CN112217195B - 一种基于gru多步预测技术的云储能充放电策略形成方法 - Google Patents

一种基于gru多步预测技术的云储能充放电策略形成方法 Download PDF

Info

Publication number
CN112217195B
CN112217195B CN202010800193.4A CN202010800193A CN112217195B CN 112217195 B CN112217195 B CN 112217195B CN 202010800193 A CN202010800193 A CN 202010800193A CN 112217195 B CN112217195 B CN 112217195B
Authority
CN
China
Prior art keywords
energy storage
cloud energy
user
cloud
charging
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
Application number
CN202010800193.4A
Other languages
English (en)
Other versions
CN112217195A (zh
Inventor
杨波
潘军
黄旭锐
朱以顺
张行
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202010800193.4A priority Critical patent/CN112217195B/zh
Publication of CN112217195A publication Critical patent/CN112217195A/zh
Application granted granted Critical
Publication of CN112217195B publication Critical patent/CN112217195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)

Abstract

本发明公开了一种基于GRU多步预测技术的云储能充放电策略形成方法。首先，鉴于云储能优化需求及单用户负荷预测效果不稳定，构建了用户聚类后的GRU多步预测方法预测一天的24点功率。然后分析了云储能模式下的用户和云储能提供商两主体的交互过程，以预测为基础建立了云储能充放电决策滚动优化模型。算例选取美国德州实际数据，在预测聚类用户光伏负荷功率后，滚动求解实际值和预测值下的云储能充放电策略。算例通过六种场景验证了在云储能充放电策略中聚类的作用以及GRU多步预测技术的优势，并且证明云储能模式能够进一步削弱光伏负荷预测误差的影响。

Description

一种基于GRU多步预测技术的云储能充放电策略形成方法
技术领域
本发明涉及储能充放电研究领域，一种基于GRU多步预测技术的云储能充放电策略形成 方法。
背景技术
随着泛在电力物联网的发展，电力系统通信和数据交互的能力越来越强，云平台的应用 也越来越广泛。在用户侧储能领域，有学者提出了云储能这一依托共享经济的储能商业模式, 并对云储能未来发展的新形态做出了展望。云储能是基于已建电网的共享储能技术，通过引 入云储能提供商这一主体，汇集大量中小型用户的储能资源，利用用户储能行为的互补性和 规模效应降低成本，用户根据自身需求购买云储能服务并支付服务费。云储能区别于传统的 储能模式，不再由用户自建储能，而是由云储能提供商投资建设实体储能和云平台，统一调 度和控制；云储能提供商的实体储能行为与反映给用户的云平台虚拟储能行为不一定一致， 只需即时性的满足用户的放电需求，不需要盲目响应用户的充电需求，可以选择适当的时段 对实体储能充电。目前有关云储能的研究中，有学者概述了采用共享模式进行用户侧储能配 置、调度和控制的过程；有学者针对云储能商业模式进行了案例分析，深化了云储能模式的 运营机制，设计了一种改进的共享储能拍卖机制，实现了拍卖价的制定和共享储能的合理分 配。
可以看出，云储能的相关研究正处于发展阶段。其中，云储能充放电策略的预测是研究 云储能配置、实际运行调度和控制的基础，研究适宜的预测方法和充放电策略模型具有必要 性。随着用户侧参与电力市场程度的加深，云储能模式更多的面向拥有分布式光伏的中小型 用户。云储能提供商作为实体储能调度的执行者，期望提前制定云储能充放电计划，而云储 能充放电策略与光伏出力、负荷大小有关，需要利用预测技术对光伏出力和负荷进行预测。
发明内容
本发明的目的是实现云储能合理的充放电，深入考虑电力市场的预测环境，提出一种基 于GRU(Gate Recurrent Unit)多步预测技术的云储能充放电策略形成方法。
本发明的目的是通过以下技术方案实现的，一种基于GRU多步预测技术的云储能充放电 策略形成方法，所述基于GRU多步预测技术的云储能充放电策略包括如下步骤：
(1)根据用户的历史负荷数据和历史光伏数据建立并训练基于GRU的负荷预测模型和 光伏出力预测模型。
(2)根据训练好的负荷预测模型和光伏出力预测模型预测用户在t时间段内的负荷和光 伏出力的数据。
(3)建立云储能用户的储能充放电行为。
(4)根据云储能用户的储能充放电行为建立云储能提供商的云储能充放电行为。
(5)优化步骤4建立的云储能提供商的云储能充放电行为形成云储能充放电策略。
进一步地，所述负荷预测模型建立步骤如下：
(a)根据每个用户日负荷序列计算平均负荷、峰时负载值、谷时负载值等描述用户日用 电量序列的静态特征以及日负荷增长率、日负荷峰谷值增长率等描述用户日用电量变化的动 态特征，并将各维度特征归一化处理。利用基于信息熵的特征赋权法以及k-means++初始化 聚类中心结合k-means算法实现用户负荷聚类分析，输出聚类结果。
(b)建立基于GRU的负荷预测模型，其中：GRU的更新门zt计算公式为式(1)，重置门rt计算公式为式(2)。式(3)中ht′为当前记忆内容，式(4)中ht为当前时间步的最终记 忆。
zt＝σ(W(z)xt+U(z)ht-1)       (1)
rt＝σ(W(r)xt+U(r)ht-1)       (2)
h′t＝tanh(Wxt+rt×Uht-1)       (3)
ht＝zt×ht-1+(1-zt)×h′t       (4)
式中：×为哈达马运算符；W(z)、W(r)分别为更新门和重置门输入量的权重矩阵；U(z)、U(r)分别为更新门和重置门上一时间步记忆内容的权重矩阵。
网络的损失函数是均方误差函数式(5)。
Figure BDA0002627090770000021
其中，yi表示功率真实值，yi′表示功率预测值，m代表需要预测的功率点数。
(c)将步骤a的聚类结果输入至负荷预测模型，采用Adam算法对网络模型进行优化。 训练过后使模型损失函数最小。
进一步地，所述光伏出力预测模型建立步骤如下：
(A)将用户的分布式光伏功率数据进行聚类，得到每类用户的光伏处理曲线。
(B)构建GRU网络模型作为光伏预测模型，其中，光伏预测模型的网络模型输出后还包括一 层线性整流的激活函数层，所述光伏预测模型的输入为历史光伏预测值以及天气数据(温度 和湿度)，损失函数为均方误差函数。
(C)历史光伏预测值以及天气数据归一化后输入至光伏预测模型中，采用Adam算法对网络 模型进行优化。训练过后使模型损失函数最小。
进一步地，所述步骤3具体为：
(3.1)根据采用分时电价建立云储能用户i在每一时段的储能充放电行为的数学模型如 下：
Figure BDA0002627090770000031
Figure BDA0002627090770000032
Figure BDA0002627090770000033
式中：
Figure BDA0002627090770000034
表示用户i的t时段光伏出力；
Figure BDA0002627090770000035
分别表示用户i在t时段所需求的充、 放电功率；
Figure BDA0002627090770000036
分别为t时段电网电价、低谷电价、高峰电价、平时电价；
Figure BDA0002627090770000037
Figure BDA0002627090770000038
分别表示用户i的云储能充、放电效率；
Figure BDA0002627090770000039
分别为云储能的储能剩余容量最高限 值和最低限值；
Figure BDA00026270907700000310
分别表示t-1、t时段结束时刻用户i的储能剩余容量；Δt表示时间 间隔。
Figure BDA00026270907700000311
表示用户i所需储能的功率配置，
Figure BDA00026270907700000312
表示用户i的t时段从电网购买功率， 
Figure BDA00026270907700000313
Figure BDA00026270907700000314
表示用户i的t时段的光伏过剩功率，
Figure BDA00026270907700000315
其中运算(x)+表示为：
Figure BDA00026270907700000316
(3.2)根据先消纳过剩光伏出力，不足部分再向电网购买的原则，则单一用户云储能充 电功率中的光伏过剩功率可表示为：
Figure BDA00026270907700000317
(3.3)各时段所有云储能用户光伏过剩功率总和
Figure BDA00026270907700000318
表示为：
Figure BDA00026270907700000319
(3.4)各时段所有云储能用户放电需求总和
Figure BDA00026270907700000320
为：
Figure BDA00026270907700000321
进一步地，所述步骤4中，云储能提供商需要在日前综合所有用户的充放电需求，在满 足用户需求的基础上，基于成本最小优化云储能充放电策略。调度过程中，用户在自己的云 端虚拟储能发出充放电需求后，云储能提供商只需及时响应用户的放电需求，不需要立刻操 作其储能装置充电，而是可以选择有利于自身利益的充电时段。
根据t时段用户放电需求以及光伏出力，建立云储能提供商的充放电策略数学模型。云储 能提供商的ES从电网购买的电功率总和表示为：
Figure BDA0002627090770000041
式中：
Figure BDA0002627090770000042
表示云储能提供商储能从电网购电的总功率；
Figure BDA0002627090770000043
分别表示云储能提供 商在t时段控制ES装置充电和放电的功率。
进一步地，所述步骤5中，采取滚动优化算法求解云储能充放电策略，具体为：
在第k次的滚动优化中，输入数据为该时段及后一天时段的光伏和负荷预测值；输出结果包 含两部分，第k次优化得到的k时段充放电策略，作为最终优化结果，和第k次优化得到的 一天内其余时段结果，仅起到辅助优化的作用。每一次优化后，选取输出的k时段充放电策 略结果作为下一时段滚动优化的初始值，以表征储能的连续充放电属性。
综合两主体储能行为，得到每次滚动优化的目标函数如下：
Figure BDA0002627090770000044
式中：
Figure BDA0002627090770000045
分别表示云储能提供商购买的储能功率和储能容量；α、β分别表示储 能单位功率购买成本和单位容量购买成本。
云储能模式依然需要满足储能的物理特性约束，即：储能各时段充、放电功率不能超出 最大功率限额，各时段所剩容量不能超出最大容量限额并且不能低于最小容量限额，每一时 段的容量与上一时段的容量、该时段的充放电之间存在递推关系。据此列出如下储能物理特 性约束条件。
Figure BDA0002627090770000046
Figure BDA0002627090770000047
Figure BDA0002627090770000048
式中：
Figure BDA0002627090770000049
分别表示云储能提供商在t时段云储能的充放电功率；ωmin、ωmax分别表 示储能最小允许荷电状态系数和最大允许荷电状态系数，
Figure BDA00026270907700000410
分别表示提供商云储能 的最小容量限制和最大容量限制，
Figure BDA0002627090770000051
分别表示t-1、t时段结束时刻云储能提供商云储 能剩余容量，δe表示云储能的自放电率，ηs e,C、ηs e,F分别表示用户i的云储能提供商的云储能 充、放电效率。
本发明的有益效果是：本发明鉴于云储能优化需求及单用户负荷预测效果不稳定，构建 了用户聚类后的GRU多步预测方法预测一天的24点功率。然后分析了云储能模式下的用户和 云储能提供商两主体的交互过程，以预测为基础建立了云储能充放电决策滚动优化模型。算 例选取美国德州实际数据，在预测聚类用户光伏负荷功率后，滚动求解实际值和预测值下的 云储能充放电策略。算例通过六种场景验证了在云储能充放电策略中聚类的作用以及GRU多 步预测技术的优势，并且证明云储能模式能够进一步削弱光伏负荷预测误差的影响。本发明 还能够在Matlab内调用CPLEX求解器进行求解，使用方便简单。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，
图1为本发明的流程图；
图2为本发明的GRU模型图；
图3为本发明的云储能模式运行过程图；
图4为本发明的云储能滚动优化原理图；
图5为本发明的不同聚类下的云储能放电策略图；
图6为本发明的不同聚类下的云储能充电策略图；
图7为本发明的不同预测方法下的云储能充电策略图。
具体实施方式
下面结合说明书附图对本发明作进一步的说明。
本发明提供了一种基于GRU多步预测技术的云储能充放电策略形成方法，包括如下步骤：
(1)根据用户的历史负荷数据和历史光伏数据建立并训练基于GRU的负荷预测模型和 光伏出力预测模型。
(2)根据训练好的负荷预测模型和光伏出力预测模型预测用户在t时间段内的负荷和光 伏出力的数据。
(3)建立云储能用户的储能充放电行为。
(4)根据云储能用户的储能充放电行为建立云储能提供商的云储能充放电行为。
(5)优化步骤4建立的云储能提供商的云储能充放电行为形成云储能充放电策略。
其具体流程如图1所示，下面从GRU技术的负荷预测、基于GRU技术的光伏预测、云储 能用户行为、云储能充放电策略四大板块进行说明：
负荷与光伏预测
本发明针对负荷与光伏预测提出的GRU多步预测技术是云储能充放电策略预测的基础。 由于在云储能模式下用户众多，因而一般云储能模式的实施对象是聚类后的用户。因此， 首先需要采用合适的聚类方法，然后再采用预测技术。由于本发明考虑的是地理位置相近 用户的云储能充放电策略，因此每个用户的光伏曲线特性是十分相似的，无法单独聚类。 因而本发明可采用前人研究较多的负荷聚类方法对用户负荷进行聚类以间接实现对充放电 需求曲线进行聚类。
为适应云储能用户数量多的特点，本节将首先采用K-means算法对用户负荷聚类，然 后采用GRU多步预测技术预测其光伏和负荷功率。
由于单一用户负荷数值小，即使用户用电存在一定的规律，预测结果也往往表现出不 确定性，导致难以针对单一用户进行负荷预测。在用户数量较多的情况下，若是对每个用 户进行预测分析会导致计算量较大且准确性也不高。若是考虑先对用户负荷根据峰值个数、 峰值高度以及峰谷值出现时间等特征进行聚类分析，再对聚类以后的用户负荷进行预测， 既能减少运算量，提升预测速度，也能够消除单用户负荷预测的不确定性，减小用户负荷 预测的误差。云储能模式需要的参与用户数量较大，因此本发明负荷聚类的用户类别数也 应较大。
光伏出力数据与当地天气状况有关，且同一天不同光伏组件功率出力曲线类似，然而 在云储能模式下，用户光伏和负荷数据必须要统一统计，因此需要依据负荷聚类的结果对 用户的光伏进行聚类。
负荷聚类与预测模型
用户负荷聚类方法
K-means算法作为一种基于距离划分的聚类方法，具有简单、收敛速度快、可扩展且效 率高的特点，在电网用户负荷聚类中应用广泛。针对每个用户日负荷序列计算平均负荷、峰 时负载值、谷时负载值等描述用户日用电量序列的静态特征以及日负荷增长率、日负荷峰谷 值增长率等描述用户日用电量变化的动态特征[26]，并将各维度特征归一化处理。利用基于信 息熵的特征赋权法以及k-means++初始化聚类中心结合k-means算法实现用户负荷聚类分析， 输出聚类结果。
负荷预测模型与方法
在负荷预测的人工智能方法中，常采用长短期记忆神经网络模型。它能够捕获长期依 赖关系，适用于时间序列数据的分析，但是它的内部结构相对复杂，训练和测试的时间较 长。考虑到需要预测的负荷数量较多，为方便计算、加快计算速度，可以采用与LSTM效果 类似的GRU预测模型。GRU由Cho等人于2014年首次提出，它在LSTM的基础上优化改进，减少了网络参数，加速收敛，适合于用户数量较多的预测场景。
LSTM和GRU都是标准循环神经网络的一种变式。循环神经网络最突出的特点就是具有 重复的单元结构。单元结构内的参数在训练完成后就固定不再变化。LSTM的单元结构内有 三个控制门单元，分别是输入门、遗忘门和输出门。相比于LSTM，GRU包含了重置门和更 新门，在计算量上比LSTM小了很多，但是模型性能效果差异不大。重置门本质上决定了过 去有多少信息需要遗忘，数值越小遗忘的信息越多。更新门相当于LSTM中的输入门和遗忘 门。更新门控制前一时刻的状态信息保留至当前状态的程度，数值越大保留下来的信息越 多。
GRU结构模型如图2所示。图中“+”代表加法运算，“×”代表矩阵的哈达马乘积，σ和tanh分别代表sigmoid和tanh激活函数，xt为输入量，rt为重置门，zt为更新门，ht′为当前记忆内容，ht为当前时间步的最终记忆。
GRU的更新门zt计算公式为式(1)，重置门rt计算公式为式(2)。式(3)中ht′为当前记 忆内容，式(4)中ht为当前时间步的最终记忆。
zt＝σ(W(z)xt+U(z)ht-1)       (1)
rt＝σ(W(r)xt+U(r)ht-1)       (2)
h′t＝tanh(Wxt+rt×Uht-1)       (3)
ht＝zt×ht-1+(1-zt)×h′t       (4)
式中：×为哈达马运算符；W(z)、W(r)分别为更新门和重置门输入量的权重矩阵；U(z)、U(r)分别为更新门和重置门上一时间步记忆内容的权重矩阵。
考虑到云储能需要一天内24个点的负荷预测数据。结合循环神经网络多步输出的特点， 依据多天历史数据的输入，输出预测日的24点负荷功率。
网络的损失函数是均方误差函数式(5)。
Figure BDA0002627090770000071
其中，yi表示功率真实值，yi′表示功率预测值，m代表需要预测的功率点数。本发明需 要预测24点功率，因而m取为24。
采用Adam算法对网络模型进行优化。Adam是一种可以替代传统随机梯度下降过程的一 阶优化算法。训练过后使模型在训练集上损失函数最小。
在模型超参数的调整上，首先采用及时停止策略即在连续十次训练后损失函数值变化小 于1％后便停止训练。针对超参数调整中最重要的学习率和批样本数量参数，首先依据网络调 参经验设定学习率在[0.001,0.01]之间，批样本数量在[1-512]之间。为进一步缩小随机搜索的 参数范围，通过固定学习率，试验得到合适的批样本数量区间。然后在合适的学习率和批样 本数量范围内，采用相比于网格搜索计算量相对小一些的随机搜索算法搜索得到超参数的最 优值。
光伏预测模型
将用户的分布式光伏功率数据进行聚类，得到每类用户的光伏处理曲线。光伏预测模 型与负荷预测模型类似，均采用GRU网络模型，损失函数与优化方法也相同。光伏预测模 型的不同点主要在于网络模型输出后需要再加一层激活函数和输入量的差异。
由于光伏组件在夜晚状况下，大量时间出力为零，因此需要在神经网络输出值后加上 一层线性整流的激活函数f(x)＝max(0,x)。该函数保证输出值能够归零，能够更有效的满 足光伏预测需求。
考虑到天气中的温度和湿度对光伏组件出力影响很大，其中前者主要影响光伏组件的 光电转换效率，后者主要影响太阳光辐射到组件表面的光照强度。因此光伏预测模型的输 入值主要有历史光伏预测值以及天气数据(温度和湿度)。除光伏出力需要进行数据的归一 化外，天气数据也需要进行归一化后再输入到模型中进行训练或者测试。
光伏预测模型的损失函数、优化方法、模型参数调优方法与负荷预测模型相同。
云储能充放电策略
上一节提出了GRU多步预测技术，本节将该技术应用于云储能充放电策略，云储能充 放电策略的形成离不开聚类用户储能行为、云储能提供商储能行为的建立，通过光伏和负 荷预测为两主体的行为提供数据支撑。本节首先分析云储能模式的运营过程，分别构建每 一个用户的储能行为模型，形成用户最优的充放电需求；云储能提供商汇总各用户的充放 电需求，进而建立云储能充放电策略的数学模型。云储能模式的运营过程如图3所示。
其中，云储能模式涉及用户和云储能提供商两个主体。用户含有电负荷
Figure BDA0002627090770000081
和自建光伏 Ppv，并向云储能提供商购买一定容量的云储能。云储能提供商投资建设集中式储能作为真正 满足用户充放电需求的实体储能设备，并搭建云平台与用户进行虚拟储能的交互。两主体间 的交互过程为：用户上报自身光伏和负荷的历史数据，由云储能提供商采用预测技术预测并 优化一天内所有用户的储能容量需求和充放电决策；云储能提供商汇总所有用户的储能充 放电策略，及时控制云平台的虚拟储能充放电，并优化自身实体储能的充放电策略，发送 控制指令给集中式储能。
不同于传统的储能充放电策略，云储能的充放电策略要深入考虑大量用户的储能行为， 需要根据分时电价、用户各时段光伏出力以及负荷数量来建立各用户理想的充放电需求， 云储能提供商负责收集各用户充放电需求，经优化后形成云储能的充放电策略。因此，制 定云储能充放电策略离不开对光伏出力和负荷的预测，从而形成用户充放电需求情况的预 测。GRU多步预测加速收敛、预测速度较快的优势适用于云储能用户数量多的特点，因此 本发明采用GRU模型预测光伏出力和负荷大小，该预测模型已于上节进行介绍。
云储能用户的储能行为策略
本发明研究的用户群体自建分布式光伏，一般情况用户不会考虑复杂的储能控制策略， 而是根据电价等因素设计满足供需平衡的经济性充放电策略。
云储能赋予了用户“即买即用”的福利，用户可提前规划购买的储能容量。用户购买的 云储能容量越大，充放电范围就越大，能够有效减小一天内的运营成本，但是相应的购买成 本更大。因此，每一个用户期望根据自身的负荷曲线、光伏出力等数据制定最优储能需求， 以实现经济成本的降低。
在此需要说明的是，本发明采用分时电价来分析，更符合我国实际电力市场情况。并且， 每一用户都有自身的期望充电临界价格和放电临界价格，本发明为分析方便，将充电临界价 格设定为低于平时电价的5％，放电临界价格设定为高于平时电价的5％。
分析充放电的经济性和各时段用电的供求关系，单一用户具体的充放电行为如下：当供 给用户i的光伏出力
Figure BDA0002627090770000091
大于负荷
Figure BDA0002627090770000092
或t时段电价为低谷电价时，为了不浪费过剩功率和低价 电能，控制ES充电；当光伏出力
Figure BDA0002627090770000093
小于电负荷
Figure BDA0002627090770000094
且t时段电价为高峰电价时，为了满足负 荷需求且避免用高价电，控制ES放电；当光伏出力
Figure BDA0002627090770000095
小于电负荷
Figure BDA0002627090770000096
且t时段电价为平时电 价情况下，电价高于用户充电临界电价但需要外部供电，因此ES既不充电也不放电，而是直 接从电网购电补足功率缺额。
根据上述分析，建立用户i的充放电行为模型。为方便表示，定义运算(x)+如下：
Figure BDA0002627090770000097
在没有使用储能的情况下，用户从电网购买功率
Figure BDA0002627090770000098
为：
Figure BDA0002627090770000099
购买云储能后，用户t时段的光伏过剩功率
Figure BDA00026270907700000910
可储存在云平台的虚拟储能内，表达如下：
Figure BDA00026270907700000911
结合上述分析过程，得出用户在每一时段的充放电行为的数学模型如下：
Figure BDA00026270907700000912
Figure BDA00026270907700000913
Figure BDA00026270907700000914
式中：
Figure BDA00026270907700000915
表示用户i的t时段光伏出力；
Figure BDA00026270907700000916
分别表示用户i在t时段所需求的充放 电功率；
Figure BDA00026270907700000917
分别为t时段电网电价、低谷电价、高峰电价、平时电价；
Figure BDA00026270907700000918
分别表示用户i的云储能充放电效率；
Figure BDA00026270907700000919
分别为云储能的储能剩余容量最高限值和最 低限值；
Figure BDA0002627090770000101
分别表示t-1、t时段结束时刻云储能剩余容量；Δt表示时间间隔，本发明 中采用分时电价，Δt取为1小时。
储能的应用提高了新能源的消纳率。在用户用能行为的设计中，应首先消纳过剩光伏出 力，不足部分再向电网购买。单一用户云储能充电功率中的光伏过剩功率可表示为：
Figure BDA0002627090770000102
各时段所有云储能用户光伏过剩功率总和
Figure BDA0002627090770000103
表示为：
Figure BDA0002627090770000104
各时段所有云储能用户放电需求总和
Figure BDA0002627090770000105
为：
Figure BDA0002627090770000106
云储能提供商的储能行为策略
云储能提供商需要在日前综合所有用户的充放电需求，在满足用户需求的基础上，基于 成本最小优化云储能充放电策略。调度过程中，用户在自己的云端虚拟储能发出充放电需求 后，云储能提供商只需及时响应用户的放电需求，不需要立刻操作其储能装置充电，而是可 以选择有利于自身利益的充电时段，这也是云储能模式盈利的主要方式之一。
根据t时段用户放电需求以及光伏出力，建立云储能提供商的充放电策略数学模型。云储 能提供商的ES从电网购买的电功率总和表示为：
Figure BDA0002627090770000107
式中：
Figure BDA0002627090770000108
表示云储能提供商储能从电网购电的总功率；
Figure BDA0002627090770000109
分别表示云储能提供 商在t时段控制ES装置充电和放电的功率。
云储能提供商在集聚所有用户的储能行为后再统一优化得出ES的充放电策略。对于单一 用户，存在光伏和负荷的预测误差，一方面可通过聚类预测方法减小误差；另一方面，预测 误差往往呈现正态分布趋势，云储能模式利用所有用户的互补性进行储能充放电策略优化， 能够在一定程度上削减预测误差的影响。
云储能充放电策略滚动优化模型
在本发明云储能充放电策略研究中，为分析方便，考虑购买成本和调度过程的运营成本， 暂不考虑残值回收、设备损耗等成本因素。
云储能充放电策略的预测存在误差及不确定性，为应对该不确定性，本发明基于模型预 测理论，采取滚动优化算法求解云储能充放电策略。其原理如图4所示。
本发明的滚动优化时间尺度选取储能充放电的时间尺度，即一小时。k表示滚动优化正 在进行的次数，总共24次。为使云储能充放电策略误差更小，在每一次的滚动优化中，输入 数据为该时段及后一天时段的光伏和负荷预测值；输出结果包含两部分，其中图4箭头开始处 的方格为该次优化得到的k时段充放电策略，作为最终优化结果，而其他方格为该次优化得 到的一天内其余时段结果，仅起到辅助优化的作用。每一次优化后，选取k时段充放电策略 方格结果作为下一时段滚动优化的初始值，以表征储能的连续充放电属性。
综合两主体储能行为，得到每次滚动优化的目标函数如下：
Figure BDA0002627090770000111
式中：
Figure BDA0002627090770000112
分别表示云储能提供商购买的储能功率和储能容量；α、β分别表示储 能单位功率购买成本和单位容量购买成本。
云储能模式依然需要满足储能的物理特性约束，即：储能各时段充放电功率不能超出最 大功率限额，各时段所剩容量不能超出最大容量限额并且不能低于最小容量限额，每一时段 的容量与上一时段的容量、该时段的充放电之间存在递推关系。据此列出如下储能物理特性 约束条件，并与式(6)-(14)共同组成全部约束条件。
Figure BDA0002627090770000113
Figure BDA0002627090770000114
Figure BDA0002627090770000115
式中：
Figure BDA0002627090770000116
分别表示云储能提供商在t时段云储能的充放电功率；ωmin、ωmax分别表 示储能最小允许荷电状态系数和最大允许荷电状态系数，
Figure BDA0002627090770000117
分别表示提供商云储能 的最小容量限制和最大容量限制，
Figure BDA0002627090770000118
分别表示t-1、t时段结束时刻云储能提供商云储 能剩余容量，δe表示云储能的自放电率，ηs e,C、ηs e,F分别表示用户i的云储能提供商的云储能 充、放电效率。
由于目标函数中含有形如(x)+的分段函数，因此引入辅助变量z，将z＝x代入原目标函数 中，并加入如下约束条件：
z≥x,z≥0            (20)
经过上述转化后，整个模型化为便于求解的线性规划问题，能够在Matlab内调用CPLEX 求解器对上述优化模型进行求解。
下面，结合具体实施例对本发明作更详细说明：
1.具体实施细节
云储能模式能够盈利和运营的关键是聚拢具有互异性的大量用户。经过聚类形成的4、8、 12类用户光伏和负荷的实际值已知，预测值由GRU多步预测方法得到。根据上文云储能充放 电策略的滚动优化模型，参考文献的数据，列出本算例云储能参数值如表1所示。
表1云储能主要参数
Figure BDA0002627090770000119
Figure BDA0002627090770000121
我国部分省份已开始实行分时电价，因此算例在分时电价下计算更具应用性。本文选取某地分时电价 数据见表2。
表2峰谷分时电价
时段 <![CDATA[电价/(元·(kW·h)<sup>-1</sup>)]]>
峰 08:00-12:00、17:00-21:00 1.10
平 12:00-17:00、21:00-24:00 0.66
谷 00:00-8:00 0.32 
除此之外，下文的算例结果分析需要验证聚类数量对云储能充放电策略的影响、GRU多 步预测与其他预测方法在云储能充放电的优势以及云储能经济性优势，在此设定如下六个算 例场景：
场景1：不购买云储能服务，用户自建储能；
场景2：对云储能用户聚类为4类，采用GRU预测云储能充放电策略；
场景3：对云储能用户聚类为8类，采用GRU预测云储能充放电策略；
场景4：对云储能用户聚类为12类，采用GRU预测云储能充放电策略；
场景5：对云储能用户聚类为12类，采用时间序列预测云储能充放电策略；
场景6：真实值下的云储能充放电策略。
光伏和负荷预测相关数据
本文算例使用Pecan Street美国德州100户家庭用户一年的光伏和负荷数据进行分析预测。 选取前10个月的数据作为训练集训练GRU多步预测网络，剩余两个月数据作为测试集。
2、实例
为对比分析聚类数量对云储能充放电策略的影响，绘制场景2、3、4、6的结果如图5、 图6所示；为对比分析GRU多步预测与其他预测方法在云储能充放电的优势，绘制场景4、5、 6的结果如图7所示。本文设定充电为负值，放电为正值。同时依据预测指标以及场景6真实值下的云储能充放电策略数值分析了这四种场景下云储能充放电策略的预测误差，如表3 所示。
表3云储能充放电策略误差
MAPE(％) 场景2 场景3 场景4 场景5
充电策略 4.78 4.12 3.76 4.19
放电策略 3.92 3.92 3.92 4.37 
根据图5、图6可以发现，云储能提供商ES充电时段均为4-9时和13-18时，放电时段均为9-13时和18-22时，其他时段既不充电也不放电。该结果验证了电价对储能充放电策略的引导作用，即储能在低谷电价时段充电、高峰电价时段放电的经济性最优。
对比场景2、3、4、6，即对比在不同聚类下云储能充电和放电的预测误差。图5、图6结果表明，在放电时段，不同聚类数量对各时段的放电策略没有影响，这是由于云储能需要及时满足所有用户的用电需求，因此聚类数量的不同不影响云储能的放电策略；在充电时段， 不同聚类数量对各时段的充电策略有着较大影响，在该算例的优化结果中体现为13-15时， 随着聚类数量从4到8再到12，云储能充电得到进一步优化，对比真实值，平均相对误差从 4.78％减小到4.12％再减小到3.76％。同时，随着聚类数的增加，云储能充电成本也得到进一 步减小，体现了聚类对经济性优势的影响。
对比场景4、5、6，即对比GRU和传统的时间序列预测方法下云储能充放电的预测效果。 图7的结果表明，无论在放电还是充电时段，GRU多步预测下的云储能充放电策略更接近真 实值，误差更小。在放电时段，由于云储能需要及时满足所有用户的储能放电需求，因此放 电策略的误差是由两种预测方法下的光伏、负荷预测误差所产生的，传统时间序列预测方法 下的云储能放电策略误差为4.37％，相比之下，GRU多步预测的云储能放电策略误差为3.92％， 精度得到提高；在充电时段，云储能可通过优化制定合适的充电策略，由于充电策略的误差 在原有光伏、负荷预测误差的基础上，还累计了充电优化所减小的误差，传统时间序列预测 方法下的云储能充电策略误差为4.19％，相比之下，GRU多步预测的云储能放电策略误差为 3.76％，精度得到提高。同时，该误差3.76％小于光伏和负荷预测的平均相对误差4.05％和5.87％， 也验证了云储能模式能够削弱光伏和负荷预测误差。
本算例也可验证云储能模式的经济性，列出优化结果中与储能经济性分析相关的部分见 表4。
表4云储能经济结果表
Figure BDA0002627090770000131
对比场景1和场景6，即对比用户自建储能和使用云储能两种情况下的经济性。在本算 例下，场景6的每日总成本比场景1减少85.45元，降低了11.92％，总成本的减少一部分来 自于所需储能总量的减少，另一部分来自于充电成本的减少。可见，云储能模式能够实现储 能资源的优化配置和经济成本的降低。

Claims (5)

1.一种基于GRU多步预测技术的云储能充放电策略形成方法，其特征在于，所述基于GRU多步预测技术的云储能充放电策略包括如下步骤：
(1)根据用户的历史负荷数据和历史光伏数据建立并训练基于GRU的负荷预测模型和光伏出力预测模型；
(2)根据训练好的负荷预测模型和光伏出力预测模型预测用户在t时间段内的负荷和光伏出力的数据；
(3)建立云储能用户的储能充放电行为；
(4)根据云储能用户的储能充放电行为建立云储能提供商的云储能充放电行为；
(5)优化步骤4建立的云储能提供商的云储能充放电行为形成云储能充放电策略；
所述负荷预测模型建立步骤如下：
(a)根据每个用户日负荷序列计算平均负荷、峰时负载值、谷时负载值描述用户日用电量序列的静态特征以及日负荷增长率、日负荷峰谷值增长率描述用户日用电量变化的动态特征，并将各维度特征归一化处理；利用基于信息熵的特征赋权法以及k-means++初始化聚类中心结合k-means算法实现用户负荷聚类分析，输出聚类结果；
(b)建立基于GRU的负荷预测模型，其中：GRU的更新门zt计算公式为式(1)，重置门rt计算公式为式(2)；式(3)中h′t为当前记忆内容，式(4)中ht为当前时间步的最终记忆；
zt＝σ(W(z)xt+U(z)ht-1)       (1)
rt＝σ(W(r)xt+U(r)ht-1)       (2)
h′t＝tanh(Wxt+rt×Uht-1)       (3)
ht＝zt×ht-1+(1-zt)×h′t       (4)
式中：×为哈达马运算符；W(z)、W(r)分别为更新门和重置门输入量的权重矩阵；U(z)、U(r)分别为更新门和重置门上一时间步记忆内容的权重矩阵；
网络的损失函数是均方误差函数式(5)；
Figure FDA0003919258180000011
其中，yi表示功率真实值，yi′表示功率预测值，m代表需要预测的功率点数；
(c)将步骤a的聚类结果输入至负荷预测模型，采用Adam算法对网络模型进行优化；训练过后使模型损失函数最小。
2.根据权利要求1所述的方法，其特征在于，所述光伏出力预测模型建立步骤如下：
(A)将用户的分布式光伏功率数据进行聚类，得到每类用户的光伏处理曲线；
(B)构建GRU网络模型作为光伏预测模型，其中，光伏预测模型的网络模型输出后还包括一层线性整流的激活函数层，所述光伏预测模型的输入为历史光伏预测值以及天气数据，损失函数为均方误差函数；
(C)历史光伏预测值以及天气数据归一化后输入至光伏预测模型中，采用Adam算法对网络模型进行优化；训练过后使模型损失函数最小。
3.根据权利要求1所述的方法，其特征在于，所述步骤3具体为：
(3.1)根据采用分时电价建立云储能用户i在每一时段的储能充放电行为的数学模型如下：
Figure FDA0003919258180000021
Figure FDA0003919258180000022
Figure FDA0003919258180000023
式中：
Figure FDA0003919258180000024
表示用户i的t时段光伏出力；
Figure FDA0003919258180000025
分别表示用户i在t时段所需求的充、放电功率；
Figure FDA0003919258180000026
分别为t时段电网电价、低谷电价、高峰电价、平时电价；
Figure FDA0003919258180000027
Figure FDA0003919258180000028
分别表示用户i的云储能充、放电效率；
Figure FDA0003919258180000029
分别为云储能的储能剩余容量最高限值和最低限值；
Figure FDA00039192581800000210
分别表示t-1、t时段结束时刻用户i的储能剩余容量；Δt表示时间间隔；
Figure FDA00039192581800000211
表示用户i所需储能的功率配置，
Figure FDA00039192581800000212
表示用户i的t时段从电网购买功率，
Figure FDA00039192581800000213
Figure FDA00039192581800000214
表示用户i的t时段的光伏过剩功率，
Figure FDA00039192581800000215
其中运算(x)+表示为：
Figure FDA00039192581800000216
(3.2)根据先消纳过剩光伏出力，不足部分再向电网购买的原则，则单一用户云储能充电功率中的光伏过剩功率可表示为：
Figure FDA00039192581800000217
(3.3)各时段所有云储能用户光伏过剩功率总和
Figure FDA00039192581800000218
表示为：
Figure FDA0003919258180000031
(3.4)各时段所有云储能用户放电需求总和
Figure FDA0003919258180000032
为：
Figure FDA0003919258180000033
4.根据权利要求1所述的方法，其特征在于，所述步骤4中，云储能提供商需要在日前综合所有用户的充放电需求，在满足用户需求的基础上，基于成本最小优化云储能充放电策略；调度过程中，用户在自己的云端虚拟储能发出充放电需求后，云储能提供商只需及时响应用户的放电需求，不需要立刻操作其储能装置充电，而是可以选择有利于自身利益的充电时段；
根据t时段用户放电需求以及光伏出力，建立云储能提供商的充放电策略数学模型；云储能提供商的ES装置从电网购买的电功率总和表示为：
Figure FDA0003919258180000034
式中：
Figure FDA0003919258180000035
表示云储能提供商储能从电网购电的总功率；
Figure FDA0003919258180000036
分别表示云储能提供商在t时段控制ES装置充电和放电的功率。
5.根据权利要求1所述的方法，其特征在于，所述步骤5中，采取滚动优化算法求解云储能充放电策略，具体为：
在第k次的滚动优化中，输入数据为该时段及后一天时段的光伏和负荷预测值；输出结果包含两部分，第k次优化得到的k时段充放电策略，作为最终优化结果，和第k次优化得到的一天内其余时段结果，仅起到辅助优化的作用；每一次优化后，选取输出的k时段充放电策略结果作为下一时段滚动优化的初始值，以表征储能的连续充放电属性；
综合两主体储能行为，得到每次滚动优化的目标函数如下：
Figure FDA0003919258180000037
式中：
Figure FDA0003919258180000038
分别表示云储能提供商购买的储能功率和储能容量；α、β分别表示储能单位功率购买成本和单位容量购买成本；
Figure FDA0003919258180000039
为t时段电网电价；
云储能模式依然需要满足储能的物理特性约束，即：储能各时段充、放电功率不能超出最大功率限额，各时段所剩容量不能超出最大容量限额并且不能低于最小容量限额，每一时段的容量与上一时段的容量、该时段的充放电之间存在递推关系；据此列出如下储能物理特性约束条件；
Figure FDA0003919258180000041
Figure FDA0003919258180000042
Figure FDA0003919258180000043
式中：
Figure FDA0003919258180000044
分别表示云储能提供商在t时段云储能的充放电功率；ωmin、ωmax分别表示储能最小允许荷电状态系数和最大允许荷电状态系数，
Figure FDA0003919258180000045
分别表示提供商云储能的最小容量限制和最大容量限制，
Figure FDA0003919258180000046
分别表示t-1、t时段结束时刻云储能提供商云储能剩余容量，δe表示云储能的自放电率，
Figure FDA0003919258180000047
分别表示用户i的云储能提供商的云储能充、放电效率。
CN202010800193.4A 2020-08-11 2020-08-11 一种基于gru多步预测技术的云储能充放电策略形成方法 Active CN112217195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010800193.4A CN112217195B (zh) 2020-08-11 2020-08-11 一种基于gru多步预测技术的云储能充放电策略形成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010800193.4A CN112217195B (zh) 2020-08-11 2020-08-11 一种基于gru多步预测技术的云储能充放电策略形成方法

Publications (2)

Publication Number Publication Date
CN112217195A CN112217195A (zh) 2021-01-12
CN112217195B true CN112217195B (zh) 2023-04-07

Family

ID=74058931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010800193.4A Active CN112217195B (zh) 2020-08-11 2020-08-11 一种基于gru多步预测技术的云储能充放电策略形成方法

Country Status (1)

Country Link
CN (1) CN112217195B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283786A (zh) * 2021-06-10 2021-08-20 国网浙江嘉善县供电有限公司 基于gru和需求响应的电/气/热/储配网协同规划方法
CN113344283B (zh) * 2021-06-23 2023-11-28 国网黑龙江省电力有限公司 基于边缘智能的能源互联网新能源消纳能力评估方法
CN113837480B (zh) * 2021-09-29 2023-11-07 河北工业大学 基于改进gru和差分误差补偿的冲击性负荷预测方法
CN115545800A (zh) * 2022-11-04 2022-12-30 上海电享信息科技有限公司 一种虚拟电厂的电力市场交易方法、装置及电子设备
CN117353359B (zh) * 2023-12-05 2024-04-12 国网浙江省电力有限公司宁波供电公司 电池联合储能供电方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288271A (zh) * 2019-07-11 2019-09-27 北京全来电科技有限公司 一种基于模型预测控制的台区级充电负荷调控策略及方法
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019196375A1 (zh) * 2018-04-13 2019-10-17 华南理工大学 基于需求侧响应的微电网最优机组及分时电价的优化方法
CN110288271A (zh) * 2019-07-11 2019-09-27 北京全来电科技有限公司 一种基于模型预测控制的台区级充电负荷调控策略及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GRU-NN模型的短期负荷预测方法;王增平等;《电力系统自动化》;20190310;第43卷(第5期);第53-58页 *

Also Published As

Publication number Publication date
CN112217195A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
CN112217195B (zh) 一种基于gru多步预测技术的云储能充放电策略形成方法
CN109508857B (zh) 一种主动配电网多阶段规划方法
CN112614009B (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
CN109492815B (zh) 一种市场机制下面向电网的储能电站选址定容优化方法
Wei et al. Aggregation and scheduling models for electric vehicles in distribution networks considering power fluctuations and load rebound
Chen et al. Research on day-ahead transactions between multi-microgrid based on cooperative game model
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN111079971A (zh) 一种考虑车、站、网三方的充电站定价方法
Chen et al. A battery management strategy in microgrid for personalized customer requirements
CN112952908B (zh) 一种多合作微电网主体分布式协调交易方法
CN113326994A (zh) 一种考虑源荷储互动的虚拟电厂能量协同优化方法
CN112821465A (zh) 包含热电联产的工业微网负荷优化调度方法与系统
Liu et al. Optimal dispatch strategy of virtual power plants using potential game theory
CN115714382A (zh) 一种基于安全强化学习的主动配电网实时调度方法及装置
CN114928042A (zh) 一种计及碳排放成本的增量配电网源-网-储协调规划策略
Jin et al. Optimal EV scheduling and voltage security via an online bi-layer steady-state assessment method considering uncertainties
Zeng et al. Optimal configuration planning of vehicle sharing station-based electro-hydrogen micro-energy systems for transportation decarbonization
CN114723230A (zh) 面向新能源发电和储能的微电网双层调度方法及系统
CN114169916A (zh) 一种适应新型电力系统的市场成员报价策略制定方法
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
Alikhani et al. Optimal implementation of consumer demand response program with consideration of uncertain generation in a microgrid
Shang et al. Distributed V2G dispatching via LSTM network within cloud-edge collaboration framework
CN117117878A (zh) 基于人工神经网络和多智能体强化学习的电网需求侧响应潜力评估及负荷调控方法
CN114862263A (zh) 一种提高可再生能源消纳的多区域物流车队配送管理方法
CN115619431A (zh) 微电网的调度方法、装置、终端及存储介质

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