CN113807589B - 基于模型预测的运营商储能的滚动优化方法及装置 - Google Patents

基于模型预测的运营商储能的滚动优化方法及装置 Download PDF

Info

Publication number
CN113807589B
CN113807589B CN202111102862.1A CN202111102862A CN113807589B CN 113807589 B CN113807589 B CN 113807589B CN 202111102862 A CN202111102862 A CN 202111102862A CN 113807589 B CN113807589 B CN 113807589B
Authority
CN
China
Prior art keywords
energy storage
output
photovoltaic
rolling optimization
model
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
CN202111102862.1A
Other languages
English (en)
Other versions
CN113807589A (zh
Inventor
卢洵
张东辉
邢月
周强
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.)
Guangdong Power Grid Co Ltd
Original Assignee
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 Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202111102862.1A priority Critical patent/CN113807589B/zh
Publication of CN113807589A publication Critical patent/CN113807589A/zh
Application granted granted Critical
Publication of CN113807589B publication Critical patent/CN113807589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开基于模型预测的运营商储能的滚动优化方法及装置，方法包括：将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为；根据负荷出力行为和光伏行为建立用户模型；根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型；根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值；测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。本申请可以减小中间损耗，提高云储能的盈利效果，使得云储能运营商管理储能方式更加科学有效。

Description

基于模型预测的运营商储能的滚动优化方法及装置
技术领域
本申请涉及云储能技术领域，尤其涉及基于模型预测的运营商储能的滚动优化方法及装置。
背景技术
在提出双碳目标的背景下，为了实现电力系统的清洁、高效、可靠等目标，大量的分布式发电设备(如风力、光伏发电)、储能设备等接入到电网中，使得电网出现非线性，时空分布的不确定性等特性。面对出现的能源并网难度大，储能的发展为其提供了一个解决思路。新能源的发展使得发电和储能不再完全被发电集团等占有，用户完全能够自行搭建发电和储能设备。随着共享经济的发展，国内外兴起一种云储能的概念。云储能是一种可以实现信息、费用双向传输的储能云共享平台交易。
目前，云储能有两种实现方式，第一种也就是云储能的初始阶段，用户拥有分布式储能设备，共享储能平台；另一种为独立的储能运营商自建储能设备，用户搭建分布式储能资源为辅，二者联合为用户提供完整的储能服务。在借助用户分布式储能设备后，由电力公司搭建的云储能平台可以综合用户的充放电需求，在满足用户需求的基础上实现最小损耗的利用。云储能可以使得用户多余的电量可以进入共享平台中，实现用户充分的互补性提高储能效率。
但是，云储能同样会带来一些问题，由于用户的充放电属于无序行为，如何能够使得云储能运营商管理储能方式，选择储能容量这亟待解决。
发明内容
本申请提供基于模型预测的运营商储能的滚动优化方法及装置，以解决现有技术中云储能运营商管理的储能方式不够科学的问题。
为解决上述技术问题，本申请提出一种基于模型预测的运营商储能的滚动优化方法，包括：将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为；根据负荷出力行为和光伏行为建立用户模型；根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型；根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值；测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。
可选地，获得负荷出力行为的步骤，包括：采用K-means均值聚类法对用户进行聚类；对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练；采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的用户负荷出力行为。
可选地，获得光伏行为的步骤，包括：对天气数据进行聚类分组；在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据；其中，光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时。
可选地，云储能充放电策略模型为：
式中：/>为云储能提供商储能从电网购电的总功率；/>和/>分别为云储能运营商在t时段控制储能装置充电和放电的功率；/>表示各时段所有云储能用户放电需求总和；/>表示各时段所有云储能用户光伏过剩功率总和。
可选地，根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值的步骤，包括：结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略；对每一时间段重复进行滚动优化，直至输出每一个时间段的滚动优化处理的值。
为解决上述技术问题，本申请提出一种基于模型预测的运营商储能的滚动优化装置，包括：模型预测模块，用于将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为；根据负荷出力行为和光伏行为建立用户模型；滚动优化模块，用于根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型；根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值；反馈校正模块，用于测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。
可选地，模型预测模块还用于：采用K-means均值聚类法对用户进行聚类；对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练；采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的用户负荷出力行为。
可选地，模型预测模块还用于：对天气数据进行聚类分组；在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据；其中，光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时。
可选地，云储能充放电策略模型为：
式中：/>为云储能提供商储能从电网购电的总功率；/>和/>分别为云储能运营商在t时段控制储能装置充电和放电的功率；/>表示各时段所有云储能用户放电需求总和；/>表示各时段所有云储能用户光伏过剩功率总和。
可选地，滚动优化模块还用于：结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略；对每一时间段重复进行滚动优化，直至输出每一个时间段的滚动优化处理的值。
本申请提出基于模型预测的运营商储能的滚动优化方法及装置，通过模型预测，滚动优化和反馈校正得到运营商储能的滚动优化结果。其中，通过模型预测可以获得负荷出力行为和光伏行为，通过滚动优化可以响应云储能供应商运行成本最小的需求，通过反馈校正可以对滚动优化的输出值进行修正，利用反馈信息，构成闭环优化。通过上述方式，本申请可以对用户的负荷出力行为和光伏行为进行精准预测，减小中间损耗，提高云储能的盈利效果，使得云储能运营商管理储能方式更加科学有效。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请基于模型预测的运营商储能的滚动优化方法一实施例的原理示意图；
图2是本申请基于模型预测的运营商储能的滚动优化方法一实施例的流程示意图；
图3是一实施例中滚动优化的原理示意图；
图4是本申请基于模型预测的运营商储能的滚动优化装置一实施例的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请所提供基于模型预测的运营商储能的滚动优化方法及装置进一步详细描述。
现有技术中，针对分布式云储能控制策略存在以下问题：
(1)没有对用户行为(包括使用负荷和光伏出力)采用一个精准的数学模型来描述和预测。
(2)没有一个使得分布式储能运营商合理准确地对储能的调用方式方法。
(3)没有合理优化运营商响应用户需求的控制策略。
基于此，本申请提出一种基于模型预测的运营商储能的滚动优化方法，用于解决云储能运营商在满足用户需求的基础上，基于成本最小优化充放电需求，从而提高盈利能力。本申请的实施方式可以分成三个阶段，模型预测，滚动优化和反馈校正。请参阅图1，图1是本申请基于模型预测的运营商储能的滚动优化方法一实施例的原理示意图。
在图1中，r(k)表示在k时刻优化目标设定值，u(k)为最优控制序列，d(k)为控制过程中的扰动变量，y(k|k)为被控对象在k时刻的输出状态测量值，y(k+j|k)为系统下发控制序列后经预测模型计算得到的k+j时刻被控对象的控制输出，y(k)为被控对象k时刻经模型预测控制优化后的最终输出值。图1中每个阶段的解释如下：
(1)模型预测
预测模型根据被控对象的历史信息和未来输入，预测系统未来的响应。预测模型只重视模型的功能，而不注重模型的形式，因此预测模型可以分为参数模型及非参数模型。凡是具有预测系统未来状态的模型都可以作为预测模型。总的来说，模型预测过程就是依据被控对象的历史状态信息{u(k-j),y(k-j)|j≥1}和未来一段时间的输入信息{u(k+j-1)|j＝1,2,3,…,m}，预测被控系统的未来输出{y(k+j)|j＝1,2,3,…,p}，其中，m为控制时域，p为预测时域，m<p。
(2)滚动优化
滚动优化是模型预测算法(model predictive control,MPC)的核心环节，因为此过程不是－次离线计算就能得出结果，而足要进行在线的反复多次求解，故称为滚动优化。在每一个采样时刻，根据该时刻优化性能指标J(k)，求解未来M个控制时段内的最优控制序列{Δu(k),Δu(k+1),…,Δu(k+M-1)}。为了防止模型失配及环境干扰引起控制误差，只有当前值是实际执行的，在下一个采样时刻又重新求取最优控制序列。其中，优化性能指标J(k)可以为二次优化函数：
式中：Y(k+j|k)表示k时刻预测的未来k+j时刻的输出变量；表示k+j时刻的输出参考值；Q为控制成本的权重矩阵。
(3)反馈校正
实际被控过程存在非线性、时变性、不确定性等原因，使基于模型预测控制的预测输出不可能与实际被控过程完全相同。在每一个采样时刻，通过实际测量到的输出信息对基于模型的预测输出进行修正，然后进行新一轮的优化，使滚动优化不仅基于模型，同时利用反馈信息，构成闭环优化。
计算k时刻被控对象经过滚动优化后的输出值y(k)与系统优化目标设定值r(k)之间的偏差Δe(k)＝y(k)-r(k)。并将偏差Δe(k)作用到y(k)上，以获得精确的控制结果。
请参阅图2，图2是本申请基于模型预测的运营商储能的滚动优化方法一实施例的流程示意图，在本实施例中，基于模型预测的运营商储能的滚动优化方法可以包括步骤S110～S150，各步骤具体如下：
S110：将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为。
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进行聚类，再对聚类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。此外在云储能模式下用户众多，一般云储能模式的实施对象是聚类后的用户，且需要的参与聚类数目较多，因此有必要对用户按其相似的特征进行聚类，再对聚类后的用户进行负荷和光伏的预测。具体地：
A)获得负荷出力行为：
步骤1：采用K-means均值聚类法对用户进行聚类；具体归类方法为：
1)首先，选择数据来源，数据包括每个用户日负的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。采用这些数据进行聚类，可以分为Ms个。
2)取随机Ms个场景作为初始质心场景，表示为则剩余场景表示为/>
计算所有质心场景与所有剩余场景的距离：
3)将所有剩余场景归类于与自身距离最近的质心场景，本次聚类后的同类场景集合可表示为Ci(i＝1,2,…,Ms)。
4)计算新的质心场景：假设每个聚类场景集合Ci中有Lx个场景，该场景集合中每个场景与其他场景的距离之和ETx表示为：
选取距离之和最小，即对应的场景χk作为新的质心场景，并按上述步骤重新确定质心场景集合。
5)重复上述步骤，直到质心场景和聚类结果都不再发生改变，场景的聚类缩减结束。得到的Ms个质心场景为最终场景，每个场景的概率值为该类场景集合中所有场景的概率之和。
步骤2：对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练。
在该步骤中，考虑到节假日和工作日的负荷使用情况不同，应将其数据分开，分为两种不同数据模型并分别进行训练。
步骤3：采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的用户负荷出力行为；具体方法如下：
(1)根据已知的支持向量机算法，回归函数可以写为：
式中，αi和为对偶参数；K(xi，x)为核函数。
(2)在进行电力系统短期负荷预测时，具体的步骤为：
①对获取的历史数据进行平滑预处理。
②将采集的数据输入向量中，影响因子为历史负荷数据、温度数据、节假日属性。
③使用LIBSVM算法对数据进行出力，并计算出αi、
④将αi、带入式f(x)，利用采集的样本数据实现负荷的预测。
核函数为了防止数据出现线性不可分的情况，采用高斯核函数，写为式中，σ为函数的宽度参数，控制了函数的径向作用范围。
B)获得光伏行为：
在计算用户出力的同时，也需要对用户光伏出力进行预测，由于光伏出力具有非线性及不确定性，根据天气变化造成的光伏发电是一个随机波动的无序值，因此采用神经网络的方法对其进行预测，具体步骤如下：
步骤1：对天气数据进行聚类分组，聚类分组的情况可以如下表所示：
表1 聚类分组与天气气象对应表
聚类分组 天气气象类型
A类 晴、多云、阵雨、雾
B类 雨、雨夹雪
C类 雪、霾
步骤2：在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据。
其中，光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时。
S120：根据负荷出力行为和光伏行为建立用户模型。
S130：根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型。
通过之前建立的用户模型，可以求得t时段用户放电需求以及光伏出力，通过这两点可以建立云储能充放电策略模型：
式中：为云储能提供商储能从电网购电的总功率；/>和/>分别为云储能运营商在t时段控制储能装置充电和放电的功率；/>表示各时段所有云储能用户放电需求总和；/>表示各时段所有云储能用户光伏过剩功率总和。
S140：根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值。
作为云储能提供商，为了使得成本最小，即运行成本最小，将运行成本定义为：
其中运算符表示
式中：λt表示t时段电价，θt表示t时段电网收购反送电的价格，Tt表示一天内时段t之后的所有时段的集合,和/>分别表示云储能运营商在模型预测控制中对未来的和/>的预测值。
Emin≤Et,Ets≤ECap
Emin＝SOCminECap
请参阅图3，图3是一实施例中滚动优化的原理示意图。图3中竖线方格的输入数据是实际的系统数据，用于决定实际的运行策略；横线方格的输入数据是对于系统的预测值，用于参与优化辅助决策同一行的竖线方格数据，横线方格的输出数据并不作为系统实际控制参数使用；箭头用于记录在每个t时段结束时系统的状态，并作为下一次优化的初始数据。
云储能提供商结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略。但实际上只采用所优化出的t时间段的策略操控储能设施并对电网及用户做出反应。在接下来的每一时间段，再次重复上述过程，滚动优化出每个时间段的控制策略。
S150：测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。
反馈校正的目的是将预测值更加接近于输出值，具体为测量输出和输入之间的差值，设置PID参数作为反馈值重新输入，最后得到结果。
综上，本实施例利用了K-means均值聚类对用户行为进行归类和刻画；给出系统的基于模型预测的滚动优化策略，利用为分布式储能运营商提供可行的充放电解决方案；并且还采用支持向量机，神经网络等人工智能算法建立了可靠地用户用电储能行为预测。
基于上述的基于模型预测的运营商储能的滚动优化方法，本申请还提出一种基于模型预测的运营商储能的滚动优化装置，请参阅图4，图4是本申请基于模型预测的运营商储能的滚动优化装置一实施例的结构示意图，在本实施例中，基于模型预测的运营商储能的滚动优化装置可以包括：
模型预测模块110，用于将被控对象的历史信息和影响因子输入预测模型，获得负荷出力行为和光伏行为；根据负荷出力行为和光伏行为建立用户模型。
滚动优化模块120，用于根据用户模型获得预设时段内用户的放电需求以及光伏出力，并根据放电需求以及光伏出力建立云储能充放电策略模型；根据云储能供应商运行成本最小的需求，对云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值。
反馈校正模块130，用于测量滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将差值作用到滚动优化处理后的输出值，得到滚动优化结果。
可选地，模型预测模块110还用于：采用K-means均值聚类法对用户进行聚类；对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练；采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的用户负荷出力行为。
可选地，模型预测模块110还用于：对天气数据进行聚类分组；在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据；其中，光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时。
可选地，云储能充放电策略模型为：
式中：/>为云储能提供商储能从电网购电的总功率；/>和/>分别为云储能运营商在t时段控制储能装置充电和放电的功率；/>表示各时段所有云储能用户放电需求总和；/>表示各时段所有云储能用户光伏过剩功率总和。
可选地，滚动优化模块120还用于：结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略；对每一时间段重复进行滚动优化，直至输出每一个时间段的滚动优化处理的值。
本申请提出基于模型预测的运营商储能的滚动优化方法及装置，通过模型预测，滚动优化和反馈校正得到运营商储能的滚动优化结果。其中，通过模型预测可以获得负荷出力行为和光伏行为，通过滚动优化可以响应云储能供应商运行成本最小的需求，通过反馈校正可以对滚动优化的输出值进行修正，利用反馈信息，构成闭环优化。通过上述方式，本申请可以对用户的负荷出力行为和光伏行为进行精准预测，减小中间损耗，提高云储能的盈利效果，使得云储能运营商管理储能方式更加科学有效。
可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后顺序的限定。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (2)

1.一种基于模型预测的运营商储能的滚动优化方法，其特征在于，包括：
将被控对象的历史信息和影响因子输入预设预测模型，获得负荷出力行为和光伏行为；其中，获得负荷出力行为的步骤包括：采用K-means均值聚类法对用户进行聚类；对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练；采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的负荷出力行为；获得光伏行为的步骤包括：对天气数据进行聚类分组；在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据；其中，所述光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时；
根据所述负荷出力行为和所述光伏行为建立用户模型；
根据所述用户模型获得预设时段内用户的放电需求以及光伏出力，并根据所述放电需求以及所述光伏出力建立云储能充放电策略模型；其中，所述云储能充放电策略模型为：，式中：/>为云储能提供商储能从电网购电的总功率；/>和/> 分别为云储能运营商在t时段控制储能装置充电和放电的功率；/>表示各时段所有云储能用户放电需求总和；/>表示各时段所有云储能用户光伏过剩功率总和；
根据云储能供应商运行成本最小的需求，对所述云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值；其中，获得滚动优化处理后的输出值的步骤包括：结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略；对每一时间段重复进行滚动优化，直至输出每一个时间段的滚动优化处理的值；
测量所述滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并根据所述差值，优化所述滚动优化处理后的输出值，得到滚动优化结果。
2.一种基于模型预测的运营商储能的滚动优化装置，其特征在于，包括：
模型预测模块，用于将被控对象的历史信息和影响因子输入预设预测模型，获得负荷出力行为和光伏行为；根据所述负荷出力行为和所述光伏行为建立用户模型；其中，获得负荷出力行为的步骤包括：采用K-means均值聚类法对用户进行聚类；对负荷使用数据按照节假日和工作日进行分类，并将分类后的负荷使用数据输入不同的数据模型进行训练；采用支持向量机回归法，将预设时间内的天气情况作为影响因子输入已经训练好的数据模型中，从而获得预测的负荷出力行为；获得光伏行为的步骤包括：对天气数据进行聚类分组；在分组完成的情况下，将环境温度平均值、相对湿度和风速输入光伏出力神经网络的预测模型进行训练，从而输出24小时的光伏发电出力功率数值作为光伏行为的数据；其中，所述光伏出力神经网络的预测模型的隐含层为1层，时间分辨率为1小时；
滚动优化模块，用于根据所述用户模型获得预设时段内用户的放电需求以及光伏出力，并根据所述放电需求以及所述光伏出力建立云储能充放电策略模型；其中，所述云储能充放电策略模型为：，式中：/>为云储能提供商储能从电网购电的总功率；/>和/> 分别为云储能运营商在t时段控制储能装置充电和放电的功率；/>表示各时段所有云储能用户放电需求总和；/>表示各时段所有云储能用户光伏过剩功率总和；根据云储能供应商运行成本最小的需求，对所述云储能充放电策略模型进行滚动优化处理，获得滚动优化处理后的输出值；其中，获得滚动优化处理后的输出值的步骤包括：结合对于未来n个时间段的用户的行为的预测、用户当前充放电需求以及储能设施当前t时段的状态，优化出t至t+n时间段储能设施的充电和放电策略；对每一时间段重复进行滚动优化，直至输出每一个时间段的滚动优化处理的值；
反馈校正模块，用于测量所述滚动优化处理后的输出值和滚动优化处理前的输入值之间的差值，并将所述差值作用到所述滚动优化处理后的输出值，得到滚动优化结果。
CN202111102862.1A 2021-09-18 2021-09-18 基于模型预测的运营商储能的滚动优化方法及装置 Active CN113807589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111102862.1A CN113807589B (zh) 2021-09-18 2021-09-18 基于模型预测的运营商储能的滚动优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111102862.1A CN113807589B (zh) 2021-09-18 2021-09-18 基于模型预测的运营商储能的滚动优化方法及装置

Publications (2)

Publication Number Publication Date
CN113807589A CN113807589A (zh) 2021-12-17
CN113807589B true CN113807589B (zh) 2024-01-26

Family

ID=78896019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111102862.1A Active CN113807589B (zh) 2021-09-18 2021-09-18 基于模型预测的运营商储能的滚动优化方法及装置

Country Status (1)

Country Link
CN (1) CN113807589B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265695A (zh) * 2021-12-26 2022-04-01 特斯联科技集团有限公司 基于决策技术的能控装置及系统
CN114977330B (zh) * 2022-07-11 2022-11-04 湖南大学 建筑分布式光伏-蓄电池系统连续运行调度方法及平台
CN115840986B (zh) * 2023-02-24 2023-06-27 明士新材料有限公司 一种基于随机模型预测控制的能量管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013152188A1 (en) * 2012-04-04 2013-10-10 24M Technologies, Inc. Energy storage modeling and control
CN109190802A (zh) * 2018-08-13 2019-01-11 南京邮电大学 云储能环境下基于发电预测的多微网博弈优化方法
CN109583623A (zh) * 2018-10-17 2019-04-05 国网（北京）节能设计研究院有限公司 区域多能源供给系统日内滚动协同优化运行方法和装置
CN112134300A (zh) * 2020-10-09 2020-12-25 国网江苏省电力有限公司无锡供电分公司 基于预约的电动汽车光储充电站滚动优化运行方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013152188A1 (en) * 2012-04-04 2013-10-10 24M Technologies, Inc. Energy storage modeling and control
CN109190802A (zh) * 2018-08-13 2019-01-11 南京邮电大学 云储能环境下基于发电预测的多微网博弈优化方法
CN109583623A (zh) * 2018-10-17 2019-04-05 国网（北京）节能设计研究院有限公司 区域多能源供给系统日内滚动协同优化运行方法和装置
CN112134300A (zh) * 2020-10-09 2020-12-25 国网江苏省电力有限公司无锡供电分公司 基于预约的电动汽车光储充电站滚动优化运行方法及系统

Also Published As

Publication number Publication date
CN113807589A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
US11876374B2 (en) System and method for optimal control of energy storage system
CN113807589B (zh) 基于模型预测的运营商储能的滚动优化方法及装置
Behera et al. Solar photovoltaic power forecasting using optimized modified extreme learning machine technique
Mansoor et al. Comparison of echo state network and feed-forward neural networks in electrical load forecasting for demand response programs
Kuznetsova et al. Reinforcement learning for microgrid energy management
Hernandez et al. A survey on electric power demand forecasting: future trends in smart grids, microgrids and smart buildings
Mandal et al. A neural network based several-hour-ahead electric load forecasting using similar days approach
EP3471029A1 (en) Method for automatic cloud control of energy storage systems
CN110674999A (zh) 基于改进聚类和长短期记忆深度学习的小区负荷预测方法
Islam et al. Development of chaotically improved meta-heuristics and modified BP neural network-based model for electrical energy demand prediction in smart grid
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
Koo et al. Comparative study of short-term electric load forecasting
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
Panapakidis et al. A hybrid ANN/GA/ANFIS model for very short-term PV power forecasting
Li et al. Deep Reinforcement Learning-Based Explainable Pricing Policy for Virtual Storage Rental Service
Ávila et al. Fuzzy demand forecasting in a predictive control strategy for a renewable-energy based microgrid
Moslemi et al. A machine learning based demand charge management solution
Nutakki et al. Energy consumption forecasting in home energy management system using Deep Learning Techniques
Pattanaik et al. Optimal power allocation of battery energy storage system (BESS) using dense LSTM in active distribution network
Han et al. Adaptive individual residential load forecasting based on deep learning and dynamic mirror descent
Khavari et al. Forecasting of energy demand in virtual power plants
Mohsenimanesh et al. A Comparative Study of Deep Learning Approaches for Day-Ahead Load Forecasting of an Electric Car Fleet
Seethalakshmi et al. Prediction of energy demand in smart grid using deep neural networks with optimizer ensembles
Rozinajová et al. Intelligent Analysis of Data Streams
ALARCÓN et al. Artificial neural networks for energy demand prediction in an economic MPC-based energy management system

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