CN116845907A - 微电网源荷调度方法、系统、电子设备及介质 - Google Patents

微电网源荷调度方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN116845907A
CN116845907A CN202310843843.7A CN202310843843A CN116845907A CN 116845907 A CN116845907 A CN 116845907A CN 202310843843 A CN202310843843 A CN 202310843843A CN 116845907 A CN116845907 A CN 116845907A
Authority
CN
China
Prior art keywords
grid
micro
source load
load scheduling
power
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
Application number
CN202310843843.7A
Other languages
English (en)
Inventor
唐碧波
李义清
桂勇华
傅卓兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HNAC Technology Co Ltd
Original Assignee
HNAC Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HNAC Technology Co Ltd filed Critical HNAC Technology Co Ltd
Priority to CN202310843843.7A priority Critical patent/CN116845907A/zh
Publication of CN116845907A publication Critical patent/CN116845907A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/12—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
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (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

本申请公开了微电网源荷调度方法、系统、电子设备及介质，其特征在于，应用于能源调度领域。本申请所提供的方法，包括：基于预先训练的第一、第二长短期记忆人工神经网络对发电装置进行预测以及负荷装置进行预测，以得到对应的发电量和负荷量；根据预设控制策略构建综合模型，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后对微电网进行相应的源荷调度操作。本申请通过预先训练好的长短期记忆人工神经网络对发电装置和负荷装置进行预测，避免了发电装置和负荷装置的波动对微电网造成的影响，同时，本申请在根据发电量以及负荷量和实时电价的关系，确定出最佳的源荷调度策略，以满足经济和电量的最佳调度要求。

Description

微电网源荷调度方法、系统、电子设备及介质
技术领域
本申请涉及能源调度领域，特别是涉及微电网源荷调度方法、系统、电子设备及介质。
背景技术
随着光伏、风电、储能大规模装机，新能源在发电侧、用户侧的利用占比大幅提升，国家为了促进能源绿色低碳发展及新型电力系统建设，出台了很多政策，包括风光储发电补贴、电力交易、辅助服务、需求侧响应等，政策对于新能源发电侧、需求侧消纳与能源调度的影响。另一方面，为提高能源使用效率，负荷侧进行峰谷平电价政策及迎峰度夏、迎峰度冬限电停产，企业园区微电网控制调度常规进行调峰、削峰填谷等政策，但是在发电侧，例如光伏，风电等受环境影响较大，波动较大，需要全面考虑微电网使用成本、最大经济效益、新能源出力能力等多种制约因素。
鉴于上述背景技术，寻求一种微电网源荷调度方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供微电网源荷调度方法、系统、电子设备及介质。本申请考虑了发电装置以及负荷量的波动给微电网带来的影响，并再此基础上，提供一种最佳的源荷调度策略。
为解决上述技术问题，本申请提供一种微电网源荷调度方法，包括：
基于预先训练好的第一长短期记忆人工神经网络对微电网中的发电装置产生的电量进行预测，以得到发电量；
基于预先训练好的第二长短期记忆人工神经网络对微电网中的负荷装置消耗的电量进行预测，以得到负荷量；
根据预设控制策略构建综合模型，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作。
优选地，根据预设控制策略构建综合模型包括：
基于成本策略构建目标成本函数；
基于约束策略确定目标约束条件；
根据目标成本函数、目标约束条件构建综合模型。
优选地，基于成本策略构建目标成本函数包括：
获取与储能设备的成本和储能设备的电量有关的第一函数表达式；
获取与发电装置的成本和实时电价有关的第二函数表达式；
获取与电网装置的功率和实时电价有关的第三函数表达式；
基于第一函数表达式、第二函数表达式、第三函数表达式构建目标成本函数。
优选地，基于约束策略确定目标约束条件，包括：
基于发电装置的功率、储能设备的功率、电网装置的功率以及负荷装置的功率确定第一约束条件；
基于储能设备的电池状态参数以及储能设备的功率需满足的预设储能设备安全使用参数确定第二约束条件；
基于发电装置的功率需满足的预设发电装置安全使用参数确定第三约束条件；
基于电网装置的功率需满足的预设电网装置使安全用参数确定第四约束条件；
根据第一约束条件、第二约束条件、第三约束条件、第四约束条件确定目标约束条件。
优选地，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作，包括：
通过综合模型并基于发电量、负荷量、以及实时电价生成目标综合模型；
获取目标综合训练模型的储能设备的充电成本；
根据储能设备的充电成本与实时电价的对应的关系以及发电量与负荷量的对应关系，确定第一源荷调度策略，然后根据第一源荷调度策略对微电网进行相应的源荷调度操作。
优选地，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作，包括：
获取目标综合模型中储能设备的放电成本；
根据储能设备的放电成本与实时电价的对应的关系以及发电量和负荷量的对应关系，确定第二源荷调度策略，然后根据第二源荷调度策略对为电网进行相应的源荷调度操作。
为解决上述问题，本申请还提供一种微电网源荷调度系统，包括：
第一预测模块，用于基于预先训练好的第一长短期记忆人工神经网络对微电网中的发电装置产生的电量进行预测，以得到发电量；
第二预测模块，用于基于预先训练好的第二长短期记忆人工神经网络对微电网中的负荷装置消耗的电量进行预测，以得到负荷量；
调度模块，用于根据预设控制策略构建综合模型，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作。
优选地，调度模块包括：
构建单元，用于基于成本策略构建目标成本函数；
约束单元，用于基于约束策略确定目标约束条件；
构建单元，用于根据目标成本函数、目标约束条件构建综合模型。
为解决上述问题，本申请还提供一种电子设备，包括存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现上述的微电网源荷调度方法的步骤。
为解决上述问题，本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的微电网源荷调度方法的步骤。
本申请所提供的微电网源荷调度方法，包括：基于预先训练好的第一长短期记忆人工神经网络对微电网中的发电装置产生的电量进行预测，以得到发电量；基于预先训练好的第二长短期记忆人工神经网络对微电网中的负荷装置消耗的电量进行预测，以得到负荷量；根据预设控制策略构建综合模型，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作。本申请通过预先训练好的长短期记忆人工神经网络对微电网中的发电装置以及负荷装置进行预测，避免了发电装置和负荷装置的波动对微电网造成的影响和损坏，同时，本申请在根据发电装置的发电量以及负荷装置的负荷量和实时电价的关系，确定出最佳的源荷调度策略，以满足经济以及电量的调度要求。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的微电网源荷调度方法流程图；
图2为本申请实施例提供的短期预测的微电网总功率区块图；
图3为本申请实施例提供的微电网控制调度系统的结构图；
图4为本申请实施例提供的微电网源荷调度方法的子流程图；
图5为本申请另一实施例提供的微电网源荷调度系统模块图；
图6为本申请另一实施例提供的电子设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部实施例。基于本申请中的实施例，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，都属于本申请保护范围。
本申请的核心是提供微电网源荷调度方法、系统、电子设备及介质。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的微电网源荷调度方法流程图，如图所示，包括如下步骤：
S10：基于预先训练好的第一长短期记忆人工神经网络对微电网中的发电装置产生的电量进行预测，以得到发电量。
在具体的实施例中，微电网中的发电装置，类似于光伏发电以及风力发电等，受环境影响较大，因此发电装置的发电量波动较大，在微电网中波动较大的发电量不仅会影响微电网，而且也会影响最终的发电量的调度，因此，本申请基于预先训练好的第一长短期记忆人工神经网络(LSTM)对微电网中的发电装置产生的电量进行预测，以得到发电量，此发电量是经过预测的。
其中，LSTM(Long Short-Term Memory)是长短期记忆人工神经网络，是时间递归神经网络(RNN)，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。
S11：基于预先训练好的第二长短期记忆人工神经网络对微电网中的负荷装置消耗的电量进行预测，以得到负荷量。
同理，在具体实施例中，不同负荷装置(电脑、家用灯、冰箱等)以及时间的不同，消耗的负荷量也有较大的波动，因此，本申请基于预先训练好的第二长短期记忆人工神经网络对微电网中的负荷装置消耗的电量进行预测，以得到负荷量，此负荷量也是预测之后的。
其中，需要说明的是，发电装置采用的预测网络为第一长短期记忆人工神经网络，而负荷装置采用的预测网络是第二长短期记忆人工神经网络，是因为在长短期记忆人工神经网络上，不同网络的构建可能预测数据的侧重点不同，因此作为一种优选，发电装置和负荷装置采用不同的长短期记忆人工神经网络，但是，若有一种神经网络的侧重点包括发电装置的预测以及负荷装置的预测，第一长短期记忆人工神经网络可以和第二长短期记忆人工神经网络相同，本申请不限定。
S12：根据预设控制策略构建综合模型，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作。
在具体实施例中，首先根据预设控制策略构建一个综合模型，将通过预测后的发电量、预测后的负荷量以及当前实时电价生成当前的源荷调整策略，然后根据源荷调整策略对微电网进行相应的源荷调整操作。
举例：在综合模型中，当发电量大于负荷量，此时需要考虑当前的电价，在满足最低电量需要的条件下，实现利益最大化，根据当前的实时电价(购电或卖电)判断是将多出的发电量用于存储还是出售；当发电量小于负荷量，此时同样需要考虑当前的电价，在满足花费最低的条件下，实现电量要求，根据当前的实时电价，判断是购电网的电量来实现负荷量的消耗，还是采用之前储存的电量来实现负荷量的消耗。
本申请所提供的微电网源荷调度方法，包括：基于预先训练好的第一长短期记忆人工神经网络对微电网中的发电装置产生的电量进行预测，以得到发电量；基于预先训练好的第二长短期记忆人工神经网络对微电网中的负荷装置消耗的电量进行预测，以得到负荷量；根据预设控制策略构建综合模型，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作。本申请通过预先训练好的长短期记忆人工神经网络对微电网中的发电装置以及负荷装置进行预测，避免了发电装置和负荷装置的波动对微电网造成的影响和损坏，同时，本申请在根据发电装置的发电量以及负荷装置的负荷量和实时电价的关系，确定出最佳的源荷调度策略，以满足经济以及电量的调度要求。
在上述实施例的基础上，作为一种优选的实施例，根据预设控制策略构建综合模型包括：
基于成本策略构建目标成本函数；
基于约束策略确定目标约束条件；
根据目标成本函数、目标约束条件构建综合模型。
其中，成本策略构建目标成本函数包括：
获取与储能设备的成本和储能设备的电量有关的第一函数表达式；
获取与发电装置的成本和实时电价有关的第二函数表达式；
获取与电网装置的功率和实时电价有关的第三函数表达式；
基于第一函数表达式、第二函数表达式、第三函数表达式构建目标成本函数。
其中，基于约束策略确定目标约束条件，包括：
基于发电装置的功率、储能设备的功率、电网装置的功率以及负荷装置的功率确定第一约束条件；
基于储能设备的电池状态参数以及储能设备的功率需满足的预设储能设备安全使用参数确定第二约束条件；
基于发电装置的功率需满足的预设发电装置安全使用参数确定第三约束条件；
基于电网装置的功率需满足的预设电网装置使安全用参数确定第四约束条件；
根据第一约束条件、第二约束条件、第三约束条件、第四约束条件确定目标约束条件。
在具体的实施例中，构建的综合模型要考虑成本问题，但是也同样要保证对应的设备运行时的一系列参数(功率等)在安全使用参数范围中，这样既可以降低成本，同样可以提高安全性。
其中，微电网产生成本的地方作为一种优选有三处，第一处为储能设备的成本、发电装置的成本以及电网装置购电的成本，因此构建目标成本函数作为一种优选，如下述公式：
目标成本函数：
第一函数表达式(储能设备)：Fbat＝Cbat(t)·|Pbat(t)|；
其中，Cbat(t)为单位功率的电池使用成本，与电池的寿命和额定容量均成反比，与电池的购买成本成正比，其中Cbat(t)具体数据和表示公式根据不同的电池略有不同，本申请不限定；Pbat(t)为储能设备的发电量或者充电量。
其中，
其中，Pbat-mg-dis为储能设备与交流母线之间的放电功率；Pbat-mg-ch为储能设备与交流母线之间的充电功率；ηdis为放电效率；ηch为充电效率，其中需要说明的是，充电效率以及放电效率由过程控制系统(Process Control Systems，PCS)的转换效率决定。
第二函数表达式(发电装置，以光伏举例)：Fpho＝-Cp(t)·Ppho(t)；
其中，Cp(t)为从电网装置中购买电量的购电电价，Ppho(t)为光伏送到交流母线上的实际功率。其中，需要说明的是光伏是一次性前期投入，在实际运行过程中不考虑运行成本，这里只考虑发电收益，所以光伏所产生的的成本为负。考虑到假如没有光伏，光伏所发电量是需要从电网购买，因此采用购电电价Cp(t)来计算收益。
第三函数表达式(电网装置)：
其中，Cp(t)为从电网装置中购买电量的购电电价；Cs(t)为向向往装置中卖电的卖电电价；Ppgrid(t)为购电的功率；Psgrid(t)为卖电的功率，单位为KW。
其中，基于约束策略确定目标约束条件，包括：
基于发电装置的功率、储能设备的功率、电网装置的功率以及负荷装置的功率确定第一约束条件；
基于储能设备的电池状态参数以及储能设备的功率需满足的预设储能设备安全使用参数确定第二约束条件；
基于发电装置的功率需满足的预设发电装置安全使用参数确定第三约束条件；
基于电网装置的功率需满足的预设电网装置使安全用参数确定第四约束条件；
根据第一约束条件、第二约束条件、第三约束条件、第四约束条件确定目标约束条件。
在具体实施例中，在优化目标成本函数的时候，必须满足微电网运行过程中的特定约束条件，主要包括微电网内部的功率平衡约束和设备的运行条件约束，其中作为一种优选，约束条件如下：
第一约束条件(其中的发电装置以光伏举例)：
Ppho(t)+Ipgird(t)·Ppgrid(t)-(1-Ipgird(t))·Psgrid(t)+Idis(t)·Pbat-mg-dis(t)+(1-Idis(t))·Pbat-mg-ch(t)＝Ptotal；
其中，Ptotal为微电网总功率；Ppho(t)表示光伏送到交流母线上的实际功率，这个值是根据光伏预测得到。Ipgird(t)为微电网与电网装置之间买卖电的控制参数，只能等于0或1，等于0表示向电网装置卖电，等于1表示从电网装置购电。Ppgrid和Psgrid分别表示购电和卖电的功率。Idis(t)为储能设备充放电控制参数，只能等于0或1，等于1表示向微电网放电，等于0表示充电。Pbat-mg-dis和Pbat-mg-ch分别表示储能设备与交流母线之间的放充电功率。Pfix(t)为微电网中的不能断电的固定负荷。Pk(t)表示微电网中的第k个可投切负荷，总共有h个，Ik(t)为投切控制参数，只能为0或1。在这里可以将可投切负荷进行等级划分，然后根据等级进行投切。
第二约束条件(储能设备)：
(1)、储能设备的电池的电荷状态(SOC)在安全放电范围内，即需满足下式：SOCmin≤SOC(t)≤SOCmax；
其中，SOCmin和SOCmax分别表示电池的最小的SOC最大的SOC，SOC(t)表示当前时刻的SOC；
其中，
其中，ELB为预设的能量效率因子，Δt为时间的变化量。
(2)、调度的连续性，在一个调度周期里(先只考虑在一天内实现一充一放)起始时刻和结束时刻电池的相同，即SOCstart＝SOCend，也就是说，作为一种优选，一个周期结束后，储能设备的电量要保持在最开始的状态，以备后续使用。
(3)、功率限制(针对PCS的功率上限大于电池堆的最大功率的情况，其他情况另当别论)：
放电过程：Pbat-mg-dis(t)≤Pbat-dis-max·ηdis；
充电过程：
其中，Pbat-dis-max和Pbat-ch-max表示电池最大放充电功率。
第三约束条件(发电装置，以光伏举例)：Ppho(t)≤Ppho-limit；
其中Ppho-limit表示光伏的最大功率。
第四约束条件(电网装置)：
购电过程：Ppgrid(t)≤Pplimit(t)；
卖电过程：Pslimit-low(t)≤Ppgrid(t)≤Pslimit-high(t)；
其中，Pplimit(t)表示电网装置能提供的最大购电最大功率，Pslimit-low(t)和Pslimit-high(t)分别表示电网装置允许的最低和最高卖电功率。
综本申请实施例，计算短期预测的微电网总功率，Ptotal，微电网总功率可分为如图2所示的四块区域。
需要说明的是，本申请提供的计算方式仅是一种可以实现的方式，但是不限于只有该种实现方式，可以根据用户的需要，自行设置。
同时，还需要说明的是，本申请仅是一种可以实现的方式，但是不限于只有该种实现方式，可以根据用户的需要，自行设置发电测的装置以及对应的函数表达式。
本申请通过实施例中的函数表达式和约束条件构建了一种较为严谨的综合模型，以便最终得出的策略更为严谨，以及在使用过程中也保证了设备的安全。
在上述实施例的基础上，作为一种优选的实施例，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作，包括：
通过综合模型并基于发电量、负荷量、以及实时电价生成目标综合模型；
获取目标综合训练模型的储能设备的充电成本；
根据储能设备的充电成本与实时电价的对应的关系以及发电量与负荷量的对应关系，确定第一源荷调度策略，然后根据第一源荷调度策略对微电网进行相应的源荷调度操作。
同理，获取目标综合模型中储能设备的放电成本；
根据储能设备的放电成本与实时电价的对应的关系以及发电量和负荷量的对应关系，确定第二源荷调度策略，然后根据第二源荷调度策略对为电网进行相应的源荷调度操作。
在具体实施例中，我们将预测后的发电量、负荷量和实时电价与综合模型结合，生成目标综合模型，获取目标模型中的对储能设备的充电成本，根据储能设备的充电成本与实时电价的对应的关系以及发电量与负荷量的对应关系，确定第一源荷调度策略，然后根据第一源荷调度策略对微电网进行相应的源荷调度操作，或者获取目标综合模型中储能设备的放电成本；根据储能设备的放电成本与实时电价的对应的关系以及发电量和负荷量的对应关系，确定第二源荷调度策略，然后根据第二源荷调度策略对为电网进行相应的源荷调度操作。
举例1：当发电量大于负荷量时，说明在满足负荷量的基础上，有多出的电量，此时计算给储能设备充电成本和实时电价中卖电电价的差异Δg1，若Δg1＞0，则说明给储能设备充电的成本大于对电网装置卖电的成本，此时，利益最大化的操作是将多出的电量向电网装置的卖电；若Δg1＜0且SOCmin≤SOC(t)≤SOCmax，则说明给储能设备充电的成本小于向电网装置卖电的成本，同时，储能设备的电池状态未饱和，此时，利益最大化的操作是向储能设备充电；若Δg1＜0且SOC(t)＝SOCmax，此时，说明储能设备的电量已经达到饱和，此时利益最大的操作就是向电网装置卖电。其中，本申请举例1对应的操作行为就是第一源荷调度策略以及对应的第一源荷调度操作。
举例2：当发电量小于负荷量，说明此时的发电量无法保证负荷的需求，此时需要外界的帮助，也就是储能设备的放电或者向电网装置购电。此时计算储能设备放电的成本和实时电价中购电电价的差异Δg2，若Δg2＞0，说明此时储能设备放电的成本大于向电网装置购电的成本，此时，利益最大化的操作是向电网装置购电，以达到发电量等于负荷量的最低要求；若Δg2＜0，且SOCmin≤SOC(t)≤SOCmax，则说明此时储能设备放电的成本小于向电网装置购电的成本，同时储能设备的电池状态还在可以正常工作中，此时利益最大化的操作是通过储能设备的放电，以达到发电量等于负荷量的最低要求；若Δg2＜0，且SOC(t)＝SOCmin，则说明储能设备的电池状态以达到最低点，无法继续发电，此时利益最大化的操作是需要向电网装置购电。其中，本申请举例2对应的操作行为就是第二源荷调度策略以及对应的第二源荷调度操作。
综上述实施例所述，图3为本申请实施例提供的微电网控制调度系统的结构图，如图所示，其中包括储能设备、发电量、负荷量、实时电价、设备装置成本、第一长短期记忆人工神经网络预测、第二长短期记忆人工神经网络预测、源荷超短期预测、日前规划、平抑模式、常规模式以及限电模式，其中需要强调说明的是，源荷超短期预测以及日前规划为本申请实施例中的建立综合模型，因此对应的常规模式以及限电模式就是目标约束条件；还需要说明的是，平抑模式是比较常见的供电模式。
同理，如图4所示，图4为本申请实施例提供的微电网源荷调度方法的子流程图，其中流程均为在图3中源荷超短期预测、日前规划、常规模式以及限电模式下的流程图。其中构建目标成本函数，然后与常规模式(以经济条件收益最大，构建约束条件)和限电模式(以限电前提，构建约束条件)构建了一个包括稳定运行参数以及经济最优控制参数的综合模型，通过matlab仿真，并进行上机测试，从而得到最终的源荷调度策略。
本申请所提供的微电网源荷调度方法，包括：基于预先训练好的第一长短期记忆人工神经网络对微电网中的发电装置产生的电量进行预测，以得到发电量；基于预先训练好的第二长短期记忆人工神经网络对微电网中的负荷装置消耗的电量进行预测，以得到负荷量；根据预设控制策略构建综合模型，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作。本申请通过预先训练好的长短期记忆人工神经网络对微电网中的发电装置以及负荷装置进行预测，避免了发电装置和负荷装置的波动对微电网造成的影响和损坏，同时，本申请在根据发电装置的发电量以及负荷装置的负荷量和实时电价的关系，确定出最佳的源荷调度策略，以满足经济以及电量的调度要求，同时，考虑了装置及设备的安全，降低了因不恰当使用造成的器件损坏的更换成本。
在上述实施例中，对于微电网源荷调度方法方法进行了详细描述，本申请还提供微电网源荷调度装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
图5为本申请另一实施例提供的微电网源荷调度系统模块图，包括：
第一预测模块11，用于基于预先训练好的第一长短期记忆人工神经网络对微电网中的发电装置产生的电量进行预测，以得到发电量；
第二预测模块12，用于基于预先训练好的第二长短期记忆人工神经网络对微电网中的负荷装置消耗的电量进行预测，以得到负荷量；
调度模块13，用于根据预设控制策略构建综合模型，通过综合模型并基于发电量、负荷量以及实时电价生成当前的源荷调度策略，然后根据源荷调度策略对微电网进行相应的源荷调度操作。
其中，调度模块13包括：
构建单元，用于基于成本策略构建目标成本函数；
约束单元，用于基于约束策略确定目标约束条件；
构建单元，用于根据目标成本函数、目标约束条件构建综合模型。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图6为本申请另一实施例提供的电子设备的结构图，如图6所示，电子设备包括：存储器20，用于存储计算机程序；
处理器21，用于执行计算机程序时实现如上述实施例中所提到的微电网源荷调度方法的步骤。
本实施例提供的电子设备可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(CentralProcessing Unit，CPU)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图像处理器(Graphics Processing Unit，GPU)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(Artificial Intelligence，AI)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的微电网源荷调度方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。
在一些实施例中，电子设备还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解，图6中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的组件。
本申请实施例提供的电子设备，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：微电网源荷调度方法。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的微电网源荷调度方法、系统、电子设备及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，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。

Claims (10)

1.一种微电网源荷调度方法，其特征在于，包括：
基于预先训练好的第一长短期记忆人工神经网络对微电网中的发电装置产生的电量进行预测，以得到发电量；
基于预先训练好的第二长短期记忆人工神经网络对所述微电网中的负荷装置消耗的电量进行预测，以得到负荷量；
根据预设控制策略构建综合模型，通过所述综合模型并基于所述发电量、所述负荷量以及实时电价生成当前的源荷调度策略，然后根据所述源荷调度策略对所述微电网进行相应的源荷调度操作。
2.根据权利要求1所述的微电网源荷调度方法，其特征在于，所述根据预设控制策略构建综合模型包括：
基于成本策略构建目标成本函数；
基于约束策略确定目标约束条件；
根据所述目标成本函数、所述目标约束条件构建所述综合模型。
3.根据权利要求2所述的微电网源荷调度方法，其特征在于，所述基于成本策略构建目标成本函数包括：
获取与储能设备的成本和所述储能设备的电量有关的第一函数表达式；
获取与所述发电装置的成本和所述实时电价有关的第二函数表达式；
获取与电网装置的功率和所述实时电价有关的第三函数表达式；
基于所述第一函数表达式、所述第二函数表达式、所述第三函数表达式构建所述目标成本函数。
4.根据权利要求2所述的微电网源荷调度方法，其特征在于，所述基于约束策略确定目标约束条件，包括：
基于所述发电装置的功率、储能设备的功率、电网装置的功率以及所述负荷装置的功率确定第一约束条件；
基于所述储能设备的电池状态参数以及所述储能设备的功率需满足的预设储能设备安全使用参数确定第二约束条件；
基于所述发电装置的功率需满足的预设发电装置安全使用参数确定第三约束条件；
基于所述电网装置的功率需满足的预设电网装置使安全用参数确定第四约束条件；
根据所述第一约束条件、所述第二约束条件、所述第三约束条件、所述第四约束条件确定所述目标约束条件。
5.根据权利要求1所述的微电网源荷调度方法，其特征在于，所述通过所述综合模型并基于所述发电量、所述负荷量以及实时电价生成当前的源荷调度策略，然后根据所述源荷调度策略对所述微电网进行相应的源荷调度操作，包括：
通过所述综合模型并基于所述发电量、所述负荷量、以及所述实时电价生成目标综合模型；
获取所述目标综合训练模型的所述储能设备的充电成本；
根据所述储能设备的充电成本与所述实时电价的对应的关系以及所述发电量与所述负荷量的对应关系，确定第一源荷调度策略，然后根据所述第一源荷调度策略对所述微电网进行相应的源荷调度操作。
6.根据权利要求5所述的微电网源荷调度方法，其特征在于，所述通过所述综合模型并基于所述发电量、所述负荷量以及实时电价生成当前的源荷调度策略，然后根据所述源荷调度策略对所述微电网进行相应的源荷调度操作，包括：
获取所述目标综合模型中所述储能设备的放电成本；
根据所述储能设备的放电成本与所述实时电价的对应的关系以及所述发电量和所述负荷量的对应关系，确定第二源荷调度策略，然后根据所述第二源荷调度策略对所述为电网进行相应的源荷调度操作。
7.一种微电网源荷调度系统，其特征在于，包括：
第一预测模块，用于基于预先训练好的第一长短期记忆人工神经网络对微电网中的发电装置产生的电量进行预测，以得到发电量；
第二预测模块，用于基于预先训练好的第二长短期记忆人工神经网络对所述微电网中的负荷装置消耗的电量进行预测，以得到负荷量；
调度模块，用于根据预设控制策略构建综合模型，通过所述综合模型并基于所述发电量、所述负荷量以及实时电价生成当前的源荷调度策略，然后根据所述源荷调度策略对所述微电网进行相应的源荷调度操作。
8.根据权利要求7所述的微电网源荷调度系统，其特征在于，所述调度模块包括：
构建单元，用于基于成本策略构建目标成本函数；
约束单元，用于基于约束策略确定目标约束条件；
构建单元，用于根据所述目标成本函数、所述目标约束条件构建所述综合模型。
9.一种电子设备，其特征在于，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的微电网源荷调度方法的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的微电网源荷调度方法的步骤。
CN202310843843.7A 2023-07-11 2023-07-11 微电网源荷调度方法、系统、电子设备及介质 Pending CN116845907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310843843.7A CN116845907A (zh) 2023-07-11 2023-07-11 微电网源荷调度方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310843843.7A CN116845907A (zh) 2023-07-11 2023-07-11 微电网源荷调度方法、系统、电子设备及介质

Publications (1)

Publication Number Publication Date
CN116845907A true CN116845907A (zh) 2023-10-03

Family

ID=88159803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310843843.7A Pending CN116845907A (zh) 2023-07-11 2023-07-11 微电网源荷调度方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116845907A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117856243A (zh) * 2024-01-04 2024-04-09 国网江苏省电力有限公司宿迁供电分公司 一种基于需求侧响应的电力需求侧管理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117856243A (zh) * 2024-01-04 2024-04-09 国网江苏省电力有限公司宿迁供电分公司 一种基于需求侧响应的电力需求侧管理方法

Similar Documents

Publication Publication Date Title
CN108964050A (zh) 基于需求侧响应的微电网双层优化调度方法
CN110247411B (zh) 一种用户侧物联化智能光储设备能量动态分配方法
CN110232583B (zh) 一种考虑碳排放权的电力市场边际价格规划方法
US20220393467A1 (en) Method and system for energy scheduling of shared energy storage considering degradation cost of energy storage
EP4167417A1 (en) Device power supply method, system, and related device
CN109713666A (zh) 一种基于K-means聚类的电力市场下分布式储能经济性调控方法
CN116845907A (zh) 微电网源荷调度方法、系统、电子设备及介质
CN113488995A (zh) 基于储能成本的共享储能容量优化配置方法和装置
CN111030149A (zh) 一种基于复合储能装置的微电网供电方法及电子设备
CN116845930A (zh) 微电网系统的储能控制方法、装置及微电网系统
Li et al. Optimal operation of AC/DC hybrid microgrid under spot price mechanism
CN116231669A (zh) 数据处理方法、装置、电子设备及存储介质
CN114240193B (zh) 一种储能规划系统和方法
CN114977441A (zh) 一种电池的充电和放电的控制方法、装置以及介质
CN115238992A (zh) 一种电力系统源荷储的协调优化方法、装置及电子设备
CN109347120A (zh) 一种面向电网频率响应的决策方法和系统
CN115021406A (zh) 一种整合经济性模型预测控制的微电网控制器
CN112491067A (zh) 一种基于复合储能的主动配电网容量配置方法
CN109638835B (zh) 一种交直流混合微电网优化配置方法及装置
CN107134773B (zh) 一种基于事件的智能微电网运行优化方法
CN110943487A (zh) 一种园区能源系统能量优化的方法和装置
CN112928755B (zh) 光伏储能系统的控制方法、装置及存储介质
CN117498467B (zh) 一种基于多层级虚拟电厂的能量协调控制分配方法及系统
CN116961188B (zh) 基站电源的调度方法、装置、电子设备和可读存储介质
CN106529989A (zh) 一种绿色数据中心的服务器自适应定价策略

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