一种虚拟电厂系统的优化配置与灵活性提升方法及系统技术方案

本发明专利技术涉及虚拟电厂电力调配技术领域，具体地说，涉及一种虚拟电厂系统的优化配置与灵活性提升方法及系统

【技术实现步骤摘要】
一种虚拟电厂系统的优化配置与灵活性提升方法及系统


[0001]本专利技术涉及虚拟电厂电力调配
，具体地说，涉及一种虚拟电厂系统的优化配置与灵活性提升方法及系统
。

技术介绍

[0002]虚拟电厂系统是指通过集成和协调多种分布式能源资源（
DERs
），例如太阳能光伏
、
风力发电
、
储能系统
、
微型燃气轮机等，以及灵活负荷，实现对能源的集中管理和协调调度的系统
。
虚拟电厂通过集中管理和协调这些分散式能源资源，可以更加高效地调度和利用能源，提高整体能源利用率，减少能源浪费
。
[0003]但是，现有的虚拟电厂在进行电力资源分配时，由于对未来电力需求预测的误差，导致电力资源分配不均，因此，提供一种虚拟电厂系统的优化配置与灵活性提升方法及系统
。

技术实现思路

[0004]本专利技术的目的在于提供一种虚拟电厂系统的优化配置与灵活性提升方法及系统，以解决上述
技术介绍
中提出的对未来电力需求预测的误差，导致电力资源分配不均的问题
。
[0005]为实现上述目的，本专利技术目的在于提供了一种虚拟电厂系统的优化配置与灵活性提升方法，包括以下步骤：
S1、
建立多能源管理系统，接收来自多种不同类型的分散式能源资源的监测数据和电网中的用电负荷需求，并建立开放式数据接口（
API
），其中，分散式能源资源包括太阳能
、
风能和储能系统；<br/>S2、
基于实时监测数据和用电负荷需求数据，多能源管理系统基于能源供需优化预测模型，预测未来用电负荷需求和能源产量，根据预测结果，制定未来的能源生产计划，能源生产计划包括分配产能和分散式能源间资源调配；其中，所述能源供需优化预测模型是由时间序列分析模型和机器学习模型构建的混合模型，混合模型具体为：；其中，表示混合模型的预测值；为用于加权的系数；表示机器学习模型的权重，表示时间序列分析模型的预测值，表示机器学习模型的预测值；
S3、
基于能源供需优化预测模型预测的结果，引入能源调度优化算法，协调分散式能源资源中各个能源的产能，利用储能系统平衡能源产量和用电负荷需求之间的波动，确保整体系统的电力供需平衡
。
[0006]作为本技术方案的进一步改进，所述
S1
中，所述多能源管理系统包括数据采集模块
、
数据存储模块
、API
接口模块
、
用电负荷监测模块
、
负荷预测模块
、
能源调度优化模块和
储能管理模块；其中，所述数据采集模块用于收集来自太阳能
、
风能和储能系统等分散式能源资源的监测数据，监测数据包括能源产量
、
能源需求和能源价格信息；所述数据存储模块用于存储采集到的数据，并确保数据的安全性和可靠性；所述
API
接口模块用于建立开放式数据接口，以实现分散式能源资源之间的数据实时共享和互操作性；所述用电负荷监测模块用于收集和监测电网中各个地区的实时用电负荷数据，以了解不同时间段的用电需求情况；所述负荷预测模块基于能源供需优化预测模型，预测未来用电负荷需求和能源产量；所述能源调度优化模块基于能源调度优化算法，根据能源产量
、
用电负荷需求，对能源的分配和调度进行优化，以满足电网中的用电需求，并确保能源的高效利用；所述储能管理模块用于管理储能系统，在能源供应过剩时储存多余能源，在能源供应不足时释放能源，以提高能源利用效率和系统的灵活性
。
[0007]作为本技术方案的进一步改进，所述
S2
中，所述能源供需优化预测模型是由时间序列分析模型和机器学习模型构建的混合模型：时间序列分析模型具体为：；其中，表示在时间点上的能源产量或能源需求的预测值；为截距项，表示一个常数，用来表示当所有自回归项和移动平均项都为零时的基准值；表示在时间点上白噪声误差项；表示在时间点上白噪声误差项；表示自回归项的系数，用来表示过去时间点的能源产量或需求对当前时间点的影响；表示移动平均项的系数，用来表示过去时间点的白噪声误差对当前时间点的影响；表示在时间点上能源产量或能源需求的预测值；表示过去时间的步长；由于，能源需求受季节和温度的影响较大，因此，在时间序列分析模型的基础上，引入季节和温度因素对上述时间序列分析模型进行优化，则优化后的模型具体为：；其中，为温度变量；为温度变量的系数，表示温度变量对能源产量或能源需求的影响程度；表示非季节性滞后算子；表示一阶非季节性差分算子；表示季节性滞后算子；表示一阶季节性差分算子；表示当前时间点的预测值与前个时间点的预测值之间的自回归关系；表示当前时间点的预测值与同一季节的前
个时间点的预测值之间的自回归关系；表示当前时间点的预测值与前个时间点的白噪声误差之间的移动平均关系；表示当前时间点的预测值与同一季节的前个时间点的白噪声误差之间的移动平均关系；表示季节性差分的阶数；表示非季节性差分的阶数；机器学习模型具体为：；其中，表示预测的能源产量或能源需求；
、、
…
、
为机器学习模型的自变量，表示能源产量或能源需求的特征；为截距，表示自变量（
、、
…
、
）都为零时，能源产量或能源需求的基准值；
、、
…
、
为斜率系数，表示各个自变量对能源产量或能源需求的影响程度；为误差项，表示该模型中无法解释的随机误差或干扰项
。
[0008]作为本技术方案的进一步改进，将所述时间序列分析模型和机器学习模型的结果进行整合优化，得到混合模型，由混合模型计算得到最终的能源产量和能源需求的预测值，具体算法如下：；其中，表示混合模型的预测值；为用于加权的系数；表示机器学习模型的权重，表示时间序列分析模型的预测值，表示机器学习模型的预测值
。
[0009]作为本技术方案的进一步改进，所述能源调度优化模块基于能源调度优化算法，根据能源产量
、
用电负荷需求，对分散式能源资源进行调度和再分配，所述能源调度优化算法具体算法步骤如下：
S3.1、
通过能源供需优化预测模型得到能源产量和能源需求的预测值；
S3.2、
基于能源调度优化算法，计算预测电力负荷与预测能源产量之间的差异；
S3.3、
根据差异的计算结果，由能源调度优化算法制定调度策略，调整各分散式能源资源的产能，以满足电力负荷需求
。
[0010]作为本技术方案的进一步改进，所述能源调度优化算法具体为：预测电力负荷与预测能源产量之间的差异计算：；其中，表示在时间时，预测电力负荷与预测能源产量的差异值；表示在时间时，电力系统需求的预测电力负荷量；表示在时间时，系统中分散式能源资源的预测能源产量；作为本技术方案的进一步改进，根据预测电力负荷与预测能源产量的差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种虚拟电厂系统的优化配置与灵活性提升方法，其特征在于，包括以下步骤：
S1、
建立多能源管理系统，接收来自多种不同类型的分散式能源资源的监测数据和电网中的用电负荷需求，并建立开放式数据接口；
S2、
基于实时监测数据和用电负荷需求数据，多能源管理系统基于能源供需优化预测模型，预测未来用电负荷需求和能源产量，根据预测结果，制定未来的能源生产计划；其中，所述能源供需优化预测模型是由时间序列分析模型和机器学习模型构建的混合模型，混合模型具体为：；表示混合模型的预测值；为用于加权的系数；表示机器学习模型的权重，表示时间序列分析模型的预测值，表示机器学习模型的预测值；
S3、
基于能源供需优化预测模型预测的结果，引入能源调度优化算法，协调分散式能源资源中各个能源的产能
。2.
根据权利要求1所述的虚拟电厂系统的优化配置与灵活性提升方法，其特征在于：所述
S1
中，所述多能源管理系统包括数据采集模块
、
数据存储模块
、API
接口模块
、
用电负荷监测模块
、
负荷预测模块
、
能源调度优化模块和储能管理模块
。3.
根据权利要求1所述的虚拟电厂系统的优化配置与灵活性提升方法，其特征在于：所述
S2
中，所述能源供需优化预测模型是由时间序列分析模型和机器学习模型构建的混合模型：时间序列分析模型具体为：；其中，表示在时间点上的能源产量或能源需求的预测值；为截距项；表示在时间点上白噪声误差项；表示在时间点上白噪声误差项；表示自回归项的系数；表示移动平均项的系数；表示在时间点上能源产量或能源需求的预测值；表示过去时间的步长；在时间序列分析模型的基础上，引入季节和温度因素对上述时间序列分析模型进行优化，则优化后的模型具体为：；其中，为温度变量；为温度变量的系数；表示非季节性滞后算子；表示一阶非季节性差分算子；表示季节性滞后算子；表示一阶季节性差分算子；表示当前时间点的预测值与前个时间点的预测值之间的自回归关系；表示当前时间点的预测值与同一季节的前个时间点的预测值之间的自回归关系；表示当前
时间点的预测值与前个时间点的白噪声误差之间的移动平均关系；表示当前时间点的预测值与同一季节的前个时间点的白噪声误差之间的移动平均关系；表示季节性差分的阶数；表示非季节性差分的阶数；机器学习模型具体为：；其中，表示预测的能源产量或能源需求；
、、
…
、
为机器学习模型的自变量，表示能源产量或能源需求的特征；为截距；
、、
…
、
为斜率系数；为误差项
。4.
根据权利要求3所述的虚拟电厂系统的优化配置与灵活性提升方法，其...

【专利技术属性】
技术研发人员：周立专，孙海龙，
申请(专利权)人：北京国科恒通数字能源技术有限公司，
类型：发明
国别省市：