[go: up one dir, main page]

CN113569936B - 绿电系统的供电控制方法、装置及计算机存储介质 - Google Patents

绿电系统的供电控制方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN113569936B
CN113569936B CN202110822276.8A CN202110822276A CN113569936B CN 113569936 B CN113569936 B CN 113569936B CN 202110822276 A CN202110822276 A CN 202110822276A CN 113569936 B CN113569936 B CN 113569936B
Authority
CN
China
Prior art keywords
power
green
park
electric
expected
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.)
Active
Application number
CN202110822276.8A
Other languages
English (en)
Other versions
CN113569936A (zh
Inventor
王平玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Sunshine Zero Carbon Technology Co ltd
Original Assignee
Hefei Zero Carbon Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Zero Carbon Technology Co ltd filed Critical Hefei Zero Carbon Technology Co ltd
Priority to CN202110822276.8A priority Critical patent/CN113569936B/zh
Publication of CN113569936A publication Critical patent/CN113569936A/zh
Application granted granted Critical
Publication of CN113569936B publication Critical patent/CN113569936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H02J2101/24—
    • H02J2103/30—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了一种绿电系统的供电控制方法、装置及计算机存储介质，包括：获取各个绿电系统的预期供电功率，以及获取在预期供电功率对应的时间点各个绿电系统关联的各个园区的预期用电功率；获取使所有园区的总绿电使用率达到最大时的各个绿电系统对于各个园区的配电系数；按照各个绿电系统对于各个园区的配电系数调节绿电系统对于园区的供电功率。本发明通过预期供电功率以及预期用电功率计算各个绿电系统对于各个园区的配电系数，以控制绿电系统按照配电系数进行配电，提高了绿电的使用率。

Description

绿电系统的供电控制方法、装置及计算机存储介质
技术领域
本发明涉及供电控制技术领域，尤其涉及绿电系统的供电控制方法、装置及计算机存储介质。
背景技术
绿电系统在对各个园区内的用电设备供电时，往往是采用粗放式的供电方式，即针对各个园区设置固定的配电系数，并按照固定的配电系数向对应的园区进行供电。
但各个园区的实际用电需求是会发生改变的，这种粗放式供电会使得园区实际用电中绿电的占比过少，导致绿电的使用率较低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种绿电系统的供电控制方法、装置及计算机存储介质，旨在提高园区实际用电中绿电的使用率。
为实现上述目的，本发明提供一种绿电系统的供电控制方法，所述绿电系统的供电控制方法包括以下步骤：
获取各个绿电系统的预期供电功率，以及获取在所述预期供电功率对应的时间点各个所述绿电系统关联的各个园区的预期用电功率；
获取使所有所述园区的总绿电使用率达到最大时的各个所述绿电系统对于各个所述园区的配电系数，其中，获取各个所述绿电系统对于各个所述园区的配电系数与所述绿电系统的预期供电功率的乘积，获取所有所述绿电系统对于所有所述园区的所述乘积之和，并与所有所述园区的所述预期用电功率之和相除，得到所有所述园区的总绿电使用率；
按照各个所述绿电系统对于各个所述园区的配电系数调节所述绿电系统对于所述园区的供电功率。
可选地，获取使所有所述园区的总绿电使用率达到最大时的各个所述绿电系统对于各个所述园区的配电系数时的约束条件包括：
所有所述园区内的用电设备的预期故障概率之和小于预设阈值，其中，将所有所述绿电系统对于所述园区的配电系数与所述绿电系统的预期供电功率的乘积之和，作为所述园区的预期被供应绿电功率，并根据所述园区对应的被供应绿电功率与故障概率之间的关联关系获取与所述园区的预期被供应绿电功率对应的所述预期故障概率。
可选地，所述绿电系统的供电控制方法还包括：
获取所述园区的历史用电功率中的历史被供应绿电功率；
获取在所述历史被供应绿电功率对应的时间点所述园区内的用电设备的历史故障概率；
根据所述历史被供应绿电功率以及所述历史故障概率生成所述园区对应的被供应绿电功率与故障概率之间的关联关系，并保存所述关联关系。
可选地，所述根据所述历史被供应绿电功率以及所述历史故障概率生成所述园区对应的被供应绿电功率与故障概率之间的关联关系的步骤包括：
获取在所述历史被供应绿电功率对应的时间点所述园区内发生故障的用电设备的历史数量；
采用泊松分布算法，根据所述发生故障的用电设备的历史数量以及所述历史故障概率以及确定泊松分布的参数；
根据所述历史被供应绿电功率与所述发生故障的用电设备的历史数量之间的对应关系以及所述泊松分布的参数作为所述园区对应的被供应绿电功率与故障概率之间的关联关系；
所述根据所述园区对应的被供应绿电功率与故障概率之间的关联关系获取与所述园区的预期被供应绿电功率对应的所述预期故障概率的步骤包括：
根据所述历史被供应绿电功率与所述发生故障的用电设备的历史数量之间的对应关系确定与所述预期被供应绿电功率对应的发生故障的用电设备的预期数量；
采用泊松分布算法，根据所述预期数量以及所述泊松分布的参数确定所述预期故障概率。
可选地，所述按照各个所述绿电系统对于各个所述园区的配电系数调节所述绿电系统对于所述园区的供电功率的步骤之后，还包括：
按照各个园区内的各个用电设备的历史用电功率对各个所述园区内的用电设备进行分类，得到多个类别的用电设备；
对属于同一类别的用电设备进行统一供电。
可选地，所述按照各个园区内的各个用电设备的历史用电功率对各个所述园区内的用电设备进行分类的步骤包括：
根据各个所述园区内的用电设备的历史用电功率生成基于历史用电功率的协方差矩阵；
对所述基于历史用电功率的协方差矩阵进行特征值分解，得到所述园区内的各个用电设备对应的特征值；
按照所述特征值对所述园区内的用电设备进行分类。
可选地，所述获取各个绿电系统的预期供电功率的步骤包括：
在所述绿电系统为光伏系统时，获取在所述绿电系统的历史供电功率对应的时间点所述光伏系统的历史环境参数；
根据所述历史环境参数以及所述历史供电功率生成发电预测功率模型；
获取在所述预期供电功率对应的时间点所述光伏系统的预期环境参数；
根据所述预期环境参数以及所述发电预测功率模型确定所述绿电系统的预期供电功率。
可选地，所述获取在所述预期供电功率对应的时间点各个所述绿电系统关联的各个园区的预期用电功率的步骤包括：
根据所述园区的历史用电功率生成负荷预测模型；
获取所述园区的当前用电功率；
根据所述当前用电功率以及所述负荷预测模型确定在所述预期供电功率对应的时间点所述园区的预期用电功率。
此外，为实现上述目的，本发明还提供一种绿电系统的供电控制装置，所述绿电系统的供电控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的绿电系统的供电控制程序，所述绿电系统的供电控制程序被所述处理器执行时实现如上所述中任一项所述的绿电系统的供电控制方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有绿电系统的供电控制程序，所述绿电系统的供电控制程序被处理器执行时实现如上所述中任一项所述的绿电系统的供电控制方法的步骤。
本发明实施例提出的绿电系统的供电控制方法、装置及计算机存储介质，获取各个绿电系统的预期供电功率，以及获取在所述预期供电功率对应的时间点各个所述绿电系统关联的各个园区的预期用电功率；获取使所有所述园区的总绿电使用率达到最大时的各个所述绿电系统对于各个所述园区的配电系数，其中，获取各个所述绿电系统对于各个所述园区的配电系数与所述绿电系统的预期供电功率的乘积，获取所有所述绿电系统对于所有所述园区的所述乘积之和，并与所有所述园区的所述预期用电功率之和相除，得到所有所述园区的总绿电使用率；按照各个所述绿电系统对于各个所述园区的配电系数调节所述绿电系统对于所述园区的供电功率。本发明通过预期供电功率以及预期用电功率计算各个绿电系统对于各个园区的配电系数，以控制绿电系统按照配电系数进行配电，提高了绿电的使用率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明绿电系统的供电控制方法的一实施例的流程示意图；
图3为本发明绿电系统的供电控制方法另一实施例的流程示意图；
图4为本发明绿电系统的供电控制方法再一实施例的流程示意图；
图5为本发明绿电系统的供电控制方法又一实施例的流程示意图；
图6为本发明各个绿电系统与各个园区的用电设备之间的一种供电用电关系的示意图；
图7为本发明绿电系统的供电控制方法的一示例性说明的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种解决方案，通过预期供电功率以及预期用电功率计算各个绿电系统对于各个园区的配电系数，以控制绿电系统按照配电系数进行配电，提高了绿电的使用率。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端为绿电系统的供电控制装置。
如图1所示，该终端可以包括：处理器1001，例如CPU、DSP、MCU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括网络通信模块、用户接口模块以及种绿电系统的供电控制程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的种绿电系统的供电控制程序，并执行以下操作：
获取各个绿电系统的预期供电功率，以及获取在所述预期供电功率对应的时间点各个所述绿电系统关联的各个园区的预期用电功率；
获取使所有所述园区的总绿电使用率达到最大时的各个所述绿电系统对于各个所述园区的配电系数，其中，获取各个所述绿电系统对于各个所述园区的配电系数与所述绿电系统的预期供电功率的乘积，获取所有所述绿电系统对于所有所述园区的所述乘积之和，并与所有所述园区的所述预期用电功率之和相除，得到所有所述园区的总绿电使用率；
按照各个所述绿电系统对于各个所述园区的配电系数调节所述绿电系统对于所述园区的供电功率。
进一步地，处理器1001可以调用存储器1005中存储的种绿电系统的供电控制程序，还执行以下操作：
获取所述园区的历史用电功率中的历史被供应绿电功率；
获取在所述历史被供应绿电功率对应的时间点所述园区内的用电设备的历史故障概率；
根据所述历史被供应绿电功率以及所述历史故障概率生成所述园区对应的被供应绿电功率与故障概率之间的关联关系，并保存所述关联关系。
进一步地，处理器1001可以调用存储器1005中存储的种绿电系统的供电控制程序，还执行以下操作：
获取在所述历史被供应绿电功率对应的时间点所述园区内发生故障的用电设备的历史数量；
采用泊松分布算法，根据所述发生故障的用电设备的历史数量以及所述历史故障概率以及确定泊松分布的参数；
根据所述历史被供应绿电功率与所述发生故障的用电设备的历史数量之间的对应关系以及所述泊松分布的参数作为所述园区对应的被供应绿电功率与故障概率之间的关联关系；
进一步地，处理器1001可以调用存储器1005中存储的种绿电系统的供电控制程序，还执行以下操作：
根据所述历史被供应绿电功率与所述发生故障的用电设备的历史数量之间的对应关系确定与所述预期被供应绿电功率对应的发生故障的用电设备的预期数量；
采用泊松分布算法，根据所述预期数量以及所述泊松分布的参数确定所述预期故障概率。
进一步地，处理器1001可以调用存储器1005中存储的种绿电系统的供电控制程序，还执行以下操作：
按照各个园区内的各个用电设备的历史用电功率对各个所述园区内的用电设备进行分类，得到多个类别的用电设备；
对属于同一类别的用电设备进行统一供电。
进一步地，处理器1001可以调用存储器1005中存储的种绿电系统的供电控制程序，还执行以下操作：
根据各个所述园区内的用电设备的历史用电功率生成基于历史用电功率的协方差矩阵；
对所述基于历史用电功率的协方差矩阵进行特征值分解，得到所述园区内的各个用电设备对应的特征值；
按照所述特征值对所述园区内的用电设备进行分类。
进一步地，处理器1001可以调用存储器1005中存储的种绿电系统的供电控制程序，还执行以下操作：
在所述绿电系统为光伏系统时，获取在所述绿电系统的历史供电功率对应的时间点所述光伏系统的历史环境参数；
根据所述历史环境参数以及所述历史供电功率生成发电预测功率模型；
获取在所述预期供电功率对应的时间点所述光伏系统的预期环境参数；
根据所述预期环境参数以及所述发电预测功率模型确定所述绿电系统的预期供电功率。
进一步地，处理器1001可以调用存储器1005中存储的种绿电系统的供电控制程序，还执行以下操作：
根据所述园区的历史用电功率生成负荷预测模型；
获取所述园区的当前用电功率；
根据所述当前用电功率以及所述负荷预测模型确定在所述预期供电功率对应的时间点所述园区的预期用电功率。
参照图2，在一实施例中，绿电系统的供电控制方法包括以下步骤：
步骤S10，获取各个绿电系统的预期供电功率，以及获取在所述预期供电功率对应的时间点各个所述绿电系统关联的各个园区的预期用电功率；
在本实施例中，绿电指的是在生产电力的过程中，它的二氧化碳排放量为零或趋近于零，因相较于其他方式(如火力发电)所生产之电力，对于环境冲击影响较低，绿电系统用于为相应园区内的用电设备提供电能，绿电系统一般包括光伏系统、储能系统以及制氢系统等。
可选地，如图6所示，用电区域被划分为多个园区，每个园区内可设置有绿电系统以及用电设备，绿电系统可为本园区内的用电设备供电，也可为绿电系统关联的其他园区内的用电设备供电。
可选地，在绿电系统为园区内的用电设备供电时，该部分供电功率为被供应的绿电功率。可选地，由于被供应的绿电功率通常较小，园区内的用电设备还可与市政供电网络连接，以通过普通的市政供电网络为园区内的用电设备供电，因此园区的用电功率通常是大于绿电系统的总供电功率的。
可选地，绿电系统关联的园区指可通过绿电系统进行绿电供应的园区。
可选地，根据各个绿电系统的历史供电功率预测绿电系统在未来的某一段时间内或者未来某一时刻的预期供电功率，以及根据各个园区的历史用电功率预测该园区在该未来的某一段时间内或者未来某一时刻的预期用电功率。
可选地，在预测预期供电功率和/或预测预期用电功率时，可基于机器学习算法实现，例如，可基于机森林算法、梯度提升树或这些算法的组合实现。
步骤S20，获取使所有所述园区的总绿电使用率达到最大时的各个所述绿电系统对于各个所述园区的配电系数，其中，获取各个所述绿电系统对于各个所述园区的配电系数与所述绿电系统的预期供电功率的乘积，获取所有所述绿电系统对于所有所述园区的所述乘积之和，并与所有所述园区的所述预期用电功率之和相除，得到所有所述园区的总绿电使用率；
在本实施例中，绿电系统对于园区的配电系数是该绿电系统对于该园区的供电功率相对于该绿电系统可输出的总供电功率的占比。
可选地，可采用拉格朗日对偶算法进行数学计算，以获取使所有园区的总绿电使用率达到最大时的各个绿电系统对于各个园区的配电系数。具体地，可将各个绿电系统对于各个园区的配电系数转换为对应的配电系数矩阵，例如，参照图6，图6包括园区1、园区2以及园区3，3个园区内均设置有光伏系统、储能系统以及制氢系统，那么可将3个园区内的所有光伏系统对于各个园区的配电系数转换为对应的配电系数矩阵，具体为：
其中，a11为园区1内的光伏系统对于园区1的配电系数，a12为园区1内的光伏系统对于园区2的配电系数，a13为园区1内的光伏系统对于园区3的配电系数，a21为园区2内的光伏系统对于园区1的配电系数，a22为园区2内的光伏系统对于园区2的配电系数，a23为园区2内的光伏系统对于园区3的配电系数，a31为园区3内的光伏系统对于园区1的配电系数，a32为园区3内的光伏系统对于园区2的配电系数，a33为园区3内的光伏系统对于园区1的配电系数,。
类似地，将3个园区内的所有储能系统对于各个园区的配电系数转换为对应的配电系数矩阵，具体为：
类似地，将3个园区内的所有制氢系统对于各个园区的配电系数转换为对应的配电系数矩阵，具体为：
可选地，以图6为例，所有园区的总绿电使用率的计算公式如下：
其中，PVpredict为光伏系统的预期供电功率，ES为储能系统的预期供电功率，HY为制氢系统的预期供电功率，ΣELE-predict为所有园区的预期用电功率之和。
采用拉格朗日对偶算法，计算上述所有园区的总绿电使用率的最大值，即计算对偶问题的最优解。在总绿电使用率取到最大值时，即可确定此时的各个配电系数矩阵的取值，得到各个绿电系统对于各个园区的配电系数。
可选地，上述在计算上述所有园区的总绿电使用率的最大值时，拉格朗日对偶算法的约束条件可包括：
a11+a12+a13≤1
a21+a22+a23≤1
a31+a32+a33≤1
b11+b12+b13≤1
b21+b22+b23≤1
b31+b32+b33≤1
c11+c12+c13≤1
c21+c22+c23≤1
c31+c32+c33≤1
通过上述约束条件的限制，可保证在按照各个绿电系统对于各个园区的配电系数调节绿电系统对于园区的供电功率时，单个绿电系统对于所有园区的供电功率之和不会超出该绿电系统的预期供电功率。
步骤S30，按照各个所述绿电系统对于各个所述园区的配电系数调节所述绿电系统对于所述园区的供电功率。
在本实施例中，在确定了各个绿电系统对于各个园区的配电系数后，将配电系数与绿电系统的预期供电功率相乘，得到绿电系统对于园区的应供电功率，并按照应供电功率调节绿电系统对于园区的供电功率，这样，可保证所有园区的总绿电使用率。
在本实施例公开的技术方案中，通过预期供电功率以及预期用电功率计算各个绿电系统对于各个园区的配电系数，以控制绿电系统按照配电系数进行动态配电，具有很强的适应性，提高了绿电的使用率。
在另一实施例中，如图3所示，在上述图2所示的实施例基础上，获取使所有园区的总绿电使用率达到最大时的各个绿电系统对于各个园区的配电系数时的约束条件可包括：所有园区内的用电设备的预期故障概率之和小于预设阈值。
在本实施例中，由于绿电系统对于园区的供电功率过高时，可能会使得园区内的用电设备的电压过高，造成设备故障，因此在确定各个绿电系统对于各个园区的配电系数时，可通过配电系数计算出园区内的用电设备的预期故障概率，并通过所有园区内的用电设备的预期故障概率之和的限制，避免各个绿电系统对于各个园区的配电系数不合理而导致园区内的用电设备的故障风险过高，保证了绿电系统在对园区供电时园区内的用电设备的可靠性。
可选地，在计算单个园区内的用电设备的预期故障概率时，可将所有绿电系统对于该园区的配电系数与对应的绿电系统的预期供电功率的乘积之和，作为园区的预期被供应绿电功率(即所有绿电系统对于该园区的总预期供电功率)，根据该园区对应的被供应绿电功率与故障概率之间的关联关系即可确定与该园区的预期被供应绿电功率对应的预期故障概率。
步骤S20之前，绿电系统的供电控制方法还包括：
步骤S40，获取所述园区的历史用电功率中的历史被供应绿电功率；
在本实施例中，由于园区不仅可接收绿电的供电，还可接收市政供电网络的供电，因此，在园区的历史用电功率中，可包含有历史被供应绿电功率。
步骤S50，获取在所述历史被供应绿电功率对应的时间点所述园区内的用电设备的历史故障概率；
在本实施例中，获取在历史被供应绿电功率对应的时间点园区内历史发生故障的用电设备的历史数量，将历史数量与园区内的用电设备总数的比值作为园区内的用电设备的历史故障概率。
步骤S60，根据所述历史被供应绿电功率以及所述历史故障概率生成所述园区对应的被供应绿电功率与故障概率之间的关联关系，并保存所述关联关系。
可选地，可将历史被供应绿电功率以及历史被供应绿电功率对应的时间点的历史故障概率作为一组对应关系，根据多组对应关系得到该园区对应的被供应绿电功率与故障概率之间的关联关系。
可选地，在生成园区对应的被供应绿电功率与故障概率之间的关联关系时，也可获取在历史被供应绿电功率对应的时间点园区内发生故障的用电设备的历史数量，并采用泊松分布算法，根据发生故障的用电设备的历史数量以及历史故障概率确定泊松分布的参数，泊松分布算法的公式如下：
其中，p(X＝K)为故障概率，K为发生故障的用电设备的数量，泊松分布的参数为泊松分布的期望和方差λ，e为自然对数函数的底数，根据以上公式即可计算出泊松分布的参数λ，泊松分布的参数λ表征K取不同数值时的故障概率的分布情况。
可选地，可将历史被供应绿电功率与所发生故障的用电设备的历史数量之间的对应关系以及泊松分布的参数作为园区对应的被供应绿电功率与故障概率之间的关联关系，这样，在根据园区对应的被供应绿电功率与故障概率之间的关联关系获取与园区的预期被供应绿电功率对应的预期故障概率时，可先根据历史被供应绿电功率与所述发生故障的用电设备的历史数量之间的对应关系确定与预期被供应绿电功率对应的发生故障的用电设备的预期数量，并采用泊松分布算法，根据预期数量K以及泊松分布的参数λ确定预期故障概率p(X＝K)，从而从K取不同数值时的故障概率的分布情况中确定与预期被供应绿电功率对应的预期故障概率，使得预期故障概率的预测更加准确。
在本实施例公开的技术方案中，根据历史被供应绿电功率、历史故障概率等历史数据生成被供应绿电功率与故障概率之间的关联关系，以便于预测不同的预期被供应绿电功率对应的用电设备预期故障概率。
在再一实施例中，如图4所示，在图2至图3任一实施例所示的基础上，步骤S30之后，还包括：
步骤S70，按照各个园区内的各个用电设备的历史用电功率对各个所述园区内的用电设备进行分类，得到多个类别的用电设备；
在本实施例中，在按照配电系数调节绿电系统对于园区的供电功率后，可按照各个园区内的各个用电设备的历史用电功率对各个园区内的用电设备进行分类，以将单个园区内设置的用电设备划分为不同的类别，针对单个园区内属于同一类别的用电设备进行统一供电。
可选地，园区内的用电设备的历史用电功率为在历史时间段或者历史时刻该用电设备的用电功率。
可选地，在按照历史用电功率对用电设备进行分类时，可采用协方差矩阵来对园区内的多个用电设备进行分类，例如，根据园区内的用电设备的历史用电功率生成基于历史用电功率的协方差矩阵，基于历史用电功率的协方差矩阵E具体如下：
其中，协方差矩阵E中的对角线上的元素为各个用电设备的历史用电功率的方差，非对角线上的元素为两两用电设备的历史用电功率之间的协方差。
基于历史用电功率的协方差矩阵E满足下列公式：
E*ET＝UAUT
其中，T表示矩阵的转置，U为特征向量构成的矩阵，A为特征值构成的矩阵。按照上述公式对基于历史用电功率的协方差矩阵E进行特征值分解，可以得到特征值构成的矩阵A，根据特征值构成的矩阵A即可确定园区内各个用电设备的特征值，再按照特征值对园区内的用电设备进行分类。
可选地，在按照特征值对园区内的用电设备进行分类时，可设置至少一个特征阈值，并根据特征值与特征阈值之间的大小关系将园区内的用电设备划分为至少两个类别，从而实现不同等级的用电功率的用电设备的分类。
步骤S80，对属于同一类别的用电设备进行统一供电。
在本实施例中，在绿电系统对园区内的用电设备供电时，需要经过多层配电装置依次配电，才可将绿电系统输出的电能从供电主路逐渐分发至对应的用电设备所在的供电支路。在需要将属于同一类别的用电设备进行统一供电时，可通过调节配电柜等配电装置，将属于同一类别的用电设备的供电支路调节至与同一供电主路连接，实现属于同一等级用电功率的用电设备的集中供电，同时也便于属于同一等级用电功率的用电设备的供电管理。
在本实施例公开的技术方案中，通过对园区内不同等级用电功率的用电设备进行分类，并进行分类同一供电，保证了能量的集中供应。
在又一实施例中，如图5所示，在图2至图4任一实施例所示的基础上，步骤S10中获取各个绿电系统的预期供电功率的步骤包括：
步骤S11，在所述绿电系统为光伏系统时，获取在所述绿电系统的历史供电功率对应的时间点所述光伏系统的历史环境参数；
在本实施例中，在绿电系统为光伏系统时，光伏系统的供电能力是受太阳辐照等环境因素影响的，在环境不同时，光伏系统的供电功率也是不同的，因此在根据绿电系统的历史供电功率预测光伏系统的预期供电功率，可获取历史供电功率对应的时间点光伏系统的历史环境参数，历史环境参数可包括辐照度、环境温度等。
可选地，在绿电系统为储能系统时，则可获取储能系统的当前储能剩余电量电功率，并将当前储能剩余电量电功率作为储能系统的预期供电功率；在绿电系统为制氢系统时，则可获取制氢系统的当前氢量产电电功率，并将当前氢量产电电功率作为制氢系统的预期供电功率。
步骤S12，根据所述历史环境参数以及所述历史供电功率生成发电预测功率模型；
在本实施例中，可采用机器学习算法，基于历史环境参数以及历史供电功率训练得到发电预测功率模型，以通过发电预测功率模型来预测光伏系统的预期供电功率。
可选地，机器学习算法可包括随机森林算法、梯度提升树或这些算法的组合。
步骤S13，获取在所述预期供电功率对应的时间点所述光伏系统的预期环境参数；
步骤S14，根据所述预期环境参数以及所述发电预测功率模型确定所述绿电系统的预期供电功率。
在本实施例中，在根据发电预测功率预测光伏系统的预期供电功率时，可先获取在预期供电功率对应的时间点光伏系统的预期环境参数，即未来某一段时间内或者未来某一时间点光伏系统的预期环境参数，其中，预期环境参数可通过天气信息预测的方式来确定。
可选地，将预期环境参数输入至发电预测功率模型，即可得到发电预测功率模型输出的预期供电功率。
可选地，在获取在预期供电功率对应的时间点各个绿电系统关联的各个园区的预期用电功率时，也可采用机器学习算法，基于园区的历史用电功率训练得到负荷预测模型，以通过负荷预测模型来预测园区的预期预期用电功率，其中，园区的历史用电功率为在历史时刻该园区内的所有用电设备的总用电功率。可选地，机器学习算法可包括随机森林算法、梯度提升树或这些算法的组合。
可选地，在通过负荷预测模型来预测园区的预期预期用电功率时，可获取园区的当前用电功率，并基于园区的当前用电功率以及负荷功率模型预测在预期供电功率对应的时间点园区的预期用电功率，即通过负荷功率模型预测园区的当前用电功率在未来一段时间或者未来某一时刻的变化情况，从而得到园区的预期用电功率。
在本实施例公开的技术方案中，通过光伏系统的发电功率预测技术，为提高园区的绿电使用率提供参数依据。
在一示例性说明中，参照图7，在图2至图6任一实施例所示的基础上，绿电系统的供电控制方法示例如下：
步骤S1：接入各绿电系统和用电系统数据和各园区独立用电设备停电数
接入各绿电系统包括光伏系统、储能系统和制氢系统，其中，光伏系统数据包括各个园区的当前时间光伏发电功率，储能系统数据为储能剩余电量电功率，制氢系统氢量产电电功率，接入各园区的用电数据。
PV＝[pv1，pv2，pv3]，ES＝[es1，es2，es3]，HY＝[hy1，hy2，hy3]
其中，PV、ES、HY分别为接入各个园区的光伏、储能、制氢对应的电功率数据，其中，1、2、3为图6中各个园区1、2、3。
ELE＝[ele1，ele2，ele3]
上式ELE为各个园区的用电数据，ele1、ele2、ele3分别为各个园区对应数据。
接入各园区独立用电设备故障数，故障数为N＝[n1，n2，n3]，根据泊松分布计算故障发生概率，
其中p(X＝K)为K个设备发生故障的概率，泊松分布的期望和方差均为λ，根据历史各个园区的故障数K＝n1，n2，n3和p(X＝K)可以计算各个园区的λ，即λ＝[λ1，λ2，λ3]。一般在随机事件中在单位时间(面积或体积)内出现的次数或个数就近似地服从泊松分布，在实际情况中，设备历史发生故障数是统计出来的，从而得到泊松分布的参数λ，而这个参数在未来预测优化模型时用于计算设备未来发生故障的概率。
步骤S2：数据预处理
对数据中的空值和NA做时间尺度上的插值处理。
步骤S3：基于历史数据训练模型
根据接入历史环境检测仪数据和光伏发电功率数据，得到发电预测功率模型，根据历史负荷用电数据，得到负荷预测模型。
上述模型获得可根据机器学习算法基于历史数据训练得到，具体算法可以是随机森林算法、梯度提升树或这些算法的组合。
步骤S4：预测发电功率和负荷功率
根据当前时间段负荷数据和气象预报数据及上面得到的发电预测模型和负荷预测模型，对未来一段时间内发电功率与负荷功率进行预测。
PVpredict＝[pv1predict，pv2predict，pv3predict]
ELEpredict＝[ele1predict，ele2predict，ele3predict]
其中，PVpredict为光伏发电预测功率，ELEpredict为负荷预测功率。
步骤S5：构建配电模型：
配电系数矩阵包括：
各园区独立用单设备单元出现故障的故障率为P1、P2、P3
约束条件为：
a11+a12+a13≤1
a21+a22+a23≤1
a31+a32+a33≤1
b11+b12+b13≤1
b21+b22+b23≤1
b31+b32+b33≤1
c11+c12+c13≤1
c21+c22+c23≤1
c31+c32+c33≤1
P1+P2+P3≤α
将上述优化问题转为数学对偶和拉格朗日问题可得到配电系数矩阵。
上面的公式的目标是最大化用电中绿电的使用率，约束条件为各园区光伏发电配电系数和、储能配电系数和、氢配电系数和均小于等于1。为保证供电安全稳定，约束条件增加了总故障率限制，即小于等于α，而各个园区供电与故障之间的关系是基于历史数据之间关系得到。
步骤S6：园区能量分配
根据上面计算得到的配电系数矩阵调整能量分配以便满足实际应用需求。
为了有效对各园区独立用电单元进行供能，对各园区独立用电单元进行归类划分，从而保证能量有序供应。
根据历史用电单元数据，对用电单元进行归类，计算方式如下：
E*ET＝UAUT
其中，A为特征值，U为特征向量。根据阈值对特征值A进行分类，阈值可根据实际情况进行调整设置，对同一类别用电设备单元进行统一供能。
本示例性说明提供的绿电系统的供电控制方法具有以下优点：
1、实现了各绿电系统对用电系统的动态分配，具有很强的适应性；
2、除了考虑能量利用率外，还考虑了各用电系统的可靠性；
3、具有发电预测和负荷预测的系统，便于调控；
4、具有感知功能，对用电单元归类，进行集中供电，从而保证了能量集中供应。
此外，本发明实施例还提出一种绿电系统的供电控制装置，所述绿电系统的供电控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的绿电系统的供电控制程序，所述绿电系统的供电控制程序被所述处理器执行时实现如上各个实施例所述的绿电系统的供电控制方法的步骤。
此外，本发明实施例还提出一种计算机存储介质，所述计算机存储介质上存储有绿电系统的供电控制程序，所述绿电系统的供电控制程序被处理器执行时实现如上各个实施例所述的绿电系统的供电控制方法的步骤。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种绿电系统的供电控制方法，其特征在于，所述绿电系统的供电控制方法包括以下步骤：
获取各个绿电系统的预期供电功率，以及获取在所述预期供电功率对应的时间点各个所述绿电系统关联的各个园区的预期用电功率；
获取使所有所述园区的总绿电使用率达到最大时的各个所述绿电系统对于各个所述园区的配电系数，其中，获取各个所述绿电系统对于各个所述园区的配电系数与所述绿电系统的预期供电功率的乘积，获取所有所述绿电系统对于所有所述园区的所述乘积之和，并与所有所述园区的所述预期用电功率之和相除，得到所有所述园区的总绿电使用率；
按照各个所述绿电系统对于各个所述园区的配电系数调节所述绿电系统对于所述园区的供电功率；
获取使所有所述园区的总绿电使用率达到最大时的各个所述绿电系统对于各个所述园区的配电系数时的约束条件包括：
所有所述园区内的用电设备的预期故障概率之和小于预设阈值，其中，将所有所述绿电系统对于所述园区的配电系数与所述绿电系统的预期供电功率的乘积之和，作为所述园区的预期被供应绿电功率，并根据所述园区对应的被供应绿电功率与故障概率之间的关联关系获取与所述园区的预期被供应绿电功率对应的所述预期故障概率；
所述获取各个绿电系统的预期供电功率的步骤包括：
在所述绿电系统为光伏系统时，获取在所述绿电系统的历史供电功率对应的时间点所述光伏系统的历史环境参数；
根据所述历史环境参数以及所述历史供电功率生成发电预测功率模型；
获取在所述预期供电功率对应的时间点所述光伏系统的预期环境参数；
根据所述预期环境参数以及所述发电预测功率模型确定所述绿电系统的预期供电功率；
所述获取在所述预期供电功率对应的时间点各个所述绿电系统关联的各个园区的预期用电功率的步骤包括：
根据所述园区的历史用电功率生成负荷预测模型；
获取所述园区的当前用电功率；
根据所述当前用电功率以及所述负荷预测模型确定在所述预期供电功率对应的时间点所述园区的预期用电功率。
2.如权利要求1所述的绿电系统的供电控制方法，其特征在于，所述绿电系统的供电控制方法还包括：
获取所述园区的历史用电功率中的历史被供应绿电功率；
获取在所述历史被供应绿电功率对应的时间点所述园区内的用电设备的历史故障概率；
根据所述历史被供应绿电功率以及所述历史故障概率生成所述园区对应的被供应绿电功率与故障概率之间的关联关系，并保存所述关联关系。
3.如权利要求2所述的绿电系统的供电控制方法，其特征在于，所述根据所述历史被供应绿电功率以及所述历史故障概率生成所述园区对应的被供应绿电功率与故障概率之间的关联关系的步骤包括：
获取在所述历史被供应绿电功率对应的时间点所述园区内发生故障的用电设备的历史数量；
采用泊松分布算法，根据所述发生故障的用电设备的历史数量以及所述历史故障概率以及确定泊松分布的参数；
根据所述历史被供应绿电功率与所述发生故障的用电设备的历史数量之间的对应关系以及所述泊松分布的参数作为所述园区对应的被供应绿电功率与故障概率之间的关联关系；
所述根据所述园区对应的被供应绿电功率与故障概率之间的关联关系获取与所述园区的预期被供应绿电功率对应的所述预期故障概率的步骤包括：
根据所述历史被供应绿电功率与所述发生故障的用电设备的历史数量之间的对应关系确定与所述预期被供应绿电功率对应的发生故障的用电设备的预期数量；
采用泊松分布算法，根据所述预期数量以及所述泊松分布的参数确定所述预期故障概率。
4.如权利要求1所述的绿电系统的供电控制方法，其特征在于，所述按照各个所述绿电系统对于各个所述园区的配电系数调节所述绿电系统对于所述园区的供电功率的步骤之后，还包括：
按照各个园区内的各个用电设备的历史用电功率对各个所述园区内的用电设备进行分类，得到多个类别的用电设备；
对属于同一类别的用电设备进行统一供电。
5.如权利要求4所述的绿电系统的供电控制方法，其特征在于，所述按照各个园区内的各个用电设备的历史用电功率对各个所述园区内的用电设备进行分类的步骤包括：
根据各个所述园区内的用电设备的历史用电功率生成基于历史用电功率的协方差矩阵；
对所述基于历史用电功率的协方差矩阵进行特征值分解，得到所述园区内的各个用电设备对应的特征值；
按照所述特征值对所述园区内的用电设备进行分类。
6.一种绿电系统的供电控制装置，其特征在于，所述绿电系统的供电控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的绿电系统的供电控制程序，所述绿电系统的供电控制程序被所述处理器执行时实现如权利要求1至5中任一项所述的绿电系统的供电控制方法的步骤。
7.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有绿电系统的供电控制程序，所述绿电系统的供电控制程序被处理器执行时实现如权利要求1至5中任一项所述的绿电系统的供电控制方法的步骤。
CN202110822276.8A 2021-07-20 2021-07-20 绿电系统的供电控制方法、装置及计算机存储介质 Active CN113569936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110822276.8A CN113569936B (zh) 2021-07-20 2021-07-20 绿电系统的供电控制方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110822276.8A CN113569936B (zh) 2021-07-20 2021-07-20 绿电系统的供电控制方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113569936A CN113569936A (zh) 2021-10-29
CN113569936B true CN113569936B (zh) 2024-05-03

Family

ID=78165897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110822276.8A Active CN113569936B (zh) 2021-07-20 2021-07-20 绿电系统的供电控制方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113569936B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI795296B (zh) * 2022-05-23 2023-03-01 潔能氏新能源股份有限公司 綠能匹配系統及其方法
CN119204291B (zh) * 2024-08-23 2025-08-15 河南省恒安智控技术有限公司 一种面向生产企业的碳排放量预测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103647291A (zh) * 2013-12-24 2014-03-19 国家电网公司 配电网无功补偿的控制方法及装置
CN104269849A (zh) * 2014-10-17 2015-01-07 国家电网公司 基于建筑光伏微电网的能量管理方法及系统
CN104463701A (zh) * 2014-12-07 2015-03-25 国网浙江省电力公司电动汽车服务分公司 一种配电系统与电动汽车充电网络的协调规划方法
CN104700158A (zh) * 2015-02-12 2015-06-10 国家电网公司 一种配电园区的能源管理方法与系统
CN104809327A (zh) * 2014-09-02 2015-07-29 长沙理工大学 含新能源电力调度矩不确定分布鲁棒优化方法
CN107872067A (zh) * 2016-09-26 2018-04-03 财团法人资讯工业策进会 充放电控制装置及方法
CN107979093A (zh) * 2018-01-11 2018-05-01 重庆市东泰电器实业有限公司 电力控制系统及方法
CN108564223A (zh) * 2018-04-23 2018-09-21 中国农业大学 光伏发电功率预测方法的组合评估方法及装置
CN110942217A (zh) * 2018-09-21 2020-03-31 潜能恒信能源技术股份有限公司 一种构建零碳绿色能源体系的方法和系统
CN111144654A (zh) * 2019-12-27 2020-05-12 深圳供电局有限公司 一种基于物联网的园区能源管理配置方法及装置
CN112381410A (zh) * 2020-11-16 2021-02-19 国网山东省电力公司莒县供电公司 一种基于物联网区块链的电源管理方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103647291A (zh) * 2013-12-24 2014-03-19 国家电网公司 配电网无功补偿的控制方法及装置
CN104809327A (zh) * 2014-09-02 2015-07-29 长沙理工大学 含新能源电力调度矩不确定分布鲁棒优化方法
CN104269849A (zh) * 2014-10-17 2015-01-07 国家电网公司 基于建筑光伏微电网的能量管理方法及系统
CN104463701A (zh) * 2014-12-07 2015-03-25 国网浙江省电力公司电动汽车服务分公司 一种配电系统与电动汽车充电网络的协调规划方法
CN104700158A (zh) * 2015-02-12 2015-06-10 国家电网公司 一种配电园区的能源管理方法与系统
CN107872067A (zh) * 2016-09-26 2018-04-03 财团法人资讯工业策进会 充放电控制装置及方法
CN107979093A (zh) * 2018-01-11 2018-05-01 重庆市东泰电器实业有限公司 电力控制系统及方法
CN108564223A (zh) * 2018-04-23 2018-09-21 中国农业大学 光伏发电功率预测方法的组合评估方法及装置
CN110942217A (zh) * 2018-09-21 2020-03-31 潜能恒信能源技术股份有限公司 一种构建零碳绿色能源体系的方法和系统
CN111144654A (zh) * 2019-12-27 2020-05-12 深圳供电局有限公司 一种基于物联网的园区能源管理配置方法及装置
CN112381410A (zh) * 2020-11-16 2021-02-19 国网山东省电力公司莒县供电公司 一种基于物联网区块链的电源管理方法及系统

Also Published As

Publication number Publication date
CN113569936A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN113569936B (zh) 绿电系统的供电控制方法、装置及计算机存储介质
CN113159540A (zh) 一种考虑负荷价值的需求侧资源梯级调用方法及装置
EP4009264A1 (en) Power prediction device and power prediction method
CN120165393B (zh) 一种智慧社区新能源网格化管理与分析系统
CN119090315A (zh) 一种基于虚拟电厂的多目标动态切换优化调度方法及系统
Zhao et al. Optimal planning of distributed generation and energy storage systems in DC distribution networks with application of category-based multi-objective algorithm
CN119298124A (zh) 基于mpc和多电解槽控制的风氢微电网系统寿命优化方法
JP2018133035A (ja) 設備設計支援方法、設備設計支援装置、およびプログラム
CN119362525B (zh) 微电网多源能量交互中的能量缓存方法及系统
CN119518991B (zh) 一种电网调度需求响应系统及方法
CN119671319B (zh) 可调节负荷的需求响应能力评估方法、装置和计算机设备
CN112348235B (zh) 风光母线负荷自适应预测方法、装置、计算机设备
CN114243681A (zh) 电力系统的用电调控方法、装置、设备和存储介质
CN112311078A (zh) 一种基于信息融合的太阳能负载调节方法和装置
CN118659370A (zh) 一种基于动态仿真的能源系统运行策略优化方法及系统
CN118801385A (zh) 一种考虑时序相关性的需求侧资源可调节功率域聚合方法
CN118137542A (zh) 光伏储能调度方法、装置、计算机设备和存储介质
CN117977604A (zh) 配电网分层协调控制方法、系统、设备及存储介质
Soofi et al. Training A Deep Reinforcement Learning Agent for Microgrid Control using PSCAD Environment
CN116526456A (zh) 基于b/s架构的电能路由器智能化集中控制方法及系统
CN115130842A (zh) 风光火一体化基地配置方法及装置
CN118627740B (zh) 面向用能设备的低碳优化运行与减碳评估方法
CN120542880B (zh) 考虑备用裕度的电厂弹性聚合方法、装置、设备及介质
CN120235310B (zh) 一种能源电力规划与智能优化的大模型应用系统
CN119130034A (zh) 一种智能供电所工单调度方法、系统及存储介质、电子终端

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
TA01 Transfer of patent application right

Effective date of registration: 20221219

Address after: 214-49, Block B, Phase III (South Area) of Huguang Road Independent Innovation Industrial Base, Shushan New Industrial Park, Shushan District, Hefei, Anhui Province, 230031

Applicant after: Hefei Zero Carbon Technology Co.,Ltd.

Address before: 230088 No. 1699 Xiyou Road, Hefei High-tech Zone, Anhui Province

Applicant before: SUNGROW POWER SUPPLY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Room 214-49, Block B, Phase III (South District), Huguang Road Independent Innovation Industrial Base, Shushan New Industrial Park, Shushan District, Hefei City, Anhui Province, 230088

Patentee after: Hefei Sunshine Zero Carbon Technology Co.,Ltd.

Country or region after: China

Address before: 214-49, Block B, Phase III (South Area) of Huguang Road Independent Innovation Industrial Base, Shushan New Industrial Park, Shushan District, Hefei, Anhui Province, 230031

Patentee before: Hefei Zero Carbon Technology Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address