CN117081088B - 电网负荷调度控制方法、装置、计算机设备及存储介质 - Google Patents
电网负荷调度控制方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117081088B CN117081088B CN202311330336.XA CN202311330336A CN117081088B CN 117081088 B CN117081088 B CN 117081088B CN 202311330336 A CN202311330336 A CN 202311330336A CN 117081088 B CN117081088 B CN 117081088B
- Authority
- CN
- China
- Prior art keywords
- power grid
- power
- data
- state
- historical
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 216
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 39
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 11
- 239000002699 waste material Substances 0.000 description 5
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification 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
- H02J3/12—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
Abstract
本发明提供了一种电网负荷调度控制方法、装置、计算机设备及存储介质,涉及电力系统技术领域,该方法包括:获取电网监测点;根据电网监测点得到电网监测数据;根据电网监测数据判断电网状态;当电网状态为微电网运行状态时,获取电网碳排放数据,将电网碳排放数据和电网监测数据输入预训练的神经网络模型得到第一电网调度策略;当电网状态为非微电网运行状态时,获取历史电能市场成交数据,基于粒子群算法根据历史电能市场成交数据和电网监测数据得到第二电网调度策略;当电网状态为电网运行异常状态时,获取预设用电优先级,根据预设用电优先级和电网监测数据得到第三电网调度策略。本发明实现了不同电网规模下电网负荷的合理调度。
Description
技术领域
本发明涉及电力系统技术领域,具体而言,涉及一种电网负荷调度控制方法、装置、计算机设备及存储介质。
背景技术
电网负荷调度在未来的能源行业中有着广阔的前景。随着可再生能源的快速发展和智能电网技术的不断进步,电网负荷调度将发挥更重要的作用。负荷调度是智能电网实现高效能源管理和优化的重要组成部分,通过智能测量和通信技术,可以实时监测电力系统的运行状态和用户的用电情况,为负荷调度提供更准确的数据支持。通过优化和调度负荷,可以更准确地匹配电力供应和需求,从而避免不必要的能源浪费,提高能源利用效率。有效的负荷调度控制可以确保电网在高效稳定的状态下运行,并最大限度地利用可再生能源和能源储备设备。
目前的电网负荷调度方法只单纯从负荷侧进行考虑,通过监测负荷使用,进行电网负荷调度。但是由于电网的规模不同,需求也有所差异,负荷调度影响纷繁复杂,就导致现有的电网负荷调度控制方法常常无法做到最优分配,优化效果有限。
发明内容
本发明解决的问题是电网规模不同导致电网负荷调度控制方法无法做到最优分配。
为解决上述问题,本发明提供一种电网负荷调度控制方法,包括:
获取电网监测点,其中,所述电网监测点包括多个配电网线路监测点和多个设备监测点;
根据所述电网监测点得到电网监测数据;
根据所述电网监测数据判断电网状态,其中,所述电网状态包括微电网运行状态、非微电网运行状态和电网运行异常状态;
当所述电网状态为所述微电网运行状态时,获取电网碳排放数据,
将所述电网碳排放数据和所述电网监测数据输入预训练的神经网络模型得到第一电网调度策略;
当所述电网状态为所述非微电网运行状态时,获取历史电能市场成交数据,
基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略;
当所述电网状态为所述电网运行异常状态时,获取预设用电优先级,其中,所述预设用电优先级用于表示按照断电后造成的损失程度对于负荷需求方的排序,
根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略。
可选地,所述电网监测数据包括配电网线路监测数据和设备监测数据,所述配电网线路监测数据包括多个所述配电网线路监测点的相负荷电流和发电功率,所述设备监测数据包括多个所述设备监测点的设备类型信息、设备额定负载信息、设备位置信息和设备负荷功率信息;所述根据所述电网监测点得到电网监测数据,包括:
根据多个所述配电网线路监测点得到多个所述配电网线路监测点的所述相负荷电流和所述发电功率;
根据多个所述设备监测点得到多个所述设备监测点的所述设备类型信息、所述设备额定负载信息、所述设备位置信息和所述设备负荷功率信息。
可选地,所述根据所述电网监测数据判断电网状态,包括:
当所述设备监测数据大于预设设备监测值时,则所述电网状态为所述电网运行异常状态;
当所述相负荷电流小于或等于预设相负荷电流,且所述发电功率大于预设发电功率时,则所述电网状态为所述微电网运行状态;
当所述相负荷电流大于所述预设相负荷电流时,则所述电网状态为所述非微电网运行状态。
可选地,所述预训练的神经网络模型的构建过程包括:
获取历史数据集,所述历史数据集包括历史电网碳排放数据和历史电网监测数据;
根据所述历史电网碳排放数据和所述历史电网监测数据训练初始模型得到训练模型;
测试所述训练模型的模型精度,当所述模型精度不满足模型精度需求,则重新获取更多数据的所述历史数据集进行训练,直到满足所述模型精度需求,得到所述预训练的神经网络模型。
可选地,所述历史电能市场成交数据包括发电方、输电方、配电方和用电方上传的统一期望电能成交价格以及统一期望电能成交量;所述基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略,包括:
获取历史电网监测数据和所述历史电能市场成交数据;
根据所述历史电网监测数据构建时空序列数据库,根据所述历史电能市场成交数据构建电网运行树状图;
通过所述时空序列数据库中存储的所述历史电网监测数据和所述电网运行树状图中存储的所述历史电能市场成交数据,基于纳什议价方法建立多方电能成交策略;
基于粒子群算法利用所述多方电能成交策略得到所述第二电网调度策略。
可选地,所述根据所述历史电能市场成交数据构建电网运行树状图,包括:
根据对应时间日期对所述历史电网监测数据归类并设置名称碰撞指针得到归类数据,其中,所述名称碰撞指针包括名称敏感特征点以及名称关联指令;
通过所述名称碰撞指针遍历所述归类数据建立根节点和关联节点;
根据所述根节点和所述关联节点得到所述电网运行树状图。
可选地,所述根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略,包括:
根据所述电网监测数据得到所述电网运行异常状态下的可调动负荷数据;
将所述预设用电优先级和所述可调动负荷数据输入异常状态负荷分配模型得到第三电网调度策略。
本发明所述的一种电网负荷调度控制方法通过电网监测点得到电网监测数据,根据所述电网监测数据判断电网状态,根据电网状态采用不同方法生成电网调度策略。当电网状态为微电网运行状态时,此时电网的规模较小,通过神经网络模型得到第一电网调度策略,在减少计算量的同时得到更加精确的结果。同时微电网能够在更小的尺度上实现可再生能源的利用和能量供应,在微电网运行状态时引入电网碳排放数据从而生成第一电网调度策略,能够使生成的策略有效减少碳排放。当电网状态为非微电网运行状态时,此时电网规模较大,利用粒子群算法获取更精准的结果,同时由于存在电网电能的交易,通过引入历史电能市场成交数据从而生成第二电网调度策略,使收益最大化。当电网状态为电网运行异常状态时,此时电网中存在不工作的设备,通过获取预设用电优先级生成到第三电网调度策略,从而保证重要负荷需求方不断电。通过改进负荷调度控制方法,可以更准确地匹配电力供应和需求,避免不必要的能源浪费。
本发明还提供一种电网负荷调度控制装置,包括:电网监测点和电网历史运行数据获取单元,所述电网监测点和电网历史运行数据获取单元用于获取电网监测点和电网历史运行数据,其中,所述电网监测点包括多个配电网线路监测点和多个设备监测点;
电网监测数据获取单元,所述电网监测数据获取单元用于根据所述电网监测点得到电网监测数据;
电网状态获取单元,所述电网状态获取单元用于根据所述电网监测数据判断电网状态,其中,所述电网状态包括微电网运行状态、非微电网运行状态和电网运行异常状态;
第一电网调度策略获取单元,所述第一电网调度策略获取单元用于当所述电网状态为所述微电网运行状态时,获取电网碳排放数据,
将所述电网碳排放数据和所述电网监测数据输入预训练的神经网络模型得到第一电网调度策略;
第二电网调度策略获取单元,所述第二电网调度策略获取单元用于当所述电网状态为所述非微电网运行状态时,获取历史电能市场成交数据,
基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略;
第三电网调度策略获取单元,所述第三电网调度策略获取单元用于当所述电网状态为所述电网运行异常状态时,获取预设用电优先级,其中,所述预设用电优先级用于表示按照断电后造成的损失程度对于负荷需求方的排序,
根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略。
本发明所述的电网负荷调度控制装置与所述电网负荷调度控制方法相对于现有技术的优势相同,在此不再赘述。
本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述电网负荷调度控制方法。
本发明所述的计算机设备与所述电网负荷调度控制方法相对于现有技术的优势相同,在此不再赘述。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现所述电网负荷调度控制方法。
本发明所述的计算机可读存储介质与所述电网负荷调度控制方法相对于现有技术的优势相同,在此不再赘述。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,对于本领域普通技术人员而言,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所示为本发明实施例中电网负荷调度控制方法的应用环境图;
图2所示为本发明实施例中电网负荷调度控制方法的流程示意图;
图3所示为本发明实施例中获取第二电网调度策略的流程示意图;
图4所示为本发明实施例中电网负荷调度控制装置的示意图;
图5所示为本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
图1为本发明实施例中电网负荷调度控制方法的应用环境图。参照图1,该电网负荷调度控制方法应用于电网负荷调度控制系统。该电网负荷调度控制系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
结合图2所示,本实施例提供一种电网负荷调度控制方法,包括:
步骤210,获取电网监测点,其中,所述电网监测点包括多个配电网线路监测点和多个设备监测点。
具体地,所述多个配电网线路监测点对应的多个监控网络,以无线方式相连接,同步测量所述配电网的架空线路上各个监测点各相负荷电流和发电功率。所述多个设备监测点设置在各个设备端,检测设备类型信息、设备额定负载信息、设备位置信息和设备负荷功率信息。
步骤220,根据所述电网监测点得到电网监测数据。
具体地,所述电网监测数据包括配电网线路监测数据和设备监测数据,所述配电网线路监测数据包括多个所述配电网线路监测点的相负荷电流和发电功率,所述设备监测数据包括多个所述设备监测点的设备类型信息、设备额定负载信息、设备位置信息和设备负荷功率信息。
步骤230,根据所述电网监测数据判断电网状态,其中,所述电网状态包括微电网运行状态、非微电网运行状态和电网运行异常状态。
步骤241,当所述电网状态为所述微电网运行状态时,获取电网碳排放数据将所述电网碳排放数据和所述电网监测数据输入预训练的神经网络模型得到第一电网调度策略。
具体地,神经网络模型由输入层、隐藏层、输出层组成,其中隐藏层和输出层的神经元通过权重连接,输入样本通过输入层传递到隐藏层和输出层。使用已获取的历史数据集,将数据集分为训练集和验证集。利用训练集数据作为输入训练神经网络模型,在训练过程中,通过反向传播算法(如BP算法)调整模型的权重和偏执,以最小化预测值与真实值之间的差异。通过在验证集上监控模型的精度和性能指标,选择最佳的模型参数。
步骤242,当所述电网状态为所述非微电网运行状态时,获取历史电能市场成交数据,
基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略。
具体地,在粒子群算法中,有一群粒子组成的群体,每个粒子代表问题的一个可能解。每个粒子都有自己的位置和速度,并且通过在解空间中移动来寻找最优解,粒子通过与其他粒子进行信息交流和协作来调整其移动方向和速度。通过随机生成一群粒子,并为每个粒子随机初始化位置和速度。通常,初始位置和速度的范围根据问题的特点和需求进行设置,对于每个粒子,根据其当前位置计算适应度值,即问题的目标函数值或损失函数值。适应度值用于评估每个粒子的解的优劣程度,更新粒子速度和位置。
步骤243,当所述电网状态为所述电网运行异常状态时,获取预设用电优先级,其中,所述预设用电优先级用于表示按照断电后造成的损失程度对于负荷需求方的排序,根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略。
具体地,当电网状态为电网运行异常状态时,此时电网中存在异常设备,通过获取预设用电优先级生成到第三电网调度策略,从而保证重要负荷需求方不断电。
本实施例所述的一种电网负荷调度控制方法通过电网监测点得到电网监测数据,根据所述电网监测数据判断电网状态,根据电网状态采用不同方法生成电网调度策略。当电网状态为微电网运行状态时,此时电网的规模较小,通过神经网络模型得到第一电网调度策略,在减少计算量的同时得到更加精确的结果。同时微电网能够在更小的尺度上实现可再生能源的利用和能量供应,在微电网运行状态时引入电网碳排放数据从而生成第一电网调度策略,能够使生成的策略有效减少碳排放。当电网状态为非微电网运行状态时,此时电网规模较大,利用粒子群算法获取更精准的结果,同时由于存在电网电能的交易,通过引入历史电能市场成交数据从而生成第二电网调度策略,使收益最大化。当电网状态为电网运行异常状态时,此时电网中存在异常设备,通过获取预设用电优先级生成到第三电网调度策略,从而保证重要负荷需求方不断电。通过改进负荷调度控制方法,可以更准确地匹配电力供应和需求,避免不必要的能源浪费。
在一些实施例中,所述电网监测数据包括配电网线路监测数据和设备监测数据,所述配电网线路监测数据包括多个所述配电网线路监测点的相负荷电流和发电功率,所述设备监测数据包括多个所述设备监测点的设备类型信息、设备额定负载信息、设备位置信息和设备负荷功率信息;所述根据所述电网监测点得到电网监测数据,包括:
根据多个所述配电网线路监测点得到多个所述配电网线路监测点的所述相负荷电流和所述发电功率;
根据多个所述设备监测点得到多个所述设备监测点的所述设备类型信息、所述设备额定负载信息、所述设备位置信息和所述设备负荷功率信息。
本实施例的电网负荷调度控制方法,通过多个所述配电网线路监测点和多个所述设备监测点对电网进行检测,针对配电网特点分别在配电网线路和设备端分别设置监测点,提高了监测效率。
在一些实施例中,所述根据所述电网监测数据判断电网状态,包括:
当所述设备监测数据大于预设设备监测值时,则所述电网状态为所述电网运行异常状态;
当所述相负荷电流小于或等于预设相负荷电流,且所述发电功率大于预设发电功率时,则所述电网状态为所述微电网运行状态;
当所述相负荷电流大于所述预设相负荷电流时,则所述电网状态为所述非微电网运行状态。
具体地,当所述相负荷电流小于或等于所述预设相负荷电流时,且所述发电功率小于或等于预设发电功率时,则所述电网状态为所述非微电网运行状态。根据所述电网监测数据判断电网状态,根据电网状态采用不同方法生成电网调度策略,从而更准确地匹配电力供应和需求,避免不必要的能源浪费。
在一些实施例中,所述预训练的神经网络模型的构建过程包括:
获取历史数据集,所述历史数据集包括历史电网碳排放数据和历史电网监测数据;
根据所述历史电网碳排放数据和所述历史电网监测数据训练初始模型得到训练模型;
测试所述训练模型的模型精度,当所述模型精度不满足模型精度需求,则重新获取更多数据的所述历史数据集进行训练,直到满足所述模型精度需求,得到所述预训练的神经网络模型。
具体地,收集和整理历史电网碳排放数据和历史电网监测数据。历史电网碳排放数据可以包括历史的火电厂各机组的燃煤消耗量与机组负荷的特征曲线、火电厂各机组的氮氧化物排放量与燃煤消耗量的特征曲线、火电厂各机组的负荷调整速率。数据的准确性和完整性对模型的训练和精度评估非常重要。使用已获取的历史数据集,将数据集分为训练集和验证集。利用训练集数据作为输入,目标值为历史电网监测数据,训练神经网络模型。使用训练得到的模型对另一个独立的测试数据集进行预测。计算模型的预测精度和性能指标。如果模型的精度不满足需求,利用新的历史数据集重新训练神经网络模型,重新进行训练和验证。从而实现在尽可能减少计算量的同时,以减少碳排放为导向,实现更为合理负荷分配的第一电网调度策略。
本实施例的电网负荷调度控制方法采用神经网络模型进行训练,从而能够有效地处理大规模的数据,可以加快训练和推理速度,计算量相对较少,并且能够保证结果准确。
在一些实施例中,结合图3所示,所述历史电能市场成交数据包括发电方、输电方、配电方和用电方上传的统一期望电能成交价格以及统一期望电能成交量;所述基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略,包括:
步骤310,获取历史电网监测数据和所述历史电能市场成交数据;
步骤320,根据所述历史电网监测数据构建时空序列数据库,根据所述历史电能市场成交数据构建电网运行树状图;
步骤330,通过所述时空序列数据库中存储的所述历史电网监测数据和所述电网运行树状图中存储的所述历史电能市场成交数据,基于纳什议价方法建立多方电能成交策略;
步骤340,基于粒子群算法利用所述多方电能成交策略得到所述第二电网调度策略。
具体地,通过所述历史电网监测数据得到发电方、输电方、配电方和用电方的运行数据,以各方历史运行数据中的对应日期建立时间坐标轴,并将电网运行树状图映射在时间坐标轴上时间坐标上,并对电网运行树状图上发电方、输电方、配电方以及用电方的根节点分别设置不同颜色标注,进而建立时空序列数据库,同时将时间坐标轴上的时间坐标设为时间索引维度,以及将电网运行树状图上的发电方、输电方、配电方以及用电方的名陈设置为空间索引维度。通过粒子群算法能够针对复杂数据金一般户分析,以电能市场收益为导向形成负荷分配的第二电网调度策略。
本实施例的电网负荷调度控制方法通过时空序列数据库可以处理具有时间和空间维度的数据,并可支持实时数据监测和决策。利用粒子群算法通过模拟粒子在解空间中的移动和搜索,能够有效地搜索全局最优解。
在一些实施例中,所述根据所述历史电能市场成交数据构建电网运行树状图,包括:
根据对应时间日期对所述历史电网监测数据归类并设置名称碰撞指针得到归类数据,其中,所述名称碰撞指针包括名称敏感特征点以及名称关联指令;
通过所述名称碰撞指针遍历所述归类数据建立根节点和关联节点;
根据所述根节点和所述关联节点得到所述电网运行树状图。
本实施例的电网负荷调度控制方法通过电网运行树状图,一种表示电网结构和运行状态的树状数据结构,将电网划分为不同的层次和分区,并显示各个电网设备之间的连接关系和电力流向,可以直观地了解电网的结构和拓扑关系。
在一些实施例中,所述根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略,包括:
根据所述电网监测数据得到所述电网运行异常状态下的可调动负荷数据;
将所述预设用电优先级和所述可调动负荷数据输入异常状态负荷分配模型得到第三电网调度策略。
具体地,所述预训练的神经网络模型的构建过程包括:
获取历史数据集,所述历史数据集包括历史电网碳排放数据和历史电网监测数据;
根据所述历史电网碳排放数据和所述历史电网监测数据训练初始模型得到训练模型;
测试所述训练模型的模型精度,当所述模型精度不满足模型精度需求,则重新获取更多数据的所述历史数据集进行训练,直到满足所述模型精度需求,得到所述预训练的神经网络模型。使电网设备出现问题时,以保障重要地区不断电为目的,形成的负荷分配第三电网调度策略。
本实施例的电网负荷调度控制方法当电网状态为电网运行异常状态时,此时电网中存在不工作的设备,通过获取预设用电优先级生成到第三电网调度策略,从而保证重要负荷需求方不断电。
本实施例所述的一种电网负荷调度控制方法通过电网监测点得到电网监测数据,根据所述电网监测数据判断电网状态,根据电网状态采用不同方法生成电网调度策略。当电网状态为微电网运行状态时,此时电网的规模较小,通过神经网络模型得到第一电网调度策略,在减少计算量的同时得到更加精确的结果。同时微电网能够在更小的尺度上实现可再生能源的利用和能量供应,在微电网运行状态时引入电网碳排放数据从而生成第一电网调度策略,能够使生成的策略有效减少碳排放。当电网状态为非微电网运行状态时,此时电网规模较大,利用粒子群算法获取更精准的结果,同时由于存在电网电能的交易,通过引入历史电能市场成交数据从而生成第二电网调度策略,使收益最大化。当电网状态为电网运行异常状态时,此时电网中存在不工作的设备,通过获取预设用电优先级生成到第三电网调度策略,从而保证重要负荷需求方不断电。通过改进负荷调度控制方法,可以更准确地匹配电力供应和需求,避免不必要的能源浪费。
和上述电网负荷调度控制方法相对应,本发明实施例还提供了一种电网负荷调度控制装置。图4所示为本发明实施例的电网负荷调度控制装置的示意图,如图4所示,电网负荷调度控制装置包括:
电网监测点和电网历史运行数据获取单元10,所述电网监测点和电网历史运行数据获取单元10用于获取电网监测点和电网历史运行数据,其中,所述电网监测点包括多个配电网线路监测点和多个设备监测点;
电网监测数据获取单元20,所述电网监测数据获取单元20用于根据所述电网监测点得到电网监测数据;
电网状态获取单元30,所述电网状态获取单元30用于根据所述电网监测数据判断电网状态,其中,所述电网状态包括微电网运行状态、非微电网运行状态和电网运行异常状态;
第一电网调度策略获取单元40,所述第一电网调度策略获取单元40用于当所述电网状态为所述微电网运行状态时,获取电网碳排放数据,
将所述电网碳排放数据和所述电网监测数据输入预训练的神经网络模型得到第一电网调度策略;
第二电网调度策略获取单元50,所述第二电网调度策略获取单元50用于当所述电网状态为所述非微电网运行状态时,获取历史电能市场成交数据,
基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略;
第三电网调度策略获取单元60,所述第三电网调度策略获取单元60用于当所述电网状态为所述电网运行异常状态时,获取预设用电优先级,其中,所述预设用电优先级用于表示按照断电后造成的损失程度对于负荷需求方的排序,
根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略。
本发明实施例中,所述电网监测数据获取单元20还包括根据多个所述配电网线路监测点得到多个所述配电网线路监测点的所述相负荷电流和所述发电功率;
根据多个所述设备监测点得到多个所述设备监测点的所述设备类型信息、所述设备额定负载信息、所述设备位置信息和所述设备负荷功率信息。
所述电网状态获取单元30还包括当所述设备监测数据大于预设设备监测值时,则所述电网状态为所述电网运行异常状态;
当所述相负荷电流小于或等于预设相负荷电流,且所述发电功率大于预设发电功率时,则所述电网状态为所述微电网运行状态;
当所述相负荷电流大于所述预设相负荷电流时,则所述电网状态为所述非微电网运行状态。
所述第一电网调度策略获取单元40还包括获取历史数据集,所述历史数据集包括历史电网碳排放数据和历史电网监测数据;
根据所述历史电网碳排放数据和所述历史电网监测数据训练初始模型得到训练模型;
测试所述训练模型的模型精度,当所述模型精度不满足模型精度需求,则重新获取更多数据的所述历史数据集进行训练,直到满足所述模型精度需求,得到所述预训练的神经网络模型。
所述第二电网调度策略获取单元50还包括获取所述历史电网监测数据和所述历史电能市场成交数据;
根据所述历史电网监测数据构建时空序列数据库,根据所述历史电能市场成交数据构建电网运行树状图;
通过所述时空序列数据库中存储的所述历史电网监测数据和所述电网运行树状图中存储的所述历史电能市场成交数据,基于纳什议价方法建立多方电能成交策略;
基于粒子群算法利用所述多方电能成交策略得到所述第二电网调度策略。
所述第二电网调度策略获取单元50还包括根据对应时间日期对所述历史电网监测数据归类并设置名称碰撞指针得到归类数据,其中,所述名称碰撞指针包括名称敏感特征点以及名称关联指令;
通过所述名称碰撞指针遍历所述归类数据建立根节点和关联节点;
根据所述根节点和所述关联节点得到所述电网运行树状图。
所述第三电网调度策略获取单元60还包括所述根据所述电网监测数据得到所述电网运行异常状态下的可调动负荷数据;
将所述预设用电优先级和所述调动负荷数据输入异常状态负荷分配模型得到第三电网调度策略。
所述预训练的神经网络模型的构建过程包括:
获取历史数据集,所述历史数据集包括历史电网碳排放数据和历史电网监测数据;
根据所述历史电网碳排放数据和所述历史电网监测数据训练初始模型得到训练模型;
测试所述训练模型的模型精度,当所述模型精度不满足模型精度需求,则重新获取更多数据的所述历史数据集进行训练,直到满足所述模型精度需求,得到所述预训练的神经网络模型。
本发明所述的电网负荷调度控制装置与所述电网负荷调度控制方法相对于现有技术的优势相同,在此不再赘述。
本发明另一实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取电网监测点,其中,所述电网监测点包括多个配电网线路监测点和多个设备监测点;
根据所述电网监测点得到电网监测数据;
根据所述电网监测数据判断电网状态,其中,所述电网状态包括微电网运行状态、非微电网运行状态和电网运行异常状态;
当所述电网状态为所述微电网运行状态时,获取电网碳排放数据,
将所述电网碳排放数据和所述电网监测数据输入预训练的神经网络模型得到第一电网调度策略;
当所述电网状态为所述非微电网运行状态时,获取历史电能市场成交数据,
基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略;
当所述电网状态为所述电网运行异常状态时,获取预设用电优先级,其中,所述预设用电优先级用于表示按照断电后造成的损失程度对于负荷需求方的排序,
根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略。
本发明所述的计算机设备与所述电网负荷调度控制方法相对于现有技术的优势相同,在此不再赘述。
本发明另一实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时实现以下步骤:
获取电网监测点,其中,所述电网监测点包括多个配电网线路监测点和多个设备监测点;
根据所述电网监测点得到电网监测数据;
根据所述电网监测数据判断电网状态,其中,所述电网状态包括微电网运行状态、非微电网运行状态和电网运行异常状态;
当所述电网状态为所述微电网运行状态时,获取电网碳排放数据,
将所述电网碳排放数据和所述电网监测数据输入预训练的神经网络模型得到第一电网调度策略;
当所述电网状态为所述非微电网运行状态时,获取历史电能市场成交数据,
基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略;
当所述电网状态为所述电网运行异常状态时,获取预设用电优先级,其中,所述预设用电优先级用于表示按照断电后造成的损失程度对于负荷需求方的排序,
根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略。
本发明所述的计算机可读存储介质与所述电网负荷调度控制方法相对于现有技术的优势相同,在此不再赘述。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110(或服务器120)。如图5所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现电网负荷调度控制方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行电网负荷调度控制方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本发明相关的部分结构的框图,并不构成对本发明所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电网负荷调度控制方法,其特征在于,包括如下步骤:
获取电网监测点,其中,所述电网监测点包括多个配电网线路监测点和多个设备监测点;
根据所述电网监测点得到电网监测数据;
根据所述电网监测数据判断电网状态,其中,所述电网状态包括微电网运行状态、非微电网运行状态和电网运行异常状态;
当所述电网状态为所述微电网运行状态时,获取电网碳排放数据,
将所述电网碳排放数据和所述电网监测数据输入预训练的神经网络模型得到第一电网调度策略;
当所述电网状态为所述非微电网运行状态时,获取历史电能市场成交数据,
基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略;
当所述电网状态为所述电网运行异常状态时,获取预设用电优先级,其中,所述预设用电优先级用于表示按照断电后造成的损失程度对于负荷需求方的排序,
根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略。
2.根据权利要求1所述的电网负荷调度控制方法,其特征在于,所述电网监测数据包括配电网线路监测数据和设备监测数据,所述配电网线路监测数据包括多个所述配电网线路监测点的相负荷电流和发电功率,所述设备监测数据包括多个所述设备监测点的设备类型信息、设备额定负载信息、设备位置信息和设备负荷功率信息;所述根据所述电网监测点得到电网监测数据,包括:
根据多个所述配电网线路监测点得到多个所述配电网线路监测点的所述相负荷电流和所述发电功率;
根据多个所述设备监测点得到多个所述设备监测点的所述设备类型信息、所述设备额定负载信息、所述设备位置信息和所述设备负荷功率信息。
3.根据权利要求2所述的电网负荷调度控制方法,其特征在于,所述根据所述电网监测数据判断电网状态,包括:
当所述设备监测数据大于预设设备监测值时,则所述电网状态为所述电网运行异常状态;
当所述相负荷电流小于或等于预设相负荷电流,且所述发电功率大于预设发电功率时,则所述电网状态为所述微电网运行状态;
当所述相负荷电流大于所述预设相负荷电流时,则所述电网状态为所述非微电网运行状态。
4.根据权利要求1所述的电网负荷调度控制方法,其特征在于,所述预训练的神经网络模型的构建过程包括:
获取历史数据集,所述历史数据集包括历史电网碳排放数据和历史电网监测数据;
根据所述历史电网碳排放数据和所述历史电网监测数据训练初始模型得到训练模型;
测试所述训练模型的模型精度,当所述模型精度不满足模型精度需求,则重新获取更多数据的所述历史数据集进行训练,直到满足所述模型精度需求,得到所述预训练的神经网络模型。
5.根据权利要求1所述的电网负荷调度控制方法,其特征在于,所述历史电能市场成交数据包括发电方、输电方、配电方和用电方上传的统一期望电能成交价格以及统一期望电能成交量;所述基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略,包括:
获取历史电网监测数据和所述历史电能市场成交数据;
根据所述历史电网监测数据构建时空序列数据库,根据所述历史电能市场成交数据构建电网运行树状图;
通过所述时空序列数据库中存储的所述历史电网监测数据和所述电网运行树状图中存储的所述历史电能市场成交数据,基于纳什议价方法建立多方电能成交策略;
基于粒子群算法利用所述多方电能成交策略得到所述第二电网调度策略。
6.根据权利要求5所述的电网负荷调度控制方法,其特征在于,所述根据所述历史电能市场成交数据构建电网运行树状图,包括:
根据对应时间日期对所述历史电网监测数据归类并设置名称碰撞指针得到归类数据,其中,所述名称碰撞指针包括名称敏感特征点以及名称关联指令;
通过所述名称碰撞指针遍历所述归类数据建立根节点和关联节点;
根据所述根节点和所述关联节点得到所述电网运行树状图。
7.根据权利要求1所述的电网负荷调度控制方法,其特征在于,所述根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略,包括:
根据所述电网监测数据得到所述电网运行异常状态下的可调动负荷数据;
将所述预设用电优先级和所述可调动负荷数据输入异常状态负荷分配模型得到第三电网调度策略。
8.一种电网负荷调度控制装置,其特征在于,包括:
电网监测点和电网历史运行数据获取单元,所述电网监测点和电网历史运行数据获取单元用于获取电网监测点和电网历史运行数据,其中,所述电网监测点包括多个配电网线路监测点和多个设备监测点;
电网监测数据获取单元,所述电网监测数据获取单元用于根据所述电网监测点得到电网监测数据;
电网状态获取单元,所述电网状态获取单元用于根据所述电网监测数据判断电网状态,其中,所述电网状态包括微电网运行状态、非微电网运行状态和电网运行异常状态;
第一电网调度策略获取单元,所述第一电网调度策略获取单元用于当所述电网状态为所述微电网运行状态时,获取电网碳排放数据,
将所述电网碳排放数据和所述电网监测数据输入预训练的神经网络模型得到第一电网调度策略;
第二电网调度策略获取单元,所述第二电网调度策略获取单元用于当所述电网状态为所述非微电网运行状态时,获取历史电能市场成交数据,
基于粒子群算法根据所述历史电能市场成交数据和所述电网监测数据得到第二电网调度策略;
第三电网调度策略获取单元,所述第三电网调度策略获取单元用于当所述电网状态为所述电网运行异常状态时,获取预设用电优先级,其中,所述预设用电优先级用于表示按照断电后造成的损失程度对于负荷需求方的排序,
根据所述预设用电优先级和所述电网监测数据得到第三电网调度策略。
9.一种计算机设备,其特征在于,包括存储有计算机程序的存储器和处理器,所述处理器执行所述计算机程序时,实现权利要求1至7中任一项所述的电网负荷调度控制方法。
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存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如权利要求1至7中任一项所述的电网负荷调度控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330336.XA CN117081088B (zh) | 2023-10-16 | 2023-10-16 | 电网负荷调度控制方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330336.XA CN117081088B (zh) | 2023-10-16 | 2023-10-16 | 电网负荷调度控制方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117081088A CN117081088A (zh) | 2023-11-17 |
CN117081088B true CN117081088B (zh) | 2024-04-02 |
Family
ID=88717488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311330336.XA Active CN117081088B (zh) | 2023-10-16 | 2023-10-16 | 电网负荷调度控制方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117081088B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019105987A1 (en) * | 2017-12-01 | 2019-06-06 | Telefonica Innovacion Alpha S.L. | Method, system and computer programs for scheduling energy transfer in a distributed peer-to-peer energy network |
CN109919658A (zh) * | 2019-01-25 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种基于博弈论的负荷控制方法及系统 |
CN111817296A (zh) * | 2020-07-08 | 2020-10-23 | 国网综合能源服务集团有限公司 | 一种微电网用电能调度方法及系统 |
CN114169856A (zh) * | 2021-12-03 | 2022-03-11 | 国网山东省电力公司电力科学研究院 | 一种综合能源协同管控系统 |
KR20220060466A (ko) * | 2020-11-04 | 2022-05-11 | 한국전자통신연구원 | 분산 에너지 자원을 관리하는 에너지 스케줄링 방법 및 에너지 스케줄링 시스템 |
CN114583749A (zh) * | 2022-03-04 | 2022-06-03 | 上海玫克生储能科技有限公司 | 微电网的运行控制方法、系统、电子设备和存储介质 |
CN115906601A (zh) * | 2021-09-29 | 2023-04-04 | 株式会社日立制作所 | 电力管理系统的优化方法及装置 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
-
2023
- 2023-10-16 CN CN202311330336.XA patent/CN117081088B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019105987A1 (en) * | 2017-12-01 | 2019-06-06 | Telefonica Innovacion Alpha S.L. | Method, system and computer programs for scheduling energy transfer in a distributed peer-to-peer energy network |
CN109919658A (zh) * | 2019-01-25 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种基于博弈论的负荷控制方法及系统 |
CN111817296A (zh) * | 2020-07-08 | 2020-10-23 | 国网综合能源服务集团有限公司 | 一种微电网用电能调度方法及系统 |
KR20220060466A (ko) * | 2020-11-04 | 2022-05-11 | 한국전자통신연구원 | 분산 에너지 자원을 관리하는 에너지 스케줄링 방법 및 에너지 스케줄링 시스템 |
CN115906601A (zh) * | 2021-09-29 | 2023-04-04 | 株式会社日立制作所 | 电力管理系统的优化方法及装置 |
CN114169856A (zh) * | 2021-12-03 | 2022-03-11 | 国网山东省电力公司电力科学研究院 | 一种综合能源协同管控系统 |
CN114583749A (zh) * | 2022-03-04 | 2022-06-03 | 上海玫克生储能科技有限公司 | 微电网的运行控制方法、系统、电子设备和存储介质 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117081088A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11876374B2 (en) | System and method for optimal control of energy storage system | |
Khafaga et al. | Forecasting Energy Consumption Using a Novel Hybrid Dipper Throated Optimization and Stochastic Fractal Search Algorithm | |
EP3731159A1 (en) | Adaptive multiyear economic planning method for energy systems, microgrid and distributed energy resources | |
US11816540B2 (en) | Artificial intelligence microgrid and distributed energy resources planning platform | |
CN110458601B (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
Guo et al. | Appling an improved method based on ARIMA model to predict the short-term electricity consumption transmitted by the Internet of Things (IoT) | |
CN111612275A (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN113807589A (zh) | 基于模型预测的运营商储能的滚动优化方法及装置 | |
Kumar et al. | Power consumption forecast model using ensemble learning for smart grid | |
Mishra et al. | Performance evaluation of prophet and STL-ETS methods for load forecasting | |
Tastu | Short-term wind power forecasting: probabilistic and space-time aspects | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN111242423B (zh) | 主动需求响应潜力分析方法、装置、设备以及存储介质 | |
Liu et al. | Forecasting of wind velocity: An improved SVM algorithm combined with simulated annealing | |
CN117081088B (zh) | 电网负荷调度控制方法、装置、计算机设备及存储介质 | |
Khosravi et al. | Wind farm power uncertainty quantification using a mean-variance estimation method | |
Sun et al. | Prediction-based manufacturing center self-adaptive demand side energy optimization in cyber physical systems | |
Xu et al. | Federated learning for interpretable short-term residential load forecasting in edge computing network | |
AU2020202643A1 (en) | Adaptive multiyear economic planning method for energy systems, microgrid and distributed energy resources | |
Bhatnagar et al. | Short-Term Electric Load Forecast Model Using the Combination of Ant Lion Optimization with Bi-LSTM Network | |
Khan et al. | Short Term Load and Price Forecasting using Tuned Parameters for K-Nearest Neighbors | |
Bâra et al. | Intelligent systems for predicting and analyzing data in power grid companies | |
He et al. | Probability density prediction of peak load based on mixed frequency noise-assisted multivariate empirical mode decomposition | |
Zhang | Optimization of DC Microgrid Power and Energy Management in the Presence of Small-Scale Wind Turbine Integration and Renewable Load Shedding |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |