CN116562532A - 微电网储能系统调度方法、装置、设备及介质 - Google Patents
微电网储能系统调度方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116562532A CN116562532A CN202310195597.9A CN202310195597A CN116562532A CN 116562532 A CN116562532 A CN 116562532A CN 202310195597 A CN202310195597 A CN 202310195597A CN 116562532 A CN116562532 A CN 116562532A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- power generation
- micro
- grid
- prediction model
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000004146 energy storage Methods 0.000 title claims abstract description 78
- 238000010248 power generation Methods 0.000 claims abstract description 183
- 238000012549 training Methods 0.000 claims description 59
- 230000015654 memory Effects 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 12
- 238000010438 heat treatment Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005057 refrigeration Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 5
- 239000002737 fuel gas Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000007787 long-term memory Effects 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006403 short-term memory Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910021389 graphene Inorganic materials 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H02J3/007—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
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- 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]
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本说明书提供一种微电网储能系统调度方法、装置、设备及介质,包括:获取当前时刻微电网中各个发电系统的当前发电量、当前运行机组数量以及当前机组运行状态,以及微电网中各个耗电系统的当前耗电量;将所述当前发电量、当前运行机组数量以及当前机组运行状态输入至预先建立的发电量预测模型中,预测出指定时间对应的目标发电量;将所述当前耗电量输入至预先建立的耗电量预测模型中,预测出指定时间对应的预测耗电量;基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。本申请的实施能够提升微电网的运行成本,提高微电网的运行效率。
Description
技术领域
本说明书属于微电网技术领域,尤其涉及一种微电网储能系统调度方法、装置、设备及介质。
背景技术
随着我国经济社会的高速高质发展,以及“煤改电”、新能源电动汽车的持续普及,对电量的需求不断提高,随之带来的是对发电量和电力调度优化系统的更高要求,亟需更加科学合理高效的电力系统协同优化调度方法。
目前,在电力行业现有优化调度技术中,主要是通过人工分析各区域用电量需求,并利用人工分析对发电系统的供电量进行调度。这种技术存在调度决策合理性差、效率低,同时调度管理不及时,从而造成资源浪费、用户用电体验差的技术问题,尤其对于短时间用电量增加的工厂、园区、矿山、酒店、农场和普通家庭等,容易电量不足导致停电的情况,严重影响日常生产生活。随着清洁能源发电量的增加,有望在一定程度上缓解“电荒”问题,但各种规模的电网面临着多类型能源输入优化调度的技术难题。且发电量和用户耗电量无法准确预测,导致储能系统内部的储电量无法合理的得到预留和优化。
发明内容
本说明书实施例的目的在于提供一种微电网储能系统调度方法、装置、设备及介质,提高了微电网的运行效率。
一方面,本说明书实施例提供了一种微电网储能系统调度方法,所述方法包括:
获取当前时刻微电网中各个发电系统的当前发电量、当前运行机组数量以及当前机组运行状态,以及微电网中各个耗电系统的当前耗电量;
将所述当前发电量、当前运行机组数量以及当前机组运行状态输入至预先建立的发电量预测模型中,预测出指定时间对应的目标发电量;其中,所述发电量预测模型是基于历史发电量、历史运行机组数量以及历史机组运行状态训练获得的;
将所述当前耗电量输入至预先建立的耗电量预测模型中,预测出指定时间对应的预测耗电量;其中,所述耗电量预测模型是基于历史耗电量训练获得的;
基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
可选的,所述基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度,包括:
以最低发电及运行调度总成本、最高发电量利用率、微电网储能系统储存的最小电量和最小市电电量构建目标函数,以微电网中的储能系统的储电能力以及各个耗电系统的耗电量作为所述目标函数的约束条件;
基于所述目标发电量和所述预测耗电量利用协同优化算法对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
可选的,所述目标函数为:
所述目标函数的约束条件为:
其中,F表示发电及运行调度总成本,A1表示风力发电系统的发电成本,A2表示光伏发电系统的发电成本,A3表示燃气发电系统的发电成本,A4表示地热发电系统的发电成本,A5表示市电系统的发电成本,A6表示运行调度成本;P表示发电量利用率,B1表示调度系统分配给电消费的电量,B2表示调度系统分配给制热消费的电量,B3表示调度系统分配给制冷消费的电量,B4表示调度系统分配给剩余消费的电量,S1表示微电网储能系统储存的电量,C1表示风力发电系统的预测发电量,C2表示光伏发电系统的预测发电量,C3表示燃气发电系统的预测发电量,C4表示地热发电系统的预测发电量,C5表示市电的电量,S2表示微电网储能系统已经储存的电量,Sr表示微电网储能系统的最大储电能力,Pe表示预测电消费需求的耗电量,Ph表示预测制热消费需求的耗电量,Pc表示预测制冷消费需求的耗电量,Po表示预测其他需求的耗电量。
可选的,所述发电量预测模型是通过如下方式建立的:
获取微电网中各个发电系统的历史发电量、历史运行机组数量以及历史机组运行状态作为发电量样本数据;
采用长短期记忆神经网络算法建立所述发电量预测模型;
将所述发电量样本数据作为所述发电量预测模型的训练数据,选取均方根误差作为所述发电量预测模型的损失函数,选取平均绝对误差作为所述发电量预测模型的评价指标,选取梯度下降算法作为所述发电量预测模型的优化规则,对所述发电量预测模型进行训练,直至所述发电量预测模型满足预设要求。
可选的,所述方法还包括:
将所述发电量样本数据分为发电量训练样本数据和发电量测试样本数据;采用所述发电量训练样本数据对所述发电量预测模型进行样本训练;
在所述发电量预测模型训练完成后,根据所述发电量测试样本数据利用网格搜索算法对发电量预测模型进行优化。
可选的,所述耗电量预测模型是通过如下方式建立的:
获取微电网中各个耗电系统的耗电量作为耗电量样本数据;
采用长短期记忆神经网络算法建立所述耗电量预测模型;
将所述耗电量样本数据作为所述耗电量预测模型的训练数据,选取均方根误差作为所述耗电量预测模型的损失函数,选取平均绝对误差作为所述耗电量预测模型的评价指标,选取梯度下降算法作为所述耗电量预测模型的优化规则,对所述耗电量预测模型进行训练,直至所述耗电量预测模型满足预设要求。
所述预设要求包括训练次数达到预设次数或模型精度达到预设要求。
可选的,所述方法还包括:
将所述耗电量样本数据分为耗电量训练样本数据和耗电量测试样本数据;采用所述耗电量训练样本数据对所述耗电量预测模型进行样本训练;
在所述耗电量预测模型训练完成后,根据所述耗电量测试样本数据利用网格搜索算法对耗电量预测模型进行优化。
另一方面,本发明提供一种微电网储能系统调度装置,所述装置包括:
数据获取模块,用于获取当前时刻微电网中各个发电系统的当前发电量、当前运行机组数量以及当前机组运行状态,以及微电网中各个耗电系统的当前耗电量;
发电量预测模块,用于将所述当前发电量、当前运行机组数量以及当前机组运行状态输入至预先建立的发电量预测模型中,预测出指定时间对应的目标发电量;其中,所述发电量预测模型是基于历史发电量、历史运行机组数量以及历史机组运行状态训练获得的;
耗电量预测模块,用于将所述当前耗电量输入至预先建立的耗电量预测模型中,预测出指定时间对应的预测耗电量;其中,所述耗电量预测模型是基于历史耗电量训练获得的;
调度模块,用于基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
再一方面,本发明提供一种微电网储能系统调度设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述所述的方法。
再一方面,本发明提供一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如上述所述的微电网储能系统调度方法。
本说明书提供的微电网储能系统调度方法、装置、设备及介质,通过实时采集微电网中各个发电系统的相关数据,利用训练完成的发电量预测模型分别对不同发电系统的发电量进行了预测,提高了发电量的预测精度。同时,基于实时采集不同耗电系统的耗电量数据,对指定时间对应的各个耗电系统的耗电量进行预测,提高了耗电量的预测精度,进而利用预测出的目标发电量和预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度,为微电网协同高效高质量运行调度提供了理论依据,进而,提升微电网的运行成本,提高微电网的运行效率。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的微电网储能系统调度实施例的流程示意图;
图2是本说明书提供的微电网储能系统调度装置一个实施例的模块结构示意图;
图3是本说明书一个实施例中微电网储能系统调度服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
微电网(Micro-Grid)也译为微网,是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。
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。开发和延伸微电网能够充分促进分布式电源与可再生能源的大规模接入,实现对负荷多种能源形式的高可靠供给,是实现主动式配电网的一种有效方式,使传统电网向智能电网过渡。
图1是本说明书实施例提供的微电网储能系统调度实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的微电网储能系统调度的一个实施例中,所述方法可以应用在计算机、平板电脑、服务器、智能手机等终端设备中,所述方法可以包括如下步骤:
步骤102、获取当前时刻微电网中各个发电系统的当前发电量、当前运行机组数量以及当前机组运行状态,以及微电网中各个耗电系统的当前耗电量。
在具体的实施过程中,微电网中的发电系统包括但不限于:风力发电系统、光伏发电系统、燃气发电系统、地热发电系统以及接入的市电系统。微电网中的耗电系统包括但不限于:给微电网制冷的制冷耗电系统、给微电网制冷的制热耗电系统、微电网自身的耗电系统以及非上述三种系统的其他耗电设备组成的剩余系统。
可以理解的是,当前发电量、当前运行机组数量以及当前机组运行状态均与对应的系统存在映射关系。当前耗电量也与各个耗电系统存在映射关系。
步骤104、将所述当前发电量、当前运行机组数量以及当前机组运行状态输入至预先建立的发电量预测模型中,预测出指定时间对应的目标发电量;其中,所述发电量预测模型是基于历史发电量、历史运行机组数量以及历史机组运行状态训练获得的。
在具体的实施过程中,所述发电量预测模型是通过如下方式建立的:
获取微电网中各个发电系统的历史发电量、历史运行机组数量以及历史机组运行状态作为发电量样本数据;
采用长短期记忆神经网络算法建立所述发电量预测模型;
将所述发电量样本数据作为所述发电量预测模型的训练数据,选取均方根误差作为所述发电量预测模型的损失函数,选取平均绝对误差作为所述发电量预测模型的评价指标,选取梯度下降算法作为所述发电量预测模型的优化规则,对所述发电量预测模型进行训练,直至所述发电量预测模型满足预设要求。
具体的,所述预设要求可以包括训练次数达到预设次数或模型精度达到预设要求。
在上述实施例基础上,本说明书一个实施例中,所述方法还包括:
将所述发电量样本数据分为发电量训练样本数据和发电量测试样本数据;采用所述发电量训练样本数据对所述发电量预测模型进行样本训练;
在所述发电量预测模型训练完成后,根据所述发电量测试样本数据利用网格搜索算法对发电量预测模型进行优化。
本说明书一些实施例中,发电量预测模型可以按照如下步骤进行训练:
1、将获取的历史发电量、运行机组数量和机组运行状态数据按时间先后划分为发电量训练样本数据和发电量测试样本数据,发电量训练样本数据和发电量测试样本数据比例为7:3;
2、构建长短期记忆神经网络模型;其中,长短期记忆神经网络模型可以是长短期记忆网络(LSTM,Long Short-Term Memory);
3、选取均方根误差、平均绝对误差为模型的损失函数和评价指标;其中,均方根误差、平均绝对误差可以根据需要进行选取,在本说明书实施例中不做具体限定。
4、选取梯度下降算法作为长短期记忆神经网络模型的优化算法;其中,梯度下降(gradient descent)在机器学习中应用十分的广泛,不论是在线性回归还是Logistic回归中,它的主要目的是通过迭代找到目标函数的最小值,或者收敛到最小值。
5、将发电量训练样本数据输入至长短期记忆神经网络模型进行训练;
6、输入发电量测试样本数据对长短期记忆神经网络模型进行评价;
7、采用网格搜索算法对模型的结构、超参数进行优化,并选择最优参数构建发电量预测模型。
本说明书一些实施例中,参数预测模型可以采用时序性深度学习算法进行构建,如:长短期记忆网络(LSTM,Long Short-Term Memory),利用时序性深度学习算法可以分析出历史数据和下一时刻发电量参数之间的联系,进一步基于实时采集到的当前时刻发电量、运行机组数量和机组运行状态参数输入模型预测出下一时刻微电网发电量的参数。
步骤106、将所述当前耗电量输入至预先建立的耗电量预测模型中,预测出指定时间对应的预测耗电量;其中,所述耗电量预测模型是基于历史耗电量训练获得的。
所述耗电量预测模型是通过如下方式建立的:
获取微电网中各个耗电系统的耗电量作为耗电量样本数据;
采用长短期记忆神经网络算法建立所述耗电量预测模型;
将所述耗电量样本数据作为所述耗电量预测模型的训练数据,选取均方根误差作为所述耗电量预测模型的损失函数,选取平均绝对误差作为所述耗电量预测模型的评价指标,选取梯度下降算法作为所述耗电量预测模型的优化规则,对所述耗电量预测模型进行训练,直至所述耗电量预测模型满足预设要求。
具体的,所述预设要求包括训练次数达到预设次数或模型精度达到预设要求。
具体的,指定时间可以理解为下一时刻或下一周期。指定时间可以根据需要在发电量预测模型以及耗电量预测模型中进行设置,即在模型训练之前设定对应的指定时间,可以理解的是,指定时间越短,预测出的耗电量以及发电量更加准确。
在具体的实施过程中,可以基于所获取的微电网不同消费需求的历史耗电量数据,结合时序性神经网络算法构建出下一时刻的微电网中电、制热和制冷等系统的耗电量预测模型,实现不同消费需求的耗电量的实时动态预测。
在上述实施例基础上,本说明书一个实施例中,所述方法还包括:
将所述耗电量样本数据分为耗电量训练样本数据和耗电量测试样本数据;采用所述耗电量训练样本数据对所述耗电量预测模型进行样本训练;
在所述耗电量预测模型训练完成后,根据所述耗电量测试样本数据利用网格搜索算法对耗电量预测模型进行优化。
本说明书一些实施例中,耗电量预测模型可以按照如下步骤进行训练:
1、将获取的耗电量的历史数据按时间先后划分为耗电量训练样本数据和耗电量测试样本数据,耗电量训练样本数据和耗电量测试样本数据的比例为7:3;
2、构建长短期记忆神经网络模型;其中,长短期记忆神经网络模型可以是长短期记忆网络(LSTM,Long Short-Term Memory);
3、选取均方根误差、平均绝对误差为模型的损失函数和评价指标;其中,均方根误差、平均绝对误差可以根据需要进行选取,在本说明书实施例中不做具体限定。
4、选取梯度下降算法作为模型的优化算法;其中,梯度下降(gradient descent)在机器学习中应用十分的广泛,不论是在线性回归还是Logistic回归中,它的主要目的是通过迭代找到目标函数的最小值,或者收敛到最小值。
5、将耗电量训练样本数据输入至长短期记忆神经网络模型进行训练;
6、输入耗电量测试样本数据对长短期记忆神经网络模型进行评价;
7、采用网格搜索算法对模型的结构、超参数进行优化,并选择最优参数构建耗电量预测模型。
本说明书一些实施例中,参数预测模型可以采用时序性深度学习算法进行构建,如:长短期记忆网络(LSTM,Long Short-Term Memory),利用时序性深度学习算法可以分析出历史数据和下一时刻耗电量参数之间的联系,进一步基于实时采集到的当前时刻耗电量参数输入模型预测出下一时刻耗电量的参数。
步骤108、基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
具体的,所述基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度,包括:
以最低发电及运行调度总成本、最高发电量利用率、微电网储能系统储存的最小电量和最小市电电量构建目标函数,以微电网中的储能系统的储电能力以及各个耗电系统的耗电量作为所述目标函数的约束条件;
基于所述目标发电量和所述预测耗电量利用协同优化算法对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
在具体的实施过程中,在预测出下一时刻的微电网中风力发电系统、光伏发电系统、燃气发电系统、地热发电系统的发电量及下一时刻的电、制热、制冷和其他需求的耗电量后,可以以最低发电和运行调度成本、最高发电量利用率、最优储能和市电利用构建目标函数,以微电网储能系统的储电能力、电消费的电量、制热消费的电量、制冷消费的电量和剩余消费的电量为约束,结合协同优化算法(如快速精英非支配排序遗传算法)实现微电网储能系统的实时优化调度。
在上述实施例基础上,本说明书一个实施例中,
所述目标函数为:
所述目标函数的约束条件为:
其中,F表示发电及运行调度总成本,A1表示风力发电系统的发电成本,A2表示光伏发电系统的发电成本,A3表示燃气发电系统的发电成本,A4表示地热发电系统的发电成本,A5表示市电系统的发电成本,A6表示运行调度成本;P表示发电量利用率,B1表示调度系统分配给电消费的电量,B2表示调度系统分配给制热消费的电量,B3表示调度系统分配给制冷消费的电量,B4表示调度系统分配给剩余消费的电量,S1表示微电网储能系统储存的电量,C1表示风力发电系统的预测发电量,C2表示光伏发电系统的预测发电量,C3表示燃气发电系统的预测发电量,C4表示地热发电系统的预测发电量,C5表示市电的电量,S2表示微电网储能系统已经储存的电量,Sr表示微电网储能系统的最大储电能力,Pe表示预测电消费需求的耗电量,Ph表示预测制热消费需求的耗电量,Pc表示预测制冷消费需求的耗电量,Po表示预测其他需求的耗电量。
本发明的目的是提供一种微电网储能系统调度方法,基于深度学习算法实现微电网中多类型发电量和多类型耗电量的准确预测,以最低成本和最高发电量利用率为目标,结合协同优化算法实现微电网储能系统的实时优化调度,实现微电网系统的高效高质运行,提高了微电网的运行管理效率和可靠性。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述所述的微电网储能系统调度方法,本说明书一个或多个实施例还提供一种用于微电网储能系统调度的装置。所述系统可以包括使用了本说明书实施例所述方法的装置(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参考前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图2是本说明书提供的微电网储能系统调度装置一个实施例的模块结构示意图,如图2所示,本说明书中提供的一种微电网储能系统调度装置,所述装置包括:
数据获取模块31,用于获取当前时刻微电网中各个发电系统的当前发电量、当前运行机组数量以及当前机组运行状态,以及微电网中各个耗电系统的当前耗电量;
发电量预测模块32,用于将所述当前发电量、当前运行机组数量以及当前机组运行状态输入至预先建立的发电量预测模型中,预测出指定时间对应的目标发电量;其中,所述发电量预测模型是基于历史发电量、历史运行机组数量以及历史机组运行状态训练获得的;
耗电量预测模块33,用于将所述当前耗电量输入至预先建立的耗电量预测模型中,预测出指定时间对应的预测耗电量;其中,所述耗电量预测模型是基于历史耗电量训练获得的;
调度模块34,用于基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
本说明书实施例提供的微电网储能系统调度,通过实时采集微电网中各个发电系统的相关数据,利用训练完成的发电量预测模型分别对不同发电系统的发电量进行了预测,提高了发电量的预测精度。同时,基于实时采集不同耗电系统的耗电量数据,对指定时间对应的各个耗电系统的耗电量进行预测,提高了耗电量的预测精度,进而利用预测出的目标发电量和预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度,为微电网协同高效高质量运行调度提供了理论依据,进而,提升微电网的运行成本,提高微电网的运行效率。
本说明书实施例还提供一种微电网储能系统调度设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述实施例的微电网储能系统调度方法,如:
获取当前时刻微电网中各个发电系统的当前发电量、当前运行机组数量以及当前机组运行状态,以及微电网中各个耗电系统的当前耗电量;
将所述当前发电量、当前运行机组数量以及当前机组运行状态输入至预先建立的发电量预测模型中,预测出指定时间对应的目标发电量;其中,所述发电量预测模型是基于历史发电量、历史运行机组数量以及历史机组运行状态训练获得的;
将所述当前耗电量输入至预先建立的耗电量预测模型中,预测出指定时间对应的预测耗电量;其中,所述耗电量预测模型是基于历史耗电量训练获得的;
基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
需要说明的,上述所述的设备和系统根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书提供的微电网储能系统调度装置,也可以应用在多种电网系统中。所述系统或服务器或终端或设备可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例系统或服务器或终端或设备的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图3是本说明书一个实施例中微电网储能系统调度服务器的硬件结构框图,该计算机终端可以是上述实施例中的微电网储能系统调度服务器或微电网储能系统调度装置。如图3所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图3所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图3中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图3所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的微电网储能系统调度方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局与网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果,如:
获取当前时刻微电网中各个发电系统的当前发电量、当前运行机组数量以及当前机组运行状态,以及微电网中各个耗电系统的当前耗电量;
将所述当前发电量、当前运行机组数量以及当前机组运行状态输入至预先建立的发电量预测模型中,预测出指定时间对应的目标发电量;其中,所述发电量预测模型是基于历史发电量、历史运行机组数量以及历史机组运行状态训练获得的;
将所述当前耗电量输入至预先建立的耗电量预测模型中,预测出指定时间对应的预测耗电量;其中,所述耗电量预测模型是基于历史耗电量训练获得的;
基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
本说明书实施例提供的上述微电网储能系统调度方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照对应方法实施例的描述,在此不作一一赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式资源数据更新环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(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资源数据更新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资源数据更新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资源数据更新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资源数据更新设备上,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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (10)
1.一种微电网储能系统调度方法,其特征在于,所述方法包括:
获取当前时刻微电网中各个发电系统的当前发电量、当前运行机组数量以及当前机组运行状态,以及微电网中各个耗电系统的当前耗电量;
将所述当前发电量、当前运行机组数量以及当前机组运行状态输入至预先建立的发电量预测模型中,预测出指定时间对应的目标发电量;其中,所述发电量预测模型是基于历史发电量、历史运行机组数量以及历史机组运行状态训练获得的;
将所述当前耗电量输入至预先建立的耗电量预测模型中,预测出指定时间对应的预测耗电量;其中,所述耗电量预测模型是基于历史耗电量训练获得的;
基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
2.如权利要求1所述的方法,其特征在于,所述基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度,包括:
以最低发电及运行调度总成本、最高发电量利用率、微电网储能系统储存的最小电量和最小市电电量构建目标函数,以微电网中的储能系统的储电能力以及各个耗电系统的耗电量作为所述目标函数的约束条件;
基于所述目标发电量和所述预测耗电量利用协同优化算法对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
3.如权利要求1所述的方法,其特征在于,
所述目标函数为:
所述目标函数的约束条件为:
其中,F表示发电及运行调度总成本,A1表示风力发电系统的发电成本,A2表示光伏发电系统的发电成本,A3表示燃气发电系统的发电成本,A4表示地热发电系统的发电成本,A5表示市电系统的发电成本,A6表示运行调度成本;P表示发电量利用率,B1表示调度系统分配给电消费的电量,B2表示调度系统分配给制热消费的电量,B3表示调度系统分配给制冷消费的电量,B4表示调度系统分配给剩余消费的电量,S1表示微电网储能系统储存的电量,C1表示风力发电系统的预测发电量,C2表示光伏发电系统的预测发电量,C3表示燃气发电系统的预测发电量,C4表示地热发电系统的预测发电量,C5表示市电的电量,S2表示微电网储能系统已经储存的电量,Sr表示微电网储能系统的最大储电能力,Pe表示预测电消费需求的耗电量,Ph表示预测制热消费需求的耗电量,Pc表示预测制冷消费需求的耗电量,Po表示预测其他需求的耗电量。
4.如权利要求1所述的方法,其特征在于,所述发电量预测模型是通过如下方式建立的:
获取微电网中各个发电系统的历史发电量、历史运行机组数量以及历史机组运行状态作为发电量样本数据;
采用长短期记忆神经网络算法建立所述发电量预测模型;
将所述发电量样本数据作为所述发电量预测模型的训练数据,选取均方根误差作为所述发电量预测模型的损失函数,选取平均绝对误差作为所述发电量预测模型的评价指标,选取梯度下降算法作为所述发电量预测模型的优化规则,对所述发电量预测模型进行训练,直至所述发电量预测模型满足预设要求。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
将所述发电量样本数据分为发电量训练样本数据和发电量测试样本数据;采用所述发电量训练样本数据对所述发电量预测模型进行样本训练;
在所述发电量预测模型训练完成后,根据所述发电量测试样本数据利用网格搜索算法对发电量预测模型进行优化。
6.如权利要求1所述的方法,其特征在于,所述耗电量预测模型是通过如下方式建立的:
获取微电网中各个耗电系统的耗电量作为耗电量样本数据;
采用长短期记忆神经网络算法建立所述耗电量预测模型;
将所述耗电量样本数据作为所述耗电量预测模型的训练数据,选取均方根误差作为所述耗电量预测模型的损失函数,选取平均绝对误差作为所述耗电量预测模型的评价指标,选取梯度下降算法作为所述耗电量预测模型的优化规则,对所述耗电量预测模型进行训练,直至所述耗电量预测模型满足预设要求。
所述预设要求包括训练次数达到预设次数或模型精度达到预设要求。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
将所述耗电量样本数据分为耗电量训练样本数据和耗电量测试样本数据;采用所述耗电量训练样本数据对所述耗电量预测模型进行样本训练;
在所述耗电量预测模型训练完成后,根据所述耗电量测试样本数据利用网格搜索算法对耗电量预测模型进行优化。
8.一种微电网储能系统调度装置,其特征在于,所述装置包括:
数据获取模块,用于获取当前时刻微电网中各个发电系统的当前发电量、当前运行机组数量以及当前机组运行状态,以及微电网中各个耗电系统的当前耗电量;
发电量预测模块,用于将所述当前发电量、当前运行机组数量以及当前机组运行状态输入至预先建立的发电量预测模型中,预测出指定时间对应的目标发电量;其中,所述发电量预测模型是基于历史发电量、历史运行机组数量以及历史机组运行状态训练获得的;
耗电量预测模块,用于将所述当前耗电量输入至预先建立的耗电量预测模型中,预测出指定时间对应的预测耗电量;其中,所述耗电量预测模型是基于历史耗电量训练获得的;
调度模块,用于基于所述目标发电量和所述预测耗电量对微电网中各个发电系统、各个耗电系统和微电网储能系统进行优化调度。
9.一种微电网储能系统调度设备,其特征在于,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至7中任一项所述的微电网储能系统调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310195597.9A CN116562532A (zh) | 2023-03-03 | 2023-03-03 | 微电网储能系统调度方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310195597.9A CN116562532A (zh) | 2023-03-03 | 2023-03-03 | 微电网储能系统调度方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116562532A true CN116562532A (zh) | 2023-08-08 |
Family
ID=87495382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310195597.9A Withdrawn CN116562532A (zh) | 2023-03-03 | 2023-03-03 | 微电网储能系统调度方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562532A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117270612A (zh) * | 2023-11-23 | 2023-12-22 | 上海时链节能科技有限公司 | 空压机进气端温湿度调控方法、装置、设备及介质 |
CN117996854A (zh) * | 2024-01-29 | 2024-05-07 | 重庆千信新能源有限公司 | 基于数据均衡理论进行光伏电力能源分配方法 |
-
2023
- 2023-03-03 CN CN202310195597.9A patent/CN116562532A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117270612A (zh) * | 2023-11-23 | 2023-12-22 | 上海时链节能科技有限公司 | 空压机进气端温湿度调控方法、装置、设备及介质 |
CN117270612B (zh) * | 2023-11-23 | 2024-02-23 | 上海时链节能科技有限公司 | 空压机进气端温湿度调控方法、装置、设备及介质 |
CN117996854A (zh) * | 2024-01-29 | 2024-05-07 | 重庆千信新能源有限公司 | 基于数据均衡理论进行光伏电力能源分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116562532A (zh) | 微电网储能系统调度方法、装置、设备及介质 | |
Dong et al. | Storage sizing with peak-shaving policy for wind farm based on cyclic Markov chain model | |
Ghasemieh et al. | Energy resilience modelling for smart houses | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
CN105162151A (zh) | 一种基于人工鱼群算法的智能化储能系统并网实时控制方法 | |
JP2013253805A (ja) | 情報処理装置、情報処理装置の制御方法及びプログラム | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
CN117996746A (zh) | 基于布朗线性指数平滑的用电量趋势预测方法、系统 | |
US10931107B2 (en) | System and method for management of an electricity distribution grid | |
KR101619335B1 (ko) | 대용량 배터리 에너지 저장 시스템의 피크 쉐이빙 운영방법 | |
Aslam et al. | Soft Load Shedding: An Efficient Approach to Manage Electricity Demand in a Renewable Rich Distribution System. | |
CN117293865A (zh) | 家庭储能资源规划方法、装置、设备及存储介质 | |
CN110826750B (zh) | 一种电力负荷预测方法、装置、设备及系统 | |
CN116565833A (zh) | 基于典型日网供负荷曲线的预测方法、装置和存储介质 | |
CN116260165B (zh) | 一种多微电网储能系统调度方法、装置、设备及介质 | |
Caruso et al. | Experimenting forecasting models for solar energy harvesting devices for large smart cities deployments | |
CN115473284A (zh) | 区域电力交换约束下配电系统运行的鲁棒优化方法、系统及计算机设备 | |
Mubarak et al. | Enhanced Short-term Reactive Energy Demand Forecasting by Employing Seasonal Decomposition and Multi-Model Approach | |
Svendsen et al. | D4. 2. Scenario setup and simulation results | |
CN111815022A (zh) | 一种基于延时坐标嵌入法的电力负荷预测方法 | |
Rohith et al. | GUI energy demand forecast using LSTM deep learning model in python platform | |
CN117595517B (zh) | 基于分布式光伏的智能集群控制方法及系统 | |
Su et al. | A novel data-driven robust method applied to OPF with uncertain wind power | |
Shen et al. | Decision support system for integrated management of hydro-thermal-wind-solar hybrid energy system | |
Lee et al. | Monitoring-based prediction and electric vehicle charging in smart grid cities |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230808 |
|
WW01 | Invention patent application withdrawn after publication |