CN116488141B - 一种基于多能互补的电网能量供应方法及系统 - Google Patents
一种基于多能互补的电网能量供应方法及系统 Download PDFInfo
- Publication number
- CN116488141B CN116488141B CN202310286687.9A CN202310286687A CN116488141B CN 116488141 B CN116488141 B CN 116488141B CN 202310286687 A CN202310286687 A CN 202310286687A CN 116488141 B CN116488141 B CN 116488141B
- Authority
- CN
- China
- Prior art keywords
- predicted
- electric energy
- energy
- power
- energy 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005265 energy consumption Methods 0.000 claims abstract description 121
- 239000013598 vector Substances 0.000 claims description 18
- 238000004146 energy storage Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- 238000010248 power generation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
-
- 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
- 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]
Abstract
本发明提供了一种基于多能互补的电网能量供应方法及系统,所述方法的步骤包括:获取目的地区的能源消耗数据,基于能源消耗数据构建目的地区每个历史时间段的能源消耗图;获取预设个数的能源消耗图,基于多个能源消耗图中每个像素格的像素值计算每个像素格的预测像素值,构建预测能耗图,基于预测能耗图计算所述目的地区在预测时段所需的总电能;将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率,基于所述第一预计功率计算第一电能,获取第二电能,基于第一电能、第二电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划。本方案对多种能源的供应同时进行规划。
Description
技术领域
本发明涉及能源供给技术领域,尤其涉及一种基于多能互补的电网能量供应方法及系统。
背景技术
电能是现代工业生产的主要能源和动力。它既易于由其他形式的能量转换而来,又易于转换为其他形式的能量以供应用;它的输送和分配既简单经济,又便于控制、调节和测量,有利于实现生产过程的自动化。因此,电能在现代工业和人民生活中的应用极为广泛。
随着电能消耗的持续增大,对于一个地区所需的电能通常需要预先进行规划,现代的发电方式多种多样,常见的包括火力发电和风力发电等,现有技术通常为直接进行供电,缺少对多种供电方式的合理规划,容易造成能源的浪费。
因此,本领域亟需一种基于多能互补的电网能量供应方法及系统。
有鉴于此,提出本发明。
发明内容
本发明的目的在于提供一种基于多能互补的电网能量供应方法及系统,对多种能源的供应同时进行规划。
本发明提供了一种基于多能互补的电网能量供应方法,所述方法的步骤包括:
获取目的地区的能源消耗数据,所述能源消耗数据包括所述目的地区中任一个供电区域在每个历史时间段所消耗的电能,基于所述能源消耗数据构建目的地区每个历史时间段的能源消耗图,所述能源消耗图中相同位置的像素格均对应目的地区中的同一供电区域;
获取预设个数的能源消耗图,基于多个所述能源消耗图中每个像素格的像素值计算每个像素格的预测像素值,基于每个像素格的预测像素值构建预测能耗图,基于所述预测能耗图计算所述目的地区在预测时段所需的总电能;
将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率,基于所述第一预计功率计算第一电能,获取储能设备存储的第二电能,基于第一电能、第二电能和所述目的地区在预测时段所需的总电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划。
采用上述方案,在本方案中首先通过能源消耗图中每个像素格的像素值计算预测像素值,对整个目的地区能源消耗情况进行细分,对每个细分的区域进行预测,提高对整体所需电能预测的准确度,再计算所述预测天气数据,由于如风力发电等方式成本较低,因此优先使用第一电能,再加上储能设备存储的第二电能,计算得到所需的第三电能,所述第三电能为可控能源发电功率,如火电等,由于成本较高最后计入,本方案能够精准预测整体所需电能,在此基础上对多种能源的供应情况进行规划,使管理人员对电网的供电有更好的预期,降低能源浪费。
进一步地,所述基于每个像素格的预测像素值构建预测能耗图的步骤包括:
获取预设个数的能源消耗图,提取所述预设个数的能源消耗图中相同位置像素格的像素值;
将同一位置的多个像素值构建为预设个数维度的能耗向量,将所述能耗向量输入到预设的第一预测模型中,输出对于该像素格对应的预测像素值;
基于每个像素格的预测像素值构建预测能耗图,基于所述预测能耗图计算所述目的地区在预测时段所需的总电能。
采用上述方案,本方案中将不同的能源消耗图中同一位置像素格的多个像素值构建为预设个数维度的能耗向量,通过第一预测模型得到每个位置像素格的预测像素值,使对目的地区整体能耗的预测细化为多个像素格,并通过细化像素格的像素值预测,降低整体预测的误差,进而提高整体预测的精准度。
优选地,所述电能与像素值设置有对照表,在所述对照表中,每个电能参数均对应一个像素值;
在基于所述能源消耗数据构建目的地区每个历史时间段的能源消耗图的步骤中,将每个所述供电区域对应一个像素格,基于所述对照表将所述供电区域所消耗的电能映射为所述像素格的像素值;
在基于所述预测能耗图计算所述目的地区在预测时段所需的总电能的步骤中,将所述预测能耗图中每个像素格的预测像素值通过所述对照表映射为电能参数,基于映射得到的所有电能参数相加得到所述目的地区在预测时段所需的总电能。
采用上述方案,若将电能参数数值直接记载则保密性较差,本方案中目的地区每个历史时间段的能源消耗情况均记载为能源消耗图,增加了数据的安全性,且本方案中进行数据预测的工作人员仅通过像素值进行计算,进行数据预测的工作人员不需要接触真实数据,进一步提高数据安全性。
进一步地,所述历史天气数据包括每个历史时间段的风力数据,所述第一预计功率包括风电预计功率,将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率的步骤包括:
计算每个历史时间段的风力数据平均值,将多个所述风力数据平均值组合为历史风力向量,将所述历史风力向量输入到预设的第二预测模型中,得到预测风力数据,基于所述预测风力数据计算风电预计功率。
进一步地,在基于所述预测风力数据计算风电预计功率的步骤中,根据如下公式计算风电预计功率;
;
其中,为风电预计功率、/>表示风电机组额定功率、/>为切入风速、为切出风速、/>为风电机组的额定风速、/>表示预测风力数据。
进一步地,所述方法的步骤还包括:
基于所述历史天气数据中每个历史时间段的风力数据,提取每个历史时间段的风力数据的上限值和下限值;
根据历史时间段与所述预测时段的时间距离为多个历史时间段赋予不同的权重参数;
基于历史时间段的权重参数分别计算多个上限值的加权平均值和多个下限值的加权平均值;
基于所述多个上限值的加权平均值和多个下限值的加权平均值构建预测范围。
采用上述方案,由于距离预测时段的时间较近的历史数据更具有参考性,因此,本方案中为距离预测时段的时间较近的历史数据赋予更高的权重,准确计算预测范围。
优选地,在将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率的步骤中,
若所述第二预测模型输出的预测天气数据大于所述预测范围的上限值,则将所述预测范围的上限值作为预测天气数据计算第一预计功率;
若所述第二预测模型输出的预测天气数据小于所述预测范围的下限值,则将所述预测范围的下限值作为预测天气数据计算第一预计功率。
采用上述方案,本申请通过预测范围对第一预计功率进行限定,进一步保证第一预计功率的精度。
进一步地,在基于第一电能、第二电能和所述目的地区在预测时段所需的总电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划的步骤中,将所述预测时段所需的总电能减去所述第一电能与第二电能的和,得到第三电能,由所述第一电能、第二电能和第三电能构成供电计划。
采用上述方案,所述第一电能为风电或光电设备产生的电能,成本最低,第二电能为储能设备预存的电能,如通过预先蓄水当需要供电时将水放出发电的方式,成本同样较低,第三电能为可控能源发电功率,如火电,成本较高,最后计入,则本申请的供电计划综合考虑了多种供电方式,且能得到成本较低的供电方案。
优选地,所述第一预测模型和第二预测模型均为预先完成训练的长短期记忆网络模型。
本发明还提供一种基于多能互补的电网能量供应系统,所述系统包括:
能耗统计模块,用于获取目的地区的能源消耗数据,所述能源消耗数据包括所述目的地区中任一个供电区域在每个历史时间段所消耗的电能,基于所述能源消耗数据构建目的地区每个历史时间段的能源消耗图,所述能源消耗图中相同位置的像素格均对应目的地区中的同一供电区域;
能耗预测模块,用于获取预设个数的能源消耗图,基于多个所述能源消耗图中每个像素格的像素值计算每个像素格的预测像素值,基于每个像素格的预测像素值构建预测能耗图,基于所述预测能耗图计算所述目的地区在预测时段所需的总电能;
供电计划计算模块,用于将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率,基于所述第一预计功率计算第一电能,获取储能设备存储的第二电能,基于第一电能、第二电能和所述目的地区在预测时段所需的总电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划。
综上所述,本发明具有以下有益效果:
在本方案中首先通过能源消耗图中每个像素格的像素值计算预测像素值,对整个目的地区能源消耗情况进行细分,对每个细分的区域进行预测,提高对整体所需电能预测的准确度,再计算所述预测天气数据,由于如风力发电等方式成本较低,因此优先使用第一电能,再加上储能设备存储的第二电能,计算得到所需的第三电能,所述第三电能为可控能源发电功率,如火电等,由于成本较高最后计入,本方案能够精准预测整体所需电能,在此基础上对多种能源的供应情况进行规划,使管理人员对电网的供电有更好的预期,降低能源浪费;
本方案中将不同的能源消耗图中同一位置像素格的多个像素值构建为预设个数维度的能耗向量,通过第一预测模型得到每个位置像素格的预测像素值,使对目的地区整体能耗的预测细化为多个像素格,并通过细化像素格的像素值预测,降低整体预测的误差,进而提高整体预测的精准度;
若将电能参数数值直接记载则保密性较差,本方案中目的地区每个历史时间段的能源消耗情况均记载为能源消耗图,增加了数据的安全性,且本方案中进行数据预测的工作人员仅通过像素值进行计算,进行数据预测的工作人员不需要接触真实数据,进一步提高数据安全性;
本申请通过预测范围对第一预计功率进行限定,进一步保证第一预计功率的精度。
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为本发明基于多能互补的电网能量供应方法一种实施方式的示意图;
图2为本发明基于多能互补的电网能量供应方法另一种实施方式的示意图;
图3为本发明基于多能互补的电网能量供应方法再一种实施方式的示意图;
图4为本发明基于多能互补的电网能量供应系统一种实施方式的示意图。
实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
如图1所示,本发明提供了一种基于多能互补的电网能量供应方法,所述方法的步骤包括:
步骤S100,获取目的地区的能源消耗数据,所述能源消耗数据包括所述目的地区中任一个供电区域在每个历史时间段所消耗的电能,基于所述能源消耗数据构建目的地区每个历史时间段的能源消耗图,所述能源消耗图中相同位置的像素格均对应目的地区中的同一供电区域;
在具体实施过程中,每个所述供电区域在每个历史时间段所消耗的电能可以通过该供电区域的变压器进行统计计算;
在具体实施过程中,每个所述历史时间段的时间长度可以为一天、一周或一小时。
在具体实施过程中,所述能源消耗图包括多个像素格,每个像素格均对应目的地区的一个供电区域。
步骤S200,获取预设个数的能源消耗图,基于多个所述能源消耗图中每个像素格的像素值计算每个像素格的预测像素值,基于每个像素格的预测像素值构建预测能耗图,基于所述预测能耗图计算所述目的地区在预测时段所需的总电能;
在具体实施过程中,所述预测能耗图的像素格个数与能源消耗图相等。
步骤S300,将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率,基于所述第一预计功率计算第一电能,获取储能设备存储的第二电能,基于第一电能、第二电能和所述目的地区在预测时段所需的总电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划。
在具体实施过程中,所述历史天气数据包括每个历史时间段的风力数据和光强数据等。
在具体实施过程中,在基于所述预测天气数据计算第一预计功率的步骤中,可以通过发电风机或太阳能板自身的参数计算得到。
在具体实施过程中,在基于所述第一预计功率计算第一电能的步骤中,基于第一预计功率和预测时段的时间长度得到第一电能,所述第一电能、第二电能和第三电能的单位均为KWh。
采用上述方案,在本方案中首先通过能源消耗图中每个像素格的像素值计算预测像素值,对整个目的地区能源消耗情况进行细分,对每个细分的区域进行预测,提高对整体所需电能预测的准确度,再计算所述预测天气数据,由于如风力发电等方式成本较低,因此优先使用第一电能,再加上储能设备存储的第二电能,计算得到所需的第三电能,所述第三电能为可控能源发电功率,如火电等,由于成本较高最后计入,本方案能够精准预测整体所需电能,在此基础上对多种能源的供应情况进行规划,使管理人员对电网的供电有更好的预期,降低能源浪费。
如图2所示,在本发明一个优选的实施方式中,所述基于每个像素格的预测像素值构建预测能耗图的步骤包括:
步骤S210,获取预设个数的能源消耗图,提取所述预设个数的能源消耗图中相同位置像素格的像素值;
步骤S220,将同一位置的多个像素值构建为预设个数维度的能耗向量,将所述能耗向量输入到预设的第一预测模型中,输出对于该像素格对应的预测像素值;
在具体实施过程中,基于每个历史时间段与预测时段的时间距离,将多个像素值顺序排列,并作为所述能耗向量各个维度的参数。
步骤S230,基于每个像素格的预测像素值构建预测能耗图,基于所述预测能耗图计算所述目的地区在预测时段所需的总电能。
采用上述方案,本方案中将不同的能源消耗图中同一位置像素格的多个像素值构建为预设个数维度的能耗向量,通过第一预测模型得到每个位置像素格的预测像素值,使对目的地区整体能耗的预测细化为多个像素格,并通过细化像素格的像素值预测,降低整体预测的误差,进而提高整体预测的精准度。
在本发明一个优选的实施方式中,所述电能与像素值设置有对照表,在所述对照表中,每个电能参数均对应一个像素值;
在基于所述能源消耗数据构建目的地区每个历史时间段的能源消耗图的步骤中,将每个所述供电区域对应一个像素格,基于所述对照表将所述供电区域所消耗的电能映射为所述像素格的像素值;
在基于所述预测能耗图计算所述目的地区在预测时段所需的总电能的步骤中,将所述预测能耗图中每个像素格的预测像素值通过所述对照表映射为电能参数,基于映射得到的所有电能参数相加得到所述目的地区在预测时段所需的总电能。
采用上述方案,若将电能参数数值直接记载则保密性较差,本方案中目的地区每个历史时间段的能源消耗情况均记载为能源消耗图,增加了数据的安全性,且本方案中进行数据预测的工作人员仅通过像素值进行计算,进行数据预测的工作人员不需要接触真实数据,进一步提高数据安全性。
在具体实施过程中,所述历史天气数据包括每个历史时间段的风力数据,所述第一预计功率包括风电预计功率,将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率的步骤包括:
计算每个历史时间段的风力数据平均值,将多个所述风力数据平均值组合为历史风力向量,将所述历史风力向量输入到预设的第二预测模型中,得到预测风力数据,基于所述预测风力数据计算风电预计功率。
在具体实施过程中,在基于所述预测风力数据计算风电预计功率的步骤中,根据如下公式计算风电预计功率;
;
其中,为风电预计功率、/>表示风电机组额定功率、/>为切入风速、为切出风速、/>为风电机组的额定风速、/>表示预测风力数据。
如图3所示,在本发明一个优选的实施方式中,所述方法的步骤还包括:
步骤S410,基于所述历史天气数据中每个历史时间段的风力数据,提取每个历史时间段的风力数据的上限值和下限值;
步骤S420,根据历史时间段与所述预测时段的时间距离为多个历史时间段赋予不同的权重参数;
在具体实施过程中,计算每个历史时间段与预测时段的时间距离,再通过预设的对照表得到该时间距离对应的权重参数。
步骤S430,基于历史时间段的权重参数分别计算多个上限值的加权平均值和多个下限值的加权平均值;
步骤S440,基于所述多个上限值的加权平均值和多个下限值的加权平均值构建预测范围。
在具体实施过程中,所述多个上限值的加权平均值为预测范围的上限值;所述多个下限值的加权平均值为预测范围的下限值。
采用上述方案,由于距离预测时段的时间较近的历史数据更具有参考性,因此,本方案中为距离预测时段的时间较近的历史数据赋予更高的权重,准确计算预测范围。
在本发明一个优选的实施方式中,在将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率的步骤中,
步骤S450,若所述第二预测模型输出的预测天气数据大于所述预测范围的上限值,则将所述预测范围的上限值作为预测天气数据计算第一预计功率;
步骤S460,若所述第二预测模型输出的预测天气数据小于所述预测范围的下限值,则将所述预测范围的下限值作为预测天气数据计算第一预计功率。
在具体实施过程中,同时构建基于风力数据和光强数据的预测范围,分别对比;若历史天气数据仅为风力数据或光强数据,则只需计算风力数据和光强数据的预测范围,并对应进行对比。
采用上述方案,本申请通过预测范围对第一预计功率进行限定,进一步保证第一预计功率的精度。
在具体实施过程中,在基于第一电能、第二电能和所述目的地区在预测时段所需的总电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划的步骤中,将所述预测时段所需的总电能减去所述第一电能与第二电能的和,得到第三电能,由所述第一电能、第二电能和第三电能构成供电计划。
采用上述方案,所述第一电能为风电或光电设备产生的电能,成本最低,第二电能为储能设备预存的电能,如通过预先蓄水当需要供电时将水放出发电的方式,成本同样较低,第三电能为可控能源发电功率,如火电,成本较高,最后计入,则本申请的供电计划综合考虑了多种供电方式,且能得到成本较低的供电方案。
在具体实施过程中,所述第一预测模型和第二预测模型均为预先完成训练的长短期记忆网络模型(LSTM,Long Short-Term Memory)。
如图4所示,本发明还提供一种基于多能互补的电网能量供应系统,所述系统包括:
能耗统计模块,用于获取目的地区的能源消耗数据,所述能源消耗数据包括所述目的地区中任一个供电区域在每个历史时间段所消耗的电能,基于所述能源消耗数据构建目的地区每个历史时间段的能源消耗图,所述能源消耗图中相同位置的像素格均对应目的地区中的同一供电区域;
能耗预测模块,用于获取预设个数的能源消耗图,基于多个所述能源消耗图中每个像素格的像素值计算每个像素格的预测像素值,基于每个像素格的预测像素值构建预测能耗图,基于所述预测能耗图计算所述目的地区在预测时段所需的总电能;
供电计划计算模块,用于将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率,基于所述第一预计功率计算第一电能,获取储能设备存储的第二电能,基于第一电能、第二电能和所述目的地区在预测时段所需的总电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划。
采用上述方案,在本系统首先通过能源消耗图中每个像素格的像素值计算预测像素值,对整个目的地区能源消耗情况进行细分,对每个细分的区域进行预测,提高对整体所需电能预测的准确度,再计算所述预测天气数据,由于如风力发电等方式成本较低,因此优先使用第一电能,再加上储能设备存储的第二电能,计算得到所需的第三电能,所述第三电能为可控能源发电功率,如火电等,由于成本较高最后计入,本方案能够精准预测整体所需电能,在此基础上对多种能源的供应情况进行规划,使管理人员对电网的供电有更好的预期,降低能源浪费。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述基于网络架构搜索的模型构建方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体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。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于多能互补的电网能量供应方法,其特征在于,所述方法的步骤包括:
获取目的地区的能源消耗数据,所述能源消耗数据包括所述目的地区中任一个供电区域在每个历史时间段所消耗的电能,基于所述能源消耗数据构建目的地区每个历史时间段的能源消耗图,所述电能与像素值设置有对照表,在所述对照表中,每个电能参数均对应一个像素值,将每个所述供电区域对应一个像素格,基于所述对照表将所述供电区域所消耗的电能映射为所述像素格的像素值,所述能源消耗图中相同位置的像素格均对应目的地区中的同一供电区域;
获取预设个数的能源消耗图,提取所述预设个数的能源消耗图中相同位置像素格的像素值,将同一位置的多个像素值构建为预设个数维度的能耗向量,将所述能耗向量输入到预设的第一预测模型中,输出对于该像素格对应的预测像素值,基于每个像素格的预测像素值构建预测能耗图,将所述预测能耗图中每个像素格的预测像素值通过所述对照表映射为电能参数,基于映射得到的所有电能参数相加得到所述目的地区在预测时段所需的总电能;
将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率,基于所述第一预计功率计算第一电能,获取储能设备存储的第二电能,基于第一电能、第二电能和所述目的地区在预测时段所需的总电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划,所述第一预测模型和第二预测模型均为预先完成训练的长短期记忆网络模型。
2.根据权利要求1所述的基于多能互补的电网能量供应方法,其特征在于,所述历史天气数据包括每个历史时间段的风力数据,所述第一预计功率包括风电预计功率,将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率的步骤包括:
计算每个历史时间段的风力数据平均值,将多个所述风力数据平均值组合为历史风力向量,将所述历史风力向量输入到预设的第二预测模型中,得到预测风力数据,基于所述预测风力数据计算风电预计功率。
3.根据权利要求2所述的基于多能互补的电网能量供应方法,其特征在于,在基于所述预测风力数据计算风电预计功率的步骤中,根据如下公式计算风电预计功率;;
其中,为风电预计功率、/>表示风电机组额定功率、/>为切入风速、/>为切出风速、/>为风电机组的额定风速、/>表示预测风力数据。
4.根据权利要求1所述的基于多能互补的电网能量供应方法,其特征在于,所述方法的步骤还包括:
基于所述历史天气数据中每个历史时间段的风力数据,提取每个历史时间段的风力数据的上限值和下限值;
根据历史时间段与所述预测时段的时间距离为多个历史时间段赋予不同的权重参数;
基于历史时间段的权重参数分别计算多个上限值的加权平均值和多个下限值的加权平均值;
基于所述多个上限值的加权平均值和多个下限值的加权平均值构建预测范围。
5.根据权利要求4所述的基于多能互补的电网能量供应方法,其特征在于,在将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率的步骤中,
若所述第二预测模型输出的预测天气数据大于所述预测范围的上限值,则将所述预测范围的上限值作为预测天气数据计算第一预计功率;
若所述第二预测模型输出的预测天气数据小于所述预测范围的下限值,则将所述预测范围的下限值作为预测天气数据计算第一预计功率。
6.根据权利要求1所述的基于多能互补的电网能量供应方法,其特征在于,在基于第一电能、第二电能和所述目的地区在预测时段所需的总电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划的步骤中,将所述预测时段所需的总电能减去所述第一电能与第二电能的和,得到第三电能,由所述第一电能、第二电能和第三电能构成供电计划。
7.一种基于多能互补的电网能量供应系统,其特征在于,所述系统包括:
能耗统计模块,用于获取目的地区的能源消耗数据,所述能源消耗数据包括所述目的地区中任一个供电区域在每个历史时间段所消耗的电能,基于所述能源消耗数据构建目的地区每个历史时间段的能源消耗图,所述电能与像素值设置有对照表,在所述对照表中,每个电能参数均对应一个像素值,将每个所述供电区域对应一个像素格,基于所述对照表将所述供电区域所消耗的电能映射为所述像素格的像素值,所述能源消耗图中相同位置的像素格均对应目的地区中的同一供电区域;
能耗预测模块,用于获取预设个数的能源消耗图,提取所述预设个数的能源消耗图中相同位置像素格的像素值,将同一位置的多个像素值构建为预设个数维度的能耗向量,将所述能耗向量输入到预设的第一预测模型中,输出对于该像素格对应的预测像素值,基于每个像素格的预测像素值构建预测能耗图,将所述预测能耗图中每个像素格的预测像素值通过所述对照表映射为电能参数,基于映射得到的所有电能参数相加得到所述目的地区在预测时段所需的总电能;
供电计划计算模块,用于将历史天气数据输入到预设的第二预测模型中得到预测天气数据,基于所述预测天气数据计算第一预计功率,基于所述第一预计功率计算第一电能,获取储能设备存储的第二电能,基于第一电能、第二电能和所述目的地区在预测时段所需的总电能计算第三电能,基于第一电能、第二电能和第三电能得到供电计划,所述第一预测模型和第二预测模型均为预先完成训练的长短期记忆网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286687.9A CN116488141B (zh) | 2023-03-22 | 2023-03-22 | 一种基于多能互补的电网能量供应方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286687.9A CN116488141B (zh) | 2023-03-22 | 2023-03-22 | 一种基于多能互补的电网能量供应方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116488141A CN116488141A (zh) | 2023-07-25 |
CN116488141B true CN116488141B (zh) | 2023-10-27 |
Family
ID=87224175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310286687.9A Active CN116488141B (zh) | 2023-03-22 | 2023-03-22 | 一种基于多能互补的电网能量供应方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116488141B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580549A (zh) * | 2019-09-02 | 2019-12-17 | 山东大学 | 一种考虑天气的区域短期能源功率预测方法及系统 |
CN111582943A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 基于cnn和lstm的电力系统负荷预测方法 |
CN112801115A (zh) * | 2021-01-26 | 2021-05-14 | 广西电网有限责任公司电力科学研究院 | 基于微电网源荷综合特性图像的电源波动控制方法及应用 |
KR20210114816A (ko) * | 2020-03-11 | 2021-09-24 | 가천대학교 산학협력단 | 부하이미지 프로파일 생성방법 |
CN114444757A (zh) * | 2021-12-06 | 2022-05-06 | 国能重庆风电开发有限公司 | 一种高原山地多模型多尺度新能源电站出力联合预测方法 |
CN114997488A (zh) * | 2022-05-27 | 2022-09-02 | 中国石油大学(北京) | 一种综合能源系统负荷预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9389630B2 (en) * | 2014-02-21 | 2016-07-12 | International Business Machines Corporation | Predictive smart grid re-structuring based on expected load and power generation |
-
2023
- 2023-03-22 CN CN202310286687.9A patent/CN116488141B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580549A (zh) * | 2019-09-02 | 2019-12-17 | 山东大学 | 一种考虑天气的区域短期能源功率预测方法及系统 |
KR20210114816A (ko) * | 2020-03-11 | 2021-09-24 | 가천대학교 산학협력단 | 부하이미지 프로파일 생성방법 |
CN111582943A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 基于cnn和lstm的电力系统负荷预测方法 |
CN112801115A (zh) * | 2021-01-26 | 2021-05-14 | 广西电网有限责任公司电力科学研究院 | 基于微电网源荷综合特性图像的电源波动控制方法及应用 |
CN114444757A (zh) * | 2021-12-06 | 2022-05-06 | 国能重庆风电开发有限公司 | 一种高原山地多模型多尺度新能源电站出力联合预测方法 |
CN114997488A (zh) * | 2022-05-27 | 2022-09-02 | 中国石油大学(北京) | 一种综合能源系统负荷预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
《基于特性指标降维的日负荷曲线聚类分析》;刘思 等;《电网技术》;第797-802页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116488141A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10443577B2 (en) | Systems and methods for improved wind power generation | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
JP6298465B2 (ja) | 電力管理装置、電力管理システム、サーバ、電力管理方法、プログラム | |
JP4064334B2 (ja) | エネルギーシステムの制御装置および制御方法 | |
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 | |
JP6543145B2 (ja) | ピーク電力予測装置、電力管理システム及びピーク電力予測方法 | |
US20200387847A1 (en) | Operation Plan Generation Device and Operation Plan Generation Method | |
CN109461091B (zh) | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 | |
CN103810542A (zh) | 风电场风功率预测系统及实现方法 | |
US20220376499A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
JP6122364B2 (ja) | 電力制御装置、電力制御方法及び電力制御プログラム | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
JP6042775B2 (ja) | 制御装置、プログラム | |
CN116488141B (zh) | 一种基于多能互补的电网能量供应方法及系统 | |
Cho et al. | Three-stage robust unit commitment considering decreasing uncertainty in wind power forecasting | |
JP2015149840A (ja) | エネルギーマネジメントシステム | |
KR20210026665A (ko) | 서버 | |
Pliuhin et al. | Smart Grid technologies as a concept of innovative energy development: initial proposals for the development of Ukraine | |
Gui et al. | Intra-day unit commitment for wind farm using model predictive control method | |
Doddamani et al. | A transition from manual to intelligent automated power system operation-a indicative review | |
CN205263860U (zh) | 一种基于遗传算法优化神经网络的风电功率预测系统 | |
Asif | Deep neural networks for future low carbon energy technologies: Potential, challenges and economic development | |
CN116894568B (zh) | 一种充电桩的碳排放综合管理预测方法及存储介质 | |
CN116187910B (zh) | 一种控温仓库容量配置方法、装置、电子设备及存储介质 | |
US20230402839A1 (en) | Energy management system with machine learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |