CN117154780A - 分布式协同储能控制方法、装置、设备及存储介质 - Google Patents
分布式协同储能控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117154780A CN117154780A CN202311405936.8A CN202311405936A CN117154780A CN 117154780 A CN117154780 A CN 117154780A CN 202311405936 A CN202311405936 A CN 202311405936A CN 117154780 A CN117154780 A CN 117154780A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power generation
- equipment
- data
- power
- 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 156
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000010248 power generation Methods 0.000 claims abstract description 138
- 239000002245 particle Substances 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000011217 control strategy Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000005611 electricity Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000001149 cognitive effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J3/12—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
-
- 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
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/58—The condition being electrical
- H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
Abstract
本发明涉及电力调度领域，公开了一种分布式协同储能控制方法、装置、设备及存储介质。所述分布式协同储能控制方法包括：采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据；从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电设备的可调度功率和电量；基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略。本发明实现了对储能站点和发电设备的功率和电量调整优化，从而达到充分利用每个发电站点和储能站点的能量，提高系统的电能利用率，减少浪费。
Description
技术领域
本发明涉及电力调度领域，尤其涉及一种分布式协同储能控制方法、装置、设备及存储介质。
背景技术
随着可再生能源的广泛应用和智能化技术的快速发展，电力系统中的能量调度问题逐渐受到关注。尤其在电力系统中，储能设备、发电设备及用电设备等多元力量的协同作用下，电力供应和需求的平衡调度显得尤为重要。此外，由于电力行业的特殊性，如生产和消费同时进行、电能难于大规模存储等因素，使得电力系统的能量调度问题变得十分复杂。
现有的储能电站调峰方法通常是基于储能电站在某一个方面上的损耗成本去求解储能电站调峰优化运行方案或者仅满足调峰需要就制定调峰策略，没有充分考虑储能电站多方面成本的综合性，目标求解的全面性，调峰方案的经济性。
传统的电力系统调度策略未能充分考虑到这一问题，常常导致电能的供应和需求出现不匹配，带来电能的浪费，甚至可能影响到电力系统的稳定运行。
发明内容
本发明提供了一种分布式协同储能控制方法、装置、设备及存储介质，用于解决如何充分利用每个发电站点和储能站点的能量，提高系统的电能利用率，减少浪费的技术问题。
本发明第一方面提供了一种分布式协同储能控制方法，所述分布式协同储能控制方法包括：
采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据；
从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电设备的可调度功率和电量；其中，所述目标参数包括每个储能站点的储电量和充放电量、发电设备的发电量、用电设备的电力使用情况；
基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略。
可选的，在本发明第一方面的第一种实现方式中，所述采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据，包括：
定时获取多个储能站点、用电设备、发电设备的信息的心跳数据包；
对所述心跳数据包进行解析，得到解析数据，根据心跳数据包的解析数据生成信息采集指令；
根据所述信息采集指令，获取多个储能站点、用电设备、发电设备的设备数据，并将所述设备数据存储至预置的Redis数据库中；其中，所述设备数据包括多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据。
可选的，在本发明第一方面的第二种实现方式中，所述并将所述设备数据存储至预置的Redis数据库中，包括：
接收采集的设备数据，读取所述设备数据中的每个设备对应的标识码；
访问预置的MySQL数据库，在所述MySQL数据库中查询出所述标识码对应的Redis子库标识；
将所述设备数据存储于所述Redis子库标识对应的Redis子库中。
可选的，在本发明第一方面的第三种实现方式中，所述从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电用户的可调度功率和电量，包括：
采用树形结构计算关系，建立表示储能站点、发电设备和用电设备各项参数的指标计算模型；
利用面向对象数据库，保存树形结构的指标计算模型，同时调用实时数据库技术，对储能站点、发电设备和用电设备各项参数提供实时更新；
利用预置的编译器，将用户编写的各项自定义指标的计算关系编译成DLL文件；其中，所述DLL文件包含各项指标计算的函数以及处理电力供需不平衡、设备故障的函数；
解析指标计算模型，并基于解析后的指标计算模型中的DLL文件所包含各项指标计算的函数以及处理电力供需不平衡、设备故障的函数计算储能站点、发电设备和用电设备的各项可调度功率和电量。
可选的，在本发明第一方面的第四种实现方式中，所述基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略，包括：
根据预设的粒子群优化算法，确定储能站点和发电设备的可调度功率和电量的宏观方向参数；
基于实时状态动态调整储能站点和发电设备的权重参数；
设置粒子群优化算法的微观方向参数，并基于社会搜索和认知搜索进行粒子自身运动的更新；
按照构建的非线性函数对粒子群算法的权重参数进行优化；
基于粒子群算法的第一学习因子和第二学习因子对更新公式进行优化其中，所述第一学习因子用于保证粒子群算法在初期具有全局搜索能力，所述第二学习因子用于保证粒子群算法在后期具有局部收敛能力；所述更新公式为预设的粒子群优化算法中的函数公式；
通过权重参数进行粒子群优化算法的训练，从全局角度出发进行各储能站点和发电用户的可调度功率和电量优化；
对粒子群算法的速度更新公式进行改进，如果粒子在上一次迭代中朝全局最优方向飞行，则保持下一次迭代中粒子飞行速度不变，否则，修改飞行速度；
运行粒子群优化算法进行全局搜索，同时运行辅助算法进行针对性的更新优化，进而获得最佳的调度控制策略。
本发明第二方面提供了一种分布式协同储能控制装置，所述分布式协同储能控制装置包括：
采集模块，用于采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据；
计算模块，用于从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电设备的可调度功率和电量；其中，所述目标参数包括每个储能站点的储电量和充放电量、发电设备的发电量、用电设备的电力使用情况；
调整模块，用于基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略。
本发明第三方面提供了一种分布式协同储能控制设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述分布式协同储能控制设备执行上述的分布式协同储能控制方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的分布式协同储能控制方法。
本发明提供的技术方案中，有益效果：本发明提供的一种分布式协同储能控制方法、装置、设备及存储介质，通过采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据；从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电设备的可调度功率和电量；基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略。本发明可以实现对电力系统中各元素的精确控制和管理。利用目标参数可以计算每个储能站点和发电设备的可调度功率和电量，以实现更精细的能源管理和调度。预设的粒子群优化算法可以使储能站点和发电设备的功率和电量调整更加优化，从而达到充分利用每个发电站点和储能站点的能量，提高系统的电能利用率，减少浪费。同时，这种优化方式也可以提高电力稳定性，减少供需不均带来的风险，进一步提高电力系统的运行效率和稳定性。
附图说明
图1为本发明实施例中分布式协同储能控制方法的一个实施例示意图；
图2为本发明实施例中分布式协同储能控制装置的一个实施例示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
本发明实施例提供了一种分布式协同储能控制方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中分布式协同储能控制方法的一个实施例包括：
步骤101、采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据；
可以理解的是，本发明的执行主体可以为分布式协同储能控制装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，储能站点的运行数据：例如每个储能设备的存储电量、充电状态、放电量等。这些数据可以帮助评估每个站点在电网中可供调度的能量。
各类用电设备的用电数据：收集使用电器设备的详细用电数据，包括但不限于总用电量、用电起止时间、用电设备类型等。这些数据帮助我们理解电力需求的具体模式，并为电力调度提供重要参考信息。
各类发电设备的发电数据：这包括每个发电机（如风电、太阳能或传统火电）的实际发电量、预计发电量、设备状态等数据。这些数据帮助确定在给定时段内，每种发电设备可提供多少电力进行调度。
步骤102、从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电设备的可调度功率和电量；其中，所述目标参数包括每个储能站点的储电量和充放电量、发电设备的发电量、用电设备的电力使用情况；
具体的，目标参数包括：
储能站点的储电量和充放电量：了解储能设备的电量情况对于确定其在电网中可供调度的能量至关重要。储电量反映了设备的剩余电量，而充放电量则可以反映设备的将来能源供应情况。
发电设备的发电量：每个发电设备的实际发电量反映了其能源生产能力以及可能的增减情况。通过这个参数我们可以了解设备的当前和未来发电能力。
用电设备的电力使用情况：用电设备当前的电力使用量以及使用模式可以帮助我们理解能源需求，这在预测和调度电力需求时非常重要。
举例来说，比如智能电网需要确定一个风电场的可调度功率。先获得风电场当前的发电量，以及历史和预测的发电量变化。同时，也需考虑接入电网的用电设备的电力需求以及储能设备的电量存储情况。这些因素综合起来，可以提供一个更精确地估计到底风电场在预先确定时间内可以供应多少电力进行调度。
步骤103、基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略。
以智能电网为例，假设有风电场、太阳能发电场和电池储能站三种电源。在初步获取各电源的可调度功率和电量后，通过粒子群优化算法可以找到最佳的功率和电量组合，以满足电网的功率需求、最大化利用可再生能源、并减少电能储存和转化的损耗。这个优化过程进一步提高了电网的运行效率和稳定性。
本发明实施例中分布式协同储能控制方法的另一个实施例包括：
所述采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据，包括：
定时获取多个储能站点、用电设备、发电设备的信息的心跳数据包；
对所述心跳数据包进行解析，得到解析数据，根据心跳数据包的解析数据生成信息采集指令；
根据所述信息采集指令，获取多个储能站点、用电设备、发电设备的设备数据，并将所述设备数据存储至预置的Redis数据库中；其中，所述设备数据包括多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据。
具体的，心跳数据包：这些是由系统定时发送的数据包，作为保持网络连接和监控设备状态的信号。比如，一个风电场设备可能每隔一定时间就发送心跳数据包，包括如设备状态，当前功率输出等关键信息。
解析心跳数据包：心跳数据包的内容会被特定的程序或系统解析，得到所需要的详细数据（经解析后称为解析数据）。
生成并发送信息采集指令：基于解析数据，系统将生成并发送信息采集指令。比如，如果解析数据显示风电场设备功率异常，系统可能生成一个指令，要求获取更详细的发电和设备运行数据。
收集设备数据：根据信息采集指令，系统从设备中获取对应的设备数据。设备数据包含了储能站点、用电设备、发电设备的详细情况，如电量、功率、使用情况、设备状态等信息。
数据储存：所有收集到的设备数据会被安全地存储在预置的Redis数据库中。缓存的采用可以让访问这些数据更加迅速高效，为下一步的数据处理和优化决策提供便利。
举例来说，假设风电场设备每小时发送一次心跳数据包，数据包中包含设备当前的发电量和运行状态。系统接收数据包后会解析其内容，如果发现设备的发电量显著下降，系统可能会生成一个信息采集指令以获取设备更详细的运行数据和状态，之后的设备数据会被存储在Redis数据库中以便后续的分析和使用。
本发明实施例中分布式协同储能控制方法的另一个实施例包括：
所述并将所述设备数据存储至预置的Redis数据库中，包括：
接收采集的设备数据，读取所述设备数据中的每个设备对应的标识码；
访问预置的MySQL数据库，在所述MySQL数据库中查询出所述标识码对应的Redis子库标识；
将所述设备数据存储于所述Redis子库标识对应的Redis子库中。
具体的，具体过程如下：
接收和读取设备数据：系统首先接收并读取收集的设备数据，包括数据中的每个设备对应的标识码。标识码通常是设备的唯一编号，用于在数据库中区分不同的设备。
查询MySQL数据库：接着，系统需要访问预置的MySQL数据库，以查询出设备标识码对应的Redis子库标识。在这里，MySQL数据库可能会存储关于设备标识码和对应Redis子库的映射关系。
存储设备数据到Redis子库：查询完成后，系统将根据得到的Redis子库标识，将设备数据存储在对应的Redis子库中。这样既保证了数据存储的有序性，又能提高数据查询的效率。
举个例子，假设一个储能设备发来的数据包括设备的唯一标识码"ENB123"和其运行数据。系统先读取该数据，然后在MySQL数据库中查询找到对应的Redis子库标识（比如"Redis_Sub1"）。接下来，系统会将这份设备数据存储在对应的"Redis_Sub1"子库中。这种设计能把相关设备数据聚集存储，利于后续的数据管理和使用。
本发明实施例中分布式协同储能控制方法的另一个实施例包括：
所述从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电用户的可调度功率和电量，包括：
采用树形结构计算关系，建立表示储能站点、发电设备和用电设备各项参数的指标计算模型；
利用面向对象数据库，保存树形结构的指标计算模型，同时调用实时数据库技术，对储能站点、发电设备和用电设备各项参数提供实时更新；
利用预置的编译器，将用户编写的各项自定义指标的计算关系编译成DLL文件；其中，所述DLL文件包含各项指标计算的函数以及处理电力供需不平衡、设备故障的函数；
解析指标计算模型，并基于解析后的指标计算模型中的DLL文件所包含各项指标计算的函数以及处理电力供需不平衡、设备故障的函数计算储能站点、发电设备和用电设备的各项可调度功率和电量。
具体的，以下是详细步骤：
建立指标计算模型：这里提到的树形结构可以帮助我们理解储能站点、发电设备和用电设备的关系。例如，树的根节点可能表示总电力系统，而子节点可能表示不同的电力站点、设备等。每个节点中都可以存储对应设备的各项参数。
数据库更新：我们需要使用面向对象的数据库技术来保存这个树形结构的模型，并使用实时数据库技术来实时更新储能站点、发电设备和用电设备的各项参数。
自定义DLL文件编译：用户可以根据需要编写自定义的指标计算模型。预置的编译器将这些计算关系编译成DLL文件，此文件包含了所有必要的计算函数，包括处理电力供需不平衡、设备故障等情况。
计算可调度功率和电量：系统解析指标计算模型，并根据DLL文件中包含的函数进行计算，最终能得到每个设备的可调度功率和电量。
例如，假设一个储能站点的可放电电量、充电电量，以及与其连接的发电设备的发电量和用电设备的用电量作为输入参数，我们可以通过指标计算模型，以此计算出该站点及其连接设备的可调度功率和电量。这个计算过程可能需要一些自定义的计算函数，例如处理电力不平衡的策略，这些函数保存在预先编译的DLL文件中。
本发明实施例中分布式协同储能控制方法的另一个实施例包括：
所述基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略，包括：
根据预设的粒子群优化算法，确定储能站点和发电设备的可调度功率和电量的宏观方向参数；
基于实时状态动态调整储能站点和发电设备的权重参数；
设置粒子群优化算法的微观方向参数，并基于社会搜索和认知搜索进行粒子自身运动的更新；
按照构建的非线性函数对粒子群算法的权重参数进行优化；
基于粒子群算法的第一学习因子和第二学习因子对更新公式进行优化其中，所述第一学习因子用于保证粒子群算法在初期具有全局搜索能力，所述第二学习因子用于保证粒子群算法在后期具有局部收敛能力；所述更新公式为预设的粒子群优化算法中的函数公式；
通过权重参数进行粒子群优化算法的训练，从全局角度出发进行各储能站点和发电用户的可调度功率和电量优化；
对粒子群算法的速度更新公式进行改进，如果粒子在上一次迭代中朝全局最优方向飞行，则保持下一次迭代中粒子飞行速度不变，否则，修改飞行速度；
运行粒子群优化算法进行全局搜索，同时运行辅助算法进行针对性的更新优化，进而获得最佳的调度控制策略。
具体的，以下是运用预设的粒子群优化算法对储能站点和发电设备的可调度功率和电量进行调整，从而得到最优的调度控制策略的逻辑步骤：
初步设定与微调：
先根据预设的粒子群优化算法，确定储能站点和发电设备的可调度功率和电量的宏观方向参数。这通常定义了算法的搜索空间和目标状态。
随后，系统根据实时状态动态调整储能站点和发电设备的权重参数。这样可以根据当前状况更好地调整各设备的功率和电量。
搜寻与更新：
设置粒子群优化算法的微观方向参数，然后基于社会搜索和认知搜索进行粒子自身运动的更新。这是为每个粒子找到一个新的位置以寻求可能的最优解。
如果粒子在上一次迭代中朝全局最优方向飞行，则保持下一次迭代中粒子飞行速度不变，否则，修改飞行速度。这是一个对速度更新公式的改进，有助于快速收敛到最优解。
学习与优化：
建立非线性函数，以对粒子群算法的权重参数进行优化。也调整第一和第二学习因子。第一学习因子有助于粒子群算法在初期具有全局搜索能力，第二学习因子则能在后期提高粒子群算法的局部收敛能力。
最后的全球调度优化：
通过调整权重参数进行粒子群优化算法的训练，从全局角度出发进行各储能站点和发电用户的可调度功率和电量优化。
同时运行辅助算法进行区域性的优化，以获取最优的调度控制策略。
本发明实施例中，有益效果：通过粒子群优化算法从全局和局部两方面寻找最佳的调度控制策略的过程，确保了电力的供需平衡和系统的稳定性。
上面对本发明实施例中分布式协同储能控制方法进行了描述，下面对本发明实施例中分布式协同储能控制装置进行描述，请参阅图2，本发明实施例中分布式协同储能控制装置1一个实施例包括：
采集模块11，用于采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据；
计算模块12，用于从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电设备的可调度功率和电量；其中，所述目标参数包括每个储能站点的储电量和充放电量、发电设备的发电量、用电设备的电力使用情况；
调整模块13，用于基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略。
在本实施例中，上述分布式协同储能控制装置实施例中的各个模块的具体实现，请参照上述分布式协同储能控制方法实施例中所述，在此不再进行赘述。
本发明还提供一种分布式协同储能控制设备，所述分布式协同储能控制设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述分布式协同储能控制方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述分布式协同储能控制方法的步骤。
有益效果：本发明提供的一种分布式协同储能控制方法、装置、设备及存储介质，通过采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据；从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电设备的可调度功率和电量；基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略。本发明可以实现对电力系统中各元素的精确控制和管理。利用目标参数可以计算每个储能站点和发电设备的可调度功率和电量，以实现更精细的能源管理和调度。预设的粒子群优化算法可以使储能站点和发电设备的功率和电量调整更加优化，从而达到充分利用每个发电站点和储能站点的能量，提高系统的电能利用率，减少浪费。同时，这种优化方式也可以提高电力稳定性，减少供需不均带来的风险，进一步提高电力系统的运行效率和稳定性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种分布式协同储能控制方法，其特征在于，包括：
采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据；
从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电设备的可调度功率和电量；其中，所述目标参数包括每个储能站点的储电量和充放电量、发电设备的发电量、用电设备的电力使用情况；
基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略。
2.根据权利要求1所述的分布式协同储能控制方法，其特征在于，所述采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据，包括：
定时获取多个储能站点、用电设备、发电设备的信息的心跳数据包；
对所述心跳数据包进行解析，得到解析数据，根据心跳数据包的解析数据生成信息采集指令；
根据所述信息采集指令，获取多个储能站点、用电设备、发电设备的设备数据，并将所述设备数据存储至预置的Redis数据库中；其中，所述设备数据包括多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据。
3.根据权利要求2所述的分布式协同储能控制方法，其特征在于，所述并将所述设备数据存储至预置的Redis数据库中，包括：
接收采集的设备数据，读取所述设备数据中的每个设备对应的标识码；
访问预置的MySQL数据库，在所述MySQL数据库中查询出所述标识码对应的Redis子库标识；
将所述设备数据存储于所述Redis子库标识对应的Redis子库中。
4.根据权利要求1所述的分布式协同储能控制方法，其特征在于，所述从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电用户的可调度功率和电量，包括：
采用树形结构计算关系，建立表示储能站点、发电设备和用电设备各项参数的指标计算模型；
利用面向对象数据库，保存树形结构的指标计算模型，同时调用实时数据库技术，对储能站点、发电设备和用电设备各项参数提供实时更新；
利用预置的编译器，将用户编写的各项自定义指标的计算关系编译成DLL文件；其中，所述DLL文件包含各项指标计算的函数以及处理电力供需不平衡、设备故障的函数；
解析指标计算模型，并基于解析后的指标计算模型中的DLL文件所包含各项指标计算的函数以及处理电力供需不平衡、设备故障的函数计算储能站点、发电设备和用电设备的各项可调度功率和电量。
5.根据权利要求1所述的分布式协同储能控制方法，其特征在于，所述基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略，包括：
根据预设的粒子群优化算法，确定储能站点和发电设备的可调度功率和电量的宏观方向参数；
基于实时状态动态调整储能站点和发电设备的权重参数；
设置粒子群优化算法的微观方向参数，并基于社会搜索和认知搜索进行粒子自身运动的更新；
按照构建的非线性函数对粒子群算法的权重参数进行优化；
基于粒子群算法的第一学习因子和第二学习因子对更新公式进行优化其中，所述第一学习因子用于保证粒子群算法在初期具有全局搜索能力，所述第二学习因子用于保证粒子群算法在后期具有局部收敛能力；所述更新公式为预设的粒子群优化算法中的函数公式；
通过权重参数进行粒子群优化算法的训练，从全局角度出发进行各储能站点和发电用户的可调度功率和电量优化；
对粒子群算法的速度更新公式进行改进，如果粒子在上一次迭代中朝全局最优方向飞行，则保持下一次迭代中粒子飞行速度不变，否则，修改飞行速度；
运行粒子群优化算法进行全局搜索，同时运行辅助算法进行针对性的更新优化，进而获得最佳的调度控制策略。
6.一种分布式协同储能控制装置，其特征在于，所述分布式协同储能控制装置包括：
采集模块，用于采集多个储能站点的运行数据、各类的用电设备的用电数据以及各类的发电设备的发电数据；
计算模块，用于从采集的储能站点的运行数据、用电设备的用电数据以及发电设备的发电数据中获取目标参数，并基于所述目标参数计算每个储能站点和发电设备的可调度功率和电量；其中，所述目标参数包括每个储能站点的储电量和充放电量、发电设备的发电量、用电设备的电力使用情况；
调整模块，用于基于预设的粒子群优化算法对每个储能站点和发电设备的可调度功率和电量进行调整，得到最终的调度控制策略。
7.一种分布式协同储能控制设备，其特征在于，所述分布式协同储能控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述分布式协同储能控制设备执行如权利要求1-5中任一项所述的分布式协同储能控制方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的分布式协同储能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311405936.8A CN117154780A (zh) | 2023-10-27 | 2023-10-27 | 分布式协同储能控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311405936.8A CN117154780A (zh) | 2023-10-27 | 2023-10-27 | 分布式协同储能控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117154780A true CN117154780A (zh) | 2023-12-01 |
Family
ID=88884617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311405936.8A Pending CN117154780A (zh) | 2023-10-27 | 2023-10-27 | 分布式协同储能控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117154780A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393868A (zh) * | 2011-10-21 | 2012-03-28 | 克拉玛依红有软件有限责任公司 | 一种实现解决具有复杂计算关系的指标计算模型的方法 |
| CN111144640A (zh) * | 2019-12-24 | 2020-05-12 | 国网河北省电力有限公司邢台供电分公司 | 储能站优化配置方法及终端设备 |
| CN112928767A (zh) * | 2021-03-29 | 2021-06-08 | 广东电网有限责任公司电力科学研究院 | 一种分布式储能协同控制方法 |
| CN113437749A (zh) * | 2021-06-22 | 2021-09-24 | 国网河北省电力有限公司电力科学研究院 | 电力系统无功优化方法、装置及设备 |
| CN114201537A (zh) * | 2022-02-17 | 2022-03-18 | 深圳市聚能优电科技有限公司 | 储能数据的采集存储方法、系统、设备及存储介质 |
| CN114757323A (zh) * | 2022-04-18 | 2022-07-15 | 湖北经济学院 | 基于动态局部进化的高斯粒子群优化算法 |
-
2023
- 2023-10-27 CN CN202311405936.8A patent/CN117154780A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393868A (zh) * | 2011-10-21 | 2012-03-28 | 克拉玛依红有软件有限责任公司 | 一种实现解决具有复杂计算关系的指标计算模型的方法 |
| CN111144640A (zh) * | 2019-12-24 | 2020-05-12 | 国网河北省电力有限公司邢台供电分公司 | 储能站优化配置方法及终端设备 |
| CN112928767A (zh) * | 2021-03-29 | 2021-06-08 | 广东电网有限责任公司电力科学研究院 | 一种分布式储能协同控制方法 |
| CN113437749A (zh) * | 2021-06-22 | 2021-09-24 | 国网河北省电力有限公司电力科学研究院 | 电力系统无功优化方法、装置及设备 |
| CN114201537A (zh) * | 2022-02-17 | 2022-03-18 | 深圳市聚能优电科技有限公司 | 储能数据的采集存储方法、系统、设备及存储介质 |
| CN114757323A (zh) * | 2022-04-18 | 2022-07-15 | 湖北经济学院 | 基于动态局部进化的高斯粒子群优化算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Combined heat and power system intelligent economic dispatch: A deep reinforcement learning approach | |
| Abujarad et al. | Recent approaches of unit commitment in the presence of intermittent renewable energy resources: A review | |
| WO2018059096A1 (zh) | 一种多类电源发电计划组合决策方法及存储介质 | |
| CN103297505B (zh) | 动态云服务请求下数据中心多能源的在线控制方法和系统 | |
| CN102891496A (zh) | 电量调整装置及方法、电量调整程序及电力供给系统 | |
| JP7252906B2 (ja) | 資源同化及び最適化による電力分配制御 | |
| CN111009895B (zh) | 一种微网优化调度方法、系统以及设备 | |
| CN109617099B (zh) | 一种虚拟储能协调控制系统及其方法 | |
| CN108321796A (zh) | 家庭能量管理系统与方法 | |
| Roche et al. | A flexible and efficient multi-agent gas turbine power plant energy management system with economic and environmental constraints | |
| Zhao et al. | A deep reinforcement learning approach to resource management in hybrid clouds harnessing renewable energy and task scheduling | |
| KR20210100699A (ko) | 하이브리드 발전소 | |
| Jiao et al. | An optimization model and modified harmony search algorithm for microgrid planning with ESS | |
| CN112953007A (zh) | 配电网调度方法、装置及系统、处理器、电子设备 | |
| CN115169723A (zh) | 发电功率预测方法、负荷预测方法及模型训练方法 | |
| Hu et al. | Multiobjective genetic algorithm for demand side management of smart grid | |
| CN116961008A (zh) | 计及电力弹簧与负荷需求响应的微电网容量双层优化方法 | |
| Zhang et al. | Structure-aware stochastic load management in smart grids | |
| CN117154780A (zh) | 分布式协同储能控制方法、装置、设备及存储介质 | |
| Schmitt et al. | A dynamic load control strategy for an efficient building demand response | |
| CN101231523B (zh) | 一种灵敏负荷的控制系统及方法 | |
| CN115411751A (zh) | 考虑电网实际调控需求的混合储能系统调度方法 | |
| CN109598856B (zh) | 一种储能计费方法及装置 | |
| Gu et al. | GreenFlowing: A green way of reducing electricity cost for cloud data center using heterogeneous ESDs | |
| WO2021078951A1 (en) | System for configuring demand response for energy grid assets |
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 |