CN107194565A - 一种基于云决策的电网调度优化方法和*** - Google Patents
一种基于云决策的电网调度优化方法和*** Download PDFInfo
- Publication number
- CN107194565A CN107194565A CN201710347115.1A CN201710347115A CN107194565A CN 107194565 A CN107194565 A CN 107194565A CN 201710347115 A CN201710347115 A CN 201710347115A CN 107194565 A CN107194565 A CN 107194565A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- model
- layer
- dispatching
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 86
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 230000002093 peripheral effect Effects 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 230000002411 adverse Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 3
- 230000008901 benefit Effects 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
- 241000208340 Araliaceae Species 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力调度技术领域,提供一种基于云决策的电网调度优化方法和***。所述方法包括:根据电网运行数据和电网调度实时仿真模型进行仿真,获取第一层电网参数信息决策要素;根据分布式模型及外部通信信息关系模型进行协同计算,获取第二层通信信息调度决策要素;根据第一层电网参数信息决策要素和第二层通信信息调度决策要素,通过设置自学***和***可靠性。
Description
技术领域
本发明涉及电力调度技术领域,更具体地,涉及一种基于云决策的电网调度优化方法和***。
背景技术
随着高比例电力电子装备、高渗透率可再生电源以及多能互补综合能源并入的区域互联大电网的快速发展,电网运行控制的技术水平和复杂程度也越来越高,电网运行控制的难度也越来越大。
其中,电网调度是一项复杂而艰巨的***工程,具有规模大、涉及领域广和参与部门多等特点;电网信息通信工作是一项复杂的***工程,具有数据量大、数据耦合程度高、所涉领域广以及更新变化快等特点。
在电网调度中,经常存在一些因时空广阔性等产生的不利因素,这些不利因素使得电网主要参数与通信信息数据相互干扰严重,进而为电网调度中决策带来不利影响。
因此,如何提供一种方法,能够有效消除或减弱不利因素带来的不利影响,提高电网调度的管理质量水平和电网调度***的可靠性,成为亟待解决的问题。
发明内容
本发明的目的在于提供一种基于云决策的电网调度优化方法和***,以解决电网调度中因存在一些不利因素而给电网调度决策带来不利影响的问题。
为了克服上述问题或者至少部分地解决上述问题,本发明提供一种基于云决策的电网调度优化方法和***。
一方面,本发明提供一种基于云决策的电网调度优化方法,包括:根据电网的历史数据、电网的计划数据和电网调度实时仿真模型对所述电网进行仿真分析,获取第一层电网参数信息决策要素;根据所述电网内各分布式电网的分布式模型及所述分布式电网与外部通信信息间关系模型,进行协同计算,获取第二层通信信息调度决策要素;根据所述第一层电网参数信息决策要素和所述第二层通信信息调度决策要素,通过设置自学习的知识库模块及所述知识库模块的定义要求,建立所述电网的电网参数与通信信息调度的关联模型,根据所述关联模型,以所述计划数据为向导,对所述电网的调度进行优化分析,获取电网调度的通信信息云决策要求和电网参数云决策服务。
进一步的,在所述根据电网的历史数据、电网的计划数据和电网调度实时仿真模型对所述电网进行仿真分析之前,所述方法还包括:获取所述电网电力运行的实时数据、所述电网电力运行的历史数据和所述电网电力运行的计划数据,并根据所述实时数据构建所述电网的所述电网调度实时仿真模型。
其中,所述根据所述实时数据构建所述电网的所述电网调度实时仿真模型具体包括:根据所述实时数据模拟所述电网的实际电网区域组成,获取模拟电网模型;对所述模拟电网模型的层次关系和拓扑关系进行数据疏解,获取层次关系数据和拓扑关系数据;根据所述层次关系数据和所述拓扑关系数据构建所述电网调度实时仿真模型。
其中,所述根据所述电网内各分布式电网的分布式模型及所述分布式电网与外部通信信息间关系模型,进行协同计算,获取第二层通信信息调度决策要素具体包括:获取分布式实时数据;根据所述分布式模型对所述分布式实时数据进行分层集群处理,并根据所述处理的输出建立集群关系表;通过集成服务对所述集群关系表中的数据进行集成处理,并通过所述分布式电网与外部通信信息间关系模型进行协同计算,获取第二层通信信息调度决策要素。
其中,所述知识库模块的自学习体现在对关联模型融合度的调整上。
其中,所述建立所述电网的电网参数与通信信息调度的关联模型包括:建立所述电网参数与通信信息调度的基于数据驱动的神经网络模型,或者建立所述电网参数与通信信息调度的模式识别模型。
另一方面,本发明提供一种基于云决策的电网调度优化***,包括:调度云服务层、调度云协同层和调度云应用层。其中,所述调度云服务层用于根据电网的历史数据、电网的计划数据和电网调度实时仿真模型对所述电网进行仿真分析,获取第一层电网参数信息决策要素;所述调度云协同层用于根据所述电网内各分布式电网的分布式模型,以及所述分布式电网与外部通信信息间关系模型进行协同计算,获取第二层通信信息调度决策要素;所述调度云应用层用于根据所述第一层电网参数信息决策要素和所述第二层通信信息调度决策要素,通过设置自学习的知识库模块以及知识库模块的定义要求,建立所述电网的电网参数与通信信息调度的关联模型,根据所述关联模型,以所述计划数据为向导,对所述电网的调度进行优化分析,获取电网调度的通信信息云决策要求和电网参数云决策服务。
进一步的,所述***还包括:物理设施层和传输服务层。其中,所述物理设施层用于获取所述电网电力运行的实时数据、所述电网电力运行的历史数据和所述电网电力运行的计划数据;所述传输服务层用于连接所述物理设施层、所述调度云服务层、所述调度云协同层和所述调度云应用层,以使各层之间进行数据传输。
其中,所述调度云服务层进一步包括:存储虚拟化单元、网络虚拟化单元、***虚拟化单元、计算虚拟化单元和应用虚拟化单元。其中,所述存储虚拟化单元用于通过所述传输服务层获取所述物理设施层获取的所述实时数据、所述历史数据和所述计划数据;所述网络虚拟化单元用于根据所述实时数据模拟所述电网的实际电网区域组成,获取模拟电网模型;所述***虚拟化单元用于对所述模拟电网模型的层次关系和拓扑关系进行数据疏解,获取层次关系数据和拓扑关系数据;所述计算虚拟化单元用于根据所述层次关系数据和所述拓扑关系数据构建所述电网调度实时仿真模型,并根据所述电网调度实时仿真模型、所述历史数据和所述计划数据对所述电网进行仿真分析;所述应用虚拟化单元用于根据所述仿真分析的结果,获取第一层电网参数信息决策要素。
其中,所述调度云协同层进一步包括:分布式实时数据库、分布式时序数据库、分布式关系数据库和非结构化数据存储自动化***。其中,所述分布式实时数据库用于获取分布式实时数据;所述分布式时序数据库具有对应的分布式模型,用于根据所述分布式模型对所述分布式实时数据进行分层集群处理,并根据所述处理的输出建立集群关系表;所述分布式关系数据库用于通过集成服务对所述集群关系表中的数据进行集成处理,并通过所述分布式电网与外部通信信息间关系模型进行协同计算;所述非结构化数据存储自动化***用于根据所述协同计算获取第二层通信信息调度决策要素。
本发明提供的一种基于云决策的电网调度优化方法和***,是基于云计算理念提出的电网调度决策方案,能够充分利用云计算具有的高性价比、快速伸缩性、近乎无限的扩展性和高容错性等优势。同时,本发明提出的电网主要参数与通信信息之间协同运行的电网调度优化实现方式,通过为电网调度提供立体的、多层次的协同调度运行体系,能够消除空间、时间的广阔性等不利因素使电网主要参数与通信信息产生的干扰,提高电网调度的管理质量水平以及电网调度***的可靠性。
附图说明
图1为本发明实施例一种基于云决策的电网调度优化方法流程图;
图2为本发明实施例一种获取第二层通信信息调度决策要素的处理流程图;
图3为本发明实施例一种构建电网调度实时仿真模型处理流程图;
图4为本发明实施例一种基于云决策的电网调度优化***结构示意图;
图5为本发明实施例另一种基于云决策的电网调度优化***结构示意图;
图6为本发明实施例的一种调度云服务层结构示意图;
图7为本发明实施例的一种调度云协同层结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明的一部分实施例,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的前提下所获得的所有其他实施例,都属于本发明保护的范围。
作为本发明的一种实施例,本实施例提供一种基于云决策的电网调度优化方法,参考图1,为本发明实施例一种基于云决策的电网调度优化方法的流程图,包括:
S1,根据电网的历史数据、电网的计划数据和电网调度实时仿真模型对所述电网进行仿真分析,获取第一层电网参数信息决策要素。
具体为,对于给定的实际电网,其网络结构及层次都是确定的,电网的运行具有时序性,对应不同时刻有不同的运行数据。根据给定的当前电网的电网调度实时仿真模型,考虑到电网运行的历史数据,以电网运行的计划数据为目标,对实际电网进行仿真分析,获取包括电压、电流、频率和有功潮流的主要电网参数第一层电网参数信息决策要素。
S2,根据所述电网内各分布式电网的分布式模型及所述分布式电网与外部通信信息间关系模型,进行协同计算,获取第二层通信信息调度决策要素。
具体为,对于给定的电网,根据区域划分得到电网中各分布式电网,根据各分布式电网对应的分布式电网参数,可以建立各分布式电网的分布式模型。同时,各分布式电网的运行受周围各分布式电网及各相关外部通信信息的影响,在进行调度分析时需要综合考虑各相关影响因素的叠加影响。
根据各相关影响因素对给定分布式电网运行的连接关系、位置关系等建立对应的各关系模型。综合分析各分布式模型和各关系模型,通过对各分布式模型和各关系模型进行协同计算分析,为电网调度提供安全、运维和分布式统一资源管理的第二层通信信息调度决策要素。
作为优选的,所述根据所述电网内各分布式电网的分布式模型及所述分布式电网与外部通信信息间关系模型,进行协同计算,获取第二层通信信息调度决策要素的具体处理流程参考图2,为本发明实施例一种获取第二层通信信息调度决策要素的处理流程图,包括:
S21,获取分布式实时数据。
具体为,相关功能单元采集当前运行条件下各分布式网络的运行数据及各相关外部通信信息数据。
S22,根据所述分布式模型对所述分布式实时数据进行分层集群处理,并根据所述处理的输出建立集群关系表。
具体为,在上述步骤采集获取当前运行条件下各分布式网络的运行数据及各相关外部通信信息数据之后,根据各分布式网络对应的分布式模型对采集到的数据进行分层集群处理,同时根据分层集群处理结果建立对应的集群关系表。
S23,通过集成服务对所述集群关系表中的数据进行集成处理,并通过所述分布式电网与外部通信信息间关系模型进行协同计算,获取第二层通信信息调度决策要素。
具体为,在上述步骤建立集群关系表之后,基于现有的集成服务,提取集群关系表中的数据,对其中的数据进行集成分析处理,并综合考虑各相关影响因素,包括众多因子通信信息与空间、时间、属性之间关系模型的计算和分析,输出包括安全、运维和分布式统一资源管理的第二层通信信息调度决策要素。
S3,根据所述第一层电网参数信息决策要素和所述第二层通信信息调度决策要素,通过设置自学习的知识库模块及所述知识库模块的定义要求,建立所述电网的电网参数与通信信息调度的关联模型,根据所述关联模型,以所述计划数据为向导,对所述电网的调度进行优化分析,获取电网调度的通信信息云决策要求和电网参数云决策服务。
作为优选的,所述知识库模块的自学习体现在对关联模型融合度的调整上。
具体为,考虑初始融合度RF0、调整前的融合度RF1以及融合度的累计调整次数这三个参数。其中初始融合度RF0为通过数据驱动得到的固定数值;调整前的融合度RF1为当前运行环境下的数值;融合度的累计调整次数体现的是,在以所述电网的计划数据为目标导向,关联模型被用来进行电网调度的优化调整并达到容错误差范围内的累计调整次数;结合数据拟合,调整后得到的融合度为:
其中,RF0为初始融合度,RF1为调整前的融合度,RF为调整后的融合度,J为调整基数。调整基数J的取值如下:
优选的,融合度不大于1,调整前融合度是1的关联模型不再调整融合度;按照上述方案调整后融合度的理论值大于1时,将该关联模型融合度设为1,完成自我学习的过程。
作为优选的,所述建立所述电网的电网参数与通信信息调度的关联模型包括:建立所述电网参数与通信信息调度的基于数据驱动的神经网络模型,或者建立所述电网参数与通信信息调度的模式识别模型。
具体为,根据上述实施例,在获取第一层信息决策要素和第二层通信信息决策要素之后,要进行设置自学习的知识库模块及所述知识库模块的定义要求,考虑到神经网络***和模式识别优越的自学习特性,利用神经网络***或者模式识别***对知识库模块及其定义要求进行设置,并根据所述第一层信息决策要素和第二层通信信息决策要素,建立所述电网的电网参数与通信信息调度的基于数据驱动的神经网络模型或者模式识别模型。
本发明实施例提供的基于云决策的电网调度优化方法,能够充分利用云计算的高性价比、快速伸缩性、近乎无限的扩展性和高容错性优势。同时通过为电网调度提供立体的、多层次的协同调度运行体系,能够消除空间、时间的广阔性等不利因素使电网主要参数与通信信息产生的干扰,有效提高电网调度的管理质量水平以及电网调度***的可靠性。
进一步的,在上述实施例的基础上,在所述根据电网的历史数据、电网的计划数据和电网调度实时仿真模型对所述电网进行仿真分析之前,所述方法还包括:获取所述电网电力运行的实时数据、所述电网电力运行的历史数据和所述电网电力运行的计划数据,并根据所述实时数据构建所述电网的电网调度实时仿真模型。
具体为,根据上述实施例,在进行仿真分析之前,要先获取仿真所需依据,本实施例中通过设置的相关功能单元对当前运行条件下的网络进行数据采集,获取电网运行的实时数据;对网络的历史数据库进行访问,获取电网运行的历史数据;对网络的计划数据库进行访问,获取电网运行的计划数据。然后将这些数据传递给后续功能单元,后续功能单元在接收这些数据之后根据所述实时数据建立所述电网的电网调度实时仿真模型。
本发明实施例通过在进行仿真分析之间设置数据采集步骤,能够为后续处理提供实时可靠的处理依据,提高后续处理的可靠性。
作为优选的,所述根据所述实时数据构建所述电网的所述电网调度实时仿真模型的具体处理流程参考图3,为本发明实施例一种构建电网调度实时仿真模型处理流程图,包括:
S11,根据所述实时数据模拟所述电网的实际电网区域组成,获取模拟电网模型。
具体为,根据上述实施例,在获取所述电网的实时数据之后,基于仿真软件根据所述实时数据对电网的实际电网区域组成进行模拟,获得模拟电网模型。
S12,对所述模拟电网模型的层次关系和拓扑关系进行数据疏解,获取层次关系数据和拓扑关系数据。
具体为,在上述步骤获取模拟电网模型之后,所述模拟电网模型是相互关联耦合的网络模型,为便于计算,对所述网络模型进行层次关系和拓扑关系进行数据疏解,获取层次关系数据和拓扑关系数据。
S13,根据所述层次关系数据和所述拓扑关系数据构建所述电网调度实时仿真模型。
具体为,根据上述步骤获取的层次关系数据和拓扑关系数据,通过仿真软件对这些层次关系数据和拓扑关系数据进行组合重构,获取电网调度实时仿真模型。
本发明实施例提供的电网调度实时仿真模型的构建流程,能够得到层次、拓扑简单的网络模型,能够降低后续仿真计算的复杂程度和困难程度,提高计算的效率和可靠性。
作为本发明的另一种实施例,本实施例提供一种基于云决策的电网调度优化***,参考图4,为本发明实施例一种基于云决策的电网调度优化***结构示意图,包括:调度云服务层3、调度云协同层4和调度云应用层5。
其中,调度云服务层3用于根据电网的历史数据、电网的计划数据和电网调度实时仿真模型对所述电网进行仿真分析,获取第一层电网参数信息决策要素;调度云协同层4用于根据所述电网内各分布式电网的分布式模型,以及所述分布式电网与外部通信信息间关系模型进行协同计算,获取第二层通信信息调度决策要素;调度云应用层5用于根据所述第一层电网参数信息决策要素和所述第二层通信信息调度决策要素,通过设置自学习的知识库模块以及所述知识库模块的定义要求,建立所述电网的电网参数与通信信息调度的关联模型,根据所述关联模型,以所述计划数据为向导,对电网的调度进行优化分析,获取电网调度的通信信息云决策要求和电网参数云决策服务。
本实施例具体为,对于给定的实际电网,其网络结构及层次都是确定的,电网的运行具有时序性,对应不同时刻有不同的运行数据。根据给定的当前电网的电网调度实时仿真模型,考虑到电网运行的历史数据,调度云服务层3以电网运行的计划数据为目标,对实际电网进行仿真分析,获取包括电压、电流、频率和有功潮流的主要电网参数第一层电网参数信息决策要素。并将该第一层电网参数信息决策要素传递给调度云应用层5。
同时,对于给定的电网,根据区域划分得到电网中各分布式电网,根据各分布式电网对应的分布式电网参数可以建立各分布式电网的分布式模型。同时,各分布式电网的运行受周围分布式电网及相关外部通信信息的影响,需要综合考虑各相关影响因素的叠加影响。
调度云协同层4根据各相关影响因素对给定分布式电网运行的连接关系、位置关系等建立对应的各关系模型。之后,调度云协同层4综合分析各分布式模型和各关系模型,通过对各分布式模型和各关系模型进行协同计算分析,为电网调度提供安全、运维和分布式统一资源管理的第二层通信信息调度决策要素。并将该第二层通信信息调度决策要素传递给调度云应用层5。
调度云应用层5在获取调度云服务层3传递的第一层电网参数信息决策要素和调度云协同层4传递的第二层通信信息调度决策要素之后,设置自学习的知识库模块以及所述知识库模块的定义要求,并根据所述第一层电网参数信息决策要素、所述第二层通信信息调度决策要素和知识库模块及其定义要求,建立所述电网的电网参数与通信信息调度的关联模型。
之后调度云应用层5根据所述关联模型,以所述计划数据为向导,对电网的调度进行优化分析,获取电网调度的通信信息云决策要求和电网参数云决策服务。
本发明实施例产生的技术效果与上述方法类实施例相同,可参考上述方法类实施例,此处不再赘述。
进一步的,在上述实施例的基础上,参考图5,为本发明实施例另一种基于云决策的电网调度优化***结构示意图,图中除包括调度云服务层3、调度云协同层4和调度云应用层5之外,还包括:物理设施层1和传输服务层2。
其中,调度云服务层3、调度云协同层4和调度云应用层5的说明参考上述实施例,此处不再赘述。物理设施层1用于获取所述电网电力运行的实时数据、所述电网电力运行的历史数据和所述电网电力运行的计划数据;传输服务层2用于连接物理设施层1、调度云服务层3、调度云协同层4和调度云应用层5,以使各层之间进行数据传输。
本实施例具体为,根据上述实施例,在调度云服务层3进行仿真分析之前,要先通过传输服务层2获取仿真所需依据。本实施例中通过物理设施层1对当前运行条件下的网络进行数据采集,获取电网运行的实时数据;对电网的历史数据库进行访问,获取电网运行的历史数据;对电网的计划数据库进行访问,获取电网运行的计划数据。
之后,物理设施层1通过传输服务层2将这些数据传递给调度云服务层3,调度云服务层3在接收这些数据之后根据所述实时数据建立所述电网的电网调度实时仿真模型。
本发明实施例产生的技术效果与上述方法类实施例相同,可参考上述方法类实施例,此处不再赘述。
作为优选的,调度云服务层3的进一步结构组成参考图6,为本发明实施例的一种调度云服务层结构示意图,包括:存储虚拟化单元301、网络虚拟化单元302、***虚拟化单元303、计算虚拟化单元304和应用虚拟化单元305。
其中,存储虚拟化单元301用于通过传输服务层2获取物理设施层1获取的所述实时数据、所述历史数据和所述计划数据;网络虚拟化单元302用于根据所述实时数据模拟所述电网的实际电网区域组成,获取模拟电网模型;***虚拟化单元303用于对所述模拟电网模型的层次关系和拓扑关系进行数据疏解,获取层次关系数据和拓扑关系数据;计算虚拟化单元304用于根据所述层次关系数据和所述拓扑关系数据构建所述电网调度实时仿真模型,并根据所述电网调度实时仿真模型、所述历史数据和所述计划数据对所述电网进行仿真分析;应用虚拟化单元305用于根据所述仿真分析的结果,获取第一层电网参数信息决策要素。
本实施例具体为,首先存储虚拟化单元301通过传输服务层2获取物理设施层1获取的电网运行的实时数据、历史数据和计划数据,然后,网络虚拟化单元302基于仿真软件,根据存储虚拟化单元301获取的实时数据对电网的实际电网区域组成进行模拟,获得模拟电网模型。
在上述网络虚拟化单元302构建获取模拟电网模型之后,所述模拟电网模型是相互关联耦合的网络模型,为便于计算,***虚拟化单元303对所述网络模型进行层次关系和拓扑关系进行数据疏解,获取层次关系数据和拓扑关系数据。
之后计算虚拟化单元304根据***虚拟化单元303通过数据疏解获取的层次关系数据和拓扑关系数据,构建所述电网调度实时仿真模型,并根据该电网调度实时仿真模型、存储虚拟化单元301获取的电网运行历史数据和电网运行计划数据对所述电网进行仿真分析。
最后,应用虚拟化单元305根据计算虚拟化单元304仿真分析的结果,获取包括电压、电流、频率、有功潮流为主要电网参数的第一层电网参数信息决策要素。
本发明实施例产生的技术效果与上述方法类实施例相同,可参考上述方法类实施例,此处不再赘述。
作为优选的,调度云协同层4的进一步结构组成参考图7,为本发明实施例的一种调度云协同层结构示意图,包括:分布式实时数据库401、分布式时序数据库402、分布式关系数据库403和非结构化数据存储自动化***404。
其中,分布式实时数据库401用于获取分布式实时数据;分布式时序数据库402具有对应的分布式模型,用于根据所述分布式模型对所述分布式实时数据进行分层集群处理,并根据所述处理的输出建立集群关系表;分布式关系数据库403用于通过集成服务对所述集群关系表中的数据进行集成处理,并通过所述分布式电网与外部通信信息间关系模型进行协同计算;非结构化数据存储自动化***404用于根据所述协同计算获取第二层通信信息调度决策要素。
本实施例具体为,首先,由分布式实时数据库401采集当前运行条件下各分布式网络的运行数据及各相关外部通信信息数据,并传递给分布式时序数据库402。
在接收分布式实时数据库401传递的各分布式网络的运行数据及各相关外部通信信息数据之后,分布式时序数据库402根据各分布式网络对应的分布式模型对采集到的数据进行分层集群处理,并根据分层集群处理结果建立对应的集群关系表。之后将该集群关系表传递给分布式关系数据库403。
在接收分布式时序数据库402传递的集群关系表之后,分布式关系数据库403基于现有的集成服务,提取集群关系表中的数据,对其中的数据进行集成分析处理;同时,综合考虑各相关影响因素,包括众多因子通信信息与空间、时间、属性之间关系模型进行协同计算、分析。
最后,非结构化数据存储自动化***404获取分布式关系数据库403进行协同计算的结果,并据此输出包括安全、运维和分布式统一资源管理的第二层通信信息调度决策要素。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于云决策的电网调度优化方法,其特征在于,包括:
根据电网的历史数据、电网的计划数据和电网调度实时仿真模型对所述电网进行仿真分析,获取第一层电网参数信息决策要素;
根据所述电网内各分布式电网的分布式模型及所述分布式电网与外部通信信息间关系模型,进行协同计算,获取第二层通信信息调度决策要素;
根据所述第一层电网参数信息决策要素和所述第二层通信信息调度决策要素,通过设置自学习的知识库模块及所述知识库模块的定义要求,建立所述电网的电网参数与通信信息调度的关联模型,根据所述关联模型,以所述计划数据为向导,对所述电网的调度进行优化分析,获取电网调度的通信信息云决策要求和电网参数云决策服务。
2.根据权利要求1所述的方法,其特征在于,在所述根据电网的历史数据、电网的计划数据和电网调度实时仿真模型对所述电网进行仿真分析之前,所述方法还包括:
获取所述电网电力运行的实时数据、所述电网电力运行的历史数据和所述电网电力运行的计划数据,并根据所述实时数据构建所述电网的所述电网调度实时仿真模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述实时数据构建所述电网的所述电网调度实时仿真模型具体包括:
根据所述实时数据模拟所述电网的实际电网区域组成,获取模拟电网模型;
对所述模拟电网模型的层次关系和拓扑关系进行数据疏解,获取层次关系数据和拓扑关系数据;
根据所述层次关系数据和所述拓扑关系数据构建所述电网调度实时仿真模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述电网内各分布式电网的分布式模型及所述分布式电网与外部通信信息间关系模型,进行协同计算,获取第二层通信信息调度决策要素具体包括:
获取分布式实时数据;
根据所述分布式模型对所述分布式实时数据进行分层集群处理,并根据所述处理的输出建立集群关系表;
通过集成服务对所述集群关系表中的数据进行集成处理,并通过所述分布式电网与外部通信信息间关系模型进行协同计算,获取第二层通信信息调度决策要素。
5.根据权利要求1所述的方法,其特征在于,所述知识库模块的自学习体现在对关联模型融合度的调整上。
6.根据权利要求1所述的方法,其特征在于,所述建立所述电网的电网参数与通信信息调度的关联模型包括:
建立所述电网参数与通信信息调度的基于数据驱动的神经网络模型,或者建立所述电网参数与通信信息调度的模式识别模型。
7.一种基于云决策的电网调度优化***,其特征在于,包括:
调度云服务层,用于根据电网的历史数据、电网的计划数据和电网调度实时仿真模型对所述电网进行仿真分析,获取第一层电网参数信息决策要素;
调度云协同层,用于根据所述电网内各分布式电网的分布式模型,以及所述分布式电网与外部通信信息间关系模型进行协同计算,获取第二层通信信息调度决策要素;
调度云应用层,用于根据所述第一层电网参数信息决策要素和所述第二层通信信息调度决策要素,通过设置自学习的知识库模块以及知识库模块的定义要求,建立所述电网的电网参数与通信信息调度的关联模型,根据所述关联模型,以所述计划数据为向导,对所述电网的调度进行优化分析,获取电网调度的通信信息云决策要求和电网参数云决策服务。
8.根据权利要求7所述的***,其特征在于,所述***还包括:
物理设施层,用于获取所述电网电力运行的实时数据、所述电网电力运行的历史数据和所述电网电力运行的计划数据;
传输服务层,用于连接所述物理设施层、所述调度云服务层、所述调度云协同层和所述调度云应用层,以使各层之间进行数据传输。
9.根据权利要求8所述的***,其特征在于,所述调度云服务层进一步包括:
存储虚拟化单元,用于通过所述传输服务层获取所述物理设施层获取的所述实时数据、所述历史数据和所述计划数据;
网络虚拟化单元,用于根据所述实时数据模拟所述电网的实际电网区域组成,获取模拟电网模型;
***虚拟化单元,用于对所述模拟电网模型的层次关系和拓扑关系进行数据疏解,获取层次关系数据和拓扑关系数据;
计算虚拟化单元,用于根据所述层次关系数据和所述拓扑关系数据构建所述电网调度实时仿真模型,并根据所述电网调度实时仿真模型、所述历史数据和所述计划数据对所述电网进行仿真分析;
应用虚拟化单元,用于根据所述仿真分析的结果,获取第一层电网参数信息决策要素。
10.根据权利要求7所述的***,其特征在于,所述调度云协同层进一步包括:
分布式实时数据库,用于获取分布式实时数据;
分布式时序数据库,具有对应的分布式模型,用于根据所述分布式模型对所述分布式实时数据进行分层集群处理,并根据所述处理的输出建立集群关系表;
分布式关系数据库,用于通过集成服务对所述集群关系表中的数据进行集成处理,并通过所述分布式电网与外部通信信息间关系模型进行协同计算;
非结构化数据存储自动化***,用于根据所述协同计算获取第二层通信信息调度决策要素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710347115.1A CN107194565B (zh) | 2017-05-17 | 2017-05-17 | 一种基于云决策的电网调度优化方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710347115.1A CN107194565B (zh) | 2017-05-17 | 2017-05-17 | 一种基于云决策的电网调度优化方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194565A true CN107194565A (zh) | 2017-09-22 |
CN107194565B CN107194565B (zh) | 2019-12-24 |
Family
ID=59873942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710347115.1A Active CN107194565B (zh) | 2017-05-17 | 2017-05-17 | 一种基于云决策的电网调度优化方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194565B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214724A (zh) * | 2018-11-22 | 2019-01-15 | 湖南铁路科技职业技术学院 | 一种基于云服务的铁路运输安全管理*** |
CN109377090A (zh) * | 2018-11-22 | 2019-02-22 | 湖南铁路科技职业技术学院 | 一种基于云服务的铁路运输数据通讯支撑平台 |
CN109543902A (zh) * | 2018-11-22 | 2019-03-29 | 湖南铁路科技职业技术学院 | 一种基于云服务的铁路运输数据管理优化调度方法 |
CN111414570A (zh) * | 2020-03-20 | 2020-07-14 | 读书郎教育科技有限公司 | 一种基于云服务的平板在线学习适应性学习***及方法 |
CN111525626A (zh) * | 2020-04-13 | 2020-08-11 | 清华大学 | 一种基于云边协同计算的微电网实时调度方法及*** |
CN113126576A (zh) * | 2019-12-31 | 2021-07-16 | 北京国双科技有限公司 | 集输***能耗优化模型构建方法与集输***能耗控制方法 |
CN113703363A (zh) * | 2021-08-25 | 2021-11-26 | 广东电网有限责任公司 | 智能边缘计算网关在电力调度云的即插即用方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750606A (zh) * | 2012-05-16 | 2012-10-24 | 中国电力科学研究院 | 一种电网调度云*** |
US20140222486A1 (en) * | 2011-11-28 | 2014-08-07 | Expanergy, Llc | Energy search engine methods and systems |
CN104934966A (zh) * | 2015-04-30 | 2015-09-23 | 中国电力科学研究院 | 一种基于云的微电网广域协调控制*** |
CN104992307A (zh) * | 2015-08-10 | 2015-10-21 | 国网上海市电力公司 | 一种配电网风险协同管控*** |
CN105912767A (zh) * | 2016-04-07 | 2016-08-31 | 国家电网公司 | 基于bs架构的多级电网异地协同联合计算方法 |
-
2017
- 2017-05-17 CN CN201710347115.1A patent/CN107194565B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140222486A1 (en) * | 2011-11-28 | 2014-08-07 | Expanergy, Llc | Energy search engine methods and systems |
CN102750606A (zh) * | 2012-05-16 | 2012-10-24 | 中国电力科学研究院 | 一种电网调度云*** |
CN104934966A (zh) * | 2015-04-30 | 2015-09-23 | 中国电力科学研究院 | 一种基于云的微电网广域协调控制*** |
CN104992307A (zh) * | 2015-08-10 | 2015-10-21 | 国网上海市电力公司 | 一种配电网风险协同管控*** |
CN105912767A (zh) * | 2016-04-07 | 2016-08-31 | 国家电网公司 | 基于bs架构的多级电网异地协同联合计算方法 |
Non-Patent Citations (2)
Title |
---|
BALINGFANG 等: "The contributions of cloud technologies to smart grid", 《RENEWABLE AND SUSTAINABLE ENERGY REVIEWS》 * |
唐琳: "云计算模式在电力调度***中的应用探析", 《信息***工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214724A (zh) * | 2018-11-22 | 2019-01-15 | 湖南铁路科技职业技术学院 | 一种基于云服务的铁路运输安全管理*** |
CN109377090A (zh) * | 2018-11-22 | 2019-02-22 | 湖南铁路科技职业技术学院 | 一种基于云服务的铁路运输数据通讯支撑平台 |
CN109543902A (zh) * | 2018-11-22 | 2019-03-29 | 湖南铁路科技职业技术学院 | 一种基于云服务的铁路运输数据管理优化调度方法 |
CN113126576A (zh) * | 2019-12-31 | 2021-07-16 | 北京国双科技有限公司 | 集输***能耗优化模型构建方法与集输***能耗控制方法 |
CN111414570A (zh) * | 2020-03-20 | 2020-07-14 | 读书郎教育科技有限公司 | 一种基于云服务的平板在线学习适应性学习***及方法 |
CN111525626A (zh) * | 2020-04-13 | 2020-08-11 | 清华大学 | 一种基于云边协同计算的微电网实时调度方法及*** |
CN113703363A (zh) * | 2021-08-25 | 2021-11-26 | 广东电网有限责任公司 | 智能边缘计算网关在电力调度云的即插即用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107194565B (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194565A (zh) | 一种基于云决策的电网调度优化方法和*** | |
Rohjans et al. | mosaik-A modular platform for the evaluation of agent-based Smart Grid control | |
CN103607466B (zh) | 一种基于云计算的广域多级分布式并行电网分析方法 | |
CN106505593A (zh) | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 | |
CN103199521B (zh) | 基于网络重构和优化潮流仿真计算构建电网规划的方法 | |
CN104123675A (zh) | 基于全网数据的配电网仿真研究分析***及方法 | |
CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
CN113705085B (zh) | 一种智能电网多层次结构建模及风险评估方法 | |
CN106921702A (zh) | 一种基于面向服务的配电网信息物理*** | |
CN108879667A (zh) | 一种电网闭环控制潮流仿真方法 | |
Cheng et al. | Exploration and exploitation of new knowledge emergence to improve the collective intelligent decision-making level of web-of-cells with cyber-physical-social systems based on complex network modeling | |
Pan et al. | Edge-cloud computing application, architecture, and challenges in ubiquitous power Internet of Things demand response | |
CN106570774A (zh) | 一种基于学习理论的渐进学习电网调控方法 | |
CN108347048B (zh) | 一种适应跨区跨国调度模式的计划编制方法 | |
CN105790256B (zh) | 基于多代理技术的配电网接入分布式发电单元关键路径识别方法 | |
Gomes et al. | Energy analyzer emulator for microgrid implementation and demonstration and respective gateway | |
Zhang et al. | Meta-energy: When integrated energy Internet meets metaverse | |
CN111834996B (zh) | 电网线损计算方法和装置 | |
Bo et al. | Modeling method for the coupling relations of microgrid cyber-physical systems driven by hybrid spatiotemporal events | |
Derksen et al. | A framework for agent-based simulations of hybrid energy infrastructures | |
Chen et al. | Research on network management technology of power line carrier communication in low-voltage distribution network based on digital twin | |
Nygard et al. | Decision support independence in a smart grid | |
Qi et al. | Model management and service based power grid multi-agent dispatcher training simulator | |
Li et al. | Construction of power grid digital twin model based on GAN | |
Sadeghi et al. | Fully decentralized multi-agent coordination scheme in smart distribution restoration: Multilevel consensus |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |