基于云平台计算能量与信息二元融合元件的优化接入方法

摘要

本发明公开了基于云平台计算能量与信息二元融合元件的优化接入方法，其包括确定可控设备待获取的测量数据和不可控设备待预测的预测数据；可控设备根据测量数据自动感知当前时刻的测量数据；不可控设备获取其历史测量数据采用最小二乘法进行数据拟合方法获取其下一时刻的预测数据；接收可控设备获取的当前时刻的测量数据和不可控设备下一时刻的预测数据，并根据不可控设备下一时刻的预测数据计算其有功功率和有功功率的概率；根据可控设备当前时刻的测量数据和粒子群算法，采用分布式电源全天消纳能量最大的目标函数计算可控设备下一时刻的出力大小；可控设备接收下一时刻的出力大小，根据下一时刻的出力大小调整其下一时刻的实际出力大小。

说明书

技术领域

本发明涉及能量的合理利用，具体涉及一种基于云平台计算能量与信息二元融合元件的优化接入方法。

背景技术

随着大量能量与信息二元融合的元件接入到电力系统中，为确保电力系统的各个设备实现能量的合理分配，传统的做法是将能量与信息二元融合元件进行不确定性分区，将随机变量的值分为完全相等的N个区域，且概率的计算，误差比较大，致使接入电力系统中可控设备的充电量或放电量非常的不准确，使电力系统中设备的电压过高或过低，而致使电力系统中的设备遭受不同程度的损伤。

发明内容

针对现有技术中的上述不足，本发明提供的基于云平台计算能量与信息二元融合元件的优化接入方法能够使接入电力系统中可控设备的充电量或放电量更加准确。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于云平台计算能量与信息二元融合元件的优化接入方法，其包括以下步骤：

采用云平台确定能量与信息二元融合元件层中可控设备待获取的测量数据和不可控设备待预测的预测数据，同时构建能量分布式电源全天消纳能量最大的目标函数；

能量与信息二元融合元件层接收云平台下发的可控设备待获取的测量数据和不可控设备待预测的预测数据，可控设备根据待获取的测量数据自动感知当前时刻的测量数据；不可控设备获取其历史测量数据采用最小二乘法进行数据拟合方法获取其下一时刻的预测数据；

云平台接收能量与信息二元融合元件层上传的可控设备获取的当前时刻的测量数据和不可控设备下一时刻的预测数据，并根据不可控设备下一时刻的预测数据计算其有功功率和有功功率的概率；

云平台根据可控设备当前时刻的测量数据和粒子群算法，采用分布式电源全天消纳能量最大的目标函数计算可控设备下一时刻的出力大小；

能量与信息二元融合元件层接收云平台下发的可控设备下一时刻的出力大小，可控设备根据下一时刻的出力大小调整其下一时刻的实际出力大小。

本发明的有益效果为：本方案通过不可控设备的预测数据得到其有功功率和有功功率的概率，之后在结合可控设备当前时刻的测量数据和粒子群算法，采用分布式电源全天消纳能量最大的目标函数计算可控设备下一时刻的出力大小，通过计算的下一时刻的出力大小去调整可控设备下一时刻的实际出力大小。

通过这种优化接入方法能够使接入电力系统中可控设备的充电量/放电量/功率大小更加准确，保证了电力系统中设备的电压始终保持在正常工作范围内，从而延长了电力系统中设备的使用寿命；另外，采用该方法能够使分布式电源消纳能量最大及不确定性的表述更加准确合理、更具备代表性。

附图说明

图1为基于云平台计算能量与信息二元融合元件的优化接入方法的流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

参考图1，图1示出了基于云平台计算能量与信息二元融合元件的优化接入方法的流程图；如图1所示，该方法100包括步骤101至步骤105：

在步骤101中，采用云平台确定能量与信息二元融合元件层中可控设备待获取的测量数据和不可控设备待预测的预测数据，同时构建能量分布式电源全天消纳能量最大的目标函数。

其中，能量与信息二元融合元件层由能量与信息二元融合元件组成，而能量与信息二元融合元件又由可控设备和不可控设备部组成；可控设备包括电动汽车、储能装置和电容器组；不可控设备包括分布式能源和负荷，分布式能源又由风力电源和光伏电源组成。

光伏电源待获取预测数据为光伏出力期望和方差，风力电源待获取的预测数据为风力出力期望和方差；电动汽车待获取的测量数据为电池能量状态量和充电功率，储能装置待获取的测量数据为能量状态量和充放电功率，电容器组待获取的预测数据为无功状态量、可投切容量电和已投切的次数。

在步骤102中，能量与信息二元融合元件层接收云平台下发的可控设备待获取的测量数据和不可控设备待预测的预测数据，可控设备根据待获取的测量数据自动感知当前时刻的测量数据；不可控设备获取其历史测量数据采用最小二乘法进行数据拟合方法获取其下一时刻的预测数据；

在能量与信息二元融合元件层与云平台之间还设置有PnP协议层及网关智能结点与传输层两个传输层，能量与信息二元融合元件层与云平台之间进行信息交互时，都必须经过PnP协议层及网关智能结点与传输层进行中转。

在步骤103中，云平台接收能量与信息二元融合元件层上传的可控设备获取的当前时刻的测量数据和不可控设备下一时刻的预测数据，并根据不可控设备下一时刻的预测数据计算其有功功率和有功功率的概率。

在本发明的一个实施例中，根据不可控设备下一时刻的预测数据计算其有功功率和有功功率的概率可以进一步包括：

A、计算光伏电源的有功功率和有功功率的概率

a1、由于光伏电源有功出力主要受太阳光照强度影响，而太阳光照又服从Beta分布。于是本方案在求取光伏电源的有功功率和有功功率的概率时，首选需要通过光伏电源的光伏出力期望和方差获取Beta分布的参数α和β。

由于Beta分布的参数α和β是采用现有的比较常规的算例进行求解的，此处就不在对其是如何求解的进行赘述。

a2、计算光伏电源出力的密度：

$>f\left(P\right)=\frac{\Gamma (\alpha +\beta )}{\Gamma \left(\alpha \right)\Gamma \left(\beta \right)}{\left(\frac{P}{P_{max}}\right)}^{\alpha -1}{(1-\frac{P}{P_{max}})}^{\beta -1}$>

式中：α与β是指Beta分布的参数；Γ表示Gamma函数；P是指光伏电源的实际出力；P_max是指光伏电源最大输出功率；光伏电源的P、P_max和P_min均可以通过光伏电源的主动感知设别和历史数据分析得到的。

a3、计算光伏电源消纳的有功功率：

$>p_i=p_{x,i-1}+\frac{p_{max}-p_{\min }}{2N_s}$>

式中，P_min是指光伏电源最小输出功率，P_max是指光伏电源最大可能输出功率，p_x,i-1是指i-1状态的有功出力；Ns是指总的状态数；

计算光伏电源消纳的有功功率的概率：

$>g_i=\underset{p_{i,l}}{\overset{p_{i,r}}{\int }}f\left(x\right)dx$>

式中，P_i，l是指第i个状态的最小有功出力；P_i，r是指第i个状态的最大有功出力。

B、计算风机电源的有功功率和有功功率的概率

b1、采用威布尔分布计算风力电源出力的密度：

$>f\left(pj\right)=\frac{k}{c}{\left(\frac{pj}{c}\right)}^{k-1}\exp [-{\left(\frac{pj}{c}\right)}^k]$>

式中，pj为风速；k和c为weibull分布的两个参数，即k为形状参数，c为尺度参数；

b2、计算风力电源消纳的有功功率：

$>p_j=p_{x,j-1}+\frac{p_{max}-p_{\min }}{2N_c}$>

式中，P_min是指风力电源最小可能输出功率，P_max是指风力电源最大可能输出功率，p_x,j-1是指j-1状态的有功出力代表值；Ns是指总的状态数；

$>g_j=\underset{p_{x,l}}{\overset{p_{x,r}}{\int }}f\left(x\right)dx$>

式中，P_x，l是指第x个状态的最小有功出力；P_x，r是指第i个状态的最大有功出力；f(x)为风力电源出力的密度。

在步骤104中，云平台根据可控设备当前时刻的测量数据和粒子群算法，采用分布式电源全天消纳能量最大的目标函数计算可控设备下一时刻的出力大小。

在本发明的一个实施例中，分布式电源全天消纳能量最大的目标函数为：

$>\max f=\underset{t=1}{\overset{n}{\Sigma }}\underset{c=1}{\overset{N}{\Sigma }}{g}_{c,t}(P_{t,pv}+P_{t,wt})\Delta t$>

式中，n是指将一天≤分为n个时段；P_t,pv和P_t,wt分别表示第i个时段光伏电源消纳的有功功率和风力电源消纳的功功率，P_t,pv≤P_i，P_t,wt≤P_j；g_c,t为t时段第c个状态的概率，g_c,t＝g_i*g_j，c＝1,2,…N；Δt为任一时间段。

为了使目标函数达到最优，分布式电源全天消纳能量最大的目标函数需要满足的约束条件为等式约束条件及不等式约束条件和概率约束条件；

其中，等式约束条件为：

$>\left(\begin{array}{c}{P}_i-P_{Li}=U_i\underset{k\in A\left(i\right)}{\Sigma }{U}_k(G_{ik}{\mathrm{cos\delta }}_{ik}+B_{ik}{\mathrm{sin\delta }}_{ik})\\ Q_i-Q_{Li}=U_i\underset{k\in A\left(i\right)}{\Sigma }{U}_k(G_{ik}{\mathrm{sin\delta }}_{ik}-B_{ik}{\mathrm{cos\delta }}_{ik})\end{array}\right)$>

式中：P_i、P_Li分别是指节点i处的有功出力与有功负荷大小；Q_i、Q_Li分别是指节点i处的无功出力与无功负荷大小；U_i、U_k分别是指节点i与节点k的电压幅值；δ_ik是指节点i和节点k之间的电压相角差；G_ik、B_ik分别是指系统导纳矩阵的实部和虚部；

不等式约束和概率约束条件：

$>\left(\begin{array}{c}0\le Q_{t,c}^i\le Q_c^{\max }\\ 0\le P_{t,k}^i\le P_k^{\max }\\ P_{t,ev}^{\min }\le P_{t,ev}^i\le P_{t,ev}^{\max }\end{array}\right),$>

$>\left(\begin{array}{cc}P\{U_{\min }\le U_i\le U_{\max }\}\ge {\alpha }_U& i\in {\Omega }_{node}\\ P\{S_{ij}\le S_{\max }\}\ge {\alpha }_S& i,j\in {\Omega }_{node}\end{array}\right),$>

$>\underset{i=1}{\overset{N_c}{\Sigma }}{T}_{i,c}\le 4$>

式中：P{A}表示事件A发生的概率；α_U与α_S分别是指电压与容量的置信水平；U_i是节点电压；S_ij为支路容量；Ω_node是指系统的节点集合；是指t时段第i个状态微型燃气轮的实际无功大小；为是指t时段第i个状态储能装置的实际有功出力大小；为是指t时段第i个状态光伏的实际出力大小。

在步骤105中，能量与信息二元融合元件层接收云平台下发的可控设备下一时刻的出力大小，可控设备根据下一时刻的出力大小调整其下一时刻的实际出力大小。

电动汽车下一时刻的出力大小是指其下一时刻的充电功率大小，储能装置下一时刻的出力大小时指其下一时刻的储能充放电功率大小，电容器组下一时刻的出力大小是指其下一时刻的电容器可投切容量。

可控设备对其下一时刻的实际出力大小进行调整后，并将调整信息经过网关智能结点与传输层及PnP协议层传输至云平台，执行完毕后，执行下一个循环。

为了实现电力系统中海量的、多种多样的能量与信息二元融合元件的信息的高度共享和能量的优化分配，本方案通过对云平台计算所需的各种能量与信息二元融合元件的有关信息进行实时感知和监控，进而实现海量能量与信息二元融合的元件与云平台的实时双向互通和共享，实现能量与信息二元融合元件有关信息周期云计算平台的主动发现、优化配置和智能调度。管理者也可以根据应用需求，随时随地的动态的增减能量与信息二元融合元件中可控设备的功率的大小，实现电力系统的各个设备实现能量的合理分配。