CN116596286A - 虚拟电厂的优化调度方法、装置、设备及存储介质 - Google Patents
虚拟电厂的优化调度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116596286A CN116596286A CN202310879567.XA CN202310879567A CN116596286A CN 116596286 A CN116596286 A CN 116596286A CN 202310879567 A CN202310879567 A CN 202310879567A CN 116596286 A CN116596286 A CN 116596286A
- Authority
- CN
- China
- Prior art keywords
- power
- energy
- scheduling
- virtual
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 238000005096 rolling process Methods 0.000 claims abstract description 18
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 6
- 230000008569 process Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06Q10/06313—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
- 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
- H02J3/003—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
- 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)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Educational Administration (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
本发明涉及一种虚拟电厂的优化调度方法、装置、设备及存储介质,通过ARIMA模型识别分布式能源网的当前时间戳的电能丰富度,并基于电能丰富度生成基础电能调度程序;将基础电能调度程序和电能丰富度输入至负荷预测模型,以输出优化预测节点和优化预测线路;采用在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度,利用滚动时域程序判断虚拟电力调度的日内调度成立性;若成立,则基于基础电能调度程序的框架下执行与虚拟电力调度对应的实际电力调度程序;有效优化电力资源的分配,提高了电力***的运行效率、稳定性和安全性,实现电力***的数字化和智能化管理。
Description
技术领域
本发明涉及能源调度处理模型的技术领域,特别涉及一种虚拟电厂的优化调度方法、装置、设备及存储介质。
背景技术
"虚拟电厂"(Virtual Power Plant, VPP)是一个近年来在电力领域中发展起来的概念。虚拟电厂是通过互联网、通信和信息技术把诸多分散式能源、负荷响应设备、储能设备等连接起来,形成一个有中心调度、联网运行的全新电力***运行模式,但数字化电能调度的优化可能要求分布式电源(例如太阳能光伏、风能发电设备等)的实时关联,才能得到实景能源体的反馈,存在大量的数据交换和高速的通信网络的问题,如果网络连接不稳定,可能会对电力调度造成干扰,并可能影响电力***的稳定性及可靠性。
发明内容
本发明的主要目的为提供一种虚拟电厂的优化调度方法、装置、设备及存储介质,通过精确的预测和智能的调度,有效优化了电力资源的分配,提高了电力***的运行效率、稳定性和安全性,实现电力***的数字化和智能化管理。
为实现上述目的,本发明提供了一种虚拟电厂的优化调度方法,包括以下步骤:
采用预训练的ARIMA模型识别分布式能源网的当前时间戳的电能丰富度,并基于所述电能丰富度生成基础电能调度程序;
将所述基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路,其中所述优化预测节点和优化预测线路分别为当前时间戳的分布式能源网中电能预测可优化调度的节点和线路;
采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度,并利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,其中所述虚拟能源网为分布式能源网的数字化构成;
若成立,则基于所述基础电能调度程序的框架下执行与虚拟电力调度对应的实际电力调度程序。
进一步地,所述ARIMA模型识别分布式能源网的当前时间戳的电能丰富度的步骤,包括:
获取当前时间戳的能源网数据,所述能源网数据包括但不限于是电能生产量、电能消耗量、电能输出量和电缆荷载;
基于ARIMA模型对能源网数据进行时间序列拟合,以对所述能源网数据进行拟合验证,所述时间序列拟合包括将能源网数据与历史能源数据进行数据细项比对,以标定能源网数据中的各个能源细项;
通过标定的所述各个能源细项,利用ARIMA模型的建模列表法对各个能源细项进行自回归处理,生成以列表表示的所述电能丰富度,其中所述自回归处理包括将各个能源细项进行分类,以分类出分布式能源网中各个区域的电能丰富度。
进一步地,基于所述电能丰富度生成基础电能调度程序的步骤,包括:
根据所述电能丰富度确定出分布式能源网上各个区域的电能过剩区和电能缺失区;
通过预设的电力调度策略针对电能过剩区和电能缺失区进行电力控制载波PLC的编程,生成用于将所述电能过剩区的能量转入至电能缺失区的基础电能调度程序,其中预设的电力调度策略为预设的安全调度方略,包括能量转移效率和转移路径。
进一步地,所述负荷预测模型通过基础电能调度程序和电能丰富度以输出优化预测节点和优化预测线路的步骤,包括:
基于预存储的LSTM历史区域能源耗量进行当前时间戳的电能丰富度在预设时间内的电能消耗和电能增加的预测计算,以识别所述分布式能源网的各个能源区域所对应电能的消耗预测量和增加预测量;
将所述消耗预测量和增加预测量进行相加计算,得到能源效率预测量,并判断所述能源效率预测量是否处于预设的供电区间内,若能源效率预测量处于供电区间之上则为电能过剩,若能源效率预测量处于供电区间之下则为电能缺失;
若所述能源效率预测量处于供电区间内,则利用注意力机制确定出供电区间中最优值与能源效率预测量之间的正差异量或负差异量;
通过正差异量或负差异量确定能源效率预测量的调优量,并基于所述调优量对应识别出消耗预测量和增加预测量之间的预测调优量;
采用所述预测调优量对应识别出分布式能源网各个区域中线路与节点的消耗预测量和增加预测量的相加增加或相加递减,以对应根据所述基础电能调度程序得到各个区域的线路与节点的优化预测节点和优化预测线路。
进一步地,采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度的步骤,包括:
进行离散点识别和电路路径识别,虚拟构架出与分布式能源网匹配的虚拟能源网;
基于各个离散点和电路路径对所述虚拟能源网进行电网结构拓扑,以配置各个离散点和电路路径对应的电气参数;
根据所述各个离散点和电路路径的电气参数,确定出所述虚拟能源网的电网拓扑结构的节点和路径的参数数据,以根据所述混合整数线性程序对虚拟能源网进行优化预测节点和优化预测线路对应的虚拟电力调度。
进一步地,利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,包括:
采用所述滚动时域程序预设的分布式能源网的电能传输速度,测量实现虚拟电力调度的时间周期;
判断所述时间周期是否符合预设的时间日内的日内调度成立性。
进一步地,基于所述基础电能调度程序的框架下执行与虚拟电力调度对应的实际电力调度程序的步骤,包括:
基于基础电能调度程序生成与虚拟电力调度对应的实际电力调度,以根据所述实际电力调度进行分布式能源网的电力调度过程。
本发明提出的一种虚拟电厂的优化调度装置,包括:
采用预训练的ARIMA模型识别分布式能源网的当前时间戳的电能丰富度,并基于所述电能丰富度生成基础电能调度程序;
将所述基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路,其中所述优化预测节点和优化预测线路分别为当前时间戳的分布式能源网中电能预测可优化调度的节点和线路;
采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度,并利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,其中所述虚拟能源网为分布式能源网的数字化构成;
若成立,则基于所述基础电能调度程序的框架下执行与虚拟电力调度对应的实际电力调度程序。
本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述虚拟电厂的优化调度方法的步骤。
本发明还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实现上述任一项所述的虚拟电厂的优化调度方法的步骤。
本发明提供的虚拟电厂的优化调度方法、装置、设备及存储介质,具有以下有益效果:
(1)通过虚拟能源网进行数字化的验算过程,使每一次的电力调度都是经过线上核验的,极大的提升了电力调度的安全性。
(2)为了解决实景能源反馈的时效性问题,通过线上执行虚拟能源网根据历史信息记录线路和节点,等待所有的电力调度细节及参数确定成立后执行整体运行,以此提供数据采集的缓冲空间,减缓该问题的严重性。
(3)直接由计算机设备进行虚拟验算,无需过高要求分布式能源网中各个路径及节点的网络上传稳定性。
附图说明
图1是本发明一实施例中虚拟电厂的优化调度方法的示意图;
图2是本发明又一实施例中虚拟电厂的优化调度方法的示意图;
图3是本发明一实施例中虚拟电厂的优化调度装置的结构框图;
图4是本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提出的虚拟电厂的优化调度方法有计算机设备作为执行主体执行。
参照图1-2为本发明提出的一种虚拟电厂的优化调度方法的流程示意图,包括以下步骤:
S1,采用预训练的ARIMA模型识别分布式能源网的当前时间戳的电能丰富度,并基于所述电能丰富度生成基础电能调度程序;
ARIMA(Auto-Regressive Integrated Moving Average)模型是一种时间序列预测的模型,其本质是基于自回归和移动平均生成的。ARIMA模型的预训练过程通常需要一定量的历史电力数据,通过学习这些历史数据的规律,ARIMA模型能够对未来的数据进行预测。
这里的ARIMA模型被用作识别分布式能源网当前时间戳的电能丰富度。方法如下:
1. 获取当前时间戳的能源网数据,包括但不限于电能生产量、电能消耗量、电能输出量和电缆荷载等。
2. 利用ARIMA模型对得到的能源网数据进行时间序列拟合。这个过程的目的是找到当前的能源数据与历史能源数据之间的规律或趋势,以便后续预测。
3. 通过时间序列拟合的结果进行自回归处理,生成表示电能丰富度的列表。这个列表可以作为后续电能调度决策的基础。
以电能丰富度为依据,据此生成基础电能调度程序。这个程序是制定的一个策略或规则,用于决定电力的分配和流动。如果某个区域的电能丰富度高,那么这个区域可能被定义为电能过剩区,在基础电能调度程序中被优先考虑将能量转移出去。相反,如果某个区域的电能丰富度低,那么这个区域可能被定义为电能缺失区,需要优先考虑将能量转入。
这是一个动态适应的过程,依据实时的电能丰富度进行调整,优化能源网上的电力分布,提高电力使用的效率和可靠性。
S2,将所述基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路,其中所述优化预测节点和优化预测线路分别为当前时间戳的分布式能源网中电能预测可优化调度的节点和线路;
首先,基础电能调度程序和电能丰富度被输入到预设的负荷预测模型。基础电能调度程序告诉模型当前的电力分配和流动方向,而电能丰富度表示各个区域的电力情况。这两个输入可以提供电网络当前的状态和资源分布。
然后负荷预测模型开始处理输入的数据。这个模型是预先训练过的,它能够理解输入的数据并根据其内部的规则和权重对数据进行分析。简单来说,这个模型的目的是预测在当前时间戳下,哪些节点和线路有电力需求变动的趋势,并且有优化电力调度的可能。
预测模型会输出优化预测节点和优化预测线路。这指的是在当前时间戳下,电力调度可以被优化的节点和线路。例如,某些节点可能过载或供电不足,通过调度优化,可以平衡这些节点的电力需求;某些线路可能繁忙或者闲置,通过调度优化,可以高效综合利用电力资源。
这样,经过负荷预测模型的处理,计算机设备就得到了优化预测节点和优化预测线路,为分布式能源网的电力调度优化提供了参考。需要注意的是,这个过程并不是一次性的,而是需要不断调整和优化的,以便适应电力网的实时情况和需求变化。
S3,采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度,并利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,其中所述虚拟能源网为分布式能源网的数字化构成;
在线优化模型是一种机器学***衡、电网安全等)的最优解。滚动时域程序:通过滚动时域程序,可以判断生成的虚拟电力调度的成立性。滚动时域程序的基本思想是:利用预测的误差进行动态修正,不断地向前推进时间窗口以反馈实时信息。根据当前的电力情况以及前面的预测和实际结果,滚动时域程序可以用来确定是否可以实施虚拟电力调度。虚拟能源网:是分布式能源网的数字化构成,也就是说,它是分布式能源网的计算机模型。对其进行操作等同于在分布式能源网中进行操作。优化预测节点和优化预测线路的虚拟电力调度就是在这个虚拟能源网中进行。所有这些步骤和环节的最终目标都是为了实现更好的电力调度,通过优化电源、负载和电力传输线路的配合,可以显著提高电力利用率,降低损耗,并提高电网的稳定性和可靠性。
S4,若成立,则基于所述基础电能调度程序的框架下执行与虚拟电力调度对应的实际电力调度程序。
判断虚拟电力调度的成立性:计算机设备使用滚动时域程序对虚拟电力调度进行检验,确认其在实际的电力网中是否可行。这包括核查是否满足各种约束条件(如电力安全,电力风险,电力需求等)以及是否优于当前调度方案等条件。只有在所有条件都满足的情况下,虚拟电力调度程序才会被认定为可执行。实施实际电力调度:成立的虚拟电力调度将被转换为实际的电力调度。这意味着虚拟调度方案中的所有指令和动作会在实体电力网中被执行。电力资源将根据虚拟电力调度方案进行重新分配和调度,这包括电力生产、电力供应、电力传输以及电力使用等环节。在基础电能调度程序的框架下执行:上述操作是在基础电能调度程序的框架下执行的。这意味着所有对电力网的操作和整个执行过程都是在基础电能调度程序中完成,遵循混合整数线性程序等算法的优化原则,符合电力网的基本运行规则和安全要求。
在一个实施例中,所述ARIMA模型识别分布式能源网的当前时间戳的电能丰富度的步骤,包括:
获取当前时间戳的能源网数据,所述能源网数据包括但不限于是电能生产量、电能消耗量、电能输出量和电缆荷载;
基于ARIMA模型对能源网数据进行时间序列拟合,以对所述能源网数据进行拟合验证,所述时间序列拟合包括将能源网数据与历史能源数据进行数据细项比对,以标定能源网数据中的各个能源细项;
通过标定的所述各个能源细项,利用ARIMA模型的建模列表法对各个能源细项进行自回归处理,生成以列表表示的所述电能丰富度,其中所述自回归处理包括将各个能源细项进行分类,以分类出分布式能源网中各个区域的电能丰富度。
在具体实施的过程中,获取能源网数据:首先获取当前分布式能源网的数据,这些数据包含各种电力信息,如电能生产量、电能消耗量、电能输出量和电缆荷载等。每个信息点都代表着能源网的一方面的运行情况。ARIMA模型和时间序列拟合:一旦获取了能源网数据,便可以基于已经预训练好的ARIMA模型进行数据的时间序列拟合。在这个过程中,会将现有的能源网数据与历史能源数据进行比对,并对每个数据进行详细关注和比较。通过这种方法,计算机设备可以得出每个数据细项的特性和规律。能源细项标定:然后需要对每个能源细项进行标定。标定实际上是一种比较机制,它将现有的能源细项与历史数据相比较,找出它们之间的相似性和差异性。通过这种方式,将之后虚拟能源网的生成与实际能源网进行一致化。利用ARIMA的自回归处理:接下来,基于ARIMA模型的建模列表法,对所标定的所有能源细项进行自回归处理。自回归过程实际上是探寻各能源细项自身在时间序列上的动态关系。自回归处理的结果是一系列可以表示电能丰富度的列表。电能丰富度分类:自回归过程还包括将每个能源细项进行分类,以便确定分布式能源网中各个区域的电能丰富度。这种分类将有助于理解各个区域的电能需求和电能供应状况,以便进行更有效的电力调度和优化。
在一个实施例中,基于所述电能丰富度生成基础电能调度程序的步骤,包括:
根据所述电能丰富度确定出分布式能源网上各个区域的电能过剩区和电能缺失区;
通过预设的电力调度策略针对电能过剩区和电能缺失区进行电力控制载波PLC的编程,生成用于将所述电能过剩区的能量转入至电能缺失区的基础电能调度程序,其中预设的电力调度策略为预设的安全调度方略,包括能量转移效率和转移路径。
在具体实施的过程中,若根据电能丰富度确定出分布式能源网上各个区域的电能过剩区和电能缺失区,然后预设的电力调度策略与电力控制载波PLC(Performance/LowConsumption 宽带电力载波通信技术)编程相结合,生成用于将电能过剩区的能量转入至电能缺失区的基础电能调度程序的实现原理如下:确定电能过剩区和电能缺失区: 根据上一步计算得到的电能丰富度,计算机设备可以理解为分布式能源网上各个特定区域电能的供应状态。电能丰富(过剩)区和电能匮乏(缺失)区就能被识别出来,从而做出相应的电力控制策略。预设的电力调度策略:在方案中,预设的电力调度策略是为了确保从电能过剩区到电能缺失区的电能转移是在安全、高效地进行,这包括考虑到能量转移效率和转移路径等多个因素。例如,路径选择时应以最短路径和最低损耗优先。电力控制载波PLC编程:方案使用电力控制载波PLC的编程方式执行电力调度策略。PLC是通信工具,可以在电力***中进行电力线通信,其特点是稳定可靠,可以实现规模化的电力信息传输。这将允许通过从电能过剩区传输电能至电能缺失区的电力报文的方式,执行预设的电力调度方案。生成基础电能调度程序:PLC编程将制定出对应的电能调度程序,这个调度程序是基于电力丰富度、电力调度策略和电力控制载波的实现,将电能过剩区的能量顺利转移到电能缺失区。这样的调度策略旨在为电能的分配和利用提供更准确、更精细的管理,优化电力***性能,降低能源浪费,并尽可能地提高整个电力***的安全性和稳定性。
在一个实施例中,将基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路的步骤,包括:
S21,基于预存储的LSTM历史区域能源耗量进行当前时间戳的电能丰富度在预设时间内的电能消耗和电能增加的预测计算,以识别所述分布式能源网的各个能源区域所对应电能的消耗预测量和增加预测量;
S22,将所述消耗预测量和增加预测量进行相加计算,得到能源效率预测量,并判断所述能源效率预测量是否处于预设的供电区间内,若能源效率预测量处于供电区间之上则为电能过剩,若能源效率预测量处于供电区间之下则为电能缺失;
S23,若所述能源效率预测量处于供电区间内,则利用注意力机制确定出供电区间中最优值与能源效率预测量之间的正差异量或负差异量;
S24,通过正差异量或负差异量确定能源效率预测量的调优量,并基于所述调优量对应识别出消耗预测量和增加预测量之间的预测调优量;
S25,采用所述预测调优量对应识别出分布式能源网各个区域中线路与节点的消耗预测量和增加预测量的相加增加或相加递减,以对应根据所述基础电能调度程序得到各个区域的线路与节点的优化预测节点和优化预测线路。
在具体实施的过程中,在S21中,利用LSTM(Long Short-Term Memory,长短期记忆网络)模型进行能源耗量的预测。LSTM是一种深度学***衡。"确定能源效率预测量的调优量"意味着计算机设备通过这个差异量来计算出需要调整多少电能,以使得预测的能源效率更接近计算机设备的预设最优值。这个数值可以正向调整(表示电能供应过多,需要减少),也可以反向调整(表示电能供应不足,需要增加)。然后,"通过正差异量或负差异量对应识别出消耗预测量和增加预测量之间的预测调优量"代表计算机设备需要依据调整值来找出消耗预测量和增加预测量之间的调整值。意思是,计算机设备会根据之前确定的调优量进一步分析,找出具体应该从消耗预测量还是增加预测量中进行调整以及调整的具体数量,从而让电能供需更接***衡。在S25中,这步骤包含了利用我们之前计算得到的预测调优量对分布式能源网各区域的电能分配进行优化。"采用所述预测调优量对应识别出分布式能源网各个区域中线路与节点的消耗预测量和增加预测量的相加增加或相加递减"的意思是,我们将使用前面计算得出的预测调优量来调整各区域在网络中的线路与节点的消耗预测量和增加预测量。具体来说,如若需要增加电能,那么我们就将调优量添加到消耗预测量或增加预测量之中;相反,如若需要减少电能,我们就从它们中减去调优量。其中,线路和节点代表的是电网的各个具体部分,其中线路指的是电网中电能转输的路径,节点则表示电网中的精确位置点,如一个小区或一座大厦。接下来,“以对应根据所述基础电能调度程序得到各个区域的线路与节点的优化预测节点和优化预测线路”。这里的意思是,经过前面的调整后,我们可以利用基础电能调度程序(即一种能量管理***,能自动调配电力分配以实现最优效率)对各区域的线路和节点进行优化。特别地,我们会得到各个区域线路与节点的优化预测值,这个优化预测值反映了通过调度程序后预期达到的电力供需状况,有助于我们调整和优化电能的供应。
在一个实施例中,采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度的步骤,包括:
进行离散点识别和电路路径识别,虚拟构架出与分布式能源网匹配的虚拟能源网;
基于各个离散点和电路路径对所述虚拟能源网进行电网结构拓扑,以配置各个离散点和电路路径对应的电气参数;
根据所述各个离散点和电路路径的电气参数,确定出所述虚拟能源网的电网拓扑结构的节点和路径的参数数据,以根据所述混合整数线性程序对虚拟能源网进行优化预测节点和优化预测线路对应的虚拟电力调度。
在具体实施的过程中,首先,"进行离散点识别和电路路径识别,以通过离散点识别和电路路径识别虚拟构架出与分布式能源网匹配的虚拟能源网"。意味着我们首先需要识别分布式能源网中的重要点(离散点)和电能传输的路径(电路路径)。然后,我们在这些信息的基础上,构建出一张与实际分布式网络相匹配的虚拟能源网。接着,"基于各个离散点和电路路径对所述虚拟能源网进行电网结构拓扑,以配置各个离散点和电路路径对应的电气参数"。这就意味着我们将会根据实际情况对虚拟能源网的结构进行配置,包括电网的拓扑结构以及包含离散点和电路路径的电气参数。接下来,"根据所述各个离散点和电路路径的电气参数,确定出所述虚拟能源网的电网拓扑结构的节点和路径的参数数据"。在这个步骤中,我们根据上一步定位和配置的各个离散点和电路路径的电气参数,确认实际正在使用的虚拟能源网中的节点和路径的参数数据。这些数据是用于理解电网运作状况和优化电力调配的关键信息。最后,"根据所述混合整数线性程序对虚拟能源网进行优化预测节点和优化预测线路对应的虚拟电力调度"。我们使用混合整数线性程序(MILP)这种在线优化模型,利用我们在虚拟能源网中确认的所有参数数据,进行优化预测节点和优化预测线路的虚拟电力调度,目的是对能源摄取和供给进行有效管理,使得整个***运行更加高效和平衡。
在一个实施例中,利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,包括:
采用所述滚动时域程序预设的分布式能源网的电能传输速度,测量实现虚拟电力调度的时间周期;
判断所述时间周期是否符合预设的时间日内的日内调度成立性。
在具体实施的过程中,使用滚动时域程序预设定的电能传输速度,这是分布式能源网中电能从一个地方传输到另一个地方的速度,来测量完成虚拟电力调度所需的时间长度/周期。然后将进行"判断所述时间周期是否符合预设的时间日内的日内调度成立性"。用上述测量出的时间周期去比对日内调度时间。日内调度通常代表一天内进行的电力调度,例如一些电力***可能会有每日的电力调度计划。如果实施虚拟电力调度的时间周期在预设的日内时间范围内,那么就可以认为日内调度成立,这个虚拟电力调度可以在日内调度中被实施。
具体的,基于所述基础电能调度程序的框架,执行与虚拟电力调度对应的实际电力调度程序的步骤,包括:
基于基础电能调度程序生成与虚拟电力调度对应的实际电力调度,以根据所述实际电力调度进行分布式能源网的电力调度过程。
参考附图3为本发明提出的一种虚拟电厂的优化调度装置的结构示意图,包括:
识别单元1,用于采用预训练的ARIMA模型识别分布式能源网的当前时间戳的电能丰富度,并基于所述电能丰富度生成基础电能调度程序;
网格单元2,用于将所述基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路,其中所述优化预测节点和优化预测线路分别为当前时间戳的分布式能源网中电能预测可优化调度的节点和线路;
判断单元3,用于采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度,并利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,其中所述虚拟能源网为分布式能源网的数字化构成;
执行单元4,用于若成立,则基于所述基础电能调度程序的框架下执行与虚拟电力调度对应的实际电力调度程序。
在本实施例中,上述装置实施例中的各个单元的具体实现,请参照上述方法实施例中所述,在此不再进行赘述。
参照图4,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现方法。
S1,采用预训练的ARIMA模型识别分布式能源网的当前时间戳的电能丰富度,并基于所述电能丰富度生成基础电能调度程序;
S2,将所述基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路,其中所述优化预测节点和优化预测线路分别为当前时间戳的分布式能源网中电能预测可优化调度的节点和线路;
S3,采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度,并利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,其中所述虚拟能源网为分布式能源网的数字化构成;
S4,若成立,则基于所述基础电能调度程序的框架下执行与虚拟电力调度对应的实际电力调度程序。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
综上所述,通过采用预训练的ARIMA模型识别分布式能源网的当前时间戳的电能丰富度,并基于所述电能丰富度生成基础电能调度程序;将所述基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路,其中所述优化预测节点和优化预测线路分别为当前时间戳的分布式能源网中电能预测可优化调度的节点和线路;采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度,并利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,其中所述虚拟能源网为分布式能源网的数字化构成;若成立,则基于所述基础电能调度程序的框架下执行与虚拟电力调度对应的实际电力调度程序;实现精确的预测和智能的调度,有效优化了电力资源的分配,提高了电力***的运行效率、稳定性和安全性,实现电力***的数字化和智能化管理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种虚拟电厂的优化调度方法,其特征在于,包括以下步骤:
采用预训练的ARIMA模型识别分布式能源网的当前时间戳的电能丰富度,并基于所述电能丰富度生成基础电能调度程序;
将所述基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路,其中所述优化预测节点和优化预测线路分别为当前时间戳的分布式能源网中电能预测可优化调度的节点和线路;
采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度,并利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,其中所述虚拟能源网为分布式能源网的数字化构成;
若成立,则基于所述基础电能调度程序的框架,执行与虚拟电力调度对应的实际电力调度程序。
2.根据权利要求1所述的虚拟电厂的优化调度方法,其特征在于,所述ARIMA模型识别分布式能源网的当前时间戳的电能丰富度的步骤,包括:
获取当前时间戳的能源网数据,所述能源网数据包括但不限于是电能生产量、电能消耗量、电能输出量和电缆荷载;
基于ARIMA模型对能源网数据进行时间序列拟合,以对所述能源网数据进行拟合验证,所述时间序列拟合包括将能源网数据与历史能源数据进行数据细项比对,以标定能源网数据中的各个能源细项;
通过标定的所述各个能源细项,利用ARIMA模型的建模列表法对各个能源细项进行自回归处理,生成以列表表示的所述电能丰富度,其中所述自回归处理包括将各个能源细项进行分类,以分类出分布式能源网中各个区域的电能丰富度。
3.根据权利要求1或2所述的虚拟电厂的优化调度方法,其特征在于,基于所述电能丰富度生成基础电能调度程序的步骤,包括:
根据所述电能丰富度确定出分布式能源网上各个区域的电能过剩区和电能缺失区;
通过预设的电力调度策略针对电能过剩区和电能缺失区进行电力控制载波PLC的编程,生成用于将所述电能过剩区的能量转入至电能缺失区的基础电能调度程序,其中预设的电力调度策略为预设的安全调度方略,包括能量转移效率和转移路径。
4.根据权利要求1所述的虚拟电厂的优化调度方法,其特征在于,将所述基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路的步骤,包括:
基于预存储的LSTM历史区域能源耗量进行当前时间戳的电能丰富度在预设时间内的电能消耗和电能增加的预测计算,以识别所述分布式能源网的各个能源区域所对应电能的消耗预测量和增加预测量;
将所述消耗预测量和增加预测量进行相加计算,得到能源效率预测量,并判断所述能源效率预测量是否处于预设的供电区间内,若能源效率预测量处于供电区间之上则为电能过剩,若能源效率预测量处于供电区间之下则为电能缺失;
若所述能源效率预测量处于供电区间内,则利用注意力机制确定出供电区间中最优值与能源效率预测量之间的正差异量或负差异量;
通过正差异量或负差异量确定能源效率预测量的调优量,并基于所述调优量对应识别出消耗预测量和增加预测量之间的预测调优量;
采用所述预测调优量对应识别出分布式能源网各个区域中线路与节点的消耗预测量和增加预测量的相加增加或相加递减,以对应根据所述基础电能调度程序得到各个区域的线路与节点的优化预测节点和优化预测线路。
5.根据权利要求1所述的虚拟电厂的优化调度方法,其特征在于,采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度的步骤,包括:
进行离散点识别和电路路径识别,虚拟构架出与分布式能源网匹配的虚拟能源网;
基于各个离散点和电路路径对所述虚拟能源网进行电网结构拓扑,以配置各个离散点和电路路径对应的电气参数;
根据所述各个离散点和电路路径的电气参数,确定出所述虚拟能源网的电网拓扑结构的节点和路径的参数数据,以根据所述混合整数线性程序对虚拟能源网进行优化预测节点和优化预测线路对应的虚拟电力调度。
6.根据权利要求5所述的虚拟电厂的优化调度方法,其特征在于,利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,包括:
采用所述滚动时域程序预设的分布式能源网的电能传输速度,测量实现虚拟电力调度的时间周期;
判断所述时间周期是否符合预设的时间日内的日内调度成立性。
7.根据权利要求1所述的虚拟电厂的优化调度方法,其特征在于,基于所述基础电能调度程序的框架,执行与虚拟电力调度对应的实际电力调度程序的步骤,包括:
基于基础电能调度程序生成与虚拟电力调度对应的实际电力调度,以根据所述实际电力调度进行分布式能源网的电力调度过程。
8.一种虚拟电厂的优化调度装置,其特征在于,包括:
识别单元,用于采用预训练的ARIMA模型识别分布式能源网的当前时间戳的电能丰富度,并基于所述电能丰富度生成基础电能调度程序;
网格单元,用于将所述基础电能调度程序和电能丰富度输入至预设的负荷预测模型,以通过所述负荷预测模型输出优化预测节点和优化预测线路,其中所述优化预测节点和优化预测线路分别为当前时间戳的分布式能源网中电能预测可优化调度的节点和线路;
判断单元,用于采用预设的在线优化模型利用混合整数线性程序,在虚拟能源网上进行优化预测节点和优化预测线路对应的虚拟电力调度,并利用滚动时域程序判断所述虚拟电力调度的日内调度成立性,其中所述虚拟能源网为分布式能源网的数字化构成;
执行单元,用于若成立,则基于所述基础电能调度程序的框架下执行与虚拟电力调度对应的实际电力调度程序。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述虚拟电厂的优化调度方法的步骤。
10.一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至7中任一项所述的虚拟电厂的优化调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879567.XA CN116596286B (zh) | 2023-07-18 | 2023-07-18 | 虚拟电厂的优化调度方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879567.XA CN116596286B (zh) | 2023-07-18 | 2023-07-18 | 虚拟电厂的优化调度方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596286A true CN116596286A (zh) | 2023-08-15 |
CN116596286B CN116596286B (zh) | 2024-04-16 |
Family
ID=87590363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310879567.XA Active CN116596286B (zh) | 2023-07-18 | 2023-07-18 | 虚拟电厂的优化调度方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596286B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318110A (zh) * | 2023-11-28 | 2023-12-29 | 惠州市长晟科技有限公司 | 分布式微型电能存储***、方法、计算机设备及存储介质 |
CN117827933A (zh) * | 2024-01-02 | 2024-04-05 | 北京易成慧众能源科技有限公司 | 一种基于电力交易数据图形生成方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824134A (zh) * | 2014-03-06 | 2014-05-28 | 河海大学 | 一种用于虚拟电厂的两阶段优化调度方法 |
CN109066690A (zh) * | 2018-09-13 | 2018-12-21 | 福建省农村信用社联合社 | 一种区域性产用电的电源调度方法 |
CN110416998A (zh) * | 2019-07-01 | 2019-11-05 | 华北电力大学 | 一种基于虚拟发电厂的地区复杂配网调度控制管理*** |
CN113852135A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 一种虚拟电厂能源调度方法、装置、存储介质及平台 |
CN114037191A (zh) * | 2022-01-07 | 2022-02-11 | 深圳江行联加智能科技有限公司 | 基于大数据的虚拟电厂优化调度方法、装置、设备及介质 |
CN114139780A (zh) * | 2021-11-16 | 2022-03-04 | 国网山西省电力公司电力科学研究院 | 含分布式电源的虚拟电厂与配电网协调优化方法及*** |
CN114977330A (zh) * | 2022-07-11 | 2022-08-30 | 湖南大学 | 建筑分布式光伏-蓄电池***连续运行调度方法及平台 |
CN115759317A (zh) * | 2022-06-09 | 2023-03-07 | 国网天津市电力公司 | 一种电力负荷调控方法、装置、电子设备及存储介质 |
CN115983612A (zh) * | 2023-03-20 | 2023-04-18 | 国网安徽省电力有限公司合肥供电公司 | 一种基于虚拟电厂的分布式源网荷储调度优化方法 |
CN116207739A (zh) * | 2023-05-04 | 2023-06-02 | 南方电网数字电网研究院有限公司 | 配电网优化调度方法、装置、计算机设备和存储介质 |
-
2023
- 2023-07-18 CN CN202310879567.XA patent/CN116596286B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824134A (zh) * | 2014-03-06 | 2014-05-28 | 河海大学 | 一种用于虚拟电厂的两阶段优化调度方法 |
CN109066690A (zh) * | 2018-09-13 | 2018-12-21 | 福建省农村信用社联合社 | 一种区域性产用电的电源调度方法 |
CN110416998A (zh) * | 2019-07-01 | 2019-11-05 | 华北电力大学 | 一种基于虚拟发电厂的地区复杂配网调度控制管理*** |
CN113852135A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 一种虚拟电厂能源调度方法、装置、存储介质及平台 |
CN114139780A (zh) * | 2021-11-16 | 2022-03-04 | 国网山西省电力公司电力科学研究院 | 含分布式电源的虚拟电厂与配电网协调优化方法及*** |
CN114037191A (zh) * | 2022-01-07 | 2022-02-11 | 深圳江行联加智能科技有限公司 | 基于大数据的虚拟电厂优化调度方法、装置、设备及介质 |
CN115759317A (zh) * | 2022-06-09 | 2023-03-07 | 国网天津市电力公司 | 一种电力负荷调控方法、装置、电子设备及存储介质 |
CN114977330A (zh) * | 2022-07-11 | 2022-08-30 | 湖南大学 | 建筑分布式光伏-蓄电池***连续运行调度方法及平台 |
CN115983612A (zh) * | 2023-03-20 | 2023-04-18 | 国网安徽省电力有限公司合肥供电公司 | 一种基于虚拟电厂的分布式源网荷储调度优化方法 |
CN116207739A (zh) * | 2023-05-04 | 2023-06-02 | 南方电网数字电网研究院有限公司 | 配电网优化调度方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
蒋惠凤: "《中长期电力负荷预测技术与应用》", 东南大学出版社, pages: 128 - 130 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318110A (zh) * | 2023-11-28 | 2023-12-29 | 惠州市长晟科技有限公司 | 分布式微型电能存储***、方法、计算机设备及存储介质 |
CN117318110B (zh) * | 2023-11-28 | 2024-03-08 | 惠州市长晟科技有限公司 | 分布式微型电能存储***、方法、计算机设备及存储介质 |
CN117827933A (zh) * | 2024-01-02 | 2024-04-05 | 北京易成慧众能源科技有限公司 | 一种基于电力交易数据图形生成方法及*** |
CN117827933B (zh) * | 2024-01-02 | 2024-06-07 | 北京易成慧众能源科技有限公司 | 一种基于电力交易数据图形生成方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116596286B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596286B (zh) | 虚拟电厂的优化调度方法、装置、设备及存储介质 | |
US10504195B2 (en) | System and method for decentralized energy production | |
JP2023129546A (ja) | エネルギ貯蔵システムを最適に制御するためのシステム及び方法 | |
Catalão et al. | Optimal offering strategies for wind power producers considering uncertainty and risk | |
US20190115753A1 (en) | Method for automatic cloud control of energy storage systems | |
Ruelens et al. | Demand side management of electric vehicles with uncertainty on arrival and departure times | |
CN115409649A (zh) | 风电场能量管理***及其方法 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及*** | |
Nazemi et al. | A mixed-integer distributionally robust chance-constrained model for optimal topology control in power grids with uncertain renewables | |
US20220373989A1 (en) | System for configuring demand response for energy grid assets | |
CN113690885A (zh) | 一种供电控制方法及供电平台 | |
Cho et al. | Three-stage robust unit commitment considering decreasing uncertainty in wind power forecasting | |
JP2020039222A (ja) | 電力需給制御装置、電力需給制御システムおよび電力需給制御方法 | |
Esmaeeli et al. | Determination of optimal reserve contribution of thermal units to afford the wind power uncertainty | |
Anders et al. | Proactive guidance for dynamic and cooperative resource allocation under uncertainties | |
Urbano et al. | Energy infrastructure of the factory as a virtual power plant: Smart energy management | |
EP4027474A1 (en) | Power control device and power control method | |
Nikovski et al. | Factored markov decision process models for stochastic unit commitment | |
Zhai et al. | MPC-based two-stage rolling power dispatch approach for wind-integrated power system | |
Gao et al. | A review of different methodologies for solving the problem of wind power's fluctuation | |
CN113298329A (zh) | 训练、策略生成方法、***、计算机装置及存储介质 | |
Minhas | Load balancing in smart dc micro-grid using delay tolerant user demands | |
CN118014318B (zh) | 一种基于多能***的电力能源需求动态管理方法及装置 | |
CN117791613B (zh) | 一种基于资源集群调控的决策方法及*** | |
Cornelusse et al. | Supervised learning of intra-daily recourse strategies for generation management under uncertainties |
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 |