CN117996814A - 一种充电控制方法、微网电力系统、设备和存储介质 - Google Patents
一种充电控制方法、微网电力系统、设备和存储介质 Download PDFInfo
- Publication number
- CN117996814A CN117996814A CN202410174204.0A CN202410174204A CN117996814A CN 117996814 A CN117996814 A CN 117996814A CN 202410174204 A CN202410174204 A CN 202410174204A CN 117996814 A CN117996814 A CN 117996814A
- Authority
- CN
- China
- Prior art keywords
- power generation
- period
- control period
- charge
- charging
- 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 47
- 238000010248 power generation Methods 0.000 claims abstract description 165
- 238000004146 energy storage Methods 0.000 claims abstract description 58
- 238000005457 optimization Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract description 21
- 230000006870 function Effects 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种充电控制方法、微网电力系统、设备和存储介质。所述充电控制方法,应用于微网电力系统,包括:获取下一控制周期的发电环境预测数据,从多个历史控制周期中,确定实际发电环境数据与所述发电环境预测数据匹配度最高的一个历史控制周期,记为历史匹配周期;根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电。以历史控制周期中相似发电环境数据对应的预充电需求信息为依据,控制在下一控制周期中的电费谷时段完成对微网电力系统中储能组件的充电,以减少或避免在非谷时段使用电网电力对用电负载供电和/或对储能组件充电,降低购电成本。
Description
技术领域
本申请涉及微网电力系统控制技术,尤指一种充电控制方法、微网电力系统、设备和存储介质。
背景技术
目前的微网电力系统,也称为新能源微网系统或户用光伏储能系统,运行模式一般包括以下三种:1)最大自消纳率模式,2)能源安全模式,3)全量上网模式。三种模式分别基于不同的控制方法:最大自消纳模式下,光伏产电优先供电器负荷使用,光伏有余电的情况下为电池充电,再多余的电出售给电网;光伏产电不够时,优先从电池取电以满足电器负荷,若依然不够,则从电网购电。该模式可以最大化系统的自消纳率与能源自给率。但由于给电池充电的电能仅来自光伏余电,在峰谷电价政策下无法利用到夜间的低价电能给电池充电,因此电费不一定最低。能源安全模式下,白天有光伏余电时和夜间低电价时都会给电池充电;在白天高电价时,优先使用电池为室内供电。该模式下电费可能低于最大自消纳模式,但自消纳率与能源自给率相对后者更高。全量上网模式下,全部光伏发电都直接出售给电网,因此能源自给率与自消纳率都为0。
可以看到,在峰谷电价的背景下,现有的三种户用光伏储能系统运行方法不能同时兼顾能源自给率的最大化和电费的最小化。进一步优化其运行控制方案,以兼顾能源自给率的最大化和电费的最小化是本领域技术探索的方向。
发明内容
本申请提供了一种应用于微网电力系统的充电控制方法、微网电力系统、设备和存储介质。以历史控制周期中相似发电环境数据对应的预充电需求信息为依据,控制在下一控制周期中的电价谷时段完成对微网电力系统中储能组件的充电,以满足该控制周期的供电需求,进一步减少或避免在非谷时段使用电网电力对用电负载供电和/或对储能组件充电,能够在保证能源自给率的前提下,尽可能减小电网购电成本。
本申请提供了一种充电控制方法,应用于微网电力系统,包括:
获取下一控制周期的发电环境预测数据,从多个历史控制周期中,确定实际发电环境数据与所述发电环境预测数据匹配度最高的一个历史控制周期,记为历史匹配周期;
根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电;
其中,所述微网电力系统包括发电组件,所述发电组件的发电量受发电环境影响。
与相关技术相比,本申请提供的充电控制方案,能够实现能源自给率的最大化和电费的最小化两方面的兼顾,提高了微网电力系统的整体能效。
本申请还提供了一种微网电力系统,包括:
控制模块、发电组件和储能组件;
所述控制模块设置为,执行如本申请任一实施例所述的充电控制方法对所述储能组件进行充电;
所述发电组件的发电量受发电环境影响。
本申请还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本申请任一实施例所述的充电控制方法。
本申请还提供了一种计算机存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行如本申请任一实施例所述的充电控制方法。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为本申请实施例提供的一种充电控制方法流程图;
图2为本申请实施例提供的另一种充电控制方法流程图;
图3为本申请实施例提供的一种预充电需求信息确定方法流程图;
图4为本申请实施例提供的另一种充电控制方法流程图;
图5为本申请实施例提供的一种微网电力系统结构图示意图;
图6为本申请实施例提供的另一种微网电力系统结构图示意图。
具体实施方式
本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
随着新能源技术的发展,各种新能源发电组件的集成度不断增强,易用性不断提升,微网电力系统迅速发展。微网电力系统,也称为微电网,主要由分布式电源(发电组件),储能组件,能量转换装置,相关用电负荷和控制模块汇集而成的小型发配电系统,是一个能够实现自我控制和管理的自治系统,既可以与外部电网并网运行,也可以孤立运行,是智能电网的重要组成部分。包括新能源发电组件的微网电力系统,也称为新能源微网系统/清洁能源微网系统,例如,包括光伏发电组件、风力发电组件等。特别是包括光伏发电组件的微网电力系统,以其突出的用电综合成本优势和环保优势,被越来越多的企业用户、家庭用户选用,加之该系统内必不可少的储能组件,因此,也被称为户用光伏储能系统。
以应用最为广泛的以光伏发电组件作为分布式电源的微网电力系统为例,其发电能力直接受到发电环境的影响较大,特别是光照情况:光照强度、光照时长等,都直接影响光伏组件的发电量。又例如,风力发电组件也同样受到发电环境的影响较大,风力,风向都对风力发电组件的发电量产生直接影响。因此,微网电力系统都配置有储能组件,提前储能,用以在光伏发电组件直接供电能力不足的情况下,为用电负载供电。
本公开实施例提供一种充电控制方法,应用于微网电力系统,用以兼顾能源自给率的最大化和电费的最小化两方面,如图1所示,包括:
步骤110,获取下一控制周期的发电环境预测数据,从多个历史控制周期中,确定实际发电环境数据与所述发电环境预测数据匹配度最高的一个历史控制周期,记为历史匹配周期;
步骤120,根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电;
其中,所述微网电力系统包括发电组件,所述发电组件的发电量受发电环境影响。
一些示例性实施例中,所述发电组件包括以下任意一类型:光伏发电组件、风力发电组件、水力发电组件。
可以看到,这些发电组件的实际发电量受到发电环境因素的影响显著。例如,天气数据对光伏发电组件和风力发电组件影响显著,气候季节数据对水力发电组件影响显著。更具体的影响因素根据发电组件确定即可,不在本申请中详细讨论。
一些示例性实施例中,如图2所述,所述方法还包括:
步骤101,在当前控制周期结束后,获取所述微网电力系统在所述当前控制周期的发电量、用电量和实际发电环境数据;
步骤102,根据所述发电量和所述用电量,按照设定的优化原则确定所述当前控制周期的预充电需求信息;
步骤103,将所述预充电需求信息、所述实际发电环境数据保存为对应于所述当前控制周期的发用电记录数据。
一些示例性实施例中,所述优化原则为能源自给率最大且谷时段预充电需求量最小原则;
或者,所述优化原则为能源自给率最大原则;
或者,所述优化原则为谷时段预充电需求量最小原则;
或者,所述优化原则为自消纳率最大。
其中,谷时段预充电需求量表示提前在电价谷时段进行电网充电的电量;可以理解,谷时段预充电需求量最小意味着电网充电的电费成本最低。根据不同的优化原则,根据已完成的控制周期的实际的系统运行数据,可以优化计算得到对应的预充电需求信息,根据各微网电力系统的控制需要,对应确定优化原则即可。
一些示例性实施例中,步骤102包括:根据所述发电量、所述用电量和所述实际发电环境数据,按照设定的优化原则确定所述当前控制周期的预充电需求信息。
即,每一控制周期对应的发用电记录数据记载了本周期内微网电力系统的发电用电情况,包括:预充电需求信息、实际发电环境数据。
一些示例性实施例中,所述发用电记录数据还包括:发电量和用电量。
一些示例性实施例中,所述预充电需求信息包括以下一项或多项:
充电时长、充电电量、总电量百分比和充电量百分比。
一些示例性实施例中,所述控制周期为1天,从0-24点,即以天为单位进行整体的充电控制以及用电数据采集及记录。所述谷时段为每天凌晨1:00-5:00。控制周期长短和起止时间点根据需要灵活设置,不限于本公开示例的方面。
相应地,下一控制周期的发电环境预测数据,即为下一天的发电环境预测数据,当前控制周期的实际发电环境数据,即为当天的实际发电环境数据。以光伏发电为例,发电环境预测数据和实际发电环境数据包括天气数据,包括以下一项或多项:日照强度、日照时长、温度、云量、风速、降雨量、湿度、积雪厚度、空气清洁度,等。
一些示例性实施例中,每一控制周期结束后,按照设定的优化原则,根据本周期的发电量和用电量数据,确定的预充电需求信息,与本周期的实际发电环境数据关联后,保存为历史数据,将被作为步骤110中的候选参考数据。可以理解,由此确定的预充电需求信息,不是该(已完成的)控制周期内针对储能组件的实际充电信息,而是基于实际用电量和发电量数据,确定的推荐的或者最优的预充电需求信息,将被后续控制周期参考用来进行充电控制。
由于微网电力系统中发电组件的发电情况受发电环境影响较大,因此,以历史数据中具有相似发电环境数据的某一历史控制周期对应的预充电需求信息为依据,具有更精准的参考性。可以理解,步骤110-120在新的控制周期开始前或开始时,根据所选定的历史匹配周期所对应的预充电需求信息,在新的控制周期内执行对应充电控制。
一些示例性实施例中,步骤102包括:
根据所述发电量和所述用电量,按照能源自给率最大且谷时段预充电需求量最小原则,确定所述当前控制周期的预充电需求信息。
一些示例性实施例中,所述当前控制周期分为多个子周期,所述当前控制周期的发电量包括多个子周期的发电量,所述当前控制周期的用电量包括多个子周期的用电量;
所述根据所述发电量和所述用电量,按照设定的优化原则确定所述当前控制周期的预充电需求信息,包括:
根据所述多个子周期的发电量和所述多个子周期的用电量,基于所述优化原则,采用预设的优化算法,确定各子周期的需求充电量;
根据全部子周期的需求充电量,确定所述当前控制周期的预充电需求信息;
其中,所述优化算法包括:遗传算法、梯度下降法、模拟退火算法、动态规划算法或线性规划算法。
例如,1天的控制周期分为24个子周期,每个子周期1小时,相应地,发点量(数据)包括24个子周期的发电量(数据),用电量包括24个子周期的用电量(数据),实际天气发电环境数据包括24个子周期的实际发电环境数据。
一些示例性实施例中,所述优化原则为:谷时段预充电需求量最小原则,即电网充电费用最小,如图3所示,步骤102包括:
步骤1021,在最大预充电量范围内确定各子周期的需求充电量的初始值;
步骤1022,根据所述多个子周期的发电量和所述多个子周期的用电量,基于所述初始值,采用所述优化算法确定各子周期的需求充电量;
步骤1023,根据全部子周期的需求充电量,判断是否达到谷时段预充电需求量最小,如果达到,则执行步骤1024,如果未达到,则迭代执行步骤1022;
步骤1024,根据全部子周期的需求充电量,确定当前控制周期的预充电需求信息。
其中,所述预充电需求信息对应的总的充电量小于或等于最大预充电量。
一些示例性实施例中,所述预设的优化算法包括:遗传算法、梯度下降算法、模拟退火算法、动态规划算法或线性规划算法。
一些示例性实施例中,步骤102包括:
根据所述多个子周期的发电量、所述多个子周期的用电量和所述多个子周期的需求充电量,构建目标函数,求解目标函数,确定所述子周期的需求充电量;
根据全部子周期的需求充电量,确定所述当前控制周期的预充电需求信息。
一些示例性实施例中,所述目标函数包括:Max(F1(x1,x2,…xn)),和Min(F(x1,x2,…xn)),其中,F1(x1,x2,…xn)为自消纳率计算函数,F(x1,x2,…xn)为当前控制周期的需求充电总量计算函数,x1,x2,…xn为n个子周期的预充电需求量。可以看到,根据该目标函数求得最优解是,基于所述多个子周期的发电量、所述多个子周期的用电量所确定的是自消纳率最高且总充电量最小的预充电需求量。其中,所述自消纳率计算函数F1(x1,x2,…xn),当前控制周期的需求充电总量计算函数F(x1,x2,…xn)的具体形式不限于特定方面。
一些示例性实施例中,所述目标函数包括:Max(F2(x1,x2,…xn)),和Min(F(x1,x2,…xn)),其中,F2(x1,x2,…xn)为能源自给率计算函数,F(x1,x2,…xn)为当前控制周期的需求充电总量计算函数,x1,x2,…xn为n个子周期的预充电需求量。可以看到,根据该目标函数求得最优解是,基于所述多个子周期的发电量、所述多个子周期的用电量所确定的是能源自给率最高且总充电量最小的预充电需求量。其中,所述能源自给率计算函数F2(x1,x2,…xn),当前控制周期的需求充电总量计算函数F(x1,x2,…xn)的具体形式不限于特定方面。
一些示例性实施例中,所述目标函数包括:Max(a F 1(x1,x2,…xn)+bF2(x1,x2,…xn)),和Min(F(x1,x2,…xn)),其中,F1(x1,x2,…xn)为自消纳率计算函数,F2(x1,x2,…xn)为能源自给率计算函数,a,b为权重系数,F(x1,x2,…xn)为当前控制周期的需求充电总量计算函数,x1,x2,…xn为n个子周期的预充电需求量。可以看到,根据该目标函数求得最优解是,基于所述多个子周期的发电量、所述多个子周期的用电量所确定的是自消纳率和能源自给率加权之和最高,且总充电量最小的预充电需求量。
其中,n对应为子周期总数。上述多目标函数求解的具体方案在本申请中不详细讨论。
一些示例性实施例中,根据全部子周期的需求充电量,确定所述当前控制周期的预充电需求信息,包括:
根据全部子周期的需求充电量,采用需求充电总量计算函数F(x1,x2,…xn)计算得到当前控制周期的需求充电总量,并确定对应的预充电需求信息。
一些示例性实施例中,每个所述控制周期分为多个子周期,所述发电环境预测数据包括多个子周期对应的发电环境预测数据,每个控制周期的实际发电环境数据包括多个子周期对应的实际发电环境数据;
所述从多个历史控制周期中,确定实际发电环境数据与所述发电环境预测数据匹配度最高的一个历史控制周期,包括:
根据所述发电环境预测数据对应的预测曲线,与多个历史控制周期的实际发电环境数据对应的实际曲线进行匹配,确定曲线相似度最高的一个历史控制周期;
其中,所述预测曲线根据所述发电环境预测数据包括的多个子周期的发电环境预测数据确定;每一个实际曲线根据每一个历史控制周期的实际发电环境数据包括的多个子周期的实际发电环境预测数据确定。
例如,一天的控制周期分为24个子周期,则所述发电环境预测数据也包括24个子周期的发电环境预测数据,实际发电环境数据也包括24个子周期的发电环境预测数据。
可以理解,所述发电环境预测数据和实际发电环境数据所包含的具体参数项是一致的,可以包括一项或多项具体参数。
一些示例性实施例中,所述发电组件包括光伏发电组件或风力发电组件的情况下,所述发电环境数据包括天气数据。
其中,所述天气数据包括以下一项或多项参数:日照强度、日照时长、温度、云量、风速、降雨量、湿度、积雪厚度、空气清洁度、季节。
一些示例性实施例中,在包括一项具体参数的情况下,该项参数在多个子周期的数据构成随时间变化的天气数据曲线(平面曲线),分别为预测曲线和实际曲线,按照曲线相似度算法,分别计算各实际曲线与预测曲线的曲线相似度,选择曲线相似度最高一个实际曲线对应的历史周期为历史匹配周期。
一些示例性实施例中,在包括多项具体参数的情况下,多项参数多个子周期的数据构成随时间变化的天气数据曲线(空间曲线),分别为预测曲线和实际曲线,按照曲线相似度算法,分别计算各实际曲线与预测曲线的曲线相似度,选择曲线相似度最高一个实际曲线对应的历史周期为历史匹配周期。
具体的曲线构建方法和曲线相似度算法,在此不详细讨论。
一些示例性实施例中,所述天气数据包括:(室外)温度;即,实际发电环境数据包括:实际(室外)温度,发电环境预测数据包括:预测(室外)温度;各自包括多个子周期的实际(室外)温度和预测(室外)温度;
相应地,所述从多个历史控制周期中,确定实际发电环境数据与所述发电环境预测数据匹配度最高的一个历史控制周期,包括:
针对每一个历史控制周期,根据以下方法确定温度均方差:
根据所述多个子周期的预测(室外)温度与该历史控制周期包括的多个子周期的实际(室外)温度计算均方差;
选择均方差最小的历史控制周期,为所述匹配度最高的一个历史控制周期。
一些示例性实施例中,所述预充电需求信息包括的充电时长情况下,所述根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电,包括:
在所述下一控制周期所包括的谷时段内,以所述充电时长对所述微网电力系统中储能组件进行充电;
其中,所述充电时长小于或等于所述谷时段时长;或者,所述充电时长小于或等于全部谷时段时长之和。
一些示例性实施例中,所述预充电需求信息包括的充电电量情况下,所述根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电,包括:
在所述下一控制周期所包括的谷时段内,对所述微网电力系统中储能组件进行充电达到所述充电电量。
一些示例性实施例中,所述预充电需求信息包括的总电量百分比情况下,所述根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电,包括:
在所述下一控制周期所包括的谷时段内,对所述微网电力系统中储能组件进行充电,使所述储能组件的电量达到所述总电量百分比。
例如,总电量百分比为80%,即谷时段充电使储能组件的已充电量达到总电量的80%。
一些示例性实施例中,所述预充电需求信息包括的充电量百分比情况下,所述根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电,包括:
在所述下一控制周期所包括的谷时段内,对所述微网电力系统中储能组件进行充电,使所述储能组件的电量提高所述充电量百分比。
例如,充电量百分比为40%,即谷时段充电使储能组件充电前后电量提升40%。
可以理解,根据储能组件的规格参数,上述预充电需求信息之间可以通过相关计算,相互转换。根据充电控制的需要,选择任一项或多项即可。在执行谷时段充电的过程中,根据储能组件中的剩余电量,都在储能组件的最大容量范围以内进行实际充电。
一些示例性实施例中,根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电,包括:
根据所述历史匹配周期对应的预充电需求信息和预设的储能损耗冗余,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电。
一些示例性实施例中,储能损耗冗余包括:
充电时长冗余、充电电量冗余、总电量百分比冗余和充电量百分比冗余。
即为了应对储能组件的充放电损耗,在预充电需求信息的基础上增加一些冗余充电量。
例如,充电量百分比为40%,充电量百分比冗余5%,即谷时段充电使储能组件充电前后电量提升45%。
其中储能损耗冗余最小为0。
一些示例性实施例中,所述根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电,包括:
根据预充电需求电量、储能组件的剩余电量和预设的储能冗余电量,确定所述下一控制周期的预充电量;
根据所述预充电量,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电;
其中,Q=Y-X+P,Q为所述下一控制周期的预充电量,Y为根据所述历史匹配周期对应的预充电需求信息确定的预充电需求电量,X为储能组件的剩余电量,P>=0为预设的充电电量冗余。
例如,Y=2000Ah(安培小时),X=500Ah,P=200Ah,计算得到Q=2000-500+200=1700Ah,则在下一控制周期,实际充电1700Ah。
其中,预设的充电电量冗余用于应对储能组件的充放电损耗。
本申请实施例中,当前控制周期和下一控制周期为相对概念,下一控制周期指将要执行微网电力系统运行管控的周期。所述当前控制周期和下一控制周期在时间上可以是连续的,也可以存在时间间隔,不限于特定的方面,根据微网店里系统运行管理需要确定即可。
本申请实施例还提供一种充电控制方法,所述控制周期为1天,从0-24点,分为24个子周期,谷时段为1:00-5:00,所述发电组件为光伏发电组件,储能组件为电池,如图4所示,包括:
步骤410,第N个控制周期中,收集24个子周期的光伏发电量、系统用电量和实际天气数据;
步骤420,第N个控制周期结束时,确定本周期对应的预充电需求信息;
步骤430,存储第N个控制周期的发用电记录数据;
步骤440,获取第N+1个控制周期的天气预测数据,从N个历史周期中确定一个历史匹配周期——第i个控制周期;
步骤450,根据第i个控制周期的预充电需求信息,在第N+1个控制周期的谷时段完成充电。
其中,步骤420中根据24个子周期的光伏发电量、系统用电量,按照能源自给率最大且谷时段预充电需求量最小原则,确定所述当前控制周期的预充电需求信息。
步骤440中根据第N+1个控制周期的天气预测数据,与N个历史周期的发用电记录数据中的实际天气数据进行匹配,选择匹配度最高的一个。
例如,7月1日0点至24点,持续记录系统的逐小时光伏发电量、用电量以及实际天气数据。
7月2日0点刚过,计算出7月1日的预充电需求信息,并将该预充电需求信息与7月1日的实际天气数据一起储存在数据储存模块中。
7月2日0点刚过,从外部获取7月2日当天的24小时天气预报,并从数据储存模块中找到历史上天气情况最相近的一天(此处以5月5日为例)。数据储存模块中最相近的一天为当年5月5日,且该日对应的预充电需求信息为总电量百分比40%。
通过PCS模块(Photovoltaic Power Conditioning System,光伏电力调节系统)在夜间低电价时段对电池充电,使夜间低电价时段结束时电池剩余电量达到40%。
本申请实施例还提供一种微网电力系统,如图5所示,包括:
控制模块510、发电组件520和储能组件530;
所述控制模块510设置为,执行本申请任一实施例所述的充电控制方法对所述储能组件530进行充电;
所述发电组件520的发电量受发电环境影响。
一些示例性实施例中,所述发电组件520包括以下任意一类型:
光伏发电组件、风力发电组件、水力发电组件。
一些示例性实施例中,所述控制模块510还设置为,从第三方服务器获取当前控制周期的实际发电环境数据和/或下一控制周期的发电环境预测数据。
一些示例性实施例中,所述储能组件530包括:电池。
一些示例性实施例中,如图6所示,所述系统还包括:存储模块540,用于存储各控制周期的发用电记录数据。
一些示例性实施例中,所述系统还包括:PCS(Power Conditioning System,即功率调节系统)模块550,用于接收充电控制指令完成对储能模块530的充电。
一些示例性实施例中,所述控制模块510还设置为,在所述下一控制周期所包括的谷时段,根据预充电需求信息,向PCS模块550发送充电控制指令。
一些示例性实施例中,所述系统还包括:用电负载560和电箱570。所述PCS模块550通过电箱570连接用电负载560为其供电。
本申请实施例还提供一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本申请任一实施例所述的充电控制方法。
本申请实施例还提供一种计算机存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行如本申请任一实施例所述的充电控制方法。
本申请实施例提供的储能控制方案,充分考虑自发电组件发电能力受发电环境影响大的特定,以历史上具有最接近发电环境数据的控制周期对应的预充电需求信息为依据,控制目标控制周期在谷时段完成预充电,使得微网电力系统的整体控制方案能够兼顾源自给率的最大化和电费的最小化两方面,进一步提升了微网电力系统的运行能效。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (12)
1.一种充电控制方法,其特征在于,应用于微网电力系统,包括:
获取下一控制周期的发电环境预测数据,从多个历史控制周期中,确定实际发电环境数据与所述发电环境预测数据匹配度最高的一个历史控制周期,记为历史匹配周期;
根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电;
其中,所述微网电力系统包括发电组件,所述发电组件的发电量受发电环境影响。
2.根据权利要求1所述的充电控制方法,其特征在于,
所述方法还包括:在当前控制周期结束后,获取所述微网电力系统在所述当前控制周期的发电量、用电量和实际发电环境数据;
根据所述发电量和所述用电量,按照设定的优化原则确定所述当前控制周期的预充电需求信息;
将所述预充电需求信息、所述实际发电环境数据保存为对应于所述当前控制周期的发用电记录数据。
3.根据权利要求2所述的充电控制方法,其特征在于,
所述优化原则为能源自给率最大且谷时段预充电需求量最小原则;
或者,所述优化原则为能源自给率最大原则;
或者,所述优化原则为谷时段预充电需求量最小原则;
或者,所述优化原则为自消纳率最大。
4.根据权利要求2所述的充电控制方法,其特征在于,
所述当前控制周期分为多个子周期,所述当前控制周期的发电量包括多个子周期的发电量,所述当前控制周期的用电量包括多个子周期的用电量;
所述根据所述发电量和所述用电量,按照设定的优化原则确定所述当前控制周期的预充电需求信息,包括:
根据所述多个子周期的发电量和所述多个子周期的用电量,基于所述优化原则,采用预设的优化算法,确定各子周期的需求充电量;
根据全部子周期的需求充电量,确定所述当前控制周期的预充电需求信息;
其中,所述优化算法包括:遗传算法、梯度下降法、模拟退火算法、动态规划算法或线性规划算法。
5.根据权利要求1所述的充电控制方法,其特征在于,
每个所述控制周期分为多个子周期,所述发电环境预测数据包括多个子周期对应的发电环境预测数据,每个控制周期的实际发电环境数据包括多个子周期对应的实际发电环境数据;
所述从多个历史控制周期中,确定实际发电环境数据与所述发电环境预测数据匹配度最高的一个历史控制周期,包括:
根据所述发电环境预测数据对应的预测曲线,与多个历史控制周期的实际发电环境数据对应的实际曲线进行匹配,确定曲线相似度最高的一个历史控制周期;
其中,所述预测曲线根据所述发电环境预测数据包括的多个子周期的发电环境预测数据确定;每一个实际曲线根据每一个历史控制周期的实际发电环境数据包括的多个子周期的实际发电环境预测数据确定。
6.根据权利要求1-5任一项所述的充电控制方法,其特征在于,
所述发电组件包括以下任意一类型:
光伏发电组件、风力发电组件、水力发电组件;
所述预充电需求信息包括以下一项或多项:
充电时长、充电电量、总电量百分比和充电量百分比。
7.根据权利要求6所述的充电控制方法,其特征在于,
所述根据所述历史匹配周期对应的预充电需求信息,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电,包括:
根据预充电需求电量、储能组件的剩余电量和预设的储能冗余电量,确定所述下一控制周期的预充电量;
根据所述预充电量,在所述下一控制周期所包括的谷时段完成电网对所述微网电力系统中储能组件的充电;
其中,Q=Y-X+P,Q为所述下一控制周期的预充电量,Y为根据所述历史匹配周期对应的预充电需求信息确定的预充电需求电量,X为储能组件的剩余电量,P>=0为预设的充电电量冗余。
8.根据权利要求6所述的充电控制方法,其特征在于,
在所述发电组件包括光伏发电组件或风力发电组件的情况下,所述发电环境数据包括天气数据。
9.一种微网电力系统,其特征在于,包括:
控制模块、发电组件和储能组件;
所述控制模块设置为,执行如权利要求1-8任一项所述的充电控制方法对所述储能组件进行充电;
所述发电组件的发电量受发电环境影响。
10.根据权利要求9所述的微网电力系统,其特征在于,
所述控制模块还设置为,从第三方服务器获取当前控制周期的实际发电环境数据和/或下一控制周期的发电环境预测数据。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8任一项所述的充电控制方法。
12.一种计算机存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行如权利要求1-8任一项所述的充电控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174204.0A CN117996814A (zh) | 2024-02-07 | 2024-02-07 | 一种充电控制方法、微网电力系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410174204.0A CN117996814A (zh) | 2024-02-07 | 2024-02-07 | 一种充电控制方法、微网电力系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117996814A true CN117996814A (zh) | 2024-05-07 |
Family
ID=90898732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410174204.0A Pending CN117996814A (zh) | 2024-02-07 | 2024-02-07 | 一种充电控制方法、微网电力系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117996814A (zh) |
-
2024
- 2024-02-07 CN CN202410174204.0A patent/CN117996814A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alramlawi et al. | Optimal operation of hybrid PV-battery system considering grid scheduled blackouts and battery lifetime | |
François-Lavet et al. | Deep reinforcement learning solutions for energy microgrids management | |
US11742668B2 (en) | Methods and systems for green energy charging of electrical vehicles | |
CN106447131B (zh) | 独立型微电网能量调控方法 | |
KR102572795B1 (ko) | 독립형 마이크로그리드에서 에너지저장장치의 최적용량을 산정하기 위한 장치 및 그 방법 | |
CA3030490A1 (en) | Intelligent energy management system for distributed energy resources and energy storage systems using machine learning | |
EP3264554B1 (en) | Power management device, power management system, and power management method | |
Mouachi et al. | Multiobjective sizing of an autonomous hybrid microgrid using a multimodal delayed PSO algorithm: A case study of a fishing village | |
Li et al. | Optimal battery schedule for grid-connected photovoltaic-battery systems of office buildings based on a dynamic programming algorithm | |
CN105379003A (zh) | 太阳能供电和电池操作的系统以及用于控制该系统的方法 | |
Chellaswamy et al. | A framework for building energy management system with residence mounted photovoltaic | |
CN114583733A (zh) | 一种梯次利用储能系统控制方法、系统、设备和存储介质 | |
CN115169723A (zh) | 发电功率预测方法、负荷预测方法及模型训练方法 | |
Khalid et al. | A market‐oriented wind power dispatch strategy using adaptive price thresholds and battery energy storage | |
Klychova et al. | The use of solar batteries in agriculture and accounting of generated electricity | |
Haddad et al. | Mixed integer linear programming approach to optimize the hybrid renewable energy system management for supplying a stand-alone data center | |
Shufian et al. | Grid-tied Smart Microgrid with Heuristic Optimized Energy Management System (EMS) | |
Naware et al. | Impact of demand response on battery energy storage degradation using gbest-guided artificial bee colony algorithm with forecasted solar insolation | |
CN112602247A (zh) | 用于在平衡条件下控制能量子系统之间的能量交换的方法;控制中心;能量系统;计算机程序和存储介质 | |
Liu et al. | Optimizing size of Lithium-ion battery combined with PV generation | |
CN117094849A (zh) | 储能电站参与多类电力市场的优化运行方法、装置及设备 | |
CN117996814A (zh) | 一种充电控制方法、微网电力系统、设备和存储介质 | |
Mbuwir et al. | Reinforcement learning-based battery energy management in a solar microgrid | |
Koponen et al. | Improved modelling of electric loads for enabling demand response by applying physical and data-driven models: Project Response | |
CN113437757B (zh) | 基于前景理论的风-蓄联合系统电量分解方法 |
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 |