基于多能互补的大棚用电优化方法及系统与流程

1.本公开属于电力调度技术领域，具体涉及一种基于多能互补的大棚用电优化方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.大棚用能系统，主要包括用电系统、灌溉系统、补光系统、环境参数检测系统等，其中用电设备主要有电加热板、补光灯、水泵、硫磺盒、摄像机、温湿度测试仪等。根据用电数据模型，预测分析下一阶段的生产能耗，同时对电网调峰需求、用电交易信息做出响应。通过调整光伏、风电等设备的运行方式，在满足大棚用户的用电需求生产的情况下进行操作。在此过程中，用电模型需要根据实际生产过程中，对能源数据的不断量化进而不断的完善，以保证在后续运行过程中，能适用不同环境场景的变化要求。


技术实现要素：

4.为了解决上述问题，本公开提出了一种基于多能互补的大棚用电优化方法及系统，根据历史气象数据、历史能耗数据，结合大棚属性、天气预报、市场因素等数据构建大棚用电负荷预测模型，综合运用需求响应、电力交易信息，柔性调控光伏、风电、负荷的运行方式，减少能源支出，实现大棚多能互补、能源高效利用的最优运行方式。
5.根据一些实施例，本公开的第一方案提供了一种基于多能互补的大棚用电优化方法，采用如下技术方案：
6.一种基于多能互补的大棚用电优化方法，包括以下步骤：
7.获取大棚内的气象数据和大棚用电负荷的影响因子；
8.根据所获取的影响因子，构建大棚用电负荷的预测模型；
9.基于所述大棚用电负荷的预测模型和大棚内的气象数据，建立多能互补的发电预测模型；
10.根据所述大棚用电负荷的预测模型预测大棚用电需求，结合所述多能互补的发电预测模型，进行大棚用电的优化调度。
11.作为进一步的技术限定，在获取大棚内的气象数据的过程中，基于气象传感器与物联网实现大棚内气象数据的采集；所述气象数据包括温湿度、光照、二氧化碳、大气压、光合有效辐射、日照时数、土壤温湿度、风速和风向。
12.进一步的，所述大棚用电负荷的影响因子包括大棚内部的环境数据、大棚内的种植作物、大棚面积和大棚的保温设施；所述大棚内部的环境数据包括温湿度、光照、二氧化碳和土壤温湿度。
13.作为进一步的技术限定，在所述构建大棚用电负荷的预测模型的过程中，采用多元线性回归方程研究大棚用电负荷和大棚用电负荷的影响因子之间的回归关系，得到回归
函数和大棚用电负荷的预测模型。
14.作为进一步的技术限定，在所述建立多能互补的发电预测模型的过程中，采用并行数据挖掘体系结构，采用深度学习通过对历史功率数据进行深层次的趋势挖掘，结合天气预报信息来确定多能互补的发电类型，即确定光伏发电和风电的模式。
15.进一步的，所述多能互补的发电预测模型以多能互补最优控制为目标函数，依据大棚内的作物生长需求，调节当前的环境温度、湿度、土壤墒情和光照，通过大棚用电负荷预测模型计算满足作物生长需求所需的用电量，结合风光历史发电数据、光照数据和风力数据，依据风光发电预测模型计算发电量。
16.作为进一步的技术限定，依据多能互补的发电预测模型控制大棚内的柔性负荷，当光伏和风电的出力超过预设值时，增大大棚内的柔性负荷，调高大棚内的温度，增加大棚用电的总负荷。
17.根据一些实施例，本公开的第二方案提供了一种基于多能互补的大棚用电优化系统，采用如下技术方案：
18.一种基于多能互补的大棚用电优化系统，包括：
19.获取模块，被配置为获取大棚内的气象数据和大棚用电负荷的影响因子；
20.预测模块，被配置为根据所获取的影响因子，构建大棚用电负荷的预测模型；基于所述大棚用电负荷的预测模型和大棚内的气象数据，建立多能互补的发电预测模型；
21.优化模块，被配置为根据所述大棚用电负荷的预测模型预测大棚用电需求，结合所述多能互补的发电预测模型，进行大棚用电的优化调度。
22.根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
23.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于多能互补的大棚用电优化方法中的步骤。
24.根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
25.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于多能互补的大棚用电优化方法中的步骤。
26.与现有技术相比，本公开的有益效果为：
27.本公开通过综合运用气象数据、大棚用电数据、大棚基础信息、农产品市场信息、电力交易数据、电网调峰需求、光伏发电数据、风机发电数据、大棚用电数据等多个维度的海量数据，通过应用现代检测技术、物联网技术、大数据分析挖掘与预测技术、计算机技术等高新技术实现发电功率与用电负荷的预测，通过柔性调控技术自主调控大棚内设备的运行方式，在保证大棚内作物正常生长的同时降低大棚的能源消耗和能耗支出，促进新能源的就地消纳，响应电网的调峰需求，对缓解电网的调控压力具有积极作用，实现了大棚种植户、新能源发电设备厂商、电网公司等多方共赢，并具有节能减排、保护环境，助力“双碳”战略的社会效益，符合未来发展方向，具有良好的应用前景和较高的推广价值。
附图说明
28.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示
意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
29.图1是本公开实施例一中的基于多能互补的大棚用电优化方法的流程图；
30.图2是本公开实施例二中的基于多能互补的大棚用电优化系统的结构框图。
具体实施方式
31.下面结合附图与实施例对本公开作进一步说明。
32.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
33.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
34.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
35.实施例一
36.本公开实施例一介绍了一种基于多能互补的大棚用电优化方法。
37.如图1所示的一种基于多能互补的大棚用电优化方法，包括以下步骤：
38.获取大棚内的气象数据和大棚用电负荷的影响因子；
39.根据所获取的影响因子，构建大棚用电负荷的预测模型；
40.基于所述大棚用电负荷的预测模型和大棚内的气象数据，建立多能互补的发电预测模型；
41.根据所述大棚用电负荷的预测模型预测大棚用电需求，结合所述多能互补的发电预测模型，进行大棚用电的优化调度。
42.作为一种或多种实施方式，在构建大棚用电负荷的预测模型的过程中，通过大棚内的智能电表获取原始负荷数据，对原始负荷数据进行降维处理，然后以负荷曲线为聚类样本对用户进行聚类，并进一步得到同类用户群同时刻标签的总量负荷，最后对每一类大棚单独进行负荷预测，建立以预测精度为聚类指标的负荷预测模型，并通过交叉验证得到最佳聚类数结果。
43.作为一种或多种实施方式，建立多能互补的发电预测模型的过程中，按照“时空特性挖掘—样本清洗一天气预报修正一风光发电预测”的思路，开展了光伏发电功率－风力发电功率预测，具体过程为：
44.建立风光发电功率互补和风过程时移、风电功率波动的多时空尺度特性量化模型；
45.提出面向预测训练样本需求的风光场站异常数据定向清洗方法，为风光发电功率预测提供场景全面、代表性强的训练样本集；
46.提出数值天气预报(nwp)风速/辐照度时序传递修正方法，为风光发电功率预测提供高精度的最主要输入参数；
47.提出基于变量注意力机制－多任务学习的风光荷联合预测方法，通过挖掘与学习风光荷间动态耦合关系，分别提升了风光发电功率与负荷的预测精度。
48.作为一种或多种实施方式，采用api接口采集实现与气象预报系统、历史气象记录系统、历史用电系统、电力交易系统等的数据交互；采用物联网技术、现代传感器技术等实现大棚内用电数据、设备状态、环境信息等数据的采集。采集的数据量大、数据种类多，原始数据含有缺失、错误、重复、噪声等各类问题，按照“先自校验、后互校验”的顺序对缺数、死数、错数、逻辑错误等问题进行针对性的自动修正和质量控制。
49.作为一种或多种实施方式，通过对历史数据的相关性分析得知大棚用电负荷的影响因素主要包括以外部气象数据、气象预报、大棚内部环境数据等为代表的气象环境因素，以种植作物、大棚面积、保温设施等为代表的大棚基础属性因素，以市场价格、供需关系为代表的市场因素，并采用多元线性回归方法研究负荷与上述影响因子之间的回归关系，生成回归函数和负荷预测模型。
50.本实施例以近几年的负荷变化历史数据来研究负荷的特征，并结合当地的气象因素(即包括气温、气压、湿度、降水及风速等)，分析研究负荷与气象因素的关系。首先检验各个因素的相关性，在获取的数据经过一定的处理后，将其导入到spss数据分析软件中得到检验结果，包括近似卡方、自由度、统计显著性。
51.在确定各项数据后，根据现有的研究成果及大棚的实际负荷情况，可以建立线性回归模型。首先确定要自变量和因变量，使用已经求得的各个主要影响因素及气象负荷，将上述因素以变量的形式表示，可以得到模型lm＝a b1×
z1 b2×
z2 b3×
z3
……
bn×zn
，其中，lm为气象负荷，a为常量，b1、b2、b3、
……bn
均为影响因子，z1、z2、z3、
……zn
在不同时间的得分值作为自变量。
52.作为一种或多种实施方式，采用并行数据挖掘体系结构，采用深度学习方法通过对历史功率数据进行深层次的趋势挖掘，并结合天气预报信息来确定每日光伏、风电发电趋势类型，保证发电预测趋势的通用性。将不同时间尺度的实际趋势预测结果反馈至发电功率与衰减率计算模型得到下一刻的参考值，建立精准的融合气象信息和设备衰减理论的光伏、发电预测分析模型。
53.采用基于jbpm等作流引擎的并行数据分析与挖掘工作流的设计、调度与监控。采用融合mahout、spark ml、storm、spark streaming、r hadoop与spark r框架的统一的并行数据分析与挖掘服务构建并行数据分析与挖掘服务统一模型。基于r hadoop与spark r框架采用数据填充、规范化、特征选择、降维等进行并行数据预处理。采用基mahout、spark ml等框架进行并行数据分类、聚类、回归分析、关联规则分析、图挖掘等算法的应用与改进。在storm、spark streaming等框架的基础上进行实时数据流处理和挖掘方法，改进算法。最后采用r hadoop与spark r等框架的并行数据统计分析方法的应用与改进。
54.深度学习模型由卷积层，门控循环单元层和神经网络层组成。卷积层提取数据特征，门控循环单元将信息保留在内存中，减少信息破坏的速度，捕获长期依赖性，神经网络层通过使用relu激活函数利用输入和输出数据集，建立输入输出之间的关系。
55.作为一种或多种实施方式，根据用电负荷预测、电网调峰需求、用电交易信息、光伏及风电发电信息进行综合调控，当未来光伏、风电发电量大于未来大棚正常需求量时，通过提高大棚内的温度(植物生长适宜温度上限以内)的方式增加大棚用电量，将富裕的发电量以热能的形式储存起来，减少光伏、风电发电量不足时消耗的电网电量；应对电力需求响应时，可利用大棚加热设备柔性负荷的特性，将大棚内温度提前升高(植物生长适宜温度上
限以内)，响应电力错峰需求。
56.多能互补的发电预测模型以多能互补最优控制为目标函数，依据大棚内的作物生长需求，对当前的环境温度、湿度、土壤墒情、光照等进行调节，通过大棚用电负荷预测模型计算满足作物生长需求所需的用电量，利用风光历史发电数据、光照数据、风力数据等依据风光发电预测模型计算发电量。调节大棚内的柔性负荷(如调节大棚内的温度调节负荷、湿度调节等)使大棚内的总负荷随发电量波动，实现“荷随源动”，促进新能源最大程度的“就地消纳”。
57.依据多能互补的发电预测模型，针对大棚内的柔性负荷进行控制，在光伏、风电出力较大时，增大大棚内的柔性负荷，如调高大棚内的温度(限制在作物适宜生长温度范围)，增加总负荷，最大程度的将新能源发电量进行消纳。
58.本实施例通过在大棚内布置温湿度等环境采集设备、土壤墒情采集设备、用电采集设备、智能控制设备、多能互补能源控制器、光伏及风力发电智能采集设备实现大棚内的数据采集和全面状态感知，通过api接口采集其他相关信息实现海量数据的采集与汇入。通过云端能源优化控制服务器对海量历史数据的分析与挖掘，构建光伏、风电发电预测模型和大棚用电负荷预测模型。综合运用电力交易信息、电网调峰需求、发电预测与用电预测数据，建立多能互补柔性调控模式，通过云端web服务器对大棚内用电设备、发电设备、运行状态、调峰响应情况等进行综合展示，使大棚经济、高效、低碳自主运行。
59.实施例二
60.本公开实施例二介绍了一种基于多能互补的大棚用电优化系统。
61.如图2所示的一种基于多能互补的大棚用电优化系统，包括：
62.获取模块，被配置为获取大棚内的气象数据和大棚用电负荷的影响因子；
63.预测模块，被配置为根据所获取的影响因子，构建大棚用电负荷的预测模型；基于所述大棚用电负荷的预测模型和大棚内的气象数据，建立多能互补的发电预测模型；
64.优化模块，被配置为根据所述大棚用电负荷的预测模型预测大棚用电需求，结合所述多能互补的发电预测模型，进行大棚用电的优化调度。
65.详细步骤与实施例一提供的基于多能互补的大棚用电优化方法相同，在此不再赘述。
66.实施例三
67.本公开实施例三提供了一种计算机可读存储介质。
68.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于多能互补的大棚用电优化方法中的步骤。
69.详细步骤与实施例一提供的基于多能互补的大棚用电优化方法相同，在此不再赘述。
70.实施例四
71.本公开实施例四提供了一种电子设备。
72.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于多能互补的大棚用电优化方法中的步骤。
73.详细步骤与实施例一提供的基于多能互补的大棚用电优化方法相同，在此不再赘
述。
74.以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。