CN117239740A - 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 - Google Patents
一种虚拟电厂系统的优化配置与灵活性提升方法及系统 Download PDFInfo
- Publication number
- CN117239740A CN117239740A CN202311508039.XA CN202311508039A CN117239740A CN 117239740 A CN117239740 A CN 117239740A CN 202311508039 A CN202311508039 A CN 202311508039A CN 117239740 A CN117239740 A CN 117239740A
- Authority
- CN
- China
- Prior art keywords
- energy
- representing
- demand
- predicted
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 238000004146 energy storage Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims description 24
- 230000001932 seasonal effect Effects 0.000 claims description 21
- 238000007726 management method Methods 0.000 claims description 15
- 238000012300 Sequence Analysis Methods 0.000 claims description 12
- 238000012731 temporal analysis Methods 0.000 claims description 12
- 238000000700 time series analysis Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 229910052720 vanadium Inorganic materials 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及虚拟电厂电力调配技术领域,具体地说,涉及一种虚拟电厂系统的优化配置与灵活性提升方法及系统。其包括以下步骤:S1、建立多能源管理系统,接收来自多种不同类型的分散式能源资源的监测数据和电网中的用电负荷需求;S2、基于实时监测数据和用电负荷需求数据,多能源管理系统预测未来用电负荷需求和能源产量;S3、基于能源供需优化预测模型预测的结果,引入能源调度优化算法,协调分散式能源资源中各个能源的产能。通过分配两种模型的权重,提高预测的准确性和稳定性,提高预测模型的适应能力和鲁棒性,使预测得到的太阳能、风能和储能系统在预测时刻的电力负荷产量以及在预测时刻电力系统的电力需求更加准确。
Description
技术领域
本发明涉及虚拟电厂电力调配技术领域,具体地说,涉及一种虚拟电厂系统的优化配置与灵活性提升方法及系统。
背景技术
虚拟电厂系统是指通过集成和协调多种分布式能源资源(DERs),例如太阳能光伏、风力发电、储能系统、微型燃气轮机等,以及灵活负荷,实现对能源的集中管理和协调调度的系统。虚拟电厂通过集中管理和协调这些分散式能源资源,可以更加高效地调度和利用能源,提高整体能源利用率,减少能源浪费。
但是,现有的虚拟电厂在进行电力资源分配时,由于对未来电力需求预测的误差,导致电力资源分配不均,因此,提供一种虚拟电厂系统的优化配置与灵活性提升方法及系统。
发明内容
本发明的目的在于提供一种虚拟电厂系统的优化配置与灵活性提升方法及系统,以解决上述背景技术中提出的对未来电力需求预测的误差,导致电力资源分配不均的问题。
为实现上述目的,本发明目的在于提供了一种虚拟电厂系统的优化配置与灵活性提升方法,包括以下步骤:
S1、建立多能源管理系统,接收来自多种不同类型的分散式能源资源的监测数据和电网中的用电负荷需求,并建立开放式数据接口(API),其中,分散式能源资源包括太阳能、风能和储能系统;
S2、基于实时监测数据和用电负荷需求数据,多能源管理系统基于能源供需优化预测模型,预测未来用电负荷需求和能源产量,根据预测结果,制定未来的能源生产计划,能源生产计划包括分配产能和分散式能源间资源调配;其中,所述能源供需优化预测模型是由时间序列分析模型和机器学习模型构建的混合模型,混合模型具体为:
;
其中,表示混合模型的预测值;为用于加权的系数;表示机器学习模
型的权重,表示时间序列分析模型的预测值,表示机器学习模型的预测值;
S3、基于能源供需优化预测模型预测的结果,引入能源调度优化算法,协调分散式能源资源中各个能源的产能,利用储能系统平衡能源产量和用电负荷需求之间的波动,确保整体系统的电力供需平衡。
作为本技术方案的进一步改进,所述S1中,所述多能源管理系统包括数据采集模块、数据存储模块、API接口模块、用电负荷监测模块、负荷预测模块、能源调度优化模块和储能管理模块;
其中,所述数据采集模块用于收集来自太阳能、风能和储能系统等分散式能源资源的监测数据,监测数据包括能源产量、能源需求和能源价格信息;
所述数据存储模块用于存储采集到的数据,并确保数据的安全性和可靠性;
所述API接口模块用于建立开放式数据接口,以实现分散式能源资源之间的数据实时共享和互操作性;
所述用电负荷监测模块用于收集和监测电网中各个地区的实时用电负荷数据,以了解不同时间段的用电需求情况;
所述负荷预测模块基于能源供需优化预测模型,预测未来用电负荷需求和能源产量;
所述能源调度优化模块基于能源调度优化算法,根据能源产量、用电负荷需求,对能源的分配和调度进行优化,以满足电网中的用电需求,并确保能源的高效利用;
所述储能管理模块用于管理储能系统,在能源供应过剩时储存多余能源,在能源供应不足时释放能源,以提高能源利用效率和系统的灵活性。
作为本技术方案的进一步改进,所述S2中,所述能源供需优化预测模型是由时间序列分析模型和机器学习模型构建的混合模型:
时间序列分析模型具体为:
;
其中,表示在时间点上的能源产量或能源需求的预测值;为截距项,表示一
个常数,用来表示当所有自回归项和移动平均项都为零时的基准值;表示在时间点上白
噪声误差项;表示在时间点上白噪声误差项;表示自回归项的系数,用来表示
过去时间点的能源产量或需求对当前时间点的影响;表示移动平均项的系数,用来表示
过去时间点的白噪声误差对当前时间点的影响;表示在时间点上能源产量或能
源需求的预测值;表示过去时间的步长;
由于,能源需求受季节和温度的影响较大,因此,在时间序列分析模型的基础上,引入季节和温度因素对上述时间序列分析模型进行优化,则优化后的模型具体为:
;
其中,为温度变量;为温度变量的系数,表示温度变量对能源产量或能源需
求的影响程度;表示非季节性滞后算子;表示一阶非季节性差分算子;表示季节
性滞后算子;表示一阶季节性差分算子;表示当前时间点的预测值与前个
时间点的预测值之间的自回归关系;表示当前时间点的预测值与同一季节的前
个时间点的预测值之间的自回归关系;表示当前时间点的预测值与前个时间点
的白噪声误差之间的移动平均关系;表示当前时间点的预测值与同一季节的前
个时间点的白噪声误差之间的移动平均关系;表示季节性差分的阶数;表示非季节性
差分的阶数;
机器学习模型具体为:
;
其中,表示预测的能源产量或能源需求;、、…、为机器学习模型的自变
量,表示能源产量或能源需求的特征;为截距,表示自变量(、、…、)都为零时,
能源产量或能源需求的基准值;、、…、为斜率系数,表示各个自变量对能源产量或
能源需求的影响程度;为误差项,表示该模型中无法解释的随机误差或干扰项。
作为本技术方案的进一步改进,将所述时间序列分析模型和机器学习模型的结果进行整合优化,得到混合模型,由混合模型计算得到最终的能源产量和能源需求的预测值,具体算法如下:
;
其中,表示混合模型的预测值;为用于加权的系数;表示机器学习模
型的权重,表示时间序列分析模型的预测值,表示机器学习模型的预测值。
作为本技术方案的进一步改进,所述能源调度优化模块基于能源调度优化算法,根据能源产量、用电负荷需求,对分散式能源资源进行调度和再分配,所述能源调度优化算法具体算法步骤如下:
S3.1、通过能源供需优化预测模型得到能源产量和能源需求的预测值;
S3.2、基于能源调度优化算法,计算预测电力负荷与预测能源产量之间的差异;
S3.3、根据差异的计算结果,由能源调度优化算法制定调度策略,调整各分散式能源资源的产能,以满足电力负荷需求。
作为本技术方案的进一步改进,所述能源调度优化算法具体为:
预测电力负荷与预测能源产量之间的差异计算:
;
其中,表示在时间时,预测电力负荷与预测能源产量的差异值;表示在时
间时,电力系统需求的预测电力负荷量;表示在时间时,系统中分散式能源资源的
预测能源产量;
作为本技术方案的进一步改进,根据预测电力负荷与预测能源产量的差异值,
则太阳能产能调配公式为:
;
其中,表示调整后的太阳能产能;表示初始的太阳能产能;表示调整
系数;
则风能产能调配公式为:
;
其中,表示调整后的风能产能;表示初始的风能产能;表示调整系
数;
则储能系统调配公式为:
;
其中,表示调整后的储能系统放电量;表示初始的储能系统放电量;
表示调整系数;
在本实施例中,调整系数、和的具体数值通过历史数据分析得到,用于调整
能源产能的变化幅度;同时,当时,表示电力系统的需求超过了能源产量,即电力负
荷需求大于能源产能,可以通过增加太阳能和风能的产能输出、调整储能系统的放电量以
弥补能源缺口;进一步地,当,表示能源产能超过了电力负荷需求,即能源产量大于
电力系统的需求,此时,可以将多余的能源存储到储能系统中,控制太阳能和风能的产能输
出,以避免能源浪费;再进一步地,当,则表示电力负荷需求与能源产量之间达到了
平衡,保持当前的能源产能状态即可。
作为本技术方案的进一步改进,所述能源调度优化模块还包括供电单元,所述供电单元基于能源调度优化算法计算得到的调度策略,通过API接口模块分别给太阳能、风能和储能系统下发控制指令,根据电力负荷需求动态调配各个能源资源的产能。
作为本技术方案的进一步改进,所述供电单元用于将太阳能、风能和储能系统的能源调度并供给电网,其中,所述储能系统还包括供电能源库和后备能源库,所述太阳能系统和风能系统的能源暂存至供电能源库,并由供电能源库送入供电单元,所述供电单元用于控制供电能源库将多余能源存入后备能源库中,所述后备能源库是由超级电容与全钒液流电池组成的混合储能系统;其中,将太阳能和风能集中存储在混合储能系统中可以平衡能源供给和需求之间的差异,缓解电力波动对电网运行的影响,保障电网的可靠供电,确保持续稳定的电力供应。
另一方面,本发明提供了一种虚拟电厂系统的优化配置与灵活性提升系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行计算机程序实现上述任意一项所述的虚拟电厂系统的优化配置与灵活性提升方法的步骤。
与现有技术相比,本发明的有益效果:
1、该虚拟电厂系统的优化配置与灵活性提升方法及系统中,在由时间序列分析模型和机器学习模型构建的混合模型中引入季节和温度因素,对能源供需优化预测模型进行优化,通过分配两种模型的权重,提高预测的准确性和稳定性,提高预测模型的适应能力和鲁棒性,使预测得到的太阳能、风能和储能系统在预测时刻的电力负荷产量以及在预测时刻电力系统的电力需求更加准确。
2、该虚拟电厂系统的优化配置与灵活性提升方法及系统中,基于能源供需优化预测模型预测的结果,通过能源调度优化模块,协调分散式能源资源中各个能源的产能,根据能源产量、用电负荷需求,对分散式能源资源进行调度和再分配,利用储能系统平衡能源产量和用电负荷需求之间的波动,确保整体系统的电力供需平衡。
附图说明
图1为本发明的整体方法流程图。
具体实施方式
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、完整的描述,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。
请参阅图1所示,本实施例提供了一种虚拟电厂系统的优化配置与灵活性提升方法,包括以下步骤:
S1、建立多能源管理系统,接收来自多种不同类型的分散式能源资源的监测数据和电网中的用电负荷需求,其中,监测数据包括能源产量、能源价格,能源价格用于监控能源产量、能源需求以及能源价格;并建立开放式数据接口(API),不同能源资源之间的数据可以通过开放式数据接口(API)进行实现数据的实时共享和互操作;其中,分散式能源资源包括太阳能、风能和储能系统,其中,储能系统在能源供应过剩时储存多余能源,在能源供应不足时释放能源,以提高能源利用效率和系统灵活性;
具体地,在本实施例中,所述多能源管理系统包括数据采集模块、数据存储模块、API接口模块、用电负荷监测模块、负荷预测模块、能源调度优化模块和储能管理模块。
其中,所述数据采集模块用于收集来自太阳能、风能和储能系统等分散式能源资源的监测数据,监测数据包括能源产量、能源需求和能源价格信息;
所述数据存储模块用于存储数据采集模块采集到的数据,并确保数据的安全性和可靠性;
所述API接口模块用于建立开放式数据接口,以实现分散式能源资源之间的数据实时共享和互操作性,API接口模块用可实现能源调度优化模块分别对太阳能、风能和储能系统下发控制指令;
所述用电负荷监测模块用于收集和监测电网中各个地区的实时用电负荷数据,以了解不同时间段的用电需求情况,并为未来用电需求预测提供数据支持;
所述负荷预测模块基于能源供需优化预测模型,预测未来用电负荷需求和能源产量;
所述能源调度优化模块基于能源调度优化算法,根据能源产量、用电负荷需求,对能源的分配和调度进行优化,以满足电网中的用电需求,并确保能源的高效利用,其中,所述能源调度优化模块还包括供电单元,所述供电单元基于能源调度优化算法计算得到的调度策略,通过API接口模块分别给太阳能、风能和储能系统下发控制指令,根据电力负荷需求动态调配各个能源资源的产能;
所述储能管理模块用于管理储能系统,在能源供应过剩时储存多余能源,在能源供应不足时释放能源,以提高能源利用效率和系统的灵活性。
S2、基于实时监测数据和用电负荷需求数据,多能源管理系统基于能源供需优化预测模型,预测未来用电负荷需求和能源产量,根据预测结果,制定未来的能源生产计划,能源生产计划包括分配产能和分散式能源间资源调配;
在本实施例中,所述能源供需优化预测模型是由时间序列分析模型和机器学习模型构建的混合模型:
时间序列分析模型具体为:
;
其中,表示在时间点上的能源产量或能源需求的预测值;为截距项,表示一
个常数,用来表示当所有自回归项和移动平均项都为零时的基准值;表示在时间点上白
噪声误差项;表示在时间点上白噪声误差项;表示自回归项的系数,用来表示
过去时间点的能源产量或需求对当前时间点的影响;表示移动平均项的系数,用来表示
过去时间点的白噪声误差对当前时间点的影响;表示在时间点上能源产量或能
源需求的预测值,模型中使用过去若干个时间点的能源产量或需求数据来预测当前时间点
的值;表示过去时间的步长;
由于,能源需求受季节和温度的影响较大,因此,在时间序列分析模型的基础上,引入季节和温度因素对上述时间序列分析模型进行优化,则优化后的模型具体为:
;
其中,为温度变量;为温度变量的系数,表示温度变量对能源产量或能源需
求的影响程度;表示非季节性滞后算子;表示一阶非季节性差分算子;表示季节
性滞后算子;表示一阶季节性差分算子;表示当前时间点的预测值与前个
时间点的预测值之间的自回归关系;表示当前时间点的预测值与同一季节的前
个时间点的预测值之间的自回归关系;表示当前时间点的预测值与前个时间点的
白噪声误差之间的移动平均关系;表示当前时间点的预测值与同一季节的前个
时间点的白噪声误差之间的移动平均关系;表示季节性差分的阶数;表示非季节性差
分的阶数;
机器学习模型具体为:
;
其中,表示预测的能源产量或能源需求;、、…、为机器学习模型的自变
量,表示能源产量或能源需求的特征,特征指时间指标、经济指标、气象指标和技术特征,时
间指标用来捕捉能源产量或能源需求随时间变化的趋势和季节性变化;经济指标反映经济
活动对能源需求的影响;气象指标用于捕捉气候变化对能源需求的影响,特别是对于能源
消耗的季节性变化;技术特征包括能源生产技术、能源利用效率技术因素,能够反映技术进
步对能源产量或能源需求的影响;为截距,表示自变量(、、…、)都为零时,能源
产量或能源需求的基准值;、、…、为斜率系数,表示各个自变量对能源产量或能源
需求的影响程度;为误差项,表示该模型中无法解释的随机误差或干扰项。
进一步地,将上述所述时间序列分析模型和机器学习模型的结果进行整合优化,得到混合模型,由混合模型计算得到最终的能源产量和能源需求的预测值,具体算法如下:
;
其中,表示混合模型的预测值,是和的加权平均值;为用于加权
的系数,取值在区间[0,1]内,表示时间序列分析模型的权重;表示机器学习模型的
权重,表示时间序列分析模型的预测值,表示机器学习模型的预测值;时间序列分析
模型缺点无法很好地捕捉到数据中的复杂非线性关系,也无法应对外部因素的突发影响;
机器学习模型的缺点对数据中的噪声和异常值比较敏感,导致预测结果不稳定或过拟合的
问题;通过设计混合模型并合理分配两种模型的权重,可以在一定程度上弥补各自模型的
不足,从而提高预测的准确性和稳定性,提高预测模型的适应能力和鲁棒性,鲁棒性是指模
型或统计方法对异常值或噪声的抵抗能力;通过上述混合模型的预测可以分别计算得到太
阳能、风能和储能系统在预测时刻的电力负荷产量以及在预测时刻电力系统的电力需求。
S3、基于能源供需优化预测模型预测的结果,引入能源调度优化算法,协调分散式能源资源中各个能源的产能,利用储能系统平衡能源产量和用电负荷需求之间的波动,确保整体系统的电力供需平衡。
在本实施例中,所述能源调度优化模块基于能源调度优化算法,根据能源产量、用电负荷需求,对分散式能源资源进行调度和再分配,所述能源调度优化算法具体算法步骤如下:
S3.1、通过能源供需优化预测模型得到能源产量和能源需求的预测值;
S3.2、基于能源调度优化算法,计算预测电力负荷与预测能源产量之间的差异,预测电力负荷包括太阳能、风能和储能系统在预测时刻的电力负荷产量以及其总的电路负荷产量;
S3.3、根据S3.2中预测电力负荷与预测能源产量之间的差异的计算结果,由能源调度优化算法制定调度策略,调整各分散式能源资源的产能,以满足电力负荷需求。
所述能源调度优化算法具体为:
首先,预测电力负荷与预测能源产量之间的差异计算:
;
其中,表示在时间时,预测电力负荷与预测能源产量的差异值;表示在时
间时,电力系统需求的预测电力负荷量;表示在时间时,系统中分散式能源资源的
预测能源产量;
根据预测电力负荷与预测能源产量的差异值,则太阳能产能调配公式为:
;
其中,表示调整后的太阳能产能;表示初始的太阳能产能;表示调整
系数;
则风能产能调配公式为:
;
其中,表示调整后的风能产能;表示初始的风能产能;表示调整系
数;
则储能系统调配公式为:
;
其中,表示调整后的储能系统放电量;表示初始的储能系统放电量;
表示调整系数;
在本实施例中,调整系数、和的具体数值通过历史数据分析得到,用于调整
能源产能的变化幅度;
进一步地,通过计算得到的值后,进行分散式能源资源的调配,具体调配策略
为:当时,表示电力系统的需求超过了能源产量,即电力负荷需求大于能源产能,可
以通过增加太阳能和风能的产能输出、调整储能系统的放电量以弥补能源缺口;进一步地,
当,表示能源产能超过了电力负荷需求,即能源产量大于电力系统的需求,此时,可
以将多余的能源存储到储能系统中,控制太阳能和风能的产能输出,以避免能源浪费;再进
一步地,当,则表示电力负荷需求与能源产量之间达到了平衡,保持当前的能源产
能状态即可。
所述供电单元用于将太阳能、风能和储能系统的能源调度并供给电网,其中,所述储能系统还包括供电能源库和后备能源库,所述太阳能系统和风能系统的能源暂存至供电能源库,并由供电能源库送入供电单元,所述供电单元用于控制供电能源库将多余能源存入后备能源库中,所述后备能源库是由超级电容与全钒液流电池组成的混合储能系统。其中,将太阳能和风能集中存储在混合储能系统中可以平衡能源供给和需求之间的差异,缓解电力波动对电网运行的影响,保障电网的可靠供电,确保持续稳定的电力供应。
本实施例还提供一种虚拟电厂系统的优化配置与灵活性提升系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行计算机程序实现上述任意一项所述的虚拟电厂系统的优化配置与灵活性提升方法的步骤。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种虚拟电厂系统的优化配置与灵活性提升方法,其特征在于,包括以下步骤:
S1、建立多能源管理系统,接收来自多种不同类型的分散式能源资源的监测数据和电网中的用电负荷需求,并建立开放式数据接口;
S2、基于实时监测数据和用电负荷需求数据,多能源管理系统基于能源供需优化预测模型,预测未来用电负荷需求和能源产量,根据预测结果,制定未来的能源生产计划;
其中,所述能源供需优化预测模型是由时间序列分析模型和机器学习模型构建的混合模型,混合模型具体为:
;
表示混合模型的预测值;/>为用于加权的系数;/>表示机器学习模型的权重,表示时间序列分析模型的预测值,/>表示机器学习模型的预测值;
S3、基于能源供需优化预测模型预测的结果,引入能源调度优化算法,协调分散式能源资源中各个能源的产能。
2.根据权利要求1所述的虚拟电厂系统的优化配置与灵活性提升方法,其特征在于:所述S1中,所述多能源管理系统包括数据采集模块、数据存储模块、API接口模块、用电负荷监测模块、负荷预测模块、能源调度优化模块和储能管理模块。
3.根据权利要求1所述的虚拟电厂系统的优化配置与灵活性提升方法,其特征在于:所述S2中,所述能源供需优化预测模型是由时间序列分析模型和机器学习模型构建的混合模型:
时间序列分析模型具体为:
;
其中,表示在时间点/>上的能源产量或能源需求的预测值;/>为截距项;/>表示在时间点/>上白噪声误差项;/>表示在时间点/>上白噪声误差项;/>表示自回归项的系数;/>表示移动平均项的系数;/>表示在时间点/>上能源产量或能源需求的预测值;/>表示过去时间的步长;
在时间序列分析模型的基础上,引入季节和温度因素对上述时间序列分析模型进行优化,则优化后的模型具体为:
;
其中,为温度变量;/>为温度变量的系数;/>表示非季节性滞后算子;/>表示一阶非季节性差分算子;/>表示季节性滞后算子;/>表示一阶季节性差分算子;/>表示当前时间点的预测值与前/>个时间点的预测值之间的自回归关系;/>表示当前时间点的预测值与同一季节的前/>个时间点的预测值之间的自回归关系;/>表示当前时间点的预测值与前/>个时间点的白噪声误差之间的移动平均关系;/>表示当前时间点的预测值与同一季节的前/>个时间点的白噪声误差之间的移动平均关系;/>表示季节性差分的阶数;/>表示非季节性差分的阶数;
机器学习模型具体为:
;
其中,表示预测的能源产量或能源需求;/>、/>、…、/>为机器学习模型的自变量,表示能源产量或能源需求的特征;/>为截距;/>、/>、…、/>为斜率系数;/>为误差项。
4.根据权利要求3所述的虚拟电厂系统的优化配置与灵活性提升方法,其特征在于:将所述时间序列分析模型和机器学习模型的结果进行整合优化,得到所述混合模型:
。
5.根据权利要求2所述的虚拟电厂系统的优化配置与灵活性提升方法,其特征在于:所述能源调度优化模块基于能源调度优化算法,根据能源产量、用电负荷需求,对分散式能源资源进行调度和再分配,其中,分散式能源资源包括太阳能、风能和储能系统,所述能源调度优化算法具体算法步骤如下:
S3.1、通过能源供需优化预测模型得到能源产量和能源需求的预测值;
S3.2、基于能源调度优化算法,计算预测电力负荷与预测能源产量之间的差异;
S3.3、根据差异的计算结果,由能源调度优化算法制定调度策略,调整各分散式能源资源的产能。
6.根据权利要求5所述的虚拟电厂系统的优化配置与灵活性提升方法,其特征在于:所述能源调度优化算法具体为:
预测电力负荷与预测能源产量之间的差异计算:
;
其中,表示在时间/>时,预测电力负荷与预测能源产量的差异值;/>表示在时间/>时,电力系统需求的预测电力负荷量;/>表示在时间/>时,系统中分散式能源资源的预测能源产量。
7.根据权利要求6所述的虚拟电厂系统的优化配置与灵活性提升方法,其特征在于:根据预测电力负荷与预测能源产量的差异值,则太阳能产能调配公式为:
;
其中,表示调整后的太阳能产能;/>表示初始的太阳能产能;/>表示调整系数;
则风能产能调配公式为:
;
其中,表示调整后的风能产能;/>表示初始的风能产能;/>表示调整系数;
则储能系统调配公式为:
;
其中,表示调整后的储能系统放电量;/>表示初始的储能系统放电量;/>表示调整系数。
8.根据权利要求7所述的虚拟电厂系统的优化配置与灵活性提升方法,其特征在于:所述能源调度优化模块还包括供电单元,所述供电单元基于能源调度优化算法计算得到的调度策略,通过API接口模块分别给太阳能、风能和储能系统下发控制指令,根据电力负荷需求动态调配各个能源资源的产能。
9.根据权利要求8所述的虚拟电厂系统的优化配置与灵活性提升方法,其特征在于:所述供电单元用于将太阳能、风能和储能系统的能源调度并供给电网,其中,所述储能系统还包括供电能源库和后备能源库,所述太阳能系统和风能系统的能源暂存至供电能源库,并由供电能源库送入供电单元,所述供电单元用于控制供电能源库将多余能源存入后备能源库中。
10.一种虚拟电厂系统的优化配置与灵活性提升系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行计算机程序实现如权利要求1-9中任意一项所述的虚拟电厂系统的优化配置与灵活性提升方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508039.XA CN117239740B (zh) | 2023-11-14 | 2023-11-14 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508039.XA CN117239740B (zh) | 2023-11-14 | 2023-11-14 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117239740A true CN117239740A (zh) | 2023-12-15 |
CN117239740B CN117239740B (zh) | 2024-01-23 |
Family
ID=89089721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311508039.XA Active CN117239740B (zh) | 2023-11-14 | 2023-11-14 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117239740B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649131A (zh) * | 2024-01-29 | 2024-03-05 | 广州豪特节能环保科技股份有限公司 | 一种基于ai的能源系统资源适配方法、系统和介质 |
CN117913841A (zh) * | 2024-03-19 | 2024-04-19 | 国网辽宁省电力有限公司技能培训中心 | 园区级灵活调节负荷参与电网互动响应系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017175845A (ja) * | 2016-03-25 | 2017-09-28 | 三菱重工業株式会社 | エネルギー需要予測システム、エネルギー需要予測方法およびエネルギー管理システム |
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN115632392A (zh) * | 2022-09-15 | 2023-01-20 | 平湖市通用电气安装有限公司 | 基于机器学习的分层分区精准负荷响应系统 |
CN116384039A (zh) * | 2022-12-30 | 2023-07-04 | 福州大学 | 一种基于模型预测的智能电网能源优化高效管理方法 |
CN116581750A (zh) * | 2023-05-24 | 2023-08-11 | 江苏大学扬州(江都)新能源汽车产业研究所 | 一种基于电网负荷水平的智能线路负载充电方法 |
-
2023
- 2023-11-14 CN CN202311508039.XA patent/CN117239740B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017175845A (ja) * | 2016-03-25 | 2017-09-28 | 三菱重工業株式会社 | エネルギー需要予測システム、エネルギー需要予測方法およびエネルギー管理システム |
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN115632392A (zh) * | 2022-09-15 | 2023-01-20 | 平湖市通用电气安装有限公司 | 基于机器学习的分层分区精准负荷响应系统 |
CN116384039A (zh) * | 2022-12-30 | 2023-07-04 | 福州大学 | 一种基于模型预测的智能电网能源优化高效管理方法 |
CN116581750A (zh) * | 2023-05-24 | 2023-08-11 | 江苏大学扬州(江都)新能源汽车产业研究所 | 一种基于电网负荷水平的智能线路负载充电方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649131A (zh) * | 2024-01-29 | 2024-03-05 | 广州豪特节能环保科技股份有限公司 | 一种基于ai的能源系统资源适配方法、系统和介质 |
CN117649131B (zh) * | 2024-01-29 | 2024-06-07 | 广州豪特节能环保科技股份有限公司 | 一种基于ai的能源系统资源适配方法、系统和介质 |
CN117913841A (zh) * | 2024-03-19 | 2024-04-19 | 国网辽宁省电力有限公司技能培训中心 | 园区级灵活调节负荷参与电网互动响应系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117239740B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11641177B2 (en) | Coordinated control of renewable electric generation resource and charge storage device | |
CN111738497B (zh) | 计及需求侧响应的虚拟电厂双层优化调度方法 | |
CN117239740B (zh) | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 | |
US10635056B2 (en) | Model and control virtual power plant performance | |
CN102694391B (zh) | 风光储联合发电系统日前优化调度方法 | |
CN108875992B (zh) | 一种考虑需求响应的虚拟电厂日前优化调度方法 | |
CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
CN111555281B (zh) | 一种电力系统灵活性资源配置仿真方法及装置 | |
CN108039737B (zh) | 一种源网荷协调运行模拟系统 | |
CN107194514B (zh) | 一种针对风电功率预测误差的需求响应多时间尺度调度方法 | |
CN107017625B (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
CN114336702A (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 | |
CN114036451A (zh) | 一种并网式光储充装置的储能控制方法及系统 | |
CN112383086B (zh) | 一种孤岛微电网日前能量-备用联合优化调度方法 | |
CN115983612A (zh) | 一种基于虚拟电厂的分布式源网荷储调度优化方法 | |
CN111817296A (zh) | 一种微电网用电能调度方法及系统 | |
CN111682531A (zh) | 基于pl-imocs的风光水火一次能源互补短期优化调度方法和装置 | |
Hayati et al. | A two-stage stochastic optimization scheduling approach for integrating renewable energy sources and deferrable demand in the spinning reserve market | |
CN117040027A (zh) | 一种农村虚拟电厂的协调优化方法和装置 | |
CN116667337A (zh) | 一种基于配网优化调度的柔性负荷聚合建模方法 | |
CN108683211B (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
CN115912419A (zh) | 一种基于负荷聚合商的储热-储电协同调度方法 | |
WO2020123799A1 (en) | Hybrid power plant | |
CN117592621B (zh) | 一种虚拟电厂集群两阶段调度优化方法 | |
US12015275B2 (en) | Hybrid power plant |
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 |