CN116845985B - 一种基于数据分析的源网荷储协同调度系统 - Google Patents

Abstract

本发明公开了一种基于数据分析的源网荷储协同调度系统，属于电网调度领域，解决了如何通过源网荷储的综合分析对发电量进行控制和调度的问题；本发明通过信息采集模块对当天用户侧所有用户的全天用电量、当天输变配网侧全天故障次数以及当天各个气象值进行采集，和通过信息预处理模块对采集获取的数据进行预处理，预测分析模块根据预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据对预测日的用户侧全天总用电量进行预测；通过智能调度模块对预测日的发电量进行预测和调度；确保发电侧每日的发电量能够满足目标区域的供电量，同时也能避免发电侧生成过多的电力，从而产生不必要的能源浪费。

Description

一种基于数据分析的源网荷储协同调度系统

技术领域

本发明属于电网调度领域，具体是一种基于数据分析的源网荷储协同调度系统。

背景技术

电网是由发电厂、输电系统和配网系统组成的综合电力系统，电网通过发电厂产生、输电系统传输和配电系统分配电能，使得电力能够从发电厂传输到用户家庭、工业企业等地方，满足各类用电需求。

为了避免发电厂所使用的能源浪费，目前采用节能用电，或者是计划发电。但这种方式虽然在一定程度上减少了能源消耗，但仍然会出现每日的发电多出来的电能导致浪费。为此，本发明一种基于数据分析的源网荷储协同调度系统。

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数据分析的源网荷储协同调度系统，该种基于数据分析的源网荷储协同调度系统解决了如何通过源网荷储的综合分析对发电量进行控制和调度的问题。

为了实现上述目的，本发明采用了如下技术方案：

一种基于数据分析的源网荷储协同调度系统，包括：

信息采集模块，用于对目标区域中当天的用户侧所有用户全天用电量、输变配网侧全天故障次数以及当天不同时间点的各个气象值进行采集，并上传至云存储模块；

信息预处理模块，用于对信息采集模块当天采集的所有数据进行预处理，并将经过预处理后的数据上传至云存储模块；包括：对各个数据进行数据清洗和整理、计算当天用户侧全天总用电量以及计算气象指数；

预测分析模块，用于根据预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据对预测日的用户侧全天总用电量进行预测；过程如下：

步骤P1：从云存储模块提取预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据，分别标记为 以及并整合成相应的序列；j表示日期的编号；

步骤P2：对各个序列所包含的参数值进行标准化处理，获取第i序列第j日的标准化参数值i表示序列号，i＝1,2,3；

步骤P3：对各个标准化参数值进行平滑处理，获取第i序列第j标准化参数值的一次累加值

步骤P4：计算经过平滑处理后用户侧全天总用电量序列的标准化参数值的紧邻均值

步骤P5：构建用户侧全天总用电量标准化参数值、输变配网侧全天故障次数标准化参数值以及气象指数标准化参数值的一阶微分方程；

步骤P6：通过累减对预测日用户侧全天用电量标准化参数值进行预测，并对预测后的用户侧全天用电量标准化参数值去标准化；

智能调度模块，用于根据预测日用户侧全天用电量QY对发电侧预测日的发电量进行预测和调度。

进一步地，气象指数的计算过程如下：

信息预处理模块将获取的当天不同时间点的各个气象值进行平均计算，获取当天的温度均值T、降水量均值R、风速均值W以及雷击概率均值L；并计算气象指数，公式如下：

气象指数＝a1×|T-20|+a2×R+a3×W+a4×L，式中，a1、a2、a3以及a4为权重比例系数。

进一步地，步骤P1中，整合的各个序列如下：

将用户侧全天总用电量序列标记为

将输变配网侧全天故障次数序列标记为

将气象指数序列标记为

式中，k表示预测日前一天的日期。

进一步地，对各个序列所包含的参数值进行标准化处理的公式如下：

式中，maxD⁽⁰⁾(j)和minD⁽⁰⁾(j)分别表示第j日所有序列中的最大参数值和最小参数值。

进一步地，对各个标准化参数值进行平滑处理的公式如下：

式中j＝1,2……k。

进一步地，经过平滑处理后用户侧全天总用电量序列的标准化参数值的紧邻均值的计算公式如下：

式中：j＝2,3……k。

进一步地，

一阶微分方程为：式中，a为发展系数，bi为驱动系数，/>为驱动项；

引入矩阵向量记号：

采用最小二乘法计算：

当变化幅度较小时，则一阶微分方程近似时间相应式为：

进一步地，预测日用户侧全天用电量标准化参数值如下：

预测日用户侧全天用电量QY如下：

进一步地，智能调度模块的处理过程如下：

步骤S1：从云存储模块提取预测日前一天的发电侧储能单元、输变配网侧储能单元以及用户侧储能单元各自存储的能量Q1、Q2以及Q3；

步骤S2：计算发电侧在预测日的预测发电量QF；计算公式如下：

QF＝γ×{QY-(b1×Q1+b2×Q2+b3×Q3)}；式中，γ、b1、b2以及b3为修正因子；

将获取的预测发电量发送至发电侧，发电侧按照获取的预测发电量进行全天的电力生产。

与现有技术相比，本发明的有益效果是：

1、本发明通过信息采集模块对当天用户侧所有用户的全天用电量、当天输变配网侧全天故障次数以及当天各个气象值进行采集，和通过信息预处理模块对采集获取的数据进行预处理，从而获取当天用户侧全天总用电量、当天输变配网侧全天故障次数以及当天气象指数，并上传至云存储模块，为后续预测分析模块提供预测日之前可靠准确的历史数据，提高了数据分析效率和数据分析的准确性。

2、本发明中预测分析模块根据预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据对预测日的用户侧全天总用电量进行预测；其中，输变配网侧全天故障次数和气象指数是用户侧全天总用电量的影响因素，采用各个序列数据的关联分析、对数据进行平滑处理以及计算全天总用电量的趋势变化，最终建立预测特征值和影响因素之间的一阶微分方程，从而获取预测日用户侧全天总用电量；通过一小段历史数据和影响因素的关联分析获取预测特征值，相比于传统方式的抄表分析方式更加智能、方便和准确；另外还通过智能调度模块对预测日的发电量进行预测和调度，确保发电侧每日的发电量能够满足目标区域的供电量，同时也能避免发电侧生成过多的电力，从而产生不必要的能源浪费。

附图说明

图1为本发明的一种基于数据分析的源网荷储协同调度系统框图。

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，一种基于数据分析的源网荷储协同调度系统，包括：

信息采集模块，包括用电信息采集单元、故障信息采集单元以及气象信息采集单元；

在本实施例中，对目标区域进行供电的电网包括发电侧、输变配网侧以及用户侧；

可以理解的是，发电侧指的是生产电力的发电厂，如水力发电厂、火力发电厂、风力发电厂、潮汐发电厂、核能发电厂等，在本实施例中，发电侧包括一个发电厂或者是同一种发电类型聚集在一个区域的多个发电厂，该发电侧将生产获取的电能输出至输变配网侧；

输变配网侧用于对获取的电能进行输送、变电以及配电，用于将发电侧产生的电能输送至变电站，变电站将获取的电能升/降至适当的电压等级，配电设备将经过变电站处理的电能进行分配，并输送至用电侧；

用户侧对获取的电能进行使用；用户侧包括多个用户，各个用户的电能输入端都设置有智能电表，用于对相应用户所使用的电能进行检测；所述用户可以是企业用户、家庭用户等；

需要说明的是，发电侧、输变配网侧以及用户侧均设置有储能单元，即发电侧储能单元、输变配网侧储能单元以及用户侧储能单元；各个储能单元用于对相应侧的一部分电能进行储存；各个储能单元在低谷时段充电，在高峰时段或应急情况下放电；从而节约电能和为目标区域可靠供电；各个储能单元将当天最终所储存的电能值上传至云存储模块；

其中，所述用电信息采集单元用于对目标区域中用户侧的各个用户全天用电量进行采集，可以通过设置的智能电表对各个用户每日的全天用电量进行采集；所述用电信息采集单元将采集获取的当天用户侧所有用户的全天用电量上传至云存储模块；

所述故障信息采集单元用于对目标区域中输变配网侧全天故障次数进行采集；输电配网侧发生的故障有很多类型，包括线路短路或漏电、过载、电压不稳定、变压器损耗、功率因素不良、设备故障或失效等，当输电配网侧发生故障时会导致电能浪费，使得获取的电能转化为其他能量消耗而不能输送至用户侧进行消耗；具体故障采集方式目前有多种方式，在此处不过多赘述；所述故障信息采集单元将采集获取的当天输变配网侧全天故障次数上传至云存储模块；

所述气象信息采集单元用于对目前电网区域内的气象信息进行采集；可选的，气象信息可以通过气象监测站获取，所述气象信息采集单元每隔单位时间对当天的温度、降水量、风速、雷击概率等进行采集；所述气象信息采集单元将采集获取的当天不同时间点的各个气象值上传至云存储模块；

信息预处理模块，用于对采集获取的当天用户侧所有用户的全天用电量、当天输变配网侧全天故障次数以及当天不同时间点的各个气象值进行分类预处理，方式如下：

所述信息预处理模块从云存储模块获取当天采集获取的各个数据，并进行数据清洗和整理；

可选的，所述信息预处理模块将获取的当天用户侧所有用户的全天用电量进行汇总并加和计算，获取当天用户侧全天总用电量；

可选的，所述信息预处理模块将获取的当天不同时间点的各个气象值进行平均计算，获取当天的温度均值T、降水量均值R、风速均值W以及雷击概率均值L；并计算气象指数，公式如下：

气象指数＝a1×|T-20|+a2×R+a3×W+a4×L，式中，a1、a2、a3以及a4为权重比例系数；

所述信息预处理模块将经过预处理获取的当天用户侧全天总用电量、当天输变配网侧全天故障次数以及当天气象指数上传至云存储模块；

在本实施例中，通过信息采集模块对当天用户侧所有用户的全天用电量、当天输变配网侧全天故障次数以及当天各个气象值进行采集，和通过信息预处理模块对采集获取的数据进行预处理，从而获取当天用户侧全天总用电量、当天输变配网侧全天故障次数以及当天气象指数，并上传至云存储模块，为后续预测分析模块提供预测日之前可靠准确的历史数据，提高了数据分析效率和数据分析的准确性；

预测分析模块，用于根据预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据对预测日的用户侧全天总用电量进行预测；过程如下：

步骤P1：从云存储模块提取预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据，分别标记为 以及并整合成相应的序列；

将用户侧全天总用电量序列标记为

将输变配网侧全天故障次数序列标记为

将气象指数序列标记为

式中，j表示日期的编号；j＝1,2……k；k表示预测日前一天的日期；

步骤P2：对各个序列所包含的参数值进行标准化处理；

可选的，对各个序列所包含的参数值进行标准化，使得所有序列的参数值取值范围都在0和1之间，公式如下：

式中，i表示序列号，i＝1,2,3；表示第i序列的第j日的标准化参数值；maxD⁽⁰⁾(j)和minD⁽⁰⁾(j)分别表示第j日所有序列中的最大参数值和最小参数值；

步骤P3：对各个标准化参数值进行平滑处理；

可选的，可通过对各个序列的标准化参数值进行累加计算，将各个标准化参数值的随机波动转换为趋势成分；公式如下：

式中j＝1,2……k；/>表示为第i序列第j标准化参数值的一次累加值；

步骤P4：计算经过平滑处理后用户侧全天总用电量序列的标准化参数值的紧邻均值，确定用户侧全天总用电量标准化参数值的趋势变化；公式如下：

式中：j＝2,3……k；/>为用户侧全天总用电量序列的标准化参数值的紧邻均值；

步骤P5：构建用户侧全天总用电量标准化参数值、输变配网侧全天故障次数标准化参数值以及气象指数标准化参数值的一阶微分方程；

一阶微分方程为：式中，a为发展系数，bi为驱动系数，/>为驱动项；

引入矩阵向量记号：

采用最小二乘法计算：

当变化幅度较小时，则一阶微分方程近似时间相应式为：

步骤P6：通过累减对预测日用户侧全天用电量标准化参数值进行预测，并对预测后的用户侧全天用电量标准化参数值去标准化；

预测日用户侧全天用电量标准化参数值如下：

预测日用户侧全天用电量QY如下：

所述预测分析模块将获取的预测日用户侧全天用电量QY发送至智能调度模块；

智能调度模块，用于根据获取的预测日用户侧全天用电量对发电侧预测日的发电量进行预测和调度；方式如下：

步骤S1：从云存储模块提取预测日前一天的发电侧储能单元、输变配网侧储能单元以及用户侧储能单元各自存储的能量Q1、Q2以及Q3；

步骤S2：计算发电侧在预测日的预测发电量QF；计算公式如下：

QF＝γ×{QY-(b1×Q1+b2×Q2+b3×Q3)}；式中，γ、b1、b2以及b3为修正因子；

将获取的预测发电量发送至发电侧，发电侧按照获取的预测发电量进行全天的电力生产；

在本实施例中，预测分析模块根据预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据对预测日的用户侧全天总用电量进行预测；其中，输变配网侧全天故障次数和气象指数是用户侧全天总用电量的影响因素，采用各个序列数据的关联分析、对数据进行平滑处理以及计算全天总用电量的趋势变化，最终建立预测特征值和影响因素之间的一阶微分方程，从而获取预测日用户侧全天总用电量；通过一小段历史数据和影响因素的关联分析获取预测特征值，相比于传统方式的抄表分析方式更加智能、方便和准确；另外还通过智能调度模块对预测日的发电量进行预测和调度，确保发电侧每日的发电量能够满足目标区域的供电量，同时也能避免发电侧生成过多的电力，从而产生不必要的能源浪费。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值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。

本发明的工作原理：

通过信息采集模块对目标区域中当天的用户侧所有用户全天用电量、输变配网侧全天故障次数以及当天不同时间点的各个气象值进行采集，并上传至云存储模块；通过信息预处理模块对信息采集模块当天采集的所有数据进行预处理，并将经过预处理后的数据上传至云存储模块；包括：对各个数据进行数据清洗和整理、计算当天用户侧全天总用电量以及计算气象指数；

通过预测分析模块根据预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据对预测日的用户侧全天总用电量进行预测；包括：从云存储模块提取预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据，并整合成相应的序列；对各个序列所包含的参数值进行标准化处理，获取标准化参数值；对各个标准化参数值进行平滑处理，获取标准化参数值的一次累加值；计算经过平滑处理后用户侧全天总用电量序列的标准化参数值的紧邻均值；构建用户侧全天总用电量标准化参数值、输变配网侧全天故障次数标准化参数值以及气象指数标准化参数值的一阶微分方程；通过累减对预测日用户侧全天用电量标准化参数值进行预测，并对预测后的用户侧全天用电量标准化参数值去标准化；

通过智能调度模块根据预测日用户侧全天用电量对发电侧预测日的发电量进行预测和调度；确保了发电侧每日的发电量能够满足目标区域的供电量，同时也能避免发电侧生成过多的电力，从而产生不必要的能源浪费。

在本发明所提供的实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式；所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。

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 (3)

1.一种基于数据分析的源网荷储协同调度系统，其特征在于：

信息采集模块，用于对目标区域中当天的用户侧所有用户全天用电量、输变配网侧全天故障次数以及当天不同时间点的各个气象值进行采集，并上传至云存储模块；

信息预处理模块，用于对信息采集模块当天采集的所有数据进行预处理，并将经过预处理后的数据上传至云存储模块；包括：对各个数据进行数据清洗和整理、计算当天用户侧全天总用电量以及计算气象指数；

预测分析模块，用于根据预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据对预测日的用户侧全天总用电量进行预测；过程如下：

步骤P1：从云存储模块提取预测日前一段时间每天的用户侧全天总用电量、输变配网侧全天故障次数以及气象指数的历史数据，分别标记为、/>以及/>，并整合成相应的序列；j表示日期的编号；整合的各个序列如下：

将用户侧全天总用电量序列标记为；

将输变配网侧全天故障次数序列标记为；

将气象指数序列标记为；

式中，k表示预测日前一天的日期；

步骤P2：对各个序列所包含的参数值进行标准化处理，获取第i序列第j日的标准化参数值，i表示序列号，i=1,2,3；对各个序列所包含的参数值进行标准化处理的公式如下：

； 式中，/>和/>分别表示第j日所有序列中的最大参数值和最小参数值；

步骤P3：对各个标准化参数值进行平滑处理，获取第i序列第j标准化参数值的一次累加值；对各个标准化参数值进行平滑处理的公式如下：

；式中j=1,2……k；

步骤P4：计算经过平滑处理后用户侧全天总用电量序列的标准化参数值的紧邻均值；经过平滑处理后用户侧全天总用电量序列的标准化参数值的紧邻均值的计算公式如下：

，式中：j=2,3……k；

步骤P5：构建用户侧全天总用电量标准化参数值、输变配网侧全天故障次数标准化参数值以及气象指数标准化参数值的一阶微分方程；一阶微分方程为：；式中，a为发展系数，bi为驱动系数，/>为驱动项；

引入矩阵向量记号：

；

采用最小二乘法计算：；

当变化幅度较小时，则一阶微分方程近似时间相应式为：；

步骤P6：通过累减对预测日用户侧全天用电量标准化参数值进行预测，并对预测后的用户侧全天用电量标准化参数值去标准化；预测日用户侧全天用电量标准化参数值如下：

；

预测日用户侧全天用电量QY如下：

；

智能调度模块，用于根据预测日用户侧全天用电量QY对发电侧预测日的发电量进行预测和调度。

2.根据权利要求1所述的一种基于数据分析的源网荷储协同调度系统，其特征在于：气象指数的计算过程如下：

信息预处理模块将获取的当天不同时间点的各个气象值进行平均计算，获取当天的温度均值T、降水量均值R、风速均值W以及雷击概率均值L；并计算气象指数，公式如下：

，式中，a1、a2、a3以及a4为权重比例系数。

3.根据权利要求1所述的一种基于数据分析的源网荷储协同调度系统，其特征在于：智能调度模块的处理过程如下：

步骤S1：从云存储模块提取预测日前一天的发电侧储能单元、输变配网侧储能单元以及用户侧储能单元各自存储的能量Q1、Q2以及Q3；

步骤S2：计算发电侧在预测日的预测发电量QF；计算公式如下：

；式中，γ、b1、b2以及b3为修正因子；

将获取的预测发电量发送至发电侧，发电侧按照获取的预测发电量进行全天的电力生产。