CN116111656A - 微电网调度的方法和装置 - Google Patents
微电网调度的方法和装置 Download PDFInfo
- Publication number
- CN116111656A CN116111656A CN202211743266.6A CN202211743266A CN116111656A CN 116111656 A CN116111656 A CN 116111656A CN 202211743266 A CN202211743266 A CN 202211743266A CN 116111656 A CN116111656 A CN 116111656A
- Authority
- CN
- China
- Prior art keywords
- loss
- micro
- grid
- hour
- site
- 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
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
- H02J3/38—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
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种微电网调度的方法和装置。该微电网调度的方法包括:通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;通过预先构建的站点储能充放电模型获取储能损失;依据站点线损、光伏损失和储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;依据微网损失发电量生成微电网调度策略,其中,微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略。本发明提供的方案能够有效降低用电过程中不必要的损失,保障用能站点经济效益最大化的技术效果。
Description
技术领域
本发明涉及通信技术应用领域,尤其涉及一种微电网调度的方法和装置。
背景技术
微电网的提出旨在实现分布式电源的灵活、高效应用,解决数量庞大、形式多样的分布式电源并网问题,其突出的优点奠定了在我国经济和社会快速发展过程中能源快速转型中的重要地位。可再生能源发电随环境因素影响较大,其间歇性和波动性的特点直接影响着系统电能质量及新能源利用率,因此,微电网系统通常根据需要选择电化学储能方式共同向负荷供电。
针对上述由于现有用能站点微电网光储出力不匹配,导致能源浪费的问题,目前尚未提出有效的解决方案。
发明内容
为解决上述技术问题,本发明实施例期望提供一种微电网调度的方法和装置,以至少解决由于现有用能站点微电网光储出力不匹配,导致能源浪费的问题。
本发明的技术方案是这样实现的:
第一方面,本发明实施例提供一种微电网调度的方法,包括:通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;通过预先构建的站点储能充放电模型获取储能损失;依据站点线损、光伏损失和储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;依据微网损失发电量生成微电网调度策略,其中,微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略。
可选的,在通过预先构建的未来小时级用电负载负荷预测模型获取站点线损之前,该方法还包括:依据历史用电运行数据、用电特性和用电周期进行预测,得到站点用电电荷;通过站点用电电荷构建未来小时级用电负载负荷预测模型。
进一步地,可选的,通过站点用电电荷构建未来小时级用电负载负荷预测模型包括:根据各负载设施的历史用电运行数据,构建M个时间上不相交的样本集,每个样本集包含负载设施在历史预定时长内的小时级用电量时间序列,其中,M为自然数,且M大于或等于1;将样本集中的用电量作为输出,对应用电量的时间序列作为输入,利用M个时间上不相交的样本集基于ARIMA时间序列模型得到各用电负载的负荷预测值;依据各用电负载的负荷预测值构建未来小时级用电负载负荷预测模型。
可选的,在通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失之前,该方法还包括:通过分布式光伏发电系统在历史预定时长内,按小时级颗粒度进行划分,得到历史运行参数时间序列、历史环境参数时间序列以及历史发电时间序列;将历史运行参数时间序列和历史环境参数时间序列作为输入,将历史发电时间序列作为输出,基于XGBoost模型训练得到光伏发电预测模型。
进一步地,可选的,历史运行参数时间序列中的运行参数包括:电流和/或电压;历史环境参数时间序列中的环境参数包括:温度、天气、辐照强度。
可选的,在通过预先构建的站点储能充放电模型获取储能损失之前,该方法还包括:通过储能系统在历史预定时长内,按小时级颗粒度进行划分,得到历史充电量时间序列和历史放电量时间序列;将历史充电量时间序列和历史放电时间序列作为输入,基于线性回归模型得到站点储能充放电模型。
进一步地,可选的,站点储能充放电模型包括:
Wes1,t=β*Wes2,t;
其中,Wes1,t为储能第t小时的充电量,Wes2,t为储能第t小时的放电量,β为储能效率;t取值1,2,3…24。
可选的,得到微网损失发电量包括:
Wloss,t=a1Wv,t+a2Wes2,t+a3Wpg,t;
其中,a1、a2、a3为损失系数,Wloss,t为微电网第t小时的微网损失发电量,Wv,t为光伏第t小时的发电量,Wes2,t为储能第t小时的放电量,Wpg,t为电网第t小时的购电量;t取值1,2,3…24。
可选的,依据微网损失发电量生成微电网调度策略包括:
以用能站点单日用电成本最低为目标,构建目标函数:
其中,C为用能站点单日用电成本;Wpg,t为第t小时的购电量,Cpg,t为第t小时的购电量对应的电价;Wv1,t为第t小时的光伏上网电量,Cv1,t为第t小时的光伏上网对应的电价;Wv,t为第t小时的光伏发电量,Cv,t为第t小时的光伏度发电量对应的成本;Wes1,t为第t小时的储能充电量,Ces1,t为第t小时的储能度充电量对应的成本;t取值1,2,3…24;
设置约束条件,其中,约束条件包括:
Wld,t=Wv2,t-Wv1,t+Wes2,t-Wes1,t+Wpg,t-Wloss,t;
Wv,t=Wv1,t+Wv2,t;
0≤Wv1,t≤Wv,t;
min SOC≤SOCt≤maxSOC;
0≤Wes1,t≤Wes;
0≤Wes2,t≤Wes;
0≤Wpg,t;
其中:Wld,t为第t小时的用电负载总用电量,Wld,t(n)为第n个用电负载用电量,n为用电负载设施数量,取值1,2,3…N;Wv1,t为光伏第t小时的上网电量,Wv2,t为光伏第t小时的自用电量,Wv,t为光伏第t小时的发电量;SOCt为储能系统剩余电量%;Wes为储能系统装机容量。t取值1,2,3…24;基于粒子群优化算法获得以用能站点单日用电成本最低为目标的微电网调度策略。
第二方面,本发明实施例提供一种微电网调度的装置,包括:第一获取模块,用于通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;第二获取模块,用于通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;第三获取模块,用于通过预先构建的站点储能充放电模型获取储能损失;计算模块,用于依据站点线损、光伏损失和储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;策略生成模块,用于依据微网损失发电量生成微电网调度策略,其中,微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略。
本发明实施例提供了一种微电网调度的方法和装置。通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;通过预先构建的站点储能充放电模型获取储能损失;依据站点线损、光伏损失和储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;依据微网损失发电量生成微电网调度策略,其中,微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略,从而能够实现有效降低用电过程中不必要的损失,保障用能站点经济效益最大化的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例一提供的一种微电网调度的方法的流程示意图;
图2为本发明实施例一提供的一种微电网调度的方法中用电负载的示意图;
图3为本发明实施例一提供的另一种微电网调度的方法的流程示意图;
图4为本发明实施例一提供的一种微电网调度的方法中组成系统的示意图;
图5为本发明实施例二提供的一种微电网调度的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于限定特定顺序。
还需要说明是,本发明下述各个实施例可以单独执行,各个实施例之间也可以相互结合执行,本发明实施例对此不作具体限制。
实施例一
第一方面,本发明实施例提供一种微电网调度的方法,图1为本发明实施例一提供的一种微电网调度的方法的流程示意图;如图1所示,本申请实施例提供的微电网调度的方法包括:
步骤S102,通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;
可选的,在步骤S102中通过预先构建的未来小时级用电负载负荷预测模型获取站点线损之前,本申请实施例提供的微电网调度的方法还包括:依据历史用电运行数据、用电特性和用电周期进行预测,得到站点用电电荷;通过站点用电电荷构建未来小时级用电负载负荷预测模型。
进一步地,可选的,通过站点用电电荷构建未来小时级用电负载负荷预测模型包括:根据各负载设施的历史用电运行数据,构建M个时间上不相交的样本集,每个样本集包含负载设施在历史预定时长内的小时级用电量时间序列,其中,M为自然数,且M大于或等于1;将样本集中的用电量作为输出,对应用电量的时间序列作为输入,利用M个时间上不相交的样本集基于ARIMA时间序列模型得到各用电负载的负荷预测值;依据各用电负载的负荷预测值构建未来小时级用电负载负荷预测模型。
其中,图2为本发明实施例一提供的一种微电网调度的方法中用电负载的示意图;如图2所示,在本申请实施例中用电总负载记作Wkl,其中,该用电总负载由用电负载1、用电负载2、用电负载3…用电负载N的和得到。
步骤S104,通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;
可选的,在步骤S104中通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失之前,本申请实施例提供的微电网调度的方法还包括:通过分布式光伏发电系统在历史预定时长内,按小时级颗粒度进行划分,得到历史运行参数时间序列、历史环境参数时间序列以及历史发电时间序列;将历史运行参数时间序列和历史环境参数时间序列作为输入,将历史发电时间序列作为输出,基于XGBoost模型训练得到光伏发电预测模型。
进一步地,可选的,历史运行参数时间序列中的运行参数包括:电流和/或电压;历史环境参数时间序列中的环境参数包括:温度、天气、辐照强度。
步骤S106,通过预先构建的站点储能充放电模型获取储能损失;
可选的,在步骤S106中通过预先构建的站点储能充放电模型获取储能损失之前,本申请实施例提供的微电网调度的方法还包括:通过储能系统在历史预定时长内,按小时级颗粒度进行划分,得到历史充电量时间序列和历史放电量时间序列;将历史充电量时间序列和历史放电时间序列作为输入,基于线性回归模型得到站点储能充放电模型。
进一步地,可选的,站点储能充放电模型包括:
Wes1,t=β*Wes2,t;
其中,Wes1,t为储能第t小时的充电量,Wes2,t为储能第t小时的放电量,β为储能效率;t取值1,2,3…24。
步骤S108,依据站点线损、光伏损失和储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;
可选的,步骤S108中得到微网损失发电量包括:
Wloss,t=a1Wv,t+a2Wes2,t+a3Wpg,t;
其中,a1、a2、a3为损失系数,Wloss,t为微电网第t小时的微网损失发电量,Wv,t为光伏第t小时的发电量,Wes2,t为储能第t小时的放电量,Wpg,t为电网第t小时的购电量;t取值1,2,3…24。
步骤S110,依据微网损失发电量生成微电网调度策略,其中,微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略。
可选的,步骤S110中依据微网损失发电量生成微电网调度策略包括:
以用能站点单日用电成本最低为目标,构建目标函数:
其中,C为用能站点单日用电成本;Wpg,t为第t小时的购电量,Cpg,t为第t小时的购电量对应的电价;Wv1,t为第t小时的光伏上网电量,Cv1,t为第t小时的光伏上网对应的电价;Wv,t为第t小时的光伏发电量,Cv,t为第t小时的光伏度发电量对应的成本;Wes1,t为第t小时的储能充电量,Ces1,t为第t小时的储能度充电量对应的成本;t取值1,2,3…24;
设置约束条件,其中,约束条件包括:
Wld,t=Wv2,t-Wv1,t+Wes2,t-Wes1,t+Wpg,t-Wloss,t;
Wv,t=Wv1,t+Wv2,t;
0≤Wv1,t≤Wv,t;
min SOC≤SOCt≤maxSOC;
0≤Wes1,t≤Wes;
0≤Wes2,t≤Wes;
0≤Wpg,t;
其中:Wld,t为第t小时的用电负载总用电量,Wld,t(n)为第n个用电负载用电量,n为用电负载设施数量,取值1,2,3…N;Wv1,t为光伏第t小时的上网电量,Wv2,t为光伏第t小时的自用电量,Wv,t为光伏第t小时的发电量;SOCt为储能系统剩余电量%;Wes为储能系统装机容量。t取值1,2,3…24;基于粒子群优化算法获得以用能站点单日用电成本最低为目标的微电网调度策略。
综上,本申请实施例提供的微电网调度的方法在实现过程中具体如下:
图3为本发明实施例一提供的另一种微电网调度的方法的流程示意图,如图3所示,本申请实施例提供的微电网调度的方法中通过用电负载历史运行数据构建未来小时级用电负载负荷预测模型,依据该未来小时级用电负载负荷预测模型能够得到所有用电负载在未来预定时长内的预测负荷总和;以及,通过采集光伏发电系统的运行参数以及所在环境参数,与光伏发电系统历史运行数据和历史环境数据一起构建未来小时级站点光伏预测模型;基于该未来小时级站点光伏预测模型能够得到光伏发电系统在未来预定时长内的预测发电负荷;依据未来预定时长内的预测发电负荷和未来预定时长内的预测负荷总和能够确定储能充放电模型,和用能站点微电网损失模型,基于该储能充放电模型,和用能站点微电网损失模型能够得到按照未来预定时长内的用电负载预测与光伏发电预测提前制定未来时间段的微电网调度策略,使得用能站点单日用电成本最低。
图4为本发明实施例一提供的一种微电网调度的方法中组成系统的示意图,如图4所示,在本申请实施例提供的微电网调度的方法中由电网、负载、光伏系统和储能系统组成。
本发明实施例提供了一种微电网调度的方法。通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;通过预先构建的站点储能充放电模型获取储能损失;依据站点线损、光伏损失和储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;依据微网损失发电量生成微电网调度策略,其中,微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略,从而能够实现有效降低用电过程中不必要的损失,保障用能站点经济效益最大化的技术效果。
实施例二
第二方面,本发明实施例提供一种微电网调度的装置,图5为本发明实施例二提供的一种微电网调度的装置的示意图;如图5所示,包括:第一获取模块50,用于通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;第二获取模块52,用于通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;第三获取模块54,用于通过预先构建的站点储能充放电模型获取储能损失;计算模块56,用于依据站点线损、光伏损失和储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;策略生成模块58,用于依据微网损失发电量生成微电网调度策略,其中,微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略。
本发明实施例提供了一种微电网调度的装置。通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;通过预先构建的站点储能充放电模型获取储能损失;依据站点线损、光伏损失和储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;依据微网损失发电量生成微电网调度策略,其中,微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略,从而能够实现有效降低用电过程中不必要的损失,保障用能站点经济效益最大化的技术效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种微电网调度的方法,其特征在于,包括:
通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;
通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;
通过预先构建的站点储能充放电模型获取储能损失;
依据所述站点线损、所述光伏损失和所述储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;
依据所述微网损失发电量生成微电网调度策略,其中,所述微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略。
2.根据权利要求1所述的微电网调度的方法,其特征在于,在所述通过预先构建的未来小时级用电负载负荷预测模型获取站点线损之前,所述方法还包括:
依据历史用电运行数据、用电特性和用电周期进行预测,得到站点用电电荷;
通过所述站点用电电荷构建所述未来小时级用电负载负荷预测模型。
3.根据权利要求2所述的微电网调度的方法,其特征在于,所述通过所述站点用电电荷构建所述未来小时级用电负载负荷预测模型包括:
根据各负载设施的历史用电运行数据,构建M个时间上不相交的样本集,每个样本集包含负载设施在历史预定时长内的小时级用电量时间序列,其中,M为自然数,且M大于或等于1;
将所述样本集中的用电量作为输出,对应所述用电量的时间序列作为输入,利用所述M个时间上不相交的样本集基于ARIMA时间序列模型得到各用电负载的负荷预测值;
依据各用电负载的负荷预测值构建所述未来小时级用电负载负荷预测模型。
4.根据权利要求1所述的微电网调度的方法,其特征在于,所述在所述通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失之前,所述方法还包括:
通过分布式光伏发电系统在历史预定时长内,按小时级颗粒度进行划分,得到历史运行参数时间序列、历史环境参数时间序列以及历史发电时间序列;
将所述历史运行参数时间序列和所述历史环境参数时间序列作为输入,将所述历史发电时间序列作为输出,基于XGBoost模型训练得到所述光伏发电预测模型。
5.根据权利要求4所述的微电网调度的方法,其特征在于,所述历史运行参数时间序列中的运行参数包括:电流和/或电压;所述历史环境参数时间序列中的环境参数包括:温度、天气、辐照强度。
6.根据权利要求1所述的微电网调度的方法,其特征在于,在所述通过预先构建的站点储能充放电模型获取储能损失之前,所述方法还包括:
通过储能系统在历史预定时长内,按小时级颗粒度进行划分,得到历史充电量时间序列和历史放电量时间序列;
将所述历史充电量时间序列和所述历史放电时间序列作为输入,基于线性回归模型得到所述站点储能充放电模型。
7.根据权利要求6所述的微电网调度的方法,其特征在于,所述站点储能充放电模型包括:
Wes1,t=β*Wes2,t;
其中,Wes1,t为储能第t小时的充电量,Wes2,t为储能第t小时的放电量,β为储能效率;t取值1,2,3…24。
8.根据权利要求1所述的微电网调度的方法,其特征在于,所述得到微网损失发电量包括:
Wloss,t=a1Wv,t+a2Wes2,t+a3Wpg,t;
其中,a1、a2、a3为损失系数,Wloss,t为微电网第t小时的微网损失发电量,Wv,t为光伏第t小时的发电量,Wes2,t为储能第t小时的放电量,Wpg,t为电网第t小时的购电量;t取值1,2,3…24。
9.根据权利要求1所述的微电网调度的方法,其特征在于,所述依据所述微网损失发电量生成微电网调度策略包括:
以用能站点单日用电成本最低为目标,构建目标函数:
其中,C为用能站点单日用电成本;Wpg,t为第t小时的购电量,Cpg,t为第t小时的购电量对应的电价;Wv1,t为第t小时的光伏上网电量,Cv1,t为第t小时的光伏上网对应的电价;Wv,t为第t小时的光伏发电量,Cv,t为第t小时的光伏度发电量对应的成本;Wes1,t为第t小时的储能充电量,Ces1,t为第t小时的储能度充电量对应的成本;t取值1,2,3…24;
设置约束条件,其中,所述约束条件包括:
Wld,t=Wv2,t-Wv1,t+Wes2,t-Wes1,t+Wpg,t-Wloss,t;
Wv,t=Wv1,t+Wv2,t;
0≤Wv1,t≤Wv,t;
minSOC≤SOCt≤maxSOC;
0≤Wes1,t≤Wes;
0≤Wes2,t≤Wes;
0≤Wpg,t;
其中:Wld,t为第t小时的用电负载总用电量,Wld,t(n)为第n个用电负载用电量,n为用电负载设施数量,取值1,2,3…N;Wv1,t为光伏第t小时的上网电量,Wv2,t为光伏第t小时的自用电量,Wv,t为光伏第t小时的发电量;SOCt为储能系统剩余电量%;Wes为储能系统装机容量。t取值1,2,3…24;
基于粒子群优化算法获得以用能站点单日用电成本最低为目标的所述微电网调度策略。
10.一种微电网调度的装置,其特征在于,包括:
第一获取模块,用于通过预先构建的未来小时级用电负载负荷预测模型获取站点线损;
第二获取模块,用于通过预先构建的未来小时级站点光伏发电预测模型获取光伏损失;
第三获取模块,用于通过预先构建的站点储能充放电模型获取储能损失;
计算模块,用于依据所述站点线损、所述光伏损失和所述储能损失通过预先构建的站点微电网损失模型,得到微网损失发电量;
策略生成模块,用于依据所述微网损失发电量生成微电网调度策略,其中,所述微电网调度策略为在满足站点用电负荷基础上,实现微电网经济效益最优的调度策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211743266.6A CN116111656A (zh) | 2022-12-28 | 2022-12-28 | 微电网调度的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211743266.6A CN116111656A (zh) | 2022-12-28 | 2022-12-28 | 微电网调度的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116111656A true CN116111656A (zh) | 2023-05-12 |
Family
ID=86260870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211743266.6A Pending CN116111656A (zh) | 2022-12-28 | 2022-12-28 | 微电网调度的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116111656A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117595384A (zh) * | 2024-01-18 | 2024-02-23 | 河北省建筑科学研究院有限公司 | 基于人工智能的光伏电站源网荷双向预测方法及系统 |
CN117879062A (zh) * | 2024-03-12 | 2024-04-12 | 广州三晶电气股份有限公司 | 用电调度方法及装置 |
-
2022
- 2022-12-28 CN CN202211743266.6A patent/CN116111656A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117595384A (zh) * | 2024-01-18 | 2024-02-23 | 河北省建筑科学研究院有限公司 | 基于人工智能的光伏电站源网荷双向预测方法及系统 |
CN117595384B (zh) * | 2024-01-18 | 2024-03-26 | 河北省建筑科学研究院有限公司 | 基于人工智能的光伏电站源网荷双向预测方法及系统 |
CN117879062A (zh) * | 2024-03-12 | 2024-04-12 | 广州三晶电气股份有限公司 | 用电调度方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Das et al. | Optimal placement of distributed energy storage systems in distribution networks using artificial bee colony algorithm | |
Abdolrasol et al. | An optimal scheduling controller for virtual power plant and microgrid integration using the binary backtracking search algorithm | |
Dufo-López et al. | Design and control strategies of PV-Diesel systems using genetic algorithms | |
CN116111656A (zh) | 微电网调度的方法和装置 | |
CN107482679B (zh) | 考虑储能系统充放电次数的主动配电网日前优化调度方法 | |
Anvari-Moghaddam et al. | Optimal utilization of microgrids supplemented with battery energy storage systems in grid support applications | |
Nemati et al. | Optimization of microgrids short term operation based on an enhanced genetic algorithm | |
CN112651634A (zh) | 基于序列运算的有源配电系统源网荷储日前有功调度方法 | |
CN101950980A (zh) | 用于分布式光伏电源并网调控的储能装置容量配置方法 | |
Bhoi et al. | Optimal scheduling of battery storage with grid tied PV systems for trade-off between consumer energy cost and storage health | |
CN115169723A (zh) | 发电功率预测方法、负荷预测方法及模型训练方法 | |
Zhuo | Microgrid energy management strategy with battery energy storage system and approximate dynamic programming | |
Jain et al. | A Simple Methodology for Sizing of Stand-Alone PV-Battery System | |
Li et al. | Optimization scheduling model based on source-load-energy storage coordination in power systems | |
Luna et al. | Generation and demand scheduling for a grid-connected hybrid microgrid considering price-based incentives | |
Li et al. | Optimal operation of AC/DC hybrid microgrid under spot price mechanism | |
CN115660371A (zh) | 虚拟电厂日前日内两阶段协同调控方法及装置 | |
Yu et al. | A fuzzy Q-learning algorithm for storage optimization in islanding microgrid | |
Hooshmand et al. | Efficiency-driven control of dispatchable sources and storage units in hybrid energy systems | |
Jang et al. | Short-term resource scheduling for power systems with energy storage systems | |
CN102299513B (zh) | 用户级混合电力智能配电系统 | |
Stevanović et al. | Optimal battery storage location and control in distribution network | |
Kato et al. | A battery degradation aware optimal power distribution on decentralized energy network | |
Liu et al. | Innovative Energy Management System for Energy Storage Systems of Multiple-Type with Cascade Utilization Battery | |
Brown et al. | Operational optimization of an agricultural microgrid |
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 |