CN117332236B - 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 - Google Patents
一种虚拟电厂的数据跟踪检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117332236B CN117332236B CN202311426529.5A CN202311426529A CN117332236B CN 117332236 B CN117332236 B CN 117332236B CN 202311426529 A CN202311426529 A CN 202311426529A CN 117332236 B CN117332236 B CN 117332236B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- operation data
- result
- storage configuration
- real
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000004146 energy storage Methods 0.000 claims abstract description 206
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 14
- 238000013524 data verification Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种虚拟电厂的数据跟踪检测方法、装置及存储介质,方法包括:将虚拟电厂的实时运行数据按照预设的属性类型标注为各个第一特征元素;将实时运行数据输入储能配置模型中,生成储能配置结果;将实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果;若预测结果与储能配置结果不匹配,则获取预测结果对应的历史运行数据,将历史运行数据按照预设的属性类型标注为各个第二特征元素;若第一特征元素与第二特征元素不完全相同,则检测实时运行数据是否异常,若是,则对异常的实时运行数据进行校正;若否,则更新预测模型的训练集;若预测结果与储能配置结果匹配,则直接输出储能配置结果,提高了虚拟电厂储能配置计算的准确率。
Description
技术领域
本发明涉及虚拟电厂技术领域,尤其涉及一种虚拟电厂的数据跟踪检测方法、装置及存储介质。
背景技术
虚拟电厂由多个分散的能源资源组成,这些资源可以位于不同的地点,拥有不同的所有者和运营商。虚拟电厂通过集中控制和优化多个能源资源,实现对电网的快速调节和响应;通过整合可再生能源资源和储能***,实现对可再生能源的有效利用和储能。在虚拟电厂对多个能源资源进行数据获取和计算的过程中,由于各种原因可能会产生数据错误的情况,在严重的情况下,原始数据的错误可能会导致计算结果以及配置优化决策的错误,对虚拟电厂对个能源资源的集中控制和调度产生影响,降低虚拟电厂的配置优化决策的准确率。
发明内容
本发明提供了一种虚拟电厂的数据跟踪检测方法、装置及存储介质,通过对配置计算路径中的数据进行跟踪预测,检测出对配置计算结果产生影响的异常数据,并对异常数据进行校正,避免数据错误导致配置计算结果的错误,提高了虚拟电厂储能配置计算的准确率。
本发明提供了一种虚拟电厂的数据跟踪检测方法,包括:获取虚拟电厂的实时运行数据;将所述实时运行数据按照预设的属性类型标注为各个第一特征元素;将所述实时运行数据输入储能配置模型中,生成储能配置结果;将所述实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果;所述预测模型根据所述虚拟电厂的历史运行数据训练而来;将所述预测结果与所述储能配置结果进行比对;
若所述预测结果与所述储能配置结果不匹配,则获取所述预测结果对应的第一历史运行数据,将所述第一历史运行数据按照预设的属性类型标注为各个第二特征元素;若所述第一特征元素与所述第二特征元素不完全相同,则检测所述实时运行数据是否异常,若是,则对异常的实时运行数据进行校正;若否,则更新所述预测模型的训练集;
若所述预测结果与所述储能配置结果匹配,则直接输出储能配置结果。
作为优选方案,本发明通过在利用原始监测数据,即实时运行数据进行储能配置计算的过程中,利用历史数据训练而来的预测模型对实时运行数据进行跟踪预测。当预测模型计算的预测结果与储能配置模型计算的储能配置结果不匹配时,检测实时运行数据是否有异常的数据。同时,本发明通过将获取的实时运行数据进行标注,将数据按照属性分成若干类。按照标注的类别,将实时运行数据与历史数据进行对比和异常检测,以识别出异常数据并进行更正,避免数据错误导致配置计算结果的错误,提高了虚拟电厂储能配置计算的准确率。
进一步地,将所述实时运行数据输入储能配置模型中,生成储能配置结果,具体为:
将所述实时运行数据分别输入到各个节点中,生成对应的模型结果,并确定所述虚拟电厂的储能;每个所述节点部署所述虚拟电厂的发电机组模型、储能***模型或负荷资源模型,以及模型的运行约束;所述模型结果包括:发电机组出力结果或负荷出力结果;
若所述虚拟电厂的储能满足配置条件,则将所述实时运行数据、各个节点生成的模型结果以及模型的运行约束输入到储能配置模型中,生成储能配置结果;所述储能配置模型包括以虚拟电厂收益最大和社会福利最大为目标函数、虚拟电厂的运行约束、电价约束、节点功率平衡约束、发电机组出力约束、线路输电限制约束和负荷约束。
进一步地,所述预测模型根据所述虚拟电厂的历史运行数据训练而来,具体为:
获取储能配置模型的若干组历史运行数据集及其储能配置结果;将若干组所述历史运行数据集作为训练数据,将所述历史运行数据集对应的储能配置结果作为所述训练数据对应的分类标签,对分类器进行训练,生成一个预测模型。
进一步地,将所述实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果,具体为:
将实时运行数据与每组历史运行数据集进行关联度计算,生成与每组历史运行数据集的关联度值,选取所述关联度值最大的一组历史运行数据集对应的储能配置结果作为预测结果进行输出。
作为优选方案,本发明利用历史数据训练而来的预测模型对实时运行数据进行跟踪预测,可以得到与实时运行情况相似的历史场景中对应的储能配置结果。若计算出的实时储能配置结果与实时运行情况最为相似的某一历史场景的储能配置结果不同,则有可能对实时运行数据的获取出现错误。通过跟踪预测结果判断当前实时运行数据是否需要进行异常检测,实现对实时计算的储能配置结果的校对,提高虚拟电厂储能配置计算的准确率。
进一步地,检测所述实时运行数据是否异常,若是,则对异常的实时运行数据进行校正,若否,则更新所述预测模型的训练集,具体为:
在第一特征元素中识别与所述第二特征元素不同的第三特征元素,判断所述第三特征元素对应的实时运行数据是否在预先预设的合理范围中;
若是,则将所述实时运行数据和所述储能配置结果加入所述预测模型的训练集中,并输出储能配置结果;若否,则重新获取对应的实时运行数据输入到所述配置预测模型和所述储能配置模型中,更新预测结果与储能配置结果,并将更新后的预测结果与储能配置结果进行比对。
进一步地,将更新后的预测结果与储能配置结果进行比对,具体为:
若更新后的预测结果与储能配置结果匹配,则直接输出更新后的储能配置结果;
若更新后的预测结果与储能配置结果不匹配的次数超过预设次数,则向管理***发送数据检测异常警告,并通知管理员对异常的实时运行数据进行人工配置。
作为优选方案,本发明通过按照标注的特征元素,将实时运行数据的特征元素和与实时运行情况最为相似的历史场景数据的特征元素进行对比和异常检测,找出不同的特征元素对应的实时运行数据。若实时运行数据在预设合理范围中则确定该数据正常,在预测模型训练集中添加新的历史场景数据。若实时运行数据不在预设合理范围中则确定该数据异常,并通过重新采集或者人工配置的方法进行校正,降低了各种原因导致的异常数据对配置计算结果的影响,提高了虚拟电厂储能配置计算的准确率。
相应地,本发明还提供一种虚拟电厂的数据跟踪检测装置,包括:跟踪预测模块、数据校验模块和输出模块;
其中,所述跟踪预测模块用于获取虚拟电厂的实时运行数据;将所述实时运行数据输入储能配置模型中,生成储能配置结果;将所述实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果;所述预测模型根据所述虚拟电厂的历史运行数据训练而来;将所述预测结果与所述储能配置结果进行比对;
所述数据校验模块用于将所述实时运行数据按照预设的属性类型标注为各个第一特征元素;若所述预测结果与所述储能配置结果不匹配,则获取所述预测结果对应的第一历史运行数据,将所述第一历史运行数据按照预设的属性类型标注为各个第二特征元素;若所述第一特征元素与所述第二特征元素不完全相同,则检测所述实时运行数据是否异常,若是,则对异常的实时运行数据进行校正;若否,则更新所述预测模型的训练集;
所述输出模块用于若所述预测结果与所述储能配置结果匹配,则直接输出储能配置结果。
进一步地,跟踪预测模块包括:储能配置单元和跟踪预测单元;
所述储能配置单元用于将所述实时运行数据分别输入到各个节点中,生成对应的模型结果,并确定所述虚拟电厂的储能;每个所述节点部署所述虚拟电厂的发电机组模型、储能***模型或负荷资源模型,以及模型的运行约束;所述模型结果包括:发电机组出力结果或负荷出力结果;
若所述虚拟电厂的储能满足配置条件,则将所述实时运行数据、各个节点生成的模型结果以及模型的运行约束输入到储能配置模型中,生成储能配置结果;所述储能配置模型包括以虚拟电厂收益最大和社会福利最大为目标函数、虚拟电厂的运行约束、电价约束、节点功率平衡约束、发电机组出力约束、线路输电限制约束和负荷约束;
所述跟踪预测单元用于获取储能配置模型的若干组历史运行数据集及其储能配置结果;将若干组所述历史运行数据集作为训练数据,将所述历史运行数据集对应的储能配置结果作为所述训练数据对应的分类标签,对分类器进行训练,生成一个预测模型;
将实时运行数据与每组历史运行数据集进行关联度计算,生成与每组历史运行数据集的关联度值,选取所述关联度值最大的一组历史运行数据集对应的储能配置结果作为预测结果进行输出。
进一步地,数据校验模块包括:异常检测单元和校正单元;
所述异常检测单元用于在第一特征元素中识别与所述第二特征元素不同的第三特征元素,判断所述第三特征元素对应的实时运行数据是否在预先预设的合理范围中;
所述校正单元用于若是,则将所述实时运行数据和所述储能配置结果加入所述预测模型的训练集中,并输出储能配置结果;
若否,则重新获取对应的实时运行数据输入到所述配置预测模型和所述储能配置模型中,更新预测结果与储能配置结果,并将更新后的预测结果与储能配置结果进行比对。
作为优选方案,本发明装置通过跟踪预测模块在利用原始监测数据,即实时运行数据进行储能配置计算的过程中,利用历史数据训练而来的预测模型对实时运行数据进行跟踪预测。数据校验模块当预测模型计算的预测结果与储能配置模型计算的储能配置结果不匹配时,检测实时运行数据是否有异常的数据。同时,数据校验模块通过将获取的实时运行数据进行标注,将数据按照属性分成若干类。按照标注的类别,将实时运行数据与历史数据进行对比和异常检测,以识别出异常数据并进行更正,并利用输出模块对正确的储能配置结果进行输出,避免数据错误导致配置计算结果的错误,提高了虚拟电厂储能配置计算的准确率。
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如本发明内容所述的一种虚拟电厂的数据跟踪检测方法。
附图说明
图1是本发明提供的虚拟电厂的数据跟踪检测方法的一种实施例的流程示意图;
图2是本发明提供的虚拟电厂的数据跟踪检测装置的一种实施例的结构示意图。
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。
实施例一
请参照图1,为本发明实施例提供的一种虚拟电厂的数据跟踪检测方法,包括步骤S101-S103:
步骤S101:获取虚拟电厂的实时运行数据;将所述实时运行数据输入储能配置模型中,生成储能配置结果;将所述实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果;所述预测模型根据所述虚拟电厂的历史运行数据训练而来;将所述预测结果与所述储能配置结果进行比对;
在本实施例中,虚拟电厂聚合发电资源、储能资源和负荷资源进行协同控制和优化调度等。其中,发电资源包括将光伏、风电、太阳能设备、燃料电池、柴油发电机等各种类型的发电机组;储能资源包括电池储能、超导储能等储能设备;负荷资源包括公共、商业和居民等各种类型的电力负荷。
在本实施例中,根据负荷的需求情况,对发电资源进行消纳。若发电机组的出力大于负荷需求时,则需要判断储能***容量是否满足向电网售电的条件,若否,则向储量***进行充电,若是,则根据预设的电量价格出售储能***中的电能。利用储能配置模型,制订以虚拟电厂收益最大和社会福利最大为多目标的目标函数,计算虚拟电厂的储能配置策略。
进一步地,将所述实时运行数据输入储能配置模型中,生成储能配置结果,具体为:
将所述实时运行数据分别输入到各个节点中,生成对应的模型结果,并确定所述虚拟电厂的储能;每个所述节点部署所述虚拟电厂的发电机组模型、储能***模型或负荷资源模型,以及模型的运行约束;所述模型结果包括:发电机组出力结果或负荷出力结果;
若所述虚拟电厂的储能满足配置条件,则将所述实时运行数据、各个节点生成的模型结果以及模型的运行约束输入到储能配置模型中,生成储能配置结果;所述储能配置模型包括以虚拟电厂收益最大和社会福利最大为目标函数、虚拟电厂的运行约束、电价约束、节点功率平衡约束、发电机组出力约束、线路输电限制约束和负荷约束。
进一步地,所述预测模型根据所述虚拟电厂的历史运行数据训练而来,具体为:
获取储能配置模型的若干组历史运行数据集及其储能配置结果;将若干组所述历史运行数据集作为训练数据,将所述历史运行数据集对应的储能配置结果作为所述训练数据对应的分类标签,对分类器进行训练,生成一个预测模型。
进一步地,将所述实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果,具体为:
将实时运行数据与每组历史运行数据集进行关联度计算,生成与每组历史运行数据集的关联度值,选取所述关联度值最大的一组历史运行数据集对应的储能配置结果作为预测结果进行输出。
在本实施例中,本发明利用历史数据训练而来的预测模型对实时运行数据进行跟踪预测,可以得到与实时运行情况相似的历史场景中对应的储能配置结果。若计算出的实时储能配置结果与实时运行情况最为相似的某一历史场景的储能配置结果不同,则有可能对实时运行数据的获取出现错误。通过跟踪预测结果判断当前实时运行数据是否需要进行异常检测,实现对实时计算的储能配置结果的校对,提高虚拟电厂储能配置计算的准确率。
步骤S102:将所述实时运行数据按照预设的属性类型标注为各个第一特征元素;若所述预测结果与所述储能配置结果不匹配,则获取所述预测结果对应的第一历史运行数据,将所述第一历史运行数据按照预设的属性类型标注为各个第二特征元素;若所述第一特征元素与所述第二特征元素不完全相同,则检测所述实时运行数据是否异常,若是,则对异常的实时运行数据进行校正;若否,则更新所述预测模型的训练集;
进一步地,检测所述实时运行数据是否异常,若是,则对异常的实时运行数据进行校正,若否,则更新所述预测模型的训练集,具体为:
在第一特征元素中识别与所述第二特征元素不同的第三特征元素,判断所述第三特征元素对应的实时运行数据是否在预先预设的合理范围中;
若是,则将所述实时运行数据和所述储能配置结果加入所述预测模型的训练集中,并输出储能配置结果;若否,则重新获取对应的实时运行数据输入到所述配置预测模型和所述储能配置模型中,更新预测结果与储能配置结果,并将更新后的预测结果与储能配置结果进行比对。
进一步地,将更新后的预测结果与储能配置结果进行比对,具体为:
若更新后的预测结果与储能配置结果匹配,则直接输出更新后的储能配置结果;
若更新后的预测结果与储能配置结果不匹配的次数超过预设次数,则向管理***发送数据检测异常警告,并通知管理员对异常的实时运行数据进行人工配置。
在本实施例中,本发明通过按照标注的特征元素,将实时运行数据的特征元素和与实时运行情况最为相似的历史场景数据的特征元素进行对比和异常检测,找出不同的特征元素对应的实时运行数据。若实时运行数据在预设合理范围中则确定该数据正常,在预测模型训练集中添加新的历史场景数据。若实时运行数据不在预设合理范围中则确定该数据异常,并通过重新采集或者人工配置的方法进行校正,降低了各种原因导致的异常数据对配置计算结果的影响,提高了虚拟电厂储能配置计算的准确率。
步骤S103:若所述预测结果与所述储能配置结果匹配,则直接输出储能配置结果。
在本实施例中,当计算出的实时储能配置结果与实时运行情况最为相似的某一历史场景的储能配置结果相同,则实时运行数据没有出现异常,可以直接使用该结果。
实施本发明实施例,具有如下效果:
本发明通过在利用原始监测数据,即实时运行数据进行储能配置计算的过程中,利用历史数据训练而来的预测模型对实时运行数据进行跟踪预测。当预测模型计算的预测结果与储能配置模型计算的储能配置结果不匹配时,检测实时运行数据是否有异常的数据。同时,本发明通过将获取的实时运行数据进行标注,将数据按照属性分成若干类。按照标注的类别,将实时运行数据与历史数据进行对比和异常检测,以识别出异常数据并进行更正,避免数据错误导致配置计算结果的错误,提高了虚拟电厂储能配置计算的准确率。
实施例二
请参照图2,为本发明实施例提供的一种虚拟电厂的数据跟踪检测装置,包括:跟踪预测模块201、数据校验模块202和输出模块203;
其中,所述跟踪预测模块201用于获取虚拟电厂的实时运行数据;将所述实时运行数据输入储能配置模型中,生成储能配置结果;将所述实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果;所述预测模型根据所述虚拟电厂的历史运行数据训练而来;将所述预测结果与所述储能配置结果进行比对;
所述数据校验模块202用于将所述实时运行数据按照预设的属性类型标注为各个第一特征元素;若所述预测结果与所述储能配置结果不匹配,则获取所述预测结果对应的第一历史运行数据,将所述第一历史运行数据按照预设的属性类型标注为各个第二特征元素;若所述第一特征元素与所述第二特征元素不完全相同,则检测所述实时运行数据是否异常,若是,则对异常的实时运行数据进行校正;若否,则更新所述预测模型的训练集;
所述输出模块203用于若所述预测结果与所述储能配置结果匹配,则直接输出储能配置结果。
所述跟踪预测模块201包括:储能配置单元和跟踪预测单元;
所述储能配置单元用于将所述实时运行数据分别输入到各个节点中,生成对应的模型结果,并确定所述虚拟电厂的储能;每个所述节点部署所述虚拟电厂的发电机组模型、储能***模型或负荷资源模型,以及模型的运行约束;所述模型结果包括:发电机组出力结果或负荷出力结果;
若所述虚拟电厂的储能满足配置条件,则将所述实时运行数据、各个节点生成的模型结果以及模型的运行约束输入到储能配置模型中,生成储能配置结果;所述储能配置模型包括以虚拟电厂收益最大和社会福利最大为目标函数、虚拟电厂的运行约束、电价约束、节点功率平衡约束、发电机组出力约束、线路输电限制约束和负荷约束;
所述跟踪预测单元用于获取储能配置模型的若干组历史运行数据集及其储能配置结果;将若干组所述历史运行数据集作为训练数据,将所述历史运行数据集对应的储能配置结果作为所述训练数据对应的分类标签,对分类器进行训练,生成一个预测模型;
将实时运行数据与每组历史运行数据集进行关联度计算,生成与每组历史运行数据集的关联度值,选取所述关联度值最大的一组历史运行数据集对应的储能配置结果作为预测结果进行输出。
所述数据校验模块202包括:异常检测单元和校正单元;
所述异常检测单元用于在第一特征元素中识别与所述第二特征元素不同的第三特征元素,判断所述第三特征元素对应的实时运行数据是否在预先预设的合理范围中;
所述校正单元用于若是,则将所述实时运行数据和所述储能配置结果加入所述预测模型的训练集中,并输出储能配置结果;
若否,则重新获取对应的实时运行数据输入到所述配置预测模型和所述储能配置模型中,更新预测结果与储能配置结果,并将更新后的预测结果与储能配置结果进行比对。
所述将更新后的预测结果与储能配置结果进行比对,具体为:
若更新后的预测结果与储能配置结果匹配,则直接输出更新后的储能配置结果;
若更新后的预测结果与储能配置结果不匹配的次数超过预设次数,则向管理***发送数据检测异常警告,并通知管理员对异常的实时运行数据进行人工配置。
上述的虚拟电厂的数据跟踪检测装置可实施上述方法实施例的虚拟电厂的数据跟踪检测方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
实施本发明实施例,具有如下效果:
本发明装置通过跟踪预测模块在利用原始监测数据,即实时运行数据进行储能配置计算的过程中,利用历史数据训练而来的预测模型对实时运行数据进行跟踪预测。数据校验模块当预测模型计算的预测结果与储能配置模型计算的储能配置结果不匹配时,检测实时运行数据是否有异常的数据。同时,数据校验模块通过将获取的实时运行数据进行标注,将数据按照属性分成若干类。按照标注的类别,将实时运行数据与历史数据进行对比和异常检测,以识别出异常数据并进行更正,并利用输出模块对正确的储能配置结果进行输出,避免数据错误导致配置计算结果的错误,提高了虚拟电厂储能配置计算的准确率。
实施例三
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的虚拟电厂的数据跟踪检测方法。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据移动终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种虚拟电厂的数据跟踪检测方法,其特征在于,包括:
获取虚拟电厂的实时运行数据;将所述实时运行数据按照预设的属性类型标注为各个第一特征元素;
将所述实时运行数据输入储能配置模型中,生成储能配置结果,具体为:
将所述实时运行数据分别输入到各个节点中,生成对应的模型结果,并确定所述虚拟电厂的储能;每个所述节点部署所述虚拟电厂的发电机组模型、储能***模型或负荷资源模型,以及模型的运行约束;所述模型结果包括:发电机组出力结果或负荷出力结果;
若所述虚拟电厂的储能满足配置条件,则将所述实时运行数据、各个节点生成的模型结果以及模型的运行约束输入到储能配置模型中,生成储能配置结果;所述储能配置模型包括以虚拟电厂收益最大和社会福利最大为目标函数、虚拟电厂的运行约束、电价约束、节点功率平衡约束、发电机组出力约束、线路输电限制约束和负荷约束;
将所述实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果;所述预测模型根据所述虚拟电厂的历史运行数据训练而来;将所述预测结果与所述储能配置结果进行比对;
若所述预测结果与所述储能配置结果不匹配,则获取所述预测结果对应的第一历史运行数据,将所述第一历史运行数据按照预设的属性类型标注为各个第二特征元素;若所述第一特征元素与所述第二特征元素不完全相同,则检测所述实时运行数据是否异常,若是,则对异常的实时运行数据进行校正;若否,则更新所述预测模型的训练集;
若所述预测结果与所述储能配置结果匹配,则直接输出储能配置结果。
2.如权利要求1所述的一种虚拟电厂的数据跟踪检测方法,其特征在于,所述预测模型根据所述虚拟电厂的历史运行数据训练而来,具体为:
获取储能配置模型的若干组历史运行数据集及其储能配置结果;将若干组所述历史运行数据集作为训练数据,将所述历史运行数据集对应的储能配置结果作为所述训练数据对应的分类标签,对分类器进行训练,生成一个预测模型。
3.如权利要求2所述的一种虚拟电厂的数据跟踪检测方法,其特征在于,将所述实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果,具体为:
将实时运行数据与每组历史运行数据集进行关联度计算,生成与每组历史运行数据集的关联度值,选取所述关联度值最大的一组历史运行数据集对应的储能配置结果作为预测结果进行输出。
4.如权利要求1所述的一种虚拟电厂的数据跟踪检测方法,其特征在于,所述检测所述实时运行数据是否异常,若是,则对异常的实时运行数据进行校正,若否,则更新所述预测模型的训练集,具体为:
在第一特征元素中识别与所述第二特征元素不同的第三特征元素,判断所述第三特征元素对应的实时运行数据是否在预先预设的合理范围中;
若是,则将所述实时运行数据和所述储能配置结果加入所述预测模型的训练集中,并输出储能配置结果;若否,则重新获取对应的实时运行数据输入到所述配置预测模型和所述储能配置模型中,更新预测结果与储能配置结果,并将更新后的预测结果与储能配置结果进行比对。
5.如权利要求4所述的一种虚拟电厂的数据跟踪检测方法,其特征在于,所述将更新后的预测结果与储能配置结果进行比对,具体为:
若更新后的预测结果与储能配置结果匹配,则直接输出更新后的储能配置结果;
若更新后的预测结果与储能配置结果不匹配的次数超过预设次数,则向管理***发送数据检测异常警告,并通知管理员对异常的实时运行数据进行人工配置。
6.一种虚拟电厂的数据跟踪检测装置,其特征在于,包括:跟踪预测模块、数据校验模块和输出模块;
其中,所述跟踪预测模块用于获取虚拟电厂的实时运行数据;将所述实时运行数据输入储能配置模型中,生成储能配置结果;将所述实时运行数据输入到配置预测模型中进行跟踪预测,生成预测结果;所述预测模型根据所述虚拟电厂的历史运行数据训练而来;将所述预测结果与所述储能配置结果进行比对;
所述跟踪预测模块包括:储能配置单元;
所述储能配置单元用于将所述实时运行数据分别输入到各个节点中,生成对应的模型结果,并确定所述虚拟电厂的储能;每个所述节点部署所述虚拟电厂的发电机组模型、储能***模型或负荷资源模型,以及模型的运行约束;所述模型结果包括:发电机组出力结果或负荷出力结果;
若所述虚拟电厂的储能满足配置条件,则将所述实时运行数据、各个节点生成的模型结果以及模型的运行约束输入到储能配置模型中,生成储能配置结果;所述储能配置模型包括以虚拟电厂收益最大和社会福利最大为目标函数、虚拟电厂的运行约束、电价约束、节点功率平衡约束、发电机组出力约束、线路输电限制约束和负荷约束;
所述数据校验模块用于将所述实时运行数据按照预设的属性类型标注为各个第一特征元素;若所述预测结果与所述储能配置结果不匹配,则获取所述预测结果对应的第一历史运行数据,将所述第一历史运行数据按照预设的属性类型标注为各个第二特征元素;若所述第一特征元素与所述第二特征元素不完全相同,则检测所述实时运行数据是否异常,若是,则对异常的实时运行数据进行校正;若否,则更新所述预测模型的训练集;
所述输出模块用于若所述预测结果与所述储能配置结果匹配,则直接输出储能配置结果。
7.如权利要求6所述的一种虚拟电厂的数据跟踪检测装置,其特征在于,所述跟踪预测模块包括:跟踪预测单元;
所述跟踪预测单元用于获取储能配置模型的若干组历史运行数据集及其储能配置结果;将若干组所述历史运行数据集作为训练数据,将所述历史运行数据集对应的储能配置结果作为所述训练数据对应的分类标签,对分类器进行训练,生成一个预测模型;
将实时运行数据与每组历史运行数据集进行关联度计算,生成与每组历史运行数据集的关联度值,选取所述关联度值最大的一组历史运行数据集对应的储能配置结果作为预测结果进行输出。
8.如权利要求6所述的一种虚拟电厂的数据跟踪检测装置,其特征在于,所述数据校验模块包括:异常检测单元和校正单元;
所述异常检测单元用于在第一特征元素中识别与所述第二特征元素不同的第三特征元素,判断所述第三特征元素对应的实时运行数据是否在预先预设的合理范围中;
所述校正单元用于若是,则将所述实时运行数据和所述储能配置结果加入所述预测模型的训练集中,并输出储能配置结果;
若否,则重新获取对应的实时运行数据输入到所述配置预测模型和所述储能配置模型中,更新预测结果与储能配置结果,并将更新后的预测结果与储能配置结果进行比对。
9.一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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至5中任意一项所述的一种虚拟电厂的数据跟踪检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311426529.5A CN117332236B (zh) | 2023-10-30 | 2023-10-30 | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311426529.5A CN117332236B (zh) | 2023-10-30 | 2023-10-30 | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332236A CN117332236A (zh) | 2024-01-02 |
CN117332236B true CN117332236B (zh) | 2024-05-07 |
Family
ID=89290316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311426529.5A Active CN117332236B (zh) | 2023-10-30 | 2023-10-30 | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332236B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200074825A (ko) * | 2018-12-17 | 2020-06-25 | 한국과학기술원 | 패턴 태깅 기술 기반 비정상 전력 데이터 판별 방법 및 시스템 |
CN112987666A (zh) * | 2021-02-09 | 2021-06-18 | 浙大城市学院 | 电厂机组运行优化调控方法及*** |
KR20210085315A (ko) * | 2019-12-30 | 2021-07-08 | 한국과학기술연구원 | 딥러닝 기반 발전소의 출력 값 예측 방법 및 이를 수행하는 시스템 |
WO2021164112A1 (zh) * | 2020-02-18 | 2021-08-26 | 山东大学 | 风电场优化配置储能作为黑启动电源的频率控制方法及*** |
WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合***及方法 |
CN114240003A (zh) * | 2022-02-23 | 2022-03-25 | 泰豪软件股份有限公司 | 一种新能源出力预测方法、***、存储介质及设备 |
CN115796406A (zh) * | 2023-02-13 | 2023-03-14 | 浙江浙能能源服务有限公司 | 一种用于虚拟电厂的优化调节方法及*** |
CN116470543A (zh) * | 2023-04-20 | 2023-07-21 | 江苏方天电力技术有限公司 | 一种虚拟电厂的运行控制方法、装置、设备及介质 |
CN116502160A (zh) * | 2023-03-13 | 2023-07-28 | 华能曲阜热电有限公司 | 一种电量数据自动采集*** |
CN116565846A (zh) * | 2023-05-11 | 2023-08-08 | 国网上海市电力公司 | 一种虚拟电厂需求预测方法、***及可读存储介质 |
CN116882597A (zh) * | 2023-09-07 | 2023-10-13 | 国网信息通信产业集团有限公司 | 虚拟电厂控制方法、装置、电子设备和可读介质 |
-
2023
- 2023-10-30 CN CN202311426529.5A patent/CN117332236B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200074825A (ko) * | 2018-12-17 | 2020-06-25 | 한국과학기술원 | 패턴 태깅 기술 기반 비정상 전력 데이터 판별 방법 및 시스템 |
KR20210085315A (ko) * | 2019-12-30 | 2021-07-08 | 한국과학기술연구원 | 딥러닝 기반 발전소의 출력 값 예측 방법 및 이를 수행하는 시스템 |
WO2021164112A1 (zh) * | 2020-02-18 | 2021-08-26 | 山东大学 | 风电场优化配置储能作为黑启动电源的频率控制方法及*** |
WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合***及方法 |
CN112987666A (zh) * | 2021-02-09 | 2021-06-18 | 浙大城市学院 | 电厂机组运行优化调控方法及*** |
CN114240003A (zh) * | 2022-02-23 | 2022-03-25 | 泰豪软件股份有限公司 | 一种新能源出力预测方法、***、存储介质及设备 |
CN115796406A (zh) * | 2023-02-13 | 2023-03-14 | 浙江浙能能源服务有限公司 | 一种用于虚拟电厂的优化调节方法及*** |
CN116502160A (zh) * | 2023-03-13 | 2023-07-28 | 华能曲阜热电有限公司 | 一种电量数据自动采集*** |
CN116470543A (zh) * | 2023-04-20 | 2023-07-21 | 江苏方天电力技术有限公司 | 一种虚拟电厂的运行控制方法、装置、设备及介质 |
CN116565846A (zh) * | 2023-05-11 | 2023-08-08 | 国网上海市电力公司 | 一种虚拟电厂需求预测方法、***及可读存储介质 |
CN116882597A (zh) * | 2023-09-07 | 2023-10-13 | 国网信息通信产业集团有限公司 | 虚拟电厂控制方法、装置、电子设备和可读介质 |
Non-Patent Citations (4)
Title |
---|
A Review on Machine Learning Models in Forecasting of Virtual Power Plant Uncertainties;Dogan, A.等;《Arch Computat Methods Eng》;20221130;第30卷;2081–2103 * |
基于技术型虚拟电厂的配电网阻塞管理;周宇等;《全球能源互联网》;20190523;第2卷(第3期);302-308 * |
基于滚动时域优化和反馈校正的虚拟电厂实时优化调度方法;蒋望等;《电网与清洁能源》;20220825;第38卷(第8期);40-50 * |
虚拟电厂背景下的空调负荷调控策略;刘永春等;《光源与照明》;20210630;第6卷;134-136 * |
Also Published As
Publication number | Publication date |
---|---|
CN117332236A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826789B (zh) | 基于电力***的电力负荷预测方法、装置及终端设备 | |
US11916422B2 (en) | Battery charge and discharge power control in a power grid | |
EP3648279B1 (en) | Method, electrical grid and computer program product for predicting overloads in an electrical grid | |
Memari et al. | Reliability evaluation of smart grid using various classic and metaheuristic clustering algorithms considering system uncertainties | |
CN116258484B (zh) | 设备的预测性运维方案生成方法、装置、终端设备和介质 | |
Samakpong et al. | Optimal power flow incorporating renewable uncertainty related opportunity costs | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN115600793A (zh) | 面向源网荷储一体化园区的协同控制方法及*** | |
CN112436542A (zh) | 计及稳控策略的稳态安全紧急控制在线预决策方法 | |
CN111798070B (zh) | 一种用户侧光储***的配置方法及装置 | |
CN117332236B (zh) | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 | |
CN116826859A (zh) | 一种电源碳电协同规划方法、装置、设备及存储介质 | |
CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
CN116073340A (zh) | 一种源荷互动场景下的继电保护定值单生成方法及装置 | |
JPWO2017154116A1 (ja) | 電力制御装置、電力制御システム、電力制御方法、及び、プログラム | |
Anderson et al. | Optimize Deep Decarbonization Pathways in California with Power System Planning Using Surrogate Level-based Lagrangian Relaxation | |
CN115275975A (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
CN114706732A (zh) | 光伏电站运行数据的监测方法及装置 | |
EP3966907B1 (en) | Apparatus and method for dynamic forecasting, aggregation, and validation | |
Chin et al. | Formation of ad hoc microgrids for prompt critical load pickup during blackouts by leveraging stochastic distributed energy resources | |
CN111030091A (zh) | 一种确定分布式可再生能源电力装机容量的方法及*** | |
CN117526376B (zh) | 一种虚拟电厂的光伏发电与储能聚合管理方法及装置 | |
CN117313997B (zh) | 一种导地线生命周期碳足迹的核算方法及装置 | |
CN118353055A (zh) | 储能***的运行控制方法与相关产品 | |
CN117833235A (zh) | 电力***的平滑调度方法、装置、设备及可读存储介质 |
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 |