CN116739831A - 虚拟电厂的电能调度方法、装置、设备及存储介质 - Google Patents
虚拟电厂的电能调度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116739831A CN116739831A CN202311029436.9A CN202311029436A CN116739831A CN 116739831 A CN116739831 A CN 116739831A CN 202311029436 A CN202311029436 A CN 202311029436A CN 116739831 A CN116739831 A CN 116739831A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- power
- scheduling
- curve
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005265 energy consumption Methods 0.000 claims abstract description 159
- 238000010248 power generation Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 abstract description 10
- 239000002699 waste material Substances 0.000 abstract description 6
- 230000005611 electricity Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000013049 sediment Substances 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
Abstract
本发明属于虚拟电厂技术领域,公开了一种虚拟电厂的电能调度方法、装置、设备及存储介质。本发明通过获取气象数据和水文数据,将气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线,将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线,根据电能产出曲线与电能消耗曲线得到未来时段的能耗产出率,在能耗产出率大于预设调度阈值时,根据能耗产出率与预设调度阈值的差值得到电量调度信息,根据电量调度信息进行电能调度,实现对电能的产出与消耗进行把控,通过对电能的产出与消耗进行预测,相对于现有技术,本发明能提前做出对应的调度策略,既能够减少储能设备的成本还能够避免电能浪费。
Description
技术领域
本发明涉及电力调度技术领域,尤其涉及一种虚拟电厂的电能调度方法、装置、设备及存储介质。
背景技术
随着清洁资源不断开发,火力发电占总发电量比重逐步下降,水电、风电、光伏电力逐渐发展起来。但是水电、风电、光伏发电的间歇性和波动性容易出现发电量不稳定的情况,在电厂发电量过多时,额外产生的电能会造成资源浪费,当发电量不够时,又会影响到生活生产用电,因此为了保证电网的供电稳定性,目前所采用的方法通常为并网电厂设置大量的储能设备来存储多余的电能以及为电网输送电能来维持电网的供电稳定,但是储能设备的成本高昂,储能设备为供电功率的调节作用相对较小。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种虚拟电厂的电能调度方法、装置、设备及存储介质,旨在解决现有技术通过设置大量的储能设备来对电网供电进行调节的技术问题。
为实现上述目的,本发明提供了一种虚拟电厂的电能调度方法,所述方法包括以下步骤:
获取气象数据和水文数据,将所述气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线;
将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线;
根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率;
在所述能耗产出率大于预设调度阈值时,根据所述能耗产出率与所述预设调度阈值的差值得到电量调度信息,根据所述电量调度信息进行电能调度。
可选地,所述获取气象数据和水文数据,将所述气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线之前,还包括:
获取历史气象数据、历史水文数据、历史时刻、历史电能产出曲线和历史电能消耗曲线,将所述历史气象数据、所述历史水文数据、所述历史时刻、所述历史电能产出曲线和所述历史电能消耗曲线分为训练集和验证集;
对所述训练集和所述验证集中的所述历史气象数据、所述历史水文数据、所述历史时刻、所述历史电能产出曲线和所述历史电能消耗曲线按照时间信息进行数据分组,得到至少一个数据分组;
对所述数据分组中的数据进行归一化处理,得到归一化数据;
根据所述归一化数据按照所述时间信息构建回归曲线;
根据所述回归曲线得到回归系数;
将所述归一化数据与所述回归系数输入至初始电能预测模型,得到电能预测模型。
可选地,所述将所述归一化数据与所述回归系数输入至初始电能预测模型,得到电能预测模型,包括:
将所述归一化数据划分为若干个数据单元,所述数据单元包括所述历史气象数据、所述历史水文数据、所述历史时刻和所述历史电能产出曲线和所述历史电能消耗曲线的对应关系;
对所述数据单元输入值初始电能预测模型中,得到预测值;
将所述预测值与所述验证值进行比较,得到误差值;
在所述误差值大于预设误差阈值时,将所述误差值输入至损失函数,得到损失系数;
根据所述损失系数调整所述初始电能预测模型的权重,根据所述权重更新所述初始电能预测模型,得到更新后的电能预测模型;
在所述误差值小于预设误差阈值时,将所述更新后的电能预测模型作为电能预测模型。
可选地,所述根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率,包括:
统计分布式电源的输出功率,根据所述输出功率生成分布式电源电能输出曲线;
将所述分布式电源电能输出曲线对所述电能产出曲线更新,得到更新后的电能产出曲线;
根据所述更新后的电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率。
可选地,所述根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率,包括:
根据所述电能产出曲线与所述电能消耗曲线得到电能净产出曲线;
根据所述电能净产出曲线得到所述未来时段的能耗产出率。
可选地,所述在所述能耗产出率大于预设调度阈值时,根据所述能耗产出率与所述预设调度阈值的差值得到电量调度信息,根据所述电量调度信息进行电能调度,包括:
在所述能耗产出率高于预设调度阈值时,对所述能耗产出率进行分析;
根据所述能耗产出率与所述预设调度阈值得到调度系数;
在所述能耗产出率大于1时,根据所述调度系数生成第一调度信息;
在所述能耗产出率小于1时,根据所述调度系数生成第二调度信息;
根据所述第一调度信息或所述第二调度信息进行电能调度。
可选地,所述根据所述第一调度信息或所述第二调度信息进行电能调度,包括:
在所述调度信息为第一调度信息时,根据所述调度系数生成电能降低系数;
根据所述电能降低系数得到火力发电厂的产出功率,使所述火力发电厂根据所述产出功率进行电能产出;
在所述调度信息为第二调度信息时,根据所述调度系数生成电能提升系数;
根据所述电能提升系数得到需要提升的电能产出功率;
检测当前清洁能源发电功率状态,在所述清洁能源存在可发电功率,将所述电能产出功率与所述可发电功率进行比较,在所述电能产出功率大于所述可发电功率时,根据所述电能产出功率与所述可发电功率得到火力发电功率;
根据所述可发电功率和所述火力发电功率调度所述清洁能源和火力发电厂进行电能产出。
此外,为实现上述目的,本发明还提出一种虚拟电厂的电能调度装置,所述虚拟电厂的电能调度装置包括:
产出统计模块,用于获取气象数据和水文数据,将所述气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线;
消耗统计模块,用于将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线;
确认模块,用于根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率;
调度模块,用于在所述能耗产出率大于预设调度阈值时,根据所述能耗产出率与所述预设调度阈值的差值得到电量调度信息,根据所述电量调度信息进行电能调度。
此外,为实现上述目的,本发明还提出一种虚拟电厂的电能调度设备,所述虚拟电厂的电能调度设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的虚拟电厂的电能调度程序,所述虚拟电厂的电能调度程序配置为实现如上文所述的虚拟电厂的电能调度方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有虚拟电厂的电能调度程序,所述虚拟电厂的电能调度程序被处理器执行时实现如上文所述的虚拟电厂的电能调度方法的步骤。
本发明通过获取气象数据和水文数据,将气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线,将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线,根据电能产出曲线与电能消耗曲线得到未来时段的能耗产出率,在能耗产出率大于预设调度阈值时,根据能耗产出率与预设调度阈值的差值得到电量调度信息,根据电量调度信息进行电能调度,实现对电能的产出与消耗进行把控,通过对电能的产出与消耗进行预测,相对于现有技术,本发明能提前做出对应的调度策略,既能够减少储能设备的成本还能够避免电能浪费。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的虚拟电厂的电能调度设备的结构示意图;
图2为本发明虚拟电厂的电能调度方法第一实施例的流程示意图;
图3为本发明虚拟电厂的电能调度方法一实施例的清洁能源的电能产出曲线图;
图4为本发明虚拟电厂的电能调度方法一实施例的未来时段的电能消耗曲线图;
图5为本发明虚拟电厂的电能调度方法一实施例的能量产出率的曲线图;
图6为本发明虚拟电厂的电能调度方法第二实施例的流程示意图;
图7为本发明虚拟电厂的电能调度方法一实施例的为电能预测模型的训练示意图;
图8为本发明虚拟电厂的电能调度装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的虚拟电厂的电能调度设备结构示意图。
如图1所示,该虚拟电厂的电能调度设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对虚拟电厂的电能调度设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及虚拟电厂的电能调度程序。
在图1所示的虚拟电厂的电能调度设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明虚拟电厂的电能调度设备中的处理器1001、存储器1005可以设置在虚拟电厂的电能调度设备中,所述虚拟电厂的电能调度设备通过处理器1001调用存储器1005中存储的虚拟电厂的电能调度程序,并执行本发明实施例提供的虚拟电厂的电能调度方法。
本发明实施例提供了一种虚拟电厂的电能调度方法,参照图2,图2为本发明一种虚拟电厂的电能调度方法第一实施例的流程示意图。
本实施例中,所述虚拟电厂的电能调度方法包括以下步骤:
步骤S10:获取气象数据和水文数据,将所述气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线。
需要说明的是,本实施例的执行主体是虚拟电厂的电能调度设备,其中,该虚拟电厂的电能调度设备具有数据处理,数据通信及程序运行等功能,所述虚拟电厂的电能调度设备可以为集成控制器,控制计算机等设备,当然还可以为其他具备相似功能的设备,本实施例对此不做限制。
可以理解的是,所述气象数据与所述水文数据指的是由气象观测站或水文观测站对未来时段的气象数据与水文数据的预测数据,其中,所述气象数据至少包括气压、风向、降水、温度、相对湿度、降水量、云量等内容,水文数据至少包括水位、流量、泥沙、水温、冰情等内容。
应当理解的是,所述电能预测模型是用于根据所述气象数据与所述水文数据进行电能产出预测,能够预测在接下来的一段时间内,包括风电、水电、光电等各形式的清洁能源的发电量,所得到的发电量根据对应的时间能够绘制出对应的电能产出曲线,能够直观的得到未来某一时刻下的电能产出量,其中所述电能预测模型能够对未来进行不同程度的预测,例如可以对未来3小时发电量进行预测,对未来6小时发电量进行预测等,本实施例对此不作限制。
需要说明的是,目前电网中所存在的电能的来源包括火力发电、水力发电、风力发电、太阳能发电、核能发电等。在上述发电方式中,火力发电能够去调控发电量,而风力发电、水力发电、太阳能发电则具有极大的不确定性,会受气象因素与水文因素影响,进而即使是同一个发电设备,每天的发电量也存在区别,因此,在风力发电、水力发电、太阳能发电并入电网时,它们所能提供的电能存在不稳定性,在不进行调度的情况下,电能产出具有较大不确定性,可能造成能源浪费,或是使生活生产用电不足。
目前所采用的方案是通过建设大量的储能设备,在发电量较多的情况下将多余的电能存储起来,在发电量不足的情况下,将存储在储能设备中的电能释放到电网中,为电网供电,这种方式虽然能够减少电能的浪费,但是增加了储能设备的布置成本,使得另一种资源的浪费。
在具体实现中,在所述电能预测模型中包括气象数据和水文数据与发电量之间的转换关系,即能够根据某一时刻的气象数据和水文数据得到该时刻的发电量,因此通过从气象观测站和水文观测站获得到的当地的气象数据与水文数据中,提取出与风力发电、水力发电、太阳能发电相关的数据,根据所述气象数据与所述水文数据根据对应的关系得到未来一段时间内的发电量,并根据所述发电量得到出风力发电、水力发电、太阳能发电这类清洁能源的电能产出曲线,参照图3,图3为清洁能源的电能产出曲线图。在所述电能产出曲线中,能够反映出在不同时刻的电能产出功率,也能够反映出电能的产出趋势。
步骤S20:将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线。
需要说明的是,所述电能消耗量在一天中都不相同,白天的消耗量远大于晚上的消耗量,所述未来时段的消耗曲线指的是在当前时刻后的一段时间内,对电能的需求情况。
在具体实现中,获取当前的时刻,将当前的时刻输入至电能预测模型中,根据当前时刻以及需要预测未来的周期,来生成电能消耗曲线,若当前的时刻为03:00,对未来24小时进行电量预测,预测图参照图4,图4为未来时段的电能消耗曲线图。由于人们的生活生产活动大致相同,因此根据当前的时刻,以及对未来耗电量的预测,能够根据预测的耗电量,来得到未来的电量消耗以及耗电走向,例如图4所示,能够得到在未来每个时间的预测消耗电量。
步骤S30:根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率。
需要说明的是,所述能耗产出率指的是在同一时刻,发电量与耗电量之间的比值,在所述能耗产出值大于1时,说明当前的清洁能源的电能发电量大于电能消耗量,不需要其他方式进行发电即能保证生活生产用电,在所述能耗产出值小于1时,说明当前的清洁能源电能发电量小于电能消耗量,需要其他方式发电。
在具体实现中,在得到并入电网中各清洁能源的发电量之后,能够与火力发电站提供的电能一同为生活生产供电,而火力发电站的发电功率相对固定,因此能够根据电网中的总电量与电能消耗量之间得到能耗产出率,用来反映当前的能耗产出关系,具体对应关系如图5所示,图5为能耗产出率的曲线图。在图5中,当电能发电量大于电能消耗量时,对应的能量产出率大于1,说明当前清洁能源的发电量增大,能够适当降低火力发电站的发电功率,相应的,当电能发电量小于电能消耗量时,对应的能量产出率小于1,说明清洁能源的发电量和火力发电站多提供的电能已经尚不足以支撑电能消耗,需要从其他方式获取电能。
进一步地,所述根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率,包括:
根据所述电能产出曲线与所述电能消耗曲线得到电能净产出曲线;
根据所述电能净产出曲线得到所述未来时段的能耗产出率。
在具体实现中,将所述电能产出曲线与所述电能消耗曲线两者结合,能够得到在未来时刻中电能的产出与消耗之间的关系,具体可以为计算电能产出值与电能消耗值之间差值,并根据所述产出与消耗之间的差值生成得到净产出曲线,其中所述净产出值中可以为正,也可以为负,为正时,说明电能产出高于电能消耗,可适当减小发电量,若为负是,说明电能的产出比电能消耗低,需要进行电能调度。
步骤S40:在所述能耗产出率大于预设调度阈值时,根据所述能耗产出率与所述预设调度阈值的差值得到电量调度信息,根据所述电量调度信息进行电能调度。
需要说明的是,电网中的电能时处于波动状态中的,由于发电量与耗电量处于波动状态中,因此为了保证不影响供电,可以设置波动区间,即所述调度阈值,当所述能耗产出率大于所述预设调度阈值时,需要对电网中的电能进行调度。
在具体实现中,可以预先设置调度阈值,例如可以将预设调度阈值设置为(0.98~1.02)之间,若所述调度阈值在所述调度阈值内,则维持当前状态,若所述能耗产出率超出这个范围,则需要生成调度信息,若所述能耗产出率大于调度阈值时,例如当前的能量产出率为1.05>1.02时,此时能够得到所述能耗产出率与所述预设调度阈值的差值0.03,说明当前的火力发电站能够降低发电功率,因此根据所述差值生产电量调度信息,并根据所述电量调度信息进行电能调度。
本实施例通过获取气象数据和水文数据,将气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线,将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线,根据电能产出曲线与电能消耗曲线得到未来时段的能耗产出率,在能耗产出率大于预设调度阈值时,根据能耗产出率与预设调度阈值的差值得到电量调度信息,根据电量调度信息进行电能调度,实现对电能的产出与消耗进行把控,通过对电能的产出与消耗进行预测,相对于现有技术,本实施例能提前做出对应的调度策略,既能够减少储能设备的成本还能够避免电能浪费。
参考图6,图6为本发明一种虚拟电厂的电能调度方法第二实施例的流程示意图。
基于上述第一实施例,本实施例虚拟电厂的电能调度方法在所述步骤S10之前,还包括:
步骤S01:获取历史气象数据、历史水文数据、历史时刻、历史电能产出曲线和历史电能消耗曲线,将所述历史气象数据、所述历史水文数据、所述历史时刻、所述历史电能产出曲线和所述历史电能消耗曲线分为训练集和验证集。
步骤S02:对所述训练集和所述验证集中的所述历史气象数据、所述历史水文数据、所述历史时刻、所述历史电能产出曲线和所述历史电能消耗曲线按照时间信息进行数据分组,得到至少一个数据分组。
步骤S03:对所述数据分组中的数据进行归一化处理,得到归一化数据;
步骤S04:根据所述归一化数据按照所述时间信息构建回归曲线。
步骤S05:根据所述回归曲线得到回归系数。
步骤S06:将所述归一化数据与所述回归系数输入至初始电能预测模型,得到电能预测模型。
需要说明的是,所述历史气象数据、历史水文数据、历史时刻、历史电能产出曲线和历史电能消耗曲线指的是连续若干年的气象数据、水文数据、历史世界、历史电能产出曲线和历史电能消耗曲线,其中所述历史气象数据、历史水文数据、历史时刻、历史电能产出曲线和历史电能消耗曲线之间存在对应关系,所述历史气象数据、历史水文数据、历史时刻历史电能产出曲线存在对应关系,历史气象数据、历史水文数据、历史时刻与所述电能消耗曲线存在对应关系,其中,所述时刻为具体日期,具体时刻,例如XXXX年XX月XX日XX时,在所述历史气象数据、历史水文数据、历史电能产出曲线和历史电能消耗曲线均与历史时刻存在对应关系。
在具体实现中,将所述历史气象数据、所述历史水文数据、所述历史时刻、所述历史电能产出曲线和所述历史电能消耗曲线按照预设比例分成训练集和验证集,例如可以将所述历史气象数据、历史水文数据、历史时刻、历史电能产出曲线和历史电能消耗曲线按照9:1的比例进行划分,将90% 的数据作为训练集,将10% 的数据作为验证集。在验证集与训练集进行划分之后,可以对所述训练集中的数据进行分组,按照历史时刻中的年份、月份、日期进行分组,其中日期可以包括特殊日期标记,例如春节、周末等特殊时刻。在分组完成后,由于所述数据分组中的量纲不同,因此为了能够便于表达与运算,因此可以将所述分组中的数据进行归一化,使所述数据分组中的数据不至于差距过大,对于数据的归一化方式可以采用线性归一化或标准归一化等,本实施例对此不作限制。在得到归一化数据之后,可以根据将所述归一化之后的时刻信息、气象数据、水文数据输入值所述初始电能预测模型的输入层,在所述初始电能预测模型的隐藏层中,根据时间对所述数据进行展开,通过连续时刻对应的数据来生成预测值,具体训练流程参照图7,图7为电能预测模型的训练示意图。在预测过程中,可以连续输入时间线上相邻的数据,根据所述三个连续的预测时间线上的下一个电能产出值或电能消耗值,将输入层输入的数据,根据预设的训练权重,对所述输入的数据进行预测,得到预测值,将得到的预测值与所述对应的实际电能产出值与电能消耗值进行对比,确定预测据结果是否偏离真实值过大,在偏离真实值过大时,确定出预测误差,并根据所述误差对所述预测权重进行实时校准。在进行训练过程中,预测公式为:
其中,表示电能产出量,/>表示电能消耗量,/>表示电能产出系数,/>表示电能消耗系数,/>表示气象数据,/>表示水文数据,/>表示当前时刻,/>表示当前时间周期,/>表示等效产电效率,/>表示训练权重,/>表示输入的组数,/>表示当前的组数。
除此之外,可以将所述历史气象数据、历史水文数据、历史电能产出曲线和历史电能消耗曲线均与历史时刻按照相同的日期进行划分,或是按照日期类型进行划分,例如可以将历年来除夕当天的各数据进行分组,用于根据历年除夕当天的耗电情况得到耗电回归曲线,进而计算得到耗电增长率,并根据相同的方法,对历年来相同的一天生成回归曲线,确定回归系数。在对特定一天进行预测时,可根据这一天对应的耗电回归曲线进行电能消耗预测。最后能够将所述归一化数据与所述回归系数输出值初始电能预测模型中,得到电能预测模型。
进一步地,所述将所述归一化数据与所述回归系数输入至初始电能预测模型,得到电能预测模型,包括:
将所述归一化数据划分为若干个数据单元,所述数据单元包括所述历史气象数据、所述历史水文数据、所述历史时刻和所述历史电能产出曲线和所述历史电能消耗曲线的对应关系;
对所述数据单元输入值初始电能预测模型中,得到预测值;
将所述预测值与所述验证值进行比较,得到误差值;
在所述误差值大于预设误差阈值时,将所述误差值输入至损失函数,得到损失系数;
根据所述损失系数调整所述初始电能预测模型的权重,根据所述权重更新所述初始电能预测模型,得到更新后的电能预测模型;
在所述误差值小于预设误差阈值时,将所述更新后的电能预测模型作为电能预测模型。
在具体实现中,所述可以将所述归一化数据划分为若干个数据单元,所述数据单元包括所述历史气象数据、所述历史水文数据、所述历史时刻和所述历史电能产出曲线和所述历史电能消耗曲线的对应关系,例如可以按照日期来进行划分,例如将每年的1月1日划分为一个数据单元,每年的1月2日划分为另一个数据单元,依此类推,将所述归一化数据划分为366个数据单元。在对所述数据单元划分完毕后,可以将所述数据单元输入至所述电能预测模型中,生成对应的预测值,此时使电能预测模型能够根据预测值对模型自身进行校准,提高预测精确度,此时能够将当前的预测值与对应的验证值进行比较,求得预测值与验证值之间的差值,并将所述差值与预设误差阈值进行比较,判断所述预测值是否超过预设误差阈值的约束范围,在所述误差值大于预设误差阈值时,将所述误差值输入至损失函数,得到损失系数。其中损失函数可以为:
其中,表示真实值,/>表示预测值,/>表示损失系数。
在得到所述损失函数之后,根据所述损失函数对所述电能预测模型的权重进行校准,并将更新后的权重对当前的电能预测模型进行更新,得到更新后的电能预测模型,在所述误差值小于预设误差阈值时,将所述更新后的电能预测模型作为电能预测模型。
进一步地,所述根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率,包括:
统计分布式电源的输出功率,根据所述输出功率生成分布式电源电能输出曲线;
将所述分布式电源电能输出曲线对所述电能产出曲线更新,得到更新后的电能产出曲线;
根据所述更新后的电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率。
需要说明的是,所述分布式电源为用电客户的自给电源,所述分布式电源能够并入到城市电网中,所述分布式电源所产生的电能一方面能够满足用电需求,若发电量有余可以向城市电网输送,此时所述分布式电源能够一定程度上为城市用电提供部分电能。
在具体实现中,将所述城市中来自分布式电源的电能输出进行统计,由于将并入到电网中的电能产出归纳为分布式电源电能产出曲线,由于所述分布式电源电能输出曲线与所述电能产出曲线作用相同,因此可以将所述分布式电源电能输出曲线与所述电能产出曲线合并,对所述电能输出曲线进行更新,得到更新后的电能产出曲线,在得到更新后的电能产出曲线后,根据所述更新后的电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率。
进一步地,所述在所述能耗产出率大于预设调度阈值时,根据所述能耗产出率与所述预设调度阈值的差值得到电量调度信息,根据所述电量调度信息进行电能调度,包括:
在所述能耗产出率高于预设调度阈值时,对所述能耗产出率进行分析;
根据所述能耗产出率与所述预设调度阈值得到调度系数;
在所述能耗产出率大于1时,根据所述调度系数生成第一调度信息;
在所述能耗产出率小于1时,根据所述调度系数生成第二调度信息;
根据所述第一调度信息或所述第二调度信息进行电能调度。
所述根据所述第一调度信息或所述第二调度信息进行电能调度,包括:
在所述调度信息为第一调度信息时,根据所述调度系数生成电能降低系数;
根据所述电能降低系数得到火力发电厂的产出功率,使所述火力发电厂根据所述产出功率进行电能产出;
在所述调度信息为第二调度信息时,根据所述调度系数生成电能提升系数;
根据所述电能提升系数得到需要提升的电能产出功率;
检测当前清洁能源发电功率状态,在所述清洁能源存在可发电功率,将所述电能产出功率与所述可发电功率进行比较,在所述电能产出功率大于所述可发电功率时,根据所述电能产出功率与所述可发电功率得到火力发电功率;
根据所述可发电功率和所述火力发电功率调度所述清洁能源和火力发电厂进行电能产出。
需要说明的是,所述预设调度阈值为一个区间,所述区间包括上界值与下界值,在将所述能耗产出率与预设调度阈值进行比较时,可以将能量调度阈值与所述预设调度阈值的上下界进行计算,若所述能耗产出率大于所述预设调度阈值的上界时,计算所述能耗产出率与预设调度阈值上界的差值,其差值为正;若所述能耗产出率小于所述预设调度阈值的下界时,计算所述能耗产出率与预设调度阈值下界的差值,其差值为负。
在具体实现中,在对能耗产出率进行分析时,首先确定能耗产出率与阈值边界的关系,从而大致判断当前电能产出与消耗之间的关系,若所述能耗产出率超出预设调度阈值范围,则计算与阈值上界或阈值下界的差值,并根据所述差值得到调度系数。同时还需要对能耗产出率进行判断,在所述能耗产出率大于1时,说明当前的电能产出大于电能消耗,此时可以生成第一调度信息,用于向火力发电站发出降低电能产出信息,以降低火力发电产生的电能,具体的控制幅度根据所述调度系数确定。在所述能耗产出率小于1时,说明当前的电能产出小于电能消耗,此时需要对清洁能源的功率开启情况进行判断,若清洁能源此时的发电功率未全部打开,则根据调度系数多对应的电能需求判断清洁能源全功率开启时能否满足电能产出,若能够满足,则根据所述调度系数确定具体需要开启的功率程度,若不满足,则将清洁能源的发电功率全开,并根据发电功率调整后的电能产出更新调度系数,并根据更新后的调度系数调度火力发电站进行发电,其中由于所述发电站的发电功率不能够突变,因此所述调度信息需要提前一定时间进行发送,确保发电设备不受损伤,若当前城市中的电能依旧不能满足电能需求,则向邻市进行电能调度。
本实施例通过电能预测模型确定出在当前时刻时未来一段时间的电能产出情况与电能消耗情况,并根据两者之间的差值初步确定是否需要进行电能调度,在需要进行电能调度时,根据当前的调度系数对电能产出进行调度,其中在增加电能产出时,优先对清洁能源的发电方式进行调度,在不能满足电能需求时再向火力发电站进行调度,提高火力发电的发电量,本实施例能够根据电能需求进行灵活调整,既能够满足用电需求,也可以尽可能的降低资源消耗,也无需设置大量的储能设备,能够大幅度降低电能调度成本。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有虚拟电厂的电能调度程序,所述虚拟电厂的电能调度程序被处理器执行时实现如上文所述的虚拟电厂的电能调度方法的步骤。
参照图8,图8为本发明虚拟电厂的电能调度装置第一实施例的结构框图。
如图8所示,本发明实施例提出的虚拟电厂的电能调度装置包括:
产出统计模块10,用于获取气象数据和水文数据,将所述气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线;
消耗统计模块20,用于将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线;
确认模块30,用于根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率;
调度模块40,用于在所述能耗产出率大于预设调度阈值时,根据所述能耗产出率与所述预设调度阈值的差值得到电量调度信息,根据所述电量调度信息进行电能调度。
本实施例通过获取气象数据和水文数据,将气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线,将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线,根据电能产出曲线与电能消耗曲线得到未来时段的能耗产出率,在能耗产出率大于预设调度阈值时,根据能耗产出率与预设调度阈值的差值得到电量调度信息,根据电量调度信息进行电能调度,实现对电能的产出与消耗进行把控,通过对电能的产出与消耗进行预测,相对于现有技术,本实施例能提前做出对应的调度策略,既能够减少储能设备的成本还能够避免电能浪费。
在一实施例中,所述产出统计模块10,还用于获取历史气象数据、历史水文数据、历史时刻、历史电能产出曲线和历史电能消耗曲线,将所述历史气象数据、所述历史水文数据、所述历史时刻、所述历史电能产出曲线和所述历史电能消耗曲线分为训练集和验证集;对所述训练集和所述验证集中的所述历史气象数据、所述历史水文数据、所述历史时刻、所述历史电能产出曲线和所述历史电能消耗曲线按照时间信息进行数据分组,得到至少一个数据分组;对所述数据分组中的数据进行归一化处理,得到归一化数据;根据所述归一化数据按照所述时间信息构建回归曲线;根据所述回归曲线得到回归系数;将所述归一化数据与所述回归系数输入至初始电能预测模型,得到电能预测模型。
在一实施例中,所述产出统计模块10,还用于将所述归一化数据划分为若干个数据单元,所述数据单元包括所述历史气象数据、所述历史水文数据、所述历史时刻和所述历史电能产出曲线和所述历史电能消耗曲线的对应关系;对所述数据单元输入值初始电能预测模型中,得到预测值;将所述预测值与所述验证值进行比较,得到误差值;在所述误差值大于预设误差阈值时,将所述误差值输入值损失函数,得到损失系数;根据所述损失系数调整所述初始电能预测模型的权重,根据所述权重更新所述初始电能预测模型,得到更新后的电能预测模型;在所述误差值小于预设误差阈值时,将所述更新后的电能预测模型作为电能预测模型。
在一实施例中,所述确认模块30,还用于统计分布式电源的输出功率,根据所述输出功率生成分布式电源电能输出曲线;将所述分布式电源电能输出曲线对所述电能产出曲线更新,得到更新后的电能产出曲线;根据所述更新后的电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率。
在一实施例中,所述确认模块30,还用于根据所述电能产出曲线与所述电能消耗曲线得到电能净产出曲线;根据所述电能净产出曲线得到所述未来时段的能耗产出率。
在一实施例中,所述调度模块40,还用于在所述能耗产出率高于预设调度阈值时,对所述能耗产出率进行分析;根据所述能耗产出率与所述预设调度阈值得到调度系数;在所述能耗产出率大于1时,根据所述调度系数生成第一调度信息;在所述能耗产出率小于1时,根据所述调度系数生成第二调度信息;根据所述第一调度信息或所述第二调度信息进行电能调度。
在一实施例中,所述调度模块40,还用于在所述调度信息为第一调度信息时,根据所述调度系数生成电能降低系数;根据所述电能降低系数得到火力发电厂的产出功率,使所述火力发电厂根据所述产出功率进行电能产出;在所述调度信息为第二调度信息时,根据所述调度系数生成电能提升系数;根据所述电能提升系数得到需要提升的电能产出功率;检测当前清洁能源发电功率状态,在所述清洁能源存在可发电功率,将所述电能产出功率与所述可发电功率进行比较,在所述电能产出功率大于所述可发电功率时,根据所述电能产出功率与所述可发电功率得到火力发电功率;根据所述可发电功率和所述火力发电功率调度所述清洁能源和火力发电厂进行电能产出。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
此外,需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光 盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种虚拟电厂的电能调度方法,其特征在于,所述虚拟电厂的电能调度方法包括:
获取气象数据和水文数据,将所述气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线;
将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线;
根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率;
在所述能耗产出率大于预设调度阈值时,根据所述能耗产出率与所述预设调度阈值的差值得到电量调度信息,根据所述电量调度信息进行电能调度。
2.如权利要求1所述的方法,其特征在于,所述获取气象数据和水文数据,将所述气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线之前,还包括:
获取历史气象数据、历史水文数据、历史时刻、历史电能产出曲线和历史电能消耗曲线,将所述历史气象数据、所述历史水文数据、所述历史时刻、所述历史电能产出曲线和所述历史电能消耗曲线分为训练集和验证集;
对所述训练集和所述验证集中的所述历史气象数据、所述历史水文数据、所述历史时刻、所述历史电能产出曲线和所述历史电能消耗曲线按照时间信息进行数据分组,得到至少一个数据分组;
对所述数据分组中的数据进行归一化处理,得到归一化数据;
根据所述归一化数据按照所述时间信息构建回归曲线;
根据所述回归曲线得到回归系数;
将所述归一化数据与所述回归系数输入至初始电能预测模型,得到电能预测模型。
3.如权利要求2所述的方法,其特征在于,所述将所述归一化数据与所述回归系数输入至初始电能预测模型,得到电能预测模型,包括:
将所述归一化数据划分为若干个数据单元,所述数据单元包括所述历史气象数据、所述历史水文数据、所述历史时刻和所述历史电能产出曲线和所述历史电能消耗曲线的对应关系;
对所述数据单元输入值初始电能预测模型中,得到预测值;
将所述预测值与验证值进行比较,得到误差值;
在所述误差值大于预设误差阈值时,将所述误差值输入至损失函数,得到损失系数;
根据所述损失系数调整所述初始电能预测模型的权重,根据所述权重更新所述初始电能预测模型,得到更新后的电能预测模型;
在所述误差值小于预设误差阈值时,将所述更新后的电能预测模型作为电能预测模型。
4.如权利要求1所述的方法,其特征在于,所述根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率,包括:
统计分布式电源的输出功率,根据所述输出功率生成分布式电源电能输出曲线;
将所述分布式电源电能输出曲线对所述电能产出曲线更新,得到更新后的电能产出曲线;
根据所述更新后的电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率。
5.如权利要求1所述的方法,其特征在于,所述根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率,包括:
根据所述电能产出曲线与所述电能消耗曲线得到电能净产出曲线;
根据所述电能净产出曲线得到所述未来时段的能耗产出率。
6.如权利要求1所述的方法,其特征在于,所述在所述能耗产出率大于预设调度阈值时,根据所述能耗产出率与所述预设调度阈值的差值得到电量调度信息,根据所述电量调度信息进行电能调度,包括:
在所述能耗产出率高于预设调度阈值时,对所述能耗产出率进行分析;
根据所述能耗产出率与所述预设调度阈值得到调度系数;
在所述能耗产出率大于1时,根据所述调度系数生成第一调度信息;
在所述能耗产出率小于1时,根据所述调度系数生成第二调度信息;
根据所述第一调度信息或所述第二调度信息进行电能调度。
7.如权利要求6所述的方法,其特征在于,所述根据所述第一调度信息或所述第二调度信息进行电能调度,包括:
在所述调度信息为第一调度信息时,根据所述调度系数生成电能降低系数;
根据所述电能降低系数得到火力发电厂的产出功率,使所述火力发电厂根据所述产出功率进行电能产出;
在所述调度信息为第二调度信息时,根据所述调度系数生成电能提升系数;
根据所述电能提升系数得到需要提升的电能产出功率;
检测当前清洁能源发电功率状态,在所述清洁能源存在可发电功率,将所述电能产出功率与所述可发电功率进行比较,在所述电能产出功率大于所述可发电功率时,根据所述电能产出功率与所述可发电功率得到火力发电功率;
根据所述可发电功率和所述火力发电功率调度所述清洁能源和火力发电厂进行电能产出。
8.一种虚拟电厂的电能调度装置,其特征在于,所述虚拟电厂的电能调度装置包括:
产出统计模块,用于获取气象数据和水文数据,将所述气象数据与水文数据输入至电能预测模型进行预测,得到清洁电能在未来时段的电能产出曲线;
消耗统计模块,用于将当前时刻输入至所述电能预测模型进行预测,得到未来时段的电能消耗曲线;
确认模块,用于根据所述电能产出曲线与所述电能消耗曲线得到未来时段的能耗产出率;
调度模块,用于在所述能耗产出率大于预设调度阈值时,根据所述能耗产出率与所述预设调度阈值的差值得到电量调度信息,根据所述电量调度信息进行电能调度。
9.一种虚拟电厂的电能调度设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的虚拟电厂的电能调度程序,所述虚拟电厂的电能调度程序配置为实现如权利要求1至7中任一项所述的虚拟电厂的电能调度方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有虚拟电厂的电能调度程序,所述虚拟电厂的电能调度程序被处理器执行时实现如权利要求1至7任一项所述的虚拟电厂的电能调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311029436.9A CN116739831A (zh) | 2023-08-16 | 2023-08-16 | 虚拟电厂的电能调度方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311029436.9A CN116739831A (zh) | 2023-08-16 | 2023-08-16 | 虚拟电厂的电能调度方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739831A true CN116739831A (zh) | 2023-09-12 |
Family
ID=87906530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311029436.9A Pending CN116739831A (zh) | 2023-08-16 | 2023-08-16 | 虚拟电厂的电能调度方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739831A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243600A (zh) * | 2015-07-21 | 2016-01-13 | 河南行知专利服务有限公司 | 一种电网发电调节方法 |
CN106058905A (zh) * | 2016-07-20 | 2016-10-26 | 姜宪明 | 基于功率预测的分布式光伏储能调峰系统 |
CN109586284A (zh) * | 2018-11-30 | 2019-04-05 | 国家电网公司西南分部 | 考虑弃能约束的送端电力系统随机生产模拟方法及应用 |
CN109711711A (zh) * | 2018-12-24 | 2019-05-03 | 南京工程学院 | 一种区域综合能源系统的规划方法 |
CN110598290A (zh) * | 2019-08-30 | 2019-12-20 | 华中科技大学 | 考虑气候变化的流域未来水电发电能力预测方法和系统 |
CN110826916A (zh) * | 2019-11-07 | 2020-02-21 | 深圳供电局有限公司 | 一种增量配电网调控及展示系统 |
CN111064199A (zh) * | 2020-01-07 | 2020-04-24 | 京东方科技集团股份有限公司 | 一种智能微网的控制方法及装置 |
CN112200391A (zh) * | 2020-11-17 | 2021-01-08 | 国网陕西省电力公司经济技术研究院 | 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法 |
CN113919545A (zh) * | 2021-08-30 | 2022-01-11 | 浙江工业大学 | 一种多数据模型融合的光伏发电功率预测方法和系统 |
CN115293415A (zh) * | 2022-07-28 | 2022-11-04 | 三峡大学 | 计及时间演变和空间相关的多风电场短期功率预测方法 |
CN115864460A (zh) * | 2022-12-09 | 2023-03-28 | 广东电网有限责任公司 | 一种电力调峰方法、装置、设备及存储介质 |
CN116565846A (zh) * | 2023-05-11 | 2023-08-08 | 国网上海市电力公司 | 一种虚拟电厂需求预测方法、系统及可读存储介质 |
-
2023
- 2023-08-16 CN CN202311029436.9A patent/CN116739831A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243600A (zh) * | 2015-07-21 | 2016-01-13 | 河南行知专利服务有限公司 | 一种电网发电调节方法 |
CN106058905A (zh) * | 2016-07-20 | 2016-10-26 | 姜宪明 | 基于功率预测的分布式光伏储能调峰系统 |
CN109586284A (zh) * | 2018-11-30 | 2019-04-05 | 国家电网公司西南分部 | 考虑弃能约束的送端电力系统随机生产模拟方法及应用 |
CN109711711A (zh) * | 2018-12-24 | 2019-05-03 | 南京工程学院 | 一种区域综合能源系统的规划方法 |
CN110598290A (zh) * | 2019-08-30 | 2019-12-20 | 华中科技大学 | 考虑气候变化的流域未来水电发电能力预测方法和系统 |
CN110826916A (zh) * | 2019-11-07 | 2020-02-21 | 深圳供电局有限公司 | 一种增量配电网调控及展示系统 |
CN111064199A (zh) * | 2020-01-07 | 2020-04-24 | 京东方科技集团股份有限公司 | 一种智能微网的控制方法及装置 |
CN112200391A (zh) * | 2020-11-17 | 2021-01-08 | 国网陕西省电力公司经济技术研究院 | 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法 |
CN113919545A (zh) * | 2021-08-30 | 2022-01-11 | 浙江工业大学 | 一种多数据模型融合的光伏发电功率预测方法和系统 |
CN115293415A (zh) * | 2022-07-28 | 2022-11-04 | 三峡大学 | 计及时间演变和空间相关的多风电场短期功率预测方法 |
CN115864460A (zh) * | 2022-12-09 | 2023-03-28 | 广东电网有限责任公司 | 一种电力调峰方法、装置、设备及存储介质 |
CN116565846A (zh) * | 2023-05-11 | 2023-08-08 | 国网上海市电力公司 | 一种虚拟电厂需求预测方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105375479B (zh) | 一种基于模型预测控制的分布式能源能量管理方法 | |
Liu et al. | Dispatch scheduling for a wind farm with hybrid energy storage based on wind and LMP forecasting | |
CN105048499B (zh) | 基于模型预测控制的风电并网实时调度方法及系统 | |
CN108039737B (zh) | 一种源网荷协调运行模拟系统 | |
CN109886567B (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
Long et al. | Configuration optimization and analysis of a large scale PV/wind system | |
CN110880789A (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN111340299A (zh) | 一种微电网多目标优化调度方法 | |
CN111525552B (zh) | 一种基于特征信息的三阶段短期风电场群功率预测方法 | |
CN114744687A (zh) | 一种虚拟电厂的能源调控方法及系统 | |
CN112886645A (zh) | 一种基于氢能超高比例的新能源电力系统运行模拟方法 | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
CN114421530A (zh) | 一种光伏储能系统的调度方法及装置 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN117239740B (zh) | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 | |
CN110598335A (zh) | 一种超短期光伏功率预测的辐照修正方法 | |
Lopes et al. | Metaheuristic methods applied to the pumps and turbines configuration design of water pumped storage systems | |
CN116739831A (zh) | 虚拟电厂的电能调度方法、装置、设备及存储介质 | |
CN106339773A (zh) | 基于灵敏度的主动配电网分布式电源定容规划方法 | |
CN113240546B (zh) | 密集水电地区的机组月度调度方法 | |
CN115313508A (zh) | 一种微电网储能优化配置方法、装置及存储介质 | |
CN108460501A (zh) | 一种基于组合模型的风力电站输出功率预测方法 | |
CN115130842A (zh) | 风光火一体化基地配置方法及装置 | |
CN114764652A (zh) | 一种考虑中长期调度的多周期协调电力平衡系统及方法 |
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 |