CN116562921B - 一种基于动态预测的工业电源储能优化方法、***及介质 - Google Patents

一种基于动态预测的工业电源储能优化方法、***及介质 Download PDF

Info

Publication number
CN116562921B
CN116562921B CN202310807527.4A CN202310807527A CN116562921B CN 116562921 B CN116562921 B CN 116562921B CN 202310807527 A CN202310807527 A CN 202310807527A CN 116562921 B CN116562921 B CN 116562921B
Authority
CN
China
Prior art keywords
energy storage
power supply
information
industrial area
current industrial
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
Application number
CN202310807527.4A
Other languages
English (en)
Other versions
CN116562921A (zh
Inventor
龙锡炎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Dongsheng Yuanda Technology Co ltd
Original Assignee
Shenzhen Dongsheng Yuanda Technology Co ltd
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 Shenzhen Dongsheng Yuanda Technology Co ltd filed Critical Shenzhen Dongsheng Yuanda Technology Co ltd
Priority to CN202310807527.4A priority Critical patent/CN116562921B/zh
Publication of CN116562921A publication Critical patent/CN116562921A/zh
Application granted granted Critical
Publication of CN116562921B publication Critical patent/CN116562921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明涉及一种基于动态预测的工业电源储能优化方法、***及介质，属于电网储能优化技术领域，本发明通过获取当前工业区储能电源的储能效率信息，并基于当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划，进而通过获取发电设备的发电效率信息，并根据发电设备的发电效率信息对相应的储能计划进行纠正，生成纠正后的储能计划，最后基于纠正后的储能计划生成储能措施。本发明充分考虑了温度对于储能电源的储能效率的影响，从而能够提高对于储能电源的储能情况的精确预估，从而有利于指定更加准确的储能计划。本申请充分考虑了工业区中储能电源供电电能损耗，使得在选择储能电源进行储能时更加合理。

Description

一种基于动态预测的工业电源储能优化方法、***及介质
技术领域
本发明涉及电网储能优化技术领域，尤其涉及一种基于动态预测的工业电源储能优化方法、***及介质。
背景技术
储能作为主要的灵活性资源，凭借其功率调节和能量时移能力，为促进新能源消纳、平抑新能源波动、提高电网的灵活性和经济性提供了有效途径。目前，电网侧储能投建成本仍然较高，所以需要通过优化储能配置，以降低投建成本、充分发挥储能对电网的调控和对新能源的支撑作用。然而，在工业区中往往需要考虑用电情况来提前进行储能，现有技术中完全没有考虑环境对于储能电源的储能效率的影响，从而导致了储能计划还是没有达到预期的效果。
发明内容
本发明克服了现有技术的不足，提供了一种基于动态预测的工业电源储能优化方法、***及介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种基于动态预测的工业电源储能优化方法，包括以下步骤：
获取当前工业区的历史用电数据信息，并根据所述当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息；
获取当前工业区储能电源的储能效率信息，并基于所述当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划；
获取发电设备的发电效率信息，并根据所述发电设备的发电效率信息对所述相应的储能计划进行纠正，生成纠正后的储能计划；
基于所述纠正后的储能计划生成储能措施。
进一步的，本发明的一个较佳实施例中，根据所述当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息，具体包括：
基于LSTM构建工业用电预测模型，并引入随机森林算法对所述当前工业区的历史用电数据信息进行各工作时段用电特征的提取，获取相关性最高的用电特征数据信息；
根据所述相关性最高的用电特征数据信息构建特征矩阵，并将所述特征矩阵输入到所述工业用电预测模型中进行训练，当所述工业用电预测模型符合预设要求之后，保持模型参数；
获取当前工业区所处的工作时段数据，并根据所述当前工业区所处的工作时段数据以及工业用电预测模型，生成预设时间之内当前工业区的供电需求特征数据信息。
进一步的，本发明的一个较佳实施例中，获取当前工业区储能电源的储能效率信息，具体包括：
通过大数据获取各温度之下各储能电源的储能效率信息，构建储能效率知识图谱，并在所述储能效率知识图谱中配置若干存储空间；
根据所述各温度之下各储能电源的储能效率信息进行数据分类，获取每一储能电源在各温度之下的储能效率信息，并将所述每一储能电源在各温度之下的储能效率信息输入到所述存储空间进行存储，并定期更新所述储能效率知识图谱；
获取当前储能电源所在地理位置信息，并根据所述当前储能电源所在地理位置信息获取预设时间之内储能电源所在地理位置的气象特征数据，并获取储能电源所在地理位置的气象特征数据的历史工作环境温度值；
将所述储能电源所在地理位置的气象特征数据的历史工作环境温度值输入到所述储能效率知识图谱中，获取当前工业区储能电源的储能效率信息。
进一步的，本发明的一个较佳实施例中，基于所述当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划，具体包括：
基于所述当前工业区的供电需求特征数据信息获取当前工业区在预设时间之内的预估用电量数据信息，判断所述当前工业区在预设时间之内的预估用电量数据信息是否大于预设供电数据信息；
当所述当前工业区在预设时间之内的预估用电量数据信息大于预设供电数据信息时，根据所述当前工业区在预设时间之内的预估用电量数据信息以及预设供电数据信息计算出供电差值信息；
获取当前工业区中每一储能电源的最大储能信息，根据所述供电差值信息以及当前工业区中每一储能电源的最大储能信息计算出至少需要用到的储能电源数量；
结合当前工业区储能电源的储能效率信息、至少需要用到的储能电源数量以及储能电源的最大储能信息计算出完成储能需要的时间信息，并根据完成储能需要的时间信息计算出储能的最晚时间信息，根据所述储能的最晚时间信息生成相应的储能计划。
进一步的，本发明的一个较佳实施例中，获取发电设备的发电效率信息，并根据所述发电设备的发电效率信息对所述相应的储能计划进行纠正，生成纠正后的储能计划，具体包括以下步骤：
获取供应电能于当前工业区储能电源的发电设备在预设时间段之内的发电效率信息，并构建时间戳，根据所述发电设备在预设时间段之内的发电效率信息结合时间戳生成在预设时间之内的最大供能信息；
获取储能电源在预设时间之内的最大储能数据信息，判断所述在预设时间之内的最大供能信息是否大于所述储能电源在预设时间之内的最大储能数据信息；
当所述在预设时间之内的最大供能信息大于所述储能电源在预设时间之内的最大储能数据信息时，按照所述相应的储能计划进行储能；
当所述在预设时间之内的最大供能信息不大于所述储能电源在预设时间之内的最大储能数据信息时，调整所述相应的储能计划的储能的最晚时间信息。
进一步的，本发明的一个较佳实施例中，基于所述纠正后的储能计划生成储能措施，具体包括：
初始化进行储能计划的储能电源，并获取进行储能计划的储能电源所在的地理位置信息以及当前工业区的电缆布线图；
根据所述进行储能计划的储能电源所在的地理位置信息以及当前工业区的电缆布线图计算出储能电源在供能时的电能损耗量，并构建电能损耗量排序表；
获取当前储能计划的储能电源的数量信息，并将所述储能电源在供能时的电能损耗量输入到电能损耗量排序表中进行电能损耗值优先级排序，获取优先级排序结果；
结合所述当前储能计划的储能电源的数量信息对所述优先级排序结果进行储能计划分配，生成储能措施。
本发明第二方面提供了一种基于动态预测的工业电源储能优化***，所述***包括存储器以及处理器，所述存储器中包括基于动态预测的工业电源储能优化方法程序，所述基于动态预测的工业电源储能优化方法程序被所述处理器执行时，实现如下步骤：
获取当前工业区的历史用电数据信息，并根据所述当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息；
获取当前工业区储能电源的储能效率信息，并基于所述当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划；
获取发电设备的发电效率信息，并根据所述发电设备的发电效率信息对所述相应的储能计划进行纠正，生成纠正后的储能计划；
基于所述纠正后的储能计划生成储能措施。
在本***中，获取当前工业区储能电源的储能效率信息，具体包括：
通过大数据获取各温度之下各储能电源的储能效率信息，构建储能效率知识图谱，并在所述储能效率知识图谱中配置若干存储空间；
根据所述各温度之下各储能电源的储能效率信息进行数据分类，获取每一储能电源在各温度之下的储能效率信息，并将所述每一储能电源在各温度之下的储能效率信息输入到所述存储空间进行存储，并定期更新所述储能效率知识图谱；
获取当前储能电源所在地理位置信息，并根据所述当前储能电源所在地理位置信息获取预设时间之内储能电源所在地理位置的气象特征数据，并获取储能电源所在地理位置的气象特征数据的历史工作环境温度值；
将所述储能电源所在地理位置的气象特征数据的历史工作环境温度值输入到所述储能效率知识图谱中，获取当前工业区储能电源的储能效率信息。
在本***中，基于所述当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划，具体包括：
基于所述当前工业区的供电需求特征数据信息获取当前工业区在预设时间之内的预估用电量数据信息，判断所述当前工业区在预设时间之内的预估用电量数据信息是否大于预设供电数据信息；
当所述当前工业区在预设时间之内的预估用电量数据信息大于预设供电数据信息时，根据所述当前工业区在预设时间之内的预估用电量数据信息以及预设供电数据信息计算出供电差值信息；
获取当前工业区中每一储能电源的最大储能信息，根据所述供电差值信息以及当前工业区中每一储能电源的最大储能信息计算出至少需要用到的储能电源数量；
结合当前工业区储能电源的储能效率信息、至少需要用到的储能电源数量以及储能电源的最大储能信息计算出完成储能需要的时间信息，并根据所述完成储能需要的时间信息计算出储能的最晚时间信息，根据所述储能的最晚时间信息生成相应的储能计划。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于动态预测的工业电源储能优化方法程序，所述基于动态预测的工业电源储能优化方法程序被处理器执行时，实现任一项所述的基于动态预测的工业电源储能优化方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取当前工业区的历史用电数据信息，并根据当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息，进一步获取当前工业区储能电源的储能效率信息，并基于当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划，进而通过获取发电设备的发电效率信息，并根据发电设备的发电效率信息对相应的储能计划进行纠正，生成纠正后的储能计划，最后基于纠正后的储能计划生成储能措施。本发明充分考虑了温度对于储能电源的储能效率的影响，从而能够提高对于储能电源的储能情况的精确预估，从而有利于指定更加准确的储能计划。另一方面，本申请充分考虑了工业区中储能电源供电电能损耗，使得在选择储能电源进行储能时更加合理。
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实施例的附图。
图1示出了基于动态预测的工业电源储能优化方法的整体方法流程图；
图2示出了基于动态预测的工业电源储能优化方法的第一方法流程图；
图3示出了基于动态预测的工业电源储能优化方法的第二方法流程图；
图4示出了基于动态预测的工业电源储能优化***的***框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面提供了一种基于动态预测的工业电源储能优化方法，包括以下步骤：
S102:获取当前工业区的历史用电数据信息，并根据当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息；
S104:获取当前工业区储能电源的储能效率信息，并基于当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划；
S106:获取发电设备的发电效率信息，并根据发电设备的发电效率信息对相应的储能计划进行纠正，生成纠正后的储能计划；
S108:基于纠正后的储能计划生成储能措施。
需要说明的是，本发明充分考虑了温度对于储能电源的储能效率的影响，从而能够提高对于储能电源的储能情况的精确预估，从而有利于指定更加准确的储能计划。另一方面，本申请充分考虑了工业区中储能电源供电电能损耗，使得在选择储能电源进行储能时更加合理。
进一步的，本发明的一个较佳实施例中，根据当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息，具体包括：
基于LSTM构建工业用电预测模型，并引入随机森林算法对当前工业区的历史用电数据信息进行各工作时段用电特征的提取，获取相关性最高的用电特征数据信息；
根据相关性最高的用电特征数据信息构建特征矩阵，并将特征矩阵输入到工业用电预测模型中进行训练，当工业用电预测模型符合预设要求之后，保持模型参数；
获取当前工业区所处的工作时段数据，并根据当前工业区所处的工作时段数据以及工业用电预测模型，生成预设时间之内当前工业区的供电需求特征数据信息。
需要说明的是，通过引入随机森林算法能够对用户的用电数据进行特征提取，从而能够提高工业用电预测模型对于预测用户用电情况的预测准确性。
如图2所示，进一步的，本发明的一个较佳实施例中，获取当前工业区储能电源的储能效率信息，具体包括：
S202:通过大数据获取各温度之下各储能电源的储能效率信息，构建储能效率知识图谱，并在储能效率知识图谱中配置若干存储空间；
S204:根据各温度之下各储能电源的储能效率信息进行数据分类，获取每一储能电源在各温度之下的储能效率信息，并将每一储能电源在各温度之下的储能效率信息输入到存储空间进行存储，并定期更新储能效率知识图谱；
S206:获取当前储能电源所在地理位置信息，并根据当前储能电源所在地理位置信息获取预设时间之内储能电源所在地理位置的气象特征数据，并获取储能电源所在地理位置的气象特征数据的历史工作环境温度值；
S208:将储能电源所在地理位置的气象特征数据的历史工作环境温度值输入到储能效率知识图谱中，获取当前工业区储能电源的储能效率信息。
其中，需要说明的是，储能效率为单位时间内储能电源能够存储的电能。不同的温度，储能电源的储能效率可能是不一致的，当温度低于一定的温度时，储能电源的储能效率低下；当温度高于一定的温度时，储能电源的储能效率亦低下；只有当温度处于一定的温度范围之内时，储能电源的储能效率较高，通过本方法能够动态地获取到更贴合实际的储能电源的储能效率信息，从而达到优化储能计划的技术效果。
进一步的，本发明的一个较佳实施例中，基于当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划，具体包括：
基于当前工业区的供电需求特征数据信息获取当前工业区在预设时间之内的预估用电量数据信息，判断当前工业区在预设时间之内的预估用电量数据信息是否大于预设供电数据信息；
当当前工业区在预设时间之内的预估用电量数据信息大于预设供电数据信息时，根据当前工业区在预设时间之内的预估用电量数据信息以及预设供电数据信息计算出供电差值信息；
获取当前工业区中每一储能电源的最大储能信息，根据供电差值信息以及当前工业区中每一储能电源的最大储能信息计算出至少需要用到的储能电源数量；
结合当前工业区储能电源的储能效率信息、至少需要用到的储能电源数量以及储能电源的最大储能信息计算出完成储能需要的时间信息，并根据完成储能需要的时间信息计算出储能的最晚时间信息，根据储能的最晚时间信息生成相应的储能计划。
需要说明的是，通过本方法能够智能化生成储能电源的储能计划。
进一步的，本发明的一个较佳实施例中，获取发电设备的发电效率信息，并根据发电设备的发电效率信息对相应的储能计划进行纠正，生成纠正后的储能计划，具体包括以下步骤：
获取供应电能于当前工业区储能电源的发电设备在预设时间段之内的发电效率信息，并构建时间戳，根据发电设备在预设时间段之内的发电效率信息结合时间戳生成在预设时间之内的最大供能信息；
获取储能电源在预设时间之内的最大储能数据信息，判断在预设时间之内的最大供能信息是否大于储能电源在预设时间之内的最大储能数据信息；
当在预设时间之内的最大供能信息大于储能电源在预设时间之内的最大储能数据信息时，按照相应的储能计划进行储能；
当在预设时间之内的最大供能信息不大于储能电源在预设时间之内的最大储能数据信息时，调整相应的储能计划的储能的最晚时间信息。
需要说明的是，本方法充分结合了发电效率的情况，如白天光伏发电装置的发电情况良好，晚上的光伏发电装置的发电情况差，从而根据发电效率的情况来确定最大供能信息，最大储能数据信息不能够大于最大供能信息，当在预设时间之内的最大供能信息不大于储能电源在预设时间之内的最大储能数据信息时，调整相应的储能计划的储能的最晚时间信息。
如图3所示，进一步的，本发明的一个较佳实施例中，基于纠正后的储能计划生成储能措施，具体包括：
S302:初始化进行储能计划的储能电源，并获取进行储能计划的储能电源所在的地理位置信息以及当前工业区的电缆布线图；
S304:根据进行储能计划的储能电源所在的地理位置信息以及当前工业区的电缆布线图计算出储能电源在供能时的电能损耗量，并构建电能损耗量排序表；
S306:获取当前储能计划的储能电源的数量信息，并将储能电源在供能时的电能损耗量输入到电能损耗量排序表中进行电能损耗值优先级排序，获取优先级排序结果；
S308:结合当前储能计划的储能电源的数量信息对优先级排序结果进行储能计划分配，生成储能措施。
需要说明的是，本方法能够充分考虑了储能电源在供能时的电能损耗量，从而能够筛选出最合适的储能电源，以提高储能电源储能的合理性。
此外，本发明还可以包括以下步骤：
获取储能措施中储能电源的历史服役数据信息，并构建贝叶斯网络，将所述储能措施中储能电源的历史服役数据信息输入到贝叶斯网络中进行训练，生成训练完成的贝叶斯网络；
通过所述训练完成的贝叶斯网络预测所述储能措施中的储能电源的故障时间节点，并获取当前工业区需要用到储能电源供能的时段信息；
判断所述储能措施中的储能电源的故障时间节点是否处于当前工业区需要用到储能电源供能的时段信息之内；
当所述储能措施中的储能电源的故障时间节点处于当前工业区需要用到储能电源供能的时段信息之内时，从所述优先级排序结果中选取下一优先级的储能电源进行替换，生成调整后的储能措施。
需要说明的是，通过本方法能够充分考虑了储能电源的故障情况，从而进一步提高储能电源进行任务分配的合理性。
此外，获取供应电能于当前工业区储能电源的发电设备在预设时间段之内的发电效率信息，还可以包括以下步骤：
通过大数据获取各天气情况之下各发电设备的发电效率信息，并基于深度学习网络构建发电效率预测模型，将所述各天气情况之下各发电设备的发电效率信息输入到所述发电效率预测模型中进行编码学习；
获取当前工业区供能的发电设备类型以及当前工业区在预设时间之内的天气情况信息；
将所述当前工业区供能的发电设备类型以及当前工业区在预设时间之内的天气情况信息输入到所述发电效率预测模型中进行预测，获取每一种天气情况之下的各发电设备类型的发电效率信息；
通过对所述每一种天气情况之下的各发电设备类型的发电效率信息进行数据融合获取供应电能于当前工业区储能电源的发电设备在预设时间段之内的发电效率信息。
需要说明的是，通过本方法能够进一步提高发电效率的预测准确性，从而提高储能计划的准确性。
此外，本发明还可以包括以下步骤：
获取当前工业区的历史最大用电数据信息，根据所述当前工业区的历史最大用电数据信息确定储能电源的供能数量，并获取当前工业区的电缆布线图；
初始化其中一个储能电源的安装位置，并根据所述其中一个储能电源的安装位置以及储能电源的安装位置计算出每个储能电源供能时的能耗信息，获取距离与储能电源供能时的能耗信息的相关性；
将所述距离与储能电源供能时的能耗信息的相关性以及距离与储能电源供能时的能耗信息的相关性输入到粒子群算法中进行最优求解；
通过粒子群算法的最优求解之后，获取储能电源的最优安装位置，并将所述储能电源的最优安装位置输出，并根据当前工业区的历史最大用电数据信息定期调整储能电源的最优安装位置。
需要说明的是，通过本方法能够进一步提高储能电源的安装合理性。
本发明第二方面提供了一种基于动态预测的工业电源储能优化***4，***包括存储器41以及处理器62，存储器41中包括基于动态预测的工业电源储能优化方法程序，基于动态预测的工业电源储能优化方法程序被处理器62执行时，实现如下步骤：
获取当前工业区的历史用电数据信息，并根据当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息；
获取当前工业区储能电源的储能效率信息，并基于当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划；
获取发电设备的发电效率信息，并根据发电设备的发电效率信息对相应的储能计划进行纠正，生成纠正后的储能计划；
基于纠正后的储能计划生成储能措施。
在本***中，获取当前工业区储能电源的储能效率信息，具体包括：
通过大数据获取各温度之下各储能电源的储能效率信息，构建储能效率知识图谱，并在储能效率知识图谱中配置若干存储空间；
根据各温度之下各储能电源的储能效率信息进行数据分类，获取每一储能电源在各温度之下的储能效率信息，并将每一储能电源在各温度之下的储能效率信息输入到存储空间进行存储，并定期更新储能效率知识图谱；
获取当前储能电源所在地理位置信息，并根据当前储能电源所在地理位置信息获取预设时间之内储能电源所在地理位置的气象特征数据，并获取储能电源所在地理位置的气象特征数据的历史工作环境温度值；
将储能电源所在地理位置的气象特征数据的历史工作环境温度值输入到储能效率知识图谱中，获取当前工业区储能电源的储能效率信息。
在本***中，基于当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划，具体包括：
基于当前工业区的供电需求特征数据信息获取当前工业区在预设时间之内的预估用电量数据信息，判断当前工业区在预设时间之内的预估用电量数据信息是否大于预设供电数据信息；
当当前工业区在预设时间之内的预估用电量数据信息大于预设供电数据信息时，根据当前工业区在预设时间之内的预估用电量数据信息以及预设供电数据信息计算出供电差值信息；
获取当前工业区中每一储能电源的最大储能信息，根据供电差值信息以及当前工业区中每一储能电源的最大储能信息计算出至少需要用到的储能电源数量；
结合当前工业区储能电源的储能效率信息、至少需要用到的储能电源数量以及储能电源的最大储能信息计算出完成储能需要的时间信息，并根据完成储能需要的时间信息计算出储能的最晚时间信息，根据储能的最晚时间信息生成相应的储能计划。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括基于动态预测的工业电源储能优化方法程序，基于动态预测的工业电源储能优化方法程序被处理器执行时，实现任一项的基于动态预测的工业电源储能优化方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述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计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.基于动态预测的工业电源储能优化方法，其特征在于，包括以下步骤：
获取当前工业区的历史用电数据信息，并根据所述当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息；
获取当前工业区储能电源的储能效率信息，并基于所述当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划；
获取发电设备的发电效率信息，并根据所述发电设备的发电效率信息对所述相应的储能计划进行纠正，生成纠正后的储能计划；
基于所述纠正后的储能计划生成储能措施;
其中，基于所述纠正后的储能计划生成储能措施，具体包括：
初始化进行储能计划的储能电源，并获取进行储能计划的储能电源所在的地理位置信息以及当前工业区的电缆布线图；
根据所述进行储能计划的储能电源所在的地理位置信息以及当前工业区的电缆布线图计算出储能电源在供能时的电能损耗量，并构建电能损耗量排序表；
获取当前储能计划的储能电源的数量信息，并将所述储能电源在供能时的电能损耗量输入到电能损耗量排序表中进行电能损耗量优先级排序，获取优先级排序结果；
结合所述当前储能计划的储能电源的数量信息对所述优先级排序结果进行储能计划分配，生成储能措施；
还包括以下步骤：
获取储能措施中储能电源的历史服役数据信息，并构建贝叶斯网络，将所述储能措施中储能电源的历史服役数据信息输入到贝叶斯网络中进行训练，生成训练完成的贝叶斯网络；
通过所述训练完成的贝叶斯网络预测所述储能措施中的储能电源的故障时间节点，并获取当前工业区需要用到储能电源供能的时段信息；
判断所述储能措施中的储能电源的故障时间节点是否处于当前工业区需要用到储能电源供能的时段信息之内；
当所述储能措施中的储能电源的故障时间节点处于当前工业区需要用到储能电源供能的时段信息之内时，从所述优先级排序结果中选取下一优先级的储能电源进行替换，生成调整后的储能措施；
基于所述当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划，具体包括：
基于所述当前工业区的供电需求特征数据信息获取当前工业区在预设时间之内的预估用电量数据信息，判断所述当前工业区在预设时间之内的预估用电量数据信息是否大于预设供电数据信息；
当所述当前工业区在预设时间之内的预估用电量数据信息大于预设供电数据信息时，根据所述当前工业区在预设时间之内的预估用电量数据信息以及预设供电数据信息计算出供电差值信息；
获取当前工业区中每一储能电源的最大储能信息，根据所述供电差值信息以及当前工业区中每一储能电源的最大储能信息计算出至少需要用到的储能电源数量；
结合当前工业区储能电源的储能效率信息、至少需要用到的储能电源数量以及储能电源的最大储能信息计算出完成储能需要的时间信息，并根据完成储能需要的时间信息计算出储能的最晚时间信息，根据所述储能的最晚时间信息生成相应的储能计划；
获取发电设备的发电效率信息，并根据所述发电设备的发电效率信息对所述相应的储能计划进行纠正，生成纠正后的储能计划，具体包括以下步骤：
获取供应电能于当前工业区储能电源的发电设备在预设时间之内的发电效率信息，并构建时间戳，根据所述发电设备在预设时间之内的发电效率信息结合时间戳生成在预设时间之内的最大供能信息；
获取储能电源在预设时间之内的最大储能数据信息，判断所述在预设时间之内的最大供能信息是否大于所述储能电源在预设时间之内的最大储能数据信息；
当所述在预设时间之内的最大供能信息大于所述储能电源在预设时间之内的最大储能数据信息时，按照所述相应的储能计划进行储能；
当所述在预设时间之内的最大供能信息不大于所述储能电源在预设时间之内的最大储能数据信息时，调整所述相应的储能计划的储能的最晚时间信息。
2.根据权利要求1所述的基于动态预测的工业电源储能优化方法，其特征在于，根据所述当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息，具体包括：
基于LSTM构建工业用电预测模型，并引入随机森林算法对所述当前工业区的历史用电数据信息进行各工作时段用电特征的提取，获取相关性最高的用电特征数据信息；
根据所述相关性最高的用电特征数据信息构建特征矩阵，并将所述特征矩阵输入到所述工业用电预测模型中进行训练，当所述工业用电预测模型符合预设要求之后，保存模型参数；
获取当前工业区所处的工作时段数据，并根据所述当前工业区所处的工作时段数据以及工业用电预测模型，生成预设时间之内当前工业区的供电需求特征数据信息。
3.根据权利要求1所述的基于动态预测的工业电源储能优化方法，其特征在于，获取当前工业区储能电源的储能效率信息，具体包括：
通过大数据获取各温度之下各储能电源的储能效率信息，构建储能效率知识图谱，并在所述储能效率知识图谱中配置若干存储空间；
根据所述各温度之下各储能电源的储能效率信息进行数据分类，获取每一储能电源在各温度之下的储能效率信息，并将所述每一储能电源在各温度之下的储能效率信息输入到所述存储空间进行存储，并定期更新所述储能效率知识图谱；
获取当前储能电源所在地理位置信息，并根据所述当前储能电源所在地理位置信息获取预设时间之内储能电源所在地理位置的气象特征数据，并获取储能电源所在地理位置的气象特征数据的历史工作环境温度值；
将所述储能电源所在地理位置的气象特征数据的历史工作环境温度值输入到所述储能效率知识图谱中，获取当前工业区储能电源的储能效率信息。
4.基于动态预测的工业电源储能优化***，其特征在于，所述***包括存储器以及处理器，所述存储器中包括基于动态预测的工业电源储能优化方法程序，所述基于动态预测的工业电源储能优化方法程序被所述处理器执行时，实现如下步骤：
获取当前工业区的历史用电数据信息，并根据所述当前工业区的历史用电数据信息获取预设时间之内当前工业区的供电需求特征数据信息；
获取当前工业区储能电源的储能效率信息，并基于所述当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划；
获取发电设备的发电效率信息，并根据所述发电设备的发电效率信息对所述相应的储能计划进行纠正，生成纠正后的储能计划；
基于所述纠正后的储能计划生成储能措施；
其中，基于所述纠正后的储能计划生成储能措施，具体包括：
初始化进行储能计划的储能电源，并获取进行储能计划的储能电源所在的地理位置信息以及当前工业区的电缆布线图；
根据所述进行储能计划的储能电源所在的地理位置信息以及当前工业区的电缆布线图计算出储能电源在供能时的电能损耗量，并构建电能损耗量排序表；
获取当前储能计划的储能电源的数量信息，并将所述储能电源在供能时的电能损耗量输入到电能损耗量排序表中进行电能损耗量优先级排序，获取优先级排序结果；
结合所述当前储能计划的储能电源的数量信息对所述优先级排序结果进行储能计划分配，生成储能措施；
还包括以下步骤：
获取储能措施中储能电源的历史服役数据信息，并构建贝叶斯网络，将所述储能措施中储能电源的历史服役数据信息输入到贝叶斯网络中进行训练，生成训练完成的贝叶斯网络；
通过所述训练完成的贝叶斯网络预测所述储能措施中的储能电源的故障时间节点，并获取当前工业区需要用到储能电源供能的时段信息；
判断所述储能措施中的储能电源的故障时间节点是否处于当前工业区需要用到储能电源供能的时段信息之内；
当所述储能措施中的储能电源的故障时间节点处于当前工业区需要用到储能电源供能的时段信息之内时，从所述优先级排序结果中选取下一优先级的储能电源进行替换，生成调整后的储能措施；
基于所述当前工业区储能电源的储能效率信息以及当前工业区的供电需求特征数据信息生成相应的储能计划，具体包括：
基于所述当前工业区的供电需求特征数据信息获取当前工业区在预设时间之内的预估用电量数据信息，判断所述当前工业区在预设时间之内的预估用电量数据信息是否大于预设供电数据信息；
当所述当前工业区在预设时间之内的预估用电量数据信息大于预设供电数据信息时，根据所述当前工业区在预设时间之内的预估用电量数据信息以及预设供电数据信息计算出供电差值信息；
获取当前工业区中每一储能电源的最大储能信息，根据所述供电差值信息以及当前工业区中每一储能电源的最大储能信息计算出至少需要用到的储能电源数量；
结合当前工业区储能电源的储能效率信息、至少需要用到的储能电源数量以及储能电源的最大储能信息计算出完成储能需要的时间信息，并根据完成储能需要的时间信息计算出储能的最晚时间信息，根据所述储能的最晚时间信息生成相应的储能计划；
获取发电设备的发电效率信息，并根据所述发电设备的发电效率信息对所述相应的储能计划进行纠正，生成纠正后的储能计划，具体包括以下步骤：
获取供应电能于当前工业区储能电源的发电设备在预设时间之内的发电效率信息，并构建时间戳，根据所述发电设备在预设时间之内的发电效率信息结合时间戳生成在预设时间之内的最大供能信息；
获取储能电源在预设时间之内的最大储能数据信息，判断所述在预设时间之内的最大供能信息是否大于所述储能电源在预设时间之内的最大储能数据信息；
当所述在预设时间之内的最大供能信息大于所述储能电源在预设时间之内的最大储能数据信息时，按照所述相应的储能计划进行储能；
当所述在预设时间之内的最大供能信息不大于所述储能电源在预设时间之内的最大储能数据信息时，调整所述相应的储能计划的储能的最晚时间信息。
5.一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包括基于动态预测的工业电源储能优化方法程序，所述基于动态预测的工业电源储能优化方法程序被处理器执行时，实现如权利要求1-3任一项所述的基于动态预测的工业电源储能优化方法的步骤。
CN202310807527.4A 2023-07-04 2023-07-04 一种基于动态预测的工业电源储能优化方法、***及介质 Active CN116562921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310807527.4A CN116562921B (zh) 2023-07-04 2023-07-04 一种基于动态预测的工业电源储能优化方法、***及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310807527.4A CN116562921B (zh) 2023-07-04 2023-07-04 一种基于动态预测的工业电源储能优化方法、***及介质

Publications (2)

Publication Number Publication Date
CN116562921A CN116562921A (zh) 2023-08-08
CN116562921B true CN116562921B (zh) 2024-02-06

Family

ID=87502132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310807527.4A Active CN116562921B (zh) 2023-07-04 2023-07-04 一种基于动态预测的工业电源储能优化方法、***及介质

Country Status (1)

Country Link
CN (1) CN116562921B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726152B (zh) * 2024-02-18 2024-05-17 安徽泰然信息技术有限公司 基于企业信息的储能方案生成方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113964872A (zh) * 2021-11-25 2022-01-21 内蒙古民族大学 光伏发电储能控制方法及***
CN114820227A (zh) * 2021-01-29 2022-07-29 青岛海尔智能技术研发有限公司 储能方法及装置
CN115580002A (zh) * 2022-09-15 2023-01-06 湖南科宁美地新能源科技有限公司 一种基于天气预报的光伏触发式调控方法及***
CN115913076A (zh) * 2022-12-23 2023-04-04 广东电网有限责任公司佛山供电局 光伏储能电源装置
US11670812B1 (en) * 2021-12-28 2023-06-06 Shenzhen Kubo Energy Technology Co., Ltd Thermal management device for energy storage system, method for controlling the thermal management device for energy storage system, and energy storage system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820227A (zh) * 2021-01-29 2022-07-29 青岛海尔智能技术研发有限公司 储能方法及装置
CN113964872A (zh) * 2021-11-25 2022-01-21 内蒙古民族大学 光伏发电储能控制方法及***
US11670812B1 (en) * 2021-12-28 2023-06-06 Shenzhen Kubo Energy Technology Co., Ltd Thermal management device for energy storage system, method for controlling the thermal management device for energy storage system, and energy storage system
CN115580002A (zh) * 2022-09-15 2023-01-06 湖南科宁美地新能源科技有限公司 一种基于天气预报的光伏触发式调控方法及***
CN115913076A (zh) * 2022-12-23 2023-04-04 广东电网有限责任公司佛山供电局 光伏储能电源装置

Also Published As

Publication number Publication date
CN116562921A (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
Rahmani-Andebili et al. Cooperative distributed energy scheduling for smart homes applying stochastic model predictive control
Marzband et al. An optimal energy management system for islanded microgrids based on multiperiod artificial bee colony combined with Markov chain
Kaur et al. Optimal sizing of wind–PV‐based DC microgrid for telecom power supply in remote areas
CN111525601B (zh) 用户侧储能设备的充放电控制方法、装置及存储介质
Narayan et al. Exploring the boundaries of Solar Home Systems (SHS) for off-grid electrification: Optimal SHS sizing for the multi-tier framework for household electricity access
CN103430412B (zh) 运转计划创建方法以及运转计划创建装置
US20220376499A1 (en) System and method for load and source forecasting for increasing electrical grid component longevity
Rahmani-Andebili et al. Price-controlled energy management of smart homes for maximizing profit of a GENCO
US20150324935A1 (en) Control system for power system
CN116562921B (zh) 一种基于动态预测的工业电源储能优化方法、***及介质
Vitor et al. Operation planning and decision-making approaches for Volt/Var multi-objective optimization in power distribution systems
CN115796393A (zh) 基于多能互动的能源网管理优化方法、***及存储介质
CN106992525A (zh) 电力负荷管理方法和装置
CN110535183A (zh) 一种虚拟电厂的调度方法及***
CN115842347A (zh) 一种基于数字孪生的微网负荷动态平衡方法、***及介质
CN105375502B (zh) 一种光伏电量的实时控制方法及***
CN112602247A (zh) 用于在平衡条件下控制能量子***之间的能量交换的方法；控制中心；能量***；计算机程序和存储介质
CN111126707A (zh) 能耗方程构建、能耗预测方法与装置
CN112801374A (zh) 模型训练方法、用电负荷预测方法、装置及设备
JP6736496B2 (ja) 設備設計支援方法、設備設計支援装置、およびプログラム
JP7198376B2 (ja) 動的予測、集約、および妥当性確認のための機器および方法
Safdarian et al. Ramp rate effect on maximizing profit of a microgrid using gravitational search algorithm
CN113537612A (zh) 基于遗传算法动态规划技术的重过载转供方法
Chen et al. Effective load carrying capability evaluation for high penetration renewable energy integration
Ribeiro Gonçalves et al. Multiobjective assessment of distributed energy storage location in electricity networks

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