CN118054451A - 风电场群优化储能的管理方法及装置、微电网*** - Google Patents
风电场群优化储能的管理方法及装置、微电网*** Download PDFInfo
- Publication number
- CN118054451A CN118054451A CN202410243820.7A CN202410243820A CN118054451A CN 118054451 A CN118054451 A CN 118054451A CN 202410243820 A CN202410243820 A CN 202410243820A CN 118054451 A CN118054451 A CN 118054451A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- data
- energy
- wind power
- grid
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 216
- 238000007726 management method Methods 0.000 title claims abstract description 48
- 238000007599 discharging Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000009472 formulation Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了风电场群优化储能的管理方法及装置、微电网***,其方法包括:收集气象数据、电网运行数据和用户行为数据,生成综合数据集,并基于综合数据集通过预训练好的机器学习模型预测风电产出和负荷需求,输出风电产出预测数据和负荷需求预测数据;基于风电产出预测数据和负荷需求预测数据,分析储能***状态,制定储能调度策略,所述储能调度决策用于优化储能***的充放电时机和量级;基于风电产出预测数据和负荷需求预测数据与其他能源数据,设计微电网***,微电网***用于优化储能***的充放电策略,使所述充放电策略与风电及其他能源的供应进行配合,本发明通过精准预测和动态储能调度,实现风电高效利用和电网稳定运行。
Description
技术领域
本发明涉及可再生能源的存储技术领域,尤其涉及风电场群优化储能的管理装置、微电网***。
背景技术
在风电场群消纳水平优化储能的背景下,核心挑战在于如何有效管理风电的不稳定性和不可预测性。由于风能受气象条件影响较大,风电场的电力产出波动显著,这给电网的稳定运行带来挑战。因此,需要发展高效的储能解决方案和先进的管理策略来平滑风电的波动,确保电网的可靠供电。这涉及到对风电产出进行精确预测、优化储能***的运用,以及整合风电与其他能源,实现更高效和可持续的能源管理。
在风电场群消纳水平的管理方面,现有技术(公开号为:CN107204632B的中国发明专利)存在几个核心问题:
对风电产出和负荷需求的预测可能不够精确,导致电网运行效率低下。这是由于缺乏先进的数据分析和预测技术;在储能管理上往往缺乏灵活性,无法有效地优化充放电时机和量级,从而影响整体能源效率;未能充分利用风电与其他能源的互补性,导致能源供应不够稳定和灵活;由于缺乏智能数据处理和分析能力,现有技术难以适应环境变化,依赖传统能源较多。
发明内容
针对上述现有技术存在的诸多问题,本发明提供风电场群优化储能的管理装置、微电网***,通过集成先进的风电预测技术和动态储能管理,优化了风电场群的能源消纳,实现了风电与其他能源的有效整合,通过智能调度策略保证了电网的稳定性和高效运行,本发明还增强了对环境变化的适应能力,减少了对传统高碳能源的依赖,推动了可持续能源发展,提高了能源利用效率,同时保障了电网供电的可靠性。
一种风电场群优化储能的管理方法,包括以下步骤:
收集气象数据、电网运行数据和用户行为数据,生成综合数据集,并基于综合数据集通过预训练好的机器学习模型预测风电产出和负荷需求,输出风电产出预测数据和负荷需求预测数据;
基于风电产出预测数据和负荷需求预测数据,分析储能***状态,制定储能调度策略,所述储能调度决策用于优化储能***的充放电时机和量级;
基于风电产出预测数据和负荷需求预测数据与其他能源数据,设计微电网***,确定风电在微电网***中与其他能源的比例关系,分配风电和其他能源在电网中的使用,微电网***用于优化储能***的充放电策略,使所述充放电策略与风电及其他能源的供应进行配合。
优选的,通过将收集到的数据进行数据清洗、归一化及整合后,生成综合数据集;其中,
所述天气数据包括:风速、风向、气温、湿度及太阳辐射;
所述电网运行数据包括:电力供需状态、负荷曲线、电网频率、电压水平及输电线路状态;以及
所述用户行为数据包括:用户的用电量、用电习惯及需求波动。
优选的,所述机器学习模型通过将历史的综合数据集作为训练样本,并选择风速、风向及气温作为特征,通过历史的综合数据集和选定的特征完成机器学习模型的训练;机器学习模型通过发现数据中的隐含模式和关联,并用这些学习到的模式来预测风电产出和负荷需求。
优选的,所述储能调度策略的制定包括:
分析储能***的当前电量、充放电速率和效率;
基于风电产出预测数据和负荷需求预测数据,确定供需差异;
若风电产出高于负荷需求时,计划增加储能***充电;或
若风电产出低于负荷需求时,规划储能***放电。
优选的,所述储能调度策略包括:
根据风电产出预测数据和负荷需求预测数据,确定风电对于储能***的最佳充电和放电时机;
评估在不同情况下储能***应存储或释放的电量,保持电网的平衡;
根据实时数据和气象数据,调整储能***的充放电策略;
其中所述实时数据包括:电网的实时负荷数据、风电和其他能源的实时产出数据,以及储能***的当前状态。
优选的,所述设计微电网***包括:
根据风电的波动性和其他能源的稳定性,为风电和其他能源在微电网中确定角色;
设计微电网的布局,确保各能源间有效连接和协调;
根据所有能源产出和需求的预测,规划风电产出低的时段储能***的充放电策略;
根据实际运行数据,优化微电网的能源分配和储能使用;
建立混合型微电网,并进行实时监控和调整。
优选的,所述根据所有能源产出和需求的预测,规划风电产出低的时段储能***的充放电策略包括:
评估所有能源的产出预测以及电网的负荷需求预测;
确定风电产出低的时段的能源缺口,基于能源缺口的规模,调整储能***的充放电策略;
执行所述储能调度决策;
根据实时数据和气象数据,调整储能***的充放电策略。
优选的,所述微电网***用于优化储能***的充放电策略包括:
在能源产出高于需求时,对储能***进行充电;
在能源产出低于需求时,从储能***中释放能量以满足电网的需求;
利用实时监测数据来确定充电或放电的最佳时机;
根据电网的实时需求与风电及其他能源的变化情况,调整储能***的充放电策略;
其中,所述实时监测数据包括:电网当前负荷数据、负荷需求预测数据、风电实时产出数据、其他能源实时产出数据、储能***状态、气象数据。
一种风电场群优化储能的管理装置,包括:
风电产出与需求预测模块,所述风电产出与需求预测模块用于风电产出与需求计算模块收集气象数据、电网运行数据和用户行为数据,生成综合数据集,并基于综合数据集通过预训练好的机器学习模型预测风电产出和负荷需求,输出风电产出预测数据和负荷需求预测数据;
储能调度优化模块,所述储能调度优化模块基于风电产出预测数据和负荷需求预测数据,分析储能***状态,制定储能调度策略,所述储能调度决策用于优化储能***的充放电时机和量级;
储能充放电优化模块,所述储能充放电优化模块基于风电产出预测数据和负荷需求预测数据与其他能源数据,设计微电网***,确定风电在微电网***中与其他能源的比例关系,分配风电和其他能源在电网中的使用,微电网***用于优化储能***的充放电策略,使所述充放电策略与风电及其他能源的供应进行配合。
一种微电网***,包括:风力涡轮机、太阳能板、储能***、能源管理装置及配电网络,微电网***通过能源管理装置将风电与其他能源进行结合;在风电产出不稳定或不足以满足需求时,储能***用于平衡供需差距;能源管理装置实时监控各能源的产出和电网需求,分配风电与其他能源在电网中的使用,所述微电网***用于执行所述的风电场群优化储能的管理方法。
相比于现有技术,本发明的优点及有益效果在于:
本发明通过精确的风电产出和负荷需求预测,实现了电网运行的高效管理,确保了能源供应与需求之间的有效匹配;
本发明通过动态储能调度策略,优化了储能***的充放电时机和量级,从而提高了整个***的能源利用效率和经济性;
本发明通过整合风电与其他能源,实现了能源供应的灵活性和稳定性,降低了依赖单一能源的风险;
本发明通过智能数据处理和分析,提升了***对环境变化的适应能力,减少了对传统高碳能源的依赖,促进了可持续能源的发展。
附图说明
图1为本发明方法的流程示意图;
图2为本发明方法的执行步骤示意图;
图3为本发明中数据处理和预测示意图;
图4为本发明的能源管理策略图;
图5为本发明装置的结构示意图;
图6为本发明微电网***的应用示意图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显的,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式,该计算机程序产品可供指令执行***使用或者结合指令执行***使用。
如图1-图3所示,一种风电场群优化储能的管理方法,包括以下步骤:
收集气象数据、电网运行数据和用户行为数据,生成综合数据集,并基于综合数据集通过预训练好的机器学习模型预测风电产出和负荷需求,输出风电产出预测数据和负荷需求预测数据;
本发明首先收集气象数据(如风速、气温),电网运行数据(如负荷曲线、电网状态),以及用户行为数据(如用电量和模式);收集到的数据经过清洗和整合,形成综合数据集,这为机器学习模型提供了训练和预测所需的数据基础;使用预先训练好的机器学习模型(如神经网络或回归模型)对风电产出和负荷需求进行预测。模型通过分析历史数据中的模式,来预测未来的风电产量和电网负荷。通过上述技术手段,准确的风电产出和负荷需求预测有助于优化储能***的使用,例如,在预测风电产量低时提前进行储能充电;这种预测能力使得整个电网运行更加高效和可靠,减少能源浪费,提高可再生能源的利用率。
例如:在风力强的日子,预测模型预测出高风电产出,这时可以减少储能的充电或计划提前放电。在无风或风力弱的情况下,预测模型将显示较低的风电产出,这时***会提前安排储能充电,确保电网的稳定供电。
优选的,通过将收集到的数据进行数据清洗、归一化及整合后,生成综合数据集;数据清洗,移除错误或无关的数据,如异常值或缺失值,确保数据集的质量;归一化,将不同来源和格式的数据转换为统一格式,确保数据之间可以相互比较和结合;整合,将清洗和归一化后的数据融合成一个综合数据集,为后续的分析提供全面视角;
通过数据清洗、归一化及整合提高数据的质量和可用性,使预测模型更准确;确保不同数据源之间的兼容性,使得数据分析更全面和有效。
其中,
所述天气数据包括:风速、风向、气温、湿度及太阳辐射;
对于预测风电产出:气象数据(如风速、风向)直接影响风力涡轮机的发电量。气温和湿度等因素也影响设备效率。这些数据帮助准确预测风电场在特定条件下的产能;对于负荷需求:例如,极端天气条件导致电力需求的显著变化(如热浪期间的冷却需求增加)。
所述电网运行数据包括:电力供需状态、负荷曲线、电网频率、电压水平及输电线路状态;
对于预测风电产出:间接影响。电网数据可以反映出整体电力***的运行状态,有助于判断风电在整体电网中的作用和重要性。
对于负荷需求:电网状态(如负荷曲线、频率)直接反映了当前和历史的电力需求模式,对预测未来的负荷需求至关重要。
以及所述用户行为数据包括:用户的用电量、用电习惯及需求波动;
对于预测风电产出:间接影响。用户行为数据提供了电力使用模式的洞察,有助于理解和预测电网的需求,间接影响风电的利用和调度。
对于负荷需求:用户用电量和习惯是影响电网负荷的关键因素,通过分析这些数据,可以更准确地预测电网在不同时间段的需求。
优选的,所述机器学习模型通过将历史的综合数据集作为训练样本,并选择风速、风向及气温作为特征,通过历史的综合数据集和选定的特征完成机器学习模型的训练;机器学习模型通过发现数据中的隐含模式和关联,并用这些学习到的模式来预测风电产出和负荷需求。
通过机器学习模型能准确预测在不同气象条件下的风电产出;预测电网在不同时间段的负荷需求,有助于优化电网运行和储能管理。
本发明中的机器学习模型为神经网络、随机森林,在选择机器学习模型时,关键是考虑数据的特性和预测任务的需求。例如:
神经网络:尤其是深度学习模型,如卷积神经网络(CNN)或长短期记忆网络(LSTM),适用于处理大规模的、高维度的数据。它们在识别复杂模式(如时间序列数据中的趋势和周期性)方面表现出色。如果风电数据复杂且量大,神经网络或许是最佳选择。
随机森林:这是一种基于决策树的集成学习方法,对于处理具有多种特征和非线性关系的数据非常有效。它在处理噪声较多的数据上也很有鲁棒性,适合于变化多端的气象数据。
选择特定模型通常基于数据的特性(如大小、复杂度)、预测问题的性质(线性或非线性)、以及对模型解释性的需求。在实际应用中,需要尝试多种模型,通过交叉验证等方法来确定最适合特定任务的模型。
在一个实施例中,一个地区历史上在特定的风速和风向条件下经常产生较高的风电量,机器学习模型可以学习到这一模式。当模型观察到类似的气象条件时,它会预测相应的高风电产出。
在另一个实施例中,模型发现,在特定的时间(如夏季炎热天气)和特定的用户行为模式(如晚上使用空调的增加)下,电网负荷显著增加。机器学习模型将这些信息用于预测未来类似条件下的电网负荷。
基于风电产出预测数据和负荷需求预测数据,分析储能***状态,制定储能调度策略,所述储能调度决策用于优化储能***的充放电时机和量级;
评估储能***的实时状态,包括其健康状况和充放电效率,对于优化储能调度策略至关重要。包括:
健康状况监测:通过分析储能设备(如电池)的寿命、历史使用情况和维护记录来评估其健康状况。这包括监测电池的充放电周期次数、温度和容量退化等。健康状况决定了储能***的可靠性和长期可用性。电池寿命较短或存在故障风险的***需要更谨慎的调度,以避免过度负荷。
充放电效率:评估储能***在不同状态下的充放电效率,包括在不同的充放电速率和电量水平下的能量损耗。充放电效率影响能量转换的效果,进而影响调度策略的经济性和效率。效率低的***需要更多的能量输入来满足同样的输出需求。
上述评估帮助确保储能***在提供最大效益的同时,长期运行稳定可靠。
根据预测数据,制定储能***的充放电策略。这包括决定在何时进行充电以储存多余的能源,以及何时放电以支持电网需求。
本发明在风电产出高于需求时储能充电,在低于需求时放电,从而提高能源的整体利用效率;帮助平衡电网的负载,特别是在风电不稳定或不足以满足需求时。
例如:如果预测表明未来几小时内风电产出将高于电网需求,储能***会被计划在这段时间充电。相反,如果预测风电产出低于需求,储能***则会在需求高峰期放电,以保证电网的稳定供电。
优选的,所述储能调度策略的制定包括:
分析储能***的当前电量、充放电速率和效率;用于确定***能够提供或接受多少电量;
基于风电产出预测数据和负荷需求预测数据,确定供需差异;
根据供需差异情况,制定储能***的充放电策略:
若风电产出高于负荷需求时,计划增加储能***充电;或
若风电产出低于负荷需求时,规划储能***放电。
储能调度策略确保储能***在风电产量波动时提供必要的电力支持,从而优化整个电网的能源管理。
例如:在强风条件下,风电产出大大超过当前需求。此时,储能***将被调度以存储多余的电力;在无风或微风条件下,风电产出不足以满足需求。此时,储能***将被调度以补充电网缺口。
在实际操作中,风电产出和负荷需求的预测数据或许存在一定的不确定性,因此应对预测不确定性的关键在于建立一个灵活且鲁棒的储能调度***,应采用如下操作:
在制定储能策略时,考虑设置一定的安全裕度;例如,在预测风电产出较高时,不将储能充电至满,留出空间应对实际产出低于预测的情况;
建立能快速响应实际变化的调度***;这包括实时监控能源产出和需求,及时调整储能的充放电策略;
定期更新预测模型,将最新数据纳入以提高预测准确性;同时,通过机器学习模型的迭代学习不断优化预测算法。
优选的,所述储能调度策略包括:
根据风电产出预测数据和负荷需求预测数据,确定风电对于储能***的最佳充电和放电时机;
评估在不同情况下储能***应存储或释放的电量,保持电网的平衡;
根据实时数据和气象数据,调整储能***的充放电策略;
其中所述实时数据包括:电网的实时负荷数据、风电和其他能源的实时产出数据,以及储能***的当前状态。
储能调度策略侧重于根据风电产出和负荷需求的预测来决定储能***的最佳充电和放电时机,同时考虑电网的整体平衡。而调整储能***的充放电策略则涉及到根据实时数据和气象数据进行的更动态和适应性的调整,这些实时数据包括电网负荷、风电和其他能源产出情况,以及储能***的当前状态。这样反映了两者之间的关系,确保储能***的操作既符合预先制定的策略,又能灵活适应实时变化。
以实际应用中的例子来说明储能调度策略和储能***充放电策略实现过程:
场景为:风力发电场位于气候多变的区域。
储能调度策略制定:
预测阶段:早晨时,基于天气预报和历史数据,预测当天风力较弱,风电产出不足。
策略决策:决定在白天充电储能,为夜间高需求时段准备。
执行充放电策略:
实时调整:下午时,实时数据显示风速意外增强,风电产出超预期。
策略调整:调整原计划,推迟储能充电,直接利用多出的风电供应当前电网需求。
晚间运行:
放电阶段:晚上,风速减弱,风电产出降低,如预测所示。
供需平衡:启动储能放电,满足电网高峰期的需求,保持电网稳定。
上述实施例展示了如何根据预测和实时数据灵活调整储能***的充放电策略,确保电网在不同条件下的供需平衡和稳定性。
在风电场群消纳水平优化储能管理中,应急响应机制是至关重要的,特别是考虑到风电的不稳定性和电网需求的波动。应急响应机制包括:
持续监测电网状态和风电产出,以便迅速识别任何突发变化或异常情况;
在检测到电网负载异常或风电产出显著变化时,***能够快速制定或调整储能调度策略;
在紧急情况下,***应能够确定哪些负荷具有优先级,以及如何最有效地利用储能***来支持这些关键负荷;在应对突发事件时,储能***需要能够快速切换到紧急模式,包括更快速的充电或更大规模的放电;在紧急事件过后,对***响应进行分析,以改进未来的应急响应策略。
这样的应急响应机制可以确保即使在极端或不可预测的情况下,电网和风电***仍能保持稳定运行。
基于风电产出预测数据和负荷需求预测数据与其他能源数据,设计微电网***,根据风电在微电网***中的比例,分配风电与其他能源在电网中的使用,所述微电网***用于优化储能***的充放电策略。
利用风电产出预测、负荷需求预测及其他能源数据,为微电网***的设计提供基础;根据风电在总能源组合中的比例,决定风电和其他能源(如太阳能)在电网中的分配;微电网***设计考虑了风电的波动性,以优化储能***的充放电策略,保证电网的稳定供电。
微电网***通过协调不同能源,特别是在风电不稳定时,有效地平衡电网供需,提高能源利用效率;使用微电网***优化储能调度,可在风电产量低时有效利用储存的能量,减少能量浪费。
在电网负荷的峰值和谷值时间段优化风电和其他能源的使用,以及储能的充放电策略时,使用先进的预测工具来预测电网在一天中不同时间段的负荷需求:
在负荷峰值时段(通常是白天和早晚),优先使用稳定的能源(如地热、水力),同时从储能***放电以满足高需求;在负荷谷值时段(如夜间或非高峰时段),利用风电和其他能源进行电力供应,同时充电储能***以备不时之需。
根据能源供应和需求的变化,动态调整储能的充放电策略,确保电网在不同时段都能高效运行。有助于减少对传统高碳能源的依赖,提高能源利用效率,同时确保电网的稳定运行。
优选的,所述设计微电网***包括:
根据风电的波动性和其他能源的稳定性,为风电和其他能源在微电网中确定角色;例如,风电被视为主要的可变能源,而太阳能或地热等其他能源作为更稳定的补充;
设计微电网的布局,确保各能源间有效连接和协调,包括能源发电、存储和输电设施的物理布局;
设计微电网的布局具体为:
考虑风电的波动性和其他能源(如太阳能)的稳定性,为每种能源在微电网中分配合适的角色;例如,将风电用于基础负载供应,而将太阳能用于高峰时段或作为备用能源;
设计微电网的物理结构和电气连接,以确保风电、太阳能板、储能***等能源组件之间的有效互联;这包括确定组件的位置、电气连线和保护设施;
确保***内部能源流的高效管理,包括在需求变化时能够快速调整各种能源的输出,确保***的灵活性和响应能力。
基于风电产出预测数据和负荷需求预测数据与其他能源数据,。
根据所有能源产出和需求的预测,规划风电产出低的时段储能***的充放电策略;
根据实际运行数据,优化微电网的能源分配和储能使用,以提高效率和响应电网需求的能力;
建立混合型微电网,并进行实时监控和调整。
在本发明中,储能调度策略专指在采用风电供能情况下的储能***充放电管理,它侧重于如何根据风电的产出和电网需求来优化储能***的使用。而充放电策略则更广泛地涵盖了风电与其他能源(如太阳能)的综合管理,强调在不同能源之间实现最佳的能量协调和供能平衡。简而言之,储能调度策略集中于储能***与风电的关系,而充放电策略涉及微电网***中所有能源的综合管理。
如图4所示的能源管理策略图,目的是展示如何根据当前能源产出和预测的需求来调整风电、其他能源和储能***的使用。首先,分析风电及其他能源的当前产出,并预测短期和长期的能源需求。接着,评估储能***的状态,包括电量和健康状况。如果风电产出高,策略包括增加储能的充电并减少其他能源的使用。相反,如果风电产出低,策略则是减少储能充电并增加其他能源的使用。最后,根据需求调整储能放电策略,并持续监控及调整能源使用比例。这一过程确保在不同情况下电网的高效和稳定运行。
根据风电的不稳定性和其他能源的特性来优化能源组合和使用策略包括:
在风电不稳定时,使用更稳定的能源(如太阳能、小型水电)作为补充。例如,当风电产出低于预期时,太阳能或其他能源可以提供额外的电力。
利用风电在电网负荷较低时进行充电,而在负荷高峰时释放储能。这有助于平衡整个***的能量需求。
根据风电的实际产出和电网的需求波动,动态调整储能***的充放电策略。
在极端气候条件或突发事件下,微电网保持稳定运行的应急措施,特别是针对风电产出不足的情况时,应急措施包括:
在极端情况下,微电网应具备启用备用能源(如柴油发电机)的能力,以确保关键负荷的持续供电。
设计微电网时,增加储能***的容量,确保在风电产出下降时有足够的储备能源。
在风电产出低时,通过负荷管理减少非关键用电,或调整某些可控负载的运行时间,以减轻电网负担。
在极端情况下,使微电网能够从主电网隔离,独立运行,同时采用自愈策略快速恢复到正常状态。
优选的,所述根据所有能源产出和需求的预测,规划风电产出低的时段储能***的充放电策略包括:
评估所有能源的产出预测以及电网的负荷需求预测;结合所有能源(包括风电)的产出预测和电网的负荷需求预测,以全面了解电网在不同时段的能源供需情况;
确定风电产出低的时段的能源缺口,基于能源缺口的规模,调整储能***的充放电策略;特别关注风电产出低的时段,评估这些时段的能源缺口大小;
在风电产出不足时,通过储能放电补充电网,减少能源浪费;在风电产出过剩时,存储多余能量,增强电网的灵活性和可靠性。例如:预测显示某一天中午风电产出低,而电网需求高,那么提前在风电产出高的早晨进行储能充电,以备中午使用;
执行所述储能调度决策;
根据风电产出预测数据和负荷需求预测数据,确定储能***的最佳充电和放电时机;
预测在接下来的时间段内风电的产量,包括高产出和低产出时段;预测电网的需求波动,包括高峰时段和低需求时段;在风电产出高但电网需求低的时段进行储能充电,反之,在风电产出低而需求高的时段放电。这种方法使储能***可以更有效地支持电网,确保电力供应与需求之间的平衡,提高整体能源管理效率。
评估在不同情况下储能***应存储或释放的电量,保持电网的平衡;
根据电网的需求预测,确定在不同时间段电网对电力的需求量;评估风电产出的变化,特别是在风力不稳定或不足时;基于以上分析,决定在需求高但风电产出低的时段释放储能电量,反之,在风电产出高而需求低的时段进行储能充电。这确保了电网在不同供需条件下的平衡,增强了电网对可再生能源波动的适应能力。
根据实时数据和气象数据,调整储能的充放电策略;
使用电网实时负荷数据和风电、其他能源的实时产出数据,来判断当前和短期内电网的供需状态;根据天气预报和气象数据(如风速、太阳辐射)预测短期内风电和太阳能的产出;结合这些数据,动态调整储能***的充电和放电策略,以适应即时和预测的电网需求,保持电网供需平衡;这使储能***能更灵活地响应电网的即时需求和环境变化,优化电网运行效率和可靠性。
其中所述实时数据包括:电网的实时负荷数据、风电和其他能源的实时产出数据,以及储能***的当前状态。
在能源产出预测与实际情况存在偏差时调整储能***的充放电策略,包括:
实时监控风电产出和电网负荷,与预测数据进行对比;
一旦发现实际产出与预测有显著偏差,立即启动调整程序;
如果实际风电产出低于预测,提前启动储能放电,以补充电网缺口;
如果产出高于预测,增加储能***充电,以储存额外电力;
根据历史偏差数据优化预测模型和调度算法,提高未来的准确性和效率。
动态调整机制确保储能***能够灵活应对实际情况的变化,保障电网的稳定运行。
平衡风电与其他能源的使用包括:
根据每种能源的特性(如稳定性、可预测性)和环境条件(如风力、日照),决定各能源在微电网中的比例;根据实时数据和天气预报,动态调整能源使用策略,如在风力较弱时增加太阳能的使用比例;利用储能***平衡不同时间段的能源供需,储存风能和太阳能产出的高峰期多余能量,供需求高峰期使用;使用高级的管理装置和算法,实时监控和优化能源使用,确保效率和可靠性。
优选的,所述微电网***用于优化储能***的充放电策略包括:
在能源产出高于需求时,对储能***进行充电;
在能源产出低于需求时,从储能***中释放能量以满足电网的需求;
利用实时监测数据来确定充电或放电的最佳时机;
根据电网的实时需求与风电及其他能源的变化情况,调整储能***的充放电策略;
其中,所述实时监测数据包括:电网当前负荷数据、负荷需求预测数据、风电实时产出数据、其他能源实时产出数据、储能***状态、气象数据。
确定充电或放电的最佳时机的过程包括:
实时监测数据包括电网负荷、风电和其他可再生能源的产出数据,以及储能***的当前状态(电量、充放电速率等)。这些数据提供了电网需求和能源供应的即时情况。
***分析这些数据,预测电网的即时和未来需求。例如,如果数据显示电网需求增加而风电产出减少,***将指示储能***释放电能以满足需求。
气象数据如风速和日照量的变化直接影响风电和太阳能的产出。***根据这些数据预测短期内的能源产出变化,并据此调整储能的充放电策略。
例如气象预报显示未来几小时内风速将降低,***分析实时数据并预测风电产出下降。在这种情况下,***提前指令储能***增加充电,以储备足够的能量,确保在风电产出降低时电网稳定。通过这种方式,微电网***能够实现对能源供应的高效管理,保证电网在可再生能源供应波动时仍能稳定运行。
如图5所示,一种风电场群优化储能的管理装置,包括:
风电产出与需求预测模块,所述风电产出与需求预测模块用于风电产出与需求计算模块收集气象数据、电网运行数据和用户行为数据,生成综合数据集,并基于综合数据集通过预训练好的机器学习模型预测风电产出和负荷需求,输出风电产出预测数据和负荷需求预测数据;集成气象、电网运行和用户行为数据,通过预训练的机器学习模型预测风电产出和电网负荷需求,提高预测准确性,实现对风电供应和电网需求的有效预测,在风力强的天气预测风电产出增加,相应调整电网运行和储能策略。
储能调度优化模块,所述储能调度优化模块基于风电产出预测数据和负荷需求预测数据,分析储能***状态,制定储能调度策略,所述储能调度决策用于优化储能***的充放电时机和量级;基于预测数据分析储能***状态,制定灵活的储能调度策略,优化储能的充放电时机和量级,提高整体能源利用效率,在预测风电产出低时段提前充电储能,以供应未来的高需求;
储能充放电优化模块,所述储能充放电优化模块基于风电产出预测数据和负荷需求预测数据与其他能源数据,设计微电网***,根据风电在微电网***中的比例,分配风电与其他能源在电网中的使用,所述微电网***用于优化储能***的充放电策略,结合风电和其他能源数据设计微电网***,协调不同能源在电网中的使用,通过微电网***优化储能充放电策略,保障电网稳定运行,在太阳能产出高时减少风电使用,利用储能弥补夜间的能源缺口。
管理装置从多个维度提升了风电场群的管理效率,通过先进的数据处理和智能化调度,优化了储能利用,保障了电网的稳定性。
如图6所示,一种微电网***,包括:风力涡轮机、太阳能板、储能***、能源管理装置及配电网络,微电网***通过能源管理装置将风电与其他能源进行结合;在风电产出不稳定或不足以满足需求时,储能***用于平衡供需差距;能源管理装置实时监控各能源的产出和电网需求,分配风电与其他能源在电网中的使用,所述微电网***用于执行所述的风电场群优化储能的管理方法。
风力涡轮机,作为微电网***的主要能源之一,风力涡轮机负责产生电力并将其传输给能源管理装置;太阳能板,同样作为能源供应单元,太阳能板捕捉太阳能并转换为电能,供能源管理装置使用;储能***,在风电和太阳能供应不足时,储能***被用来平衡电网的能源需求,同时在能源过剩时储存电力;能源管理装置,它是***的核心,负责实时监控各能源产出和电网需求,智能分配风电与其他能源在电网中的使用;配电网络,用于将能源管理装置调配的电力传输到最终用户。
微电网***是一个综合能源管理***,它结合了风力涡轮机、太阳能板、储能***、能源管理装置和配电网络。这个***的核心在于能够集成和协调多种可再生能源,以及有效地管理和分配这些能源。
微电网***通过能源管理装置实时监控风电和其他能源的产出以及电网的需求。这使得***能够根据实时数据调整能源使用策略,优化风电与其他能源的结合,从而提高能源利用效率和保障电网稳定性。在风电产出不足以满足需求的情况下,储能***发挥关键作用,通过平衡供需差距来维护电网稳定。这种灵活的能源管理策略使得微电网***在可再生能源利用和电网稳定性方面更加高效和可靠。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框,以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所做的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种风电场群优化储能的管理方法,其特征在于,包括以下步骤:
收集气象数据、电网运行数据和用户行为数据,生成综合数据集,并基于综合数据集通过预训练好的机器学习模型预测风电产出和负荷需求,输出风电产出预测数据和负荷需求预测数据;
基于风电产出预测数据和负荷需求预测数据,分析储能***状态,制定储能调度策略,所述储能调度决策用于优化储能***的充放电时机和量级;
基于风电产出预测数据和负荷需求预测数据与其他能源数据,设计微电网***,确定风电在微电网***中与其他能源的比例关系,分配风电和其他能源在电网中的使用,微电网***用于优化储能***的充放电策略,使所述充放电策略与风电及其他能源的供应进行配合。
2.根据权利要求1所述的风电场群优化储能的管理方法,其特征在于,通过将收集到的数据进行数据清洗、归一化及整合后,生成综合数据集;其中,
所述天气数据包括:风速、风向、气温、湿度及太阳辐射;
所述电网运行数据包括:电力供需状态、负荷曲线、电网频率、电压水平及输电线路状态;以及
所述用户行为数据包括:用户的用电量、用电习惯及需求波动。
3.根据权利要求1所述的风电场群优化储能的管理方法,其特征在于,所述机器学习模型通过将历史的综合数据集作为训练样本,并选择风速、风向及气温作为特征,通过历史的综合数据集和选定的特征完成机器学习模型的训练;机器学习模型通过发现数据中的隐含模式和关联,并用这些学习到的模式来预测风电产出和负荷需求。
4.根据权利要求1所述的风电场群优化储能的管理方法,其特征在于,所述储能调度策略的制定包括:
分析储能***的当前电量、充放电速率和效率;
基于风电产出预测数据和负荷需求预测数据,确定供需差异;
若风电产出高于负荷需求时,计划增加储能***充电;或
若风电产出低于负荷需求时,规划储能***放电。
5.根据权利要求1所述的风电场群优化储能的管理方法,其特征在于,所述储能调度策略包括:
根据风电产出预测数据和负荷需求预测数据,确定风电对于储能***的最佳充电和放电时机;
评估在不同情况下储能***应存储或释放的电量,保持电网的平衡;
根据实时数据和气象数据,调整储能***的充放电策略;
其中所述实时数据包括:电网的实时负荷数据、风电和其他能源的实时产出数据,以及储能***的当前状态。
6.根据权利要求1所述的风电场群优化储能的管理方法,其特征在于,所述设计微电网***包括:
根据风电的波动性和其他能源的稳定性,为风电和其他能源在微电网中确定角色;
设计微电网的布局,确保各能源间有效连接和协调;
根据所有能源产出和需求的预测,规划风电产出低的时段储能***的充放电策略;
根据实际运行数据,优化微电网的能源分配和储能使用;
建立混合型微电网,并进行实时监控和调整。
7.根据权利要求6所述的风电场群优化储能的管理方法,其特征在于,所述根据所有能源产出和需求的预测,规划风电产出低的时段储能***的充放电策略包括:
评估所有能源的产出预测以及电网的负荷需求预测;
确定风电产出低的时段的能源缺口,基于能源缺口的规模,调整储能***的充放电策略;
执行所述储能调度决策;
根据实时数据和气象数据,调整储能***的充放电策略。
8.根据权利要求1所述的风电场群优化储能的管理方法,其特征在于,所述微电网***用于优化储能***的充放电策略包括:
在能源产出高于需求时,对储能***进行充电;
在能源产出低于需求时,从储能***中释放能量以满足电网的需求;
利用实时监测数据来确定充电或放电的最佳时机;
根据电网的实时需求与风电及其他能源的变化情况,调整储能***的充放电策略;
其中,所述实时监测数据包括:电网当前负荷数据、负荷需求预测数据、风电实时产出数据、其他能源实时产出数据、储能***状态、气象数据。
9.一种风电场群优化储能的管理装置,其特征在于,包括:
风电产出与需求预测模块,所述风电产出与需求预测模块用于风电产出与需求计算模块收集气象数据、电网运行数据和用户行为数据,生成综合数据集,并基于综合数据集通过预训练好的机器学习模型预测风电产出和负荷需求,输出风电产出预测数据和负荷需求预测数据;
储能调度优化模块,所述储能调度优化模块基于风电产出预测数据和负荷需求预测数据,分析储能***状态,制定储能调度策略,所述储能调度决策用于优化储能***的充放电时机和量级;
储能充放电优化模块,所述储能充放电优化模块基于风电产出预测数据和负荷需求预测数据与其他能源数据,设计微电网***,确定风电在微电网***中与其他能源的比例关系,分配风电和其他能源在电网中的使用,微电网***用于优化储能***的充放电策略,使所述充放电策略与风电及其他能源的供应进行配合。
10.一种微电网***,其特征在于,包括:风力涡轮机、太阳能板、储能***、能源管理装置及配电网络,微电网***通过能源管理装置将风电与其他能源进行结合;在风电产出不稳定或不足以满足需求时,储能***用于平衡供需差距;能源管理装置实时监控各能源的产出和电网需求,分配风电与其他能源在电网中的使用,所述微电网***用于执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243820.7A CN118054451A (zh) | 2024-03-04 | 2024-03-04 | 风电场群优化储能的管理方法及装置、微电网*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243820.7A CN118054451A (zh) | 2024-03-04 | 2024-03-04 | 风电场群优化储能的管理方法及装置、微电网*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118054451A true CN118054451A (zh) | 2024-05-17 |
Family
ID=91053527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410243820.7A Pending CN118054451A (zh) | 2024-03-04 | 2024-03-04 | 风电场群优化储能的管理方法及装置、微电网*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118054451A (zh) |
-
2024
- 2024-03-04 CN CN202410243820.7A patent/CN118054451A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Palma-Behnke et al. | A microgrid energy management system based on the rolling horizon strategy | |
US8571720B2 (en) | Supply-demand balance controller | |
Xie et al. | Greedy energy management strategy and sizing method for a stand-alone microgrid with hydrogen storage | |
CN107565607A (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
CN110783959B (zh) | 一种新能源发电***的稳定状态控制*** | |
CN107017625B (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
CN117239740B (zh) | 一种虚拟电厂***的优化配置与灵活性提升方法及*** | |
CN111786417A (zh) | 一种面向分布式新能源消纳的主动配电网多目标区间优化调度的方法 | |
CN108988337B (zh) | 一种微电网***储能装置的设计方法及微电网*** | |
Awasthi et al. | Operation of datacenter as virtual power plant | |
CN116933929A (zh) | 基于人工智能的电力预测与调度方法及*** | |
Pinto et al. | Coping with wind power uncertainty in unit commitment: A robust approach using the new hybrid metaheuristic deepso | |
CN117077974A (zh) | 虚拟电厂资源优化调度方法、装置、设备及存储介质 | |
Belloni et al. | A stochastic optimal control solution to the energy management of a microgrid with storage and renewables | |
KR20200144726A (ko) | 신재생 에너지와 연계된 에너지 저장 시스템의 용량을 산정하는 방법 및 이를 위한 장치 | |
EP3955202A1 (en) | Equipment, system and method for optimally managing energy in a network for domestic and industrial use | |
WO2022054442A1 (ja) | 電力調整方法および電力調整装置 | |
KR20200129555A (ko) | 충전율 제어가 가능한 에너지 저장 시스템 및 이의 제어 방법 | |
CN115619153A (zh) | 动态聚合下考虑分布式资源运行特性的响应方法和装置 | |
CN118054451A (zh) | 风电场群优化储能的管理方法及装置、微电网*** | |
KR102284303B1 (ko) | 이종 분산 자원과 연계된 에너지 저장 장치의 지능형 운전 방법 및 장치 | |
CN117614033B (zh) | 一种运行在常规功率跟踪状态下的电网智能调度方法及装置 | |
CN117498468B (zh) | 一种多区域虚拟电厂协同优化运行方法 | |
Amoura et al. | Smart Microgrid Management: a Hybrid Optimisation Approach | |
Zhang et al. | An Improved Dispatch Strategy of a Grid‐Connected Hybrid Energy System with High Penetration Level of Renewable Energy |
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 |