CN117674139A - 基于物联网的分布式能源管理方法及系统 - Google Patents
基于物联网的分布式能源管理方法及系统 Download PDFInfo
- Publication number
- CN117674139A CN117674139A CN202410124730.6A CN202410124730A CN117674139A CN 117674139 A CN117674139 A CN 117674139A CN 202410124730 A CN202410124730 A CN 202410124730A CN 117674139 A CN117674139 A CN 117674139A
- Authority
- CN
- China
- Prior art keywords
- data
- algorithm
- function
- internet
- expressed
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 274
- 230000009471 action Effects 0.000 claims abstract description 50
- 230000004044 response Effects 0.000 claims abstract description 49
- 230000005540 biological transmission Effects 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 152
- 230000008569 process Effects 0.000 claims description 135
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 40
- 229910052799 carbon Inorganic materials 0.000 claims description 40
- 238000005265 energy consumption Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 26
- 230000001105 regulatory effect Effects 0.000 claims description 19
- 238000007405 data analysis Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 8
- 230000003828 downregulation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003827 upregulation Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims 1
- 230000006855 networking Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010223 real-time analysis Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 7
- 230000033228 biological regulation Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000013144 data compression Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了基于物联网的分布式能源管理方法及系统，属于能源管理技术领域。首先采集分布式能源节点数据，进行数据传输，形成物联网网络；其次利用边缘计算和云计算，对所述物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果；再次根据所述协同分析结果，确定分布式能源的最优出力水平和运行模式，制定调度策略；最后根据所述调度策略，生成控制指令并执行对应的响应动作。本发明引入边缘计算和云计算技术，对实时采集到的数据进行即时分析和处理，提高了数据处理的速度；提出了构建多目标优化模型和调度策略优化模型的方法，为系统决策提供全面的支持，为未来分布式能源管理系统的高效运行提供了新的解决途径。
Description
技术领域
本发明属于能源管理技术领域，具体涉及一种基于物联网的分布式能源管理方法及系统。
背景技术
随着能源需求的增长和能源结构的转型，分布式能源作为一种清洁、高效、灵活的能源供应方式，越来越受到重视；分布式能源指在用户侧或负荷附近，利用可再生能源或小型化的传统能源设备，为用户提供电力、热力、冷力等多种能源形式的系统；分布式能源具有节能减排、提高能源利用率、增强电网安全性等优点，是实现能源互联网的重要组成部分。
然而，分布式能源的广泛应用也带来了一些挑战，包括数据传输延迟、协同调度困难和系统扩展性差等问题。数据传输延迟是由于数据采集和决策处理通常集中在中央控制中心，分布式能源节点的数据需要通过网络传输至中央控制中心进行处理，导致了传输延迟，尤其是在大规模系统中，数据的传输可能受到网络拥塞等问题的影响，降低了系统的实时性；协同调度困难是缺乏有效的协同调度机制，各个能源节点独立运行，缺乏统一的管理策略，导致协同工作难以实现，影响了整个系统的效率；通常需要等待所有节点数据传输完成后才能进行，这导致系统对能源波动的响应不够灵活。在分布式能源系统中，能源节点的状态可能会发生快速变化，传统系统的决策响应速度较慢，难以实现对节点状态的即时调整；系统扩展性差是指增加新的能源节点时，需要进行系统架构的调整和升级，这可能导致系统维护的复杂性和成本的提高，通常基于静态规划，未能充分考虑到实时的、多变的能源需求，缺乏智能化的调度策略，导致系统在应对能源波动和负荷变化时效果有限。因此需要一种智能化、数字化、协同化的分布式能源的管理方法。
发明内容
基于上述技术问题，本发明提供一种基于物联网的分布式能源管理方法及系统，通过采集分布式能源节点数据，利用边缘计算和云计算对数据进行分析和处理，根据协同分析结果确定分布式能源的最优出力水平和运行模式，制定调度策略，生成控制指令并执行响应动作，实现了分布式能源的智能化管理，提高了分布式能源的运行效益和环境效益。
本发明提供基于物联网的分布式能源管理方法，所述方法包括：
步骤S1：采集分布式能源节点数据，进行数据传输，形成物联网网络；
步骤S2：利用边缘计算和云计算，对所述物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果；
步骤S3：根据所述协同分析结果，确定分布式能源的最优出力水平和运行模式，制定调度策略；
步骤S4：根据所述调度策略，生成控制指令并执行对应的响应动作。
可选地，所述采集分布式能源节点数据，进行数据传输，形成物联网网络，具体包括：
数据采集和传输过程表示为：
式中，为第/>个节点；/>为的实时功率；/>为/>的实时电压；/>为/>的实时电流；/>为/>的实时温度；/>为/>的实时湿度；/>为/>采集到的原始数据；
式中，为/>连接的边缘计算节点，/>为/>与/>之间的通信开销；/>为/>对数据进行的预处理函数/>；/>为预处理后的数据；
式中，为/>对数据进行的目的地选择函数/>；/>为选择数据的目的地集合；
式中，为预处理后的数据；/>为/>将数据发送到/>中的第/>个目的地的传输速率；/>为选择数据的第/>个目的地。
可选地，所述利用边缘计算和云计算，对所述物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果，具体包括：
构建多目标优化模型：
式中，为第/>个算法；/>为/>的运行位置；/>为/>的运行优先级；/>为/>的运行频率；/>为/>的运行结果的有效期；/>为第/>个算法的成本，使用/>函数考虑成本因素；/>为第/>个算法的能耗，使用/>函数考虑能耗因素；/>为第/>个算法的可靠性，使用/>函数考虑可靠性因素；/>为第/>个算法的安全性，使用/>函数考虑安全性因素；/>为第/>个算法的碳排放，使用/>函数考虑碳排放因素；
将输入数据从边缘计算节点传输到算法的运行位置，表示为：
式中，为/>的输入数据；/>为第/>个算法的输入数据经过哈夫曼编码后的数据；/>为哈夫曼编码的函数；/>为/>经过对称加密后的数据；/>为对称加密函数；/>为密钥；/>为第/>个算法所在的边缘计算节点；/>为从/>到/>的通信开销；
算法执行的过程包括串行执行方式、并行执行方式和协同执行方式；
所述串行执行方式表示为：
式中，为第/>个算法的输出数据；
所述并行执行方式表示为：
式中，为第/>个算法的第/>个子算法；/>为第/>个算法的第/>个子数据；为第/>个算法的并行度；/>表示并行计算的操作符；
所述协同执行方式表示为：
式中，为第/>个算法的第/>个协同算法；/>为第/>个算法的第/>个协同数据；/>为第/>个算法的协同度；⊕表示协同计算的操作符；
将算法的输出数据从算法的运行位置传输回边缘计算节点，表示为：
式中，为第/>个算法的经过对称加密后的输出数据；/>为第/>个算法的输出数据/>使用对称解密函数得到的数据；/>为哈夫曼解码函数；/>为对称解密函数；/>为第/>个算法的输出数据；/>为从/>到/>的通信开销；
结果更新的过程表示为：
式中，为第/>个算法的结果更新函数。
可选地，所述根据所述协同分析结果，确定分布式能源的最优出力水平和运行模式，制定调度策略，具体包括：
能源调度策略优化模型表示为
式中，为优化函数；/>为第/>个节点在时段/>的出力水平；/>为第/>个算法的输出数据；/>为分布式能源的节点数；/>为调度时段数；/>为第/>个节点在时段/>的开关状态；/>为成本函数；
所述成本函数计算公式为：
式中，为第/>个节点的算法运行时间；/>为第/>个节点的算法运行能耗；/>为时段/>的电价；/>为第/>个节点的单位出力碳排放系数；/>为时段/>的碳税；为运行成本函数；/>为碳排放成本函数；
约束条件为：
式中，为时段/>的系统负荷需求；/>和/>分别为第/>个节点的最小出力限制和最大出力限制；/>为第/>个节点在时段/>的开关状态，0表示关闭，1表示开启；和/>分别为第/>个节点的上调节能力和下调节能力；/>为第/>个节点在时段/>的出力变化量。
可选地，所述根据所述调度策略，生成控制指令并执行对应的响应动作，具体包括：
物联网网络的控制指令表示为：
式中，为第/>个节点在时段/>的控制指令；/>为映射函数，将出力水平和开关状态转化为控制指令；
所述控制指令表示为：
式中，为第/>个节点在时段/>的控制指令；/>为第/>个节点在时段/>的出力水平；/>为第/>个节点的频率指令；/>为第/>个节点的电压指令；DGs为分布式发电机；
根据物联网网络的控制指令，分布式能源的各个节点执行相应的响应动作，分布式能源的响应动作用公式表示为：
式中，为第/>个节点在时段/>的响应动作；/>为反馈函数，将控制指令转化为响应动作；
所述响应动作表示为：
式中，为调整的出力水平；/>和/>分别为可控制的分布式发电机的最小和最大出力水平；/>为调整的频率值；/>和/>分别为频率调节的分布式发电机的最小和最大频率值；/>为调整的电压值；/>和/>分别为电压调节的分布式发电机的最小和最大电压值。
本发明还提供基于物联网的分布式能源管理系统，所述系统包括：
数据采集传输模块，用于采集分布式能源节点数据，进行数据传输，形成物联网网络；
物联网数据分析模块，用于利用边缘计算和云计算，对所述物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果；
调度策略确定模块，用于根据所述协同分析结果，确定分布式能源的最优出力水平和运行模式，制定调度策略；
控制指令及响应动作生成模块，用于根据所述调度策略，生成控制指令并执行对应的响应动作。
可选地，所述数据采集传输模块，具体包括：
式中，为第/>个节点；/>为/>的实时功率；/>为/>的实时电压；/>为/>的实时电流；/>为/>的实时温度；/>为/>的实时湿度；/>为/>采集到的原始数据；
式中，为/>连接的边缘计算节点，/>为/>与/>之间的通信开销；/>为/>对数据进行的预处理函数/>；/>为预处理后的数据；
式中，为/>对数据进行的目的地选择函数/>；/>为选择数据的目的地集合；
式中，为预处理后的数据；/>为/>将数据发送到/>中的第/>个目的地的传输速率；/>为选择数据的第/>个目的地。
可选地，所述物联网数据分析模块，具体包括：
构建多目标优化模型：
式中，为第/>个算法；/>为/>的运行位置；/>为/>的运行优先级；/>为/>的运行频率；/>为/>的运行结果的有效期；/>为第/>个算法的成本，使用/>函数考虑成本因素；/>为第/>个算法的能耗，使用/>函数考虑能耗因素；/>为第/>个算法的可靠性，使用/>函数考虑可靠性因素；/>为第/>个算法的安全性，使用/>函数考虑安全性因素；/>为第/>个算法的碳排放，使用/>函数考虑碳排放因素；
将输入数据从边缘计算节点传输到算法的运行位置，表示为：
式中，为/>的输入数据；/>为第/>个算法的输入数据经过哈夫曼编码后的数据；/>为哈夫曼编码的函数；/>为/>经过对称加密后的数据；/>为对称加密函数；/>为密钥；/>为第/>个算法所在的边缘计算节点；/>为从/>到/>的通信开销；
算法执行的过程包括串行执行方式、并行执行方式和协同执行方式；
所述串行执行方式表示为：
式中，为第/>个算法的输出数据；
所述并行执行方式表示为：
式中，为第/>个算法的第/>个子算法；/>为第/>个算法的第/>个子数据；为第/>个算法的并行度；/>表示并行计算的操作符；
所述协同执行方式表示为：
式中，为第/>个算法的第/>个协同算法；/>为第/>个算法的第/>个协同数据；/>为第/>个算法的协同度；⊕表示协同计算的操作符；
将算法的输出数据从算法的运行位置传输回边缘计算节点，表示为：
式中，为第/>个算法的经过对称加密后的输出数据；/>为第/>个算法的输出数据/>使用对称解密函数得到的数据；/>为哈夫曼解码函数；/>为对称解密函数；/>为第/>个算法的输出数据；/>为从/>到/>的通信开销；
结果更新的过程表示为：
式中，为第/>个算法的结果更新函数。
可选地，所述调度策略确定模块，具体包括：
能源调度策略优化模型表示为：
式中，为优化函数；/>为第/>个节点在时段/>的出力水平；/>为第/>个算法的输出数据；/>为分布式能源的节点数；/>为调度时段数；/>为第/>个节点在时段/>的开关状态；/>为成本函数；
所述成本函数计算公式为：
式中，为第/>个节点的算法运行时间；/>为第/>个节点的算法运行能耗；/>为时段/>的电价；/>为第/>个节点的单位出力碳排放系数；/>为时段/>的碳税；为运行成本函数；/>为碳排放成本函数；
约束条件为：
式中，为时段/>的系统负荷需求；/>和/>分别为第/>个节点的最小出力限制和最大出力限制；/>为第/>个节点在时段/>的开关状态，0表示关闭，1表示开启；和/>分别为第/>个节点的上调节能力和下调节能力；为第/>个节点在时段/>的出力变化量。
可选地，所述控制指令及响应动作生成模块，具体包括：
物联网网络的控制指令表示为：
式中，为第/>个节点在时段/>的控制指令；/>为映射函数，将出力水平和开关状态转化为控制指令；
所述控制指令表示为：
式中，为第/>个节点在时段/>的控制指令；/>为第/>个节点在时段/>的出力水平；/>为第/>个节点的频率指令；/>为第/>个节点的电压指令；DGs为分布式发电机；
根据物联网网络的控制指令，分布式能源的各个节点执行相应的响应动作，分布式能源的响应动作用公式表示为：
式中，为第/>个节点在时段/>的响应动作；/>为反馈函数，将控制指令转化为响应动作；
所述响应动作表示为：
式中，为调整的出力水平；/>和/>分别为可控制的分布式发电机的最小和最大出力水平；/>为调整的频率值；/>和/>分别为频率调节的分布式发电机的最小和最大频率值；/>为调整的电压值；/>和/>分别为电压调节的分布式发电机的最小和最大电压值。
本发明与现有技术相比，具有以下有益效果：
本发明通过物联网网络，实现对分布式能源节点数据的实时采集和传输。每个节点能够及时将实时功率、电压、电流、温度、湿度等多维度数据传输至中央控制中心，形成高效的数据通信网络，克服了传统系统的数据传输延迟问题；引入边缘计算和云计算技术，对采集到的大量数据进行分析和处理。边缘计算提高了数据处理的速度，云计算则提供了强大的计算资源，共同构建了一个高效的数据处理平台。通过协同分析，能够更迅速地得到能源管理模型，为系统决策提供有力支持；提出了构建多目标优化模型的方法，通过综合考虑算法运行位置、优先级、频率等多个因素，实现对能源管理的综合优化。这种多目标的优化模型有助于平衡系统的各方面需求，提高了系统整体的性能；引入了能源调度策略优化模型，通过成本函数全面考虑算法运行成本、碳排放成本等多个方面的因素，制定了更为精准的调度策略。这样的优化模型有助于系统在各种约束条件下制定出更加经济、环保的调度方案。
附图说明
图1为本发明的基于物联网的分布式能源管理方法流程图；
图2为本发明的基于物联网的分布式能源管理系统结构图。
具体实施方式
下面结合具体实施案例和附图对本发明作进一步说明，但本发明并不局限于这些实施例。
实施例1
如图1所示，本发明公开基于物联网的分布式能源管理方法，方法包括：
步骤S1：采集分布式能源节点数据，进行数据传输，形成物联网网络。
步骤S2：利用边缘计算和云计算，对物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果。
步骤S3：根据协同分析结果，确定分布式能源的最优出力水平和运行模式，制定调度策略。
步骤S4：根据所述调度策略，生成控制指令并执行对应的响应动作。
下面对各个步骤进行详细论述：
步骤S1：采集分布式能源节点数据，进行数据传输，形成物联网网络。
步骤S1具体包括：
在分布式能源的各个节点安装智能传感器和控制器，形成物联网网络，实时采集和传输能源的相关数据，如功率、电压、电流、温度、湿度等。
为了实现分布式能源的物联网控制，首先需要在各个节点(如风力发电机、太阳能电池板、储能装置、负荷等)安装智能传感器和控制器，使它们能够感知和控制自身的运行状态，以及与其他节点进行通信；这些传感器和控制器可以通过无线或有线的方式连接到一个或多个边缘计算节点，形成一个物联网网络。边缘计算节点是一种具有较强计算能力和存储能力的设备，可以在网络边缘侧对数据进行处理和分析，以及与云端进行交互。物联网网络的拓扑结构可以根据实际情况进行设计；为了保证物联网网络的可靠性和安全性，采用一些数据加密、身份认证、容错机制等。
物联网网络的主要功能是实时采集和传输能源的相关数据，如功率、电压、电流、温度、湿度等；这些数据对于监测和控制分布式能源的运行状态，以及进行负荷预测和调度策略优化，都是非常重要的；为了减少数据的冗余和延迟，可以在边缘计算节点对数据进行预处理，如数据压缩、数据清洗、数据聚合等；预处理后的数据可以根据不同的需求，发送到不同的目的地，如云端、其他边缘节点、本地控制器等。
物联网网络的数据采集和传输过程表示为：
式中，上式为数据采集过程，表示第个节点采集到的原始数据，包括功率、电压、电流、温度和湿度等；/>为物联网网络的节点数；/>为边缘计算节点数；/>为传感器和控制器节点数；/>为第/>个节点，/>；/>为/>的实时功率；/>为/>的实时电压；/>为/>的实时电流；/>为/>的实时温度；/>为/>的实时湿度；/>为/>采集到的原始数据，即/>。
/>
式中，上式为数据传输边缘计算节点过程，表示第个节点将原始数据发送到连接的边缘计算节点，/>；/>为/>连接的边缘计算节点， ；/>为/>与/>之间的通信开销(/>为/>与/>之间的通信开销)，即发送数据所需时间、能耗、费用等，/>。
式中，上式为数据预处理过程，表示边缘计算节点对原始数据进行的预处理函数，例如数据压缩、数据清洗、数据聚合等；为/>对数据进行的预处理函数/>；为预处理后的数据；/>。
式中，上式为目的地选择过程，表示边缘计算节点对预处理后的数据进行的目的地选择函数，例如根据数据的重要性、紧急性、安全性等，选择数据的目的地集合，可以是其他边缘计算节点、云端、本地控制器等；/>为/>对数据进行的目的地选择函数；/>为选择数据的目的地集合，/>；。
式中，上式为目的地数据传输过程，表示边缘计算节点将预处理后的数据发送到目的地集合中的第个目的地；/>为预处理后的数据；/>为/>将数据发送到/>中的第个目的地的传输速率，/>；/>；/>；/>为选择数据的第/>个目的地。
本实施例中，关于的范围进行论述，/>的整体范围为/>；根据不同的步骤和功能进行划分：数据采集过程中，/>，表示只有传感器和控制器节点才会采集原始数据，边缘计算节点不会采集数据，只会接收和处理数据；因此，/>的范围是从/>到/>，即从第一个传感器和控制器节点到最后一个传感器和控制器节点。数据传输边缘计算节点过程中，/>，表示只有传感器和控制器节点才会将原始数据发送到连接的边缘计算节点，边缘计算节点不会发送数据，只会接收和处理数据；因此，/>的范围是从/>到/>，即从第一个传感器和控制器节点到最后一个传感器和控制器节点。数据预处理过程中，/>，表示只有边缘计算节点才会对数据进行预处理函数，传感器和控制器节点不会对数据进行预处理，只会采集和发送数据；因此，/>的范围是从1到/>，即从第一个边缘计算节点到最后一个边缘计算节点。目的地选择过程中，/>，表示只有边缘计算节点才会对数据进行目的地选择函数，传感器和控制器节点不会对数据进行目的地选择，只会采集和发送数据；因此，/>的范围是从1到/>，即从第一个边缘计算节点到最后一个边缘计算节点。目的地数据传输过程中，，表示只有边缘计算节点才会将预处理后的数据发送到目的地集合中的某个目的地，传感器和控制器节点不会发送数据，只会采集和发送数据；因此，/>的范围是从1到/>，即从第一个边缘计算节点到最后一个边缘计算节点。
传感器和控制器节点不会发送数据，只会采集和发送数据，这里的发送数据指的是将原始数据发送到连接的边缘计算节点，而不是将预处理后的数据发送到目的地集合中的某个目的地。也就是说，传感器和控制器节点只负责数据的采集和传输，而不负责数据的预处理和目的地选择。这样可以减少传感器和控制器节点的计算和存储负担，提高数据的传输效率和安全性。
本实施例中，物联网网络的数据采集和传输过程是指通过各种传感器和控制器，实时获取和发送分布式能源的相关数据，如功率、电压、电流、温度、湿度等，以便进行监测和控制。这些数据需要经过一些预处理，如数据压缩、数据清洗、数据聚合等，然后根据不同的需求，发送到不同的目的地，如云端、其他边缘节点、本地控制器等。这个过程是物联网控制的基础层，为上层的数据分析和处理提供了数据源。
步骤S2：利用边缘计算和云计算，对物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果。
步骤S2具体包括：
为了实现分布式能源的高效管理，需要对能源数据进行分析和处理，建立能源的负荷预测模型，优化能源的调度策略，实现能源的供需平衡和峰谷削减。这些功能可以通过边缘计算和云计算的协同实现。边缘计算可以利用其低时延、高实时性、低通信成本、高安全性等优势，处理一些短期、局部、紧急的任务，如实时负荷预测、故障检测、保护控制等。云计算可以利用其强大的计算能力和存储能力，处理一些长期、全局、非紧急的任务，如历史数据分析、负荷特性挖掘、调度策略优化等。通过边缘计算和云计算的协同，可以实现分布式能源的智能管理。
边缘计算和云计算的协同过程，具体包括：
根据不同的算法的特点和需求，选择最优的运行位置、优先级、频率和有效期，以实现成本最小化和效益最大化；使用多目标优化的方法，不仅考虑成本函数，还可以考虑其他的目标函数，如能耗、可靠性、安全性、碳排放等，以实现更全面的优化效果，构建多目标优化模型：
式中，为第/>个算法，/>；/>为/>的运行位置，/>；/>为/>的运行优先级，/>，其中0表示低优先级，1表示高优先级；/>为/>的运行频率，/>，其中0表示不运行，1表示运行；为/>的运行结果的有效期，/>；/>表示第/>个算法的成本，包括时间成本、空间成本、能耗成本、通信成本等，使用/>函数考虑这些因素；/>表示第/>个算法的能耗，包括计算能耗、存储能耗、传输能耗等，使用/>函数考虑这些因素；/>表示第/>个算法的可靠性，包括故障率、恢复率、容错率等，使用/>函数考虑这些因素；/>表示第/>个算法的安全性，包括数据安全、隐私保护、攻击防御等，使用/>函数考虑这些因素；/>表示第/>个算法的碳排放，包括计算碳排放、存储碳排放、传输碳排放等，使用/>函数考虑这些因素。/>、/>、/>、/>和/>具体形式可取决于实际具体目标和约束，以/>为例，目的是最小化成本，将这些因素用不同的权重相加，得到一个总成本的指标，然后用一个递减的函数表示成本的影响，例如指数函数或对数函数。
本实施例中，上述步骤是为了选择最适合运行在边缘计算节点或云端的算法，以及确定算法的运行参数，如运行位置、运行优先级、运行频率和运行结果的有效期；参数选择需要考虑算法的成本、能耗、可靠性、安全性和碳排放。
将算法的输入数据从边缘计算节点传输到算法的运行位置，例如从边缘计算节点传输到云端，或从云端传输到边缘计算节点。数据的传输需要消耗一定的通信资源，如带宽、时延、能耗等，因此，这个步骤的目标是尽量减少数据传输的通信开销，用公式表示为：
式中，为/>的输入数据，/>；/>为/>的运行位置；/>为第/>个算法所在的边缘计算节点；/>为从/>到/>的通信开销。
在上述传输过程基础上，为了减少数据传输的通信开销，在数据传输之前，对数据进行压缩和加密的处理，以降低数据的大小和提高数据的安全性。这样，可以节省带宽和能耗，加快传输速度，防止数据被窃取或篡改，公式为：
式中，为第/>个算法的输入数据经过哈夫曼编码后的数据；/>为哈夫曼编码的函数；/>为/>经过对称加密后的数据；/>为对称加密函数；/>为密钥。
本实施例中，为了实现数据的压缩和加密，以减少数据的传输量和提高数据的安全性，具体的过程如下：
首先对于第个算法的输入数据/>，使用哈夫曼编码的函数/>对其进行压缩，得到压缩后的数据/>；哈夫曼编码是一种无损数据压缩的熵编码算法，它根据数据的出现概率，给出现频率高的数据分配较短的编码，给出现频率低的数据分配较长的编码，从而使得编码后的数据的平均长度降低，达到压缩的目的；然后对于压缩后的数据/>，使用对称加密函数/>对其进行加密，得到加密后的数据/>；对称加密是一种加密算法，它使用同一个密钥/>对数据进行加密和解密，从而保证数据的机密性和完整性。
算法执行的步骤是为了在算法的运行位置上对输入数据进行处理，得到输出数据，例如在边缘计算节点上进行数据分析和处理，或在云端进行负荷预测和调度优化。算法的执行需要消耗一定的计算资源，如CPU、内存、磁盘等。因此，这个步骤的目标是尽量提高算法的执行效率和效果。
算法执行的过程分为串行执行方式、并行执行方式和协同执行方式，串行执行方式表示为：
式中，为第/>个算法的输出数据，/>可以为预测结果、分析结果、控制指令等；为第/>个算法的输入数据。
并行执行方式表示为：
式中，为第/>个算法的第/>个子算法；/>为第/>个算法的第/>个子数据；第/>个算法的并行度；/>表示并行计算的操作符，即将多个子算法的输出数据合并为一个输出数据。
协同执行方式表示为：
式中，为第/>个算法的第/>个协同算法；/>为第/>个算法的第/>个协同数据；/>为第/>个算法的协同度；⊕表示协同计算的操作符，即将多个协同算法的输出数据融合为一个输出数据。
串行执行方式，即没有使用并行计算和协同计算的技术，只是用一个执行函数对一个输入数据/>进行计算，得到一个输出数据/>；优点是简单易实现，缺点是效率低，性能差。
并行执行方式，即使用了并行计算的技术，将一个输入数据分解为/>个子数据/>，然后用/>个子算法/>分别对这些子数据进行计算，得到/>个子输出数据，最后将这些子输出数据合并为一个输出数据/>；优点是速度快，效率高，缺点是需要额外的硬件资源和数据同步机制。
协同执行方式，即使用了协同计算的技术，将一个输入数据分解为/>个协同数据/>，然后用/>个协同算法/>分别对这些协同数据进行计算，得到/>个协同输出数据，最后将这些协同输出数据融合为一个输出数据/>；优点是精度高，鲁棒性强，缺点是需要额外软件技术和数据共享机制。
本实施例中，使用并行计算和协同计算的技术，以提高算法的运行效率和性能；具体根据实际的目标和约束，选择不同的算法执行方式，以实现算法的高效和性能。一般来说，并行执行方式比串行执行方式快，协同执行方式比并行执行方式准。但是，并行执行方式和协同执行方式也需要更多的资源和技术支持，所以需要在速度、精度、成本等方面进行权衡和选择。
将算法的输出数据从算法的运行位置传输回边缘计算节点，例如从云端传输回边缘计算节点，或从边缘计算节点传输回云端，公式表示为：
式中，为第/>个算法的输出数据；/>为/>的运行位置；/>为第/>个算法所在的边缘计算节点；/>为从/>到/>的通信开销。
将前文加密的内容对应的解密部分添加到数据传输中，公式为：
式中，为第/>个算法的经过对称加密后的输出数据；/>为第/>个算法的输出数据/>使用对称解密函数得到的数据；/>为哈夫曼解码函数；/>为解码后的数据(输出数据)；/>为对称解密函数。
本实施例中，对于第个算法的输出数据/>，使用对称解密的函数/>对其进行解密，得到解密后的数据/>；对称解密是对称加密的逆过程，它使用同一个密钥/>对数据进行解密和加密，从而保证数据的机密性和完整性；使用哈夫曼解码的函数/>对/>进行解码，得到解码后的数据/>；哈夫曼解码是哈夫曼编码的逆过程，它根据哈夫曼树，将编码后的数据还原为原始的数据，从而实现无损的数据恢复。/>
结果更新的过程表示为：
式中，为第/>个算法所在的边缘计算节点；/>为第/>个算法的输出数据；为第/>个算法的结果更新函数。
结果更新的过程是为了根据新的数据或其他算法的结果，更新当前算法的结果，以提高结果的新鲜度和准确度，这个过程主要包括以下两个步骤：
获取新的数据或其他算法的结果，这个步骤是为了从数据源或其他边缘计算节点获取最新的数据或其他算法的结果，以便用于更新当前算法的结果。这些数据或结果可能会影响当前算法的输出，例如，新的负荷数据可能会影响负荷预测的结果，或者新的调度优化结果可能会影响数据分析和处理的结果。
应用更新函数，这个步骤是为了使用一个更新函数，对当前算法的结果进行更新，以反映新的数据或其他算法的结果的影响。更新函数的具体形式和逻辑取决于当前算法的类型和目标，例如，更新函数可能是加权平均函数、最值函数、滤波函数，修正函数等。
例如，假设第个算法是一个负荷预测算法，它的输出数据是未来一小时的负荷预测值，它的结果更新函数是一个加权平均函数，它根据新的负荷数据和其他算法的负荷预测结果，对当前算法的负荷预测值进行加权平均，以提高预测的准确性，结果更新的过程表示为：
式中，表示第/>个算法的负荷预测值；/>为其他算法的负荷预测值；为新数据源的负荷数据；/>、/>、/>为不同数据的权重系数，满足/>。
本实施例中，为第/>个算法，可以是任何能够对能源数据进行分析和处理的算法，例如负荷预测算法、故障检测算法、保护控制算法、历史数据分析算法、负荷特性挖掘算法等；这些算法可以根据不同的任务需求和场景，选择合适的运行位置、优先级、频率和有效期，以实现能源的高效管理，具体内容为：
为负荷预测算法，功能为预测未来的能源需求和供应情况，算法输入能源数据、时间数据、环境数据等，算法输出预测结果、预测误差等；/>为故障检测算法，功能为检测能源系统中的异常和故障，算法输入检测结果、故障类型、故障位置等，算法输出检测结果、故障类型、故障位置等；/>为保护控制算法，功能为对能源系统中的异常和故障进行保护控制，算法输入检测结果、故障类型、故障位置等，算法输出控制指令、控制效果等；/>为历史数据分析算法，功能为分析能源系统的历史数据，挖掘能源的消费特征和规律，算法输入能源数据、时间数据、环境数据等，算法输出分析结果、特征参数、规律模型等；/>为负荷特性挖掘算法，功能为挖掘能源系统的负荷特性，识别能源的峰谷波动和影响因素，算法能源数据、时间数据、环境数据等，算法输出挖掘结果、负荷曲线、影响因素等。/>
步骤S3：根据边缘计算和云计算的协同结果，确定分布式能源的最优出力水平和运行模式，生成调度策略。
步骤S3具体包括：
能源调度策略优化模型表示为：
式中，为优化函数；/>为第/>个节点在时段/>的出力水平；/>为第/>个算法的输出数据；/>为分布式能源的节点数；/>为调度时段数；/>为第/>个节点在时段/>的开关状态；/>为第/>个节点在时段/>的成本函数，成本函数主要包括运行成本函数和碳排放成本函数，根据实际情况具体设定哪些成本影响能源调度；
根据边缘计算和云计算的协同结果进行计算，具体为：
式中，为第/>个节点的算法运行时间；/>为第/>个节点的算法运行能耗；/>为时段/>的电价；/>为第/>个节点的单位出力碳排放系数；/>为时段/>的碳税；为运行成本函数；/>为碳排放成本函数；
约束条件为：
式中，为时段/>的系统负荷需求；/>和/>分别为第/>个节点的最小出力限制和最大出力限制；/>为第/>个节点在时段/>的开关状态，0表示关闭，1表示开启；和/>分别为第/>个节点的上调节能力和下调节能力；为第/>个节点在时段/>的出力变化量。
本实施例中，首先优化模型的目标是最小化分布式能源的总成本，包括运行成本和碳排放成本；运行成本是指分布式能源的运行费用，如燃料费、维护费、电价等。碳排放成本是指分布式能源的碳排放量对环境造成的损害，都与分布式能源的出力水平有关，因此需要优化每个节点在每个时段的出力水平，使得总成本最小。
其次优化模型的约束条件是保证能源的供需平衡和运行安全；能源的供需平衡是指分布式能源的总出力要等于系统的总负荷需求，运行安全是指分布式能源的出力水平要在其最小和最大出力限制之间；另外，还要考虑分布式能源的开关状态，如果节点关闭，则出力水平为零，即/>，如果节点开启，则出力水平不能低于最小出力限制，即；还要考虑分布式能源的上下调节能力，即出力水平的变化量不能超过其上下调节限制。
最后优化模型的特点是考虑了边缘计算和云计算的协同结果，即运行成本函数和碳排放成本函数可以根据边缘计算和云计算的输出数据进行计算。边缘计算是指在靠近数据源的网络边缘侧进行数据处理和分析，而云计算是指在远程的数据中心进行数据处理和分析。两者可以相互协作，利用各自的优势，实现更高效和智能的能源调度。例如，边缘计算可以实现实时的数据采集和处理，根据本地的能源需求和供给，确定最优的出力水平和运行模式。同时，边缘计算的结果也会上传到云端，进行汇总和分析，以及算法的训练和更新。云端的算法可以根据全局的能源市场和环境因素，生成更优化的调度策略，并下发到边缘端，实现能源的供需平衡和峰谷削减。
步骤S4：根据能源的调度策略，生成相应的控制指令并执行相应的分布式能源的响应动作。
步骤S4具体包括：
根据能源的调度策略，生成相应的控制指令，如开关指令、出力指令、频率指令、电压指令等，通过物联网网络，向分布式能源的各个节点发送控制指令，物联网网络的控制指令用公式表示为：
式中，为第/>个节点在时段/>的控制指令；/>是一个映射函数，将出力水平和开关状态转化为控制指令，控制指令可以根据物联网网络的通信方式和分布式能源的类型进行选择，具体为：
式中，为第/>个节点在时段/>的控制指令，表示控制输入的大小和方向；为第/>个节点在时段/>的出力水平，表示节点的发电功率或负荷需求；/>为第/>个节点的频率指令，表示节点对系统频率的影响或补偿；/>为第/>个节点的电压指令，表示节点对系统电压的影响或补偿；DGs为分布式发电机，是一种分布式能源的设备，利用可再生能源或清洁能源在用户端发电，提高能源利用效率和环境友好性；switchable DGs为可开关的分布式发电机，根据需要开启或关闭，实现能源的灵活调度和节能降耗；controllableDGs为可控制的分布式发电机，根据需要调整出力水平，实现能源的供需平衡和峰谷削减；frequency regulation DGs为频率调节的分布式发电机，根据需要调整频率调节值，实现系统频率的稳定和优化；voltage regulation DGs为电压调节的分布式发电机，根据需要调整电压调节值，实现系统电压的稳定和优化。
根据物联网网络的控制指令，分布式能源的各个节点执行相应的响应动作，如开关、启停、调节、保护等，实现能源的稳定运行，分布式能源的响应动作用公式表示为：
式中，为第/>个节点在时段/>的响应动作；/>为反馈函数，将控制指令转化为响应动作，根据分布式能源的类型和特性进行选择，具体为：
式中，为调整的出力水平；/>和/>分别为可控制的分布式发电机的最小和最大出力水平；/>为调整的频率值；/>和/>分别为频率调节的分布式发电机的最小和最大频率值；/>为调整的电压值；/>和/>分别为电压调节的分布式发电机的最小和最大电压值。
本实施例中，物联网网络根据能源的调度策略，生成相应的控制指令，如开关指令、出力指令、频率指令、电压指令等；这些控制指令是根据分布式能源的出力水平和开关状态，通过映射函数得到的。例如，如果一个分布式发电机是可开关的，那么它的控制指令就是ON或OFF，表示是否开启或关闭；如果一个分布式发电机是可控制的，那么它的控制指令就是一个出力水平，表示要输出多少功率；如果一个分布式发电机是频率调节的，那么它的控制指令就是一个频率指令，表示要输出多少频率；如果一个分布式发电机是电压调节的，那么它的控制指令就是一个电压指令，表示要输出多少电压。
分布式能源的各个节点根据物联网网络的控制指令，执行相应的响应动作，如开关、启停、调节等；这些响应动作是根据控制指令，通过一个反馈函数g得到的。例如，如果一个分布式发电机是可开关的，那么它的响应动作就是根据控制指令是ON还是OFF，决定是否输出功率；如果一个分布式发电机是可控制的，那么它的响应动作就是根据控制指令的出力水平，调整自己的输出功率；如果一个分布式发电机是频率调节的，那么它的响应动作就是根据控制指令的频率指令，调整自己的输出频率；如果一个分布式发电机是电压调节的，那么它的响应动作就是根据控制指令的电压指令，调整自己的输出电压。
实施例2
如图2所示，本发明公开基于物联网的分布式能源管理系统，系统包括：
数据采集传输模块10，用于采集分布式能源节点数据，进行数据传输，形成物联网网络。
物联网数据分析模块20，用于利用边缘计算和云计算，对物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果。
调度策略确定模块30，用于根据协同分析结果，确定分布式能源的最优出力水平和运行模式，制定调度策略。
控制指令及响应动作生成模块40，用于根据调度策略，生成控制指令并执行对应的响应动作。
作为一种可选地实施方式，本发明数据采集传输模块10，具体包括：
式中，为第/>个节点；/>为/>的实时功率；/>为/>的实时电压；/>为/>的实时电流；/>为/>的实时温度；/>为/>的实时湿度；/>为/>采集到的原始数据。
式中，为/>连接的边缘计算节点，/>为/>与/>之间的通信开销；/>为/>对数据进行的预处理函数/>；/>为预处理后的数据。
式中，为/>对数据进行的目的地选择函数/>；/>为选择数据的目的地集合。
式中，为预处理后的数据；/>为/>将数据发送到/>中的第/>个目的地的传输速率；/>为选择数据的第/>个目的地。
作为一种可选地实施方式，本发明物联网数据分析模块20，具体包括：
构建多目标优化模型：
式中，为第/>个算法；/>为/>的运行位置；/>为/>的运行优先级；/>为/>的运行频率；/>为/>的运行结果的有效期；/>为第/>个算法的成本，
使用函数考虑成本因素；/>为第/>个算法的能耗，使用/>函数考虑能耗因素；/>为第/>个算法的可靠性，使用/>函数考虑可靠性因素；/>为第/>个算法的安全性，使用/>函数考虑安全性因素；/>为第/>个算法的碳排放，使用/>函数考虑碳排放因素。
将输入数据从边缘计算节点传输到算法的运行位置，表示为：
式中，为/>的输入数据；/>为第/>个算法的输入数据经过哈夫曼编码后的数据；/>为哈夫曼编码的函数；/>为/>经过对称加密后的数据；/>为对称加密函数；/>为密钥；/>为第/>个算法所在的边缘计算节点；/>为从/>到/>的通信开销。
算法执行的过程包括串行执行方式、并行执行方式和协同执行方式；
所述串行执行方式表示为：
式中，为第/>个算法的输出数据。
所述并行执行方式表示为：
式中，为第/>个算法的第/>个子算法；/>为第/>个算法的第/>个子数据；为第/>个算法的并行度；/>表示并行计算的操作符。
所述协同执行方式表示为：
式中，为第/>个算法的第/>个协同算法；/>为第/>个算法的第/>个协同数据；/>为第/>个算法的协同度；⊕表示协同计算的操作符。
将算法的输出数据从算法的运行位置传输回边缘计算节点，表示为：
式中，为第/>个算法的经过对称加密后的输出数据；/>为第/>个算法的输出数据/>使用对称解密函数得到的数据；/>为哈夫曼解码函数；/>为对称解密函数；/>为第/>个算法的输出数据；/>为从/>到/>的通信开销。
结果更新的过程表示为：
式中，为第/>个算法的结果更新函数。
作为一种可选地实施方式，本发明调度策略确定模块30，具体包括：
能源调度策略优化模型表示为：
式中，为优化函数；/>为第/>个节点在时段/>的出力水平；/>为第/>个算法的输出数据；/>为分布式能源的节点数；/>为调度时段数；/>为第/>个节点在时段/>的开关状态；/>为成本函数。
所述成本函数计算公式为：
式中，为第/>个节点的算法运行时间；/>为第/>个节点的算法运行能耗；/>为时段/>的电价；/>为第/>个节点的单位出力碳排放系数；/>为时段/>的碳税；为运行成本函数；/>为碳排放成本函数。
约束条件为：
式中，为时段/>的系统负荷需求；/>和/>分别为第/>个节点的最小出力限制和最大出力限制；/>为第/>个节点在时段/>的开关状态，0表示关闭，1表示开启；和/>分别为第/>个节点的上调节能力和下调节能力；为第/>个节点在时段/>的出力变化量。
作为一种可选地实施方式，本发明控制指令及响应动作生成模块40，具体包括：
物联网网络的控制指令表示为：
式中，为第/>个节点在时段/>的控制指令；/>为映射函数，将出力水平和开关状态转化为控制指令。
所述控制指令表示为：
式中，为第/>个节点在时段/>的控制指令；/>为第/>个节点在时段/>的出力水平；/>为第/>个节点的频率指令；/>为第/>个节点的电压指令；DGs为分布式发电机。
根据物联网网络的控制指令，分布式能源的各个节点执行相应的响应动作，分布式能源的响应动作用公式表示为：
式中，为第/>个节点在时段/>的响应动作；/>为反馈函数，将控制指令转化为响应动作。
所述响应动作表示为：
式中，为调整的出力水平；/>和/>分别为可控制的分布式发电机的最小和最大出力水平；/>为调整的频率值；/>和/>分别为频率调节的分布式发电机的最小和最大频率值；/>为调整的电压值；/>和/>分别为电压调节的分布式发电机的最小和最大电压值。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于物联网的分布式能源管理方法，其特征在于，所述方法包括：
步骤S1：采集分布式能源节点数据，进行数据传输，形成物联网网络；
步骤S2：利用边缘计算和云计算，对所述物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果；
步骤S3：根据所述协同分析结果，确定分布式能源的最优出力水平和运行模式，制定调度策略；
步骤S4：根据所述调度策略，生成控制指令并执行对应的响应动作。
2.根据权利要求1所述的基于物联网的分布式能源管理方法，其特征在于，所述采集分布式能源节点数据，进行数据传输，形成物联网网络，具体包括：
数据采集和传输过程表示为：
；
式中，为第/>个节点；/>为/>的实时功率；/>为/>的实时电压；/>为/>的实时电流；/>为/>的实时温度；/>为/>的实时湿度；/>为/>采集到的原始数据；
；
；
式中，为/>连接的边缘计算节点，/>为/>与/>之间的通信开销；/>为/>对数据进行的预处理函数/>；/>为预处理后的数据；
；
式中，为/>对数据进行的目的地选择函数/>；/>为选择数据的目的地集合；
；
式中，为预处理后的数据；/>为/>将数据发送到/>中的第/>个目的地的传输速率；/>为选择数据的第/>个目的地。
3.根据权利要求1所述的基于物联网的分布式能源管理方法，其特征在于，所述利用边缘计算和云计算，对所述物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果，具体包括：
构建多目标优化模型：
；
式中，为第/>个算法；/>为/>的运行位置；/>为/>的运行优先级；/>为/>的运行频率；/>为/>的运行结果的有效期；/>为第/>个算法的成本，使用/>函数考虑成本因素；/>为第/>个算法的能耗，使用/>函数考虑能耗因素；/>为第/>个算法的可靠性，使用/>函数考虑可靠性因素；/>为第/>个算法的安全性，使用/>函数考虑安全性因素；/>为第/>个算法的碳排放，使用/>函数考虑碳排放因素；
将输入数据从边缘计算节点传输到算法的运行位置，表示为：
；
；
；
式中，为/>的输入数据；/>为第/>个算法的输入数据经过哈夫曼编码后的数据；为哈夫曼编码的函数；/>为/>经过对称加密后的数据；/>为对称加密函数；/>为密钥；/>为第/>个算法所在的边缘计算节点；/>为从/>到/>的通信开销；
算法执行的过程包括串行执行方式、并行执行方式和协同执行方式；
所述串行执行方式表示为：
；
式中，为第/>个算法的输出数据；
所述并行执行方式表示为：
；
式中，为第/>个算法的第/>个子算法；/>为第/>个算法的第/>个子数据；/>为第/>个算法的并行度；/>表示并行计算的操作符；
所述协同执行方式表示为：
；
式中，为第/>个算法的第/>个协同算法；/>为第/>个算法的第/>个协同数据；为第/>个算法的协同度；⊕表示协同计算的操作符；
将算法的输出数据从算法的运行位置传输回边缘计算节点，表示为：
；
；
；
；
式中，为第/>个算法的经过对称加密后的输出数据；/>为第/>个算法的输出数据使用对称解密函数得到的数据；/>为哈夫曼解码函数；/>为对称解密函数；/>为第个算法的输出数据；/>为从/>到/>的通信开销；
结果更新的过程表示为：
；
式中，为第/>个算法的结果更新函数。
4.根据权利要求1所述的基于物联网的分布式能源管理方法，其特征在于，所述根据所述协同分析结果，确定分布式能源的最优出力水平和运行模式，制定调度策略，具体包括：
能源调度策略优化模型表示为：
；
式中，为优化函数；/>为第/>个节点在时段/>的出力水平；/>为第/>个算法的输出数据；/>为分布式能源的节点数；/>为调度时段数；/>为第/>个节点在时段/>的开关状态；/>为成本函数；
所述成本函数计算公式为：
；
式中，为第/>个节点的算法运行时间；/>为第/>个节点的算法运行能耗；/>为时段/>的电价；/>为第/>个节点的单位出力碳排放系数；/>为时段/>的碳税；/>为运行成本函数；/>碳排放成本函数；
约束条件为：
；
；
；
式中，为时段/>的系统负荷需求；/>和/>分别为第/>个节点的最小出力限制和最大出力限制；/>为第/>个节点在时段/>的开关状态，0表示关闭，1表示开启；/>和/>分别为第/>个节点的上调节能力和下调节能力；/>为第/>个节点在时段/>的出力变化量。
5.根据权利要求1所述的基于物联网的分布式能源管理方法，其特征在于，所述根据所述调度策略，生成控制指令并执行对应的响应动作，具体包括：
物联网网络的控制指令表示为：
；
式中，为第/>个节点在时段/>的控制指令；/>为映射函数，将出力水平和开关状态转化为控制指令；
所述控制指令表示为：
；
式中，为第/>个节点在时段/>的控制指令；/>为第/>个节点在时段/>的出力水平；/>为第/>个节点的频率指令；/>为第/>个节点的电压指令；DGs为分布式发电机；
根据物联网网络的控制指令，分布式能源的各个节点执行相应的响应动作，分布式能源的响应动作用公式表示为：
；
式中，为第/>个节点在时段/>的响应动作；/>为反馈函数，将控制指令转化为响应动作；
所述响应动作表示为：
；
式中，为调整的出力水平；/>和/>分别为可控制的分布式发电机的最小和最大出力水平；/>为调整的频率值；/>和/>分别为频率调节的分布式发电机的最小和最大频率值；/>为调整的电压值；/>和/>分别为电压调节的分布式发电机的最小和最大电压值。
6.基于物联网的分布式能源管理系统，其特征在于，所述系统包括：
数据采集传输模块，用于采集分布式能源节点数据，进行数据传输，形成物联网网络；
物联网数据分析模块，用于利用边缘计算和云计算，对所述物联网网络的数据进行分析和处理，建立能源管理模型，得到协同分析结果；
调度策略确定模块，用于根据所述协同分析结果，确定分布式能源的最优出力水平和运行模式，制定调度策略；
控制指令及响应动作生成模块，用于根据所述调度策略，生成控制指令并执行对应的响应动作。
7.根据权利要求6所述的基于物联网的分布式能源管理系统，其特征在于，所述数据采集传输模块，具体包括：
；
式中，为第/>个节点；/>为/>的实时功率；/>为/>的实时电压；/>为/>的实时电流；/>为/>的实时温度；/>为/>的实时湿度；/>为/>采集到的原始数据；
；
；
式中，为/>连接的边缘计算节点，/>为/>与/>之间的通信开销；/>为/>对数据进行的预处理函数/>；/>为预处理后的数据；
；
式中，为/>对数据进行的目的地选择函数/>；/>为选择数据的目的地集合；
；
式中，为预处理后的数据；/>为/>将数据发送到/>中的第/>个目的地的传输速率；/>为选择数据的第/>个目的地。
8.根据权利要求6所述的基于物联网的分布式能源管理系统，其特征在于，所述物联网数据分析模块，具体包括：
构建多目标优化模型：
；
式中，为第/>个算法；/>为/>的运行位置；/>为/>的运行优先级；/>为/>的运行频率；/>为/>的运行结果的有效期；/>为第/>个算法的成本，使用/>函数考虑成本因素；/>为第/>个算法的能耗，使用/>函数考虑能耗因素；/>为第/>个算法的可靠性，使用/>函数考虑可靠性因素；/>为第/>个算法的安全性，使用/>函数考虑安全性因素；/>为第/>个算法的碳排放，使用/>函数考虑碳排放因素；
将输入数据从边缘计算节点传输到算法的运行位置，表示为：
；
；
；
式中，为/>的输入数据；/>为第/>个算法的输入数据经过哈夫曼编码后的数据；为哈夫曼编码的函数；/>为/>经过对称加密后的数据；/>为对称加密函数；/>为密钥；/>为第/>个算法所在的边缘计算节点；/>为从/>到/>的通信开销；
算法执行的过程包括串行执行方式、并行执行方式和协同执行方式；
所述串行执行方式表示为：
；
式中，为第/>个算法的输出数据；
所述并行执行方式表示为：
；
式中，为第/>个算法的第/>个子算法；/>为第/>个算法的第/>个子数据；/>为第/>个算法的并行度；/>表示并行计算的操作符；
所述协同执行方式表示为：
；
式中，为第/>个算法的第/>个协同算法；/>为第/>个算法的第/>个协同数据；/>为第/>个算法的协同度；⊕表示协同计算的操作符；
将算法的输出数据从算法的运行位置传输回边缘计算节点，表示为：
；
；
；
；
式中，为第/>个算法的经过对称加密后的输出数据；/>为第/>个算法的输出数据使用对称解密函数得到的数据；/>为哈夫曼解码函数；/>为对称解密函数；/>为第/>个算法的输出数据；/>为从/>到/>的通信开销；
结果更新的过程表示为：
；
式中，为第/>个算法的结果更新函数。
9.根据权利要求6所述的基于物联网的分布式能源管理系统，其特征在于，所述调度策略确定模块，具体包括：
能源调度策略优化模型表示为：
；
式中，为优化函数；/>为第/>个节点在时段/>的出力水平；/>为第/>个算法的输出数据；/>为分布式能源的节点数；/>为调度时段数；/>为第/>个节点在时段/>的开关状态；/>为成本函数；
所述成本函数计算公式为：
；
式中，为第/>个节点的算法运行时间；/>为第/>个节点的算法运行能耗；/>为时段/>的电价；/>为第/>个节点的单位出力碳排放系数；/>为时段/>的碳税；/>为运行成本函数；/>碳排放成本函数；
约束条件为：
；
；
；
式中，为时段/>的系统负荷需求；/>和/>分别为第/>个节点的最小出力限制和最大出力限制；/>为第/>个节点在时段/>的开关状态，0表示关闭，1表示开启；/>和/>分别为第/>个节点的上调节能力和下调节能力；/>为第/>个节点在时段/>的出力变化量。
10.根据权利要求6所述的基于物联网的分布式能源管理系统，其特征在于，所述控制指令及响应动作生成模块，具体包括：
物联网网络的控制指令表示为：
；
式中，为第/>个节点在时段/>的控制指令；/>为映射函数，将出力水平和开关状态转化为控制指令；
所述控制指令表示为：
；
式中，为第/>个节点在时段/>的控制指令；/>为第/>个节点在时段/>的出力水平；/>为第/>个节点的频率指令；/>为第/>个节点的电压指令；DGs为分布式发电机；
根据物联网网络的控制指令，分布式能源的各个节点执行相应的响应动作，分布式能源的响应动作用公式表示为：
；
式中，为第/>个节点在时段/>的响应动作；/>为反馈函数，将控制指令转化为响应动作；
所述响应动作表示为：
；
式中，为调整的出力水平；/>和/>分别为可控制的分布式发电机的最小和最大出力水平；/>为调整的频率值；/>和/>分别为频率调节的分布式发电机的最小和最大频率值；/>为调整的电压值；/>和/>分别为电压调节的分布式发电机的最小和最大电压值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124730.6A CN117674139B (zh) | 2024-01-30 | 2024-01-30 | 基于物联网的分布式能源管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410124730.6A CN117674139B (zh) | 2024-01-30 | 2024-01-30 | 基于物联网的分布式能源管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117674139A true CN117674139A (zh) | 2024-03-08 |
| CN117674139B CN117674139B (zh) | 2024-04-09 |
Family
ID=90079207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410124730.6A Active CN117674139B (zh) | 2024-01-30 | 2024-01-30 | 基于物联网的分布式能源管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117674139B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118017564A (zh) * | 2024-04-09 | 2024-05-10 | 深圳触觉智能科技有限公司 | 一种基于开源鸿蒙系统的储能方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529276A (zh) * | 2020-12-01 | 2021-03-19 | 国网湖北省电力有限公司电力科学研究院 | 一种互联微电网分层分布式优化调度方法 |
| CN113836796A (zh) * | 2021-09-08 | 2021-12-24 | 清华大学 | 一种基于云边协同的配电物联网数据监测系统及调度方法 |
| 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 |
| CN117134380A (zh) * | 2023-07-31 | 2023-11-28 | 山东浪潮数据库技术有限公司 | 一种基于云边协同分布式储能分层级优化运行方法及系统 |
| CN117408470A (zh) * | 2023-10-27 | 2024-01-16 | 国网江苏综合能源服务有限公司 | 一种基于边缘自治的综合能源监控运行的协同优化方法 |
-
2024
- 2024-01-30 CN CN202410124730.6A patent/CN117674139B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529276A (zh) * | 2020-12-01 | 2021-03-19 | 国网湖北省电力有限公司电力科学研究院 | 一种互联微电网分层分布式优化调度方法 |
| CN113836796A (zh) * | 2021-09-08 | 2021-12-24 | 清华大学 | 一种基于云边协同的配电物联网数据监测系统及调度方法 |
| 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 |
| CN117134380A (zh) * | 2023-07-31 | 2023-11-28 | 山东浪潮数据库技术有限公司 | 一种基于云边协同分布式储能分层级优化运行方法及系统 |
| CN117408470A (zh) * | 2023-10-27 | 2024-01-16 | 国网江苏综合能源服务有限公司 | 一种基于边缘自治的综合能源监控运行的协同优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭跃辉;韩建沛;刘念;: "考虑需求响应和边缘计算的配电网分布式优化调度", 华北电力大学学报(自然科学版), no. 04, 27 July 2020 (2020-07-27) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118017564A (zh) * | 2024-04-09 | 2024-05-10 | 深圳触觉智能科技有限公司 | 一种基于开源鸿蒙系统的储能方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117674139B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117674139B (zh) | 基于物联网的分布式能源管理方法及系统 | |
| Liu et al. | Distributed economic dispatch in microgrids based on cooperative reinforcement learning | |
| Halvgaard et al. | Distributed model predictive control for smart energy systems | |
| Purushothama et al. | Simulated annealing with local search-a hybrid algorithm for unit commitment | |
| Lu et al. | Online energy generation scheduling for microgrids with intermittent energy sources and co-generation | |
| Xu et al. | Hierarchical coordination of heterogeneous flexible loads | |
| JP5802463B2 (ja) | 電気量調整装置、電気量調整方法、電気量調整プログラム及び電力供給システム | |
| US9915965B2 (en) | Flexible, secure energy management system | |
| Zhu et al. | A review of distributed energy system optimization for building decarbonization | |
| Guo et al. | Optimisation methods for dispatch and control of energy storage with renewable integration | |
| CN103489041A (zh) | 一种短期风电功率预测方法 | |
| Chen et al. | Green parallel online offloading for DSCI-type tasks in IoT-edge systems | |
| Wakaiki et al. | A control-theoretic approach for cell zooming of energy harvesting small cell networks | |
| Liu et al. | Proactive resilient day-ahead unit commitment with cloud computing data centers | |
| Abbasi et al. | Online server and workload management for joint optimization of electricity cost and carbon footprint across data centers | |
| Nesmachnow et al. | Controlling datacenter power consumption while maintaining temperature and QoS levels | |
| Srikantha et al. | A game theoretic approach to real-time robust distributed generation dispatch | |
| Millar et al. | Constrained coordinated distributed control of smart grid with asynchronous information exchange | |
| Li et al. | Snowball: Energy efficient and accurate federated learning with coarse-to-fine compression over heterogeneous wireless edge devices | |
| CN117239754A (zh) | 一种考虑碳排放的风-光-火多电源协调运行方法及系统 | |
| CN116843152A (zh) | 面向电力-数据服务的互联网数据中心双层规划方法 | |
| Ding et al. | DRL‐based frequency response of wind turbine generators adapting their variable regulation capabilities | |
| Hussain et al. | Fog assisted cloud models for smart grid architectures-comparison study and optimal deployment | |
| Luo et al. | Cpu frequency scaling optimization in sustainable edge computing | |
| JP7434065B2 (ja) | 機械学習モデルを構築する装置、方法及びそのためのプログラム |
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 |