CN116760122A - 虚拟电厂资源管控方法、装置、计算机设备及存储介质 - Google Patents
虚拟电厂资源管控方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116760122A CN116760122A CN202311050677.1A CN202311050677A CN116760122A CN 116760122 A CN116760122 A CN 116760122A CN 202311050677 A CN202311050677 A CN 202311050677A CN 116760122 A CN116760122 A CN 116760122A
- Authority
- CN
- China
- Prior art keywords
- load
- resource management
- data
- power plant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 104
- 230000005611 electricity Effects 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000011217 control strategy Methods 0.000 claims abstract description 46
- 238000007726 management method Methods 0.000 claims description 122
- 238000012545 processing Methods 0.000 claims description 48
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 238000013468 resource allocation Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 230000002354 daily effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000005612 types of electricity Effects 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
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/0499—Feedforward 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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]
Abstract
本发明提供了一种虚拟电厂资源管控方法、装置、计算机设备及存储介质，涉及虚拟电厂技术领域，包括：获取用电负荷变化率；当用电负荷变化率大于等于预设阈值时，确定虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数；将所述用户负荷和所述影响负荷调度的相关参数输入预训练模型，得到第一资源管控策略；当用电负荷变化率小于预设阈值时，确定虚拟电厂处于第二运行模式，利用所述分布式电源得到负荷特性，并利用所述设备信息集得到设备物理模型；根据预设的时间尺度、所述负荷特性和所述设备物理模型构建资源管控模型，通过所述资源管控模型得到第二资源管控策略。本发明实现了在节约运行成本的同时还保障了用户的用电需求。
Description
技术领域
本发明涉及虚拟电厂技术领域，具体而言，涉及一种虚拟电厂资源管控方法、装置、计算机设备及存储介质。
背景技术
虚拟电厂通过先进信息通信技术和软件系统实现分布式电源、储能系统、可控负荷、电动汽车等分布式能源的聚合和协调优化，虚拟电厂作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统，它的核心功能是整合集群内的各类资源，为电网运营提供容量和辅助服务，并促进可再生能源的高效利用和优化整合。虚拟电厂能够高效经济地调节各台调峰机组、各种储能设备、多种用电设备的负荷，达到按需增减负荷的目的。对于风能、太阳能等这些分布式能源与电网之间的矛盾，虚拟发电厂也能在不改变各个分布式能源并网方式的前提下通过先进的技术聚合各类分布式能源和用电设备，通过更高层面的软件构架实现多个分布式能源的协调优化运行。
现有的虚拟电厂资源管控方法一般采用将多种类型的分布式电源和储能聚合成为虚拟电厂，从而作为一个整体参与外部电网的有功调度，协调优化各个分布式电源的运行。传统方案中一种是通过物理模型的集中优化调度来实现虚拟电厂的资源管控，由于主体不一致，虚拟电厂与调控中心之间存在信息不对称问题，传统的完全基于物理模型进行全局优化调度的模式，往往由于决策变量和约束条件过多而需要大量求解时间。并且基于物理模型资源管控策略的制定主要以经济调控为导向，其主要目的是减少虚拟电厂在电力市场中的投标偏差，提高运营收益，虽然节约了成本但是由于用户数目过大，往往会导致计算不及时，从而不能及时满足用户的用电需求甚至断电。传统方案中为了解决由于计算量大导致低效率的问题，提出了另一种通过引入云计算模块采集存储数据同时对数据进行处理从而实现虚拟电厂资源管控的方法，虽然能够处理大量数据，但是由于要对大量数据进行实时分析处理，其处理终端一直处于高负荷运行模式，至使虚拟电厂资源分配的运行成本较高。
发明内容
本发明解决的问题是如何在节约运行成本的同时保障用户的用电需求。
为解决上述问题，本发明提供一种虚拟电厂资源管控方法，包括：获取用电负荷变化率；
当所述用电负荷变化率大于等于预设阈值时，确定所述虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数；
将所述用户负荷和所述影响负荷调度的相关参数输入预训练模型，得到第一资源管控策略，其中，所述第一资源管控策略用于基于用户的用电需求进行资源分配；
当所述用电负荷变化率小于所述预设阈值时，确定所述虚拟电厂处于第二运行模式，获取所述虚拟电厂的分布式电源和设备信息集；
利用所述分布式电源得到负荷特性，并利用所述设备信息集得到设备物理模型；
根据预设的时间尺度、所述负荷特性和所述设备物理模型构建资源管控模型，通过所述资源管控模型得到第二资源管控策略，其中，所述第二资源管控策略用于基于降低运行成本的需求进行资源分配。
可选地，所述获取用电负荷变化率，包括：
获取一年内每天各用户用电种类的用电负荷；
通过所述用电负荷绘制用电负荷曲线图，其中所述用电负荷曲线图用于采用多条曲线分别描述每种所述用电种类的用电负荷涨幅情况；
分别根据所述用电负荷曲线图的每条曲线获取最高负荷值和最低负荷值；
取所述最高负荷值和所述最低负荷值的平均负荷值；
计算所述曲线上各个点与所述平均负荷值的差值；
将所述差值除以所述各个点的总数得到负荷系数；
计算每条曲线的所述负荷系数，并根据每条曲线的所述负荷系数得到所述用电负荷变化率。
可选地，所述负荷系数包括电负荷变化系数、冷负荷变化系数和热负荷变化系数，所述计算每条曲线的所述负荷系数，并根据每条曲线的所述负荷系数得到所述用电负荷变化率，包括：
将所述电负荷变化系数、所述冷负荷变化系数和所述热负荷变化系数分别乘以预设权重系数，得到所述用电负荷变化率，其中，所述预设权重系数用于将所述电负荷变化系数作为主要影响因素。
可选地，所述预训练模型的构建过程包括：
采用网络爬虫获取或通过仿真实验获取所述用户负荷和所述影响负荷调度的相关参数的历史数据；
根据所述用户负荷和所述影响负荷调度的相关参数的主要历史数据生成数据集；
对所述数据集预处理得到初始训练集；
利用所述初始训练集训练神经网络模型，得到预估模型；
测试所述预估模型的模型精度，当所述模型精度不满足模型精度需求，则获取更多数据集重新进行训练，直到满足所述模型精度需求，得到所述预训练模型，其中，所述预训练模型用于以满足用户负荷作为前提条件实现资源分配。
可选地，所述数据集包括多个异常数据和多个非异常数据，所述对所述数据集预处理得到初始训练集，包括：
筛选所述数据集中的所有所述异常数据；
比较每个所述异常数据中的缺失数据和缺失预设比例的大小；
当所述缺失数据大于等于所述缺失预设比例，删除所述异常数据；
当所述缺失数据小于所述缺失预设比例，利用线性回归填补所述缺失数据，得到第一处理数据；
将所有所述非异常数据和所有所述第一处理数据作为第二处理数据，所述第二处理数据的数量等于所述非异常数据的数量和所述第一处理数据的数量之和；
根据任意两个所述第二处理数据得到数据相关系数；
比较所述数据相关系数和数据阈值的大小；
通过比较的结果筛选得到多个不相似数据，根据多个所述不相似数据得到所述初始训练集。
可选地，所述通过所述资源管控模型确定第二资源管控策略，包括：
获取所述虚拟电厂的预测日负荷峰值和地域信息，其中，所述地域信息用于表示所述虚拟电厂的实际电压等级、地域用电情况和地域天气情况；
将所述预测日负荷峰值和所述地域信息作为约束条件输入所述资源管控模型，利用所述资源管控模型预测能源及负荷数据；
根据所述能源及负荷数据滚动优化各供电设备功率参数；
根据各所述供电设备功率参数得到所述第二资源管控策略。
可选地，所述设备信息集包括设备运行信息、设备配置信息和设备功率信息，所述利用所述设备信息集建立设备物理模型，包括：
根据所述设备运行信息、所述设备配置信息和所述设备功率信息，构建每种设备的所述设备物理模型。
本发明所述的虚拟电厂资源管控方法通过用电负荷变化率判断虚拟电厂的两种运行模式。当所述用电负荷变化率大于等于预设阈值时，表明实际生产中用电负荷有较大变化波动，虚拟电厂采用第一运行模式。通过将所述用户负荷和所述数据信息输入预训练模型，得到第一资源管控策略，根据用电负荷训练的模型能够优先满足用户的用电需求，减少用户由于供电量不足或电量未及时输送造成的电压不稳或断电情况，同时采用预训练模型处理的方式能够达到更好实时处理变化的大量数据的目的。当所述用电负荷变化率小于预设阈值时，表明实际生产中用电负荷较为平稳，所述虚拟电厂采用第二运行模式。获取负荷特性和设备物理模型，并结合时间尺度构建资源管控模型得到第二资源管控策略，通过建立设备物理模型进行宏观调控构建资源管控模型的方式，减少数据处理过程节约了运行成本，加快了资源管控响应速率。通过用电负荷变化率将虚拟电厂分为两种运行模式，虚拟电厂通过两种运行模式进行资源管控，节约运行成本的同时还保障了用户的用电需求。
本发明还提供一种虚拟电厂资源管控装置，包括：用电负荷变化率获取单元，所述用电负荷变化率获取单元用于获取用电负荷变化率；
第一虚拟电厂运行模式确定单元，所述第一虚拟电厂运行模式确定单元用于当所述用电负荷变化率大于等于预设阈值时，确定所述虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数；
第一资源管控策略生成单元，所述第一资源管控策略生成单元用于将所述用户负荷和所述影响负荷调度的相关参数输入预训练模型，得到第一资源管控策略，其中，所述第一资源管控策略用于基于用户的用电需求进行资源分配；
第二虚拟电厂运行模式确定单元，所述第二虚拟电厂运行模式确定单元用于当所述用电负荷变化率小于所述预设阈值时，确定所述虚拟电厂处于第二运行模式，获取所述虚拟电厂的分布式电源和设备信息集；
数据处理单元，所述数据处理单元用于利用所述分布式电源得到负荷特性，并利用所述设备信息集得到设备物理模型；
第二资源管控策略生成单元，所述第二资源管控策略生成单元用于根据预设的时间尺度、所述负荷特性和所述设备物理模型构建资源管控模型，通过所述资源管控模型得到第二资源管控策略，其中，所述第二资源管控策略用于基于降低运行成本的需求进行资源分配。
本发明所述的虚拟电厂资源管控装置与所述虚拟电厂资源管控方法相对于现有技术的优势相同，在此不再赘述。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述虚拟电厂资源管控方法的步骤。
本发明所述的计算机设备与所述虚拟电厂资源管控方法相对于现有技术的优势相同，在此不再赘述。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现所述虚拟电厂资源管控方法的步骤。
本发明所述的计算机可读存储介质与所述虚拟电厂资源管控方法相对于现有技术的优势相同，在此不再赘述。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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的介绍，显而易见地，对于本领域普通技术人员而言，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所示为本发明实施例中虚拟电厂资源管控方法的应用环境图；
图2所示为本发明实施例中虚拟电厂资源管控方法的流程示意图；
图3所示为本发明实施例中数据集预处理的第一流程示意图；
图4所示为本发明实施例中数据集预处理的第二流程示意图；
图5所示为本发明实施例中虚拟电厂资源管控装置的示意图；
图6所示为本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。
图1为本发明实施例中虚拟电厂资源管控方法的应用环境图。参照图1，该虚拟电厂资源管控方法应用于虚拟电厂资源管控系统。该虚拟电厂资源管控系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
结合图2所示，本实施例提供一种虚拟电厂资源管控方法，包括：
步骤210，获取用电负荷变化率；
步骤2211，当所述用电负荷变化率大于等于预设阈值时，确定所述虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数；
步骤2212，将所述用户负荷和所述影响负荷调度的相关参数输入预训练模型，得到第一资源管控策略，其中，所述第一资源管控策略用于基于用户的用电需求进行资源分配；
步骤2221，当所述用电负荷变化率小于所述预设阈值时，确定所述虚拟电厂处于第二运行模式，获取所述虚拟电厂的分布式电源和设备信息集；
步骤2222，利用所述分布式电源得到负荷特性，并利用所述设备信息集得到设备物理模型；
步骤2223，根据预设的时间尺度、所述负荷特性和所述设备物理模型构建资源管控模型，通过所述资源管控模型得到第二资源管控策略，其中，所述第二资源管控策略用于基于降低运行成本的需求进行资源分配。
具体地，通过步骤210获取用电负荷变化率，其中所述用电负荷变化率用于描述实际生产中用户在一段时间内用电负荷变化幅度的大小，通过用电负荷变化率将虚拟电厂分为两种运行模式。在步骤2211中，当用电负荷变化率大于等于预设阈值时，所述虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数，其中，用户负荷为电网负荷高峰时段的平均值，影响负荷调度的相关参数包括虚拟电厂中负荷影响其参与需求响应调度潜力的主要因素数据。再通过步骤2212将所述用户负荷和影响负荷调度的相关参数输入预训练模型，利用深度学习结合训练模型得到负荷分配结果，将所述负荷分配结果映射到所述虚拟电场中计算得到每个设备的分配负荷，通过所述负荷分配结果对各个设备实现负荷分配形成基于用户的用电需求的第一资源管控策略。在步骤2221中当所述用电负荷变化率小于所述预设阈值时，所述虚拟电厂处于第二运行模式，先通过步骤2222所述设备信息集得到设备物理模型，并利用所述分布式电源得到负荷特性，其中，分布式电源包括分布式风能发电、分布式光伏发电、冷热电三联供以及柴油发电机组等。再通过步骤2223根据所述负荷特性和所述设备物理模型，并考虑时间尺度方面的特性，根据虚拟电厂数据挖掘分析的模糊聚类、K-Means聚类等多种负荷资源的聚合技术，建立各类资源的聚合特性模型，通过所述资源管控模型得到第二资源管控策略。
本发明所述的虚拟电厂资源管控方法通过用电负荷变化率判断虚拟电厂的两种运行模式。当所述用电负荷变化率大于等于预设阈值时，表明实际生产中用电负荷有较大变化波动，虚拟电厂采用第一运行模式。通过将所述用户负荷和所述数据信息输入预训练模型，得到第一资源管控策略，根据用电负荷训练的模型能够优先满足用户的用电需求，减少用户由于供电量不足或电量未及时输送造成的电压不稳或断电情况，同时采用预训练模型处理的方式能够达到更好实时处理变化的大量数据的目的。当所述用电负荷变化率小于预设阈值时，表明实际生产中用电负荷较为平稳，所述虚拟电厂采用第二运行模式。获取负荷特性和设备物理模型，结合时间尺度构建资源管控模型得到第二资源管控策略，通过建立设备物理模型进行宏观调控构建资源管控模型的方式，减少数据处理过程节约了运行成本，加快了资源管控响应速率。通过用电负荷变化率将虚拟电厂分为两种运行模式，虚拟电厂通过两种运行模式进行资源管控，节约运行成本的同时还保障了用户的用电需求。
本发明实施例中，所述获取用电负荷变化率，包括：
获取一个月内每天各用户用电种类的用电负荷；
通过所述用电负荷绘制用电负荷曲线图，其中所述用电负荷曲线图用于采用多条曲线分别描述每种所述用电种类的用电负荷涨幅情况；
分别根据所述用电负荷曲线图的每条曲线获取最高负荷值和最低负荷值；
取所述最高负荷值和所述最低负荷值的平均负荷值；
计算所述曲线上各个点与所述平均负荷值的差值；
将所述差值除以所述各个点的总数得到负荷系数；
计算每条曲线的所述负荷系数，并根据每条曲线的所述负荷系数得到所述用电负荷变化率。
本实施例的虚拟电厂资源管控方法通过所述用电负荷和所述用电种类绘制用电负荷曲线图，更直观表示用户用电负荷的变化情况，同时利用所述用电负荷曲线图计算所述用电负荷变化率，根据所述用电负荷变化率判断所述虚拟电厂的运行模式，根据用电负荷变化情况设定不同的供配电计算方式，提供更好的用户体验。
本发明实施例中，所述负荷系数包括电负荷变化系数、冷负荷变化系数和热负荷变化系数，所述用电种类包括电负荷、冷负荷和热负荷，所述计算每条曲线的所述负荷系数，并根据每条曲线的所述负荷系数得到所述用电负荷变化率，包括：
将所述电负荷变化系数、所述冷负荷变化系数和所述热负荷变化系数分别乘以预设权重系数，得到所述用电负荷变化率，其中，所述预设权重系数用于将所述电负荷变化系数作为主要影响因素。
在一些更具体的实施例中，用电种类包括电负荷、冷负荷和热负荷，计算所述电负荷曲线的电负荷变化系数、所述冷负荷曲线的冷负荷变化系数和所述热负荷曲线的热负荷变化系数。将所述电负荷变化系数的预设权重系数设置为0.8，考虑到冷负荷和热负荷需求受季节的影响，比如在冬季，用户对于热负荷的需求量较大，而在夏季，用户对于冷负荷的需求较大，所以分别将所述冷负荷变化系数和所述热负荷变化系数的预设权重系数设置为0.1。将得到的所述电负荷变化系数乘以0.8，所述冷负荷变化系数和所述热负荷变化系数分别乘以0.1，将三者计算的结果相加得到所述用电负荷变化率。
本实施例的虚拟电厂资源管控方法通过电负荷变化系数、冷负荷变化系数和热负荷变化系数乘以权重得到最终的用电负荷变化率，综合考虑了用户用电变化情况，增加电负荷变化系数权重占比，同时酌情考虑了冷热负荷的变化情况，使得到的用电负荷变化率更加贴近用户的实际用电情况。
本发明实施例中，所述预训练模型的构建过程包括：
采用网络爬虫获取或通过仿真实验获取所述用户负荷和所述影响负荷调度的相关参数的历史数据；
根据所述用户负荷和所述影响负荷调度的相关参数的主要历史数据生成数据集；
对所述数据集预处理得到初始训练集；
利用所述初始训练集训练神经网络模型，得到预估模型；
测试所述预估模型的模型精度，当所述模型精度不满足模型精度需求，则获取更多数据集重新进行训练，直到满足所述模型精度需求，得到所述预训练模型，其中，所述预训练模型用于以满足用户负荷作为前提条件实现资源分配。
具体地，采用网络爬虫获取或者通过仿真实验获取所述用户负荷和所述影响负荷调度的相关参数的历史数据，根据所述用户负荷和所述影响负荷调度的相关参数的主要历史数据生成数据集，其中，所述影响负荷调度的相关参数包括但不限于设备的运行功率、调节范围、接受命令响应时间和调节时间等。对所述数据集预处理得到初始训练集，利用所述初始训练集训练神经网络模型。神经网络是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络模型通过感知器对数据集提供的模式样本进行学习训练，并存储这种模式，同时利用感知器对自适应提取变化特征，由许多相同的处理单元并联组合而成，通过大量单元并行活动，通过学习得到预估模型，当所述预估模型满足模型精度需求得到以满足用户负荷作为前提条件实现资源分配的所述预训练模型。
在一些具体的实施例中，可以采用BP神经网络模型，BP神经网络模型又称反向传播神经网络，有输入层、隐层和输出层组成，隐层可以有一层或多层，通过对所述用户负荷和所述影响负荷调度的相关参数的历史数据的样本数据进行训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出直到网络输出误差精度达到目标精度要求，学习结束从而实现模型的建立。
本实施例的虚拟电厂资源管控方法，通过对获取的数据集进行预处理得到初始训练集，对数据进行筛选提高数据质量，有利于后续数据处理。再通过所述初始训练集对所述神经网络模型进行训练，利用神经网络模型适合于求解内部机制复杂的问题，同时能够通过学习数据集自动提取合理的求解规则，具有自学习能力，能够并行处理数据的特性，使训练得到的预训练模型具备准确高效处理大量数据的能力。
本发明实施例中，所述数据集包括多个异常数据和多个非异常数据，所述对所述数据集预处理得到初始训练集，包括：
步骤310，筛选所述数据集中的所有所述异常数据；
步骤320，比较每个所述异常数据中的缺失数据和缺失预设比例的大小；
步骤331，当所述缺失数据大于等于所述缺失预设比例，删除所述异常数据；
步骤332，当所述缺失数据小于所述缺失预设比例，利用线性回归填补所述缺失数据，得到第一处理数据；
步骤340，将所有所述非异常数据和所有所述第一处理数据作为第二处理数据，所述第二处理数据的数量等于所述非异常数据的数量和所述第一处理数据的数量之和；
步骤410，根据任意两个所述第二处理数据得到数据相关系数；
步骤420，比较所述数据相关系数和数据阈值的大小；
步骤430，通过比较的结果筛选得到多个不相似数据，根据多个所述不相似数据得到所述初始训练集。
具体地，结合图3、图4所示，获取所述数据集，并筛选所述数据集中的异常数据。在图3步骤331中设定缺失预设比例为百分之四十，对缺失数据超过百分之四十的异常数据，删除所述异常数据。在图3步骤332中当缺失数据较少，未超过百分之四十的异常数据利用线性回归进行填补，得到第一处理数据。线性回归填补是利用异常数据与缺失数据的关系，建立回归模型，然后利用已知的数据信息和回归模型对缺失数据进行估计。将所述数据集中非异常数据和所有所述第一处理数据输入特征筛选模型得到所述初始训练集。将所述处理数据集输入预先构建好的特征筛选模型中，通过特征筛选模型得到相应的数据相关系数，比较所述数据相关系数和预设的数据阈值之间的大小关系。在图4步骤430中，当所述数据相关系数小于所述数据阈值，则所述数据为不相似数据，当所述数据相关系数大于等于所述数据阈值，则所述数据为相似数据，根据多个所述不相似数据得到所述初始训练集。
本实施例的虚拟电厂资源管控方法，通过筛选所述数据集中的异常数据，对每个所述异常数据中的缺失数据和缺失预设比例进行比较，根据比较的结果对异常数据进行处理，从而提高了数据的质量，使处理后的数据得到的结果更加精确。所述处理数据集输入特征筛选模型得到相应地数据相关系数，根据所述数据相关系数对数据进行筛选，对所述处理数据集进行了分类出来，降低后续数据处理的时间，提高了数据处理的效率，让数据更好地适应特定的挖掘技术，为后续数据处理打下基础。
本发明实施例中，所述通过所述资源管控模型确定第二资源管控策略，包括：
获取所述虚拟电厂的预测日负荷峰值和地域信息，其中，所述地域信息用于表示所述虚拟电厂的实际电压等级、地域用电情况和地域天气情况；
将所述预测日负荷峰值和所述地域信息作为约束条件输入所述资源管控模型，利用所述资源管控模型预测能源及负荷数据；
根据所述能源及负荷数据滚动优化各供电设备功率参数；
根据各所述供电设备功率参数得到所述第二资源管控策略。
具体地，根据相关约束条件即所述预测日负荷峰值和所述地域信息输入所述资源管控模型，结合约束条件对于实际操作过程对于能源调动和负荷需求的影响，同时结合以往能源及负荷数据，对于在约束条件下的能源及负荷数据进行预测，同时在所述资源管控模型当中对相关能源与负荷数据实行时间尺度的滚动优化，在满足用电需求的前提下实时优化调节各个供电设备的功率大小，同时以降低运行成本为目的采用随机规划法调节各所述供电设备功率参数，根据所述供电设备功率参数调节所述供电设备，从而实现基于降低运行成本的需求进行资源分配的第二资源管控策略。
本发明实施例中，所述设备信息集包括设备运行信息、设备配置信息和设备功率信息，所述利用所述设备信息集建立设备物理模型，包括：
根据所述设备运行信息、所述设备配置信息和所述设备功率信息，构建每种设备的所述设备物理模型。
具体地，所述设备配置信息包括设备种类、设备编号和设备类型等，所述设备运行信息包括设备负荷特性、设备可分配资源和设备差异特性等，所述设备功率信息包括各个设备的设备功率范围，针对每种设备构建其相应地物理模型。通过设备信息集包含的多种信息构建设备物理模型，有利于后续资源调控，最大程度上减少了计算量。
和上述虚拟电厂资源管控方法相对应，本发明实施例还提供了一种虚拟电厂资源管控装置。图5所示为本发明实施例的虚拟电厂资源管控装置的示意图，如图5所示，虚拟电厂资源管控装置包括：
用电负荷变化率获取单元510，所述用电负荷变化率获取单元用于获取用电负荷变化率；
第一虚拟电厂运行模式确定单元520，所述第一虚拟电厂运行模式确定单元用于当所述用电负荷变化率大于等于预设阈值时，确定所述虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数；
第一资源管控策略生成单元530，所述第一资源管控策略生成单元用于将所述用户负荷和所述影响负荷调度的相关参数输入预训练模型，得到第一资源管控策略，其中，所述第一资源管控策略用于基于用户的用电需求进行资源分配；
第二虚拟电厂运行模式确定单元540，所述第二虚拟电厂运行模式确定单元用于当所述用电负荷变化率小于所述预设阈值时，确定所述虚拟电厂处于第二运行模式，获取所述虚拟电厂的分布式电源和设备信息集；
数据处理单元550，所述数据处理单元用于利用所述分布式电源得到负荷特性，并利用所述设备信息集得到设备物理模型；
第二资源管控策略生成单元560，所述第二资源管控策略生成单元用于根据预设的时间尺度、所述负荷特性和所述设备物理模型构建资源管控模型，通过所述资源管控模型得到第二资源管控策略，其中，所述第二资源管控策略用于基于降低运行成本的需求进行资源分配。
本发明实施例中，所述用电负荷变化率获取单元510还用于获取一年内每天各用户用电种类的用电负荷；
通过所述用电负荷绘制用电负荷曲线图，其中所述用电负荷曲线图用于采用多条曲线分别描述每种所述用电种类的用电负荷涨幅情况；
分别根据所述用电负荷曲线图的每条曲线获取最高负荷值和最低负荷值；
取所述最高负荷值和所述最低负荷值的平均负荷值；
计算所述曲线上各个点与所述平均负荷值的差值；
将所述差值除以所述各个点的总数得到负荷系数；
计算每条曲线的所述负荷系数，并根据每条曲线的所述负荷系数得到所述用电负荷变化率。
所述用电负荷变化率获取单元510还用于将所述电负荷变化系数、所述冷负荷变化系数和所述热负荷变化系数分别乘以预设权重系数，得到所述用电负荷变化率，其中，所述预设权重系数用于将所述电负荷变化系数作为主要影响因素。
所述第一资源管控策略生成单元530还用于采用网络爬虫获取或通过仿真实验获取所述用户负荷和所述影响负荷调度的相关参数的历史数据；
根据所述用户负荷和所述影响负荷调度的相关参数的主要历史数据生成数据集；
对所述数据集预处理得到初始训练集；
利用所述初始训练集训练神经网络模型，得到预估模型；
测试所述预估模型的模型精度，当所述模型精度不满足模型精度需求，则获取更多数据集重新进行训练，直到满足所述模型精度需求，得到所述预训练模型，其中，所述预训练模型用于以满足用户负荷作为前提条件实现资源分配。
所述第一资源管控策略生成单元530还用于筛选所述数据集中的所有所述异常数据；
比较每个所述异常数据中的缺失数据和缺失预设比例的大小；
当所述缺失数据大于等于所述缺失预设比例，删除所述异常数据；
当所述缺失数据小于所述缺失预设比例，利用线性回归填补所述缺失数据，得到第一处理数据；
将所有所述非异常数据和所有所述第一处理数据作为第二处理数据，所述第二处理数据的数量等于所述非异常数据的数量和所述第一处理数据的数量之和；
根据任意两个所述第二处理数据得到数据相关系数；
比较所述数据相关系数和数据阈值的大小；
通过比较的结果筛选得到多个不相似数据，根据多个所述不相似数据得到所述初始训练集。
所述第二资源管控策略生成单元560还用于获取所述虚拟电厂的预测日负荷峰值和地域信息，其中，所述地域信息用于表示所述虚拟电厂的实际电压等级、地域用电情况和地域天气情况；
将所述预测日负荷峰值和所述地域信息作为约束条件输入所述资源管控模型，利用所述资源管控模型预测能源及负荷数据；
根据所述能源及负荷数据滚动优化各供电设备功率参数；
根据各所述供电设备功率参数得到所述第二资源管控策略。
所述数据处理单元550还用于根据所述设备运行信息、所述设备配置信息和所述设备功率信息，构建每种设备的所述设备物理模型。
本发明所述的虚拟电厂资源管控装置与所述虚拟电厂资源管控方法相对于现有技术的优势相同，在此不再赘述。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110（或服务器120）。如图6所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现虚拟电厂资源管控方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行虚拟电厂资源管控方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明另一实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取用电负荷变化率；当所述用电负荷变化率大于等于预设阈值时，确定所述虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数；将所述用户负荷和所述影响负荷调度的相关参数输入预训练模型，得到第一资源管控策略，其中，所述第一资源管控策略用于基于用户的用电需求进行资源分配；当所述用电负荷变化率小于所述预设阈值时，确定所述虚拟电厂处于第二运行模式，获取所述虚拟电厂的分布式电源和设备信息集；利用所述分布式电源得到负荷特性，并利用所述设备信息集得到设备物理模型；根据预设的时间尺度、所述负荷特性和所述设备物理模型构建资源管控模型，通过所述资源管控模型得到第二资源管控策略，其中，所述第二资源管控策略用于基于降低运行成本的需求进行资源分配。
在一个实施例中，处理器执行计算机程序时还实现上述虚拟电厂资源管控方法的步骤。
本发明另一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取用电负荷变化率；当所述用电负荷变化率大于等于预设阈值时，确定所述虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数；将所述用户负荷和所述影响负荷调度的相关参数输入预训练模型，得到第一资源管控策略，其中，所述第一资源管控策略用于基于用户的用电需求进行资源分配；当所述用电负荷变化率小于所述预设阈值时，确定所述虚拟电厂处于第二运行模式，获取所述虚拟电厂的分布式电源和设备信息集；利用所述分布式电源得到负荷特性，并利用所述设备信息集得到设备物理模型；根据预设的时间尺度、所述负荷特性和所述设备物理模型构建资源管控模型，通过所述资源管控模型得到第二资源管控策略，其中，所述第二资源管控策略用于基于降低运行成本的需求进行资源分配。
在一个实施例中，计算机程序被处理器执行时还实现上述虚拟电厂资源管控方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种虚拟电厂资源管控方法，其特征在于，包括：
获取用电负荷变化率；
当所述用电负荷变化率大于等于预设阈值时，确定所述虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数；
将所述用户负荷和所述影响负荷调度的相关参数输入预训练模型，得到第一资源管控策略，其中，所述第一资源管控策略用于基于用户的用电需求进行资源分配；
当所述用电负荷变化率小于所述预设阈值时，确定所述虚拟电厂处于第二运行模式，获取所述虚拟电厂的分布式电源和设备信息集；
利用所述分布式电源得到负荷特性，并利用所述设备信息集得到设备物理模型；
根据预设的时间尺度、所述负荷特性和所述设备物理模型构建资源管控模型，通过所述资源管控模型得到第二资源管控策略，其中，所述第二资源管控策略用于基于降低运行成本的需求进行资源分配。
2.根据权利要求1所述的虚拟电厂资源管控方法，其特征在于，所述获取用电负荷变化率，包括：
获取一年内每天各用户用电种类的用电负荷；
通过所述用电负荷绘制用电负荷曲线图，其中所述用电负荷曲线图用于采用多条曲线分别描述每种所述用电种类的用电负荷涨幅情况；
分别根据所述用电负荷曲线图的每条曲线获取最高负荷值和最低负荷值；
取所述最高负荷值和所述最低负荷值的平均负荷值；
计算所述曲线上各个点与所述平均负荷值的差值；
将所述差值除以所述各个点的总数得到负荷系数；
计算每条曲线的所述负荷系数，并根据每条曲线的所述负荷系数得到所述用电负荷变化率。
3.根据权利要求2所述的虚拟电厂资源管控方法，其特征在于，所述负荷系数包括电负荷变化系数、冷负荷变化系数和热负荷变化系数，所述计算每条曲线的所述负荷系数，并根据每条曲线的所述负荷系数得到所述用电负荷变化率，包括：
将所述电负荷变化系数、所述冷负荷变化系数和所述热负荷变化系数分别乘以预设权重系数，得到所述用电负荷变化率，其中，所述预设权重系数用于将所述电负荷变化系数作为主要影响因素。
4.根据权利要求1所述的虚拟电厂资源管控方法，其特征在于，所述预训练模型的构建过程包括：
采用网络爬虫获取或通过仿真实验获取所述用户负荷和所述影响负荷调度的相关参数的历史数据；
根据所述用户负荷和所述影响负荷调度的相关参数的主要历史数据生成数据集；
对所述数据集预处理得到初始训练集；
利用所述初始训练集训练神经网络模型，得到预估模型；
测试所述预估模型的模型精度，当所述模型精度不满足模型精度需求，则获取更多数据集重新进行训练，直到满足所述模型精度需求，得到所述预训练模型，其中，所述预训练模型用于以满足用户负荷作为前提条件实现资源分配。
5.根据权利要求4所述的虚拟电厂资源管控方法，其特征在于，所述数据集包括多个异常数据和多个非异常数据，所述对所述数据集预处理得到初始训练集，包括：
筛选所述数据集中的所有所述异常数据；
比较每个所述异常数据中的缺失数据和缺失预设比例的大小；
当所述缺失数据大于等于所述缺失预设比例，删除所述异常数据；
当所述缺失数据小于所述缺失预设比例，利用线性回归填补所述缺失数据，得到第一处理数据；
将所有所述非异常数据和所有所述第一处理数据作为第二处理数据，所述第二处理数据的数量等于所述非异常数据的数量和所述第一处理数据的数量之和；
根据任意两个所述第二处理数据得到数据相关系数；
比较所述数据相关系数和数据阈值的大小；
通过比较的结果筛选得到多个不相似数据，根据多个所述不相似数据得到所述初始训练集。
6.根据权利要求1所述的虚拟电厂资源管控方法，其特征在于，所述通过所述资源管控模型确定第二资源管控策略，包括：
获取所述虚拟电厂的预测日负荷峰值和地域信息，其中，所述地域信息用于表示所述虚拟电厂的实际电压等级、地域用电情况和地域天气情况；
将所述预测日负荷峰值和所述地域信息作为约束条件输入所述资源管控模型，利用所述资源管控模型预测能源及负荷数据；
根据所述能源及负荷数据滚动优化各供电设备功率参数；
根据各所述供电设备功率参数得到所述第二资源管控策略。
7.根据权利要求1所述的虚拟电厂资源管控方法，其特征在于，所述设备信息集包括设备运行信息、设备配置信息和设备功率信息，所述利用所述设备信息集建立设备物理模型，包括：
根据所述设备运行信息、所述设备配置信息和所述设备功率信息，构建每种设备的所述设备物理模型。
8.一种虚拟电厂资源管控装置，其特征在于，包括：
用电负荷变化率获取单元，所述用电负荷变化率获取单元用于获取用电负荷变化率；
第一虚拟电厂运行模式确定单元，所述第一虚拟电厂运行模式确定单元用于当所述用电负荷变化率大于等于预设阈值时，确定所述虚拟电厂处于第一运行模式，获取用户负荷和影响负荷调度的相关参数；
第一资源管控策略生成单元，所述第一资源管控策略生成单元用于将所述用户负荷和所述影响负荷调度的相关参数输入预训练模型，得到第一资源管控策略，其中，所述第一资源管控策略用于基于用户的用电需求进行资源分配；
第二虚拟电厂运行模式确定单元，所述第二虚拟电厂运行模式确定单元用于当所述用电负荷变化率小于所述预设阈值时，确定所述虚拟电厂处于第二运行模式，获取所述虚拟电厂的分布式电源和设备信息集；
数据处理单元，所述数据处理单元用于利用所述分布式电源得到负荷特性，并利用所述设备信息集得到设备物理模型；
第二资源管控策略生成单元，所述第二资源管控策略生成单元用于根据预设的时间尺度、所述负荷特性和所述设备物理模型构建资源管控模型，通过所述资源管控模型得到第二资源管控策略，其中，所述第二资源管控策略用于基于降低运行成本的需求进行资源分配。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7中任一项所述的虚拟电厂资源管控方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1至7中任一项所述的虚拟电厂资源管控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311050677.1A CN116760122B (zh) | 2023-08-21 | 2023-08-21 | 虚拟电厂资源管控方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311050677.1A CN116760122B (zh) | 2023-08-21 | 2023-08-21 | 虚拟电厂资源管控方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116760122A true CN116760122A (zh) | 2023-09-15 |
| CN116760122B CN116760122B (zh) | 2023-12-26 |
Family
ID=87953729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311050677.1A Active CN116760122B (zh) | 2023-08-21 | 2023-08-21 | 虚拟电厂资源管控方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116760122B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117335416A (zh) * | 2023-11-24 | 2024-01-02 | 国网浙江省电力有限公司 | 一种用电负荷优化的方法、装置、设备及存储介质 |
| CN117498469A (zh) * | 2024-01-03 | 2024-02-02 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂能源管控方法、装置、计算机设备及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106300336A (zh) * | 2016-07-22 | 2017-01-04 | 华北电力大学 | 一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法 |
| US20190187637A1 (en) * | 2017-07-06 | 2019-06-20 | Dalian University Of Technology | Method for long-term optimal operations of interprovincial hydropower system considering peak-shaving demands |
| CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及系统 |
| CN111463834A (zh) * | 2020-04-08 | 2020-07-28 | 合肥阳光新能源科技有限公司 | 虚拟电厂的运行控制方法及虚拟电厂 |
| CN112508221A (zh) * | 2020-09-24 | 2021-03-16 | 国网天津市电力公司电力科学研究院 | 一种有限储能下考虑源-荷不确定性的日前调度决策方法 |
| CN112686693A (zh) * | 2020-12-24 | 2021-04-20 | 中国电力科学研究院有限公司 | 电力现货市场边际电价预测方法、系统、设备及存储介质 |
| CN112928749A (zh) * | 2021-01-18 | 2021-06-08 | 西安交通大学 | 一种融合多能需求侧资源的虚拟电厂日前调度方法 |
| CN113013929A (zh) * | 2021-04-20 | 2021-06-22 | 天津大学 | 面向负荷曲线调节的有源配电网模拟优化运行方法 |
| CN113623710A (zh) * | 2021-08-18 | 2021-11-09 | 国网福建省电力有限公司经济技术研究院 | 考虑配网功率及供暖的蓄热式电采暖优化配置方法及装置 |
| CN115358519A (zh) * | 2022-07-13 | 2022-11-18 | 上海嘉柒智能科技有限公司 | 一种虚拟电厂优化调度方法及装置 |
| 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 |
| CN115936260A (zh) * | 2023-01-13 | 2023-04-07 | 智光研究院(广州)有限公司 | 虚拟电厂用户储能调度方法、装置、电子设备及存储介质 |
| CN116070888A (zh) * | 2023-04-06 | 2023-05-05 | 国网浙江省电力有限公司金华供电公司 | 基于决策树的虚拟电厂可调容量分析方法、装置及介质 |
| CN116316800A (zh) * | 2022-12-05 | 2023-06-23 | 江苏工程职业技术学院 | Vpp优化调度模型风光出力场景生成方法 |
-
2023
- 2023-08-21 CN CN202311050677.1A patent/CN116760122B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106300336A (zh) * | 2016-07-22 | 2017-01-04 | 华北电力大学 | 一种计及负荷侧和电源侧的虚拟电厂多目标优化调度方法 |
| US20190187637A1 (en) * | 2017-07-06 | 2019-06-20 | Dalian University Of Technology | Method for long-term optimal operations of interprovincial hydropower system considering peak-shaving demands |
| CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及系统 |
| CN111463834A (zh) * | 2020-04-08 | 2020-07-28 | 合肥阳光新能源科技有限公司 | 虚拟电厂的运行控制方法及虚拟电厂 |
| CN112508221A (zh) * | 2020-09-24 | 2021-03-16 | 国网天津市电力公司电力科学研究院 | 一种有限储能下考虑源-荷不确定性的日前调度决策方法 |
| CN112686693A (zh) * | 2020-12-24 | 2021-04-20 | 中国电力科学研究院有限公司 | 电力现货市场边际电价预测方法、系统、设备及存储介质 |
| CN112928749A (zh) * | 2021-01-18 | 2021-06-08 | 西安交通大学 | 一种融合多能需求侧资源的虚拟电厂日前调度方法 |
| CN113013929A (zh) * | 2021-04-20 | 2021-06-22 | 天津大学 | 面向负荷曲线调节的有源配电网模拟优化运行方法 |
| CN113623710A (zh) * | 2021-08-18 | 2021-11-09 | 国网福建省电力有限公司经济技术研究院 | 考虑配网功率及供暖的蓄热式电采暖优化配置方法及装置 |
| CN115358519A (zh) * | 2022-07-13 | 2022-11-18 | 上海嘉柒智能科技有限公司 | 一种虚拟电厂优化调度方法及装置 |
| CN116316800A (zh) * | 2022-12-05 | 2023-06-23 | 江苏工程职业技术学院 | Vpp优化调度模型风光出力场景生成方法 |
| 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 |
| CN115936260A (zh) * | 2023-01-13 | 2023-04-07 | 智光研究院(广州)有限公司 | 虚拟电厂用户储能调度方法、装置、电子设备及存储介质 |
| CN116070888A (zh) * | 2023-04-06 | 2023-05-05 | 国网浙江省电力有限公司金华供电公司 | 基于决策树的虚拟电厂可调容量分析方法、装置及介质 |
Non-Patent Citations (3)
| Title |
|---|
| QIHUA LUO等: "Two-stage Optimal Scheduling of Virtual Power Plant Considering Demand Response and Forecast Errors", 《2022 4TH INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING AND CONTROL TECHNOLOGIES (CEECT)》 * |
| 杨秀等: "考虑需求响应的虚拟电厂双层优化调度", 《电力科学与技术学报》, vol. 37, no. 2 * |
| 王哲;杨鹏;刘思源;储真荣;艾芊;: "考虑需求响应和多能互补的虚拟电厂协调优化策略", 电力建设, no. 09 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117335416A (zh) * | 2023-11-24 | 2024-01-02 | 国网浙江省电力有限公司 | 一种用电负荷优化的方法、装置、设备及存储介质 |
| CN117335416B (zh) * | 2023-11-24 | 2024-03-01 | 国网浙江省电力有限公司 | 一种用电负荷优化的方法、装置、设备及存储介质 |
| CN117498469A (zh) * | 2024-01-03 | 2024-02-02 | 国网浙江省电力有限公司宁波供电公司 | 虚拟电厂能源管控方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116760122B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116760122B (zh) | 虚拟电厂资源管控方法、装置、计算机设备及存储介质 | |
| CN107563539A (zh) | 基于机器学习模型的短期和中长期电力负荷预测方法 | |
| Bakhtiari et al. | Predicting the stochastic behavior of uncertainty sources in planning a stand-alone renewable energy-based microgrid using Metropolis–coupled Markov chain Monte Carlo simulation | |
| Zhu et al. | A coordinated optimization framework for long-term complementary operation of a large-scale hydro-photovoltaic hybrid system: Nonlinear modeling, multi-objective optimization and robust decision-making | |
| Lythcke-Jørgensen et al. | A method for aggregating external operating conditions in multi-generation system optimization models | |
| CN111697625A (zh) | 基于分布鲁棒优化的孤岛微电网机会约束能量调度方法 | |
| CN106845669A (zh) | 基于指数平滑法预测电网年持续负荷的方法 | |
| Wang et al. | Look-ahead decision making for renewable energy: A dynamic “predict and store” approach | |
| CN113991640B (zh) | 基于火电的多能互补能源基地能源配置规划方法 | |
| CN113344732A (zh) | 电化学储能的运营评估方法、装置、终端设备及存储介质 | |
| Gao et al. | Day-ahead dynamic thermal line rating forecasting and power transmission capacity calculation based on ForecastNet | |
| Silva-Ortegaa et al. | Demand energy forecasting using genetic algorithm to guarantee safety on electrical transportation system | |
| Liu et al. | Short-term coordinated hybrid hydro-wind-solar optimal scheduling model considering multistage section restrictions | |
| Mosiño | Producing energy in a stochastic environment: Switching from non-renewable to renewable resources | |
| CN115758763A (zh) | 一种计及源荷不确定性的多能流系统优化配置方法及系统 | |
| CN115130842A (zh) | 风光火一体化基地配置方法及装置 | |
| CN112633771B (zh) | 电力资源数值计算方法、装置、计算机设备和存储介质 | |
| CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 | |
| CN114547821A (zh) | 基于灰色关联理论的可调度柔性资源辨识方法、存储介质 | |
| Xia et al. | SCG and LM improved BP neural network load forecasting and programming network parameter settings and data preprocessing | |
| Alvarado-Reyes et al. | Imperialist competitive algorithm applied to the optimal integration of photovoltaic distributed generation units into a microgrid | |
| Swief et al. | PV impact on distribution system performance following grey wolf algorithm | |
| Samal | A Comparison of Cost and Emission Reduction Efficacy of Wind Energy in Hydrothermal Systems | |
| Liu et al. | Research on peak load shifting for hybrid energy system with wind power and energy storage based on situation awareness | |
| CN111951123B (zh) | 控制用电负荷的方法、装置、计算机设备和存储介质 |
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 |