CN116683500A - 一种电化学储能电站有功功率调度方法和系统 - Google Patents
一种电化学储能电站有功功率调度方法和系统 Download PDFInfo
- Publication number
- CN116683500A CN116683500A CN202310445864.3A CN202310445864A CN116683500A CN 116683500 A CN116683500 A CN 116683500A CN 202310445864 A CN202310445864 A CN 202310445864A CN 116683500 A CN116683500 A CN 116683500A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power station
- power
- active power
- 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.)
- Granted
Links
- 238000012983 electrochemical energy storage Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004146 energy storage Methods 0.000 claims abstract description 91
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 230000001932 seasonal effect Effects 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电化学储能电站有功功率调度方法和系统,包括以下步骤:获取电化学储能电站的当前状态;收集电力系统的历史负荷数据;收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据;结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标;优化调整有功功率输出目标;结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令;根据突发事件实时监测系统,实时调整储能电站有功功率调度指令。本发明提供了电化学储能电站有功功率调度方法和系统,能够充分考虑到各种相关因素,使得储能电站有功功率调度更加合理。
Description
技术领域
本发明涉及储能电站技术领域,具体为一种电化学储能电站有功功率调度方法和系统。
背景技术
储能技术在电力系统“电能生产、传输、分配和消费”中增加一个“存储”环节,使原本几乎“刚性”的系统变得“柔性”起来。大容量的电池储能具有快速吸收能量并适时释放的特点,可实现能量的时间迁移,解决新能源发电的出力波动性和不确定性引起的系统供电充裕性不足问题。随着电池材料、制造工艺、系统集成及运行维护等方面实现技术突破,储能的制造和运行成本大大降低,储能系统发展潜力巨大。储能电站有功功率调度是指根据电力系统的负荷需求,通过对储能电站进行优化调度,使其输出合适的有功功率,以平衡电力系统的供需关系,降低负荷波动,提高电力系统的稳定性和可靠性。储能电站有功功率调度是储能电站的重要应用之一,可以提高储能电站的能量利用效率,降低电力系统的能源消耗和污染排放。
现有技术中,公开号为“CN112736944A”的一种电化学储能电站有功功率调度方法和系统,包括:获取负荷参数以及电化学储能电站参数;将负荷参数和电化学储能电站参数输入预先建立的多目标优化调度模型,得到多目标优化调度模型的解集;从解集中选取最优调度方案对电化学储能电站的有功功率进行调度;其中,多目标优化调度模型是基于自适应加权和法的综合考虑负荷曲线方差和储能电池使用寿命建立的,该电化学储能电站有功功率调度方法和系统基于电化学储能电站的调峰能力,构建了综合考虑负荷曲线方差和储能电池使用寿命的电化学储能电站多目标优化调度模型,对多目标优化调度模型求解得到最优调度方案,有效提高电化学储能电站的调峰效果,延长电化学储能电站的使用寿命。
但是,其在使用过程中,仍然存在较为明显的缺陷:上述有功功率调度方法中,获取的负荷参数以及电化学储能电站参数主要是当前参数,参数类型较为单一,因此优化调度模型不够精准,需要作出改进。
发明内容
本发明的目的在于提供一种电化学储能电站有功功率调度方法和系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种电化学储能电站有功功率调度方法,包括以下步骤:
获取电化学储能电站的当前状态;
收集电力系统的历史负荷数据;
收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据;
结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标;
利用模型预测电池组的SOC和SOH,并根据SOC、SOH的预测值和储能电站的当前状态,优化调整有功功率输出目标;
结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令;
根据突发事件实时监测系统,实时调整储能电站有功功率调度指令。
优选的,所述获取电化学储能电站的当前状态,具体包括:
通过电池管理系统监测和获取取电化学储能电站的电池电压和电流、储能电池的SOC、温度以及储能电站的输出功率。
优选的,所述收集电力系统的历史负荷数据,具体包括:
通过电力系统中的监测设备、数据采集系统、历史记录渠道收集电力系统的历史负荷数据,包括日负荷曲线、周负荷曲线、月负荷曲线和年负荷曲线,分析电力系统在不同时间段内的负荷值,归纳负荷需求的变化趋势,形成电力负荷数据的可视化展示和分析报告。
优选的,所述收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据,具体包括:
从气象局官方网站收集天气、季节的相关数据,对应节假日情况,进行整理和分析,将处理后的数据保存在本地数据库,并定期上传至云端数据库。
优选的,所述结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标,具体包括:
使用时间序列分析、神经网络、深度学习方法中的任意一种,结合历史负荷数据和电力负荷相关数据,形成电力负荷预测模型,并根据预测结果确定电化学储能电站的有功功率输出目标,绘制负荷曲线或柱状图,使用数据分析软件将预测结果进行可视化展示,将处理后的数据保存在本地数据库,并定期上传至云端数据库。
优选的,所述利用模型预测电池组的SOC和SOH,并根据SOC、SOH的预测值和储能电站的当前状态,优化调整有功功率输出目标,具体包括:
采用基于物理模型、基于统计模型和基于深度学习模型中的任意一种,预测电池组的SOC和SOH;
其中,基于物理模型的方法是建立电池电化学模型,基于统计模型的方法,采用历史数据来构建模型,通过建立时间序列模型、自回归模型、ARIMA模型中的任意一种来预测电池SOC和SOH,基于深度学习模型的方法采用深度学习技术,深度学习技术为循环神经网络或长短时记忆网络,利用历史数据来训练模型,预测电池SOC和SOH;
预测后的数据绘制趋势图或散点图,进行数据可视化和分析处理。
优选的,所述结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令,具体包括:
在储能电站安装温度传感器、湿度传感器、风速传感器,实时监测电池所在环境的气温、湿度、风速,采集到的数据传输到数据采集器或控制系统中进行处理和分析;
基于时间序列模型、ARIMA模型、神经网络模型中的任意一种,预测未来一定时间的气温、湿度、风速外部环境变量;
基于预测的外部环境变量和储能电站内部状态数据,采用优化算法,优化算法为遗传算法、粒子群算法、模拟退火算法中的任意一种,求解最优的有功功率调度策略;
将优化结果转化为有功功率调度指令,输出到储能电站控制系统中进行执行。
优选的,所述根据突发事件实时监测系统,实时调整储能电站有功功率调度指令,具体包括:
所述突发事件至少包括天气突变、突发故障和突发停电,天气突变包括暴雨、暴风,突发故障包括储能设备故障、电网故障,突发停电包括电网停电、设备故障;
通过安装传感器、建立监测系统,实时监测外部环境和储能设备的状态,及时发现突发事件,并建立预警机制,根据外部环境和内部状态数据,发出预警信息,提前预测突发事件,从而及时调整有功功率调度指令;
调整储能电站有功功率调度指令的方式包括自动调整和手动调整,自动调整是将调整指令自动发出到储能设备中进行执行,操作人员也能够通过控制系统进行手动调整,并将调整指令发出到储能设备中进行执行。
基于所述电化学储能电站有功功率调度系统,包括:
储能电站状态获取模块,用于获取电化学储能电站的当前状态;
历史负荷数据收集模块,用于收集电力系统的历史负荷数据;
电力负荷相关数据收集模块,用于收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据;
有功功率输出目标确定模块,用于结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标;
有功功率输出目标优化调整模块,用于利用模型预测电池组的SOC和SOH,并根据SOC、SOH的预测值和储能电站的当前状态,优化调整有功功率输出目标;
有功功率调度指令输出模块,用于结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令;
突发事件监测调整模块,用于根据突发事件实时监测系统,实时调整储能电站有功功率调度指令。
与现有技术相比,本发明的有益效果是:
1、本发明收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据,再结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标,由此,既充分考虑到了历史数据,又充分考虑到了天气、季节、节假日对电力负荷的不同程度影响,使得电力负荷预测曲线更加准确;
2、本发明结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令,解决了传统的基于模型预测的调度方法受到预测精度和模型参数的影响,预测误差较大,影响储能电站的性能和稳定性的弊端,使得调度指令更加合理;
3、本发明根据突发事件实时监测系统,实时调整储能电站有功功率调度指令,突发事件至少包括天气突变、突发故障和突发停电,天气突变包括暴雨、暴风,突发故障包括储能设备故障、电网故障,突发停电包括电网停电、设备故障,能够实现自适应,使得储能电站在突发事件出现时仍然能够稳定运行。
本发明提供了电化学储能电站有功功率调度方法和系统,能够充分考虑到各种相关因素,形成电力负荷预测曲线,进而确定电化学储能电站的有功功率输出目标、优化输出目标,以及根据突发情况实时调整调度指令,使得储能电站有功功率调度更加合理。
附图说明
图1为本发明的电化学储能电站有功功率调度方法的流程示意图;
图2为本发明的电化学储能电站有功功率调度系统示意图。
具体实施方式
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,都属于本发明保护的范围。
请参阅图1至图2,本发明提供一种技术方案:
一种电化学储能电站有功功率调度方法,包括以下步骤:
S101、获取电化学储能电站的当前状态;
S102、收集电力系统的历史负荷数据;
S103、收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据;
S104、结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标;
S105、利用模型预测电池组的SOC和SOH,并根据SOC、SOH的预测值和储能电站的当前状态,优化调整有功功率输出目标;
S106、结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令;
S107、根据突发事件实时监测系统,实时调整储能电站有功功率调度指令。
所述获取电化学储能电站的当前状态,具体包括:
通过电池管理系统监测和获取取电化学储能电站的电池电压和电流、储能电池的SOC、温度以及储能电站的输出功率,其中,电化学储能电站中的电池电压和电流是反映储能电站当前状态的重要指标,通过监测储能电站的输出功率,可以了解储能电站的电能输出能力。
所述收集电力系统的历史负荷数据,具体包括:
通过电力系统中的监测设备、数据采集系统、历史记录渠道收集电力系统的历史负荷数据,包括日负荷曲线、周负荷曲线、月负荷曲线和年负荷曲线,分析电力系统在不同时间段内的负荷值,可以使用数据分析平台或者专业的数据分析软件进行处理,如Excel、Python、MATLAB等,归纳负荷需求的变化趋势,形成电力负荷数据的可视化展示和分析报告。
所述收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据,具体包括:
从气象局官方网站收集天气、季节的相关数据,对应节假日情况,进行整理和分析,将处理后的数据保存在本地数据库,并定期上传至云端数据库。
所述结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标,具体包括:
使用时间序列分析、神经网络、深度学习方法中的任意一种,结合历史负荷数据和电力负荷相关数据,形成电力负荷预测模型,并根据预测结果确定电化学储能电站的有功功率输出目标,绘制负荷曲线或柱状图,使用数据分析软件将预测结果进行可视化展示,将处理后的数据保存在本地数据库,并定期上传至云端数据库。
所述利用模型预测电池组的SOC和SOH,并根据SOC、SOH的预测值和储能电站的当前状态,优化调整有功功率输出目标,具体包括:
采用基于物理模型、基于统计模型和基于深度学习模型中的任意一种,预测电池组的SOC和SOH;
其中,基于物理模型的方法是采用物理方程来描述电池的行为,考虑电池的内部结构、化学反应等因素,建立电池电化学模型,通过求解微分方程来预测电池SOC和SOH,基于统计模型的方法,采用历史数据来构建模型,通过建立时间序列模型、自回归模型、ARIMA模型中的任意一种来预测电池SOC和SOH,基于深度学习模型的方法采用深度学习技术,深度学习技术为循环神经网络或长短时记忆网络,利用历史数据来训练模型,预测电池SOC和SOH,这种方法的优点是具有高精度和灵活性;
预测后的数据绘制趋势图或散点图,进行数据可视化和分析处理。
所述结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令,具体包括:
在储能电站安装温度传感器、湿度传感器、风速传感器,实时监测电池所在环境的气温、湿度、风速,这些因素会影响储能电站的输入功率和输出功率,采集到的数据传输到数据采集器或控制系统中进行处理和分析;
基于时间序列模型、ARIMA模型、神经网络模型中的任意一种,预测未来一定时间的气温、湿度、风速外部环境变量;
基于预测的外部环境变量和储能电站内部状态数据,采用优化算法,优化算法为遗传算法、粒子群算法、模拟退火算法中的任意一种,求解最优的有功功率调度策略,由此,基于模型预测和基于优化算法相结合,通过模型预测预测未来负荷需求和储能电站的状态,通过优化算法优化调度策略,最大化利用储能电站的能量,提高系统的效率和节能性,综合使用不同的调度方法可以更好地满足实际应用需求;
将优化结果转化为有功功率调度指令,输出到储能电站控制系统中进行执行。
所述根据突发事件实时监测系统,实时调整储能电站有功功率调度指令,具体包括:
所述突发事件至少包括天气突变、突发故障和突发停电,天气突变包括暴雨、暴风,此时可能导致电网的负荷突然增加或减少,需要及时调整储能电站的有功功率输出,突发故障包括储能设备故障、电网故障,此时可能导致储能电站的有功功率输出受到限制,需要及时调整有功功率调度指令,突发停电包括电网停电、设备故障,此时可能导致储能电站无法正常工作,需要及时调整有功功率调度指令或启动备用方案;
通过安装传感器、建立监测系统,实时监测外部环境和储能设备的状态,及时发现突发事件,并建立预警机制,根据外部环境和内部状态数据,发出预警信息,提前预测突发事件,从而及时调整有功功率调度指令;
调整储能电站有功功率调度指令的方式包括自动调整和手动调整,自动调整是将调整指令自动发出到储能设备中进行执行,操作人员也能够通过控制系统进行手动调整,并将调整指令发出到储能设备中进行执行。
基于所述电化学储能电站有功功率调度系统,包括:
储能电站状态获取模块201,用于获取电化学储能电站的当前状态;
历史负荷数据收集模块202,用于收集电力系统的历史负荷数据;
电力负荷相关数据收集模块203,用于收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据;
有功功率输出目标确定模块204,用于结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标;
有功功率输出目标优化调整模块205,用于利用模型预测电池组的SOC和SOH,并根据SOC、SOH的预测值和储能电站的当前状态,优化调整有功功率输出目标;
有功功率调度指令输出模块206,用于结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令;
突发事件监测调整模块207,用于根据突发事件实时监测系统,实时调整储能电站有功功率调度指令。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种电化学储能电站有功功率调度方法,其特征在于,包括以下步骤:
获取电化学储能电站的当前状态;
收集电力系统的历史负荷数据;
收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据;
结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标;
利用模型预测电池组的SOC和SOH,并根据SOC、SOH的预测值和储能电站的当前状态,优化调整有功功率输出目标;
结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令;以及
根据突发事件实时监测系统,实时调整储能电站有功功率调度指令。
2.根据权利要求1所述的一种电化学储能电站有功功率调度方法,其特征在于:所述获取电化学储能电站的当前状态,具体包括:
通过电池管理系统监测和获取取电化学储能电站的电池电压和电流、储能电池的SOC、温度以及储能电站的输出功率。
3.根据权利要求1所述的一种电化学储能电站有功功率调度方法,其特征在于:所述收集电力系统的历史负荷数据,具体包括:
通过电力系统中的监测设备、数据采集系统、历史记录渠道收集电力系统的历史负荷数据,包括日负荷曲线、周负荷曲线、月负荷曲线和年负荷曲线,分析电力系统在不同时间段内的负荷值,归纳负荷需求的变化趋势,形成电力负荷数据的可视化展示和分析报告。
4.根据权利要求1所述的一种电化学储能电站有功功率调度方法,其特征在于:所述收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据,具体包括:
从气象局官方网站收集天气、季节的相关数据,对应节假日情况,进行整理和分析,将处理后的数据保存在本地数据库,并定期上传至云端数据库。
5.根据权利要求1所述的一种电化学储能电站有功功率调度方法,其特征在于:所述结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标,具体包括:
使用时间序列分析、神经网络、深度学习方法中的任意一种,结合历史负荷数据和电力负荷相关数据,形成电力负荷预测模型,并根据预测结果确定电化学储能电站的有功功率输出目标,绘制负荷曲线或柱状图,使用数据分析软件将预测结果进行可视化展示,将处理后的数据保存在本地数据库,并定期上传至云端数据库。
6.根据权利要求1所述的一种电化学储能电站有功功率调度方法,其特征在于:所述利用模型预测电池组的SOC和SOH,并根据SOC、SOH的预测值和储能电站的当前状态,优化调整有功功率输出目标,具体包括:
采用基于物理模型、基于统计模型和基于深度学习模型中的任意一种,预测电池组的SOC和SOH;
其中,基于物理模型的方法是建立电池电化学模型,基于统计模型的方法,采用历史数据来构建模型,通过建立时间序列模型、自回归模型、ARIMA模型中的任意一种来预测电池SOC和SOH,基于深度学习模型的方法采用深度学习技术,深度学习技术为循环神经网络或长短时记忆网络,利用历史数据来训练模型,预测电池SOC和SOH;
预测后的数据绘制趋势图或散点图,进行数据可视化和分析处理。
7.根据权利要求1所述的一种电化学储能电站有功功率调度方法,其特征在于:所述结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令,具体包括:
在储能电站安装温度传感器、湿度传感器、风速传感器,实时监测电池所在环境的气温、湿度、风速,采集到的数据传输到数据采集器或控制系统中进行处理和分析;
基于时间序列模型、ARIMA模型、神经网络模型中的任意一种,预测未来一定时间的气温、湿度、风速外部环境变量;
基于预测的外部环境变量和储能电站内部状态数据,采用优化算法,优化算法为遗传算法、粒子群算法、模拟退火算法中的任意一种,求解最优的有功功率调度策略;
将优化结果转化为有功功率调度指令,输出到储能电站控制系统中进行执行。
8.根据权利要求1所述的一种电化学储能电站有功功率调度方法,其特征在于:所述根据突发事件实时监测系统,实时调整储能电站有功功率调度指令,具体包括:
所述突发事件至少包括天气突变、突发故障和突发停电,天气突变包括暴雨、暴风,突发故障包括储能设备故障、电网故障,突发停电包括电网停电、设备故障;
通过安装传感器、建立监测系统,实时监测外部环境和储能设备的状态,及时发现突发事件,并建立预警机制,根据外部环境和内部状态数据,发出预警信息,提前预测突发事件,从而及时调整有功功率调度指令;
调整储能电站有功功率调度指令的方式包括自动调整和手动调整,自动调整是将调整指令自动发出到储能设备中进行执行,操作人员也能够通过控制系统进行手动调整,并将调整指令发出到储能设备中进行执行。
9.基于权利要求1-8任意一项所述电化学储能电站有功功率调度系统,其特征在于,包括:
储能电站状态获取模块,用于获取电化学储能电站的当前状态;
历史负荷数据收集模块,用于收集电力系统的历史负荷数据;
电力负荷相关数据收集模块,用于收集、整理并形成包括天气、季节、节假日情况的电力负荷相关数据;
有功功率输出目标确定模块,用于结合历史负荷数据和电力负荷相关数据,形成电力负荷预测曲线,确定电化学储能电站的有功功率输出目标;
有功功率输出目标优化调整模块,用于利用模型预测电池组的SOC和SOH,并根据SOC、SOH的预测值和储能电站的当前状态,优化调整有功功率输出目标;
有功功率调度指令输出模块,用于结合气温、湿度、风速的外部环境监测值,先基于模型预测,再基于算法优化,最后输出当前调度周期的储能电站有功功率调度指令;以及
突发事件监测调整模块,用于根据突发事件实时监测系统,实时调整储能电站有功功率调度指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310445864.3A CN116683500B (zh) | 2023-04-24 | 2023-04-24 | 一种电化学储能电站有功功率调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310445864.3A CN116683500B (zh) | 2023-04-24 | 2023-04-24 | 一种电化学储能电站有功功率调度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116683500A true CN116683500A (zh) | 2023-09-01 |
CN116683500B CN116683500B (zh) | 2024-07-02 |
Family
ID=87784344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310445864.3A Active CN116683500B (zh) | 2023-04-24 | 2023-04-24 | 一种电化学储能电站有功功率调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116683500B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116914747A (zh) * | 2023-09-06 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 电力用户侧负荷预测方法及系统 |
CN116995674A (zh) * | 2023-09-26 | 2023-11-03 | 深圳稳石氢能科技有限公司 | 一种基于aem实现的智能能源调度方法 |
CN117254505A (zh) * | 2023-09-22 | 2023-12-19 | 南方电网调峰调频(广东)储能科技有限公司 | 基于数据处理的储能电站优化运行模式决策方法及系统 |
CN118100158A (zh) * | 2024-03-01 | 2024-05-28 | 南京安昇超科技有限公司 | 应用人工智能的电站储能动态分配系统 |
CN118117635A (zh) * | 2024-03-12 | 2024-05-31 | 无锡碳迹科技有限公司 | 一种储能电站电能优化存储方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102624017A (zh) * | 2012-03-22 | 2012-08-01 | 清华大学 | 一种基于负荷预测的电池储能系统削峰填谷实时控制方法 |
CN104682448A (zh) * | 2015-03-12 | 2015-06-03 | 成都鼎智汇科技有限公司 | 一种基于功率预测的电池储能电站的运行及监控方法 |
CN105207243A (zh) * | 2015-10-10 | 2015-12-30 | 河海大学 | 一种用于风电场实时功率预报修正的电池能量管理方法 |
CN113988444A (zh) * | 2021-11-04 | 2022-01-28 | 上海岩芯电子科技有限公司 | 一种光储系统的电费优化控制系统及方法 |
-
2023
- 2023-04-24 CN CN202310445864.3A patent/CN116683500B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102624017A (zh) * | 2012-03-22 | 2012-08-01 | 清华大学 | 一种基于负荷预测的电池储能系统削峰填谷实时控制方法 |
CN104682448A (zh) * | 2015-03-12 | 2015-06-03 | 成都鼎智汇科技有限公司 | 一种基于功率预测的电池储能电站的运行及监控方法 |
CN105207243A (zh) * | 2015-10-10 | 2015-12-30 | 河海大学 | 一种用于风电场实时功率预报修正的电池能量管理方法 |
CN113988444A (zh) * | 2021-11-04 | 2022-01-28 | 上海岩芯电子科技有限公司 | 一种光储系统的电费优化控制系统及方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116914747A (zh) * | 2023-09-06 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 电力用户侧负荷预测方法及系统 |
CN116914747B (zh) * | 2023-09-06 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 电力用户侧负荷预测方法及系统 |
CN117254505A (zh) * | 2023-09-22 | 2023-12-19 | 南方电网调峰调频(广东)储能科技有限公司 | 基于数据处理的储能电站优化运行模式决策方法及系统 |
CN117254505B (zh) * | 2023-09-22 | 2024-03-26 | 南方电网调峰调频(广东)储能科技有限公司 | 基于数据处理的储能电站优化运行模式决策方法及系统 |
CN116995674A (zh) * | 2023-09-26 | 2023-11-03 | 深圳稳石氢能科技有限公司 | 一种基于aem实现的智能能源调度方法 |
CN116995674B (zh) * | 2023-09-26 | 2023-12-15 | 深圳稳石氢能科技有限公司 | 一种基于aem实现的智能能源调度方法 |
CN118100158A (zh) * | 2024-03-01 | 2024-05-28 | 南京安昇超科技有限公司 | 应用人工智能的电站储能动态分配系统 |
CN118117635A (zh) * | 2024-03-12 | 2024-05-31 | 无锡碳迹科技有限公司 | 一种储能电站电能优化存储方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116683500B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116683500B (zh) | 一种电化学储能电站有功功率调度方法和系统 | |
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN107947165A (zh) | 一种面向调节需求的配电网灵活性评价方法 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
CN117013606B (zh) | 一种基于人工智能的光伏发电智能储能控制系统 | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
CN117175655A (zh) | 一种分布式新能源电力系统的蓄能控制方法及系统 | |
CN117350507A (zh) | 一种虚拟电厂调度系统 | |
CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 | |
CN118054451A (zh) | 风电场群优化储能的管理方法及装置、微电网系统 | |
CN117833319A (zh) | 基于物联网的电力调峰系统 | |
CN116933952B (zh) | 基于物联网可视化的园区低碳能源调度系统 | |
CN117670299A (zh) | 用于建筑园区的数字化运维监管方法及系统 | |
CN116914738A (zh) | 一种基于人工智能的新能源储能分析方法及系统 | |
CN114626604B (zh) | 一种基于基准站感知的分布式光伏观测方法及系统 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN108183498B (zh) | 一种含风光储配电网背景下的车储混合配置方法 | |
CN117249537B (zh) | 一种基于中央空调的虚拟电厂调度与控制系统及方法 | |
CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及系统 | |
CN117638919B (zh) | 基于多能互补的充电桩补能优化方法 | |
CN118367593B (zh) | 面向电力系统需求的储能系统运行模式及优化调度方法 | |
CN118137572B (zh) | 一种基于电力负荷分配的清洁能源消纳能力提升方法 | |
CN114465231B (zh) | 一种海上风力发电的电力接入方法及系统 | |
Wang et al. | Intraday net load reserve demand assessment based on catboost and kernel density estimation |
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 |