【技術實現步驟摘要】
本專利技術涉及智能電網，更具體地說，本專利技術涉及多能源協同優化的區域性電力調峰云服務系統及方法。
技術介紹
1、現有公開號cn114498750a的專利申請提出了一種基于q-learning算法的分布式多智能體微電網能量管理方法，包括：獲取風力發電場的環境風速、光伏發電場的環境溫度和光照強度數據；通過靈敏度分析選擇合適的學習參數；初始化q表；確定可再生能源代理商的輸出功率數據；設計動作選擇策略，各代理基于此策略選擇動作并提交給能量管理代理；設計市場定價策略，能量管理代理指定市場電價；計算各代理的即時獎勵并更新q表；判斷q表是否收斂。該專利技術對各代理的策略尋優效果明顯，極大提高了分布式能源代理商的收益，減少了用戶代理的成本，同時也降低了微電網對主電網的依賴，提高了微電網的整體效益。
2、該方法是通過用戶代理提交的負荷需求，以及分布式能源代理商提供的輸出功率，如果分布式能源代理商提供的能源大于負荷需求，則剩余的能源將出售給主電網；如果分布式能源代理商提供的能源無法滿足負荷需求，則能量管理代理將從主電網補足；
3、上述方法雖能滿足大部分場景，但對上述方法以及現有技術進行研究和實際應用發現，上述方法以及現有技術至少存在以下部分缺陷：
4、（1）用戶負荷需求預測未考慮不同時間段的用電量變化，導致未來用電量需求預測準確率不高；
5、（2）在電力調峰時，沒有結合未來時間市場電價以及分布式能源未來時間發電量進行綜合考慮，造成在不適當的時間調度傳統電力，增加運營成本，導致傳統電力公司和分布式能源
6、鑒于此，本專利技術提出多能源協同優化的區域性電力調峰云服務系統及方法以解決上述問題。
技術實現思路
1、為了克服現有技術的上述缺陷，為實現上述目的，本專利技術提供如下技術方案：多能源協同優化的區域性電力調峰云服務方法，包括：
2、采集實時的區域用電量時間序列數據，還用于采集單位時間分布式電站的發電數據；所述區域用電量時間序列數據為分布式電站對應的區域用電量，所述發電數據包括光伏發電站關鍵數據與風力發電站關鍵數據；
3、分別對光伏發電站關鍵數據和風力發電站關鍵數據進行預處理，得到預處理光伏發電站關鍵數據和預處理風力發電站關鍵數據；
4、將預處理光伏發電站關鍵數據輸入訓練完成的光伏發電量預測模型中，將預處理風力發電站關鍵數據輸入訓練完成的風力發電量預測模型中，分別得到對應的預測光伏發電量與預測風力發電量；
5、將區域用電量時間序列數據輸入預構建的區域用電量預測模型中，得到未來單位時間區域用電量；
6、根據分布式能源發電站預測發電量、未來單位時間區域用電量，以及結合未來時間市場電價,對分布式能源與傳統電力進行管理與調度，實現電力調峰；所述分布式能源發電站預測發電量為預測光伏發電量與預測風力發電量之和。
7、進一步地，所述光伏發電站關鍵數據包括未來單位時間內的天氣狀態、光照強度和第一溫度；所述風力發電站關鍵數據包括未來單位時間內的風速、風向和第二溫度；所述第一溫度為光伏發電站的環境溫度，所述第二溫度為風力發電站的環境溫度；
8、所述分布式電站的發電數據的采集方法為：將未來單位時間劃分為h個時間段，在每個時間段結尾采集一次分布式電站的發電數據。
9、進一步地，獲取所述光照強度的方法包括：
10、步驟1、采集未來第h個時間段結尾采集的天氣狀態、第一溫度、濕度與云量，h∈h,h的初始值為1，h為大于0整數；
11、步驟2、將未來第h個時間段結尾采集的天氣狀態、第一溫度、濕度和云量，輸入至訓練完成的光照強度預測模型中，得到未來第h個時間段結尾光照強度；
12、步驟3、令h=h+1，執行步驟1-步驟2，直至h=h，獲得h個未來單位時間的光照強度。
13、進一步地，所述光照強度預測模型的訓練方法包括：
14、采集歷史光照數據集，所述歷史光照數據集包括光照特征數據，以及光照特征數據對應的光照強度，所述光照特征數據包括天氣狀態、第一溫度、濕度和云量，將所述歷史光照數據集劃分為訓練集與測試集，構建分類器，將訓練集中的光照特征數據作為光照強度預測模型的輸入，將訓練集中的光照強度作為光照強度預測模型的輸出，對分類器進行訓練，得到初始分類器，利用測試集對初始分類器進行測試，輸出滿足預設準確度的分類器作為光照強度預測模型，分類器為樸素貝葉斯模型或支持向量機模型中的一種。
15、進一步地，所述預處理光伏發電站關鍵數據包括天氣狀態平均值、天氣狀態標準差、光照強度平均值、光照強度標準差、第一溫度平均值和第一溫度標準差：
16、所述天氣狀態包括晴天、晴天少云、晴轉多云、多云、陰天、陰轉小雨、小雨、中雨、霧霾和大雨，對天氣狀態進行數值標注；
17、將單位時間內的天氣狀態建立天氣狀態分析集合，計算天氣狀態分析集合內的天氣狀態平均值與天氣狀態標準差，方法如下：
18、所述天氣狀態平均值的計算方法包括：
19、；
20、所述天氣狀態標準差的計算方法包括：
21、；
22、公式中為天氣狀態分析集合中天氣狀態標準差；為天氣狀態分析集合中第h個時間段的天氣狀態；為天氣狀態分析集合中天氣狀態平均值；
23、將單位時間內的光照強度建立光照強度分析集合，計算光照強度分析集合內的光照強度平均值與光照強度標準差，方法如下：
24、所述光照強度平均值的計算方法包括：
25、；
26、所述光照強度標準差的計算方法包括：
27、；
28、公式中為光照強度分析集合中光照強度標準差；為光照強度分析集合中第h個時間段的光照強度；為光照強度分析集合中光照強度平均值；
29、將單位時間內的第一溫度建立第一溫度分析集合，計算第一溫度分析集合內的第一溫度平均值與第一溫度標準差，方法如下：
30、所述第一溫度平均值的計算方法包括：
31、;
32、建立第一溫度分析集合的第一溫度標準差的計算方法包括：
33、；
34、公式中為第一溫度標準差；為第一溫度分析集合中第h個時間段的第一溫度，為第一溫度平均值；
35、所述預處理風力發電站關鍵數據包括風速平均值、風速標準差、第二溫度平均值、第二溫度標準差：
36、將單位時間內的風速建立風速分析集合，計算風速分析集合內的風速平均值與風速標準差，方法如下：
37、所述風速平均值的計算方法包括：
38、；
39、所述風速標準差的計算方法包括：
40、；
41、公式中為風速分析集合中風速標準差；為風速分析集合中第h個時間段的風速；為風速分析集合中風速平均值；
42、將單位時間內的第二溫度建立第二溫度分析集合，計算第二溫本文檔來自技高網...
【技術保護點】
1.多能源協同優化的區域性電力調峰云服務方法，其特征在于，包括：
2.根據權利要求1所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，所述光伏發電站關鍵數據包括未來單位時間內的天氣狀態、光照強度和第一溫度；所述風力發電站關鍵數據包括未來單位時間內的風速、風向和第二溫度；所述第一溫度為光伏發電站的環境溫度，所述第二溫度為風力發電站的環境溫度；
3.根據權利要求2所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，獲取所述光照強度的方法包括：
4.根據權利要求3所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，所述光照強度預測模型的訓練方法包括：
5.根據權利要求4所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，所述預處理光伏發電站關鍵數據包括天氣狀態平均值、天氣狀態標準差、光照強度平均值、光照強度標準差、第一溫度平均值和第一溫度標準差：
6.根據權利要求5所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，所述光伏發電量預測模型的訓練方法包括：
7.根據權利要求5
8.根據權利要求5所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，所述區域用電量預測模型的訓練方法包括：
9.根據權利要求7所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，對分布式能源與傳統電力進行管理與調度的步驟如下：
10.多能源協同優化的區域性電力調峰云服務系統，實施權利要求1-9任一項所述多能源協同優化的區域性電力調峰云服務方法，其特征在于，包括：
...【技術特征摘要】
1.多能源協同優化的區域性電力調峰云服務方法，其特征在于，包括：
2.根據權利要求1所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，所述光伏發電站關鍵數據包括未來單位時間內的天氣狀態、光照強度和第一溫度；所述風力發電站關鍵數據包括未來單位時間內的風速、風向和第二溫度；所述第一溫度為光伏發電站的環境溫度，所述第二溫度為風力發電站的環境溫度；
3.根據權利要求2所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，獲取所述光照強度的方法包括：
4.根據權利要求3所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，所述光照強度預測模型的訓練方法包括：
5.根據權利要求4所述的多能源協同優化的區域性電力調峰云服務方法，其特征在于，所述預處理光伏發電站關鍵數據包括天氣狀態平均值、天氣...
【專利技術屬性】
技術研發人員：趙榮，周元，梁輔雄，張仁，唐正平，
申請(專利權)人：湖南西來客儲能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。