CN117458544A - 一种基于多类型储能资源动态聚合的优化协同调控方法 - Google Patents
一种基于多类型储能资源动态聚合的优化协同调控方法 Download PDFInfo
- Publication number
- CN117458544A CN117458544A CN202311432769.6A CN202311432769A CN117458544A CN 117458544 A CN117458544 A CN 117458544A CN 202311432769 A CN202311432769 A CN 202311432769A CN 117458544 A CN117458544 A CN 117458544A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- feature
- vector
- module
- storage resources
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 147
- 238000005457 optimization Methods 0.000 title claims abstract description 75
- 230000002776 aggregation Effects 0.000 title claims abstract description 63
- 238000004220 aggregation Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001105 regulatory effect Effects 0.000 claims abstract description 43
- 238000010230 functional analysis Methods 0.000 claims abstract description 18
- 238000013439 planning Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 143
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000013468 resource allocation Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000000153 supplemental effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 40
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000005303 weighing Methods 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
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多类型储能资源动态聚合的优化协同调控方法,属于多类型资源调控技术领域,其方法包括基于待调控能源系统的模块要求,从记录储能数据库中选择与模块要求匹配的储能资源,实时获取待调控能源系统的动态资源变动情况,并提取每个模块的动态参数与性能参数,按照储能资源对相应模块进行最大功能分析与最小功能分析,根据每个模块的功能分析结果且结合同个模块的动态参数与性能参数,通过线性规划方式进行单一规划,基于多目标优化方式进行协同优化,得出最优储能资源的聚合结果,并进行相应调控,实现在不断变化的应用要求下仍然可以保持储能资源运转的高效和可靠,最大程度的利用可用资源,提高系统的效率和性能。
Description
技术领域
本发明涉及多类型资源调控技术领域,特别涉及一种基于多类型储能资源动态聚合的优化协同调控方法。
背景技术
随着可再生能源如太阳能和风能的快速增长,电力系统面临不稳定性和间歇性的挑战,多类型储能资源可以帮助平衡这些波动的能源生产,但是由于多类型储能资源存在不同特性,这些不同的特性可能导致不同储能资源之间存在权衡,同时由于应用场景的变化也会导致应用特性发生变化,为了实现系统在不断变化的条件下保持高效和可靠,最大程度地利用可用资源,提高系统的效率和性能。
本发明提出一种基于多类型储能资源动态聚合的优化协同调控方法。
发明内容
本发明提供一种基于多类型储能资源动态聚合的优化协同调控方法,用以通过根据待调控能源系统的模块要求匹配对应类型的储能资源,根据待调控能源系统的动态资源变动情况,提取对应动态参数与性能参数,并进行功能分析,根据分析结果以线性规划方式进行单一规划,再次进行协同规划,得出储能资源的聚合结果,并进行相应调控,实现在不断变化的应用要求下仍然可以保持储能资源运转的高效和可靠,最大程度的利用可用资源,提高系统的效率和性能。
本发明提供一种基于多类型储能资源动态聚合的优化协同调控方法,包括:
步骤1:基于待调控能源系统的模块要求,从记录储能数据库中选择与模块要求匹配对应类型的储能资源;
步骤2:实时获取待调控能源系统的动态资源变动情况,并提取得到每个模块的动态参数与性能参数,同时,按照储能资源对相应模块进行最大功能分析与最小功能分析;
步骤3:根据每个模块的功能分析结果且结合同个模块的动态参数与性能参数,通过线性规划方式对相应模块的储能资源进行单一规划;
步骤4:基于多目标优化方式对单一规划后的资源进行协同优化,得出最优储能资源的聚合结果,并进行相应调控。
本发明提供一种基于多类型储能资源动态聚合的优化协同调控方法,基于待调控能源系统的模块要求,从记录储能数据库中选择与模块要求匹配对应类型的储能资源,包括:
获取待调控能源系统的所有模块要求,根据所述模块要求建立对应模块的特征向量,从相关词联系库中匹配每个模块特征向量的相似向量,将所有相似向量与特征向量集合构成特征集;
根据特征数据识别模型判断特征集中的离群值,将与所述离群值对应的向量进行标记,作为特殊标记向量;
根据相关系数模型遍历所述特征集内所有未标记向量两两之间的第一共性强度以及特殊标记向量两两之间的第二共性强度,分别得出基于未标记向量以及特殊标记向量的共性特征分布情况;
根据所有共性特征分布情况构建针对每个向量的共性特征集,并从记录储能数据库中筛选与对应共性特征集及相应模块类型所匹配的储能资源进而赋予给相应模块。
本发明提供一种基于多类型储能资源动态聚合的优化协同调控方法,根据所有共性特征分布情况构建针对每个向量的共性特征集,包括:
计算对齐后的未标记向量两两之间的第一共性强度:
其中,R1i1j1表示对齐后的第i1个未标记向量与第j1个未标记向量的第一共性强度;m1表示对齐后的未标记向量的特征数量;X1i1表示第i1个未标记向量的特征均值;X2j1表示第j1个未标记向量的特征均值;X1i1,r1表示第i1个未标记向量的第r1个特征的特征值;X2j1,r1表示第j1个未标记向量第r1个特征的特征值;(X1i1,r1-X2j1,r1)ave表示所有X1i1,r1-X2j1,r1的平均值;(X1i1,r1-X2j1,r1)min表示所有X1i1,r1-X2j1,r1中的最小值;
当所述第一共性强度大于设定特征强度时,从所有X1i1,r1-X2j1,r1中提取差值绝对值小于第一预设阈值的特征作为第一共性特征,同时,分别获取大于第一预设阈值的特征作为对应未标记向量的第一专属特征;
根据所述特殊标记向量的离群值,确定对应特殊标记向量的特殊异常系数;
若所述特殊异常系数大于预设系数,则向对应特殊标记向量增加异常特征变量;
否则,保持原有的特殊标记向量不变;
计算对齐处理后的特殊标记向量两两之间的第二共性强度:
其中,R2i2j2表示对齐后的第i2个特殊标记向量与第j2个特殊标记向量的第二共性强度;m2表示对齐后的特殊标记向量的特征数量;Y1i2表示第i2个特殊标记向量的特征均值;Y2j2表示第j2个特殊标记向量的特征均值;Y1i2,r2表示第i2个特殊标记向量的第r2个特征的特征值;Y2j2,r2表示第j2个特殊标记向量第r2个特征的特征值;(Y1i2,r2-Y2j2,r2)ave表示所有Y1i2,r2-Y2j2,r2的平均值;(Y1i2,r2-Y2j2,r2)min表示所有Y1i2,r2-Y2j2,r2中的最小值;Δ1表示对齐后的第i2个特殊标记向量与第j2个特殊标记向量的共性影响函数;Wi2表示第i2个特殊标记向量的异常特征变量;Wj2表示第j2个特殊标记向量的异常特征变量;sim(Wi2,Wj2)表示基于Wi2与Wj2的相似函数;ti2表示第i2个特殊标记向量的特殊异常系数;t0为对应的预设系数;
当所述第二共性强度大于设定特征强度时,从所有Y1i2,r2-Y2j2,r2中提取差值绝对值小于第二预设阈值的特征作为第二共性特征,同时,分别获取大于第二预设阈值的特征作为对应特殊标记向量的第二专属特征;
基于第一共性特征、第二共性特征、第一专属特征、第二专属特征,分别得出基于未标记向量以及特殊标记向量的共性特征分布情况。
本发明提供一种基于多类型储能资源动态聚合的优化协同调控方法,实时获取待调控能源系统的动态资源变动情况,并提取得到每个模块的动态参数与性能参数,同时,按照储能资源对相应模块进行最大功能分析与最小功能分析,包括:
基于预先部署的传感器和监测设备实时采集待调控能源系统的关键参数;
对实时采集数据与历史数据进行预处理,提取每个模块的动态参数与性能参数并进行第一储能资源与相应模块的匹配,来确定动态参数与性能参数。
本发明提供一种基于多类型储能资源动态聚合的优化协同调控方法,对实时采集数据与历史数据进行预处理,包括:
对实时采集数据与历史数据进行检测,根据检测结果对所述实时采集数据与历史数据进行清洗;
对实时采集数据与历史数据进行时间依赖性与待调控能源系统实时运转情况的判断,根据判断结果按照补充数据准则对缺失数据进行补足;
根据异常数据所在位置确定数据异常原因,按照异常处理准则进行处理,并将实时数据与历史数据进行时间对齐,得出预处理结果。
本发明提供一种基于多类型储能资源动态聚合的优化协同调控方法,按照储能资源对相应模块进行最大功能分析与最小功能分析,包括:
确定相应模块对储能资源中每个子资源的最大运行负载与最小运行负载;
根据每个子资源的最大运行负载的资源调动情况进行最大功能分析,同时,根据每个子资源的最小运行负载的资源调动情况进行最小功能分析。
本发明提供一种基于多类型储能资源动态聚合的优化协同调控方法,基于多目标优化方式对单一规划后的资源进行协同优化,得出最优储能资源的聚合结果,并进行相应调控,包括:
根据待调控能源系统的实时监控结果确定储能资源的待实现目标,根据系统参数与设定决策变量确定目标函数与目标的实现程度,根据目标函数与目标实现程度建立多目标优化模型;
根据待实现目标的紧急程度对多目标优化模型进行约束条件附加,其中约束条件包括储能资源的容量、充放电速率、充放电效率以及资源使用寿命;
使用多目标优化算法基于约束条件对待调控能源系统进行多目标运算,得出最优储能资源的聚合结果;
根据最优储能资源的聚合结果对待调控能源系统进行调控优化,配置建立实时监控系统跟踪性能和资源的运行情况来进行实时调整,以保持最佳的资源配置。
本发明提供一种基于多类型储能资源动态聚合的优化协同调控方法,使用多目标优化算法基于约束条件对待调控能源系统进行多目标运算,得出最优储能资源的聚合结果,包括:
使用随机生成的初始配置的历史使用情况,并计算每个储能资源对应的模块功能在每个目标函数下的适应度值;
基于每个模块涉及到的所有适应度值,寻找对应储能资源的聚合解;
根据特定需求与决策标准对所有聚合解进行分析,得出最优储能资源的聚合结果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于多类型储能资源动态聚合的优化协同调控方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明实施例提供一种基于多类型储能资源动态聚合的优化协同调控方法,如图1所示,包括:
步骤1:基于待调控能源系统的模块要求,从记录储能数据库中选择与模块要求匹配对应类型的储能资源;
步骤2:实时获取待调控能源系统的动态资源变动情况,并提取得到每个模块的动态参数与性能参数,同时,按照储能资源对相应模块进行最大功能分析与最小功能分析;
步骤3:根据每个模块的功能分析结果且结合同个模块的动态参数与性能参数,通过线性规划方式对相应模块的储能资源进行单一规划;
步骤4:基于多目标优化方式对单一规划后的资源进行协同优化,得出最优储能资源的聚合结果,并进行相应调控。
该实施例中,模块要求包括功率需求、能量需求、充放电速率、循环寿命、效率要求以及其他技术规格。
该实施例中,记录储能数据库是包含各种类型储能资源信息的工具,包括锂离子电池、超级电容器、抽水蓄能、燃料电池,对每种储能技术创建一种分类。
该实施例中,动态资源变动情况是资源在不同的时间段内产生的波动抢矿,资源包括可再生能源如太阳能和风能,变动情况包括能源生产的季节性、日夜变化、天气条件等因素。
该实施例中,动态参数从实时数据中提取的,包括功率、电流、温度、湿度等参数,这些参数随时间变化。
该实施例中,性能参数是使用动态数据计算性能参数,如效率、响应时间、容量利用率等,以衡量各个模块的性能。
该实施例中,最大功能分析是根据系统的需求和目标,确定每个模块的最大功能,包括最大功率输出、最大能量存储、最佳效率等。
该实施例中,最小功能分析是根据系统需求确定每个模块的最小功能,以确保系统的基本运行,使用动态参数和性能参数来评估每个模块在最小功能下的性能。
该实施例中,将最大功能和最小功能之间的差距与系统的实际需求进行比较,制定优化策略,调整模块的控制策略、电力分配或储能容量的调整,以最大程度地满足模块要求。
该实施例中,功能分析结果是基于最大和最小功能分析的结果,每个模块的功能分析报告。
该实施例中,线性规划方式是为每个模块定义决策变量,这些变量表示储能资源的使用情况,例如充电量和放电量,编写目标函数,以最大化或最小化所选的优化目标,目标函数通常包括决策变量和权重,将约束条件转化为线性方程或不等式,确保决策变量满足模块要求,将模块的动态参数和性能参数输入线性规划模型中,最终得出每个模块对应的最优解。
该实施例中,单一规划是明确每个模块的优化目标,其中优化目标可以包括最大功率输出、最小成本、最大效率等,为每个模块制定约束条件,这些条件可能包括动态参数(如最大充电速率、最大放电速率)和性能参数(如效率要求)。
该实施例中,多目标优化方式是通过确定不同的优化目标,优化目标包括最大化系统效率、最小化总成本、最大化可再生能源利用率,为每个目标设定权重,得出各目标的相对重要性,构建的多目标优化问题,对多个优化目标进行综合解的确定的一种方式,包括多目标遗传算法、多目标粒子群优化、多目标模糊优化等。
该实施例中,协同优化用于解决多个相互关联的问题或子系统之间的优化问题,协同优化是指在多目标优化中,不仅考虑单独的目标函数,还考虑各个目标之间的相互影响和权衡。
该实施例中,最优储能资源的聚合结果包括储能技术、容量、配置和位置。
上述技术方案的工作原理及有益效果是:通过根据待调控能源系统的模块要求匹配对应类型的储能资源,根据待调控能源系统的动态资源变动情况,提取对应动态参数与性能参数,并进行功能分析,根据分析结果以线性规划方式进行单一规划,再次进行协同规划,得出储能资源的聚合结果,并进行相应调控,实现在不断变化的应用要求下仍然可以保持储能资源运转的高效和可靠,最大程度的利用可用资源,提高系统的效率和性能。
实施例2:
本发明实施例提供一种基于多类型储能资源动态聚合的优化协同调控方法,基于待调控能源系统的模块要求,从记录储能数据库中选择与模块要求匹配对应类型的储能资源,包括:
获取待调控能源系统的所有模块要求,根据所述模块要求建立对应模块的特征向量,从相关词联系库中匹配每个模块特征向量的相似向量,将所有相似向量与特征向量集合构成特征集;
根据特征数据识别模型判断特征集中的离群值,将与所述离群值对应的向量进行标记,作为特殊标记向量;
根据相关系数模型遍历所述特征集内所有未标记向量两两之间的第一共性强度以及特殊标记向量两两之间的第二共性强度,分别得出基于未标记向量以及特殊标记向量的共性特征分布情况;
根据所有共性特征分布情况构建针对每个向量的共性特征集,并从记录储能数据库中筛选与对应共性特征集及相应模块类型所匹配的储能资源进而赋予给相应模块。
该实施例中,使用自然语言处理技术提取每个模块对应的特征,构成
该实施例中,相关词联系库是模块要求相关的术语、关键词和短语,对于每个模块的特征向量,使用文本相似性算法(如余弦相似性、Jaccard相似性等)将其与相关词联系库中的术语进行匹配,以确定相似性分数,将高于预设相似性值的词语,集合成为相关词联系库。
该实施例中,相似向量是根据相关词库中匹配出来的与特征向量相似度高的特征词语构成的对应向量。
该实施例中,特征集将每个模块的特征向量与其相似的特征向量集合在一起,以构建一个特征集,这个特征集将包含每个模块及其相似的模块。
该实施例中,离群值是指在数据集中与大多数数据点显著不同的数值或样本,这些数值或样本通常远离数据的中心或主要集中区域,离群值可以是由于错误、异常行为、测量误差或其他原因引起的。
该实施例中,第一共性强度是进行数据预处理之后的未标记向量两两之间的相似度;第二共性强度是进行数据预处理之后的特殊标记向量两两之间的相似度。
该实施例中,共性特征分布情况是指未标记向量和特殊标记向量之间在特征上的共性或相似性分布,是解两种向量之间的关系以及它们之间共享的特征,包括正相关共性、负相关共性、零相关或低相关、多维共性、复杂共性模式。
该实施例中,特征数据识别模型指用于分析数据中的特征(或属性)以识别关键模式、趋势或异常的计算机算法或模型。这些模型可用于各种数据分析任务,包括分类、回归、聚类和异常检测。
上述技术方案的工作原理及有益效果是:通过根据模块要求建立特征向量,根据特征向量进行相似向量的扩展,将扩展结果集合构成特征集,特征数据识别模型确定特征集中的离群值,对所有向量进行分类,根据分类结果确定共性特征分布情况,从而将对应共性特征集及相应模块类型所匹配的储能资源赋予到相应模块上,实现匹配的储能资源在系统中表现出高可靠性,确保为每个模块要求选择适当类型的储能资源,以满足系统的需求,有助于优化系统性能通过匹配储能资源,可以更好地优化系统的性能,包括能量存储、功率输出、循环寿命等。
实施例3:
本发明实施例提供一种基于多类型储能资源动态聚合的优化协同调控方法,根据所有共性特征分布情况构建针对每个向量的共性特征集,包括:
计算对齐后的未标记向量两两之间的第一共性强度:
其中,R1i1j1表示对齐后的第i1个未标记向量与第j1个未标记向量的第一共性强度;m1表示对齐后的未标记向量的特征数量;X1i1表示第i1个未标记向量的特征均值;X2j1表示第j1个未标记向量的特征均值;X1i1,r1表示第i1个未标记向量的第r1个特征的特征值;X2j1,r1表示第j1个未标记向量第r1个特征的特征值;(X1i1,r1-X2j1,r1)ave表示所有X1i1,r1-X2j1,r1的平均值;(X1i1,r1-X2j1,r1)min表示所有X1i1,r1-X2j1,r1中的最小值;
当所述第一共性强度大于设定特征强度时,从所有X1i1,r1-X2j1,r1中提取差值绝对值小于第一预设阈值的特征作为第一共性特征,同时,分别获取大于第一预设阈值的特征作为对应未标记向量的第一专属特征;
根据所述特殊标记向量的离群值,确定对应特殊标记向量的特殊异常系数;
若所述特殊异常系数大于预设系数,则向对应特殊标记向量增加异常特征变量;
否则,保持原有的特殊标记向量不变;
计算对齐处理后的特殊标记向量两两之间的第二共性强度:
其中,R2i2j2表示对齐后的第i2个特殊标记向量与第j2个特殊标记向量的第二共性强度;m2表示对齐后的特殊标记向量的特征数量;Y1i2表示第i2个特殊标记向量的特征均值;Y2j2表示第j2个特殊标记向量的特征均值;Y1i2,r2表示第i2个特殊标记向量的第r2个特征的特征值;Y2j2,r2表示第j2个特殊标记向量第r2个特征的特征值;(Y1i2,r2-Y2j2,r2)ave表示所有Y1i2,r2-Y2j2,r2的平均值;(Y1i2,r2-Y2j2,r2)min表示所有Y1i2,r2-Y2j2,r2中的最小值;Δ1表示对齐后的第i2个特殊标记向量与第j2个特殊标记向量的共性影响函数;Wi2表示第i2个特殊标记向量的异常特征变量;Wj2表示第j2个特殊标记向量的异常特征变量;sim(Wi2,Wj2)表示基于Wi2与Wj2的相似函数;ti2表示第i2个特殊标记向量的特殊异常系数;t0为对应的预设系数;
当所述第二共性强度大于设定特征强度时,从所有Y1i2,r2-Y2j2,r2中提取差值绝对值小于第二预设阈值的特征作为第二共性特征,同时,分别获取大于第二预设阈值的特征作为对应特殊标记向量的第二专属特征;
基于第一共性特征、第二共性特征、第一专属特征、第二专属特征,分别得出基于未标记向量以及特殊标记向量的共性特征分布情况。
该实施例中,其中,z离群值的分值,x表示离群值,μ表示正常数值的均值,σ表示正常数据的标准值,根据z确定特殊异常系数,z值越大离群值越异常,当z>2时为异常。
该实施例中,第一共性特征对于第一共性强度大于设定特征强度阈值的特征,检查它们之间的差值(绝对值),并筛选出差值小于第一预设阈值的特征。
该实施例中,第一专属特征是差值大于第一预设值的特征。
该实施例中,异常特征变量是用于标识数据中异常或离群值的变量,采用不同的形式,具体取决于问题的需求和数据的特性,包括二元异常标志与异常得分点。
该实施例中,第二共性特征对于第二共性强度大于设定特征强度阈值的特征,检查它们之间的差值(绝对值),并筛选出差值小于第二预设阈值的特征。
该实施例中,第二专属特征差值大于第二预设值的特征。
上述技术方案的工作原理及有益效果是:通过确定未标记向量与特殊标记向量之间的共性强度,得出共性特征与专属特征,以此得出共性特征的分布情况,实现决策制定过程的改进,可以更好地优化系统的性能,包括能量存储、功率输出、循环寿命等。
实施例4:
本发明实施例提供一种基于多类型储能资源动态聚合的优化协同调控方法,实时获取待调控能源系统的动态资源变动情况,并提取得到每个模块的动态参数与性能参数,同时,按照储能资源对相应模块进行最大功能分析与最小功能分析,包括:
基于预先部署的传感器和监测设备实时采集待调控能源系统的关键参数;
对实时采集数据与历史数据进行预处理,提取每个模块的动态参数与性能参数并进行第一储能资源与相应模块的匹配,来确定动态参数与性能参数。
该实施例中,预先部署的传感器存在于电力系统、能源存储系统、太阳能和风能系统、热能系统等能源系统上。
该实施例中,预处理是对从传感器获得的实时数据进行预处理,包括数据清洗、去噪声、缺失值填充等。
该实施例中,模块的匹配是比较模块的性能需求和第一储能资源的性能特性,确定所需模块。
该实施例中,动态参数的提取是使用卡尔曼滤波提取预处理结果中的动态参数。
该实施例中,性能参数的提取是根据每个性能参数的计算方式,对所获取的数据进行时间窗划分进行计算得出。
上述技术方案的工作原理及有益效果是:根据预先设置的传感器进行关键参数获取,对实时采集数据与历史数据进行预处理,并与相应模块匹配确定动态参数与性能参数,实现更好地优化系统的性能,使其更符合实际需求。
实施例5:
本发明实施例提供一种基于多类型储能资源动态聚合的优化协同调控方法,对实时采集数据与历史数据进行预处理,包括:
对实时采集数据与历史数据进行检测,根据检测结果对所述实时采集数据与历史数据进行清洗;
对实时采集数据与历史数据进行时间依赖性与待调控能源系统实时运转情况的判断,根据判断结果按照补充数据准则对缺失数据进行补足;
根据异常数据所在位置确定数据异常原因,按照异常处理准则进行处理,并将实时数据与历史数据进行时间对齐,得出预处理结果。
该实施例中,时间依赖性是根据对数据进行自相关函数的检测,自相关函数度量时间序列数据中每个时间点与其滞后时间点之间的相关性,如果自相关函数显示出明显的周期性或趋势,那么数据存在时间依赖性。
该实施例中,待调控能源系统实时运转情况是系统当前的运转情况,包括设备状态、负载情况、故障检测等,使用实时数据与历史数据进行比较,以识别潜在的异常或变化。
该实施例中,补充数据准则是如果缺失数据点是随机的且对系统决策没有重大影响,可以采用简单的插值方法(如线性插值)来填补;如果缺失数据点对系统决策重要且存在明显的时间依赖性,可以考虑使用更复杂的预测模型来估算缺失值;在估算缺失数据时,考虑数据的可信度和可用性,以及数据质量评估结果。
该实施例中,异常处理准则是如果异常是由传感器故障导致的,可以考虑将异常数据点标记为缺失或使用插值来填补;如果异常是由外部干扰或错误操作引起的,可以考虑数据平滑或校正;如果异常是系统性问题,可能需要重新校准或维护传感器或设备。
该实施例中,时间对齐是确保历史数据和实际数据中的时间戳(或时间标记)采用相同的标准格式和单位,如果历史数据和实际数据的时间戳之间存在差异,需要进行数据插值,以确保数据点在相同的时间间隔内对齐。
上述技术方案的工作原理及有益效果是:根据对实时采集数据与历史数据进行清洗、根据其时间依赖性和实施运转情况的判断与时间对齐的处理方式得出预处理结果,降低非正常数据对实际检测结果对模块匹配的影响,实现在不断变化的应用要求下仍然可以保持储能资源运转的高效和可靠,最大程度的利用可用资源,提高系统的效率和性能。
实施例6:
本发明实施例提供一种基于多类型储能资源动态聚合的优化协同调控方法,按照储能资源对相应模块进行最大功能分析与最小功能分析,包括:
确定相应模块对储能资源中每个子资源的最大运行负载与最小运行负载;
根据每个子资源的最大运行负载的资源调动情况进行最大功能分析,同时,根据每个子资源的最小运行负载的资源调动情况进行最小功能分析。
该实施例中,确定高负载和闲置状况的触发条件。这可以根据系统的性能要求和行为特征来定义。例如,高负载条件可能在负载超过某个阈值时触发,而低负载条件可能在负载低于另一个阈值时触发。
该实施例中,根据每个匹配结果的最大负载数据中的能源供应情况与能源稳定情况,确定最大负载情况下子资源的基础功能运行状态,结合子资源对环境影响状况进行最大功能确定,其中,环境影响状况包括热量排放情况、噪音污染与化学排放,根据每个子资源的最小负载数据中的待机能耗情况与维护情况,确定最小负载情况下子资源的下一时刻功能可运行状态,确定最小功能。
上述技术方案的工作原理及有益效果是:通过确定每个模块的最大运行负载与最小运行负载,根据对应的资源调动情况进行对应功能分析,实现在不断变化的应用要求下仍然可以保持储能资源运转的高效和可靠,最大程度的利用可用资源,提高系统的效率和性能。
实施例7:
本发明实施例提供一种基于多类型储能资源动态聚合的优化协同调控方法,基于多目标优化方式对单一规划后的资源进行协同优化,得出最优储能资源的聚合结果,并进行相应调控,包括:
根据待调控能源系统的实时监控结果确定储能资源的待实现目标,根据系统参数与设定决策变量确定目标函数与目标的实现程度,根据目标函数与目标实现程度建立多目标优化模型;
根据待实现目标的紧急程度对多目标优化模型进行约束条件附加,其中约束条件包括储能资源的容量、充放电速率、充放电效率以及资源使用寿命;
使用多目标优化算法基于约束条件对待调控能源系统进行多目标运算,得出最优储能资源的聚合结果;
根据最优储能资源的聚合结果对待调控能源系统进行调控优化,配置建立实时监控系统跟踪性能和资源的运行情况来进行实时调整,以保持最佳的资源配置。
该实施例中,使用适当的优化算法来解决多目标优化问题,这可能包括线性规划、整数规划、遗传算法、粒子群优化等方法,具体选择取决于问题的复杂性和约束条件。
该实施例中,系统参数取决于能源系统类型和规模,比如池的充电状态(SOC)、健康状态、电压等级和温度等。这些参数影响储能系统的性能和可用性。
该实施例中,多目标优化模型的输入数据是待实现目标与目标的实现程度,输出数据是多类型储能资源的最优储能资源的聚合结果,训练次数2000。
该实施例中,待实现目标是最大化系统效率、最小化总成本、最大化可再生能源利用率。
该实施例中,待实现目标的紧急程度包括对时间敏感度与环境政策要求。
上述技术方案的工作原理及有益效果是:根据确定的待实施目标与目标实现程度构建多目标优化模型,并进行约束条件附加,进行对目标运算得出最优储能资源的聚合结果,然后进行调控优化,通过多目标优化来找到权衡各目标的最佳解决方案,并通过实时监控和调整来保持系统的最佳状态,提高能源系统的效率、可靠性和经济性,同时满足不同的管理目标。
实施例8:
本发明实施例提供一种基于多类型储能资源动态聚合的优化协同调控方法,使用多目标优化算法基于约束条件对待调控能源系统进行多目标运算,得出最优储能资源的聚合结果,包括:
使用随机生成的初始配置的历史使用情况,并计算每个储能资源对应的模块功能在每个目标函数下的适应度值;
基于每个模块涉及到的所有适应度值,寻找对应储能资源的聚合解;
根据特定需求与决策标准对所有聚合解进行分析,得出最优储能资源的聚合结果。
该实施例中,初始配置包括储能资源的类型、容量、充放电速率等。这些配置将作为优化的起点。
该实施例中,历史数据使用情况包括过去一段时间内储能资源的充放电行为、性能、效率等信息。
该实施例中,对应储能资源的聚合解是在多个目标之间的权衡和折衷关系。选择最合适的解决方案,考虑系统的具体需求和优先级。
该实施例中,适应度值是对于每个储能资源,基于历史使用情况和目标函数,计算其在每个目标函数下的适应度值,适应度值表示每个储能资源配置在不同目标下的性能。
该实施例中,特定需求是根据项目或系统的具体要求和目标而制定的条件和期望,决策标准是一组用于评估和比较不同储能资源配置的规则或标准通常用于量化和比较不同配置的性能和适应性,比如可靠性,它的特定需求:提高系统的可靠性,确保在各种情况下都有足够的电力供应,它的决策标准:选择能够在电力中断或突发事件时提供备用电源的储能资源配置。
上述技术方案的工作原理及有益效果是:通过初始配置的历史使用情况,计算对应适应度值,寻找储能资源的聚合解,结合根据特定需求与决策标准对所有聚合解进行分析,充分利用了历史使用情况和随机生成的初始配置,结合多目标优化算法,以找到最佳储能资源的聚合结果,满足不同需求和目标,最终的解决方案应该是一个平衡各种目标的最佳配置,能够在实际运行中提供最佳性能。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于多类型储能资源动态聚合的优化协同调控方法,其特征在于,包括:
步骤1:基于待调控能源系统的模块要求,从记录储能数据库中选择与模块要求匹配对应类型的储能资源;
步骤2:实时获取待调控能源系统的动态资源变动情况,并提取得到每个模块的动态参数与性能参数,同时,按照储能资源对相应模块进行最大功能分析与最小功能分析;
步骤3:根据每个模块的功能分析结果且结合同个模块的动态参数与性能参数,通过线性规划方式对相应模块的储能资源进行单一规划;
步骤4:基于多目标优化方式对单一规划后的资源进行协同优化,得出最优储能资源的聚合结果,并进行相应调控。
2.根据权利要求1所述的一种基于多类型储能资源动态聚合的优化协同调控方法,其特征在于,基于待调控能源系统的模块要求,从记录储能数据库中选择与模块要求匹配对应类型的储能资源,包括:
获取待调控能源系统的所有模块要求,根据所述模块要求建立对应模块的特征向量,从相关词联系库中匹配每个模块特征向量的相似向量,将所有相似向量与特征向量集合构成特征集;
根据特征数据识别模型判断特征集中的离群值,将与所述离群值对应的向量进行标记,作为特殊标记向量;
根据相关系数模型遍历所述特征集内所有未标记向量两两之间的第一共性强度以及特殊标记向量两两之间的第二共性强度,分别得出基于未标记向量以及特殊标记向量的共性特征分布情况;
根据所有共性特征分布情况构建针对每个向量的共性特征集,并从记录储能数据库中筛选与对应共性特征集及相应模块类型所匹配的储能资源进而赋予给相应模块。
3.根据权利要求2所述的一种基于多类型储能资源动态聚合的优化协同调控方法,其特征在于,根据所有共性特征分布情况构建针对每个向量的共性特征集,包括:
计算对齐后的未标记向量两两之间的第一共性强度:
其中,R1i1j1表示对齐后的第i1个未标记向量与第j1个未标记向量的第一共性强度;m1表示对齐后的未标记向量的特征数量;X1i1表示第i1个未标记向量的特征均值;X2j1表示第j1个未标记向量的特征均值;X1i1,r1表示第i1个未标记向量的第r1个特征的特征值;X2j1,r1表示第j1个未标记向量第r1个特征的特征值;(X1i1,r1-X2j1,r1)ave表示所有X1i1,r1-X2j1,r1的平均值;(X1i1,r1-X2j1,r1)min表示所有X1i1,r1-X2j1,r1中的最小值;
当所述第一共性强度大于设定特征强度时,从所有X1i1,r1-X2j1,r1中提取差值绝对值小于第一预设阈值的特征作为第一共性特征,同时,分别获取大于第一预设阈值的特征作为对应未标记向量的第一专属特征;
根据所述特殊标记向量的离群值,确定对应特殊标记向量的特殊异常系数;
若所述特殊异常系数大于预设系数,则向对应特殊标记向量增加异常特征变量;
否则,保持原有的特殊标记向量不变;
计算对齐处理后的特殊标记向量两两之间的第二共性强度:
其中,R2i2j2表示对齐后的第i2个特殊标记向量与第j2个特殊标记向量的第二共性强度;m2表示对齐后的特殊标记向量的特征数量;Y1i2表示第i2个特殊标记向量的特征均值;Y2j2表示第j2个特殊标记向量的特征均值;Y1i2,r2表示第i2个特殊标记向量的第r2个特征的特征值;Y2j2,r2表示第j2个特殊标记向量第r2个特征的特征值;(Y1i2,r2-Y2j2,r2)ave表示所有Y1i2,r2-Y2j2,r2的平均值;(Y1i2,r2-Y2j2,r2)min表示所有Y1i2,r2-Y2j2,r2中的最小值;Δ1表示对齐后的第i2个特殊标记向量与第j2个特殊标记向量的共性影响函数;Wi2表示第i2个特殊标记向量的异常特征变量;Wj2表示第j2个特殊标记向量的异常特征变量;sim(Wi2,Wj2)表示基于Wi2与Wj2的相似函数;ti2表示第i2个特殊标记向量的特殊异常系数;t0为对应的预设系数;
当所述第二共性强度大于设定特征强度时,从所有Y1i2,r2-Y2j2,r2中提取差值绝对值小于第二预设阈值的特征作为第二共性特征,同时,分别获取大于第二预设阈值的特征作为对应特殊标记向量的第二专属特征;
基于第一共性特征、第二共性特征、第一专属特征、第二专属特征,分别得出基于未标记向量以及特殊标记向量的共性特征分布情况。
4.根据权利要求1所述的一种基于多类型储能资源动态聚合的优化协同调控方法,其特征在于,实时获取待调控能源系统的动态资源变动情况,并提取得到每个模块的动态参数与性能参数,同时,按照储能资源对相应模块进行最大功能分析与最小功能分析,包括:
基于预先部署的传感器和监测设备实时采集待调控能源系统的关键参数;
对实时采集数据与历史数据进行预处理,提取每个模块的动态参数与性能参数并进行第一储能资源与相应模块的匹配,来确定动态参数与性能参数。
5.根据权利要求4所述的一种基于多类型储能资源动态聚合的优化协同调控方法,其特征在于,对实时采集数据与历史数据进行预处理,包括:
对实时采集数据与历史数据进行检测,根据检测结果对所述实时采集数据与历史数据进行清洗;
对实时采集数据与历史数据进行时间依赖性与待调控能源系统实时运转情况的判断,根据判断结果按照补充数据准则对缺失数据进行补足;
根据异常数据所在位置确定数据异常原因,按照异常处理准则进行处理,并将实时数据与历史数据进行时间对齐,得出预处理结果。
6.根据权利要求1所述的一种基于多类型储能资源动态聚合的优化协同调控方法,其特征在于,按照储能资源对相应模块进行最大功能分析与最小功能分析,包括:
确定相应模块对储能资源中每个子资源的最大运行负载与最小运行负载;
根据每个子资源的最大运行负载的资源调动情况进行最大功能分析,同时,根据每个子资源的最小运行负载的资源调动情况进行最小功能分析。
7.根据权利要求1所述的一种基于多类型储能资源动态聚合的优化协同调控方法,其特征在于,基于多目标优化方式对单一规划后的资源进行协同优化,得出最优储能资源的聚合结果,并进行相应调控,包括:
根据待调控能源系统的实时监控结果确定储能资源的待实现目标,根据系统参数与设定决策变量确定目标函数与目标的实现程度,根据目标函数与目标实现程度建立多目标优化模型;
根据待实现目标的紧急程度对多目标优化模型进行约束条件附加,其中约束条件包括储能资源的容量、充放电速率、充放电效率以及资源使用寿命;
使用多目标优化算法基于约束条件对待调控能源系统进行多目标运算,得出最优储能资源的聚合结果;
根据最优储能资源的聚合结果对待调控能源系统进行调控优化,配置建立实时监控系统跟踪性能和资源的运行情况来进行实时调整,以保持最佳的资源配置。
8.根据权利要求1所述的一种基于多类型储能资源动态聚合的优化协同调控方法,其特征在于,使用多目标优化算法基于约束条件对待调控能源系统进行多目标运算,得出最优储能资源的聚合结果,包括:
使用随机生成的初始配置的历史使用情况,并计算每个储能资源对应的模块功能在每个目标函数下的适应度值;
基于每个模块涉及到的所有适应度值,寻找对应储能资源的聚合解;
根据特定需求与决策标准对所有聚合解进行分析,得出最优储能资源的聚合结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311432769.6A CN117458544B (zh) | 2023-10-31 | 2023-10-31 | 一种基于多类型储能资源动态聚合的优化协同调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311432769.6A CN117458544B (zh) | 2023-10-31 | 2023-10-31 | 一种基于多类型储能资源动态聚合的优化协同调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117458544A true CN117458544A (zh) | 2024-01-26 |
CN117458544B CN117458544B (zh) | 2024-03-26 |
Family
ID=89586999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311432769.6A Active CN117458544B (zh) | 2023-10-31 | 2023-10-31 | 一种基于多类型储能资源动态聚合的优化协同调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117458544B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117977717A (zh) * | 2024-04-01 | 2024-05-03 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种寒地风光热储能综合能源协同管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009217458A (ja) * | 2008-03-10 | 2009-09-24 | Fujitsu Ltd | 特徴重要視度算出システム、特徴重要視度算出方法、およびコンピュータプログラム |
CN106058855A (zh) * | 2016-06-16 | 2016-10-26 | 南京工程学院 | 协调储能与柔性负荷的主动配电网多目标优化调度方法 |
CN108667052A (zh) * | 2018-05-02 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 |
KR20220088067A (ko) * | 2020-12-18 | 2022-06-27 | 한국전기연구원 | 소형 분산자원 기반의 집합자원 관리 방법 및 그 장치 |
CN115375211A (zh) * | 2021-05-17 | 2022-11-22 | 顺丰科技有限公司 | 异常用户识别方法、装置、计算机设备和存储介质 |
CN115689004A (zh) * | 2022-10-27 | 2023-02-03 | 国网浙江省电力有限公司杭州供电公司 | 多源虚拟灵活聚合与分层协同控制平台构建方法及系统 |
-
2023
- 2023-10-31 CN CN202311432769.6A patent/CN117458544B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009217458A (ja) * | 2008-03-10 | 2009-09-24 | Fujitsu Ltd | 特徴重要視度算出システム、特徴重要視度算出方法、およびコンピュータプログラム |
CN106058855A (zh) * | 2016-06-16 | 2016-10-26 | 南京工程学院 | 协调储能与柔性负荷的主动配电网多目标优化调度方法 |
CN108667052A (zh) * | 2018-05-02 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统 |
KR20220088067A (ko) * | 2020-12-18 | 2022-06-27 | 한국전기연구원 | 소형 분산자원 기반의 집합자원 관리 방법 및 그 장치 |
CN115375211A (zh) * | 2021-05-17 | 2022-11-22 | 顺丰科技有限公司 | 异常用户识别方法、装置、计算机设备和存储介质 |
CN115689004A (zh) * | 2022-10-27 | 2023-02-03 | 国网浙江省电力有限公司杭州供电公司 | 多源虚拟灵活聚合与分层协同控制平台构建方法及系统 |
Non-Patent Citations (1)
Title |
---|
杜宏宇等: "计及多种需求响应资源的虚拟电厂运行机制及控制策略优化", 《电工电能新技术》, vol. 42, no. 7, 31 July 2023 (2023-07-31), pages 77 - 86 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117977717A (zh) * | 2024-04-01 | 2024-05-03 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种寒地风光热储能综合能源协同管理方法及系统 |
CN117977717B (zh) * | 2024-04-01 | 2024-06-11 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种寒地风光热储能综合能源协同管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117458544B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256066B (zh) | 基于PCA-XGBoost-IRF的作业车间实时调度方法 | |
CN112561156A (zh) | 基于用户负荷模式分类的短期电力负荷预测方法 | |
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
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 | |
CN117611015B (zh) | 一种建筑工程质量实时监测系统 | |
CN114881101B (zh) | 一种基于仿生搜索的电力系统典型场景关联特征选择方法 | |
CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
WO2020053846A2 (en) | A system and method for analysis of smart meter data | |
Luo et al. | Extreme scenario extraction of a grid with large scale wind power integration by combined entropy-weighted clustering method | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117592678A (zh) | 一种基于用电去需求分析的综合能源调度方法及系统 | |
CN117277377A (zh) | 基于电力负荷预测的新型电力系统储能方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
KR102556093B1 (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
CN113344073A (zh) | 一种基于融合进化算法的日负荷曲线聚类方法及系统 | |
CN113822473B (zh) | 一种基于多维数据的牵引力能耗合理区间预测方法 | |
CN117557009B (zh) | 一种电源效率监测方法及系统 | |
CN117833243B (zh) | 一种电力短期需求预测方法、系统、设备及介质 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN118133109A (zh) | 一种用户智能用电分析装置及其分析方法 | |
CN118249329A (zh) | 微网发电效率实时分析与提升方法 | |
CN115774790A (zh) | 一种基于能源大数据的企业画像确定方法及系统 | |
Qie et al. | Research on Evaluation Method for Potential Value of Comprehensive Energy Metering Data |
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 |