CN117254505A - 基于数据处理的储能电站优化运行模式决策方法及系统 - Google Patents

基于数据处理的储能电站优化运行模式决策方法及系统 Download PDF

Info

Publication number
CN117254505A
CN117254505A CN202311239944.XA CN202311239944A CN117254505A CN 117254505 A CN117254505 A CN 117254505A CN 202311239944 A CN202311239944 A CN 202311239944A CN 117254505 A CN117254505 A CN 117254505A
Authority
CN
China
Prior art keywords
energy storage
data
power station
storage power
time
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
Application number
CN202311239944.XA
Other languages
English (en)
Other versions
CN117254505B (zh
Inventor
汪志强
王劲
董超
周跃利
翁正
赵少华
郑晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd
Original Assignee
China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd filed Critical China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd
Priority to CN202311239944.XA priority Critical patent/CN117254505B/zh
Publication of CN117254505A publication Critical patent/CN117254505A/zh
Application granted granted Critical
Publication of CN117254505B publication Critical patent/CN117254505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J13/00001—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 display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • 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
    • H02J13/00002—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 monitoring
    • 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
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • 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
    • H02J15/00—Systems for storing electric 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/02—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from ac mains by converters
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种基于数据处理的储能电站优化运行模式决策方法及系统，通过数据信息决定充放电时间，所述储能电站优化运行模式决策系统包括服务器、数据采集系统、负荷预测系统、储能电站状态监测系统、优化调度系统、控制执行系统、用户接口系统以及通信网络，上述各系统与通信网络电性连接，通过对各种数据进行分析和处理，确定最佳的储能电站优化模式这包括根据电网负荷、储能设备状态、天气预测等数据信息，结合算法和模型来决定何时充电和放电，以最大程度地提高储能系统的效率和经济性。

Description

基于数据处理的储能电站优化运行模式决策方法及系统
技术领域
本发明属于电力信息领域，具体是涉及一种基于数据处理的储能电站优化运行模式决策方法及系统。
背景技术
随着能源结构的调整和可再生能源的发展，储能技术在电力系统中得到广泛应用，清洁能源大规模接入电网，以及跨区高压输电通道的建设，储能电站作为平衡电网负荷、应对峰谷差和提升电网稳定性的重要手段，其运行模式的优化对于提升电力系统的运行效率和降低运营成本具有重要意义。然而，由于储能电站的运行工况复杂多变，传统常规单一能源电网的运行模式已不能适应新的能源消纳与安全经济性要求，因此，现提出一种基于数据处理的储能电站优化运行模式决策方法及系统。
发明内容
针对现有技术存在的缺陷，本发明提供一种基于数据处理的储能电站优化运行模式决策方法及系统，利用各种数据信息，如电网负荷、储能电站状态和天气预测等，通过算法和模型来决定何时充电和放电，以最大程度地提高储能系统的效率和经济性。
为了实现上述目的，本发明所采取的技术方案如下：一种基于数据处理的储能电站优化运行模式决策系统，通过数据信息决定充放电时间，所述储能电站优化运行模式决策系统包括服务器、数据采集系统、负荷预测系统、储能电站状态监测系统、优化调度系统、控制执行系统、市场交互系统、用户接口系统、数据分析和报告系统以及通信网络，上述各系统与通信网络电性连接。
进一步地，所述数据采集系统用于数据的采集，包括数据收集传感器和监控器，所述传感器和所述监控器分别与服务器连接，通过传感器以及监控器收集实时数据。
进一步地，所述实时数据包含电网负荷数据、储能电站状态数据、天气状态、以及实时市场电价数据。
进一步地，所述负荷预测系统与数据采集系统和服务器连接，所述负荷预测系统采用深度神经网络实现负荷预测。
进一步地，所述储能电站状态监测系统与服务器、数据采集系统以及数据传感器连接，所述储能电站状态监测系统用于实时监测储能电站的状态，包括电池电量、电池温度以及充/放电速率。
进一步地，所述优化调度系统与服务器、数据采集系统、负荷预测系统、储能电站状态监测系统、优化调度系统、控制执行系统连接，所述优化调度系统用来通过优化算法指定最佳的充电和放电策略。
进一步地，所述用户接口系统提供用户界面，以允许操作员监控系统运行并进行手动干预；用户可以设置优化目标和策略，以满足其需求。
实现一种基于数据处理的储能电站优化运行模式决策系统的方法，具体步骤如下：
A.数据采集：数据采集系统采集实时电网负荷数据、储能电站状态数据、天气状态、以及实时市场电价数据；储能电站状态监测系统监测储能电站的状态数据。
B.负荷预测：对采集到的数据通过深度神经网络实现负荷预测；
C.数学模型建立：结合负荷预测结果，优化充电与放电，实现总成本最小化。
进一步地，负荷预测的具体方法如下：
(1)收集历史电网负荷数据，包括时间戳和相应电网负荷值；对数据进行清洗、去噪并填补缺失值；通过归一化对数据进行预处理；
(2)创建输入序列与输出序列，建立时序负荷数据集，并将其分为测试集和验证集；
(3)构建LSTM深度神经网络模型，LSTM深度神经网络模型激活函数采用双曲正切函数，通过历史测试集负荷数据训练LSTM深度神经网络模型，在训练过程中，使用均方误差衡量预测与实际值之间的误差；
(4)使用验证集负荷数据评估模型性能，调整LSTM深度神经网络模型的层数、隐藏单元数、学习率以及超参数提高模型预测性能；
(5)使用训练好的LSTM深度神经网络模型进行实时负荷预测。
进一步地，所述数学模型建立的过程方法如下：
(1)定义决策变量
a.充电速率和放电速率的时间序列：即在每个时间步的充电和放电量；
b.储能电站的状态：电池的充电状态；
c.天气状态变量：温度、风速、日照；
d.市场电价的时间序列：即每个时间步的电价。
(2)制定目标函数
目标函数考虑多个因素，分别为：
c.最小化储能成本：包括电力购买成本、充电损失成本、电池寿命成本；
d.最大化利润：考虑市场电价和电能销售收益；
c.最大化储能系统效率：优化电池的充电和放电，以最大化电能的输入和输出效率。
(3)设置约束条件
a.充电速率和放电速率的上下限；
b.电池状态的上下限。
c.电网连接容量的限制；
d.实时电网负荷需求的满足；
e.天气状态的限制。
(4)建立数学模型
a.决策变量：充电速率：C(t)，表示在时间t充电的速率；
b.放电速率：D(t)，表示在时间t放电的速率；
c.储能电站状态：S(t)，表示在时间t的储能电站状态，如电池的充电状态；
d.约束条件：
1)充电和放电速率约束
充电速率C(t)和放电速率D(t)通常受到储能电站的技术限制，表示为：
2)电池状态约束
电池状态需要在一定范围内：
充电和放电需要平衡：
3)市场电价和电网负荷约束：根据市场电价和电网负荷进行调整。
在上述约束条件下，该模型为一个数学规划问题，使得总成本最小化。
总成本计算公式：
总成本＝∑t(电力购买成本(t)+充电损失成本(t)+电池寿命成本(t))与现有技术相比，本发明具有如下的有益效果：
本发明利用数据处理技术来进行储能电站优化模式的决策，即通过对各种数据进行分析和处理，确定最佳的储能电站优化模式这包括根据电网负荷、储能设备状态、天气预测等数据信息，结合算法和模型来决定何时充电和放电，以最大程度地提高储能系统的效率和经济性。
附图说明
图1为本发明储能电站优化运行模式决策方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，一种基于数据处理的储能电站优化运行模式决策系统，通过数据信息决定充放电时间，储能电站优化运行模式决策系统包括服务器、数据采集系统、负荷预测系统、储能电站状态监测系统、优化调度系统、控制执行系统、用户接口系统以及通信网络，上述各系统与通信网络电性连接。
数据采集系统包括数据收集传感器和监控器，所述传感器和所述监控器分别与服务器连接，通过传感器以及监控器收集实时电网负荷数据、储能电站状态数据、天气状态、以及实时市场电价数据。
负荷预测系统与数据采集系统和服务器连接，采用深度神经网络实现负荷预测。
储能电站状态监测系统与服务器、数据采集系统以及数据传感器连接，用于实时监测储能电站的状态，包括电池电量、电池温度以及充/放电速率。
优化调度系统与服务器、数据采集系统、负荷预测系统、储能电站状态监测系统、优化调度系统、控制执行系统连接，优化调度系统用来通过优化算法指定最佳的充电和放电策略。
用户接口系统提供用户界面，以允许操作员监控系统运行并进行手动干预；用户可以设置优化目标和策略，以满足其需求。
实现一种基于数据处理的储能电站优化运行模式决策系统的方法，具体步骤如下：
A.数据采集：数据采集系统采集实时电网负荷数据、储能电站状态数据、天气状态、以及实时市场电价数据；储能电站状态监测系统监测储能电站的状态数据。
B.负荷预测：对采集到的数据通过深度神经网络实现负荷预测；
C.数学模型建立：结合负荷预测结果，优化充电与放电，实现总成本最小化。
负荷预测的具体方法如下：
(1)收集历史电网负荷数据，包括时间戳和相应电网负荷值；对数据进行清洗、去噪并填补缺失值；通过归一化对数据进行预处理；
(2)创建输入序列与输出序列，建立时序负荷数据集，并将其分为测试集和验证集；
(3)构建LSTM深度神经网络模型，LSTM深度神经网络模型激活函数采用双曲正切函数，通过历史测试集负荷数据训练LSTM深度神经网络模型，在训练过程中，使用均方误差衡量预测与实际值之间的误差；
(4)使用验证集负荷数据评估模型性能，调整LSTM深度神经网络模型的层数、隐藏单元数、学习率以及超参数提高模型预测性能；
(5)使用训练好的LSTM深度神经网络模型进行实时负荷预测。所述数学模型建立的过程方法如下：
(1)定义决策变量
a.充电速率和放电速率的时间序列：即在每个时间步的充电和放电量；
b.储能电站的状态：电池的充电状态；
c.天气状态变量：温度、风速、日照；
d.市场电价的时间序列：即每个时间步的电价。
(2)制定目标函数
目标函数考虑多个因素，分别为：
e.最小化储能成本：包括电力购买成本、充电损失成本、电池寿命成本；
f.最大化利润：考虑市场电价和电能销售收益；
c.最大化储能系统效率：优化电池的充电和放电，以最大化电能的输入和输出效率。
(3)设置约束条件
a.充电速率和放电速率的上下限；
b.电池状态的上下限。
c.电网连接容量的限制；
d.实时电网负荷需求的满足；
e.天气状态的限制。
(4)建立数学模型
a.决策变量：充电速率：C(t)，表示在时间t充电的速率；
b.放电速率：D(t)，表示在时间t放电的速率；
c.储能电站状态：S(t)，表示在时间t的储能电站状态，如电池的充电状态；
d.约束条件：
1)充电和放电速率约束
充电速率C(t)和放电速率D(t)通常受到储能电站的技术限制，表示为：
2)电池状态约束
电池状态需要在一定范围内：
充放电平衡：
充电和放电需要平衡：
3)市场电价和电网负荷约束：根据市场电价和电网负荷进行调整。
在上述约束条件下，该模型为一个数学规划问题，使得总成本最小化。
总成本计算公式：
总成本＝∑t(电力购买成本(t)+充电损失成本(t)+电池寿命成本(t))。
具体工作过程：数据采集系统利用传感器和监控器采集实时电网负荷数据、储能电站状态数据、天气状态、以及实时市场电价数据以及储能电站状态监测系统监测储能电站的状态数据；利用深度神经网络实现负荷预测；根据负荷预测结果，通过定义决策变量、制定目标函数、设置约束条件，建立数学模型，根据总成本计算公示优化充电与放电，从而最大程度地提高储能系统的效率和经济性。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于数据处理的储能电站优化运行模式决策系统，通过数据信息决定充放电时间，其特征在于，所述储能电站优化运行模式决策系统包括服务器、数据采集系统、负荷预测系统、储能电站状态监测系统、优化调度系统、控制执行系统、用户接口系统以及通信网络，上述各系统与通信网络电性连接。
2.根据权利要求1所述的一种基于数据处理的储能电站优化运行模式决策系统，其特征在于，所述数据采集系统用于数据的采集，包括数据收集传感器和监控器，所述传感器和所述监控器分别与服务器连接，通过传感器以及监控器收集实时数据。
3.根据权利要求2所述的一种基于数据处理的储能电站优化运行模式决策系统，其特征在于，所述实时数据包含电网负荷数据、储能电站状态数据、天气状态、以及实时市场电价数据。
4.根据权利要求1所述的一种基于数据处理的储能电站优化运行模式决策系统，其特征在于，所述负荷预测系统与数据采集系统和服务器连接，所述负荷预测系统采用深度神经网络实现负荷预测。
5.根据权利要求1所述的一种基于数据处理的储能电站优化运行模式决策系统，其特征在于，所述储能电站状态监测系统与服务器、数据采集系统以及数据传感器连接，所述储能电站状态监测系统用于实时监测储能电站的状态，包括电池电量、电池温度以及充/放电速率。
6.根据权利要求1所述的一种基于数据处理的储能电站优化运行模式决策系统，其特征在于，所述优化调度系统与服务器、数据采集系统、负荷预测系统、储能电站状态监测系统、优化调度系统、控制执行系统连接，所述优化调度系统用来通过优化算法指定最佳的充电和放电策略。
7.根据权利要求1所述的一种基于数据处理的储能电站优化运行模式决策系统，其特征在于，所述用户接口系统提供用户界面，以允许操作员监控系统运行并进行手动干预；用户可以设置优化目标和策略，以满足其需求。
8.实现权利要求1-7任一所述的一种基于数据处理的储能电站优化运行模式决策系统的方法，其特征在于，具体步骤如下：
A.数据采集：数据采集系统采集实时电网负荷数据、储能电站状态数据、天气状态、以及实时市场电价数据；储能电站状态监测系统监测储能电站的状态数据。
B.负荷预测：对采集到的数据通过深度神经网络实现负荷预测；
C.数学模型建立：结合负荷预测结果，优化充电与放电，实现总成本最小化。
9.根据权利要求8所述的一种基于数据处理的储能电站优化运行模式决策方法，其特征在于，负荷预测的具体方法如下：
(1)收集历史电网负荷数据，包括时间戳和相应电网负荷值；对数据进行清洗、去噪并填补缺失值；通过归一化对数据进行预处理；
(2)创建输入序列与输出序列，建立时序负荷数据集，并将其分为测试集和验证集；
(3)构建LSTM深度神经网络模型，LSTM深度神经网络模型激活函数采用双曲正切函数，通过历史测试集负荷数据训练LSTM深度神经网络模型，在训练过程中，使用均方误差衡量预测与实际值之间的误差；
(4)使用验证集负荷数据评估模型性能，调整LSTM深度神经网络模型的层数、隐藏单元数、学习率以及超参数提高模型预测性能；
(5)使用训练好的LSTM深度神经网络模型进行实时负荷预测。
10.根据权利要求8所述的一种基于数据处理的储能电站优化运行模式决策方法，其特征在于，所述数学模型建立的过程方法如下：
(1)定义决策变量
a.充电速率和放电速率的时间序列：即在每个时间步的充电和放电量；
b.储能电站的状态：电池的充电状态；
c.天气状态变量：温度、风速、日照；
d.市场电价的时间序列：即每个时间步的电价。
(2)制定目标函数
目标函数考虑多个因素，分别为：
a.最小化储能成本：包括电力购买成本、充电损失成本、电池寿命成本；
b.最大化利润：考虑市场电价和电能销售收益；
c.最大化储能系统效率：优化电池的充电和放电，以最大化电能的输入和输出效率。
(3)设置约束条件
a.充电速率和放电速率的上下限；
b.电池状态的上下限。
c.电网连接容量的限制；
d.实时电网负荷需求的满足；
e.天气状态的限制。
(4)建立数学模型
a.决策变量：充电速率：C(t)，表示在时间t充电的速率；
b.放电速率：D(t)，表示在时间t放电的速率；
c.储能电站状态：S(t)，表示在时间t的储能电站状态，如电池的充电状态；
d.约束条件：
1)充电和放电速率约束
充电速率C(t)和放电速率D(t)通常受到储能电站的技术限制，表示为：
2)电池状态约束
电池状态需要在一定范围内：
充电和放电需要平衡：
3)市场电价和电网负荷约束：根据市场电价和电网负荷进行调整。
在上述约束条件下，该模型为一个数学规划问题，使得总成本最小化。
总成本计算公式：
总成本＝∑t(电力购买成本(t)+充电损失成本(t)+电池寿命成本(t))。
CN202311239944.XA 2023-09-22 2023-09-22 基于数据处理的储能电站优化运行模式决策方法及系统 Active CN117254505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311239944.XA CN117254505B (zh) 2023-09-22 2023-09-22 基于数据处理的储能电站优化运行模式决策方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311239944.XA CN117254505B (zh) 2023-09-22 2023-09-22 基于数据处理的储能电站优化运行模式决策方法及系统

Publications (2)

Publication Number Publication Date
CN117254505A true CN117254505A (zh) 2023-12-19
CN117254505B CN117254505B (zh) 2024-03-26

Family

ID=89126034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311239944.XA Active CN117254505B (zh) 2023-09-22 2023-09-22 基于数据处理的储能电站优化运行模式决策方法及系统

Country Status (1)

Country Link
CN (1) CN117254505B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118117635A (zh) * 2024-03-12 2024-05-31 无锡碳迹科技有限公司 一种储能电站电能优化存储方法及系统
CN118432135A (zh) * 2024-04-25 2024-08-02 深圳市科雷特能源科技股份有限公司 一种储能系统节能调控方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910016A (zh) * 2019-11-21 2020-03-24 青海格尔木鲁能新能源有限公司 一种计及需求响应资源的新能源储能系统调度优化方法
CN112633571A (zh) * 2020-12-18 2021-04-09 浙江大学 源网荷互动环境下基于lstm的超短期负荷预测方法
CN113169579A (zh) * 2018-06-22 2021-07-23 莫伊沙能源控股有限公司 用于分布式储能资源的机器学习、本地多资产灵活性优化和管理的系统
CN113887858A (zh) * 2021-08-11 2022-01-04 浙江工业大学 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法
CN114400661A (zh) * 2022-01-27 2022-04-26 中广核风电有限公司 一种新能源场站储能运行策略在线滚动修正方法及其系统
CN115169723A (zh) * 2022-07-26 2022-10-11 华为数字能源技术有限公司 发电功率预测方法、负荷预测方法及模型训练方法
CN115409347A (zh) * 2022-08-22 2022-11-29 东南大学 一种考虑新能源接入的共享储能在日内市场的优化调度策略
CN115528817A (zh) * 2022-10-28 2022-12-27 华中科技大学 一种用户端智能配用电系统、方法、介质、设备及终端
CN115632432A (zh) * 2022-10-10 2023-01-20 国网浙江省电力有限公司电力科学研究院 光储荷协同优化方法、设备、介质及系统
CN115693652A (zh) * 2022-10-19 2023-02-03 贵州电网有限责任公司 基于电力平衡和性能成本的配电网网架优化方法及装置
CN115912502A (zh) * 2022-11-15 2023-04-04 国网浙江省电力有限公司经济技术研究院 一种智能电网运营优化方法及装置
CN115940289A (zh) * 2022-12-16 2023-04-07 北京交通大学 面向电网电量平衡与新能源消纳的光储充一体站运行方法
CN115986834A (zh) * 2022-12-07 2023-04-18 北京交通大学 基于近端策略优化算法的光储充电站运行优化方法及系统
CN116307505A (zh) * 2023-01-17 2023-06-23 安科瑞电气股份有限公司 一种企业微电网能量经济优化调度方法
CN116362136A (zh) * 2023-03-31 2023-06-30 山东大学 一种独立储能系统的自调度优化方法及系统
CN116683500A (zh) * 2023-04-24 2023-09-01 中广核新能源安徽有限公司固镇分公司 一种电化学储能电站有功功率调度方法和系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113169579A (zh) * 2018-06-22 2021-07-23 莫伊沙能源控股有限公司 用于分布式储能资源的机器学习、本地多资产灵活性优化和管理的系统
CN110910016A (zh) * 2019-11-21 2020-03-24 青海格尔木鲁能新能源有限公司 一种计及需求响应资源的新能源储能系统调度优化方法
CN112633571A (zh) * 2020-12-18 2021-04-09 浙江大学 源网荷互动环境下基于lstm的超短期负荷预测方法
CN113887858A (zh) * 2021-08-11 2022-01-04 浙江工业大学 一种基于cnn-lstm负荷预测的充电站微电网系统优化调度方法
CN114400661A (zh) * 2022-01-27 2022-04-26 中广核风电有限公司 一种新能源场站储能运行策略在线滚动修正方法及其系统
CN115169723A (zh) * 2022-07-26 2022-10-11 华为数字能源技术有限公司 发电功率预测方法、负荷预测方法及模型训练方法
CN115409347A (zh) * 2022-08-22 2022-11-29 东南大学 一种考虑新能源接入的共享储能在日内市场的优化调度策略
CN115632432A (zh) * 2022-10-10 2023-01-20 国网浙江省电力有限公司电力科学研究院 光储荷协同优化方法、设备、介质及系统
CN115693652A (zh) * 2022-10-19 2023-02-03 贵州电网有限责任公司 基于电力平衡和性能成本的配电网网架优化方法及装置
CN115528817A (zh) * 2022-10-28 2022-12-27 华中科技大学 一种用户端智能配用电系统、方法、介质、设备及终端
CN115912502A (zh) * 2022-11-15 2023-04-04 国网浙江省电力有限公司经济技术研究院 一种智能电网运营优化方法及装置
CN115986834A (zh) * 2022-12-07 2023-04-18 北京交通大学 基于近端策略优化算法的光储充电站运行优化方法及系统
CN115940289A (zh) * 2022-12-16 2023-04-07 北京交通大学 面向电网电量平衡与新能源消纳的光储充一体站运行方法
CN116307505A (zh) * 2023-01-17 2023-06-23 安科瑞电气股份有限公司 一种企业微电网能量经济优化调度方法
CN116362136A (zh) * 2023-03-31 2023-06-30 山东大学 一种独立储能系统的自调度优化方法及系统
CN116683500A (zh) * 2023-04-24 2023-09-01 中广核新能源安徽有限公司固镇分公司 一种电化学储能电站有功功率调度方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PRAJWAL K.S.等: "Deep Learning Based Load Forecasting for Futuristic Sustainable Smart Grid", 《2022 INTERNATIONAL CONFERENCE ON ELECTRONICS AND RENEWABLE SYSTEMS (ICEARS)》, 13 April 2022 (2022-04-13), pages 35 - 40 *
SHUPING TIAN等: "Research on Day-ahead Optimal Dispatch Considering the Mutual Constraint of Pumped Storage Unit", 《2020 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING, AUTOMATION AND SYSTEMS (ICICAS)》, 21 April 2021 (2021-04-21), pages 255 - 260 *
卢锦玲等: "基于数字孪生与动态能效模型的综合能源系统实时优化调度策略", 《电网技术》, vol. 47, no. 1, 31 January 2023 (2023-01-31), pages 226 - 234 *
高海翔等: "机组储能联合系统参与调频辅助服务市场的关键技术研究与实践", 《广东电力》, vol. 33, no. 6, 30 June 2020 (2020-06-30), pages 46 - 52 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118117635A (zh) * 2024-03-12 2024-05-31 无锡碳迹科技有限公司 一种储能电站电能优化存储方法及系统
CN118432135A (zh) * 2024-04-25 2024-08-02 深圳市科雷特能源科技股份有限公司 一种储能系统节能调控方法及系统

Also Published As

Publication number Publication date
CN117254505B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN117254505B (zh) 基于数据处理的储能电站优化运行模式决策方法及系统
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
CN107947165A (zh) 一种面向调节需求的配电网灵活性评价方法
CN111262264B (zh) 一种基于嵌入式的用户侧储能优化控制器及控制方法
CN116599151A (zh) 基于多源数据的源网储荷安全管理方法
CN117485177A (zh) 充电桩智能节能控制系统及方法
CN117350507A (zh) 一种虚拟电厂调度系统
CN115205068A (zh) 计及净负荷需求分布式的储能最优峰谷时段划分方法
CN117595225A (zh) 一种多能互补新能源电站智慧运维方法、系统及设备
CN110994790B (zh) 一种企业电网调度知识决策分析系统
CN112215392A (zh) 基于设备状态和环境因素的风电中长期区域发电量预测法
CN112993985A (zh) 一种考虑不确定性的微电网多目标规划方法
CN118171788A (zh) 可调度柔性资源与电网规划布局的协同优化方法
CN112801343A (zh) 一种计及多气象场景适应成本的储能系统容量规划方法
CN117613993A (zh) 一种公路微电网风光氢蓄储系统的日内优化调度方法
CN117895468A (zh) 一种源网荷储的协同控制方法及系统
CN117670299A (zh) 用于建筑园区的数字化运维监管方法及系统
CN116960985A (zh) 一种电力系统虚拟电厂需求响应潜力评估方法
CN114444955A (zh) 综合能源用关键参数数据挖掘及长期配置预测方法及系统
CN112290535A (zh) 基于深度策略优化的电-气综合能源系统在线调度方法
CN116845985B (zh) 一种基于数据分析的源网荷储协同调度系统
Bao et al. Stochastic Optimal Scheduling of Photovoltaic-Energy Storage Charging Station Based on WGAN-GP Scenario Generation
CN117669995A (zh) 一种综合能源系统的多元负荷优化调度方法、系统和平台
CN116961245A (zh) 一种支持耦合多种能源设备的可再生能源制氢系统
CN118502368A (zh) 一种虚拟电厂应用协调控制系统及方法

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