CN116914738A - 一种基于人工智能的新能源储能分析方法及系统 - Google Patents
一种基于人工智能的新能源储能分析方法及系统 Download PDFInfo
- Publication number
- CN116914738A CN116914738A CN202310872079.6A CN202310872079A CN116914738A CN 116914738 A CN116914738 A CN 116914738A CN 202310872079 A CN202310872079 A CN 202310872079A CN 116914738 A CN116914738 A CN 116914738A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power supply
- power generation
- information
- equipment
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 274
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000010248 power generation Methods 0.000 claims abstract description 182
- 238000013507 mapping Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 23
- 230000002452 interceptive effect Effects 0.000 claims abstract description 6
- 230000002776 aggregation Effects 0.000 claims description 64
- 238000004220 aggregation Methods 0.000 claims description 64
- 238000012216 screening Methods 0.000 claims description 40
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 238000007728 cost analysis Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 8
- 238000007599 discharging Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Abstract
本发明公开了一种基于人工智能的新能源储能分析方法及系统,属于新能源储能领域,其中方法包括:交互电能供给系统,读取电能供给数据;对电能供给数据进行供电分析,生成基础供电值和波动供电区间;读取基础控制信息,构建与环境特征的映射发电信息;采集环境预测信息,进行发电量预测,生成发电量预测结果;读取储能设备的信息,进行储能分配模型的初始化,将供电特征和发电量预测结果输入储能分配模型,输出储能分配结果;通过储能分配结果进行储能控制。本申请解决了现有技术中新能源发电资源利用效率低的技术问题,达到了根据电网供电特征和新能源发电预测动态制定储能控制策略,提高新能源发电资源利用率的技术效果。
Description
技术领域
本发明涉及新能源储能领域,具体涉及一种基于人工智能的新能源储能分析方法及系统。
背景技术
随着生态环境保护意识的提高和可再生能源技术的发展,新能源发电系统得到广泛应用。现有技术中,新能源发电系统中的储能装置往往采用人工检验设置的控制策略较为固定,无法根据实际的电网供电特征和新的能源发电量变化进行动态调整,导致储能资源利用效率下降,难以发挥其最大效用。
发明内容
本申请通过提供了一种基于人工智能的新能源储能分析方法及系统,旨在解决现有技术中新能源发电储能控制策略固定,导致新能源发电资源利用效率低的技术问题。
鉴于上述问题,本申请提供了一种基于人工智能的新能源储能分析方法及系统。
本申请公开的第一个方面,提供了一种基于人工智能的新能源储能分析方法,该方法包括:交互电能供给系统,读取电能供给数据,其中,电能供给数据包括供给时间标识;基于供给时间标识对电能供给数据进行供电分析,生成供电特征,其中,供电特征包括基础供电值和波动供电区间;读取新能源发电的基础控制信息,并通过基础控制信息构建与环境特征的映射发电信息;采集环境预测信息,通过环境预测信息和映射发电信息进行发电量预测,生成发电量预测结果;读取储能设备的设备属性信息和设备储能信息,通过设备属性信息和设备储能信息进行储能分配模型的模型初始化,将供电特征和发电量预测结果输入储能分配模型,输出储能分配结果;通过储能分配结果进行新能源发电的储能控制。
本申请公开的另一个方面,提供了一种基于人工智能的新能源储能分析系统,该系统包括:供给数据读取模块,用于交互电能供给系统,读取电能供给数据,其中,电能供给数据包括供给时间标识;供电特征生成模块,基于供给时间标识对电能供给数据进行供电分析,生成供电特征,其中,供电特征包括基础供电值和波动供电区间;映射发电信息模块,用于读取新能源发电的基础控制信息,并通过基础控制信息构建与环境特征的映射发电信息;发电量预测模块,用于采集环境预测信息,通过环境预测信息和映射发电信息进行发电量预测,生成发电量预测结果;储能分配结果模块,用于读取储能设备的设备属性信息和设备储能信息,通过设备属性信息和设备储能信息进行储能分配模型的模型初始化,将供电特征和发电量预测结果输入储能分配模型,输出储能分配结果;能源储能控制模块,用于通过储能分配结果进行新能源发电的储能控制。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了连接电网的交互接口,读取电网供电数据,并根据供电时间标识分析供电数据,生成描述供电特征的供电特征参数,为供电特征分析提供数据支持;读取新能源发电的基础控制信息,建立与环境特征的映射发电信息,为环境预测信息转化为发电预测结果提供转换规则;获取环境预测信息,通过环境预测信息和对应发电信息预测未来一定时间内的发电量,生成发电预测结果,为储能分配提供信息;在获得供电特征和发电预测结果的基础上,读取储能设备属性信息和储能信息,通过设备属性信息和储能信息初始化储能分配模型;将供电特征和发电预测结果输入储能分配模型,经过模型计算,输出储能分配结果,确定最优储能控制策略,以指导新能源发电的储能控制的技术方案,解决现有技术中新能源发电储能控制策略固定,导致新能源发电资源利用效率低的技术问题,达到了根据电网供电特征和新能源发电预测动态制定储能控制策略,提高新能源发电资源利用率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于人工智能的新能源储能分析方法可能的流程示意图;
图2为本申请实施例提供了一种基于人工智能的新能源储能分析方法中生成供电特征可能的流程示意图;
图3为本申请实施例提供了一种基于人工智能的新能源储能分析方法中输出储能分配结果可能的流程示意图;
图4为本申请实施例提供了一种基于人工智能的新能源储能分析系统可能的结构示意图。
附图标记说明:供给数据读取模块11,供电特征生成模块12,映射发电信息模块13,发电量预测模块14,储能分配结果模块15,能源储能控制模块16。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于人工智能的新能源储能分析及系统。通过读取电网供电数据、新能源发电基础控制信息和环境预测信息,预测新能源发电量,并结合储能设备信息,动态确定新能源发电的最优储能控制策略。
首先,通过与电网交互读取电网供电数据,根据供电时间标识分析供电数据,生成描述电网供电的供电特征,包括基础供电量和供电波动区间。其次,读取新能源发电的基础控制信息,建立与环境特征的对应发电信息。然后,获取环境预测信息,通过环境预测信息和对应发电信息预测未来一定时间内的发电量,生成发电预测结果。继而,读取储能设备属性信息和储能信息,通过设备属性信息和储能信息初始化储能分配模型。最后,将供电特征和发电预测结果输入储能分配模型,输出储能分配结果,确定新能源发电的最优储能控制策略。根据储能分配结果实施对新能源发电的储能控制。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于人工智能的新能源储能分析方法,该方法包括:
步骤S100:交互电能供给系统,读取电能供给数据,其中,所述电能供给数据包括供给时间标识;
具体而言,采用与电能供给系统兼容的通信接口和通信协议来实现与电能供给系统的交互,读取存储在电能供给系统中的电能供给数据。其中,电能供给数据包括表示电能供给的时间点的供给时间标识,供给时间标识用于标识电能供给系统中存储的各个电能供给数据对应的具体供给时间点,能够唯一标识每个电能供给数据的供给时间点。例如,采用时间戳的形式,比如采用年-月-日一时-分-秒的格式表示每个电能供给数据对应的精确供给时间点。
通过读取存储在电能供给系统中的电能供给数据以及对应的供给时间标识,可以获知电网在不同时间点的电能供给情况,为后续对电能供给数据进行处理和分析奠定了基础。
步骤S200:基于所述供给时间标识对所述电能供给数据进行供电分析,生成供电特征,其中,所述供电特征包括基础供电值和波动供电区间;
具体而言,在获取电能供给数据和对应的供给时间标识后,基于供给时间标识通过时间序列分析、聚类分析等方式对电能供给数据进行分析,生成供电特征。其中,时间序列分析是将电能供给数据看作时间序列,基于供给时间标识对其进行时间序列分析,得到总供电量的时间序列特征,如趋势、周期性、季节性等,可以作为基础供电值;聚类分析是将具有相近供给时间标识的电能供给数据聚类,得到代表不同时间段内电网供电情况的聚类中心,这些聚类中心即为基础供电值,聚类后的数据范围即为波动供电区间。
供电特征包括基础供电值和波动供电区间两部分,用于描述电网的供电情况。基础供电值对应电网整体供电量的统计特征,采用电能总供给量来表示,包括日总供电量、月总供电量、年总供电量等,表示电网在不同时间粒度下的总体供电量。波动供电区间对应电网供电量的波动范围和时段,用于表示电网供电稳定性,包括日内供电高峰区间、低谷区间,表示电网供电量在一天内的变化范围;季节内供电波动区间,表示电网在不同季节内的供电变化范围。
通过对电能供给数据进行深入分析,可以获得基础供电值、波动供电区间等供电特征,可以用于评估电网整体的供电稳定性和负荷变化情况,为后续储能需求的判断和储能分配方案的制定提供依据。
步骤S300:读取新能源发电的基础控制信息,并通过所述基础控制信息构建与环境特征的映射发电信息;
具体而言,光伏发电设施或风电设施等新能源发电设备会按照预定的基础控制方案进行发电,读取存储在新能源发电设备中的基础控制信息,以了解新能源发电设备的基本发电控制逻辑和发电量计算方式。其中,基础控制信息包括新能源发电设备的设计发电量计算公式、发电增减比例控制表、环境因子与发电量对应表等,反映新能源发电设备根据如日照强度、温度、风速等环境因子来计算和控制发电量的基本依据。
然后,采用线性回归模型、决策树模型、神经网络模型、支持向量机等方式构建环境特征与发电量之间的映射关系,即映射发电信息,该映射信息是在基础控制信息的基础上,根据新能源发电设备的实际发电数据积累而构建的,可以更加准确地表示新能源发电设备在不同环境条件下的发电量情况。其中,线性回归模型以环境因子作为自变量,发电量作为因变量,建立线性关系;决策树模型以环境因子为决策节点,按发电量的不同范围划分叶节点;神经网络模型建立多层感知器模型,环境因子为输入层,发电量为输出层,隐层用于拟合两者复杂映射;支持向量机以环境因子为输入,发电量为输出,寻找最优分类超平面。
通过读取新能源发电设备的基础控制信息和历史发电数据,采用机器学习技术构建环境特征与发电量的映射关系,为后续根据环境预测信息预测发电量提供基础。
步骤S400:采集环境预测信息,通过所述环境预测信息和所述映射发电信息进行发电量预测,生成发电量预测结果;
具体而言,若要合理规划和管理新能源发电设备的储能,必须先预测新能源发电设备未来可能的发电量。首先,采集环境预测信息,如未来几天的日照预测数据、温度预测数据、风速预测数据等。其中,环境预测信息可以通过网络接口从天气预报中心获取较长期的环境预测信息,也可以使用环境数据采集装置实时采集并生成短期环境预测。
然后,汇总环境预测信息,利用生成的映射发电信息,根据环境预测信息预测新能源发电设备未来可能的发电量,即发电量预测结果。例如,当映射发电信息采用线性回归模型时,将环境预测信息输入模型,计算得到对应发电量预测值,作为发电量预测结果;当映射发电信息采用支持向量机时,将环境预测信息输入支持向量机,根据分类超平面得到发电量所属类别,取类别代表值或分类超平面与类别内发电量的加权平均作为发电量预测结果。
通过采集能够代表未来新能源发电设备发电量的环境预测信息,利用生成的映射发电信息,将环境预测信息输入相应的机器学习模型,得到发电量的预测结果,为储能管理的规划和决策提供依据。
步骤S500:读取储能设备的设备属性信息和设备储能信息,通过所述设备属性信息和所述设备储能信息进行储能分配模型的模型初始化,将所述供电特征和所述发电量预测结果输入所述储能分配模型,输出储能分配结果;
具体而言,基于供电特征和发电量预测结果,对新能源发电设备管理的储能设备进行储能分配,以合理管理和利用储能资源。
首先,读取储能设备的设备属性信息,如储能容量、充电/放电效率、最大充电/放电速率等,用于初始化储能分配模型,使模型了解每个储能设备的性能参数。除设备属性信息外,读取储能设备当前的设备储能信息,如当前储能量、上次充电/放电时间等,用于判断每个储能设备当前的工作状态和剩余可利用储能,为储能分配决策提供基础。有了储能设备的设备属性信息和设备储能信息后,初始化储能分配模型,使其根据设备性能参数和当前工作状态判断每个储能设备的储能分配潜力。
然后,将生成的供电特征和生成的发电量预测结果输入至储能分配模型。储能分配模型采用最优控制理论中的动态规划算法或强化学习算法实现等根据输入的信息判断电网和新能源发电设备未来一定时间内的电量平衡情况,并根据每个储能设备的参数以及当前储能状态,合理地分配储能指令,控制各储能设备的充电、放电和待机,输出一定时间范围内的储能分配结果。
通过读取储能设备信息初始化储能分配模型,并输入供电特征和发电量预测结果,利用最优控制算法输出在一定范围内的储能分配方案,为合理管理储能资源提供决策依据,实现动态制定储能控制策略,提高新能源发电资源利用率。
步骤S600:通过所述储能分配结果进行新能源发电的储能控制。
具体而言,储能分配结果包含了在一定未来时间范围内,各储能设备充电、放电和待机的具体控制指令。根据储能分配结果对新能源发电设备管理的储能设备进行实时控制,以实现理想的储能管理和供电平衡。
例如,向各储能设备发送控制指令,进行充电或放电,同时充电指令会确定充电时长和充电的电量,放电指令会确定放电时长和放电的电量,储能设备根据指令相应地进行充电或放电操作。又如向处于待机状态的储能设备发送待机指令,使其保持当前状态,待机指令用于避免频繁切换储能设备的工作状态。又如监测各储能设备实时的工作状态和剩余储能量,并根据储能分配结果内的控制指令动态调整对储能设备的控制,以适应电网电量的变化情况并保证供需平衡。如实时跟踪各储能设备的充放电过程,一旦发现与控制指令存在偏差会及时发送修正指令,或再次运行储能分配模型进行重新分配,以确保储能控制精度等。通过对储能设备实施动态而精确的控制,可以最大限度发挥储能设备的潜力,合理管理新能源发电设备与电网间的电量平衡,并降低电网调度的难度。此外,动态控制也可以延长储能设备的循环寿命,提高其利用效率。
通过向储能设备发送充电、放电或待机指令,并动态监测和修正等储能控制过程,实现对储能设备的实时精确控制,达到根据电网供电特征和新能源发电状态动态控制储能设备,提高新能源发电资源利用率的技术效果。
进一步的,如图2所示,本申请实施例还包括:
步骤S210:对所述供给时间标识进行N种类型的时间特征分割,获得时间特征分割结果;
步骤220:依据所述电能供给数据进行所述时间特征分割结果的相似聚合,并生成聚合值标识;
步骤S230:基于所述聚合值标识进行所述电能供给数据的自适应聚合筛选,获得第一聚合筛选结果和第二聚合筛选结果;
步骤S240:基于所述第一聚合筛选结果和所述第二聚合筛选结果进行所述电能供给数据的供电分析,生成所述供电特征。
具体而言,时间特征分割是指根据时间维度对供给时间标识进行划分,获得代表不同时间特征的供电数据。时间特征分割可以基于时间窗口、以不同周期类型的时间维度、日照时间、气象条件等N种类型进行,例如,可按1天、1周、2周等窗口对时间标识进行划分;也可以按周一至周五工作日、周末休息日和法定节假日等对时间进行划分。通过对供给时间标识进行N种类型的时间特征,可以得到许多时间特征段,作为时间特征分割结果,每个段代表一定时间粒度内的电能供给数据,为后续处理和分析数据提供时间维度上的划分依据。
对属于同一时间特征段的电能供给数据进行聚合,每个时间特征段生成一个聚合值,例如对属于某1天时间窗口的所有电能供给数据进行求和,得到1天时间窗口的总供电量作为聚合值;又如对属于同一日照时间段的所有电能供给数据求最大值,得到该段的日最大供电量作为聚合值等。对生成的每个聚合值分配一个唯一的聚合值标识,用于在后续步骤中标识和追踪每个聚合值。
根据聚合值的大小、时间特征的重要性、日照条件、气象条件等预先设定聚合值的筛选规则。例如,保留供电量较大的前N%的聚合值;或剔除供电量较小的后N%的聚合值;保留工作日或节假日等时间特征对应的聚合值等。然后根据聚合值标识识别每个聚合值,并根据筛选规则判断是否保留该聚合值,保留的聚合值生成第一聚合筛选结果,用于后续获得基础供电值;未保留的聚合值生成第二聚合筛选结果,用于确定波动供电区间。
通过对第一和第二聚合筛选结果的数据进行统计分析,得到基础供电值,如日总供电量、月总供电量;同时得到波动供电区间,如日峰值与谷值区间、工作日与休息日供电区间等。这些统计特征构成供电特征,用于表示电网的供电情况和供电稳定性,为后续动态制定储能控制策略提供数据支持。
进一步的,本申请实施例还包括:
步骤S241:通过所述第一聚合筛选结果和所述第二聚合筛选结果的聚合值标识分配加权关联值;
步骤S242:基于所述第一聚合筛选结果和所述第二聚合筛选结果进行所述电能供给数据的供电量评价,根据供电量评价的加权均值生成供电量特征,其中,所述加权均值为通过所述加权关联值关联计算后的平均值;
步骤S243:基于所述供电量特征获得所述供电特征。
具体而言,加权关联值是为了表示不同聚合值对最终供电特征的影响程度而分配的权重,加权关联值通常取0-1之间的实数,数值越大表示对应聚合值对供电特征的影响越大。加权关联值可以根据时间特征的重要性、日照条件、气象条件、时间距离等对聚合值标识进行分配,例如,给工作日、节假日对应的聚合值分配较大加权关联值;给日照时间较长对应的聚合值分配较大加权关联值,适用于光伏发电等;给温度、风速在一定理想范围内的时间段对应的聚合值分配较大加权关联值,适用于风电、光伏发电等,给最近一定时间范围内的聚合值分配较大加权关联值等
供电量评价是对两个聚合筛选结果中的各个聚合值进行评估,可以采用功率、电量等指标衡量每个聚合值代表的供电量。然后计算出加权均值,作为供电量特征,其中,加权均值根据各聚合值的加权关联值计算,使得评价结果能够区分不同聚合值的影响。然后,通过对供电量特征进行进一步处理,如比较历史特征、分析上下限区间等,获得更加准确的稳定供电值、波动区间等供电特征。
通过给不同聚合值分配加权关联值,并基于加权均值评估供电量,获得基于聚合值标识的供电特征,使得特征结果更加准确全面,从而提高新能源发电资源利用率的技术效果。
进一步的,本申请实施例还包括:
步骤S251:基于所述第一聚合筛选结果和所述第二聚合筛选结果进行所述电能供给数据的峰值供电数据提取,并依据峰值供电数据的加权均值生成峰值供电特征,其中,所述峰值供电特征包括供电量极值和峰值供电时长;
步骤S252:根据所述供电量特征和所述峰值供电特征获得所述供电特征。
具体而言,峰值供电数据是指在一定时间范围内供电量最大和最小的电能供给数据,从第一和第二聚合筛选结果中提取出供电量最高和最低的数据作为峰值供电数据。然后对提取出的峰值供电数据计算加权均值,得到供电量极值和峰值供电时长两个特征。其中,供电量极值是指被提取数据的最大或最小值,代表了该时间范围内的供电量上限或下限;峰值供电时长是指达到供电量极值的持续时长,用于判断电量的变化速率及稳定性;峰值供电数据的加权均值根据各峰值供电数据对应聚合值的加权关联值计算,可使特征结果能够重点反映重要时间段内的峰值供电情况。
通过对供电量特征和峰值供电特征的比较和综合,可以获得供电上下限、供电变化速率、基础供电值、波动区间等,作为供电特征。其中,供电上下限是通过供电量极值确定供电量的范围区间。供电变化速率是通过峰值供电时长判断供电量的变化速率,变化较快则电量波动较大;基础供电值是通过与历史供电量特征比较,确定相对稳定的供电量基准值;波动区间是通过与基础供电值的差值确定供电量的波动范围,波动区间越小则供电更加稳定。
通过提取峰值供电数据并基于加权均值生成峰值供电特征,再与供电量特征相结合,可以获得准确反映供电稳定性和电量波动的供电特征,为根据电网供电特征制定储能控制策略提供支持。
进一步的,本申请实施例还包括:
步骤S410:基于所述基础控制信息进行所述新能源发电的设备工作稳定性评价,生成稳定关联系数;
步骤S420:获得所述新能源发电的设备运行计划;
步骤S430:通过所述稳定关联系数和所述设备运行计划进行所述映射发电信息的数据补偿,获得补偿映射发电信息;
步骤S440:通过所述补偿映射发电信息进行所述发电量预测结果的预测修正。
具体而言,基础控制信息包括发电设备的工作参数设置、发电量数据、设备报警信息等信息,可用于评估新能源发电设备的工作稳定性。工作稳定性评价可以采用参数设计范围内的运行时间占比、报警次数、发电量变化速度等指标进行。例如,分析新能源发电设备的重要工作参数(如风速、光照强度等)是否在设计范围内运行的时间占比,占比越高表示工作越稳定,相应稳定关联系数值越大;统计新能源发电设备在评价期间(如1周、1月)的报警次数,报警次数越少表示工作越稳定,相应稳定关联系数值越大等。根据评价结果生成稳定关联系数,其值范围一般为0-1,数值越高表示设备工作越稳定,得到稳定关联系数,为后续发电量预测修正的重要依据。
设备运行计划是由电网调度中心或发电企业制定的发电设备的运行方案,包括发电时间、发电功率等内容,设备运行计划的获得是发电量预测修正的前提,也是实际运行情况的信息来源。映射发电信息来自发电映射模型,需要基于稳定关联系数和设备运行计划修正,这一过程称为数据补偿,进而获得补偿映射发电信息。具体的,根据稳定关联系数调整映射发电信息中的功率值,使得修正结果更加稳定和可靠;根据设备运行计划对映射发电信息中的发电时间和发电量进行校正,使得修正结果符合实际运行方案;综合考虑稳定关联系数和运行计划对映射发电信息进行全面修正,获得补偿映射发电信息。
发电量预测结果来自环境预测信息和映射发电信息,需要根据运行情况进行修正后才能为电力调度提供参考。使用生成的补偿映射发电信息对发电量预测结果进行修正,修正方式可以是直接替换,也可以是加权融合。修正后的发电量预测结果能够同时反映设备工作稳定性和运行计划要求,为电网调度提供更加准确的参考预期。
通过工作稳定性评价、运行计划分析和数据补偿等技术手段,实现对新能源发电设备的发电量预测结果进行修正,提高预测精度,进而提高根据电网供电特征和新能源发电预测动态制定储能控制策略的高效性。
进一步的,如图3所示,本申请实施例还包括:
步骤S510:通过所述设备属性信息进行所述储能设备的启用成本分析,获得设备储能成本数据,其中,所述设备储能成本数据具有多级储能标识;
步骤S520:基于所述储能成本数据构建储能调用约束模块,并将所述储能调用约束模块耦合至所述储能分配模型;
步骤S530:通过带有所述储能调用约束模块的所述储能分配模型输出所述储能分配结果。
具体而言,设备属性信息包括储能设备的类型、容量、使用寿命等,可用于分析设备的启用成本,包括设备购置成本、运维成本、置换成本等。根据成本高低可以为设备储能成本数据分配不同的储能标识,如高成本、中成本和低成本,用于在后续储能分配中进行成本约束。
储能调用约束模块用于根据设备储能成本数据为储能分配结果设置成本约束,避免选择成本过高的储能设备,该模块可以设置规则,例如每次选择低成本储能设备的概率为70%、中成本为20%、高成本为10%,实现根据电力系统负荷情况选择不同类型和容量的储能设备,为系统提供储能服务。将储能调用约束模块耦合至储能分配模型,可以使储能分配模型选择储能设备时同时考虑设备启用成本,获得既满足供给需求又经济合理的储能分配方案。
储能分配模型选择储能设备时,根据储能调用约束模块设置的规则检查每个可选设备的成本标识,并根据概率选择相应设备,选择低成本设备的概率较高,中高成本设备概率较低。最终输出的储能分配结果包含选用的储能设备及提供的储能量,该结果不但能够满足电网的储能需求,也在较大范围内控制了系统储能成本,具有较好的经济性。
通过根据实际需求设定储能设备的多级成本标识,构建相应的储能调用约束模块,并将该模块应用于储能分配模型,从而实现对储能选择的经济约束,使获得的储能分配结果兼顾了电网需求和经济性,对储能规划具有积极作用,提高新能源发电资源利用率。
进一步的,本申请实施例还包括:
步骤S610:基于所述供电特征和所述发电量预测结果判断是否存在连续供需异常事件;
步骤S620:若存在连续供需异常事件时,则生成储能需求指令;
步骤S630:通过所述储能需求指令控制所述储能设备进行持续储能管理。
具体而言,供电特征反映电力系统的供电情况,发电量预测结果提供未来一定时间范围内的发电预期。通过对两者进行比较和分析,可以判断在预测期间是否存在供电量持续显著高于或低于负荷的异常事件,即是否存在连续供需异常事件。其中,判断标准可以是预测期间内供电量超过负荷上限或低于负荷下限的时间占总预测时间的一定百分比,且持续时间超过设定阈值;也可以设置绝对值判断,如超过最大容许负荷的120%或低于最小容许负荷的80%。
当检测到连续供需异常事件,表明电力系统短期内将出现较大规模的发电量过剩或不足事件,这将对系统稳定运行产生影响,为此,向储能设备发送储能需求指令,指示其对电网进行储能调节,缓解异常事件带来的影响。储能需求指令包含对储能设备充放电的控制量和时间要求,其中,控制量根据异常事件预测的发电量超过负荷的差值或不足量确定,时间要求参考连续事件的持续时间设置。
储能设备根据接收到的储能需求指令,启动充电或放电过程,并持续运行直至指令要求的时间结束。通过储能设备对电网的长时间调节,可以消纳预测期间内过剩的发电量或补充不足量,维持系统供需平衡,避免大范围的频率和电压异常,确保电网安全稳定运行。
通过设定连续供需异常事件的判断规则,并根据异常预测量生成对应储能需求指令,将该指令发送至储能设备实现长时间的持续储能管理,提高电力系统对发电量异常事件的适应性,减小对系统稳定运行的影响,达到了根据电网供电特征和新能源发电预测动态制定储能控制策略的技术效果。
综上所述,本申请实施例所提供的一种基于人工智能的新能源储能分析方法具有如下技术效果:
交互电能供给系统,读取电能供给数据,其中,电能供给数据包括供给时间标识,为供电特征分析提供数据支持;基于供给时间标识对电能供给数据进行供电分析,生成供电特征,其中,供电特征包括基础供电值和波动供电区间,描述电网供电的特征参数;读取新能源发电的基础控制信息,并通过基础控制信息构建与环境特征的映射发电信息,为环境预测信息转化为发电预测结果提供转换规则;采集环境预测信息,通过环境预测信息和映射发电信息进行发电量预测,生成发电量预测结果,为储能分配提供新能源发电预测信息;读取储能设备的设备属性信息和设备储能信息,通过设备属性信息和设备储能信息进行储能分配模型的模型初始化,将供电特征和发电量预测结果输入储能分配模型,输出储能分配结果,确定新能源发电的最优储能控制策略;通过储能分配结果进行新能源发电的储能控制,指导储能系统对新能源发电提供储能服务,达到根据电网供电特征和新能源发电预测动态制定储能控制策略,提高新能源发电资源利用率的技术效果。
实施例二
基于与前述实施例中一种基于人工智能的新能源储能分析方法相同的发明构思,如图4所示,本申请实施例提供了一种基于人工智能的新能源储能分析系统,该系统包括:
供给数据读取模块11,用于交互电能供给系统,读取电能供给数据,其中,所述电能供给数据包括供给时间标识;
供电特征生成模块12,基于所述供给时间标识对所述电能供给数据进行供电分析,生成供电特征,其中,所述供电特征包括基础供电值和波动供电区间;
映射发电信息模块13,用于读取新能源发电的基础控制信息,并通过所述基础控制信息构建与环境特征的映射发电信息;
发电量预测模块14,用于采集环境预测信息,通过所述环境预测信息和所述映射发电信息进行发电量预测,生成发电量预测结果;
储能分配结果模块15,用于读取储能设备的设备属性信息和设备储能信息,通过所述设备属性信息和所述设备储能信息进行储能分配模型的模型初始化,将所述供电特征和所述发电量预测结果输入所述储能分配模型,输出储能分配结果;
能源储能控制模块16,用于通过所述储能分配结果进行新能源发电的储能控制。
进一步的,供电特征生成模块12包括以下执行步骤:
对所述供给时间标识进行N种类型的时间特征分割,获得时间特征分割结果;
依据所述电能供给数据进行所述时间特征分割结果的相似聚合,并生成聚合值标识;
基于所述聚合值标识进行所述电能供给数据的自适应聚合筛选,获得第一聚合筛选结果和第二聚合筛选结果;
基于所述第一聚合筛选结果和所述第二聚合筛选结果进行所述电能供给数据的供电分析,生成所述供电特征。
进一步的,供电特征生成模块12还包括以下执行步骤:
通过所述第一聚合筛选结果和所述第二聚合筛选结果的聚合值标识分配加权关联值;
基于所述第一聚合筛选结果和所述第二聚合筛选结果进行所述电能供给数据的供电量评价,根据供电量评价的加权均值生成供电量特征,其中,所述加权均值为通过所述加权关联值关联计算后的平均值;
基于所述供电量特征获得所述供电特征。
进一步的,供电特征生成模块12还包括以下执行步骤:
基于所述第一聚合筛选结果和所述第二聚合筛选结果进行所述电能供给数据的峰值供电数据提取,并依据峰值供电数据的加权均值生成峰值供电特征,其中,所述峰值供电特征包括供电量极值和峰值供电时长;
根据所述供电量特征和所述峰值供电特征获得所述供电特征。
进一步的,发电量预测模块14包括以下执行步骤:
基于所述基础控制信息进行所述新能源发电的设备工作稳定性评价,生成稳定关联系数;
获得所述新能源发电的设备运行计划;
通过所述稳定关联系数和所述设备运行计划进行所述映射发电信息的数据补偿,获得补偿映射发电信息;
通过所述补偿映射发电信息进行所述发电量预测结果的预测修正。
进一步的,储能分配结果模块15包括以下执行步骤:
通过所述设备属性信息进行所述储能设备的启用成本分析,获得设备储能成本数据,其中,所述设备储能成本数据具有多级储能标识;
基于所述储能成本数据构建储能调用约束模块,并将所述储能调用约束模块耦合至所述储能分配模型;
通过带有所述储能调用约束模块的所述储能分配模型输出所述储能分配结果。
进一步的,能源储能控制模块16包括以下执行步骤:
基于所述供电特征和所述发电量预测结果判断是否存在连续供需异常事件;
若存在连续供需异常事件时,则生成储能需求指令;
通过所述储能需求指令控制所述储能设备进行持续储能管理。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于人工智能的新能源储能分析方法,其特征在于,所述方法包括:
交互电能供给系统,读取电能供给数据,其中,所述电能供给数据包括供给时间标识;
基于所述供给时间标识对所述电能供给数据进行供电分析,生成供电特征,其中,所述供电特征包括基础供电值和波动供电区间;
读取新能源发电的基础控制信息,并通过所述基础控制信息构建与环境特征的映射发电信息;
采集环境预测信息,通过所述环境预测信息和所述映射发电信息进行发电量预测,生成发电量预测结果;
读取储能设备的设备属性信息和设备储能信息,通过所述设备属性信息和所述设备储能信息进行储能分配模型的模型初始化,将所述供电特征和所述发电量预测结果输入所述储能分配模型,输出储能分配结果;
通过所述储能分配结果进行新能源发电的储能控制。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述供给时间标识进行N种类型的时间特征分割,获得时间特征分割结果;
依据所述电能供给数据进行所述时间特征分割结果的相似聚合,并生成聚合值标识;
基于所述聚合值标识进行所述电能供给数据的自适应聚合筛选,获得第一聚合筛选结果和第二聚合筛选结果;
基于所述第一聚合筛选结果和所述第二聚合筛选结果进行所述电能供给数据的供电分析,生成所述供电特征。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
通过所述第一聚合筛选结果和所述第二聚合筛选结果的聚合值标识分配加权关联值;
基于所述第一聚合筛选结果和所述第二聚合筛选结果进行所述电能供给数据的供电量评价,根据供电量评价的加权均值生成供电量特征,其中,所述加权均值为通过所述加权关联值关联计算后的平均值;
基于所述供电量特征获得所述供电特征。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
基于所述第一聚合筛选结果和所述第二聚合筛选结果进行所述电能供给数据的峰值供电数据提取,并依据峰值供电数据的加权均值生成峰值供电特征,其中,所述峰值供电特征包括供电量极值和峰值供电时长;
根据所述供电量特征和所述峰值供电特征获得所述供电特征。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述基础控制信息进行所述新能源发电的设备工作稳定性评价,生成稳定关联系数;
获得所述新能源发电的设备运行计划;
通过所述稳定关联系数和所述设备运行计划进行所述映射发电信息的数据补偿,获得补偿映射发电信息;
通过所述补偿映射发电信息进行所述发电量预测结果的预测修正。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过所述设备属性信息进行所述储能设备的启用成本分析,获得设备储能成本数据,其中,所述设备储能成本数据具有多级储能标识;
基于所述储能成本数据构建储能调用约束模块,并将所述储能调用约束模块耦合至所述储能分配模型;
通过带有所述储能调用约束模块的所述储能分配模型输出所述储能分配结果。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述供电特征和所述发电量预测结果判断是否存在连续供需异常事件;
若存在连续供需异常事件时,则生成储能需求指令;
通过所述储能需求指令控制所述储能设备进行持续储能管理。
8.一种基于人工智能的新能源储能分析系统,其特征在于,所述系统包括:
供给数据读取模块,所述供给数据读取模块用于交互电能供给系统,读取电能供给数据,其中,所述电能供给数据包括供给时间标识;
供电特征生成模块,所述供电特征生成模块基于所述供给时间标识对所述电能供给数据进行供电分析,生成供电特征,其中,所述供电特征包括基础供电值和波动供电区间;
映射发电信息模块,所述映射发电信息模块用于读取新能源发电的基础控制信息,并通过所述基础控制信息构建与环境特征的映射发电信息;
发电量预测模块,所述发电量预测模块用于采集环境预测信息,通过所述环境预测信息和所述映射发电信息进行发电量预测,生成发电量预测结果;
储能分配结果模块,所述储能分配结果模块用于读取储能设备的设备属性信息和设备储能信息,通过所述设备属性信息和所述设备储能信息进行储能分配模型的模型初始化,将所述供电特征和所述发电量预测结果输入所述储能分配模型,输出储能分配结果;
能源储能控制模块,所述能源储能控制模块用于通过所述储能分配结果进行新能源发电的储能控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310872079.6A CN116914738A (zh) | 2023-07-17 | 2023-07-17 | 一种基于人工智能的新能源储能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310872079.6A CN116914738A (zh) | 2023-07-17 | 2023-07-17 | 一种基于人工智能的新能源储能分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116914738A true CN116914738A (zh) | 2023-10-20 |
Family
ID=88362377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310872079.6A Pending CN116914738A (zh) | 2023-07-17 | 2023-07-17 | 一种基于人工智能的新能源储能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116914738A (zh) |
-
2023
- 2023-07-17 CN CN202310872079.6A patent/CN116914738A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
KR102187327B1 (ko) | 자동기계학습 기반의 건물 부하 최적 관리 및 제어 시스템 | |
CN114362189A (zh) | 一种可调节负荷参与需求响应的调用方法、系统及装置 | |
CN111492559A (zh) | 用于能量存储系统的最佳控制的系统和方法 | |
EP3471029A1 (en) | Method for automatic cloud control of energy storage systems | |
KR20140105506A (ko) | 전력 생산 용량의 적응 및 에너지 저장 유닛 사이즈의 결정 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
CN110378510B (zh) | 一种基于时间序列和层次聚合的配网物资需求预测方法 | |
CN108346009B (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN116683500A (zh) | 一种电化学储能电站有功功率调度方法和系统 | |
CN114036451A (zh) | 一种并网式光储充装置的储能控制方法及系统 | |
CN112529730A (zh) | 一种需求侧错峰资源管理系统 | |
CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
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 | |
CN117273337A (zh) | 一种智能电能表评价方法 | |
CN116632875A (zh) | 一种用于配电网的混合储能规划方法及系统 | |
CN116914738A (zh) | 一种基于人工智能的新能源储能分析方法及系统 | |
CN116454928A (zh) | 一种考虑多时间尺度的多类型储能协同调度方法 | |
CN114912700A (zh) | 一种工厂车间电力能耗的评估方法及其系统 | |
CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及系统 | |
CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 | |
CN117096882B (zh) | 一种配网潮流调控方法及系统 | |
CN117249537B (zh) | 一种基于中央空调的虚拟电厂调度与控制系统及方法 | |
CN117709554B (zh) | 一种储热与电磁加热器联合的能源调度方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |