CN117670592A - 基于网格配微协同的虚拟电厂控制方法及系统 - Google Patents
基于网格配微协同的虚拟电厂控制方法及系统 Download PDFInfo
- Publication number
- CN117670592A CN117670592A CN202311697869.1A CN202311697869A CN117670592A CN 117670592 A CN117670592 A CN 117670592A CN 202311697869 A CN202311697869 A CN 202311697869A CN 117670592 A CN117670592 A CN 117670592A
- Authority
- CN
- China
- Prior art keywords
- power plant
- virtual power
- related data
- control
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 87
- 238000004146 energy storage Methods 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory 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
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于网格配微协同的虚拟电厂控制方法及系统,包括如下步骤:对调控范围内虚拟电厂的历史控制相关数据进行数据预处理;将预处理后的历史控制相关数据进行网格化处理,得到若干组历史控制相关数据样本;将每组历史控制相关数据样本分别输入循环神经网络,预测未来时刻控制相关数据;根据每组历史控制相关数据样本预测的未来时刻控制相关数据,分别计算各组对应的各虚拟电厂控制因素预估值;构建若干虚拟电厂控制因素集合,并从中选择符合预设条件的最优虚拟电厂控制因素集合对应的控制方案,进行未来虚拟电厂控制。本发明考虑了各虚拟电厂控制因素的差异性对控制策略所带来的影响,可以选择出最优控制方案进行控制。
Description
技术领域
本发明涉及虚拟电厂控制技术,尤其涉及一种基于网格配微协同的虚拟电厂控制方法及系统。
背景技术
虚拟电厂是一种通过先进信息通信技术和电力调控软件系统,实现分布式电源DG(distributed generator)、储能系统、可控负荷、电动汽车等分布式能源资源DER(Distributed Energy Resource)的聚合和协调优化,参与电力市场和电网运行的电源协调管理系统。其通过智能化管理、优化运行等手段,提高能源利用效率和供能可靠性,同时对电网进行协调调节,实现可持续发展。
但是现有的虚拟电厂的控制方法,忽略了新能源余电上网收益、基站储能电池削峰填谷收益、柴油发电机组燃料成本、各发电储能单元管理成本及购电成本等分别作为控制因素的差异性对控制策略所带来的影响,从而无法取得最优的控制方案。
发明内容
发明目的:本发明针对现有技术存在的问题,提供一种基于网格配微协同的虚拟电厂控制方法及系统。
技术方案:本发明所述的基于网格配微协同的虚拟电厂控制方法包括如下步骤:
步骤1:对调控范围内虚拟电厂的历史控制相关数据进行数据预处理,其中,所述历史控制相关数据包括历史用电数据、历史设备状态数据、历史市场数据;
步骤2:将预处理后的历史控制相关数据进行网格化处理,得到若干组历史控制相关数据样本;其中,所述网格化处理为:将历史控制相关数据划分为若干组,每组按照预设时间间隔划分为若干时间段的数据,之后进行归一化;
步骤3:将每组历史控制相关数据样本分别输入循环神经网络,预测未来时刻控制相关数据;
步骤4:根据每组历史控制相关数据样本预测的未来时刻控制相关数据,分别计算各组对应的各虚拟电厂控制因素预估值;
步骤5:构建若干虚拟电厂控制因素集合,并从中选择符合预设条件的最优虚拟电厂控制因素集合对应的控制方案,进行未来虚拟电厂控制,其中,所述虚拟电厂控制因素集合为所有虚拟电厂控制因素值的集合,且每个虚拟电厂控制因素集合选择任一虚拟电厂控制因素预估值作为对应虚拟电厂控制因素的值,其余虚拟电厂控制因素以虚拟电厂控制因素预设标准值作为对应值。
进一步的,所述虚拟电厂控制因素包括:新能源余电上网收益,基站储能电池削峰填谷收益,柴油发电机组发电成本,各发电储能单元管理成本,购电成本。
进一步的,所述网格化处理具体包括:
将历史控制相关数据按照时间顺序生成若干控制向量,并随机划分为若干组;
将每个控制向量按照预设时间间隔划分为若干时间段的数据,并将所有时间段的数据整合为一个特征向量;
将每组内特征向量进行组内归一化。
进一步的,所述步骤4具体包括:
根据每组预测的未来时刻控制相关数据,按照下式分别计算各组对应的各虚拟电厂控制因素预估值
Mt(i)=(gpwPt pw(i)+gpvPt pv(i)+goPt o(i)+gB(Pt D(i)+Pt C(i)))h;
Rt(i)=XOPt O(i)h;
i=1,2,…,n;
式中:Mt(i)、Dt,1(i)、Rt(i)、Dt,2(i)、Dt,3(i)分别为根据第i组历史控制相关数据样本预测的数据计算得到的未来t时刻的各发电储能单元管理成本预估值、购电成本预估值、柴油发电机组发电成本预估值、新能源余电上网收益预估值、基站储能电池削峰填谷收益预估值,gpw、gpv、go、gB分别为风力、光伏、柴油发电机组、储能电池管理成本系数;Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)分别为第i组历史控制相关数据样本预测的t时刻风力、光伏、柴油发电机组出力、基站储能电池放电功率和充电功率;Gt M(i)为第i组历史控制相关数据样本预测的t时刻电网购电价格;Ft Q(i)为第i组历史控制相关数据样本预测的t时刻电能缺额;XO为柴油发电机组每千瓦时出力燃料成本;Ft Y(i)为第i组历史控制相关数据样本预测的t时刻风光发电盈余;Gs为余电上网价格;Pt dw,c(i)、Pt fg,c(i)分别为第i组历史控制相关数据样本预测的t时刻电网、风光电力对电池充电功率,分别为峰、谷电价;h为调度时长,n为历史控制相关数据的分组数量,Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)、Pt dw,c(i)、Pt fg,c(i)属于设备状态数据,Gt M(i)为市场数据,Ft Q(i)、Ft Y(i)通过用电数据计算得到。
进一步的,所述预设条件具体为虚拟电厂综合运行成本最低,所述虚拟电厂控制因素集合对应的控制方案具体为所述虚拟电厂控制因素集合中所采用的虚拟电厂控制因素预估值对应的控制相关数据;所述虚拟电厂综合运行成本最低的计算方式为:
式中,Zj为第j个虚拟电厂控制因素集合的虚拟电厂综合运行成本,T为预测的总时刻数,Mt,j、Dt,1,j、Rt,j、Dt,2,j、Dt,3,j分别为第j个虚拟电厂控制因素集合中各发电储能单元管理成本、购电成本、柴油发电机组发电成本、新能源余电上网收益、基站储能电池削峰填谷收益。
进一步的,所述数据预处理包括:
检测历史控制相关数据的变化异常的异常区间值;
根据异常区间值,得到历史控制相关数据的正常区间值;
将所述正常区间值与预设标准值的范围作比较,取范围小的区间上限和下限作为最终上限限值和下限限值;
将超出上限限值和下限限值的数据清除。
本发明所述的基于网格配微协同的虚拟电厂控制系统包括:
预处理模块,用于对调控范围内虚拟电厂的历史控制相关数据进行数据预处理,其中,所述历史控制相关数据包括历史用电数据、历史设备状态数据、历史市场数据;
网格化处理模块,用于将预处理后的历史控制相关数据进行网格化处理,得到若干组历史控制相关数据样本;其中,所述网格化处理为:将历史控制相关数据划分为若干组,每组按照预设时间间隔划分为若干时间段的数据,之后进行归一化;
预测模块,用于将每组历史控制相关数据样本分别输入循环神经网络,预测未来时刻控制相关数据;
控制因素计算模块,用于根据每组历史控制相关数据样本预测的未来时刻控制相关数据,分别计算各组对应的各虚拟电厂控制因素预估值;
控制方案确认模块,用于构建若干虚拟电厂控制因素集合,并从中选择符合预设条件的最优虚拟电厂控制因素集合对应的最优控制方案,进行未来虚拟电厂控制,其中,所述虚拟电厂控制因素集合为所有虚拟电厂控制因素值的集合,且每个虚拟电厂控制因素集合选择任一虚拟电厂控制因素预估值作为对应虚拟电厂控制因素的值,其余虚拟电厂控制因素以预设标准虚拟电厂控制因素值作为对应值。
进一步的,所述虚拟电厂控制因素包括:新能源余电上网收益,基站储能电池削峰填谷收益,柴油发电机组发电成本,各发电储能单元管理成本,购电成本。
进一步的,所述控制因素计算模块具体包括:
根据每组预测的未来时刻控制相关数据,按照下式分别计算各组对应的各虚拟电厂控制因素预估值:
Mt(i)=(gpwPt pw(i)+gpvPt pv(i)+goPt o(i)+gB(Pt D(i)+Pt C(i)))h;
Rt(i)=XOPt O(i)h;
i=1,2,…,n;
式中:Mt(i)、Dt,1(i)、Rt(i)、Dt,2(i)、Dt,3(i)分别为根据第i组历史控制相关数据样本预测的数据计算得到的未来t时刻的各发电储能单元管理成本预估值、购电成本预估值、柴油发电机组发电成本预估值、新能源余电上网收益预估值、基站储能电池削峰填谷收益预估值,gpw、gpv、go、gB分别为风力、光伏、柴油发电机组、储能电池管理成本系数;Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)分别为第i组历史控制相关数据样本预测的t时刻风力、光伏、柴油发电机组出力、基站储能电池放电功率和充电功率;Gt M(i)为第i组历史控制相关数据样本预测的t时刻电网购电价格;Ft Q(i)为第i组历史控制相关数据样本预测的t时刻电能缺额;XO为柴油发电机组每千瓦时出力燃料成本;Ft Y(i)为第i组历史控制相关数据样本预测的t时刻风光发电盈余;Gs为余电上网价格;Pt dw,e(i)、Pt fg,c(i)分别为第i组历史控制相关数据样本预测的t时刻电网、风光电力对电池充电功率,分别为峰、谷电价;h为调度时长,n为历史控制相关数据的分组数量,Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)、Pt dw,c(i)、Pt fg,c(i)属于设备状态数据,Gt M(i)为市场数据,Ft Q(i)、Ft Y(i)通过用电数据计算得到。
进一步的,所述预设条件具体为虚拟电厂综合运行成本最低,所述虚拟电厂控制因素集合对应的控制方案具体为所述虚拟电厂控制因素集合中所采用的虚拟电厂控制因素预估值对应的控制相关数据;所述虚拟电厂综合运行成本最低的计算方式为:
式中,Zj为第j个虚拟电厂控制因素集合的虚拟电厂综合运行成本,T为预测的总时刻数,Mt,j、Dt,1,j、Rt,j、Dt,2,j、Dt,3,j分别为第j个虚拟电厂控制因素集合中各发电储能单元管理成本、购电成本、柴油发电机组发电成本、新能源余电上网收益、基站储能电池削峰填谷收益。
本发明与现有技术相比,其有益效果是:本发明考虑了各虚拟电厂控制因素的差异性对控制策略所带来的影响,可以选择出最优控制方案进行控制。
附图说明
图1是本发明提供的基于网格配微协同的虚拟电厂控制方法的流程示意图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本实施例提供一种基于网格配微协同的虚拟电厂控制方法,如图1所示,包括如下步骤:
步骤1:对调控范围内虚拟电厂的历史控制相关数据进行数据预处理。
其中,所述历史控制相关数据包括历史用电数据、历史设备状态数据、历史市场数据。所述数据预处理包括:检测历史控制相关数据的变化异常的异常区间值;根据异常区间值,得到历史控制相关数据的正常区间值;将所述正常区间值与预设标准值的范围作比较,取范围小的区间上限和下限作为最终上限限值和下限限值;将超出上限限值和下限限值的数据清除。
步骤2:将预处理后的历史控制相关数据进行网格化处理,得到若干组历史控制相关数据样本。
其中,所述网格化处理为:将历史控制相关数据划分为若干组,每组按照预设时间间隔划分为若干时间段的数据,之后进行归一化。具体包括:将历史控制相关数据按照时间顺序生成若干控制向量,并随机划分为n组;将每个控制向量按照预设时间间隔T划分为若干时间段的数据,并将所有时间段的数据整合为一个特征向量;将每组内特征向量进行组内归一化,归一化后的数据即为历史控制相关数据样本,每组包括若干个历史控制相关数据样本。
步骤3:将每组历史控制相关数据样本分别输入循环神经网络,预测未来时刻控制相关数据。
步骤4:根据每组历史控制相关数据样本预测的未来时刻控制相关数据,分别计算各组对应的各虚拟电厂控制因素预估值。
其中,所述虚拟电厂控制因素包括:各发电储能单元管理成本Mt、购电成本Dt,1、柴油发电机组发电成本Rt、新能源余电上网收益Dt,2、基站储能电池削峰填谷收益Dt,3。
各虚拟电厂控制因素预估值的计算公式如下:
Mt(i)=(gpwPt pw(i)+gpvPt pv(i)+goPt o(i)+gB(Pt D(i)+Pt C(i)))h;
Rt(i)=XOPt O(i)h;
i=1,2,…,n;
式中:Mt(i)、Dt,1(i)、Rt(i)、Dt,2(i)、Dt,3(i)分别为根据第i组历史控制相关数据样本预测的数据计算得到的未来t时刻的各发电储能单元管理成本预估值、购电成本预估值、柴油发电机组发电成本预估值、新能源余电上网收益预估值、基站储能电池削峰填谷收益预估值,gpw、gpv、go、gB分别为风力、光伏、柴油发电机组、储能电池管理成本系数;Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)分别为第i组历史控制相关数据样本预测的t时刻风力、光伏、柴油发电机组出力、基站储能电池放电功率和充电功率;Gt M(i)为第i组历史控制相关数据样本预测的t时刻电网购电价格;Ft Q(i)为第i组历史控制相关数据样本预测的t时刻电能缺额;XO为柴油发电机组每千瓦时出力燃料成本;Ft Y(i)为第i组历史控制相关数据样本预测的t时刻风光发电盈余;Gs为余电上网价格;Pt dw,c(i)、Pt fg,c(i)分别为第i组历史控制相关数据样本预测的t时刻电网、风光电力对电池充电功率,分别为峰、谷电价;h为调度时长,n为历史控制相关数据的分组数量。Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)、Pt dw,c(i)、Pt fg,c(i)属于设备状态数据,Gt M(i)为市场数据,Ft Q(i)、Ft Y(i)通过用电数据计算得到。
步骤5:构建若干虚拟电厂控制因素集合,并从中选择符合预设条件的最优虚拟电厂控制因素集合对应的控制方案,进行未来虚拟电厂控制。
其中,虚拟电厂控制因素集合为所有虚拟电厂控制因素值的集合,即虚拟电厂控制因素集合A={Mt,Dt,1,Rt,Dt,2,Dt,3}。设置Aj={Mt,j,Dt,1,j,Rt,j,Dt,2,j,Dt,3,j},Aj表示第j个虚拟电厂控制因素集合,Mt,j、Dt,1,j、Rt,j、Dt,2,j、Dt,3,j分别为第j个虚拟电厂控制因素集合中各发电储能单元管理成本、购电成本、柴油发电机组发电成本、新能源余电上网收益、基站储能电池削峰填谷收益。Aj选择Mt、Dt,1、Rt、Dt,2、Dt,3中任一控制因素的预估值作为对应值,其余虚拟电厂控制因素以虚拟电厂控制因素预设标准值作为对应值,例如,设置各发电储能单元管理成本Mt、购电成本Dt,1、柴油发电机组发电成本Rt、新能源余电上网收益Dt,2、基站储能电池削峰填谷收益Dt,3的预设标准值为 第1个集合选择第1组历史控制相关数据样本预测的数据计算得到的Mt预估值Mt(1)作为对应值,其余虚拟电厂控制因素以虚拟电厂控制因素预设标准值作为对应值,则第2个集合选择第2组历史控制相关数据样本预测的数据计算得到的Mt预估值Mt(2)作为对应值,其余虚拟电厂控制因素以虚拟电厂控制因素预设标准值作为对应值,则A2={Mt,j=Mt(2),直至所有控制因素的预估值被取尽,得到若干虚拟电厂控制因素集合。
其中,择优时的所述预设条件具体为虚拟电厂综合运行成本最低,即选择虚拟电厂综合运行成本最低的虚拟电厂控制因素集合作为最优虚拟电厂控制因素集合。所述虚拟电厂综合运行成本最低的计算方式为:
式中,Zj为第j个虚拟电厂控制因素集合的虚拟电厂综合运行成本,T为预测的总时刻数。
虚拟电厂控制因素集合对应的控制方案具体为各虚拟电厂控制因素所采用的预估值或预设标准值对应的控制相关数据。假设最终选择的最优虚拟电厂控制因素集合为第1个虚拟电厂控制因素集合 其中Mt,j采用的是计算的Mt(1),则选择计算得到Mt(1)的控制相关数据作为控制方案,即最优控制方案={Pt Pw(1),Pt PV(1),Pt o(1),Pt D(1),Pt c(1),Pt dw,c(1),Pt fg,c(1),Gt M(1)|t=1,…,T}。
本实施例还提供一种基于网格配微协同的虚拟电厂控制系统,包括:
预处理模块,用于对调控范围内虚拟电厂的历史控制相关数据进行数据预处理,其中,所述历史控制相关数据包括历史用电数据、历史设备状态数据、历史市场数据;
网格化处理模块,用于将预处理后的历史控制相关数据进行网格化处理,得到若干组历史控制相关数据样本;其中,所述网格化处理为:将历史控制相关数据划分为若干组,每组按照预设时间间隔划分为若干时间段的数据,之后进行归一化;
预测模块,用于将每组历史控制相关数据样本分别输入循环神经网络,预测未来时刻控制相关数据;
控制因素计算模块,用于根据每组历史控制相关数据样本预测的未来时刻控制相关数据,分别计算各组对应的各虚拟电厂控制因素预估值;
控制方案确认模块,用于构建若干虚拟电厂控制因素集合,并从中选择符合预设条件的最优虚拟电厂控制因素集合对应的最优控制方案,进行未来虚拟电厂控制,其中,所述虚拟电厂控制因素集合为所有虚拟电厂控制因素值的集合,且每个虚拟电厂控制因素集合选择任一虚拟电厂控制因素预估值作为对应虚拟电厂控制因素的值,其余虚拟电厂控制因素以预设标准虚拟电厂控制因素值作为对应值。
其中,所述虚拟电厂控制因素包括:新能源余电上网收益,基站储能电池削峰填谷收益,柴油发电机组发电成本,各发电储能单元管理成本,购电成本。
其中,所述控制因素计算模块具体包括:
根据每组预测的未来时刻控制相关数据,按照下式分别计算各组对应的各虚拟电厂控制因素预估值:
Mt(i)=(gpwPt pw(i)+gpvPt pv(i)+goPt o(i)+gB(Pt D(i)+Pt C(i)))h;
Rt(i)=XOPt O(i)h;
i=1,2,…,n;
式中:Mt(i)、Dt,1(i)、Rt(i)、Dt,2(i)、Dt,3(i)分别为根据第i组历史控制相关数据样本预测的数据计算得到的未来t时刻的各发电储能单元管理成本预估值、购电成本预估值、柴油发电机组发电成本预估值、新能源余电上网收益预估值、基站储能电池削峰填谷收益预估值,gpw、gpv、go、gB分别为风力、光伏、柴油发电机组、储能电池管理成本系数;Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)分别为第i组历史控制相关数据样本预测的t时刻风力、光伏、柴油发电机组出力、基站储能电池放电功率和充电功率;Gt M(i)为第i组历史控制相关数据样本预测的t时刻电网购电价格;Ft Q(i)为第i组历史控制相关数据样本预测的t时刻电能缺额;XO为柴油发电机组每千瓦时出力燃料成本;Ft Y(i)为第i组历史控制相关数据样本预测的t时刻风光发电盈余;Gs为余电上网价格;Pt dw,c(i)、Pt fg,c(i)分别为第i组历史控制相关数据样本预测的t时刻电网、风光电力对电池充电功率,分别为峰、谷电价;h为调度时长,n为历史控制相关数据的分组数量。
其中,所述预设条件具体为虚拟电厂综合运行成本最低,所述虚拟电厂控制因素集合对应的控制方案具体为:所述虚拟电厂控制因素集合中所采用的虚拟电厂控制因素预估值对应的控制相关数据;所述虚拟电厂综合运行成本最低的计算方式为:
式中,zt为虚拟电厂综合运行成本,T为预测的总时刻数,Mt、Dt,1、Rt、Dt,2、Dt,3分别为虚拟电厂控制方案中各发电储能单元管理成本、购电成本、柴油发电机组发电成本、新能源余电上网收益、基站储能电池削峰填谷收益。
值得注意的是,该系统可采用软件和/或硬件的方式实现,该系统可以配置于终端设备中。所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
以上所描述的实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以只通过硬件实现,只要能实现功能或作用都可以。
Claims (10)
1.一种基于网格配微协同的虚拟电厂控制方法,其特征在于,包括如下步骤:
步骤1:对调控范围内虚拟电厂的历史控制相关数据进行数据预处理,其中,所述历史控制相关数据包括历史用电数据、历史设备状态数据、历史市场数据;
步骤2:将预处理后的历史控制相关数据进行网格化处理,得到若干组历史控制相关数据样本;其中,所述网格化处理为:将历史控制相关数据划分为若干组,每组按照预设时间间隔划分为若干时间段的数据,之后进行归一化;
步骤3:将每组历史控制相关数据样本分别输入循环神经网络,预测未来时刻控制相关数据;
步骤4:根据每组历史控制相关数据样本预测的未来时刻控制相关数据,分别计算各组对应的各虚拟电厂控制因素预估值;
步骤5:构建若干虚拟电厂控制因素集合,并从中选择符合预设条件的最优虚拟电厂控制因素集合对应的控制方案,进行未来虚拟电厂控制,其中,所述虚拟电厂控制因素集合为所有虚拟电厂控制因素值的集合,且每个虚拟电厂控制因素集合选择任一虚拟电厂控制因素预估值作为对应虚拟电厂控制因素的值,其余虚拟电厂控制因素以虚拟电厂控制因素预设标准值作为对应值。
2.根据权利要求1所述的基于网格配微协同的虚拟电厂控制方法,其特征在于,所述虚拟电厂控制因素包括:新能源余电上网收益,基站储能电池削峰填谷收益,柴油发电机组发电成本,各发电储能单元管理成本,购电成本。
3.根据权利要求1所述的基于网格配微协同的虚拟电厂控制方法,其特征在于,所述网格化处理具体包括:
将历史控制相关数据按照时间顺序生成若干控制向量,并随机划分为若干组;
将每个控制向量按照预设时间间隔划分为若干时间段的数据,并将所有时间段的数据整合为一个特征向量;
将每组内特征向量进行组内归一化。
4.根据权利要求2所述的基于网格配微协同的虚拟电厂控制方法,其特征在于,所述步骤4具体包括:
根据每组预测的未来时刻控制相关数据,按照下式分别计算各组对应的各虚拟电厂控制因素预估值
i=1,2,…,n;
式中:Mt(i)、Dt,1(i)、Rt(i)、Dt,2(i)、Dt,3(i)分别为根据第i组历史控制相关数据样本预测的数据计算得到的未来t时刻的各发电储能单元管理成本预估值、购电成本预估值、柴油发电机组发电成本预估值、新能源余电上网收益预估值、基站储能电池削峰填谷收益预估值,gpw、gpv、go、gB分别为风力、光伏、柴油发电机组、储能电池管理成本系数;Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)分别为第i组历史控制相关数据样本预测的t时刻风力、光伏、柴油发电机组出力、基站储能电池放电功率和充电功率;Gt M(i)为第i组历史控制相关数据样本预测的t时刻电网购电价格;Ft Q(i)为第i组历史控制相关数据样本预测的t时刻电能缺额;XO为柴油发电机组每千瓦时出力燃料成本;Ft Y(i)为第i组历史控制相关数据样本预测的t时刻风光发电盈余;Gs为余电上网价格;Pt dw,c(i)、Pt fg,c(i)分别为第i组历史控制相关数据样本预测的t时刻电网、风光电力对电池充电功率,分别为峰、谷电价;h为调度时长,n为历史控制相关数据的分组数量,Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)、Pt dw,c(i)、Pt fg,c(i)属于设备状态数据,Gt M(i)为市场数据,Ft Q(i)、Ft Y(i)通过用电数据计算得到。
5.根据权利要求4所述的基于网格配微协同的虚拟电厂控制方法,其特征在于,所述预设条件具体为虚拟电厂综合运行成本最低,所述虚拟电厂控制因素集合对应的控制方案具体为所述虚拟电厂控制因素集合中所采用的虚拟电厂控制因素预估值对应的控制相关数据;所述虚拟电厂综合运行成本最低的计算方式为:
式中,Zj为第j个虚拟电厂控制因素集合的虚拟电厂综合运行成本,T为预测的总时刻数,Mt,j、Dt,1,j、Rt,j、Dt,2,j、Dt,3,j分别为第j个虚拟电厂控制因素集合中各发电储能单元管理成本、购电成本、柴油发电机组发电成本、新能源余电上网收益、基站储能电池削峰填谷收益。
6.根据权利要求1所述的基于网格配微协同的虚拟电厂控制方法,其特征在于,所述数据预处理包括:
检测历史控制相关数据的变化异常的异常区间值;
根据异常区间值,得到历史控制相关数据的正常区间值;
将所述正常区间值与预设标准值的范围作比较,取范围小的区间上限和下限作为最终上限限值和下限限值;
将超出上限限值和下限限值的数据清除。
7.一种基于网格配微协同的虚拟电厂控制系统,其特征在于,包括:
预处理模块,用于对调控范围内虚拟电厂的历史控制相关数据进行数据预处理,其中,所述历史控制相关数据包括历史用电数据、历史设备状态数据、历史市场数据;
网格化处理模块,用于将预处理后的历史控制相关数据进行网格化处理,得到若干组历史控制相关数据样本;其中,所述网格化处理为:将历史控制相关数据划分为若干组,每组按照预设时间间隔划分为若干时间段的数据,之后进行归一化;
预测模块,用于将每组历史控制相关数据样本分别输入循环神经网络,预测未来时刻控制相关数据;
控制因素计算模块,用于根据每组历史控制相关数据样本预测的未来时刻控制相关数据,分别计算各组对应的各虚拟电厂控制因素预估值;
控制方案确认模块,用于构建若干虚拟电厂控制因素集合,并从中选择符合预设条件的最优虚拟电厂控制因素集合对应的最优控制方案,进行未来虚拟电厂控制,其中,所述虚拟电厂控制因素集合为所有虚拟电厂控制因素值的集合,且每个虚拟电厂控制因素集合选择任一虚拟电厂控制因素预估值作为对应虚拟电厂控制因素的值,其余虚拟电厂控制因素以预设标准虚拟电厂控制因素值作为对应值。
8.根据权利要求7所述的基于网格配微协同的虚拟电厂控制系统,其特征在于,所述虚拟电厂控制因素包括:新能源余电上网收益,基站储能电池削峰填谷收益,柴油发电机组发电成本,各发电储能单元管理成本,购电成本。
9.根据权利要求8所述的基于网格配微协同的虚拟电厂控制方法,其特征在于,所述控制因素计算模块具体包括:
根据每组预测的未来时刻控制相关数据,按照下式分别计算各组对应的各虚拟电厂控制因素预估值:
式中:Mt(i)、Dt,1(i)、Rt(i)、Dt,2(i)、Dt,3(i)分别为根据第i组历史控制相关数据样本预测的数据计算得到的未来t时刻的各发电储能单元管理成本预估值、购电成本预估值、柴油发电机组发电成本预估值、新能源余电上网收益预估值、基站储能电池削峰填谷收益预估值,gpw、gpv、go、gB分别为风力、光伏、柴油发电机组、储能电池管理成本系数;Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)分别为第i组历史控制相关数据样本预测的t时刻风力、光伏、柴油发电机组出力、基站储能电池放电功率和充电功率;Gt M(i)为第i组历史控制相关数据样本预测的t时刻电网购电价格;Ft Q(i)为第i组历史控制相关数据样本预测的t时刻电能缺额;XO为柴油发电机组每千瓦时出力燃料成本;Ft Y(i)为第i组历史控制相关数据样本预测的t时刻风光发电盈余;Gs为余电上网价格;Pt dw,c(i)、Pt fg,c(i)分别为第i组历史控制相关数据样本预测的t时刻电网、风光电力对电池充电功率,分别为峰、谷电价;h为调度时长,n为历史控制相关数据的分组数量,Pt Pw(i)、Pt PV(i)、Pt o(i)、Pt D(i)、Pt c(i)、Pt dw,c(i)、Pt fg,c(i)属于设备状态数据,Gt M(i)为市场数据,Ft Q(i)、Ft Y(i)通过用电数据计算得到。
10.根据权利要求9所述的基于网格配微协同的虚拟电厂控制方法,其特征在于,所述预设条件具体为虚拟电厂综合运行成本最低,所述虚拟电厂控制因素集合对应的控制方案具体为所述虚拟电厂控制因素集合中所采用的虚拟电厂控制因素预估值对应的控制相关数据;所述虚拟电厂综合运行成本最低的计算方式为:
式中,Zj为第j个虚拟电厂控制因素集合的虚拟电厂综合运行成本,T为预测的总时刻数,Mt,j、Dt,1,j、Rt,j、Dt,2,j、Dt,3,j分别为第j个虚拟电厂控制因素集合中各发电储能单元管理成本、购电成本、柴油发电机组发电成本、新能源余电上网收益、基站储能电池削峰填谷收益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311697869.1A CN117670592A (zh) | 2023-12-11 | 2023-12-11 | 基于网格配微协同的虚拟电厂控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311697869.1A CN117670592A (zh) | 2023-12-11 | 2023-12-11 | 基于网格配微协同的虚拟电厂控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117670592A true CN117670592A (zh) | 2024-03-08 |
Family
ID=90082364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311697869.1A Pending CN117670592A (zh) | 2023-12-11 | 2023-12-11 | 基于网格配微协同的虚拟电厂控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670592A (zh) |
-
2023
- 2023-12-11 CN CN202311697869.1A patent/CN117670592A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119886B (zh) | 一种主动配网动态规划方法 | |
Awad et al. | Optimal resource allocation and charging prices for benefit maximization in smart PEV-parking lots | |
CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
CN109146320B (zh) | 一种考虑配电网安全性的虚拟电厂优化调度方法 | |
CN108037667B (zh) | 基于虚拟电厂的基站电能优化调度方法 | |
CN111525627A (zh) | 含抽蓄与新能源发电的柔性直流输电系统日前调度方法 | |
Kapoor et al. | Optimal charge/discharge scheduling of battery storage interconnected with residential PV system | |
CN113919717A (zh) | 面向多目标同步优化的虚拟电厂资源调度方法和装置 | |
CN109950900B (zh) | 基于电动汽车负荷最小峰值模型的微网负荷削减控制方法 | |
CN110289622A (zh) | 一种光储充能量路由器的日前经济优化调度方法 | |
CN112671035A (zh) | 一种基于风电预测的虚拟电厂储能容量配置方法 | |
CN110783950A (zh) | 一种配电网节点光伏最佳配置容量确定方法 | |
Chen et al. | Optimal dispatch of WT/PV/ES combined generation system based on cyber-physical-social integration | |
Zhang et al. | Optimal energy management of hybrid power system with two-scale dynamic programming | |
CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及系统 | |
CN117913914A (zh) | 基于电量分类的一体化项目并网多时段调度方法及装置 | |
Kumar et al. | Optimal energy management and sizing of a community smart microgrid using demand side management with load uncertainty | |
CN117670592A (zh) | 基于网格配微协同的虚拟电厂控制方法及系统 | |
CN116128193A (zh) | 一种基于区块链技术的园区微网调度方法及调度系统 | |
Zhang et al. | Schedulable capacity assessment method for PV and storage integrated fast charging stations with V2G | |
Li et al. | Multiobjective Optimization Model considering Demand Response and Uncertainty of Generation Side of Microgrid | |
Yao et al. | Determination of a dispatch strategy to maximize income for a wind turbine-BESS power station | |
Kermani et al. | Optimal operation of a real power hub based on PV/FC/GenSet/BESS and demand response under uncertainty | |
CN111062532A (zh) | 一种考虑v2g的增量配电园区内电网容量配置优化方法 | |
Jain et al. | A data driven approach for scheduling the charging of electric vehicles |
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 |