CN116470496A - 可再生能源发电系统 - Google Patents
可再生能源发电系统 Download PDFInfo
- Publication number
- CN116470496A CN116470496A CN202310458540.3A CN202310458540A CN116470496A CN 116470496 A CN116470496 A CN 116470496A CN 202310458540 A CN202310458540 A CN 202310458540A CN 116470496 A CN116470496 A CN 116470496A
- Authority
- CN
- China
- Prior art keywords
- power generation
- predicted
- renewable energy
- amount
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 204
- 230000005611 electricity Effects 0.000 claims abstract description 157
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000004044 response Effects 0.000 claims abstract description 28
- 239000013589 supplement Substances 0.000 claims abstract description 18
- 230000000737 periodic effect Effects 0.000 claims abstract description 4
- 238000003860 storage Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 20
- 238000005286 illumination Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010606 normalization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H02J3/004—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
-
- 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
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及发电系统的领域,尤其是涉及一种可再生能源发电系统。可再生能源发电系统使用了可再生能源发电方法,包括以下步骤:基于预设的可再生能源发电预测模型,生成可再生能源的预测发电量;根据数据库的历史用电数据,基于预设的用电预测模型,生成目标区域的预测用电量;响应于所述预测发电量小于所述预测用电量的条件被满足,获得预先储存的存储电量;响应于所述预测用电量与所述预测发电量的差值大于所述存储电量的条件被满足,配置火力发电量以补充缺少的电量,其中,用电预测模型为ARMIMA模型,ARMIMA模型能够识别和利用历史数据中的趋势和周期性变化来预测未来用电量。本申请具有减少可再生能源发电出现供电不稳定现象的效果。
Description
技术领域
本发明涉及发电系统的领域,尤其是涉及一种可再生能源发电系统。
背景技术
传统化石能源发电已经造成了较为严重的空气污染、气候变暖、酸雨等环境问题,过度开采也会加速化石能源耗竭,环保问题和能源结构问题越来越受到重视,由于可再生能源分布广泛且对环境危害极小,可再生能源发电成为传统发电方式不可持续问题的一种解决办法。
可再生能源发电,一般是指水力发电、风力发电、生物质发电、太阳能发电、海洋能发电和地热能发电等。其中,风能和太阳能是当前应用较多的两种可再生清洁能源。
风能和太阳能的受地理、季节和天气因素的影响较大,会出现空气对流量小,光照不足的情况。现有的风电光伏互补电站,利用了太阳能与风能资源互补性强,一定程度上弥补了风力发电和光伏发电独立系统在资源上的缺陷,但是在无风光照弱的天气下,还是受到气候的影响较大,出现供电不稳定的情况。
发明内容
为了减少可再生能源发电出现供电不稳定的现象,本申请提供一种可再生能源发电方法。
第一方面,本申请提供的可再生能源发电方法采用如下的技术方案:
可再生能源发电方法,包括以下步骤:基于预设的可再生能源发电预测模型,生成可再生能源的预测发电量;根据数据库的历史用电数据,基于预设的用电预测模型,生成目标区域的预测用电量;响应于所述预测发电量小于所述预测用电量的条件被满足,获得预先储存的存储电量;响应于所述预测用电量与所述预测发电量的差值大于所述存储电量的条件被满足,配置火力发电量以补充缺少的电量;其中,用电预测模型为ARMIMA模型,ARMIMA模型能够识别和利用历史数据中的趋势和周期性变化来预测未来用电量。
通过采用上述技术方案,通过预测可再生能源的发电量与目标区域的用电量,判定可再生能源的预测发电量是否能够满足目标区域的预测用电量,若预测发电量不能满足预测用电量,判定预测发电量与存储电量之和是否满足预测用电量,若不满足,配置一定量的火力发电量进行电量补充,以使供电能够完全满足目标区域的负载用电需求,保持供电的稳定性。
优选的,所述基于预设的可再生能源发电预测模型,生成可再生能源的预测发电量中,包括以下步骤:获得划分的目标区域内所有可再生能源发电设备的设备数据;根据所述设备数据,基于预设的风力发电量预测模型及光照发电量预测模型,生成可再生能源的预测发电量;其中,光照发电量预测模型包括一维CNN和Bi-LSTM,通过一维CNN提取和转换影响太阳辐照度的各类因素;将所述因素输入至Bi-LSTM层中,利用Dropout层防止过拟合,经过全连接层输出预测的未来设定时间内的太阳总辐照度;通过太阳总辐照度及预设的光电能转化率,获得预测的光能发电量;风力发电量预测模型使用BP神经网络模型,预测风力发电量。
通过采用上述技术方案,设定风力发电量预测模型,结合每处风力发电设备所在区域的风力及风量预报,预测目标区域内每处风力发电设备的发电量。设定光照发电量预测模型,结合每处太阳能发电设备所在区域的光照强度及光照时间,预测目标区域内每处太阳能发电设备的发电量。加和测目标区域内每处风力发电设备的发电量及预测目标区域内每处太阳能发电设备的发电量,生成可再生能源的预测发电量。
优选的,所述根据数据库的历史用电数据,基于预设的用电预测模型中,包括以下步骤:获取数据库中目标区域的历史用电数据;根据月份因素和年份因素在所述历史用电数据中提取目标用电数据;对所述目标用电数据进行数据处理,应用在所述用电预测模型中;根据所述用电预测模型,对目标区域的用电总量进行预测。
通过采用上述技术方案,将相近年份的历史用电数据作为参考,且不同月份所在的季节不同,目标区域的负载用电量不同,如在冬季有使用取暖设备的需求,在夏季有使用取冷设备的需求,通常情况下,城镇住宅区域,冬季与夏季的用电量会高于春季和秋季,所以选择历史年份的同月份数据及相近月份数据作为参考的目标用电数据。
优选的,所述获得预先储存的存储电量中,包括以下步骤:响应于可再生能源的发电量大于目标区域负载的使用量的确认指令,储存多余的发电量;基于预设的电量监控装置,对存储电量进行实时监控,并发送动态存储电量值。
通过采用上述技术方案,在可再生能源发电设备出现如发出的电能不稳定等供电异常的情况下,备用供电源进行供电,以满足目标区域负载的稳定、持续用电,在蓄电设备上安装电量监控装置,以对存储电量进行实时监控,发送动态存储电量值,以对存储电量值进行实时的更新。
优选的,所述步骤响应于所述预测用电量与所述预测发电量的差值大于所述存储电量的条件被满足,配置火力发电量以补充缺少的电量中,包括以下步骤:计算所述预测用电量与所述预测发电量的差值,作为第一差值;计算所述动态存储电量值与所述第一差值之差,作为第二差值;响应于所述第二差值大于预设的差值阈值,生成配置指令;响应于所述配置指令被确认,配置大于所述第二差值的火力发电量进行电量补充。
通过采用上述技术方案,当预测用电量大于预测发电量,说明可再生能源发出的电能不能满足目标区域的负载用电量,计算预测用电量与预测发电量的差值作为第一差值,第一差值是需要通过储蓄电量进行补充的电量差值;当第一差值大于存储电量值,可再生能源发出的电能与存储的电能不能满足目标区域的负载用电量,计算第一差值与存储电量值的差值作为第二差值,第二差值是需要通过火力发电进行补充的电量差值;对比第二差值与差值阈值,判定第二差值是否大于差值阈值,若是,生成配置指令,配置大于第二差值的火力发电量进行电量补充。差值阈值为多余的误差浮动值,考虑到电量运输消耗等情况,设置差值阈值,使配置的火力发电量大于第二差值,以使配置的总电量有余量。
优选的,根据所述预测用电,对目标区域的实际用电量进行监控,判断是否存在用电异常。
通过采用上述技术方案,通过目标区域的实际用电值及预测用电值,能够辅助发现目标区域内出现的用电异常情况。
优选的,所述步骤根据所述预测用电,对目标区域的实际用电量进行监控,判断是否存在用电异常,包括以下步骤:对比目标区域的实际用电量是否小于所述预测用电量与浮动阈值之和,若小于,则判定该目标区域存在用电异常,并发出用电异常信号;响应于所述用电异常信号确认指令,生成异常位置信息。
通过采用上述技术方案,目标区域的实际用电量是否小于预测用电量与浮动阈值之和,说明目标区域的实际用电量远小于预测用电量,所以则该目标区域可能存在用电异常行为;获取出现用电异常的异常位置,生成异常位置信息及异常用电报告,以辅助定位可能存在用电行为的位置。
第二方面,本申请公开了可再生能源发电系统,采用了上述可再生能源发电方法,包括:发电量预测模块,基于预设的可再生能源发电预测模型,生成可再生能源的预测发电量;用电预测模块,根据数据库的历史用电数据,基于预设的用电预测模型,生成目标区域的预测用电量;储电模块,响应于所述预测发电量小于所述预测用电量的条件被满足,获得预先储存的存储电量;补充发电配置模块,响应于所述预测用电量与所述预测发电量的差值大于所述存储电量的条件被满足,配置火力发电量以补充缺少的电量。
通过采用上述技术方案,根据发电量预测模块及用电预测模块,预测可再生能源的发电量与目标区域的用电量,并判定可再生能源的预测发电量是否能够满足目标区域的预测用电量,若预测发电量不能满足预测用电量,根据储电模块,判定预测发电量与存储电量之和是否满足预测用电量,若不满足,通过补充发电配置模块,配置一定量的火力发电量进行电量补充,以使供电能够完全满足目标区域的负载用电需求,保持供电的稳定性。
第三方面,本申请公开一种终端设备,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,所述处理器加载并执行计算机程序时,采用了上述的可再生能源发电方法。
通过采用上述技术方案,通过上述的可再生能源发电方法生成计算机程序,并存储于存储器中,以被处理器加载并执行,从而,根据存储器及处理器制作终端设备,方便用户使用。
第四方面,本申请公开一种计算机可读存储介质,采用如下的技术方案:一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,采用了上述的可再生能源发电方法。
通过采用上述技术方案,通过上述的可再生能源发电方法生成计算机程序,并存储于计算机可读存储介质中,以被处理器加载并执行,通过计算机可读存储介质,方便计算机程序的可读及存储。
综上所述,本申请包括以下至少一种有益技术效果:
1、通过预测可再生能源的发电量与目标区域的用电量,判定可再生能源的预测发电量是否能够满足目标区域的预测用电量,若预测发电量不能满足预测用电量,判定预测发电量与存储电量之和是否满足预测用电量,若不满足,配置一定量的火力发电量进行电量补充,以使供电能够完全满足目标区域的负载用电需求,保持供电的稳定性。
2、通过目标区域的实际用电值及预测用电值,能够辅助发现目标区域内出现的用电异常情况。
附图说明
图1是本申请实施例可再生能源发电方法的步骤S1-S5的方法流程图。
图2是本申请实施例可再生能源发电方法的步骤S10-S11的方法流程图。
图3是本申请实施例可再生能源发电方法的步骤S20-S23的方法流程图。
图4是本申请实施例可再生能源发电方法的步骤S30-S31的方法流程图。
图5是本申请实施例可再生能源发电方法的步骤S40-S43的方法流程图。
图6是本申请实施例可再生能源发电方法的步骤S50-S51的方法流程图。
具体实施方式
以下结合附图1-6对本申请作进一步详细说明。
本申请实施例公开一种可再生能源发电方法,参照图1,可再生能源发电方法包括步骤S1-S5,具体如下:
S1:基于预设的可再生能源发电预测模型,生成可再生能源的预测发电量。参照图2,步骤S1包括步骤S10-步骤S11,具体如下:
S10:获得划分的目标区域内所有可再生能源发电设备的设备数据。
划分目标区域,用户对目标区域进行选择,本申请中,用户可以手动通过省、市、区进行目标区域的划分,也可通过街道进行目标区域的划分,调取包含划分好的目标区域内的历史用电的数据库。
通过GIS系统,获取目标区域内的所有可再生能源的发电设备的设备数据,可再生能源发电设备包括风力发电设备及太阳能发电设备,设备数据包括设备位置、设备类型及设备功率。
S11:根据设备数据,基于预设的风力发电量预测模型及光照发电量预测模型,生成可再生能源的预测发电量。
设定风力发电量预测模型,结合每处风力发电设备所在区域的风力及风量预报,预测目标区域内每处风力发电设备的发电量。设定光照发电量预测模型,结合每处太阳能发电设备所在区域的光照强度及光照时间,预测目标区域内每处太阳能发电设备的发电量。
加和测目标区域内每处风力发电设备的发电量及预测目标区域内每处太阳能发电设备的发电量,生成可再生能源的预测发电量。
其中,光照发电量预测模型包括一维CNN(Convolutional Neural Network,卷积神经网络)和Bi-LSTM(Bi-directional Long Short-Term Memory,双向长短期记忆),
通过一维CNN提取和转换影响太阳辐照度的各类因素,其中,一维CNN是一种特殊类型的神经网络,其对输入数据在时间/空间方向上的特征进行了卷积操作,该模型中的一维CNN包含池化层和卷积层,它可以有效地提取和转换各种因素,这些因素通过时间序列来影响太阳辐照度。
将所述因素输入至Bi-LSTM层中,利用Dropout层防止过拟合,经过全连接层输出预测的未来设定时间内的太阳总辐照度,经过全连接层输出预测的未来设定时间内的太阳总辐照度。可以根据历史数据来预测未来的太阳总辐照度,有助于优化光伏发电的运行和管理。其中,Bi-LSTM(Bidirectional Long Short-Term Memory)是一种循环神经网络,允许信息在多个时间步骤之间流动,与传统的单向LSTM不同,它同时维护了两个LSTM层,分别从正向和反向方向处理输入序列。Bi-LSTM具有学习长距离依赖关系的能力,并且可以防止信息丢失和梯度消失的问题。
通过太阳总辐照度及预设的光电能转化率,获得预测的光能发电量,通过预设的计算模型,根据设定的光电能转化率,计算定量太阳总辐照度下,光照发电预测的发电总量。
风力发电量预测模型使用BP神经网络模型,预测风力发电量,
进行BP神经网络的训练,该过程包括以下步骤:将数据集分为训练集、验证集和测试集;对训练集进行多轮训练,通过误差反传算法等方法优化神经网络的权重和偏置,使网络的输出结果与实际结果更接近;在每轮训练中,使用验证集对神经网络进行评估,确定最佳的网络结构和参数,以便用于测试集的预测。
使用训练好的神经网络进行未来时间段的风力发电量预测,该过程包括以下步骤:获取未来的气象数据,包括风向和风速等指标。将气象数据归一化处理,并输入已经训练好的神经网络中进行前向传播,得到预测结果。将预测结果反归一化,并输出最终的风力发电量预测结果。具体的,进行风速归一化,将数据归一化到0到1之间,作为神经网络的输入参数之一。进行风向归一化处理,建立一个以正北为0°的一个360°圆周,通过三角函数变换对各个不同的风向数据进行归一化处理,将其中的风向因素拆分为正弦和余弦两个参数值用来作为BP神经网络的输入参数数据;进行风电功率归一化处理,需要确定风电机组的额定功率,然后再采用与上述风速归一化相同的办法,将网络预测的输出风的电功率进行反归一化处理,得到风电短期功率预测的结果。
预测结果的精度取决于神经网络的训练数据量、质量和网络结构等因素,因此需要进行多轮测试和优化,确保预测结果的可靠性和准确性。
通过设置权重、预测的光能发电量、预测的风力发电量,获得可再生能源的预测发电量。其中权重包括光能发电量权重及风力发电量权重。
即可再生能源的预测发电量=预测的光能发电量*光能发电量权重+预测的风力发电量*风力发电量权重;
具体的,权重的设置包括气象因素及设备运行因素。设备运行因素的优先级大于气象因素。当存在设备运行因素时,以设备运行因素为唯一权重设置因素,当不存在设备运行因素时,以气象因素设置权重。
设备运行因素,例如,如果风力发电机出现故障,可能需要减少对风能发电量的依赖,增加光能发电量的权重。
根据预测的气象数据,可以预测未来一段时间内的风能和光能发电情况。例如,如果天气预报显示未来几个小时将有大风,那么可以增加风能发电量的权重,如果天气预报显示未来一天光照强度较大,那么可以增加光能发电量的权重。
S2:根据数据库的历史用电数据,基于预设的用电预测模型,生成目标区域的预测用电量。参照图3,步骤S2包括步骤S20-步骤S23,具体如下:
S20:获取数据库中目标区域的历史用电数据。
调取包含目标区域内的用电情况的所有数据库。
S21:根据月份因素和年份因素在历史用电数据中提取目标用电数据。
在数据库中,通过月份因素条件及年份因素条件,筛选目标区域的目标用电数据。年份因素中,用户可以自定义年份因素,也可以通过默认年份因素进行选择,本申请中,默认选择近三年的历史用电数据。
月份因素中,用户输入当前月份,自动调取近三年同月份用电数据及同月份前后各一月的用电数据,作为目标用电数据,不同月份所在的季节不同,目标区域的负载用电量不同,如在冬季有使用取暖设备的需求,在夏季有使用取冷设备的需求,通常情况下,城镇住宅区域,冬季与夏季的用电量会高于春季和秋季,所以选择历史年份的同月份数据及相近月份数据作为参考的目标用电数据。
S22:对目标用电数据进行数据处理,应用在用电预测模型中。
对目标用电数据进行数据的选择、清洗、合成、合并及数据格式化等预处理操作,剔除如重复数据,并使数据符合规范化的格式,以进行规范化的操作。
对于缺失的数据,对缺失数据依据相近时间的用电数据进行自动填充,如3月15日的用电数据缺失,3月14日和3月16日的用电数据完整,使用3月14的用电数据或3月16日的用电数据补充3月15日的用电数据。
S23:根据用电预测模型,对目标区域的用电总量进行预测。
通过设定的用电预测模型及上述经过数据处理后的目标用电数据,目标区域的目标时间用电量进行预测,根据目标区域历史三年来相同及相近月份的用电数据,预测目标区域的需求的用电总量。
用电预测模型为ARMIMA模型(Autoregressive Integrated Moving Averagemodel,差分整合移动平均自回归模型),ARMIMA模型能够识别和利用历史数据中的趋势和周期性变化来预测未来用电量。
S3:响应于预测发电量小于预测用电量的条件被满足,获得预先储存的存储电量。参照图4,步骤S3包括步骤S30-S31,具体如下,
S30:响应于可再生能源的发电量大于目标区域负载的使用量的确认指令,储存多余的发电量;
在可再生能源发电设备发出的电量满足目标区域负载使用量时,将多余的电量通过预设的蓄电设备进行存储,以作为备用供电源,在可再生能源发电设备出现如发出的电能不稳定等供电异常的情况下,备用供电源进行供电,以满足目标区域负载的稳定、持续用电。
S31:基于预设的电量监控装置,对存储电量进行实时监控,并发送动态存储电量值。
电量在存储过程中,会因为温度等原因,出现消耗电量的情况,在蓄电设备上安装电量监控装置,以对存储电量进行实时监控,发送动态存储电量值,以对存储电量值进行实时的更新,存储电量值包括主电池内的剩余电量及电池电压。
S4:响应于预测用电量与预测发电量的差值大于存储电量的条件被满足,配置火力发电量以补充缺少的电量。参照图5,步骤S4包括步骤S40-S43,具体如下,
S40:计算预测用电量与预测发电量的差值,作为第一差值。
S41:计算动态存储电量值与第一差值之差,作为第二差值。
S42:响应于第二差值大于预设的差值阈值,生成配置指令。
S43:响应于配置指令被确认,配置大于第二差值的火力发电量进行电量补充。
对比预测用电量与预测发电量的大小,当预测用电量小于预测发电量,说明可再生能源发出的电能能够满足目标区域的负载用电量。当预测用电量大于预测发电量,说明可再生能源发出的电能不能满足目标区域的负载用电量,计算预测用电量与预测发电量的差值作为第一差值,第一差值是需要通过储蓄电量进行补充的电量差值。
对比第一差值与存储电量值的大小,当第一差值小于存储电量值,可再生能源发出的电能与存储的电能能够满足目标区域的负载用电量,当第一差值大于存储电量值,可再生能源发出的电能与存储的电能不能满足目标区域的负载用电量,计算第一差值与存储电量值的差值作为第二差值,第二差值是需要通过火力发电进行补充的电量差值。
对比第二差值与差值阈值,判定第二差值是否大于差值阈值,若是,生成配置指令,配置大于第二差值的火力发电量进行电量补充。差值阈值为多余的误差浮动值,考虑到电量运输消耗等情况,设置差值阈值,使配置的火力发电量大于第二差值,以使配置的总电量有余量。
S5:根据预测用电,对目标区域的实际用电量进行监控,判断是否存在用电异常。参照图6,步骤S5包括步骤S50-S51,具体如下:
S50:对比目标区域的实际用电量是否小于预测用电量与浮动阈值之和,若小于,则判定该目标区域存在用电异常,并发出用电异常信号。
通过预测的用电量,还可以与该目标区域的实际用电量进行对比,以为该目标区域是否存在偷电漏电的行为判断提供参考。目标区域的实际用电量是否小于预测用电量与浮动阈值之和,说明目标区域的实际用电量远小于预测用电量,所以则该目标区域可能存在如偷电漏电等用电异常行为。
S51:响应于用电异常信号确认指令,生成异常位置信息。
根据历史的用电数据,对目标区域进行分布式数据对比,即对片区的实际用电与历史片区用电进行数据对比,发现出现用电异常的异常位置,生成异常位置信息及异常用电报告,以辅助定位可能存在偷点漏电行为的位置。
本申请实施例可再生能源发电方法的实施原理为:通过预测可再生能源的发电量与目标区域的用电量,判定可再生能源的预测发电量是否能够满足目标区域的预测用电量,若预测发电量不能满足预测用电量,判定预测发电量与存储电量之和是否满足预测用电量,若不满足,配置一定量的火力发电量进行电量补充,以使供电能够完全满足目标区域的负载用电需求,保持供电的稳定性。同时,通过目标区域的实际用电值及预测用电值,能够辅助发现目标区域内出现的用电异常情况。
本申请实施例还公开可再生能源发电系统,包括:发电量预测模块,基于预设的可再生能源发电预测模型,生成可再生能源的预测发电量;用电预测模块,根据数据库的历史用电数据,基于预设的用电预测模型,生成目标区域的预测用电量;储电模块,响应于预测发电量小于预测用电量的条件被满足,获得预先储存的存储电量;补充发电配置模块,响应于预测用电量与预测发电量的差值大于存储电量的条件被满足,配置火力发电量以补充缺少的电量。
本申请实施例可再生能源发电系统的实施原理为:根据发电量预测模块及用电预测模块,预测可再生能源的发电量与目标区域的用电量,并判定可再生能源的预测发电量是否能够满足目标区域的预测用电量,若预测发电量不能满足预测用电量,根据储电模块,判定预测发电量与存储电量之和是否满足预测用电量,若不满足,通过补充发电配置模块,配置一定量的火力发电量进行电量补充,以使供电能够完全满足目标区域的负载用电需求,保持供电的稳定性。
本申请实施例还公开一种终端设备,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,其中,处理器执行计算机程序时采用了上述实施例的可再生能源发电方法。
其中,终端设备可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备,并且,终端设备包括但不限于处理器以及存储器,例如,终端设备还可以包括输入输出设备、网络接入设备以及总线等。
其中,处理器可以采用中央处理单元(CPU),当然,根据实际的使用情况,也可以采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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,通用处理器可以采用微处理器或者任何常规的处理器等,本申请对此不做限制。
其中,存储器可以为终端设备的内部存储单元,例如,终端设备的硬盘或者内存,也可以为终端设备的外部存储设备,例如,终端设备上配备的插接式硬盘、智能存储卡(SMC)、安全数字卡(SD)或者闪存卡(FC)等,并且,存储器还可以为终端设备的内部存储单元与外部存储设备的组合,存储器用于存储计算机程序以及终端设备所需的其他程序和数据,存储器还可以用于暂时地存储已经输出或者将要输出的数据,本申请对此不做限制。
其中,通过本终端设备,将上述实施例的可再生能源发电方法存储于终端设备的存储器中,并且,被加载并执行于终端设备的处理器上,以方便用户使用。
本申请实施例还公开一种计算机可读存储介质,并且,计算机可读存储介质存储有计算机程序,其中,计算机程序被处理器执行时,采用了上述实施例的可再生能源发电方法。
其中,计算机程序可以存储于计算机可读介质中,计算机程序包括计算机程序代码,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件形式等,计算机可读介质包括能够携带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(ROM)、随机存取存储器(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,计算机可读介质包括但不限于上述元器件。
其中,通过本计算机可读存储介质,将上述实施例的可再生能源发电方法存储于计算机可读存储介质中,并且,被加载并执行于处理器上,以方便可再生能源发电方法的存储及应用。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,本说明书(包括摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或者具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已 。
Claims (10)
1.可再生能源发电方法,其特征在于,包括以下步骤:
基于预设的可再生能源发电预测模型,生成可再生能源的预测发电量;
根据数据库的历史用电数据,基于预设的用电预测模型,生成目标区域的预测用电量;
响应于所述预测发电量小于所述预测用电量的条件被满足,获得预先储存的存储电量;
响应于所述预测用电量与所述预测发电量的差值大于所述存储电量的条件被满足,配置火力发电量以补充缺少的电量;
其中,用电预测模型为ARMIMA模型,ARMIMA模型能够识别和利用历史数据中的趋势和周期性变化来预测未来用电量。
2.根据权利要求1所述的可再生能源发电方法,其特征在于,所述基于预设的可再生能源发电预测模型,生成可再生能源的预测发电量中,包括以下步骤:
获得划分的目标区域内所有可再生能源发电设备的设备数据;
根据所述设备数据,基于预设的风力发电量预测模型及光照发电量预测模型,生成所述可再生能源的预测发电量;
其中,光照发电量预测模型包括一维CNN和Bi-LSTM,
通过一维CNN提取和转换影响太阳辐照度的各类因素;
将所述因素输入至Bi-LSTM层中,利用Dropout层防止过拟合,经过全连接层输出预测的未来设定时间内的太阳总辐照度;
通过太阳总辐照度及预设的光电能转化率,获得预测的光能发电量;
风力发电量预测模型使用BP神经网络模型,获得预测的风力发电量;
根据所述的光能发电量和风力发电量及其对应的权重,获得可再生能源的预测发电量。
3.根据权利要求2所述的可再生能源发电方法,其特征在于,所述根据数据库的历史用电数据,基于预设的用电预测模型中,包括以下步骤:
获取数据库中目标区域的历史用电数据;
根据月份因素和年份因素在所述历史用电数据中提取目标用电数据;
对所述目标用电数据进行数据处理,应用在所述用电预测模型中;
根据所述用电预测模型,对目标区域的用电总量进行预测。
4.根据权利要求3所述的可再生能源发电方法,其特征在于,所述获得预先储存的存储电量中,包括以下步骤:
响应于可再生能源的发电量大于目标区域负载的使用量的确认指令,储存多余的发电量;
基于预设的电量监控装置,对存储电量进行实时监控,并发送动态存储电量值。
5.根据权利要求4所述的可再生能源发电方法,其特征在于,所述步骤响应于所述预测用电量与所述预测发电量的差值大于所述存储电量的条件被满足,配置火力发电量以补充缺少的电量中,包括以下步骤:
计算所述预测用电量与所述预测发电量的差值,作为第一差值;
计算所述动态存储电量值与所述第一差值之差,作为第二差值;
响应于所述第二差值大于预设的差值阈值,生成配置指令;
响应于所述配置指令被确认,配置大于所述第二差值的火力发电量进行电量补充。
6.根据权利要求1-5任一项所述的可再生能源发电方法,其特征在于,还包括以下步骤:根据所述预测用电,对目标区域的实际用电量进行监控,判断是否存在用电异常。
7.根据权利要求6所述的可再生能源发电方法,其特征在于,所述步骤根据所述预测用电,对目标区域的实际用电量进行监控,判断是否存在用电异常,包括以下步骤:
对比目标区域的实际用电量是否小于所述预测用电量与浮动阈值之和,若小于,则判定该目标区域存在用电异常,并发出用电异常信号;
响应于所述用电异常信号确认指令,生成异常位置信息。
8.可再生能源发电系统,其特征在于,使用了权利要求1-7任一项所述的可再生能源发电方法,包括:
发电量预测模块,基于预设的可再生能源发电预测模型,生成可再生能源的预测发电量;
用电预测模块,根据数据库的历史用电数据,基于预设的用电预测模型,生成目标区域的预测用电量;
储电模块,响应于所述预测发电量小于所述预测用电量的条件被满足,获得预先储存的存储电量;
补充发电配置模块,响应于所述预测用电量与所述预测发电量的差值大于所述存储电量的条件被满足,配置火力发电量以补充缺少的电量。
9.一种终端设备,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,其特征在于,所述处理器加载并执行计算机程序时,采用了权利要求1-7任一项所述的可再生能源发电方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序被处理器加载并执行时,采用了权利要求1-7任一项所述的可再生能源发电方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458540.3A CN116470496A (zh) | 2023-04-24 | 2023-04-24 | 可再生能源发电系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458540.3A CN116470496A (zh) | 2023-04-24 | 2023-04-24 | 可再生能源发电系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116470496A true CN116470496A (zh) | 2023-07-21 |
Family
ID=87178741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310458540.3A Pending CN116470496A (zh) | 2023-04-24 | 2023-04-24 | 可再生能源发电系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116470496A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289641A (zh) * | 2019-06-21 | 2019-09-27 | 合肥蓝色梦想信息科技有限公司 | 一种新能源与火电双向为高载能负荷供电的节能优化方法 |
CN113708416A (zh) * | 2021-08-19 | 2021-11-26 | 华电电力科学研究院有限公司 | 一种风光火抽蓄的智能电力调度方法 |
CN114386718A (zh) * | 2022-03-16 | 2022-04-22 | 广州兆和电力技术有限公司 | 一种结合粒子群神经网络的风电场输出功率短时预测算法 |
CN115660032A (zh) * | 2022-08-31 | 2023-01-31 | 华能江苏综合能源服务有限公司 | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 |
-
2023
- 2023-04-24 CN CN202310458540.3A patent/CN116470496A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110289641A (zh) * | 2019-06-21 | 2019-09-27 | 合肥蓝色梦想信息科技有限公司 | 一种新能源与火电双向为高载能负荷供电的节能优化方法 |
CN113708416A (zh) * | 2021-08-19 | 2021-11-26 | 华电电力科学研究院有限公司 | 一种风光火抽蓄的智能电力调度方法 |
CN114386718A (zh) * | 2022-03-16 | 2022-04-22 | 广州兆和电力技术有限公司 | 一种结合粒子群神经网络的风电场输出功率短时预测算法 |
CN115660032A (zh) * | 2022-08-31 | 2023-01-31 | 华能江苏综合能源服务有限公司 | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Foley et al. | Wind power forecasting & prediction methods | |
Pillai et al. | Comparative analysis of hourly and dynamic power balancing models for validating future energy scenarios | |
van Zuijlen et al. | Cost-optimal reliable power generation in a deep decarbonisation future | |
US20170262007A1 (en) | Multi-agent oriented method for forecasting-based control with load priority of microgrid in island mode | |
US11416786B2 (en) | Learning power grid characteristics to anticipate load | |
Tian et al. | A coordinated multi-time scale robust scheduling framework for isolated power system with ESU under high RES penetration | |
Gen | Reliability and cost/worth evaluation of generating systems utilizing wind and solar energy | |
Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
CN116306006A (zh) | 风光水联合发电的优化调度方法、装置和计算机设备 | |
CN116502771B (zh) | 一种基于电力物资预测的配电方法及系统 | |
AU2021238365A1 (en) | Systems and methods for enhanced reactive power management in a hybrid environment | |
Ani | Strategies for modeling and simulation of alternative energy systems for powering health facilities using HOMER application | |
CN115577903A (zh) | 新能源对电网调峰影响的评估方法、装置、设备及介质 | |
CN116470496A (zh) | 可再生能源发电系统 | |
Ajao et al. | Comparative analysis of residential solar farm with energy storage between the usa and nigeria | |
Shirsath et al. | A review of wind station data modeling for wind turbine reliability enhancement to optimize wind energy considering turbine design | |
Onaolapo | Reliability study under the smart grid paradigm using computational intelligent techniques and renewable energy sources. | |
Mifsud et al. | Investigating the Influence of MCP Uncertainties on the Energy Storage Capacity Requirements for Offshore Windfarms | |
EP4386638A1 (en) | A method of managing resource flow between consumer and a resource supplier network | |
CN117996757B (zh) | 一种基于分散式风电的配电网调度方法、装置及存储介质 | |
Li et al. | Bi-level Coordinated Flexible Planning Considering the Uncertainty of Wind Power Construction | |
Villada et al. | Optimal Expansion and Reliable Renewable Energy Integration in Long-Term Planning Using FESOP | |
Shadoul et al. | Designing A Dispatch Engine for Hybrid Renewable Power Station Using Mixed-Integer Linear Programming (MILP) Technique | |
Li et al. | Renewable Energy Accommodation Ability Evaluation of Power System with Large-Scale Cascaded Hydro Power Plants | |
Shakya | Implementation of solar irradiance forecasting using Markov switching model and energy management system |
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 |