CN118428702B - 一种虚拟电厂的资源优化管理方法 - Google Patents
一种虚拟电厂的资源优化管理方法 Download PDFInfo
- Publication number
- CN118428702B CN118428702B CN202410888712.5A CN202410888712A CN118428702B CN 118428702 B CN118428702 B CN 118428702B CN 202410888712 A CN202410888712 A CN 202410888712A CN 118428702 B CN118428702 B CN 118428702B
- Authority
- CN
- China
- Prior art keywords
- data
- term
- real
- long
- model
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 77
- 238000007726 management method Methods 0.000 title claims abstract description 47
- 230000007774 longterm Effects 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013468 resource allocation Methods 0.000 claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 230000005611 electricity Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 230000001932 seasonal effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 16
- 238000004146 energy storage Methods 0.000 description 11
- 238000010248 power generation Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 239000002803 fossil fuel Substances 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000000780 augmented Dickey–Fuller test Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本申请实施例提供一种虚拟电厂的资源优化管理方法，涉及电力管理技术领域。该方法包括：根据多个动态模型，获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型；根据短期预测模型预测多种能源的短期输出比例，根据长期预测模型预测长期输出比例，并采用优化算法分别对短期输出比例和长期输出比例进行调整，得到资源配置策略；根据获取的气候数据，分别对短期输出比例和长期输出比例进行分析，并根据分析结果对资源配置策略进行调整。该方法用以达到提高虚拟电厂在复杂市场和不断变化的环境条件下的运行效率、竞争力和环境可持续性的效果。
Description
技术领域
本申请涉及电力管理技术领域，尤其涉及一种虚拟电厂的资源优化管理方法。
背景技术
随着能源行业的发展，虚拟电厂的概念逐渐受到关注。虚拟电厂通过高级信息技术和管理系统，将分散的能源资源（如风能、太阳能、储能设备和传统化石燃料发电设施）进行集成管理，形成一个灵活高效的能源供应网络。这种集成不仅优化了能源的产出和消耗，还提高了能源供应的可靠性和经济性。
虚拟电厂建设模型需要充分利用先进的信息技术和智能化系统。通过建立智能化的能源管理平台和实时监控系统，可以实现对各类能源资源的精准调整和优化配置。例如，运用大数据分析和人工智能算法，可以对能源市场的供需情况进行实时监测和分析，从而及时调整资源配置策略，提高能源利用效率和经济效益。
现有的虚拟电厂管理系统虽然提供基本的能源管理功能，但对可再生及传统能源资源缺乏精确和动态模拟能力，对市场需求和电价变化的响应较为缓慢，缺乏集成长期策略优化和全面环境影响评价功能，导致在资源配置和策略调整时面临难以应对未来市场走向、技术进步和环境变化的挑战。
发明内容
本申请实施例提供一种虚拟电厂的资源优化管理方法，用以达到提高虚拟电厂在复杂市场和不断变化的环境条件下的运行效率、竞争力和环境可持续性的技术效果。
第一方面，本申请实施例提供一种虚拟电厂的资源优化管理方法，包括：
根据多个动态模型，获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型；
根据短期预测模型预测多种能源的短期输出比例，根据长期预测模型预测多种能源的长期输出比例，并采用优化算法分别对短期输出比例和长期输出比例进行调整，得到资源配置策略；
获取气候数据，利用气候数据，分别对短期输出比例和长期输出比例进行分析，得到分析结果，并根据分析结果对资源配置策略进行调整。
在一种可能的实施方式中，根据多个动态模型，获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型，包括：
根据多个动态模型，获取多种能源资源对应的实时数据；
对实时数据进行预处理，得到实时目标数据；
根据实时目标数据分别建立短期预测模型和长期预测模型。
在一种可能的实施方式中，根据实时目标数据分别建立短期预测模型和长期预测模型，包括：
获取外部回归变量，选用自回归积分滑动平均模型，将外部回归变量和实时目标数据输入至自回归积分滑动平均模型中，得到第一自回归积分滑动平均模型；
在第一自回归积分滑动平均模型中引入季节性因素，对第一自回归积分滑动平均模型进行调整，得到短期预测模型；
获取与多种能源资源相关的特征量，将特征量和实时目标数据进行预处理，得到标准化数据，其中，特征量为气象数据、时间特征和经济指标；
对标准化数据进行调整和优化，得到目标数据组合，根据目标数据组合，确定训练集和测试集，并采用训练集和测试集对支持向量回归模型进行训练，得到长期预测模型。
在一种可能的实施方式中，采用训练集和测试集对支持向量回归模型进行训练，得到长期预测模型，包括：
采用训练集对支持向量回归模型进行训练，得到第一支持向量回归模型；
采用测试集对第一支持向量回归模型进行测试，得到长期预测模型。
在一种可能的实施方式中，根据多个动态模型，获取多种能源资源对应的实时数据之前，方法还包括：
分别获取每种能源资源对应的第一实时数据，根据第一实时数据建立每种能源资源对应的动态模型，得到多个第一动态模型；
将多个第一动态模型在当前市场环境下进行模拟，得到模拟结果，获取外部反馈数据，并根据外部反馈数据和模拟结果，分别对多个第一动态模型进行调整，得到多个动态模型。
在一种可能的实施方式中，将多个第一动态模型在当前市场环境下进行模拟，得到模拟结果，获取外部反馈数据，并根据外部反馈数据和模拟结果，分别对多个第一动态模型进行调整，得到多个动态模型，包括：
获取实时市场数据和环境因素，将实时市场数据和环境因素分别输入至多个第一动态模型中，对每个第一动态模型中的模型参数进行更新，得到更新数据；
根据更新数据，将多个第一动态模型在当前市场环境下进行模拟，得到模拟结果；
获取外部反馈数据，将外部反馈数据与模拟结果进行对比分析，并根据分析结果，分别对多个第一动态模型进行调整，得到多个动态模型。
在一种可能的实施方式中，采用优化算法分别对短期输出比例和长期输出比例进行调整，得到资源配置策略，包括：
获取能源市场需求和电价变化，并根据能源市场需求和电价变化，确定资源配置的优化目标，根据优化目标，采用优化算法确定目标函数和约束条件；
根据目标函数和约束条件，分别对短期输出比例和长期输出比例进行调整，得到资源配置策略。
第二方面，本申请实施例提供一种虚拟电厂的资源优化管理装置，包括：
模型构建模块，用于根据多个动态模型，获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型；
预测模块，用于根据短期预测模型预测多种能源的短期输出比例，根据长期预测模型预测多种能源的长期输出比例，并采用优化算法分别对短期输出比例和长期输出比例进行调整，得到资源配置策略；
处理模块，用于获取气候数据，利用气候数据，分别对短期输出比例和长期输出比例进行分析，得到分析结果，并根据分析结果对资源配置策略进行调整。
在一种可能的实施方式中，模型构建模块还用于：
根据多个动态模型，获取多种能源资源对应的实时数据，对实时数据进行预处理，得到实时目标数据，根据实时目标数据分别建立短期预测模型和长期预测模型。
在一种可能的实施方式中，模型构建模块还用于：
获取外部回归变量，选用自回归积分滑动平均模型，将外部回归变量和实时目标数据输入至自回归积分滑动平均模型中，得到第一自回归积分滑动平均模型；
在第一自回归积分滑动平均模型中引入季节性因素，对第一自回归积分滑动平均模型进行调整，得到短期预测模型；
获取与多种能源资源相关的特征量，将特征量和实时目标数据进行预处理，得到标准化数据，其中，特征量为气象数据、时间特征和经济指标；
对标准化数据进行调整和优化，得到目标数据组合，根据目标数据组合，确定训练集和测试集，并采用训练集和测试集对支持向量回归模型进行训练，得到长期预测模型。
在一种可能的实施方式中，模型构建模块还用于：
采用训练集对支持向量回归模型进行训练，得到第一支持向量回归模型；
采用测试集对第一支持向量回归模型进行测试，得到长期预测模型。
在一种可能的实施方式中，模型构建模块还用于：
分别获取每种能源资源对应的第一实时数据，根据第一实时数据建立每种能源资源对应的动态模型，得到多个第一动态模型；
将多个第一动态模型在当前市场环境下进行模拟，得到模拟结果，获取外部反馈数据，并根据外部反馈数据和模拟结果，分别对多个第一动态模型进行调整，得到多个动态模型。
在一种可能的实施方式中，模型构建模块还用于：
获取实时市场数据和环境因素，将实时市场数据和环境因素分别输入至多个第一动态模型中，对每个第一动态模型中的模型参数进行更新，得到更新数据；
根据更新数据，将多个第一动态模型在当前市场环境下进行模拟，得到模拟结果；
获取外部反馈数据，将外部反馈数据与模拟结果进行对比分析，并根据分析结果，分别对多个第一动态模型进行调整，得到多个动态模型。
在一种可能的实施方式中，预测模块还用于：
获取能源市场需求和电价变化，并根据能源市场需求和电价变化，确定资源配置的优化目标，根据优化目标，采用优化算法确定目标函数和约束条件；
根据目标函数和约束条件，分别对短期输出比例和长期输出比例进行调整，得到资源配置策略。
第三方面，本申请实施例提供一种虚拟电厂的资源优化管理设备，包括：存储器，处理器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上第一方面和/或第一方面各种可能的实施方式。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。
本申请实施例提供的一种虚拟电厂的资源优化管理方法，通过多个动态模型获取各种能源资源的实时数据，基于这些数据构建短期和长期预测模型。利用短期预测模型和长期预测模型，分别对多种能源的短期和长期输出比例进行预测。运用优化算法对短期和长期的输出比例进行调整，从而获得资源配置策略。依据获取的气候数据，对短期和长期输出比例进行分析，并依据分析结果对资源配置策略做出相应的调整，达到提高虚拟电厂在复杂市场和不断变化的环境条件下的运行效率、竞争力和环境可持续性的效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的虚拟电厂的资源优化管理方法的流程示意图一；
图2为本申请实施例提供的虚拟电厂的资源优化管理方法的流程示意图二；
图3为本申请实施例提供的虚拟电厂的资源优化管理方法的流程示意图三；
图4为本申请实施例提供的虚拟电厂的资源优化管理装置的结构示意图；
图5为本申请实施例提供的虚拟电厂的资源优化管理设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在当前的能源行业中，虚拟电厂作为一种高级信息技术和管理系统，能够将分散的能源资源进行集成管理，形成一个灵活且高效的能源供应网络。现有技术中，在虚拟电厂中运用大数据分析和人工智能算法实现了对能源市场的供需情况进行实时监测和分析，提高了能源利用效率和经济效益。
然而，现有的虚拟电厂管理系统仍面临一些技术挑战。首先，能源资源的动态模拟精度有待提高，对市场和环境变化的响应速度较慢，长期运行策略的优化也不够充分。这些问题限制了虚拟电厂在复杂市场和不断变化的环境条件下的运行效率、竞争力和环境可持续性。
本申请实施例提供的虚拟电厂的资源优化管理方法，通过利用多个动态模型获取不同种类能源资源的实时数据，根据这些实时数据分别建立短期预测模型和长期预测模型，通过建立的短期和长期预测模型，预测多种能源在短期和长期的输出比例，提高了能源利用效率。使用优化算法，对短期和长期的输出比例进行调整，得到资源的配置策略，通过建立长期预测模型和优化算法，有助于制定长期策略，确保能源系统的可持续发展。利用获取气候的数据分别对短期和长期的输出比例进行分析，分析能源系统对环境的影响，并相应地调整资源配置策略，能够使能源系统更好地适应气候变化，解决了虚拟电厂在复杂市场和不断变化的环境条件下的运行效率低、竞争力低和环境可持续性差的技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请实施例提供的虚拟电厂的资源优化管理方法的流程示意图一，如图1所示，该方法包括：
S101、根据多个动态模型，获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型。
本实施例中，从多个动态模型中获取多种能源资源对应的实时数据，对实时数据进行数据清洗、去噪、转换等操作，以确保数据的质量和可用性。并利用预处理后的实时数据进行训练和建立短期预测模型以及长期预测模型。
需要说明的是，短期预测模型和长期预测模型建立后，利用该短期预测模型和长期预测模型对各能源资源进行短期和长期预测，得到短期预测结果和长期预测结果，同时获取各能源资源在短期和长期中的实际输出结果，将预测结果与实际输出结果进行对比，分析短期预测模型和长期预测模型的准确性，得到预测误差，根据预测误差不断调整和优化短期预测模型和长期预测模型的模型参数，以适应不断变化的环境条件和市场需求。
S102、根据短期预测模型预测多种能源的短期输出比例，根据长期预测模型预测多种能源的长期输出比例，并采用优化算法分别对短期输出比例和长期输出比例进行调整，得到资源配置策略。
本实施例中，根据短期预测模型预测多种能源的短期输出比例，根据长期预测模型预测多种能源的长期输出比例，该短期输出比例是指短期预测模型预测的各能源资源的输出量在预测的所有能源资源输出量所占的比例；长期输出比例是指长期预测模型预测的各能源资源的输出量在预测的所有能源资源输出量所占的比例。采用优化算法调整短期输出比例和长期输出比例，并根据优化结果，制定具体的资源配置策略。
S103、获取气候数据，利用气候数据，分别对短期输出比例和长期输出比例进行分析，得到分析结果，并根据分析结果对资源配置策略进行调整。
本实施例中，收集和分析从气候数据提供者获取的气候数据，关注气候数据中对短期输出比例和长期输出比例影响显著的气候因素，分析这些气候因素是如何影响虚拟电厂内各能源资源的输出比例，并根据分析结果对资源配置策略进行调整。
优选的，气候因素对虚拟电厂内各能源资源，以风能、太阳能、储能及化石燃料发电为例，影响的计算公式为：
，
其中，，，，分别代表温度、降雨、风速和太阳辐射的变化量，系数代表气候因素对相应能源输出比例的影响程度。
基于上述分析结果，对资源配置策略进行调整，以最大化效率并减少不利气候数据变化的影响，包括考虑增加对风速增加区域的风能投入、减少对预测降水减少地区的水能依赖以及调整太阳能板角度和位置以适应预测的太阳辐射变化等。将调整后的资源配置策略在虚拟电场中进行实施，持续监控气候数据变化与能源输出比例的实际数据，以此验证策略的有效性。通过监测气候数据对能源资源输出比例的影响，能够帮助虚拟电厂有效地应对气候变化对能源输出的潜在影响，实现资源配置的优化，从而提高能源效率和经济效益，同时降低环境危害。
本申请实施例提供的虚拟电厂的资源优化管理方法，根据多个动态模型，获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型；根据短期预测模型预测多种能源的短期输出比例，根据长期预测模型预测长期输出比例，并采用优化算法分别对短期输出比例和长期输出比例进行调整，得到资源配置策略；根据获取的气候数据，分别对短期输出比例和长期输出比例进行分析，并根据分析结果对资源配置策略进行调整。因此，该方法通过建立并优化预测模型，结合气候数据分析调整输出比例，进而调整资源配置策略，提高了能源管理效率和能源预测准确性、资源配置长期优化以及对环境适应能力增强，进而提高了虚拟电厂在复杂市场和不断变化的环境条件下的运行效率、竞争力和环境可持续性。
图2为本申请实施例提供的虚拟电厂的资源优化管理方法的流程示意图二，如图2所示，本实施例在图1实施例的基础上，对虚拟电厂的资源优化管理方法进行详细说明，该方法包括：
S201、分别获取每种能源资源对应的第一实时数据，根据第一实时数据建立每种能源资源对应的动态模型，得到多个第一动态模型。
本实施例中，通过检测设备或数据采集设备分别获取每种能源资源对应的第一实时数据，根据收集到的第一实时数据，建立每种能源资源对应的第一动态模型。通过建立第一动态模型，能够更好地理解能源资源的动态变化规律，掌握各能源资源的即时运行情况和性能指标，并为能源管理和决策提供有力支持，其中，该能源资源包括但不限于风能、太阳能、储备设备和传统化石燃料等。第一实时数据是指每种能源资源对应的数据。
具体地，以风能、太阳能、储备设备和传统化石燃料为例，分别建立这四种能源资源对应的动态模型，建立过程如下：
风能资源模型：采集与风能发电相关的气象数据，如风速、风、向和空气密度等，基于这些数据，使用物理风力发电模型计算理论发电量，公式为：，其中，是空气密度（kg/m3），A是风轮的横截面积（m2），v是风速（m/s），C p 是功率系数，是系统效率。
太阳能资源模型：收集太阳辐射强度、天气状况和日照时长等数据，采用光伏发电模型，结合光伏板的方位角、倾斜角以及光伏板的性能参数，计算可能的电力输出，公式为：，其中，A pv 是光伏板的面积（m2），I radiation 是太阳辐射强度（W/m2），是光伏板转换效率。
储能设备模型：储能设备例如可以是电池或抽水储能，建立基于储能设备充电状态，放电速率和维护周期的动态模型，该动态模型中将储能设备在不同负载和电网需求下的行为，以及其在连续充放电周期中性能的变化，公式为：，其中，SOC(t)是在时间t的储能状态，P charge (t)是充电功率（kW），P discharge (t)是放电功率（kW），C是储能总容量（kWh），是时间步长（h）。
传统化石燃料发电模型：针对传统化石燃料发电，建立包含发电效率、燃料消耗率、排放数据和维护周期的模型，发电功率的计算公式为：
；
其中，是发电效率，E input 是燃料能量输入（kWh）。
上述四种模型可以称为多个第一动态模型，该第一动态模型能够精确反映每种能源资源的特性和运行状况，为虚拟电厂的高效运行提供可靠的数据支持。
S202、获取实时市场数据和环境因素，将实时市场数据和环境因素分别输入至多个第一动态模型中，对每个第一动态模型中的模型参数进行更新，得到更新数据。
本实施例中，通过数据接口将获取得到的实时市场数据和环境因素分别输入至多个第一动态模型中，更新各个第一动态模型的模型参数，如风速影响风能输出、太阳辐射影响太阳能输出等，得到更新数据。
其中，实时市场数据包括但不限于电价、能源价格、供需情况、市场需求；环境因素包括但不限于天气条件、季节变化、CO2排放标准。
S203、根据更新数据，将多个第一动态模型在当前市场环境下进行模拟，得到模拟结果。
本实施例中，根据更新数据，利用多个第一动态模型模拟各能源资源在当前市场环境下的运行情况，并分析各能源资源的运行对经济和环境的影响，考虑成本效益和环保目标，计算公式为：
经济性分析：；
环境影响分析：；
其中，P i 是单位市场售价，S i 是销售的电量，C i 是单位生产成本，E i 是单位电量产生的CO2排放量，Q i 是产生的电量。
基于上述计算，记录各能源资源在当前市场环境下的输出情况、相关成本及环境影响以及各能源资源在模拟周期内的输出量作为本实施例的模拟结果。其中，相关成本，如生产成本、维护成本等；环境影响，如CO2排放量。
S204、获取外部反馈数据，将外部反馈数据与模拟结果进行对比分析，并根据分析结果，分别对多个第一动态模型进行调整，得到多个动态模型。
本实施例中，获取外部反馈数据，该外部反馈数据包括但不限于市场、环境、技术、用户反馈的数据。将外部反馈数据与模拟结果进行对比分析，确定两者之间的差异和相似之处，找出第一动态模型的偏差和不足，根据分析结果，对模型的参数、结构或算法进行修改，得到多个动态模型，以使模型更准确地反映实际情况。
其中，市场反馈数据包括市场需求变化、电价波动、竞争对手策略等；环境反馈数据包括气候变化、天气异常、自然灾害等；技术反馈数据包括新技术的出现、设备性能变化、维护和操作数据等；用户反馈数据包括客户需求变化、满意度调查、用户行为分析等。
S205、根据多个动态模型，获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型。
本实施例中，由于动态模型考虑了实时市场数据、环境因素等多个因素的影响，可更全面地反映能源资源的变化情况，并且经过动态模型处理的数据更加准确和相关，能够提供更有价值的信息用于预测，因此需要从多个动态模型中获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型，以提高预测的准确性。其中，实时数据包括但不限于风速、太阳辐射、温度、电力需求和燃料价格等。该实时数据反映了各能源资源的实时运行状态和性能。
S206、根据短期预测模型预测多种能源的短期输出比例，根据长期预测模型预测多种能源的长期输出比例。
步骤S206与上述步骤S102类似，在此不再赘述。
S207、获取能源市场需求和电价变化，并根据能源市场需求和电价变化，确定资源配置的优化目标，根据优化目标，采用优化算法确定目标函数和约束条件。
本实施例中，通过获取能源市场需求和电价变化，了解市场的供需情况和价格波动，从而确定资源配置的优化目标。该优化目标可以根据具体情况而定，例如成本最小化、最大化能源利用效率、提高能源供应的可靠性等。根据优化目标，采用优化算法确定目标函数和约束条件。其中，优化算法包括线性规划、非线性规划、整数规划、动态规划等，目标函数是用于衡量优化目标的数学表达式，它反映了系统的性能指标；约束条件则是对系统的限制和要求，例如能源产能约束、需求满足约束等。
优选的，以优化目标为成本最小化，优化算法为线性规划算法为例，线性规划算法包括：
目标函数：，
其中，Z是总成本，c i 是第i种资源单位输出的成本，x i 是第i种资源的输出量。
约束条件包括如下多项约束：
产能约束：确保各能源资源的输出不超过其最大产能，即；
需求满足约束：确保总产出满足市场需求，即；
其他运营约束：包括维护、环保标准等，即；
其中，P i 是第i种资源的最大可用产能，D是市场的总需求，a i 和b i 是其他运营约束的系数和常数；
在虚拟电厂中，线性规划算法应用于风能、太阳能、储能设备和传统化石燃料发电的输出优化，通过对每种能源资源的成本、产能和可用性的综合考虑，可动态调整各能源资源的输出比例，以适应市场需求的变化和电价波动，从而实现整体成本的最小化。
S208、根据目标函数和约束条件，分别对短期输出比例和长期输出比例进行调整，得到资源配置策略。
本实施例中，根据目标函数和约束条件，分别对短期输出比例和长期输出比例进行调整，得到资源配置策略。其中，调整过程需要综合考虑多种因素，如市场需求、成本、供应能力等。在调整短期输出比例时，可以根据近期的市场需求波动和价格变化，灵活调整资源的分配，以快速响应市场变化，满足短期需求。而长期输出比例的调整则需要考虑更长期的因素，如产能扩展、市场趋势等。通过合理调整长期输出比例，可以优化资源的长期利用效率，提高企业的竞争力和可持续发展能力。
S209、获取气候数据，利用气候数据，分别对短期输出比例和长期输出比例进行分析，得到分析结果，并根据分析结果对资源配置策略进行调整。
步骤S209与上述步骤S103类似，在此不再赘述。
基于步骤S201-S209，本申请实施例通过为虚拟电厂的管理者和操作员提供了一个直观、易操作的平台，使他们能够实时查看和分析资源配置的模拟结果，包括资源配置策略和预期的经济及环境效益，这种交互式的决策支持工具不仅增强了管理者在资源配置和策略调整中的主动性，还提升了整体的业务透明度和员工的参与度，进一步促进了团队的信息共享和决策协同。
本申请实施例提供的虚拟电厂的资源优化管理方法，通过获取每种能源资源的实时数据，建立动态模型，并将实时市场数据和环境因素输入至动态模型中，得到更新模型参数，使得模型能更好地反映当前市场环境的影响，进而提高虚拟电厂在不断变化的环境条件下的竞争力；再用更新数据进行模拟，根据外部反馈数据调整动态模型，提高了动态模型的准确性，进而提高动态模拟的精准度。利用调整后的多个动态模型建立短期和长期预测模型，预测短期和长期的能源输出比例，再根据能源市场需求和电价变化确定优化目标，提高了虚拟电厂对于市场需求变化和价格波动的响应能力，根据目标函数和约束条件调整输出比例，得到资源配置策略，利用气候数据分析结果调整资源配置策略，显著提高了能源管理和利用的效率，并增强环境的可持续性。
图3为本申请实施例提供的虚拟电厂的资源优化管理方法的流程示意图三，如图3所示，本实施例在图2实施例的基础上，对根据多个动态模型，获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型进行详细说明，该方法包括：
S301、根据多个动态模型，获取多种能源资源对应的实时数据，对实时数据进行预处理，得到实时目标数据。
本实施例中，根据多个动态模型，获取多种能源资源对应的实时数据，对实时数据进行标准化和清洗，去除噪声和异常值，可以提高数据的质量和可靠性，得到更准确的实时目标数据。预处理后的实时目标数据可以用于进一步的分析、建模、预测和优化等工作，以实现更高效的能源利用和资源配置。
S302、获取外部回归变量，选用自回归积分滑动平均模型，将外部回归变量和实时目标数据输入至自回归积分滑动平均模型中，得到第一自回归积分滑动平均模型。
本实施例中，为了更适应虚拟电厂的运行情况，考虑电价、天气和规定等外部因素对能源资源输出的影响，将这些外部因素作为外部回归变量以及实时目标数据输入至自回归积分滑动平均模型中，得到第一自回归积分滑动平均模型：
，
其中，X t 是目标时间序列（如风能或太阳能输出），是自回归系数，是滑动平均系数，是外部变量Z j 的系数，代表电价、天气状况、规定影响等，p，d和q分别是自回归、差分和滑动平均的阶数，m是外部变量的数量，是误差项。
需要说明的是，在上述第一自回归积分滑动平均模型中需要通过适当增加差分阶数d来确保时间序列的平稳性，并使用ADF检验（Augmented Dickey-Fuller test）确定合适的差分阶数，计算公式为：，其中，ADF检验是一种常用的时间序列分析方法，主要用于确定一个时间序列是否具有单位根，从而判断该时间序列是否平稳。
S303、在第一自回归积分滑动平均模型中引入季节性因素，对第一自回归积分滑动平均模型进行调整，得到短期预测模型。
本实施例中，由于能源产出（尤其是太阳能和风能）受季节影响显著，因此引入季节性因素，对第一自回归积分滑动平均模型进行调整，得到短期预测模型：
，
其中，P、D和Q分别是季节性自回归、季节性差分和季节性滑动平均的阶数，S是季节周期(例如，对于月度数据，S=12)，和分别是季节性自回归和季节性滑动平均系数。
该短期预测模型模型不仅能准确地捕捉到能源产出的动态变化，还能够对外部因素如市场和环境变化进行有效的响应和预测。
S304、获取与多种能源资源相关的特征量，将特征量和实时目标数据进行预处理，得到标准化数据。
本实施例中，使用径向基函数（RBF）核对于实时目标数据中的非线性关系和高维数据进行预处理，计算公式为：
，
其中，是核函数的参数，调整可控制函数的非线性程度。
利用计算公式对与多种能源资源相关的特征量进行预处理，标准化所有特征，以消除不同量纲带来的影响，其中，和分别是特征的均值和标准差，x是一个多维向量，包含了用于长期模型预测的所有特征量，每个特征量都是一个数值。
通过上述方法对特征量和实时目标数据进行预处理，得到标准化数据。
需要说明的是，与多种能源资源相关的特征量包括气象数据、时间特征和经济指标，其中气象数据包括但不限于温度、风速、太阳辐射强度；时间特征包括但不限于季节、月份、时间段；经济指标包括但不限于能源价格、电力需求。
S305、对标准化数据进行调整和优化，得到目标数据组合，根据目标数据组合，确定训练集和测试集。
本实施例中，采用超参数优化方法对标准化数据进行调整和优化，得到目标数据组合，并根据目标数据组合，确定训练集和测试集。其中，该超参数优化方法是指在机器学习或深度学习中，对模型的一些参数（标准化数据）进行调整和优化的过程。常见的超参数优化方法包括手动搜索、随机搜索、网格搜索、基于模型的搜索等。这些方法的目的是在超参数空间中寻找目标数据组合，以提高模型的准确性、泛化能力和效率。
优选的，以使用网格搜索(Grid Search)配合交叉验证来寻找目标数据组合为例，计算公式为：
。
S306、采用训练集对支持向量回归模型进行训练，得到第一支持向量回归模型，采用测试集对第一支持向量回归模型进行测试，得到长期预测模型。
本实施例中，确定训练集和测试集可以用于验证模型的性能和泛化能力。训练集用于支持向量回归模型的学习和拟合，而测试集用于衡量支持向量回归模型在新数据上的预测能力，最终得到长期预测模型。
其中，采用训练集对支持向量回归模型进行训练，训练公式为：
，
其中，w是权重向量，用于在特征空间中定义超平面的方向，b是偏置项，用于在特征空间中定义超平面的位置，，是松弛变量，用于处理不可避免的误差，C是正则化参数，控制支持向量回归模型复杂度和允许误差的平衡，是丢失管道的宽度，决定了支持向量回归模型对预测误差的容忍程度，是映射函数，将输入数据x i 映射到高维特征空间，y i 是目标值，训练数据中的实际输出，用于训练支持向量回归模型。
将长期预测模型应用于实际的虚拟电厂管理，用于预测未来的能源需求和产出，支持决策制定，通过这些步骤长期预测模型不仅能够提供准确的长期能源产出预测，还能够适应复杂的市场和环境条件，为虚拟电厂提供一个强有力的预测工具。
本申请实施例提供的虚拟电厂的资源优化管理方法，通过从多个动态模型中获取多种能源资源对应的实时数据，并进行预处理；通过建立自回归积分滑动平均模型，引入外部回归变量和季节性因素，提高了短期预测的准确性；再利用支持向量回归模型进行长期预测，进一步提高了长期预测模型预测的准确性和可靠性，对长期预测模型进行训练和测试，得到的长期预测模型为能源资源的长期计划和管理提供决策依据。
图4为本申请实施例提供的虚拟电厂的资源优化管理装置的结构示意图，如图4所示，本实施例提供的虚拟电厂的资源优化管理装置40包括：
模型构建模块401，用于根据多个动态模型，获取多种能源资源对应的实时数据，利用实时数据分别建立短期预测模型和长期预测模型；
预测模块402，用于根据短期预测模型预测多种能源的短期输出比例，根据长期预测模型预测多种能源的长期输出比例，并采用优化算法分别对短期输出比例和长期输出比例进行调整，得到资源配置策略；
处理模块403，用于获取气候数据，利用气候数据，分别对短期输出比例和长期输出比例进行分析，得到分析结果，并根据分析结果对资源配置策略进行调整。
在一种可能的实施方式中，模型构建模块401还用于：
根据多个动态模型，获取多种能源资源对应的实时数据，对实时数据进行预处理，得到实时目标数据，根据实时目标数据分别建立短期预测模型和长期预测模型。
在一种可能的实施方式中，模型构建模块401还用于：
获取外部回归变量，选用自回归积分滑动平均模型，将外部回归变量和实时目标数据输入至自回归积分滑动平均模型中，得到第一自回归积分滑动平均模型；
在第一自回归积分滑动平均模型中引入季节性因素，对第一自回归积分滑动平均模型进行调整，得到短期预测模型；
获取与多种能源资源相关的特征量，将特征量和实时目标数据进行预处理，得到标准化数据，其中，特征量为气象数据、时间特征和经济指标；
对标准化数据进行调整和优化，得到目标数据组合，根据目标数据组合，确定训练集和测试集，并采用训练集和测试集对支持向量回归模型进行训练，得到长期预测模型。
在一种可能的实施方式中，模型构建模块401还用于：
采用训练集对支持向量回归模型进行训练，得到第一支持向量回归模型；
采用测试集对第一支持向量回归模型进行测试，得到长期预测模型。
在一种可能的实施方式中，模型构建模块401还用于：
分别获取每种能源资源对应的第一实时数据，根据第一实时数据建立每种能源资源对应的动态模型，得到多个第一动态模型；
将多个第一动态模型在当前市场环境下进行模拟，得到模拟结果，获取外部反馈数据，并根据外部反馈数据和模拟结果，分别对多个第一动态模型进行调整，得到多个动态模型。
在一种可能的实施方式中，模型构建模块401还用于：
获取实时市场数据和环境因素，将实时市场数据和环境因素分别输入至多个第一动态模型中，对每个第一动态模型中的模型参数进行更新，得到更新数据；
根据更新数据，将多个第一动态模型在当前市场环境下进行模拟，得到模拟结果；
获取外部反馈数据，将外部反馈数据与模拟结果进行对比分析，并根据分析结果，分别对多个第一动态模型进行调整，得到多个动态模型。
在一种可能的实施方式中，预测模块402还用于：
获取能源市场需求和电价变化，并根据能源市场需求和电价变化，确定资源配置的优化目标，根据优化目标，采用优化算法确定目标函数和约束条件；
根据目标函数和约束条件，分别对短期输出比例和长期输出比例进行调整，得到资源配置策略。
本实施例提供的虚拟电厂的资源优化管理装置，可执行上述方法实施例提供的方法，其实现原理和技术效果类似，本实施例此处不做赘述。
图5为本申请实施例提供的虚拟电厂的资源优化管理设备的结构示意图。如图5所示，本实施例提供的虚拟电厂的资源优化管理设备50包括：至少一个处理器501和存储器502。可选地，该设备50还包括通信部件503。其中，处理器501、存储器502以及通信部件503通过总线504连接。
在具体实现过程中，至少一个处理器501执行存储器502存储的计算机执行指令，使得至少一个处理器501执行上述的方法。
处理器501的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的实施例中，应理解，处理器可以是中央处理单元（英文：CentralProcessing Unit，简称：CPU），还可以是其他通用处理器、数字信号处理器（英文：DigitalSignalProcessor，简称：DSP）、专用集成电路（英文：Application Specific IntegratedCircuit，简称：ASIC）等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速存储器（Random Access Memory，RAM），也可能还包括非易失性存储器（Non-volatile Memory，NVM），例如至少一个磁盘存储器。
总线可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustryStandard Architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请实施例附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现上述的方法。
上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段，并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (8)
1.一种虚拟电厂的资源优化管理方法，其特征在于，包括：
根据多个动态模型，获取多种能源资源对应的实时数据，利用所述实时数据分别建立短期预测模型和长期预测模型；
根据所述短期预测模型预测所述多种能源的短期输出比例，根据所述长期预测模型预测所述多种能源的长期输出比例，并采用优化算法分别对所述短期输出比例和所述长期输出比例进行调整，得到资源配置策略；
获取气候数据，利用所述气候数据，分别对所述短期输出比例和所述长期输出比例进行分析，得到分析结果，并根据所述分析结果对所述资源配置策略进行调整；
所述根据多个动态模型，获取多种能源资源对应的实时数据之前，所述方法还包括：
分别获取每种能源资源对应的第一实时数据，根据所述第一实时数据建立所述每种能源资源对应的动态模型，得到多个第一动态模型；
获取实时市场数据和环境因素，将所述实时市场数据和所述环境因素分别输入至所述多个第一动态模型中，对每个第一动态模型中的模型参数进行更新，得到更新数据；
根据所述更新数据，将所述多个第一动态模型在当前市场环境下进行模拟，得到所述模拟结果；
获取外部反馈数据，将所述外部反馈数据与所述模拟结果进行对比分析，并根据分析结果，分别对所述多个第一动态模型进行调整，得到所述多个动态模型。
2.根据权利要求1所述的方法，其特征在于，所述根据多个动态模型，获取多种能源资源对应的实时数据，利用所述实时数据分别建立短期预测模型和长期预测模型，包括：
根据所述多个动态模型，获取多种能源资源对应的实时数据；
对所述实时数据进行预处理，得到实时目标数据；
根据所述实时目标数据分别建立所述短期预测模型和所述长期预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述实时目标数据分别建立所述短期预测模型和所述长期预测模型，包括：
获取外部回归变量，选用自回归积分滑动平均模型，将所述外部回归变量和所述实时目标数据输入至所述自回归积分滑动平均模型中，得到第一自回归积分滑动平均模型；
在所述第一自回归积分滑动平均模型中引入季节性因素，对所述第一自回归积分滑动平均模型进行调整，得到所述短期预测模型；
获取与所述多种能源资源相关的特征量，将所述特征量和所述实时目标数据进行预处理，得到标准化数据，其中，所述特征量为气象数据、时间特征和经济指标；
对所述标准化数据进行调整和优化，得到目标数据组合，根据所述目标数据组合，确定训练集和测试集，并采用所述训练集和所述测试集对支持向量回归模型进行训练，得到所述长期预测模型。
4.根据权利要求3所述的方法，其特征在于，所述采用所述训练集和所述测试集对支持向量回归模型进行训练，得到所述长期预测模型，包括：
采用所述训练集对所述支持向量回归模型进行训练，得到第一支持向量回归模型；
采用所述测试集对所述第一支持向量回归模型进行测试，得到所述长期预测模型。
5.根据权利要求1所述的方法，其特征在于，所述采用优化算法分别对所述短期输出比例和所述长期输出比例进行调整，得到资源配置策略，包括：
获取能源市场需求和电价变化，并根据所述能源市场需求和所述电价变化，确定资源配置的优化目标，根据所述优化目标，采用优化算法确定目标函数和约束条件；
根据所述目标函数和所述约束条件，分别对所述短期输出比例和所述长期输出比例进行调整，得到所述资源配置策略。
6.一种虚拟电厂的资源优化管理装置，其特征在于，所述装置包括：
模型构建模块，用于根据多个动态模型，获取多种能源资源对应的实时数据，利用所述实时数据分别建立短期预测模型和长期预测模型；
预测模块，用于根据所述短期预测模型预测所述多种能源的短期输出比例，根据所述长期预测模型预测所述多种能源的长期输出比例，并采用优化算法分别对所述短期输出比例和所述长期输出比例进行调整，得到资源配置策略；
处理模块，用于获取气候数据，利用所述气候数据，分别对所述短期输出比例和所述长期输出比例进行分析，得到分析结果，并根据所述分析结果对所述资源配置策略进行调整；
模型构建模块，还用于分别获取每种能源资源对应的第一实时数据，根据所述第一实时数据建立所述每种能源资源对应的动态模型，得到多个第一动态模型；
将所述多个第一动态模型在当前市场环境下进行模拟，得到模拟结果，获取外部反馈数据，并根据所述外部反馈数据和所述模拟结果，分别对所述多个第一动态模型进行调整，得到所述多个动态模型；
模型构建模块，具体用于获取实时市场数据和环境因素，将所述实时市场数据和所述环境因素分别输入至所述多个第一动态模型中，对每个第一动态模型中的模型参数进行更新，得到更新数据；
根据所述更新数据，将所述多个第一动态模型在所述当前市场环境下进行模拟，得到所述模拟结果；
获取外部反馈数据，将所述外部反馈数据与所述模拟结果进行对比分析，并根据分析结果，分别对所述多个第一动态模型进行调整，得到所述多个动态模型。
7.一种虚拟电厂的资源优化管理设备，其特征在于，所述设备包括：存储器，处理器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如权利要求1-5任一项所述虚拟电厂的资源优化管理方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-5任一项所述虚拟电厂的资源优化管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410888712.5A CN118428702B (zh) | 2024-07-04 | 一种虚拟电厂的资源优化管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410888712.5A CN118428702B (zh) | 2024-07-04 | 一种虚拟电厂的资源优化管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118428702A CN118428702A (zh) | 2024-08-02 |
| CN118428702B true CN118428702B (zh) | 2024-09-24 |
Family
ID=
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115632392A (zh) * | 2022-09-15 | 2023-01-20 | 平湖市通用电气安装有限公司 | 基于机器学习的分层分区精准负荷响应系统 |
| CN117239740A (zh) * | 2023-11-14 | 2023-12-15 | 北京国科恒通数字能源技术有限公司 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115632392A (zh) * | 2022-09-15 | 2023-01-20 | 平湖市通用电气安装有限公司 | 基于机器学习的分层分区精准负荷响应系统 |
| CN117239740A (zh) * | 2023-11-14 | 2023-12-15 | 北京国科恒通数字能源技术有限公司 | 一种虚拟电厂系统的优化配置与灵活性提升方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11699198B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
| Boza et al. | Artificial intelligence to support the integration of variable renewable energy sources to the power system | |
| Perera et al. | Redefining energy system flexibility for distributed energy system design | |
| US10873209B2 (en) | System and method for dynamic energy storage system control | |
| CN111695742A (zh) | 一种综合能源系统日前调度区间优化方法、系统及设备 | |
| Wei et al. | Impact of energy storage on economic dispatch of distribution systems: A multi-parametric linear programming approach and its implications | |
| US20230327440A1 (en) | Power generation amount management system and power generation amount management method | |
| CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
| Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
| Li et al. | Multi-objective unit commitment optimization with ultra-low emissions under stochastic and fuzzy uncertainties | |
| Bødal et al. | Capacity expansion planning with stochastic rolling horizon dispatch | |
| Göke | AnyMOD–A graph-based framework for energy system modelling with high levels of renewables and sector integration | |
| CN118428702B (zh) | 一种虚拟电厂的资源优化管理方法 | |
| CN118428702A (zh) | 一种虚拟电厂的资源优化管理方法 | |
| CN115693787A (zh) | 考虑源荷随机性的光储配电网新能源接纳能力分析方法 | |
| KR20230066927A (ko) | 발전량 예측 방법 및 장치 | |
| Tascıkaraoglu | Impacts of accurate renewable power forecasting on Optimum operation of power system | |
| Kavoosi Davoodi et al. | An accurate analysis of the parameters affecting consumption and price fluctuations of electricity in the Iranian market in summer | |
| Tan et al. | Dual time-scale robust optimization for energy management of distributed energy community considering source-load uncertainty | |
| CN117977726B (zh) | 基于区域调频的水力发电厂优化方法、装置、设备和介质 | |
| Asthana | Economic Dispatch of Consumer Loads Using Machine Learning in Smart Grid Environment | |
| Yin et al. | A Bi‐Level Optimization Model for Flexible Capacity Allocation with Coordinated Planning and Operation | |
| Sage et al. | Enhancing Battery Storage Energy Arbitrage With Deep Reinforcement Learning and Time-Series Forecasting | |
| Rodríguez Gallegos et al. | Optimal Diesel Replacement Strategy for the Progressive Introduction of PV and Batteries | |
| Dong et al. | Research on hybrid electricity demand forecasting system based on sunflower optimization and completely non-recursive decomposition strategy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |