CN117277377A - 基于电力负荷预测的新型电力系统储能方法及系统 - Google Patents
基于电力负荷预测的新型电力系统储能方法及系统 Download PDFInfo
- Publication number
- CN117277377A CN117277377A CN202311250599.XA CN202311250599A CN117277377A CN 117277377 A CN117277377 A CN 117277377A CN 202311250599 A CN202311250599 A CN 202311250599A CN 117277377 A CN117277377 A CN 117277377A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- data set
- adaptation
- value
- result
- 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 173
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000006978 adaptation Effects 0.000 claims abstract description 120
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 230000008030 elimination Effects 0.000 claims abstract description 43
- 238000003379 elimination reaction Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 9
- 238000007726 management method Methods 0.000 description 50
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- H02J3/28—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
- H02J2203/10—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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了基于电力负荷预测的新型电力系统储能方法及系统，涉及储能管理技术领域，包括：提取系统结构并读取历史数据集，构建负荷数据集，建立搜索空间，构建预测特征集，配置搜索记忆库，建立储能适配评价函数进行储能适配评价，生成适配值集合，判断是否存在满足预定要求的结果，若不存在，则执行选择扩充，进行淘汰比对，更新搜索记忆库，并持续迭代，当存在，则停止搜索，通过最优适配值对应方案进行储能管理。本发明解决了传统方法缺乏合适的评价指标和灵活性，难以根据实际需求和系统特点进行优化，并且无法准确预测负荷波动和变化，导致管理效率低下且容易出现误差的技术问题。
Description
技术领域
本发明涉及储能管理技术领域，具体涉及基于电力负荷预测的新型电力系统储能方法及系统。
背景技术
随着可再生能源的快速发展和电力需求的不断增长，新型电力系统储能管理成为迫切的需求，传统的电力系统存在供需不平衡、电网脆弱等问题，在应对高峰负荷和电网异常情况时无法灵活运行，新型电力系统储能技术可以将多余的电力存储起来，在需要时释放出来，提高电力系统的灵活性和稳定性，并有效降低对传统化石能源的依赖，此外，新型电力系统储能管理还能促进能源转型，减少碳排放，实现可持续发展的目标。
而现今常用的新型电力系统储能管理方法还存在着一定的弊端，传统方法在进行储能方案选择时缺乏合适的评价指标和灵活性，难以根据实际需求和系统特点进行优化；并且在传统方法中，对未来负荷进行预测的精度有限，无法准确预测负荷波动和变化，使得管理效率低下且容易出现误差。
因此，对于新型电力系统储能管理还存在着一定的可提升空间。
发明内容
本申请通过提供了基于电力负荷预测的新型电力系统储能方法及系统，旨在解决传统方法在进行储能方案选择时缺乏合适的评价指标和灵活性，难以根据实际需求和系统特点进行优化，并且无法准确预测负荷波动和变化，导致管理效率低下且容易出现误差的技术问题。
鉴于上述问题，本申请提供了基于电力负荷预测的新型电力系统储能方法及系统。
本申请公开的第一个方面，提供了基于电力负荷预测的新型电力系统储能方法，所述方法包括：提取新型电力系统的系统结构，并读取所述系统结构的历史数据集，所述历史数据集为天气预测结果和发电结果的映射数据集；构建负荷数据集，所述负荷数据集为历史负荷的数据集合，并通过所述历史数据集和所述负荷数据集建立搜索空间；建立预测特征集，所述预测特征集通过环境数据集和日期数据集提取特征构建，以所述预测特征集作为集中中心，以预定集中因子配置搜索记忆库，其中，所述搜索记忆库依据所述搜索空间搭建而成；建立储能适配评价函数，依据所述储能适配评价函数对所述搜索记忆库进行储能适配评价，生成适配值集合，并判断所述适配值集合是否存在满足预定要求的结果；若不存在，则执行选择扩充，并将选择扩充结果添加至所述搜索记忆库，依据所述储能适配评价函数对选择扩充结果进行储能适配评价，根据新增适配值和所述适配值集合进行淘汰比对，更新搜索记忆库，并持续迭代；当存在结果满足所述预定要求或迭代次数满足预设阈值，则停止搜索，通过更新后的搜索记忆库中最优适配值对应方案进行储能管理。
本申请公开的另一个方面，提供了基于电力负荷预测的新型电力系统储能系统，所述基于电力负荷预测的新型电力系统储能系统用于上述方法，所述基于电力负荷预测的新型电力系统储能系统包括：系统结构提取模块，所述系统结构提取模块用于提取新型电力系统的系统结构，并读取所述系统结构的历史数据集，所述历史数据集为天气预测结果和发电结果的映射数据集；搜索空间建立模块，所述搜索空间建立模块用于构建负荷数据集，所述负荷数据集为历史负荷的数据集合，并通过所述历史数据集和所述负荷数据集建立搜索空间；记忆库配置模块，所述记忆库配置模块用于建立预测特征集，所述预测特征集通过环境数据集和日期数据集提取特征构建，以所述预测特征集作为集中中心，以预定集中因子配置搜索记忆库，其中，所述搜索记忆库依据所述搜索空间搭建而成；储能适配评价模块，所述储能适配评价模块用于建立储能适配评价函数，依据所述储能适配评价函数对所述搜索记忆库进行储能适配评价，生成适配值集合，并判断所述适配值集合是否存在满足预定要求的结果；淘汰比对模块，所述淘汰比对模块用于若不存在，则执行选择扩充，并将选择扩充结果添加至所述搜索记忆库，依据所述储能适配评价函数对选择扩充结果进行储能适配评价，根据新增适配值和所述适配值集合进行淘汰比对，更新搜索记忆库，并持续迭代；储能管理模块，所述储能管理模块用于当存在结果满足所述预定要求或迭代次数满足预设阈值，则停止搜索，通过更新后的搜索记忆库中最优适配值对应方案进行储能管理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过利用系统结构、历史数据集、负荷数据集和预测特征集等信息，进行精确的负荷预测，提供更准确的负荷预测结果；通过搜索记忆库和储能适配评价函数的机制，对不同储能方案进行评估和比较，提供更多优化选项，增强了储能方案的选择能力；通过对搜索记忆库进行迭代和更新，自动地选择扩充并优化储能方案，达到更高的储能适配性和管理效率。综上所述，该基于电力负荷预测的新型电力系统储能方法有效地解决了负荷预测准确性低、储能方案选择困难和储能管理效率低下等技术问题，通过提高负荷预测精度、增强储能方案选择能力和自动化储能管理流程，实现了更准确、高效和可靠的电力系统储能管理。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了基于电力负荷预测的新型电力系统储能方法流程示意图；
图2为本申请实施例提供了基于电力负荷预测的新型电力系统储能系统结构示意图。
附图标记说明：系统结构提取模块10，搜索空间建立模块20，记忆库配置模块30，储能适配评价模块40，淘汰比对模块50，储能管理模块60。
具体实施方式
本申请实施例通过提供基于电力负荷预测的新型电力系统储能方法，解决了传统方法在进行储能方案选择时缺乏合适的评价指标和灵活性，难以根据实际需求和系统特点进行优化，并且无法准确预测负荷波动和变化，导致管理效率低下且容易出现误差的技术问题。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了基于电力负荷预测的新型电力系统储能方法，所述方法包括：
提取新型电力系统的系统结构，并读取所述系统结构的历史数据集，所述历史数据集为天气预测结果和发电结果的映射数据集；
根据新型电力系统的特点和组成部分，确定系统的结构，包括发电设备、负荷设备、储能设备、传输线路等，将各部分之间的关系和连接方式进行记录。通过气象站获取天气预测结果，包括温度、日照时长、风速等信息，获取发电结果，包括实际发电量、发电效率等信息。将天气预测结果和发电结果进行映射，例如使用时间戳进行匹配，确保相同时间段内的天气预测结果和发电结果对应，形成映射数据集，将映射数据集作为历史数据集。
构建负荷数据集，所述负荷数据集为历史负荷的数据集合，并通过所述历史数据集和所述负荷数据集建立搜索空间；
从监测设备或智能电表等来源获取历史负荷数据，历史负荷数据包括每个时间段，如小时或分钟，的负荷值，将历史负荷数据进行整合组成负荷数据集，这个数据集可以按时间顺序排列，每个时间点对应一个负荷值。使用历史数据集和负荷数据集建立搜索空间，搜索空间是指在后续的负荷预测和储能适配过程中需要探索的参数范围，由历史数据集的统计特征和负荷数据集的特征信息来定义。基于历史数据集和负荷数据集的特征，确定需要进行搜索和优化的参数，这些参数包括偏差值、阈值等，以及储能适配过程中的容量、充放电速率等，根据确定的参数范围，建立搜索空间，搜索空间是一个多维的参数空间，其中每个参数有其取值范围。这样，后续的优化算法可以在搜索空间中进行探索和搜索，找到最优解或接近最优解的解决方案。
建立预测特征集，所述预测特征集通过环境数据集和日期数据集提取特征构建，以所述预测特征集作为集中中心，以预定集中因子配置搜索记忆库，其中，所述搜索记忆库依据所述搜索空间搭建而成；
通过前述天气预测结果提取与电力负荷预测相关的环境数据，如天气状况、季节变化、温度数据等，建立环境数据集；收集与电力负荷预测相关的日期数据，如年、月、假日标志等，这些数据用于捕捉与时间关联的特征信息。
基于环境数据集和日期数据集，从中提取与电力负荷预测相关的特征，例如，从环境数据集中提取平均温度、最高温度、最低温度等特征，从日期数据集中提取星期几、是否是假日等特征。将提取的特征组合在一起，形成预测特征集，该特征集以预测负荷为目标，并作为后续步骤中搜索记忆库配置的集中中心。
使用预定的集中因子，将预测特征集应用于搜索记忆库的配置，搜索记忆库是根据之前建立的搜索空间搭建而成的，并且它记录了不同参数配置下的储能方案，通过将预测特征集与搜索空间结合，配置搜索记忆库中的参数，以寻找最佳的储能管理方案。
建立储能适配评价函数，依据所述储能适配评价函数对所述搜索记忆库进行储能适配评价，生成适配值集合，并判断所述适配值集合是否存在满足预定要求的结果；
根据具体的储能策略和目标，设计并构建储能适配评价函数，这个评价函数以多种因素为考量，如储能效率、成本、稳定性等，用于量化给定储能方案的适配程度。将建立的储能适配评价函数应用于搜索记忆库中的每个储能方案，计算每个方案的适配值，反映其在特定目标下的适配程度，例如，适配值可以是0到1之间的连续值，值越大代表适配程度越高，将每个方案的适配值进行整合，形成适配值集合。根据预定的要求对适配值集合进行判断，例如，设置适配阈值，检查适配值是否达到或超过阈值，以此确定最佳的储能管理方案
若不存在，则执行选择扩充，并将选择扩充结果添加至所述搜索记忆库，依据所述储能适配评价函数对选择扩充结果进行储能适配评价，根据新增适配值和所述适配值集合进行淘汰比对，更新搜索记忆库，并持续迭代；
如果不存在满足预定要求的储能结果，那么执行选择扩充操作来寻找更好的储能管理方案，具体的，采用遗传算法，通过随机生成储能参数，从搜索空间中找到新的候选方案，将选择扩充得到的新储能方案添加到搜索记忆库中，使其成为更新后的储能方案集合。
使用相同的储能适配评价函数对选择扩充结果进行评估，计算其适配值，将选择扩充结果的适配值与原有的适配值集合进行比对，比较新增适配值与已有适配值的大小关系，根据比对结果，淘汰低适配值的方案，并保留高适配值的方案。
根据淘汰比对的结果更新搜索记忆库，将适配值较高的新方案保留下来，这样可以逐步优化搜索记忆库中的储能管理方案。重复执行上述步骤，进行多轮的选择扩充操作、适配评价、淘汰比对和更新过程，这样可以不断地优化搜索记忆库，找到更优的储能方案。
当存在结果满足所述预定要求或迭代次数满足预设阈值，则停止搜索，通过更新后的搜索记忆库中最优适配值对应方案进行储能管理。
在每一次选择扩充操作和更新搜索记忆库之后，进行适配值的比对，如果某个方案的适配值符合预定要求，则认为找到了满足要求的最佳储能方案；同时，在每一次选择扩充操作之后，记录当前的迭代次数，当达到预设的迭代次数阈值时，在搜索记忆库中选择拥有最高适配值的方案作为最优的储能管理方案。以上两个条件满足任一个时，停止搜索过程，这样可以确保在搜索过程中得到符合需求的有效储能管理方案，并提高新型电力系统的运行效率和性能。
使用更新后的搜索记忆库中具有最优适配值的方案作为储能管理方案，这个方案被认为是搜索过程中找到的最佳储能配置策略，可以用于实际的电力系统中进行储能管理和操作。
进一步而言，还包括：
对所述预测特征集进行集合内特征的稳态评价，生成稳态评价结果；
通过所述稳态评价结果建立辅助关联因子，对所述预定集中因子补偿；
以所述预测特征集作为集中中心，以补偿后的预定集中因子作为集中值，在所述搜索空间内搭建搜索记忆库。
对集合内每个特征进行描述统计分析，计算统计量如均值、方差、最大值、最小值等，这些统计量提供了特征值的基本概览，有助于了解其分布和范围。通过直方图等图表形式对特征值进行可视化分析，获取特征的分布情况、异常值、偏斜程度等，并掌握特征的整体趋势。使用相关系数，如皮尔逊相关系数，来衡量特征之间的相关程度，通过分析相关性，确定特征之间是否存在线性关联，以及它们对于预测目标的影响程度。
根据统计量、整体趋势、相关系数等获取稳态评价结果，该稳态评价结果可以提供对预测特征集内部特征稳定性的描述，为后续辅助关联因子建立和搜索记忆库构建提供参考依据。
基于稳态评价结果，根据特征集内特征的情况，建立辅助关联因子，该辅助关联因子可以是权重、系数或校准参数，用于校正预定集中因子以更好地反映预测特征集的实际情况。将辅助关联因子与预定集中因子结合，根据其值进行相应的线性调整，以此对预定集中因子进行补偿，通过补偿预定集中因子，可以使其更加准确地反映实际特征集内特征的影响。
将预测特征集作为搜索记忆库的集中中心，即将预测特征集作为参考和核心；将补偿后的预定集中因子作为集中值，即将经过调整的预定集中因子视为参考值。使用搜索空间内的参数范围和集中中心(预测特征集)以及集中值(补偿后的预定集中因子)，在所定义的搜索空间内搭建搜索记忆库，该搜索记忆库记录了不同参数配置，对于每个参数配置，在搜索空间内生成相应的储能方案，用于后续的储能管理与决策过程。
进一步而言，所述若不存在，则执行选择扩充，还包括：
设定概率约束，以所述概率约束作为参考值，通过随机取值与概率约束关系，确定迭代扩充方向；
若所述迭代扩充方向为搜索空间扩充方向，则在所述搜索空间随机赋值，获得所述选择扩充结果；
若所述迭代扩充方向为搜索记忆库扩充方向，则配置微调概率和微调波动值，对所述搜索记忆库执行微量扩充，获得所述选择扩充结果。
根据问题需求和目标，设定一个概率约束作为参考值，该概率约束是一个阈值或范围，表示期望的某种结果的出现概率。于每次迭代扩充操作，在搜索空间中进行随机取值，将随机取得的值与设定的概率约束进行比较，通过计算与设定概率约束的差异度量，来判断随机取值是否满足概率约束，根据与概率约束的关系，确定迭代扩充方向，例如，如果随机取值满足概率约束，则选择扩充方向为搜索空间扩充；如果随机取值未满足概率约束，则选择扩充方向为搜索记忆库扩充。
当确定扩充方向为搜索空间的扩充方向，对于选择扩充的每个参量，在搜索空间内进行随机赋值，这意味着从已定义的取值范围中随机选择一个值作为该参量的新值，用随机赋值后的参数配置进行选择扩充操作，得到相应的扩充结果。随机赋值的操作可增加搜索空间的多样性，探索新的储能方案，并为后续的评估和优化提供更多选择。
当确定扩充方向为搜索记忆库的扩充方向，设定微调概率和微调波动值来控制扩充的程度和幅度，其中，微调概率表示进行微量扩充的概率，而微调波动值则表示微调的程度或幅度。对搜索记忆库中的储能方案执行微量扩充操作，即在已有方案的基础上进行微小的变化或修改，包括微调参数、微调指标、微调配置等，根据微量扩充后的储能方案，获得选择扩充结果。微量扩充的操作可以增加搜索记忆库中的多样性，并探索更多可能的储能方案，从而为后续的评估和优化提供更丰富的选择和参考。
进一步而言，还包括：
以所述搜索记忆库和所述选择扩充结果进行相似比对，定位临近数组；
对所述临近数组的适配值与所述新增适配值进行优劣比对；
淘汰劣势适配值对应数组，保留优势适配值对应数组，完成所述搜索记忆库更新。
将选择扩充结果与搜索记忆库中的每个数组逐一进行比对，例如选择距离度量方法，如欧氏距离，计算选择扩充结果与每个数组之间的距离，通过比对结果，找到在距离上与选择扩充结果最为接近的数组，作为临近数组。根据定位到的临近数组，确定与之对应的具体固定席位信息，从这个固定席位信息可以获知电力系统中的具体情况和配置。
从定位到的临近数组中获取其对应的适配值，这个适配值反映了该固定席位的储能方案的性能评估结果。设定用于优劣比对的指标，例如成本效益、区域平衡度、储能容量利用率等，按照选定的比对指标，将临近数组的适配值与新增适配值进行对比，判断哪个适配值更为优势。根据优劣比对的结果，判断临近数组的适配值和新增适配值的相对优劣，如果新增适配值更优，可认为其储能方案更符合要求；如果临近数组的适配值更优，则说明之前的方案才更为理想。
根据优劣比对判断结果，找出劣势适配值对应的数组并淘汰，这些劣势适配值对应的数组代表了不符合要求或性能较差的储能方案。同时，找出优势适配值对应的数组并保留，这些优势适配值对应的数组则表示更为理想且性能较好的储能方案。基于淘汰和保留的结果，执行搜索记忆库的更新，确保搜索记忆库中只包含高质量、优秀的储能方案。
进一步而言，还包括：
设定脉络的淘汰周期和淘汰值；
若所述搜索记忆库中数组对应的脉络更新次数满足所述淘汰周期，且全部更新结果均不能满足所述淘汰值时，则生成脉络淘汰指令；
依据所述脉络淘汰指令从所述搜索记忆库中剔除对应脉络。
脉络是指储能适配方案在搜索记忆库中的集合，具体来说，一条脉络代表一组适配值较优的储能适配方案，脉络的数量即为搜索记忆库中数组的初始数量，当某一条脉络不满足要求时，针对该条脉络进行淘汰操作，同时保持其他脉络不变，以此实现针对性处理。根据需求设定脉络的淘汰周期和淘汰值，淘汰周期表示脉络在搜索记忆库中的更新次数间隔，淘汰值是判断一个脉络是否应该被淘汰的阈值。
对于每个数组对应的脉络，在搜索记忆库的更新过程中进行监测并记录其更新次数，对于每次脉络的更新操作，根据预设的评价指标评估所得的更新结果是否满足设定的淘汰值要求，当脉络的更新次数达到设定的淘汰周期后，检查所有的更新结果，如果所有的更新结果都未能满足设定的淘汰值，则表示该脉络需要淘汰，根据判断结果，生成脉络淘汰指令，用于将该脉络从搜索记忆库中淘汰。
遍历搜索记忆库中的脉络数组，逐个检查是否存在与脉络淘汰指令相匹配的脉络，当发现与脉络淘汰指令相匹配的脉络时，进行剔除操作，以优化搜索记忆库的质量和适应性。
进一步而言，还包括：
判断所述日期数据集是否存在新增日期特征；
若存在新增日期特征，则依据所述新增日期特征生成递增关联因子；
通过所述递增关联因子优化所述搜索记忆库。
从日期数据中提取已知的日期特征，例如年份、月份、星期几等，将当前日期数据集与之前已有的日期数据集进行比较，并对已知的日期特征进行对比，检查是否存在新的日期特征或已有日期特征上的变化，比如计算每个日期特征的频次、分布情况或统计量，如果发现某个日期特征的频次或分布出现明显的变化，则表明存在新增日期特征。
若存在新增日期特征，根据判断出的新增日期特征，从日期数据集中提取相应的新特征，包括季节性、节假日特征等，通过对日期特征和负荷数据进行关联分析，计算特征值与负荷变化之间的相关性，根据关联分析的结果，生成递增关联因子，该因子表示新增日期特征与负荷变化之间的关联程度。递增关联因子可以是正数，反映日期特征与负荷呈现正相关关系，也可以是负数，反映日期特征与负荷呈现负相关关系。
根据递增关联因子的大小，为每个特征分配相应的权重，其中，较大的递增关联因子通常表示该日期特征对负荷变化有更大的影响，因此应给予较高的权重。利用生成的递增关联因子，优化搜索记忆库中的储能方案选择和负荷预测过程，具体的，根据递增关联因子权重和参数调整，重点关注与新增日期特征相关的储能方案，以提高负荷预测的准确性和储能方案的选择效果，这样可以更好地适应实际情况，提供更可靠和精准的储能管理策略。
进一步而言，还包括：
记录储能管理结果，并生成管理效果的适配标识；
通过所述适配标识和预测特征集进行映射，并依据映射结果构建补偿特征；
通过所述补偿特征进行后续储能管理的匹配优化。
在每次执行储能管理过程后，记录储能管理的结果，包括实际实施的储能方案、负荷预测的准确性、储能容量利用率等指标，对记录的储能管理结果进行数据整理和分析，包括数据清洗和统计计算等处理，生成一个适配标识，对储能管理的效果进行量化，表示储能管理的效果和适合程度。
根据经验法则，定义适配标识与预测特征集之间的映射关系，使用定义好的映射关系，将适配标识应用于预测特征集，根据映射结果，构建补偿特征，这些补偿特征是在原有预测特征基础上增加、修改或调整的新特征，补偿特征旨在更准确地反映储能管理效果或可提供额外信息来改善储能策略。
将补偿特征与预测特征集、搜索记忆库中的储能方案进行整合，确保补偿特征能够与其他关键数据源进行匹配。根据实际需求和优化目标，明确后续储能管理的优化目标，包括最大化储能容量利用率、降低储能成本、平滑负荷曲线等。基于补偿特征和优化目标，应用匹配优化算法，例如模拟退火算法等，在搜索空间中寻找最优储能方案，根据优化算法的运行结果，对储能方案的参数进行调整，以适配补偿特征和优化目标。根据实际结果和反馈，不断迭代和更新储能管理策略，以实现更好的储能管理和电力系统运行，进而提高负荷预测准确性、储能方案的选择效果和储能管理的性能。
综上所述，本申请实施例所提供的基于电力负荷预测的新型电力系统储能方法及系统具有如下技术效果：
1.通过利用系统结构、历史数据集、负荷数据集和预测特征集等信息，进行精确的负荷预测，提供更准确的负荷预测结果；
2.通过搜索记忆库和储能适配评价函数的机制，对不同储能方案进行评估和比较，提供更多优化选项，增强了储能方案的选择能力；
3.通过对搜索记忆库进行迭代和更新，自动地选择扩充并优化储能方案，达到更高的储能适配性和管理效率。
综上所述，该基于电力负荷预测的新型电力系统储能方法有效地解决了负荷预测准确性低、储能方案选择困难和储能管理效率低下等技术问题，通过提高负荷预测精度、增强储能方案选择能力和自动化储能管理流程，实现了更准确、高效和可靠的电力系统储能管理。
实施例二
基于与前述实施例中基于电力负荷预测的新型电力系统储能方法相同的发明构思，如图2所示，本申请提供了基于电力负荷预测的新型电力系统储能系统，所述基于电力负荷预测的新型电力系统储能系统包括：
系统结构提取模块10，所述系统结构提取模块10用于提取新型电力系统的系统结构，并读取所述系统结构的历史数据集，所述历史数据集为天气预测结果和发电结果的映射数据集；
搜索空间建立模块20，所述搜索空间建立模块20用于构建负荷数据集，所述负荷数据集为历史负荷的数据集合，并通过所述历史数据集和所述负荷数据集建立搜索空间；
记忆库配置模块30，所述记忆库配置模块30用于建立预测特征集，所述预测特征集通过环境数据集和日期数据集提取特征构建，以所述预测特征集作为集中中心，以预定集中因子配置搜索记忆库，其中，所述搜索记忆库依据所述搜索空间搭建而成；
储能适配评价模块40，所述储能适配评价模块40用于建立储能适配评价函数，依据所述储能适配评价函数对所述搜索记忆库进行储能适配评价，生成适配值集合，并判断所述适配值集合是否存在满足预定要求的结果；
淘汰比对模块50，所述淘汰比对模块50用于若不存在，则执行选择扩充，并将选择扩充结果添加至所述搜索记忆库，依据所述储能适配评价函数对选择扩充结果进行储能适配评价，根据新增适配值和所述适配值集合进行淘汰比对，更新搜索记忆库，并持续迭代；
储能管理模块60，所述储能管理模块60用于当存在结果满足所述预定要求或迭代次数满足预设阈值，则停止搜索，通过更新后的搜索记忆库中最优适配值对应方案进行储能管理。
进一步而言，所述系统还包括搜索记忆库搭建模块，以执行如下操作步骤：
对所述预测特征集进行集合内特征的稳态评价，生成稳态评价结果；
通过所述稳态评价结果建立辅助关联因子，对所述预定集中因子补偿；
以所述预测特征集作为集中中心，以补偿后的预定集中因子作为集中值，在所述搜索空间内搭建搜索记忆库。
进一步而言，所述系统还包括扩充结果获取模块，以执行如下操作步骤：
设定概率约束，以所述概率约束作为参考值，通过随机取值与概率约束关系，确定迭代扩充方向；
若所述迭代扩充方向为搜索空间扩充方向，则在所述搜索空间随机赋值，获得所述选择扩充结果；
若所述迭代扩充方向为搜索记忆库扩充方向，则配置微调概率和微调波动值，对所述搜索记忆库执行微量扩充，获得所述选择扩充结果。
进一步而言，所述系统还包括记忆库更新模块，以执行如下操作步骤：
以所述搜索记忆库和所述选择扩充结果进行相似比对，定位临近数组；
对所述临近数组的适配值与所述新增适配值进行优劣比对；
淘汰劣势适配值对应数组，保留优势适配值对应数组，完成所述搜索记忆库更新。
进一步而言，所述系统还包括脉络剔除模块，以执行如下操作步骤：
设定脉络的淘汰周期和淘汰值；
若所述搜索记忆库中数组对应的脉络更新次数满足所述淘汰周期，且全部更新结果均不能满足所述淘汰值时，则生成脉络淘汰指令；
依据所述脉络淘汰指令从所述搜索记忆库中剔除对应脉络。
进一步而言，所述系统还包括记忆库优化模块，以执行如下操作步骤：
判断所述日期数据集是否存在新增日期特征；
若存在新增日期特征，则依据所述新增日期特征生成递增关联因子；
通过所述递增关联因子优化所述搜索记忆库。
进一步而言，所述系统还包括匹配优化模块，以执行如下操作步骤：
记录储能管理结果，并生成管理效果的适配标识；
通过所述适配标识和预测特征集进行映射，并依据映射结果构建补偿特征；
通过所述补偿特征进行后续储能管理的匹配优化。
本说明书通过前述对基于电力负荷预测的新型电力系统储能方法的详细描述，本领域技术人员可以清楚得知道本实施例中基于电力负荷预测的新型电力系统储能方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于电力负荷预测的新型电力系统储能方法，其特征在于，所述方法包括：
提取新型电力系统的系统结构，并读取所述系统结构的历史数据集，所述历史数据集为天气预测结果和发电结果的映射数据集；
构建负荷数据集，所述负荷数据集为历史负荷的数据集合，并通过所述历史数据集和所述负荷数据集建立搜索空间；
建立预测特征集，所述预测特征集通过环境数据集和日期数据集提取特征构建，以所述预测特征集作为集中中心，以预定集中因子配置搜索记忆库，其中，所述搜索记忆库依据所述搜索空间搭建而成；
建立储能适配评价函数，依据所述储能适配评价函数对所述搜索记忆库进行储能适配评价，生成适配值集合，并判断所述适配值集合是否存在满足预定要求的结果；
若不存在，则执行选择扩充，并将选择扩充结果添加至所述搜索记忆库，依据所述储能适配评价函数对选择扩充结果进行储能适配评价，根据新增适配值和所述适配值集合进行淘汰比对，更新搜索记忆库，并持续迭代；
当存在结果满足所述预定要求或迭代次数满足预设阈值，则停止搜索，通过更新后的搜索记忆库中最优适配值对应方案进行储能管理。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
对所述预测特征集进行集合内特征的稳态评价，生成稳态评价结果；
通过所述稳态评价结果建立辅助关联因子，对所述预定集中因子补偿；
以所述预测特征集作为集中中心，以补偿后的预定集中因子作为集中值，在所述搜索空间内搭建搜索记忆库。
3.如权利要求1所述的方法，其特征在于，所述若不存在，则执行选择扩充，还包括：
设定概率约束，以所述概率约束作为参考值，通过随机取值与概率约束关系，确定迭代扩充方向；
若所述迭代扩充方向为搜索空间扩充方向，则在所述搜索空间随机赋值，获得所述选择扩充结果；
若所述迭代扩充方向为搜索记忆库扩充方向，则配置微调概率和微调波动值，对所述搜索记忆库执行微量扩充，获得所述选择扩充结果。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
以所述搜索记忆库和所述选择扩充结果进行相似比对，定位临近数组；
对所述临近数组的适配值与所述新增适配值进行优劣比对；
淘汰劣势适配值对应数组，保留优势适配值对应数组，完成所述搜索记忆库更新。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
设定脉络的淘汰周期和淘汰值；
若所述搜索记忆库中数组对应的脉络更新次数满足所述淘汰周期，且全部更新结果均不能满足所述淘汰值时，则生成脉络淘汰指令；
依据所述脉络淘汰指令从所述搜索记忆库中剔除对应脉络。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述日期数据集是否存在新增日期特征；
若存在新增日期特征，则依据所述新增日期特征生成递增关联因子；
通过所述递增关联因子优化所述搜索记忆库。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
记录储能管理结果，并生成管理效果的适配标识；
通过所述适配标识和预测特征集进行映射，并依据映射结果构建补偿特征；
通过所述补偿特征进行后续储能管理的匹配优化。
8.基于电力负荷预测的新型电力系统储能系统，其特征在于，用于实施权利要求1-7任一项所述的基于电力负荷预测的新型电力系统储能方法，所述基于电力负荷预测的新型电力系统储能系统包括：
系统结构提取模块，所述系统结构提取模块用于提取新型电力系统的系统结构，并读取所述系统结构的历史数据集，所述历史数据集为天气预测结果和发电结果的映射数据集；
搜索空间建立模块，所述搜索空间建立模块用于构建负荷数据集，所述负荷数据集为历史负荷的数据集合，并通过所述历史数据集和所述负荷数据集建立搜索空间；
记忆库配置模块，所述记忆库配置模块用于建立预测特征集，所述预测特征集通过环境数据集和日期数据集提取特征构建，以所述预测特征集作为集中中心，以预定集中因子配置搜索记忆库，其中，所述搜索记忆库依据所述搜索空间搭建而成；
储能适配评价模块，所述储能适配评价模块用于建立储能适配评价函数，依据所述储能适配评价函数对所述搜索记忆库进行储能适配评价，生成适配值集合，并判断所述适配值集合是否存在满足预定要求的结果；
淘汰比对模块，所述淘汰比对模块用于若不存在，则执行选择扩充，并将选择扩充结果添加至所述搜索记忆库，依据所述储能适配评价函数对选择扩充结果进行储能适配评价，根据新增适配值和所述适配值集合进行淘汰比对，更新搜索记忆库，并持续迭代；
储能管理模块，所述储能管理模块用于当存在结果满足所述预定要求或迭代次数满足预设阈值，则停止搜索，通过更新后的搜索记忆库中最优适配值对应方案进行储能管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311250599.XA CN117277377A (zh) | 2023-09-26 | 2023-09-26 | 基于电力负荷预测的新型电力系统储能方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311250599.XA CN117277377A (zh) | 2023-09-26 | 2023-09-26 | 基于电力负荷预测的新型电力系统储能方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117277377A true CN117277377A (zh) | 2023-12-22 |
Family
ID=89220991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311250599.XA Pending CN117277377A (zh) | 2023-09-26 | 2023-09-26 | 基于电力负荷预测的新型电力系统储能方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117277377A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118081218A (zh) * | 2024-04-23 | 2024-05-28 | 南通南铭电子有限公司 | 一种电容器引脚的自动化焊接控制方法及系统 |
-
2023
- 2023-09-26 CN CN202311250599.XA patent/CN117277377A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118081218A (zh) * | 2024-04-23 | 2024-05-28 | 南通南铭电子有限公司 | 一种电容器引脚的自动化焊接控制方法及系统 |
| CN118081218B (zh) * | 2024-04-23 | 2024-07-05 | 南通南铭电子有限公司 | 一种电容器引脚的自动化焊接控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117277377A (zh) | 基于电力负荷预测的新型电力系统储能方法及系统 | |
| CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
| CN111711209B (zh) | 基于储能寿命和调频性能的光储充联合运行方法及系统 | |
| CN110460038A (zh) | 一种涉及新能源并网的多场景输电网扩展规划方法 | |
| CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
| CN116644851B (zh) | 结合负荷优化配置的热电厂设备控制方法及系统 | |
| CN117485177A (zh) | 充电桩智能节能控制系统及方法 | |
| CN116454928A (zh) | 一种考虑多时间尺度的多类型储能协同调度方法 | |
| CN111062539B (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
| CN117458544B (zh) | 一种基于多类型储能资源动态聚合的优化协同调控方法 | |
| CN111735177A (zh) | 一种基于svr算法的中央空调系统冷负荷预测方法 | |
| CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
| CN117937516A (zh) | 计及调频信号不确定域辨识的风储系统双重调频方法 | |
| CN108321801A (zh) | 一种能源基地系统日前发电计划制定方法和系统 | |
| CN117728379A (zh) | 用于区域电网的智能运行调度方法 | |
| CN116522800A (zh) | 一种基于场景概率的多目标风-储电站选址定容方法 | |
| CN113567164B (zh) | 一种风电场技术改造需求系统性评估预测方法 | |
| CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
| CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、系统 | |
| CN118365176B (zh) | 一种电动汽车充电需求预测方法及装置 | |
| CN117613962B (zh) | 一种氢电耦合氢储能能调峰发电系统 | |
| CN117833300B (zh) | 一种基于智能配电设备的储能容量配置方法 | |
| CN113705874B (zh) | 新能源电网演化预测方法、装置、计算机设备和存储介质 | |
| CN117937474B (zh) | 一种新能源场站储能管理方法及系统 | |
| CN113537575B (zh) | 一种含分布式光伏和电动汽车并网的趋势负荷预测方法 |
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 |