的最小荷电值。为防止Csoc.ref过高或过低导致下一次充电放电的能力降低,取Csoc.ref=(Csoc.max+Csoc.min)/2。B(k)越接近1,说明电池储能系统的放电能力越强,充电能力越弱;B(k)越接近-1时,说明电池储能系统的放电能力越弱,充电能力越强;B(k)趋近于0时,说明电池储能系统充放电能力平衡。
电池储能系统k时刻的荷电状态Csoc(k)的约束条件如式(16)所示:
Csoc.min≤Csoc(k)≤Csoc.max (16)
在一种可能的实现方式中,实时运行状态参数包括实时充放电功率;
基于储能系统的实时运行状态参数计算储能系统的实时出力强度,包括:
基于实时充放电功率和出力强度计算公式计算储能系统的实时出力强度;其中,出力强度计算公式为:
其中,T(k)表示出力强度,P.ref(k)表示储能系统在k时刻的充放电功率指令,P.cmax表示储能系统的最大充电功率,P.dmax表示储能系统的最大放电功率,wc和wd表示权重因子。
在本实施例中,电池储能系统出力强度T(k)用于衡量电池储能系统每次充放电功率大小,计算公式如式(17)所示:
其中,T(k)表示出力强度,P.ref(k)表示储能系统在k时刻的充放电功率指令,P.cmax表示储能系统的最大充电功率,P.dmax表示储能系统的最大放电功率,wc和wd表示权重因子。当T(k)趋于1时,表明储能系统的放电功率指令趋于最大值;当T(k)趋于-1时,表示充电功率趋于最大值;当T(k)趋于0时,说明参考功率指令为0。
k时刻储能系统功率指令参考值P.ref(k)的约束条件如式(18)所示:
P.cmax≤P.ref(k)≤P.dmax (18)
在一种可能的实现方式中,在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量之前,该方法还包括:
获取多个历史时段对应的充放电平衡度、出力强度和修正量;
分别对各个充放电平衡度、出力强度和修正量进行分级,构建以充放电平衡度和出力强度为输入,以修正量为输出的三元关系组,得到修正知识图谱库。
在本实施例中,构建修正知识图谱库的具体方式可以是:根据以往的人工评价经验,对储能系统充放电平衡度等级指标、储能系统出力强度等级指标,以及对应的修正量进行机器分类,并以T指标(充放电平衡度)、B指标(出力强度)、修正量作为知识图谱的实体,通过获取历史评估信息,从中提取T指标、B指标输入与修正量输出实体间的关系,从而形成以此三元组为基本单元的知识结构如图6所示,其中定义NB、NM、NS、NVS、ZO、VS、PS、PM、PB代表负大、负中、负小、负略小、零、正略小、正小、正中、正大等不同等级。
根据上表的结构关系在Neo4j图形数据库中建立用户和功率设备的实体节点和从属关系。然后根据历史功率数据计算出电池储能系统充放电平衡度等级指标B(k)、电池储能系统出力强度等级指标T(k),修正量detaYk等级,以建立用户、功率设备、技术指标结果的三元组从属关系如表2,在系统运行时,根据当前储能功率数据Pb,以及对应的从属关系,计算出修正量detaYk等级。
表2
为使得相应的指标处于合理正常状态,计算电池储能系统的充放电平衡度等级指标和出力强度等级指标,以上两个等级指标为对应知识图谱的输入实体、修正量detaYk为知识图谱的输出实体,等效数学表达式如式(19)所示:
ΔYk=K·KG(B(k),T(k)) (19)
在一个具体的实施例中,在图3对应的户用光储热耦合微电网能量流模型的基础上,所设计的户用光储热协调控制系统框图如图7所示。图7所示的控制系统首先将实时电价和微电网的实时负荷输入初始功率发生模块,初始功率模块执行上述步骤401确定初始购电功率序列Pg(k),然后通过知识图谱分类矫正器执行上述步骤402确定的矫正量,对初始购电功率序列Pg(k)进行矫正,得到矫正购电功率序列Pg’(k),最后将矫正购电功率序列Pg’(k)输入模型预测控制器进行滚动优化和反馈矫正,确定最终的购电功率序列Y。
为了验证本发明实施例提供的微电网的调度方法的效果,在某地开展户用光储热耦合微电网系统的示范应用,以当地负荷以及光伏实际出力功率数据为基础,以分时电价为基础对本发明实施例提供的微电网的调度方法进行仿真验证,验证过程如下:
地区环境介绍:该地区供热面积为80平米,供暖方式采用复用五恒系统供热,供热功率需求为15kW,热源采用空气源热泵,由于当地指标要求的能效为2,则制热电功率约为7.5kW,该地区使用光储一体化装置实现光伏发电及储能,光伏实际最大出力功率约为8kW,最大电负荷功率约为3kW。
以上述数据为基础,设置预测日当天天气状况为晴天进行验证。
根据该地的具体电价调查,可以对该地的24h的电价进行峰、谷、平时段的划分,以“煤改电”后在乡村地区实施的峰谷电价为标准进行验证,具体如图8所示。
(1)初始售购电功率的产生
根据分时电价以及负荷需求信息,基于知识图谱学习的优化调度售购电决策产生初始售购电序列Yg(k),预测日负荷数据以及产生的初始售购电序列如图9所示。
以预测日前一天的24h的光伏功率数据以及预测日当天的天气数据为基础,经由MPC算法中的模型预测控制器进行下一时的光伏功率预测,得到预测日当天24h的光伏功率数据,预测日当天为晴天的负荷大小以及光伏预测功率如图10所示。
(2)对储能电池充放电功率的优化矫正
在进行光伏功率预测后,对电池储能相关指标进行计算,在经由电池储能系统评估矫正模块对初始售购电序列进行反馈矫正,进而调整储能电池荷电状态SOC以及充放电功率,优化后的储能电池荷电状态SOC以及充放电功率曲线如图11所示。
(3)售购电经济性分析
本算法基于MPC能量流模型,对户用光储热耦合微电网进行经济调度和优化,其在户用光储热耦合微电网网内负荷得到满足以及实时电价较低时,尽量从外电网购电,在供给负荷(电负荷、热负荷)的同时,储能电池对所购的剩余电量进行储存;而当市场实时交易电价高时,尽可能的减少购电,优先使用储热来进行预供热,而后通过储能电池来供给负荷,如果光伏出力功率剩余且储能充足,在此时可以向外电网售电,从而充分利用光伏、储电、储热,最大化用户的购电经济性。优化调度后的售购电功率曲线以及储能功率曲线如图12所示。
由上述实施例可以看出,本发明提出了一种户用光储热耦合微电网的控制流程,仿照购售电的人工调度经验,建立初始购售电功率发生器的三元组关系,在数据库中建立相应的知识图谱,产生初始售购电功率序列;在微电网能量流模型的基础上,通过MPC算法对光伏功率进行预测控制;而后得出储能系统充放电功率,构建储能系统的相关指标,通过相应的知识图谱矫正器,对储能电池充放电功率进行优化控制,进而实现对微电网与外电网之间的经济调度。
本发明以户用光储热耦合微电网为基础,建立了以传输电功率为媒介的能量流数学模型,从而更加宏观的把控输入量、控制量、输出量等,最终通过控制器实现各个设备之间能量的流通、控制。
本发明提出了一种基于MPC能量流的户用光储热耦合微电网的优化调度方法,将以传输电功率为媒介的微电网能量流数学模型,进行状态方程转化,在对系统光伏功率的模型预测控制基础上,通过形成知识图谱从属关系,对控制量进行优化调整。
本发明提出的户用光储热协调控制算法可以在保证用户供暖/制冷以及负荷需求的同时,最大化模仿人工的电力经济调度,较单一的“电采暖”而言,实现了光伏、储电、储热、用电、用热的多级利用,构建了高能效的“电采暖”示范工程。
本发明的核心是在分时电价的前提下,提出了一种以户用光储热耦合微电网的能量流模型为基础,利用知识图谱、MPC控制以及反馈调节的户用光储热耦合微电网经济调度方法,以实时电价及负荷需求为基础,利用历史数据以及相关行业经验,创建知识图谱,以知识图谱中实体之间的关系得到微电网和外电网之间的初始售购功率优化序列,并通过模型预测控制以及考虑储能指标的反馈调节对优化序列进行跟踪控制,考虑到热(冷)负荷随机性、光伏输出间歇性,建立储能充放电平衡度指标,作为反馈形成闭环控制。目的在于实现光伏、购能、储能、用能的各个环节相互配合的电能综合利用,最大化用户的购电经济性,该方法在计算中也具备简洁高效的显著优势。
本发明实施例首先通过知识图谱确定初始的购电功率,得到一个较准确的购电功率,然后通过储能系统的实时充放电平衡度和实时出力强度确定购电功率的修正量,对购电功率进行修正,通过修正后的购电功率对微电网进行调度,可以将储能系统的参数控制在需要的范围内,确保储能系统的长期寿命,实现对微电网运行的可持续性协调控制。
应理解,上述实施例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例的实施过程构成任何限定。
以下为本发明的装置实施例,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例。
图13示出了本发明实施例提供的微电网的调度装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图13所示,微电网的调度装置13包括:
第一确定模块131,用于在购电知识图谱库中查找与微电网的实时负荷需求和实时电价对应的购电功率序列,得到初始购电功率序列;其中,购电知识图谱库基于历史电价、历史负荷需求和历史购电序列构建;
第二确定模块132,用于在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量;其中,修正知识图谱库基于历史充放电平衡度、历史出力强度和历史修正量构建;
功率修正模块133,用于基于修正量对初始购电功率序列进行修正,得到购电功率序列,以基于购电功率序列对微电网进行调度。
在一种可能的实现方式中,该装置还包括:
预测控制模块,用于基于模型预测控制器对购电功率进行滚动优化和反馈矫正,得到优化后的供电功率序列,以基于优化后的购电功率序列对微电网进行调度。
在一种可能的实现方式中,第一确定模块131还用于:
在购电知识图谱库中查找与微电网的实时负荷需求和实时电价对应的购电功率序列之前,获取多个历史时段对应的电价、负荷需求和购电功率序列;
分别对各个电价、负荷需求和购电功率序列进行分级,构建以电价和负荷需求为输入,以购电功率序列为输出的三元关系组,得到购电知识图谱库。
在一种可能的实现方式中,第二确定模块132还用于:
在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量之前,获取储能系统的实时运行状态参数;
基于储能系统的实时运行状态参数计算储能系统的实时充放电平衡度和实时出力强度。
在一种可能的实现方式中,实时运行状态参数包括实时荷电状态;
第二确定模块132具体用于:
基于实时荷电状态和充放电平衡度计算公式计算储能系统的实时充放电平衡度;其中,充放电平衡度计算公式为:
其中,Csoc(k)表示储能系统在k时刻的荷电状态,Csoc.ref表示储能系统的荷电状态推荐值,Csoc.max表示储能系统的最大荷电值,Csoc.min表示储能系统的最小荷电值。
在一种可能的实现方式中,实时运行状态参数包括实时充放电功率;
第二确定模块132具体用于:
基于实时充放电功率和出力强度计算公式计算储能系统的实时出力强度;其中,出力强度计算公式为:
其中,P.ref(k)表示储能系统在k时刻的充放电功率指令,P.cmax表示储能系统的最大充电功率,P.dmax表示储能系统的最大放电功率,wc和wd表示权重因子。
在一种可能的实现方式中,第二确定模块132还用于:
在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量之前,获取多个历史时段对应的充放电平衡度、出力强度和修正量;
分别对各个充放电平衡度、出力强度和修正量进行分级,构建以充放电平衡度和出力强度为输入,以修正量为输出的三元关系组,得到修正知识图谱库。
本发明实施例首先通过知识图谱确定初始的购电功率,得到一个较准确的购电功率,然后通过储能系统的实时充放电平衡度和实时出力强度确定购电功率的修正量,对购电功率进行修正,通过修正后的购电功率对微电网进行调度,可以将储能系统的参数控制在需要的范围内,确保储能系统的长期寿命,实现对微电网运行的可持续性协调控制。
图14是本发明实施例提供的终端的示意图。如图14所示,该实施例的终端14包括:处理器140、存储器141以及存储在所述存储器141中并可在所述处理器140上运行的计算机程序142。所述处理器140执行所述计算机程序142时实现上述各个微电网的调度方法实施例中的步骤,例如图4所示的步骤401至步骤403。或者,所述处理器140执行所述计算机程序142时实现上述各装置实施例中各模块的功能,例如图13所示模块131至133的功能。
示例性的,所述计算机程序142可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器141中,并由所述处理器140执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序142在所述终端14中的执行过程。例如,所述计算机程序142可以被分割成图13所示的模块131至133。
所述终端14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。所述终端14可包括,但不仅限于,处理器140、存储器141。本领域技术人员可以理解,图14仅仅是终端14的示例,并不构成对终端14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140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141可以是所述终端14的内部存储单元,例如终端14的硬盘或内存。所述存储器141也可以是所述终端14的外部存储设备,例如所述终端14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(FlashCard)等。进一步地,所述存储器141还可以既包括所述终端14的内部存储单元也包括外部存储设备。所述存储器141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141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。实施例中的各功能单元、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例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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例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例中,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/终端实施例仅仅是示意性的,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例方案的目的。
另外,在本发明各个实施例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例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,可实现上述各个微电网的调度方法实施例的步骤。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。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例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例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例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)
1.一种微电网的调度方法,其特征在于,所述微电网包括储能系统和负荷设备;所述方法包括:
在购电知识图谱库中查找与所述微电网的实时负荷需求和实时电价对应的购电功率序列,得到初始购电功率序列;其中,所述购电知识图谱库基于历史电价、历史负荷需求和历史购电序列构建;
在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量;其中,所述修正知识图谱库基于历史充放电平衡度、历史出力强度和历史修正量构建;
基于所述修正量对所述初始购电功率序列进行修正,得到购电功率序列,以基于所述购电功率序列对所述微电网进行调度。
2.根据权利要求1所述的微电网的调度方法,其特征在于,所述方法还包括:
基于模型预测控制器对所述购电功率进行滚动优化和反馈矫正,得到优化后的供电功率序列,以基于所述优化后的购电功率序列对所述微电网进行调度。
3.根据权利要求1所述的微电网的调度方法,其特征在于,在所述在购电知识图谱库中查找与所述微电网的实时负荷需求和实时电价对应的购电功率序列之前,所述方法还包括:
获取多个历史时段对应的电价、负荷需求和购电功率序列;
分别对各个电价、负荷需求和购电功率序列进行分级,构建以电价和负荷需求为输入,以购电功率序列为输出的三元关系组,得到所述购电知识图谱库。
4.根据权利要求1所述的微电网的调度方法,其特征在于,在所述在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量之前,所述方法还包括:
获取所述储能系统的实时运行状态参数;
基于所述储能系统的实时运行状态参数计算所述储能系统的实时充放电平衡度和实时出力强度。
7.根据权利要求1所述的微电网的调度方法,其特征在于,在所述在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量之前,所述方法还包括:
获取多个历史时段对应的充放电平衡度、出力强度和修正量;
分别对各个充放电平衡度、出力强度和修正量进行分级,构建以充放电平衡度和出力强度为输入,以修正量为输出的三元关系组,得到所述修正知识图谱库。
8.一种微电网的调度装置,其特征在于,所述微电网包括储能系统和负荷设备;所述装置包括:
第一确定模块,用于在购电知识图谱库中查找与所述微电网的实时负荷需求和实时电价对应的购电功率序列,得到初始购电功率序列;其中,所述购电知识图谱库基于历史电价、历史负荷需求和历史购电序列构建;
第二确定模块,用于在修正知识图谱库中查找与实时充放电平衡度和实时出力强度对应的修正量;其中,所述修正知识图谱库基于历史充放电平衡度、历史出力强度和历史修正量构建;
功率修正模块,用于基于所述修正量对所述初始购电功率序列进行修正,得到购电功率序列,以基于所述购电功率序列对所述微电网进行调度。
9.一种终端,包括存储器、处理器以及存储在所述存储器中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上的权利要求1至7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7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211287546.0A CN115619431A (zh) | 2022-10-20 | 2022-10-20 | 微电网的调度方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211287546.0A CN115619431A (zh) | 2022-10-20 | 2022-10-20 | 微电网的调度方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115619431A true CN115619431A (zh) | 2023-01-17 |
Family
ID=84864736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211287546.0A Pending CN115619431A (zh) | 2022-10-20 | 2022-10-20 | 微电网的调度方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619431A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840986A (zh) * | 2023-02-24 | 2023-03-24 | 明士新材料有限公司 | 一种基于随机模型预测控制的能量管理方法 |
-
2022
- 2022-10-20 CN CN202211287546.0A patent/CN115619431A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840986A (zh) * | 2023-02-24 | 2023-03-24 | 明士新材料有限公司 | 一种基于随机模型预测控制的能量管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Artificial intelligence powered large-scale renewable integrations in multi-energy systems for carbon neutrality transition: Challenges and future perspectives | |
Du et al. | A cooperative game approach for coordinating multi-microgrid operation within distribution systems | |
Athari et al. | Operational performance of energy storage as function of electricity prices for on-grid hybrid renewable energy system by optimized fuzzy logic controller | |
Macedo et al. | Demand side management using artificial neural networks in a smart grid environment | |
Radhakrishnan et al. | A multi-agent based distributed energy management scheme for smart grid applications | |
Machlev et al. | A review of optimal control methods for energy storage systems-energy trading, energy balancing and electric vehicles | |
Wei et al. | Aggregation and scheduling models for electric vehicles in distribution networks considering power fluctuations and load rebound | |
Bernal-Agustín et al. | Multi-objective design and control of hybrid systems minimizing costs and unmet load | |
Yamashita et al. | Two-level hierarchical model predictive control with an optimised cost function for energy management in building microgrids | |
Polimeni et al. | Development and experimental validation of hierarchical energy management system based on stochastic model predictive control for Off-grid Microgrids | |
Yi et al. | Coordinated operation strategy for a virtual power plant with multiple DER aggregators | |
Zhang et al. | A hierarchical EMS for aggregated BESSs in energy and performance-based regulation markets | |
Lu et al. | A hybrid deep learning-based online energy management scheme for industrial microgrid | |
Varzaneh et al. | Optimal energy management for PV‐integrated residential systems including energy storage system | |
Qi et al. | Energyboost: Learning-based control of home batteries | |
Huy et al. | Real-time energy scheduling for home energy management systems with an energy storage system and electric vehicle based on a supervised-learning-based strategy | |
Goudarzi et al. | Efficient energy management of renewable resources in microgrids | |
Wang et al. | Secure energy management of multi-energy microgrid: A physical-informed safe reinforcement learning approach | |
CN112508325A (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
Yang et al. | Network-constrained transactive control for multi-microgrids-based distribution networks with soft open points | |
Li et al. | A scheduling framework for VPP considering multiple uncertainties and flexible resources | |
Harrold et al. | Battery control in a smart energy network using double dueling deep q-networks | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
CN115619431A (zh) | 微电网的调度方法、装置、终端及存储介质 | |
Escobar et al. | Model predictive real-time architecture for secondary voltage control of microgrids |
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 |