TWI741788B - 一種廣域電力監控平台系統及其方法 - Google Patents

一種廣域電力監控平台系統及其方法 Download PDF

Info

Publication number
TWI741788B
TWI741788B TW109131678A TW109131678A TWI741788B TW I741788 B TWI741788 B TW I741788B TW 109131678 A TW109131678 A TW 109131678A TW 109131678 A TW109131678 A TW 109131678A TW I741788 B TWI741788 B TW I741788B
Authority
TW
Taiwan
Prior art keywords
area
power
wide
monitoring platform
electricity
Prior art date
Application number
TW109131678A
Other languages
English (en)
Other versions
TW202213253A (zh
Inventor
林春成
陳騰瑞
Original Assignee
國立交通大學
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 國立交通大學 filed Critical 國立交通大學
Priority to TW109131678A priority Critical patent/TWI741788B/zh
Application granted granted Critical
Publication of TWI741788B publication Critical patent/TWI741788B/zh
Publication of TW202213253A publication Critical patent/TW202213253A/zh

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
    • Y04S40/128—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment involving the use of Internet protocol

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一種廣域電力監控平台系統及其方法，係應用於互聯網之區域電力調配/儲能優化服務環境中，利用本發明之廣域電力監控平台系統以進行廣域電力監控平台方法時，首先，進行數據接收動作，經由有線或無線的方式，廣域監控平台將接收來自於一定範圍區域內之數個用電單位模組的電力數據及/或一個以上之能源交易平台的區域用電資訊；接著，進行數據處理動作，該廣域監控平台將根據該些之電力數據及/或區域用電資訊，而選取一種以上的群體智慧分群演算法，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，並將該些數個用電單位模組劃分為不同群組；繼之，進行電價預測動作，預測該一定範圍區域電力價格。

Description

一種廣域電力監控平台系統及其方法
本發明係有關於監控平台系統及方法，更詳而言之，係有關於一種應用於互聯網之區域電力調配/儲能優化服務環境的廣域電力監控平台系統及其方法，可評估一定範圍區域內的區域用電特性及/或電力負載程度，並預測一定範圍區域電力價格以做為電價基準。
就目前的電力服務而言，台灣電力公司(簡稱台電)為反映尖峰、半尖峰、離峰不同時間的供電成本，因此訂定不同費率，尖峰時間電價最高，離峰時間最低，台電僅是以用電時段來區分費率且以通則之累進電價來計算電費，惟，台電並未考量依區域性的用電特性/習慣及/或電力負載程度而給予不同的電價。
就電力交易而言，早期太陽能光電、風電等再生能源走躉購制度並與台電簽約，而台電以固定費率穩定收購電力20年，促使近年來普設太陽能電廠；惟，現今綠電交易自由化來臨，允許民間案場跳脫台電合約，轉供賣給有需要的客戶，然，對於綠能業者而言，其與台電終止契約存在著困難，例如，與台電之類似解約的費用，以及，銀行融資問題，過去業者賣電的對象是台電，而如今買主變成企業，銀行必須重新評估買電者的信用評等與風險。
台灣新型專利公告第M560092號「節能管理系統」係揭露一種節能管理系統，節能管理系統中，客戶端終端裝置用以傳送出一地區資訊，節能管理伺服器之儲存模組儲存有一地區節能對照表，地區節能對照表包含複數個節能地區資訊、複數個對應於該些節能地區資訊之再生能源發電建議資訊以及複數個對應於該些節能地區資訊之節能改建建議資訊。處理模組用以接收地區資訊，藉以依據地區節能對照表找出符合地區資訊之該些節能地區資訊中之一者、該些再生能源發電建議資訊中之至少一者以及該些節能改建建議資訊中之至少一者，據以傳送至客戶端終端裝置。
台灣新型專利公告第M572534號「分散式能源系統」係揭露一種分散式能源系統。該系統主要包含：至少一發電供應源，提供一電力能量；一儲能模組，接收來自該至少一發電供應源所提供的該電力能量，並儲存成一可用電力能量；複數個負載端，電性連接該儲能模組，使用該儲能模組中所儲存的電力能量；其中，該至少一發電供應源、該儲能模組與該些負載端形成彼此之間相互連結成具有節點的一獨立網路。本創作之系統，能夠在來自多樣發電來源的系統的發電量與負載端的使用量上取得一個平衡，並且即時提供用戶端得知即時的用電電價。
台灣發明專利公開第202008281號「利用對電動車電池充電產生能源憑證的方法」係揭露一種利用對電動車電池充電產生能源憑證的方法，包含一電動車使用步驟、一費率計算步驟，及一能源憑證產生步驟。首先，進行該電動車使用步驟，一使用者對電動車電池充電以使用電動車來取代燃油車。然後，進行該費率計算步驟，使用者對電動車電池充電之費率計算方式是取得一綠電發電之成本電價，以及一使用燃油車之成本油價，用以計算對該電動車電池充電之一綠電參考收費電價。最後，該使用者以綠電參考收費電價支付該電動車電池之充電費用，以生成一能源憑證並給予該使用者。
台灣發明專利公告第I687889號「基於區塊鏈的電動車共享充電方法」係揭露一種基於區塊鏈的電動車共享充電方法，其中駕駛人可利用手持裝置的去中心化應用程式或應用程式以連接至區塊鏈，並搜尋電動車共享充電插座的所在位置以前往充電，充完電後，駕駛人藉由虛擬貨幣以支付費用，費用由平台業者以及提供共享充電插座的民眾所共享，進而構築成一個共享充電平台。由於區塊鏈具有去中心化的特點，可大幅降低營運成本並降低交易的手續費，使整體的充電成本降低，同時還能大幅提升交易的安全性，並可將所記錄的資料提供政府當作課稅的依據，維護納稅的公平性。
所以如何能解決，以電力服務而言，並非是以用電時段來區分費率、累進電價來計算電費，而是以考量依區域性的用電特性/習慣及/或電力負載程度來計算不同的電價；以電力交易而言，綠電能源業者能以綠電交易自由化方式來進行電力交易，並以能源交易平台模式負擔電力交易之信用評等與風險，跳脫台電合約，轉供賣給有需要的客戶；另，就電力交易而言，如何能評估一定範圍區域內的區域用電特性及/或電力負載程度，並預測一定範圍區域電力價格以做為電價基準；而以上種種所述，均是待解決的問題。
本發明之主要目的便是在於提供一種廣域電力監控平台系統及其方法，係應用於互聯網之區域電力調配/儲能優化服務環境中，利用本發明之廣域電力監控平台系統以進行廣域電力監控平台方法時，首先，進行數據接收動作，經由有線或無線的方式，廣域監控平台將接收來自於一定範圍區域內之數個用電單位模組的電力數據及/或一個以上之能源交易平台的區域用電資訊；接著，進行數據處理動作，該廣域監控平台將根據該些之電力數據及/或區域用電資訊，而選取一種以上的群體智慧分群演算法，可為但不限於K-means集群分析(K-Means Clustering)、蟻群演算法(Ant Colony Optimization, ACO)、粒子群優化演算法(Particle Swarm Optimization, PSO)、菌群覓食演算法(Bacterial Foraging Optimization, BFO)、混合蛙跳演算法 (Shuffled Frog Leaping Algorithm, SFLA)、人工蜂群演算法 (Artificial Bee Colony, ABC)，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，並將該些數個用電單位模組劃分為不同群組；繼之，進行電價預測動作，預測該一定範圍區域電力價格，在此，一個以上之能源交易平台根據平時自身所蒐集的區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的預估電力價格，並回報給廣域監控平台，而廣域監控平台根據區域用電特性及/或來自一個以上之能源交易平台的預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法預測每時段的電力價格，並將之提供給一個以上之能源交易平台以做為電價基準。
本發明之又一目的便是在於提供一種廣域電力監控平台系統及其方法，係應用於互聯網之區域電力調配/儲能優化服務環境中，具有之檢核點目標為:確保穩定供電SAIDI目標，線損率、完成變電所自動化；促進節能減碳，減少CO2排放量；提高綠能使用，再生能源併網容量佔比；以及，引領低碳產業，智慧電網產業產值。
本發明之再一目的便是在於提供一種廣域電力監控平台系統及其方法，係應用於互聯網之區域電力調配/儲能優化服務環境中，以電力服務而言，並非是以用電時段來區分費率、累進電價來計算電費，而是以考量依區域性的用電特性/習慣及/或電力負載程度來計算不同的電價；以電力交易而言，綠電能源業者能以綠電交易自由化方式來進行電力交易，並以能源交易平台模式負擔電力交易之信用評等與風險，跳脫台電合約，轉供賣給有需要的客戶；另，就電力交易而言，能評估一定範圍區域內的區域用電特性及/或電力負載程度，並預測一定範圍區域電力價格以做為電價基準。
根據以上所述之目的，本發明提供一種廣域電力監控平台系統，該廣域電力監控平台系統包含廣域監控平台、數個用電單位模組、以及一個以上之能源交易平台。
廣域監控平台，經由有線或無線的方式，該廣域監控平台將接收來自於一定範圍區域內之數個用電單位模組的電力數據及/或一個以上之能源交易平台的區域用電資訊，其中，電力數據包含區域用電習慣、區域內電力傳輸損耗、能源交易平台之儲能裝置的儲電量上限等，另，其中，區域用電資訊為評估區域用電特性，廣域監控平台蒐集範圍內用電單位模組，並且儲存區域用電數據，整合區域用電資訊，並且使用最佳化演算法(例如：啟發式演算法、機器學習演算法、深度學習演算法)計算出區域用電尖峰與離峰時段，即為區域用電特性(習慣)；該廣域監控平台將根據該些之電力數據及/或區域用電資訊，而選取一種以上的群體智慧分群演算法，可為但不限於K-means集群分析(K-Means Clustering)、蟻群演算法(Ant Colony Optimization, ACO)、粒子群優化演算法(Particle Swarm Optimization, PSO)、菌群覓食演算法(Bacterial Foraging Optimization, BFO)、混合蛙跳演算法(Shuffled Frog Leaping Algorithm, SFLA)、人工蜂群演算法(Artificial Bee Colony, ABC)，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，並將該些數個用電單位模組劃分為不同群組；另，該一個以上之能源交易平台根據平時自身所蒐集的區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的預估電力價格，並回報給廣域監控平台，而廣域監控平台根據區域用電特性及/或來自一個以上之能源交易平台的預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法預測每時段的電力價格預，並將之提供給一個以上之能源交易平台以做為電價基準。
一般電網為電力公司透過電網供給電力、再生能源。
在此，廣域監控平台可儲存區域用電數據裝置、整合區域之用電資訊的裝置，其中，區域用電數據為數個用電單位模組之自有再生能源發電量、用電單位模組之儲能裝置儲電量、用電設備消耗電力的數據等；另，其中，區域用電資訊為能源交易紀錄(例如：用電單位模組之間之交易紀錄、用電單位模組與能源交易平台之交易紀錄)、用電單位模組與一般電網之電力流向資訊、各區域不同時段之電力價格、各區域之區域用電習慣等。
數個用電單位模組，每一之該些數個用電單位模組包含自有再生能源發電裝置、儲能裝置、用電設備。
每一用電單位模組，電力來源有：一般電網、自有再生能源發電裝置、能源交易平臺，可搭配儲能裝置，並且擁有一個或多個的用電設備。
一個以上之能源交易平台，該一個以上之能源交易平台包含中大型儲能裝置、即時電價計算與預測系統、電力費用結算系統。
每一能源交易平台的功能有五項：
1.根據廣域監控平台蒐集的區域用電習慣，可在電價較低時先向其它電力來源(一般電網、區域內用電單位模組之儲能裝置、其它能源交易平臺)購電儲備；
2.在用電離峰時段向區域內用電單位模組回購多餘電力，在用電尖峰時段向區域內用電單位模組販售電力；
3.能源交易平台之間彼此可交易電力；
4.紀錄區域能源交易紀錄(例如：用電單位模組之間之交易紀錄、用電單位模組與能源交易平台之交易紀錄等)，並回報給廣域監控平台；
5.根據平時自身蒐集的區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的電力價格，並回報給廣域監控平台。
廣域監控平台可透過用電單位模組與能源交易平台所回報的區域用電數據與區域用電資訊，評估該區域的電力負載程度。當有新的用電單位模組加入或離開時，廣域監控平台能決定該用電單位模組應隸屬於哪個區域或重新規劃區域，並藉由新的用電單位模組加入而拓展監控區域。
利用本發明之廣域電力監控平台系統以進行廣域電力監控平台方法的流程時，首先，進行數據接收動作；經由有線或無線的方式，廣域監控平台將接收來自於一定範圍區域內之數個用電單位模組的電力數據及/或一個以上之能源交易平台的區域用電資訊。
接著，進行數據處理動作；該廣域監控平台將根據該些之電力數據及/或區域用電資訊，而選取一種以上的群體智慧分群演算法，可為但不限於K-means集群分析(K-Means Clustering)、蟻群演算法 (Ant Colony Optimization, ACO)、粒子群優化演算法(Particle Swarm Optimization, PSO)、菌群覓食演算法(Bacterial Foraging Optimization, BFO)、混合蛙跳演算法(Shuffled Frog Leaping Algorithm, SFLA)、人工蜂群演算法(Artificial Bee Colony, ABC)，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，並將該些數個用電單位模組劃分為不同群組。
繼之，進行電價預測動作，預測該一定範圍區域電力價格，在此，一個以上之能源交易平台根據平時自身所蒐集的區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的預估電力價格，並回報給廣域監控平台，而廣域監控平台根據區域用電特性及/或來自一個以上之能源交易平台的預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法預測每時段的電力價格，並將之提供給一個以上之能源交易平台以做為電價基準。
爲使熟悉該項技藝人士瞭解本發明之目的、特徵及功效，茲藉由下述具體實施例，並配合所附之圖式，對本發明詳加說明如後:
以下配合圖示及元件符號對本發明之實施方式做更詳細的說明，俾使熟習該項技藝者在研讀本說明書後能據以實施。
圖1為一系統示意圖，用以顯示說明本發明之廣域電力監控平台系統之系統架構、以及運作情形。如圖1中所示之，廣域電力監控平台系統1包含廣域監控平台2、數個用電單位模組3、以及一個以上之能源交易平台4。
廣域監控平台2，經由有線或無線的方式，該廣域監控平台2將接收來自於一定範圍區域內之數個用電單位模組3的電力數據及/或一個以上之能源交易平台4的區域用電資訊，其中，電力數據包含區域用電習慣、區域內電力傳輸損耗、能源交易平台之儲能裝置的儲電量上限等，另，其中，區域用電資訊為評估區域用電特性，廣域監控平台2蒐集範圍內用電單位模組3並且儲存區域用電數據，整合區域用電資訊，並且使用最佳化演算法(例如：啟發式演算法、機器學習演算法、深度學習演算法)計算出區域用電尖峰與離峰時段，即為區域用電特性(習慣)；該廣域監控平台2將根據該些之電力數據及/或區域用電資訊，而選取一種以上的群體智慧分群演算法，可為但不限於K-means集群分析(K-Means Clustering)、蟻群演算法(Ant Colony Optimization, ACO)、粒子群優化演算法(Particle Swarm Optimization, PSO)、菌群覓食演算法(Bacterial Foraging Optimization, BFO)、混合蛙跳演算法(Shuffled Frog Leaping Algorithm, SFLA)、人工蜂群演算法(Artificial Bee Colony, ABC)或其組合，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，並將該些數個用電單位模組3劃分為不同群組；另，該一個以上之能源交易平台4根據平時自身所蒐集的區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的預估電力價格，並回報給廣域監控平台2，而廣域監控平台2根據區域用電特性及/或來自一個以上之能源交易平台4的預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法預測每時段的電力價格預，並將之提供給一個以上之能源交易平台4以做為電價基準。
一般電網為電力公司透過電網供給電力、再生能源。
在此，廣域監控平台2可儲存區域用電數據裝置、整合區域之用電資訊的裝置，其中，區域用電數據為數個用電單位模組3之自有再生能源發電量、用電單位模組之儲能裝置儲電量、用電設備消耗電力的數據等；另，其中，區域用電資訊為能源交易紀錄(例如：用電單位模組之間之交易紀錄、用電單位模組3與能源交易平台4之交易紀錄)、用電單位模組3與一般電網之電力流向資訊、各區域不同時段之電力價格、各區域之區域用電習慣等。
數個用電單位模組3，每一之該些數個用電單位模組3包含自有再生能源發電裝置、儲能裝置、用電設備。
每一用電單位模組3，電力來源有：一般電網、自有再生能源發電裝置、能源交易平台4，可搭配儲能裝置，並且擁有一個或多個的用電設備。
一個以上之能源交易平台4，該一個以上之能源交易平台4包含中大型儲能裝置、即時電價計算與預測系統、電力費用結算系統。
每一能源交易平台4的功能有五項：
1.根據廣域監控平台2蒐集的區域用電習慣，可在電價較低時先向其它電力來源(一般電網、區域內用電單位模組3之儲能裝置、其它能源交易平台)購電儲備；
2.在用電離峰時段向區域內用電單位模組3回購多餘電力，在用電尖峰時段向區域內用電單位模組3販售電力；
3.能源交易平台4之間彼此可交易電力；
4.紀錄區域能源交易紀錄(例如：用電單位模組3之間之交易紀錄、用電單位模組3與能源交易平台4之交易紀錄等)，並回報給廣域監控平台2；
5.根據平時自身蒐集的區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的電力價格，並回報給廣域監控平台2。
廣域監控平台2可透過用電單位模組3與能源交易平台4所回報的區域用電數據與區域用電資訊，評估該區域的電力負載程度。當有新的用電單位模組加入或離開時，廣域監控平台2能決定該用電單位模組3應隸屬於哪個區域或重新規劃區域，並藉由新的用電單位模組3加入而拓展監控區域。
本發明之廣域電力監控平台系統所應用的啟發式演算法、機器學習演算法或深度學習演算法，其中，啟發式演算法可為基因演算法(Genetic algorithm, GA)、模擬退火演算法(Simulated Annealing Algorithm, SA)、螞蟻演算法(Ant Colony Optimization, ACO)、蜜蜂演算法(Bee Algorithm, BA)、粒子群演算法(Particle Swarm Optimization, PSO)、文化基因演算法(Memetic Algorithm, MA)、文化演算法(Cultural Algorithm, CA)、差分進化演算法 (Differential Evolution, DE)、蝙蝠演算法(Bat Algorithm, BA)、魚群演算法(Artificial Fish-Swarm Algorithm, AFSA)、和聲演算法(Harmony Search Algorithm, HSA)、以及仿水流演算法(Water Flow-like Algorithm, WFA)的至少其中之一；機器學習演算法可為線性迴歸(Linear Regression)、多項式迴歸(Polynomial Regression)、邏輯迴歸(Logistic Regression)、人工神經網路(Artificial Neural Network, ANN)、K近鄰分類(K-nearest neighbor classification, KNN)、決策樹(Decision Tree)、隨機森林(Random Forest)、支援向量機(Support Vector Machine, SVM)、自適應增強(Adaptive Boosting, AdaBoost)、極限梯度提升決策樹(Extreme Gradient Boosting, XGBoost)、離散時間馬可夫鏈(Discrete-time Markov Chain, DTMC)、以及蒙地卡羅方法(Monte Carlo method)的至少其中之一；另，深度學習演算法可為深度信念網路(Deep Belief Network, DBN)、卷積神經網路(Convolution Neural Networks, CNN)、以及遞迴神經網路 (Recurrent Neural Network, RNN)的至少其中之一，或，深度學習演算法可為基於上述三種神經網路之底層架構所延伸之其他的深度學習演算法。
以上所述之本發明之廣域電力監控平台系統所應用的啟發式演算法、機器學習演算法或深度學習演算法，係為舉例而言，亦可利用其他類型之啟發式演算法、機器學習演算法或深度學習演算法，而其理相同、類似於上述之。
圖2為一流程圖，用以顯示說明利用如圖1中之本發明之廣域電力監控平台系統以進行廣域電力監控平台方法的流程步驟。如圖2中所示之，首先，於步驟101，進行數據接收動作；經由有線或無線的方式，廣域監控平台2將接收來自於一定範圍區域內之數個用電單位模組3的電力數據及/或一個以上之能源交易平台4的區域用電資訊，並進到步驟102。
於步驟102，進行數據處理動作，該廣域監控平台2將根據該些之電力數據及/或區域用電資訊，而選取一種以上的群體智慧分群演算法，可為但不限於K-means集群分析(K-Means Clustering)、蟻群演算法(Ant Colony Optimization, ACO)、粒子群優化演算法(Particle Swarm Optimization, PSO)、菌群覓食演算法(Bacterial Foraging Optimization, BFO)、混合蛙跳演算法(Shuffled Frog Leaping Algorithm, SFLA)、人工蜂群演算法(Artificial Bee Colony, ABC)或其組合，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，並將該些數個用電單位模組3劃分為不同群組，並進到步驟103。
於步驟103，進行電價預測動作；預測該一定範圍區域電力價格，在此，一個以上之能源交易平台4根據平時自身所蒐集的區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的預估電力價格，並回報給廣域監控平台2，而廣域監控平台2根據區域用電特性及/或來自一個以上之能源交易平台4的預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法預測每時段的電力價格，並將之提供給一個以上之能源交易平台以做為電價基準。
圖3為一示意圖，用以顯示說明本發明之廣域電力監控平台系統的一實施例、以及運作情形。如圖3中所示之，廣域電力監控平台系統1包含廣域監控平台2、數個用電單位模組3、以及一個以上之能源交易平台4，在此，數個用電單位模組3為用電單位模組31、32、33、34、35、36、37，而一個以上之能源交易平台4為能源交易平台41、42。
廣域監控平台2，經由有線或無線的方式，該廣域監控平台2將接收來自於一定範圍區域內之用電單位模組3之用電單位模組31、32、33、34、35、36的電力數據及/或一個以上之能源交易平台4之能源交易平台41、42的區域用電資訊，其中，電力數據包含區域用電習慣、區域內電力傳輸損耗、能源交易平台41、42之儲能裝置的儲電量上限等，另，其中，區域用電資訊為評估區域用電特性，廣域監控平台2蒐集範圍內用電單位模組31、32、33、34、35、36並且儲存區域用電數據，整合區域用電資訊，並且使用最佳化演算法(例如：啟發式演算法、機器學習演算法、深度學習演算法)計算出區域用電尖峰與離峰時段，即為區域用電特性(習慣)；該廣域監控平台2將根據該些之電力數據及/或區域用電資訊，而選取一種以上的群體智慧分群演算法，可為但不限於K-means集群分析(K-Means Clustering)、蟻群演算法(Ant Colony Optimization, ACO)、粒子群優化演算法(Particle Swarm Optimization, PSO)、菌群覓食演算法(Bacterial Foraging Optimization, BFO)、混合蛙跳演算法(Shuffled Frog Leaping Algorithm, SFLA)、人工蜂群演算法(Artificial Bee Colony, ABC)或其組合，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，其中，並將該些用電單位模組31、32、33劃分為群組5，且能源交易平台41亦位於群組5內以便與用電單位模組31、32、33進行互動，而用電單位模組34、35、36劃分為群組6，且能源交易平台42亦位於群組6內以便與用電單位模組34、35、36進行互動；另，能源交易平台41、42分別根據平時自身所蒐集的群組5、6區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的預估電力價格，並回報給廣域監控平台2，而廣域監控平台2根據區域用電特性及/或來自能源交易平台41、42的預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法預測每時段的電力價格預，並將之提供給能源交易平台41、42以做為電價基準，在此，由於分別位於不同群組5、6可具有不同的能源交易紀錄，因而，能源交易平台41的預估電力價格可與能源交易平台42的預估電力價格不同，且，同理，能源交易平台41的電價基準可與能源交易平台42的電價基準不同，端視實際施行情況而定。
一般電網為電力公司透過電網供給電力、再生能源。
在此，廣域監控平台2可儲存區域用電數據裝置、整合區域之用電資訊的裝置，其中，區域用電數據係可為分別位於群組5、6之用電單位模組31、32、33、以及34、35、36之用電單位模組自有再生能源發電量、用電單位模組之儲能裝置儲電量、用電設備消耗電力的數據等；另，其中，區域用電資訊為能源交易紀錄(例如：用電單位模組31、32、33之間之交易紀錄、用電單位模組31、32、33與能源交易平台41之交易紀錄)、用電單位模組34、35、36與一般電網之電力流向資訊、各區域不同時段之電力價格、各區域之區域用電習慣等。
每一之用電單位模組31、32、33、34、35、36包含自有再生能源發電裝置、儲能裝置、用電設備。
每一之用電單位模組31、32、33、34、35、36，電力來源有：一般電網、自有再生能源發電裝置、能源交易平台41、42，可搭配儲能裝置，並且擁有一個或多個的用電設備。
每一之能源交易平台41、42包含中大型儲能裝置、即時電價計算與預測系統、電力費用結算系統。
每一能源交易平台41、42的功能有五項：
1.根據廣域監控平台2蒐集的區域用電習慣，可在電價較低時先向其它電力來源(一般電網、區域內用電單位模組31、32、33、34、35、36之儲能裝置、其它能源交易平台)購電儲備；
2.在用電離峰時段向群組5(6)區域內用電單位模組31、32、33(34、35、36)回購多餘電力，在用電尖峰時段向群組5(6)區域內用電單位模組31、32、33(34、35、36)販售電力；
3.能源交易平台41、42之間彼此可交易電力；
4.紀錄區域能源交易紀錄(例如：用電單位模組31、32、33(34、35、36)之間之交易紀錄、用電單位模組31、32、33(34、35、36)與能源交易平台41(42)之交易紀錄等)，並回報給廣域監控平台2；
5.根據平時自身蒐集的群組5、6區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的電力價格，並回報給廣域監控平台2。
廣域監控平台2可透過群組5(6)用電單位模組31、32、33(34、35、36)與能源交易平台41(42)所回報的區域用電數據與區域用電資訊，評估該群組5(6)區域的電力負載程度。例如，當有新的用電單位模組37加入或用電單位模組31離開群組5時，廣域監控平台2能決定電單位模組37應隸屬於群組6或由於用電單位模組31離開群組5而重新規劃區域，並藉由新的用電單位模組37加入而拓展監控區域。
於本實施例中，廣域電力監控平台系統所應用的啟發式演算法、機器學習演算法或深度學習演算法，其中，啟發式演算法可為基因演算法(Genetic algorithm, GA)、模擬退火演算法(Simulated Annealing Algorithm, SA)、螞蟻演算法(Ant Colony Optimization, ACO)、蜜蜂演算法(Bee Algorithm, BA)、粒子群演算法(Particle Swarm Optimization, PSO)、文化基因演算法(Memetic Algorithm, MA)、文化演算法(Cultural Algorithm, CA)、差分進化演算法 (Differential Evolution, DE)、蝙蝠演算法(Bat Algorithm, BA)、魚群演算法(Artificial Fish-Swarm Algorithm, AFSA)、和聲演算法(Harmony Search Algorithm, HSA)、以及仿水流演算法(Water Flow-like Algorithm, WFA)的至少其中之一；機器學習演算法可為線性迴歸(Linear Regression)、多項式迴歸(Polynomial Regression)、邏輯迴歸(Logistic Regression)、人工神經網路(Artificial Neural Network, ANN)、K近鄰分類(K-nearest neighbor classification, KNN)、決策樹(Decision Tree)、隨機森林(Random Forest)、支援向量機(Support Vector Machine, SVM)、自適應增強(Adaptive Boosting, AdaBoost)、極限梯度提升決策樹(Extreme Gradient Boosting, XGBoost)、離散時間馬可夫鏈(Discrete-time Markov Chain, DTMC)、以及蒙地卡羅方法(Monte Carlo method)的至少其中之一；另，深度學習演算法可為深度信念網路(Deep Belief Network, DBN)、卷積神經網路(Convolution Neural Networks, CNN)、以及遞迴神經網路 (Recurrent Neural Network, RNN)的至少其中之一，或，深度學習演算法可為基於上述三種神經網路之底層架構所延伸之其他的深度學習演算法。
於本實施例中，啟發式演算法、機器學習演算法或深度學習演算法的類型係為舉例， 對於利用其他類型之啟發式演算法、機器學習演算法或深度學習演算法而言，其理相同、類似於本實施例中所述，是故，在此不再贅述之。
圖4為一流程圖，用以顯示說明利用如圖3中之本發明之廣域電力監控平台系統的一實施例以進行廣域電力監控平台方法的一流程步驟。如圖4中所示之，首先，於步驟201，進行數據接收動作；經由有線或無線的方式，該廣域監控平台2將接收來自於一定範圍區域內之用電單位模組3之用電單位模組31、32、33、34、35、36的電力數據及/或一個以上之能源交易平台4之能源交易平台41、42的區域用電資訊，並進到步驟202。
於步驟202，進行數據處理動作；該廣域監控平台2將根據該些之電力數據及/或區域用電資訊，而選取一種以上的群體智慧分群演算法可為但不限於K-means集群分析(K-Means Clustering)、蟻群演算法(Ant Colony Optimization, ACO)、粒子群優化演算法(Particle Swarm Optimization, PSO)、菌群覓食演算法(Bacterial Foraging Optimization, BFO)、混合蛙跳演算法(Shuffled Frog Leaping Algorithm, SFLA)、人工蜂群演算法(Artificial Bee Colony, ABC)，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，其中，並將該些用電單位模組31、32、33劃分為群組5，且能源交易平台41亦位於群組5內以便與用電單位模組31、32、33進行互動，而用電單位模組34、35、36劃分為群組6，且能源交易平台42亦位於群組6內以便與用電單位模組34、35、36進行互動，並進到步驟203。
於步驟203，進行電價預測動作；預測該一定範圍區域電力價格，在此，能源交易平台41、42分別根據平時自身所蒐集的群組5、6區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來之每一時段的預估電力價格，並回報給廣域監控平台2，而廣域監控平台2根據區域用電特性及/或來自能源交易平台41、42的預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法預測每時段的電力價格預，並將之提供給能源交易平台41、42以做為電價基準，在此，由於分別位於不同群組5、6可具有不同的能源交易紀錄，因而，能源交易平台41的預估電力價格可與能源交易平台42的預估電力價格不同，且，同理，能源交易平台41的電價基準可與能源交易平台42的電價基準不同，端視實際施行情況而定。
綜合以上之實施例，我們可以得到本發明之一種廣域電力監控平台系統及其方法，係應用於互聯網之區域電力調配/儲能優化服務環境中，利用本發明之廣域電力監控平台系統以進行廣域電力監控平台方法時，首先，進行數據接收動作，經由有線或無線的方式，廣域監控平台將接收來自於一定範圍區域內之數個用電單位模組的電力數據及/或一個以上之能源交易平台的區域用電資訊；接著，進行數據處理動作，該廣域監控平台將根據該些之電力數據及/或區域用電資訊，而選取一種以上的群體智慧分群演算法可為但不限於K-means集群分析(K-Means Clustering)、蟻群演算法(Ant Colony Optimization, ACO)、粒子群優化演算法(Particle Swarm Optimization, PSO)、菌群覓食演算法(Bacterial Foraging Optimization, BFO)、混合蛙跳演算法(Shuffled Frog Leaping Algorithm, SFLA)、人工蜂群演算法(Artificial Bee Colony, ABC)，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，並將該些數個用電單位模組劃分為不同群組；繼之，進行電價預測動作，預測該一定範圍區域電力價格，在此，一個以上之能源交易平台根據平時自身所蒐集的區域能源交易紀錄，透過機器學習演算法或深度學習演算法預測未來時段的預估電力價格，並回報給廣域監控平台，而廣域監控平台根據區域用電特性及/或來自一個以上之能源交易平台的預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法預測每時段的電力價格，並將之提供給一個以上之能源交易平台以做為電價基準。
以上所述者僅為用以解釋本發明之較佳實施例，並非企圖據以對本發明做任何形式上之限制，是以，凡有在相同之發明精神下所作有關本發明之任何修飾或變更，皆仍應包括在本發明意圖保護之範疇。
1:廣域電力監控平台系統 2:廣域監控平台 3:用電單位模組 4:能源交易平台 5:群組 6:群組 31、32、33、34、35、36、37:用電單位模組 41、42:能源交易平台 101、102、103:步驟 201、202、203:步驟
圖1用以顯示說明本發明之廣域電力監控平台系統之系統架構、以及運作情形示意圖； 圖2用以顯示說明利用如圖1中之本發明之廣域電力監控平台系統以進行廣域電力監控平台方法的流程步驟圖； 圖3用以顯示說明本發明之廣域電力監控平台系統的一實施例、以及運作情形示意圖；以及 圖4用以顯示說明利用如圖3中之本發明之廣域電力監控平台系統的一實施例以進行廣域電力監控平台方法的流程步驟圖。
101 102 103:步驟

Claims (10)

  1. 一種廣域電力監控平台方法，係應用於互聯網之區域電力調配/儲能優化服務環境中，包含以下程序：進行數據接收動作，經由有線或無線的方式，廣域監控平台將接收來自於一定範圍區域內之數個用電單位模組的電力數據及/或一個以上之能源交易平台的區域用電資訊；進行數據處理動作，該廣域監控平台將根據該些之電力數據及/或區域用電資訊選取一種以上的群體智慧分群演算法，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，並將該些數個用電單位模組劃分為不同群組；以及進行電價預測動作，預測該一定範圍區域電力價格，該一個以上之能源交易平台根據平時自身所蒐集的區域能源交易紀錄，預測未來之每一時段的預估電力價格，並回報給該廣域監控平台，而該廣域監控平台根據該區域用電特性及/或來自該一個以上之能源交易平台的該預估電力價格，預測該每一時段的電力價格，並將之提供給該一個以上之能源交易平台以做為電價基準。
  2. 如請求項1所述之廣域電力監控平台方法，其中，進行該數據處理動作，該廣域監控平台將根據該些之電力數據及/或區域用電資訊，選取一種以上的群體智慧分群演算法進行該數據處理。
  3. 如請求項1所述之廣域電力監控平台方法，其中，進行該電價預測動作，該一個以上之能源交易平台根據平時自身所蒐集的該區域能源交易紀錄，透過機器學習演算法或深度學習演算法，預測未來之每一時段的預估電力價格，並回報給該廣域監控平台。
  4. 如請求項2所述之廣域電力監控平台方法，其中，選取該一種以上的該群體智慧分群演算法為K-means集群分析、蟻群演算法、粒子群優化演算法、菌群覓食演算法、混合蛙跳演算法、人工蜂群演算法或其組合，以進行該數據處理。
  5. 如請求項3所述之廣域電力監控平台方法，其中，該廣域監控平台根據該區域用電特性及/或來自該一個以上之能源交易平台的該預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法，預測該每一時段的電力價格，並將之提供給該一個以上之能源交易平台以做為電價基準。
  6. 一種廣域電力監控平台系統，係應用於互聯網之區域電力調配/儲能優化服務環境中，包含：數個用電單位模組；一個以上之能源交易平台；以及一廣域監控平台，其中，該廣域監控平台經由有線或無線的方式，將接收來自於一定範圍區域內之該些數個用電單位模組的電力數據及/或該一個以上之能源交易平台的區域用電資訊，該廣域監控平台將根據該些之電力數據及/或區域用電資訊選取一種以上的群體智慧分群演算法，進行數據處理，以評估該一定範圍區域內的區域用電特性及/或電力負載程度，並將該些數個用電單位模組劃分為不同群組，該廣域監控平台將預測該一定範圍區域電力價格，該一個以上之能源交易平台根據平時自身所蒐集的區域能源交易紀錄，預測未來之每一時段的預估電力價格，並回報給該廣域監控平台，而該廣域監控平台根據該區域用電特性 及/或來自該一個以上之能源交易平台的該預估電力價格，預測該每一時段的電力價格，並將之提供給該一個以上之能源交易平台以做為電價基準。
  7. 如請求項6所述之廣域電力監控平台系統，其中，該廣域監控平台將根據該些之電力數據及/或區域用電資訊，選取一種以上的群體智慧分群演算法進行該數據處理。
  8. 如請求項6所述之廣域電力監控平台系統，其中，該一個以上之能源交易平台根據平時自身所蒐集的該區域能源交易紀錄，透過機器學習演算法或深度學習演算法，預測未來之每一時段的預估電力價格，並回報給該廣域監控平台。
  9. 如請求項7所述之廣域電力監控平台系統，其中，選取該一種以上的該群體智慧分群演算法可為但不限於K-means集群分析、蟻群演算法、粒子群優化演算法、菌群覓食演算法、混合蛙跳演算法、人工蜂群演算法或其組合，以進行該數據處理。
  10. 如請求項8所述之廣域電力監控平台系統，其中，該廣域監控平台根據該區域用電特性及/或來自該一個以上之能源交易平台的該預估電力價格，使用啟發式演算法、機器學習演算法或深度學習演算法，預測該每一時段的電力價格，並將之提供給該一個以上之能源交易平台以做為電價基準。
TW109131678A 2020-09-15 2020-09-15 一種廣域電力監控平台系統及其方法 TWI741788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW109131678A TWI741788B (zh) 2020-09-15 2020-09-15 一種廣域電力監控平台系統及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109131678A TWI741788B (zh) 2020-09-15 2020-09-15 一種廣域電力監控平台系統及其方法

Publications (2)

Publication Number Publication Date
TWI741788B true TWI741788B (zh) 2021-10-01
TW202213253A TW202213253A (zh) 2022-04-01

Family

ID=80782401

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109131678A TWI741788B (zh) 2020-09-15 2020-09-15 一種廣域電力監控平台系統及其方法

Country Status (1)

Country Link
TW (1) TWI741788B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1959715A (zh) * 2005-11-04 2007-05-09 株式会社日立制作所 电力市场价格预测系统
CN109670838A (zh) * 2018-11-30 2019-04-23 中国电力科学研究院有限公司 一种互联型能源系统风险交易的规避方法及系统
TWM579792U (zh) * 2018-11-21 2019-06-21 正修學校財團法人正修科技大學 智慧型電量計價系統

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1959715A (zh) * 2005-11-04 2007-05-09 株式会社日立制作所 电力市场价格预测系统
TWM579792U (zh) * 2018-11-21 2019-06-21 正修學校財團法人正修科技大學 智慧型電量計價系統
CN109670838A (zh) * 2018-11-30 2019-04-23 中国电力科学研究院有限公司 一种互联型能源系统风险交易的规避方法及系统

Also Published As

Publication number Publication date
TW202213253A (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
Di Somma et al. Optimal bidding strategy for a DER aggregator in the day-ahead market in the presence of demand flexibility
Chen et al. Local energy trading behavior modeling with deep reinforcement learning
Liu et al. Dynamic pricing for decentralized energy trading in micro-grids
CN105846423B (zh) 一种计及需求响应的光伏微电网储能多目标容量配置方法
Saber et al. Plug-in vehicles and renewable energy sources for cost and emission reductions
Wang et al. Distribution system planning considering stochastic EV penetration and V2G behavior
Petrucci et al. Modelling of a multi-stage energy management control routine for energy demand forecasting, flexibility, and optimization of smart communities using a Recurrent Neural Network
Xu et al. Optimal scheduling and operation of load aggregator with electric energy storage in power markets
Li et al. Techno-economic performance of battery energy storage system in an energy sharing community
KR20200081119A (ko) 다중 목적함수에 기반한 가상발전소 운영 시스템 및 그 운영 방법
CN112671022B (zh) 光储充电站容量优化配置方法、系统、终端及存储介质
Zeng et al. Optimal public parking lot allocation and management for efficient PEV accommodation in distribution systems
Zhang et al. Grid-connected photovoltaic battery systems: A comprehensive review and perspectives
Hussain et al. A two-layer decentralized charging approach for residential electric vehicles based on fuzzy data fusion
Yu et al. A game theoretical pricing mechanism for multi-microgrid energy trading considering electric vehicles uncertainty
Qi et al. When shared autonomous electric vehicles meet microgrids: Citywide energy-mobility orchestration
Dogan et al. Heuristic optimization of EV charging schedule considering battery degradation cost
Banu et al. Artificial intelligence with attention based BiLSTM for energy storage system in hybrid renewable energy sources
Ceccon et al. Intelligent electric power management system for economic maximization in a residential prosumer unit
Nethravathi et al. A novel residential energy management system based on sequential whale optimization algorithm and fuzzy logic
CN109672199B (zh) 一种基于能量平衡的电动汽车削峰填谷能力估计方法
Zamzam et al. Energy storage management via deep Q-networks
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
Kang et al. Multi-objective sizing and real-time scheduling of battery energy storage in energy-sharing community based on reinforcement learning
CN104112168A (zh) 一种基于多代理系统的智能家居经济优化方法