CN118054409A - 一种自动化电力调度系统及方法 - Google Patents
一种自动化电力调度系统及方法 Download PDFInfo
- Publication number
- CN118054409A CN118054409A CN202410247309.4A CN202410247309A CN118054409A CN 118054409 A CN118054409 A CN 118054409A CN 202410247309 A CN202410247309 A CN 202410247309A CN 118054409 A CN118054409 A CN 118054409A
- Authority
- CN
- China
- Prior art keywords
- time period
- load
- power
- scheduling
- unit
- 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 25
- 230000010354 integration Effects 0.000 claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 20
- 238000004146 energy storage Methods 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 18
- 238000013480 data collection Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011958 production data acquisition Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 239000003245 coal Substances 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种自动化电力调度系统及方法。所述自动化电力调度系统,包括数据整合模块、调度策略生成模块以及资源调度模块;数据整合模块,用于获取各能源机组的电能产量数据以及目标用电区域的多项负荷数据,根据负荷数据,预测目标时间段内的负荷需求,将各能源机组的电能产量数据以及负荷需求发送至调度策略生成模块;调度策略生成模块,用于根据各能源机组的电能产量数据以及所述负荷需求,生成目标时间段内的电力调度策略,并将电力调度策略发送至资源调度模块;资源调度模块,用于根据所述电力调度策略,对电力系统中的各能源机组进行调度。采用上述技术方案,能够对负荷需求进行精准预测,从而根据负荷需求实现精准的电力调度。
Description
技术领域
本发明涉及电力调度技术领域,尤其涉及一种自动化电力调度系统及方法。
背景技术
自动化电力调度是指利用自动化技术和智能算法来实现电力系统的调度过程,它涉及对电力系统的实时监测、数据分析和决策生成,以实现对电力系统各个部分的控制和优化。
在传统的电力调度中,需要人工进行监测、计划和控制各个电力设备的运行,这种方式存在一定的局限性,如操作复杂、响应速度慢、容易受到主观因素的影响等,并且,传统的电力调度常依赖于调度人员的经验进行调度,当用电需求产生变化时可能无法精准进行调度。
发明内容
本发明提供了一种自动化电力调度系统及方法,能够对负荷需求进行精准预测,从而根据负荷需求实现精准的电力调度。
根据本发明的一方面,提供了一种自动化电力调度系统,包括数据整合模块、调度策略生成模块以及资源调度模块;
所述数据整合模块,用于获取各能源机组的电能产量数据以及目标用电区域的多项负荷数据,并根据所述负荷数据,预测目标时间段内的负荷需求,将各能源机组的电能产量数据以及所述负荷需求发送至调度策略生成模块;
所述调度策略生成模块,用于根据各能源机组的电能产量数据以及所述负荷需求,生成目标时间段内的电力调度策略,并将所述电力调度策略发送至资源调度模块;
所述资源调度模块,用于根据所述电力调度策略,对电力系统中的各能源机组进行调度。
根据本发明的另一方面,提供了一种自动化电力调度方法,由本发明任一实施例所述的自动化电力调度系统执行,包括:
通过数据整合模块,获取各能源机组的电能产量数据以及目标用电区域的多项负荷数据,并根据所述负荷数据,预测目标时间段内的负荷需求,将各能源机组的电能产量数据以及所述负荷需求发送至调度策略生成模块;
通过调度策略生成模块,根据各能源机组的电能产量数据以及所述负荷需求,生成目标时间段内的电力调度策略,并将所述电力调度策略发送至资源调度模块;
通过资源调度模块,根据所述电力调度策略,对电力系统中的各能源机组进行调度。
本发明实施例的技术方案,通过在自动化电力调度系统中设置数据整合模块、调度策略生成模块以及资源调度模块的方式,能够实现对实际的负荷需求进行精准预测,以及对能源机组的电能产量进行准确的估算与预测,进而能够在保证节能减排的基础上,合理的利用资源,不依赖于技术人员的经验,基于数据分析实现较优的电力调度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种自动化电力调度系统的结构示意图;
图2是根据本发明实施例提供的另一种自动化电力调度系统的结构示意图;
图3是根据本发明实施例二提供的另一种自动化电力调度系统的结构示意图;
图4是根据本发明实施例三提供的一种自动化电力调度方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种自动化电力调度系统的结构示意图,如图1所示,自动化电力调度系统,包括:数据整合模块110、调度策略生成模块120以及资源调度模块130。
所述数据整合模块110,用于获取各能源机组的电能产量数据以及目标用电区域的多项负荷数据,并根据所述负荷数据,预测目标时间段内的负荷需求,将各能源机组的电能产量数据以及所述负荷需求发送至调度策略生成模块120。
所述调度策略生成模块120,用于根据各能源机组的电能产量数据以及所述负荷需求,生成目标时间段内的电力调度策略,并将所述电力调度策略发送至资源调度模块130。
所述资源调度模块130,用于根据所述电力调度策略,对电力系统中的各能源机组进行调度。
可选的,能源机组可以指电力系统中的发电机组,例如风力发电机组、核能发电机组、煤炭发电机组、水能发电机组以及太阳能发电机组等,其中,风力发电机组以及太阳能发电机组等新能源发电机组,虽然能够实现资源转化、节能减排,但是易受到如天气等多种因素的影响,考虑到环境保护等多种因素,在进行电力系统调度时可以优先调度新能源发电机组,当新能源发电机组的电能产量不足时,可以适当的增加传统能源发电机组进行发电,因此,需要整合负荷需求以及各能源机组的电能产量数据,从而实现较优的电力系统调度。
可选的,传统能源发电机组的电能产量是可以经由技术人员调控的,例如,对于煤炭发电机组,消耗煤炭越多,则电能产量越多,其电能产量上限取决于发电机组的设置情况,因此,针对于传统能源发电机组的电能产量数据,实际为传统能源发电机组的计划最大电能产量,该值是可以通过发电机组的参数计算得到的。
可选的,新能源发电机组的电能产量一般依赖于新能源发电机组所使用的清洁能源,例如,风力发电机组依赖于风能,但由于新能源存在波动性以及不确定性等特点,新能源发电机组的电能产量会收到新能源的波动影响,因此,针对于新能源发电机组的电能产量数据,可以为指定的时间段内新能源发电机组的最大电能产量,且该最大电能产量是根据指定时间段内的清洁能源的预估产量计算得到的。
可选的,目标用电区域可以指能源机组的供电区域,能源机组为目标用电区域发电,负荷数据可以包括目标用电区域内在指定时间段内的需求电量,负荷需求也是根据一定的数据信息进行估算得到的。
可以理解的是,随着电力市场的逐步发展,在进行电力调度时,其中一个较为重要的调度目标即为降低发电产生的碳排放,进而有效缓解电网节能减排压力,因此,在生成电力调度策略时,可以优先对新能源发电机组进行调度,当新能源发电机组的电能产量无法满足负荷需求时,进而调度传统能源发电机组。
可选的,目标时间段可以指一个指定的时间段,例如24小时、48小时等。
可选的,调度策略生成模块120,可以将各能源机组的电能产量数据以及负荷需求输入至预先训练的调度策略生成模型中,并获取调度策略生成模型输出的电力调度策略,电力调度策略中可以包括对各能源机组的调度方案。
图2为本发明实施例提供的另一种自动化电力调度系统的结构示意图,如图2所示,数据整合模块110中可以包括电能产量数据获取单元111、负荷数据收集单元112以及负荷预测单元113,调度策略生成模块120中可以包括调度策略生成模型维护单元121以及调度策略验证单元122。
可选的,电能产量数据获取单元111,用于获取各第一能源机组的计划最大电能产量,并获取目标时间段内的第一天气信息,根据所述第一天气信息,预测目标时间段内各第二能源机组的最大电能产量,将所述各第一能源机组的计划最大电能产量以及各第二能源机组的最大电能产量发送至调度策略生成模块120。
可选的,第一能源机组可以指传统能源发电机组,例如煤炭发电机组,第二能源机组可以指新能源发电机组,例如风力发电机组、太阳能发电机组等,但并不限于上述举例的发电机组类型。
可选的,第一能源机组的计划最大电能产量可根据第一能源机组的设置情况计算得到,第二能源机组的最大电能产量依靠于目标时间段内的清洁能源情况,且清洁能源依赖于天气,因此,根据目标时间段内的天气信息可进一步计算得到第二能源机组的最大电能产量。
可选的,天气信息可以包括太阳辐射强度、风速、气压、温度以及雨雪情况等。
可选的,负荷数据收集单元112,用于获取目标用电区域在上一时间段内的实际负荷、上一时间段内的负荷干扰数据以及目标时间段内的负荷干扰数据,并发送至负荷预测单元113。
可选的,上一时间段为以目标时间段为基准的上一时间段,且上一时间段与目标时间段的时长相等,目标用电区域在上一时间段内的实际负荷可通过电表采集等方式获得,负荷干扰数据至少可以包括高额用电申请信息、第二天气信息以及日期信息。
可选的,高额用电申请可以指工厂、单位等在指定时间段内的预估用电量超过预设的电量阈值时,根据其预估用电量提出的用电申请,日期信息可以指目标时间段所属的日期。
可选的,负荷预测单元113,用于根据所述负荷数据收集单元112发送的各项数据,预测目标时间段内的负荷需求,并将目标时间段内的负荷需求发送至调度策略生成模块120。
可选的,电能产量数据获取单元111,可以具体用于:
获取目标时间段内的第一天气信息,并生成与所述第一天气信息相匹配的目标特征向量;
计算所述目标特征向量与各历史第一天气信息的特征向量之间的欧氏距离,并根据计算结果,确定欧式距离在目标距离范围内的多个目标历史第一天气信息;
获取与各目标历史第一天气信息相对应的各第二能源机组的历史最大电能产量,并分别计算各第二能源机组的历史最大电能产量平均值,将所述历史最大电能产量平均值作为目标时间段内第二能源机组的最大电能产量。
可选的,第一天气信息可以指天气信息中与能源机组电能产量相关联的各项天气信息,例如,当第二能源机组中包括风力发电机组以及太阳能发电机组时,第一天气信息可以包括但不限于太阳辐射强度、太阳辐射角、风速、气压、温度等。
可选的,根据目标时间段内的第一天气信息,可以生成目标时间段内的与第一天气信息相匹配的目标特征向量,并对目标特征向量与历史记录的多个时间段的特征向量分别计算欧氏距离,当目标特征向量与目标历史时间段的特征向量之间的欧氏距离小于预设的距离阈值时,则确定目标时间段内的第一天气信息与目标历史时间段内的第一天气信息匹配度较高,则可将目标历史时间段内记录的第二能源机组的最大电能产量作为目标时间段内的电能产量参考值。
进一步的,当存在多个历史时间段的特征向量与目标特征向量之间的欧式距离小于预设的距离阈值时,根据这些历史时间段记录的最大电能产量计算平均值,也即,根据各电能产量参考值计算平均值,并将平均值作为目标时间段内第二能源机组的最大电能产量。
可选的,负荷干扰数据至少可以包括高额用电申请信息、第二天气信息以及日期信息。
可选的,负荷预测单元113,可以具体用于:
计算目标时间段内第二天气信息与上一时间段内第二天气信息之间的差值,并根据预设的第二天气信息的影响因子、上一时间段内的实际负荷以及所述差值,确定目标时间段的第一负荷增量;
根据目标时间段内的高额用电申请信息以及上一时间段内的高额用电申请信息,确定目标时间段的第二负荷增量;
当根据上一时间段的日期信息以及目标时间段的日期信息,确定满足特定日期更新条件时,根据目标时间段所属日期的影响因子以及上一时间段内的实际负荷,确定目标时间段的第三负荷增量;
根据上一时间段内的实际负荷、所述第一负荷增量、所述第二负荷增量以及所述第三负荷增量,计算得到目标时间段内的负荷需求。
可选的,第二天气信息可以指与用户用电量相关的天气信息,例如,温度、雨雪情况等,例如,当温度超过预设的温度阈值时,用户用电量会在一定程度上增大。
可选的,第一负荷增量、第二负荷增量以及第三负荷增量可以指在上一时间段的基础上的负荷增量,第一负荷增量受到天气信息影响,第二负荷增量受到大额用电申请的影响,第三负荷增量受到目标时间段所属日期的影响,第一负荷增量、第二负荷增量以及第三负荷增量可以为正值、负值或0。
可选的,不同的天气信息对用电量具有不同的影响因子,影响因子可以预先设定,例如,温度每1摄氏度所对应的影响因子为0.01,当温度升高3摄氏度时,第一负荷增量为上一时间段内的实际负荷与0.03的乘积,还例如,降雪所对应的影响因子为0.1,当上一时间段无降雪,但当前时间段有降雪时,第一负荷增量可以为上一时间段内的实际负荷与0.1的乘积,此外,若目标时间段即存在温度升高,也存在降雪等其他影响因素时,可第一负荷增量可以为这些影响因素所产生的负荷增量之和。
可选的,根据目标时间段内的高额用电申请信息,可以确定目标时间段内申请的大额用电量,相似的,可进一步获取上一时间段内申请的大额用电量,目标时间段内申请的大额用电量与上一时间段内申请的大额用电量的差值,即为目标时间段的第二负荷增量。
可选的,若根据日期信息确定上一时间段不属于特定日期,且目标时间段属于特定日期,则确定满足特定日期更新条件,针对于不同的日期属性,可以设置不同的影响因子,例如,若特定日期属于特定节日,则影响因子可设置为0.15,第三负荷增量可以为上一时间段的实际负荷与0.15的乘积。
可选的,上一时间段内的实际负荷、所述第一负荷增量、所述第二负荷增量以及所述第三负荷增量之和,即为目标时间段内的负荷需求。
可选的,调度策略生成模块120,可以具体用于:
将各第一能源机组的计划最大电能产量、各第二能源机组的最大电能产量以及目标时间段内的负荷需求,输入至预先训练的调度策略生成模型中,并获取所述调度策略生成模型输出的目标时间段内的电力调度策略。
可选的,调度策略生成模型维护单元121,可以用于:
获取初始调度策略生成模型以及标准样本集;其中,所述标准样本集中包括多组调度条件数据以及与每组调度条件数据分别匹配的有效调度策略,每组调度条件中包括各第一能源机组的计划最大电能产量、各第二能源机组的最大电能产量以及负荷需求;
基于蝙蝠算法设置参数,采用蝙蝠算法进行蝙蝠群体的多轮迭代处理;
其中,在每轮迭代过程中,使用与当前迭代轮次匹配的各蝙蝠对调度策略生成模型进行更新后,以将标准样本集输入至各更新后的调度策略生成模型的适应度为评价指标,在各蝙蝠中识别局部最优蝙蝠,并使用局部最优蝙蝠进行当前轮次的蝙蝠群体迭代优化,蝙蝠中包括惩罚因子和高斯核函数;蝙蝠算法设置参数包括蝙蝠群体个数、最大迭代次数、蝙蝠初始位置、蝙蝠初始速度以及适应度函数;
当满足蝙蝠迭代结束条件时,根据标准样本集计算调度策略生成模型针对各蝙蝠的最终适应度值,并将最终适应度值最高的蝙蝠作为全局最优蝙蝠;
利用全局最优蝙蝠对调度策略生成模型进行更新,得到优化后的调度策略生成模型。
可选的,在每轮迭代过程中,使用与当前迭代轮次匹配的各蝙蝠对调度策略生成模型进行更新后,以将标准验证样本集输入至各更新后调度策略生成模型的适应度为评价指标,在各蝙蝠中识别局部最优蝙蝠,并使用局部最优蝙蝠进行当前轮次的蝙蝠群体迭代优化,蝙蝠中包括惩罚因子和高斯核函数。
可选的,当已到达预设的最大迭代次数,且蝙蝠群体中的目标适应度值大于预设的适应度阈值时,可视为满足蝙蝠迭代结束条件。
可选的,调度策略验证单元122,可以用于:
根据目标时间段内的电力调度策略,判断第二能源机组在目标时间段内的输出功率是否超过目标功率;其中,所述目标功率为第二能源机组的最大电能产量与预设的百分比的乘积;
若是,则将所述电力调度策略发送至所述资源调度模块130;
若否,则计算所述目标功率与第二能源机组在目标时间段内的输出功率的功率差值,并根据功率差值更新电力调度策略,将更新后的电力调度策略发送至所述资源调度模块130。
可选的,为了降低碳排放,在对能源机组进行调度时,应优先使用第二能源机组,因此,可对第二能源机组预设一个利用率,例如80%,在一个可选的例子中,当第二能源机组的最大电能产量为1千万瓦特,则目标功率可以为800万瓦特,若目标时间段内的电力调度策略确定第二能源机组在目标时间段内的输出功率大于800万瓦特,则确定该电力调度策略为有效的,进而发送至资源调度模块130,若小于目标功率,则计算目标功率与当前未更新的电力调度策略中第二能源机组在目标时间的输出功率之间的功率差值,并根据功率差值更新电力调度策略。
本发明实施例的技术方案,通过在自动化电力调度系统中设置数据整合模块、调度策略生成模块以及资源调度模块的方式,能够实现对实际的负荷需求进行精准预测,以及对能源机组的电能产量进行准确的估算与预测,进而能够在保证节能减排的基础上,合理的利用资源,不依赖于技术人员的经验,基于数据分析实现较优的电力调度。
实施例二
图3为本发明实施例二提供的另一种自动化电力调度系统的结构示意图,如图3所示,数据整合模块110还包括储能检测单元114,所述自动化电力调度系统还包括调度监测模块140。
可选的,储能检测单元114,可以用于获取各储能设备的当前储能量,当确定储能设备的当前储能量小于预设的储能量阈值时,根据所述当前储能量以及所述储能量阈值,确定储能设备的需求电量,并将储能设备的需求电量发送至所述负荷预测单元113。
可选的,储能设备为能够储存电能的设备,也是电网系统中较为重要的一部分,当电力资源短缺时,可依靠储能设备中存储的电能实现正常供电。
可选的,储能检测单元114可以对储能设备中的储能量进行检测,若储能设备的当前储能量小于预设的储能量阈值,则可代表储能设备需要获取能源机组产生的能量并进行存储。
可选的,需求电量可以为储能量阈值与当前储能量的差值,也可以为预设的最大储能量与当前储能量的差值。
可选的,负荷预测单元113,还可以用于根据储能设备的需求电量,更新目标时间段内的负荷需求。
可选的,负荷预测单元113在获取需求电量之后,可根据需求电量更新目标时间段内的负荷需求。
可选的,调度监测模块140,可以用于:
获取所述调度策略生成模块生成的电力调度策略,并对目标能源机组的执行状态进行实时监测;
当确定目标能源机组的执行状态与所述电力调度策略不匹配时,生成检修提示,并将检修提示发送至用户端。
可选的,目标能源机组的执行状态与所述电力调度策略不匹配,可以指目标能源机组没有按照电力调度策略中的策略执行发电工作。
本发明实施例的技术方案,通过在自动化电力调度系统中设置数据整合模块、调度策略生成模块以及资源调度模块的方式,能够实现对实际的负荷需求进行精准预测,以及对能源机组的电能产量进行准确的估算与预测,进而能够在保证节能减排的基础上,合理的利用资源,不依赖于技术人员的经验,基于数据分析实现较优的电力调度。
实施例三
图4为本发明实施例一提供了一种自动化电力调度方法的流程图,本实施例可适用于对电力系统进行自动化调度的情况,该方法可以由本发明任一实施例所述的自动化电力调度系统执行。如图4所示,该方法包括:
S210、通过数据整合模块,获取各能源机组的电能产量数据以及目标用电区域的多项负荷数据,并根据负荷数据,预测目标时间段内的负荷需求,将各能源机组的电能产量数据以及负荷需求发送至调度策略生成模块。
可选的,通过数据整合模块,获取各能源机组的电能产量数据以及目标用电区域的多项负荷数据,并根据所述负荷数据,预测目标时间段内的负荷需求,将各能源机组的电能产量数据以及所述负荷需求发送至调度策略生成模块,可以包括:
通过电能产量数据获取单元,获取各第一能源机组的计划最大电能产量,并获取目标时间段内的第一天气信息,根据所述第一天气信息,预测目标时间段内各第二能源机组的最大电能产量,将所述各第一能源机组的计划最大电能产量以及各第二能源机组的最大电能产量发送至调度策略生成模块;
通过负荷数据收集单元,获取目标用电区域在上一时间段内的实际负荷、上一时间段内的负荷干扰数据以及目标时间段内的负荷干扰数据,并发送至负荷预测单元;
通过负荷预测单元,根据所述负荷数据收集单元发送的各项数据,预测目标时间段内的负荷需求,并将目标时间段内的负荷需求发送至调度策略生成模块。
可选的,通过电能产量数据获取单元,获取各第一能源机组的计划最大电能产量,并获取目标时间段内的第一天气信息,根据所述第一天气信息,预测目标时间段内各第二能源机组的最大电能产量,包括:
获取目标时间段内的第一天气信息,并生成与所述第一天气信息相匹配的目标特征向量;
计算所述目标特征向量与各历史第一天气信息的特征向量之间的欧氏距离,并根据计算结果,确定欧式距离在目标距离范围内的多个目标历史第一天气信息;
获取与各目标历史第一天气信息相对应的各第二能源机组的历史最大电能产量,并分别计算各第二能源机组的历史最大电能产量平均值,将所述历史最大电能产量平均值作为目标时间段内第二能源机组的最大电能产量。
可选的,负荷干扰数据至少可以包括高额用电申请信息、第二天气信息以及日期信息。
可选的,通过负荷预测单元,根据所述负荷数据收集单元发送的各项数据,预测目标时间段内的负荷需求,包括:
计算目标时间段内第二天气信息与上一时间段内第二天气信息之间的差值,并根据预设的第二天气信息的影响因子、上一时间段内的实际负荷以及所述差值,确定目标时间段的第一负荷增量;
根据目标时间段内的高额用电申请信息以及上一时间段内的高额用电申请信息,确定目标时间段的第二负荷增量;
当根据上一时间段的日期信息以及目标时间段的日期信息,确定满足特定日期更新条件时,根据目标时间段所属日期的影响因子以及上一时间段内的实际负荷,确定目标时间段的第三负荷增量;
根据上一时间段内的实际负荷、所述第一负荷增量、所述第二负荷增量以及所述第三负荷增量,计算得到目标时间段内的负荷需求。
可选的,还可以包括:
通过数据整合模块还包括储能检测单元,获取各储能设备的当前储能量,当确定储能设备的当前储能量小于预设的储能量阈值时,根据所述当前储能量以及所述储能量阈值,确定储能设备的需求电量,并将储能设备的需求电量发送至所述负荷预测单元;
通过负荷预测单元,根据储能设备的需求电量,更新目标时间段内的负荷需求。
S220、通过调度策略生成模块,根据各能源机组的电能产量数据以及负荷需求,生成目标时间段内的电力调度策略,并将电力调度策略发送至资源调度模块。
可选的,通过调度策略生成模块,根据各能源机组的电能产量数据以及所述负荷需求,生成目标时间段内的电力调度策略,可以包括:
将各第一能源机组的计划最大电能产量、各第二能源机组的最大电能产量以及目标时间段内的负荷需求,输入至预先训练的调度策略生成模型中,并获取所述调度策略生成模型输出的目标时间段内的电力调度策略。
可选的,还可以包括:
通过调度策略生成模型维护单元,获取初始调度策略生成模型以及标准样本集;其中,所述标准样本集中包括多组调度条件数据以及与每组调度条件数据分别匹配的有效调度策略,每组调度条件中包括各第一能源机组的计划最大电能产量、各第二能源机组的最大电能产量以及负荷需求;
通过调度策略生成模型维护单元,基于蝙蝠算法设置参数,采用蝙蝠算法进行蝙蝠群体的多轮迭代处理;
其中,在每轮迭代过程中,使用与当前迭代轮次匹配的各蝙蝠对调度策略生成模型进行更新后,以将标准样本集输入至各更新后的调度策略生成模型的适应度为评价指标,在各蝙蝠中识别局部最优蝙蝠,并使用局部最优蝙蝠进行当前轮次的蝙蝠群体迭代优化,蝙蝠中包括惩罚因子和高斯核函数;蝙蝠算法设置参数包括蝙蝠群体个数、最大迭代次数、蝙蝠初始位置、蝙蝠初始速度以及适应度函数;
通过调度策略生成模型维护单元,当满足蝙蝠迭代结束条件时,根据标准样本集计算调度策略生成模型针对各蝙蝠的最终适应度值,并将最终适应度值最高的蝙蝠作为全局最优蝙蝠;
通过调度策略生成模型维护单元,利用全局最优蝙蝠对调度策略生成模型进行更新,得到优化后的调度策略生成模型。
可选的,在通过调度策略生成模块,根据各能源机组的电能产量数据以及所述负荷需求,生成目标时间段内的电力调度策略之后,还可以包括:
通过调度策略验证单元,根据目标时间段内的电力调度策略,判断第二能源机组在目标时间段内的输出功率是否超过目标功率;其中,所述目标功率为第二能源机组的最大电能产量与预设的百分比的乘积;
通过调度策略验证单元,若是,则将所述电力调度策略发送至所述资源调度模块;
通过调度策略验证单元,若否,则计算所述目标功率与第二能源机组在目标时间段内的输出功率的功率差值,并根据功率差值更新电力调度策略,将更新后的电力调度策略发送至所述资源调度模块。
S230、通过资源调度模块,根据电力调度策略,对电力系统中的各能源机组进行调度。
可选的,还包括:
通过调度监测模块,获取所述调度策略生成模块生成的电力调度策略,并对目标能源机组的执行状态进行实时监测;
通过调度监测模块,当确定目标能源机组的执行状态与所述电力调度策略不匹配时,生成检修提示,并将检修提示发送至用户端。
本发明实施例的技术方案,通过数据整合模块,获取各能源机组的电能产量数据以及目标用电区域的多项负荷数据,并根据负荷数据,预测目标时间段内的负荷需求,通过调度策略生成模块,根据各能源机组的电能产量数据以及负荷需求,生成目标时间段内的电力调度策略,通过资源调度模块,根据电力调度策略,对电力系统中的各能源机组进行调度的方式,能够实现对实际的负荷需求进行精准预测,以及对能源机组的电能产量进行准确的估算与预测,进而能够在保证节能减排的基础上,合理的利用资源,不依赖于技术人员的经验,基于数据分析实现较优的电力调度。
Claims (10)
1.一种自动化电力调度系统,其特征在于,包括数据整合模块、调度策略生成模块以及资源调度模块;
所述数据整合模块,用于获取各能源机组的电能产量数据以及目标用电区域的多项负荷数据,并根据所述负荷数据,预测目标时间段内的负荷需求,将各能源机组的电能产量数据以及所述负荷需求发送至调度策略生成模块;
所述调度策略生成模块,用于根据各能源机组的电能产量数据以及所述负荷需求,生成目标时间段内的电力调度策略,并将所述电力调度策略发送至资源调度模块;
所述资源调度模块,用于根据所述电力调度策略,对电力系统中的各能源机组进行调度。
2.根据权利要求1所述的系统,其特征在于,所述数据整合模块,包括电能产量数据获取单元、负荷数据收集单元以及负荷预测单元;
所述电能产量数据获取单元,用于获取各第一能源机组的计划最大电能产量,并获取目标时间段内的第一天气信息,根据所述第一天气信息,预测目标时间段内各第二能源机组的最大电能产量,将所述各第一能源机组的计划最大电能产量以及各第二能源机组的最大电能产量发送至调度策略生成模块;
所述负荷数据收集单元,用于获取目标用电区域在上一时间段内的实际负荷、上一时间段内的负荷干扰数据以及目标时间段内的负荷干扰数据,并发送至负荷预测单元;
所述负荷预测单元,用于根据所述负荷数据收集单元发送的各项数据,预测目标时间段内的负荷需求,并将目标时间段内的负荷需求发送至调度策略生成模块。
3.根据权利要求2所述的系统,其特征在于,所述电能产量数据获取单元,具体用于:
获取目标时间段内的第一天气信息,并生成与所述第一天气信息相匹配的目标特征向量;
计算所述目标特征向量与各历史第一天气信息的特征向量之间的欧氏距离,并根据计算结果,确定欧式距离在目标距离范围内的多个目标历史第一天气信息;
获取与各目标历史第一天气信息相对应的各第二能源机组的历史最大电能产量,并分别计算各第二能源机组的历史最大电能产量平均值,将所述历史最大电能产量平均值作为目标时间段内第二能源机组的最大电能产量。
4.根据权利要求2所述的系统,其特征在于,所述负荷干扰数据至少包括高额用电申请信息、第二天气信息以及日期信息;
所述负荷预测单元,具体用于:
计算目标时间段内第二天气信息与上一时间段内第二天气信息之间的差值,并根据预设的第二天气信息的影响因子、上一时间段内的实际负荷以及所述差值,确定目标时间段的第一负荷增量;
根据目标时间段内的高额用电申请信息以及上一时间段内的高额用电申请信息,确定目标时间段的第二负荷增量;
当根据上一时间段的日期信息以及目标时间段的日期信息,确定满足特定日期更新条件时,根据目标时间段所属日期的影响因子以及上一时间段内的实际负荷,确定目标时间段的第三负荷增量;
根据上一时间段内的实际负荷、所述第一负荷增量、所述第二负荷增量以及所述第三负荷增量,计算得到目标时间段内的负荷需求。
5.根据权利要求2所述的系统,其特征在于,所述调度策略生成模块,具体用于:
将各第一能源机组的计划最大电能产量、各第二能源机组的最大电能产量以及目标时间段内的负荷需求,输入至预先训练的调度策略生成模型中,并获取所述调度策略生成模型输出的目标时间段内的电力调度策略。
6.根据权利要求5所述的系统,其特征在于,调度策略生成模块中还包括调度策略生成模型维护单元,用于:
获取初始调度策略生成模型以及标准样本集;其中,所述标准样本集中包括多组调度条件数据以及与每组调度条件数据分别匹配的有效调度策略,每组调度条件中包括各第一能源机组的计划最大电能产量、各第二能源机组的最大电能产量以及负荷需求;
基于蝙蝠算法设置参数,采用蝙蝠算法进行蝙蝠群体的多轮迭代处理;
其中,在每轮迭代过程中,使用与当前迭代轮次匹配的各蝙蝠对调度策略生成模型进行更新后,以将标准样本集输入至各更新后的调度策略生成模型的适应度为评价指标,在各蝙蝠中识别局部最优蝙蝠,并使用局部最优蝙蝠进行当前轮次的蝙蝠群体迭代优化,蝙蝠中包括惩罚因子和高斯核函数;蝙蝠算法设置参数包括蝙蝠群体个数、最大迭代次数、蝙蝠初始位置、蝙蝠初始速度以及适应度函数;
当满足蝙蝠迭代结束条件时,根据标准样本集计算调度策略生成模型针对各蝙蝠的最终适应度值,并将最终适应度值最高的蝙蝠作为全局最优蝙蝠;
利用全局最优蝙蝠对调度策略生成模型进行更新,得到优化后的调度策略生成模型。
7.根据权利要求5所述的系统,其特征在于,调度策略生成模块中还包括调度策略验证单元,用于:
根据目标时间段内的电力调度策略,判断第二能源机组在目标时间段内的输出功率是否超过目标功率;其中,所述目标功率为第二能源机组的最大电能产量与预设的百分比的乘积;
若是,则将所述电力调度策略发送至所述资源调度模块;
若否,则计算所述目标功率与第二能源机组在目标时间段内的输出功率的功率差值,并根据功率差值更新电力调度策略,将更新后的电力调度策略发送至所述资源调度模块。
8.根据权利要求4所述的系统,其特征在于,所述数据整合模块还包括储能检测单元,用于获取各储能设备的当前储能量,当确定储能设备的当前储能量小于预设的储能量阈值时,根据所述当前储能量以及所述储能量阈值,确定储能设备的需求电量,并将储能设备的需求电量发送至所述负荷预测单元;
所述负荷预测单元,还用于根据储能设备的需求电量,更新目标时间段内的负荷需求。
9.根据权利要求1所述的系统,其特征在于,还包括调度监测模块,用于:
获取所述调度策略生成模块生成的电力调度策略,并对目标能源机组的执行状态进行实时监测;
当确定目标能源机组的执行状态与所述电力调度策略不匹配时,生成检修提示,并将检修提示发送至用户端。
10.一种自动化电力调度方法,由权利要求1-9任一项所述的自动化电力调度系统执行,其特征在于,包括:
通过数据整合模块,获取各能源机组的电能产量数据以及目标用电区域的多项负荷数据,并根据所述负荷数据,预测目标时间段内的负荷需求,将各能源机组的电能产量数据以及所述负荷需求发送至调度策略生成模块;
通过调度策略生成模块,根据各能源机组的电能产量数据以及所述负荷需求,生成目标时间段内的电力调度策略,并将所述电力调度策略发送至资源调度模块;
通过资源调度模块,根据所述电力调度策略,对电力系统中的各能源机组进行调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410247309.4A CN118054409A (zh) | 2024-03-05 | 2024-03-05 | 一种自动化电力调度系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410247309.4A CN118054409A (zh) | 2024-03-05 | 2024-03-05 | 一种自动化电力调度系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118054409A true CN118054409A (zh) | 2024-05-17 |
Family
ID=91050048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410247309.4A Pending CN118054409A (zh) | 2024-03-05 | 2024-03-05 | 一种自动化电力调度系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118054409A (zh) |
-
2024
- 2024-03-05 CN CN202410247309.4A patent/CN118054409A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113364062A (zh) | 用于利用机器学习的多电力资源管理的微电网站点预测控制 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN111626527B (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
WO2022193794A1 (zh) | 考虑退役电池的智能社区微网超多目标能量管理方法 | |
CN109461091B (zh) | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 | |
CN111200293A (zh) | 基于电池损耗和分布式电网电池储能日前随机调度的方法 | |
CN112598195A (zh) | 楼宇型综合能源系统运行优化方法、装置及终端设备 | |
CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
CN115423153A (zh) | 基于概率预测的光伏储能系统能量管理方法 | |
Ye et al. | Model-free real-time autonomous energy management for a residential multi-carrier energy system: A deep reinforcement learning approach | |
CN117485177A (zh) | 充电桩智能节能控制系统及方法 | |
CN118054409A (zh) | 一种自动化电力调度系统及方法 | |
Heydari et al. | A new combined PV output power forecasting model based on optimized LSTM network | |
CN114204552A (zh) | 智慧园区综合能源能量调度方法 | |
CN114626622A (zh) | 一种光伏功率预测方法、系统、装置及存储介质 | |
Jain et al. | Battery optimization in microgrids using Markov decision process integrated with load and solar forecasting | |
Rio et al. | Benefits of Energy Management Systems on local energy efficiency, an agricultural case study | |
CN113537575B (zh) | 一种含分布式光伏和电动汽车并网的趋势负荷预测方法 | |
CN113949084B (zh) | 一种基于非线性分位数区间预测的充放电优化调度方法 | |
CN117833300B (zh) | 一种基于智能配电设备的储能容量配置方法 | |
KR102497736B1 (ko) | 스마트-팜용 에너지 발전 시스템 및 그 시스템의 구축 방법 | |
CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 | |
CN117595231B (zh) | 一种智能电网配网管理系统及其方法 | |
Wang et al. | Research on optimal equivalent capacity of wind farms based on probabilistic forecasting for power system planning | |
Shen et al. | Design of Power Load Management System and Performance Assessment Model Based on Markov Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |