System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于源网荷储协同的配电网管控方法及系统技术方案_技高网

一种基于源网荷储协同的配电网管控方法及系统技术方案

技术编号:40912545 阅读:2 留言:0更新日期:2024-04-18 14:40
本发明专利技术公开了一种基于源网荷储协同的配电网管控方法及系统,涉及供电领域;该系统包括数据采集模块,用于采集配电网实时运行数据;数据处理模块,用于对采集的运行数据进行处理;调控模块,用于实施调控,调整配电网的运行状态,该方法包括以下步骤:采集负荷端的电能使用数据,并建立模型进行负荷功率预测;计算电网输电过程中的电能损失,其根据电网类型可进行精确性计算。本发明专利技术通过利用基于历史数据的统计模型、基于天气的集成模型、基于人工智能的深度学习模型和基于实时测量的模型对负荷进行预测,从而再根据预测结果对电网侧、发电侧和储能侧进行管控,从而可以实现预先调控、提前响应的功能。

【技术实现步骤摘要】

本专利技术涉及供电领域,尤其涉及一种基于源网荷储协同的配电网管控方法及系统


技术介绍

1、源网荷储系统有广泛的应用场景。它可以被广泛应用于电力系统中。通过将储能设备与太阳能光伏发电、风能发电等可再生能源发电设施结合,可以有效增加可再生能源的比例,减少对传统能源的依赖,推动电力系统朝着清洁能源方向发展。源网荷储系统也可以应用于城市能源系统。通过将储能设备与城市电网连接,实现城市能源的平衡调度,提高用电效率,降低用电峰值,减轻电网负荷。源网荷储系统还可以应用于交通运输领域,利用储能设备储存电能,为电动汽车提供可靠的动力源。

2、经检索,中国专利公开号为cn116599157a的专利,公开了一种基于源网荷储协同的配电网管控方法及系统,包括:以配电网系统日运行成本最低为目标,综合考虑发电机组运行成本、储能系统的能耗成本、需求侧资源利用成本、柔性负荷协调成本以及系统运行时的网损成本,构建配电网优化调度模型;对所述配电网优化调度模型进行约束;采用粒子群算法对约束后的所述配电网优化调度模型进行求解,得到配电网系统的最优调度策略。

3、上述专利存在以下不足:其利用供、需之间关系,实现源网荷储协同,但是其无法对负荷侧的用电进行预测,从而无法实现预先调控、提前响应的功能。

4、为此,本专利技术提出一种基于源网荷储协同的配电网管控方法及系统


技术实现思路

1、本专利技术的目的是为了解决现有技术中存在的缺点,而提出的一种基于源网荷储协同的配电网管控方法及系统。

2、为了实现上述目的,本专利技术采用了如下技术方案:

3、一种基于源网荷储协同的配电网管控系统,其包括:

4、数据采集模块,用于采集配电网实时运行数据。

5、数据处理模块,用于对采集的运行数据进行处理。

6、调控模块,用于实施调控,调整配电网的运行状态。

7、所述数据采集模块采用智能电表、传感器和监控终端配合使用。

8、一种基于源网荷储协同的配电网管控方法,其包括以下步骤:

9、s1:采集负荷端的电能使用数据,并建立模型进行负荷功率预测p负载;

10、s2:计算电网输电过程中的电能损失p损,其根据电网类型可进行精确性计算;

11、s3:采集发电侧的发电功率p发电、储能侧的总储能量w储和当前储能量w储′;

12、s4:根据p发电与p损以及w储和w储′进行状态调控。

13、优选地:所述s1步骤中,负荷功率预测模型采用基于历史数据的统计模型、基于天气的集成模型、基于人工智能的深度学习模型和基于实时测量的模型中的任意一种。

14、优选地:所述s1步骤中,基于历史数据的统计模型包括以下步骤:

15、a1:收集历史负荷数据,收集过去时间的负荷数据;

16、a2:数据清洗和预处理:对收集到的负荷数据进行清洗,去除异常值和缺失数据,并进行平滑处理、去趋势的预处理;

17、a3:建立统计模型,使用自回归积分滑动平均模型或者指数平滑模型,并根据历史数据进行参数估计;

18、a4:模型验证与调整,使用部分历史数据进行模型验证,评估预测准确度,并根据验证结果对模型进行调整和优化;

19、a5:预测未来负荷,利用已建立的统计模型对未来时间段的负荷进行预测。

20、优选地:所述s1步骤中,基于天气的集成模型包括以下步骤:

21、b1:获取与负荷地理位置相关的天气数据,天气数据包括温度、湿度和风速;

22、b2:数据清洗和预处理:对收集到的天气数据进行清洗,去除异常值和缺失数据,并进行预处理;

23、b3:建立集成模型:将历史负荷数据与天气数据结合,构建预测模型,并训练模型参数;

24、b4:模型验证与调整,使用部分历史数据进行模型验证,评估预测准确度,并根据验证结果对模型进行调整和优化;

25、b5:预测未来负荷,利用已建立的统计模型对未来时间段的负荷进行预测。

26、优选地:所述b3步骤中,构建预测模型采用回归分析或支持向量机或随机森林机器学习算法。

27、优选地:所述s1步骤中,基于人工智能的深度学习模型包括以下步骤:

28、c1:数据准备:收集历史负荷数据,并对数据进行清洗和预处理;

29、c2:构建神经网络模型,构建网络模型,并进行网络参数初始化;

30、c3:训练模型,使用历史数据对神经网络模型进行训练,通过反向传播算法进行参数优化;

31、c4:预测未来负荷,利用已建立的统计模型对未来时间段的负荷进行预测。

32、优选地:所述c2步骤中,模型采用循环神经网络或长短期记忆网络或卷积神经网络。

33、优选地:所述s4步骤中,调控包括以下情况:

34、s41:若p发电>p负载+p损,且w储′小于w储,则发电侧通过电网直接向负载供电的同时,多余电能输入储能侧储存;

35、s42:若p发电>p负载+p损,且w储′等于w储,则发电侧通过电网直接向负载供电,且同时降低发电侧的发电功率;

36、s43:若p发电<p负载+p损,且w储′<wσ,则发电侧增加功率后通过电网向负载供电,且多余的电能输入储能侧储存;

37、s44:若p发电<p负载+p损,且w储′>wσ,则发电侧通过电网直接向负载供电,且同时储能侧连接电网,向负载供电。

38、优选地:所述s43和s44步骤中,wσ为储能预存量。

39、本专利技术的有益效果为:

40、1.本专利技术通过利用基于历史数据的统计模型、基于天气的集成模型、基于人工智能的深度学习模型和基于实时测量的模型对负荷进行预测,从而再根据预测结果对电网侧、发电侧和储能侧进行管控,从而可以实现预先调控、提前响应的功能。

本文档来自技高网
...

【技术保护点】

1.一种基于源网荷储协同的配电网管控系统,其特征在于,其包括:

2.一种基于源网荷储协同的配电网管控方法,其特征在于,其包括以下步骤:

3.根据权利要求2所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述S1步骤中,负荷功率预测模型采用基于历史数据的统计模型、基于天气的集成模型、基于人工智能的深度学习模型和基于实时测量的模型中的任意一种。

4.根据权利要求3所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述S1步骤中,基于历史数据的统计模型包括以下步骤:

5.根据权利要求3所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述S1步骤中,基于天气的集成模型包括以下步骤:

6.根据权利要求5所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述B3步骤中,构建预测模型采用回归分析或支持向量机或随机森林机器学习算法。

7.根据权利要求3所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述S1步骤中,基于人工智能的深度学习模型包括以下步骤:

8.根据权利要求7所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述C2步骤中,模型采用循环神经网络或长短期记忆网络或卷积神经网络。

9.根据权利要求1所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述S4步骤中,调控包括以下情况:

10.根据权利要求9所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述S43和S44步骤中,Wσ为储能预存量。

...

【技术特征摘要】

1.一种基于源网荷储协同的配电网管控系统,其特征在于,其包括:

2.一种基于源网荷储协同的配电网管控方法,其特征在于,其包括以下步骤:

3.根据权利要求2所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述s1步骤中,负荷功率预测模型采用基于历史数据的统计模型、基于天气的集成模型、基于人工智能的深度学习模型和基于实时测量的模型中的任意一种。

4.根据权利要求3所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述s1步骤中,基于历史数据的统计模型包括以下步骤:

5.根据权利要求3所述的一种基于源网荷储协同的配电网管控方法,其特征在于,所述s1步骤中,基于天气的集成模型包括以下步骤:

6.根据权利要求5所述...

【专利技术属性】
技术研发人员:朱敏捷王新禹余才阳钟磊梁邱唐斌郑玲侯文浩应伟
申请(专利权)人:国网浙江省电力有限公司台州供电公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1