CN116565859B - 一种基于人工智能的电网优化调度***及方法 - Google Patents
一种基于人工智能的电网优化调度***及方法 Download PDFInfo
- Publication number
- CN116565859B CN116565859B CN202310833287.5A CN202310833287A CN116565859B CN 116565859 B CN116565859 B CN 116565859B CN 202310833287 A CN202310833287 A CN 202310833287A CN 116565859 B CN116565859 B CN 116565859B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- network source
- power grid
- network
- time
- 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 41
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 152
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 230000005540 biological transmission Effects 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000001105 regulatory effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于人工智能的电网优化调度***及方法,属于电网调度技术领域。构建电网架构云平台,分析网源之间的调控关系,形成电网架构连接树模型,实时感知网源的变动情况;通过电网架构云平台接收调度需求指令,生成数据标签和调度清单,随机优化一组调度时间集合,划分时间区间;对需求时间进行时间区间的对应映射,验证随机优化满足条件,生成随机优化样本调度清单集合;分析调度清单的随机优化波动情况;进而能够实时拓展、灵活缩小电网数据体系,以应对新能源并网后带来的随机性,能够将随机性的需求变动定位到不同的时间区间进行降维微量化处理,进而确定电网体系的整体波动性,以应对新能源市场的各个网源的调度风险情况。
Description
技术领域
本发明涉及电网调度技术领域,具体为一种基于人工智能的电网优化调度***及方法。
背景技术
电网调度是电力***安全平稳运行的核心环节,传统的电网调度方式是由调度机构按照国家指令性计划、地方政府间框架协议、年度月度购电计划等中长期计划,结合第二日***运行情况、负荷预测水平等情况,按照统一调度、分级管理的原则,统筹考虑;
目前,随着强随机性、波动性的新能源大规模并网以及电动汽车、分布式电源等交互式设备大量接入,调度自动化要求更高;当新能源发展为主体能源时,面向常规电源为主的计划调度方式,较为僵化,需要考虑让新能源在保障***安全、保电力供应方面发挥更大的作用,进而,随着新能源占比逐年提升,电网的安全基础正发生变化,电网运行的机理同步改变,调度方式也要随之优化。
发明内容
本发明的目的在于提供一种基于人工智能的电网优化调度***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种基于人工智能的电网优化调度***,本***包括:电网架构云平台模块、随机优化模块、映射验证模块和随机优化波动分析模块;
所述电网架构云平台模块,用于构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源之间的调控关系进行分析,锁定形成传达网源层,根据调控关系,形成电网架构连接树模型,实时感知电网体系中网源的变动情况,并对电网架构连接树模型进行实时更新;
所述随机优化模块,用于在每一个调度周期内,通过电网架构云平台接收各个网源的调度需求指令,并根据调度需求指令生成数据标签和调度清单,所述数据标签中包含传达网源层包含的网源数量、需求时间和调度需求值,随机优化一组调度时间集合,并根据调度时间集合划分时间区间;
所述映射验证模块,根据调度时间集合,对需求时间进行时间区间的对应映射,生成区间网源集合,根据区间网源集合,验证随机优化满足条件,对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合;
所述随机优化波动分析模块,根据随机优化样本清单集合,分析任意一个调度清单的随机优化波动情况,并输出随机优化波动值最小时对应的调度时间集合。
进一步的,所述电网架构云平台模块还包括调控关系分析单元和电网架构连接树模型单元;
所述调控关系分析单元,用于构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源进行统一编码,识别电网体系中的各个网源之间的线路连接方式,根据线路连接方式,对各个网源之间的调控关系进行锁定,当网源Ai对网源Aj进行调控时,中间通过N个除网源Ai和网源Aj以外的其他网源传输时,如果N大于等于1,则将中间参与传输的其他全部网源标记为传达网源层,且网源Ai与网源Aj之间的调控关系为:网源Ai间接通过传达网源层对网源Aj进行调控,记为Ai→传达网源层→Aj;如果N等于0,则网源Ai与网源Aj之间的调控关系为:网源Ai直接对网源Aj进行调控,记为Ai→Aj;其中,N为自然数,i、j均表示网源编码,且i≠j;
所述电网架构连接树模型单元,根据调控关系,形成电网架构连接树模型,当电网体系中有新的网源并网时,对电网架构连接树模型进行扩充,当电网体系中有原有的网源删除时,对电网架构连接树模型进行缩减,当电网体系中的调控关系发生改变时,对电网架构连接树模型进行刷新。
进一步的,所述随机优化模块还包括数据标签单元和随机化单元;
所述数据标签单元,用于在第k个调度周期内,各个网源发送调度需求指令至电网架构云平台,其中,一个网源对应发送一次调度需求,电网架构云平台对接收到的全部调度需求进行统筹,并生成第k个调度周期的调度清单,所述调度清单中附带有每个调度请求的数据标签,将任意一个调度请求的数据标签记为L(Ai);[N(Ai),t(Ai),SV(Ai)],其中,N(Ai)表示网源Ai对应的调控关系中的传达网源层包含的网源数量,t(Ai)表示网源Ai对应需求时间,SV(Ai)表示网源Ai对应调度需求值,将所述第k个调度周期的调度清单记为SLk,将所述调度清单中的数据标签按照需求时间进行时间先后的排序;
所述随机化单元,用于随机优化一组调度时间集合,记为STm={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机优化的第1,2,...,w个调度时间,T0为固定值且T0=0;根据调度时间集合STm,生成w个时间区间,将其中第a个时间区间记为Ra:Ta-1~Ta,其中,Ta-1、Ta∈STm且1≤a≤w,m表示第m次随机优化。
进一步的,所述映射验证模块还包括映射单元和验证单元;
所述映射单元,用于将调度清单SLk中每一个需求时间按照调度时间集合STm对应生成的时间区间进行相应映射,统计时间区间Ra映射的需求时间对应的网源,并生成区间网源集合,记为SV(Ra);
所述验证单元,根据区间网源集合,验证随机优化满足条件,具体验证公式如下:
∑Ai∈SVaSV(Ai)≤Max(SV)
∑1≤a≤wNUM[SV(Ra)]=NUM(SLk)
其中,Ai=Ai,SVa=SV(Ra),NUM[SV(Ra)]表示时间区间Rb内包含的全部网源生成的区间网源集合SV(Ra)中包含的网源数量,Max(SV)表示单次调度时间节点能调度的最大需求值,NUM(SLk)表示调度清单SLk中包含的网源数量;
如果验证随机优化满足条件,则可以进行随机优化,否则重新进行随机优化;对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合。
进一步的,所述随机优化波动分析模块还包括随机优化波动值计算单元和人工智能筛选单元;
所述随机优化波动值计算单元,根据随机优化样本清单集合,计算任意一个调度清单的随机优化波动值,具体计算公式如下:
RS(STm)=∑1≤a、b≤w{[∑Ai∈SVaSV(Ai)-∑Aj∈SVbSV(Aj)]/[∑Ai∈SVaN(Ai)-∑Aj∈SVbN(Aj)]}
其中,RS(STm)表示调度时间集合STm的随机优化波动值,SV(Aj)表示网源Aj对应调度需求值,N(Aj)表示网源Aj对应的调控关系中的传达网源层包含的网源数量,Aj=Aj,SVb=SV(Rb),SV(Rb)表示时间区间Rb内包含的全部网源生成的区间网源集合,a≠b;
所述人工智能筛选单元,用于在随机优化样本清单集合中,选取随机优化波动值最小时对应的调度时间集合,并通过电网架构云平台发送至工作人员。
一种基于人工智能的电网优化调度方法,本方法包括以下步骤:
步骤S100:构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源之间的调控关系进行分析,锁定形成传达网源层,根据调控关系,形成电网架构连接树模型,实时感知电网体系中网源的变动情况,并对电网架构连接树模型进行实时更新;
步骤S200:在每一个调度周期内,通过电网架构云平台接收各个网源的调度需求指令,并根据调度需求指令生成数据标签和调度清单,所述数据标签中包含传达网源层包含的网源数量、需求时间和调度需求值,随机优化一组调度时间集合,并根据调度时间集合划分时间区间;
步骤S300:根据调度时间集合,对需求时间进行时间区间的对应映射,生成区间网源集合,根据区间网源集合,验证随机优化满足条件,对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合;
步骤S400:根据随机优化样本清单集合,分析任意一个调度清单的随机优化波动情况,并输出随机优化波动值最小时对应的调度时间集合。
进一步的,所述步骤S100的具体实施过程包括:
步骤S101:构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源进行统一编码,识别电网体系中的各个网源之间的线路连接方式,根据线路连接方式,对各个网源之间的调控关系进行锁定,当网源Ai对网源Aj进行调控时,中间通过N个除网源Ai和网源Aj以外的其他网源传输时,如果N大于等于1,则将中间参与传输的其他全部网源标记为传达网源层,且网源Ai与网源Aj之间的调控关系为:网源Ai间接通过传达网源层对网源Aj进行调控,记为Ai→传达网源层→Aj;如果N等于0,则网源Ai与网源Aj之间的调控关系为:网源Ai直接对网源Aj进行调控,记为Ai→Aj;其中,N为自然数,i、j均表示网源编码,且i≠j;
步骤S102:根据调控关系,形成电网架构连接树模型,当电网体系中有新的网源并网时,对电网架构连接树模型进行扩充,当电网体系中有原有的网源删除时,对电网架构连接树模型进行缩减,当电网体系中的调控关系发生改变时,对电网架构连接树模型进行刷新;
根据上述方法,由于具有强随机性、波动性的新能源大规模的并网,使传统的调控运行体系不适合灵活的市场环境,进而构建电网架构云平台,形成电网架构连接树模型,以便能够实时拓展、灵活缩小电网数据体系,以及实时获取调度数据。
进一步的,所述步骤S200的具体实施过程包括:
步骤S201:在第k个调度周期内,各个网源发送调度需求指令至电网架构云平台,其中,一个网源对应发送一次调度需求,电网架构云平台对接收到的全部调度需求进行统筹,并生成第k个调度周期的调度清单,所述调度清单中附带有每个调度请求的数据标签,将任意一个调度请求的数据标签记为L(Ai);[N(Ai),t(Ai),SV(Ai)],其中,N(Ai)表示网源Ai对应的调控关系中的传达网源层包含的网源数量,t(Ai)表示网源Ai对应需求时间,SV(Ai)表示网源Ai对应调度需求值,将所述第k个调度周期的调度清单记为SLk,将所述调度清单中的数据标签按照需求时间进行时间先后的排序;
步骤S202:随机优化一组调度时间集合,记为STm={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机优化的第1,2,...,w个调度时间,T0为固定值且T0=0;根据调度时间集合STm,生成w个时间区间,将其中第a个时间区间记为Ra:Ta-1~Ta,其中,Ta-1、Ta∈STm且1≤a≤w,m表示第m次随机优化。
进一步的,所述步骤S300的具体实施过程包括:
步骤S301:将调度清单SLk中每一个需求时间按照调度时间集合STm对应生成的时间区间进行相应映射,统计时间区间Ra映射的需求时间对应的网源,并生成区间网源集合,记为SV(Ra);
步骤S302:根据区间网源集合,验证随机优化满足条件,具体验证公式如下:
∑Ai∈SVaSV(Ai)≤Max(SV)
∑1≤a≤wNUM[SV(Ra)]=NUM(SLk)
其中,Ai=Ai,SVa=SV(Ra),NUM[SV(Ra)]表示时间区间Rb内包含的全部网源生成的区间网源集合SV(Ra)中包含的网源数量,Max(SV)表示单次调度时间节点能调度的最大需求值,NUM(SLk)表示调度清单SLk中包含的网源数量;
如果验证随机优化满足条件,则可以进行随机优化,否则重新进行随机优化;对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合;
根据上述方法,由于新能源并网后带来的市场随机性,所述市场随机性是指电动汽车充电的市场增减变化情况和电动汽车充电量需求的灵活情况,导致传统的调度方式很难满足这种市场随机性,进而随机优化一组调度时间的目的是,能够将这种随机化的需求变动进行定位到不同的时间区间进行降维微量化的满足,进而随机优化需要同时满足两个条件,公式∑Ai∈SVaSV(Ai)≤Max(SV)代表随机化需要满足的第一个条件,即每一次调度时间节点下对应的时间区间内满足的总体调度需求量∑Ai∈SVaSV(Ai)不能超过单次调度时间节点能调度的最大需求值Max(SV),所述单次调度时间节点能调度的最大需求值,是根据电网体系的发电情况进行统筹的单次能够调度最大电量值;同时,公式∑1≤a≤wNUM[SV(Ra)]=NUM(SLk)代表随机优化一组调度时间集合下必须要覆盖全部的调度需求,不能有任何一个调度需求遗漏。
进一步的,所述步骤S400的具体实施过程包括:
步骤S401:根据随机优化样本清单集合,计算任意一个调度清单的随机优化波动值,具体计算公式如下:
RS(STm)=∑1≤a、b≤w{[∑Ai∈SVaSV(Ai)-∑Aj∈SVbSV(Aj)]/[∑Ai∈SVaN(Ai)-∑Aj∈SVbN(Aj)]}
其中,RS(STm)表示调度时间集合STm的随机优化波动值,SV(Aj)表示网源Aj对应调度需求值,N(Aj)表示网源Aj对应的调控关系中的传达网源层包含的网源数量,Aj=Aj,SVb=SV(Rb),SV(Rb)表示时间区间Rb内包含的全部网源生成的区间网源集合,a≠b;
步骤S402:在随机优化样本清单集合中,选取随机优化波动值最小时对应的调度时间集合,并通过电网架构云平台发送至工作人员;
根据上述方法,当传达网源层包含的网源数量过多时,意味着电能在输送过程中将产生更多的线损浪费或者无功负载过大,降低电网体系的整体稳定性,公式∑Ai∈SVaSV(Ai)-∑Aj∈SVbSV(Aj)表示由一个时间区间转移到另一个时间区间时,调度需求值的变化情况,公式∑Ai∈SVaN(Ai)-∑Aj∈SVbN(Aj)表示由一个时间区间转移到另一个时间区间时,电网体系的隐蔽损耗情况,进而将调度需求值的变化情况与隐蔽损耗情况进行比值分析,来确定由一个时间区间转移到另一个时间区间时电网体系的波动性,再通过全调度时间集合域下的整体累加分析,计算出电网体系在调度时间集合下的整体波动值,波动值越大表示在调度时间集合下的优化,使电网体系整体不稳定性越大,进而针对新能源市场的各个网源的调度风险也越大。
与现有技术相比,本发明所达到的有益效果是:本发明提供的一种基于人工智能的电网优化调度***及方法中,通过构建电网架构云平台,分析网源之间的调控关系,形成电网架构连接树模型,实时感知网源的变动情况;通过电网架构云平台接收调度需求指令,生成数据标签和调度清单,随机优化一组调度时间集合,划分时间区间;对需求时间进行时间区间的对应映射,验证随机优化满足条件,生成随机优化样本调度清单集合;分析调度清单的随机优化波动情况;进而能够实时拓展、灵活缩小电网数据体系,以应对新能源并网后带来的随机性,能够将随机性的需求变动定位到不同的时间区间进行降维微量化处理,进而确定电网体系的整体波动性,以应对新能源市场的各个网源的调度风险情况。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并且不构成对本发明的限制。在附图中:
图1是本发明一种基于人工智能的电网优化调度***的结构示意图;
图2是本发明一种基于人工智能的电网优化调度方法的步骤示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅图1-图2,本发明提供技术方案:
请参阅图1,在本实施例一中:提供一种基于人工智能的电网优化调度***,该***包括:电网架构云平台模块、随机优化模块、映射验证模块和随机优化波动分析模块;
电网架构云平台模块,用于构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源之间的调控关系进行分析,锁定形成传达网源层,根据调控关系,形成电网架构连接树模型,实时感知电网体系中网源的变动情况,并对电网架构连接树模型进行实时更新;
其中,电网架构云平台模块还包括调控关系分析单元和电网架构连接树模型单元;
调控关系分析单元,用于构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源进行统一编码,识别电网体系中的各个网源之间的线路连接方式,根据线路连接方式,对各个网源之间的调控关系进行锁定,当网源Ai对网源Aj进行调控时,中间通过N个除网源Ai和网源Aj以外的其他网源传输时,如果N大于等于1,则将中间参与传输的其他全部网源标记为传达网源层,且网源Ai与网源Aj之间的调控关系为:网源Ai间接通过传达网源层对网源Aj进行调控,记为Ai→传达网源层→Aj;如果N等于0,则网源Ai与网源Aj之间的调控关系为:网源Ai直接对网源Aj进行调控,记为Ai→Aj;其中,N为自然数,i、j均表示网源编码,且i≠j;
电网架构连接树模型单元,根据调控关系,形成电网架构连接树模型,当电网体系中有新的网源并网时,对电网架构连接树模型进行扩充,当电网体系中有原有的网源删除时,对电网架构连接树模型进行缩减,当电网体系中的调控关系发生改变时,对电网架构连接树模型进行刷新;
随机优化模块,用于在每一个调度周期内,通过电网架构云平台接收各个网源的调度需求指令,并根据调度需求指令生成数据标签和调度清单,数据标签中包含传达网源层包含的网源数量、需求时间和调度需求值,随机优化一组调度时间集合,并根据调度时间集合划分时间区间;
其中,随机优化模块还包括数据标签单元和随机化单元;
数据标签单元,用于在第k个调度周期内,各个网源发送调度需求指令至电网架构云平台,其中,一个网源对应发送一次调度需求,电网架构云平台对接收到的全部调度需求进行统筹,并生成第k个调度周期的调度清单,调度清单中附带有每个调度请求的数据标签,将任意一个调度请求的数据标签记为L(Ai);[N(Ai),t(Ai),SV(Ai)],其中,N(Ai)表示网源Ai对应的调控关系中的传达网源层包含的网源数量,t(Ai)表示网源Ai对应需求时间,SV(Ai)表示网源Ai对应调度需求值,将第k个调度周期的调度清单记为SLk,将调度清单中的数据标签按照需求时间进行时间先后的排序;
随机化单元,用于随机优化一组调度时间集合,记为STm={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机优化的第1,2,...,w个调度时间,T0为固定值且T0=0;根据调度时间集合STm,生成w个时间区间,将其中第a个时间区间记为Ra:Ta-1~Ta,其中,Ta-1、Ta∈STm且1≤a≤w,m表示第m次随机优化;
映射验证模块,根据调度时间集合,对需求时间进行时间区间的对应映射,生成区间网源集合,根据区间网源集合,验证随机优化满足条件,对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合;
其中,映射验证模块还包括映射单元和验证单元;
映射单元,用于将调度清单SLk中每一个需求时间按照调度时间集合STm对应生成的时间区间进行相应映射,统计时间区间Ra映射的需求时间对应的网源,并生成区间网源集合,记为SV(Ra);
验证单元,根据区间网源集合,验证随机优化满足条件,具体验证公式如下:
∑Ai∈SVaSV(Ai)≤Max(SV)
∑1≤a≤wNUM[SV(Ra)]=NUM(SLk)
其中,Ai=Ai,SVa=SV(Ra),NUM[SV(Ra)]表示时间区间Rb内包含的全部网源生成的区间网源集合SV(Ra)中包含的网源数量,Max(SV)表示单次调度时间节点能调度的最大需求值,NUM(SLk)表示调度清单SLk中包含的网源数量;
如果验证随机优化满足条件,则可以进行随机优化,否则重新进行随机优化;对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合;
例如,随机优化一组调度时间{6月10日,7月15日,8月12日},云平台接收到调度需求有{网源1:5,6月4日,100;网源2:0,6月6日,100;网源3:2,6月8日,80},则∑Ai∈SVaSV(Ai)=100+100+80=280,NUM[SV(0—6月10日)]=3;{网源4:3,7月4日,100;网源5:1,7月6日,80;网源6:1,7月8日,80},则∑Ai∈SVaSV(Ai)=100+80+80=260,NUM[SV(6月10日—7月15日)]=3;
随机优化波动分析模块,根据随机优化样本清单集合,分析任意一个调度清单的随机优化波动情况,并输出随机优化波动值最小时对应的调度时间集合;
其中,随机优化波动分析模块还包括随机优化波动值计算单元和人工智能筛选单元;
随机优化波动值计算单元,根据随机优化样本清单集合,计算任意一个调度清单的随机优化波动值,具体计算公式如下:
RS(STm)=∑1≤a、b≤w{[∑Ai∈SVaSV(Ai)-∑Aj∈SVbSV(Aj)]/[∑Ai∈SVaN(Ai)-∑Aj∈SVbN(Aj)]}
其中,RS(STm)表示调度时间集合STm的随机优化波动值,SV(Aj)表示网源Aj对应调度需求值,N(Aj)表示网源Aj对应的调控关系中的传达网源层包含的网源数量,Aj=Aj,SVb=SV(Rb),SV(Rb)表示时间区间Rb内包含的全部网源生成的区间网源集合,a≠b;
例如,时间区间由0—6月10日转移到6月10日—7月15日,[∑Ai∈SVaSV(Ai)-∑Aj∈ SVbSV(Aj)]/[∑Ai∈SVaN(Ai)-∑Aj∈SVbN(Aj)]=(280-260)/[5+0+2-(3+1+1)]=10;
人工智能筛选单元,用于在随机优化样本清单集合中,选取随机优化波动值最小时对应的调度时间集合,并通过电网架构云平台发送至工作人员。
请参阅图2,在本实施例二中:提供一种基于人工智能的电网优化调度方法,该方法包括以下步骤:
构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源之间的调控关系进行分析,锁定形成传达网源层,根据调控关系,形成电网架构连接树模型,实时感知电网体系中网源的变动情况,并对电网架构连接树模型进行实时更新;
构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源进行统一编码,识别电网体系中的各个网源之间的线路连接方式,根据线路连接方式,对各个网源之间的调控关系进行锁定,当网源Ai对网源Aj进行调控时,中间通过N个除网源Ai和网源Aj以外的其他网源传输时,如果N大于等于1,则将中间参与传输的其他全部网源标记为传达网源层,且网源Ai与网源Aj之间的调控关系为:网源Ai间接通过传达网源层对网源Aj进行调控,记为Ai→传达网源层→Aj;如果N等于0,则网源Ai与网源Aj之间的调控关系为:网源Ai直接对网源Aj进行调控,记为Ai→Aj;其中,N为自然数,i、j均表示网源编码,且i≠j;
根据调控关系,形成电网架构连接树模型,当电网体系中有新的网源并网时,对电网架构连接树模型进行扩充,当电网体系中有原有的网源删除时,对电网架构连接树模型进行缩减,当电网体系中的调控关系发生改变时,对电网架构连接树模型进行刷新;
在每一个调度周期内,通过电网架构云平台接收各个网源的调度需求指令,并根据调度需求指令生成数据标签和调度清单,数据标签中包含传达网源层包含的网源数量、需求时间和调度需求值,随机优化一组调度时间集合,并根据调度时间集合划分时间区间;
在第k个调度周期内,各个网源发送调度需求指令至电网架构云平台,其中,一个网源对应发送一次调度需求,电网架构云平台对接收到的全部调度需求进行统筹,并生成第k个调度周期的调度清单,调度清单中附带有每个调度请求的数据标签,将任意一个调度请求的数据标签记为L(Ai);[N(Ai),t(Ai),SV(Ai)],其中,N(Ai)表示网源Ai对应的调控关系中的传达网源层包含的网源数量,t(Ai)表示网源Ai对应需求时间,SV(Ai)表示网源Ai对应调度需求值,将第k个调度周期的调度清单记为SLk,将调度清单中的数据标签按照需求时间进行时间先后的排序;
随机优化一组调度时间集合,记为STm={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机优化的第1,2,...,w个调度时间,T0为固定值且T0=0;根据调度时间集合STm,生成w个时间区间,将其中第a个时间区间记为Ra:Ta-1~Ta,其中,Ta-1、Ta∈STm且1≤a≤w,m表示第m次随机优化;
根据调度时间集合,对需求时间进行时间区间的对应映射,生成区间网源集合,根据区间网源集合,验证随机优化满足条件,对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合;
将调度清单SLk中每一个需求时间按照调度时间集合STm对应生成的时间区间进行相应映射,统计时间区间Ra映射的需求时间对应的网源,并生成区间网源集合,记为SV(Ra);
根据区间网源集合,验证随机优化满足条件,具体验证公式如下:
∑Ai∈SVaSV(Ai)≤Max(SV)
∑1≤a≤wNUM[SV(Ra)]=NUM(SLk)
其中,Ai=Ai,SVa=SV(Ra),NUM[SV(Ra)]表示时间区间Rb内包含的全部网源生成的区间网源集合SV(Ra)中包含的网源数量,Max(SV)表示单次调度时间节点能调度的最大需求值,NUM(SLk)表示调度清单SLk中包含的网源数量;
如果验证随机优化满足条件,则可以进行随机优化,否则重新进行随机优化;对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合;
根据随机优化样本清单集合,分析任意一个调度清单的随机优化波动情况,并输出随机优化波动值最小时对应的调度时间集合;
根据随机优化样本清单集合,计算任意一个调度清单的随机优化波动值,具体计算公式如下:
RS(STm)=∑1≤a、b≤w{[∑Ai∈SVaSV(Ai)-∑Aj∈SVbSV(Aj)]/[∑Ai∈SVaN(Ai)-∑Aj∈SVbN(Aj)]}
其中,RS(STm)表示调度时间集合STm的随机优化波动值,SV(Aj)表示网源Aj对应调度需求值,N(Aj)表示网源Aj对应的调控关系中的传达网源层包含的网源数量,Aj=Aj,SVb=SV(Rb),SV(Rb)表示时间区间Rb内包含的全部网源生成的区间网源集合,a≠b;
在随机优化样本清单集合中,选取随机优化波动值最小时对应的调度时间集合,并通过电网架构云平台发送至工作人员。
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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并且不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的电网优化调度方法,其特征在于,该方法包括以下步骤:
步骤S100:构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源之间的调控关系进行分析,锁定形成传达网源层,根据调控关系,形成电网架构连接树模型,实时感知电网体系中网源的变动情况,并对电网架构连接树模型进行实时更新;
步骤S200:在每一个调度周期内,通过电网架构云平台接收各个网源的调度需求指令,并根据调度需求指令生成数据标签和调度清单,所述数据标签中包含传达网源层包含的网源数量、需求时间和调度需求值,随机优化一组调度时间集合,并根据调度时间集合划分时间区间;
步骤S300:根据调度时间集合,对需求时间进行时间区间的对应映射,生成区间网源集合,根据区间网源集合,验证随机优化满足条件,对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合;
步骤S400:根据随机优化样本清单集合,分析任意一个调度清单的随机优化波动情况,并输出随机优化波动值最小时对应的调度时间集合;
所述步骤S100的具体实施过程包括:
步骤S101:构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源进行统一编码,识别电网体系中的各个网源之间的线路连接方式,根据线路连接方式,对各个网源之间的调控关系进行锁定,当网源Ai对网源Aj进行调控时,中间通过N个除网源Ai和网源Aj以外的其他网源传输时,如果N大于等于1,则将中间参与传输的其他全部网源标记为传达网源层,且网源Ai与网源Aj之间的调控关系为:网源Ai间接通过传达网源层对网源Aj进行调控,记为Ai→传达网源层→Aj;如果N等于0,则网源Ai与网源Aj之间的调控关系为:网源Ai直接对网源Aj进行调控,记为Ai→Aj;其中,N为自然数,i、j均表示网源编码,且i≠j;
步骤S102:根据调控关系,形成电网架构连接树模型,当电网体系中有新的网源并网时,对电网架构连接树模型进行扩充,当电网体系中有原有的网源删除时,对电网架构连接树模型进行缩减,当电网体系中的调控关系发生改变时,对电网架构连接树模型进行刷新;
所述步骤S200的具体实施过程包括:
步骤S201:在第k个调度周期内,各个网源发送调度需求指令至电网架构云平台,其中,一个网源对应发送一次调度需求,电网架构云平台对接收到的全部调度需求进行统筹,并生成第k个调度周期的调度清单,所述调度清单中附带有每个调度请求的数据标签,将任意一个调度请求的数据标签记为L(Ai);[N(Ai),t(Ai),SV(Ai)],其中,N(Ai)表示网源Ai对应的调控关系中的传达网源层包含的网源数量,t(Ai)表示网源Ai对应需求时间,SV(Ai)表示网源Ai对应调度需求值,将所述第k个调度周期的调度清单记为SLk,将所述调度清单中的数据标签按照需求时间进行时间先后的排序;
步骤S202:随机优化一组调度时间集合,记为STm={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机优化的第1,2,...,w个调度时间,T0为固定值且T0=0;根据调度时间集合STm,生成w个时间区间,将其中第a个时间区间记为Ra:Ta-1~Ta,其中,Ta-1、Ta∈STm且1≤a≤w,m表示第m次随机优化;
所述步骤S300的具体实施过程包括:
步骤S301:将调度清单SLk中每一个需求时间按照调度时间集合STm对应生成的时间区间进行相应映射,统计时间区间Ra映射的需求时间对应的网源,并生成区间网源集合,记为SV(Ra);
步骤S302:根据区间网源集合,验证随机优化满足条件,具体验证公式如下:
∑Ai∈SVaSV(Ai)≤Max(SV)
∑1≤a≤wNUM[SV(Ra)]=NUM(SLk)
其中,Ai=Ai,SVa=SV(Ra),NUM[SV(Ra)]表示时间区间Rb内包含的全部网源生成的区间网源集合SV(Ra)中包含的网源数量,Max(SV)表示单次调度时间节点能调度的最大需求值,NUM(SLk)表示调度清单SLk中包含的网源数量;
如果验证随机优化满足条件,则可以进行随机优化,否则重新进行随机优化;对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合。
2.根据权利要求1所述的一种基于人工智能的电网优化调度方法,其特征在于,所述步骤S400的具体实施过程包括:
步骤S401:根据随机优化样本清单集合,计算任意一个调度清单的随机优化波动值,具体计算公式如下:
RS(STm)=∑1≤a、b≤w{[∑Ai∈SVaSV(Ai)-∑Aj∈SVbSV(Aj)]/[∑Ai∈SVaN(Ai)-∑Aj∈SVbN(Aj)]}
其中,RS(STm)表示调度时间集合STm的随机优化波动值,SV(Aj)表示网源Aj对应调度需求值,N(Aj)表示网源Aj对应的调控关系中的传达网源层包含的网源数量,Aj=Aj,SVb=SV(Rb),SV(Rb)表示时间区间Rb内包含的全部网源生成的区间网源集合,a≠b;
步骤S402:在随机优化样本清单集合中,选取随机优化波动值最小时对应的调度时间集合,并通过电网架构云平台发送至工作人员。
3.应用权利要求1-2中任一项的一种基于人工智能的电网优化调度方法的一种基于人工智能的电网优化调度***,其特征在于,所述***包括:电网架构云平台模块、随机优化模块、映射验证模块和随机优化波动分析模块;
所述电网架构云平台模块,用于构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源之间的调控关系进行分析,锁定形成传达网源层,根据调控关系,形成电网架构连接树模型,实时感知电网体系中网源的变动情况,并对电网架构连接树模型进行实时更新;
所述随机优化模块,用于在每一个调度周期内,通过电网架构云平台接收各个网源的调度需求指令,并根据调度需求指令生成数据标签和调度清单,所述数据标签中包含传达网源层包含的网源数量、需求时间和调度需求值,随机优化一组调度时间集合,并根据调度时间集合划分时间区间;
所述映射验证模块,根据调度时间集合,对需求时间进行时间区间的对应映射,生成区间网源集合,根据区间网源集合,验证随机优化满足条件,对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合;
所述随机优化波动分析模块,根据随机优化样本清单集合,分析任意一个调度清单的随机优化波动情况,并输出随机优化波动值最小时对应的调度时间集合。
4.根据权利要求3所述的一种基于人工智能的电网优化调度***,其特征在于:所述电网架构云平台模块还包括调控关系分析单元和电网架构连接树模型单元;
所述调控关系分析单元,用于构建电网架构云平台,统筹电网体系中的全部网源,并对各个网源进行统一编码,识别电网体系中的各个网源之间的线路连接方式,根据线路连接方式,对各个网源之间的调控关系进行锁定,当网源Ai对网源Aj进行调控时,中间通过N个除网源Ai和网源Aj以外的其他网源传输时,如果N大于等于1,则将中间参与传输的其他全部网源标记为传达网源层,且网源Ai与网源Aj之间的调控关系为:网源Ai间接通过传达网源层对网源Aj进行调控,记为Ai→传达网源层→Aj;如果N等于0,则网源Ai与网源Aj之间的调控关系为:网源Ai直接对网源Aj进行调控,记为Ai→Aj;其中,N为自然数,i、j均表示网源编码,且i≠j;
所述电网架构连接树模型单元,根据调控关系,形成电网架构连接树模型,当电网体系中有新的网源并网时,对电网架构连接树模型进行扩充,当电网体系中有原有的网源删除时,对电网架构连接树模型进行缩减,当电网体系中的调控关系发生改变时,对电网架构连接树模型进行刷新。
5.根据权利要求4所述的一种基于人工智能的电网优化调度***,其特征在于:所述随机优化模块还包括数据标签单元和随机化单元;
所述数据标签单元,用于在第k个调度周期内,各个网源发送调度需求指令至电网架构云平台,其中,一个网源对应发送一次调度需求,电网架构云平台对接收到的全部调度需求进行统筹,并生成第k个调度周期的调度清单,所述调度清单中附带有每个调度请求的数据标签,将任意一个调度请求的数据标签记为L(Ai);[N(Ai),t(Ai),SV(Ai)],其中,N(Ai)表示网源Ai对应的调控关系中的传达网源层包含的网源数量,t(Ai)表示网源Ai对应需求时间,SV(Ai)表示网源Ai对应调度需求值,将所述第k个调度周期的调度清单记为SLk,将所述调度清单中的数据标签按照需求时间进行时间先后的排序;
所述随机化单元,用于随机优化一组调度时间集合,记为STm={T0,T1,T2,...,Tw},其中,T1,T2,...,Tw分别表示随机优化的第1,2,...,w个调度时间,T0为固定值且T0=0;根据调度时间集合STm,生成w个时间区间,将其中第a个时间区间记为Ra:Ta-1~Ta,其中,Ta-1、Ta∈STm且1≤a≤w,m表示第m次随机优化。
6.根据权利要求5所述的一种基于人工智能的电网优化调度***,其特征在于:所述映射验证模块还包括映射单元和验证单元;
所述映射单元,用于将调度清单SLk中每一个需求时间按照调度时间集合STm对应生成的时间区间进行相应映射,统计时间区间Ra映射的需求时间对应的网源,并生成区间网源集合,记为SV(Ra);
所述验证单元,根据区间网源集合,验证随机优化满足条件,具体验证公式如下:
∑Ai∈SVaSV(Ai)≤Max(SV)
∑1≤a≤wNUM[SV(Ra)]=NUM(SLk)
其中,Ai=Ai,SVa=SV(Ra),NUM[SV(Ra)]表示时间区间Rb内包含的全部网源生成的区间网源集合SV(Ra)中包含的网源数量,Max(SV)表示单次调度时间节点能调度的最大需求值,NUM(SLk)表示调度清单SLk中包含的网源数量;
如果验证随机优化满足条件,则可以进行随机优化,否则重新进行随机优化;对验证随机优化满足条件的全部调度时间集合进行提取,并生成随机优化样本调度清单集合。
7.根据权利要求6所述的一种基于人工智能的电网优化调度***,其特征在于:所述随机优化波动分析模块还包括随机优化波动值计算单元和人工智能筛选单元;
所述随机优化波动值计算单元,根据随机优化样本清单集合,计算任意一个调度清单的随机优化波动值,具体计算公式如下:
RS(STm)=∑1≤a、b≤w{[∑Ai∈SVaSV(Ai)-∑Aj∈SVbSV(Aj)]/[∑Ai∈SVaN(Ai)-∑Aj∈SVbN(Aj)]}
其中,RS(STm)表示调度时间集合STm的随机优化波动值,SV(Aj)表示网源Aj对应调度需求值,N(Aj)表示网源Aj对应的调控关系中的传达网源层包含的网源数量,Aj=Aj,SVb=SV(Rb),SV(Rb)表示时间区间Rb内包含的全部网源生成的区间网源集合,a≠b;
所述人工智能筛选单元,用于在随机优化样本清单集合中,选取随机优化波动值最小时对应的调度时间集合,并通过电网架构云平台发送至工作人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833287.5A CN116565859B (zh) | 2023-07-10 | 2023-07-10 | 一种基于人工智能的电网优化调度***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310833287.5A CN116565859B (zh) | 2023-07-10 | 2023-07-10 | 一种基于人工智能的电网优化调度***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116565859A CN116565859A (zh) | 2023-08-08 |
CN116565859B true CN116565859B (zh) | 2023-09-19 |
Family
ID=87488292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310833287.5A Active CN116565859B (zh) | 2023-07-10 | 2023-07-10 | 一种基于人工智能的电网优化调度***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116565859B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823188B (zh) * | 2023-08-24 | 2023-11-17 | 江苏博纳汇数字智能科技有限公司 | 一种基于大数据分析的生产管理***及方法 |
CN117709634A (zh) * | 2023-12-05 | 2024-03-15 | 江苏智融能源科技有限公司 | 一种基于大数据的充电桩电力资源管理***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110957758A (zh) * | 2019-11-20 | 2020-04-03 | 国网河北省电力有限公司电力科学研究院 | 一种基于广域态势感知的综合能源能效评价与控制性能优化方法 |
CN112163671A (zh) * | 2020-12-02 | 2021-01-01 | 中国电力科学研究院有限公司 | 一种新能源场景生成方法及*** |
-
2023
- 2023-07-10 CN CN202310833287.5A patent/CN116565859B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110957758A (zh) * | 2019-11-20 | 2020-04-03 | 国网河北省电力有限公司电力科学研究院 | 一种基于广域态势感知的综合能源能效评价与控制性能优化方法 |
CN112163671A (zh) * | 2020-12-02 | 2021-01-01 | 中国电力科学研究院有限公司 | 一种新能源场景生成方法及*** |
Non-Patent Citations (2)
Title |
---|
Artificial intelligence for resilience enhancement of power distribution systems;Mohammad Mehdi Hosseini 等;The Electricity Journal;第第34卷卷(第第1期期);第1-6页 * |
面向泛在电力物联网的网源协调关键技术分析;冯旭阳 等;河北电力技术;第38卷(第06期);第37-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116565859A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116565859B (zh) | 一种基于人工智能的电网优化调度***及方法 | |
Scarabaggio et al. | Distributed demand side management with stochastic wind power forecasting | |
Wu et al. | GENCO's risk-based maintenance outage scheduling | |
US7489989B2 (en) | System for dispatching and controlling of generation in large-scale electric power systems | |
Rudnick et al. | Economically adapted transmission systems in open access schemes-application of genetic algorithms | |
Lohmann et al. | Tailored benders decomposition for a long-term power expansion model with short-term demand response | |
Ikeda et al. | A novel optimization method combining metaheuristics and machine learning for daily optimal operations in building energy and storage systems | |
Kampouropoulos et al. | Multiobjective optimization of multi-carrier energy system using a combination of ANFIS and genetic algorithms | |
Fu et al. | Coordination of midterm outage scheduling with short-term security-constrained unit commitment | |
CN111260108B (zh) | 一种基于区间预测的能源枢纽鲁棒优化方法 | |
Jin et al. | Dispatching strategies for coordinating environmental awareness and risk perception in wind power integrated system | |
CN111062514A (zh) | 一种电力***规划方法及*** | |
Teichgraeber et al. | Optimal design of an electricity-intensive industrial facility subject to electricity price uncertainty: Stochastic optimization and scenario reduction | |
Narimani et al. | A practical approach for reliability-oriented multi-objective unit commitment problem | |
Sani et al. | Affine decision rule approximation to address demand response uncertainty in smart grids’ capacity planning | |
CN111047071B (zh) | 基于深度迁移学习和Stackelberg博弈的电力***实时供需互动方法 | |
AHMAD et al. | A review of recent advances in generator maintenance scheduling | |
Rau et al. | A model for economy energy exchanges in interconnected power systems | |
Sani et al. | Affine decision rule approximation to immunize against demand response uncertainty in smart grids’ capacity planning | |
Zheng et al. | Data-Adaptive Robust Transmission Network Planning Incorporating Post-Contingency Demand Response | |
Svoboda et al. | Integrating price-based resources in short-term scheduling of electric power systems | |
Kalantayevskaya et al. | Design of decision-making support system in power grid dispatch control based on the forecasting of energy consumption | |
KR101639159B1 (ko) | 비상발전기를 기반으로 하는 가상발전소의 최적운용방법 | |
CN116317110B (zh) | 考虑源荷双侧波动的电网调度操作预演方法和*** | |
Chen et al. | STOCHASTIC UNIT COMMITMENT INCORPORATIING WIND POWER USING IMPROVED GENETIC ALGORITHM |
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 |