CN116979601A - 基于储能自动控制的配电网降损优化方法、系统及设备 - Google Patents

基于储能自动控制的配电网降损优化方法、系统及设备 Download PDF

Info

Publication number
CN116979601A
CN116979601A CN202310894956.XA CN202310894956A CN116979601A CN 116979601 A CN116979601 A CN 116979601A CN 202310894956 A CN202310894956 A CN 202310894956A CN 116979601 A CN116979601 A CN 116979601A
Authority
CN
China
Prior art keywords
power supply
distribution network
distributed power
data
energy storage
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
CN202310894956.XA
Other languages
English (en)
Inventor
陈衡
李童宇
武浩然
刘道新
胡航海
郭雷
刘涛
李国亮
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.)
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
North China Electric Power University
Beijing Guodiantong Network Technology Co Ltd
Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
North China Electric Power University
Beijing Guodiantong Network Technology Co Ltd
Zaozhuang Power Supply Co of State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, State Grid Information and Telecommunication Co Ltd, North China Electric Power University, Beijing Guodiantong Network Technology Co Ltd, Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310894956.XA priority Critical patent/CN116979601A/zh
Publication of CN116979601A publication Critical patent/CN116979601A/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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • G06N3/092—Reinforcement 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—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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic 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
    • 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
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种基于储能自动控制的配电网降损优化方法、系统及设备，涉及储能系统智能控制技术领域，方法包括：将当前时段下分布式电源的状态数据及分布式电源接入的配电网的状态数据，输入至预设的发电及负荷预测模型，以得到下一时段分布式电源的预测发电数据以及分布式电源接入的配电网的预测负荷数据；基于强化学习算法，确定储能充放电调控动作及动作奖励；确定经验四元组；基于多个经验四元组，确定迭代优化后的Q值表；迭代优化后的Q值表用于根据当前时段下分布式电源的状态数据及分布式电源接入的配电网的状态数据，确定最优的储能充放电调控动作。本发明降低了储能调控过程中的线路损耗。

Description

基于储能自动控制的配电网降损优化方法、系统及设备
技术领域
本发明涉及储能系统智能控制技术领域，特别是涉及一种基于储能自动控制的配电网降损优化方法、系统及设备。
背景技术
构建以新能源为主体的新型电力系统是减少碳排放的重要手段。随着以风能、光伏为代表的分布式电源高比例的接入，配电网中电力电量平衡趋向概率化，电力系统的惯性增加，而电网潮流则呈现双向流动的特点，这给配电网安全、高效、稳定运行带来严峻考验。因此，研究储能智能控制降损优化方法及系统，提高配电网运行的稳定性和安全性是十分必要的。
当前，储能技术成为了提高电网稳定性和可靠性的一种重要途径。然而，如何精确地预测分布式电源的发电量和负荷，合理配置储能装置容量，实现对储能的智能调控，以及降低线路损耗等问题，仍然是分布式电源接入配电网领域亟待解决的难题。
发明内容
本发明的目的是提供一种基于储能自动控制的配电网降损优化方法、系统及设备，对储能进行智能调控，以降低电网中线路损耗。
为实现上述目的，本发明提供了如下方案：
第一方面，本发明提供一种基于储能自动控制的配电网降损优化方法，包括：
获取当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据；所述分布式电源的状态数据包括分布式电源的发电数据及所处环境数据；所述配电网的状态数据包括负荷数据；
将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，输入至预设的发电及负荷预测模型，以得到下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据；
基于强化学习算法，根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据，确定储能充放电调控动作及动作奖励；所述动作奖励表征配电网降损程度；
将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据、对应的储能充放电调控动作及动作奖励，确定为经验四元组；
基于多个经验四元组，确定迭代优化后的Q值表；所述迭代优化后的Q值表用于根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，确定最优的储能充放电调控动作。
第二方面，本发明提供一种基于储能自动控制的配电网降损优化系统，包括：
状态数据获取模块，用于获取当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据；所述分布式电源的状态数据包括分布式电源的发电数据及所处环境数据；所述配电网的状态数据包括负荷数据；
下一状态预测模块，用于将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，输入至预设的发电及负荷预测模型，以得到下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据；
调控动作及奖励确定模块，用于基于强化学习算法，根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据，确定储能充放电调控动作及动作奖励；所述动作奖励表征配电网降损程度；
四元组构建模块，用于将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据、对应的储能充放电调控动作及动作奖励，确定为经验四元组；
Q值表确定模块，用于基于多个经验四元组，确定迭代优化后的Q值表；所述迭代优化后的Q值表用于根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，确定最优的储能充放电调控动作。
第三方面，本发明提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行基于储能自动控制的配电网降损优化方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种基于储能自动控制的配电网降损优化方法、系统及设备，将当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，输入至预设的发电及负荷预测模型，以得到下一时段分布式电源的预测发电数据以及分布式电源接入的配电网的预测负荷数据；然后，基于上述数据和强化学习算法，确定储能充放电调控动作及动作奖励，其中，动作奖励表征配电网降损程度；将当前时段下分布式电源的状态数据及分布式电源接入的配电网的状态数据、下一时段分布式电源的预测发电数据以及分布式电源接入的配电网的预测负荷数据、对应的储能充放电调控动作及动作奖励，确定为经验四元组；基于多个经验四元组，确定迭代优化后的Q值表，以根据所述当前时段下分布式电源的状态数据及分布式电源接入的配电网的状态数据，确定最优的储能充放电调控动作，且其中由于设置奖励函数表征配电网降损程度，能够使得所得到的对储能系统的优化配置和智能调控达到降低线路损耗的目的，解决潮流不稳定的问题，提高配电网运行的稳定性和可靠性。
附图说明
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于储能自动控制的配电网降损优化方法的流程示意图；
图2为本发明基于储能自动控制的配电网降损优化系统的结构示意图；
图3为本发明实例中基于储能自动控制的配电网降损优化系统的结构示意图；
图4为本发明实例中储能智能调控降损单元的结构示意图。
具体实施方式
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他实施例，都属于本发明保护的范围。
循环神经网络(RecurrentNeuralNetwork，RNN)和强化学习技术在预测和控制领域有广泛应用。其中，长短期记忆网络(LongShort-TermMemory，LSTM)是一种基于RNN的模型，能够有效处理时间序列数据的长时依赖问题；而SARSA(State-Action-Reward-State-Action)是一种基于Q-learning的在线强化学习算法，能够在有限的状态空间和动作空间中学习最优策略。这些都为储能系统的智能调控提供了有效的解决手段。
基于上述背景，本发明提出一种基于储能自动控制的配电网降损优化方法、系统及设备，利用历史时段下发电负荷数据通过LSTM算法对分布式电源的发电量和负荷进行预测，之后根据这些数据信息通过SARSA算法学习训练储能控制降损策略，从而实现对储能系统的优化配置和智能调控，降低分布式电源接入配电网后造成的额外线损，提高配电网运行的稳定性和可靠性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本发明提供一种基于储能自动控制的配电网降损优化方法，包括：
步骤100，获取当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据；所述分布式电源的状态数据包括分布式电源的发电数据及所处环境数据；所述分布式电源所处环境数据包括风速和光照强度。所述配电网的状态数据包括负荷数据；所述分布式电源的发电数据包括光伏每小时发电数据和风电每小时发电数据。
步骤200，将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，输入至预设的发电及负荷预测模型，以得到下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据，基于这些数据，可配置优化储能装机容量。
所述预设的发电及负荷预测模型是采用训练样本集对LSTM神经网络进行训练得到的；所述训练样本集包括历史时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据。
LSTM算法是一种基于循环神经网络(RNN)的深度学习算法，用于处理长序列数据中的长期依赖问题，避免计算过程出现梯度消失或爆炸，其结构主要包括输入层、隐藏层和输出层三个部分，隐藏层是LSTM的核心，由多个重复单元组成，每个重复单元包含四个交互的层：遗忘门、输入门、输出门和细胞状态。遗忘门负责控制细胞状态中信息的删除或保留，输入门负责控制细胞状态中信息的更新或保持不变，输出门负责控制细胞状态中信息的输出或隐藏，而细胞状态则是LSTM的长期记忆，它在每个重复单元之间沿着顶部传递，只受到遗忘门和输入门的影响。LSTM算法的主要思想是从数据集中选取一段时间内的数据信息并组成时间序列，按照该时间序列划分为训练集和测试集，通过训练集数据信息的输入特征训练LSTM模型并采用测试集计算模型的预测精度，当预测精度小于某个阈值时，训练终止，最终实现时序数据的精确稳定预测。
在一个具体实例中，获取分布式电源发电与配电网负荷的历史数据，过去一段时间内接入配电网的各类分布式电源包括光伏、风电等的小时发电数据以及配电网中各节点的小时负荷数据信息，作为LSTM神经网络的输入参数。利用LSTM算法对历史发电与负荷信息进行分析训练，选取分布式电源的历史发电信息，配电网的历史负荷信息，包括风速、光照强度等的环境信息三个重要输入指标作为LSTM算法分析训练的数据集并按照时间序列划分为训练集和测试集，通过训练集的数据信息训练LSTM模型并采用测试集的数据信息计算模型对分布式电源发电和配电网负荷的预测精度，实现发电与负荷时序数据的精确稳定预测。基于训练完成的LSTM模型能够预测未来发电和负荷数据，对历史数据及预测数据进行分析，确定配电网中分布式电源的出力时间和最大发电功率，实现储能装机容量的配置优化。
步骤300，基于强化学习算法，根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据，确定储能充放电调控动作及动作奖励；所述动作奖励表征配电网降损及节点电压波动情况。
在一个具体实例中，根据预测的未来发电与负荷信息并结合历史发电负荷信息，利用SARSA算法学习训练储能控制降损策略，通过储能智能调控降损单元，在每个时间步长中观测当前状态，如分布式电源发电信息与配电网负荷信息，然后以配电网线损及节点电压波动作为奖励函数，根据当前的状态和之前储能系统的动作，包括充电或放电，计算下一步所有可能动作的价值并执行具有最大价值的储能调控动作，从而实现储能系统的最优调度及配电网的降损优化。
步骤400，将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据、对应的储能充放电调控动作及动作奖励，确定为经验四元组。
步骤500，基于多个经验四元组，确定迭代优化后的Q值表；所述迭代优化后的Q值表用于根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，确定最优的储能充放电调控动作。
SARSA算法是一种基于Q-learning的强化学习算法，用于解决具有马尔可夫性质的控制问题，其主要思想是通过不断试错和学习来寻找最优策略，在每个时间步长，智能体观测当前状态然后根据当前状态和之前的动作选择下一步的动作并计算其奖励函数，通过迭代过程不断更新状态和动作的价值，从而得到最优的控制调度策略，以最大化效益与稳定性。进一步地，根据得到的储能控制降损策略，获取支持实时调控和降损优化的储能充放电信息并生成报表，即Q值表，可在分布式电源发电及配电网负荷预测单元中获取的下一时段的分布式电源发电及配电网负荷预测数据，之后通过储能智能调控降损单元获取储能系统的充放电信息并将该信息以报表形式存储。
综上，本发明收集历史分布式电源发电信息与配电网负荷信息，利用LSTM算法对历史发电与负荷信息进行分析训练并预测未来发电和负荷数据，配置优化储能装机容量，之后利用发电负荷的历史和预测信息，通过SARSA算法学习训练储能控制降损策略，获取支持实时调控和降损优化的储能充放电信息，实现对储能系统的优化配置和智能调控，从而降低分布式电源接入配电网后造成的额外线损，解决了潮流不稳定的问题，提高了配电网运行的稳定性和可靠性。
实施例二
如图2所示，为了实现实施例一中的技术方案，以达到相应的功能和技术效果，本实施例还提供了一种基于储能自动控制的配电网降损优化系统，包括：
状态数据获取模块101，用于获取当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据；所述分布式电源的状态数据包括分布式电源的发电数据及所处环境数据；所述配电网的状态数据包括负荷数据。
下一状态预测模块201，用于将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，输入至预设的发电及负荷预测模型，以得到下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据。
调控动作及奖励确定模块301，用于基于强化学习算法，根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据，确定储能充放电调控动作及动作奖励；所述动作奖励表征配电网降损程度。
四元组构建模块401，用于将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据、对应的储能充放电调控动作及动作奖励，确定为经验四元组。
Q值表确定模块501，用于基于多个经验四元组，确定迭代优化后的Q值表；所述迭代优化后的Q值表用于根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，确定最优的储能充放电调控动作。
在一个具体实施例中，系统还包括通信模块和充放电控制模块；所述充放电控制模块用于基于最优的储能充放电调控动作，确定充放电速度指令及充放电时间指令；所述通信模块用于将所述充放电速度指令及所述充放电时间指令，发送至对应的储能系统。
如图3所示，在一个具体实例中，基于储能自动控制的配电网降损优化系统还可以设置为包括以下单元：
分布式电源发电电量监测单元，对应状态数据获取模块实现的功能之一，用于获取分布式电源的历史发电信息。配电网负荷量监测单元，对应状态数据获取模块实现的功能之一，用于获取配电网的历史负荷信息。电量信息管理单元，用于存储所述分布式电源发电电量监测单元和配电网负荷量监测单元获取的发电与负荷信息，具体为记录分布式电源的发电量，配电网的负荷情况以及当地风速、光照强度等环境数据，对应状态数据获取模块可实现的功能之一。
分布式电源发电及配电网负荷预测单元，接收处理电量信息管理单元的数据信息，给出分布式电源发电、配电网负荷状态的实时预测数据，对应下一状态预测模块实现的功能。
储能智能调控降损单元，根据电量信息管理单元和分布式电源发电及配电网负荷预测单元中的发电与负荷的历史及预测数据，给出支持实时调控和降损优化的储能充放电信息，对应调控动作及奖励确定模块、四元组构建模块及Q值表确定模块实现的功能。
进一步地，如图4所示，储能智能调控降损单元包括：
状态监测板块，用于监测电力系统的状态信息，包括储能系统充放电状态、电池容量、发电与负荷信息等。
充放电控制板块，用于控制储能系统的充放电状态，调整充放电速度和充放电时间等参数。
优化算法板块，用于实现储能系统的优化算法，根据实时的状态监测、负荷预测结果以及配电网线损情况，调整优化算法的参数和模型，以逐步优化储能智能控制系统的运行效率和稳定性。
通信板块，即对应上文的通信模块，用于与其他储能系统和电力网络进行通信，获取全面的能量信息和调度指令，协调各储能系统之间的充放电操作，实现电力系统的优化调度。
实施例三
本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的基于储能自动控制的配电网降损优化方法。
可选地，上述电子设备可以是服务器。
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的基于储能自动控制的配电网降损优化方法。
本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。对于实施例公开的系统而言，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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于储能自动控制的配电网降损优化方法，其特征在于，方法包括：
获取当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据；所述分布式电源的状态数据包括分布式电源的发电数据及所处环境数据；所述配电网的状态数据包括负荷数据；
将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，输入至预设的发电及负荷预测模型，以得到下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据；
基于强化学习算法，根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据，确定储能充放电调控动作及动作奖励；所述动作奖励表征配电网降损程度；
将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据、对应的储能充放电调控动作及动作奖励，确定为经验四元组；
基于多个经验四元组，确定迭代优化后的Q值表；所述迭代优化后的Q值表用于根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，确定最优的储能充放电调控动作。
2.根据权利要求1所述的基于储能自动控制的配电网降损优化方法，其特征在于，所述分布式电源所处环境数据包括风速和光照强度。
3.根据权利要求1所述的基于储能自动控制的配电网降损优化方法，其特征在于，所述预设的发电及负荷预测模型是采用训练样本集对LSTM神经网络进行训练得到的；所述训练样本集包括历史时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据。
4.根据权利要求2所述的基于储能自动控制的配电网降损优化方法，其特征在于，所述分布式电源的发电数据包括光伏每小时发电数据和风电每小时发电数据。
5.根据权利要求2所述的基于储能自动控制的配电网降损优化方法，其特征在于，所述动作奖励具体为：配电网线损及节点电压波动情况。
6.一种基于储能自动控制的配电网降损优化系统，其特征在于，系统包括：
状态数据获取模块，用于获取当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据；所述分布式电源的状态数据包括分布式电源的发电数据及所处环境数据；所述配电网的状态数据包括负荷数据；
下一状态预测模块，用于将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，输入至预设的发电及负荷预测模型，以得到下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据；
调控动作及奖励确定模块，用于基于强化学习算法，根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据，确定储能充放电调控动作及动作奖励；所述动作奖励表征配电网降损程度；
四元组构建模块，用于将所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据、下一时段所述分布式电源的预测发电数据以及所述分布式电源接入的配电网的预测负荷数据、对应的储能充放电调控动作及动作奖励，确定为经验四元组；
Q值表确定模块，用于基于多个经验四元组，确定迭代优化后的Q值表；所述迭代优化后的Q值表用于根据所述当前时段下分布式电源的状态数据及所述分布式电源接入的配电网的状态数据，确定最优的储能充放电调控动作。
7.根据权利要求6所述的基于储能自动控制的配电网降损优化系统，其特征在于，系统还包括通信模块和充放电控制模块；
所述充放电控制模块用于基于最优的储能充放电调控动作，确定充放电速度指令及充放电时间指令；
所述通信模块用于将所述充放电速度指令及所述充放电时间指令，发送至对应的储能系统。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的基于储能自动控制的配电网降损优化方法。
CN202310894956.XA 2023-07-20 2023-07-20 基于储能自动控制的配电网降损优化方法、系统及设备 Pending CN116979601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310894956.XA CN116979601A (zh) 2023-07-20 2023-07-20 基于储能自动控制的配电网降损优化方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310894956.XA CN116979601A (zh) 2023-07-20 2023-07-20 基于储能自动控制的配电网降损优化方法、系统及设备

Publications (1)

Publication Number Publication Date
CN116979601A true CN116979601A (zh) 2023-10-31

Family

ID=88470641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310894956.XA Pending CN116979601A (zh) 2023-07-20 2023-07-20 基于储能自动控制的配电网降损优化方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116979601A (zh)

Similar Documents

Publication Publication Date Title
CN110266031B (zh) 储能并网充放电量控制方法、装置、服务器及存储介质
CN116247648A (zh) 一种考虑源荷不确定性下微电网能量调度的深度强化学习方法
US9935461B2 (en) Consumer apparatus operation management system and method
CN115912351A (zh) 光伏日内日前模型预测方法、系统、设备及介质
CN115514100A (zh) 一种基于多元储能和控制的混合储能系统
CN115169723A (zh) 发电功率预测方法、负荷预测方法及模型训练方法
CN116683500A (zh) 一种电化学储能电站有功功率调度方法和系统
CN106786702B (zh) 用于混合储能系统的全状态模型预测能量调度方法
CN114723230A (zh) 面向新能源发电和储能的微电网双层调度方法及系统
CN112950001B (zh) 基于云边端闭环架构的智慧能量管控系统及方法
CN111082424A (zh) 一种综合能源及微电网系统可靠性预测方法及装置
CN116979601A (zh) 基于储能自动控制的配电网降损优化方法、系统及设备
CN115579955A (zh) 一种基于神经网络预测的配电网光伏消纳能力评估方法
Zhang et al. Power allocation method of battery energy storage system considering state balance in smoothing photovoltaic power fluctuations
CN114371416A (zh) 一种燃料电池的寿命预测方法
Ji et al. A electric power optimal scheduling study of hybrid energy storage system integrated load prediction technology considering ageing mechanism
KR20220061709A (ko) 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치
Homan et al. Implementation and verification of a realistic battery model in the DEMKit simulation software
Xiang et al. A deep reinforcement learning based control strategy for combined wind energy storage system
CN117713211B (zh) 基于环境分析的光伏并网智能调度方法及系统
Pindaro Controlling lithium-ion batteries through reinforcement learning
Liu et al. Optimal management of energy storage system based on reinforcement learning
CN117096882B (zh) 一种配网潮流调控方法及系统
CN117220318B (zh) 电网数字化驱动控制方法及系统
CN116799832B (zh) 一种基于大数据的智能调控混合储能电力系统

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