储能策略数据处理系统、方法、装置及介质
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,用于将历史时隙集合的已有用能价格数据作为训练数据来训练概率分布估计模型以确定待估计的价格概率分布的概率分布参数,而通过所述概率分布估计模型估计服从所述概率分布参数的价格概率分布;其中,所述概率分布估计模型包括:至少一个子模型,所述概率分布参数包括:所述至少一个子模型的子模型分布参数;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各时隙的策略阈值,以得到未来时间段从能源系统获取能量的购能策略;其中,所述购能策略包括:在未来时间段中每个时隙的购能或不购能决定;每个时隙的策略阈值及用能价格的比较结果用于确定在该时隙的购能决定或不购能决定;该时隙的购能边际成本通过该用能价格表示;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。
在本申请的第一方面的某些实施方式中,所述子模型为高斯分布模型。
在本申请的第一方面的某些实施方式中,每个所述子模型的子模型分布参数根据期望最大化方法确定。
在本申请的第一方面的某些实施方式中,每个所述子模型的组件数量通过在该期望最大化方法中对应应用最小贝叶斯信息准则来确定。
在本申请的第一方面的某些实施方式中,所述训练数据是随历史时隙集合的变化而更新的,以令所述概率分布参数及购能策略得到更新。
在本申请的第一方面的某些实施方式中,所述时隙是周期性的;所述子模型有多个,每个子模型对应于一或多个周期性时隙,并受到在时间特征信息上、或时间特征信息和价格特征信息上匹配的训练数据的训练,以形成对时间特征信息匹配的未来周期性时隙的各价格概率分布、及由各所述价格概率分布所分别得到的策略阈值所确定的购能策略。
在本申请的第一方面的某些实施方式中,所述在时间特征信息上匹配的训练数据,指的是:在不同周期性时段中具有相同时间特征信息的周期性时隙的训练数据;其中,每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
在本申请的第一方面的某些实施方式中,所述在时间特征信息和价格特征信息上匹配的训练数据,指的是:在一或多个周期性时段的训练数据中由价格类型相同条件所归类的各个周期性时隙集合所分别划分的各部分训练数据;其中,相同价格类型的周期性时隙所对应的子模型相同,并由对应的部分训练数据所训练;每个周期性时隙所属于的价格类型是根据其在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的;其中,所述用能价格集是在所述一或多个周期性时段中与每个周期性时隙间时间特征信息匹配的各周期性时隙的用能价格的集合;每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
在本申请的第一方面的某些实施方式中,所述预设价格阈值是由一或多个所述周期性时段中预定比例的周期性时隙的训练数据的均值确定的。
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:将历史时隙集合的已有用能价格数据作为训练数据来训练概率分布估计模型以确定待估计的价格概率分布的概率分布参数,而通过所述概率分布估计模型估计服从所述概率分布参数的价格概率分布;其中,所述概率分布估计模型包括:至少一个子模型,所述概率分布参数包括:所述至少一个子模型的子模型分布参数;根据所述价格概率分布计算未来时间段内各时隙的策略阈值,以得到未来时间段从能源系统获取能量的购能策略;其中,所述购能策略包括:在未来时间段中每个时隙的购能或不购能决定;每个时隙的策略阈值及用能价格的比较结果用于确定在该时隙的购能决定或不购能决定;该时隙的购能边际成本通过该用能价格表示;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。
在本申请的第二方面的某些实施方式中,所述子模型为高斯分布模型。
在本申请的第二方面的某些实施方式中,每个所述子模型的子模型分布参数根据期望最大化方法确定。
在本申请的第二方面的某些实施方式中,每个所述子模型的组件数量通过在该期望最大化方法中对应应用最小贝叶斯信息准则来确定。
在本申请的第二方面的某些实施方式中,所述训练数据是随历史时隙集合的变化而更新的,以令所述概率分布参数及购能策略得到更新。
在本申请的第二方面的某些实施方式中,所述时隙是周期性的;所述子模型有多个,每个子模型对应于一或多个周期性时隙,并受到在时间特征信息上、或时间特征信息和价格特征信息上匹配的训练数据的训练,以形成对时间特征信息匹配的未来周期性时隙的各价格概率分布、及由各所述价格概率分布所分别得到的策略阈值所确定的购能策略。
在本申请的第二方面的某些实施方式中,所述在时间特征信息上匹配的训练数据,指的是:在不同周期性时段中具有相同时间特征信息的周期性时隙的训练数据;其中,每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
在本申请的第二方面的某些实施方式中,所述在时间特征信息和价格特征信息上匹配的训练数据,指的是:在一或多个周期性时段的训练数据中由价格类型相同条件所归类的各个周期性时隙集合所分别划分的各部分训练数据;其中,相同价格类型的周期性时隙所对应的子模型相同,并由对应的部分训练数据所训练;每个周期性时隙所属于的价格类型是根据其在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的;其中,所述用能价格集是在所述一或多个周期性时段中与每个周期性时隙间时间特征信息匹配的各周期性时隙的用能价格的集合;每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
在本申请的第二方面的某些实施方式中,所述预设价格阈值是由一或多个所述周期性时段中预定比例的周期性时隙的训练数据的均值确定的。
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,本申请的第四方面提供一种储能装置,集成或连接于如第四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,本申请的第五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;能量设施包括用能装置及储能装置,储能装置耦合于用能装置以提供能量,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;根据价格概率分布计算未来时间段内各时隙的策略阈值,以得到关于未来时间段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;其中,概率分布估计模型包括至少一个子模型;通过子模型来得到更精准近似现实的价格概率分布以提升购能策略的准确性。
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时间切片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高斯混合模型的高斯分布数量确定的原理示意图。
图5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6显示为本申请实施例中控制装置的电路结构示意图。
图7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8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,通过储能装置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装置的在线控制策略,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101、储能装置111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。
通过时间切片负载(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时间切片负载分解服务问题,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时间切片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,在时间切片负载分解技术在负载服务中这样的难度就更加突出。
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),例如(t0,t1),(t1,t2)等,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、或其它设定时长。
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D
Shift(t)之间的“中间矩形”
得到时间切片需求量
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时间切片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)
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时间切片负载分解服务问题。
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,根据未来实际发生的每个p(t)和θ(t)的比较结果对应t时隙作出购能决定或不购能决定,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来得到每个t的决定的策略,可以发现对于时间切片负载分解服务问题来讲,购能策略是优选的储能控制策略。
上述涉及基于单次时间切片负载分解服务求解得到的每个购能策略。以此类推,在一些实施例中,通用的负载服务问题(即用能装置从储能装置得到能量供应的问题)可以转化为多个单次时间切片负载分解服务问题的组合,那么可以证明,该多个单次时间切片负载分解服务问题的求解空间的集合即为该通用负载服务问题的求解空间,也即是说,该通用负载服务问题可以由一系列单次时间切片负载服务问题对应的购能策略的集合来解决。
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及策略生成模块302。
所述分布生成模块301,用于将历史时隙集合的已有用能价格数据作为训练数据来训练概率分布估计模型以确定待估计的价格概率分布的概率分布参数,而通过所述概率分布估计模型估计服从所述概率分布参数的价格概率分布。
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。其中,f(p)可以为用能价格的概率密度函数。
其中,所述概率分布估计模型包括:至少一个子模型,所述概率分布参数包括:所述至少一个子模型的子模型分布参数。
在一些实施例中,所述子模型可为高斯混合模型(Gaussian Mixed Model,GMM),指的是多个高斯分布的线性组合;通过高斯混合模型来估计价格概率分布,相比于采用固定单一的概率分布类型的函数例如半正态分布均匀分布(Uniform distribution)、半正态分布(half-normal distribution)、及对数正态分布(Log-normal distribution)来拟和价格概率分布而言,能得到更近似于真实价格情形的价格概率分布,而生成更精准的购能策略;但需说明的是,子模型为高斯混合模型仅为举例,而非对其限制,在其它实施例中可以通过其它概率估计模型来加以替代,例如隐马尔科夫链模型(HMM);当然,模型也可以采用半正态分布均匀分布(Uniform distribution)、半正态分布(half-normaldistribution)、及对数正态分布(Log-normal distribution)等,并通过例如极大似然估计法(MLE)来得到参数λ。
在一示例中,高斯混合模型表示为
其中,K表示组件(Component)即高斯分布的数量,N表示第k个高斯分布的概率密度函数,π
k表示第k个高斯分布的权重,p表示用能价格,而π
k、μ
k,σ
k则表示第k个组件的一组子模型分布参数(其中,μ
k,σ
k分别为平均数及标准差),而在一些概念上来讲,高斯分布的数量、及每个高斯分布的子模型分布参数组构成了一个子模型的概率分布参数,在概率分布估计模型只具有单个子模型的情况下,那么此子模型的子模型分布参数就作为概率分布估计模型的概率分布参数;在概率分布估计模型有多个子模型的情况下,那么该多个子模型的子模型分布参数的集合就作为概率分布估计模型的概率分布参数。
在一些实施方式中,高斯分布的数量即K可以是预设的,也可以是通过计算来确定的。在某些示例中,K可以通过例如贝叶斯信息准则(BIC)的方法来确定的;当然,在一些实施例中也可以通过赤池信息准则(AIC)的方法来确定。
对于模型而言,在对其训练时,若增加参数数量就会增加模型复杂度,会增大似然函数,但是也会导致过拟合现象,针对该问题,就需要例如AIC、或BIC方法来引入了与模型参数个数相关的惩罚项,从而限制得到合理的模型参数数量。
AIC定义为:AIC(K)=2K-2ln(L);
BIC定义为:BIC(K)=Kln(t)-2ln(L);
通过最小化AIC或BIC函数以计算得到优选的K;其中,相较于AIC方法,在模型数量t过大时,BIC方法能更有效防止模型精度过高造成的模型复杂度过高。
在一些实施例中,从实际角度考虑,在不同时间的用能价格可能是符合不同的价格概率分布的,则不同时间t的价格概率分布可表示为ft(p),进一步可根据式(7)、(8)得到:
该式(9)表达可以通过得到不同时间的不同价格概率分布来得到不同的策略阈值,从而形成更精准的购能策略。
为得到这些价格概率分布,在一些实施例中,可以通过单个子模型(例如GMM模型)根据更新的历史时隙集合所对应更新的训练数据来再训练,以更新其子模型分布参数;而在另外的一些实施例中,也可以设置对应不同时隙的各个子模型,由该多个子模型分别由对应时隙的训练数据进行训练,来分别预测未来相应时隙的价格概率分布,尤其是周期性时隙。
举例来说,对应t时隙设置一个GMM模型,并通过t时隙的训练数据加以训练而确定ft(p),对应t+n时隙设置一个GMM模型,并通过t+n时隙的训练数据加以训练而确定ft+n(p)。
在多个子模型分别对应于周期性时隙的情况下,概率分布估计模型的对数似然函数可以表示为:
其中,t表示子模型的数量;而在子模型的数量与时间产生关联时,若设计每个子模型对应的时间长度(例如某一或多个时隙),就可以得到对应数量的子模型。
举例来说,如果GMM模型有24个,每个对应于一天中的一小时,该式中的t可为例如24,i在[1,24]表示一天中的各个小时;当然,此仅为举例而非以此为限,t和i都可以为其它时长。
若假设有这样的t个模型,设t已知(例如24),定义BIC函数为:
BIC(t,K)=Kln(t)-2lnL(t,K);
图4显示为本申请一实施例中不同高斯分布数量实现的子模型模拟出价格概率分布与实际历史用能价格数据的概率分布的近似情形。
在该举例中可以发现,当k=3时可以得到与实际发生的历史用能价格数据(图中显示为直方图)的概率分布最为近似的价格概率分布,也就对应最小的BIC函数值,则可以确定在该实施例中k=3。
在一些实施例中,假设对于单个GMM来,可以通过期望最大化方法(EM)来估计该GMM的概率分布参数,以下举例进行说明。
首先,定义GMM的高斯分布的数量上限KM,设时间步长为t,该时间步长可以是一或多个时隙组成,而作为训练数据的已有用能价格数据设为p(i),i=1,...,t;设每个GMM的高斯分布的优选数量为k*,则令k*(t)=argminBIC(k,t),则k∈[1,KM]。
定义GMM模型的概率分布参数,包括:高斯分布数量k、及每个高斯分布的一组高斯混合参数:πk,μk,σk,其中,k=1,...,k*,并初始化这些概率分布参数。
重复迭代执行以下EM阶段的步骤直至πk,μk,σk收敛或L(t,k*)收敛:
E阶段,使用当前的概率分布参数,基于每个样本pi(即前段的训练数据p(i))计算各自的高斯响应值,即后验概率:
M阶段,定义
根据下式,通过γ(ζ
nk)和N
k来更新各组子模型分布参数为π’
k,μ’
k,σ’
k:
当达到上述收敛时,即能得到最终估计的GMM的概率分布参数,从而得到准确的f(p);同理,对于多个子模型的情况,在每个时间t可以得到各个ft(p)。
在一些实施例中,所述时隙t可以是一或多小时,或者一或多分钟等时间长度;分钟、小时、天等时间实际上都是周期性的,而且用能价格的分布也随周期性时隙而存在周期性的特点,例如某个区域每天的电价会较为精准地随时间推移而从低谷逐步升高至高峰再回到低谷。
从中可见,若利用历史时隙集合的已有用能价格数据作为训练数据来训练概率分布估计模型时,历史时隙集合中的各个时隙可能为周期性时隙,例如一小时、一天、或其它时长等;而多个周期性时隙中可以形成周期性时段,例如24小时构成的一天、7天构成的一周等。
假设具有相同时间特征信息的周期性时隙的用能价格分布是一致的,则可以通过每个子模型来预测与其所对应的周期性时间时间特征信息相同的周期性时隙的价格概率分布。
举例来说,对应每天的1:00~2:00设置一GMM模型,且通过所述GMM模型来预测其之后一或多天的1:00~2:00的f(p)分布。
如果将一周期性时隙t设为一小时,则周期性时段T设为一天,周期性时段表示为T=24t;或者,周期性时隙的时间长度可以变化,例如1分钟,而T为一小时,则T=60t。
需特别说明的是,上述实施例中的周期性时段、及周期性时隙时间长度均为举例,而非加以限制;在一些实施例中,所述周期性时隙和时隙的时间长度可以相同而归为一体,也可以通过所述时隙来替代周期性时隙,故非必须设置所述周期性时隙。
在一些实施例中,每个子模型可以对应于一周期性时隙。例如,每个子模型对应于一小时,那么对于以一天作为周期性时隙来讲,就存在24个GMM模型;在其它实施例中,每个子模型也可以对应于其它时长的周期性时隙,例如3小时等;可选的,多个子模型中的至少部分对应的时长不同,例如A子模型对应于1:00~3:00,B子模型对应于4:00~5:00等。
在设置和训练各子模型时,需要考虑如何设置子模型数量、及它们的子模型分布参数以使得产生的价格概率分布能精准反映每个周期性时隙的实际用能价格的分布用能价格的概率分布。
考虑到实际用能价格的概率分布可能会在周期性变化的用能价格分布的特点上表现较为突出;其中,如前所述,周期性特点表现在例如不同天之间可能相似的价格波动上;价格特点表现在例如可能每天用能价格会在某些时隙形成峰值(peak),而其它时隙为非峰值(off-peak)。
基于此原理,在一些实施例中,时隙可以是周期性的;对每个所述子模型进行训练时,可以采用与每个子模型在时间特征信息上、或时间特征信息和价格特征信息上匹配的训练数据对其训练,以形成对时间特征信息匹配的未来周期性时隙的价格概率分布。
具体来讲,在一实施例中,所述在时间特征信息上匹配的训练数据,指的是:在不同周期性时段中具有相同时间特征信息的周期性时隙的训练数据;其中,每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
其中,由于所述周期性时隙可以是一或多个小时、一或多分钟等,则所述周期性时段可以是一或多天,或一或多小时等;所述时间特征信息指的是对每个周期性时隙区别于其它周期性时隙的标识,例如一天中的24个小时,“1:00~2:00”可以作为该小时的时间特征信息;或者,一周中的七天,“周一”可以作为该日的时间特征信息;或者,一小时中,“X:00~X:01”可以作为第1分钟的标识。
相应的,当具有相同时间特征信息时即可认为在时间特征信息上匹配。例如,可以认为不同日的1:00~2:00属于具有相同的时间特征信息;不同周的“周一”具有相同的时间特征信息;不同小时的“X:00~X:01”具有相同的时间特征信息。
在此实施例中,对应具有相同的时间特征信息的各个周期性时隙设置一子模型,例如GMM,并使用具有相同时间特征信息的周期性时隙的训练数据对其进行训练。
举例来说,假设对应每天的每个小时设置一GMM,则存在24个GMM,设为GMM1~GMM24,在获得n天(n≥1)的训练数据时,将该n天的0:00~1:00周期性时隙的用能价格的已有用能价格数据来对应训练GMM1,以确定其概率分布参数,而确定价格概率分布f0:00~1:00(p);同理,可以得到f1:00~2:00(p),...,f23:00~24:00(p)等,从而得到相应周期性时隙的购能策略。
在另一实施例中,所述在时间特征信息和价格特征信息上匹配的训练数据,指的是:在一或多个周期性时段的训练数据中由价格类型相同条件所归类的各个周期性时隙集合所分别划分的各部分训练数据;其中,相同价格类型的周期性时隙所对应的子模型相同,并由对应的部分训练数据所训练;每个周期性时隙所属于的价格类型是根据其在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的;其中,所述用能价格集是在所述一或多个周期性时段中与每个周期性时隙间时间特征信息匹配的各周期性时隙的用能价格的集合;每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
在一示例中,所述价格类型可以设为两种,价格较高类型和价格较低类型,相应的可对应设置一预设价格阈值,通过得到大于或小于该预设价格阈值的结果,以甄别训练数据所对应的各周期性时段中的具有相同时间特征信息的每种周期性时隙的价格类型,而与该预设价格阈值的比较对象则为在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的。
举例来说,设所述周期性时段为一天,所述周期性时隙为一天中的每个小时;若获得T天的训练数据,则共有24*T个周期性时隙;其中,由于每个小时在T天都有重复,即具有相同时间特征信息,例如第1天的0:00~1:00~第T天的0:00~1:00,则共有24种周期性时隙,则T天的训练数据可以对应一天的24小时分成24组用能价格集,每组有T个用能价格;设一个预设价格阈值u,遍历各周期性时隙i(i∈[1,24])所对应用能价格集中的每个用能价格1~T,若每组用能价格集中出现有用能价格大于u、或每组用能价格集中用能价格的均值大于u,则将对应的周期性时隙i归于价格较高类型;反之,则归于价格较低类型;从而最终确定价格较高类型的第一周期性时隙集合P,以及价格较低类型的第二周期性时隙集合O,并将T天的训练数据划分为对应P的第一部分训练数据及对应O的第二部分训练数据。
第一部分训练数据用于训练O中的各个周期性时隙的各个子模型(如GMM),而第一部分训练数据用于训练O中的各个周期性时隙的各个子模型(如GMM);其中,O所对应的各GMM可以具有相同的子模型分布参数,P所对应的各GMM可以具有相同的子模型分布参数,则可见在此实施例中仅需要两个GMM即可,一个对应P并由第一部分训练数据所训练而确定P中的各周期性时隙的用能价格所依循的fp(p),另一个对应O并由第二部分训练数据所训练而确定O中的各周期性时隙的用能价格所依循的fo(p)。
举例来说,将0:00~1:00,...23:00~24:00简称为第1小时~第24小时,假设第12小时和第13小时属于价格较高类型而归入P,其它小时归入O;则GMM1由P对应的第12、13小时的部分训练数据(2组,对应T天的每组T个数据)所训练而确定fp(p),GMM2由O对应的第1~11,14~24小时的部分训练数据(22组,每组T个数据)所训练而确定fo(p);fp(p)即为预测未来每天中第12~13小时对应的价格概率分布,而fo(p)即为预测未来每天中第1~11,14~24小时对应的价格概率分布。
在可能的实现方式中,所述预设价格阈值是由一或多个所述周期性时段中预定比例的周期性时隙的训练数据的均值确定的。
所述预定比例例如100%,举例来说,对于T天的训练数据,则该预设价格阈值可以设置为
即T天的每天24个小时的用能价格之和的均值;当然,此均值仅为举例,在其它实施例中可以加以变化;例如改变此预定比例,而选取出现最大的前若干个用能价格的周期性时段,以它们的各用能价格的均值来作为所述预设价格阈值等,而非以本实施例为限。
需特别说明的是,虽然上述举例中是使用单个预设价格阈值来甄别两种价格类型,但是在其它实施例中,也可以通过设置更多预设价格阈值来甄别更多类型,而子模型的数量也会相应增加;例如,设置两个预设价格阈值a,b,a大于b,判定存在用能价格大于a的的周期性时隙属于价格较高类型,用能价格都在a和b之间的周期性时隙属于价格中等类型,而存在用能价格小于b的周期性时隙属于价格较低类型,而子模型可以有三种子模型分布参数,一一对应于三种价格类型;当然,此价格类型的区分也只是举例,而非加以限制。
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各时隙的策略阈值,以得到未来时间段从能源系统获取能量的购能策略。
其中,所述购能策略包括:在未来时间段中每个时隙的购能或不购能决定。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实际发生的用能价格p(t)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,而供分别确定每个时隙的购能或不购能决定,形成购能策略;前文已对其计算原理进行了具体的描述。
在一些实施例中,若概率分布估计模型包含单个子模型,例如单个GMM模型,则根据其计算得到的f(p),估计当前时隙t的未来时间段[t+1,T]的各个策略阈值,并通过与各个时隙的实际用能价格比较而生成相应的购能策略。
在一些实施例中,若概率分布估计模型包含多个子模型,则可根据前文中举例的子模型的实现方式得到相应的ft(p),以下结合前文内容进行说明。
在一些实施例中,对每个所述子模型进行训练时,可以采用与每个子模型在时间特征信息上、或时间特征信息和价格特征信息上匹配的训练数据对其训练,以形成对时间特征信息匹配的未来周期性时隙的价格概率分布。
因此,在一示例中,可以令每个子模型受到与其对应的周期性时隙的时间特征信息匹配的训练数据的训练,以估计每个具有相同时间特征信息的周期性时段的价格概率分布。
其中,所述在时间特征信息上匹配的训练数据,指的是:在不同周期性时段中具有相同时间特征信息的周期性时隙的训练数据;其中,每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
其中,由于所述周期性时隙可以是一或多个小时、一或多分钟等,则所述周期性时段可以是一或多天,或一或多小时等;所述时间特征信息指的是对每个周期性时隙区别于其它周期性时隙的标识,例如一天中的24个小时,“1:00~2:00”可以作为该小时的时间特征信息;或者,一周中的七天,“周一”可以作为该日的时间特征信息;或者,一小时中,“X:00~X:01”可以作为第1分钟的标识。
相应的,当具有相同时间特征信息时即可认为在时间特征信息上匹配。例如,可以认为不同日的1:00~2:00属于具有相同的时间特征信息;不同周的“周一”具有相同的时间特征信息;不同小时的“X:00~X:01”具有相同的时间特征信息。
在此实施例中,对应具有相同的时间特征信息的各个周期性时隙设置一子模型,例如GMM,并使用具有相同时间特征信息的周期性时隙的训练数据对其进行训练。
举例来说,假设对应每天的每个小时设置一GMM,则存在24个GMM,设为GMM1~GMM24,在获得n天(n≥1)的训练数据时,将该n天的0:00~1:00周期性时隙的用能价格的已有用能价格数据来对应训练GMM1,以确定其概率分布参数,而确定价格概率分布f0:00~1:00(p);同理,可以得到f1:00~2:00(p),...,f23:00~24:00(p)等,由此,可以由f0:00~1:00(p),...,f23:00~24:00(p)分别估计未某日中相应小时的θ(t)’s,即包含从对应f0:00~1:00(p)估计的θ(0:00~1:00),...,至对应f23:00~24:00(p)估计的θ(23:00~24:00),即θ(0:00~1:00)~θ(23:00~24:00),分别与该日的用能价格p(0:00~1:00)~p(23:00~24:00)对比得到购能决定或不购能决定,而生成该日的购能策略,以此类推,则可以得到多日的购能策略,一周或多周的购能策略。由于各个ft(P)能精准反映每个周期性时隙的实际用能价格的分布,则所得到的θ(t)’s也更精准,以使得生成的购能策略更加精准。
为简化描述,将此实施例中的方案称为DETAP,P表示该方案中倾向于考虑用能价格的周期性特点。
或者,在另一些实施例中,也可以令每个子模型受到在时间特征信息和价格特征信息匹配的训练数据的训练,以估计每个具有相同时间特征信息的周期性时段的价格概率分布。
其中,所述在时间特征信息和价格特征信息上匹配的训练数据,指的是:在一或多个周期性时段的训练数据中由价格类型相同条件所归类的各个周期性时隙集合所分别划分的各部分训练数据;其中,相同价格类型的周期性时隙所对应的子模型相同,并由对应的部分训练数据所训练;每个周期性时隙所属于的价格类型是根据其在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的;其中,所述用能价格集是在所述一或多个周期性时段中与每个周期性时隙间时间特征信息匹配的各周期性时隙的用能价格的集合;每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
在一示例中,所述价格类型可以设为两种,价格较高类型和价格较低类型,相应的可对应设置一预设价格阈值,通过得到大于或小于该预设价格阈值的结果,以甄别训练数据所对应的各周期性时段中的具有相同时间特征信息的每种周期性时隙的价格类型,而与该预设价格阈值的比较对象则为在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的。
举例来说,设所述周期性时段为一天,所述周期性时隙为一天中的每个小时;若获得T天的训练数据,则共有24*T个周期性时隙;其中,由于每个小时在T天都有重复,即具有相同时间特征信息,例如第1天的0:00~1:00~第T天的0:00~1:00,则共有24种周期性时隙,则T天的训练数据可以对应一天的24小时分成24组用能价格集,每组有T个用能价格;设一个预设价格阈值u,遍历各周期性时隙i(i∈[1,24])所对应用能价格集中的每个用能价格1~T,若每组用能价格集中出现有用能价格大于u、或每组用能价格集中用能价格的均值大于u,则将对应的周期性时隙i归于价格较高类型;反之,则归于价格较低类型;从而最终确定价格较高类型的第一周期性时隙集合P,以及价格较低类型的第二周期性时隙集合O,并将T天的训练数据划分为对应P的第一部分训练数据及对应O的第二部分训练数据。
第一部分训练数据用于训练O中的各个周期性时隙的各个子模型(如GMM),而第一部分训练数据用于训练O中的各个周期性时隙的各个子模型(如GMM);其中,O所对应的各GMM可以具有相同的子模型分布参数,P所对应的各GMM可以具有相同的子模型分布参数,则可见在此实施例中仅需要两个GMM即可,一个对应P并由第一部分训练数据所训练而确定P中的各周期性时隙的用能价格所依循的fp(p),另一个对应O并由第二部分训练数据所训练而确定O中的各周期性时隙的用能价格所依循的fo(p)。
举例来说,将0:00~1:00,...23:00~24:00简称为第1小时~第24小时,假设第12小时和第13小时属于价格较高类型而归入P,其它小时归入O;则GMM1由P对应的第12、13小时的部分训练数据(2组,对应T天的每组T个数据)所训练而确定fp(p),GMM2由O对应的第1~11,14~24小时的部分训练数据(22组,每组T个数据)所训练而确定fo(p);fp(p)即为预测未来每天中第12~13小时对应的价格概率分布,而fo(p)即为预测未来每天中第1~11,14~24小时对应的价格概率分布,从而可估计未来某天的第12、13小时的用能价格符合fp(p),第1~11,14~24小时的用能价格符合fo(p),从而分别估计得到对应fp(p)的θ(11:00~12:00)及θ(12:00~13:00),以及对应fo(p)的θ(0:00~1:00)~θ(10:00~11:00)和θ(13:00~14:00)~θ(23:00~24:00),并根据相应的实际用能价格生成该日的购能决策;以此类推,则可以得到多日的购能策略,一周或多周的购能策略。
为简化描述,将此实施例中的方案称为DETAI,I表示该方案中认为符合某些用能价格条件的周期性时隙所对应价格概率分布的相同假设(Identical assumption)。
在一些实施例中,随时间推移,所述历史时隙集合中可以加入已发生的时隙,从而利用已经发生时隙对应的实际用能价格数据更新已有用能价格数据即训练数据,并通过更新的训练数据再训练概率分布估计模型,而得到更新的价格概率分布。
可选的,所述更新的频率可以是每隔一或多个周期性时隙一次;举例来说,对于DETAP的方案而言,可以例如每隔一个或多个小时、一天或几天(优选为多天)来利用积累的用能价格数据来训练更新对应子模型(如GMM)的参数,例如当前已过去的一小时为5:00~6:00,则将该时隙对应的用能价格更新训练数据,并再训练5:00~6:00对应的子模型,而得到更新的价格概率分布、策略阈值及购能策略。
或者,对于DETAI的方案而言,可以例如每隔一或多天(优选为多天)而利用积累的用能价格数据更新训练数据,并重新确定预设价格阈值u,而通过更新的训练数据对各周期性时段再次进行所属价格类型判断,而再根据对应不同价格类型的周期性时段集合的各部分训练数据分别训练相应的子模型,而得到更新的各价格概率分布,并进而确定相应更新的各策略阈值,再据以得到更新的购能策略。
如图5所示,展示本申请实施例中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实现的控制装置,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。
所述储能策略数据处理方法包括:
步骤S501:将历史时隙集合的已有用能价格数据作为训练数据来训练概率分布估计模型以确定待估计的价格概率分布的概率分布参数,而通过所述概率分布估计模型估计服从所述概率分布参数的价格概率分布。
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。其中,f(p)可以为用能价格的概率密度函数。
其中,所述概率分布估计模型包括:至少一个子模型,所述概率分布参数包括:所述至少一个子模型的子模型分布参数。
在一些实施例中,所述子模型可为高斯混合模型(Gaussian Mixed Model,GMM),指的是多个高斯分布的线性组合;通过高斯混合模型来估计价格概率分布,相比于采用固定单一的概率分布类型的函数例如半正态分布均匀分布(Uniform distribution)、半正态分布(half-normal distribution)、及对数正态分布(Log-normal distribution)来拟和价格概率分布而言,能得到更近似于真实价格情形的价格概率分布,而生成更精准的购能策略;但需说明的是,子模型为高斯混合模型仅为举例,而非对其限制,在其它实施例中可以通过其它概率估计模型来加以替代,例如隐马尔科夫链模型(HMM);当然,模型也可以采用半正态分布均匀分布(Uniform distribution)、半正态分布(half-normaldistribution)、及对数正态分布(Log-normal distribution)等,并通过例如极大似然估计法(MLE)来得到参数λ。
在一示例中,高斯混合模型表示为
其中,K表示组件(Component)即高斯分布的数量,N表示第k个高斯分布的概率密度函数,π
k表示第k个高斯分布的权重,p表示用能价格,而π
k、μ
k,σ
k则表示第k个组件的一组子模型分布参数(其中,μ
k,σ
k分别为平均数及标准差),而在一些概念上来讲,高斯分布的数量、及每个高斯分布的子模型分布参数组构成了一个子模型的概率分布参数,在概率分布估计模型只具有单个子模型的情况下,那么此子模型的子模型分布参数就作为概率分布估计模型的概率分布参数;在概率分布估计模型有多个子模型的情况下,那么该多个子模型的子模型分布参数的集合就作为概率分布估计模型的概率分布参数。
在一些实施方式中,高斯分布的数量即K可以是预设的,也可以是通过计算来确定的。在某些示例中,K可以通过例如贝叶斯信息准则(BIC)的方法来确定的;当然,在一些实施例中也可以通过赤池信息准则(AIC)的方法来确定。
对于模型而言,在对其训练时,若增加参数数量就会增加模型复杂度,会增大似然函数,但是也会导致过拟合现象,针对该问题,就需要例如AIC、或BIC方法来引入了与模型参数个数相关的惩罚项,从而限制得到合理的模型参数数量。
AIC定义为:AIC(K)=2K-2ln(L);
BIC定义为:BIC(K)=Kln(t)-2ln(L);
通过最小化AIC或BIC函数以计算得到优选的K;其中,相较于AIC方法,在模型数量t过大时,BIC方法能更有效防止模型精度过高造成的模型复杂度过高。
在一些实施例中,从实际角度考虑,在不同时间的用能价格可能是符合不同的价格概率分布的,则不同时间t的价格概率分布可表示为ft(p),进一步可根据式(7)、(8)得到:
该式(9)表达可以通过得到不同时间的不同价格概率分布来得到不同的策略阈值,从而形成更精准的购能策略。
为得到这些价格概率分布,在一些实施例中,可以通过单个子模型(例如GMM模型)根据更新的历史时隙集合所对应更新的训练数据来再训练,以更新其子模型分布参数;而在另外的一些实施例中,也可以设置对应不同时隙的各个子模型,由该多个子模型分别由对应时隙的训练数据进行训练,来分别预测未来相应时隙的价格概率分布,尤其是周期性时隙。
举例来说,对应t时隙设置一个GMM模型,并通过t时隙的训练数据加以训练而确定ft(p),对应t+n时隙设置一个GMM模型,并通过t+n时隙的训练数据加以训练而确定ft+n(p)。
在多个子模型分别对应于周期性时隙的情况下,概率分布估计模型的对数似然函数可以表示为:
其中,t表示子模型的数量;而在子模型的数量与时间产生关联时,若设计每个子模型对应的时间长度(例如某一或多个时隙),就可以得到对应数量的子模型。
举例来说,如果GMM模型有24个,每个对应于一天中的一小时,该式中的t可为例如24,i在[1,24]表示一天中的各个小时;当然,此仅为举例而非以此为限,t和i都可以为其它时长。
若假设有这样的t个模型,设t已知(例如24),定义BIC函数为:
BIC(t,K)=Kln(t)-2lnL(t,K);
同前述图4举例,当k=3时可以得到与实际历史用能价格数据的概率分布最为近似的价格概率分布,也就对应最小的BIC函数值,则可以确定在该实施例中k=3。
在一些实施例中,假设对于单个GMM来,可以通过期望最大化方法(EM)来估计该GMM的概率分布参数,以下举例进行说明。
首先,定义GMM的高斯分布的数量上限KM,设时间步长为t,该时间步长可以是一或多个时隙组成,而作为训练数据的已有用能价格数据设为p(i),i=1,...,t;设每个GMM的高斯分布的优选数量为k*,则令k*(t)=argminBIC(k,t),则k∈[1,KM]。
定义GMM模型的概率分布参数,包括:高斯分布数量k、及每个高斯分布的一组高斯混合参数:πk,μk,σk,其中,k=1,...,k*,并初始化这些概率分布参数。
重复迭代执行以下EM阶段的步骤直至πk,μk,σk收敛或L(t,k*)收敛:
E阶段,使用当前的概率分布参数,基于每个样本pi(即前段的训练数据p(i))计算各自的高斯响应值,即后验概率:
M阶段,定义
根据下式,通过γ(ζ
nk)和N
k来更新各组子模型分布参数为π’
k,μ’
k,σ’
k:
当达到上述收敛时,即能得到最终估计的GMM的概率分布参数,从而得到准确的f(p);同理,对于多个子模型的情况,在每个时间t可以得到各个ft(p)。
在一些实施例中,所述时隙t可以是一或多小时,或者一或多分钟等时间长度;分钟、小时、天等时间实际上都是周期性的,而且用能价格的分布也随周期性时隙而存在周期性的特点,例如某个区域每天的电价会较为精准地随时间推移而从低谷逐步升高至高峰再回到低谷。
从中可见,若利用历史时隙集合的已有用能价格数据作为训练数据来训练概率分布估计模型时,历史时隙集合中的各个时隙可能为周期性时隙,例如一小时、一天、或其它时长等;而多个周期性时隙中可以形成周期性时段,例如24小时构成的一天、7天构成的一周等。
假设具有相同时间特征信息的周期性时隙的用能价格分布是一致的,则可以通过每个子模型来预测与其所对应的周期性时间时间特征信息相同的周期性时隙的价格概率分布。
举例来说,对应每天的1:00~2:00设置一GMM模型,且通过所述GMM模型来预测其之后一或多天的1:00~2:00的f(p)分布。
如果将一周期性时隙t设为一小时,则周期性时段T设为一天,周期性时段表示为T=24t;或者,周期性时隙的时间长度可以变化,例如1分钟,而T为一小时,则T=60t。
需特别说明的是,上述实施例中的周期性时段、及周期性时隙时间长度均为举例,而非加以限制;在一些实施例中,所述周期性时隙和时隙的时间长度可以相同而归为一体,也可以通过所述时隙来替代周期性时隙,故非必须设置所述周期性时隙。
在一些实施例中,每个子模型可以对应于一周期性时隙。例如,每个子模型对应于一小时,那么对于以一天作为周期性时隙来讲,就存在24个GMM模型;在其它实施例中,每个子模型也可以对应于其它时长的周期性时隙,例如3小时等;可选的,多个子模型中的至少部分对应的时长不同,例如A子模型对应于1:00~3:00,B子模型对应于4:00~5:00等。
在设置和训练各子模型时,需要考虑如何设置子模型数量、及它们的子模型分布参数以使得产生的价格概率分布能精准反映每个周期性时隙的实际用能价格的分布用能价格的概率分布。
考虑到实际用能价格的概率分布可能会在周期性的用能价格分布的特点上表现较为突出;其中,如前所述,周期性特点表现在例如不同天之间可能相似的价格波动上;价格特点表现在例如可能每天用能价格会在某些时隙形成峰值(peak),而其它时隙为非峰值(off-peak)。
基于此原理,在一些实施例中,对每个所述子模型进行训练时,可以采用与每个子模型在时间特征信息上、或时间特征信息和价格特征信息上匹配的训练数据对其训练,以形成对时间特征信息匹配的未来周期性时隙的价格概率分布。
具体来讲,在一实施例中,所述在时间特征信息上匹配的训练数据,指的是:在不同周期性时段中具有相同时间特征信息的周期性时隙的训练数据;其中,每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
其中,由于所述周期性时隙可以是一或多个小时、一或多分钟等,则所述周期性时段可以是一或多天,或一或多小时等;所述时间特征信息指的是对每个周期性时隙区别于其它周期性时隙的标识,例如一天中的24个小时,“1:00~2:00”可以作为该小时的时间特征信息;或者,一周中的七天,“周一”可以作为该日的时间特征信息;或者,一小时中,“X:00~X:01”可以作为第1分钟的标识。
相应的,当具有相同时间特征信息时即可认为在时间特征信息上匹配。例如,可以认为不同日的1:00~2:00属于具有相同的时间特征信息;不同周的“周一”具有相同的时间特征信息;不同小时的“X:00~X:01”具有相同的时间特征信息。
在此实施例中,对应具有相同的时间特征信息的各个周期性时隙设置一子模型,例如GMM,并使用具有相同时间特征信息的周期性时隙的训练数据对其进行训练。
举例来说,假设对应每天的每个小时设置一GMM,则存在24个GMM,设为GMM1~GMM24,在获得n天(n≥1)的训练数据时,将该n天的0:00~1:00周期性时隙的用能价格的已有用能价格数据来对应训练GMM1,以确定其概率分布参数,而确定价格概率分布f0:00~1:00(p);同理,可以得到f1:00~2:00(p),...,f23:00~24:00(p)等,从而得到相应周期性时隙的购能策略。
在另一实施例中,所述在时间特征信息和价格特征信息上匹配的训练数据,指的是:在一或多个周期性时段的训练数据中由价格类型相同条件所归类的各个周期性时隙集合所分别划分的各部分训练数据;其中,相同价格类型的周期性时隙所对应的子模型相同,并由对应的部分训练数据所训练;每个周期性时隙所属于的价格类型是根据其在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的;其中,所述用能价格集是在所述一或多个周期性时段中与每个周期性时隙间时间特征信息匹配的各周期性时隙的用能价格的集合;每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
在一示例中,所述价格类型可以设为两种,价格较高类型和价格较低类型,相应的可对应设置一预设价格阈值,通过得到大于或小于该预设价格阈值的结果,以甄别训练数据所对应的各周期性时段中的具有相同时间特征信息的每种周期性时隙的价格类型,而与该预设价格阈值的比较对象则为在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的。
举例来说,设所述周期性时段为一天,所述周期性时隙为一天中的每个小时;若获得T天的训练数据,则共有24*T个周期性时隙;其中,由于每个小时在T天都有重复,即具有相同时间特征信息,例如第1天的0:00~1:00~第T天的0:00~1:00,则共有24种周期性时隙,则T天的训练数据可以对应一天的24小时分成24组用能价格集,每组有T个用能价格;设一个预设价格阈值u,遍历各周期性时隙i(i∈[1,24])所对应用能价格集中的每个用能价格1~T,若每组用能价格集中出现有用能价格大于u、或每组用能价格集中用能价格的均值大于u,则将对应的周期性时隙i归于价格较高类型;反之,则归于价格较低类型;从而最终确定价格较高类型的第一周期性时隙集合P,以及价格较低类型的第二周期性时隙集合O,并将T天的训练数据划分为对应P的第一部分训练数据及对应O的第二部分训练数据。
第一部分训练数据用于训练O中的各个周期性时隙的各个子模型(如GMM),而第一部分训练数据用于训练O中的各个周期性时隙的各个子模型(如GMM);其中,O所对应的各GMM可以具有相同的子模型分布参数,P所对应的各GMM可以具有相同的子模型分布参数,则可见在此实施例中仅需要两个GMM即可,一个对应P并由第一部分训练数据所训练而确定P中的各周期性时隙的用能价格所依循的fp(p),另一个对应O并由第二部分训练数据所训练而确定O中的各周期性时隙的用能价格所依循的fo(p)。
举例来说,将0:00~1:00,...23:00~24:00简称为第1小时~第24小时,假设第12小时和第13小时属于价格较高类型而归入P,其它小时归入O;则GMM1由P对应的第12、13小时的部分训练数据(2组,对应T天的每组T个数据)所训练而确定fp(p),GMM2由O对应的第1~11,14~24小时的部分训练数据(22组,每组T个数据)所训练而确定fo(p);fp(p)即为预测未来每天中第12~13小时对应的价格概率分布,而fo(p)即为预测未来每天中第1~11,14~24小时对应的价格概率分布。
在可能的实现方式中,所述预设价格阈值是由一或多个所述周期性时段中预定比例的周期性时隙的训练数据的均值确定的。
所述预定比例例如100%,举例来说,对于T天的训练数据,则该预设价格阈值可以设置为
即T天的每天24个小时的用能价格之和的均值;当然,此均值仅为举例,在其它实施例中可以加以变化;例如改变此预定比例,而选取出现最大的前若干个用能价格的周期性时段,以它们的各用能价格的均值来作为所述预设价格阈值等,而非以本实施例为限。
需特别说明的是,虽然上述举例中是使用单个预设价格阈值来甄别两种价格类型,但是在其它实施例中,也可以通过设置更多预设价格阈值来甄别更多类型,而子模型的数量也会相应增加;例如,设置两个预设价格阈值a,b,a大于b,判定存在用能价格大于a的的周期性时隙属于价格较高类型,用能价格都在a和b之间的周期性时隙属于价格中等类型,而存在用能价格小于b的周期性时隙属于价格较低类型,而子模型可以有三种子模型分布参数,一一对应于三种价格类型;当然,此价格类型的区分也只是举例,而非加以限制。
步骤S502:根据所述价格概率分布计算未来时间段内各时隙的策略阈值,以得到未来时间段从能源系统获取能量的购能策略。
其中,其中,所述购能策略包括:在未来时间段中每个时隙的购能或不购能决定。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实际发生的用能价格p(t)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,而供分别确定每个时隙的购能或不购能决定,形成购能策略;前文已对其计算原理进行了具体的描述。
在一些实施例中,若概率分布估计模型包含单个子模型,例如单个GMM模型,则根据其计算得到的f(p),估计当前时隙t的未来时间段[t+1,T]的各个策略阈值,从中得到策略阈值最小的时隙,而生成相应的购能策略。
在一些实施例中,若概率分布估计模型包含多个子模型,则可根据前文中举例的子模型的实现方式得到相应的ft(p),以下结合前文内容进行说明。
在一些实施例中,对每个所述子模型进行训练时,可以采用与每个子模型在时间特征信息上、或时间特征信息和价格特征信息上匹配的训练数据对其训练,以形成对时间特征信息匹配的未来周期性时隙的价格概率分布。
因此,在一示例中,可以令每个子模型受到与其对应的周期性时隙的时间特征信息匹配的训练数据的训练,以估计每个具有相同时间特征信息的周期性时段的价格概率分布。
其中,所述在时间特征信息上匹配的训练数据,指的是:在不同周期性时段中具有相同时间特征信息的周期性时隙的训练数据;其中,每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
其中,由于所述周期性时隙可以是一或多个小时、一或多分钟等,则所述周期性时段可以是一或多天,或一或多小时等;所述时间特征信息指的是对每个周期性时隙区别于其它周期性时隙的标识,例如一天中的24个小时,“1:00~2:00”可以作为该小时的时间特征信息;或者,一周中的七天,“周一”可以作为该日的时间特征信息;或者,一小时中,“X:00~X:01”可以作为第1分钟的标识。
相应的,当具有相同时间特征信息时即可认为在时间特征信息上匹配。例如,可以认为不同日的1:00~2:00属于具有相同的时间特征信息;不同周的“周一”具有相同的时间特征信息;不同小时的“X:00~X:01”具有相同的时间特征信息。
在此实施例中,对应具有相同的时间特征信息的各个周期性时隙设置一子模型,例如GMM,并使用具有相同时间特征信息的周期性时隙的训练数据对其进行训练。
举例来说,假设对应每天的每个小时设置一GMM,则存在24个GMM,设为GMM1~GMM24,在获得n天(n≥1)的训练数据时,将该n天的0:00~1:00周期性时隙的用能价格的已有用能价格数据来对应训练GMM1,以确定其概率分布参数,而确定价格概率分布f0:00~1:00(p);同理,可以得到f1:00~2:00(p),...,f23:00~24:00(p)等,由此,可以由f0:00~1:00(p),...,f23:00~24:00(p)分别估计未某日中相应小时的θ(t)’s,即包含从对应f0:00~1:00(p)估计的θ(0:00~1:00),...,至对应f23:00~24:00(p)估计的θ(23:00~24:00),即θ(0:00~1:00)~θ(23:00~24:00),分别与该日的用能价格p(0:00~1:00)~p(23:00~24:00)对比得到购能决定或不购能决定,而生成该日的购能策略,以此类推,则可以得到多日的购能策略,一周或多周的购能策略,以此类推,则可以得到多日的购能策略,一周或多周的购能策略。由于各个ft(P)能精准反映每个周期性时隙的实际用能价格的分布,则所得到的θ(t)’s也更精准,以使得生成的购能策略更加精准。
为简化描述,将此实施例中的方案称为DETAP,P表示该方案中倾向于考虑用能价格的周期性特点。
或者,在另一些实施例中,也可以令每个子模型受到在时间特征信息和价格特征信息匹配的训练数据的训练,以估计每个具有相同时间特征信息的周期性时段的价格概率分布。
其中,所述在时间特征信息和价格特征信息上匹配的训练数据,指的是:在一或多个周期性时段的训练数据中由价格类型相同条件所归类的各个周期性时隙集合所分别划分的各部分训练数据;其中,相同价格类型的周期性时隙所对应的子模型相同,并由对应的部分训练数据所训练;每个周期性时隙所属于的价格类型是根据其在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的;其中,所述用能价格集是在所述一或多个周期性时段中与每个周期性时隙间时间特征信息匹配的各周期性时隙的用能价格的集合;每个所述周期性时段包括:一个或具有不同时间特征信息的多个周期性时隙。
在一示例中,所述价格类型可以设为两种,价格较高类型和价格较低类型,相应的可对应设置一预设价格阈值,通过得到大于或小于该预设价格阈值的结果,以甄别训练数据所对应的各周期性时段中的具有相同时间特征信息的每种周期性时隙的价格类型,而与该预设价格阈值的比较对象则为在所述一或多个周期性时段中对应的用能价格集中的各个用能价格或均值与一或多个预设价格阈值的比较结果确定的。
举例来说,设所述周期性时段为一天,所述周期性时隙为一天中的每个小时;若获得T天的训练数据,则共有24*T个周期性时隙;其中,由于每个小时在T天都有重复,即具有相同时间特征信息,例如第1天的0:00~1:00~第T天的0:00~1:00,则共有24种周期性时隙,则T天的训练数据可以对应一天的24小时分成24组用能价格集,每组有T个用能价格;设一个预设价格阈值u,遍历各周期性时隙i(i∈[1,24])所对应用能价格集中的每个用能价格1~T,若每组用能价格集中出现有用能价格大于u、或每组用能价格集中用能价格的均值大于u,则将对应的周期性时隙i归于价格较高类型;反之,则归于价格较低类型;从而最终确定价格较高类型的第一周期性时隙集合P,以及价格较低类型的第二周期性时隙集合O,并将T天的训练数据划分为对应P的第一部分训练数据及对应O的第二部分训练数据。
第一部分训练数据用于训练O中的各个周期性时隙的各个子模型(如GMM),而第一部分训练数据用于训练O中的各个周期性时隙的各个子模型(如GMM);其中,O所对应的各GMM可以具有相同的子模型分布参数,P所对应的各GMM可以具有相同的子模型分布参数,则可见在此实施例中仅需要两个GMM即可,一个对应P并由第一部分训练数据所训练而确定P中的各周期性时隙的用能价格所依循的fp(p),另一个对应O并由第二部分训练数据所训练而确定O中的各周期性时隙的用能价格所依循的fo(p)。
举例来说,将0:00~1:00,...23:00~24:00简称为第1小时~第24小时,假设第12小时和第13小时属于价格较高类型而归入P,其它小时归入O;则GMM1由P对应的第12、13小时的部分训练数据(2组,对应T天的每组T个数据)所训练而确定fp(p),GMM2由O对应的第1~11,14~24小时的部分训练数据(22组,每组T个数据)所训练而确定fo(p);fp(p)即为预测未来每天中第12~13小时对应的价格概率分布,而fo(p)即为预测未来每天中第1~11,14~24小时对应的价格概率分布,从而可估计未来某天的第12、13小时的用能价格符合fp(p),第1~11,14~24小时的用能价格符合fo(p),从而分别估计得到对应fp(p)的θ(11:00~12:00)及θ(12:00~13:00),以及对应fo(p)的θ(0:00~1:00)~θ(10:00~11:00)和θ(13:00~14:00)~θ(23:00~24:00),并根据相应的实际用能价格生成该日的购能决策;以此类推,则可以得到多日的购能策略,一周或多周的购能策略。
为简化描述,将此实施例中的方案称为DETAI,I表示该方案中认为符合某些用能价格条件的周期性时隙所对应价格概率分布的相同假设(Identical assumption)。
在一些实施例中,随时间推移,所述历史时隙集合中可以加入已发生的时隙,从而利用已经发生时隙对应的实际用能价格数据更新已有用能价格数据即训练数据,并通过更新的训练数据再训练概率分布估计模型,而得到更新的价格概率分布。
可选的,所述更新的频率可以是每隔一或多个周期性时隙一次;举例来说,对于DETAP的方案而言,可以例如每隔一个或多个小时、一天或几天(优选为多天)来利用积累的用能价格数据来训练更新对应子模型(如GMM)的参数,例如当前已过去的一小时为5:00~6:00,则将该时隙对应的用能价格更新训练数据,并再训练5:00~6:00对应的子模型,而得到更新的价格概率分布、策略阈值及购能策略。
或者,对于DETAI的方案而言,可以例如每隔一或多天(优选为多天)而利用积累的用能价格数据更新训练数据,并重新确定预设价格阈值u,而通过更新的训练数据对各周期性时段再次进行所属价格类型判断,而再根据对应不同价格类型的周期性时段集合的各部分训练数据分别训练相应的子模型,而得到更新的各价格概率分布,并进而确定相应更新的各策略阈值,再据以得到更新的购能策略。
如图6所示,展示本申请实施例中控制装置600的结构示意图。
如图所示,所述控制装置600可具有计算机系统,其包括一或多个存储器601、一个或多个处理器602、以及存储于所述一或多个存储器601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601中并被配置为由所述一个或多个处理器602执行,所述一个或多个处理器602运行所述程序以执行例如图5实施例中的储能策略数据处理方法,以获得购能策略。
在一些实施例中,所述存储器601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601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602可操作地与存储器601和/或非易失性存储设备耦接。更具体地,处理器602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602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602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600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600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7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700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8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800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7及图8中的控制装置700及800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7、或图8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功能模块(例如图3)及算法步骤(例如图5),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5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;能量设施包括用能装置及储能装置,储能装置耦合于用能装置以提供能量,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;根据价格概率分布计算未来时间段内各时隙的策略阈值,以得到关于未来时间段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;其中,概率分布估计模型包括至少一个子模型;通过子模型来得到更精准近似现实的价格概率分布以提升购能策略的准确性。
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。