CN117767446A - 基于大数据的多源电力调度方法及系统 - Google Patents
基于大数据的多源电力调度方法及系统 Download PDFInfo
- Publication number
- CN117767446A CN117767446A CN202410042346.1A CN202410042346A CN117767446A CN 117767446 A CN117767446 A CN 117767446A CN 202410042346 A CN202410042346 A CN 202410042346A CN 117767446 A CN117767446 A CN 117767446A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- power generation
- model
- cost
- 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 24
- 238000010248 power generation Methods 0.000 claims abstract description 80
- 239000002245 particle Substances 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 16
- 239000000446 fuel Substances 0.000 claims description 15
- 230000004931 aggregating effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 208000025174 PANDAS Diseases 0.000 claims description 9
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 9
- 240000004718 Panda Species 0.000 claims description 9
- 235000016496 Panda oleosa Nutrition 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002485 combustion reaction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 239000002737 fuel gas Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据的多源电力调度方法及系统，包括以下步骤：步骤S1:基于边缘网关获取各个电力源的实时数据；步骤S2:针对不同电力源的特性，进行特性分析和建模;步骤S3:基于历史数据和实时数据，利用大数据分析技术进行供电需求预测；步骤S4:基于供电需求预测和建模结果，考虑到不同电力源的特性、供电需求、发电成本方面因素，基于粒子群算法构建电力调度模型，获取最优的电力调度方案；步骤S5:根据最优的电力调度方案进行电力调度控制，并通过物联网设备实时监测各个电力源的运行情况和供电情况，根据实时数据反馈，对电力调度模型进行动态调整和优化，以适应实际的电力供需情况。本发明有效提高电力调度的精确度和实时性。
Description
技术领域
本发明涉及电力调度领域，尤其涉及一种基于大数据的多源电力调度方法及系统。
背景技术
目前，电力系统通过结合风力和光伏等新能源，通过多能源协调控制、需求侧负荷控制的有效模式，能够有效地做到节能减排降低成本。与此同时，用户由单向受电转变为‘发用一体’的角色，电能传输方式也发生了复杂的改变，荷侧也不再是传统的不可调控。并且，近年来电动汽车及电动车也在飞速发展，其充放电的聚集行为同样会影响电网的稳定运行。可预见的是，随着越来越多且分散的分布式电源接入，配电网便可能出现诸如电能质量恶化、台区重过载导致的故障率升高等问题，进而导致用户端出现供电故障，如何协调多源电力系统发电量和需求侧的需求是需要进一步研究的方向。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于大数据的多源电力调度方法及系统，有效提高电力调度的精确度和实时性，实现多源电力的有效整合和灵活调度，从而提高电力供应的可靠性和效率。
为实现上述目的，本发明采用以下技术方案：
一种基于大数据的多源电力调度方法，包括以下步骤：
步骤S1:基于边缘网关获取各个电力源的实时数据，包括风电、光伏、核电、火力发电的发电量、可用性、成本信息，并通过物联网设备进行实时传输，然后存储到大数据平台中；
步骤S2:针对不同电力源的特性，进行特性分析和建模，包括发电量模型和成本模型；对于风电和光伏，所述发电量模型为发电量与天气条件的关系模型，具体为：对于核电和火力发电，所述成本模型为发电成本与运行状态的关系模型；
步骤S3:基于历史数据和实时数据，利用大数据分析技术进行供电需求预测；
步骤S4:基于供电需求预测和建模结果，考虑到不同电力源的特性、供电需求、发电成本方面因素，基于粒子群算法构建电力调度模型，获取最优的电力调度方案；
步骤S5:根据最优的电力调度方案进行电力调度控制，并通过物联网设备实时监测各个电力源的运行情况和供电情况，根据实时数据反馈，对电力调度模型进行动态调整和优化，以适应实际的电力供需情况。
进一步的，所述步骤S1具体为：
步骤S11:在各个电力源设置对应的传感器，获取电力源数据，并将数据汇总至对应电力源的边缘网关设备；
对于风电场，部署风速传感器、风向传感器、转速传感器等，用于实时监测风力资源情况、风机运行状态、发电量数据，同时部署温度传感器、湿度传感器等气象参数传感器，用于监测环境条件对风电场发电的影响；
光伏电站部署光照传感器、温度传感器、倾斜角传感器，用于实时监测光照条件、温度变化、光伏板的倾斜角度数据；
核电站部署辐射监测仪、温度传感器、压力传感器，用于实时监测辐射水平、核反应堆的温度和压力数据；
火力发电厂部署燃煤质量传感器、燃烧温度传感器、烟气排放监测设备，用于实时监测燃料燃烧情况、热效率、排放情况数据；
步骤S12:边缘网关设备负责对汇总的数据进行预处理；
步骤S13：将预处理后的数据通过有线或无线网络将数据传输至大数据平台。
进一步的，所述预处理具体如下：
在边缘网关设备的应用程序中，集成Zstandard压缩库；
边缘网关设备对传感器采集的数据进行清洗，去除异常值和错误数据；
将来自多个传感器的数据进行聚合，减少传输的数据量，包括将来自同一传感器的一段时间内的数据进行聚合；将来自多个传感器的数据进行空间上的聚合；
使用Zstandard库提供的ZstdCompressor类创建一个压缩器对象，使用创建的压缩器对象的compress()方法对聚合后的数据进行实时压缩。
进一步的，所述对于风电和光伏，还建立发电量与天气条件的关系模型，具体为：
考虑温度和湿度对风电发电量的影响，风电发电量的模型：
Pwind＝K·V3·f1(T,H)；
其中，Pwind是风电发电量，V是风速，K是一个与风机特性相关的常数；,f1(T,H)＝e-aT-bH是温度和湿度对发电量的修正函数,a和b是拟合得到的系数；
考虑温度和大气压力对光伏发电量的影响，光伏发电量的模型：
Ppv＝K1·G·f2(T,P)；
其中，Ppv是光伏发电量，G是光照强度，K1是一个与光伏板性能相关的常数；f2(T,P)＝1-a′T-b′P是是温度和大气压力对发电量的修正函数,a′和b′是拟合得到的系数。
进一步的，所述对于核电和火力发电，还建立发电成本与运行状态的关系模型，具体如下：
核电发电成本与运行状态的关系模型：核电发电成本受到多种因素的影响，包括燃料成本、设备维护成本、运行状态，通过多元回归分析建立发电成本与运行状态的关系模型：
Cnuclear＝β0+β1S+β2t+β3M+varepsilon；
其中，S是发电机容量，t是运行时间，M是维护成本等因素,varepsilon为误差项，β0,β1,β2,β3是回归系数；
火力发电发电成本与运行状态的关系模型：火力发电成本受到燃料成本、设备维护成本、运行状态因素的影响，使用成本函数和多元回归分析建立发电成本与运行状态的关系模型
Cthermal＝β′0+β′1F+β′2t1+β′3O+varepsilon1；
其中，F是燃料成本，t1是运行时间，O是其他运行状态因素,varepsilon1为误差项；β′0,β′1,β′2,β′3是回归系数。
进一步的，所述步骤S3具体为：
步骤S31:收集历史电力负荷数据、气象数据、节假日数据、经济指标数据，并对收集到的各类数据进行清洗和预处理，包括处理缺失值、异常值和重复值；
将不同数据源的数据整合到一个统一的数据集中，确保数据之间的时间对齐和一致性；
步骤S32:利用大数据分析平台和工具，对整合后的数据进行特征提取；
使用Python中的pandas和numpy库来处理历史电力负荷数据，并利用统计方法matplotlib对历史电力负荷数据进行趋势分析、季节性分析和周期性分析，获取数据特征；
使用Python中的pandas和numpy库对气象数据进行处理和特征提取，包括温度、湿度、风速特征，并对气象数据进行季节性分析和天气因素分析，获取对电力负荷的影响因子；
利用Python中的pandas和numpy库对节假日数据和经济指标数据进行处理和特征提取，包括节假日标识、经济增长率特征；
步骤S33:根据提取的特征，基于深度神经网络训练的得到预测模型；
步骤S34:获取实时电力负荷数据、气象数据、节假日数据、经济指标数据，并经过预处理和特征提取后，输入预测模型，获取供电需求预测值。
进一步的，所述深度神经网络包括多个全连接层，每个全连接层由多个神经元组成，并且每个隐藏层都会使用激活函数来引入非线性
设输入特征向量X＝[x_1,x_2,...,x_n]，其中(x_1,x_2,...,x_n)分别代表从历史电力负荷、气象、节假日和经济指标数据中提取的特征；目标是预测电力负荷，即y，则深度神经网络模型表示为：
其中，(W1,W2,...,WL,WL+1)是权重矩阵，(b1,b2,...,bL,bL+1)是偏置向量，f()是激活函数；(Z1,Z2,...,ZL)是隐藏层的加权输入；(a1,a2,...,aL)是隐藏层的输出，y是最终的预测输出,L是隐藏层的数量；
在训练过程中，使用已知的输入特征X和对应的目标输出y来调整权重和偏置。
进一步的，所述在训练过程中，使用已知的输入特征X和对应的目标输出y来调整权重和偏置，具体为：
(1)使用当前的权重和偏置来计算模型的预测输出；
(2)使用均方误差作为损失函数，用预测输出和真实输出之间的差异来计算损失函数；
其中，M是样本数量，ym是真实输出，是模型的预测输出；
(3)通过使用损失函数对权重和偏置进行偏导数的链式法则计算，得到每个参数对损失函数的梯度，使用梯度下降算法来更新权重和偏置：
(4)重复步骤(1)-(3)，直到损失函数收敛或达到预设的停止条件。
进一步的，所述步骤S4具体为：
将每个粒子表示为一个可能的电力调度方案，其中每个粒子包含了各电力源的发电量，使用一个n维向量表示一个粒子，向量的每个元素xij表示第i个粒子的第j个电力源的发电量；
随机生成一定数量的粒子，每个粒子的位置在合理的范围内进行随机初始化，代表了不同的发电量分配方案；
适应度函数表示为：
其中，Pitoal是第i个粒子的总发电量，D是电力需求，Cj是第j个电力源的发电成本，Pij是第i个粒子的第j个电力源的发电量；
更新粒子位置和速度：
速度更新公式为：
vij(t+1)＝ο·vij(t)+c1·r1·(Pijbest-xij(t))+c2·r2·(gijbest-xij(t))；
其中，vij(t+1)是第i个粒子的第j个维度的速度，xij(t)是第i个粒子的第j个维度在t时刻的位置，Pijbest是第i个粒子历史上最优的位置，gijbest是全局历史上最优的位置，ο是惯性权重，c1和c2是加速因子，r1和r2是在0到1之间的随机数；
位置更新公式为：
xij(t+1)＝xij(t)+vij(t+1)；
其中，xij(t+1)是第i个粒子的第j个维度的位置；
通过不断迭代更新粒子的位置和速度，得到最优的电力调度方案。
一种基于大数据的多源电力调度系统，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如上所述的一种基于大数据的多源电力调度方法中的步骤。
本发明具有如下有益效果：
本发明利用大数据分析技术对历史数据和实时数据进行分析和建模，能够更准确地预测供电需求，同时也能够更精确地分析不同电力源的特性和成本信息，为电力调度模型提供更为准确的输入，并且考虑到不同电力源的特性和供电需求，能够通过粒子群算法构建电力调度模型，综合考虑各种因素，获取最优的电力调度方案，实现多源电力的有效整合和调度。
附图说明
图1为本发明方法流程图。
具体实施方式
以下结合附图和具体实施例对本发明做进一步详细说明：
参考图1，一种基于大数据的多源电力调度方法，包括以下步骤：
步骤S1:基于边缘网关获取各个电力源的实时数据，包括风电、光伏、核电、火力发电的发电量、可用性、成本信息，并通过物联网设备进行实时传输，然后存储到大数据平台中；
步骤S2:针对不同电力源的特性，进行特性分析和建模，包括发电量模型和成本模型；对于风电和光伏建立发电量与天气条件的关系模型,对于核电和火力发电，建立发电成本与运行状态的关系模型；
步骤S3:基于历史数据和实时数据，利用大数据分析技术进行供电需求预测；
步骤S4:基于供电需求预测和建模结果，考虑到不同电力源的特性、供电需求、发电成本方面因素，基于粒子群算法构建电力调度模型，获取最优的电力调度方案；
步骤S5:根据最优的电力调度方案进行电力调度控制，并通过物联网设备实时监测各个电力源的运行情况和供电情况，根据实时数据反馈，对电力调度模型进行动态调整和优化，以适应实际的电力供需情况。
在本实施中，所述步骤S1具体为：
步骤S11:在各个电力源设置对应的传感器，获取电力源数据，并将数据汇总至对应电力源的边缘网关设备；
对于风电场，部署风速传感器、风向传感器、转速传感器等，用于实时监测风力资源情况、风机运行状态、发电量数据，同时部署温度传感器、湿度传感器等气象参数传感器，用于监测环境条件对风电场发电的影响；
光伏电站部署光照传感器、温度传感器、倾斜角传感器，用于实时监测光照条件、温度变化、光伏板的倾斜角度数据；
核电站部署辐射监测仪、温度传感器、压力传感器，用于实时监测辐射水平、核反应堆的温度和压力数据；
火力发电厂部署燃煤质量传感器、燃烧温度传感器、烟气排放监测设备，用于实时监测燃料燃烧情况、热效率、排放情况数据；
步骤S12:边缘网关设备负责对汇总的数据进行预处理；
步骤S13：将预处理后的数据通过有线或无线网络将数据传输至大数据平台。
在本实施中，所述预处理具体如下：
在边缘网关设备的应用程序中，集成Zstandard压缩库；
边缘网关设备对传感器采集的数据进行清洗，去除异常值和错误数据；
将来自多个传感器的数据进行聚合，减少传输的数据量，包括将来自同一传感器的一段时间内的数据进行聚合，例如，将每秒钟的数据聚合成每分钟的数据，或者将每分钟的数据聚合成每小时的数据。这种聚合方式可以减少传输的频率和数据量。将来自多个传感器的数据进行空间上的聚合；例如，将相邻区域的数据进行聚合，以减少重叠和冗余的数据。这种聚合方式可以减少传输的冗余数据；
使用Zstandard库提供的ZstdCompressor类创建一个压缩器对象，使用创建的压缩器对象的compress()方法对聚合后的数据进行实时压缩。
在本实施中，所述对于风电和光伏，成本模型采用现有的风电发电成本模型，光伏采用光伏电站成本模型；
优选的，发电量模型采用发电量与天气条件的关系模型，具体为：
考虑温度和湿度对风电发电量的影响，风电发电量的模型：
Pwind＝K·V3·f1(T,H)；
其中，Pwind是风电发电量，V是风速，K是一个与风机特性相关的常数；,f1(T,H)＝e-aT-bH是温度和湿度对发电量的修正函数,a和b是拟合得到的系数；
考虑温度和大气压力对光伏发电量的影响，光伏发电量的模型：
Ppv＝K1·G·f2(T,P)；
其中，Ppv是光伏发电量，G是光照强度，K1是一个与光伏板性能相关的常数；f2(T,P)＝1-a′T-b′P是是温度和大气压力对发电量的修正函数,a′和b′是拟合得到的系数。
在本实施中，所述对于核电和火力发电，发电量模型采用现有的核电发电量模型，火力发电电量模型；
优选的，核电成本模型采用成本与运行状态的关系模型：核电发电成本受到多种因素的影响，包括燃料成本、设备维护成本、运行状态，通过多元回归分析建立发电成本与运行状态的关系模型：
Cnuclear＝β0+β1S+β2t+β3M+varepsilon；
其中，S是发电机容量，t是运行时间，M是维护成本等因素,varepsilon为误差项，β0,β1,β2,β3是回归系数；
火力发电发电成本模型采用成本与运行状态的关系模型：火力发电成本受到燃料成本、设备维护成本、运行状态因素的影响，使用成本函数和多元回归分析建立发电成本与运行状态的关系模型
Cthermal＝β′0+β′1F+β′2t1+β′3O+varepsilon1；
其中，F是燃料成本，t1是运行时间，O是其他运行状态因素,varepsilon1为误差项；β′0,β′1,β′2,β′3是回归系数。
在本实施中，所述步骤S3具体为：
步骤S31:收集历史电力负荷数据、气象数据、节假日数据、经济指标数据，并对收集到的各类数据进行清洗和预处理，包括处理缺失值、异常值和重复值；
将不同数据源的数据整合到一个统一的数据集中，确保数据之间的时间对齐和一致性；
步骤S32:利用大数据分析平台和工具，对整合后的数据进行特征提取；
使用Python中的pandas和numpy库来处理历史电力负荷数据，并利用统计方法matplotlib对历史电力负荷数据进行趋势分析、季节性分析和周期性分析，获取数据特征；
使用Python中的pandas和numpy库对气象数据进行处理和特征提取，包括温度、湿度、风速特征，并对气象数据进行季节性分析和天气因素分析，获取对电力负荷的影响因子；
利用Python中的pandas和numpy库对节假日数据和经济指标数据进行处理和特征提取，包括节假日标识、经济增长率特征；
步骤S33:根据提取的特征，基于深度神经网络训练的得到预测模型；
步骤S34:获取实时电力负荷数据、气象数据、节假日数据、经济指标数据，并经过预处理和特征提取后，输入预测模型，获取供电需求预测值。
在本实施中，深度神经网络包括多个全连接层，每个全连接层由多个神经元组成，并且每个隐藏层都会使用激活函数来引入非线性
设输入特征向量X＝[x_1,x_2,...,x_n]，其中(x_1,x_2,...,x_n)分别代表从历史电力负荷、气象、节假日和经济指标数据中提取的特征；目标是预测电力负荷，即y，则深度神经网络模型表示为：
其中，(W1,W2,...,WL,WL+1)是权重矩阵，(b1,b2,...,bL,bL+1)是偏置向量，f()是激活函数；(Z1,Z2,...,ZL)是隐藏层的加权输入；(a1,a2,...,aL)是隐藏层的输出，y是最终的预测输出,L是隐藏层的数量；
在训练过程中，使用已知的输入特征X和对应的目标输出y来调整权重和偏置，具体为：
(1)使用当前的权重和偏置来计算模型的预测输出；
(2)使用均方误差作为损失函数，用预测输出和真实输出之间的差异来计算损失函数；
其中，M是样本数量，ym是真实输出，是模型的预测输出；
(5)通过使用损失函数对权重和偏置进行偏导数的链式法则计算，得到每个参数对损失函数的梯度，使用梯度下降算法来更新权重和偏置：
(6)重复步骤(1)-(3)，直到损失函数收敛或达到预设的停止条件。
在步骤S4具体为：
将每个粒子表示为一个可能的电力调度方案，其中每个粒子包含了各电力源的发电量，使用一个n维向量表示一个粒子，向量的每个元素xij表示第i个粒子的第j个电力源的发电量；
随机生成一定数量的粒子，每个粒子的位置在合理的范围内进行随机初始化，代表了不同的发电量分配方案；
适应度函数表示为：
其中，Pitoal是第i个粒子的总发电量，D是电力需求，Cj是第j个电力源的发电成本，Pij是第i个粒子的第j个电力源的发电量；
更新粒子位置和速度：
速度更新公式为：
vij(t+1)＝ο·vij(t)+c1·r1·(Pijbest-xij(t))+c2·r2·(gijbest-xij(t))；
其中，vij(t+1)是第i个粒子的第j个维度的速度，xij(t)是第i个粒子的第j个维度在t时刻的位置，Pijbest是第i个粒子历史上最优的位置，gijbest是全局历史上最优的位置，ο是惯性权重，c1和c2是加速因子，r1和r2是在0到1之间的随机数；
位置更新公式为：
xij(t+1)＝xij(t)+vij(t+1)；
其中，xij(t+1)是第i个粒子的第j个维度的位置；
通过不断迭代更新粒子的位置和速度，得到最优的电力调度方案。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (8)
1.一种基于大数据的多源电力调度方法，其特征在于，包括以下步骤：
步骤S1:基于边缘网关获取各个电力源的实时数据，包括风电、光伏、核电、火力发电的发电量、可用性、成本信息，并通过物联网设备进行实时传输，然后存储到大数据平台中；
步骤S2:针对不同电力源的特性，进行特性分析和建模，包括发电量模型和成本模型；
对于风电和光伏，所述发电量模型为发电量与天气条件的关系模型，具体为：
考虑温度和湿度对风电发电量的影响，风电发电量的模型：
Pwind＝K·V3·f1(T,H)；
其中，Pwind是风电发电量，V是风速，K是一个与风机特性相关的常数；,f1(T,H)＝e-aT-bH是温度和湿度对发电量的修正函数,a和b是拟合得到的系数；
考虑温度和大气压力对光伏发电量的影响，光伏发电量的模型：
Ppv＝K1·G·f2(T,P)；
其中，Ppv是光伏发电量，G是光照强度，K1是一个与光伏板性能相关的常数；f2(T,P)＝1-a′T-b′P是是温度和大气压力对发电量的修正函数,a′和b′是拟合得到的系数；
对于核电和火力发电，所述成本模型为发电成本与运行状态的关系模型，具体如下：
核电发电成本与运行状态的关系模型：核电发电成本受到多种因素的影响，包括燃料成本、设备维护成本、运行状态，通过多元回归分析建立发电成本与运行状态的关系模型：
Cnuclear＝β0+β1S+β2t+β3M+varepsilon；
其中，S是发电机容量，t是运行时间，M是维护成本等因素,varepsilon为误差项，β0,β1,β2,β3是回归系数；
火力发电发电成本与运行状态的关系模型：火力发电成本受到燃料成本、设备维护成本、运行状态因素的影响，使用成本函数和多元回归分析建立发电成本与运行状态的关系模型
Cthermal＝β′0+β′1F+β′2t1+β′3O+varepsilon1；
其中，F是燃料成本，t1是运行时间，O是其他运行状态因素,varepsilon1为误差项；β′0,β′1,β′2,β′3是回归系数
步骤S3:基于历史数据和实时数据，利用大数据分析技术进行供电需求预测；
步骤S4:基于供电需求预测和建模结果，考虑到不同电力源的特性、供电需求、发电成本方面因素，基于粒子群算法构建电力调度模型，获取最优的电力调度方案；
步骤S5:根据最优的电力调度方案进行电力调度控制，并通过物联网设备实时监测各个电力源的运行情况和供电情况，根据实时数据反馈，对电力调度模型进行动态调整和优化，以适应实际的电力供需情况。
2.根据权利要求1所述的一种基于大数据的多源电力调度方法，其特征在于，所述步骤S1具体为：
步骤S11:在各个电力源设置对应的传感器，获取电力源数据，并将数据汇总至对应电力源的边缘网关设备；
对于风电场，部署风速传感器、风向传感器、转速传感器等，用于实时监测风力资源情况、风机运行状态、发电量数据，同时部署温度传感器、湿度传感器等气象参数传感器，用于监测环境条件对风电场发电的影响；
光伏电站部署光照传感器、温度传感器、倾斜角传感器，用于实时监测光照条件、温度变化、光伏板的倾斜角度数据；
核电站部署辐射监测仪、温度传感器、压力传感器，用于实时监测辐射水平、核反应堆的温度和压力数据；
火力发电厂部署燃煤质量传感器、燃烧温度传感器、烟气排放监测设备，用于实时监测燃料燃烧情况、热效率、排放情况数据；
步骤S12:边缘网关设备负责对汇总的数据进行预处理；
步骤S13：将预处理后的数据通过有线或无线网络将数据传输至大数据平台。
3.根据权利要求2所述的一种基于大数据的多源电力调度方法，其特征在于，所述预处理具体如下：
在边缘网关设备的应用程序中，集成Zstandard压缩库；
边缘网关设备对传感器采集的数据进行清洗，去除异常值和错误数据；
将来自多个传感器的数据进行聚合，减少传输的数据量，包括将来自同一传感器的一段时间内的数据进行聚合；将来自多个传感器的数据进行空间上的聚合；
使用Zstandard库提供的ZstdCompressor类创建一个压缩器对象，使用创建的压缩器对象的compress()方法对聚合后的数据进行实时压缩。
4.根据权利要求1所述的一种基于大数据的多源电力调度方法，其特征在于，所述步骤S3具体为：
步骤S31:收集历史电力负荷数据、气象数据、节假日数据、经济指标数据，并对收集到的各类数据进行清洗和预处理，包括处理缺失值、异常值和重复值；
将不同数据源的数据整合到一个统一的数据集中，确保数据之间的时间对齐和一致性；
步骤S32:利用大数据分析平台和工具，对整合后的数据进行特征提取；
使用Python中的pandas和numpy库来处理历史电力负荷数据，并利用统计方法matplotlib对历史电力负荷数据进行趋势分析、季节性分析和周期性分析，获取数据特征；
使用Python中的pandas和numpy库对气象数据进行处理和特征提取，包括温度、湿度、风速特征，并对气象数据进行季节性分析和天气因素分析，获取对电力负荷的影响因子；
利用Python中的pandas和numpy库对节假日数据和经济指标数据进行处理和特征提取，包括节假日标识、经济增长率特征；
步骤S33:根据提取的特征，基于深度神经网络训练的得到预测模型；
步骤S34:获取实时电力负荷数据、气象数据、节假日数据、经济指标数据，并经过预处理和特征提取后，输入预测模型，获取供电需求预测值。
5.根据权利要求4所述的一种基于大数据的多源电力调度方法，其特征在于，所述深度神经网络包括多个全连接层，每个全连接层由多个神经元组成，并且每个隐藏层都会使用激活函数来引入非线性
设输入特征向量X＝[x_1,x_2,...,x_n]，其中(x_1,x_2,...,x_n)分别代表从历史电力负荷、气象、节假日和经济指标数据中提取的特征；目标是预测电力负荷，即y，则深度神经网络模型表示为：
Z1＝W1·X+b1；
a1＝f(Z1)；
Z2＝W2·a1+b2；
a2＝f(Z2)；
ZL＝WL·aL-1+bL；
aL＝f(ZL)；
y＝WL+1·aL+bL+1；
其中，(W1,W2,...,WL,WL+1)是权重矩阵，(b1,b2,...,bL,bL+1)是偏置向量，f()是激活函数；(Z1,Z2,...,ZL)是隐藏层的加权输入；(a1,a2,...,aL)是隐藏层的输出，y是最终的预测输出,L是隐藏层的数量；
在训练过程中，使用已知的输入特征X和对应的目标输出y来调整权重和偏置。
6.根据权利要求5所述的一种基于大数据的多源电力调度方法，其特征在于，所述在训练过程中，使用已知的输入特征X和对应的目标输出y来调整权重和偏置，具体为：
(1)使用当前的权重和偏置来计算模型的预测输出；
(2)使用均方误差作为损失函数，用预测输出和真实输出之间的差异来计算损失函数；
其中，M是样本数量，ym是真实输出，是模型的预测输出；
(3)通过使用损失函数对权重和偏置进行偏导数的链式法则计算，得到每个参数对损失函数的梯度，使用梯度下降算法来更新权重和偏置：
(4)重复步骤(1)-(3)，直到损失函数收敛或达到预设的停止条件。
7.根据权利要求1所述的一种基于大数据的多源电力调度方法，其特征在于，所述步骤S4具体为：
将每个粒子表示为一个可能的电力调度方案，其中每个粒子包含了各电力源的发电量，使用一个n维向量表示一个粒子，向量的每个元素xij表示第i个粒子的第j个电力源的发电量；
随机生成一定数量的粒子，每个粒子的位置在合理的范围内进行随机初始化，代表了不同的发电量分配方案；
适应度函数表示为：
其中，Pitoal是第i个粒子的总发电量，D是电力需求，Cj是第j个电力源的发电成本，Pij是第i个粒子的第j个电力源的发电量；
更新粒子位置和速度：
速度更新公式为：
vij(t+1)＝ο·vij(t)+c1·r1·(Pijbest-xij(t))+c2·r2·(gijbest-xij(t))；
其中，vij(t+1)是第i个粒子的第j个维度的速度，xij(t)是第i个粒子的第j个维度在t时刻的位置，Pijbest是第i个粒子历史上最优的位置，gijbest是全局历史上最优的位置，ο是惯性权重，c1和c2是加速因子，r1和r2是在0到1之间的随机数；
位置更新公式为：
xij(t+1)＝xij(t)+vij(t+1)；
其中，xij(t+1)是第i个粒子的第j个维度的位置；
通过不断迭代更新粒子的位置和速度，得到最优的电力调度方案。
8.一种基于大数据的多源电力调度系统，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-6任一项所述的一种基于大数据的多源电力调度方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042346.1A CN117767446A (zh) | 2024-01-11 | 2024-01-11 | 基于大数据的多源电力调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042346.1A CN117767446A (zh) | 2024-01-11 | 2024-01-11 | 基于大数据的多源电力调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117767446A true CN117767446A (zh) | 2024-03-26 |
Family
ID=90310822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410042346.1A Pending CN117767446A (zh) | 2024-01-11 | 2024-01-11 | 基于大数据的多源电力调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117767446A (zh) |
-
2024
- 2024-01-11 CN CN202410042346.1A patent/CN117767446A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114004139B (zh) | 一种光伏发电功率预测方法 | |
| CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
| CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
| Lu et al. | A hybrid approach for day-ahead forecast of PV power generation | |
| CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
| CN103473621A (zh) | 风电场短期功率预测方法 | |
| CN105512766A (zh) | 一种风电场功率预测方法 | |
| CN110400018B (zh) | 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置 | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
| CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
| CN117439101A (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| CN113705086A (zh) | 一种基于Elman误差修正的超短期风电功率预测方法 | |
| 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 | |
| Tharani et al. | Machine learning models for renewable energy forecasting | |
| CN117595231B (zh) | 一种智能电网配网管理系统及其方法 | |
| CN112990533B (zh) | 一种稀疏约束和动态权重分配的风电集群功率预测方法 | |
| CN117967497A (zh) | 一种基于风速适时监测风力发电机组双模控制方法及系统 | |
| CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
| CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
| CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
| CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
| CN117313351A (zh) | 一种安全的数据中心优化冷量预测方法与系统 | |
| CN117767446A (zh) | 基于大数据的多源电力调度方法及系统 |
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 |