CN117713159A - 一种配电网负荷稳定控制方法、系统、设备和介质 - Google Patents
一种配电网负荷稳定控制方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN117713159A CN117713159A CN202311816343.0A CN202311816343A CN117713159A CN 117713159 A CN117713159 A CN 117713159A CN 202311816343 A CN202311816343 A CN 202311816343A CN 117713159 A CN117713159 A CN 117713159A
- Authority
- CN
- China
- Prior art keywords
- data
- energy storage
- distribution network
- power distribution
- load
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004146 energy storage Methods 0.000 claims abstract description 170
- 238000010248 power generation Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 230000006641 stabilisation Effects 0.000 claims abstract description 34
- 238000011105 stabilization Methods 0.000 claims abstract description 34
- 230000008859 change Effects 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 230000001105 regulatory effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 description 8
- 230000033228 biological regulation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网负荷稳定控制方法、系统、设备和介质,本发明包括响应接收到的配电网负荷稳定控制请求,获取配电网负荷稳定控制请求对应的配电网的历史数据和实时数据;将历史数据和实时数据输入预设的目标预测模型进行预测,生成预测结果;基于预测结果和储能系统的电能储存状态,确定储能系统所需释放的电能量;基于储能系统所需释放的电能量,确定光伏发电系统的输出功率。解决了现有的AGC逆变器调节装置难以及时作出判断,导致整体调节时间较长,造成调节效果较差的技术问题。本发明通过实时监测电网负荷和储能系统状态,能够更加准确地确定需要释放的电能量。
Description
技术领域
本发明涉及配电网负荷稳定控制技术领域,尤其涉及一种配电网负荷稳定控制方法、系统、设备和介质。
背景技术
随着社会经济和发展水平的不断提高,城市化进程明显加快,社会对电力需求不断增加,电力负荷逐年增加,因此对配电网建设和电力供应也提出了更高的要求。安全可靠、经济高效、技术先进,环境友好的智能配电网既是电力系统健康发展的重要支撑,也是社会经济稳定繁荣的根本保证。但由于光伏发电存在输出功率波动大等特点,直接接入电网,会对电网的稳定性产生不利影响。为了解决这个问题,人们广泛采用了在发电系统中增加储能系统以平滑功率输出曲线的方案。
然而,现有的蓄电池蓄能发电系统通常是通过AGC逆变器调节装置进行自动调节,并在合格范围内波动,但采用上述的方法在线路负荷低谷期间和负荷高峰期间,变电站出线电压普遍存在波动,而AGC逆变器调节装置难以及时作出判断,导致整体调节时间较长,造成调节效果较差。
发明内容
本发明提供了一种配电网负荷稳定控制方法、系统、设备和介质,解决了现有的AGC逆变器调节装置难以及时作出判断,导致整体调节时间较长,造成调节效果较差的技术问题。
本发明第一方面提供的一种配电网负荷稳定控制方法,涉及储能系统和光伏发电系统;所述储能系统和所述光伏发电系统连接,所述方法包括:
响应接收到的配电网负荷稳定控制请求,获取所述配电网负荷稳定控制请求对应的配电网的历史数据和实时数据;
将所述历史数据和所述实时数据输入预设的目标预测模型进行预测,生成预测结果;
基于所述预测结果和所述储能系统的电能储存状态,确定所述储能系统所需释放的电能量;
基于所述储能系统所需释放的电能量,确定所述光伏发电系统的输出功率。
可选地,还包括:
从所述配电网中采集所述配电网的负荷数据和所述负荷数据对应的环境数据;
对所述负荷数据和所述环境数据进行数据清洗,生成历史数据;
通过采集模块实时监测所述配电网的当前负荷数据和所述当前负荷数据对应的当前环境数据,生成实时数据。
可选地,所述将所述历史数据和所述实时数据输入预设的目标预测模型进行预测,生成预测结果的步骤,包括:
采用所述历史数据对应的负荷数据和所述负荷数据对应的环境数据输入预设的初始预测模型,生成多个初始预测结果;
基于多元优化算法和多个所述初始预测结果,调整所述初始预测模型的初始模型参数,生成更新预测模型;
基于模糊逻辑控制算法,采用所述实时数据对应的当前负荷数据和所述当前负荷数据对应的当前环境数据,建立模糊规则库;
采用所述模糊规则库中对应的当前负荷数据和所述当前负荷数据对应的当前环境数据输入所述更新预测模型进行训练,生成目标预测模型;
将所述历史数据和所述实时数据输入所述目标预测模型进行预测,生成预测结果。
可选地,所述基于所述预测结果和所述储能系统的电能储存状态,确定所述储能系统所需释放的电能量的步骤,包括:
基于所述预测结果对应的预测数据,确定所述配电网的预测负荷变化数据;
基于所述配电网的预测负荷变化数据、所述储能系统的电能储存状态、系统特性和电能释放速度限制,确定所述储能系统在每个预设时间段中所需释放的电能量。
可选地,所述基于所述配电网的预测负荷变化数据、所述储能系统的电能储存状态、系统特性和电能释放速度限制,确定所述储能系统在每个预设时间段中所需释放的电能量的步骤,包括:
基于所述储能系统的电能储存状态和功率特性,确定所述储能系统在每个预设时间段对应的最大功率输出;
基于所述储能系统的控制参数、在每个预设时间段对应的最大功率输出和所述配电网的预测负荷变化数据,调整所述储能系统在每个预设时间段中的电能释放速率和电能释放频率;
基于所述实时数据的当前负荷数据,监测所述配电网的预测负荷变化数据,确定所述储能系统的目标调整电能释放策略;
按照所述目标调整电能释放策略实时调整所述储能系统在每个预设时间段中所需释放的电能量。
可选地,所述基于所述实时数据的当前负荷数据,监测所述配电网的预测负荷变化数据,确定所述储能系统的目标调整电能释放策略的步骤,包括:
基于所述配电网的预测负荷变化数据,确定所述储能系统的第一调整电能释放策略;
基于所述实时数据的当前负荷数据对应的电价,确定所述储能系统的第二调整电能释放策略;
基于所述实时数据的当前负荷数据,监测所述配电网的预测负荷变化数据,并按照当前负荷数据对所述预设负荷变化数据进行调整,生成更新预测负荷变化数据;
基于所述更新预测负荷变化数据,确定所述储能系统的第三调整电能释放策略;
采用所述第一调整电能释放策略、所述第二调整电能释放策略和所述第三调整电能释放策略,生成所述储能系统的目标调整电能释放策略。
本发明第二方面提供的一种配电网负荷稳定控制系统,涉及储能系统和光伏发电系统;所述储能系统和所述光伏发电系统连接,所述配电网负荷稳定控制系统包括:
获取模块,用于响应接收到的配电网负荷稳定控制请求,获取所述配电网负荷稳定控制请求对应的配电网的历史数据和实时数据;
预测模块,用于将所述历史数据和所述实时数据输入预设的目标预测模型进行预测,生成预测结果;
释放模块,用于基于所述预测结果和所述储能系统的电能储存状态,确定所述储能系统所需释放的电能量;
输出功率模块,用于基于所述储能系统所需释放的电能量,确定所述光伏发电系统的输出功率。
可选地,还包括:
采集子模块,用于从所述配电网中采集所述配电网的负荷数据和所述负荷数据对应的环境数据;
历史数据子模块,用于对所述负荷数据和所述环境数据进行数据清洗,生成历史数据;
实时数据子模块,用于通过采集模块实时监测所述配电网的当前负荷数据和所述当前负荷数据对应的当前环境数据,生成实时数据。
本发明第三方面提供的一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述任一项所述的配电网负荷稳定控制方法的步骤。
本发明第四方面提供的一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如上述任一项所述的配电网负荷稳定控制方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过实时监测电网负荷和储能系统状态,能够更加准确地确定需要释放的电能量。按照储能系统的控制参数,如目标功率值和电池电压限制,可以实现对电能释放速率和频率的灵活调整,以满足实际需求。通过预测电网负荷和基于电价的策略,能够提前规划和调整电能释放策略,以优化储能系统的运行效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种配电网负荷稳定控制方法的步骤流程图;
图2为本发明实施例二提供的一种配电网负荷稳定控制方法的步骤流程图;
图3为本发明实施例三提供的一种配电网负荷稳定控制系统的结构框图。
具体实施方式
本发明实施例提供了一种配电网负荷稳定控制方法、系统、设备和介质,用于解决现有的AGC逆变器调节装置难以及时作出判断,导致整体调节时间较长,造成调节效果较差的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
请参阅图1,图1为本发明实施例一提供的一种配电网负荷稳定控制方法的步骤流程图。
本发明提供的一种配电网负荷稳定控制方法,涉及储能系统和光伏发电系统;储能系统和光伏发电系统连接,方法包括以下步骤:
步骤101、响应接收到的配电网负荷稳定控制请求,获取配电网负荷稳定控制请求对应的配电网的历史数据和实时数据。
需要说明的是,历史数据是通过获取配电网的历史电压、历史电流、历史负荷和历史天气环境等数据。
实时数据是通过实时采集配电网的当前电压、当前电流、当前负荷和当前天气环境等数据。
配电网负荷稳定控制请求指的是对配电网的历史负荷和当前负荷进行预测,从而提前预测未来的配电网负荷变化情况,进而对光伏发电系统进行调整,以平衡配电网的负荷变化。
在具体实施时,当响应接收到配电网负荷稳定控制请求时,获取配电网负荷稳定控制请求对应的配电网的历史电压、历史电流、历史负荷和历史天气环境等数据和当前电压、当前电流、当前负荷和当前天气环境等数据。
步骤102、将历史数据和实时数据输入预设的目标预测模型进行预测,生成预测结果。
需要说明的是,预测结果指的是对配电网的电网负荷进行预测的结果。
目标预测模型指的是通过将历史负荷和历史天气环境等数据输入机器学习网络进行训练,并配以当前负荷和当前天气环境等数据进行调整而得到的预测模型。
在具体实施时,将历史电压、历史电流、历史负荷和历史天气环境等数据输入机器学习网络进行训练,并通过当前负荷和当前天气环境等数据对训练好的预测模型进行调整,从而得到的目标预测模型。
将历史数据和实时数据输入目标预测模型进行预测,得到预测结果。
步骤103、基于预测结果和储能系统的电能储存状态,确定储能系统所需释放的电能量。
需要说明的是,从预测结果中得到的配电网的负荷变化数据。
在具体实施时,电能储存状态指的是储能系统的当前电能储存情况,按照预测的配电网的负荷变化数据,得到每个时间段中的储能系统所需释放的电能量。
步骤104、基于储能系统所需释放的电能量,确定光伏发电系统的输出功率。
需要说明的是,通过储能系统在每个时间段内释放的电能量和预测的配电网的负荷变化数据,可以通过控制光伏发电的功率输出,调节光伏发电电压。具体的调节方法可以根据实际情况采用开关控制、PWM调制等技术手段。
请参阅图2,图2为本发明实施例二提供的一种配电网负荷稳定控制方法的步骤流程图。
本发明提供的一种配电网负荷稳定控制方法,涉及储能系统和光伏发电系统;储能系统和光伏发电系统连接,方法包括以下步骤:
在步骤201之前,本方法还包括以下步骤S11-S13:
S11、从配电网中采集配电网的负荷数据和负荷数据对应的环境数据;
S12、对负荷数据和环境数据进行数据清洗,生成历史数据;
S13、通过采集模块实时监测配电网的当前负荷数据和当前负荷数据对应的当前环境数据,生成实时数据。
需要说明的是,从配电网中采集配电网的负荷数据和负荷数据对应的环境数据,其中,环境数据为外部天气预报或者是外部天气数据。
在具体实施时,从配电网中采集配电网的负荷数据和负荷数据对应的环境数据,并从负荷数据和环境数据中进行数据清洗,具体地,对负荷数据和环境数据进行去除异常值和噪声;将清洗后的数据进行归一化处理,以便各种负荷数据、环境数据可以进行有效比较;采用滚动平均或指数平滑等方法,对归一化后的数据进行平滑处理,平滑处理后的数据即为历史数据。
在具体实施时,通过采集模块采集配电网的线路上的电压、光伏发电电压、负荷和当前的天气数据,从而得到实时数据。
步骤201、响应接收到的配电网负荷稳定控制请求,获取配电网负荷稳定控制请求对应的配电网的历史数据和实时数据。
在本发明实施例中,步骤201的具体实施方式与步骤101的类似,在此不再赘述。
步骤202、将历史数据和实时数据输入预设的目标预测模型进行预测,生成预测结果。
可选地,步骤202包括以下步骤S21-S25:
S21、采用历史数据对应的负荷数据和负荷数据对应的环境数据输入预设的初始预测模型,生成多个初始预测结果;
S22、基于多元优化算法和多个初始预测结果,调整初始预测模型的初始模型参数,生成更新预测模型;
S23、基于模糊逻辑控制算法,采用实时数据对应的当前负荷数据和当前负荷数据对应的当前环境数据,建立模糊规则库;
S24、采用模糊规则库中对应的当前负荷数据和当前负荷数据对应的当前环境数据输入更新预测模型进行训练,生成目标预测模型;
S25、将历史数据和实时数据输入目标预测模型进行预测,生成预测结果。
需要说明的是,利用历史数据和相关的外部因素(如天气预报)建立一个预测模型来预测电网负荷的变化。根据预测结果,调整模型参数以适应未来负荷的波动。
在具体实施时,通过采用历史数据的负荷数据和负荷数据对应的环境数据输入预设的初始预测模型,从而得到多个预测结果。其中,初始预测模型为机器学习算法,利用大规模数据进行模型训练,使用机器学习算法来挖掘数据中的潜在关联和趋势,并采用实时数据混入数据流中实时进行模型预测和异常检测,快速发现并发送预警信息。
通过采用初始预测模型提取历史数据的负荷数据和负荷数据对应的环境数据的有效特征,从而构建相应的特征表示,即多个初始预测结果。
在具体实施时,引入了多元优化算法来考虑系统效率、稳定性和可靠性等指标,以找到最优的参数组合,这意味着在参数调整模块中,不再只寻求单个最优解,而是同时考虑到多个目标指标。
通过利用大量历史数据和实时数据,可以对电网负荷进行更加准确的预测。借助数据挖掘和机器学习技术,系统可以分析历史数据中的各种因素和变化趋势,并预测未来可能出现的负荷变化情况。同时,实时数据的监测可以进一步修正和更新这些预测结果,以更好地适应电网负荷的变化,具体地,按照模糊逻辑控制算法,采用实时数据对应的当前负荷数据和当前负荷数据对应的当前环境数据,建立模糊规则库,并采用模糊规则库中对应的当前负荷数据和当前负荷数据对应的当前环境数据输入更新预测模型进行训练,通过综合利用历史数据和实时数据,可以更精确地确定系统当前所需的最优参数组合。
例如,系统可以使用过去一段时间的历史数据来分析电网负荷的季节性变化、日内变化以及其他可能影响负荷的因素,例如天气状况等。然后,利用机器学习算法,系统可以将这些因素与实时数据进行比较,以进一步验证和调整预测结果。例如,如果预测出某一特定时段会出现较高的负荷需求,而实际实时数据显示负荷并未达到预期水平,系统将根据这一差异进行参数调整,以确保效率和可靠性的平衡。
在算法设计中,可以采用多目标优化算法来确定最优参数组合。这种算法考虑到多个指标,如系统效率、稳定性和可靠性,并尝试找到一个平衡点,使得不同指标之间的关系得到最大化的优化。例如,一个目标是提高系统效率,这可能意味着需要减少能源损失;另一个目标是提高系统的稳定性,这可能要求减少过载风险。通过运用多目标优化算法,可以在不同的目标之间进行权衡,以达到一个最优的参数组合。
综上,通过利用历史数据和实时数据来调整模型参数,可以更精确地预测电网负荷变化。引入多元优化算法,可以同时考虑到系统效率、稳定性和可靠性等性能指标,并通过找到最优的参数组合来满足多个目标。通过这样的方法,可以建立一个能够实时监测并精确适应电网负荷变化的目标预测模型。
步骤203、基于预测结果对应的预测数据,确定配电网的预测负荷变化数据。
需要说明的是,从预测结果的预测数据中得到未来的配电网负荷变化情况,即配电网的预测负荷变化数据。
步骤204、基于配电网的预测负荷变化数据、储能系统的电能储存状态、系统特性和电能释放速度限制,确定储能系统在每个预设时间段中所需释放的电能量。
可选地,步骤204包括以下步骤S31-S34:
S31、基于储能系统的电能储存状态和功率特性,确定储能系统在每个预设时间段对应的最大功率输出;
S32、基于储能系统的控制参数、在每个预设时间段对应的最大功率输出和配电网的预测负荷变化数据,调整储能系统在每个预设时间段中的电能释放速率和电能释放频率;
S33、基于实时数据的当前负荷数据,监测配电网的预测负荷变化数据,确定储能系统的目标调整电能释放策略;
S34、按照目标调整电能释放策略实时调整储能系统在每个预设时间段中所需释放的电能量。
需要说明的是,储能系统初始化为:设置储能系统的电能储存模块的初始状态为待机状态,设置电能储存模块的初始容量为0。
检测储能系统的能源供应情况:监测储能系统中的电量,如太阳能电池板、风力发电机等;如果能源供应充足,则进入下一步,如果能源供应不足,则继续监测。
检测储能系统的负载需求:监测负载需求,如家庭用电、工业设备等;如果负载需求较低,则进入下一步;如果负载需求较高,则继续监测。
储能系统的充电阶段:当能源供应充足且负载需求较低时,启动电能储存模块。电能储存模块通过充电方式将多余电能储存起来;在充电过程中,实时监测电能储存模块的容量。
检测储能系统的功率需求:监测负载需要的功率。如果负载需要功率高于电能储存模块的容量,则进入下一步。如果负载需要功率低于或等于电能储存模块的容量,则继续监测。
储能系统的释放阶段:当负载需要的功率高于电能储存模块的容量时,启动电能储存模块的释放功能。电能储存模块按照一定的策略,将存储的电能按需释放给负载,以满足其功率需求。在释放过程中,实时监测电能储存模块的容量。
在具体实施时,获取配电网的实时负荷数据和储能系统的电能储存状态。按照实时负荷数据和储能系统的状态,计算储能系统需要释放的电能量。按照储能系统的特性和电能释放速度限制,确定每个时间段需要释放的电能量。按照储能系统的控制参数,调整电能释放的速率和频率,以平衡电网负荷。监测电网负荷变化,按照实时数据反馈调整电能释放策略,实现动态调控。
具体地,计算所需释放的电能量是实时负荷数据和储能系统的电能储存状态来确定的。具体步骤如下:
1、监测电网负荷:通过实时监测电网负荷数据,获取电网负荷变化情况。
2、监测储能系统的电能储存状态:监测储能系统的电能状态,包括电池容量、充放电效率等。
3、确定需要释放的电能量:根据储能系统的特性和电能释放速度限制,确定每个时间段需要释放的电能量。根据储能系统的功率特性,可以得出储能系统每个时间段的最大功率输出,即P_discharge。
4、调整电能释放速率和频率:根据储能系统的控制参数,调整电能释放的速率和频率,以平衡电网负荷。控制参数包括目标功率值、电池电压限制等。通过调整电能释放速率,可以在不超过储能系统的最大功率输出的前提下,使电能释放策略更加灵活和精确。
5、监测电网负荷变化:通过实时数据反馈,持续监测电网负荷变化,并根据其调整电能释放策略。例如,当电网负荷瞬时增加时,可以增大电能释放速率,以满足电网需求;当电网负荷下降时,可以减小电能释放速率,以保持平衡。
按照上述调整电能释放策略实时调整储能系统在每个预设时间段中所需释放的电能量。
值得一提的是,可利用深度学习模型(如神经网络)对历史数据进行训练,建立电能释放策略优化模型。在实时运行过程中,获取实时数据作为输入,利用训练好的深度学习模型预测未来一段时间内的电网负荷趋势。结合储能系统的状态和特性,通过优化算法(如遗传算法或强化学习)计算出最佳的电能释放策略。按照优化得到的策略,控制储能系统按照合适的速率和频率释放电能,以平衡电网负荷。并监测电网负荷变化,实时调整优化模型和电能释放策略,不断改进模型的性能和稳定性。
在具体实施时,计算所需释放的电能量的计算公式为:
所需释放的电能量=储能系统容量*(目标功率值/最大功率输出)
在实际应用中,需要根据不同情况进行合理的调整和配置。
在参数自动化控制中,调整电能释放策略可以通过修改算法中的权重或者调整控制器的输出来实现。以下是一个示例:
假设某个参数自动化控制系统用于控制太阳能发电系统中的光伏电池阵列的电能释放策略。该系统根据天气预测、能源需求等信息,自动确定电池阵列的电能释放水平。
在该算法中,有一个控制器的输出决定了电池阵列的电能释放水平。控制器的输出可以是一个浮点数,表示释放水平的百分比。例如,输出为0.8表示释放80%的电能。
为了调整电能释放策略,可以对控制器的输出进行修改。假设现在的策略是在晴天时释放80%的电能,在阴天时释放50%的电能。但是由于能源需求的变化,需要调整策略为晴天时释放70%的电能,在阴天时释放60%的电能。
为了实现这个调整,在算法中可以修改控制器的输出范围和权重。首先,将控制器的输出范围从[0 1]扩展到[0 100],以便更精细地控制电能释放水平。然后,在控制器的输出计算公式中引入两个权重因子:一个用于晴天时的电能释放,一个用于阴天时的电能释放。
修改后的公式可以表示为:
输出=晴天电能释放权重×70+阴天电能释放权重×60
其中,晴天电能释放权重和阴天电能释放权重都可以是范围为[0 1]的浮点数。调整这两个权重就可以灵活地改变电能释放策略。
通过在实际应用中在线调整晴天电能释放权重和阴天电能释放权重,就可以实现电能释放策略的调整。例如,通过观察实际能源需求和天气情况,发现能源需求较高且天气晴朗,可以适当增加晴天电能释放权重;而如果能源需求较低且天气阴天,可以适当减小阴天电能释放权重。这样就可以根据实际情况灵活地调整电池阵列的电能释放策略。
可选地,步骤S33包括以下步骤S41-S45:
S41、基于配电网的预测负荷变化数据,确定储能系统的第一调整电能释放策略;
S42、基于实时数据的当前负荷数据对应的电价,确定储能系统的第二调整电能释放策略;
S43、基于实时数据的当前负荷数据,监测配电网的预测负荷变化数据,并按照当前负荷数据对预设负荷变化数据进行调整,生成更新预测负荷变化数据;
S44、基于更新预测负荷变化数据,确定储能系统的第三调整电能释放策略;
S45、采用第一调整电能释放策略、第二调整电能释放策略和第三调整电能释放策略,生成储能系统的目标调整电能释放策略。
在具体实施时,目标调整电能释放策略的具体方法包括:
1、基于负荷预测的策略:根据电网负荷的预测数据,提前调整电能释放策略,以适应未来的负荷变化,即可得到第一调整电能释放策略。
2、基于电价的策略:根据电价变化情况,调整电能释放策略。当电价较低时,可增加电能释放速率,以降低储能系统中的剩余电能量;当电价较高时,可减小电能释放速率,以节约成本,即可得到第二调整电能释放策略。
3、基于功率平衡的策略:通过监测电网负荷和储能系统功率输出,实时调整电能释放速率和频率,以使电网负荷和储能系统的功率平衡,即可得到第三调整电能释放策略。
采用第一调整电能释放策略、第二调整电能释放策略和第三调整电能释放策略进行结合,即可得到目标调整电能释放策略。
具体地,一个储能系统具有容量为1000kWh的电池,最大功率输出为100kW。根据实时电网负荷数据和储能系统状态的实时监测,得到当前时间段储能系统需要释放的电能量为50kWh。根据控制参数,调整电能释放速率和频率,使其在该时间段内以最大功率输出的一半速率进行释放,即50kW。监测电网负荷变化,如果电网负荷增加,则根据调控策略增加电能释放速率。
步骤205、基于储能系统所需释放的电能量,确定光伏发电系统的输出功率。
在具体实施时,通过在光伏发电系统的各个关键部位安装传感器,实时采集并监测系统的运行状态、功率输出以及环境参数等数据。将采集到的数据进行分析和处理,以评估系统的性能和故障情况,并及时发现和预测问题。
基于机器学习和数据挖掘的方法,对比分析历史数据和实时数据,识别和预测光伏发电系统中可能出现的故障或异常情况。例如,使用神经网络模型进行数据训练,加强对异常状态的检测和预警能力。
基于多尺度数据的分析结果,设计故障检测算法,用于自动检测系统中的组件故障或异常。一旦检测到故障,通过报警、故障诊断等方式提示运维人员进行维护。
具体地,可利用模式识别算法判断是否存在故障,如支持向量机(SVM)和随机森林。结合故障数据库中的历史记录,进行故障诊断,给出可能的故障类型和解决方案。
根据历史数据和实时数据的分析结果,运用机器学习和统计方法,建立故障预测模型,早期发现潜在问题,提前采取相应措施进行预防。
具体地,可使用时间序列分析方法,预测光伏发电系统输出功率或组件性能的变化趋势,以及未来可能发生的故障情况。例如,利用ARIMA模型或长短期记忆网络(LSTM)进行故障预测。
可设计优化的光伏发电系统控制算法,使得系统在不同条件下能够实现最大功率输出,并通过有效的发电功率调节以适应电网需求,提升供电质量。
具体地,可采用模型预测控制方法,结合天气预报等信息,预测未来一段时间内的辐照度及负荷需求情况,对光伏系统的工作模式、协调发电功率和负荷进行优化控制,最大限度地提高系统的发电效率和供电质量。
通过以上算法和方法的综合应用,可以有效地确保光伏发电系统的稳定运行,同时提高电网供电质量,实现对电力系统的可靠供电。
值得一提的是,可通过储能系统所需释放的电能量和预测未来一段时间内的辐照度及负荷需求情况,协调调整光伏发电系统的输出功率。
请参阅图3,图3为本发明实施例三提供的一种配电网负荷稳定控制系统的结构框图。
本发明提供的一种配电网负荷稳定控制系统,涉及储能系统和光伏发电系统;储能系统和光伏发电系统连接,配电网负荷稳定控制系统包括:
获取模块301,用于响应接收到的配电网负荷稳定控制请求,获取配电网负荷稳定控制请求对应的配电网的历史数据和实时数据;
预测模块302,用于将历史数据和实时数据输入预设的目标预测模型进行预测,生成预测结果;
释放模块303,用于基于预测结果和储能系统的电能储存状态,确定储能系统所需释放的电能量;
输出功率模块304,用于基于储能系统所需释放的电能量,确定光伏发电系统的输出功率。
可选地,本系统还包括:
采集子模块,用于从配电网中采集配电网的负荷数据和负荷数据对应的环境数据;
历史数据子模块,用于对负荷数据和环境数据进行数据清洗,生成历史数据;
实时数据子模块,用于通过采集模块实时监测配电网的当前负荷数据和当前负荷数据对应的当前环境数据,生成实时数据。
可选地,预测模块302包括:
初始预测结果子模块,用于采用历史数据对应的负荷数据和负荷数据对应的环境数据输入预设的初始预测模型,生成多个初始预测结果;
更新预测模型子模块,用于基于多元优化算法和多个初始预测结果,调整初始预测模型的初始模型参数,生成更新预测模型;
模糊规则库子模块,用于基于模糊逻辑控制算法,采用实时数据对应的当前负荷数据和当前负荷数据对应的当前环境数据,建立模糊规则库;
目标预测模型子模块,用于采用模糊规则库中对应的当前负荷数据和当前负荷数据对应的当前环境数据输入更新预测模型进行训练,生成目标预测模型;
预测结果子模块,用于将历史数据和实时数据输入目标预测模型进行预测,生成预测结果。
可选地,释放模块303包括:
预测数据子模块,用于基于预测结果对应的预测数据,确定配电网的预测负荷变化数据;
电能量子模块,用于基于配电网的预测负荷变化数据、储能系统的电能储存状态、系统特性和电能释放速度限制,确定储能系统在每个预设时间段中所需释放的电能量。
可选地,电能量子模块包括:
最大功率输出子模块,用于基于储能系统的电能储存状态和功率特性,确定储能系统在每个预设时间段对应的最大功率输出;
调整子模块,用于基于储能系统的控制参数、在每个预设时间段对应的最大功率输出和配电网的预测负荷变化数据,调整储能系统在每个预设时间段中的电能释放速率和电能释放频率;
监测子模块,用于基于实时数据的当前负荷数据,监测配电网的预测负荷变化数据,确定储能系统的目标调整电能释放策略;
实时调整子模块,用于按照目标调整电能释放策略实时调整储能系统在每个预设时间段中所需释放的电能量。
可选地,监测子模块包括:
第一调整电能释放策略子模块,用于基于配电网的预测负荷变化数据,确定储能系统的第一调整电能释放策略;
第二调整电能释放策略子模块,用于基于实时数据的当前负荷数据对应的电价,确定储能系统的第二调整电能释放策略;
更新预测负荷变化数据子模块,用于基于实时数据的当前负荷数据,监测配电网的预测负荷变化数据,并按照当前负荷数据对预设负荷变化数据进行调整,生成更新预测负荷变化数据;
第三调整电能释放策略子模块,用于基于更新预测负荷变化数据,确定储能系统的第三调整电能释放策略;
目标调整电能释放策略子模块,用于采用第一调整电能释放策略、第二调整电能释放策略和第三调整电能释放策略,生成储能系统的目标调整电能释放策略。
本发明实施例四还提供了一种电子设备,包括存储器及处理器,存储器中储存有计算机程序;计算机程序被处理器执行时,使得处理器执行如上述任一实施例的配电网负荷稳定控制方法的步骤。
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被执行时实现如上述任一实施例的配电网负荷稳定控制方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种配电网负荷稳定控制方法,其特征在于,涉及储能系统和光伏发电系统;所述储能系统和所述光伏发电系统连接,所述方法包括:
响应接收到的配电网负荷稳定控制请求,获取所述配电网负荷稳定控制请求对应的配电网的历史数据和实时数据;
将所述历史数据和所述实时数据输入预设的目标预测模型进行预测,生成预测结果;
基于所述预测结果和所述储能系统的电能储存状态,确定所述储能系统所需释放的电能量;
基于所述储能系统所需释放的电能量,确定所述光伏发电系统的输出功率。
2.根据权利要求1所述的配电网负荷稳定控制方法,其特征在于,还包括:
从所述配电网中采集所述配电网的负荷数据和所述负荷数据对应的环境数据;
对所述负荷数据和所述环境数据进行数据清洗,生成历史数据;
通过采集模块实时监测所述配电网的当前负荷数据和所述当前负荷数据对应的当前环境数据,生成实时数据。
3.根据权利要求1所述的配电网负荷稳定控制方法,其特征在于,所述将所述历史数据和所述实时数据输入预设的目标预测模型进行预测,生成预测结果的步骤,包括:
采用所述历史数据对应的负荷数据和所述负荷数据对应的环境数据输入预设的初始预测模型,生成多个初始预测结果;
基于多元优化算法和多个所述初始预测结果,调整所述初始预测模型的初始模型参数,生成更新预测模型;
基于模糊逻辑控制算法,采用所述实时数据对应的当前负荷数据和所述当前负荷数据对应的当前环境数据,建立模糊规则库;
采用所述模糊规则库中对应的当前负荷数据和所述当前负荷数据对应的当前环境数据输入所述更新预测模型进行训练,生成目标预测模型;
将所述历史数据和所述实时数据输入所述目标预测模型进行预测,生成预测结果。
4.根据权利要求1所述的配电网负荷稳定控制方法,其特征在于,所述基于所述预测结果和所述储能系统的电能储存状态,确定所述储能系统所需释放的电能量的步骤,包括:
基于所述预测结果对应的预测数据,确定所述配电网的预测负荷变化数据;
基于所述配电网的预测负荷变化数据、所述储能系统的电能储存状态、系统特性和电能释放速度限制,确定所述储能系统在每个预设时间段中所需释放的电能量。
5.根据权利要求4所述的配电网负荷稳定控制方法,其特征在于,所述基于所述配电网的预测负荷变化数据、所述储能系统的电能储存状态、系统特性和电能释放速度限制,确定所述储能系统在每个预设时间段中所需释放的电能量的步骤,包括:
基于所述储能系统的电能储存状态和功率特性,确定所述储能系统在每个预设时间段对应的最大功率输出;
基于所述储能系统的控制参数、在每个预设时间段对应的最大功率输出和所述配电网的预测负荷变化数据,调整所述储能系统在每个预设时间段中的电能释放速率和电能释放频率;
基于所述实时数据的当前负荷数据,监测所述配电网的预测负荷变化数据,确定所述储能系统的目标调整电能释放策略;
按照所述目标调整电能释放策略实时调整所述储能系统在每个预设时间段中所需释放的电能量。
6.根据权利要求5所述的配电网负荷稳定控制方法,其特征在于,所述基于所述实时数据的当前负荷数据,监测所述配电网的预测负荷变化数据,确定所述储能系统的目标调整电能释放策略的步骤,包括:
基于所述配电网的预测负荷变化数据,确定所述储能系统的第一调整电能释放策略;
基于所述实时数据的当前负荷数据对应的电价,确定所述储能系统的第二调整电能释放策略;
基于所述实时数据的当前负荷数据,监测所述配电网的预测负荷变化数据,并按照当前负荷数据对所述预设负荷变化数据进行调整,生成更新预测负荷变化数据;
基于所述更新预测负荷变化数据,确定所述储能系统的第三调整电能释放策略;
采用所述第一调整电能释放策略、所述第二调整电能释放策略和所述第三调整电能释放策略,生成所述储能系统的目标调整电能释放策略。
7.一种配电网负荷稳定控制系统,其特征在于,涉及储能系统和光伏发电系统;所述储能系统和所述光伏发电系统连接,所述配电网负荷稳定控制系统包括:
获取模块,用于响应接收到的配电网负荷稳定控制请求,获取所述配电网负荷稳定控制请求对应的配电网的历史数据和实时数据;
预测模块,用于将所述历史数据和所述实时数据输入预设的目标预测模型进行预测,生成预测结果;
释放模块,用于基于所述预测结果和所述储能系统的电能储存状态,确定所述储能系统所需释放的电能量;
输出功率模块,用于基于所述储能系统所需释放的电能量,确定所述光伏发电系统的输出功率。
8.根据权利要求7所述的配电网负荷稳定控制系统,其特征在于,还包括:
采集子模块,用于从所述配电网中采集所述配电网的负荷数据和所述负荷数据对应的环境数据;
历史数据子模块,用于对所述负荷数据和所述环境数据进行数据清洗,生成历史数据;
实时数据子模块,用于通过采集模块实时监测所述配电网的当前负荷数据和所述当前负荷数据对应的当前环境数据,生成实时数据。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-6任一项所述的配电网负荷稳定控制方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1-6任一项所述的配电网负荷稳定控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311816343.0A CN117713159A (zh) | 2023-12-26 | 2023-12-26 | 一种配电网负荷稳定控制方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311816343.0A CN117713159A (zh) | 2023-12-26 | 2023-12-26 | 一种配电网负荷稳定控制方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117713159A true CN117713159A (zh) | 2024-03-15 |
Family
ID=90160664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311816343.0A Pending CN117713159A (zh) | 2023-12-26 | 2023-12-26 | 一种配电网负荷稳定控制方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117713159A (zh) |
-
2023
- 2023-12-26 CN CN202311816343.0A patent/CN117713159A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10879708B2 (en) | Battery management system | |
JP2023129546A (ja) | エネルギ貯蔵システムを最適に制御するためのシステム及び方法 | |
CN102157949A (zh) | 一种小干扰稳定性预测及辅助决策方法 | |
Dai et al. | Multi-objective economic load dispatch method based on data mining technology for large coal-fired power plants | |
KR102512324B1 (ko) | 재생 에너지를 연계한 부하 예측 모델 기반의 전압 최적화 제어를 통한 보전 전압 강하를 위한 전압 제어 장치 | |
Yoldas et al. | Optimal control of microgrids with multi-stage mixed-integer nonlinear programming guided $ Q $-learning algorithm | |
CN107453369B (zh) | 智能配电网优化节电降损系统 | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN113098022A (zh) | 风电场并网点无功调节方法、装置、设备及存储介质 | |
CN115392640A (zh) | 一种面向检修的电动发电机全生命周期费用效能评估系统 | |
CN117175655A (zh) | 一种分布式新能源电力系统的蓄能控制方法及系统 | |
CN114583749A (zh) | 微电网的运行控制方法、系统、电子设备和存储介质 | |
CN116191476B (zh) | 智能化电网一次调频系统 | |
CN117454093A (zh) | 一种智能电源模块管理方法及系统 | |
KR20170106703A (ko) | 마이크로그리드 운영 시스템 및 방법 | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
CN116073448B (zh) | 一种基于低碳效益的配电系统源网荷储协同调峰方法 | |
CN117175641A (zh) | 一种基于台区储能的电能质量问题综合调控方法 | |
CN117713159A (zh) | 一种配电网负荷稳定控制方法、系统、设备和介质 | |
CN115549118A (zh) | 配电网无功补偿设备出力平滑指数预测方法 | |
KR102266099B1 (ko) | 소규모 전력 중개거래를 위한 ess운영시스템 및 방법 | |
CN114759572A (zh) | 一种用户台区无功补偿降损方法及装置 | |
CN114219204A (zh) | 一种能源需量的智能管理系统 | |
CN118100161A (zh) | 寒地风光热综合能源智能监测与预警系统 | |
Liu et al. | Research on peak load shifting for hybrid energy system with wind power and energy storage based on situation awareness |
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 |