CN117787579A - 智能交直流微网能量管理系统及能量调度方法 - Google Patents
智能交直流微网能量管理系统及能量调度方法 Download PDFInfo
- Publication number
- CN117787579A CN117787579A CN202211142828.1A CN202211142828A CN117787579A CN 117787579 A CN117787579 A CN 117787579A CN 202211142828 A CN202211142828 A CN 202211142828A CN 117787579 A CN117787579 A CN 117787579A
- Authority
- CN
- China
- Prior art keywords
- micro
- data
- grid
- load
- predicted
- 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 29
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000005457 optimization Methods 0.000 claims description 52
- 238000010606 normalization Methods 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 abstract description 22
- 230000000694 effects Effects 0.000 abstract description 11
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 23
- 238000004146 energy storage Methods 0.000 description 18
- 238000004519 manufacturing process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提出一种智能交直流微网能量管理系统及能量调度方法，包括数据处理模块、负荷预测模块，以及能量调度模块，其中，数据处理模块，用于获取微网信息样本；负荷预测模块，用于根据微网信息样本对微网负荷进行预测处理，生成目标预测结果；能量调度模块，用于根据目标预测结果，对微网能量进行调度处理。通过本公开能够实现交直流微网能量的智能调度，能够综合多种因素多角度分配调度计划，有效增加微网能量调度处理的准确性与实用性，提升微网能量调度处理的效果，增强发电侧设备的可拓展性，进而有效扩展智能交直流微网能量管理系统的应用场景。
Description
技术领域
本公开涉及能源调度技术领域，尤其涉及一种智能交直流微网能量管理系统及能量调度方法。
背景技术
微网对于分布式电源的有效利用及灵活、智能控制等特点，使其在解决环保问题和电能质量方面表现出极大潜能，已经受到世界各国的普遍关注。但是，分布式风光发电系统随着气象条件和环境因素的变化而变化，具有较强的随机性，不能保证供电的连续性，因此，微网中配置相应的分布式储能单元，从而实现快速启停与充放电管理。
相关技术中，搭建控制系统实现微网分布式运行优化。
这种方式下，无法全方位多角度考量微网运行优化的因素，从而导致微网能量调度处理具有局限性，且可拓展性较差，同时微网能量调度处理的准确性与实用性较低，微网能量调度处理的效果不足。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本公开的目的在于提出一种智能交直流微网能量管理系统及能量调度方法，能够综合多种因素多角度分配调度计划，有效增加微网能量调度处理的准确性与实用性，提升微网能量调度处理的效果，增强发电侧设备的可拓展性，进而有效扩展智能交直流微网能量管理系统的应用场景。
本公开第一方面实施例提出的智能交直流微网能量管理系统，包括：数据处理模块、负荷预测模块，以及能量调度模块，其中，数据处理模块，用于获取微网信息样本，其中，微网信息样本包括：光伏信息样本与风力信息样本；负荷预测模块，用于根据微网信息样本对微网负荷进行预测处理，生成目标预测结果；能量调度模块，用于根据目标预测结果，对微网能量进行调度处理。
本公开第一方面实施例提出的智能交直流微网能量管理系统，通过设置数据处理模块、负荷预测模块与能量调度模块，实现多角度全方位对微网能量进行调度处理，进而实现交直流微网能量的智能调度，能够综合多种因素多角度分配调度计划，有效增加微网能量调度处理的准确性与实用性，提升微网能量调度处理的效果，增强发电侧设备的可拓展性，进而有效扩展智能交直流微网能量管理系统的应用场景。
本公开第二方面实施例提出的智能交直流微网能量调度方法，包括：获取微网信息样本，其中，微网信息样本包括：光伏信息样本与风力信息样本；对微网信息样本进行数据处理，生成待预测数据；基于待预测数据，搭建负荷预测模型，生成目标预测结果；根据目标预测结果，搭建多目标协同优化模型；以及基于多目标协同优化模型对交直流微网能量进行调度管理。
本公开第二方面实施例提出的智能交直流微网能量调度方法，通过获取微网信息样本，其中，微网信息样本包括：光伏信息样本与风力信息样本；对微网信息样本进行数据处理，生成待预测数据；基于待预测数据，搭建负荷预测模型，生成目标预测结果；根据目标预测结果，搭建多目标协同优化模型；以及基于多目标协同优化模型对交直流微网能量进行调度管理，由于是基于负荷预测模型对微网进行负荷预测，且基于多目标协同优化模型对交直流微网能量进行调度管理，能够综合多种因素多角度分配调度计划，有效增加微网能量调度处理的准确性与实用性，提升微网能量调度处理的效果，增强发电侧设备的可拓展性，进而有效扩展智能交直流微网能量管理的应用场景。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本公开一实施例提出的智能交直流微网能量管理系统的结构示意图；
图2是本公开另一实施例提出的光伏负荷预测模型的结构示意图；
图3是本公开另一实施例提出的风力负荷预测模型的结构示意图；
图4是本公开另一实施例提出的能量调度的结构示意图；
图5是本公开另一实施例提出的智能交直流微网能量调度方法的流程示意图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本公开一实施例提出的智能交直流微网能量管理系统的结构示意图。
如图1所示，该智能交直流微网能量管理系统10，包括：数据处理模块101、负荷预测模块102，以及能量调度模块103，其中，
数据处理模块101，用于获取微网信息样本，其中，微网信息样本包括：光伏信息样本与风力信息样本。
负荷预测模块102，用于根据微网信息样本对微网负荷进行预测处理，生成目标预测结果。
能量调度模块103，用于根据目标预测结果，对微网能量进行调度处理。
其中，微网信息样本，是待进行负荷预测的样本信息，微网信息样本可以包含风力相关的微网信息样本与光能相关的微网信息样本，以基于风力与光能分别进行负荷预测。
可选地，在本公开的一些实施例中，数据处理模块101可以采集微网数据，其中，微网数据包括：微网负荷数据、天气数据以及日期类型数据；对微网负荷数据进行采样处理，生成微网负荷样本；对天气数据进行采样处理，生成天气样本；对日期类型数据进行采样处理，生成日期类型样本；将微网负荷样本、天气样本，以及日期类型样本共同作为微网信息样本，由于是通过微网数据进行数据采样获取微网信息样本，能够根据实际生产情况选取微网信息样本，保证微网信息样本的实用性，使得微网信息样本更符合实际生产情况。
其中，微网负荷数据，是指定时间范围内微网中的能源负荷相关的数据信息，该微网负荷数据，可以具体例如为不同时间段所对应的能源功率。
其中，天气数据，为指定时间范围内所对应的天气信息，如晴天、雨天、小雪、大雪等天气特征信息、温度信息等。
其中，日期类型数据，具体可以包括工作日与休息日，也即是说，将日期划分为工作日类型与休息日类型，以得到日期类型数据，当然，本公开实施例的日期类型数据还可以根据实际生产情况动态设置，如生产日期、维修日期等多种日期类型，对此不做限制。
本公开实施例中，可以采集指定时间范围内风电相关的微网负荷数据、光伏相关的微网负荷数据、天气数据以及日期类型数据，共同作为微网数据，并从微网数据中采样得到微网信息样本。
举例而言，可以设置选取待测日前100天内的风电相关的微网负荷数据、光伏相关的微网负荷数据、该100天时间范围的天气数据，以及该100天时间范围内所对应的日期类型数据，将其共同作为微网数据，并根据实际生产情况，选取微网负荷样本、天气样本，以及日期类型样本作为微网信息样本，则该100天的时间范围，可以被称为样本时间范围。
在本公开的一些实施例中，微网信息样本的选取可以由人工手动选取，或者，也可以对微网数据进行数据勘探，丢弃其中错误数据与不符合要求的微网数据，以得到微网信息样本，或者，也可以对微网数据进行数据处理，如数据修正处理，对于缺失或者超限等异常的微网数据采用差分方式补齐等，对此不做限制。
在本公开的一些实施例中，在经过数据处理模块101获取微网样本数据之后，可以使用负荷预测模块102根据微网样本数据对微网中的能源负荷进行预测。
可选地，一些实施例中，根据微网信息样本对微网负荷进行预测处理，生成目标预测结果，可以是对微网信息样本进行数据预处理，生成待预测数据；基于待预测数据，对微网负荷进行预测处理，生成目标预测结果。
其中，数据预处理，可以具体例如为数据量化处理与数据归一化处理。对微网信息样本进行数据预处理，经由数据预处理得到数据，可以被称为待预测数据，待预测数据可以用于对微网负荷进行预测处理。
本公开实施例中，可以对微网负荷样本进行数据归一化处理，生成归一化数据；对天气样本、日期类型样本进行数据量化处理，生成量化数据；将归一化数据与量化数据共同作为待预测数据。
其中，对微网负荷样本进行数据归一化处理，可以有效避免输入的待预测数据因数值过大而导致过饱和现象，从而有效保证待预测数据的适用性，提升数据处理效果。
本公开实施例中，可以设置数据归一化公式，以基于该数据归一化公式对微网负荷样本进行归一化处理，举例而言，数据归一化公式可以具体例如为：
式(1)中，Pmax为微网负荷样本中的最大值，Pmin为微网负荷样本中的最小值，P为微网负荷样本，Pn为归一化后的微网负荷样本，也即归一化数据。可以理解的是，对微网信息样本中的其他变量进行归一化处理与对微网负荷样本进行归一化处理类似，对此不做赘述。
本公开实施例中，对天气样本、日期类型样本进行数据量化处理，生成量化数据，也即是说，可以根据实际生产规律，将天气样本与日期类型样本进行数据量化，使其量化为能够进行数据计算的量化值，该量化值可以被称为量化数据。
本公开实施例中，可以将天气样本根据天气特点进行量化处理，举例而言，如表一所示：
表一天气样本的量化结果
如表1所示，将天气样本中的晴天量化为1、多云量化为0.9、阴天量化为0.8等，从而能够在负荷预测的过程中加入天气信息的影响，进而提升负荷预测的准确率，保证负荷预测的客观性与实用性。
本公开实施例中，在对日期类型样本进行量化处理时，可以将日期分为工作日与休息日，则工作日可以量化为1，休息日可以量化为0。
当然，本公开还支持使用多种其他任意可能的量化情况对天气样本、日期类型样本进行数据量化处理，可以理解的是，上述量化情况均作为示例性参考，可以根据实际情况进行动态调整，对此不做限制。
可选地，在本公开的一些实施例中，可以搭建负荷预测模型，以基于该负荷预测模型对微网负荷进行预测处理，生成目标预测结果。
其中，负荷预测模型，可以例如为神经网络模型，或者，也可以例如为数据计算模型，对此不做限制。
其中，经由负荷预测模型输出的预测结果可以被称为初始预测结果，初始预测结果的数量可以为多个，对此不做限制。
本公开实施例以负荷预测模型为神经网络模型为具体示例，搭建神经网络模型，根据神经网络模型对风力负荷与光伏负荷分别进行预测。
在本公开实施例中，对风力负荷进行预测的神经网络模型可以被称为风力负荷预测模型，对光伏负荷进行预测的神经网络模型可以被称为光伏负荷预测模型。
在本公开的一些实施例中，如图2所示，图2是本公开另一实施例提出的光伏负荷预测模型的结构示意图，基于光伏负荷预测模型对光伏负荷进行预测，可以获取样本时间范围内与光伏有关的微网负荷样本，结合天气样本的量化值(如最高气温、最低气温、平均温度、天气特征等)以及日期类型样本的量化值作为输入层，经由神经网络预测输出光伏功率预测结果，并将光伏功率预测结果作为初始预测结果。
由图2进行具体示例，设置光伏负荷预测模型中有29个神经元，包括：24个微网负荷样本、4个天气样本和1个日期类型样本，经由该光伏负荷预测模型处理，输出层包含24个光伏负荷的光伏功率预测结果(分别与24个微网负荷样本相对应)。
一些实施例中，如图3所示，图3是本公开另一实施例提出的风力负荷预测模型的结构示意图，基于神经网络算法对风力负荷进行预测，可以获取样本时间范围内与光伏有关的微网负荷样本，结合天气样本的量化值(包括风速、风向、气温、气压、湿度等)的量化值作为输入层，经由神经网络预测输出风电功率预测结果，并将风电功率预测结果作为初始预测结果。
可以理解的是，风速、风向、气温、气压、湿度等因素对风机出力均有相同或不同的影响，可以配置对应的权重值，以使得模型更符合实际生产情况，进而使得生成的初始预测结果准确性更高。
由图3进行具体示例，设置风力负荷预测模型中有6个神经元，包括：风速、风向正弦、风向余弦、气温、气压、湿度，将每隔固定时间段的风速、风向正弦、风向余弦、气温、气压、湿度等的数据输入至风力负荷预测模型，经由该风力负荷预测模型处理，输出风电功率预测结果。
可选地，在本公开的一些实施例中，可以基于初始预测结果，进行最小值与最大值的预测，以生成目标预测结果，可以对初始预测结果进行数据处理，生成第一功率阈值与第二功率阈值，其中，第一功率阈值小于第二功率阈值；根据第一功率阈值与第二功率阈值，确定目标预测结果，由于是设置第一功率阈值与第二功率阈值，将第一功率阈值与第二功率阈值之间的功率范围作为目标预测结果。能够确定风力发电侧功率与光伏发电侧功率的最小值与最大值，从而对风力侧设备的功率与光伏侧设备功率进行更好的约束，提升约束范围的准确性，进而提升目标预测结果的准确性，使得目标预测结果更具有客观性与实用性。
本公开实施例中，可以设置相应的数据处理系统，以基于该数据处理系统对初始预测结果进行数据处理，确定第一功率阈值与第二功率阈值，或者，也可以设置数据处理算法，根据数据处理算法计算，以对初始预测结果进行数据处理，确定第一功率阈值与第二功率阈值，或者，还可以直接从多个初始预测结果中选择第一功率阈值与第二功率阈值，对此不做限制。
举例而言，对风力相关的初始预测结果，可以设置数据处理算法为：风机在t时刻的第二功率阈值＝(1+10％)*风机在t时刻的初始预测结果，且第二功率阈值小于或等于风机发电的最大额定功率；风机在t时刻的第一功率阈值＝(1-10％)*风机在t时刻的初始预测结果，且第一功率阈值大于或等于0，从而有效缩短功率范围，避免直接根据额定功率进行处理导致的资源浪费。
本公开实施例中的目标预测结果可以具体包括日前预测结果与实时滚动预测结果。
其中，日前预测结果，是对待测时间点之后一段时间内的负荷情况进行预测的结果信息，相对应的，实时滚动预测结果，是对待测时间点进行实时预测生成的结果信息。
本公开实施例中，查询待预测数据的实时更新情况，如果待预测数据未进行实时更新，则将待预测数据输入至负荷预测模型中，基于负荷预测模型对微网负荷进行预测处理，生成日前预测结果，如果待预测数据进行实时更新，则将更新后的待预测数据输入至负荷预测模型中，基于负荷预测模型对微网负荷进行预测处理，生成实时滚动预测结果，由于是将日前预测结果与实时滚动预测结果共同作为目标预测结果，能够多方位预测微网负荷情况，有效提升微网负荷适用范围，增强负荷预测的实用性，提升预测效果。
在本公开的一些实施例中，能量调度模块103，可以根据第一功率阈值与第二功率阈值，配置微网能量的约束条件；基于约束条件，构建多目标协同优化模型；根据多目标协同优化模型，对微网能量进行调度处理。
在本公开的一些实施例中，可以预先设置约束条件，如基于能源发电侧总收益最大化，弃风弃光少等目标实现的约束，从而生成的约束条件，或者，也可以例如将储能设备负荷状态约束、储能容量约束、供需平衡约束、联络线波动约束等作为约束条件，可以理解的是，约束条件的设置可以根据实际生产情况动态调整，对此不做限制。
在本公开的一些实施例中，可以根据约束条件，构建多目标协同优化模型。
其中，多目标协同优化模型，可以具体例如为风力-光伏-微网-储能-负荷的协同优化模型，可以根据对为微网内风力负荷的目标预测结果与光伏负荷的目标预测结果，结合微网的储能情况，构建多目标协同优化模型，以满足约束条件。
由于是设置约束条件，并构建多目标协同优化模型，对微网能量进行调度处理，能够实现微网的协同优化，综合考虑微网荷储之间的协调互动特性，约束条件的多样性有效提升了多目标协同优化模型的优化效果，实现整个智能交直流微网能量管理系统的合理调度。
可选地，在本公开的一些实施例中，基于约束条件，构建多目标协同优化模型，可以是根据约束条件，搭建目标函数；根据目标函数，构建多目标目标协同优化模型，由于根据约束条件，搭建目标函数，从而能够有效提升目标函数的实用性，保证多目标协同优化模型在多场景的应用效果，提升多目标协同优化模型的适用范围。
在本公开的一些实施例中，可以根据能源站发电侧总收益最大化、弃风弃光少等生产需求，结合约束条件构建目标函数。
在本公开的一些实施例中，如果根据能源站发电侧总收益最大化构建目标函数，则目标函数可以具体例如为：总收益＝发电侧发电的卖电收益-发电对设备的损耗成本+储能放电收益-储能开关机成本+与主电网交换的成本。
如式(2)所示，其中，Pw,i(t)表示第i台风机在t时刻的出力值；Ppv,j(t)表示第i台光伏在t时刻的出力值；BP(t)表示第t时刻的风光发电的卖点价格；Kw,i(t)表示t时刻i台风机的运行维护系数；Kpv,j(t)表示t时刻i台光伏的运行维护系数；SOCL(t)表示t时刻第l台储能的存储功率；SS,l(t)表示t时刻第l台储能单元的启停成本；ul(t)表示t时刻第l台储能的开关机状态(值为1则表示开机，值为0则表示关机)；Pgrid(t)为t时刻与电网交换的电量；Bgrid(t)为t时刻与主电网交换的电价，如果余电上网，则为正值，如果从电网购电，则为负值，否则为0。
在本公开的另一些实施例中，如果根据弃风弃光少构建目标函数，则目标函数可以具体例如为：
如式(3)所示，其中，Pw,i(t)表示第i台风机在t时刻的出力值；Ppv,i(t)表示第i台光伏在t时刻的出力值；SOCl(t)表示t时刻第l单元储能电池的荷电状态。
当然本公开实施例还支持动态配置能源站发电侧总收益最大化、弃风弃光少等生产需求对应的权重值，以满足实现多需求的智能化调度。
在本公开的一些具体的实施例中，约束条件为储能设备负荷状态约束时，可以如下式所示：
SOCmin≤SOCl(t)≤SOCmax (5)
如式(4)与式(5)所示，其中，t表示时刻；Pc(t)表示t时刻的充电功率；Pd(t)表示t时刻的放电功率；Δt表示充放电过程的持续时间；ηin表示储能的充电的效率；ηout表示储能的放电的效率。
在本公开的一些具体的实施例中，约束条件为供需平衡约束时，用户的用电负荷＝风电发电负荷+光伏发电负荷+储能放电负荷+与大电网的交互负荷，可以如下式所示：
如式(6)所示，其中，Fg(t)为每个用户在t时刻的用电负荷。
在本公开的一些具体的实施例中，约束条件为发电功率约束时，可以如下式所示：
如式(7)与式(8)所示，其中，为风机在第i单元t时刻预测的最小和最大输出功率；Pw,max为风机的最大输出额定功率；/>为光伏在第i单元t时刻预测的最小输出功率；/>为光伏在第i单元t时刻预测的最大输出功率；Ppv,max为光伏的最大输出额定功率。
在本公开的一些具体的实施例中，约束条件为联络线波动约束(即微网与主网交互的最大功率约束)时，可以如下式所示：
其中，表示微网与大电网能量交换的功率下限；/>表示微网与大电网能量交换的功率上限。
在本公开实施例中，可以基于实际生产情况，确定约束条件，构建目标函数，以基于目标函数，搭建多目标协同优化模型。
本公开实施例中，可以基于粒子群多目标优化算法，搭建多目标协同优化模型，将微网中的所有风电、光伏和储能等各个不同位置的设备分别看作一个粒子，则粒子群多目标优化算法的输入可以为：各设备第一功率阈值与第二功率阈值，以及储能的荷电状态，储能设备的启停状态等，以能源发电侧总收益最大化，以及弃风弃光少为目标分别设置目标函数，当两目标函数按各占1/2的综合比率达到最优值且满足约束条件时，输出不同设备的出力值，实现设备出力的协同优化调度。
另一些实施例中，还可以搭建多目标优化系统，以基于多目标优化系统，实现设备出力的协同优化调度，搭建多目标协同优化模型，或者，还可以根据实际生产情况使用多种其他任意可能的实现方式确定约束条件，构建目标函数，以基于目标函数，搭建多目标协同优化模型，对此不做限制。
可选地，在本公开的一些实施例中，可以查询待预测数据的更新情况；如果待预测数据进行实时更新，则将实时滚动预测结果输入至多目标协同优化模型中，以生成实时能量调度方案；根据实时能量调度方案，对微网能量进行调度处理，由于是设置待预测数据进行实时更新，生成实时能量调度方案，能够根据实时更新的待预测数据，不断优化调度，提升调度的准确性，保证能量调度效率与效果。
其中，实时能量调度方案，是能量调度方案的一种，用于对微网能量进行实时调度的方案。
本公开实施例中的实时能量调度方案能够为能源站的发电功率的定价以及储能设备的控制提供实时参考，进而保障能源站的经济效益与生产效率。
本公开实施例中，如图4所示，图4是本公开另一实施例提出的能量调度的结构示意图，获取微网数据，包括风力数据与光伏数据，对微网数据进行数据处理，得到待预测数据，查询待预测数据的实时更新情况，在未检测到待预测数据进行实时更新时，可以直接基于未更新的待预测数据，生成日前预测结果，构建多目标协同优化模型，得到日前能量调度方案，以用于对未来一段时间的能量调度进行预测处理；在检测到待预测数据进行实时更新时，可以直接根据已更新的待预测数据生成实时滚动预测结果，构建多目标协同优化模型，生成实时能量调度方案，以实现根据实时能量调度方案对微网能量的实时调度处理。
图5是本公开另一实施例提出的智能交直流微网能量调度方法的流程示意图。
如图5所示，该智能交直流微网能量调度方法，包括：
S501：获取微网信息样本，其中，微网信息样本包括：光伏信息样本与风力信息样本。
本公开实施例中，获取微网信息样本，可以是从存储装置(如数据库、云端等)中采集微网负荷数据、天气数据以及日期类型数据，并将微网负荷数据、天气数据以及日期类型数据作为微网数据，对微网数据进行处理得到微网信息样本，或者，也可以实时采集正在运行的微网数据，以将实时采集得到的微网数据直接作为微网信息样本，对此不做限制。
本公开实施例中，获取微网信息样本，以将该微网信息样本作为后续负荷预测与能量调度的数据基础，基于微网信息样本执行后续的负荷预测与能量调度步骤。
S502：对微网信息样本进行数据处理，生成待预测数据。
可以理解的是，微网数据中包括：微网负荷数据、天气数据以及日期类型数据，而微网信息样本为从微网数据中采样得到的样本数据，则微网信息样本中也可以包括采样后得到的微网负荷样本、天气样本以及日期类型样本。
在本公开实施例中，可以对对微网负荷样本进行数据归一化处理，生成归一化数据，对天气样本、日期类型样本进行数据量化处理，生成量化数据，将归一化数据与量化数据整合作为待预测数据。
S503：基于待预测数据，搭建负荷预测模型，生成目标预测结果。
本公开实施例中，可以使用预处理的神经网络模型作为负荷预测模型，在负荷预测模型输入待预测数据，以基于负荷预测模型对待预测数据进行数据处理，得到目标预测结果。
本公开实施例的目标预测结果可以为微网中各设备的功率值，或者，也可以根据功率值设置功率范围(也即第一功率阈值与第二功率阈值之间的范围)，并将该功率范围作为目标预测结果，对此不做限制。
S504：根据目标预测结果，搭建多目标协同优化模型。
本公开实施例中，可以预设约束条件，以根据约束条件搭建目标函数，而后根据目标函数搭建多目标协同优化模型。
本公开实施例的约束条件可以具体例如为储能设备负荷状态约束、储能设备容量约束、供需平衡约束，以及联络线波动约束等，对此不做限制。
也即是说，本公开实施例可以基于能源发电侧总收益最大化、弃风弃光少等目标，设置约束条件并搭建目标函数，并根据目标函数，搭建多目标协同优化模型。
S505：基于多目标协同优化模型对交直流微网能量进行调度管理。
本公开实施例中，可以经由多目标协同优化模型，对微网内的多个设备进行日前管理，并对可调资源(如设备运行功率、设备运行时间等)进行多目标协同优化调度。
本公开实施例中，还可以在多目标协同优化调度模型中输入实时数据，以及与多目标协同优化调度模型，根据实时数据对可调资源进行实时的多目标协同优化调度，保证调度方案的实时性、可靠性与准确性。
一些实施例中，可以使用多目标粒子群算法实现交直流微网能量的智能调度管理。
另一些实施例中，还可以使用其他任意可能的算法或方式，以实现交直流微网能量的智能调度管理，对此不做限制。
本实施例中，通过获取微网信息样本，其中，微网信息样本包括：光伏信息样本与风力信息样本；对微网信息样本进行数据处理，生成待预测数据；基于待预测数据，搭建负荷预测模型，生成目标预测结果；根据目标预测结果，搭建多目标协同优化模型；以及基于多目标协同优化模型对交直流微网能量进行调度管理，由于是基于负荷预测模型对微网进行负荷预测，且基于多目标协同优化模型对交直流微网能量进行调度管理，能够综合多种因素多角度分配调度计划，有效增加微网能量调度处理的准确性与实用性，提升微网能量调度处理的效果，增强微网发电侧设备的可拓展性，进而有效扩展智能交直流微网能量管理的应用场景。
需要说明的是，在本公开的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储系统中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储系统，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种智能交直流微网能量管理系统，其特征在于，所述智能交直流微网能量管理系统包括：数据处理模块、负荷预测模块，以及能量调度模块；其中，
所述数据处理模块，用于获取微网信息样本，其中，所述微网信息样本包括：光伏信息样本与风力信息样本；
所述负荷预测模块，用于根据所述微网信息样本对微网负荷进行预测处理，生成目标预测结果；
所述能量调度模块，用于根据所述目标预测结果，对所述微网能量进行调度处理。
2.如权利要求1所述的智能交直流微网能量管理系统，其特征在于，所述数据处理模块，具体用于：
采集微网数据，其中，所述微网数据包括：微网负荷数据、天气数据以及日期类型数据；
对所述微网负荷数据进行采样处理，生成微网负荷样本；
对所述天气数据进行采样处理，生成天气样本；
对所述日期类型数据进行采样处理，生成日期类型样本；
将所述微网负荷样本、所述天气样本，以及所述日期类型样本共同作为所述微网信息样本。
3.如权利要求2所述的智能交直流微网能量管理系统，其特征在于，所述负荷预测模块，具体用于：
对所述微网信息样本进行数据预处理，生成待预测数据；
基于所述待预测数据，对所述微网负荷进行预测处理，生成目标预测结果。
4.如权利要求3所述的智能交直流微网能量管理系统，其特征在于，所述对所述微网信息样本进行数据预处理，生成待预测数据，包括：
对所述微网负荷样本进行数据归一化处理，生成归一化数据；
对所述天气样本、所述日期类型样本进行数据量化处理，生成量化数据；
将所述归一化数据与所述量化数据共同作为所述待预测数据。
5.如权利要求4所述的智能交直流微网能量管理系统，其特征在于，在所述基于所述待预测数据，对所述微网负荷进行预测处理，生成目标预测结果之前，还包括：
搭建负荷预测模型；
所述基于所述待预测数据，对所述微网负荷进行预测处理，生成目标预测结果，包括：
输入所述待预测数据，基于所述负荷预测模型处理，输出初始预测结果；
对所述初始预测结果进行数据处理，生成第一功率阈值与第二功率阈值，其中，所述第一功率阈值小于所述第二功率阈值；
根据所述第一功率阈值与所述第二功率阈值，确定目标预测结果。
6.如权利要求5所述的智能交直流微网能量管理系统，其特征在于，所述对所述微网负荷进行预测处理，生成目标预测结果，包括：
查询所述待预测数据的实时更新情况；
如果所述待预测数据未进行实时更新，则将所述待预测数据输入至所述负荷预测模型中，基于所述负荷预测模型对所述微网负荷进行预测处理，生成日前预测结果；
如果所述待预测数据进行实时更新，则将所述更新后的待预测数据输入至所述负荷预测模型中，基于所述负荷预测模型对所述微网负荷进行预测处理，生成实时滚动预测结果；
将所述日前预测结果与所述实时滚动预测结果共同作为所述目标预测结果。
7.如权利要求6所述的智能交直流微网能量管理系统，其特征在于，所述根据所述目标预测结果，对所述微网能量进行调度处理，包括：
根据所述第一功率阈值与所述第二功率阈值，配置所述微网能量的约束条件；
基于所述约束条件，构建多目标协同优化模型；
根据所述多目标协同优化模型，对所述微网能量进行调度处理。
8.如权利要求7所述的智能交直流微网能量管理系统，其特征在于，所述基于所述约束条件，构建多目标协同优化模型，包括：
根据所述约束条件，搭建目标函数；
根据所述目标函数，构建所述多目标协同优化模型。
9.如权利要求8所述的智能交直流微网能量管理系统，其特征在于，所述根据所述多目标协同优化模型，对所述微网能量进行调度处理，包括：
查询所述待预测数据的更新情况；
如果所述待预测数据进行实时更新，则对已更新的待预测数据进行预测处理，生成实时滚动预测结果；
将所述实时滚动预测结果输入至所述多目标协同优化模型中，以生成实时能量调度方案；
根据所述实时能量调度方案，对所述微网能量进行调度处理。
10.一种智能交直流微网能量调度方法，其特征在于，所述方法包括：
获取微网信息样本，其中，所述微网信息样本包括：光伏信息样本与风力信息样本；
对所述微网信息样本进行数据处理，生成所述待预测数据；
基于所述待预测数据，搭建所述负荷预测模型，生成目标预测结果；
根据所述目标预测结果，搭建所述多目标协同优化模型；以及
基于所述多目标协同优化模型对所述交直流微网能量进行调度管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211142828.1A CN117787579A (zh) | 2022-09-20 | 2022-09-20 | 智能交直流微网能量管理系统及能量调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211142828.1A CN117787579A (zh) | 2022-09-20 | 2022-09-20 | 智能交直流微网能量管理系统及能量调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117787579A true CN117787579A (zh) | 2024-03-29 |
Family
ID=90385537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211142828.1A Pending CN117787579A (zh) | 2022-09-20 | 2022-09-20 | 智能交直流微网能量管理系统及能量调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787579A (zh) |
-
2022
- 2022-09-20 CN CN202211142828.1A patent/CN117787579A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm | |
| Zargar et al. | Development of a Markov-chain-based solar generation model for smart microgrid energy management system | |
| Zhang et al. | Greenware: Greening cloud-scale data centers to maximize the use of renewable energy | |
| Kang et al. | How to better share energy towards a carbon-neutral city? A review on application strategies of battery energy storage system in city | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| Ganguly et al. | Solar–wind hybrid renewable energy system: current status of research on configurations, control, and sizing methodologies | |
| Cen et al. | Demonstration study of hybrid solar power generation/storage micro-grid system under Qatar climate conditions | |
| CN110011358B (zh) | 一种配电网负荷状态调节控制器 | |
| KR20140087965A (ko) | 에너지 발전량 예측 시스템 | |
| Oprea et al. | Mind the gap between PV generation and residential load curves: Maximizing the roof-top PV usage for prosumers with an IoT-based adaptive optimization and control module | |
| Tahir et al. | Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days | |
| Kanchana et al. | PV Power Forecasting with Holt-Winters Method | |
| CN117060474A (zh) | 一种新能源充电站的调度方法、系统、设备及存储介质 | |
| KR102628551B1 (ko) | 하이브리드 타입 단기 전력수요 예측 장치 및 방법 | |
| CN106339773B (zh) | 基于灵敏度的主动配电网分布式电源定容规划方法 | |
| CN109726416B (zh) | 一种基于新能源集群预测及潮流计算的调度决策方法 | |
| CN117236638B (zh) | 基于多模态网络的运河微电网分布式能量管理系统 | |
| Bokopane et al. | Optimal power dispatching for a grid-connected electric vehicle charging station microgrid with renewable energy, battery storage and peer-to-peer energy sharing | |
| JP5509004B2 (ja) | 売電調整サーバ及び方法 | |
| CN109494794B (zh) | 区域分布式储能优化调度方法及装置 | |
| Kaushik et al. | Performance Analysis of Regression Models in Solar PV Forecasting | |
| Iqbal et al. | Analysis and comparison of various control strategy of hybrid power generation a review | |
| CN117787579A (zh) | 智能交直流微网能量管理系统及能量调度方法 | |
| Yao et al. | Design of short-term dispatch strategy to maximize income of a wind power-energy storage generating station | |
| Souissi et al. | Dynamic forecasting-based load control of an autonomous photovoltaic installation |
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 |