面向智能制造工厂的生产感知型光储协同调度方法及系统与流程
本发明涉及光伏储能优化领域,更具体的说,涉及一种面向智能制造工厂的生产感知型光储协同调度方法及系统。
背景技术:
1、在全球能源转型与制造业智能化升级的双重驱动下,智能制造工厂正积极寻求将分布式光伏发电系统与储能系统集成,以实现清洁能源的高效利用、用电成本的降低以及能源供应的稳定性。这种“光储协同”模式成为构建绿色、低碳、柔性工厂能源系统的关键路径。
2、目前,在工业园区及工厂场景下的光储协同调度技术已取得一定进展。典型方法通常包含光伏功率预测和基于经济性的储能优化调度两个核心环节。光伏功率预测多依赖于历史发电数据与气象数据的机器学习模型,旨在减少光伏出力的不确定性。储能优化调度则通常以分时电价、电网需求响应信号或系统功率平衡为约束,以最小化用电成本、最大化自发自用率或平滑并网功率为目标,建立优化模型,制定储能的充放电策略。
3、然而,现有的通用光储协同调度方法在面向动态、离散的智能制造场景时,其适用性与效能存在明显局限,主要体现在以下几个方面:
4、(1)与生产过程的感知与协同不足:现有方法多将工厂负荷视为一个整体或基于历史负荷曲线的预测值进行处理,未能深入考虑生产计划这一驱动工厂一切活动的核心指令。生产计划直接决定了不同工序、产线、设备在何时启停与运行,是负荷曲线形成的最根本源头。忽视生产计划的调度系统,本质上是“盲调度”,其优化的负荷曲线可能与实际生产节奏严重脱节,导致制定的储能计划无法匹配真实的生产用能需求,要么造成储能资源闲置,要么在关键生产时段无法提供有效的功率支撑。
5、(2)对生产动态的响应机制缺失:智能制造工厂的生产活动并非一成不变。临时插单、订单取消、设备故障维修、生产线切换等生产计划变更事件频繁发生,会瞬间改变未来的负荷曲线。现有调度系统多为“一次性”或周期性优化,缺乏针对此类突发生产事件的实时感知与快速重调度机制。当生产计划变更后,原有的优化调度计划可能立即失效,甚至引发功率越限等问题。
6、(3)优化模型的鲁棒性与自适应性有待加强:光伏预测存在固有偏差,当发生光伏功率预测偏差超限事件(如突发的恶劣天气)时,预设的光储功率平衡将被打破。此外,储能系统本身的状态异常事件(如容量衰减、故障)也会影响其执行计划的能力。传统方法往往将预测值作为固定输入,优化模型在面临这些实时偏差与异常时,缺乏在线反馈校正和滚动调整的能力,导致调度计划的可靠性下降。
7、为此,本发明提供了一种面向智能制造工厂的生产感知型光储协同调度方法及系统,全面增强了光伏储能在智能制造复杂环境下调度的适应性、鲁棒性与经济性。
技术实现思路
1、为了克服现有技术的不足,本发明提供一种面向智能制造工厂的生产感知型光储协同调度方法及系统,全面增强了光伏储能在智能制造复杂环境下调度的适应性、鲁棒性与经济性。
2、本发明解决其技术问题所采用的技术方案是:一种面向智能制造工厂的生产感知型光储协同调度方法,其改进之处在于,包括以下步骤:
3、s10,采集光伏历史发电数据及对应时段气象数据,并基于光伏历史发电数据及对应时段气象数据训练光伏预测模型;
4、s20,获取气象预测数据,并将气象预测数据输入至光伏预测模型,以生成光伏功率预测值;
5、s30,获取生产计划数据,并依据生产计划数据合成气象预测数据对应时段的预测负荷曲线;
6、s40,获取气象预测数据对应时段的分时电价及储能初始soc,并将光伏功率预测值、预测负荷曲线、分时电价及储能初始soc输入至滚动优化模型,以生成生产计划数据对应的储能充放电计划;
7、s50,执行储能充放电计划,并持续监测生产计划变更事件、光伏功率预测偏差超限事件以及储能状态异常事件,并在任一事件触发时,返回s20。
8、进一步的,步骤s10中,所述光伏预测模型为采用cnn-lstm架构的深度学习模型,其通过利用cnn提取输入气象特征间的空间与局部相关性,并利用lstm捕捉光伏功率序列的时序长程依赖关系。
9、进一步的,,步骤s20中,所述生成光伏功率预测值的具体步骤为:
10、构造输入向量,所述输入向量包括未来t个时刻的气象预报值、过去n个时刻的发电功率以及经处理的时间特征;
11、光伏预测模型将输入向量拼接为三维张量,依次通过一维cnn提取气象特征间的组合影响,通过双向lstm层捕捉功率序列的时序依赖与突变趋势,并经全连接输出层输出得到未来时段各时刻的光伏功率预测值,且在全连接输出层采用分位数回归,通过最小化分位数损失函数,同步输出光伏功率预测值的置信区间,所述置信区间用于进行储能的备用容量预留及构建满足预设概率的功率平衡机会约束。
12、进一步的,步骤s30中,所述预测负荷曲线的具体合成方式为:
13、读取生产计划数据中的工单,并在工单中获取设备信息和工序信息,且根据设备信息建立设备库,记录每台设备在不同工序下的功率特性曲线;
14、根据排定的和,在时间轴上将所有设备的功率曲线进行叠加,以合成基础负荷曲线,基础负荷曲线表示为:
15、;式中,i表示设备序号;n表示设备的总数量;
16、通过在基础负荷曲线上叠加一随机扰动修正项,以生成预测负荷曲线。
17、进一步的,步骤s40中,所述滚动优化模型采用三层时间尺度协同优化的框架,包括:
18、分钟级:基于最新光伏功率预测值进行储能功率平滑控制,以响应光伏秒级波动;
19、小时级:每15-30分钟执行一次滚动优化,以最新光伏功率预测值、预测负荷曲线、电价及储能初始soc为输入,求解未来2-4小时的储能充放电功率序列;
20、日级:每天固定时间执行一次日前滚动优化,以确定次日的储能充放电策略。
21、进一步的,所述滚动优化模型的目标函数为:
22、;
23、上式中,表示t时段的分时电价;表示t时段从电网购买的电功率;表示储能单位吞吐量的寿命衰减折算成本;表示储能充放电功率;表示最大需量电费单价;表示调度时间步长。
24、进一步的,为了保证基于滚动优化模型生成的储能充放电计划的可行性,所述滚动优化模型制定有约束条件,所述约束条件包括:
25、功率平衡约束:;其中,表示随机扰动修正项;表示光伏发电实际功率;
26、储能荷电状态约束:,其中:
27、,表示充放电效率;表示储能额定容量;
28、充放电功率限制:;
29、以及需量控制约束:。
30、进一步的,在滚动优化模型生成储能充放电计划后,还需判断滚动优化模型的求解结果是否预示需量电费将超限或总成本超过预设阈值;若是,则需更新生产计划数据,并返回s30,若否,则继续执行s50。
31、进一步的,通过引入能源短缺敏感因子量化更新生产计划数据反馈的紧迫性,其中,的计算表达式为:
32、;
33、上式中,表示光伏预测值的95%置信下限;表示第t时刻的总负荷功率;表示早考虑当前充放电功率限制情况下的最大可放电功率;
34、当时,则将更新生产计划数据标记为强制型;当,则将更新生产计划数据标记为经济性。
35、一种面向智能制造工厂的生产感知型光储协同调度系统,用于实现如上所述一种面向智能制造工厂的生产感知型光储协同调度方法,其改进之处在于,包括:
36、数据采集与模型训练模块,用于采集光伏历史发电数据及对应时段的气象数据,并基于这些数据训练光伏功率预测模型;
37、光伏功率预测模块,用于获取气象预测数据,并将其输入至训练好的光伏预测模型中,生成未来时段的光伏功率预测值;
38、负荷预测模块,用于获取生产计划数据,并依据该数据合成与气象预测数据相同时段的预测负荷曲线;
39、储能优化调度模块,用于获取气象预测数据对应时段的分时电价及储能初始soc,并结合光伏功率预测值、预测负荷曲线,输入至滚动优化模型中,生成与生产计划数据相匹配的储能充放电计划;
40、计划执行与事件监测模块,用于执行储能充放电计划,并持续监测生产计划变更、光伏功率预测偏差超限、储能状态异常等事件,当任一事件触发时,重新启动从s20开始的流程。
41、本发明的有益效果是:本发明通过依据生产计划数据合成气象预测数据对应时段的预测负荷曲线,将能源需求与生产活动源头绑定,解决了调度与生产脱节的问题;通过持续监测生产计划变更事件、光伏功率预测偏差超限事件以及储能状态异常事件,并在任一事件触发时,返回s20,建立了对生产动态、预测不确定性和设备异常的事件驱动响应机制;通过采用滚动优化模型并结合s50的闭环反馈机制不断重新执行获取气象预测数据、生成光伏功率预测值至生成储能充放电计划,实现了对计划和环境变化的在线滚动优化与自适应调整,从而全面增强了光伏储能在智能制造复杂环境下调度的适应性、鲁棒性与经济性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com