CN117134380A - 一种基于云边协同分布式储能分层级优化运行方法及系统 - Google Patents
一种基于云边协同分布式储能分层级优化运行方法及系统 Download PDFInfo
- Publication number
- CN117134380A CN117134380A CN202310952057.0A CN202310952057A CN117134380A CN 117134380 A CN117134380 A CN 117134380A CN 202310952057 A CN202310952057 A CN 202310952057A CN 117134380 A CN117134380 A CN 117134380A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- scheduling
- optimization
- scheduling scheme
- model
- 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 97
- 238000005457 optimization Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000033228 biological regulation Effects 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 14
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 8
- 241000257303 Hymenoptera Species 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 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
- G06N3/004—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
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00004—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the power network being locally controlled
-
- 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
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (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)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及分布式储能领域，提供了一种基于云边协同分布式储能分层级优化运行方法及系统。该方法包括，根据云边协同的系统结构，构建系统调度模型；基于系统调度模型，结合引入的日前优化调度方案和日内优化调度方案，采用多目标蚁群算法，得到最优调度方案；基于用户负荷调控策略实时优化模型，依据各个储能设备的柔性负荷聚合结果和最优调度方案，采用自动功率控制方法，得到各个储能设备的调控指令，以进行调控。本发明发明有效改善了对储能设备控制数量局限性的问题，同时还改善了数据的存储和处理能力，能够存储更多的数据进行处理。
Description
技术领域
本发明涉及分布式储能领域，尤其涉及一种基于云边协同分布式储能分层级优化运行方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
传统的分布式储能策略中通常只能涉及单个储能设备的控制和管理，且只能在本地储存并处理能量的相关信息，且之前的储能策略并不能达到柔性负荷资源参与分布式储能系统调节所需要较高的控制精度。
申请号为“2021106837293”的中国专利，公开了“一种基于边云协同计算的多储能联合优化主动调控方法，涉及能源调控技术领域。本发明针对分布式多储能协调，通过边缘控制模块承上启下，构建云边协同的三层控制系统，包含云端经济性调控应用，边缘侧协调控制应用，端侧紧急控制应用，分别部署在云端服务器、边缘计算设备和端侧储能充放能控制器。本发明利用边缘计算设备的边缘侧储能应用连接云端储能优化调度模块和管理端侧储能充放能控制设备，通过采集系统运行参数及不同储能充能特性及实时充放能数据，统筹安排各个储能的充能放能幅值、周期、频率等数据，最终实现多个储能最优调度，在保障系统充放能需求的情况下，能够兼顾储能寿命。”
但是，上述专利在最优调控过程中，没有考虑日前优化调度对日内优化调度的影响，控制精度有待加强。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于云边协同分布式储能分层级优化运行方法及系统，本发明有效改善了对储能设备控制数量局限性的问题，同时还改善了数据的存储和处理能力，能够存储更多的数据进行处理，并通过迁移学习将云边协同和多目标蚂蚁算法以及边侧调控指令执行自动功率控制方法(AutomaticPowerControl，APC)应用到分布式储能分层级优化中。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于云边协同分布式储能分层级优化运行方法。
一种基于云边协同分布式储能分层级优化运行方法，包括：
根据云边协同的系统结构，构建系统调度模型；
基于系统调度模型，结合引入的日前优化调度方案和日内优化调度方案，采用多目标蚁群算法，得到最优调度方案；
基于用户负荷调控策略实时优化模型，依据各个储能设备的柔性负荷聚合结果和最优调度方案，采用自动功率控制方法，得到各个储能设备的调控指令，以进行调控。
进一步地，所述系统调度模型包括：设备实体层、状态数据感知层、边缘计算层、数据网络通讯层和云服务应用层。
进一步地，得到所述日前优化调度方案的过程包括：分析各个储能设备的负荷数据，确定优化调度策略；基于优化调度策略，将运行成本作为优化目标函数，构建日前优化模型，得到日前优化调度方案。
进一步地，得到所述日内优化调度方案的过程包括：考虑各个储能设备所需负荷的随机性，计算负荷多场景模型；基于负荷多场景模型，以系统调度成本最小为目标函数，考虑储能电站对供需匹配的影响，构建日内优化模型，得到日内优化调度方案。
进一步地，所述采用多目标蚁群算法的过程包括：
确定某一个区域边缘计算层基站所覆盖区域电网内各个能源设备出力调度方案随机移动位置策略；
依次进行分析、处理和计算过程，得到各个能源设备出力调度方案所携带的能源调度数据信息；
判断各个能源设备出力调度方案所携带的能源调度数据信息是否为最优解，若是，则进行调度结果数据的更新；
依次对每个区域边缘计算层基站所覆盖区域电网内各个能源设备出力调度方案进行相同的求解计算，待所有蚂蚁求解完成后，得到整个新能源电网的最优调度方案；
否则，重复上述过程。
进一步地，所述采用自动功率控制方法的过程包括：
基于当前时刻每台储能设备的调控参数、同构群聚合功率、每台储能设备的荷电状态，计算日内功率调节目标与实时功率的差值；
以下一时刻所述差值最小为目标，采用用户负荷调控策略实时优化模型，进行优化计算，得到下一时刻各个储能设备的调控参数，以进行调控。
其中，所述差值应小于设定的功率差值阈值。
进一步地，在出现故障时，若所述差值大于设定的功率差值阈值，生成控制指令，调度其他备用资源或启动应急措施。
本发明的第二个方面提供一种基于云边协同分布式储能分层级优化运行系统。
一种基于云边协同分布式储能分层级优化运行系统，包括：
模型构建模块，其被配置为：根据云边协同的系统结构，构建系统调度模型；
最优调度模块，其被配置为：基于系统调度模型，结合引入的日前优化调度方案和日内优化调度方案，采用多目标蚁群算法，得到最优调度方案；
调控模块，其被配置为：基于用户负荷调控策略实时优化模型，依据各个储能设备的柔性负荷聚合结果和最优调度方案，采用自动功率控制方法，得到各个储能设备的调控指令，以进行调控。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于云边协同分布式储能分层级优化运行方法中的步骤。
本发明的第四个方面提供一种计算机设备。
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程序时实现如上述第一个方面所述的基于云边协同分布式储能分层级优化运行方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明研究了日前出清、日内执行的柔性负荷聚合调控过程，针对柔性负荷群日内执行调控计划的过程，提出了一种边侧APC模型，能够实现柔性负荷群聚合功率的自动控制，将偏差控制在限定范围内，最大程度的逼近计划功率目标曲线，提高了最优调度的控制精度。
本发明基于云边协同的分布式储能分层级优化运行策略，有效改善了对储能设备控制数量局限性的问题，同时还改善了数据的存储和处理能力，能够存储更多的数据进行处理，并通过迁移学习将云边协同和多目标蚂蚁算法以及自动功率控制方法应用到分布式储能分层级优化中，提高了储能优化的准确性和效率。
本发明提出的云边协同架构适合点多分散数量巨大的分布式储能分层级优化，可显著降低控制时延。
本发明提出的储能优化策略，提高了微电网的经济性，可以根据当地市场需求，天气环境等因素合理调整各设备的运行方式和功率输出，降低微电网运营成本，提高其经济效益。
本发明针对分布式储能分层级优化海量云任务并行计算问题，提出了一种多目标蚂蚁优化算法，在云计算任务完成时间和执行成本上具有较为明显的优势，并且任务数量越多，计算资源越小的情况下优势越明显，可以显著提升计算效率，降低计算耗时。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明示出的系统调度模型结构图；
图2是本发明示出的多目标蚁群算法流程图；
图3是本发明示出的柔性负荷聚合自动功率控制系统调节流程图；
图4是本发明示出的用户负荷调控策略实时优化算法流程图；
图5是本发明示出的基于云边协同分布式储能分层级优化运行方法的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图5所示，本实施例提供了一种基于云边协同分布式储能分层级优化运行方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括：
首先，利用云平台和边缘计算技术构建云边协同设施模型；
然后，描述储能优化策略；
接着，基于云平台和边缘计算基础设施模型，运用多目标蚂蚁算法进行优化和控制；
最后，利用边侧调控指令执行自动功率控制方法，真正达到云-边协同分布式储能分层级优化运行的目的。
下面结合附图对本实施例进行详细描述：
步骤一：构建系统调度模型；
云计算是一种通过互联网提供虚拟资源和服务的模式。边缘计算则是一种将计算资源放置在靠近数据源的地方的方式，以更快地响应实时数据。云平台和边缘计算基础设施模型分别是云计算和边缘计算技术的基础，它们提供了一个统一的架构，让用户可以将不同类型的数据、服务和应用程序集成在一起。
图1中的系统调度模型主要是由设备实体层、状态数据感知层、边缘计算层、数据网络通讯层、云服务应用层，共5个调度服务层组成，并在相应的服务层配置运算服务器，方便数据的处理分析与存储。
云边协同，基于图1给出的新能源电网调度模型，假定研究的新能源电网包含有m个边缘计算层基站(承担边缘计算层与数据网络通讯层的主要任务)和n个能源消费用户，将其分别表示为边缘计算层基站集M＝{1，2，…，m}、能源消费用户集N＝{1，2，…，n}，则此时电网中所有能源消费用户满足式(1)的约束条件。
边缘计算层基站根据部署在系统中的边缘计算模块、数据存储器和通讯模块、数据路由等设备，向能源消费用户与云服务层提供数据支持和调度计算服务，并同时能够将计算出的数据、收集的数据传输至临近的边缘计算层基站，将自身基站所须完成的计算任务进行分配，实现多个边缘计算基站协同计算，更好地完成新能源电网中边缘节点调度优化。当该边缘计算层基站所负责的计算任务量较小时，则可采用当前基站完成调度任务计算。假定某时新能源电网调度过程中，所有的能源设备与能源消费用户同时进行系统调度优化，所有的边缘计算层基站计算任务分配按照式(2)进行：
式中：X为系统调度任务分配决策集；xn,i,m为集合中对应取值。
步骤二：储能优化策略
储能优化分为日前优化和日内优化两个部分。日前优化是运用云端处理，将运行总成本作为优化目标。日前优化调度方法主要流程如下，首先，分析各负荷数据，确定优化调度策略。然后，根据各负荷设备数据所确定的调度策略，将运行总成本作为优化目标函数，建立日前优化模型。最后，根据所确定的日前优化调度模型得到日前优化调度方案。
日内滚动优化是运用边缘计算，将调节成本作为优化目标。日内优化调度方法主要流程如下，首先，利用逆向递归算法进行优化调度，旨在确定系统管理商最优经济收益。然后，根据负荷是否有盈余判断是否进行再次优化调度。若需要二次优化调度，则以系统调度成本最小作为目标函数，利用VCG分配进行优化调度。最后，考虑储能电站对供需匹配的影响，建立供需匹配的随机演化博弈模型(日内优化模型)，得到日内优化调度方案。
采用此储能优化策略可以大大提高微电网的经济性，可以根据当地市场需求，天气环境等因素合理调整各设备的运行方式和功率输出，降低微电网运营成本，提高其经济效益。
步骤三：利用多目标蚁群算法进行优化和控制
为了满足边缘计算与云-边协同调度框架下的分布式储能分层级优化计算与控制的要求，本实施例采用多目标蚁群算法，根据步骤一所提出的系统调度模型以及步骤二所提出的日前优化和日内优化的储能优化策略，本算法将用于求解边缘计算层、云服务应用层的最优调度方案。具体求解流程如图2所示。
如图2所示，采用多目标蚁群算法进行求解时，为了保证每个区域边缘计算层基站所覆盖区域电网内能源设备出力结果求解最优，首先将某一个区域边缘计算层基站所覆盖区域电网内各能源设备出力调度方案(蚂蚁)随机移动位置策略表示为:
Z＝{0,sum[2Rand(Kn)-1]}(3)
式中：Z为能源设备出力调度方案(蚂蚁)随机移动位置；sum()为位置累计；K为算法迭代计算次数；Rand()表示与次数K有关的随机数。
Rand(K)的具体取值为：
分析、处理、计算各能源设备出力调度方案(蚂蚁)所携带的能源调度数据信息，并判断计算结果是否为最优解，若是，则进行调度结果数据的更新。最后按照相同的求解过程，依次对每个区域边缘计算层基站所覆盖区域电网内能源设备出力调度方案(蚂蚁)进行相同的求解计算，待所有蚂蚁求解完成后，得到整个新能源电网的最优调度方案。
步骤四：利用边侧调控指令执行自动功率控制方法
在步骤三所得到最优调度方案的前提下，为提高柔性负荷资源参与分布式储能系统调节的控制精度，柔性负荷群需要通过灵活调控其内部柔性负荷使其整体外特性追踪电网运营商调度机构下达的自动功率控制(AutomaticPower Control，APC)调节目标。APC模型是利用信息通信和自动控制技术，通过调度终端将可调负荷分配给用户负荷或负荷集中器，并给出实时调整指令，实现控制范围内可调负荷自动调整响应，实现电网实时安全平衡和偏差范围内频率调整的闭环控制过程。它是对传统AGC功能的进一步扩展。根据由步骤一所提出的系统调度模型中的设备实体层进行进一步分析得到系统调节流程图，如图3所示。
柔性负荷聚合后以调控组为单位执行APC，如图3所示，以分钟为频率(Δt＝1min)监测t时刻每台储能设备的T1(t)和同构群聚合功率P1(t)、每台电动汽车设备的荷电状态SOC2(t)和同构群聚合功率P2(t)、每台空调设备的荷电状态SOC3(t)和同构群聚合功率P3(t)，其中P1(t)、P2(t)、P3(t)相加得到PR(t)，并通过PA(t)和PR(t)计算ΔPA-R(t)。
ΔPA-R＝PA(t)-PR(t)(5)
式中PA(t)为日内功率调节目标(kW)；PR(t)为实时功率(kW)。
ΔPA-R(t)作为输入，以最小化t+1时刻ΔPA-R(t+1)为目标通过用户负荷调控策略实时优化模型进行优化计算，输出每个t+1时刻储能设备、电动汽车和空调单体负荷设备的调控参数T1(t+1)、SOC2(t+1)、SOC3(t+1)，并下发至各单体负荷设备控制单元执行控制指令，整体实现ΔPA-R最小且控制在ΔPmax以内，保证调节精度。
如图4所示，用户负荷调控策略实时优化模型优化的过程包括：
计算PR(t)和ΔPA-R(t)；
对储能资源进行排序，并依次关闭正在充电的储能设备，更新ΔPA-R(t)；
判断ΔPA-R(t)≤ΔPmax，若是，完成调控；
否则，对储能资源进行排序，并依次关闭正在充电的储能设备，更新ΔPA-R(t)；
判断ΔPA-R(t)≤ΔPmax，若是，完成调控；
否则，电动汽车资源排序，并依次关闭正在充电的储能设备，更新ΔPA-R(t)；
判断ΔPA-R(t)≤ΔPmax，若是，完成调控；
否则，空调资源排序，并依次关闭正在充电的储能设备，更新ΔPA-R(t)，完成调控。
当因设备故障等原因调节出现偏差ΔPA-R大于电力市场规定的最大偏差阈值ΔPmax时，将执行偏差ΔPA-R上报给负荷聚合商和电网运营商调控中心，负荷聚合商或电网运营商调控中心调控其他备用资源或者启动应急措施。
以用户某调控组为例，设定调控组有N3个储能聚合的资源集L3、N2个电动汽车聚合的资源集L2、N1个温控聚合的资源集L1，共分为3类可调资源组。PA(t)表示t采样时刻目标调控负荷值，PR(t)表示组合优化调度后的负荷值：
考虑储能、电动汽车、空调温控负荷多类型组合调控模型优化目标为：
对负荷调控组按负荷状态的偏依次进行调控，其中/>的计算方式如下：
式中，为调控组第j个柔性负荷在t时刻的预设状态差值；/>为负荷j在t时刻的状态值；/>为负荷j在t时刻的调控预设状态值；L1为温控负荷集合；L2为电动汽车资源集合；L3为储能资源集合。
实施例二
本实施例提供了一种基于云边协同分布式储能分层级优化运行系统。
一种基于云边协同分布式储能分层级优化运行系统，包括：
模型构建模块，其被配置为：根据云边协同的系统结构，构建系统调度模型；
最优调度模块，其被配置为：基于系统调度模型，结合引入的日前优化调度方案和日内优化调度方案，采用多目标蚁群算法，得到最优调度方案；
调控模块，其被配置为：基于用户负荷调控策略实时优化模型，依据各个储能设备的柔性负荷聚合结果和最优调度方案，采用自动功率控制方法，得到各个储能设备的调控指令，以进行调控。
此处需要说明的是，上述模型构建模块、最优调度模块和调控模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于云边协同分布式储能分层级优化运行方法中的步骤。
实施例四
本实施例提供了一种计算机设备，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程序时实现如上述实施例一所述的基于云边协同分布式储能分层级优化运行方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于云边协同分布式储能分层级优化运行方法，其特征在于，包括：
根据云边协同的系统结构，构建系统调度模型；
基于系统调度模型，结合引入的日前优化调度方案和日内优化调度方案，采用多目标蚁群算法，得到最优调度方案；
基于用户负荷调控策略实时优化模型，依据各个储能设备的柔性负荷聚合结果和最优调度方案，采用自动功率控制方法，得到各个储能设备的调控指令，以进行调控。
2.根据权利要求1所述的基于云边协同分布式储能分层级优化运行方法，其特征在于，所述系统调度模型包括：设备实体层、状态数据感知层、边缘计算层、数据网络通讯层和云服务应用层。
3.根据权利要求1所述的基于云边协同分布式储能分层级优化运行方法，其特征在于，得到所述日前优化调度方案的过程包括：分析各个储能设备的负荷数据，确定优化调度策略；基于优化调度策略，将运行成本作为优化目标函数，构建日前优化模型，得到日前优化调度方案。
4.根据权利要求1所述的基于云边协同分布式储能分层级优化运行方法，其特征在于，得到所述日内优化调度方案的过程包括：考虑各个储能设备所需负荷的随机性，计算负荷多场景模型；基于负荷多场景模型，以系统调度成本最小为目标函数，考虑储能电站对供需匹配的影响，构建日内优化模型，得到日内优化调度方案。
5.根据权利要求1所述的基于云边协同分布式储能分层级优化运行方法，其特征在于，所述采用多目标蚁群算法的过程包括：
确定某一个区域边缘计算层基站所覆盖区域电网内各个能源设备出力调度方案随机移动位置策略；
依次进行分析、处理和计算过程，得到各个能源设备出力调度方案所携带的能源调度数据信息；
判断各个能源设备出力调度方案所携带的能源调度数据信息是否为最优解，若是，则进行调度结果数据的更新；
依次对每个区域边缘计算层基站所覆盖区域电网内各个能源设备出力调度方案进行相同的求解计算，待所有蚂蚁求解完成后，得到整个新能源电网的最优调度方案；
否则，重复上述过程。
6.根据权利要求1所述的基于云边协同分布式储能分层级优化运行方法，其特征在于，所述采用自动功率控制方法的过程包括：
基于当前时刻每台储能设备的调控参数、同构群聚合功率、每台储能设备的荷电状态，计算日内功率调节目标与实时功率的差值；
以下一时刻所述差值最小为目标，采用用户负荷调控策略实时优化模型，进行优化计算，得到下一时刻各个储能设备的调控参数，以进行调控；
其中，所述差值应小于设定的功率差值阈值。
7.根据权利要求6所述的基于云边协同分布式储能分层级优化运行方法，其特征在于，在出现故障时，若所述差值大于设定的功率差值阈值，生成控制指令，调度其他备用资源或启动应急措施。
8.一种基于云边协同分布式储能分层级优化运行系统，其特征在于，包括：
模型构建模块，其被配置为：根据云边协同的系统结构，构建系统调度模型；
最优调度模块，其被配置为：基于系统调度模型，结合引入的日前优化调度方案和日内优化调度方案，采用多目标蚁群算法，得到最优调度方案；
调控模块，其被配置为：基于用户负荷调控策略实时优化模型，依据各个储能设备的柔性负荷聚合结果和最优调度方案，采用自动功率控制方法，得到各个储能设备的调控指令，以进行调控。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于云边协同分布式储能分层级优化运行方法中的步骤。
10.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于云边协同分布式储能分层级优化运行方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310952057.0A CN117134380A (zh) | 2023-07-31 | 2023-07-31 | 一种基于云边协同分布式储能分层级优化运行方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310952057.0A CN117134380A (zh) | 2023-07-31 | 2023-07-31 | 一种基于云边协同分布式储能分层级优化运行方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117134380A true CN117134380A (zh) | 2023-11-28 |
Family
ID=88860735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310952057.0A Pending CN117134380A (zh) | 2023-07-31 | 2023-07-31 | 一种基于云边协同分布式储能分层级优化运行方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117134380A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117674139A (zh) * | 2024-01-30 | 2024-03-08 | 国网辽宁省电力有限公司丹东供电公司 | 基于物联网的分布式能源管理方法及系统 |
-
2023
- 2023-07-31 CN CN202310952057.0A patent/CN117134380A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117674139A (zh) * | 2024-01-30 | 2024-03-08 | 国网辽宁省电力有限公司丹东供电公司 | 基于物联网的分布式能源管理方法及系统 |
| CN117674139B (zh) * | 2024-01-30 | 2024-04-09 | 国网辽宁省电力有限公司丹东供电公司 | 基于物联网的分布式能源管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Tushar et al. | Distributed real-time electricity allocation mechanism for large residential microgrid | |
| CN107579518B (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
| CN110826880B (zh) | 一种大规模电动汽车接入的主动配电网优化调度方法 | |
| WO2022252426A1 (zh) | 一种电动汽车集群可调控能力确定方法、调度方法及系统 | |
| CN107069776B (zh) | 一种平滑微网联络线功率的储能前瞻分布式控制方法 | |
| CN113515884A (zh) | 分散式电动汽车实时优化调度方法、系统、终端及介质 | |
| Shan et al. | A survey on computation offloading for mobile edge computing information | |
| CN104699051B (zh) | 一种温控设备需求响应控制方法 | |
| CN107150601B (zh) | 一种基于多代理商的电动汽车有序充电方法 | |
| CN113904380B (zh) | 一种考虑需求响应的虚拟电厂可调节资源精准控制方法 | |
| CN111682536B (zh) | 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法 | |
| CN117134380A (zh) | 一种基于云边协同分布式储能分层级优化运行方法及系统 | |
| CN114077910A (zh) | 柔性负荷参与调峰优化配置的方法、装置及计算机设备 | |
| CN109149648A (zh) | 一种自适应宽度动态规划智能发电控制方法 | |
| CN111833205B (zh) | 一种大数据场景下的移动充电桩群体智能调度方法 | |
| CN103345663A (zh) | 考虑爬坡速率约束的电力系统机组组合优化方法 | |
| CN113285475A (zh) | 一种基于边云协同计算的多储能联合优化主动调控方法 | |
| CN115525979B (zh) | 一种主动配电网可调度能力的多时间尺度评估方法及系统 | |
| CN117374953A (zh) | 一种基于配网聚合边界的分布式资源功率分配方法 | |
| CN111935952A (zh) | 大型机房能耗调控方法及装置 | |
| CN117057547A (zh) | 智慧能源服务平台多形态负荷资源调度模型构建方法、装置、存储介质 | |
| CN117200334A (zh) | 一种计及新能源不确定性的多能源调度方法及装置 | |
| Xi et al. | Q-learning algorithm based multi-agent coordinated control method for microgrids | |
| Tomin et al. | A Demand-Response Approach for HVAC Systems Using Internet of Energy Concept |
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 |