CN117131984A - 源网荷储智慧控制型城市综合能源系统及方法 - Google Patents
源网荷储智慧控制型城市综合能源系统及方法 Download PDFInfo
- Publication number
- CN117131984A CN117131984A CN202311097670.5A CN202311097670A CN117131984A CN 117131984 A CN117131984 A CN 117131984A CN 202311097670 A CN202311097670 A CN 202311097670A CN 117131984 A CN117131984 A CN 117131984A
- Authority
- CN
- China
- Prior art keywords
- module
- energy
- optimization
- intelligent
- data
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 136
- 238000005516 engineering process Methods 0.000 claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000007726 management method Methods 0.000 claims description 64
- 238000010248 power generation Methods 0.000 claims description 53
- 230000004044 response Effects 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004146 energy storage Methods 0.000 claims description 20
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 230000002787 reinforcement Effects 0.000 claims description 13
- 238000005094 computer simulation Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000013486 operation strategy Methods 0.000 claims description 12
- 238000013439 planning Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000009472 formulation Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000005265 energy consumption Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000003449 preventive effect Effects 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 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
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
本发明涉及城市综合能源系统技术领域，具体为源网荷储智慧控制型城市综合能源系统及方法，源网荷储智慧控制型城市综合能源系统是由源端智慧管理模块、网端智慧优化模块、荷端智慧控制模块、用户参与响应模块、数据驱动的优化与决策模块、能源系统网络建模与仿真模块组成。本发明中，通过引入数据驱动的优化与决策模块和人工智能技术，实现智能化的决策支持，从而提高能源系统的效率和性能，帮助系统更准确地预测未来的能源需求，优化资源配置和制定决策策略，边缘计算和数据处理技术的引入，降低了数据处理延迟，通过高精度的数据采集和建模技术，建立准确的能源系统网络模型，并通过仿真实验对城市综合能源系统的各个组件进行评估和优化。
Description
技术领域
本发明涉及城市综合能源系统技术领域，尤其涉及源网荷储智慧控制型城市综合能源系统及方法。
背景技术
城市综合能源系统是指在城市范围内集成和协调不同能源形式的供应、转换、储存和使用的系统，通过包括多能源集成、可再生能源利用、能源储存系统和智能控制管理的关键特点，实现能源的高效利用、减排和可持续发展，系统将不同能源形式的供应与消费互相连接，促进能源的多样化、优化供应和有效利用。通过智能控制和管理，实现对能源系统的实时监控、优化调度和智能管理，提高能源系统的效率和可靠性。
在现有的城市综合能源系统中，系统的决策主要依赖人工经验和静态规则，在复杂和变化快速的环境下，往往无法做出最优或接近最优的决策。未来的能源需求预测会受限于固有的模式和规则，导致预测效果不理想。并且，由于没有充足、精确的数据，无法形成有效的学习和预测模型，增大了预测误差。资源配置会更多地依赖人工操作和静态策略，这将降低资源配置的效率，同时也使得资源利用率低下。所有数据需要发送到中心节点进行处理，这会增大数据传输的延迟，降低系统的实时性和响应速度。无法准确地模拟真实环境，所得出结论和策略也会出现误差。导致整个能源系统的性能、稳定性和可靠性下降，降低用户的使用体验。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的源网荷储智慧控制型城市综合能源系统及方法。
为了实现上述目的，本发明采用了如下技术方案：源网荷储智慧控制型城市综合能源系统是由源端智慧管理模块、网端智慧优化模块、荷端智慧控制模块、用户参与响应模块、数据驱动的优化与决策模块、能源系统网络建模与仿真模块组成；
所述源端智慧管理模块整合来自发电设施的能源供给发电信息，并实时反馈至所述网端智慧优化模块，所述源端智慧管理模块接收数据驱动的优化与决策模块的优化指令，对所述发电设施运行进行调整；
所述网端智慧优化模块接收所述发电信息，并基于所述荷端智慧控制模块的能源使用情况调整电网的能源分配，所述网端智慧优化模块和能源系统网络建模与仿真模块进行交互，依据预测和模拟结果调整电网运行策略；
所述荷端智慧控制模块负责调度社区能源需求与电动汽车充电系统的运行，生成调度信息，将所述调度信息交由源端智慧管理模块和网端智慧优化模块作为决策依据，所述用户参与响应模块提供的用户能源使用数据用于指导荷端能源的有效控制；
所述用户参与响应模块负责收集用户能源用量数据交由数据驱动优化与决策模块；
所述数据驱动的优化与决策模块收集并分析源端智慧管理模块、网端智慧优化模块、荷端智慧控制模块、用户参与响应模块提供的数据，产生优化指令；
所述能源系统网络建模与仿真模块基于源网荷储智慧控制型城市综合能源系统的运行数据进行仿真模拟，生成预测结果，并将所述预测结果反馈至源端智慧管理模块、网端智慧优化模块、数据驱动的优化与决策模块，实现全系统预防性维护和优化。
作为本发明的进一步方案，所述源端智慧管理模块包括发电设备调度子模块、能源优化子模块、预测分析子模块；
所述网端智慧优化模块包括微网技术子模块、分布式能源资源管理子模块、边缘计算和数据处理子模块；
所述荷端智慧控制模块包括社区能源管理子模块、电动汽车充电和储能控制子模块。
作为本发明的进一步方案，所述用户参与响应模块包括智能家居设备和应用程序子模块、能源价格和奖励机制子模块；
所述数据驱动的优化与决策模块包括大数据分析子模块、决策支持子模块；
所述能源系统网络建模与仿真模块包括系统建模子模块、仿真实验子模块。
作为本发明的进一步方案，所述发电设备调度子模块运用深度强化学习和非线性优化技术进行决策，实现发电设备的优化调度与协调，提升设备运行效率和能源使用效率；
所述能源优化子模块通过包括遗传算法、粒子群优化的高级优化算法实现发电设备运行优化，所述运行优化的目标包括负荷平衡、成本最小化、碳排放控制；
所述预测分析子模块应用历史和实时数据，采用时间序列分析、深度学习技术，预测未来能源需求和可再生能源产出，使所述发电设备调度更精确。
作为本发明的进一步方案，所述微网技术子模块利用基于多目标优化的能源管理策略，实现微网与主电网的互联互调；
所述分布式能源资源管理子模块采用负荷预测和多任务优化调度，实现分布式能源均衡与优化分配；
所述边缘计算和数据处理子模块运用边缘计算和流数据处理技术，实现数据就近处理。
作为本发明的进一步方案，所述社区能源管理子模块利用智慧算法与云平台，对社区居民和商业用户的能源使用状况实时监控与智慧调度；
所述电动汽车充电和储能控制子模块采用调度优化算法，调控电动汽车充电与储能系统，利用电动汽车储能拟合电力系统需求，稳定电力系统运行。
作为本发明的进一步方案，所述智能家居设备和应用程序子模块利用IoT设备和AI技术，实现家庭能源设备的智慧管理；
所述能源价格和奖励机制子模块通过机器学习和预测模型，根据用户能源使用行为，制定价格响应和奖励制度，激发用户节能行为。
作为本发明的进一步方案，所述大数据分析子模块运用数据挖掘、机器学习、深度学习技术，分析大规模能源数据，识别模式和趋势，输出能源系统优化策略；
所述决策支持子模块基于高级优化算法和强化学习算法，根据所述能源系统优化策略，生成决策建议，辅助能源策略制定和系统规划。
作为本发明的进一步方案，所述系统建模子模块利用物理建模和数据驱动建模技术，进行精确的能源系统建模，建立包括生成设备、用户负载、电力网络的多层次模型；
所述仿真实验子模块基于数字孪生和硬件在环技术，进行能源系统仿真实验，评价和优化系统性能稳定性和运行策略。
源网荷储智慧控制型城市综合能源方法，包括以下步骤：
用户参与响应模块通过收集和分析用户的能源使用数据，理解用户的消费模式并预测未来的能源需求，基于所述能源需求制定价格响应和奖励制度；
基于所述能源需求，荷端智慧控制模块对社区能源需求和电动汽车充电系统进行智能调度，生成调度信息；
源端智慧管理模块通过所述能源需求，通过应用深度强化学习和非线性优化技术，对发电设施进行实时监控获取发电设备状态信息，并优化发电设备的调度和运行；
网端智慧优化模块利用微网技术和分布式能源资源管理，根据实时的负载需求和所述发电设备状态信息，动态调整能源分配和电网运行策略；
将上述步骤信息汇集到数据驱动的优化与决策模块，所述数据驱动的优化与决策模块采用大数据分析、机器学习方法，生成优化指令，辅助能源策略制定和系统规划；
能源系统网络建模与仿真模块定期根据数字孪生和硬件在环技术，对整体系统进行仿真实验，并依据评价结果进行系统性能优化。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过引入数据驱动的优化与决策模块和人工智能技术，从大规模能源数据中学习和识别模式，进行智能化的决策支持，使得系统能够更加准确地预测未来的能源需求、优化资源配置和制定决策策略，从而提高能源系统的效率和性能。通过边缘计算和数据处理技术，将计算能力和数据处理推向离数据源更近的边缘，降低了数据处理延迟，提高了实时性。通过高精度的数据采集和建模技术，建立能源系统的网络建模与仿真平台，模拟城市综合能源系统的各种组件，通过仿真实验可以评估和优化系统的性能、稳定性和可靠性。
附图说明
图1为本发明提出源网荷储智慧控制型城市综合能源系统及方法的主系统流程图；
图2为本发明提出源网荷储智慧控制型城市综合能源系统及方法的主系统框架示意图；
图3为本发明提出源网荷储智慧控制型城市综合能源系统及方法的源端智慧管理模块框架示意图；
图4为本发明提出源网荷储智慧控制型城市综合能源系统及方法的网端智慧优化模块框架示意图；
图5为本发明提出源网荷储智慧控制型城市综合能源系统及方法的荷端智慧控制模块框架示意图；
图6为本发明提出源网荷储智慧控制型城市综合能源系统及方法的用户参与响应模块框架示意图；
图7为本发明提出源网荷储智慧控制型城市综合能源系统及方法的数据驱动的优化与决策模块框架示意图；
图8为本发明提出源网荷储智慧控制型城市综合能源系统及方法的能源系统网络建模与仿真模块框架示意图；
图9为本发明提出源网荷储智慧控制型城市综合能源系统及方法的工作步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：源网荷储智慧控制型城市综合能源系统是由源端智慧管理模块、网端智慧优化模块、荷端智慧控制模块、用户参与响应模块、数据驱动的优化与决策模块、能源系统网络建模与仿真模块组成；
源端智慧管理模块整合来自发电设施的能源供给发电信息，并实时反馈至网端智慧优化模块，源端智慧管理模块接收数据驱动的优化与决策模块的优化指令，对发电设施运行进行调整；
网端智慧优化模块接收发电信息，并基于荷端智慧控制模块的能源使用情况调整电网的能源分配，网端智慧优化模块和能源系统网络建模与仿真模块进行交互，依据预测和模拟结果调整电网运行策略；
荷端智慧控制模块负责调度社区能源需求与电动汽车充电系统的运行，生成调度信息，将调度信息交由源端智慧管理模块和网端智慧优化模块作为决策依据，用户参与响应模块提供的用户能源使用数据用于指导荷端能源的有效控制；
用户参与响应模块负责收集用户能源用量数据交由数据驱动优化与决策模块；
数据驱动的优化与决策模块收集并分析源端智慧管理模块、网端智慧优化模块、荷端智慧控制模块、用户参与响应模块提供的数据，产生优化指令；
能源系统网络建模与仿真模块基于源网荷储智慧控制型城市综合能源系统的运行数据进行仿真模拟，生成预测结果，并将预测结果反馈至源端智慧管理模块、网端智慧优化模块、数据驱动的优化与决策模块，实现全系统预防性维护和优化。
通过源端智慧管理模块整合发电设施的能源供给信息并实时反馈至网端智慧优化模块，系统能够优化能源供应，提高供应的可靠性和可持续性。同时，荷端智慧控制模块负责调度社区能源需求和电动汽车充电系统的运行，并与源端和网端模块交互，实现能源消费的智能调度和优化。用户参与响应模块的存在促使用户更加参与能源管理，通过收集用户能源用量数据并提供给数据驱动的优化与决策模块，用户能够了解自身能源消费情况并获得相应的反馈和建议，从而实现用户参与和能源管理的协同效应。数据驱动的优化与决策模块通过分析各模块提供的数据，能够产生优化指令并进行智能决策。这将帮助系统更好地理解和预测能源供需情况，制定科学有效的优化策略，提高能源利用效率。另外，能源系统网络建模与仿真模块基于系统运行数据进行仿真模拟，并生成预测结果，帮助实现预防性维护和优化控制。通过预测和解决潜在问题，系统能够保持高效和稳定运行。综上所述，源网荷储智慧控制型城市综合能源系统的实施将优化能源供需平衡，实现智能调度和协同效应，数据驱动的优化决策以及预防性维护和优化，从而提高能源利用效率、供应可靠性和系统稳定性，推动城市能源系统向智慧、可持续发展的方向迈进。
请参阅图2，源端智慧管理模块包括发电设备调度子模块、能源优化子模块、预测分析子模块；
网端智慧优化模块包括微网技术子模块、分布式能源资源管理子模块、边缘计算和数据处理子模块；
荷端智慧控制模块包括社区能源管理子模块、电动汽车充电和储能控制子模块；
用户参与响应模块包括智能家居设备和应用程序子模块、能源价格和奖励机制子模块；
数据驱动的优化与决策模块包括大数据分析子模块、决策支持子模块；
能源系统网络建模与仿真模块包括系统建模子模块、仿真实验子模块。
源端智慧管理模块通过发电设备调度子模块、能源优化子模块和预测分析子模块实现能源供应的灵活性和高效性，优化能源利用效率。网端智慧优化模块的微网技术子模块、分布式能源资源管理子模块和边缘计算和数据处理子模块提高能源供应的灵活性、可靠性和响应速度。荷端智慧控制模块的社区能源管理子模块和电动汽车充电和储能控制子模块优化能源消费方式，提高能源利用效率。用户参与响应模块的智能家居设备和应用程序子模块以及能源价格和奖励机制子模块促进用户积极参与能源管理和调控。数据驱动的优化与决策模块的大数据分析子模块和决策支持子模块提供数据支持和决策支持，实现科学、准确的优化决策。能源系统网络建模与仿真模块的系统建模子模块和仿真实验子模块为系统优化设计和预防性维护提供支持。
请参阅图3，发电设备调度子模块运用深度强化学习和非线性优化技术进行决策，实现发电设备的优化调度与协调，提升设备运行效率和能源使用效率；
能源优化子模块通过包括遗传算法、粒子群优化的高级优化算法实现发电设备运行优化，运行优化的目标包括负荷平衡、成本最小化、碳排放控制；
预测分析子模块应用历史和实时数据，采用时间序列分析、深度学习技术，预测未来能源需求和可再生能源产出，使发电设备调度更精确。
发电设备调度子模块利用深度强化学习和非线性优化技术，优化调度与协调发电设备，提升设备运行效率和能源使用效率。能源优化子模块运用高级优化算法，如遗传算法和粒子群优化，实现发电设备的经济和可持续运行，减少能源成本和碳排放。预测分析子模块利用历史和实时数据，通过时间序列分析和深度学习技术，准确预测未来能源需求和可再生能源产出，使发电设备调度更加精确和可靠。
请参阅图4，微网技术子模块利用基于多目标优化的能源管理策略，实现微网与主电网的互联互调；
分布式能源资源管理子模块采用负荷预测和多任务优化调度，实现分布式能源均衡与优化分配；
边缘计算和数据处理子模块运用边缘计算和流数据处理技术，实现数据就近处理。
微网技术子模块利用基于多目标优化的能源管理策略，实现微网与主电网的互联互调，提高能源供应的灵活性和可靠性。分布式能源资源管理子模块利用负荷预测和多任务优化调度，实现分布式能源的均衡和优化分配，降低能源成本、减少能源浪费。边缘计算和数据处理子模块利用边缘计算和流数据处理技术，实现数据的就近处理，提高数据处理效率和实时性。综上所述，这些子模块的应用将实现微网与主电网的互联互调，优化分布式能源的供应和消费，提高系统灵活性和能源利用效率，同时加快数据处理速度和响应时间。
请参阅图5，社区能源管理子模块利用智慧算法与云平台，对社区居民和商业用户的能源使用状况实时监控与智慧调度；
电动汽车充电和储能控制子模块采用调度优化算法，调控电动汽车充电与储能系统，利用电动汽车储能拟合电力系统需求，稳定电力系统运行。
请参阅图6，智能家居设备和应用程序子模块利用IoT设备和AI技术，实现家庭能源设备的智慧管理；
能源价格和奖励机制子模块通过机器学习和预测模型，根据用户能源使用行为，制定价格响应和奖励制度，激发用户节能行为。
社区能源管理子模块和电动汽车充电和储能控制子模块的应用将带来多种有益效果。社区能源管理子模块利用智慧算法与云平台，实现对社区居民和商业用户的能源使用状况实时监控与智慧调度，提高能源使用效率和分配公平性。通过实时监测能源需求和消耗情况，系统可以实施智能调度，优化能源使用和分配，降低能源浪费，提高能源系统的效率和可持续性。
电动汽车充电和储能控制子模块采用调度优化算法，对电动汽车充电和储能系统进行控制，以满足电力系统的需求。通过合理调度电动汽车的充电和储能，系统可以利用电动汽车的储能功能来稳定电力系统运行，减少峰值负荷对电力系统的冲击。这还可以将电动汽车作为电力系统调峰填谷的手段，平衡电网负荷波动，提高电力系统的可靠性和稳定性。
请参阅图7，大数据分析子模块运用数据挖掘、机器学习、深度学习技术，分析大规模能源数据，识别模式和趋势，输出能源系统优化策略；
决策支持子模块基于高级优化算法和强化学习算法，根据能源系统优化策略，生成决策建议，辅助能源策略制定和系统规划。
大数据分析子模块运用数据挖掘、机器学习和深度学习技术，分析大规模能源数据，识别模式和趋势，输出能源系统优化策略。通过对能源数据的分析，可以深入理解能源系统的运行情况，并发现潜在的优化空间和改进点，提供精确、有效的优化策略和决策依据。
决策支持子模块基于高级优化算法和强化学习算法，根据能源系统优化策略，生成决策建议，辅助能源策略制定和系统规划。通过运用优化算法，全局优化能源系统，实现最佳配置和协调。生成的决策建议能够帮助能源管理人员和决策者制定更合理、更有效的能源策略，并指导系统规划和发展。
请参阅图8，系统建模子模块利用物理建模和数据驱动建模技术，进行精确的能源系统建模，建立包括生成设备、用户负载、电力网络的多层次模型；
仿真实验子模块基于数字孪生和硬件在环技术，进行能源系统仿真实验，评价和优化系统性能稳定性和运行策略。
系统建模子模块利用物理建模和数据驱动建模技术，进行精确的能源系统建模，建立包括生成设备、用户负载和电力网络的多层次模型。这样的模型能够准确描述能源系统的各个组成部分之间的相互作用和影响关系，为优化系统设计和运行策略提供指导。仿真实验子模块则基于数字孪生和硬件在环技术，进行能源系统的仿真实验。通过建立数字孪生模型和使用硬件在环技术，可以在虚拟环境中模拟真实的能源系统运行情况。这样可以评价和优化系统性能稳定性和运行策略，帮助系统管理人员和决策者了解系统的动态行为和相互关系。
请参阅图9，源网荷储智慧控制型城市综合能源方法，包括以下步骤：
用户参与响应模块通过收集和分析用户的能源使用数据，理解用户的消费模式并预测未来的能源需求，基于能源需求制定价格响应和奖励制度；
基于能源需求，荷端智慧控制模块对社区能源需求和电动汽车充电系统进行智能调度，生成调度信息；
源端智慧管理模块通过能源需求，通过应用深度强化学习和非线性优化技术，对发电设施进行实时监控获取发电设备状态信息，并优化发电设备的调度和运行；
网端智慧优化模块利用微网技术和分布式能源资源管理，根据实时的负载需求和发电设备状态信息，动态调整能源分配和电网运行策略；
将上述步骤信息汇集到数据驱动的优化与决策模块，数据驱动的优化与决策模块采用大数据分析、机器学习方法，生成优化指令，辅助能源策略制定和系统规划；
能源系统网络建模与仿真模块定期根据数字孪生和硬件在环技术，对整体系统进行仿真实验，并依据评价结果进行系统性能优化。
用户参与响应模块通过收集和分析用户的能源使用数据，理解用户的消费模式并预测未来的能源需求，基于能源需求制定价格响应和奖励制度，从而激励用户在高峰期间减少用电，平衡能源供需关系。荷端智慧控制模块可以智能调度社区能源需求和电动汽车充电系统，优化能源的分配和利用，并为用户提供合理的用电建议和充电策略。源端智慧管理模块通过实时监控发电设备状态信息，并应用深度强化学习和非线性优化技术优化设备调度和运行，提高发电设施效率和可靠性。网端智慧优化模块利用微网技术和分布式能源资源管理，根据实时负载需求和发电设备状态信息，动态调整能源分配和电网运行策略，提高电网稳定性和可靠性。数据驱动的优化与决策模块采用大数据分析和机器学习方法，生成优化指令，辅助能源策略制定和系统规划。能源系统网络建模与仿真模块定期根据数字孪生和硬件在环技术，对整体系统进行仿真实验，评估系统性能并进行优化。
工作原理：首先，用户参与响应模块通过收集和分析用户的能源使用数据，理解消费模式和预测未来能源需求，并制定价格响应和奖励制度以激励用户在高峰期减少用电。同时，荷端智慧控制模块智能调度社区能源需求和电动汽车充电系统，优化能源分配和利用，并为用户提供合理的用电建议和充电策略。在源端智慧管理模块中对发电设备进行实时监控，应用深度强化学习和非线性优化技术来优化设备的调度和运行。网端智慧优化模块利用微网技术和分布式能源资源管理，根据实时的负载需求和发电设备状态信息，动态调整能源分配和电网运行策略。数据驱动的优化与决策模块则利用大数据分析和机器学习方法，生成优化指令，辅助能源策略制定和系统规划。最后，能源系统网络建模与仿真模块定期使用数字孪生和硬件在环技术对整个系统进行仿真实验，评估系统性能并进行优化。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.源网荷储智慧控制型城市综合能源系统，其特征在于：所述源网荷储智慧控制型城市综合能源系统是由源端智慧管理模块、网端智慧优化模块、荷端智慧控制模块、用户参与响应模块、数据驱动的优化与决策模块、能源系统网络建模与仿真模块组成；
所述源端智慧管理模块整合来自发电设施的能源供给发电信息，并实时反馈至所述网端智慧优化模块，所述源端智慧管理模块接收数据驱动的优化与决策模块的优化指令，对所述发电设施运行进行调整；
所述网端智慧优化模块接收所述发电信息，并基于所述荷端智慧控制模块的能源使用情况调整电网的能源分配，所述网端智慧优化模块和能源系统网络建模与仿真模块进行交互，依据预测和模拟结果调整电网运行策略；
所述荷端智慧控制模块负责调度社区能源需求与电动汽车充电系统的运行，生成调度信息，将所述调度信息交由源端智慧管理模块和网端智慧优化模块作为决策依据，所述用户参与响应模块提供的用户能源使用数据用于指导荷端能源的有效控制；
所述用户参与响应模块负责收集用户能源用量数据交由数据驱动优化与决策模块；
所述数据驱动的优化与决策模块收集并分析源端智慧管理模块、网端智慧优化模块、荷端智慧控制模块、用户参与响应模块提供的数据，产生优化指令；
所述能源系统网络建模与仿真模块基于源网荷储智慧控制型城市综合能源系统的运行数据进行仿真模拟，生成预测结果，并将所述预测结果反馈至源端智慧管理模块、网端智慧优化模块、数据驱动的优化与决策模块，实现全系统预防性维护和优化。
2.根据权利要求1所述的源网荷储智慧控制型城市综合能源系统，其特征在于：所述源端智慧管理模块包括发电设备调度子模块、能源优化子模块、预测分析子模块；
所述网端智慧优化模块包括微网技术子模块、分布式能源资源管理子模块、边缘计算和数据处理子模块；
所述荷端智慧控制模块包括社区能源管理子模块、电动汽车充电和储能控制子模块。
3.根据权利要求1所述的源网荷储智慧控制型城市综合能源系统，其特征在于：所述用户参与响应模块包括智能家居设备和应用程序子模块、能源价格和奖励机制子模块；
所述数据驱动的优化与决策模块包括大数据分析子模块、决策支持子模块；
所述能源系统网络建模与仿真模块包括系统建模子模块、仿真实验子模块。
4.根据权利要求2所述的源网荷储智慧控制型城市综合能源系统，其特征在于：所述发电设备调度子模块运用深度强化学习和非线性优化技术进行决策，实现发电设备的优化调度与协调，提升设备运行效率和能源使用效率；
所述能源优化子模块通过包括遗传算法、粒子群优化的高级优化算法实现发电设备运行优化，所述运行优化的目标包括负荷平衡、成本最小化、碳排放控制；
所述预测分析子模块应用历史和实时数据，采用时间序列分析、深度学习技术，预测未来能源需求和可再生能源产出，使所述发电设备调度更精确。
5.根据权利要求2所述的源网荷储智慧控制型城市综合能源系统，其特征在于：所述微网技术子模块利用基于多目标优化的能源管理策略，实现微网与主电网的互联互调；
所述分布式能源资源管理子模块采用负荷预测和多任务优化调度，实现分布式能源均衡与优化分配；
所述边缘计算和数据处理子模块运用边缘计算和流数据处理技术，实现数据就近处理。
6.根据权利要求2所述的源网荷储智慧控制型城市综合能源系统，其特征在于：所述社区能源管理子模块利用智慧算法与云平台，对社区居民和商业用户的能源使用状况实时监控与智慧调度；
所述电动汽车充电和储能控制子模块采用调度优化算法，调控电动汽车充电与储能系统，利用电动汽车储能拟合电力系统需求，稳定电力系统运行。
7.根据权利要求3所述的源网荷储智慧控制型城市综合能源系统，其特征在于：所述智能家居设备和应用程序子模块利用IoT设备和AI技术，实现家庭能源设备的智慧管理；
所述能源价格和奖励机制子模块通过机器学习和预测模型，根据用户能源使用行为，制定价格响应和奖励制度，激发用户节能行为。
8.根据权利要求3所述的源网荷储智慧控制型城市综合能源系统，其特征在于：所述大数据分析子模块运用数据挖掘、机器学习、深度学习技术，分析大规模能源数据，识别模式和趋势，输出能源系统优化策略；
所述决策支持子模块基于高级优化算法和强化学习算法，根据所述能源系统优化策略，生成决策建议，辅助能源策略制定和系统规划。
9.根据权利要求3所述的源网荷储智慧控制型城市综合能源系统，其特征在于：所述系统建模子模块利用物理建模和数据驱动建模技术，进行精确的能源系统建模，建立包括生成设备、用户负载、电力网络的多层次模型；
所述仿真实验子模块基于数字孪生和硬件在环技术，进行能源系统仿真实验，评价和优化系统性能稳定性和运行策略。
10.源网荷储智慧控制型城市综合能源方法，其特征在于，包括以下步骤：
用户参与响应模块通过收集和分析用户的能源使用数据，理解用户的消费模式并预测未来的能源需求，基于所述能源需求制定价格响应和奖励制度；
基于所述能源需求，荷端智慧控制模块对社区能源需求和电动汽车充电系统进行智能调度，生成调度信息；
源端智慧管理模块通过所述能源需求，通过应用深度强化学习和非线性优化技术，对发电设施进行实时监控获取发电设备状态信息，并优化发电设备的调度和运行；
网端智慧优化模块利用微网技术和分布式能源资源管理，根据实时的负载需求和所述发电设备状态信息，动态调整能源分配和电网运行策略；
将上述步骤信息汇集到数据驱动的优化与决策模块，所述数据驱动的优化与决策模块采用大数据分析、机器学习方法，生成优化指令，辅助能源策略制定和系统规划；
能源系统网络建模与仿真模块定期根据数字孪生和硬件在环技术，对整体系统进行仿真实验，并依据评价结果进行系统性能优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311097670.5A CN117131984A (zh) | 2023-08-29 | 2023-08-29 | 源网荷储智慧控制型城市综合能源系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311097670.5A CN117131984A (zh) | 2023-08-29 | 2023-08-29 | 源网荷储智慧控制型城市综合能源系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117131984A true CN117131984A (zh) | 2023-11-28 |
Family
ID=88856006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311097670.5A Pending CN117131984A (zh) | 2023-08-29 | 2023-08-29 | 源网荷储智慧控制型城市综合能源系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117131984A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117410988A (zh) * | 2023-12-11 | 2024-01-16 | 广东领卓能源科技有限公司 | 一种新能源充电站的充电控制方法及装置 |
| CN117878925A (zh) * | 2024-03-11 | 2024-04-12 | 国网湖北省电力有限公司 | 一种智能电网的输电数据控制方法及系统 |
| CN117878925B (zh) * | 2024-03-11 | 2024-05-17 | 国网湖北省电力有限公司 | 一种智能电网的输电数据控制方法及系统 |
-
2023
- 2023-08-29 CN CN202311097670.5A patent/CN117131984A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117410988A (zh) * | 2023-12-11 | 2024-01-16 | 广东领卓能源科技有限公司 | 一种新能源充电站的充电控制方法及装置 |
| CN117410988B (zh) * | 2023-12-11 | 2024-03-29 | 广东领卓能源科技有限公司 | 一种新能源充电站的充电控制方法及装置 |
| CN117878925A (zh) * | 2024-03-11 | 2024-04-12 | 国网湖北省电力有限公司 | 一种智能电网的输电数据控制方法及系统 |
| CN117878925B (zh) * | 2024-03-11 | 2024-05-17 | 国网湖北省电力有限公司 | 一种智能电网的输电数据控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110649641B (zh) | 基于源网荷储协同服务的电动汽车快充站储能系统及其方法 | |
| CN110416998B (zh) | 一种基于虚拟发电厂的地区复杂配网调度控制管理系统 | |
| Arcos-Aviles et al. | An energy management system design using fuzzy logic control: Smoothing the grid power profile of a residential electro-thermal microgrid | |
| Liu et al. | Online energy sharing for nanogrid clusters: A Lyapunov optimization approach | |
| Mayhorn et al. | Optimal control of distributed energy resources using model predictive control | |
| CN102097866B (zh) | 中长期机组组合优化方法 | |
| CN106532751B (zh) | 一种分布式电源能效优化方法及系统 | |
| CN114336702B (zh) | 基于双层随机规划的风光储场站群功率分配协同优化方法 | |
| CN117131984A (zh) | 源网荷储智慧控制型城市综合能源系统及方法 | |
| CN113783193B (zh) | 一种基于边端协同的乡村供用能系统优化调控方法及系统 | |
| CN113344192B (zh) | 企业级电机系统节能优化自动控制方法及系统 | |
| Amicarelli et al. | Optimization algorithm for microgrids day-ahead scheduling and aggregator proposal | |
| El-Faouri et al. | Modeling of a microgrid’s power generation cost function in real-time operation for a highly fluctuating load | |
| CN112950001B (zh) | 基于云边端闭环架构的智慧能量管控系统及方法 | |
| Chen et al. | New power system development path mechanism design | |
| CN107392350B (zh) | 含分布式能源及充电站的配电网扩展规划综合优化方法 | |
| CN117060470B (zh) | 一种基于灵活性资源的配电网电压优化控制方法 | |
| CN112165509B (zh) | 基于虚拟能量路由器的能源互联网网络架构及其设计方法 | |
| CN112884265B (zh) | 一种应用于城市电网网源协调的智能管理方法 | |
| Alvarez et al. | A novel smart home energy management system: architecture and optimization model | |
| Chinthavali et al. | Solid state power substations (SSPS): A multi-hierarchical architecture from substation to grid edge | |
| Matthiss et al. | Influence of demand and generation uncertainty on the operational efficiency of smart grids | |
| CN109038672A (zh) | 一种平抑可再生能源波动的多目标鲁棒优化配置方法 | |
| CN111563699B (zh) | 考虑灵活性需求的电力系统分布鲁棒实时调度方法及系统 | |
| Christmann et al. | A framework for integrating intelligent mobile energy storage into energy distribution systems |
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 |