阅读今日所有推文，汇聚好运召唤神龙
Fighting，小侠客们好呀，今天的侠客主题是<臻享数据集>合集之——AI+新能源微电网数据集。在信息爆炸时代，数据是无处不在且不可忽视的重要资源，并且成为驱动创新和决策的关键要素。算法模型的成功与否，很大程度依赖于数据的质量和多样性。无论是数据分析、论文验证还是模型开发，<臻享数据集>合集旨在沉淀多维度、高广度、高质量的臻享数据资源，聚焦于最新最完整的垂直领域优质AI数据集，为您提供最强大的基础数据集支撑。文末均附有数据提取码，合集已发表数据集如下：
1. 中国台湾城市栅格气象与风光发电量数据集
2. GEFCom全球能源预测数据集
3. 澳大利亚气象与光伏数据集
4. 新加坡统一负荷与电价数据集
5. AI+电力智慧检测数据集
6. AI+新能源电池数据集
7. AI+新能源汽车数据集
8. AI+新能源风电数据集
9. AI+新能源光伏数据集
10. AI+遥感电力设施检测数据集
11. AI+红外电力设施检测数据集
微电网（Micro-Grid，MG）由分布式电源（光伏、风电、燃气轮机、电化学储能等）、用电负荷（重要、可调等不同类负荷）、能量管理系统等组成，是一个能够基本实现内部电力电量平衡的供用电系统。AI技术可以通过数据分析和预测优化微电网的能源管理，提高能源利用效率和供电可靠性；可以通过智能控制和优化算法，实现微电网内部和主电网之间的最佳调度；还可以帮助微电网监测和识别故障，提高微电网的可靠性和安全性。
AI+微电网可以促进微电网领域的人工智能技术产、学、研、用协作，引领行业技术创新，助力AI微电网高质量发展，进一步推广人工智能与微电网的融合创新应用。因此小编在这里整理了一份AI+新能源微电网数据集，共包含6+细分场景数据集，助力AI+微电网领域的研究与创新。来吧，涨涨姿势~1. UCSD微电网数据集
2. MDS微电网数据集
3. Rye微电网数据集
4. 独立户用微电网数据集
5. 微电网储能优化数据集
6. TwInSolar微电网数据集
![]()
【数据背景】微电网可以协调发电、储存、运输和使用。加州大学圣地亚哥分校是一所能源密集型大学，拥有研究实验室和医院，基于微电网的电力系统已经为其节省了数百万美元。它可以连接到更大的电网，也可以独立工作。学校的微电网项目为450公顷的校园提供电力、供暖和制冷，校园日人口为45000人。它由两台13.5兆瓦的燃气轮机、一台3兆瓦的蒸汽轮机和一个1.2兆瓦的太阳能电池装置组成，这些装置共同提供85%的校园电力需求、95%的供暖和95%的制冷。- Trade Street Off-campus Microgrid
- PythonBatteryStorage.py
- PythonBuildingLoad.py
- PythonPVGenerator.py
025301.pdf：数据集参考论文
【数据说明】加州大学圣地亚哥分校的微电网为校园70%的发电机、存储系统、电网进口和建筑负载配备了公用事业级施耐德电气ION电表。这些电表监测能源和电能质量，并与现有的PowerLogic ION Enterprise网络软件系统接口。这些数据被实时传输到加州大学圣地亚哥分校的内联网，将之前15min的平均值存档为单个数据点，即每天为每个电表总共保存96行数据行，从2015年1月1日到2020年2月29日的所有可用数据都以逗号分隔值（csv）文件的形式下载。大学校园内的建筑消耗负荷因学年而异，根据建筑占用率的不同，暑假、寒假和春假期间的负荷可能会大大降低，除了在年底学校从12月24日左右到1月1日左右关闭校园约一周外，研究和部门运营在课间休息期间仍在继续。1.1 Bulidings
A. Buildings without EV charging本部分对应BuildingLoad中的数据。共包含Robinson Hall, Pepper Canyon Hall, Student Services Center, Galbraith Hall, Geisel Library, Center Hall, Social Science Research, Otterson Hall, East Campus Office Building, Economics, Music和Mandeville Center在内的11栋建筑。B. Building with EV charging本部分对应BuildingLoadWithEV中的数据。Hopkins Parking Structure and Police Department设施中的总负荷数据分为建筑功率和EV充电功耗数据。示例建筑消耗负荷的时间序列如下图所示，上子图显示了Pepper Canyon Hall的整个实际功耗数据，其中包含缺失数据，下子图显示了重复的每日和每周功耗趋势。
![]()
1.2 Trade Street Warehouse microgrid
本部分对应Trade Street Off-campus Microgrid中的数据。Trade Street Warehouse的实际净负荷数据来自公用事业电表，该电表报告建筑负荷减去（电表后面）太阳能发电量。Trade Street Warehouse微电网还包括一个200 kW/400 kWh的BESS和一个10 kW的V2G电动汽车充电站，两者都位于电表后面。1.3 EV charging stations
本部分对应ChargePointEV.csv中的数据。截至2020年8月1日，共有210个充电点的电动汽车充电端口，其中4个是直流快速充电器。自2017年以来，这些充电站已安装多年。电动汽车充电数据集包含来自所有ChargePoint VR站的交易，包括充电站详细信息、充电持续时间、开始和结束时间以及消耗的能量。其中，Hopkins停车场数据集由15min分辨率的电动汽车充电和相关建筑功耗的单独聚合时间序列组成，而本部分数据由Hopkins、Gilman和Osler共3个停车场的电动汽车充电事件所组成。1.4 Solar PV generators
本部分对应PVGenerator中的数据。由于所有太阳能逆变器都按照2003年IEEE 1547标准以单位功率因数运行，因此提供了24个学校内光伏电站的实际交流发电数据。由于未知的硬件问题，一些光伏系统（如Leichtag Biomedical Research）的功率存在暂时性下降的问题。1.5 Campus thermal load and storage
本部分对应ThermalStorage.csv中的数据。微电网运营着一个天然气发电厂，为校园内的大多数建筑提供区域供暖和制冷。该电厂由两台13.5兆瓦的天然气涡轮机、一台蒸汽发生器、电动冷却器和一个用于热能储存的冷冻水箱组成。由于建筑物电力负荷数据仅包括风机通风功率，而不包括冷却（或供暖）负荷，因此本部分数据包含校园范围内冷水机组的电力消耗、冷水流量、冷却吨数和冷水箱容量。1.6 Demand charge related data
本部分对应DemandCharge.csv中的数据。需求费用是指在任何15min间隔内的最高月度耗电量（非重合费）和高峰时段（每天1600–2100小时）的最高耗电量的峰值电费（$/kW）。由于现场生成需求费用的计算非常复杂，因此计算需求费用所需的所有数据都包含在本部分中。这包括实际电力进口（这是峰值需求费用的相关数据）、校园内发电（用于计算实际校园需求）和调整后的需求（用于计算非事故需求费用）。1.7 Battery energy storage system (BESS)
本部分对应BatteryStorage.csv中的数据。学校拥有一台2.5兆瓦、5兆瓦时的BESS，主要用于需求充电管理。从2020年7月1日开始，BESS偶尔也会参与加州独立系统运营商（CAISO）的需求响应市场。数据中对电池充电时消耗的负载功率以正kW表示，在放电操作期间产生的功率以负kW表示。![]()
【数据背景】微电网是一种小型、独立的电网，可以独立于主电网运行。作为提高电网可靠性和弹性的一种方式，微电网越来越受欢迎。本节是从位于美国新墨西哥州阿尔伯克基的Mesa Del Sol微电网收集的电力数据集，该数据集包括微电网组件的电压、电流、功率和能量测量值，共包含18个特征，是2022年5月至2023年7月的近15个月内收集的高质量数据。该数据集对机器学习应用很有价值，可用于改善微电网的运营和管理。这些数据可以用于训练机器学习模型，以预测停电或优化微电网的能耗。Data Files：数据文件夹
- 202205.csv
- 202206.csv
......
- 2023.06.csv
- 2023.07.csv
README.md：文件说明
【数据说明】数据集分为每月一次的CSV文件，CSV文件总数为15（每月1个文件），数据分辨率为10S，特征总数为18，数据收集开始日期为2022年5月1日，结束日期为2023年7月31日。每个CSV文件都含有以下列：
1. Timestamp：测量的日期和时间，格式为YYYY/MM/DD hh:mm:ss；2. Battery Active Power：电池有功功率，单位为kW；3. Battery Active Power Set Response：蓄电池有功功率设置响应，单位为kW；
4. PVPCS Active Power：光伏太阳能电池板产生的电量，单位为kW；5. GE Body Active Power：GE主体消耗的电量，单位为kW；6. GE Active Power：微电网消耗的总电量，单位为kW；7. GE Body Active Power Set Response：GE主体对设定值变化的响应，单位为kW；8. FC Active Power (FC-end) Set：FC有功功率的设定值，单位为kW；9. FC Active Power：燃料电池产生的电量，单位为kW；10. FC Active Power (FC-end) Set Response：FC对设定点变化的响应，单位为kW；11. Island mode MCCB Active Power：岛式MCCB消耗的电量，单位为kW；12. MG-LV-MSB AC Voltage：MG-LV-MSB总线的交流电压，单位为V；13. Receiving Point AC Voltage：接收点的交流电压，单位为V；14. Island mode MCCB AC Voltage：岛式MCCB交流电压，单位为V；15. Island mode MCCB Frequency：岛式MCCB总线的频率，单位为Hz；16. MG-LV-MSB Frequency：MG-LV-MSB总线上的频率，单位为Hz；17. Inlet Temperature of Chilled Water：进入冷冻水设备的冷冻水温度，单位为℃；18. Outlet Temperature：离开冷冻水设备的冷冻水温度，单位为℃。![]()
【数据背景】当微电网与主电网断开连接时，它被称为孤岛模式，并且与微电源和负载独立运行。微电网对于建立基于可再生能源的可持续和成本高效的能源系统非常重要，人工智能和优化方法可用于提高微电网的运行效率，良好的控制算法确保了可靠性和成本效益。Rye微电网是欧盟研究项目REMOTE的试点项目，这是一个位于挪威特隆赫姆市郊区的小型微电网，旨在为一个现代农场和三户家庭供电，Rye Microgrid的目标是在孤岛模式下运行一个稳定的微电网系统。【系统说明】该微电网系统有两个发电源：1个风力涡轮机和1个光伏电池板；有2个储能器：1个电池具有高充放电响应，但存储和损耗有限，还有1个氢能系统具有较低的充放电速率，较高的损耗和存储容量。当给氢气系统充电时，电力用于运行电解槽，电解槽从水中制造氢气，并将产生的氢气储存在储罐中。这个过程可以通过使用燃料电池从氢气中发电来逆转。为了简单起见，在这种情况下，不考虑最低收费水平和磨损成本。因此，只有在对存储器充电时才有损耗，而不是在放电时。此外，当自身生产或储存的电量不足以满足需求时，微电网可以从电网中抽取电力，但付出需要一定的成本。【任务描述】考虑到风力涡轮机和光伏发电的未来消耗和发电的不确定性，基于该数据集可以设计一个控制系统，将微电网的运行成本降至最低。通过巧妙地操作微电网，应该可以将微电网的电量进口成本降至最低。开发一个优化系统，在对未来光伏和风能发电和消费了解有限的情况下，优化储能的运行。成本要素与从微电网的进口电量有关，从电网使用电力的成本有3个要素：A. 每小时的电力现货价格，已作为数据集的一部分，以NOK/kWh给出；
B. 能源部分的电网电价，按进口的千瓦时支付。在本任务中，参考使用Tensio冬季能源电价：0.05NOK/kWh；
C. 每月支付的峰值电价，基于输入微电网的最大瞬时功率（每小时测量）：49NOK/月/kWpeak。
该微电网系统在以下5个限制条件下运行：
1、电力消耗、光伏和风力发电都是变量。这些只能被观察，不能被确定。天气（温度、风速、太阳辐射等是这些变量背后的主要驱动因素）
2、必须通过风力发电、光伏发电、电池储能放电或从电网进口来满足所有时间段的电力消耗；
3、考虑到储能电池未充满，可以通过光伏发电、风力发电或从电网进口来充电。为了简单起见，假设所存储的能量等于储能的充电乘以往返效率，并且系统可以在没有任何损失的情况下放电；
4、微电网太大的情况下，无法加入任何当前的挪威生产消费者计划，因此多余的电量无法反馈到电网中。如果电力生产量大于消耗量，并且所有存储都已满，那么多余的电力生产量就会减少（扔掉）；
5、变压器和配电线路的所有损耗可以忽略不计。
REMOTE-D2.2.pdf：数据集参考文献
README.md：项目说明
【数据说明】微电网中电力系统或设施相关的详细技术数据见下图所示：
数据分辨率为1hr，特征总数为21，包含时间戳、光伏发电、风力发电、电力消耗、电力能源价格、气象要素等特征。训练集的数据开始时间为2020年1月1日13:00，结束时间为2021年1月31日23:00。测试集的数据开始时间为2021年2月1日00:00，结束时间为2021年3月8日00:00，也可以自行划分训练集和测试集。训练集存放在Data/train.csv当中，可以用于微电网控制器的开发，开发完成后可以使用的测试数据Data/test.csv用于最终评估，测试集具有相同的参数，使用它来运行评估脚本以获得最终分数。训练集和测试集所包含的参数信息如下（即train.csv和test.csv中的列）：
1. pv_production：光伏发电功率，单位是kWh/h；2. wind_production：风力发电功率，单位为kWh/h；3. consumption：电力消耗量，单位为kWh/h；4. spot_market_price：电力能源价格，单位为NOK/kWh；5. precip_1h：小时累计降雨量，单位为mm；6. precip_type：表示降水类型的整数（0-无雨，1-雨，2-雨雪混合，3-雪，4-雨夹雪，5-冻雨，6-冰雹）；8. clear_sky_rad：晴空辐射的瞬时通量，单位为W/m2；9. clear_sky_energy_1h：给定间隔内的累计晴空通量，单位为J/m2；10. (diffuse|direct|global)_rad：扩散、直接或全局辐射的瞬时通量，单位为W/m2；11. (diffuse|direct|global)_rad_1h：扩散、直接或全局辐射的累积能量，单位为Wh/m2；12. sunshine_duration_1h：小时内光照的累计时间量，单位为min；13. sun_azimuth：太阳方位角，单位为°；14. sun_elevation：太阳仰角（太阳和地平线之间的角度）表示太阳在地平线上的位置，单位为°；15. (low|medium|high|total|effective)_cloud_cover：不同级别的云量百分比，单位为%；16. t_(2|10|50|100)：地面以上2米、10米、50米或100米处的温度，单位为℃；17. relative_humidity_(2|10|50|100)m：地面以上2米、10米、50米或100米处相对湿度的瞬时值，单位为%；18. dew_point_(2|10|50|100)m：地面以上2、10、50或100米处露点温度的瞬时值，单位为℃；19. wind_speed_(2|10|50|100)m：地面以上2米、10米、50米或100米处的风速，单位为m/s；20. wind_dir_(2|10|50|100)m：地面以上2米、10米、50米或100米处的风向，单位为°。数据集中的时间戳均统一为标准UTC时间。电力消耗、光伏发电和风力发电仅在产生后一小时才公开，未来的电量值是不能用于控制策略的。天气数据被视为天气预报，因此可以在控制策略中使用未来值。电力现货价格每天一次，以24小时为单位提供，第二天的预报是13:00，因此根据一天的小时数，未来的电价可以提前包含12-25小时。出于开发目的，可以假设电量消耗和生产的观测值是预测值，开发工作的一部分制定控制策略，另一部分进行电量预测，最后用预测值代替观测值。
