CN117220318B - 电网数字化驱动控制方法及系统 - Google Patents
电网数字化驱动控制方法及系统 Download PDFInfo
- Publication number
- CN117220318B CN117220318B CN202311478348.7A CN202311478348A CN117220318B CN 117220318 B CN117220318 B CN 117220318B CN 202311478348 A CN202311478348 A CN 202311478348A CN 117220318 B CN117220318 B CN 117220318B
- Authority
- CN
- China
- Prior art keywords
- load
- model
- power grid
- feature
- storage system
- 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 42
- 238000004146 energy storage Methods 0.000 claims abstract description 93
- 238000000605 extraction Methods 0.000 claims abstract description 80
- 239000013598 vector Substances 0.000 claims abstract description 63
- 230000008447 perception Effects 0.000 claims abstract description 36
- 238000010248 power generation Methods 0.000 claims abstract description 17
- 238000007599 discharging Methods 0.000 claims abstract description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 51
- 230000036541 health Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Abstract
本发明提供一种电网数字化驱动控制方法及系统，涉及电力技术领域，包括获取目标电网的历史负荷信息、历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，其中，所述负荷预测模型基于深度学习模型和支持向量回归模型构建；实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统充电状态和放电状态。
Description
技术领域
本发明涉及电力技术，尤其涉及一种电网数字化驱动控制方法及系统。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
目前，随着电网的新能源并网、特高压交直流联网和电力市场化运作，大电网的稳定特性、系统性安全风险正在发生深刻变化。电网调控运行规程、规定也日益复杂；特别是与特高压交、直流运行控制相关的安全约束动态变化、异常复杂，需监视的数据维度、频度、精度远超人力水平。
CN202310569140.X，一种基于数字化负荷预测的配电站控制方法及系统，该方法包括：获取目标区域内的N个配电站的历史配电数据，构建供电网络拓扑图，确定N组初始供电规划，对其进行供电负荷预测，获得N个供电负荷预测结果；获取N个配电站的N个实时容量信息，与N个供电负荷预测结果进行比对，获取负荷差值；按照负荷差值进行配电站供电连接，得到N个配电站的连接方案，对供电网络拓扑图进行重构，以重构拓扑图进行配电站供电控制。
CN202210713377.6，电网复杂调控规则的数字化建模系统，包括公用信息模块和规则信息模块；公用信息模块存放设备的在离线映射表；规则信息模块包括运行工况信息和规则库；运行工况信息包括电网运行信息和实时库参-变量映射表，电网运行信息包括电网基础潮流文件和用于定义设备状态、功率和潮流数据的规则参变量，实时库参-变量映射表存放各类参量、变量和电网中SCADA测点、QS文件或综稳潮流的映射表；规则库包括各级电网调度控制规则文本的数字化模型。
现有技术中对电网的控制往往是基于历史数据，难以实现对未来数据进行预测，从而增加控制的准确性；此外，并不考虑电网中可再生能源的电能产量与预测负荷之间的关系，并且根据两者的关系采用相应的控制手段。
发明内容
本发明实施例提供一种电网数字化驱动控制方法及系统，至少能够解决现有技术中部分问题。
本发明实施例的第一方面，
提供一种电网数字化驱动控制方法，包括：
获取目标电网的历史负荷信息、历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；
基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，其中，所述负荷预测模型基于深度学习模型和支持向量回归模型构建；
实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统充电状态和放电状态。
在一种可选的实施方式中，
通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征，并基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，具体包括：
所述特征提取模型包括多层感知器，
所述特征提取模型对所述原始负荷特征进行卷积操作得到卷积特征图，通过所述特征提取模型的特征变换函数确定所述卷积特征图的卷积特征，基于所述特征提取模型的残差连接块将所述原始负荷特征与所述卷积特征进行跳跃连接确定多层感知特征；
通过所述向量回归模型的核函数将所述多层感知特征映射为高维特征，基于所述高维特征与所述向量回归模型的超平面的空间距离进行线性回归，通过所述向量回归模型的决策函数预测所述目标电网对应的负荷需求。
在一种可选的实施方式中，
所述方法还包括对所述特征提取模型进行训练：
基于预先获取的特征训练数据集输入待训练的特征提取模型，确定所述特征提取模型的输出结果作为特征提取结果，以及确定待训练的特征提取模型的损失函数的损失值；
确定所述损失值对所述特征提取结果的第一梯度信息，将所述第一梯度信息从待训练的特征提取模型从输出层向输入层进行传播，确定待训练的特征提取模型的中间层对应的第二梯度信息；
根据所述第一梯度信息和所述第二梯度信息确定所述损失函数的权重参数的梯度和偏置参数的梯度，通过梯度下降算法结合自适应学习率迭代更新所述权重参数和所述偏置参数，直至达到预设迭代次数。
在一种可选的实施方式中，
所述方法还包括对所述向量回归模型进行训练：
基于预先获取的回归训练数据集输入待训练的向量回归模型，其中，所述回归训练数据集包括无标签数据和带标签数据；
通过所述向量回归模型的核函数将所述回归训练数据集映射为高维度核特征，结合惩罚参数、松弛变量以及引入的回归权重参数，构建所述向量回归模型的优化函数，通过序列最小最优化算法求解所述优化函数，确定所述向量回归模型的最优参数。
在一种可选的实施方式中，
根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统充电状态包括:
若所述电能产量小于所述负荷需求，获取所述储能系统的荷电状态，所述储能系统所在环境的环境温度，以及所述目标电网的电网频率；
基于所述荷电状态、所述环境温度以及所述电网频率，确定所述储能系统自适应充电倍率；
根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态、所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流。
在一种可选的实施方式中，
根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态、所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流包括：
；
其中，I charge表示所述充电电流，K p、K d分别表示比例系数和微分系数，△SOC、△T、△SOH分别表示实际荷电状态与目标荷电状态的荷电状态差、当前温度与目标温度的温度差值以及实际健康度与目标健康度的健康差值，K temp、K SOH分别表示温度对应的控制系数以及健康度对应的控制系数，C z表示所述自适应充电倍率。
在一种可选的实施方式中，
根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统放电状态包括：
若所述电能产量大于等于所述负荷需求，确定所述负荷需求在预设时间段的负荷变化率以及所述储能系统的荷电状态，根据模糊逻辑控制算法确定动态功率控制因子，其中，所述动态功率控制因子用于指示所述储能系统中用于调整功率的参数；
确定所述目标电网施加在所述储能系统的电网电压、所述储能系统的放电电流以及所述储能系统的内阻电流，并且引入温度补偿因子和荷电补偿因子，结合所述动态功率控制因子确定所述储能系统的放电功率。
本发明实施例的第二方面，
提供一种电网数字化驱动控制系统，包括：
第一单元，用于获取目标电网的历史负荷信息、历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；
第二单元，用于基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，其中，所述负荷预测模型基于深度学习模型和支持向量回归模型构建；
第三单元，用于实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统充电状态和放电状态。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
获取目标电网的历史负荷信息、历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；
通过充分利用历史负荷信息、天气数据和光伏发电量等特征，特征提取模型可以更准确地捕捉到负荷需求的复杂关系，提高负荷预测的准确性；设计的特征提取模型能够动态地适应不同的负荷波动和天气变化，有效抽取出反映负荷需求特征的多层次、非线性特征，提高负荷预测的精度；特征提取模型的设计使其具备对负荷波动和不确定性的鲁棒性，能够更好地适应不同时间段的负荷变化，提高系统的稳定性；由于特征提取模型具备较高的计算效率，系统能够快速响应新的负荷特征，实时更新预测结果，使得系统具备更快的决策能力；通过更准确的负荷预测，储能系统可以更智能地调整充放电策略，实现在电力需求高峰期充电、低谷期放电，提高储能系统的利用效率。
实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统的充电状态和放电状态。
在本发明中，通过实时监测电能产量和负荷需求，储能系统可以在可再生能源供应充足时进行充电，从而高效利用可再生能源，减少能源浪费；在电能产量不足以满足负荷需求时，储能系统可以根据实时需求情况进行放电，帮助平衡电网负荷，确保稳定的电力供应；动态调整充放电策略，避免电能在储能系统中的长时间滞留，提高了电能的利用效率。
附图说明
图1为本发明实施例电网数字化驱动控制方法的流程示意图；
图2为本发明实施例电网数字化驱动控制系统的结构示意图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例电网数字化驱动控制方法的流程示意图，如图1所示，所述方法包括：
S101. 获取目标电网的历史负荷信息、历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；
示例性地，可以从目标电网的历史记录中获取负荷数据，通常以小时为单位，这可以包括过去数年的数据；获取目标地区的历史天气数据，包括温度、湿度、风速等信息，通常以小时为单位；获取目标地区的光伏发电量数据，通常以小时为单位。
此外，可以从日期时间中提取小时、星期几等时间信息，将其转换为数值特征，对于天气信息，可以进行标准化处理，确保不同特征具有相似的数值范围；将光伏发电量进行归一化处理，确保数值范围在0到1之间。将经过预处理的历史负荷信息、历史天气信息和光伏发电量数据按照时间对应关系组合成特征向量，特征向量的每个元素代表一个特定的特征。
使用预设的负荷预测模型（例如多层感知器）来训练和构建预测模型，这个模型将接受特征向量作为输入，并预测未来时刻的负荷需求。构建一个特征提取模型，通常可以使用深度学习中的卷积神经网络（CNN）或循环神经网络（RNN）来处理时间序列数据，该模型将接受原始负荷特征（历史负荷、历史天气、光伏发电量）作为输入。如果选择多层感知器作为特征提取模型，它可以接受特征向量作为输入，然后通过多个隐藏层进行特征提取和抽象，最终输出多层感知特征；将多个特征提取模型的输出进行融合，可以采用简单的连接、加权平均等方法。
通过充分利用历史负荷信息、天气数据和光伏发电量等特征，特征提取模型可以更准确地捕捉到负荷需求的复杂关系，提高负荷预测的准确性；设计的特征提取模型能够动态地适应不同的负荷波动和天气变化，有效抽取出反映负荷需求特征的多层次、非线性特征，提高负荷预测的精度；特征提取模型的设计使其具备对负荷波动和不确定性的鲁棒性，能够更好地适应不同时间段的负荷变化，提高系统的稳定性；由于特征提取模型具备较高的计算效率，系统能够快速响应新的负荷特征，实时更新预测结果，使得系统具备更快的决策能力；通过更准确的负荷预测，储能系统可以更智能地调整充放电策略，实现在电力需求高峰期充电、低谷期放电，提高储能系统的利用效率。
在一种可选的实施方式中，
通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征，并基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，具体包括：
所述特征提取模型包括多层感知器，
所述特征提取模型对所述原始负荷特征进行卷积操作得到卷积特征图，通过所述特征提取模型的特征变换函数确定所述卷积特征图的卷积特征，基于所述特征提取模型的残差连接块将所述原始负荷特征与所述卷积特征进行跳跃连接确定多层感知特征；
通过所述向量回归模型的核函数将所述多层感知特征映射为高维特征，基于所述高维特征与所述向量回归模型的超平面的空间距离进行线性回归，通过所述向量回归模型的决策函数预测所述目标电网对应的负荷需求。
示例性地，使用多层感知器（MLP）作为特征提取模型，该模型包含卷积操作和残差连接块；将原始负荷特征输入到卷积层，获取卷积特征图；将原始负荷特征与卷积特征图进行残差连接，得到多层感知特征。将多层感知特征映射为高维特征，可以使用核函数（如RBF核）进行映射；基于高维特征与向量回归模型的超平面的空间距离进行线性回归，拟合负荷需求。
利用多层感知特征提取和向量回归模型，能够更准确地捕捉负荷需求的复杂关系，提高负荷预测的准确性；特征提取模型中的卷积操作和残差连接允许系统自动学习并适应负荷特征的变化，提高了对不同负荷波动的适应能力；使用核函数进行特征映射，可以将多层感知特征映射到高维空间，增加模型对复杂特征的表达能力，提高负荷预测的精度；结合了多层感知特征提取和向量回归模型，提高了模型的泛化能力，使其在不同时间段和不同环境下都能够准确预测负荷需求。
在一种可选的实施方式中，
所述方法还包括对所述特征提取模型进行训练：
基于预先获取的特征训练数据集输入待训练的特征提取模型，确定所述特征提取模型的输出结果作为特征提取结果，以及确定待训练的特征提取模型的损失函数的损失值；
确定所述损失值对所述特征提取结果的第一梯度信息，将所述第一梯度信息从待训练的特征提取模型从输出层向输入层进行传播，确定待训练的特征提取模型的中间层对应的第二梯度信息；
根据所述第一梯度信息和所述第二梯度信息确定所述损失函数的权重参数的梯度和偏置参数的梯度，通过梯度下降算法结合自适应学习率迭代更新所述权重参数和所述偏置参数，直至达到预设迭代次数。
示例性地，假设一个包含N个样本的训练集，每个样本的输入为x i，对应的真实标签为y i，网络的输出为y pred。可以计算损失函数对应的损失值L对特征提取结果，也即特征提取模型的输出结果的第一梯度信息；
根据链式法则，将梯度从输出层向输入层传播，计算每个中间层的第二梯度信息，其中，z j表示第j层网络的加权输入；
根据所述第一梯度信息和所述第二梯度信息确定所述损失函数的权重参数的梯度和偏置参数的梯度：
损失函数的权重参数的梯度为：
；
其中，L表示损失函数对应的损失值，W j表示第j层网络的权重参数；
损失函数的偏置参数的梯度为：
；
其中，b j表示第j层网络的偏置参数；
通过梯度下降算法结合自适应学习率迭代更新所述权重参数和所述偏置参数：
；
；
其中，R表示自适应学习率，用于控制每次更新的步长，W j-1表示第j-1层网络的权重参数，b j-1表示第j-1层网络的偏置参数。
本申请通过使用二阶优化技术，模型通常能够在相对较少的迭代次数内达到较好的性能水平；通过利用损失函数的二阶梯度信息，模型的参数更新更为准确；传统的梯度下降方法可能会在参数更新时出现震荡，即参数在损失函数的局部最小值周围波动；二阶优化技术可以更好地避免这种情况，使得参数更加稳定；通过更精确的参数更新，模型通常具有更好的泛化性能，即在未见过的数据上也能够取得较好的预测结果。
S102. 基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，其中，所述负荷预测模型基于深度学习模型和支持向量回归模型构建；
示例性地，可以将深度学习模型的输出特征作为支持向量回归模型的输入，构建支持向量回归模型，选择合适的核函数（如线性核、多项式核或高斯核），使用历史数据集对支持向量回归模型进行训练，调整超参数，以适应负荷需求的非线性关系。
在一种可选的实施方式中，
所述方法还包括对所述向量回归模型进行训练：
基于预先获取的回归训练数据集输入待训练的向量回归模型，其中，所述回归训练数据集包括无标签数据和带标签数据；
通过所述向量回归模型的核函数将所述回归训练数据集映射为高维度核特征，结合惩罚参数、松弛变量以及引入的回归权重参数，构建所述向量回归模型的优化函数，通过序列最小最优化算法求解所述优化函数，确定所述向量回归模型的最优参数。
示例性地，本申请的回归训练数据集可以包括包括无标签数据（特征数据）和带标签数据（对应的目标值，即负荷需求）；将原始特征映射为高维度核特征，常用的核函数包括线性核、多项式核和高斯核（径向基函数核）。
本申请使用带松弛变量的损失函数构建向量回归模型的优化函数，其中，损失函数可以包括拟合误差和正则化项，其中正则化项用于控制模型的复杂度。本申请的优化函数可以如下公式所示：
；
；
其中，loss表示优化函数对应的优化值，w表示权重向量，C表示正则化系数，K表示训练特征的数量，KL k表示第一松弛变量，表示第二松弛变量，X k、Y k分别表示回归训练数据集对应的特征以及向量回归模型的输出结果，Re()表示所述向量回归模型的核函数，B表示偏置参数，v表示容忍度。
进一步地，可以通过序列最小最优化算法求解所述优化函数，确定所述向量回归模型的最优参数，其中，最优参数可以包括权重向量、偏置参数以及松弛向量的最优值。示例性地，松弛变量的作用是引入对误分类样本的惩罚，松弛变量的引入允许一些样本不满足函数间隔的硬性要求，但会受到惩罚。容忍度，控制了预测值与真实值之间的误差。此外，本申请的第一松弛变量对应于样本点的预测值大于实际标签的情况，第二松弛变量对应于样本点的预测值小于实际标签的情况，两个松弛变量的引入允许模型对一些数据点的预测误差进行一定程度的容忍，从而使得模型更具鲁棒性，能够适应一定范围内的噪声和波动。不同的松弛变量的设置使得模型能够在预测过程中更灵活地处理误差，从而得到更好的泛化能力。
S103. 实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统的充电状态和放电状态。
实时获取目标电网中可再生能源的电能产量，然后与负荷需求进行比较，以自适应方式调整储能系统的充电状态和放电状态是一种智能能源管理系统的关键功能。对实时获取的可再生能源电能产量与预测的负荷需求进行比较，如果可再生能源产量大于负荷需求，储能系统可以选择进行充电，将多余的能量存储起来。如果可再生能源产量小于负荷需求，储能系统可以选择进行放电，释放储存的能量来满足电网需求。
其中，自适应动态调整储能系统的充电状态可以包括根据实时负荷需求预测，确定充电的时机和速率。可以使用预测模型来预测未来一段时间内的负荷需求，然后制定充电计划。考虑储能系统的充电效率，选择在电网需求较低、可再生能源产量较高的时段进行充电。在电网需求较高、可再生能源产量较低的时段进行放电，以满足高峰时期的需求。
根据历史数据和实时需求情况，动态调整储能系统的SOC（State of Charge）阈值，在负荷需求高峰期前，确保储备足够的电能。根据电网频率和稳定性，动态调整放电功率。避免放电功率对电网造成冲击，同时确保满足电网需求。
在本发明中，通过实时监测电能产量和负荷需求，储能系统可以在可再生能源供应充足时进行充电，从而高效利用可再生能源，减少能源浪费；在电能产量不足以满足负荷需求时，储能系统可以根据实时需求情况进行放电，帮助平衡电网负荷，确保稳定的电力供应；动态调整充放电策略，避免电能在储能系统中的长时间滞留，提高了电能的利用效率。
在一种可选的实施方式中，
根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述储能系统充电状态包括:
若所述电能产量小于所述负荷需求，获取所述储能系统的荷电状态，所述储能系统所在环境的环境温度，以及所述目标电网的电网频率；
基于所述荷电状态、所述环境温度以及所述电网频率，确定所述储能系统自适应充电倍率；
根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态、所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流。
示例性地，可以计算充电电流的调整量，设定目标荷电状态、目标健康度和目标温度；根据当前状态与目标状态的差异，计算出比例、积分和微分控制的误差值。使用PD控制算法，结合误差值和自适应充电倍率，调整储能系统的充电电流。PD控制算法可以确保在充电过程中稳定地接近目标状态。
在一种可选的实施方式中，
根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态、所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流包括：
；
其中，I charge表示所述充电电流，K p、K d分别表示比例系数和微分系数，△SOC、△T、△SOH分别表示实际荷电状态与目标荷电状态的荷电状态差、当前温度与目标温度的温度差值以及实际健康度与目标健康度的健康差值，K temp、K SOH分别表示温度对应的控制系数以及健康度对应的控制系数，C z表示所述自适应充电倍率。
需要说明的是，自适应充电倍率是指储能系统在不同电能产量和负荷需求情况下，根据实时环境因素（例如储能系统的当前荷电状态、环境温度和目标电网的电网频率等）自动调整其充电速率的参数。这个倍率决定了储能系统在充电时所采用的电流大小。
在一种可选的实施方式中，
根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统放电状态包括：
若所述电能产量大于等于所述负荷需求，确定所述负荷需求在预设时间段的负荷变化率以及所述储能系统的荷电状态，根据模糊逻辑控制算法确定动态功率控制因子，其中，所述动态功率控制因子用于指示所述储能系统中用于调整功率的参数；
确定所述目标电网施加在所述储能系统的电网电压、所述储能系统的放电电流以及所述储能系统的内阻电流，并且引入温度补偿因子和荷电补偿因子，结合所述动态功率控制因子确定所述储能系统的放电功率。
示例性地，确定储能系统的放电功率的方法可以如下公式所示：
；
其中，P dc (t)表示t时刻的放电功率，V bat表示所述储能系统的电网电压，I dc表示所述储能系统的放电电流，I ir表示所述储能系统的内阻电流，T(t)表示温度补偿因子，SOC(t)表示荷电补偿因子，DFactor(t)表示动态功率控制因子。
示例性地，温度对储能系统的性能有显著影响。通常情况下，电池的性能在不同温度下会发生变化，特别是储能系统中使用的锂离子电池。温度补偿因子用于校正储能系统的放电功率，以确保在不同温度条件下，系统能够提供稳定和可靠的功率输出。荷电状态（SOC，State of Charge）指的是电池当前充电量与最大充电量的比值。荷电补偿因子用于校正储能系统的放电功率，以考虑电池的充放电效率和健康度。荷电状态越低，电池的内部电阻可能增加，从而影响系统的放电性能。
示例性地，本申请可以通过模糊逻辑控制算法确定动态功率控制因子，具体的：对于每个输入变量，设计模糊集合，例如“低（Low）”，“中等（Medium）”，“高（High）”；基于经验或专家知识，建立模糊规则，例如：“如果负荷需求变化率为高且SOC为中等，则动态功率控制因子为大”等；根据输入变量的值和模糊规则，使用模糊推理方法计算动态功率控制因子的模糊输出，将模糊输出转化为具体的实际数值，通常采用加权平均或其他解模糊方法；每隔一定时间或在特定事件触发下，重新获取输入变量的值，经过模糊逻辑控制，得到新的动态功率控制因子，实时调整放电功率。
示例性地，假设有三个模糊集合（Low、Medium、High）用于负荷需求变化率和SOC两个输入变量，以及三个模糊集合（Small、Medium、Large）用于动态功率控制因子的输出。模糊规则可以如下定义：
规则1： 如果负荷需求变化率为Low且SOC为Low，则动态功率控制因子为Large。
规则2： 如果负荷需求变化率为Medium且SOC为Medium，则动态功率控制因子为Medium。
规则3： 如果负荷需求变化率为High且SOC为High，则动态功率控制因子为Small。
通过这些模糊规则和输入变量的值，可以计算出具体的动态功率控制因子，以实现动态调整放电功率。
图2为本发明实施例电网数字化驱动控制系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于获取目标电网的历史负荷信息、历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；
第二单元，用于基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，其中，所述负荷预测模型基于深度学习模型和支持向量回归模型构建；
第三单元，用于实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统充电状态和放电状态。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (8)
1.一种电网数字化驱动控制方法，其特征在于，包括：
获取目标电网的历史负荷信息、历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；
基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，其中，所述负荷预测模型基于深度学习模型和支持向量回归模型构建；
实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统的充电状态和放电状态；
所述特征提取模型包括多层感知器；通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征，并基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，具体包括：
所述特征提取模型对所述原始负荷特征进行卷积操作得到卷积特征图，通过所述特征提取模型的特征变换函数确定所述卷积特征图的卷积特征，基于所述特征提取模型的残差连接块将所述原始负荷特征与所述卷积特征进行跳跃连接确定多层感知特征；
通过所述向量回归模型的核函数将所述多层感知特征映射为高维特征，基于所述高维特征与所述向量回归模型的超平面的空间距离进行线性回归，通过所述向量回归模型的决策函数预测所述目标电网对应的负荷需求；
所述方法还包括对所述特征提取模型进行训练：
基于预先获取的特征训练数据集输入待训练的特征提取模型，确定所述特征提取模型的输出结果作为特征提取结果，以及确定待训练的特征提取模型的损失函数的损失值；
确定所述损失值对所述特征提取结果的第一梯度信息，将所述第一梯度信息从待训练的特征提取模型从输出层向输入层进行传播，确定待训练的特征提取模型的中间层对应的第二梯度信息；
根据所述第一梯度信息和所述第二梯度信息确定所述损失函数的权重参数的梯度和偏置参数的梯度，通过梯度下降算法结合自适应学习率迭代更新所述权重参数和所述偏置参数，直至达到预设迭代次数。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括对所述向量回归模型进行训练：
基于预先获取的回归训练数据集输入待训练的向量回归模型，其中，所述回归训练数据集包括无标签数据和带标签数据；
通过所述向量回归模型的核函数将所述回归训练数据集映射为高维度核特征，结合惩罚参数、松弛变量以及引入的回归权重参数，构建所述向量回归模型的优化函数，通过序列最小最优化算法求解所述优化函数，确定所述向量回归模型的最优参数。
3.根据权利要求1所述的方法，其特征在于，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统充电状态包括：
若所述电能产量小于所述负荷需求，获取所述储能系统的荷电状态，所述储能系统所在环境的环境温度，以及所述目标电网的电网频率；
基于所述荷电状态、所述环境温度以及所述电网频率，确定所述储能系统自适应充电倍率；
根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态、所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流。
4.根据权利要求3所述的方法，其特征在于，根据所述自适应充电倍率，结合所述储能系统的实际荷电状态与目标荷电状态、所述储能系统的实际健康度与目标健康度以及所述储能系统的当前温度与目标温度，通过比例微分控制算法动态调整所述储能系统的充电电流包括：
；
其中，I charge表示所述充电电流，K p、K d分别表示比例系数和微分系数，△SOC、△T、△SOH分别表示实际荷电状态与目标荷电状态的荷电状态差、当前温度与目标温度的温度差值以及实际健康度与目标健康度的健康差值，K temp、K SOH分别表示温度对应的控制系数以及健康度对应的控制系数，C z表示所述自适应充电倍率。
5.根据权利要求1所述的方法，其特征在于，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统放电状态包括：
若所述电能产量大于等于所述负荷需求，确定所述负荷需求在预设时间段的负荷变化率以及所述储能系统的荷电状态，根据模糊逻辑控制算法确定动态功率控制因子，其中，所述动态功率控制因子用于指示所述储能系统中用于调整功率的参数；
确定所述目标电网施加在所述储能系统的电网电压、所述储能系统的放电电流以及所述储能系统的内阻电流，并且引入温度补偿因子和荷电补偿因子，结合所述动态功率控制因子确定所述储能系统的放电功率。
6.一种加载权利要求1至5中任一项所述的电网数字化驱动控制方法的电网数字化驱动控制系统，其特征在于，包括：
第一单元，用于获取目标电网的历史负荷信息、历史天气信息以及所述目标电网的光伏发电量作为原始负荷特征，通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征；
第二单元，用于基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，其中，所述负荷预测模型基于深度学习模型和支持向量回归模型构建；
第三单元，用于实时获取所述目标电网中可再生能源的电能产量，根据所述电能产量与所述负荷需求的比较结果，自适应动态调整所述目标电网中储能系统的充电状态和放电状态；
所述特征提取模型包括多层感知器；通过预设的负荷预测模型的特征提取模型确定所述原始负荷特征对应的多层感知特征，并基于所述多层感知特征通过所述负荷预测模型的向量回归模型预测所述目标电网对应的负荷需求，具体包括：
所述特征提取模型对所述原始负荷特征进行卷积操作得到卷积特征图，通过所述特征提取模型的特征变换函数确定所述卷积特征图的卷积特征，基于所述特征提取模型的残差连接块将所述原始负荷特征与所述卷积特征进行跳跃连接确定多层感知特征；
通过所述向量回归模型的核函数将所述多层感知特征映射为高维特征，基于所述高维特征与所述向量回归模型的超平面的空间距离进行线性回归，通过所述向量回归模型的决策函数预测所述目标电网对应的负荷需求；
所述系统还包括对所述特征提取模型进行训练：
基于预先获取的特征训练数据集输入待训练的特征提取模型，确定所述特征提取模型的输出结果作为特征提取结果，以及确定待训练的特征提取模型的损失函数的损失值；
确定所述损失值对所述特征提取结果的第一梯度信息，将所述第一梯度信息从待训练的特征提取模型从输出层向输入层进行传播，确定待训练的特征提取模型的中间层对应的第二梯度信息；
根据所述第一梯度信息和所述第二梯度信息确定所述损失函数的权重参数的梯度和偏置参数的梯度，通过梯度下降算法结合自适应学习率迭代更新所述权重参数和所述偏置参数，直至达到预设迭代次数。
7.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至5中任意一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311478348.7A CN117220318B (zh) | 2023-11-08 | 2023-11-08 | 电网数字化驱动控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311478348.7A CN117220318B (zh) | 2023-11-08 | 2023-11-08 | 电网数字化驱动控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117220318A CN117220318A (zh) | 2023-12-12 |
| CN117220318B true CN117220318B (zh) | 2024-04-02 |
Family
ID=89044781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311478348.7A Active CN117220318B (zh) | 2023-11-08 | 2023-11-08 | 电网数字化驱动控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117220318B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553193A (zh) * | 2020-04-01 | 2020-08-18 | 东南大学 | 一种基于轻量级深层神经网络的视觉slam闭环检测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN114595874A (zh) * | 2022-02-24 | 2022-06-07 | 武汉大学 | 一种基于动态神经网络的超短期电力负荷预测方法 |
| CN115660161A (zh) * | 2022-10-18 | 2023-01-31 | 三峡大学 | 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法 |
| 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
- 2023-11-08 CN CN202311478348.7A patent/CN117220318B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553193A (zh) * | 2020-04-01 | 2020-08-18 | 东南大学 | 一种基于轻量级深层神经网络的视觉slam闭环检测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN114595874A (zh) * | 2022-02-24 | 2022-06-07 | 武汉大学 | 一种基于动态神经网络的超短期电力负荷预测方法 |
| CN115660161A (zh) * | 2022-10-18 | 2023-01-31 | 三峡大学 | 一种基于时序融合Transformer模型的中期小时级负荷概率预测方法 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| Load Forecasting Method Based on CS-DBN-LSTM;Yiyan Liu et al.;《2022 International Conference on Power Energy Systems and Applications (ICoPESA)》;第115-119页 * |
| 基于深度长短期记忆神经网络的短期负荷预测;王激华等;《广东电力》;第33卷(第8期);第62-68页 * |
| 基于知识-数据混合驱动的综合能源系统多元负荷预测方法;王力成等;《高技术通讯》;第33卷(第8期);第791-801页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117220318A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
| Ghods et al. | Methods for long-term electric load demand forecasting; a comprehensive investigation | |
| Dolatabadi et al. | A novel model-free deep reinforcement learning framework for energy management of a PV integrated energy hub | |
| CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
| Shah et al. | A novel prediction error-based power forecasting scheme for real pv system using pvusa model: A grey box-based neural network approach | |
| CN113919545A (zh) | 一种多数据模型融合的光伏发电功率预测方法和系统 | |
| CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及系统 | |
| CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
| CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
| CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
| Yuan et al. | Design and hil realization of an online adaptive dynamic programming approach for real-time economic operations of household energy systems | |
| Das et al. | Approximate dynamic programming with policy-based exploration for microgrid dispatch under uncertainties | |
| Zou et al. | Advancements in Artificial Neural Networks for health management of energy storage lithium-ion batteries: A comprehensive review | |
| CN114429248A (zh) | 一种变压器视在功率预测方法 | |
| Sen | Time Series Prediction based on Improved Deep Learning | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| CN117220318B (zh) | 电网数字化驱动控制方法及系统 | |
| Liu et al. | Varying condition scopf optimization based on deep learning and knowledge graph | |
| Yundra et al. | Hybrid Model Combined Fuzzy Multi-Objective Decision Making with Feed Forward Neural Network (F-MODM-FFNN) For Very Short-Term Load Forecasting Based on Weather Data. | |
| CN114298429A (zh) | 一种配电网动案辅助决策方法、系统、装置和存储介质 | |
| Mahto et al. | MPGCN-OPF: A message passing graph convolution approach for optimal power flow for distribution network | |
| Bizjak et al. | Time series prediction for EMS with machine learning | |
| Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries | |
| CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
| Sala et al. | Enhanced load forecasting methodology by means of probabilistic prediction intervals estimation |
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 |