CN109462231B - 居民微电网的负荷优化调度方法、***和存储介质 - Google Patents
居民微电网的负荷优化调度方法、***和存储介质 Download PDFInfo
- Publication number
- CN109462231B CN109462231B CN201811359740.9A CN201811359740A CN109462231B CN 109462231 B CN109462231 B CN 109462231B CN 201811359740 A CN201811359740 A CN 201811359740A CN 109462231 B CN109462231 B CN 109462231B
- Authority
- CN
- China
- Prior art keywords
- grid
- data
- residential
- micro
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 230000005611 electricity Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 10
- 238000004146 energy storage Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000007599 discharging Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 239000003344 environmental pollutant Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 231100000719 pollutant Toxicity 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005067 remediation Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 210000000352 storage cell Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H02J3/383—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种居民微电网的负荷优化调度方法、***和存储介质,该方法包括:获取居民微电网在预设的未来时间段内的环境数据和时间数据;将环境数据和时间数据输入预先训练的负荷预测模型中,得到居民微电网在未来时间段内的用电负荷数据;以及,将环境数据和时间数据输入预先训练的光伏输出功率预测模型中,得到居民微电网在未来时间段内的光伏输出功率数据;确定居民微电网在未来时间段内的目标函数和对应的约束条件,目标函数的优化目标为居民微电网的总成本最小;采用粒子群算法对目标函数进行求解,得到居民微电网在未来时间段内的负荷调度方案。本发明能够提供一种适合当前微电网的负荷调度方案,减少居民微电网的运行成本。
Description
技术领域
本发明涉及居民用电调度技术领域,具体涉及一种居民微电网的负荷优化调度方法、***和存储介质。
背景技术
随着人口的快速增长和经济的高速发展,居民用电显著增长。为了平衡用电供需,减少碳排放和成本,居民微电网和智能电网的发展受到越来越多的关注。居民微电网一般由居民用电、太阳能、储能单元和电动汽车几个部分组成,其中太阳能的间歇性和波动性对微电网的运行带来一定的影响。与此同时,居民住宅中的智能用电终端在不断增多,居民用电具有很强的波动性和随意性,从而会影响电力的供需平衡。因此,可靠的用电负荷预测与光伏输出功率预测具有重要意义,它有助于居民微电网的电力供需平衡,提高可再生能源利用效率,同时也为微电网的负荷优化调度提供了基础。
用电负荷预测主要可以划分为短期负荷预测(例如,一天)、中期负荷预测(例如,一个月)和长期负荷预测(例如,一年)。其中短期负荷预测有利于维持用电供需的动态平衡,促进需求响应策略的实施以及居民微电网负荷的优化调度。但是由于居民用电的随机性和波动性,现有短期负荷预测方法精度不高。光伏输出功率预测方法大致与负荷预测方法相似,但同样存在预测精度不高等问题。
由于用电负荷预测和光伏输出功率预测的精度不高,进而导致居民微电网的负荷调度方案不适合当前的居民微电网,使得居民微电网运行成本比较高等。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种居民微电网的负荷优化调度方法、***和存储介质,提供一种适合当前微电网的负荷调度方案,减少居民微电网的运行成本。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明提供一种居民微电网的负荷优化调度方法,该方法包括:
S100、获取居民微电网在预设的未来时间段内的环境数据和时间数据;
S200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中,得到所述居民微电网在所述未来时间段内的用电负荷数据;以及,将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中,得到所述居民微电网在所述未来时间段内的光伏输出功率数据;其中,所述负荷预测模型和所述光伏输出功率预测模型均包括基于GRU的循环神经网络;
S300、根据所述用电负荷数据和所述光伏输出功率,确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件,所述目标函数的优化目标为所述居民微电网的总成本最小;
S400、采用粒子群算法对所述目标函数进行求解,得到所述居民微电网在未来时间段内的负荷调度方案。
第二方面,本发明提供一种居民微电网的负荷优化调度***,该***包括:
获取模块,用于执行S100、获取居民微电网在预设的未来时间段内的环境数据和时间数据;
数据确定模块,用于执行S200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中,得到所述居民微电网在所述未来时间段内的用电负荷数据;以及,将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中,得到所述居民微电网在所述未来时间段内的光伏输出功率数据;其中,所述负荷预测模型和所述光伏输出功率预测模型均包括基于GRU的循环神经网络;
目标确定模块,用于执行S300、根据所述用电负荷数据和所述光伏输出功率,确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件,所述目标函数的优化目标为所述居民微电网的总成本最小;
方案求解模块,用于执行S400、采用粒子群算法对所述目标函数进行求解,得到所述居民微电网在未来时间段内的负荷调度方案。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可实现上述调度方法。(三)
有益效果
本发明实施例提供了一种居民微电网的负荷优化调度方法、***和存储介质,具备以下有益效果:
本发明中的预测模型中包括基于GRU的循环神经网络(即RNN),相对于ANN能够模拟用电负荷和光伏输出功率的时间依赖性,相对于传统的RNN,可以在显著提高预测的精度的基础上解决梯度消失和梯度***等问题。由于居民负荷和光伏输出功率的预测精度提高,因此基于居民负荷和光伏输出功率得到的优化调度方案比较适合当前的居民微电网,有利于平衡居民微电网中的电力供需,提高可再生能源的利用率,减少微电网的运行成本和环境污染。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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示出了本发明一实施例中居民微电网的负荷优化调度方法的流程示意图。
具体实施方式
为使本发明实施例的目的、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,所描述的实施例是本发明一部分实施例,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作出创造性劳动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。
第一方面,本发明提供一种居民微电网的负荷优化调度方法,如图1所示,该方法包括以下步骤:
S100、获取居民微电网在预设的未来时间段内的环境数据和时间数据;
可理解的是,由于短期预测有利于维持用电供需的动态平衡,促进需求响应策略的实施以及居民微电网负荷的优化调度,因此可以将未来时间段设置为短期,例如,未来的一天内。
可理解的是,上述环境数据,例如,天气情况等。具体处理时可以将天气情况量化为具体的数值。时间数据,为在未来时间段内的若干个时间点,例如,智能电表每半个小时采集一次负荷数据,则一天之内会有48个采集时间点,将在未来时间段内中每一天的48个采集时间点作为时间数据。
S200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中,得到所述居民微电网在所述未来时间段内的用电负荷数据;以及,将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中,得到所述居民微电网在所述未来时间段内的光伏输出功率数据;其中,所述负荷预测模型和所述光伏输出功率预测模型均包括基于GRU的循环神经网络;
在实际应用中,负荷预测模型的训练过程可以包括如下步骤:
S001a、获取在第一历史时间段内的第一数据,每一条第一数据包括居民负荷数据、对应的环境数据和对应的时间数据;
举例来说,每半个小时采集一次数据,一天共有48条第一数据,每一条第一数据包括用电负荷、当时的天气和当时的时间,连续采集过去d1天,共有d1*48条数据。
S002a、将所述第一历史时间段内的所有第一数据分为第一训练集和第一测试集,并对所述第一训练集和所述第一测试集进行标准化处理,其中,所述第一训练集中的任一时间数据均早于所述第一测试集中的任一时间数据;
例如,将过去d1天分为两个子时间段,将d1*48条第一数据中的前3/4条第一数据形成第一训练集,将后1/4条第一数据形成第一测试集。将第一训练集和第一测试集表示为矩阵形式分别第一训练矩阵和第一测试矩阵。其中:
第一训练矩阵如下:
第一测试矩阵如下:
在上述矩阵中,每一行包括用电负荷数据、环境数据和时间数据,且矩阵中同一列数据的含义相同,即同一列均为用电负荷数据,或者,均为环境数据,或者均为时间数据。
S003a、设置第一循环神经网络中GRU层的层数和其各层中神经元的个数、隐含层的层数和其各层中神经元的个数以及网络相关参数;
其中,网络相关参数可以包括正则化参数、Dropout参数等。循环神经网络即RNN。
其中,GRU是LSTM的一种变体,处理不同数据时会有不同的效果,GRU全称GatedRecurrent Unit。
针对神经网络的每一层可以设置Dropout参数,该参数可以在训练过程中动态地调整该层网络中神经元的个数,属于在用Keras(即基于Python的深度学习库)训练神经网络时用到的一个参数。
S004a、将标准化处理后的第一训练集输入所述第一循环神经网络,采用Adam梯度下降算法进行训练,得到负荷预测模型;
可理解的是,训练的过程,即是确定模型中参数的过程。
S005a、将标准化处理后的所述第一测试集中的环境数据和时间数据输入当前负荷预测模型中,得到预测的负荷数据;
S006a、根据所述预测的负荷数据与在标准化处理后的所述第一测试集中对应的用电负荷数据,对当前负荷预测模型的预测能力进行评估,得到第一评估结果;并根据所述第一评估结果,判断当前负荷预测模型是否满足预设的第一预测精度要求:若是,则将当前负荷预测模型作为最终的负荷预测模型并输出;否则,对当前负荷预测模型进行调整,并返回S003a。
可理解的是,在标准化处理后的所述第一测试集中对应的用电负荷数据为真实数据,而预测的负荷数据为测试数据,将两者进行比较,便可知道当前的负荷预测模型的预测是否准确。
在实际应用中,可以计算真实数据和测试数据之间的均方根误差、平均绝对误差和/或平均绝对误差百分比,根据这些误差值,便可以知道当前负荷预测模型的精确度,误差越小,精确度越高,故将这些误差作为第一评估结果。
当当前的预测模型的精确度满足要求,则可以将当前的预测模型作为最终的预测模型或目标预测模型,否则还要对模型参数进行调整,返回S0053中,进而继续判断,直至其精确度满足要求。
与负荷预测模型的训练过程类似的,所述光伏输出功率预测模型的训练过程可以包括如下步骤:
S001b、获取在第二历史时间段内的第二数据,每一条第二数据包括光伏输出功率数据、对应的环境数据和对应的时间数据;
例如,每五分钟采集一次第二数据,一天共采集288条数据,每条第二数据包括光伏输出功率、天气和时间点,连续采集d2天,共d2*288条第二数据。
S002b、将所述第二历史时间段分为第二训练集和第二测试集,并对所述第二训练集和所述第二测试集进行标准化处理,其中,所述第二训练集中的任一时间数据均早于所述第二测试集中的任一时间数据;
例如,将过去d2天分为两个子时间段,将d2*288条第二数据中的前3/4条第二数据形成第二训练集,将后1/4条第二数据形成第二测试集。将第二训练集和第二测试集表示为矩阵形式分别第二训练矩阵和第二测试矩阵。其中:
第二训练矩阵如下:
第二测试矩阵如下:
在上述矩阵中,每一行包括光伏输出功率数据、环境数据和时间数据,且矩阵中同一列数据的含义相同,即同一列均为光伏输出功率数据,或者,均为环境数据,或者均为时间数据。
S003b、设置第二循环神经网络中GRU层的层数和其各层中神经元的个数、隐含层的层数和其各层中神经元的个数以及网络相关参数;
其中,网络相关参数可以包括正则化参数、Dropout参数等。循环神经网络即RNN。
S004b、将标准化处理后的第二训练集输入所述第二循环神经网络,采用Adam梯度下降算法进行训练,得到初始的光伏输出功率预测模型;
可理解的是,训练的过程,即是确定模型中参数的过程。
S005b、将标准化处理后的所述第二测试集中的环境数据和时间数据输入当前光伏输出功率预测模型中,得到预测的光伏输出功率数据;
S006b、根据所述预测的光伏输出功率数据与在标准化处理后的所述第二测试集中对应的光伏输出功率数据,对当前光伏输出功率预测模型的预测能力进行评估,得到第二评估结果;并根据所述第二评估结果,判断当前光伏输出功率预测模型是否满足预设的第二预测精度要求:若是,则将当前光伏输出功率预测模型作为最终的光伏输出功率预测模型并输出;否则,对当前光伏输出功率预测模型进行调整,并返回S003b。
可理解的是,在标准化处理后的所述第二测试集中对应的光伏输出功率数据为真实数据,而预测的光伏输出功率数据为预测数据,将两者进行比较,便可知道当前的光伏输出功率预测模型的预测结果是否准确。
在实际应用中,可以计算真实数据和测试数据之间的均方根误差、平均绝对误差和/或平均绝对误差百分比,根据这些误差值,便可以知道当前负荷预测模型的精确度,误差越小,精确度越高,故将这些误差作为第二评估结果。
当当前的预测模型的精确度满足要求,则可以将当前的预测模型作为最终的预测模型或目标预测模型,否则还要对模型参数进行调整,返回S003b中,进而继续判断,直至其精确度满足要求。
上述对所述第一训练集、所述第一测试集、所述第二训练集和所述第二测试集进行标准化处理时,可以采用第一公式进行标准化处理,第一公式包括:
式中,w'i,j表示标准化处理后矩阵中第i行第j列的数据,wi,j表示标准化处理前矩阵中第i行第j列的数据,minj表示标准化处理前矩阵中第j列中的最小值,maxj表示标准化处理前矩阵中第j列中的最大值。
S300、根据所述用电负荷数据和所述光伏输出功率,确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件,所述目标函数的优化目标为所述居民微电网的总成本最小;
其中,预测得到的光伏输出功率表示光伏发电所能够提供的发电量,预测得到的负荷数据体现的是居民的用电需求。两者是居民微电网优化时需要满足的约束条件,主要体现在以下所述居民微电网的供需平衡约束条件中。
可理解的是,居民微电网的成本一般包括居民生活用电时购售电成本、电动汽车电池的折旧成本、储能单元例如太阳能装置的折旧成本以及为治理环境中各种污染排放物的所耗成本等,因此可以将所述目标函数设置为:
C=C1+C2+C3+C4
式中,C为所述居民微电网中的总成本,C1为所述居民微电网的购售电成本,C2为所述居民微电网中的电动汽车电池折旧成本,C3为所述居民微电网中的储能单元折旧成本,C4为所述居民微电网中的环境成本。
优化目标为居民微电网的总成本最小,即上述C最小。
其中,所述购售电成本C1的计算公式包括:
式中,P(t)表示大电网和所述居民微电网之间电量的传输值,St表示时段t的电价,T为所述未来时间段。
可理解的是,当St>0时,说明居民微电网从大电网购电;反之,居民微电网向大电网售电。
其中,所述电动汽车电池折旧成本C2的计算公式包括:
式中,m表示所述居民微电网中的电动汽车总数,cr是一台电动汽车电池的置换成本,E1是电池生命周期内的总充放电能力,ti1为第i辆电动汽车接入所述居民微电网的时间,ti2为第i辆电动汽车离开所述居民微电网的时间,表示第i辆电动汽车在时段t的充放电功率。
在实际应用中,考虑居民的日常生活规律,只考虑傍晚居民下班时才会对电动汽车充电,同时居民微电网内的所有电动汽车进行有序充放电,进而通过仿真得到居民微电网内电动汽车的充电负荷曲线,进而根据充电负荷曲线中的相关数据,采用上述公式计算电动汽车电池折旧成本C2。
其中,所述储能单元折旧成本C3的计算公式包括:
式中,n为所述居民微电网中储能单元的个数,cs是一个储能单元的置换成本,E2为储能单元电池生命周期的总充放电能力,tj1是第j个储能单元充放电开始的时间,tj2为第j个储能单元充放电结束的时间,表示第j个储能单元在时段t的充放电功率。
其中,所述环境成本C4的计算公式包括:
式中,k表示第k种污染排放物,总共有K种污染排放物,ck为第k种污染物的治理成本,αk为第k种污染物的治理系数,P为所述居民微电网从大电网所购的电量。
由于所述居民微电网的购售电成本C1、所述居民微电网中的电动汽车电池折旧成本C2、所述居民微电网中的储能单元折旧成本C3、所述居民微电网中的环境成本C4的计算公式均已确定,总成本的计算公式就可确定,即目标函数确定。
在实际应用中,所述约束条件可以包括:所述居民微电网的供需平衡约束条件、所述居民微电网内电动汽车和储能单元的荷电约束条件、所述居民微电网内电动汽车和储能单元的充放电功率约束条件、所述居民微电网中电动汽车的充电量约束条件以及所述居民微电网和大电网之间的传输功率约束条件中的至少一项。
其中,所述供需平衡约束条件可以包括:
P'+Ppv+PEVs+PESS=Pload
式中,P'表示大电网和所述居民微电网之间的传输功率,Ppv表示太阳能的输出功率,PEVs表示所述居民微电网中电动汽车的输出功率,PESS表示所述居民微电网中所有储能单元的输出功率,Pload表示所述居民微电网的总负荷。
可理解的是,这是根据居民微电网整体的供需平衡而设置的约束条件。
其中,所述荷电约束条件可以包括:
式中,SC1i表示所述居民微电网中第i辆电动汽车的荷电量,SC2j表示所述居民微电网中第j个储能单元的荷电量,为所述第i辆电动汽车的荷电状态的下限值,为所述第j个储能单元的荷电状态的下限值,为所述第i辆电动汽车的荷电状态的上限值,为所述第j个储能单元的荷电状态的上限值。
可理解的是,上述荷电量的含义是剩余电量和总容量的比值。
其中,所述充放电功率约束条件可以包括:
为所述居民微电网中第i台电动汽车的充放电功率,为所述居民微电网中第j个储能单元的充放电功率,为所述第i台电动汽车的充放电功率的下限,为所述第j个储能单元的充放电功率的下限,为所述第i台电动汽车的充放电功率的上限,为所述第j个储能单元的充放电功率的上限。
其中,所述充电量约束条件可以包括:
其中,所述传输功率约束条件可以包括:
-Pmax≤P'≤Pmax
式中,P'表示所述居民微电网与大电网的传输功率,Pmax表示所述居民微电网与大电网的最大传输功率。
S400、采用粒子群算法对所述目标函数进行求解,得到所述居民微电网在未来时间段内的负荷调度方案。
负荷调度方案主要包括:微电网从大电网购买多少电量,购买时间;微电网向大电网售出多少电量,何时售出;电动车什么时候充、放电,充、放电量是多少;储能什么时候充、放电,充、放电量是多少。通过粒子群算法求解,会得到相应的曲线。
可理解的是,粒子群算法,也称粒子群优化算法或鸟群觅食算法,它是从随机解出发,通过迭代寻找最优解,并通过适应度来评价解的品质。它比遗传算法规则更为简单,它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作,它通过追随当前搜索到的最优值来寻找全局最优。这种算法具有实现容易、精度高、收敛快等优点。
由于用电负荷和光伏输出功率中存在时间依赖性,而传统的人工神经网络(Artificial Neural Network,简称ANN)无法模拟这种时间依赖。循环神经网络(Recurrent Neural Network,RNN)能够模拟时间序列中的时间依赖性,能够显著提高预测的精度,但是却面临着梯度消失和梯度***等问题,由于本发明中的预测模型中包括基于GRU的循环神经网络(即RNN),可以在显著提高预测精度的基础上,解决传统RNN所面临的梯度消失和梯度***等问题。
可理解的是,居民微电网的负荷优化调度是指合理调度居民微电网中的负荷与发电单元,从而促进微电网供需平衡,减少***运行成本,提高可再生能源利用率等。传统的微电网负荷调度一般通过鲁棒优化来考虑太阳能的随机性,显然无法发挥电力大数据的作用,而本发明中采用的预测模型均是基于大数据训练得到,因此可以提高调度质量。
本发明通过对居民负荷和光伏输出功率进行预测,由于居民负荷和光伏输出功率的预测精度提高,因此基于居民负荷和光伏输出功率得到的优化调度方案比较适合当前的居民微电网,有利于平衡居民微电网中的电力供需,提高可再生能源的利用率,减少微电网的运行成本和环境污染。
第二方面,本发明提供一种居民微电网的负荷优化调度***,该***包括:
获取模块,用于执行S100、获取居民微电网在预设的未来时间段内的环境数据和时间数据;
数据确定模块,用于执行S200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中,得到所述居民微电网在所述未来时间段内的用电负荷数据;以及,将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中,得到所述居民微电网在所述未来时间段内的光伏输出功率数据;其中,所述负荷预测模型和所述光伏输出功率预测模型均包括基于GRU的循环神经网络;
目标确定模块,用于执行S300、根据所述用电负荷数据和所述光伏输出功率,确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件,所述目标函数的优化目标为所述居民微电网的总成本最小;
方案求解模块,用于执行S400、采用粒子群算法对所述目标函数进行求解,得到所述居民微电网在未来时间段内的负荷调度方案。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可以实现上述第一方面中的优化调度方法。
可理解的是,第二方面提供的优化调度***和第三方面提供的存储介质与第一方面提供的优化调度方法相对应,其有关内容的解释、举例、具体实施方式、有益效果等内容可以参考第一方面中的相应部分,此处不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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,本领域的普通技术人员应当理解: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 (6)
1.一种居民微电网的负荷优化调度方法,其特征在于,包括:
S100、获取居民微电网在预设的未来时间段内的环境数据和时间数据;
S200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中,得到所述居民微电网在所述未来时间段内的用电负荷数据;以及,将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中,得到所述居民微电网在所述未来时间段内的光伏输出功率数据;其中,所述负荷预测模型和所述光伏输出功率预测模型均包括基于GRU的循环神经网络;
S300、根据所述用电负荷数据和所述光伏输出功率,确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件,所述目标函数的优化目标为所述居民微电网的总成本最小;
S400、采用粒子群算法对所述目标函数进行求解,得到所述居民微电网在未来时间段内的负荷调度方案;
所述目标函数包括:
C=C1+C2+C3+C4
式中,C为所述居民微电网中的总成本,C1为所述居民微电网的购售电成本,C2为所述居民微电网中的电动汽车电池折旧成本,C3为所述居民微电网中的储能单元折旧成本,C4为所述居民微电网中的环境成本;
其中,所述购售电成本的计算公式包括:
式中,P(t)表示大电网和所述居民微电网之间电量的传输值,St表示时段t的电价,T为所述未来时间段;
所述电动汽车电池折旧成本的计算公式包括:
式中,m表示所述居民微电网中的电动汽车总数,cr是一台电动汽车电池的置换成本,E1是电池生命周期内的总充放电能力,ti1为第i辆电动汽车接入所述居民微电网的时间,ti2为第i辆电动汽车离开所述居民微电网的时间,Pi EV(t)表示第i辆电动汽车在时段t的充放电功率;
所述储能单元折旧成本的计算公式包括:
式中,n为所述居民微电网中储能单元的个数,cs是一个储能单元的置换成本,E2为储能单元电池生命周期的总充放电能力,tj1是第j个储能单元充放电开始的时间,tj2为第j个储能单元充放电结束的时间,表示第j个储能单元在时段t的充放电功率;
所述环境成本的计算公式包括:
式中,k表示第k种污染排放物,总共有K种污染排放物,ck为第k种污染物的治理成本,αk为第k种污染物的治理系数,P为所述居民微电网从大电网所购的电量。
2.根据权利要求1所述的方法,其特征在于,
所述负荷预测模型的训练过程包括:
S001a、获取在第一历史时间段内的第一数据,每一条第一数据包括居民负荷数据、对应的环境数据和对应的时间数据;
S002a、将所述第一历史时间段内的所有第一数据分为第一训练集和第一测试集,并对所述第一训练集和所述第一测试集进行标准化处理,其中,所述第一训练集中的任一时间数据均早于所述第一测试集中的任一时间数据;
S003a、设置第一循环神经网络中GRU层的层数和其各层中神经元的个数、隐含层的层数和其各层中神经元的个数以及网络相关参数;
S004a、将标准化处理后的第一训练集输入所述第一循环神经网络,采用Adam梯度下降算法进行训练,得到负荷预测模型;
S005a、将标准化处理后的所述第一测试集中的环境数据和时间数据输入当前负荷预测模型中,得到预测的负荷数据;
S006a、根据所述预测的负荷数据与在标准化处理后的所述第一测试集中对应的用电负荷数据,对当前负荷预测模型的预测能力进行评估,得到第一评估结果;并根据所述第一评估结果,判断当前负荷预测模型是否满足预设的第一预测精度要求:若是,则将当前负荷预测模型作为最终的负荷预测模型并输出;否则,对当前负荷预测模型进行调整,并返回S003a;和/或
所述光伏输出功率预测模型的训练过程包括:
S001b、获取在第二历史时间段内的第二数据,每一条第二数据包括光伏输出功率数据、对应的环境数据和对应的时间数据;
S002b、将所述第二历史时间段分为第二训练集和第二测试集,并对所述第二训练集和所述第二测试集进行标准化处理,其中,所述第二训练集中的任一时间数据均早于所述第二测试集中的任一时间数据;
S003b、设置第二循环神经网络中GRU层的层数和其各层中神经元的个数、隐含层的层数和其各层中神经元的个数以及网络相关参数;
S004b、将标准化处理后的第二训练集输入所述第二循环神经网络,采用Adam梯度下降算法进行训练,得到光伏输出功率预测模型;
S005b、将标准化处理后的所述第二测试集中的环境数据和时间数据输入当前光伏输出功率预测模型中,得到预测的光伏输出功率数据;
S006b、根据所述预测的光伏输出功率数据与在标准化处理后的所述第二测试集中对应的光伏输出功率数据,对当前光伏输出功率预测模型的预测能力进行评估,得到第二评估结果;并根据所述第二评估结果,判断当前光伏输出功率预测模型是否满足预设的第二预测精度要求:若是,则将当前光伏输出功率预测模型作为最终的光伏输出功率预测模型并输出;否则,对当前光伏输出功率预测模型进行调整,并返回S003b。
3.根据权利要求2所述的方法,其特征在于,所述第一训练集和所述第一测试集为矩阵形式,矩阵中的每一行包括用电负荷数据、环境数据和时间数据,且矩阵中同一列数据的含义相同;所述第二训练集和所述第二测试集为矩阵形式,矩阵中每一行包括光伏输出功率数据、环境数据和时间数据,且矩阵中同一列数据的含义相同;
对应的,采用第一公式对所述第一训练集、所述第一测试集、所述第二训练集和所述第二测试集进行标准化处理,所述第一公式包括:
式中,w′i,j表示标准化处理后矩阵中第i行第j列的数据,wi,j表示标准化处理前矩阵中第i行第j列的数据,minj表示标准化处理前矩阵中第j列中的最小值,maxj表示标准化处理前矩阵中第j列中的最大值。
4.根据权利要求1所述的方法,其特征在于,所述约束条件包括:所述居民微电网的供需平衡约束条件、所述居民微电网内电动汽车和储能单元的荷电约束条件、所述居民微电网内电动汽车和储能单元的充放电功率约束条件、所述居民微电网中电动汽车的充电量约束条件以及所述居民微电网和大电网之间的传输功率约束条件中的至少一项;其中:
所述供需平衡约束条件包括:
P′+Ppv+PEVs+PESS=Pload
式中,P'表示大电网和所述居民微电网之间的传输功率,Ppv表示太阳能的输出功率,PEVs表示所述居民微电网中电动汽车的输出功率,PESS表示所述居民微电网中所有储能单元的输出功率,Pload表示所述居民微电网的总负荷;
所述荷电约束条件包括:
式中,SC1i表示所述居民微电网中第i辆电动汽车的荷电量,SC2j表示所述居民微电网中第j个储能单元的荷电量,为所述第i辆电动汽车的荷电状态的下限值,为所述第j个储能单元的荷电状态的下限值,为所述第i辆电动汽车的荷电状态的上限值,为所述第j个储能单元的荷电状态的上限值;
所述充放电功率约束条件包括:
Pi EV为所述居民微电网中第i台电动汽车的充放电功率,为所述居民微电网中第j个储能单元的充放电功率,为所述第i台电动汽车的充放电功率的下限,为所述第j个储能单元的充放电功率的下限,为所述第i台电动汽车的充放电功率的上限,为所述第j个储能单元的充放电功率的上限;
所述充电量约束条件包括:
所述传输功率约束条件,包括:
-Pmax≤P'≤Pmax
式中,P'表示所述居民微电网与大电网的传输功率,Pmax表示所述居民微电网与大电网的最大传输功率。
5.一种居民微电网的负荷优化调度***,其特征在于,包括:
获取模块,用于执行S100、获取居民微电网在预设的未来时间段内的环境数据和时间数据;
数据确定模块,用于执行S200、将所述环境数据和所述时间数据输入预先训练的负荷预测模型中,得到所述居民微电网在所述未来时间段内的用电负荷数据;以及,将所述环境数据和所述时间数据输入预先训练的光伏输出功率预测模型中,得到所述居民微电网在所述未来时间段内的光伏输出功率数据;其中,所述负荷预测模型和所述光伏输出功率预测模型均包括基于GRU的循环神经网络;
目标确定模块,用于执行S300、根据所述用电负荷数据和所述光伏输出功率,确定所述居民微电网在所述未来时间段内的目标函数和对应的约束条件,所述目标函数的优化目标为所述居民微电网的总成本最小;
方案求解模块,用于执行S400、采用粒子群算法对所述目标函数进行求解,得到所述居民微电网在未来时间段内的负荷调度方案;
所述目标函数包括:
C=C1+C2+C3+C4
式中,C为所述居民微电网中的总成本,C1为所述居民微电网的购售电成本,C2为所述居民微电网中的电动汽车电池折旧成本,C3为所述居民微电网中的储能单元折旧成本,C4为所述居民微电网中的环境成本;
其中,所述购售电成本的计算公式包括:
式中,P(t)表示大电网和所述居民微电网之间电量的传输值,St表示时段t的电价,T为所述未来时间段;
所述电动汽车电池折旧成本的计算公式包括:
式中,m表示所述居民微电网中的电动汽车总数,cr是一台电动汽车电池的置换成本,E1是电池生命周期内的总充放电能力,ti1为第i辆电动汽车接入所述居民微电网的时间,ti2为第i辆电动汽车离开所述居民微电网的时间,Pi EV(t)表示第i辆电动汽车在时段t的充放电功率;
所述储能单元折旧成本的计算公式包括:
式中,n为所述居民微电网中储能单元的个数,cs是一个储能单元的置换成本,E2为储能单元电池生命周期的总充放电能力,tj1是第j个储能单元充放电开始的时间,tj2为第j个储能单元充放电结束的时间,表示第j个储能单元在时段t的充放电功率;
所述环境成本的计算公式包括:
式中,k表示第k种污染排放物,总共有K种污染排放物,ck为第k种污染物的治理成本,αk为第k种污染物的治理系数,P为所述居民微电网从大电网所购的电量。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~4任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811359740.9A CN109462231B (zh) | 2018-11-15 | 2018-11-15 | 居民微电网的负荷优化调度方法、***和存储介质 |
US16/537,610 US11581740B2 (en) | 2018-11-15 | 2019-08-11 | Method, system and storage medium for load dispatch optimization for residential microgrid |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811359740.9A CN109462231B (zh) | 2018-11-15 | 2018-11-15 | 居民微电网的负荷优化调度方法、***和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109462231A CN109462231A (zh) | 2019-03-12 |
CN109462231B true CN109462231B (zh) | 2020-09-01 |
Family
ID=65610558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811359740.9A Active CN109462231B (zh) | 2018-11-15 | 2018-11-15 | 居民微电网的负荷优化调度方法、***和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11581740B2 (zh) |
CN (1) | CN109462231B (zh) |
Families Citing this family (87)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501568B (zh) * | 2019-07-05 | 2020-11-27 | 同济大学 | 一种基于图信号处理的非侵入式设备负载监测方法 |
CN111027785B (zh) * | 2019-12-30 | 2023-10-10 | 上海芯联芯智能科技有限公司 | 一种分布式电网用户的智能用电***及用电方法 |
CN111509716A (zh) * | 2020-05-22 | 2020-08-07 | 广东电网有限责任公司 | 电网柔性负荷控制方法、装置、计算机设备和存储介质 |
CN111900727B (zh) * | 2020-07-15 | 2024-02-02 | 国网上海市电力公司 | 基于pso的光储充换一体化充电站协同优化调度方法和装置 |
CN111915161B (zh) * | 2020-07-15 | 2023-02-07 | 上海顺翼能源科技有限公司 | 基于可调鲁棒算法的区域光储充***短期调度方法和*** |
CN112101651B (zh) * | 2020-09-08 | 2023-11-14 | 中电科蓝天科技股份有限公司 | 电能源网络协调控制方法、***及信息数据处理终端 |
CN112134304B (zh) * | 2020-09-22 | 2022-04-01 | 南方电网数字电网研究院有限公司 | 一种基于深度学习的微电网全自动导航方法、***与装置 |
CN112307638B (zh) * | 2020-11-09 | 2022-06-07 | 中南大学 | 一种电容器寿命估算方法、装置及电子设备 |
CN112600256B (zh) * | 2020-12-04 | 2023-06-09 | 深圳供电局有限公司 | 微网电力控制方法 |
CN112508275B (zh) * | 2020-12-07 | 2022-05-17 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
CN112564105A (zh) * | 2020-12-15 | 2021-03-26 | 深圳供电局有限公司 | 一种电网自动调度方法及*** |
CN112706639B (zh) * | 2020-12-22 | 2022-09-16 | 浙江零跑科技股份有限公司 | 一种新能源汽车有序充电方法 |
CN112865075B (zh) * | 2021-01-12 | 2023-10-20 | 许继集团有限公司 | 一种交直流混合微电网优化方法 |
CN112671043B (zh) * | 2021-01-14 | 2023-12-12 | 国网山东省电力公司枣庄供电公司 | 基于Hyperopt-GRU模型的配变运行优化方法 |
CN112733457B (zh) * | 2021-01-18 | 2022-03-15 | 武汉大学 | 一种改进双层长短期记忆网络的负荷用电特性建模方法 |
CN112859615B (zh) * | 2021-01-22 | 2024-01-30 | 西安建筑科技大学 | 家庭用电负荷优化调度方法、***、设备及可读存储介质 |
CN112803567B (zh) * | 2021-01-29 | 2023-04-28 | 西安交通大学 | 基于智能楼宇光储供电设备的参数优化设计方法及*** |
CN113013905B (zh) * | 2021-02-03 | 2024-05-28 | 国网天津市电力公司营销服务中心 | 一种风光储微能量收集无线传感***调度方法及装置 |
CN113033878B (zh) * | 2021-03-05 | 2023-07-25 | 西北大学 | 基于多拓扑分级协同粒子群lstm的滑坡位移预测方法 |
CN112862215B (zh) * | 2021-03-10 | 2023-04-07 | 广东电网有限责任公司 | 一种微电网能源需求预测方法、***及设备 |
CN113690941B (zh) * | 2021-03-24 | 2024-07-16 | 清华大学 | 配置光储充微网容量的方法、装置、设备及存储介质 |
CN113610659B (zh) * | 2021-04-30 | 2023-12-19 | 中国农业大学 | 一种提升电网灵活性与经济性的多时间窗储能配置方法 |
CN113313295A (zh) * | 2021-05-19 | 2021-08-27 | 国网江苏省电力有限公司南京供电分公司 | 一种多站融合模式下综合站优化运行方法 |
CN113346474B (zh) * | 2021-05-31 | 2022-10-18 | 上海电力大学 | 一种直流微电网双储能协调控制方法及存储介质 |
CN113469412B (zh) * | 2021-06-02 | 2024-04-09 | 国核电力规划设计研究院有限公司 | 一种综合能源***实时运行策略优化方法及*** |
CN113488990B (zh) * | 2021-06-15 | 2023-09-08 | 国网山东省电力公司济宁市任城区供电公司 | 基于改进的蝙蝠算法的微电网优化调度方法 |
CN113690925B (zh) * | 2021-06-15 | 2023-08-25 | 国网浙江省电力有限公司杭州供电公司 | 一种基于微电网的能量交互优化方法及*** |
CN113377841A (zh) * | 2021-06-21 | 2021-09-10 | 国网宁夏电力有限公司电力科学研究院 | 一种基于大数据的能源负荷预测*** |
CN113595063B (zh) * | 2021-07-12 | 2023-07-25 | 国网湖北省电力有限公司电力科学研究院 | 一种适用于智慧园区的储能容量配置方法 |
CN113610380A (zh) * | 2021-08-02 | 2021-11-05 | 上海电气集团股份有限公司 | 一种多能互补能源规划方法 |
CN113657755A (zh) * | 2021-08-17 | 2021-11-16 | 国网河北省电力有限公司 | 一种基于大数据分析的电力***负荷调控*** |
CN113885367A (zh) * | 2021-08-24 | 2022-01-04 | 国电南瑞科技股份有限公司 | 一种楼宇能效管理控制***及方法 |
CN113610328A (zh) * | 2021-08-25 | 2021-11-05 | 浙江浙能台州第二发电有限责任公司 | 一种发电负荷预测方法 |
CN113937820B (zh) * | 2021-09-03 | 2023-07-21 | 广东电网有限责任公司 | 一种基于深度学习的主动配电网优化调度方法 |
CN114336585B (zh) * | 2021-09-24 | 2023-08-01 | 北京交通大学 | 基于多智能体协同的多微网能量管理方法、***和电子设备 |
CN113872192B (zh) * | 2021-09-26 | 2024-03-12 | 国网电力科学研究院武汉能效测评有限公司 | 医院电网负荷优化控制***及控制方法 |
CN113837480B (zh) * | 2021-09-29 | 2023-11-07 | 河北工业大学 | 基于改进gru和差分误差补偿的冲击性负荷预测方法 |
CN113890024A (zh) * | 2021-09-30 | 2022-01-04 | 清华大学 | 一种非侵入式负荷智能分解和优化控制方法 |
CN113937767B (zh) * | 2021-10-22 | 2023-06-23 | 河北工业大学 | 一种基于改进鲸鱼算法的微电网容量优化配置方法 |
WO2023069025A2 (en) * | 2021-10-22 | 2023-04-27 | Canopy Power Pte Ltd | Energy management system |
CN113991686B (zh) * | 2021-11-05 | 2023-12-22 | 中国科学院广州能源研究所 | 一种多能耦合配电***故障恢复方法、装置及存储介质 |
CN114021843A (zh) * | 2021-11-18 | 2022-02-08 | 国网北京市电力公司 | 工业园区内光伏及储能配置方法、***、装置及存储介质 |
CN114243760A (zh) * | 2021-11-25 | 2022-03-25 | 国网浙江省电力有限公司杭州供电公司 | 适用于配电网的光伏储能协调配置方法 |
CN114268115B (zh) * | 2021-12-23 | 2023-12-15 | 蜂巢能源科技(无锡)有限公司 | 一种光储充***离网控制方法、装置和电子设备 |
CN114362168B (zh) * | 2022-01-11 | 2024-02-13 | 云南电网有限责任公司电力科学研究院 | 一种能源互联***的设备选型方法 |
CN114301081B (zh) * | 2022-01-11 | 2024-06-14 | 大连理工大学 | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 |
CN114156951B (zh) * | 2022-02-10 | 2022-05-17 | 西安思安云创科技有限公司 | 一种源网荷储***的控制优化方法和装置 |
CN114565239B (zh) * | 2022-02-15 | 2023-06-09 | 石河子大学 | 用于产业园区的综合低碳能源调度方法及*** |
CN114418453B (zh) * | 2022-03-02 | 2024-06-25 | 国网山东省电力公司临沂供电公司 | 一种基于电力市场的微电网多时间尺度能量管理*** |
CN114792974A (zh) * | 2022-04-26 | 2022-07-26 | 南京邮电大学 | 一种互联微电网能源优化管理的方法和*** |
CN114862004A (zh) * | 2022-04-27 | 2022-08-05 | 中用科技有限公司 | 一种基于神经网络的能源***多能协同预测方法 |
CN114638440B (zh) * | 2022-05-17 | 2022-08-09 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
CN114919433B (zh) * | 2022-05-27 | 2022-12-09 | 深圳先进技术研究院 | 电动汽车集群充放电控制方法、***及相关设备 |
CN115018376B (zh) * | 2022-07-01 | 2024-07-05 | 上海电器科学研究所(集团)有限公司 | 一种考虑新型电力***特征的负荷调控优化方法 |
DE102022206962A1 (de) * | 2022-07-07 | 2024-01-18 | Magna powertrain gmbh & co kg | Verfahren für die Übergabe von Daten an einen Netzbetreiber für ein Vorhersagemodell |
CN115377962B (zh) * | 2022-07-13 | 2024-07-16 | 国网浙江省电力有限公司嘉兴供电公司 | 一种光伏发电和电动汽车负荷的聚合功率预测方法 |
CN115269652A (zh) * | 2022-07-28 | 2022-11-01 | 国网甘肃省电力公司白银供电公司 | 一种双碳电力功率平衡优化***及方法 |
CN115065104B (zh) * | 2022-08-15 | 2022-11-01 | 中通服建设有限公司 | 一种微电网多能源集成调度*** |
CN115276177B (zh) * | 2022-08-18 | 2023-09-26 | 上海采日能源科技有限公司 | 储能电池充放电功率控制方法、装置及电池控制*** |
CN115169994B (zh) * | 2022-09-05 | 2023-09-26 | 北京宇乾能源科技有限责任公司 | 一种多种清洁能源互补控制决策处理方法及*** |
CN115498629B (zh) * | 2022-09-06 | 2024-07-02 | 清华大学 | 一种场景增强型电力负荷运行控制方法及装置 |
CN115688970B (zh) * | 2022-09-21 | 2023-05-02 | 三峡大学 | 基于区间概率不确定集的微电网两阶段自适应鲁棒优化调度方法 |
CN115377990B (zh) * | 2022-10-24 | 2023-03-24 | 国网浙江省电力有限公司宁波市北仑区供电公司 | 配电网网架优化方法、***、配电网、设备及介质 |
CN115513949B (zh) * | 2022-11-02 | 2024-06-28 | 南方电网数字电网研究院有限公司 | 含微网接入的配电***运行控制方法、装置以及程序产品 |
CN115471017A (zh) * | 2022-11-15 | 2022-12-13 | 浙江大学 | 一种基于电能互济的区域微电网互联优化方法及*** |
CN115528752B (zh) * | 2022-11-22 | 2023-04-21 | 国网浙江省电力有限公司 | 一种微电网群的控制方法及装置 |
CN115840145B (zh) * | 2022-11-29 | 2023-07-25 | 上海玫克生储能科技有限公司 | 电化学参数辨识方法、装置、设备及存储介质 |
CN115642650B (zh) * | 2022-12-26 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 一种孤网模式下的微电网运行策略确定方法及*** |
CN115796393B (zh) * | 2023-01-31 | 2023-05-05 | 深圳市三和电力科技有限公司 | 基于多能互动的能源网管理优化方法、***及存储介质 |
CN115946563B (zh) * | 2023-03-13 | 2023-05-16 | 山东理工大学 | 充电堆功率动态分配策略优化方法、***、终端及介质 |
CN115994627B (zh) * | 2023-03-22 | 2023-07-14 | 湖南大学 | 住宅建筑柔性负荷日前优化调度方法、装置、设备、介质 |
CN116722561B (zh) * | 2023-04-28 | 2024-07-05 | 国网河北省电力有限公司电力科学研究院 | 一种无功功率补偿*** |
CN116365519B (zh) * | 2023-06-01 | 2023-09-26 | 国网山东省电力公司微山县供电公司 | 一种电力负荷预测方法、***、存储介质及设备 |
CN116433225B (zh) * | 2023-06-12 | 2023-08-29 | 国网湖北省电力有限公司经济技术研究院 | 一种互联微电网多时间尺度故障恢复方法、装置及设备 |
CN116436099B (zh) * | 2023-06-12 | 2023-11-10 | 北京和瑞储能科技有限公司 | 一种微电网鲁棒优化调度方法和*** |
CN116565966B (zh) * | 2023-06-29 | 2023-10-24 | 国能青海黄河玛尔挡水电开发有限公司 | 智能水力发电双微机自动同步控制*** |
CN116523277B (zh) * | 2023-07-05 | 2023-10-20 | 北京观天执行科技股份有限公司 | 一种基于需求响应的智慧能源管理方法及*** |
CN116544934B (zh) * | 2023-07-06 | 2023-09-08 | 山西中控绿源科技有限公司 | 根据电力负荷预测的电力调度方法及*** |
CN116757877B (zh) * | 2023-08-22 | 2023-11-28 | 国网山西省电力公司运城供电公司 | 新能源接入配电网的电网线损降损优化方法及*** |
CN117436706A (zh) * | 2023-12-18 | 2024-01-23 | 国网天津市电力公司电力科学研究院 | 考虑光伏和电动汽车的配电台区安全风险评估方法及*** |
CN117728468B (zh) * | 2023-12-18 | 2024-07-02 | 广东工业大学 | 一种基于监督学习的微电网储能***实时优化控制方法 |
CN117578465B (zh) * | 2024-01-16 | 2024-04-12 | 山东建筑大学 | 一种多尺度可解释的微电网电力负荷预测方法及*** |
CN117578534B (zh) * | 2024-01-17 | 2024-05-07 | 深圳市名洋能源科技有限公司 | 光伏储能***的调度方法、装置、设备及存储介质 |
CN117595261B (zh) * | 2024-01-19 | 2024-03-26 | 石家庄科林电气股份有限公司 | 光储微电网能量管理策略优化方法、装置及电子设备 |
CN117833322B (zh) * | 2024-03-04 | 2024-06-21 | 深圳市双禹王声屏障工程技术有限公司 | 一种用于光伏声屏障的储能优化方法及*** |
CN117977718A (zh) * | 2024-04-01 | 2024-05-03 | 浙电(宁波北仑)智慧能源有限公司 | 基于源网荷储的协调调度优化方法及*** |
CN118199181A (zh) * | 2024-05-10 | 2024-06-14 | 深圳市超业电力科技有限公司 | 一种基于智能电网的配电资源优化配置*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104269849A (zh) * | 2014-10-17 | 2015-01-07 | 国家电网公司 | 基于建筑光伏微电网的能量管理方法及*** |
CN107947166A (zh) * | 2017-12-01 | 2018-04-20 | 湖南水利水电职业技术学院 | 一种基于动态矩阵控制的多能微网变时调度方法及装置 |
CN108054784A (zh) * | 2018-01-09 | 2018-05-18 | 河海大学常州校区 | 一种海岛微电网多源协调优化控制方法 |
CN108573491A (zh) * | 2017-03-10 | 2018-09-25 | 南京大学 | 一种基于机器学习的三维超声图像分割方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102738834B (zh) | 2012-06-21 | 2014-08-20 | 浙江大学 | 一种含光伏电源的城市微电网多孤岛动态划分与运行方法 |
US9817375B2 (en) * | 2014-02-26 | 2017-11-14 | Board Of Trustees Of The University Of Alabama | Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches |
AU2014409485A1 (en) * | 2014-10-21 | 2017-05-11 | Accenture Global Services Limited | System, method, and apparatus for capacity determination for micro grid, and tangible computer readable medium |
CN106443297B (zh) * | 2016-09-07 | 2018-05-22 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
CN108964050A (zh) | 2018-08-26 | 2018-12-07 | 燕山大学 | 基于需求侧响应的微电网双层优化调度方法 |
-
2018
- 2018-11-15 CN CN201811359740.9A patent/CN109462231B/zh active Active
-
2019
- 2019-08-11 US US16/537,610 patent/US11581740B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104269849A (zh) * | 2014-10-17 | 2015-01-07 | 国家电网公司 | 基于建筑光伏微电网的能量管理方法及*** |
CN108573491A (zh) * | 2017-03-10 | 2018-09-25 | 南京大学 | 一种基于机器学习的三维超声图像分割方法 |
CN107947166A (zh) * | 2017-12-01 | 2018-04-20 | 湖南水利水电职业技术学院 | 一种基于动态矩阵控制的多能微网变时调度方法及装置 |
CN108054784A (zh) * | 2018-01-09 | 2018-05-18 | 河海大学常州校区 | 一种海岛微电网多源协调优化控制方法 |
Non-Patent Citations (2)
Title |
---|
study on microgird operation control and black start;Jinwei Li 等;《2011 4th international conference on electric utility deregulation and restructuring and power technologies》;20110822;第1652-1655页 * |
基于满意度远离的光柴储微网***优化运行研究;张倩 等;《电力***保护与控制》;20180516;第46卷(第10期);第88-95页 * |
Also Published As
Publication number | Publication date |
---|---|
US11581740B2 (en) | 2023-02-14 |
US20200161867A1 (en) | 2020-05-21 |
CN109462231A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109462231B (zh) | 居民微电网的负荷优化调度方法、***和存储介质 | |
CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
CN108960510B (zh) | 一种基于两阶段随机规划的虚拟电厂优化交易策略装置 | |
CN115693757A (zh) | 一种基于数字孪生技术的光伏能源优化调控方法 | |
CN104392394B (zh) | 一种微电网储能裕度的检测方法 | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN110198042B (zh) | 一种电网储能的动态优化方法及存储介质 | |
CN111404193B (zh) | 一种基于数据驱动的微电网随机鲁棒优化调度方法 | |
CN116436008A (zh) | 一种用于光储充电站的电力调度方法及终端 | |
CN112994092B (zh) | 一种基于功率预测的独立风光储微电网***尺寸规划方法 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN113869616A (zh) | 一种自适应的居民用户负荷预测方法 | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
CN113258561A (zh) | 一种基于多属性决策的多种分布式电源的微电网多目标优化调度方法 | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及*** | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、***及设备 | |
CN117578409A (zh) | 一种电力市场环境下的多能互补优化调度方法及*** | |
CN114676941A (zh) | 园区综合能源***电-热负荷联合自适应预测方法及装置 | |
CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄***在线调度方法 | |
CN115423153A (zh) | 基于概率预测的光伏储能***能量管理方法 | |
TWI639962B (zh) | 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法 | |
CN113962455A (zh) | 一种基于模型预测控制的虚拟电厂储能优化调度策略 |
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 |