CN116722605B - 一种基于物联网的配电网调度优化方法 - Google Patents
一种基于物联网的配电网调度优化方法 Download PDFInfo
- Publication number
- CN116722605B CN116722605B CN202310988783.8A CN202310988783A CN116722605B CN 116722605 B CN116722605 B CN 116722605B CN 202310988783 A CN202310988783 A CN 202310988783A CN 116722605 B CN116722605 B CN 116722605B
- Authority
- CN
- China
- Prior art keywords
- power
- neural network
- network model
- utilization area
- area
- 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 42
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000009826 distribution Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 72
- 238000010248 power generation Methods 0.000 claims abstract description 65
- 230000005611 electricity Effects 0.000 claims description 57
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/06313—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
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于物联网的配电网调度优化方法,涉及电力调度技术领域,通过收集区域用电权重以及历史电力负荷序列;基于历史电力负荷数据,训练出预测下一时刻的电力负荷的第一神经网络模型,收集历史发电量序列,训练出预测下一时刻的总发电量的第二神经网络模型,基于预测的下一时刻的总发电量,预测的下一时刻的电力负荷以及区域权重数据,生成第一电力调度策略;基于第一电力调度策略、实际电力负荷以及预测的电力负荷,构建线性规划问题,并求解该线性规划问题,生成第二电力调度策略;提高了电力调度过程的准确性和稳定性。
Description
技术领域
本发明涉及技术电力调度领域,具体是一种基于物联网的配电网调度优化方法。
背景技术
电力调度是指对电力系统中的发电机组和负荷进行合理的调度和控制,以保证电力系统的稳定运行和满足用户的电力需求;电力调度的目标是在保证供电可靠性和质量的前提下,实现电力系统的经济运行和资源优化利用;
然而用户负载的变化受到多种因素的影响,包括天气条件、季节性变化、节假日活动、工业生产需求等,这些因素的复杂性和不确定性使得精确预测用户负载变得困难;
传统的电力调度方案是使用中心化调度,即从电力生产时,即对所有用电区域进行统一的调度,在出现误差时,也使用中心化调度方式进行调整,但从发电厂运输电力至各个用电区域,会产生大量的损耗,且进一步也存在一些用电区域的电力过度调度了,同样产生的电力浪费;
为此,本发明提出一种基于物联网的配电网调度优化方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于物联网的配电网调度优化方法,提高了电力调度过程的准确性和稳定性。
为实现上述目的,根据本发明的第一方面的实施例提出一种基于物联网的配电网调度优化方法,包括以下步骤:
收集各个用电区域的区域用电权重以及各个用电区域的历史电力负荷序列;
基于历史电力负荷数据,训练出预测各个用电区域的下一时刻的电力负荷的第一神经网络模型;
收集历史发电量序列,基于历史发电量序列训练出预测下一时刻的总发电量的第二神经网络模型;
基于第一神经网络模型,生成每个用电区域的预测的下一时刻的电力负荷;基于第二神经网络模型,生成预测的下一时刻的总发电量;
基于预测的下一时刻的总发电量,预测的下一时刻的电力负荷以及区域权重数据,生成第一电力调度策略;
收集下一时刻各个发电区域的实际电力负荷,基于第一电力调度策略、实际电力负荷以及预测的电力负荷,构建线性规划问题,并求解该线性规划问题,生成第二电力调度策略;
其中,配电网中每个变电站负责调度的区域范围称为一个所述用电区域;
其中,所述区域用电权重为预设的衡量每个用电区域的用电重要程度的取值;
每个用电区域的所述历史电力负荷序列为按时间顺序排序的,过去每一时刻该用电区域内的实际电力负荷组成的电力负荷序列;
训练出预测各个用电区域的下一时刻的电力负荷的第一神经网络模型的方式为:
对于每个用电区域的历史电力负荷序列,预设第一预测时间步长为1,并预设第一滑动步长以及第一滑动窗口长度,将历史电力负荷序列使用滑动窗口方法转化为若干个第一训练样本,将每组第一训练样本作为第一神经网络模型的输入,第一神经网络模型以未来的第一预测时间步长的电力负荷作为输出,每个第一训练样本后续第一预测时间步长内,在历史电力负荷序列的后续第一预测时间步长内的电力负荷作为预测目标,对第一神经网络模型进行训练;生成预测下一时刻电力负荷的第一神经网络模型;所述第一神经网络模型为RNN神经网络模型;
进一步的,所述历史发电量序列为按时间顺序收集的,发电厂过去每一时刻产生的总发电量排列的序列;
基于历史发电量序列训练出预测下一时刻的总发电量的第二神经网络模型的方式为:
预设第二预测时间步长为1,并预设第二滑动步长以及第二滑动窗口长度,将历史发电量序列用滑动窗口方法转化为若干个第二训练样本,将每组第二训练样本作为第二神经网络模型的输入,第二神经网络模型以未来的第二预测时间步长的总发电量作为输出,每个第二训练样本后续第二预测时间步长内,在历史负荷训练数据的后续第二预测时间步长内的总发电量作为预测目标,对第二神经网络模型进行训练;生成预测下一时刻总总发电量的第二神经网络模型;所述第二神经网络模型为RNN神经网络模型;
生成每个用电区域的预测的下一时刻的电力负荷的方式为:
对于每个用电区域,将每个时刻之前的第一滑动窗口长度的历史电力负荷序列作为对应的第一神经网络模型的输入,获得第一神经网络模型输出的预测的下一时刻的电力负荷;
生成预测的下一时刻的总发电量的方式为:
将每个时刻之前的第二滑动窗口长度的历史发电量序列作为第二神经网络模型的输入,获得第二神经网络模型输出的预测的下一时刻的总发电量;
生成第一电力调度策略的方式为:
将用电区域的集合标记为I,将每个用电区域的编号标记为i,将第i个用电区域的区域用电权重标记为wi,将第i个用电区域的预测的下一时刻的电力负荷标记为Pi;其中,i=1,2,3,…|I|;
将预测的下一时刻的总发电量标记为N;
若,说明总发电量足够所有用电区域使用,则第一电力调度策略为:为第i个用电区域分配的电功率大小为Pi;
若,说明总发电量不足够所有用电区域使用,则第一电力调度策略生成步骤为:
步骤101:构造用电区域中间集合I1;用电区域中间集合I1初始值等于I,对于第i个用电区域,计算分配电功率值Fi,分配电功率值Fi的计算公式为:;
步骤102:遍历用电区域中间集合I1中所有用电区域,若第i个用电区域的分配电功率值Fi大于Pi,则为第i个用电区域分配的电功率大小为Pi,将N更新为N-Pi,并将第i个用电区域从用电区域中间集合I1中筛除;
步骤103:对于用电区域中间集合I1筛除后剩余的用电区域,重复执行步骤101和步骤102,直至无法继续筛除用电区域;
步骤104:对于用电区域中间集合I1中的剩余的每个用电区域,分配的电功率大小对应的分配电功率值;
收集下一时刻各个发电区域的实际电力负荷的方式为:
在每一时刻开始时,通过每个发电区域的最高层级的智能电能表获得该片用电区域的电力负荷,作为实际电力负荷;
构建线性规划问题的方式为:
将第i个用电区域分配的电功率大小标记为Ai;
将第i个用电区域实际电力负荷标记为Ri;
计算第i个用电区域的调度误差值Ci,其中调度误差值Ci=Ri-Ai;
将所有用电区域按Ci的正负值划分为两个用电区域集合I1和I2,其中用电区域集合I1中的用电区域对应的调度误差值大于0,用电区域集合I2中的用电区域对应的调度误差值小于或等于0;
将用电区域的集合I1和用电区域I2中的用电区域的编号分别标记为i1和i2,则将第i1个用电区域和第i2个用电区域的变电站之间的距离标记为Si1i2;
为用电区域i1和用电区域i2的组合设置一个变量Xi1i2;Xi1i2的含义为用电区域i1向用电区域i2输送的电功率大小;
设计优化目标函数h,其中优化目标函数h的表达式为 ;其中,b1和b2分别为预设的大于0的比例系数;
设计约束目标集合U;其中约束目标集合U包括:
;
所述线性规划问题以最小化优化目标函数h为优化目标,以约束目标集合U作为线性规划问题的约束目标集合;
生成第二电力调度策略的方式为:
使用线性规划求解工具求解所述线性规划问题,得到解集合;所述解集合中,对于任意的变量Xi1i2,从第i1个用电区域向第i2个用电区域调度的电功率值为解集合中变量Xi1i2对应的解。
与现有技术相比,本发明的有益效果是:
本发明通过收集各个用电区域的区域用电权重以及各个用电区域的历史电力负荷序列,基于历史电力负荷数据,训练出预测各个用电区域的下一时刻的电力负荷的第一神经网络模型,收集历史发电量序列,基于历史发电量序列训练出预测下一时刻的总发电量的第二神经网络模型,基于第一神经网络模型,生成每个用电区域的预测的下一时刻的电力负荷;基于第二神经网络模型,生成预测的下一时刻的总发电量,基于预测的下一时刻的总发电量,预测的下一时刻的电力负荷以及区域权重数据,生成第一电力调度策略,收集下一时刻各个发电区域的实际电力负荷,基于第一电力调度策略、实际电力负荷以及预测的电力负荷,构建线性规划问题,并求解该线性规划问题,生成第二电力调度策略;在对电力负荷预测出现误差时,在各个用电区域内部进行综合调度,提高了电力调度过程的准确性和稳定性。
附图说明
图1为本发明的基于物联网的配电网调度优化方法的流程图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
如图1所示,一种基于物联网的配电网调度优化方法,包括以下步骤:
步骤一:收集各个用电区域的区域用电权重以及各个用电区域的历史电力负荷序列;
步骤二:基于历史电力负荷数据,训练出预测各个用电区域的下一时刻的电力负荷的第一神经网络模型;
步骤三:收集历史发电量序列,基于历史发电量序列训练出预测下一时刻的总发电量的第二神经网络模型;
步骤四:基于第一神经网络模型,生成每个用电区域的预测的下一时刻的电力负荷;基于第二神经网络模型,生成预测的下一时刻的总发电量;
步骤五:基于预测的下一时刻的总发电量,预测的下一时刻的电力负荷以及区域权重数据,生成第一电力调度策略;
步骤六:收集下一时刻各个发电区域的实际电力负荷,基于第一电力调度策略、实际电力负荷以及预测的电力负荷,构建线性规划问题,并求解该线性规划问题,生成第二电力调度策略;
其中,配电网中每个变电站负责调度的区域范围称为一个所述用电区域;
其中,所述区域用电权重为预设的衡量每个用电区域的用电重要程度的取值;可以理解的是,在配电网络中,存在部分区域的用电是需要时刻保障供应的,例如一些主要产业的工厂或一些高电力依赖的实验区域,因此,根据每片用电区域对电力的实际依赖程度,可以设置不同的区域权重数据;
进一步的,每个用电区域的所述历史电力负荷序列为按时间顺序排序的,过去每一时刻该用电区域内的实际电力负荷组成的电力负荷序列;可以理解的是,实际电力负荷可以通过每个用电区域对应的变电站的最高层级的智能电能表的变化值计算出;用电区域中的最高层级的智能电能表监测的是该片用电区域的历史用电量;
训练出预测各个用电区域的下一时刻的电力负荷的第一神经网络模型的方式为:
对于每个用电区域的历史电力负荷序列,预设第一预测时间步长为1,并预设第一滑动步长以及第一滑动窗口长度,将历史电力负荷序列使用滑动窗口方法转化为若干个第一训练样本,将每组第一训练样本作为第一神经网络模型的输入,第一神经网络模型以未来的第一预测时间步长的电力负荷作为输出,每个第一训练样本后续第一预测时间步长内,在历史电力负荷序列的后续第一预测时间步长内的电力负荷作为预测目标,对第一神经网络模型进行训练;生成预测下一时刻电力负荷的第一神经网络模型;所述第一神经网络模型为RNN神经网络模型;
需要说明的是,滑动窗口方法如下所示:
假设我们要用历史数据[1,2,3,4,5,6]来训练一个时间预测模型,设置预测时间步长为1,滑动步长设置1以及滑动窗口长度设置为3;则生成3组训练数据和对应的预测目标数据:[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据,以[4]、[5]以及[6]分别作为预测目标;
进一步的,所述历史发电量序列为按时间顺序收集的,发电厂过去每一时刻产生的总发电量排列的序列;可以理解的是,总发电量可以通过在发电厂安装功率传感器,实时通过功率传感器获得;
基于历史发电量序列训练出预测下一时刻的总发电量的第二神经网络模型的方式为:
预设第二预测时间步长为1,并预设第二滑动步长以及第二滑动窗口长度,将历史发电量序列用滑动窗口方法转化为若干个第二训练样本,将每组第二训练样本作为第二神经网络模型的输入,第二神经网络模型以未来的第二预测时间步长的总发电量作为输出,每个第二训练样本后续第二预测时间步长内,在历史负荷训练数据的后续第二预测时间步长内的总发电量作为预测目标,对第二神经网络模型进行训练;生成预测下一时刻总总发电量的第二神经网络模型;所述第二神经网络模型为RNN神经网络模型;
生成每个用电区域的预测的下一时刻的电力负荷的方式为:
对于每个用电区域,将每个时刻之前的第一滑动窗口长度的历史电力负荷序列作为对应的第一神经网络模型的输入,获得第一神经网络模型输出的预测的下一时刻的电力负荷;
生成预测的下一时刻的总发电量的方式为:
将每个时刻之前的第二滑动窗口长度的历史发电量序列作为第二神经网络模型的输入,获得第二神经网络模型输出的预测的下一时刻的总发电量;
生成第一电力调度策略的方式为:
将用电区域的集合标记为I,将每个用电区域的编号标记为i,将第i个用电区域的区域用电权重标记为wi,将第i个用电区域的预测的下一时刻的电力负荷标记为Pi;其中,i=1,2,3,…|I|;
将预测的下一时刻的总发电量标记为N;
若,说明总发电量足够所有用电区域使用,则第一电力调度策略为:为第i个用电区域分配的电功率大小为Pi;
若,说明总发电量不足够所有用电区域使用,则第一电力调度策略生成步骤为:
步骤101:构造用电区域中间集合I1;用电区域中间集合I1初始值等于I,对于第i个用电区域,计算分配电功率值Fi,分配电功率值Fi的计算公式为:;
步骤102:遍历用电区域中间集合I1中所有用电区域,若第i个用电区域的分配电功率值Fi大于Pi,则为第i个用电区域分配的电功率大小为Pi,将N更新为N-Pi,并将第i个用电区域从用电区域中间集合I1中筛除;
步骤103:对于用电区域中间集合I1筛除后剩余的用电区域,重复执行步骤101和步骤102,直至无法继续筛除用电区域;
步骤104:对于用电区域中间集合I1中的剩余的每个用电区域,分配的电功率大小对应的分配电功率值;
收集下一时刻各个发电区域的实际电力负荷的方式为:
在每一时刻开始时,通过每个发电区域的最高层级的智能电能表获得该片用电区域的电力负荷,作为实际电力负荷;
构建线性规划问题的方式为:
将第i个用电区域分配的电功率大小标记为Ai;
将第i个用电区域实际电力负荷标记为Ri;
计算第i个用电区域的调度误差值Ci,其中调度误差值Ci=Ri-Ai;
将所有用电区域按Ci的正负值划分为两个用电区域集合I1和I2,其中用电区域集合I1中的用电区域对应的调度误差值大于0,用电区域集合I2中的用电区域对应的调度误差值小于或等于0;
将用电区域的集合I1和用电区域I2中的用电区域的编号分别标记为i1和i2,则将第i1个用电区域和第i2个用电区域的变电站之间的距离标记为Si1i2;
为用电区域i1和用电区域i2的组合设置一个变量Xi1i2;Xi1i2的含义为用电区域i1向用电区域i2输送的电功率大小;
设计优化目标函数h,其中优化目标函数h的表达式为 ;其中,b1和b2分别为预设的大于0的比例系数;可以理解的是,/>表达的是用第i1个用电区域在输送多余电力后的调度误差值,/>表达的是第i2个用电区域在接收到多余电力后的调度误差值,显然对于区域用电权重越大的用电区域,误差越小越符合电力调度的需求;/>衡量的是电力从第i1个用电区域传输至第i2个用电区域的传输代价,显然传输代价越小越好;
设计约束目标集合U;其中约束目标集合U包括:
;
所述线性规划问题以最小化优化目标函数h为优化目标,以约束目标集合U作为线性规划问题的约束目标集合;
生成第二电力调度策略的方式为:
使用线性规划求解工具求解所述线性规划问题,得到解集合;所述解集合中,对于任意的变量Xi1i2,从第i1个用电区域向第i2个用电区域调度的电功率值为解集合中变量Xi1i2对应的解。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种基于物联网的配电网调度优化方法,其特征在于,包括以下步骤:
收集各个用电区域的区域用电权重以及各个用电区域的历史电力负荷序列;
基于历史电力负荷数据,训练出预测各个用电区域的下一时刻的电力负荷的第一神经网络模型;
收集历史发电量序列,基于历史发电量序列训练出预测下一时刻的总发电量的第二神经网络模型;
基于第一神经网络模型,生成每个用电区域的预测的下一时刻的电力负荷;基于第二神经网络模型,生成预测的下一时刻的总发电量;
基于预测的下一时刻的总发电量,预测的下一时刻的电力负荷以及区域权重数据,生成第一电力调度策略;
收集下一时刻各个发电区域的实际电力负荷,基于第一电力调度策略、实际电力负荷以及预测的电力负荷,构建线性规划问题,并求解该线性规划问题,生成第二电力调度策略;
生成第一电力调度策略的方式为:
将用电区域的集合标记为I,将每个用电区域的编号标记为i,将第i个用电区域的区域用电权重标记为wi,将第i个用电区域的预测的下一时刻的电力负荷标记为Pi;其中,i=1,2,3,…|I|;
将预测的下一时刻的总发电量标记为N;
若,说明总发电量足够所有用电区域使用,则第一电力调度策略为:为第i个用电区域分配的电功率大小为Pi;
若,说明总发电量不足够所有用电区域使用,则第一电力调度策略生成步骤为:
步骤101:构造用电区域中间集合I1;用电区域中间集合I1初始值等于I,对于第i个用电区域,计算分配电功率值Fi,分配电功率值Fi的计算公式为:;
步骤102:遍历用电区域中间集合I1中所有用电区域,若第i个用电区域的分配电功率值Fi大于Pi,则为第i个用电区域分配的电功率大小为Pi,将N更新为N-Pi,并将第i个用电区域从用电区域中间集合I1中筛除;
步骤103:对于用电区域中间集合I1筛除后剩余的用电区域,重复执行步骤101和步骤102,直至无法继续筛除用电区域;
步骤104:对于用电区域中间集合I1中的剩余的每个用电区域,分配的电功率大小对应的分配电功率值。
2.根据权利要求1所述的一种基于物联网的配电网调度优化方法,其特征在于,配电网中每个变电站负责调度的区域范围称为一个所述用电区域;
其中,所述区域用电权重为预设的衡量每个用电区域的用电重要程度的取值;
每个用电区域的所述历史电力负荷序列为按时间顺序排序的,过去每一时刻该用电区域内的实际电力负荷组成的电力负荷序列;
所述历史发电量序列为按时间顺序收集的,发电厂过去每一时刻产生的总发电量排列的序列。
3.根据权利要求2所述的一种基于物联网的配电网调度优化方法,其特征在于,训练出预测各个用电区域的下一时刻的电力负荷的第一神经网络模型的方式为:
对于每个用电区域的历史电力负荷序列,预设第一预测时间步长为1,并预设第一滑动步长以及第一滑动窗口长度,将历史电力负荷序列使用滑动窗口方法转化为若干个第一训练样本,将每组第一训练样本作为第一神经网络模型的输入,第一神经网络模型以未来的第一预测时间步长的电力负荷作为输出,每个第一训练样本后续第一预测时间步长内,在历史电力负荷序列的后续第一预测时间步长内的电力负荷作为预测目标,对第一神经网络模型进行训练;生成预测下一时刻电力负荷的第一神经网络模型;所述第一神经网络模型为RNN神经网络模型。
4.根据权利要求3所述的一种基于物联网的配电网调度优化方法,其特征在于,基于历史发电量序列训练出预测下一时刻的总发电量的第二神经网络模型的方式为:
预设第二预测时间步长为1,并预设第二滑动步长以及第二滑动窗口长度,将历史发电量序列用滑动窗口方法转化为若干个第二训练样本,将每组第二训练样本作为第二神经网络模型的输入,第二神经网络模型以未来的第二预测时间步长的总发电量作为输出,每个第二训练样本后续第二预测时间步长内,在历史负荷训练数据的后续第二预测时间步长内的总发电量作为预测目标,对第二神经网络模型进行训练;生成预测下一时刻总总发电量的第二神经网络模型;所述第二神经网络模型为RNN神经网络模型。
5.根据权利要求4所述的一种基于物联网的配电网调度优化方法,其特征在于,生成每个用电区域的预测的下一时刻的电力负荷的方式为:
对于每个用电区域,将每个时刻之前的第一滑动窗口长度的历史电力负荷序列作为对应的第一神经网络模型的输入,获得第一神经网络模型输出的预测的下一时刻的电力负荷;
生成预测的下一时刻的总发电量的方式为:
将每个时刻之前的第二滑动窗口长度的历史发电量序列作为第二神经网络模型的输入,获得第二神经网络模型输出的预测的下一时刻的总发电量。
6.根据权利要求5所述的一种基于物联网的配电网调度优化方法,其特征在于,构建线性规划问题的方式为:
将第i个用电区域分配的电功率大小标记为Ai;
将第i个用电区域实际电力负荷标记为Ri;
计算第i个用电区域的调度误差值Ci,其中调度误差值Ci=Ri-Ai;
将所有用电区域按Ci的正负值划分为两个用电区域集合I1和I2,其中用电区域集合I1中的用电区域对应的调度误差值大于0,用电区域集合I2中的用电区域对应的调度误差值小于或等于0;
将用电区域的集合I1和用电区域I2中的用电区域的编号分别标记为i1和i2,则将第i1个用电区域和第i2个用电区域的变电站之间的距离标记为Si1i2;
为用电区域i1和用电区域i2的组合设置一个变量Xi1i2;Xi1i2的含义为用电区域i1向用电区域i2输送的电功率大小;
设计优化目标函数h,其中优化目标函数h的表达式为;其中,b1和b2分别为预设的大于0的比例系数;
设计约束目标集合U;其中约束目标集合U包括:
;
所述线性规划问题以最小化优化目标函数h为优化目标,以约束目标集合U作为线性规划问题的约束目标集合。
7.根据权利要求6所述的一种基于物联网的配电网调度优化方法,其特征在于,生成第二电力调度策略的方式为:
使用线性规划求解工具求解所述线性规划问题,得到解集合;所述解集合中,对于任意的变量Xi1i2,从第i1个用电区域向第i2个用电区域调度的电功率值为解集合中变量Xi1i2对应的解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988783.8A CN116722605B (zh) | 2023-08-08 | 2023-08-08 | 一种基于物联网的配电网调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988783.8A CN116722605B (zh) | 2023-08-08 | 2023-08-08 | 一种基于物联网的配电网调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116722605A CN116722605A (zh) | 2023-09-08 |
CN116722605B true CN116722605B (zh) | 2023-10-17 |
Family
ID=87868307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310988783.8A Active CN116722605B (zh) | 2023-08-08 | 2023-08-08 | 一种基于物联网的配电网调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116722605B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117293824B (zh) * | 2023-11-23 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232475A (zh) * | 2019-05-29 | 2019-09-13 | 广东电网有限责任公司 | 一种分布式输电网配电网协同经济调度方法 |
CN110854932A (zh) * | 2019-11-21 | 2020-02-28 | 国网山东省电力公司青岛供电公司 | 一种交直流配电网多时间尺度优化调度方法及系统 |
CN115018376A (zh) * | 2022-07-01 | 2022-09-06 | 上海电器科学研究所(集团)有限公司 | 一种考虑新型电力系统特征的负荷调控优化方法 |
CN115374908A (zh) * | 2022-08-22 | 2022-11-22 | 广东电网有限责任公司 | 适用于配网柔性互联实时控制的短期负荷预测方法和系统 |
CN115719979A (zh) * | 2022-12-01 | 2023-02-28 | 国网福建省电力有限公司 | 新能源微电网离网运行的源荷储协调控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017006371A1 (en) * | 2015-07-08 | 2017-01-12 | Nec Corporation | Renewable power system and sizing method for controllable plant associated with renewable power system |
-
2023
- 2023-08-08 CN CN202310988783.8A patent/CN116722605B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232475A (zh) * | 2019-05-29 | 2019-09-13 | 广东电网有限责任公司 | 一种分布式输电网配电网协同经济调度方法 |
CN110854932A (zh) * | 2019-11-21 | 2020-02-28 | 国网山东省电力公司青岛供电公司 | 一种交直流配电网多时间尺度优化调度方法及系统 |
CN115018376A (zh) * | 2022-07-01 | 2022-09-06 | 上海电器科学研究所(集团)有限公司 | 一种考虑新型电力系统特征的负荷调控优化方法 |
CN115374908A (zh) * | 2022-08-22 | 2022-11-22 | 广东电网有限责任公司 | 适用于配网柔性互联实时控制的短期负荷预测方法和系统 |
CN115719979A (zh) * | 2022-12-01 | 2023-02-28 | 国网福建省电力有限公司 | 新能源微电网离网运行的源荷储协调控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于神经网络的电力系统负荷预测问题研究;郭威;巴秀玲;马文远;王伟;徐志峰;;自动化与仪器仪表(第10期);全文 * |
计及预测可信度时段差异性的含分布式可再生能源配电网调度策略;马建伟;孙芊;张景超;刘充许;周双喜;;电力系统及其自动化学报(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116722605A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN110782363A (zh) | 一种计及风电不确定性的交直流配电网调度方法 | |
CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN116722605B (zh) | 一种基于物联网的配电网调度优化方法 | |
CN111799847A (zh) | 计及风险的主动配电网两阶段随机模型的预测控制方法 | |
CN113346555B (zh) | 一种考虑电量协调的日内滚动调度方法 | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
Zhang et al. | Ultra-short term wind power prediction model based on modified grey model method for power control in wind farm | |
CN115733191A (zh) | 一种源网荷储系统互动协调优化方法、系统及存储介质 | |
CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
KR101793149B1 (ko) | 마이크로그리드 운영 시스템 및 방법 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Ding et al. | Forecast of pv power generation based on residual correction of markov chain | |
CN112884265B (zh) | 一种应用于城市电网网源协调的智能管理方法 | |
Shendryk et al. | Decision Support System for Efficient Energy Management of MicroGrid with Renewable Energy Sources | |
Ye et al. | Multi-scenario stochastic optimal scheduling for power systems with source-load matching based on pseudo-inverse Laguerre polynomials | |
CN115705608A (zh) | 一种虚拟电厂负荷感知方法及装置 | |
Li et al. | Power grid load state information perception forecasting technology for battery energy storage system based on Elman neural network | |
Zile | Smart energy management in solar/wind power stations using artificial neural networks | |
Chen et al. | Research on short-term electricity price prediction in power market based on BP neural network | |
Wang et al. | Intraday net load reserve demand assessment based on catboost and kernel density estimation | |
CN116845985B (zh) | 一种基于数据分析的源网荷储协同调度系统 | |
Chu et al. | A method for evaluating the controllable potential of distributed resources in virtual power plants based on cloud edge collaborative architecture | |
CN116760097A (zh) | 一种光伏并网柔性控制系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |