本發(fā)明涉及可調資源聚合，更具體地說，本發(fā)明涉及一種用于虛擬電廠的可調資源聚合模型。

背景技術：

1、隨著全球能源結構的不斷調整和可再生能源比例的增加，虛擬電廠作為一種新興的能源管理模式受到了廣泛關注。虛擬電廠通過整合各種分布式能源資源，如分布式發(fā)電設備、儲能裝置和可調負荷資源，形成一個統(tǒng)一的調度和控制系統(tǒng)，以實現(xiàn)對分布式能源資源的優(yōu)化利用?？烧{資源是虛擬電廠的重要組成部分，包括負荷調節(jié)、發(fā)電調節(jié)和儲能調節(jié)，這些資源通過靈活的調度策略，可以有效地平衡電力系統(tǒng)中的供需關系，提高能源利用效率和系統(tǒng)穩(wěn)定性。

2、然而，雖然部分現(xiàn)有技術引入了優(yōu)化算法進行調度決策，但這些算法大多基于簡單的線性規(guī)劃或啟發(fā)式方法，無法充分考慮分布式電力系統(tǒng)的動態(tài)特性和復雜約束條件，尤其是在負荷波動大、分布式發(fā)電和儲能設備狀態(tài)變化頻繁的情況下，現(xiàn)有優(yōu)化算法難以快速、有效地生成高質量的調度決策；其次，目前的調度決策支持信息大多基于靜態(tài)規(guī)則，缺乏智能化和動態(tài)調整能力，在面對復雜多變的電力系統(tǒng)環(huán)境時，傳統(tǒng)調度支持信息難以提供精確的調度建議，從而影響整體系統(tǒng)的調度效率和可靠性。

3、為了解決上述問題，現(xiàn)提供一種技術方案。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術的上述缺陷，本發(fā)明提供了一種用于虛擬電廠的可調資源聚合模型，包含分布式能源資源參數(shù)采集模塊、通信模塊、分布式能源資源參數(shù)處理模塊和調度決策優(yōu)化模塊；通過引入長短期記憶網(wǎng)絡對分布式能源參數(shù)進行分析和預測，利用粒子群優(yōu)化算法構建調度決策優(yōu)化模型，實現(xiàn)了對分布式能源資源的實時調度和控制，解決了現(xiàn)有技術中調度決策優(yōu)化不足的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、一種用于虛擬電廠的可調資源聚合模型，包括分布式能源資源參數(shù)采集模塊、通信模塊、分布式能源資源參數(shù)處理模塊和調度決策優(yōu)化模塊，分布式能源資源參數(shù)采集模塊與通信模塊相連接，通信模塊與分布式能源資源參數(shù)處理模塊雙向連接，通信模塊與調度決策優(yōu)化模塊相連接；

4、分布式能源資源參數(shù)處理模塊包括分布式能源資源參數(shù)存儲單元和分布式能源資源參數(shù)分析單元，用于對采集到的分布式能源資源參數(shù)進行存儲和分析，其中，分布式能源資源參數(shù)存儲單元與分布式能源資源參數(shù)分析單元相連接；分布式能源資源參數(shù)分析單元利用長短期記憶網(wǎng)絡，輸出分布式電力系統(tǒng)的負荷需求、分布式發(fā)電設備的發(fā)電量及儲能裝置的充放電功率的預測值，并根據(jù)預測結果計算生成調度決策支持信息，所述調度決策支持信息包括分布式電力系統(tǒng)的負荷需求平衡建議、發(fā)電量調整建議值和儲能裝置的充放電功率建議值，所述負荷需求平衡建議包括負荷削減建議值和負荷轉移建議值；其中，計算負荷削減建議值的公式為：

5、

6、式中，δlcut(t)為時間t時的負荷削減建議值，δlmax為最大削減負荷量，lpeak為高峰負荷閾值，l(t)為分布式電力系統(tǒng)的負荷需求預測值；

7、計算負荷轉移建議值的公式為：

8、

9、式中，lshift(t)為時間t時的負荷轉移建議值，l(t)為分布式電力系統(tǒng)的負荷需求預測值，lpeak為高峰負荷閾值，tshift為負荷轉移時段的總時間，t為負荷轉移時間段中的當前時間；

10、計算發(fā)電量調整建議值的公式為：

11、

12、式中，pgen，i(t)為第i個發(fā)電設備在時間t的發(fā)電量調整建議值，ppredict，i為第i個分布式發(fā)電設備的發(fā)電量預測值，l(t)為分布式電力系統(tǒng)的負荷需求預測值，ltotal為所有發(fā)電設備在時間t的總負荷；

13、計算儲能裝置充電功率建議值的公式為：

14、

15、式中，pcharge(t)為時間t時儲能裝置的充電功率建議值，ppredict，charge(t)為儲能裝置的充電功率預測值，l(t)為分布式電力系統(tǒng)的負荷需求預測值，llow為低負荷閾值；

16、計算儲能裝置放電功率建議值的公式為：

17、

18、式中，pdischarge(t)為時間t時儲能裝置的放電功率建議值，ppredict，discharge為儲能裝置的放電功率預測值，l(t)為分布式電力系統(tǒng)的負荷需求預測值，lhigh為高負荷閾值；

19、調度決策優(yōu)化模塊用于根據(jù)分布式能源資源參數(shù)處理模塊生成的預測結果和調度決策支持信息，利用粒子群優(yōu)化算法，構建調度決策優(yōu)化模型，輸出并執(zhí)行調度策略，對分布式能源資源進行實時調度和控制。

20、作為本發(fā)明進一步的方案，所述最大削減負荷量為分布式電力系統(tǒng)總負荷的第95百分位數(shù)與第75百分位數(shù)之間的差值；所述高負荷閾值為分布式電力系統(tǒng)總負荷的第80百分位數(shù)；所述低負荷閾值為分布式電力系統(tǒng)總負荷的第20百分位數(shù)；所述高峰負荷閾值為分布式電力系統(tǒng)總負荷的第90百分位數(shù)。

21、作為本發(fā)明進一步的方案，分布式能源資源參數(shù)采集模塊通過安裝在分布式能源資源上的傳感器和監(jiān)控設備，實時獲取分布式發(fā)電設備的發(fā)電量、溫度、電壓、電流、電力頻率、振動頻率和振幅，以及分布式電力系統(tǒng)的總負荷和儲能裝置的充放電功率，并通過標準化接口將上述數(shù)據(jù)傳輸至通信模塊。

22、作為本發(fā)明進一步的方案，分布式能源資源參數(shù)分析單元接收通過通信模塊傳輸?shù)姆植际侥茉促Y源參數(shù)采集模塊采集的分布式發(fā)電設備的發(fā)電量、溫度、電壓、電流、電力頻率、振動頻率和振幅、分布式電力系統(tǒng)的總負荷和儲能裝置的充放電功率，輸入構建好的長短期記憶網(wǎng)絡，得到分布式電力系統(tǒng)的負荷需求預測值、分布式發(fā)電設備的發(fā)電量預測值和儲能裝置的充放電功率預測值。

23、作為本發(fā)明進一步的方案，構建所述長短期記憶網(wǎng)絡的步驟為：

24、步驟s1，收集分布式發(fā)電設備的發(fā)電量、溫度、電壓、電流、電力頻率、振動頻率和振幅、分布式電力系統(tǒng)的負荷以及儲能裝置的充放電功率的歷史數(shù)據(jù)；

25、步驟s2，對上述數(shù)據(jù)進行預處理，并進行特征提??；

26、步驟s3，設計長短期記憶網(wǎng)絡的模型結構，確定輸入層用于接收提取的特征數(shù)據(jù)；長短期記憶網(wǎng)絡層用于處理時間序列數(shù)據(jù)并捕捉長短期依賴關系；全連接層用于將長短期記憶網(wǎng)絡層的輸出轉換為預測值；輸出層用于生成分布式電力系統(tǒng)的負荷需求預測值、分布式發(fā)電設備的發(fā)電量預測值及儲能裝置的充放電功率預測值；

27、步驟s4，將歷史數(shù)據(jù)分為訓練集和測試集，使用訓練集對設計好的長短期記憶網(wǎng)絡模型進行訓練，使用測試集對訓練好的長短期記憶網(wǎng)絡進行測試。

28、作為本發(fā)明進一步的方案，調度決策優(yōu)化模塊利用粒子群優(yōu)化算法構建調度決策優(yōu)化模型，所述模型通過輸入分布式電力系統(tǒng)的負荷需求、分布式發(fā)電設備的發(fā)電量及儲能裝置的充放電功率的預測值以及所述調度決策支持信息的實時數(shù)據(jù)，生成調度決策優(yōu)化方案，所述調度決策優(yōu)化方案包括分布式發(fā)電設備的發(fā)電量、溫度、電壓、電流、電力頻率、振動頻率和振幅以及分布式電力系統(tǒng)的總負荷和儲能裝置的充放電功率設定值，其中，利用粒子群優(yōu)化算法構建調度決策優(yōu)化模型的步驟為：

29、步驟a1，確定模型的輸入為分布式電力系統(tǒng)的負荷需求的實時預測值、分布式發(fā)電設備的發(fā)電量的實時預測值、儲能裝置的充放電功率的實時預測值和所述調度決策支持信息的實時數(shù)據(jù)；確定模型的目標為負荷波動范圍最小化、設備運行時間最大化和發(fā)電量利用效率最大化；確定模型的輸出為調度決策優(yōu)化方案；

30、步驟a2，調度決策優(yōu)化模塊采集分布式電力系統(tǒng)的負荷需求的歷史預測值、分布式發(fā)電設備的發(fā)電量的歷史預測值、儲能裝置的充放電功率的歷史預測值和所述調度決策支持信息的歷史數(shù)據(jù)；

31、步驟a3，對上述數(shù)據(jù)進行預處理，并進行特征提取，包括參數(shù)歸一化處理和主成分分析；

32、步驟a4，將歷史數(shù)據(jù)分為訓練集和測試集，使用訓練集對設計好的模型進行訓練，通過粒子群優(yōu)化算法的迭代過程不斷優(yōu)化粒子群個體的狀態(tài)，直至達到預設迭代次數(shù)；使用測試集對訓練好的模型進行測試。

33、作為本發(fā)明進一步的方案，分布式能源資源參數(shù)存儲單元通過統(tǒng)一的參數(shù)模型管理并存儲分布式能源資源的基本屬性、預測信息和參數(shù)格式，所述基本屬性包括分布式發(fā)電設備的發(fā)電量、溫度、電壓、電流、電力頻率、振動頻率和振幅以及分布式電力系統(tǒng)的總負荷和儲能裝置的充放電功率；所述預測信息包括分布式電力系統(tǒng)的負荷需求預測值、分布式發(fā)電設備的發(fā)電量預測值、儲能裝置的充放電功率的預測值和調度決策支持信息；所述參數(shù)格式包括參數(shù)類型、參數(shù)單位和參數(shù)精度。

34、作為本發(fā)明進一步的方案，通信模塊用于將分布式能源資源參數(shù)采集模塊采集的參數(shù)傳輸至分布式能源資源參數(shù)處理模塊，并將分布式能源資源參數(shù)處理模塊生成的分布式電力系統(tǒng)的負荷需求預測值、分布式發(fā)電設備的發(fā)電量預測值及儲能裝置的充放電功率預測值和調度決策支持信息傳輸至調度決策優(yōu)化模塊。

35、與現(xiàn)有技術相比，本發(fā)明一種用于虛擬電廠的可調資源聚合模型的有益效果在于：

36、本發(fā)明通過分布式能源資源參數(shù)采集模塊和通信模塊的高效協(xié)同，實現(xiàn)了參數(shù)的采集和傳輸，提高了數(shù)據(jù)的時效性和可靠性；采用長短期記憶網(wǎng)絡對分布式能源資源參數(shù)進行處理和分析，能夠充分挖掘數(shù)據(jù)中的復雜模式和長短期依賴關系，提升負荷需求、發(fā)電量及儲能充放電功率預測的精度；利用粒子群優(yōu)化算法構建調度決策優(yōu)化模型，考慮電力系統(tǒng)的動態(tài)特性和復雜約束條件，實現(xiàn)了對分布式能源資源的調度和智能化控制。