CN115663901A - 一种基于神经网络的智慧电力系统 - Google Patents
一种基于神经网络的智慧电力系统 Download PDFInfo
- Publication number
- CN115663901A CN115663901A CN202211424891.4A CN202211424891A CN115663901A CN 115663901 A CN115663901 A CN 115663901A CN 202211424891 A CN202211424891 A CN 202211424891A CN 115663901 A CN115663901 A CN 115663901A
- Authority
- CN
- China
- Prior art keywords
- power
- equipment
- electric
- power supply
- power consumption
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 230000005611 electricity Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于神经网络的智慧电力系统,包括:设备供电模块,用于对目标区域内的多个用电设备进行供电;数据采集模块,用于采集所述目标区域内的多个用电设备的相关信息;设备聚类模块,用于根据所述数据采集模块采集的所述目标区域内的多个用电设备的相关信息,对所述多个用电设备进行聚类,生成聚类结果;负荷预测模块,用于根据所述数据采集模块采集的所述目标区域内的多个用电设备的相关信息,通过预先训练好的神经网络预测所述多个用电设备在目标未来时间段的用电需求;供电控制模块,用于根据所述聚类结果及预测结果调整所述设备供电模块对所述多个用电设备的供电模式。本发明能够实现更加精准地控制电力系统的供电方式。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及一种基于神经网络的智慧电力系统。
背景技术
近年来,以风电、光伏为代表的新能源在电力系统中的占比不断增加,大力发展新能源是我国能源转型和实现碳排放目标的必然要求,由于新能源具有随机性、波动性和间隙性的特点,其预测难免存在一定的误差。在负荷侧,用电需求受到天气、时间、电价、经济发展阶段及消费心理等多种因素影响,同样存在较大预测误差。因此,现代电力系统的运行场景具有较强的不确定性,如何针对不确定性电力系统进行科学调度,在控制调度方案风险的基础上提高调度方案的经济性,是电力系统所亟需解决的问题。
发明内容
本发明的目的在于提出一种基于神经网络的智慧电力系统,能够更加精准地控制电力系统的供电方式。
为实现上述目的,本发明的实施例提出一种基于神经网络的智慧电力系统,包括:
设备供电模块,用于对目标区域内的多个用电设备进行供电,所述设备供电模块至少包括电网供电组件、新能源发电组件及蓄电供电组件,所述新能源发电组件用于生产电能,所述蓄电供电组件用于存储所述新能源发电组件生产的电能;
数据采集模块,用于采集所述目标区域内的多个用电设备的相关信息;
设备聚类模块,用于根据所述数据采集模块采集的所述目标区域内的多个用电设备的相关信息,对所述多个用电设备进行聚类,生成聚类结果;
负荷预测模块,用于根据所述数据采集模块采集的所述目标区域内的多个用电设备的相关信息,通过预先训练好的神经网络预测所述多个用电设备在目标未来时间段的用电需求;
供电控制模块,用于根据所述设备聚类模块生成的所述聚类结果及所述负荷预测模块预测的所述多个用电设备在目标未来时间段的用电需求,调整所述设备供电模块对所述多个用电设备的供电模式。
优选地,所述用电设备的相关信息包括历史用电信息序列,其中,所述历史用电信息序列由用电单位在至少一个历史时间段的历史用电相关信息组成,所述历史用电相关信息包括所述用电单位在所述历史时间段的电力负荷曲线及所述用电单位在所述历史时间段使用的用电设备的相关信息,其中,所述用电设备的相关信息至少包括用电设备的用电参数及运行时长。
优选地,所述设备聚类模块,具体用于:
对于任意的两个所述用电单位,根据两个所述用电单位的历史用电信息序列,确定两个所述用电单位的用电相似度;
从所述多个用电设备中确定多个目标用电设备,其中,所述多个目标用电设备中任意两个目标用电设备之间的用电相似度小于预设相似度阈值;
将所述目标用电设备作为初始聚类中心,根据所述用电相似度对所述多个用电设备进行聚类,生成多个设备簇,其中,每个所述设备簇包括至少一个所述用电设备。
优选地,所述用电设备的相关信息包括所述多个用电设备在多个相邻时间点的状态信息和用电需求;
所述负荷预测模块,具体用于:
通过所述神经网络根据所述数据采集模块获取的多个用电设备在多个相邻时间点的状态信息和用电需求,预测所述多个用电设备在目标未来时间段的多个时间点的用电需求。
优选地,所述数据采集模块,具体用于:
获取所述多个用电设备在多个相邻时间点的原始状态信息和原始用电需求;
对所述多个用电设备在多个相邻时间点的原始状态信息和原始用电需求进行异常数据检测及修正,生成所述多个用电设备在多个相邻时间点的状态信息和用电需求。
优选地,所述负荷预测模块,具体用于:
通过所述神经网络根据所述数据采集模块获取的多个用电设备在多个相邻时间点的状态信息和用电需求,逐次预测所述多个用电设备在目标未来时间段的多个时间点的用电需求。
优选地,所述负荷预测模块,具体用于:
通过所述神经网络根据所述多个用电设备在多个相邻时间点的状态信息,逐次预测所述多个用电设备在目标未来时间段的多个时间点的状态,生成输入矩阵;
通过所述神经网络根据所述输入矩阵及所述多个用电设备在多个相邻时间点的和用电需求,逐次预测所述多个用电设备在目标未来时间段的用电需求。
优选地,所述设备供电模块还包括多个第一供电开关及多个第二供电开关,其中,每个所述设备簇与所述电网供电组件之间均设置有一个所述第一供电开关,每个所述设备簇与所述蓄电供电组件之间均设置有一个所述第二供电开关。
优选地,所述供电控制模块,具体用于:
根据所述多个用电设备在目标未来时间段的用电需求,调整所述多个第一供电开关及所述多个第二供电开关的开关状态。
优选地,所述供电控制模块,具体用于:
对于所述目标未来时间段的每个时间点,
判断所述多个用电设备在所述时间点的用电需求是否大于预设需求阈值;
若所述多个用电设备在所述时间点的用电需求大于预设需求阈值,从所述多个设备簇中确定至少一个目标设备簇,将所述目标设备簇连接的第一供电开关打开,将所述目标设备簇连接的第二供电开关关闭。
本发明的实施例具有以下有益效果:
本发明的实施例提供了一种智慧电力系统,其基于神经网络实现,通过对用电信息进行聚类分析,并利用神经网络进行未来的用电需求预测,最后根据聚类结果和预测结果来调整对多个用电设备的供电模式,实现更加精准地控制电力系统的供电方式。
本发明的其它特征和优点将在随后的具体实施方式中阐述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明一些实施例所示的基于神经网络的智慧电力系统的应用场景示意图。
图2是根据本发明一些实施例所示的基于神经网络的智慧电力系统的示例性框图。
图中标记:
110-处理设备;120-网络;130-用户终端;140-存储设备;150-数据获取设备。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外,为了更好的说明本发明,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的手段未作详细描述,以便于凸显本发明的主旨。
如图1所示,应用场景可以包括处理设备110、网络120、用户终端130、存储设备140、数据获取设备150。应用场景可以通过实施本说明书中披露的方法和/或过程控制电力系统供电。
处理设备110可以用于处理来自应用场景的至少一个组件或外部数据源(例如,云数据中心)的数据和/或信息。处理设备110可以通过网络120从用户终端130、存储设备140、数据获取设备150访问数据和/或信息。处理设备110可以直接连接用户终端130、存储设备140、数据获取设备150以访问信息和/或数据。例如,处理设备110可以从数据获取设备150获取目标区域内的多个用电设备的相关信息,根据数据采集模块采集的目标区域内的多个用电设备的相关信息,对多个用电设备进行聚类,生成聚类结果;负荷预测模块,用于根据数据采集模块采集的目标区域内的多个用电设备的相关信息,通过神经网络预测多个用电设备在目标未来时间段的用电需求;供电控制模块,用于根据设备聚类模块生成的聚类结果及负荷预测模块预测的多个用电设备在目标未来时间段的用电需求,调整设备供电模块对多个用电设备的供电模式。在一些实施例中,处理设备110可以是单个服务器或服务器组。处理设备110可以是本地的、远程的。
网络120可以包括提供能够促进应用场景的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景的一个或多个组件(例如,处理设备110、用户终端130、存储设备140、数据获取设备150)之间可以通过网络120交换信息和/或数据。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如,基站和/或网络交换点,通过这些网络接入点,应用场景的一个或多个组件可连接到网络120以交换数据和/或信息。
用户终端130指用户(例如,电力系统的工作人员等)所使用的一个或多个终端或软件。在一些实施例中,用户终端130可以包含但不限于智能电话、平板电脑、膝上型计算机、台式计算机等。在一些实施例中,用户终端130可以通过网络120与应用场景中的其他组件交互。
存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中,存储设备140可以存储从处理设备110、用户终端130、数据获取设备150获取的数据和/或信息。在一些实施例中,存储设备140可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、内存卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取内存(DRAM)、双倍数据速率同步动态随机存取内存(DDR SDRAM)、静态随机存取内存(SRAM)、晶闸管随机存取内存(T-RAM)和零电容随机存取内存(Z-RAM)等。示例性ROM可以包括掩模型只读内存(MROM)、可编程只读内存(PROM)、可擦除可编程只读内存(EPROM)、电可擦除可编程只读内存(EEPROM)、光盘只读内存(CD-ROM)和数字多功能磁盘只读内存等。在一些实施例中,存储设备140可在云端平台上执行。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
数据获取设备150为用于获取目标区域内的多个用电设备的相关信息的设备。可以理解的,数据获取设备150可以包括多个数据采集装置,多个数据采集装置用于获取多个用电设备的相关信息的设备。
应当注意,上述的应用场景仅仅是为了说明的目的而提供的,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景还可以包括数据库。然而,这些变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的基于神经网络的智慧电力系统的示例性框图。如图2所示,基于神经网络的智慧电力系统可以包括设备供电模块、数据采集模块、设备聚类模块、负荷预测模块及供电控制模块。
参阅图2,本发明的实施例提出一种基于神经网络的智慧电力系统,可以包括设备供电模块、数据采集模块、设备聚类模块、负荷预测模块及供电控制模块:
设备供电模块可以用于对目标区域内的多个用电设备进行供电,设备供电模块至少包括电网供电组件、新能源发电组件及蓄电供电组件,蓄电供电组件用于存储新能源发电组件生产的电能。其中,新能源发电组件可以为太阳能供电组件和/或风力发电组件。
在一些实施例中,设备供电模块还可以包括多个第一供电开关及多个第二供电开关,其中,每个设备簇与电网供电组件之间均设置有一个第一供电开关,每个设备簇与蓄电供电组件之间均设置有一个第二供电开关。可以理解的,一个设备簇包括的所有用电设备与电网供电组件之间公用一个第一供电开关,当第一供电开关处于闭合状态时,电网供电组件可以向该设备簇的所有的用电设备供电,当第一供电开关处于断开(打开)状态时,电网供电组件不能向该设备簇的任意用电设备供电;一个设备簇包括的所有用电设备与蓄电供电组件之间公用一个第二供电开关,当第二供电开关处于闭合状态时,蓄电供电组件可以向该设备簇的所有的用电设备供电,当第二供电开关处于断开(打开)状态时,蓄电供电组件不能向该设备簇的任意用电设备供电。
数据采集模块可以用于采集目标区域内的多个用电设备的相关信息。
用电设备的相关信息可以为与用电设备运行相关的信息。
在一些实施例中,用电设备的相关信息可以包括历史用电信息序列,其中,历史用电信息序列由用电单位在至少一个历史时间段的历史用电相关信息组成,历史用电相关信息包括用电单位在历史时间段的电力负荷曲线及用电单位在历史时间段使用的用电设备的相关信息,其中,用电设备的相关信息至少包括用电设备的用电参数(例如,电流、电压等)及运行时长。
在一些实施例中,用电设备的相关信息包括多个用电设备在多个相邻时间点的状态信息(例如,温度、电流、电压)和用电需求。其中,相邻时间点可以为与目标未来时间段之间的之间间隔小于预设时间间隔阈值的历史时间点。
在一些实施例中,数据采集模块获取多个用电设备在多个相邻时间点的状态信息和用电需求,包括:
获取多个用电设备在多个相邻时间点的原始状态信息和原始用电需求;
对多个用电设备在多个相邻时间点的原始状态信息和原始用电需求进行异常数据检测及修正,生成多个用电设备在多个相邻时间点的状态信息和用电需求。
在一些实施例中,数据采集模块可以通过任意方式对多个用电设备在多个相邻时间点的原始状态信息和原始用电需求进行异常数据检测,例如,通过设置对应的阈值,判断用电设备在相邻时间点的原始状态信息和原始用电需求是否异常,仅作为示例地,当用电设备在相邻时间点的原始用电需求大于预设用电需求阈值,则确定用电设备在该相邻时间点的原始用电需求异常。
在一些实施例中,数据采集模块可以通过任意方式对多个用电设备在多个相邻时间点的原始状态信息和原始用电需求进行修正。例如,对于某个异常的相邻时间点,可以获取与该异常的相邻相关时间点相近的多个正常的相邻时间点(也可称为相近时间点)的原始状态信息和原始用电需求,根据该多个正常的相邻时间点(也可称为相近时间点)的原始状态信息和原始用电需求对该异常的相关时间点的原始状态信息和原始用电需求进行修正。
设备聚类模块可以用于根据数据采集模块采集的目标区域内的多个用电设备的相关信息可以对多个用电设备进行聚类,生成聚类结果。
在一些实施例中,设备聚类模块根据数据采集模块采集的目标区域内的多个用电设备的相关信息,对多个用电设备进行聚类,生成聚类结果,包括:
对于任意的两个用电单位,根据两个用电单位的历史用电信息序列,确定两个用电单位的用电相似度;
从多个用电设备中确定多个目标用电设备,其中,多个目标用电设备中任意两个目标用电设备之间的用电相似度小于预设相似度阈值;
将目标用电设备作为初始聚类中心,根据用电相似度对多个用电设备进行聚类,生成多个设备簇,其中,每个设备簇包括至少一个用电设备。
在一些实施例中,对于每一个初始聚类中心,与该初始聚类中心之间的用电相似度小于预设聚类相似度阈值的用电设备属于该初始聚类中心所在的设备簇。可以理解的,当某一用电设备与某两个初始聚类中心之间的用电相似度均大于预设聚类相似度阈值时,可以选择用电相似度最大的初始聚类中心作为该用电设备所属的初始聚类中心。
可以理解的,不同的设备簇可以表征不同类型的用电设备的集合,例如,一类设备簇为连续使用的用电设备,二类设备簇为短时或重复短时使用的用电设备,三类设备簇为偶然短时使用的用电设备。
负荷预测模块可以用于根据数据采集模块采集的目标区域内的多个用电设备的相关信息,通过神经网络预测多个用电设备在目标未来时间段的用电需求。
在一些实施例中,负荷预测模块可以直接将数据采集模块采集的目标区域内的多个用电设备的相关信息输入至神经网络,神经网络输出预测的多个用电设备在目标未来时间段的用电需求。
在一些实施例中,负荷预测模块可以通过神经网络根据数据采集模块获取的多个用电设备在多个相邻时间点的状态信息和用电需求,预测多个用电设备在目标未来时间段的多个时间点的用电需求。
在一些实施例中,为了提高预测的精准度,通过神经网络根据数据采集模块获取的多个用电设备在多个相邻时间点的状态信息和用电需求,逐次预测多个用电设备在目标未来时间段的多个时间点的用电需求。
在一些实施例中,负荷预测模块通过神经网络根据数据采集模块获取的多个用电设备在多个相邻时间点的状态信息和用电需求,逐次预测多个用电设备在目标未来时间段的多个时间点的用电需求,包括:
通过神经网络根据多个用电设备在多个相邻时间点的状态信息,逐次预测多个用电设备在目标未来时间段的多个时间点的状态,生成输入矩阵;
通过神经网络根据输入矩阵及多个用电设备在多个相邻时间点的和用电需求,逐次预测多个用电设备在目标未来时间段的用电需求。
可以理解的,通过神经网络根据多个用电设备在多个相邻时间点的状态信息,逐次预测多个用电设备在目标未来时间段的多个时间点的状态,生成输入矩阵,可以包括以下流程:
当预测该目标未来时间段的第一个时间点的状态信息时,可以从多个相邻时间点截取最接近该第一个时间点的24个相邻时间点的状态信息组成第一个第一输入序列,通过神经网络根据该第一个第一输入序列预测该用电设备在该第一个时间点的状态信息;
当预测该目标未来时间段的第二个时间点的状态信息时,可以从多个相邻时间点截取最接近该第二个时间点的23个相关时间点的状态信息和第一个时间点的状态信息组成第二个第一输入序列,通过神经网络根据该第二个第一输入序列预测该用电设备在该第二个时间点的状态信息;
当预测该目标未来时间段的第三个时间点的状态信息时,可以从多个相邻时间点截取最接近该第三个时间点的22个相关时间点的状态信息、第一个时间点的状态信息和第二个时间点的状态信息组成第三个输入序列,以预测该用电设备在该第三个时间点的状态信息;
重复上述步骤,直至完成该目标未来时间段的最后一个时间点的状态信息的预测。
可以理解的,输入矩阵的每一行可以表征神经网络预测的目标未来时间段的一个时间点的状态信息。
可以理解的,通过神经网络根据输入矩阵及多个用电设备在多个相邻时间点的和用电需求,逐次预测多个用电设备在目标未来时间段的用电需求,可以包括以下流程:
当预测该目标未来时间段的第一个时间点的用电需求时,可以从多个相邻时间点截取最接近该第一个时间点的24个相邻时间点的用电需求组成第一个第二输入序列,通过神经网络根据第一个第二输入序列和输入矩阵,预测该用电单位在该第一个时间点的用电需求;
当预测该目标未来时间段的第二个时间点的用电需求时,可以从多个相邻时间点截取最接近该第二个时间点的23个相邻时间点的用电需求和第一个时间点的用电需求组成第二个第二输入序列,通过神经网络根据第二个第二输入序列和输入矩阵,预测该用电单位在该第二个时间点的用电相关信息。
当预测该目标未来时间段的第三个时间点的用电需求时,可以从多个相邻时间点截取最接近该第三个时间点的22个相邻时间点的用电需求、第一个时间点的用电需求和第二个时间点的用电需求组成第三个第二输入序列,通过神经网络根据第三个第二输入序列和输入矩阵,预测该用电单位在该第三个时间点的用电需求。
供电控制模块可以用于根据设备聚类模块生成的聚类结果及负荷预测模块预测的多个用电设备在目标未来时间段的用电需求,调整设备供电模块对多个用电设备的供电模式。
可以理解的,为了提高调度方案的经济性,某些设备簇连接的第二供电开关可以一直处于关闭状态,且该设备簇连接的第一供电开关一直处于打开状态,使得一些用电设备可以一直由蓄电供电组件供电。例如,三类设备簇连接的第二供电开关可以一直处于关闭状态,且三类设备簇连接的第一供电开关一直处于打开状态。
在一些实施例中,供电控制模块根据设备聚类模块生成的聚类结果及负荷预测模块预测的多个用电设备在目标未来时间段的用电需求,调整设备供电模块对多个用电设备的供电模式,包括:
根据多个用电设备在目标未来时间段的用电需求,调整多个第一供电开关及多个第二供电开关的开关状态。
在一些实施例中,供电控制模块根据多个用电设备在目标未来时间段的用电需求,调整多个第一供电开关及多个第二供电开关的开关状态,包括:
对于目标未来时间段的每个时间点,
判断多个用电设备在时间点的用电需求是否大于预设需求阈值;
若多个用电设备在时间点的用电需求大于预设需求阈值,从多个设备簇中确定至少一个目标设备簇,将目标设备簇连接的第一供电开关打开,将目标设备簇连接的第二供电开关关闭。
仅作为示例地,若多个用电设备在时间点的用电需求大于预设需求阈值,则供电控制模块可以将三类设备簇和/或二类设备簇连接的第一供电开关打开,将三类设备簇和/或二类设备簇连接的第二供电开关关闭,在电网负荷高峰期,将一部分原本由电网供电的设备变成由蓄电供电组件供电,保证一类设备簇的供电稳定性。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和更换都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于神经网络的智慧电力系统,其特征在于,包括:
设备供电模块,用于对目标区域内的多个用电设备进行供电,所述设备供电模块至少包括电网供电组件、新能源发电组件及蓄电供电组件,所述新能源发电组件用于生产电能,所述蓄电供电组件用于存储所述新能源发电组件生产的电能;
数据采集模块,用于采集所述目标区域内的多个用电设备的相关信息;
设备聚类模块,用于根据所述数据采集模块采集的所述目标区域内的多个用电设备的相关信息,对所述多个用电设备进行聚类,生成聚类结果;
负荷预测模块,用于根据所述数据采集模块采集的所述目标区域内的多个用电设备的相关信息,通过预先训练好的神经网络预测所述多个用电设备在目标未来时间段的用电需求;
供电控制模块,用于根据所述设备聚类模块生成的所述聚类结果及所述负荷预测模块预测的所述多个用电设备在目标未来时间段的用电需求,调整所述设备供电模块对所述多个用电设备的供电模式。
2.如权利要求1所述的基于神经网络的智慧电力系统,其特征在于,所述用电设备的相关信息包括历史用电信息序列,其中,所述历史用电信息序列由用电单位在至少一个历史时间段的历史用电相关信息组成,所述历史用电相关信息包括所述用电单位在所述历史时间段的电力负荷曲线及所述用电单位在所述历史时间段使用的用电设备的相关信息,其中,所述用电设备的相关信息至少包括用电设备的用电参数及运行时长。
3.如权利要求2所述的基于神经网络的智慧电力系统,其特征在于,所述设备聚类模块,具体用于:
对于任意的两个所述用电单位,根据两个所述用电单位的历史用电信息序列,确定两个所述用电单位的用电相似度;
从所述多个用电设备中确定多个目标用电设备,其中,所述多个目标用电设备中任意两个目标用电设备之间的用电相似度小于预设相似度阈值;
将所述目标用电设备作为初始聚类中心,根据所述用电相似度对所述多个用电设备进行聚类,生成多个设备簇,其中,每个所述设备簇包括至少一个所述用电设备。
4.如权利要求1-3任一项中所述的基于神经网络的智慧电力系统,其特征在于,所述用电设备的相关信息包括所述多个用电设备在多个相邻时间点的状态信息和用电需求;
所述负荷预测模块,具体用于:
通过所述神经网络根据所述数据采集模块获取的多个用电设备在多个相邻时间点的状态信息和用电需求,预测所述多个用电设备在目标未来时间段的多个时间点的用电需求。
5.如权利要求4所述的基于神经网络的智慧电力系统,其特征在于,所述数据采集模块,具体用于:
获取所述多个用电设备在多个相邻时间点的原始状态信息和原始用电需求;
对所述多个用电设备在多个相邻时间点的原始状态信息和原始用电需求进行异常数据检测及修正,生成所述多个用电设备在多个相邻时间点的状态信息和用电需求。
6.如权利要求4所述的基于神经网络的智慧电力系统,其特征在于,所述负荷预测模块,具体用于:
通过所述神经网络根据所述数据采集模块获取的多个用电设备在多个相邻时间点的状态信息和用电需求,逐次预测所述多个用电设备在目标未来时间段的多个时间点的用电需求。
7.如权利要求6所述的基于神经网络的智慧电力系统,其特征在于,所述负荷预测模块,具体用于:
通过所述神经网络根据所述多个用电设备在多个相邻时间点的状态信息,逐次预测所述多个用电设备在目标未来时间段的多个时间点的状态,生成输入矩阵;
通过所述神经网络根据所述输入矩阵及所述多个用电设备在多个相邻时间点的和用电需求,逐次预测所述多个用电设备在目标未来时间段的用电需求。
8.如权利要求3所述的基于神经网络的智慧电力系统,其特征在于,所述设备供电模块还包括多个第一供电开关及多个第二供电开关,其中,每个所述设备簇与所述电网供电组件之间均设置有一个所述第一供电开关,每个所述设备簇与所述蓄电供电组件之间均设置有一个所述第二供电开关。
9.如权利要求8所述的基于神经网络的智慧电力系统,其特征在于,所述供电控制模块,具体用于:
根据所述多个用电设备在目标未来时间段的用电需求,调整所述多个第一供电开关及所述多个第二供电开关的开关状态。
10.如权利要求9所述的基于神经网络的智慧电力系统,其特征在于,所述供电控制模块,具体用于:
对于所述目标未来时间段的每个时间点,
判断所述多个用电设备在所述时间点的用电需求是否大于预设需求阈值;
若所述多个用电设备在所述时间点的用电需求大于预设需求阈值,从所述多个设备簇中确定至少一个目标设备簇,将所述目标设备簇连接的第一供电开关打开,将所述目标设备簇连接的第二供电开关关闭。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211424891.4A CN115663901A (zh) | 2022-11-15 | 2022-11-15 | 一种基于神经网络的智慧电力系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211424891.4A CN115663901A (zh) | 2022-11-15 | 2022-11-15 | 一种基于神经网络的智慧电力系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115663901A true CN115663901A (zh) | 2023-01-31 |
Family
ID=85021459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211424891.4A Pending CN115663901A (zh) | 2022-11-15 | 2022-11-15 | 一种基于神经网络的智慧电力系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115663901A (zh) |
-
2022
- 2022-11-15 CN CN202211424891.4A patent/CN115663901A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN113315171B (zh) | 新能源消纳能力评估方法、装置、计算机设备和存储介质 | |
CN115954910B (zh) | 一种基于能量优化的分布式储能控制方法及系统 | |
CN110110948A (zh) | 一种多目标分布式电源优化配置方法 | |
CN115842347A (zh) | 一种基于数字孪生的微网负荷动态平衡方法、系统及介质 | |
CN113285490A (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
CN112865089A (zh) | 一种改进的主动配电网大规模场景分析方法 | |
CN116632875A (zh) | 一种用于配电网的混合储能规划方法及系统 | |
CN115713038A (zh) | 一种基于深度循环神经网络的配用电故障检测方法及系统 | |
CN117394370B (zh) | 一种供电网智能动态节电调度系统及方法 | |
CN117458544B (zh) | 一种基于多类型储能资源动态聚合的优化协同调控方法 | |
CN115687950A (zh) | 一种电力系统负荷波动分析方法和系统 | |
CN116163879B (zh) | 抽水蓄能电站的运行工况调节方法、装置和计算机设备 | |
CN115663901A (zh) | 一种基于神经网络的智慧电力系统 | |
CN109389522B (zh) | 一种柔性负荷的能量区块化方法及系统 | |
CN116522800A (zh) | 一种基于场景概率的多目标风-储电站选址定容方法 | |
CN115905360A (zh) | 一种基于随机构建矩阵的异常数据量测辨识方法和装置 | |
CN115864476A (zh) | 储能容量的配置方法及装置、存储介质、终端 | |
Poncelet et al. | Lusym invest: a generation expansion planning model with a high level of temporal and technical detail | |
CN113222216B (zh) | 冷热电负荷预测方法、装置及系统 | |
CN117424290B (zh) | 新能源纳入比例计算方法、装置、设备及存储介质 | |
CN118157231B (zh) | 基于光伏集群划分的提高光伏集群功率预测精度的方法 | |
CN112667707B (zh) | 表码数据处理方法、装置、计算机设备和存储介质 | |
CN117154725B (zh) | 水风光多能互补的调度方法、装置、计算机设备及介质 | |
CN118249336A (zh) | 一种基于早晚高峰时段的风电可信容量确定方法、装置、介质及产品 |
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 |