CN116542363A - 一种能碳预测方法及装置 - Google Patents
一种能碳预测方法及装置 Download PDFInfo
- Publication number
- CN116542363A CN116542363A CN202310312135.0A CN202310312135A CN116542363A CN 116542363 A CN116542363 A CN 116542363A CN 202310312135 A CN202310312135 A CN 202310312135A CN 116542363 A CN116542363 A CN 116542363A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- carbon
- simulation
- objects
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 147
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004088 simulation Methods 0.000 claims abstract description 239
- 238000010168 coupling process Methods 0.000 claims abstract description 168
- 238000005859 coupling reaction Methods 0.000 claims abstract description 168
- 230000008878 coupling Effects 0.000 claims abstract description 163
- 238000004364 calculation method Methods 0.000 claims abstract description 125
- 230000003287 optical effect Effects 0.000 claims description 26
- 238000004146 energy storage Methods 0.000 claims description 14
- 230000007774 longterm Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种能碳预测方法及装置。该能碳预测方法包括:采集预测对象的运行数据;将至少部分预测对象匹配至少两种预测模型,对匹配到预测模型的预测对象的运行数据进行预测计算,得到至少两种预测初始数据;将预测初始数据输入至仿真模型进行耦合仿真,得到至少两种仿真数据;其中,耦合仿真能够实现至少两种预测对象之间的耦合联动;对仿真数据和预测初始数据进行博弈计算,得到博弈结果,将博弈结果作为预测对象的预测结果。本发明实施例的技术方案可提高能碳预测的精准度,有利于优化双碳工作,且可提高双碳工作的效率。
Description
技术领域
本发明涉及双碳技术领域,尤其涉及一种能碳预测方法及装置。
背景技术
双碳是一个复杂且长期的任务,为了应对双碳挑战,科学实现碳达峰和碳中和,需要各专业、各领域岗位通力协作,以对双碳工作进行统筹优化管理,满足双碳各项工作和各方多层次多维度的需求。然而,现有的能碳预测方法在对不同能碳系统的多个对象进行预测时,受多方面因素的影响,且各对象之间相互耦合,预测难度大、精度低。因此,现有的能碳预测方法无法保证能碳预测的精度,从而影响双碳工作的调控优化。
发明内容
本发明提供了一种能碳预测方法及装置,以降低能碳预测难度,提高能碳预测精度,优化双碳工作。
根据本发明的一方面,提供了一种能碳预测方法,应用于至少两种预测对象,所述能碳预测方法包括:
采集所述预测对象的运行数据;
将至少部分所述预测对象匹配至少两种预测模型,对匹配到预测模型的所述预测对象的运行数据进行预测计算,得到至少两种预测初始数据;
将所述预测初始数据输入至仿真模型进行耦合仿真,得到至少两种耦合仿真数据;其中,所述耦合仿真能够实现所述至少两种预测对象之间的耦合联动;
对所述耦合仿真数据和所述预测初始数据进行博弈计算,得到博弈结果,将所述博弈结果作为所述预测对象的预测结果。
可选地,若全部所述预测对象均匹配到预测模型,则将所述预测初始数据输入至仿真模型进行耦合仿真的具体方法包括:
将除了所述第i种预测对象以外的其他所述预测对象的所述预测初始数据代入所述仿真模型,得到第i种预测对象的耦合仿真数据;
将i取1~N,重复执行上述步骤得到各所述预测对象的耦合仿真数据,其中,N为预测对象的数量。
可选地,所述博弈计算的方法包括熵权法。
可选地,所述博弈计算的方法具体包括:
为所述预测初始数据和所述耦合仿真数据分配权重;
根据各自的权重,将所述预测对象的预测初始数据和所述耦合仿真数据进行叠加权重求和,得到所述博弈结果。
可选地,若部分所述预测对象未匹配到预测模型,则对所述预测对象进行仿真和博弈计算的具体方法包括:
将未匹配到预测模型的预测对象以外的其他预测对象的所述预测初始数据代入所述仿真模型,得到所述未匹配到预测模型的预测对象的耦合仿真数据;其中,所述其他预测对象的所述预测初始数据为至少两种,分别代入所述仿真模型得到的耦合仿真数据的数量为至少两种;
为各所述耦合仿真数据分配权重;
根据各自的权重,将各所述耦合仿真数据求和,得到所述博弈结果。
可选地,在执行预测计算的步骤之前,还包括:
获取所述预测对象的影响因素数据,以在执行预测计算的步骤之时,还将所述影响因素数据作为考虑因素进行预测计算。
可选地,所述影响因素数据包括以下至少一种:自然因素数据、系统工作状态数据、检修数据和调控数据。
可选地,在执行耦合仿真的步骤之前,还包括:
获取所述预测对象的干预数据,以在执行耦合仿真的步骤之时,基于所述干预数据对仿真参数进行调整;
和/或,在执行博弈计算之前,还包括:
获取所述预测对象的干预数据,以在执行博弈计算的步骤之时,基于所述干预数据对博弈参数进行调整。
可选地,所述干预数据包括:调控数据。
可选地,在执行博弈计算的步骤之后,还包括:
将所述博弈结果与往期相同时间段的运行数据进行比对;
根据比对结果对博弈参数进行调整。
可选地,所述预测模型根据时间尺度划分,包括以下至少一种:实时、超短期、短期、中期、中长期和长期。
可选地,在执行博弈计算的步骤之后,还包括:
将所述至少一种预测对象的博弈结果进行输出展示。
可选地,在执行耦合仿真的步骤之前,还包括:
获取部分或全部所述预测对象的仿真目标参数;
根据所述仿真模型并基于所述仿真目标参数,计算仿真数据。
可选地,应用于以下系统中的至少一种:综合能源系统、零碳系统和虚拟电厂系统。
可选地,所述预测对象包括以下至少一种:光功率预测、风电预测、储能预测、碳排预测、电负荷预测、冷负荷预测、热负荷预测、充电预测和用能成本预测。
根据本发明的另一方面,提供了一种能碳预测装置,包括:
运行数据采集模块,用于采集至少两种所述预测对象的运行数据;
预测计算模块,用于将至少部分所述预测对象匹配至少两种预测模型,对匹配到预测模型的所述预测对象的运行数据进行预测计算,得到至少两种预测初始数据;
耦合仿真模块,用于将所述预测初始数据输入至仿真模型进行耦合仿真,得到至少两种耦合仿真数据;其中,所述耦合仿真能够实现所述至少两种预测对象之间的耦合联动;
博弈计算模块,用于对所述耦合仿真数据和所述预测初始数据进行博弈计算,得到博弈结果,将所述博弈结果作为所述预测对象的预测结果。
本发明实施例的技术方案通过采集预测对象的运行数据,对于至少部分匹配到预测模型的预测对象,利用与预测对象匹配的至少两种预测模型,对运行数据进行预测计算,得到至少两种预测初始数据。将其他预测对象的至少两种预测初始数据输入仿真模型,通过耦合仿真计算可得到预测对象的至少两种耦合仿真数据。本发明实施例提供的能碳预测方法还根据至少两种耦合仿真数据以及各预测初始数据进行博弈计算,从而得到最优的博弈结果,作为预测对象的能碳预测结果。由此可见,本发明实施例实现了对多个预测对象的耦合仿真和博弈计算,通过耦合仿真能够在考虑各预测对象之间的耦合关系的基础上进行预测,通过博弈计算能够将预测对象自身的预测初始数据和预测对象之间的耦合仿真数据进行二次计算,得到最优的预测结果,从而提高了能碳预测的精准度,有利于优化双碳工作。并且该能碳预测方法可同时对多个预测对象进行能碳预测,有效提高了双碳工作的效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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是根据本发明实施例提供的一种能碳预测方法的流程示意图;
图2是根据本发明实施例提供的一种能碳预测方法中步骤S130的具体流程示意图;
图3是根据本发明实施例提供的一种能碳预测方法中步骤S140的具体流程示意图;
图4是根据本发明实施例提供的又一种能碳预测方法中步骤S130和步骤S140的具体流程示意图;
图5是根据本发明实施例提供的又一种能碳预测方法的流程示意图;
图6是根据本发明实施例提供的又一种能碳预测方法的流程示意图;
图7是根据本发明实施例提供的又一种能碳预测方法的流程示意图;
图8是根据本发明实施例提供的一种能碳预测装置的结构示意图;
图9是根据本发明实施例提供的又一种能碳预测装置的结构示意图;
图10是根据本发明实施例提供的又一种能碳预测装置的结构示意图;
图11是根据本发明实施例提供的又一种能碳预测装置的结构示意图;
图12是根据本发明实施例提供的又一种能碳预测装置的结构示意图;
图13是根据本发明实施例提供的又一种能碳预测装置的结构示意图;
图14是根据本发明实施例提供的一种电子设备的结构示意图。
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上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供一种能碳预测方法。本发明实施例对能碳预测方法的应用范围不作限制,示例性地,可以应用于综合能源系统、零碳系统和虚拟电厂系统中的至少一种。
该能碳预测方法可以由能碳预测装置来执行,该能碳预测装置可以采用硬件和/或软件的形式实现,该能碳预测装置可以集成于计算机、服务器等电子设备中。
图1为本发明实施例提供的一种能碳预测方法的流程示意图。如图1所示,该能碳预测方法具体包括如下步骤:
S110、采集预测对象的运行数据。
其中,根据预测对象的不同,该运行数据也不尽相同。示例性地,预测对象可以包括光功率预测、风电预测、储能预测、碳排预测、电负荷预测、冷负荷预测、热负荷预测、充电预测和用能成本预测中的至少一种。该能碳预测方法适用于对多个预测对象进行能碳预测的情况。
具体地,运行数据可以包括各预测对象在一定时间范围内的历史运行数据和当前运行状态下的实时运行数据。以其中一种预测对象为光功率预测为例,采集预测对象的运行数据即为采集光伏系统发电功率的历史运行数据和实时运行数据。
可选地,在采集到各项运行数据之后,还包括对各项运行数据进行归一化处理,以统一口径。这样设置,有利于后续的预测计算。
S120、将至少部分预测对象匹配至少两种预测模型,对匹配到预测模型的预测对象的运行数据进行预测计算,得到至少两种预测初始数据。
具体地,在模型库中,存储有多种预测对象的多种预测模型,因此,根据不同的预测对象可相应匹配至少两种预测模型。预测模型能够根据输入的运行数据对预测对象进行预测,得到初始预测数据。仍以其中一种预测对象为光功率预测为例,从模型库中匹配用于光功率预测的多种预测模型,分别利用每一种预测模型对光功率的运行数据进行预测计算,从而相应得到多种光功率的预测初始数据。然而,由于对某些预测对象的预测较为复杂,也可能存在某些预测对象无法在模型库中匹配到相应的预测模型的情况。对于未匹配到预测模型的预测对象,则不进行预测计算,可通过后续仿真博弈过程进行计算得到。
在一种情况下,不同的预测模型在不同的预测工况下的预测精准度不同,因此,在模型库中的多种预测模型可以根据不同的工况进行分类。在另一种情况下,不同的预测模型可以分别采用不同的预测方法,这些预测方法的预测精准度可能相同,因此,在模型库中的多种预测模型可以根据不同的预测方法进行分类。利用各预测模型依次对该预测对象的运行数据进行预测计算,从而得到该预测对象的多种预测初始数据。
S130、将预测初始数据输入至仿真模型进行耦合仿真,得到至少两种耦合仿真数据;其中,耦合仿真能够实现至少两种预测对象之间的耦合联动。
具体地,在模型库中还存储有仿真模型,该仿真模型为多输入多输出结构,即输入变量可以为一个或多个,输出结果可以为一个或多个。示例性地,对于多个预测对象,各预测对象之间存在耦合关系,通过耦合仿真计算能够更准确地得到各预测对象的仿真数据。以预测对象包括A预测对象、B预测对象和C预测对象为例,各预测对象均匹配到相应的预测模型,得到A预测对象的预测初始数据、B预测对象的预测初始数据和C预测对象的预测初始数据。将B预测对象的预测初始数据和C预测对象的预测初始数据输入仿真模型,计算得到A预测对象的耦合仿真数据;将A预测对象的预测初始数据和C预测对象的预测初始数据输入仿真模型,计算得到B预测对象的耦合仿真数据;以此类推,实现A预测对象、B预测对象和C预测对象的耦合仿真。
在另一种情况下,A预测对象没有匹配到对应的预测模型,则仅将B预测对象的预测初始数据和C预测对象的预测初始数据输入仿真模型,计算得到A预测对象的耦合仿真数据。
S140、对耦合仿真数据和预测初始数据进行博弈计算,得到博弈结果,将博弈结果作为预测对象的预测结果。
具体地,对耦合仿真数据和预测初始数据进行博弈计算,即对计算得到的各耦合仿真数据和根据不同预测模型得到的预测初始数据进行分析比较,将耦合仿真数据和预测初始数据按照一定的比例权重,计算得到最优的博弈结果,从而得到最终的预测结果。
示例性地,博弈计算的方法包括熵权法。以预测对象包括A预测对象、B预测对象和C预测对象,对C预测对象计算预测结果为例,若每种预测对象均可在模型库中匹配到两种预测模型,则利用C预测对象的两种预测模型进行预测计算得到两种预测初始数据,分别为a预测初始数据和b预测初始数据。在进行耦合仿真时,利用A预测对象的其中一种预测初始数据和B预测对象的其中一种预测初始数据输入仿真模型,计算得到关于C预测对象的C1耦合仿真数据;利用A预测对象的另一种预测初始数据和B预测对象的另一种预测初始数据输入仿真模型,计算得到关于C预测对象的C2耦合仿真数据。在进行博弈计算时,需对C预测对象的a预测初始数据和b预测初始数据以及C1耦合仿真数据和C2耦合仿真数据分配相应的权重,以计算得到博弈结果。
在另一种情况下,A预测对象没有匹配到对应的预测模型,则仅将B预测对象的预测初始数据和C预测对象的预测初始数据输入仿真模型,计算得到A预测对象的耦合仿真数据。B预测对象和C预测对象均可在模型库中匹配到两种预测模型,则利用B预测对象的两种预测模型进行预测计算得到两种预测初始数据;利用C预测对象的两种预测模型进行预测计算得到两种预测初始数据。在进行耦合仿真时,利用B预测对象的其中一种预测初始数据和C预测对象的其中一种预测初始数据输入仿真模型,计算得到关于A预测对象的A1耦合仿真数据;利用B预测对象的另一种预测初始数据和C预测对象的另一种预测初始数据输入仿真模型,计算得到关于A预测对象的A2耦合仿真数据。在进行博弈计算时,需对A预测对象的A1耦合仿真数据和A2耦合仿真数据分配相应的权重,以计算得到博弈结果。
本实施例的技术方案通过采集预测对象的运行数据,对于至少部分匹配到预测模型的预测对象,利用与预测对象匹配的至少两种预测模型,对运行数据进行预测计算,得到至少两种预测初始数据。将其他预测对象的至少两种预测初始数据输入仿真模型,通过耦合仿真计算可得到预测对象的至少两种耦合仿真数据。本实施例提供的能碳预测方法还根据至少两种耦合仿真数据以及各预测初始数据进行博弈计算,从而得到最优的博弈结果,作为预测对象的能碳预测结果。由此可见,本实施例实现了对多个预测对象的耦合仿真和博弈计算,通过耦合仿真能够在考虑各预测对象之间的耦合关系的基础上进行预测,通过博弈计算能够将预测对象自身的预测初始数据和预测对象之间的耦合仿真数据进行二次计算,得到最优的预测结果,从而提高了能碳预测的精准度,有利于优化双碳工作。并且该能碳预测方法可同时对多个预测对象进行能碳预测,有效提高了双碳工作的效率。
可选地,图2是本发明实施例提供的一种能碳预测方法中步骤S130的具体流程示意图。在上述实施例的基础上,如图2所示,若全部预测对象均匹配到预测模型,则步骤S130具体包括:
S1301、令i=1。
S1302、将除了第i种预测对象以外的其他预测对象的预测初始数据代入仿真模型,得到第i种预测对象的耦合仿真数据。
具体地,将其他预测对象的预测初始数据作为输入值,输入仿真模型中,计算第i种预测对象的耦合仿真数据,从而可使N种预测对象之间实现耦合联动。示例性地,仍以预测对象包括A预测对象、B预测对象和C预测对象为例。将A预测对象的预测初始数据和B预测对象的预测初始数据输入仿真模型,可计算得到C预测对象的耦合仿真数据。
S1303、将i+1,并判断i+1是否小于或等于N,若是,重复执行步骤S1302,得到各预测对象的耦合仿真数据;否则结束耦合仿真的步骤;其中,N为预测对象的数量。
具体地,对所有预测对象中的每一种预测对象进行上述耦合仿真计算,得到与每一预测对象对应的耦合仿真数据,从而完成仿真计算步骤。在之后的博弈计算中采用耦合仿真数据,可充分考虑各预测对象之间的耦合关系对能碳预测的影响,有利于提高能碳预测精准度。
示例性地,以预测对象的数量为3种,即N=3,以下是上述耦合仿真过程的一个可实现的实施例。例如:3种预测对象分别是A预测对象、B预测对象和C预测对象,且A预测对象为光功率预测,B预测对象为风电预测,C预测对象为储能预测。
当i=1时,对第1种预测对象(即光功率预测)进行耦合仿真计算的具体过程如下:首先,将风电预测的一种预测初始数据和储能预测的一种预测初始数据输入仿真模型,计算得到光功率预测的一种耦合仿真数据。之后将风电预测的另一种预测初始数据和储能预测的另一种预测初始数据输入仿真模型,计算得到光功率预测的另一种耦合仿真数据。
当i=2时,对第2种预测对象(即风电预测)进行耦合仿真计算的具体过程如下:首先,将光功率预测的一种预测初始数据和储能预测的一种预测初始数据输入仿真模型,计算得到风电预测的一种耦合仿真数据。之后将光功率预测的另一种预测初始数据和储能预测的另一种预测初始数据输入仿真模型,计算得到风电预测的另一种耦合仿真数据。
当i=3时,对第3种预测对象(即储能预测)进行耦合仿真计算过程与上述过程相同,在此不做赘述。再对i+1为4,大于预测对象的数量,因此,结束耦合仿真的步骤。
可选地,图3是本发明实施例提供的一种能碳预测方法中步骤S140的具体流程示意图。在上述各实施例的基础上,如图3所示,步骤S140具体包括:
S1401、为预测初始数据和耦合仿真数据分配权重。
具体地,对于多种预测对象,根据预测对象匹配的预测模型的预测精准度以及其他预测对象对进行能碳预测的预测对象的影响大小,合理设置预测对象自身和其他预测对象在计算能碳预测结果中所占的权重。示例性地,仍以预测对象包括光功率预测、风电预测和储能预测为例,各预测对象均可匹配到两种预测模型。当预测对象为光功率预测时,则在进行博弈计算前,需为光功率预测的各预测初始数据和耦合仿真数据进行权重分配,确定博弈计算的系数。示例性地,可设置a预测初始数据的权重为30%,b预测初始数据的权重为20%,a耦合仿真数据的权重为40%,b耦合仿真数据的权重为10%。其中,权重的分配可以根据不同的预测模型的预测精度确定,也可以根据经验确定,在实际应用中可以根据需要进行设定。
S1402、根据各自的权重,将预测对象的预测初始数据和耦合仿真数据进行叠加权重求和,得到博弈结果。
具体地,根据与预测对象匹配的不同预测模型在特定场景下的预测精准度,对预测对象的多种预测初始数据进行权重分配,对利用精准度较高的预测模型得到的预测初始数据分配较大的权重,对利用精准度较低的预测模型得到的预测初始数据分配较小的权重。根据确定的各预测初始数据的权重以及耦合仿真数据各自的权重,将预测对象的预测初始数据和一定权重的耦合仿真数据进行加和,从而可得到博弈结果。示例性地,仍以上一步骤中列举的预测对象包括光功率预测、风电预测和储能预测为例,其中,在对光功率预测进行博弈计算时,博弈结果=a预测初始数据×30%+b预测初始数据×20%+光功率预测的a耦合仿真数据×40%+b耦合仿真数据×10%。
基于各预测初始数据的权重以及耦合仿真数据所占的权重不同,计算得到的博弈结果也不同。因此,可通过调节各预测初始数据的权重和耦合仿真数据的权重,得到预测对象最优的能碳预测结果。
可选地,图4是本发明实施例提供的又一种能碳预测方法中步骤S130和步骤S140的具体流程示意图。在上述各实施例的基础上,如图4所示,若部分预测对象未匹配到预测模型,对所述预测对象进行仿真和博弈计算的具体方法包括如下步骤:
S131、将未匹配到预测模型的预测对象以外的其他预测对象的预测初始数据代入仿真模型,得到未匹配到预测模型的预测对象的耦合仿真数据;其中,其他预测对象的预测初始数据为至少两种,分别代入仿真模型得到的耦合仿真数据的数量为至少两种。
具体地,对于某些预测过程较复杂的预测对象,会存在无法由模型库中匹配到预测模型的情况,因此,该预测对象也无法进行预测计算得到预测初始数据。在这种情况下,可利用其他匹配到预测模型的预测对象计算的预测初始数据进行仿真计算,从而得到未匹配到预测模型的预测对象的耦合仿真数据。示例性地,以预测对象包括光功率预测、风电预测和负荷预测为例,且负荷预测未匹配到预测模型的情况为例。其中,光功率预测和风电预测通过预测计算得到的预测初始数据均为至少两种,在此均以两种预测初始数据进行说明。将光功率预测的一种预测初始数据和风电预测的一种预测初始数据输入仿真模型,得到负荷预测的a耦合仿真数据;将光功率预测的另一种预测初始数据和风电预测的另一种预测初始数据输入仿真模型,得到负荷预测的b耦合仿真数据。
S132、为各耦合仿真数据分配权重。
具体地,根据其他预测对象的预测模型在当前场景下的预测精度大小,设置各种耦合仿真数据在计算博弈结果时所占的权重,不同的权重影响各种耦合仿真数据在计算得到的博弈结果中的占比,从而影响最终得到的博弈结果。示例性地,以a耦合仿真数据采用的预测模型和b耦合仿真数据采用的预测模型在当前场景下的精度递减为例,则可为a耦合仿真数据分配60%的权重,为b耦合仿真数据分配40%的权重。
S133、根据各自的权重,将各耦合仿真数据求和,得到博弈结果。
具体地,根据各种自仿真数据,将一定权重的各耦合仿真数据加和得到相应的博弈结果。示例性地,仍以上一步骤中的权重举例为例,则光功率预测的博弈结果=a耦合仿真数据×60%+b耦合仿真数据×40%。需要说明的是,各耦合仿真数据分配的权重数值可根据实际需求自行设定,在此不作限制。
基于各耦合仿真数据不同的权重分配情况,可计算得到不同的博弈结果。因此,合理调节并设置权重可得到最优的博弈结果。
可选地,图5是本发明实施例提供的又一种能碳预测方法的流程示意图。在上述各实施例的基础上,如图5所示,该能碳预测方法包括:
S210、采集预测对象的运行数据,以及获取预测对象的影响因素数据。
具体地,预测对象的影响因素为影响对预测对象进行能碳预测的各种参数条件。示例性地,影响因素数据包括自然因素数据、系统工作状态数据、检修数据和调控数据中的至少一种。以预测对象为光功率预测为例,其影响因素可以包括太阳辐照数据、光伏系统工作状态以及光伏系统设备检修计划等因素。由于影响因素的变化,都会对预测对象进行能碳预测时得到的预测结果产生影响。因此,在对运行数据进行预测计算之前,先采集预测对象的各项影响因素数据,将影响因素考虑在内,从而可有效提高能碳预测的精准度。
S220、将至少部分预测对象匹配至少两种预测模型,对匹配到预测模型的预测对象的运行数据进行预测计算,得到至少两种预测初始数据。
S230、将预测初始数据输入至仿真模型进行耦合仿真,得到至少两种耦合仿真数据;其中,耦合仿真能够实现至少两种预测对象之间的耦合联动。
S240、对耦合仿真数据和预测初始数据进行博弈计算,得到博弈结果,将博弈结果作为预测对象的预测结果。
本实施例通过在进行预测计算前获取预测对象的影响因素数据,可在预测计算时将各项影响因素考虑在内,从而使计算得到的预测初始数据的精准度更高,以保证经后续耦合仿真计算和博弈计算得到的博弈结果的精准度较高,提高能碳预测的精准度。
可选地,图6是本发明实施例提供的又一种能碳预测方法的流程示意图。在上述各实施例的基础上,如图6所示,该能碳预测方法包括:
S310、采集预测对象的运行数据。
S320、将至少部分预测对象匹配至少两种预测模型,对匹配到预测模型的预测对象的运行数据进行预测计算,得到至少两种预测初始数据。
S330、获取预测对象的干预数据。
具体地,干预数据是对预测对象未来的能碳预测数据产生影响的数据。示例性地,干预数据包括:调控数据,即对预测对象的调控指令。干预数据可以来自系统应用,也可来自用户预先做好的规划、设计与计划等。例如,在虚拟电厂系统需求响应应用中,调控计划是预知的,则将调控计划输入至系统中,可大幅提高能碳预测的精准度。又如,在零碳系统应用中,已采集了碳排数据且已经实施了减碳措施数据,需进一步进行减碳时,可在考虑干预数据的情况下,假设输入设计的进一步减碳措施的调控指令,从而计算得到进一步实施减碳措施后能够达到的预测初始数据。通过获取预测对象的干预数据,可在耦合仿真计算时对仿真参数进行调整,从而得到准确性更高的仿真数据;或者,也可在博弈计算时对博弈参数进行调整,最终得到精准度较高的博弈结果。
S340、将预测初始数据输入至仿真模型进行耦合仿真,得到至少两种耦合仿真数据;其中,耦合仿真能够实现至少两种预测对象之间的耦合联动。
S350、对耦合仿真数据和预测初始数据进行博弈计算,得到博弈结果,将博弈结果作为预测对象的预测结果。
本实施例通过在耦合仿真计算和博弈计算前获取预测对象的干预数据,可将干预数据对能碳预测的影响考虑在内,从而为耦合仿真计算时的仿真参数以及博弈计算时的博弈参数的调整提供依据,可有效提高预测精准度。
可选地,在上述各实施例的基础上,通过该能碳预测方法得到博弈结果之后,还包括:
将博弈结果与往期相同时间段的运行数据进行比对,并根据比对结果对博弈参数进行调整。
具体地,在获得博弈结果后,可将博弈结果表示的预测数据与相同时间段的历史运行数据以及实时运行数据进行比对,以确定得到的预测数据与预测对象的在相同时间段的历史数据是否相符。
基于比对结果,可对博弈计算采用的博弈参数进行适应性的调整。示例性地,若比对结果表示得到的预测数据与相同时间段的历史数据相符,则表明设置的博弈参数合理,无需进行调整;若比对结果表示得到的预测数据与相同时间段的历史数据相差较大,表明需对博弈参数进行调整,以使得到的博弈结果符合历史数据的规律,使双碳工作稳定推进,提高能碳预测结果的精准度。
可选地,在上述各实施例的基础上,通过该能碳预测方法得到博弈结果之后,还包括:
将至少一种预测对象的博弈结果进行输出展示。
具体地,经博弈计算得到博弈结果后,可将预测对象的博弈结果输出至显示屏进行展示,以便掌握预测情况,并在博弈结果与历史运行数据不相符时,可对博弈参数进行及时调整,保证能碳预测的精准度。在输出博弈结果时,可同时输出一个或多个预测对象的博弈结果。并且博弈结果还可基于按照时间尺度划分的预测模型转变为多时间尺度的预测结果,从而输出所需的各时间尺度的一个或多个预测对象的预测结果。示例性地,预测模型根据时间尺度划分,包括以下至少一种:实时、超短期、短期、中期、中长期和长期。因此,预测对象的博弈结果也可转化为实时博弈结果、超短期博弈结果、短期博弈结果、中期博弈结果、中长期博弈结果和长期博弈结果,可根据实际需求输出相应的博弈结果。
可选地,图7是本发明实施例提供的又一种能碳预测方法的流程示意图。在上述各实施例的基础上,如图7所示,该能碳预测方法包括以下步骤:
S410、采集预测对象的运行数据。
S420、将至少部分预测对象匹配至少两种预测模型,对匹配到预测模型的预测对象的运行数据进行预测计算,得到至少两种预测初始数据。
S430、获取部分或全部预测对象的仿真目标参数。
具体地,仿真目标参数为预测对象需达到的减碳效果或碳排计划。需达到的减碳效果或减碳计划可以是由国家或政府制定的碳排计划。通过获取预测对象的仿真目标参数,可对预测初始数据进行反算。相比于利用预测对象的历史运行数据和实时运行数据正向计算得到的预测初始数据,无需收集数据以及建立模型,提高了预测工作的效率以及能碳预测精准度。示例性地,对于零碳系统的应用场景,获取到预测对象的仿真目标参数可以为减碳或碳排计划以及经济性指标等参数。
S440、根据仿真模型并基于仿真目标参数,计算仿真数据。
具体地,根据仿真模型,将仿真目标参数和预测初始数据均输入仿真模型进行仿真计算,得到仿真数据。
S450、将预测初始数据输入至仿真模型进行耦合仿真,得到至少两种耦合仿真数据;其中,耦合仿真能够实现至少两种预测对象之间的耦合联动。
S460、对耦合仿真数据和预测初始数据进行博弈计算,得到博弈结果,将博弈结果作为预测对象的预测结果。
本实施例通过获取预测对象的仿真目标参数,可根据仿真目标数据进行反算,得到的预测对象的预测初始数据精准度更高。并且无需额外获取预测对象的运行数据并建模,提高了能碳预测工作的效率。
上述各实施例所述的能碳预测方法可应用于综合能源系统、零碳系统和虚拟电厂系统。其中,综合能源系统是指在满足系统内多元化用能需求的同时,有效地提升能源利用效率,促进能源可持续发展的新型一体化的能源系统。该综合能源系统在一定区域内利用先进的物理信息技术和创新管理模式,整合区域内的煤炭、石油、天然气、电能和热能等多种能源,实现多种异质能源子系统之间的协调规划、优化运行、协同管理、交互响应和互补互济。综合能源系统特指在规划、建设和运行等过程中,通过对能源的产生、传输与分配、转换、存储、消费等环节进行有机协调与优化后,形成的能源产供销一体化系统。综合能源系统主要可以包括供能网络、能源交换环节、能源存储环节、终端综合能源供用单元和大量终端用户。示例性地,供能网络可以包括供电、供气、供冷和供热等网络;能源交换环节可以包括冷热电联产(Combined Cooling,Heating and Power,CCHP)机组、发电机组、锅炉、空调和热泵等;能源存储环节可以包括储电、储气、储冷和储热等;终端综合能源供用单元可以包括微网。
零碳系统是在一定范围内通过优化碳排管理和减碳操作等,在上述范围内实现一定时间周期的低碳甚至零碳的系统。示例性地,一定范围内可以包括一个或多个碳排单元,或者一个或多个减碳单元。
虚拟电厂系统是一种通过先进信息通信技术和软件系统,实现分布式电源(Distributed Generation,DG)、储能系统、可控负荷和电动汽车等分布式能源(distributed energy resources,DER)的聚合和协调优化,以作为一个特殊电场参与电力市场和电网运行的电源协调管理系统。虚拟电厂系统的关键技术主要包括协调控制技术、智能计量技术以及信息通信技术,最具吸引力的功能在于能够聚合DER参与电力市场和辅助服务市场运行,为配电网和输电网提供管理和辅助服务。虚拟电厂既可以作为“正电厂”向系统供电和调峰,又可以作为“负电厂”通过负荷侧响应以配合系统填谷。用电紧张时,虚拟电厂可以发挥正电厂的作用,从供给侧,聚合和优化分布式新能源、储能系统、电动汽车等分布式能源DER向电网供电,满足传统电力的负荷需求,同时还可以发挥负电厂的作用,从需求侧,协调可控负荷错峰用电,缓解电力供需紧张的问题。
本发明实施例还提供一种能碳预测装置。图8为本发明实施例提供的一种能碳预测装置的结构示意图。如图8所示,该能碳预测装置01包括:
运行数据采集模块100,用于采集至少两种预测对象的运行数据;
预测计算模块200,用于将至少部分预测对象匹配至少两种预测模型,对匹配到预测模型的预测对象的运行数据进行预测计算,得到至少两种预测初始数据;
耦合仿真模块300,用于将预测初始数据输入至仿真模型进行耦合仿真,得到至少两种仿真数据;其中,耦合仿真能够实现至少两种预测对象之间的耦合联动;
博弈计算模块400,用于对耦合仿真数据和预测初始数据进行博弈计算,得到博弈结果,将博弈结果作为预测对象的预测结果。
本发明实施例所提供的能碳预测装置可执行本发明任意实施例所提供的能碳预测法,具备执行方法相应的功能模块和有益效果。具体地,本实施例提供的能碳预测装置中还包括多模型库500,多模型库500中存储有多种预测模型和仿真模型,可与不同的预测对象进行匹配计算。运行数据采集模块100将采集到的至少两种预测对象的运行数据输出至预测计算模块200,预测计算模块200根据在多模型库500中匹配到的预测对象的预测模型,对运行数据进行预测计算,得到预测初始数据并输出至耦合仿真模块300。耦合仿真模块300根据仿真模型,建立预测对象之间的耦合关系,并对预测初始数据进行仿真计算,得到耦合仿真数据并输出至博弈计算模块400。博弈计算模块400基于耦合仿真数据和预测初始数据设置博弈参数,对仿真数据进行博弈计算,从而得到最优的能碳预测结果。
为进一步提高能碳预测的精准度,能碳预测装置还可增加其他功能模块,以获取与能碳预测相关的各种因素数据。因此,以下实施例将依次提供其他多种结构的能碳预测装置,并进行解释说明。
可选地,图9是本发明实施例提供的又一种能碳预测装置的结构示意图。在上述实施例的基础上,如图9所示,该能碳预测装置01还包括:影响因素获取模块600。影响因素获取模块600可获取预测对象的影响因素数据,并输出至预测计算模块200,可在进行预测计算时将影响因素对能碳预测的影响考虑在内,以提高预测准确性。
可选地,图10是本发明实施例提供的又一种能碳预测装置的结构示意图。在上述各实施例的基础上,如图10所示,该能碳预测装置01还包括:干预数据获取模块700。干预数据获取模块700可将获得的预测对象的干预数据输出至耦合仿真模块300和/或博弈计算模块400,使得耦合仿真模块300在进行耦合仿真计算时,根据干预数据对仿真参数进行调整;或者使博弈计算模块400在进行博弈计算时,根据干预数据对博弈参数进行调整。
可选地,图11是本发明实施例提供的又一种能碳预测装置的结构示意图。在上述各实施例的基础上,如图11所示,在该能碳预测装置01中,耦合仿真模块300和博弈计算模块400还可与运行数据采集模块100进行连接,从而可将博弈结果与相同时间段的历史运行数据进行比对,以确定进行博弈计算时采用的博弈参数是否合适。
可选地,图12是本发明实施例提供的又一种能碳预测装置的结构示意图,图13是本发明实施例提供的又一种能碳预测装置的结构示意图。在上述各实施例的基础上,如图12所示,该能碳预测装置01还包括:预测结果输出模块800。预测结果输出模块800用于将博弈计算模块400输出的至少一种预测对象的博弈结果进行输出展示,以便及时对博弈参数进行调整。此外,参见图13,该能碳预测装置01中的耦合仿真模块300、博弈计算模块400和预测结果输出模块800也可转换为仿真计算模块900和博弈预测输出模块1000。
本发明实施例还提供了一种电子设备。图14为本发明实施例提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图14所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如能碳预测方法。
在一些实施例中,能碳预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的能碳预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行能碳预测方法。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (16)
1.一种能碳预测方法,其特征在于,应用于至少两种预测对象,所述能碳预测方法包括:
采集所述预测对象的运行数据;
将至少部分所述预测对象匹配至少两种预测模型,对匹配到预测模型的所述预测对象的运行数据进行预测计算,得到至少两种预测初始数据;
将所述预测初始数据输入至仿真模型进行耦合仿真,得到至少两种耦合仿真数据;其中,所述耦合仿真能够实现所述至少两种预测对象之间的耦合联动;
对所述耦合仿真数据和所述预测初始数据进行博弈计算,得到博弈结果,将所述博弈结果作为所述预测对象的预测结果。
2.根据权利要求1所述的能碳预测方法,其特征在于,若全部所述预测对象均匹配到预测模型,则将所述预测初始数据输入至仿真模型进行耦合仿真的具体方法包括:
将除了第i种预测对象以外的其他所述预测对象的所述预测初始数据代入所述仿真模型,得到第i种预测对象的耦合仿真数据;
将i取1~N,重复执行上述步骤得到各所述预测对象的耦合仿真数据,其中,N为预测对象的数量。
3.根据权利要求2所述的能碳预测方法,其特征在于,所述博弈计算的方法包括熵权法。
4.根据权利要求3所述的能碳预测方法,其特征在于,所述博弈计算的方法具体包括:
为所述预测初始数据和所述耦合仿真数据分配权重;
根据各自的权重,将所述预测对象的预测初始数据和所述耦合仿真数据进行叠加权重求和,得到所述博弈结果。
5.根据权利要求1所述的能碳预测方法,其特征在于,若部分所述预测对象未匹配到预测模型,则对所述预测对象进行仿真和博弈计算的具体方法包括:
将未匹配到预测模型的预测对象以外的其他预测对象的所述预测初始数据代入所述仿真模型,得到所述未匹配到预测模型的预测对象的耦合仿真数据;其中,所述其他预测对象的所述预测初始数据为至少两种,分别代入所述仿真模型得到的耦合仿真数据的数量为至少两种;
为各所述耦合仿真数据分配权重;
根据各自的权重,将各所述耦合仿真数据求和,得到所述博弈结果。
6.根据权利要求1所述的能碳预测方法,其特征在于,在执行预测计算的步骤之前,还包括:
获取所述预测对象的影响因素数据,以在执行预测计算的步骤之时,还将所述影响因素数据作为考虑因素进行预测计算。
7.根据权利要求6所述的能碳预测方法,其特征在于,所述影响因素数据包括以下至少一种:自然因素数据、系统工作状态数据、检修数据和调控数据。
8.根据权利要求1所述的能碳预测方法,其特征在于,在执行耦合仿真的步骤之前,还包括:
获取所述预测对象的干预数据,以在执行耦合仿真的步骤之时,基于所述干预数据对仿真参数进行调整;
和/或,在执行博弈计算之前,还包括:
获取所述预测对象的干预数据,以在执行博弈计算的步骤之时,基于所述干预数据对博弈参数进行调整。
9.根据权利要求8所述的能碳预测方法,其特征在于,所述干预数据包括:调控数据。
10.根据权利要求1所述的能碳预测方法,其特征在于,在执行博弈计算的步骤之后,还包括:
将所述博弈结果与往期相同时间段的运行数据进行比对;
根据比对结果对博弈参数进行调整。
11.根据权利要求1所述的能碳预测方法,其特征在于,所述预测模型根据时间尺度划分,包括以下至少一种:实时、超短期、短期、中期、中长期和长期。
12.根据权利要求1所述的能碳预测方法,其特征在于,在执行博弈计算的步骤之后,还包括:
将至少一种所述预测对象的博弈结果进行输出展示。
13.根据权利要求1所述的能碳预测方法,其特征在于,在执行耦合仿真的步骤之前,还包括:
获取部分或全部所述预测对象的仿真目标参数;
根据所述仿真模型并基于所述仿真目标参数,计算仿真数据。
14.根据权利要求1所述的能碳预测方法,其特征在于,应用于以下系统中的至少一种:综合能源系统、零碳系统和虚拟电厂系统。
15.根据权利要求1所述的能碳预测方法,其特征在于,所述预测对象包括以下至少一种:光功率预测、风电预测、储能预测、碳排预测、电负荷预测、冷负荷预测、热负荷预测、充电预测和用能成本预测。
16.一种能碳预测装置,其特征在于,包括:
运行数据采集模块,用于采集至少两种预测对象的运行数据;
预测计算模块,用于将至少部分所述预测对象匹配至少两种预测模型,对匹配到预测模型的所述预测对象的运行数据进行预测计算,得到至少两种预测初始数据;
耦合仿真模块,用于将所述预测初始数据输入至仿真模型进行耦合仿真,得到至少两种耦合仿真数据;其中,所述耦合仿真能够实现所述至少两种预测对象之间的耦合联动;
博弈计算模块,用于对所述耦合仿真数据和所述预测初始数据进行博弈计算,得到博弈结果,将所述博弈结果作为所述预测对象的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310312135.0A CN116542363A (zh) | 2023-03-27 | 2023-03-27 | 一种能碳预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310312135.0A CN116542363A (zh) | 2023-03-27 | 2023-03-27 | 一种能碳预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116542363A true CN116542363A (zh) | 2023-08-04 |
Family
ID=87451321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310312135.0A Pending CN116542363A (zh) | 2023-03-27 | 2023-03-27 | 一种能碳预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542363A (zh) |
-
2023
- 2023-03-27 CN CN202310312135.0A patent/CN116542363A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ciupageanu et al. | Real-time stochastic power management strategies in hybrid renewable energy systems: A review of key applications and perspectives | |
Marzband et al. | An optimal energy management system for islanded microgrids based on multiperiod artificial bee colony combined with Markov chain | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN107706921B (zh) | 基于纳什博弈的微电网电压调节方法和装置 | |
CN105790266B (zh) | 一种微电网并行多目标鲁棒优化调度集成控制方法 | |
WO2023134759A1 (zh) | 数据处理方法及装置 | |
Rahmani-Andebili et al. | Price-controlled energy management of smart homes for maximizing profit of a GENCO | |
Yoldas et al. | Optimal control of microgrids with multi-stage mixed-integer nonlinear programming guided $ Q $-learning algorithm | |
CN111682536B (zh) | 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法 | |
Wang et al. | Optimal scheduling for integrated energy system considering scheduling elasticity of electric and thermal loads | |
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 | |
CN115549202A (zh) | 一种基于实时电价的虚拟电厂多能源协调低碳优化调度方法、系统及存储介质 | |
CN115759610A (zh) | 一种电力系统源网荷储协同的多目标规划方法及其应用 | |
Li et al. | Optimization of dynamic dispatch for multiarea integrated energy system based on hierarchical learning method | |
Peng et al. | Sequential coalition formation for wind-thermal combined bidding | |
Yang et al. | Deep reinforcement learning for economic energy scheduling in data center microgrids | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Koodalsamy et al. | Fuzzified artificial bee colony algorithm for nonsmooth and nonconvex multiobjective economic dispatch problem | |
CN115758763A (zh) | 一种计及源荷不确定性的多能流系统优化配置方法及系统 | |
CN116542363A (zh) | 一种能碳预测方法及装置 | |
CN113112296B (zh) | 一种集中式现货市场的典型场景库构建方法及装置 | |
CN115146870A (zh) | 一种孤立海岛日内供电计划生成方法、系统、设备和介质 | |
Liu et al. | Bi-objective Pareto optimization for clustering-based hierarchical power control in a large-scale PV power plant | |
CN113554219A (zh) | 一种可再生能源发电站共享储能容量规划方法及装置 | |
CN113255957A (zh) | 综合服务站不确定因素的定量优化分析方法及系统 |
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 |