CN110956370B - 储能策略数据处理系统、方法、装置及介质 - Google Patents
储能策略数据处理系统、方法、装置及介质 Download PDFInfo
- Publication number
- CN110956370B CN110956370B CN201911124769.3A CN201911124769A CN110956370B CN 110956370 B CN110956370 B CN 110956370B CN 201911124769 A CN201911124769 A CN 201911124769A CN 110956370 B CN110956370 B CN 110956370B
- Authority
- CN
- China
- Prior art keywords
- energy
- time slot
- price
- strategy
- probability distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 title claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 215
- 238000005265 energy consumption Methods 0.000 claims abstract description 37
- 238000007476 Maximum Likelihood Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 19
- 238000003672 processing method Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 21
- RPNUMPOLZDHAAY-UHFFFAOYSA-N Diethylenetriamine Chemical compound NCCNCCN RPNUMPOLZDHAAY-UHFFFAOYSA-N 0.000 description 7
- 230000002860 competitive effect Effects 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000009827 uniform distribution Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006698 induction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请的储能策略数据处理系统、方法、装置及介质，实现用于控制能量设施从能源系统按用能价格获取能量的购能策略；所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；本申请的方案中根据先前多个时隙的用能价格按预设概率分布类型拟合得到价格概率分布；根据所述价格概率分布计算未来时间段内出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略，达成高效的基于动态价格的储能管理策略。
Description
技术领域
本申请涉及数据处理系统及方法技术领域，特别是涉及储能策略数据处理系统、方法、装置及介质。
背景技术
储能技术得到大力发展，其原因之一在于通过储能装置针对电价“削峰填谷”的操作，来补偿用能装置的用能，能有效降低用能成本。
常见的储能装置，如基于电磁储能原理的超级电容，或基于化学储能原理的蓄电池或者锂电池储能系统(BESS)等。
关于储能装置充放电的储能控制策略越精准，则更能有效降低用能成本。
因此，如何制定可靠的基于动态电价波动的储能控制策略，已成为业界亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供储能策略数据处理系统、方法、装置及介质，用于解决现有技术中基于动态电价波动的储能控制策略的制定问题。
为实现上述目的及其他相关目的，本申请的第一方面提供一种储能策略数据处理系统，产生用于控制能量设施从能源系统按用能价格获取能量的购能策略；所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；其中，所述用能价格按随时间变化；所述储能策略数据处理系统包括：分布生成模块，用于根据先前多个时隙的用能价格按概率分布类型而拟合得到价格概率分布；策略生成模块，用于根据所述价格概率分布计算未来时间段内的各时隙的策略阈值，根据出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略，其中，所述购能策略包括：在未来时间段中目标时隙的购能决定、及其它时隙的不购能决定；或者，根据每个时隙的策略阈值与购能边际成本的比较结果用于确定在该时隙的购能决定或不购能决定，所述购能边际成本通过该时隙的用能价格表示；每个时隙的策略阈值设置成与在该时隙作出不购能决定而在未来时间段以内的后续时隙形成的未来期望成本相同，其中，每个时隙的所述期望成本包括：由策略阈值、用能价格及所述价格概率分布确定的购能机会成本，以及由后一时隙的所述未来期望成本、所述策略阈值及所述价格概率分布确定的不购能机会成本；并且，在所述未来时间段的边界时隙的未来期望成本与所述价格概率分布的期望价格相同，以得到该边界时隙的前一时隙的策略阈值，以用于迭代计算之前各时隙的策略阈值而供选择所述目标时隙。
在本申请的第一方面的某些实施方式中，所述价格概率分布是固定的。
在本申请的第一方面的某些实施方式中，所述价格概率分布是根据该未来时间段逐一出现的实际用能价格而被更新的，以更新所述购能策略。
在本申请的第一方面的某些实施方式中，所述分布参数的获取方法包括：极大似然估计方法、或最小化KL距离方法。
在本申请的第一方面的某些实施方式中，所述预设概率分布类型包括：重尾分布类型、或轻尾分布类型。
为实现上述目的及其他相关目的，本申请的第二方面提供一种储能策略数据处理方法，产生用于控制能量设施从能源系统按用能价格获取能量的购能策略；所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；其中，所述用能价格按随时间变化；所述储能策略数据处理方法包括：根据先前多个时隙的用能价格按概率分布类型而拟合得到价格概率分布；根据所述价格概率分布计算未来时间段内的各时隙的策略阈值，根据出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略，其中，所述购能策略包括：在未来时间段中目标时隙的购能决定、及其它时隙的不购能决定；或者，根据每个时隙的策略阈值与购能边际成本的比较结果用于确定在该时隙的购能决定或不购能决定，所述购能边际成本通过该时隙的用能价格表示；每个时隙的策略阈值设置成与在该时隙作出不购能决定而在未来时间段以内的后续时隙形成的未来期望成本相同，其中，每个时隙的所述期望成本包括：由策略阈值、用能价格及所述价格概率分布确定的购能机会成本，以及由后一时隙的所述未来期望成本、所述策略阈值及所述价格概率分布确定的不购能机会成本；并且，在所述未来时间段的边界时隙的未来期望成本与所述价格概率分布的期望价格相同，以得到该边界时隙的前一时隙的策略阈值，以用于迭代计算之前各时隙的策略阈值而供选择所述目标时隙。
在本申请的第二方面的某些实施方式中，所述价格概率分布是固定的。
在本申请的第二方面的某些实施方式中，所述价格概率分布是根据该未来时间段逐一出现的实际用能价格而被更新的，以更新所述购能策略。
在本申请的第二方面的某些实施方式中，所述分布参数的获取方法包括：极大似然估计方法、或最小化KL距离方法。
在本申请的第二方面的某些实施方式中，所述预设概率分布类型包括：重尾分布类型、或轻尾分布类型。
为实现上述目的及其他相关目的，本申请的第三方面提供一种控制装置，包括：一或多个存储器，用于存储至少一程序；一或多个处理器，用于调用所述至少一程序，以执行如第二方面中任一项所述的储能策略数据处理方法。
为实现上述目的及其他相关目的，本申请的第三方面提供一种储能装置，集成或连接于如第三方面中所述的控制装置，以根据对应所述控制装置的购能策略的控制指令进行充放能。
为实现上述目的及其他相关目的，本申请的第四方面提供一种计算机可读存储介质，存储有至少一程序，所述至少一程序在被调用时执行并实现如第二方面中任一项所述的储能策略数据处理方法。
如上所述，本申请的储能策略数据处理系统、方法、装置及介质，实现用于控制能量设施从能源系统按用能价格获取能量的购能策略；所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；本申请的方案中根据先前多个时隙的用能价格按概率分布类型而拟合得到价格概率分布；根据所述价格概率分布计算未来时间段内出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略，达成高效的基于动态价格的储能管理策略。
附图说明
图1显示为本申请实施例中的应用场景示意图。
图2显示为本申请实施例中一次性负载分解的原理示意图。
图3显示为本申请实施例中储能策略数据处理系统的模块示意图。
图4显示为本申请实施例中储能策略数据处理方法的流程示意图。
图5a至5c显示为本申请实施例中分别模拟基于三种分布类型的ETA满足一次性负载分解服务的后悔率的结果示意图。
图6a至6c显示为本申请实施例中分别模拟基于三种分布类型的ETA满足负载服务的竞争力比率的结果示意图。
图7显示为本申请实施例中控制装置的电路结构示意图。
图8显示为本申请一种实施例中控制装置应用的结构示意图。
图9显示为本申请另一种实施例中控制装置应用的结构示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
虽然在一些实例中术语第一、第二等在本文中用来描述各种模块，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一数据处理模块可以被称作第二数据处理模块，并且类似地，第二数据处理模块可以被称作第一数据处理模块，而不脱离各种所描述的实施例的范围。第一数据处理模块和数据处理模块均是在描述一个数据处理模块，但是除非上下文以其他方式明确指出，否则它们不是同一个数据处理模块。相似的情况还包括第一获取模块与第二获取模块。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
目前储能技术的高速发展，一方面的原因也是由于可再生能源(如风能、水能、太阳能)转换为电能，由于可再生能源发电往往会受限于自然因素，通过储能设备则可良好地衔接可再生能源转换的电能进入传统电力系统。
然而，由于可再生能源的电能的不确定性，这对于传统电力系统的价格带来了挑战。因此，一种合适的方式则是需要引入动态定价，如果价格设计合理，则可以有效激活消费者的需求。
因此，在消费者具备储能设备的情况下，如何制定能应对动态定价的储能设备的在线控制策略，以达到更灵活高效且能为消费者节省更多成本的目的。
需说明的是，虽然在上述阐述中表达的是储能设备用于由于可再生能源转换的电能所引起传统电力系统需要动态定价的场景，但仅为举例；在一些实施例中，也可以是在没有可再生能源提供电能的影响下的电网系统的电价就是随时间动态变化的情形，并非以上述举例为限；在一些实施例中，甚至可以是直接将电能以外类型的能量(如热能等)作为交易对象而动态定价等，亦非以上述举例为限。
相应可以理解的是，由于并非限制交易对象为电能，因此对其价格的表述亦不限制于电价，在后文中通过“用能价格”表达；相应的，电网系统等，也通过“能源系统”来替代性地表达。
请参阅图1，展示本申请实施例中应用场景的结构示意图。
如图所示，展示有能源系统101、及能源设施102。
所述能源设施102只是一种概括性的表达，而非限制其必须为一独立的实体装置。在本实施例中，所述能源设施102包括：储能装置111及用能装置112。所述储能装置111耦合于所述用能装置112以提供能量，所述用能装置112也可耦合于所述能源系统101而能获取能量。
在一些示例中，所述能源的类型包括但不限于为电能、热能等，所述能源系统10111、储能装置11112的类型以及传输介质可根据能源的类型而确定。例如，当所述能源为电能时，所述能源系统101包括但不限于为电网，所述传输介质包括但不限于为电线，所述储能装置111包括但不限于为蓄电池、超级电容器等。其中，所述蓄电池可为铅酸电池、镍镉电池、镍氢电池、钠硫电池、锂电池或燃料电池等。所述储能装置111可以被应用在家庭、企业、学校等任何用能场所。
需说明的是，所述储能装置111和能源系统101之间的耦合关系指的直接或间接的连接关系，只要能令储能装置111从能源系统101获得能量即可，而并不限制其具体实现形式。
所述用能装置112指一个或多个需要用能的设备，例如工业设备，例如制造/加工设备、流水线设备等；又例如家用电器设备，例如电视、冰箱、空调等，又例如照明系统等的灯具。
在一些实施例中，所述用能装置112可以是接入同一计量装置的至少一个用能设备的总称，或所述用能装置112为由同一储能装置111进行用能补偿的至少一个用能设备的总称。
举例来说，所述用能装置112可与所述储能装置111位于同一侧，例如所述用能装置112与储能装置111均位于同一用户侧；在还有一些情况下，所述用能装置112与所述储能装置111位于不同侧，例如所述用能装置112位于用户A侧，所述储能装置111位于用户B侧，用户A可向用户B提供其存储自能源系统101的能量。
进一步的，所述用能装置112还可以是属于一个用户的一或多个用能设备，也可以是分布在多个用户的多个用能设备。例如，仅在用户C处设有用能设备，则一个储能装置111仅耦合并向用户C提供用能补偿；又如，用户C、用户D、用户E处均设有用能设备，而一个储能装置111分别耦合于所述用户C、用户D、用户E侧的用能设备，从而向用户C、用户D、用户E提供用能补偿。
为更清楚说明能源系统101、用能装置112及储能装置111间的能量流转，在图1中还进一步进行了示意性的标识。其中，t表示为时间；则在t时间，用能价格为p(t)，用能装置112的需求设为d(t)，储能装置111的存储量表示为s(t)；若用能装置112从能源系统101购入能量g(t)，相应的，则需支付g(t)p(t)的费用；同理，若储能装置111从能源系统101购入能量b(t)，则需支付b(t)p(t)的费用，而储能装置111可以向用能装置112提供能源c(t)而不收取费用。
若c(t)充能时的价格是低于p(t)，则明显可见，储能装置111的c(t)的供应能有效降低用能装置112的用能成本。
若假设每个用能装置112的需求预测是相当精确的，而整个场景中的所有不确定性都反映在动态定价p(t)的波动中。即使在这种假设下，由于未来价格的不确定性以及所有储能装置111的容量约束，导致对储能装置111的管理策略的制定仍然是相当困难的。
通过一次性负载(one-load shot)分解技术可以解耦储能装置111的容量约束优化问题为一次性负载分解服务问题，其中，所谓的负载即为所述用能装置112的用能需求。
如图2所示，展示为本申请一示例中一次性负载分解的原理示意图。
在本实施例中，假设需要为图2中的虚线曲线A所示的累积需求提供服务。具体来讲，在时刻t1为D(t1)的负载提供服务，并且在时刻t2为D(t2)-D(t1)的负载提供服务。其中，如果没有储能装置，那么就必须在服务时购买能量，容忍所有的价格波动；但是，借助容量B的储能装置，可以选择在整个时间范围内购买能量并存储，以供后续服务使用，这样就使得把握充能的时机具有灵活性而更难于把握，时间切片负载分解技术(one-shot loaddecomposition)在负载服务中形成的难度就更加突出。
具体来讲，根据图2实施例，假设：
B>D(t1)：＝d1(t0，t1) (1)
即容量B能满足D(t1)的负载需求量。从中可以发现，由于储能装置的存在，在[t0，t1]中的任意时刻都可以达成对D(t1)的满足，故相应可以定义d1(t0，t1)＝D(t1)，表现在时间跨度[t0，t1]上的灵活性。
进一步的，再假设：
B<D(t2)-D(t1) (2)
相应的，然后将t2需要满足的负载需求量分解为三种不同的需求量d2(t0，t2)，d3(t1，t2)，及d4(t2，t2)。由于B>D(t1)，则储能装置具有一定的备用容量以存储能量并在t2处甚至在[0，t1]之间提供负载服务；这导致了第一种需求量d2(t0，t2)，它是为了满足在[0，t2](由[0；t1]和[t1，t2]的结合)之间的负载而保留的；第二种需求量是由于在t1服务负载后释放的容量，而只在t1之后是灵活的，在本实施例中用d3(t1，t2)来表示第二种需求量；由于式(2)，则在t2时，d4(t2，t2)需被实时满足。
需说明的是，在以下实施例中，我们将每个t定义为一个时隙(time slot)，而t+1就表示下一个时隙；每个时隙的长度可以是一或多个小时、一或多分钟或其它时长设定；在上述实施例中，我们称(t0，t1)为一个shot，即一个时间分解切片，(t1，t2)为一个shot即另一个时间分解切片，时间切片负载分解技术即将用能需求量按时间切片进行分解，并逐一满足。
图2实施例可以有助于理解时间切片负载分解技术，以下引出一般情况下时间切片负载分解技术的一种具体建立过程，具体如下：
1)定义了累积需求曲线D(t)；
2)定义了由D(t)上移B得到上移累积需求曲线DShift(t)；
3)通过取在D(t)与DShift(t)之间的“中间矩形”
得到一次性需求量/>
对于每一个分解出的需求量
理想的，我们会尝试找出最小用能价格p(t)出现的时间t。事实上，只要了解一个典型的一次性负载分解服务问题就足够了，即用户需要满足0到T之间的单位能量需求。
从数学的角度来考虑，用户即作出一系列的决定，可以称为“购能策略”，即从u(0)，u(1)，....，u(T)，其中u(t)的值定义了每个时隙是否购能的决定；例如，u(t)＝0，则表示不购能决定；u(t)＝1，则表示购能决定。
可通过下式来表示：
s.t.u(t)∈{0,1}，0≤t≤T (4)
也即是说，实现在[0，T]的时段中的各时隙中仅在一个时隙购能且其它时隙不购能，并达到最低成本。
可见，要实现最低成本，实际上也就是相当于解决在存在t*满足令p(t)最低的时候进行购能的问题。
然而，未来的用能价格是随机而难以获知的，于是本申请需要设计在线算法来解决一次性负载分解服务问题。
在可行的方式中，虽然未来的用能价格是难以获知的，但是用能价格的概率分布(例如表示为函数f(p))可能是可以得到的，例如根据历史用能价格的数据进行拟合得到价格等方式。进而，如果知道p(t)’s的确切价格分布，对于[0，T]之间的一次负载分解服务问题，在每个时隙t，假设只作出两个决定：购买单位能量即购能决定、或不购买即不购能决定。这两项决定对应不同的预期成本：在t时隙购买单位能量的购能边际成本，即用能价格p(t)；以及，由于在t时隙不购买能量而在后续[t+1，T]的时间段中产生的未来期望成本，表示为E[wt+1]。
为数学表示作出决定的原因，引入对应每个时隙的策略阈值θ(t)。
θ(t)＝E[wt+1] (7)
如果p(t)≤θ(t)，就在t作出购能决定；否则，作出不购能决定。
可以理解的，所述未来期望成本可以表示为购能机会成本以及不购能机会成本。
其中，所述购能机会成本可以由后一时隙的所述未来期望成本、所述策略阈值及所述价格概率分布确定的；所述不购能机会成本可以由策略阈值、用能价格及所述价格概率分布确定的。
具体的，所述未来期望成本可以表示为下式：
其中，该公式的前半部分积分结果即为购能机会成本，后半部分积分结果即为不购能机会成本；f(p)即表示p(t)’s的概率分布。
并且，从式(8)可以看到，E[wt]的结果会依赖于E[wt+1]，在f(p)为已知的情况下，可以采用后向归纳法来迭代求解E[wt]，进而得到θ(t)’s，具体表示为θT-1＝E[wT]＝E[p(t)]至θ0＝E[w1]。
由于p(t)和p(T)服从同一概率分布f(p)，那么根据独立同分布的期望相同的原理，E[p(t)]＝E[p(T)]，则θT-1＝E[wT]＝E[p(T)]。在用能价格的价格概率分布确定的情况下，各分布的期望可以是已知的，例如正态分布(设为N(μ，σ2)，期望就是μ)、指数分布(设为E(a)，期望就是1/a)等，也就可以求得E[wT]和θT-1。
可以理解的是，通过反向归纳法就可以逐一求出E[wt]’s和θ(t)’s，根据其中取值最小的θ(t)的对应t时隙作出购能决定，其它时隙作出不购能决定，从而形成购能策略。
购能策略的优点来自于每个时隙的决定是一种二元选择；基于前述反向归纳法能求得θ(t)’s并得到目标时隙的特点，可以发现对于一次性负载分解服务问题来讲，购能策略是优选的储能控制策略。
基于上述原理，请参阅图3，展示本申请实施例中储能策略数据处理系统300的模块示意图。
在本实施例中，所述储能策略数据处理系统300用于形成购能决策，该购能决策可以用于例如图1所示的系统中，用于控制能量设施从能源系统按用能价格获取能量的；所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；其中，所述用能价格按随时间变化。
在本实施例中，所述储能策略数据处理系统300包括：
分布生成模块301，用于根据先前多个时隙的用能价格按概率分布类型而拟合得到价格概率分布。
在本实施例中，需要预先确定价格概率分布f(p)，即确定价格概率分布的概率分布类型以及参数。
举例来说，所述概率分布类型可以是重尾分布或轻尾分布。其中，重尾分布(Heavy-tailed distribution)是一种概率分布模型，它的尾部比指数分布还要厚，比如对数正态分布；轻尾分布(light-tailed distribution)，例如正态分布或半正态分布等。需说明的是，上述分布类型皆仅为举例，而并非加以限制，从而完全可以通过其它的概率分布类型来加以替代。
在一实施例中，假设当前为t时隙，则可知晓已过去的[0,t]时段内每个时隙的用能价格p(t)的真实值，据此，可以通过上述已知的概率分布类型来拟合用能价格p(t)的价格概率分布f(p)。
所述f(p)的参数可以是固定的，例如正态分布的参数：期望值μ和标准差σ已知而确定；当然，也可以是不固定的。
所述策略生成模块302，用于根据所述价格概率分布计算未来时间段内出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略。
在本实施例中，假设在拟合得到已知概率分布类型的f(p)时就可以固定分布参数，例如基于某个期望值μ和标准差σ实现的正态分布f(p)较为准确而可以固定，也就表示f(p)固定；那么参考前述式(7)、(8)的原理，就可以将f(p)代入来求取θ(t)’s，并预测[t，T]时段中出现最小θ(t)的目标时隙，从而确定购能策略。
在一些实施例中，可以通过估计的方式得到f(p)的参数λ，而f(p)对应表示为f(p|λ)。
举例来说，采用极大似然估计法(MLE)来进行λ的计算。其中，极大似然估计是一种概率论在统计学的应用，它是参数估计的方法之一。该方法的原理是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大。
假设已知过去的[1,t]时段的真实用能价格p1～pt，则定义L(λ)为：
L(λ)＝f(p1|λ)f(p2|λ))f(p3|λ)···f(pt|λ) (9)
其中，最优解λ*满足：
根据解式(10)和(11)就可以得到λ*,得到确定的用能概率分布f(p|λ)。在未来时间段中，如[t+1，T]，可以套用固定的该f(p|λ)来预测性地计算θ(t)’s，并得到目标时隙来确定购能决策。
进一步的，考虑到用能价格的动态变化，根据已有历史数据得到的固定的f(p|λ)可能在将来未必能准确反映这样的动态变化，导致购能决策存在偏差风险。
因此可选的，在已有价格概率分布f(p|λ)的基础上，可以根据未来时间段逐一出现的实际用能价格来更新已有价格概率分布f(p|λ)的参数λ’，，以期望得到更准确的f(p|λ’)。
以下还是以极大似然估计方法进行举例，当出现新时隙的用能价格的数据时，我们可以通过下式来实现更新：
L(λ)<----L(λ)f(p|λ) (12)
其中，左侧表示更新后的L(λ)，右侧表示在旧的L(λ)基础上乘以新出现用能价格的概率。
举例来说，假设t+1时隙的用能价格为pt+1，则对式(9)进行更新：
Lt+1(λ)＝f(p1|λ’)f(p2|λ’))f(p3|λ’)···f(pt|λ’)f(pt+1|λ’) (9b)
然后，根据式(9b)可以求得更新后的λ’的最优解，进而计算得到新的θ(t)’s，并根据更新后的价格概率分布f(p|λ’)经来生成更新的购能策略，据以得到新的购能决策。
其中，所述λ的更新计算可以由所述分布生成模块301来完成，或者由其它的模块如数据驱动预测器来完成；而更新购能策略的动作可以是由所述策略生成模块302来完成。
可以理解的是，进行λ更新的频率未必是1次/时隙，也可以是每隔若干个时隙执行，并非以上述举例为限。
需特别说明的是，虽然上述举例中获取价格概率分布的参数的方法为极大似然估计方法，然而在其它实施例中完全可以采用其它的估计方法，例如最小化KL距离方法、最小二乘法等等，并非以此为限。
在某些场景下，最小化KL距离方法可能会比较适合于对参数的更新操作。KL距离，是Kullback-Leibler差异(Kullback-Leibler Divergence)的简称，也叫做相对熵(Relative Entropy)。它衡量的是相同事件空间里的两个概率分布的差异情况。根据不断更新的用能价格作为样本，通过迭代计算最小化已有的用能概率分布与理想的用能概率分布的KL距离，使得用能概率分布能趋于更准确。
由此可见，储能策略数据处理系统300可以提供基于固定的用能概率分布的购能决策，表示为ETA；或提供基于数据驱动的用能概率分布的购能决策，表示为DETA，以实现对应控制储能装置充放能时机的储能控制策略。
需要特别说明的是，如果固定的λ已达到所要求的准确度的f(p|λ)，那么更新的λ的变化趋于收敛，最终变化很小而转化为固定的λ值。所以在实际情况中，DETA在经历一段时间之后完全可能转化成ETA。
需特别说明的是，储能策略数据处理系统300中的各个功能模块可以是或者也可以不是物理上分开的，可以位于一个地方，或者也可以分布到多个计算机系统上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
如图4所示，展示本申请实施例中的储能策略数据处理方法的流程示意图。
需说明的是，所述储能策略数据处理方法可以实现在基于计算机系统的控制装置，由其处理器运行存储在存储器的程序实现。
所述储能策略数据处理方法可以形成购能决策，该购能决策可以用于例如图1所示的系统中，用于控制能量设施从能源系统按用能价格获取能量的；所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；其中，所述用能价格按随时间变化。
所述方法包括：
步骤S401：根据先前多个时隙的用能价格按概率分布类型而拟合得到价格概率分布。
在本实施例中，需要预先确定价格概率分布f(p)，即确定价格概率分布的概率分布类型以及参数。
举例来说，所述概率分布类型可以是重尾分布或轻尾分布。其中，重尾分布(Heavy-tailed distribution)是一种概率分布模型，它的尾部比指数分布还要厚，比如对数正态分布；轻尾分布(light-tailed distribution)，例如正态分布或半正态分布等。需说明的是，上述分布类型皆仅为举例，而并非加以限制，从而完全可以通过其它的概率分布类型来加以替代。
在一实施例中，假设当前为t时隙，则可知晓已过去的[0,t]时段内每个时隙的用能价格p(t)的真实值，据此，可以通过上述已知的概率分布类型来拟合用能价格p(t)的价格概率分布f(p)。
所述f(p)的参数可以是固定的，例如正态分布的参数：期望值μ和标准差σ已知而确定；当然，也可以是不固定的。
步骤S402：根据所述价格概率分布计算未来时间段内出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略；
其中，所述购能策略包括：在未来时间段中目标时隙的购能决定、及其它时隙的不购能决定。基于前述实施例中关于策略阈值θ(t)的定义，每个时隙的策略阈值与购能边际成本的比较结果用于确定在该时隙的购能决定或不购能决定；根据在t时隙购买单位能量的购能边际成本可知，所述购能边际成本通过该时隙的用能价格表示；根据式(7)可知，每个时隙的策略阈值设置成与在该时隙作出不购能决定而在未来时间段以内的后续时隙形成的未来期望成本相同；根据式(8)可知，每个时隙的所述期望成本包括：由策略阈值、用能价格及所述价格概率分布f(p)确定的购能机会成本，以及由后一时隙的所述未来期望成本、所述策略阈值及所述价格概率分布f(p)确定的不购能机会成本；并且，在所述未来时间段的边界时隙的未来期望成本与所述价格概率分布的期望价格相同，以得到该边界时隙的前一时隙的策略阈值，以用于式(8)进行后向归纳的迭代计算之前各时隙的策略阈值，而供选择策略阈值最小的时隙作为所述目标时隙。
在本实施例中，假设在拟合得到已知概率分布类型的f(p)时就可以固定分布参数，例如基于某个期望值μ和标准差σ实现的正态分布f(p)较为准确而可以固定，也就表示f(p)固定；那么参考前述式(7)、(8)的原理，就可以将f(p)代入来求取θ(t)’s，并预测[t，T]时段中出现最小θ(t)的目标时隙，从而确定购能策略。
在一些实施例中，可以通过估计的方式得到f(p)的参数λ，而f(p)对应表示为f(p|λ)。
举例来说，采用极大似然估计法(MLE)来进行λ的计算。其中，极大似然估计是一种概率论在统计学的应用，它是参数估计的方法之一。该方法的原理是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大。
假设已知过去的[1,t]时段的真实用能价格p1～pt，则定义L(λ)为：
L(λ)＝f(p1|λ)f(p2|λ))f(p3|λ)···f(pt|λ) (9)
其中，最优解λ*满足：
根据解式(10)和(11)就可以得到λ*,得到确定的用能概率分布f(p|λ)。在未来时间段中，如[t+1，T]，可以套用固定的该f(p|λ)来预测性地计算θ(t)’s，并得到目标时隙来确定购能决策。
进一步的，考虑到用能价格的动态变化，根据已有历史数据得到的固定的f(p|λ)可能在将来未必能准确反映这样的动态变化，导致购能决策存在偏差风险。
因此可选的，在已有价格概率分布f(p|λ)的基础上，可以根据未来时间段逐一出现的实际用能价格来更新已有价格概率分布f(p|λ)的参数λ’，，以期望得到更准确的f(p|λ’)。
以下还是以极大似然估计方法进行举例，当出现新时隙的用能价格的数据时，我们可以通过下式来实现更新：
L(λ)<----L(λ)f(p|λ) (12)
其中，左侧表示更新后的L(λ)，右侧表示在旧的L(λ)基础上乘以新出现用能价格的概率。
举例来说，假设t+1时隙的用能价格为pt+1，则对式(9)进行更新：
Lt+1(λ)＝f(p1|λ’)f(p2|λ’))f(p3|λ’)···f(pt|λ’)f(pt+1|λ’) (9b)
然后，根据式(9b)可以求得更新后的λ’的最优解，进而计算得到新的θ(t)’s，并根据更新后的价格概率分布f(p|λ’)经来生成更新的购能策略，据以得到新的购能决策。
可以理解的是，进行λ更新的频率未必是1次/时隙，也可以是每隔若干个时隙执行，并非以上述举例为限。
需特别说明的是，虽然上述举例中获取价格概率分布的参数的方法为极大似然估计方法，然而在其它实施例中完全可以采用其它的估计方法，例如最小化KL距离方法、最小二乘法等等，并非以此为限。
在某些场景下，最小化KL距离方法可能会比较适合于对参数的更新操作。KL距离，是Kullback-Leibler差异(Kullback-Leibler Divergence)的简称，也叫做相对熵(Relative Entropy)。它衡量的是相同事件空间里的两个概率分布的差异情况。根据不断更新的用能价格作为样本，通过迭代计算最小化已有的用能概率分布与理想的用能概率分布的KL距离，使得用能概率分布能趋于更准确。
由此可见，通过执行储能策略数据处理方法可以获得基于固定的用能概率分布的购能决策，表示为ETA；或获得基于数据驱动的用能概率分布的购能决策，表示为DETA，以实现对应控制储能装置充放能时机的储能控制策略。
需要特别说明的是，如果固定的λ已达到所要求的准确度的f(p|λ)，那么更新的λ的变化趋于收敛，最终变化很小而转化为固定的λ值。所以在实际情况中，DETA在经历一段时间之后完全可能转化成ETA。
应当理解，在本申请的各种实施例中，上述方法流程图中的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请提供的方案的优点，以下提供相关的模拟数据以作为佐证。在模拟的方案中，采用了三种概率分布来近似价格直方图，包括：均匀分布(Uniformdistribution)、半正态分布(half-normal distribution)、及对数正态分布(Log-normaldistribution)。其中，均匀分布和半正态分布为轻尾分布类型，而对数正态分布为重尾分布类型，通过这些不同类型的分布来更好地说明本申请方案的尾部性能。
根据实际采集的用能价格数据集，拟合成三种类型的价格分布进行模拟。
在图5a～5c中，评估了ETA在一次性负载分解服务问题上的性能。
其中，图5a展示为本申请实施例中模拟基于均匀分布的ETA在一次性负载分解服务的后悔率的结果示意图；图5b展示为本申请实施例中模拟基于半正态分布的ETA在一次性负载分解服务的后悔率的结果示意图；图5c展示为本申请实施例中模拟基于对数正态分布的ETA在一次性负载分解服务的后悔率的结果示意图。
为了比较ETA性能和离线最优的性能，在本实施例中定义了后悔率γ如下：
其中，cost(ETA)表示一次性负载分解服务的成本，OPT表示离线最小的成本。在图5a～5c中，分别展示了拟合的价格概率分布在ETA的表现。在图5a～5c中，分别展现三种分布类型的百分位数(percentile)分别为50％、70％、90％及5％～95％(即图中背景面积最大的渲染部分)的图线，从中可见，三种分布类型中的各类百分位数得到的后悔率图线都呈递减趋势而相当快地收敛到离线最优，这说明ETA对不同类型价格概率分布的鲁棒性。
虽然在前述实施例中，认为ETA是非常适合于一次性负载分解服务的策略；但并非表示ETA用于常规的负载服务场景中得不到优良的效果。因此，定义竞争力比率β：
并且，在图6a～6c中，展示了基于均匀分布、半正态分布、及对数正态分布实现的ETA应用于通常的负载服务而得到的相对于离线最优方案的竞争力比率β的图线。
其中，图6a展示为本申请实施例中模拟基于均匀分布的ETA在一次性负载分解服务的竞争力比率的结果示意图；图6b展示为本申请实施例中模拟基于半正态分布的ETA在一次性负载分解服务的竞争力比率的结果示意图；图6c展示为本申请实施例中模拟基于对数正态分布的ETA在一次性负载分解服务的竞争力比率的结果示意图。
其中，cost(ETA)为某一时间段内ETA服务于用能装置的需求量的总成本，OPT为对应的离线最小总成本。从中可以观察到，随着时间的推移，竞争力比率变得稳定。
在图6a～6c中，分别展现三种分布类型的百分位数(percentile)分别为50％、及5％～95％(即图中背景面积最大的渲染部分)的图线，在这三种分布类型下得到的图线的均值以1.04为界，这也证明了ETA策略具有极好的竞争力。
另外，当需要特别说明的是，如果固定的λ已达到所要求的准确度的f(p|λ)，那么更新的λ的变化趋于收敛，最终变化很小而转化为固定的λ值。所以在实际情况中，DETA在经历一段时间之后完全可能转化成ETA。
经申请人模拟证明，DETA在实施过程中随着用能价格数据的不断充实，收敛到ETA的速度非常快，在观察数十个价格数据之后就可以获得相当好的性能。
如图7所示，展示本申请实施例中控制装置700的结构示意图。
如图所示，所述控制装置700可具有计算机系统，其包括一或多个存储器701、一个或多个处理器702、以及存储于所述一或多个存储器701中的一个或多个程序。
其中，所述一个或多个程序被存储在所述存储器701中并被配置为由所述一个或多个处理器702执行，所述一个或多个处理器702运行所述程序以执行例如图4实施例中的储能策略数据处理方法，以获得购能策略。
具体的，所述储能策略数据处理方法产生用于控制能量设施从能源系统按用能价格获取能量的购能策略；请参阅图1实施例，所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；其中，所述用能价格按随时间变化；
所述一个或多个处理器运行所述程序以执行所述储能策略数据处理方法，包括：
根据先前多个时隙的用能价格按概率分布类型而拟合得到价格概率分布；
根据所述价格概率分布计算未来时间段内出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略；
其中，所述购能策略包括：在未来时间段中目标时隙的购能决定、及其它时隙的不购能决定；每个时隙的策略阈值与购能边际成本的比较结果用于确定在该时隙的购能决定或不购能决定，所述购能边际成本通过该时隙的用能价格表示；每个时隙的策略阈值设置成与在该时隙作出不购能决定而在未来时间段以内的后续时隙形成的未来期望成本相同，其中，每个时隙的所述期望成本包括：由策略阈值、用能价格及所述价格概率分布确定的购能机会成本，以及由后一时隙的所述未来期望成本、所述策略阈值及所述价格概率分布确定的不购能机会成本；并且，在所述未来时间段的边界时隙的未来期望成本与所述价格概率分布的期望价格相同，以得到该边界时隙的前一时隙的策略阈值，以用于迭代计算之前各时隙的策略阈值而供选择所述目标时隙。
在本申请的某些实施方式中，所述价格概率分布是固定的。举例来说，假设当前为t时隙，则可知晓已过去的[0,t]时段内每个时隙的用能价格p(t)的真实值，据此，可以通过上述已知的概率分布类型来拟合用能价格p(t)的价格概率分布f(p)，并且假设在拟合得到已知概率分布类型的f(p)时就可以固定分布参数，例如基于某个期望值μ和标准差σ实现的正态分布f(p)较为准确而可以固定，也就表示f(p)是固定的。
所述f(p)的参数可以是固定的，例如正态分布的参数：期望值μ和标准差σ已知而确定。
在本申请的某些实施方式中，所述价格概率分布是根据该未来时间段逐一出现的实际用能价格而被更新的，以更新所述购能策略。
举例来说，考虑到用能价格的动态变化，根据已有历史数据得到的固定的f(p|λ)可能在将来未必能准确反映这样的动态变化，导致购能决策存在偏差风险。因此可选的，在已有价格概率分布f(p|λ)的基础上，可以根据未来时间段逐一出现的实际用能价格来更新已有价格概率分布f(p|λ)的参数λ’，，以期望得到更准确的f(p|λ’)。以下还是以极大似然估计方法进行举例，当出现新时隙的用能价格的数据时，我们可以通过下式来实现更新：
L(λ)<----L(λ)f(p|λ)(12)
其中，左侧表示更新后的L(λ)，右侧表示在旧的L(λ)基础上乘以新出现用能价格的概率。
举例来说，假设t+1时隙的用能价格为pt+1，则对式(9)进行更新：
Lt+1(λ)＝f(p1|λ’)f(p2|λ’))f(p3|λ’)···f(pt|λ’)f(pt+1|λ’) (9b)
然后，根据式(9b)可以求得更新后的λ’的最优解，进而计算得到新的θ(t)’s，并根据更新后的价格概率分布f(p|λ’)经来生成更新的购能策略，据以得到新的购能决策。
可以理解的是，进行λ更新的频率未必是1次/时隙，也可以是每隔若干个时隙执行，并非以上述举例为限。
在本申请的某些实施方式中，所述分布参数的获取方法包括：极大似然估计方法、或最小化KL距离方法。
极大似然估计(MLE)是一种概率论在统计学的应用，它是参数估计的方法之一。该方法的原理是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大。
关于极大似然估计方法的实施例可以参考前文中图3、图4的实施例可知。
在某些场景下，最小化KL距离方法可能会比较适合于对参数的更新操作。KL距离，是Kullback-Leibler差异(Kullback-Leibler Divergence)的简称，也叫做相对熵(Relative Entropy)。它衡量的是相同事件空间里的两个概率分布的差异情况。根据不断更新的用能价格作为样本，通过迭代计算最小化已有的用能概率分布与理想的用能概率分布的KL距离，使得用能概率分布能趋于更准确。
由此可见，通过执行储能策略数据处理方法可以获得基于固定的用能概率分布的购能决策，表示为ETA；或获得基于数据驱动的用能概率分布的购能决策，表示为DETA，以实现对应控制储能装置充放能时机的储能控制策略。
在本申请的某些实施方式中，所述预设概率分布类型包括：重尾分布类型、或轻尾分布类型。
举例来说，所述概率分布类型可以是重尾分布或轻尾分布。其中，重尾分布(Heavy-tailed distribution)是一种概率分布模型，它的尾部比指数分布还要厚，比如对数正态分布；轻尾分布(light-tailed distribution)，例如正态分布或半正态分布等。需说明的是，上述分布类型皆仅为举例，而并非加以限制，从而完全可以通过其它的概率分布类型来加以替代。
在一些实施例中，所述存储器701可包括高速随机存取存储器，并且还可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中，存储器还可以包括远离一个或多个处理器的存储器，例如经由RF电路或外部端口以及通信网络(未示出)访问的网络附加存储器，其中所述通信网络可以是因特网、一个或多个内部网、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)等，或其适当组合。所述存储器还包括存储器控制器可控制设备的诸如CPU和外设接口之类的其他组件对存储器的访问。所述存储器701用于存储至少一个程序，用以在执行时执行基于本申请技术思想而示例的各步骤。
所述一个或多个处理器702可操作地与存储器701和/或非易失性存储设备耦接。更具体地，处理器702可执行在存储器和/或非易失性存储设备中存储的指令以在计算设备中执行操作，诸如生成图像数据和/或将图像数据传输到电子显示器。如此，处理器702可包括一个或多个通用微处理器、一个或多个专用处理器(ASIC)、一个或多个现场可编程逻辑阵列(FPGA)、或它们的任何组合。一个或多个处理器702还可与接口单元可操作地耦接；通过接口单元，所述计算设备能够与各种其他电子设备进行交互，以及可使得用户能够与计算设备进行交互。其中，所述接口单元包括I/O端口、输入结构、网络端口、有线或无线通信模块(例如有线或无线网卡、2G/3G/4G/5G模块)等。
可选的，所述控制装置700可以实现于电子终端，例如电脑、服务器、移动终端(如手机、平板电脑等)，该些电子终端可以包含显示单元/音频单元等输出单元。进一步可选的，所述电子显示器可包括触摸部件，该触摸部件通过检测对象触摸其屏幕(例如，电子显示器的表面)的发生和/或位置来促进用户输入；可选的，所述音频单元可以包括扬声器、音箱等；进一步可选的，所述音频单元还可以包括拾音器，从而能与用户语音交互。
例如，在一些示例中，购能策略可以转换为电子图案或音频的形式而加以输出给用户。
在一些实施例中，可选的，控制装置700还可以根据该购能策略生成用于控制储能装置对应的充/放电时机的指令，执行该指令即可令储能装置执行对应的充/放电动作。
在此思想下，根据图1的实施例进行举例，如图8所示，展示本申请一种实施例中控制装置的应用方式示意图。
如图所示，在本实施例中，所述控制装置800通信连接于储能装置，藉由输出对应购能策略的指令，并通过有线或无线的通信传输方式发送到储能装置，以对所述储能装置的充放电动作予以控制。
或者，如图9所示，展示本申请又一种实施例中控制装置的应用方式示意图。
如图所示，在本实施例中，所述控制装置900集成于储能装置12b，而在储能装置12b内输出对应购能策略的指令，以对所述储能装置的充放电动作予以控制。
可以理解的是，图8及图9中的控制装置800及900可以由图5实施例中的控制装置700实现，而通过接口单元的不同实现形式，使控制装置能以图8、或图9的不同信号连接方式与储能装置间通信连接。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
另外，本申请上述的附图中的流程图和系统框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这根据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以通过执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以通过专用硬件与计算机指令的组合来实现。
另外，前述实施例中涉及的计算机程序，如实现图4方法的计算机程序，可以存储在计算机可读存储介质。所述计算机可读写存储介质可以包括只读存储器(ROM，ReadOnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
综上所述，本申请的储能策略数据处理系统、方法、装置及介质，实现用于控制能量设施从能源系统按用能价格获取能量的购能策略；所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；本申请的方案中根据先前多个时隙的用能价格按概率分布类型而拟合得到价格概率分布；根据所述价格概率分布计算未来时间段内出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略，达成高效的基于动态价格的储能管理策略。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (13)
1.一种储能策略数据处理系统，其特征在于，产生用于控制能量设施从能源系统按用能价格获取能量的购能策略；所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；其中，所述用能价格按随时间变化；所述储能策略数据处理系统包括：
分布生成模块，用于根据先前多个时隙的用能价格按概率分布类型而拟合得到价格概率分布；
策略生成模块，用于根据所述价格概率分布计算未来时间段内出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略；
其中，所述购能策略包括：在未来时间段中目标时隙的购能决定、及其它时隙的不购能决定；每个时隙的策略阈值与购能边际成本的比较结果用于确定在该时隙的购能决定或不购能决定，所述购能边际成本通过该时隙的用能价格表示；每个时隙的策略阈值设置成与在该时隙作出不购能决定而在未来时间段以内的后续时隙形成的未来期望成本相同，其中，每个时隙的所述期望成本包括：由策略阈值、用能价格及所述价格概率分布确定的购能机会成本，以及由后一时隙的所述未来期望成本、所述策略阈值及所述价格概率分布确定的不购能机会成本；
并且，在所述未来时间段的边界时隙的未来期望成本与所述价格概率分布的期望价格相同，以得到该边界时隙的前一时隙的策略阈值，以用于迭代计算之前各时隙的策略阈值而供选择所述目标时隙。
2.根据权利要求1所述的储能策略数据处理系统，其特征在于，所述价格概率分布是固定的。
3.根据权利要求1所述的储能策略数据处理系统，其特征在于，所述价格概率分布是根据该未来时间段逐一出现的实际用能价格而被更新的，以更新所述购能策略。
4.根据权利要求2或3所述的储能策略数据处理系统，其特征在于，所述价格概率分布的参数的获取方法包括：极大似然估计方法、或最小化KL距离方法。
5.根据权利要求1所述的储能策略数据处理系统，其特征在于，所述概率分布类型包括：重尾分布类型、或轻尾分布类型。
6.一种储能策略数据处理方法，其特征在于，产生用于控制能量设施从能源系统按用能价格获取能量的购能策略；所述能量设施包括用能装置及储能装置，所述储能装置耦合于所述用能装置以提供能量，所述用能装置在每个时隙的获取能量需满足其用能需求；其中，所述用能价格按随时间变化；所述储能策略数据处理方法包括：
根据先前多个时隙的用能价格按概率分布类型而拟合得到价格概率分布；
根据所述价格概率分布计算未来时间段内出现最低的策略阈值的目标时隙，以得到关于所述未来时间段在该目标时隙从能源系统获取能量的购能策略；
其中，所述购能策略包括：在未来时间段中目标时隙的购能决定、及其它时隙的不购能决定；每个时隙的策略阈值与购能边际成本的比较结果用于确定在该时隙的购能决定或不购能决定，所述购能边际成本通过该时隙的用能价格表示；每个时隙的策略阈值设置成与在该时隙作出不购能决定而在未来时间段以内的后续时隙形成的未来期望成本相同，其中，每个时隙的所述期望成本包括：由策略阈值、用能价格及所述价格概率分布确定的购能机会成本，以及由后一时隙的所述未来期望成本、所述策略阈值及所述价格概率分布确定的不购能机会成本；并且，在所述未来时间段的边界时隙的未来期望成本与所述价格概率分布的期望价格相同，以得到该边界时隙的前一时隙的策略阈值，以用于迭代计算之前各时隙的策略阈值而供选择所述目标时隙。
7.根据权利要求6所述的储能策略数据处理方法，其特征在于，所述价格概率分布是固定的。
8.根据权利要求6所述的储能策略数据处理方法，其特征在于，所述价格概率分布是根据该未来时间段逐一出现的实际用能价格而被更新的，以更新所述购能策略。
9.根据权利要求7或8所述的储能策略数据处理方法，其特征在于，所述价格概率分布的参数的获取方法包括：极大似然估计方法、或最小化KL距离方法。
10.根据权利要求6所述的储能策略数据处理方法，其特征在于，所述概率分布类型包括：重尾分布类型、或轻尾分布类型。
11.一种控制装置，其特征在于，包括：
一或多个存储器，用于存储至少一程序；
一或多个处理器，用于调用所述至少一程序，以执行如权利要求6至10中任一项所述的储能策略数据处理方法。
12.一种储能装置，其特征在于，集成或连接于如权利要求11所述的控制装置，以根据对应所述控制装置的购能策略的控制指令进行充放能。
13.一种计算机可读存储介质，其特征在于，存储有至少一程序，所述至少一程序在被调用时执行并实现如权利要求6至10中任一项所述的储能策略数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911124769.3A CN110956370B (zh) | 2019-11-15 | 2019-11-15 | 储能策略数据处理系统、方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911124769.3A CN110956370B (zh) | 2019-11-15 | 2019-11-15 | 储能策略数据处理系统、方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110956370A CN110956370A (zh) | 2020-04-03 |
| CN110956370B true CN110956370B (zh) | 2023-05-23 |
Family
ID=69977674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911124769.3A Active CN110956370B (zh) | 2019-11-15 | 2019-11-15 | 储能策略数据处理系统、方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956370B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408837B (zh) * | 2020-03-16 | 2023-09-26 | 图灵人工智能研究院（南京）有限公司 | 用能控制策略生成方法、系统、装置、发配能系统及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288116A (zh) * | 2018-04-19 | 2018-07-17 | 清华大学 | 储电预测方法、系统及计算机设备、存储介质 |
| CN108321826A (zh) * | 2018-04-10 | 2018-07-24 | 阳光电源股份有限公司 | 储能系统容量配置方法、装置以及系统 |
| CN110120667A (zh) * | 2019-05-07 | 2019-08-13 | 华北电力大学（保定） | 用于降低能源代价的可再生能源与传统能源的分配方法 |
-
2019
- 2019-11-15 CN CN201911124769.3A patent/CN110956370B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108321826A (zh) * | 2018-04-10 | 2018-07-24 | 阳光电源股份有限公司 | 储能系统容量配置方法、装置以及系统 |
| CN108288116A (zh) * | 2018-04-19 | 2018-07-17 | 清华大学 | 储电预测方法、系统及计算机设备、存储介质 |
| CN110120667A (zh) * | 2019-05-07 | 2019-08-13 | 华北电力大学（保定） | 用于降低能源代价的可再生能源与传统能源的分配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110956370A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jia et al. | Dynamic pricing and distributed energy management for demand response | |
| Wang et al. | Power demand and supply management in microgrids with uncertainties of renewable energies | |
| Li et al. | Integrated power management of data centers and electric vehicles for energy and regulation market participation | |
| CN109670675B (zh) | 充电桩运行状态评价方法及装置 | |
| US10776176B2 (en) | Service control method and service control apparatus | |
| US20210081022A1 (en) | Data Center Total Resource Utilization Efficiency (TRUE) System And Method | |
| JP7161268B2 (ja) | 電力グリッド内の相互に依存する不確かな資源の組み合わされた影響の定量化 | |
| US11068820B2 (en) | Avoiding peak energy demand times by managing consumer energy consumption | |
| Huang et al. | Optimal power procurement and demand response with quality-of-usage guarantees | |
| US20150268686A1 (en) | Social networking reducing peak power consumption in smart grid | |
| US11293812B2 (en) | Adaptive filter bank for modeling a thermal system | |
| US9411611B2 (en) | Colocation and anticolocation in colocation data centers via elastic nets | |
| Latifi et al. | A robust scalable demand-side management based on diffusion-admm strategy for smart grid | |
| CN110956370B (zh) | 储能策略数据处理系统、方法、装置及介质 | |
| CN111047163B (zh) | 储能策略数据处理系统、方法、装置及介质 | |
| Li et al. | Coordinated state‐estimation method for air‐conditioning loads to provide primary frequency regulation service | |
| Anjos et al. | Operations research approaches for building demand response in a smart grid | |
| CN116933216B (zh) | 一种基于柔性负荷资源聚合特征分析的管理系统及方法 | |
| Ahmadzadeh et al. | Optimal real time pricing based on income maximization for smart grid | |
| CN111127082B (zh) | 用于供能系统的数据处理系统、方法及装置 | |
| CN111125637B (zh) | 储能装置的容量数据处理方法、系统及存储介质 | |
| CN111191967A (zh) | 供能数据处理方法、系统、供能控制装置、及存储介质 | |
| Basmadjian et al. | Hidden storage in data centers: Gaining flexibility through cooling systems | |
| CN113408837B (zh) | 用能控制策略生成方法、系统、装置、发配能系统及介质 | |
| Hong et al. | A block coordinate descent method of multipliers: Convergence analysis and applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231116 Address after: 210046 6th floor, building C21, Zidong International Creative Park, 2 Zidong Road, Maqun street, Qixia District, Nanjing City, Jiangsu Province Patentee after: TULING ARTIFICIAL INTELLIGENCE INSTITUTE (NANJING) Co.,Ltd. Patentee after: TSINGHUA University Address before: 210046 floor 8, building 5, No. 6, Qimin Road, Xianlin street, Qixia District, Nanjing, Jiangsu Province Patentee before: TULING ARTIFICIAL INTELLIGENCE INSTITUTE (NANJING) Co.,Ltd. |
|
| TR01 | Transfer of patent right |