CN116933929A - 基于人工智能的电力预测与调度方法及系统 - Google Patents
基于人工智能的电力预测与调度方法及系统 Download PDFInfo
- Publication number
- CN116933929A CN116933929A CN202310905416.7A CN202310905416A CN116933929A CN 116933929 A CN116933929 A CN 116933929A CN 202310905416 A CN202310905416 A CN 202310905416A CN 116933929 A CN116933929 A CN 116933929A
- Authority
- CN
- China
- Prior art keywords
- power supply
- power
- prediction
- information
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 230000005611 electricity Effects 0.000 claims abstract description 121
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000010248 power generation Methods 0.000 claims description 102
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000001932 seasonal effect Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q10/10—Office automation; Time management
-
- 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
Abstract
本申请涉及基于人工智能的电力预测与调度方法及系统，其方法包括：获取目标区域内供电设备的标准供电参数；获取目标区域在目标时间段内的用电影响因素；基于用电影响因素和预设的用电预测模型获取目标区域的预测用电信息；获取目标区域在目标时间段内的供电影响因素；基于供电影响因素和预设的供电预测模型获取供电设备的预测供电信息；对预测用电信息和预测供电信息进行分配方案分析，得到分配方案；基于分配方案调整供电设备的标准供电参数，得到目标供电参数；基于目标供电参数控制供电设备进行供电。本申请具有对供电设备进行科学管理，对区域内的供电进行自动调度，以满足不同条件下的用电需求的效果。
Description
技术领域
本申请涉及电力系统的技术领域，尤其是涉及一种基于人工智能的电力预测与调度方法及系统。
背景技术
电力系统是由发电、供电（输电、变电、配电）、用电设施以及为保障其正常运行所需的的调节控制及继电保护和安全自动装置、计量装置、电力通信等二次设施构成的统一整体。
目前，响应于新能源供电的号召，目前多数区域已经配置了风力发电设备、光伏发电设备、水力发电设备等新能源发电设备，用于协助主要发电设备对区域内进行供电。
电力系统中对于不同供电设备的调度大部分由人工进行，根据供电设备的实际运行情况对供电设备生产的电能进行分配，由于新能源发电设备极易受到多项影响因素的影响，而目前对新能源发电设备的供电管理并不规范，从而导致供电用电混乱，甚至导致区域内供电用电不平衡，不能满足特殊条件下的用电需求。
发明内容
为了对供电设备进行科学管理，对区域内的供电进行自动调度，以满足不同条件下的用电需求，本申请提供一种基于人工智能的电力预测与调度方法及系统。
第一方面，本申请提供一种基于人工智能的电力预测与调度方法，采用如下的技术方案：
基于人工智能的电力预测与调度方法，包括：
获取目标区域的所有供电设备的标准供电参数；
获取所述目标区域在目标时间段内的用电影响因素；
基于所述用电影响因素和预设的用电预测模型获取所述目标区域的预测用电信息；
获取所述目标区域在目标时间段内的供电影响因素；
基于所述供电影响因素和预设的供电预测模型获取所述供电设备的预测供电信息；
对所述预测用电信息和所述预测供电信息进行供电量分配方案分析，得到分配方案；
基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数；
基于所述目标供电参数控制所述供电设备进行供电，以满足所述目标区域的用电需求。
通过采用上述技术方案，获取目标区域在目标时间段内的用电影响因素和供电影响因素，根据预设的用电预测模型和供电预测模型分别获取预测用电信息和预测供电信息，能够对目标区域内在目标时间段内的用电情况和供电情况进行了解，较为科学，便于制定供电分配方案；对预测用电信息和预测供电信息进行分析，得到分配方案，根据分配方案能够对所有供电设备的供电参数进行调整，从而调整供电设备的运行状态，相较于人工调度，能够对供电设备进行科学管理，对区域内的供电进行自动调度，以使供电设备的供电满足目标区域内不同影响因素下的用电需求。
可选的，所述标准供电参数包括标准供电量、标准供电权重和标准供电时间段。
可选的，所述供电设备包括火力发电设备、风力发电设备、水力发电设备、光伏发电设备和蓄电设备，所述用电影响因素包括季节因素、天气因素、社会因素、时间因素、工业因素，所述供电影响因素包括季节因素、天气因素和发电因素。
通过采用上述技术方案，考虑到多种类型的供电设备，便于全面地对用电影响因素和供电影响因素进行分析。
可选的，所述基于所述用电影响因素和预设的用电预测模型获取所述目标区域的预测用电信息包括：
基于所述用电影响因素确定用电预测输入信息；
将所述预测输入信息输入进预设的用电预测模型中，获取所述目标区域的预测用电信息，所述预测用电信息包括预测生活用电信息、预测工业用电信息、预测并网用电信息和预测储备用电信息；
所述用电预测模型的构建方法包括：
获取所述目标区域的历史用电影响因素和与所述历史用电影响因素条件下对应的历史用电信息；
将所述历史用电影响因素作为用电训练输入数据，将所述历史用电信息作为用电训练输出数据；
基于所述用电训练输入数据和所述用电训练输出数据对预设的神经网络模型进行训练和修正，得到用电预测模型。
通过采用上述技术方案，根据用电预测模型能够较为准确地预测到预测用电信息，比较科学。
可选的，所述基于所述供电影响因素和预设的供电预测模型获取所述供电设备的预测供电信息包括：
基于所述供电影响因素确定供电预测输入信息；
将所述供电预测输入信息输入进预设的供电预测模型中，获取所述目标区域内所有所述供电设备的预测供电信息；
所述供电预测模型的构建方法包括：
获取所述目标区域的历史供电影响因素和与所述历史供电影响因素对应的历史供电信息；
将所述历史供电影响因素作为供电训练输入数据，将所述历史供电信息作为供电训练输出数据；
基于所述供电训练输入数据和所述供电训练输出数据对预设的神经网络模型进行训练和修正，得到供电预测模型。
通过采用上述技术方案，根据供电预测模型能够较为准确地预测到预测供电信息，比较科学。
可选的，所述基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数包括：
基于所述分配方案确定供电调整信息；
当所述供电影响因素为季节因素，所述标准供电参数于春秋季节获取，且所述目标时间段是冬季时，基于所述供电调整信息提高所述火力发电设备的标准供电参数，得到所述火力发电设备的目标供电参数；
基于所述供电调整信息降低所述水力发电设备、所述光伏发电设备的标准供电参数，得到所述水力发电设备和所述光伏发电设备的目标供电参数；
当所述目标时间段是夏季时，基于所述供电调整信息提高所述水力发电设备和所述光伏发电设备的标准供电参数，得到所述水力发电设备和所述光伏发电设备的目标供电参数。
通过采用上述技术方案，根据夏季和冬季的特殊条件，对供电设备的供电参数进行适应性调整，能够贴合实际情况对供电设备进行调度，实现了科学管理。
可选的，所述基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数还包括：
基于所述分配方案确定供电调整信息；
当所述供电影响因素为雨水因素时，所述标准供电参数于正常天气获取，且目标时间段为雨水天气时，基于所述供电调整信息提高所述水力发电设备的标准供电参数，得到所述水力发电设备的标准供电参数；
基于所述供电调整信息降低所述光伏发电设备的标准供电参数，得到所述光伏发电设备的目标供电参数。
通过采用上述技术方案，根据雨水天气和晴天的特殊条件，对供电设备的供电参数进行适应性调整，能够贴合实际情况对供电设备进行调度，实现了科学管理。
可选的，所述基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数还包括：
基于所述分配方案确定供电调整信息；
当所述供电影响因素为风力因素，所述标准供电参数于正常天气获取，且目标时间段为刮风天气时，基于所述供电调整信息提高所述风力发电设备的标准供电参数，得到所述风力发电设备的目标供电参数。
通过采用上述技术方案，根据刮风天气和正常天气的特殊条件，对供电设备的供电参数进行适应性调整，能够贴合实际情况对供电设备进行调度，实现了科学管理。
第二方面，本申请提供一种基于人工智能的电力预测与调度系统，采用如下的技术方案：
基于人工智能的电力预测与调度系统，采用了上述的基于人工智能的电力预测与调度方法，包括获取模块、用电预测模块、供电预测模块、分析模块和调整模块；
所述获取模块用于获取目标区域的所有供电设备的标准供电参数；
所述用电预测模块用于获取所述目标区域在目标时间段内的用电影响因素，基于所述用电影响因素和预设的用电预测模型获取所述目标区域的预测用电信息；
所述供电预测模块用于获取所述目标区域在目标时间段内的供电影响因素，基于所述供电影响因素和预设的供电预测模型获取所述供电设备的预测供电信息；
所述分析模块用于对所述预测用电信息和所述预测供电信息进行供电量分配方案分析，得到分配方案；
所述调整模块用于基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数，基于所述目标供电参数控制所述供电设备进行供电，以满足所述目标区域的用电需求。
通过采用上述技术方案，获取目标区域在目标时间段内的用电影响因素和供电影响因素，根据预设的用电预测模型和供电预测模型分别获取预测用电信息和预测供电信息，能够对目标区域内在目标时间段内的用电情况和供电情况进行了解，较为科学，便于制定供电分配方案；对预测用电信息和预测供电信息进行分析，得到分配方案，根据分配方案能够对所有供电设备的供电参数进行调整，从而调整供电设备的运行状态，相较于人工调度，能够对供电设备进行科学管理，对区域内的供电进行自动调度，以使供电设备的供电满足目标区域内不同影响因素下的用电需求。
第三方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，采用了上述的基于人工智能的电力预测与调度方法。
通过采用上述技术方案，将上述的基于人工智能的电力预测与调度方法生成计算机程序，并存储于计算机可读存储介质中，以被处理器加载并执行，通过计算机可读存储介质，方便计算机程序的可读及存储。
附图说明
图1是本申请实施例基于人工智能的电力预测与调度方法的整体流程示意图。
图2是本申请实施例基于人工智能的电力预测与调度系统的整体模块示意图。
附图标记说明：
1、获取模块；2、用电预测模块；3、供电预测模块；4、分析模块；5、调整模块。
实施方式
以下结合附图对本申请作进一步详细说明。
本申请实施例公开一种基于人工智能的电力预测与调度方法，参照图1，包括：
S101、获取目标区域的所有供电设备的标准供电参数；
S102、获取目标区域在目标时间段内的用电影响因素；
S103、基于用电影响因素和预设的用电预测模型获取目标区域的预测用电信息；
S104、获取目标区域在目标时间段内的供电影响因素；
S105、基于供电影响因素和预设的供电预测模型获取供电设备的预测供电信息；
S106、对预测用电信息和预测供电信息进行供电量分配方案分析，得到分析方案；
S107、基于所述分析方案调整供电设备的标准供电参数，得到目标供电参数；
S108、基于目标供电参数控制供电设备进行供电，以满足目标区域的预测用电信息。
本实施例中，实现目标区域内供电设备的自动调度，需要对每个供电设备的标准供电参数进行了解，根据标准供电参数与供电影响因素进行供电预测，得到预测供电信息，能够了解到所有供电设备在目标时间段内的供电能力。同时，根据用电影响因素进行目标区域内的用电预测，得到预测用电信息，对预测供电信息和预测用电信息进行分析，得到所有供电设备的目标供电参数，以使供电设备根据目标供电参数进行供电，能够实现目标区域内根据不同实际情况的用电需求，调度不同类型的供电设备实现合理、科学地供电。
步骤S101，本实施例中的目标区域可以为省级行政区域、市区级行政区域等，响应于新能源发电号召，供电设备可以包括火力发电设备、风力发电设备、水力发电设备、光伏发电设备和蓄电设备等。其中，燃煤发电、燃气发电、燃油发电和生物质发电都属于火力发电的范畴，同时，由于火力发电选址灵活、初投资金低、运行平稳可靠、受地理环境及气候影响较小以及能够供应大的电力需求等优点，目前仍以火力发电设备为主要发电设备。
值得一提的是，本实施例中将现有技术中可能出现的供电设备均进行列举，仅仅为一种实施例的方案，若目标区域中缺乏其中一类供电设备或者由电网供电，对算法进行调整后同样可以采用本方法。
标准供电参数则包括标准供电量、标准供电权重和标准供电时间段，其中，标准供电参数表示在正常情况下供电设备在固定时间段内的供电参数，例如一天、一周或者一个月等，本实施例以一天为例进行阐述，标准供电时间段则表示在一天内每类供电设备的供电时间段，标准供电权重则表示在一天内不同的供电设备的供电权重，例如，在上午10点-11点时间段内，火力发电设备、风力发电设备、水力发电设备和光伏发电设备的供电权重分别为6：2：1：1，表示此时间段内不同供电设备的供电量比例为6：2：1：1；又例如，在22点-23点时间段内火力发电设备、风力发电设备、水力发电设备的供电权重分别为8：1：1，因为晚上光伏发电设备可视为无供电输出，一般来讲，光伏发电设备仅在白天可以供电，而火力发电设备、风力发电设备、水力发电设备可以全天进行供电。
值得一提的是，标准供电参数是在一切条件正常的情况下获取的数据，这个情况设定了天气条件、用电条件、供电条件处于常见的正常水平，将此时采集的供电参数作为目标区域内所有供电设备的标准供电参数。
当然，可以理解的是，无论是用电数据还是供电数据都不是固定不变的，在不同的影响因素的作用下会出现明显的侧重，本实施例则是在此背景下设置。
步骤S102，获取目标区域在目标时间段内的用电影响因素，在本实施例中，用电影响因素包括季节因素、天气因素、社会因素、时间因素、工业因素等，其中，季节因素主要体现了不同季节的温度情况，例如春秋季节为温度适宜的季节，此时居民使用空调、暖气等设备的情况较少，而在冬夏季节使用的较多，因此从生活用电方面来讲，季节因素是比较重要的因素之一；天气因素则主要体现了天气突变的情况，包括雨水因素、风力因素、下雪因素等，例如阴雨天相较于晴天来讲，使用灯具照明的情况较多，用电量也相对较多；社会因素则表示了工作日和非工作日的情况，包括学生上学和假期的情况，在不同的社会情况下，用电情况也不同；时间因素则表示了白天和晚上的不同情况；工业因素则主要表示了在目标区域内设立的工业企业，由于工业设备的高耗电情况，因此需要对企业的运行情况和设备投切情况进行了解。
在本实施例中，获取用电影响因素的目的是为了预测目标时间段内的预测用电信息，以根据预测用电信息提前规划供电设备的目标供电参数。
步骤S103，在获取用电影响因素之后，通过预设的用电预测模型获取目标区域内的预测用电信息。用电预测模型的构建方法包括：
获取目标区域的历史用电影响因素和与历史用电影响因素条件下对应的历史用电信息；
将历史用电影响因素作为用电训练输入数据，将历史用电信息作为用电训练输出数据；
基于用电训练输入数据和用电训练输出数据对预设的神经网络模型进行训练和修正，得到用电预测模型。
历史用电影响因素同上述的用电影响因素，例如，某一天的历史用电影响因素包括：夏季、小雨、周二（工作日）、白天、工业企业正常运行（无新设备投入）等。历史用电信息则主要表现为一天中所有时间段的用电量，例如，在上述用电影响因素的情况下，上午9-10点的用电量为X，晚上9-10点的用电量为Y等。
将历史用电影响因素作为用电训练输入数据，将历史用电信息作为用电训练输出数据，对神经网络模型进行训练和修正，得到用电预测模型。用电训练输入数据可以由对上述的历史用电影响因素按照量化规则进行量化后获取，用电训练输入数据为便于输入的数学数据，历史用电信息同理。
本实施例中的神经网络模型可以为CNN（卷积神经网络）、RNN（循环神经网络）、DNN（深度神经网络）等模型。模型的训练过程需要采用较多的数据，因此在实际使用时，用电预测模型使用的次数越多，预测结果就越准确。
在得到用电预测模型后，通过向用电预测模型输入目标时间段的用电影响参数，将用电影响参数按照量化规则转化为用电预测输入信息，将用电预测输入信息输入至用电预测模型中即可得到目标区域内目标时间段的预测用电信息，具体表现为每个时间段的所需用电量。
值得一提的是，用电预测模型预测得到的预测用电信息中的用电量已经留有充足的应急用和冗余电量，因此，通过用电预测模型获取的预测用电信息为最合适的用电信息，在该预测用电信息下，能够保证目标时间段内的所有用电。
步骤S104，获取目标区域在目标时间段内的供电影响因素，供电影响因素至少包括季节因素、天气因素、时间因素和发电因素，可以理解的是，不同季节（主要是冬季和夏季）、不同天气（主要是阴雨天气和刮风天气）等会使得风力、水动力和太阳能等能源采集出现不同程度的影响，因此季节因素和天气因素主要影响风力发电设备、水力发电设备和光伏发电设备等供电设备的供电效果；时间因素则主要对光伏发电设备产生影响；而发电因素主要是指是否新增发电设备，例如，次日本区一个火力发电厂中新增的一套蒸汽发电设备即将投入使用，此时将其目标供电量作为发电因素进行记录，水力发电设备和风力发电设备同理。
步骤S105，在获取目标区域在目标时间段内的供电影响因素后，需要根据供电影响因素预测处目标区域在目标时间段内的预测供电信息，主要包括每个时间段的供电量等。
在本实施例中，供电预测模型的构建方式与用电预测模型的构建方式相似，包括：
获取目标区域的历史供电影响因素和与历史供电影响因素对应的历史供电信息；
将历史供电影响因素作为供电训练输入数据，将历史供电信息作为供电训练输出数据；
基于供电训练输入数据和供电训练输出数据对预设的神经网络模型进行训练和修正，得到供电预测模型。
其中，历史供电影响因素同上述的供电影响因素，例如，某一天的历史供电影响因素包括：夏季、小雨、白天、工业企业正常运行（无新设备投入）等。历史供电信息则主要表现为供电设备一天中所有时间段的供电量，例如，在上述供电影响因素的情况下，上午9-10点光伏发电设备的供电量为X，晚上9-10点风力发电设备的供电量为Y等。
将历史供电影响因素作为供电训练输入数据，将历史供电信息作为供电训练输出数据，对神经网络模型进行训练和修正，得到供电预测模型。供电训练输入数据可以由对上述的历史供电影响因素按照量化规则进行量化后获取，供电训练输入数据为便于输入和识别的数学数据，供电训练输出数据同理。
本实施例中的神经网络模型可以为CNN（卷积神经网络）、RNN（循环神经网络）、DNN（深度神经网络）等模型。模型的训练过程需要采用较多的数据，因此在实际使用时，供电预测模型使用的次数越多，预测结果就越准确。
在得到供电预测模型后，通过向供电预测模型输入目标时间段的供电影响参数，将供电影响参数按照量化规则转化为供电预测输入信息，将供电预测输入信息输入至供电预测模型中即可得到目标区域内目标时间段内所有供电设备的预测供电信息，具体表现为每个时间段产生的供电量。
至此，通过用电预测模型和供电预测模型能够分别获取到目标时间段的预测用电信息和供电设备的预测供电信息。
步骤S106，需要对预测用电信息和预测供电信息进行分析，判断预测供电信息是否满足所述预测用电信息，可以将同一时间段所有供电设备产生的供电量与预测的用电量进行分析，若预测供电信息所有时间段内的供电量能够满足预测用电信息中同一时间段内的用电量，则不做任何调整；若预测供电信息所有时间段内的供电量不能满足预测用电信息中同一时间段内的用电量，则确定需要重新分配供电设备的供电任务。
在本实施例中，对供电影响因素进行整理统计，得到多个供电影响因素列表，在供电影响因素列表中依次记录有所有情况下的供电设备的供电能力（以具体数据表明，例如火力发电设备供电量为W千瓦时，水力发电设备供电量为Z千瓦时等），并对所有供电设备的供电能力进行高低排列顺序，例如，供电影响因素列表如下：
供电影响因素为夏季、小雨、白天、工业企业正常运行（无新设备投入）时，供电能力：火力发电设备（W千瓦时）>水力发电设备（Z千瓦时）>风力发电设备（Y千瓦时）>光伏发电设备（X千瓦时）。
值得一提的是，一些影响程度较高的供电影响因素能够直接中断某个供电设备的供电能力，例如，当时间为晚上时，光伏发电设备的供电能力可以视为零，此时可以将光伏发电设备移出供电影响因素列表，表示此时间段光伏发电设备没有供电能力。
同时，获取所有供电设备在目标时间段的最高供电能力，一般情况下，最高供电能力表示供电设备在目标时间段内全负荷运行所能达到的供电量，例如火力发电设备最高供电量为H千瓦时等。
在重新分配供电设备的供电任务时，将目标时间段的供电影响因素在供电影响因素列表中进行匹配，若匹配到对应的供电影响因素，则获取对应的供电设备，并按照供电能力的高低排列顺序自动分配供电任务。
在分配过程中，根据每个时间段不足的额外供电任务为供电设备进行任务分配，例如，预测用电信息中9-10点的用电量为1200千瓦时，而预测供电信息中所有供电设备能提供的供电量为1000千瓦时，则确定供电任务为200千瓦时，供电任务不能超出每个供电设备的最高供电能力，即，当为第一供电设备分配供电任务时，在原有的第一供电设备的预测供电信息中获取的预测供电量之外，额外增加新的供电任务，即供电量；若即将超出第一供电设备的最高供电能力时，将剩余供电任务分配至后续第二供电设备，以此类推，得到最终的分配方案，在分配方案中记录着每个供电设备的供电任务。
当然，若目标区域内的供电设备能力有限，则可以通过蓄电设备供电和电网供电方式来进行供电，以满足目标区域的用电需求。
步骤S107，在得到分配方案之后，根据分配方案可以确定具体的供电调整信息，例如，提高生产功率、投入生产设备、延长生产时间等，根据供电调整信息调整供电设备的标准供电参数，具体参数可以根据不同供电设备的实际运行情况提前设置并存储。以下提供部分调整原理：
1、当供电影响因素为季节因素，标准供电参数于春秋季节获取，且目标时间段是冬季时，此时可以基于供电调整信息提高火力发电设备的标准供电参数，得到火力发电设备的目标供电参数；
基于供电调整信息降低水力发电设备、光伏发电设备的标准供电参数，得到水力发电设备和光伏发电设备的目标供电参数；
当目标时间段是夏季时，基于供电调整信息提高水力发电设备和光伏发电设备的标准供电参数，得到水力发电设备和光伏发电设备的目标供电参数。
2、当供电影响因素为雨水因素时，标准供电参数于正常天气获取，且目标时间段为雨水天气时，基于供电调整信息提高水力发电设备的标准供电参数，得到水力发电设备的标准供电参数；
基于供电调整信息降低光伏发电设备的标准供电参数，得到光伏发电设备的目标供电参数。
3、当供电影响因素为风力因素，标准供电参数于正常天气获取，且目标时间段为刮风天气时，基于供电调整信息提高风力发电设备的标准供电参数，得到风力发电设备的目标供电参数。
在其他实施例中，还可以根据其余供电影响因素调整目标供电设备的标准供电参数，本申请对此不做限制。
步骤S108，在获取目标供电参数后，各个供电设备即可根据目标供电参数在目标时间段内进行生产和供电，以满足预测用电信息，即目标区域内的用电需求。
本申请实施例基于人工智能的电力预测与调度方法的实施原理为：获取目标区域在目标时间段内的用电影响因素和供电影响因素，根据预设的用电预测模型和供电预测模型分别获取预测用电信息和预测供电信息，能够对目标区域内在目标时间段内的用电情况和供电情况进行了解，较为科学，便于制定供电分配方案；对预测用电信息和预测供电信息进行分析，得到分配方案，根据分配方案能够对所有供电设备的供电参数进行调整，从而调整供电设备的运行状态，相较于人工调度，能够对供电设备进行科学管理，对区域内的供电进行自动调度，以使供电设备的供电满足目标区域内不同影响因素下的用电需求。
本申请实施例还提供一种基于人工智能的电力预测与调度系统，参照图2，包括获取模块1、用电预测模块2、供电预测模块3、分析模块4和调整模块5，其中，获取模块1用于获取目标区域的所有供电设备的标准供电参数；用电预测模块2用于获取目标区域在目标时间段内的用电影响因素，基于用电影响因素和预设的用电预测模型获取目标区域的预测用电信息；供电预测模块3用于获取目标区域在目标时间段内的供电影响因素，基于供电影响因素和预设的供电预测模型获取供电设备的预测供电信息；分析模块4用于对预测用电信息和预测供电信息进行供电量分配方案分析，得到分配方案；调整模块5用于基于分配方案调整供电设备的标准供电参数，得到目标供电参数，基于目标供电参数控制供电设备进行供电，以满足目标区域的用电需求。
本申请实施例一种基于人工智能的电力预测与调度系统的具体实施方式与上述一种基于人工智能的电力预测与调度方法的具体实施方式相同，故在此不在赘述。
本申请实施例还公开一种计算机可读存储介质，并且，计算机可读存储介质存储有计算机程序，其中，计算机程序被处理器执行时，采用了上述实施例中的基于人工智能的电力预测与调度方法。
其中，计算机程序可以存储于计算机可读介质中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等，计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM）、随机存取存储器（RAM）、电载波信号、电信信号以及软件分发介质等，需要说明的是，计算机可读介质包括但不限于上述元器件。
其中，通过本计算机可读存储介质，将上述实施例中的基于人工智能的电力预测与调度方法存储于计算机可读存储介质中，并且，被加载并执行于处理器上，以方便上述方法的存储及应用。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.基于人工智能的电力预测与调度方法，其特征在于，包括：
获取目标区域的所有供电设备的标准供电参数；
获取所述目标区域在目标时间段内的用电影响因素；
基于所述用电影响因素和预设的用电预测模型获取所述目标区域的预测用电信息；
获取所述目标区域在目标时间段内的供电影响因素；
基于所述供电影响因素和预设的供电预测模型获取所述供电设备的预测供电信息；
对所述预测用电信息和所述预测供电信息进行供电量分配方案分析，得到分配方案；
基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数；
基于所述目标供电参数控制所述供电设备进行供电，以满足所述目标区域的用电需求。
2.根据权利要求1所述的基于人工智能的电力预测与调度方法，其特征在于，所述标准供电参数包括标准供电量、标准供电权重和标准供电时间段。
3.根据权利要求1所述的基于人工智能的电力预测与调度方法，其特征在于，所述供电设备包括火力发电设备、风力发电设备、水力发电设备、光伏发电设备和蓄电设备，所述用电影响因素包括季节因素、天气因素、社会因素、时间因素、工业因素，所述供电影响因素包括季节因素、天气因素和发电因素。
4.根据权利要求3所述的基于人工智能的电力预测与调度方法，其特征在于，所述基于所述用电影响因素和预设的用电预测模型获取所述目标区域的预测用电信息包括：
基于所述用电影响因素确定用电预测输入信息；
将所述预测输入信息输入进预设的用电预测模型中，获取所述目标区域的预测用电信息，所述预测用电信息包括预测生活用电信息、预测工业用电信息、预测并网用电信息和预测储备用电信息；
所述用电预测模型的构建方法包括：
获取所述目标区域的历史用电影响因素和与所述历史用电影响因素条件下对应的历史用电信息；
将所述历史用电影响因素作为用电训练输入数据，将所述历史用电信息作为用电训练输出数据；
基于所述用电训练输入数据和所述用电训练输出数据对预设的神经网络模型进行训练和修正，得到用电预测模型。
5.根据权利要求3所述的基于人工智能的电力预测与调度方法，其特征在于，所述基于所述供电影响因素和预设的供电预测模型获取所述供电设备的预测供电信息包括：
基于所述供电影响因素确定供电预测输入信息；
将所述供电预测输入信息输入进预设的供电预测模型中，获取所述目标区域内所有所述供电设备的预测供电信息；
所述供电预测模型的构建方法包括：
获取所述目标区域的历史供电影响因素和与所述历史供电影响因素对应的历史供电信息；
将所述历史供电影响因素作为供电训练输入数据，将所述历史供电信息作为供电训练输出数据；
基于所述供电训练输入数据和所述供电训练输出数据对预设的神经网络模型进行训练和修正，得到供电预测模型。
6.根据权利要求3所述的基于人工智能的电力预测与调度方法，其特征在于，所述基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数包括：
基于所述分配方案确定供电调整信息；
当所述供电影响因素为季节因素，所述标准供电参数于春秋季节获取，且所述目标时间段是冬季时，基于所述供电调整信息提高所述火力发电设备的标准供电参数，得到所述火力发电设备的目标供电参数；
基于所述供电调整信息降低所述水力发电设备、所述光伏发电设备的标准供电参数，得到所述水力发电设备和所述光伏发电设备的目标供电参数；
当所述目标时间段是夏季时，基于所述供电调整信息提高所述水力发电设备和所述光伏发电设备的标准供电参数，得到所述水力发电设备和所述光伏发电设备的目标供电参数。
7.根据权利要求3所述的基于人工智能的电力预测与调度方法，其特征在于，所述天气因素包括雨水因素和风力因素，所述基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数还包括：
基于所述分配方案确定供电调整信息；
当所述供电影响因素为雨水因素时，所述标准供电参数于正常天气获取，且目标时间段为雨水天气时，基于所述供电调整信息提高所述水力发电设备的标准供电参数，得到所述水力发电设备的标准供电参数；
基于所述供电调整信息降低所述光伏发电设备的标准供电参数，得到所述光伏发电设备的目标供电参数。
8.根据权利要求6所述的基于人工智能的电力预测与调度方法，其特征在于，所述基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数还包括：
基于所述分配方案确定供电调整信息；
当所述供电影响因素为风力因素，所述标准供电参数于正常天气获取，且目标时间段为刮风天气时，基于所述供电调整信息提高所述风力发电设备的标准供电参数，得到所述风力发电设备的目标供电参数。
9.基于人工智能的电力预测与调度系统，采用了权利要求1-8任一项所述的基于人工智能的电力预测与调度方法，其特征在于，包括获取模块（1）、用电预测模块（2）、供电预测模块（3）、分析模块（4）和调整模块（5）；
所述获取模块（1）用于获取目标区域的所有供电设备的标准供电参数；
所述用电预测模块（2）用于获取所述目标区域在目标时间段内的用电影响因素，基于所述用电影响因素和预设的用电预测模型获取所述目标区域的预测用电信息；
所述供电预测模块（3）用于获取所述目标区域在目标时间段内的供电影响因素，基于所述供电影响因素和预设的供电预测模型获取所述供电设备的预测供电信息；
所述分析模块（4）用于对所述预测用电信息和所述预测供电信息进行供电量分配方案分析，得到分配方案；
所述调整模块（5）用于基于所述分配方案调整所述供电设备的所述标准供电参数，得到目标供电参数，基于所述目标供电参数控制所述供电设备进行供电，以满足所述目标区域的用电需求。
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用了权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905416.7A CN116933929A (zh) | 2023-07-18 | 2023-07-18 | 基于人工智能的电力预测与调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905416.7A CN116933929A (zh) | 2023-07-18 | 2023-07-18 | 基于人工智能的电力预测与调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116933929A true CN116933929A (zh) | 2023-10-24 |
Family
ID=88387446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310905416.7A Pending CN116933929A (zh) | 2023-07-18 | 2023-07-18 | 基于人工智能的电力预测与调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933929A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117410981A (zh) * | 2023-11-01 | 2024-01-16 | 中嘉能(广东)能源有限公司 | 一种基于大数据的多区域电力能源智能调度方法及系统 |
| CN117595332A (zh) * | 2024-01-19 | 2024-02-23 | 成都智邦科技有限公司 | 一种基于储能系统的配电网均衡供电方法 |
| CN117410981B (zh) * | 2023-11-01 | 2024-05-17 | 中嘉能(广东)能源有限公司 | 一种基于大数据的多区域电力能源智能调度方法及系统 |
-
2023
- 2023-07-18 CN CN202310905416.7A patent/CN116933929A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117410981A (zh) * | 2023-11-01 | 2024-01-16 | 中嘉能(广东)能源有限公司 | 一种基于大数据的多区域电力能源智能调度方法及系统 |
| CN117410981B (zh) * | 2023-11-01 | 2024-05-17 | 中嘉能(广东)能源有限公司 | 一种基于大数据的多区域电力能源智能调度方法及系统 |
| CN117595332A (zh) * | 2024-01-19 | 2024-02-23 | 成都智邦科技有限公司 | 一种基于储能系统的配电网均衡供电方法 |
| CN117595332B (zh) * | 2024-01-19 | 2024-04-02 | 成都智邦科技有限公司 | 一种基于储能系统的配电网均衡供电方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Optimal operation of independent regional power grid with multiple wind-solar-hydro-battery power | |
| CN102694391B (zh) | 风光储联合发电系统日前优化调度方法 | |
| CN105162149A (zh) | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 | |
| CN110783959B (zh) | 一种新能源发电系统的稳定状态控制系统 | |
| CN115065104B (zh) | 一种微电网多能源集成调度系统 | |
| CN116436008A (zh) | 一种用于光储充电站的电力调度方法及终端 | |
| CN116933929A (zh) | 基于人工智能的电力预测与调度方法及系统 | |
| Liu et al. | Evolution towards dispatchable PV using forecasting, storage, and curtailment: A review | |
| El-Zonkoly | Application of smart grid specifications to overcome excessive load shedding in Alexandria, Egypt | |
| CN115983612A (zh) | 一种基于虚拟电厂的分布式源网荷储调度优化方法 | |
| KR102503382B1 (ko) | 신재생 에너지 발전설비와 연계된 에너지 저장시스템의 관리방법 | |
| 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 | |
| CN106911148A (zh) | 孤立微电网的能量管理方法和系统 | |
| Winkler et al. | Intelligent energy management of electrical power systems with distributed feeding on the basis of forecasts of demand and generation | |
| CN109494794B (zh) | 区域分布式储能优化调度方法及装置 | |
| CN115912419A (zh) | 一种基于负荷聚合商的储热-储电协同调度方法 | |
| CN110417002B (zh) | 一种孤岛微电网能量模型的优化方法 | |
| Naoi et al. | Demand and supply simulations considering detailed forecast, scheduling and control functions for Japanese Power System with a massive integration of renewable energy sources | |
| CN116706905B (zh) | 基于电力系统的多能预测及调度方法、设备及存储介质 | |
| CN117498468B (zh) | 一种多区域虚拟电厂协同优化运行方法 | |
| Saadaoui et al. | Energy management of a hybrid energy system (PV/PEMFC and lithium battery) using macroscopic energy representation | |
| Comendant et al. | Deploying Renewable Energy Sources and Energy Storage Systems to Achieve Energy Security in the R. of Moldova | |
| CN118054451A (zh) | 风电场群优化储能的管理方法及装置、微电网系统 | |
| CN117791671A (zh) | 一种智能配电网系统及调度方法 | |
| Klansupar | Optimal operation schedule of battery energy storage system for supporting variable renewable energy in generation system |
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 |