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()
【技术实现步骤摘要】
本专利技术涉及电力能源管理与调度领域,特别是一种基于数据分析的能源优化调度方法及系统。
技术介绍
1、随着全球能源需求的不断增长和环境保护意识的增强,传统化石能源的使用面临着越来越大的压力。可再生能源,尤其是太阳能和风能,因其清洁、可再生的特性,成为了未来能源发展的重要方向。然而,太阳能和风能的发电具有高度的不确定性和波动性,这给电力系统的调度和管理带来了诸多挑战。
2、现有的能源调度方法往往基于静态模型,缺乏对实时数据的动态响应能力。这导致在面对突发负荷变化或气象条件变化时,调度策略无法及时调整,影响了系统的可靠性和经济性。许多传统调度模型未能有效考虑可再生能源发电的不确定性,尤其是在风光出力波动较大的情况下,容易导致电力供需失衡,增加了系统的风险。现有方法往往将调度目标单一化,缺乏对多目标优化的综合考虑。例如,碳排放、调度成本和系统可靠性等目标之间的权衡未能得到有效解决。虽然数据分析技术在许多领域得到了广泛应用,但在能源调度领域,尤其是对实时数据的处理和分析仍显不足,导致无法准确识别发电模式和负荷需求的变化趋势。
3、因此,亟需一种更为准确的数据分析方法和建模,以提高能源调度的满意度。
技术实现思路
1、为了解决上述问题,本专利技术提出了一种基于数据分析的能源优化调度方法及系统。
2、本专利技术具体提供如下技术方案:
3、一种基于数据分析的能源优化调度方法,所述方法包括以下步骤:
4、步骤s1:实时采集太阳能、风能、储
5、步骤s2:利用数据分析技术对所述采集的数据进行处理,识别出可再生能源的发电模式及负荷需求的变化趋势;
6、步骤s3:基于上述数据分析的结果,引入风光出力的不确定性和信息间隙决策的联合约束,以系统可靠性最大、调度灵活度最佳、碳排放最少为主要目标,以调度成本最少为次要目标,构建双层能源调度模型;
7、步骤s4:采用非支配排序遗传算法nsga-ii结合拥挤距离和精英策略的优化方法,对上述能源调度模型进行求解,输出pareto前沿上的解集,得到最优调度策略;
8、步骤s5:根据上述最优调度策略,部署能源调度方案;同时根据实时数据和预测信息,动态调整调度策略。
9、可选地,在所述步骤s1中,
10、采用高精度光伏发电监测传感器、风速传感器和电池管理系统bms传感器采集对应数据,数据采集频率为每分钟一次;采用5g进行数据的实时传输。
11、可选地,所述步骤s2中,
12、对采集的数据进行预处理,使用偏自相关函数pacf提取数据的趋势、季节性和周期性特征;同时提取气象数据的特征,包括温度、湿度、风速;
13、利用虚拟电厂的集成管理系统,将不同发电源的实时发电数据进行整合,使用k-means聚类算法对发电数据进行聚类,识别出不同的发电模式;使用自回归积分滑动平均模型arima对负荷需求数据进行建模,识别出负荷需求的变化趋势;使用多项式回归分析挖掘可再生能源发电与负荷需求之间的关系,识别出影响发电模式和负荷需求变化的关键因素,所述关键因素包括气象因素、负荷特征、发电源特性以及市场因素。
14、可选地,在所述步骤s2中,自变量具体包括如下:
15、所述气象因素包括温度t、湿度h、风速w、光照时长l;所述负荷特征包括负荷峰值、负荷谷值、负荷变化速率r;所述发电源特性包括光伏发电能力、风电发电能力、储能效率e;所述市场因素包括电价、需求响应d;
16、基于上述自变量,构建一个用于预测负荷需求y的二阶多项式回归模型,具体为:
17、
18、其中,为截距项,和是上述自变量,是对应的线性项回归系数,是交互项的回归系数;
19、利用指标来评估上述模型的数据拟合效果,越接近1,表示预测负荷需求的效果越好;其中,rss代表观测值与模型预测值之间差异的平方和,tss表示因变量的总变异。
20、可选地,在所述步骤s3中,所述双层能源调度模型分为上层模型和下层模型;所述上层模型解决调度策略,以最大化系统的可靠性、调度灵活度和最小化碳排放为上层模型的目标函数zup,表示为:
21、
22、其中,为能源调度系统的可用性,表征为给定时间t内可用的概率,为系统可用时间,为总时间;为负荷满足率,表征为一定时间t内实际负荷需求得到满足的比例,为满足的负荷总和,为总负荷需求;为调度响应时间,具体为能源调度系统对负荷变化的响应时间,为调度调整能力,具体为在一定时间内t能够调整的发电量,通过各发电单元的最大和最小发电能力之差的总和来计算;为一定时间t内调度系统的总碳排放量,通过各发电单元的单位碳排放量与其发电量p的乘积之和来计算;、、、、、、为对应参数的预设权重,用于平衡各个目标的重要性;
23、以最小化调度成本为所述下层模型的目标zdown,表示为:
24、
25、其中,、、、、分别为光伏发电、负载电力、电网电力、满足用电需求的发电设施所需燃料相关费用的组合以及灵活调度的成本;n表示给定特定时间t的预测范围的持续时间,t+n为持续时间的累积总和,为时间t内光伏光电量,为光伏发电的恒定成本;为从电网购买、向电网出售的成本,和分别为电网购买和出售的电量;和分别为电网中设备泵和涡轮的效率,和分别电网中设备泵和涡轮的发电功率;为dg产生的最大功率,f为每千瓦时所消耗的柴油量,为每升燃料的成本,和分别为排放co2的成本和质量;和分别为时段k下调度能量的灵活性和对应成本。
26、可选地,所述双层能源调度模型的约束条件包括有功功率均衡约束:
27、
28、其中,、、、分别为光伏发电功率、电网中设备泵和涡轮的发电功率以及dg产生的功率;和分别是负载功率和电网售电功率;
29、发电能力约束:
30、
31、其中,其中和分别表示风能和光伏发电的实际输出;和分别表示风力和光伏的预测输出功率;
32、能源转化设备约束:
33、
34、其中,表示i型能量转换装置的输入功率;表示i型设备的最大容量限制;表示i型器件的爬升率约束;
35、储能约束:
36、
37、其中,是时间t的储能状态;和分别是充电和放电效率;和分别是储能系统的充电和放电功率;
38、碳排放约束:
39、
40、其中,是第 i 种能源的碳排放系数;是第i种能源的发电量;是允许的最大碳排放量;
41、信息间隙参数约束:
42、
43、其中,表示实际目标函数值与基于不确定性信息的估计目标函数值之间的信息间隙;是设定的信息间隙阈值,表示决策者能够容忍的风险范围;
44、风光出力的不确定性约束:
45、
46、其中,和分别为风能本文档来自技高网...
【技术保护点】
1.一种基于数据分析的能源优化调度方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于数据分析的能源优化调度方法,其特征在于,在所述步骤S1中,
3.根据权利要求1所述的一种基于数据分析的能源优化调度方法,其特征在于,在所述步骤S2中,
4.根据权利要求3所述的一种基于数据分析的能源优化调度方法,其特征在于,在所述步骤S2中,自变量具体包括如下:
5.根据权利要求4所述的一种基于数据分析的能源优化调度方法,其特征在于,在所述步骤S3中,所述双层能源调度模型分为上层模型和下层模型;所述上层模型解决调度策略,以最大化系统的可靠性、调度灵活度和最小化碳排放为上层模型的目标函数Zup,表示为:
6.根据权利要求5所述的一种基于数据分析的能源优化调度方法,其特征在于,所述双层能源调度模型的约束条件包括有功功率均衡约束:
7.根据权利要求1所述的一种基于数据分析的能源优化调度方法,其特征在于,在步骤S4中,优化求解的具体过程如下:
8.根据权利要求7所述的一种基于数据分析的能源优化调度方
9.根据权利要求1所述的一种基于数据分析的能源优化调度方法,其特征在于,所述优化调度方法还包括:
10.一种基于数据分析的能源优化调度系统,用于实现权利要求1-9中任一项所述的一种基于数据分析的能源优化调度方法,其特征在于,所述系统包括:
...【技术特征摘要】
1.一种基于数据分析的能源优化调度方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于数据分析的能源优化调度方法,其特征在于,在所述步骤s1中,
3.根据权利要求1所述的一种基于数据分析的能源优化调度方法,其特征在于,在所述步骤s2中,
4.根据权利要求3所述的一种基于数据分析的能源优化调度方法,其特征在于,在所述步骤s2中,自变量具体包括如下:
5.根据权利要求4所述的一种基于数据分析的能源优化调度方法,其特征在于,在所述步骤s3中,所述双层能源调度模型分为上层模型和下层模型;所述上层模型解决调度策略,以最大化系统的可靠性、调度灵活度和最小化碳排放为上层模型的目标函...
【专利技术属性】
技术研发人员:邵忠,陆玮,杨石磊,
申请(专利权)人:电管家能源管理上海有限公司,
类型:发明
国别省市:
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。