CN117875603A - 基于功率损耗的飞轮阵列功率匹配协同优化方法及装置 - Google Patents
基于功率损耗的飞轮阵列功率匹配协同优化方法及装置 Download PDFInfo
- Publication number
- CN117875603A CN117875603A CN202311676739.XA CN202311676739A CN117875603A CN 117875603 A CN117875603 A CN 117875603A CN 202311676739 A CN202311676739 A CN 202311676739A CN 117875603 A CN117875603 A CN 117875603A
- Authority
- CN
- China
- Prior art keywords
- flywheel
- power
- output power
- monomer
- array
- 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 48
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 239000000178 monomer Substances 0.000 claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 abstract description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 241000239290 Araneae Species 0.000 description 4
- 239000003016 pheromone Substances 0.000 description 4
- 241000238866 Latrodectus mactans Species 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本公开的实施例提供了基于功率损耗的飞轮阵列功率匹配协同优化方法及装置,应用于物理储能技术领域。所述方法包括根据各飞轮单体的指令输出功率与实际输出功率分别构建各飞轮单体指令输出功率预测模型;通过潮流计算获取飞轮阵列功率匹配需求值;根据所述飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配实际需求输出功率;将各飞轮单体实际需求输出功率输入所述各飞轮单体指令输出功率预测模型,获取各飞轮单体预测指令输出功率;根据各飞轮单体预测指令输出功率获取各飞轮单体输出的实际功率。以此方式,可以减少飞轮阵列的功率损耗与寿命损耗,实现飞轮阵列功率匹配协同优化调度,有效提升电网稳定性与调度效率。
Description
技术领域
本公开涉及物理储能技术领域,进一步地涉及飞轮阵列储能领域,尤其涉及基于功率损耗的飞轮阵列功率匹配协同优化方法及装置。
背景技术
随着新能源发电在电力系统的占比逐步增加,对新型电力系统快速小幅度调频的能力提出了更高的要求,同时大规模的新能源并网和使用将在不同程度上影响主网的稳定性和可靠性。大容量储能装置的应用对电网的安全、稳定运行,提升电能质量等方面有重要作用。飞轮储能技术作为一种新型物理储能技术,与传统的化学电池相比,具有无污染、使用寿命长、储能密度高等优点。因此,飞轮储能技术以其快速响应性和高功率密度的特点在辅助火电机组调频和提高新能源消纳等领域得到广泛的研究和应用,但是如何减少飞轮储能阵列在运行过程中的功率损耗和寿命损耗这一问题还并未得到有效解决。
发明内容
本公开提供了一种基于功率损耗的飞轮阵列功率匹配协同优化方法及装置。
根据本公开的第一方面,提供了一种基于功率损耗的飞轮阵列功率匹配协同优化方法。该方法包括:
根据各飞轮单体的指令输出功率与实际输出功率分别构建各飞轮单体指令输出功率预测模型;
通过潮流计算获取飞轮阵列功率匹配需求值;
根据所述飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配实际需求输出功率;
将各飞轮单体实际需求输出功率输入所述各飞轮单体指令输出功率预测模型,获取各飞轮单体预测指令输出功率;
根据各飞轮单体预测指令输出功率获取各飞轮单体输出的实际功率。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据各飞轮单体的指令输出功率与实际输出功率分别构建各飞轮单体指令输出功率预测模型,包括:
根据所述各飞轮单体的指令输出功率与实际输出功率组成的数据集,基于多项式回归算法拟合各实际输出功率-指令输出功率曲线;
基于所述各实际输出功率-指令输出功率曲线分别构建各飞轮单体指令输出功率预测模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配实际需求输出功率,包括:
根据所述飞轮阵列功率匹配需求值,获取飞轮阵列运行时总损耗功率;
将飞轮阵列运行时响应功率分配的飞轮个数作为飞轮阵列使用寿命损耗;
以所述飞轮阵列运行时总损耗功率最小和使用寿命损耗最小为优化目标,建立飞轮阵列功率损耗与使用寿命损耗优化数学模型;
基于黑寡妇算法求解所述飞轮阵列功率损耗与使用寿命损耗优化数学模型,为各飞轮单体分配实际需求输出功率。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述飞轮阵列功率匹配需求值,获取飞轮阵列运行时总损耗功率,包括:
根据各飞轮单体指令输出功率计算飞轮阵列的指令输出功率;
根据所述飞轮阵列的指令输出功率和飞轮阵列功率匹配需求值,获取飞轮阵列运行时总损耗功率。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述飞轮阵列功率损耗与使用寿命损耗优化数学模型的目标函数f为:
min f=c1Ploss_array+c2M
其中,Ploss_array为阵列运行时的总损耗功率,M为飞轮阵列中响应功率分配的飞轮个数,c1、c2为权重系数。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述基于黑寡妇算法求解飞轮阵列功率损耗与使用寿命损耗优化数学模型,为各飞轮单体分配实际需求输出功率,包括:
基于黑寡妇算法求解所述飞轮阵列功率损耗与使用寿命损耗优化数学模型,获取最优黑寡妇位置;
根据所述最优黑寡妇位置对应的响应飞轮以及所述响应飞轮的实际输出功率,为各飞轮单体分配实际需求输出功率。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,若存在飞轮单体的实际输出功率与实际需求输出功率的差值不在预设差值范围内,则修正所述指令输出功率预测模型。
根据本公开的第二方面,提供了一种基于功率损耗的飞轮阵列功率匹配协同优化装置。该装置包括:
建模模块,用于根据各飞轮单体的指令输出功率与实际输出功率分别构建各飞轮单体指令输出功率预测模型;
获取模块,用于通过潮流计算获取飞轮阵列功率匹配需求值;
分配模块,用于根据所述飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配实际需求输出功率;
所述获取模块,还用于将各飞轮单体实际需求输出功率输入所述各飞轮单体指令输出功率预测模型,获取各飞轮单体预测指令输出功率;
输出模块,用于根据各飞轮单体预测指令输出功率获取各飞轮单体输出的实际功率。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面和/或第二发面的方法。
本公开首先利用由指令输出功率与实际输出功率组成的数据集,构建飞轮单体指令输出功率预测模型。其次通过建立不同工况下的飞轮储能接入配电网潮流匹配模型,获取飞轮阵列功率匹配需求值,并根据飞轮阵列功率匹配需求值基于黑寡妇算法为各飞轮单体分配实际需求输出功率,减少了飞轮阵列的功率损耗与寿命损耗,实现了飞轮阵列功率匹配协同优化调度,能够有效提升电网稳定性与调度效率。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开的实施例的基于功率损耗的飞轮阵列功率匹配协同优化方法的流程图;
图2示出了根据本公开的实施例的飞轮阵列协同调度流程图;
图3示出了根据本公开的实施例的基于黑寡妇算法的功率分配流程图;
图4示出了根据本公开的实施例的基于功率损耗的飞轮阵列功率匹配协同优化装置的框图;
图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本公开中,为了减少飞轮储能阵列在运行过程中的功率损耗和使用寿命损耗,提供了一种基于功率损耗的飞轮阵列功率匹配协同优化方法,利用由各飞轮单体的指令输出功率与实际输出功率组成的数据集,基于多项式回归理论构建指令输出功率预测模型,并通过潮流计算获得飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配功率需求,减少飞轮阵列的功率损耗与寿命损耗,实现飞轮阵列功率匹配协同优化调度,有效提升电网稳定性与调度效率。
图1示出了根据本公开实施例的基于功率损耗的飞轮阵列功率匹配协同优化方法100的流程图。如图1所示,方法100包括:
S110,根据各飞轮单体的指令输出功率与实际输出功率分别构建各飞轮单体指令输出功率预测模型。
在一些实施例中,可以根据各飞轮单体的指令输出功率与实际输出功率组成的数据集,基于多项式回归算法拟合各实际输出功率-指令输出功率曲线,然后根据各实际输出功率-指令输出功率曲线分别构建各飞轮单体指令输出功率预测模型。
具体地,构建指令输出功率预测模型包括以下步骤:
S111:收集数据:收集飞轮单体的指令输出功率与实际输出功率,以飞轮单体的实际输出功率为自变量x,指令输出功率为因变量y;
其中,飞轮单体的指令输出功率与实际输出功率可以是通过物联网监测系统实时监测得到的。
S112:准备数据:将飞轮单体的指令输出功率与实际输出功率进行预处理,将预处理后的数据分为训练数据集和测试数据集,并使其适合多项式回归算法的要求。
其中,对飞轮单体的指令输出功率与实际输出功率进行预处理包括对数据进行清洗、处理和转换,其目的是剔除掉上述指令输出功率与实际输出功率中的无关数据、重复数据或平滑噪声数据,提高数据质量,并对数据进行规范化处理,将数据转换为适合多项式回归算法的形式。
S113:选择模型:选择假设函数h(x),可设为多项式:
hθ(x)=θ0+θ1x1+θ2x2+···+θnxn
其中,θ0,…,θn为待估参数,即回归系数。
S114:训练模型:使用训练数据集拟合上述多项式函数,确定回归系数的值。
其中,为了避免模型过拟合,可以采用正则化提升模型的性能和稳定性,具体地,包括以下步骤:
S114.1:构建代价函数J
其中,m为训练数据集中数据对的个数,x(i)、y(i)分别为训练数据集中第i个数据对的实际输出功率与指令输出功率,λ为正则化参数,可以控制两个不同目标之间的取舍。
S114.2:梯度下降,确定回归系数θj
其中,α为学习率;θj为第j+1个回归系数。
S115:测试模型:根据测试数据集对上述指令输出功率预测模型进行准确性验证,并根据验证结果调整上述模型参数,提高模型的准确率。
根据本公开的实施例,本公开利用由各飞轮单体的指令输出功率与实际输出功率组成的数据集,基于多项式回归理论分别构建各飞轮单体指令输出功率预测模型,不仅可以拟合复杂的非线性数据,而且建模更简单迅速,灵活性高,其次,采用正则化避免模型过拟合,可以有效提升模型的性能和稳定性。
S120,通过潮流计算获取飞轮阵列功率匹配需求值。
在一些实施例中,为了获取飞轮阵列功率匹配需求值,可以先通过物联网监测系统监测获取该地区电网所包含的源网荷储历史数据和实时运行数据,然后根据源网荷储历史数据和实时运行数据对典型场景下飞轮阵列功率匹配情况进行分析,最后通过MATpower潮流计算,获得飞轮阵列功率匹配需求值。
S130,根据所述飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配实际需求输出功率。
在一些实施例中,为了减少飞轮阵列的功率损耗与寿命损耗,可以根据飞轮阵列功率匹配需求值获取飞轮阵列运行时的总损耗功率,并将飞轮阵列运行时响应功率分配的飞轮个数作为飞轮阵列使用寿命损耗,以上述飞轮阵列运行时的总损耗功率最小和使用寿命损耗最小为优化目标,建立飞轮阵列功率损耗与使用寿命损耗优化数学模型,基于黑寡妇算法求解模型,获取各飞轮单体的实际需求功率。
在构建飞轮阵列功率损耗与使用寿命损耗优化数学模型过程中,假设飞轮阵列中有k台飞轮单体,当飞轮阵列的功率匹配需求值给定后,考虑每个飞轮单体额定功率的限制,并以飞轮单体是否出力及出力多少为决策变量,以飞轮阵列总的损耗功率最小和使用寿命损耗最小为优化目标进行建模,具体地,上述模型的目标函数f为:
min f=c1Ploss_array+c2M;
其中,Ploss_array为阵列运行时的总损耗功率,M为飞轮阵列中响应功率分配的飞轮个数,c1、c2为权重系数。
进一步地,可以根据各飞轮单体的损耗功率求解Ploss_array,即:
其中,Ploss_i为第i台飞轮电机的损耗功率:
Ploss_i=Pc_i-Pa_i;
其中,Pc_i为第i台飞轮指令输出功率;Pa_i为第i台飞轮实际输出功率。
Pc_i=h(Pa_i);
其中,为第i台飞轮的额定输出功率;Parray为潮流计算获得的飞轮阵列功率需求值。
在一些实施例中,针对上述飞轮阵列功率损耗与使用寿命损耗优化数学模型,可以采用一种启发式优化算法—黑寡妇算法进行求解,获取最优黑寡妇蜘蛛的位置,并将最优黑寡妇蜘蛛的位置对应的响应飞轮以及响应飞轮的实际输出功率,作为各飞轮单体的实际需求输出功率。
根据本公开的实施例,通过建立飞轮阵列功率损耗与使用寿命损耗优化数学模型,并基于黑寡妇算法求解模型为各飞轮单体分配功率需求,减少了飞轮阵列的功率损耗与寿命损耗,能够实现飞轮阵列功率匹配协同优化调度。
S140,将各飞轮单体实际需求输出功率分别输入对应飞轮单体指令输出功率预测模型,获取各飞轮单体预测指令输出功率。
S150,根据各飞轮单体预测指令输出功率获取各飞轮单体输出的实际功率。
在一些实施例中,为了保证飞轮按计划工作,进一步地减小误差,可以通过各飞轮单体根据预测指令输出功率输出的实际功率以及分配的实际需求输出功率的差值对飞轮单体指令输出功率预测模型进行修正。
具体地,如图2所示,若各飞轮单体输出的实际功率与其被分配的实际需求输出功率差值均在预设范围(-P~P)内,则飞轮可以根据当前预测指令输出功率进行工作,否则,根据差值对飞轮单体指令输出功率预测模型进行修正。
根据本公开的实施例,实现了以下技术效果:
(1)本公开利用由各飞轮单体的指令输出功率与实际输出功率组成的数据集,基于多项式回归理论构建指令输出功率预测模型,不仅可以拟合复杂的非线性数据,而且建模更简单迅速,灵活性高,其次,采用正则化避免模型过拟合,可以有效提升模型的性能和稳定性。
(2)通过建立飞轮阵列功率损耗与使用寿命损耗优化数学模型,并基于黑寡妇算法求解模型为各飞轮单体分配功率需求,减少了飞轮阵列的功率损耗与寿命损耗,能够实现飞轮阵列功率匹配协同优化调度。
(3)根据各飞轮单体根据预测指令输出功率输出的实际功率以及分配的实际需求输出功率的差值对飞轮单体指令输出功率预测模型进行修正,进一步减小了误差,提高了模型的精确性。
下面结合图3对本公开的基于黑寡妇算法求解飞轮阵列功率损耗与使用寿命损耗优化数学模型的过程进行详细说明。
如图3所示,首先以各飞轮单体分配到的实际功率为决策变量,初始化种群,然后根据位置更新公式更新各黑寡妇蜘蛛的位置:
其中,Xi(t+1)为更新后的黑寡妇位置,Xbest为当前黑寡妇的最优位置;m为[0.4,0.9]之间的随机数;β为[-1,1]内的随机数;Xr1(t)为随机选择的第r1个黑寡妇的位置,Xi(t)为当前黑寡妇的位置;
进一步地,计算各黑寡妇蜘蛛的信息素率值:
其中,fitnessmax和fitnessmin为最差和最优的适应度函数字值,fitness(i)为第i个黑寡妇获得的适应度值。
进一步地,当低信息素率值等于或小于0.3时,更新低信息素率值对应的黑寡妇蜘蛛的位置:
其中,Xi(t)为雌性体内低信息素水平的黑寡妇位置;r1和r2为种群数量在[1,N]范围内的数;Xr1和Xr2为第r1和r2个黑寡妇的位置,r1≠r2;σ为随机二进制数{0,1}。
以飞轮阵列功率损耗最小和使用寿命损耗最小为优化目标,进行多次迭代,获取最优黑寡妇蜘蛛的位置,将最优黑寡妇蜘蛛的位置对应的响应飞轮以及响应飞轮的实际输出功率,作为各飞轮单体的实际需求输出功率。
根据本公开的实施例,实现了以下技术效果:
通过建立飞轮阵列功率损耗与使用寿命损耗优化数学模型,并基于黑寡妇算法求解模型为各飞轮单体分配功率需求,减少了飞轮阵列的功率损耗与寿命损耗,能够实现飞轮阵列功率匹配协同优化调度。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图4示出了根据本公开的实施例的基于功率损耗的飞轮阵列功率匹配协同优化装置400的方框图。如图4所示,装置400包括:
建模模块410,用于根据各飞轮单体的指令输出功率与实际输出功率分别构建各飞轮单体指令输出功率预测模型;
获取模块420,用于通过潮流计算获取飞轮阵列功率匹配需求值;
分配模块430,用于根据所述飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配实际需求输出功率;
所述获取模块420,还用于将各飞轮单体实际需求输出功率输入所述各飞轮单体指令输出功率预测模型,获取各飞轮单体预测指令输出功率;
输出模块440,用于根据各飞轮单体预测指令输出功率获取各飞轮单体输出的实际功率。
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,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
电子设备500包括计算单元501,其可以根据存储在ROM502中的计算机程序或者从存储单元508加载到RAM503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。I/O接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如方法100。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM503并由计算单元501执行时,可以执行上文描述的方法100的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法100。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置;以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种基于功率损耗的飞轮阵列功率匹配协同优化方法,其特征在于,包括:
根据各飞轮单体的指令输出功率与实际输出功率分别构建各飞轮单体指令输出功率预测模型;
通过潮流计算获取飞轮阵列功率匹配需求值;
根据所述飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配实际需求输出功率;
将各飞轮单体实际需求输出功率输入所述各飞轮单体指令输出功率预测模型,获取各飞轮单体预测指令输出功率;
根据各飞轮单体预测指令输出功率获取各飞轮单体输出的实际功率。
2.根据权利要求1所述的方法,其特征在于,所述根据各飞轮单体的指令输出功率与实际输出功率分别构建各飞轮单体指令输出功率预测模型,包括:
根据所述各飞轮单体的指令输出功率与实际输出功率组成的数据集,基于多项式回归算法拟合各实际输出功率-指令输出功率曲线;
基于所述各实际输出功率-指令输出功率曲线分别构建各飞轮单体指令输出功率预测模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配实际需求输出功率,包括:
根据所述飞轮阵列功率匹配需求值,获取飞轮阵列运行时总损耗功率;
将飞轮阵列运行时响应功率分配的飞轮个数作为飞轮阵列使用寿命损耗;
以所述飞轮阵列运行时总损耗功率最小和使用寿命损耗最小为优化目标,建立飞轮阵列功率损耗与使用寿命损耗优化数学模型;
基于黑寡妇算法求解所述飞轮阵列功率损耗与使用寿命损耗优化数学模型,为各飞轮单体分配实际需求输出功率。
4.根据权利要求3所述的方法,其特征在于,所述根据所述飞轮阵列功率匹配需求值,获取飞轮阵列运行时总损耗功率,包括:
根据各飞轮单体指令输出功率计算飞轮阵列的指令输出功率;
根据所述飞轮阵列的指令输出功率和飞轮阵列功率匹配需求值,获取飞轮阵列运行时总损耗功率。
5.根据权利要求4所述的方法,其特征在于,所述飞轮阵列功率损耗与使用寿命损耗优化数学模型的目标函数f为:
min f=c1Ploss_array+c2M
其中,Ploss_array为阵列运行时的总损耗功率,M为飞轮阵列中响应功率分配的飞轮个数,c1、c2为权重系数。
6.根据权利要求5所述的方法,其特征在于,所述基于黑寡妇算法求解飞轮阵列功率损耗与使用寿命损耗优化数学模型,为各飞轮单体分配实际需求输出功率,包括:
基于黑寡妇算法求解所述飞轮阵列功率损耗与使用寿命损耗优化数学模型,获取最优黑寡妇位置;
根据所述最优黑寡妇位置对应的响应飞轮以及所述响应飞轮的实际输出功率,为各飞轮单体分配实际需求输出功率。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若存在飞轮单体输出的实际功率与实际需求输出功率的差值不在预设差值范围内,则修正所述指令输出功率预测模型。
8.一种基于功率损耗的飞轮阵列功率匹配协同优化装置,其特征在于,包括:
建模模块,用于根据各飞轮单体的指令输出功率与实际输出功率分别构建各飞轮单体指令输出功率预测模型;
获取模块,用于通过潮流计算获取飞轮阵列功率匹配需求值;
分配模块,用于根据所述飞轮阵列功率匹配需求值,基于黑寡妇算法为各飞轮单体分配实际需求输出功率;
所述获取模块,还用于将各飞轮单体实际需求输出功率输入所述各飞轮单体指令输出功率预测模型,获取各飞轮单体预测指令输出功率;
输出模块,用于根据各飞轮单体预测指令输出功率获取各飞轮单体输出的实际功率。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一权利要求所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1至7中任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676739.XA CN117875603A (zh) | 2023-12-07 | 2023-12-07 | 基于功率损耗的飞轮阵列功率匹配协同优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676739.XA CN117875603A (zh) | 2023-12-07 | 2023-12-07 | 基于功率损耗的飞轮阵列功率匹配协同优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117875603A true CN117875603A (zh) | 2024-04-12 |
Family
ID=90589132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311676739.XA Pending CN117875603A (zh) | 2023-12-07 | 2023-12-07 | 基于功率损耗的飞轮阵列功率匹配协同优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117875603A (zh) |
-
2023
- 2023-12-07 CN CN202311676739.XA patent/CN117875603A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep reinforcement learning: Framework, applications, and embedded implementations | |
CN117039895A (zh) | 一种用于储能辅助黑启动的风功率预测方法及系统 | |
CN103365727A (zh) | 一种云计算环境中的主机负载预测方法 | |
CN110162390B (zh) | 一种雾计算系统的任务分配方法及系统 | |
CN109255513A (zh) | 一种电力通信网现场运维工单调度方法 | |
CN113962362A (zh) | 强化学习模型训练方法、决策方法、装置、设备及介质 | |
CN115965205A (zh) | 云边端协同资源优化方法、装置、电子设备及存储介质 | |
CN114302418A (zh) | 网元设备性能的检测方法、装置及计算机可读介质 | |
CN104503847A (zh) | 一种数据中心节能方法和装置 | |
CN116683471B (zh) | 无功功率补偿资源的配置方法、装置以及设备 | |
CN113408808A (zh) | 训练方法、数据生成方法、装置、电子设备以及存储介质 | |
CN117154736A (zh) | 一种混合储能系统参与火电机组深度调峰优化方法及系统 | |
CN117875603A (zh) | 基于功率损耗的飞轮阵列功率匹配协同优化方法及装置 | |
CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
CN115360768A (zh) | 基于muzero和深度强化学习的电力调度方法、装置及存储介质 | |
CN112019381B (zh) | 一种基于深度学习的集群链路检测方法和系统 | |
CN115169173A (zh) | 工程机械可靠性分析方法和装置、计算机设备和存储介质 | |
CN112560210A (zh) | 用于调整电网结构的方法、相关装置及计算机程序产品 | |
CN109816247B (zh) | 关联改造措施与线路重载的电网投资决策建模方法及装置 | |
CN105512087B (zh) | 一种资源约束性多节点计算系统的可靠性评估方法 | |
CN116780665B (zh) | 基于光伏逆变器与智能控制终端的无功功率补偿方法 | |
CN117767413A (zh) | 一种分布式光伏电网划分方法、装置、设备和存储介质 | |
CN109858799B (zh) | 主动配电网改造措施与线路重载率关联性挖掘方法及装置 | |
CN117318116A (zh) | 应用于微电网群的源网荷储协同调度方法、装置 | |
CN118363732A (zh) | 任务的调度方法、系统、装置、电子设备和存储介质 |
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 |