CN115659595A - 基于人工智能的新能源场站的储能控制方法及装置 - Google Patents

Abstract

本申请提出了一种基于人工智能的新能源场站的储能控制方法及装置，该方法包括：预设新能源场站的初始储能容量和持续时间；建立新能源场站的短期功率预测优化模型计算优化后的短期功率预测值，并进行日前价格的预测；建立日前获取收益模型进行现货市场申报曲线的优化；建立新能源场站的超短期功率预测优化模型计算优化后的超短期功率预测值，并进行实时价格的预测；建立实时获取收益模型进行储能出力控制曲线的优化；基于优化后的储能出力控制曲线和申报曲线计算储能投入后的内部收益率，通过最大化内部收益率计算优化后的目标储能配置容量和目标持续时间。该方法可以提高新能源场站功率预测的准确性，并对场站的储能进行灵活和合理的配置。

Description

基于人工智能的新能源场站的储能控制方法及装置

技术领域

本申请涉及储能控制技术领域，尤其涉及一种基于人工智能的新能源场站的储能控制方法及装置。

背景技术

随着人们环保意识的增强，以及目前向新型清洁能源转型的要求，新能源发电在我国电力能源结构中的占比不断提升。但由于新能源出力具有波动性、随机性和间歇性等特点，其难预测、可调度性差，会对电力系统带来严重的波动性影响。新能源供电系统的储能如果不能合理设置，会直接影响到结算收入和电力系统的正常运行等。

相关技术中，为解决该问题通常采用的方式是提升功率预测精度，通过提升功率预测精度设置储能容量，来减少储能配置偏差造成的损失。然而，通过这种方式进行储能控制时，由于新能源功率难预测和出力难控制(难以向上调节)等特点导致了只采用该种方式难以实现合理设置新能源系统的储能。具体而言，功率预测精度的提升需要进一步提高风、光资源的预测能力，提升风电场、光伏电站等新能源场站机组性能评估与分析能力，提高场站地形对与功率预测影响评估分析能力。因此在实际实施过程中较为困难，效果不显著。并且，即使功率预测提升了，仅采用功率预测的结果设置储能，其准确性较低，无法解决新能源在现货市场中存在的一些问题，比如，通常一定范围内新能源出力较为集中，在该范围内，新能源通常连接在相近的电网连接点，容易出现新能源大发价格低，新能源缺乏价格高的情况，通过提高功率预测精度控制储能无法解决该问题。

因此，如何对新能源场站的储能进行合理和精确的控制，成为目前亟需解决的问题。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于人工智能的新能源场站的储能控制方法，该方法可以提高新能源场站功率预测的准确性，并对场站的储能进行准确的配置，丰富了储能控制的方式。

本申请的第二个目的在于提出一种基于人工智能的新能源场站的储能控制装置；

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请的第一方面实施例在于提出一种基于人工智能的新能源场站的储能控制方法，该方法包括以下步骤：

预设新能源场站的初始储能容量和持续时间；

建立所述新能源场站的短期功率预测优化模型，根据所述短期功率预测优化模型计算优化后的短期功率预测值，并建立日前价格预测模型进行日前价格的预测；

根据预测的日前价格和所述优化后的短期功率预测值，结合所述初始储能容量和所述持续时间建立日前获取收益模型，通过所述日前获取收益模型进行现货市场申报曲线的优化；

建立所述新能源场站的超短期功率预测优化模型，根据所述超短期功率预测优化模型计算优化后的超短期功率预测值，并建立实时价格预测模型进行实时价格的预测；

根据预测的实时价格和所述优化后的超短期功率预测值，结合所述初始储能容量和所述持续时间建立实时获取收益模型，通过所述实时获取收益模型进行所述新能源场站的储能出力控制曲线的优化；

基于优化后的储能出力控制曲线和现货市场申报曲线，结合储能出力的相关数据计算储能投入后的内部收益率，通过最大化所述储能投入后的内部收益率计算储能最优的目标储能配置容量和目标持续时间。

可选地，在本申请的一个实施例中，基于优化后的储能出力控制曲线和现货市场申报曲线，结合储能出力的相关数据计算储能投入后的内部收益率，包括：结合所述优化后的储能出力控制曲线和新能源出力数据，通过所述实时获取收益模型计算实时收益，并根据所述优化后的现货市场申报曲线，通过所述日前获取收益模型计算日前收益，根据所述实时收益和所述日前收益计算现货市场整体收益；结合储能参数和所述现货市场整体收益建立储能生命周期内的现货市场整体收益模型；获取历史的优化前短期功率预测数据、现货市场价格数据和场站实发数据，采用所述现货市场整体收益模型计算储能生命周内现货市场优化前的整体收益；计算储能生命周期内的现货市场整体收益与所述储能生命周内现货市场优化前的整体收益之间的差值，并结合所述差值和预设的储能投资成本模型计算所述储能投入后的内部收益率。

可选地，在本申请的一个实施例中，建立所述新能源场站的短期功率预测优化模型，包括：获取历史的所述新能源场站的短期功率预测数据，以及与所述新能源场站的短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据；计算所述历史的所述新能源场站的短期功率预测数据和所述第一场站实发数据之间的差值；结合所述差值、所述第一资源数据、所述第一场站机组状态数据和所述第一机组位置数据，建立所述新能源场站的短期功率预测优化模型。

可选地，在本申请的一个实施例中，建立日前价格预测模型，包括：获取历史的现货市场价格数据、所述优化后的短期功率预测数据和与所述短期功率预测数据对应的第一日期数据；根据所述历史的现货市场价格数据、所述优化后的短期功率预测数据和所述第一日期数据建立所述日前价格预测模型。

可选地，在本申请的一个实施例中，建立所述新能源场站的超短期功率预测优化模型，包括：获取历史的所述新能源场站的超短期功率预测数据，以及与所述新能源场站的超短期功率预测数据对应时间内的第二场站实发数据、第二资源数据、第二场站机组状态数据和第二机组位置数据；计算所述历史的所述新能源场站的超短期功率预测数据和所述第一场站实发数据之间的差值；结合所述差值、所述第二资源数据、所述第二场站机组状态数据和所述第二机组位置数据，建立所述新能源场站的超短期功率预测优化模型。

可选地，在本申请的一个实施例中，建立实时价格预测模型，包括：获取历史的现货市场实时价格数据、所述优化后的超短期功率预测数据和与所述超短期功率预测数据对应的第二日期数据；根据所述历史的现货市场实时价格数据、所述优化后的超短期功率预测数据和所述第二日期数据建立所述实时价格预测模型。

为达上述目的，本申请的第二方面实施例还提出了一种基于人工智能的新能源场站的储能控制装置，包括以下模块:

设置模块，用于预设新能源场站的初始储能容量和持续时间；

第一建立模块，用于建立所述新能源场站的短期功率预测优化模型，根据所述短期功率预测优化模型计算优化后的短期功率预测值，并建立日前价格预测模型进行日前价格的预测；

第一优化模块，用于根据预测的日前价格和所述优化后的短期功率预测值，结合所述初始储能容量和所述持续时间建立日前获取收益模型，通过所述日前获取收益模型进行现货市场申报曲线的优化；

第二建立模块，用于建立所述新能源场站的超短期功率预测优化模型，根据所述超短期功率预测优化模型计算优化后的超短期功率预测值，并建立实时价格预测模型进行实时价格的预测；

第二优化模块，用于根据预测的实时价格和所述优化后的超短期功率预测值，结合所述初始储能容量和所述持续时间建立实时获取收益模型，通过所述实时获取收益模型进行所述新能源场站的储能出力控制曲线的优化；

计算模块，用于基于优化后的储能出力控制曲线和现货市场申报曲线，结合储能出力的相关数据计算储能投入后的内部收益率，通过最大化所述储能投入后的内部收益率计算储能最优的目标储能配置容量和目标持续时间。

可选地，在本申请的一个实施例中，计算模块，具体用于：结合所述优化后的储能出力控制曲线和新能源出力数据，通过所述实时获取收益模型计算实时收益，并根据所述优化后的现货市场申报曲线，通过所述日前获取收益模型计算日前收益，根据所述实时收益和所述日前收益计算现货市场整体收益；结合储能参数和所述现货市场整体收益建立储能生命周期内的现货市场整体收益模型；获取历史的优化前短期功率预测数据、现货市场价格数据和场站实发数据，采用所述现货市场整体收益模型计算储能生命周内现货市场优化前的整体收益；计算储能生命周期内的现货市场整体收益与所述储能生命周内现货市场优化前的整体收益之间的差值，并结合所述差值和预设的储能投资成本模型计算所述储能投入后的内部收益率。

可选地，在本申请的一个实施例中，第一建立模块，具体用于：获取历史的所述新能源场站的短期功率预测数据，以及与所述新能源场站的短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据；计算所述历史的所述新能源场站的短期功率预测数据和所述第一场站实发数据之间的差值；结合所述差值、所述第一资源数据、所述第一场站机组状态数据和所述第一机组位置数据，建立所述新能源场站的短期功率预测优化模型。

为了实现上述实施例，本申请第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的基于人工智能的新能源场站的储能控制方法。

本申请的实施例提供的技术方案至少带来以下有益效果：本申请采用功率预测精度提升、对电力现货交易策略进行考虑和对储能进行实时滚动的灵活控制三方面相结合的方式，对新能源场站的储能进行灵活和合理的配置，还通过建立人工智能神经网络模型进行参数预测。不但提高了新能源场站的储能控制的精确性和实时性，还可以提升新能源系统的控制能力，增大新能源电力现货交易辅助决策时的优化空间，可在一定程度上提高新能源场站作为交易主体整体的功率可预测性，丰富了储能控制的方式。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例提出的一种基于人工智能的新能源场站的储能控制方法的流程图；

图2为本申请实施例提出的一种具体的内部收益率计算方法的流程图；

图3为本申请实施例提出的一种具体的在云边协同的电力现货场景下的新能源场站的储能控制系统的结构示意图；

图4为本申请实施例提出的一种基于人工智能的新能源场站的储能控制装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本申请实施例所提出的一种基于人工智能的新能源场站的储能控制方法及装置。

图1为本申请实施例提出的一种基于人工智能的新能源场站的储能控制方法的流程图，如图1所示，该方法包括以下步骤：

步骤S101，预设新能源场站的初始储能容量和持续时间。

其中，初始储能容量和初始的持续时间是预先设置的一个待优化的新能源场站配置储能的容量和持续时间。

在本申请一个实施例中，可以将储能投资内部收益率最大为目标，配置新能源场站储能的容量和持续时间，需要说明的是，本步骤中的内部收益率是初始确定的收益率，可以是通过现有的相关技术中的方式确定的内部收益率，比如，根据历史运行数据、预期计划和专家知识等各种方式确定的储能投资内部收益率。

步骤S102，建立新能源场站的短期功率预测优化模型，根据短期功率预测优化模型计算优化后的短期功率预测值，并建立日前价格预测模型进行日前价格的预测。

在本申请一个实施例中，建立新能源场站的短期功率预测优化模型，包括：获取历史的新能源场站的短期功率预测数据，以及与新能源场站的短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据；然后计算历史的新能源场站的短期功率预测数据和第一场站实发数据之间的差值；最后结合差值、第一资源数据、第一场站机组状态数据和第一机组位置数据，建立新能源场站的短期功率预测优化模型。

具体而言，获取历史的新能源短期功率预测数据，以及短期功率预测数据对应时间内的场站实发数据、资源数据、场站机组状态数据、机组位置数据等，根据新能源场站短期功率预测数据和实发数据偏差，结合资源数据、场站机组状态数据、机组位置数据等，建立数据驱动的模型进行短期功率预测优化，计算优化后的短期功率预测值，从而可以提升短期功率预测精度。

需要说明的是，本申请建立的预测模型，可以是各种基于深度学习或机器学习的神经网络模型，在建立预测模型时，是将获取到的相关数据作为训练数据对预先构建的神经网络模型进行训练，在训练完成后获得相应的预测模型。

举例而言，可以选择长短期记忆网络(Long Short-Term Memory，简称LSTM)作为预测模型，通过本实施例中获取的各类数据作为训练样本训练长短期记忆人工神经网络LSTM，其中，具体的训练方式可以参照现有技术中的神经网络模型的训练方式，包括数据预处理、特征抽取、选择和分类等，通过梯度下降算法优化目标函数，直至预测精度达到要求，此处不再详述。然后，将当前储能控制场景下的相关数据输入训练完成的长短期记忆人工神经网络LSTM，获取预测优化模型输出预测值，从而对短期功率进行预测。在本申请中，后续建立的预测模型均可参照上述方式进行构建，后续均不再赘述。

还需说明的是，本申请实施例中可以通过不同的方式获取新能源场站的实发数据、场站机组状态数据和机组位置数据等本步骤和后续步骤中进行储能控制时所需的数据。举例而言，可以在新能源场站中的风电机组或光伏设备中预先设置数据采集与监视控制系统(Supervisory Control And Data Acquisition，简称SCADA)对场站中的各个设备进行监测，并记录不同时段下获取的数据，在需要进行储能控制时可以调取SCADA采集到的新能源场站的相关数据。

进一步的，在根据短期功率预测优化模型计算优化后的短期功率预测值后，建立日前价格预测模型进行日前价格的预测。在本申请一个实施例中，建立日前价格预测模型，包括：先获取历史的现货市场价格数据、优化后的短期功率预测数据和与短期功率预测数据对应的第一日期数据，然后根据历史的现货市场价格数据、优化后的短期功率预测数据和第一日期数据建立日前价格预测模型。

具体而言，获取历史的现货市场价格数据、短期功率预测优化模型优化后的功率预测数据和日期数据等，采用现货市场价格数据、功率预测数据、日期数据等，建立人工智能的模型进行日前价格预测。

步骤S103，根据预测的日前价格和优化后的短期功率预测值，结合初始储能容量和持续时间建立日前获取收益模型，通过日前获取收益模型进行现货市场申报曲线的优化。

具体的，采用日前价格预测和优化后的短期优化功率预测数据，结合步骤S101中预先配置的储能容量、持续时间与储能运行特性参数，建立日前获取收益模型，以日前收益最优为目标，进行现货市场申报曲线的优化，获得现货市场的申报曲线。

步骤S104，建立新能源场站的超短期功率预测优化模型，根据超短期功率预测优化模型计算优化后的超短期功率预测值，并建立实时价格预测模型进行实时价格的预测。

在本申请一个实施例中，建立新能源场站的短期功率预测优化模型，包括：先获取历史的新能源场站的超短期功率预测数据，以及与新能源场站的超短期功率预测数据对应时间内的第二场站实发数据、第二资源数据、第二场站机组状态数据和第二机组位置数据；然后，计算历史的新能源场站的超短期功率预测数据和第一场站实发数据之间的差值；最后结合差值、第二资源数据、第二场站机组状态数据和第二机组位置数据，建立新能源场站的超短期功率预测优化模型。

具体而言，获取新能源场站超短期功率预测数据，以及超短期功率预测数据对应时间内的场站实发数据、资源数据、场站机组状态数据、机组位置数据等，根据新能源场站超短期功率预测数据和实发数据偏差，结合资源数据、场站机组状态数据、机组位置数据等，建立数据驱动的模型进行超短期功率预测优化模型，计算优化后的超短期功率预测值，从而提升了超短期功率预测精度。

进一步的，在根据超短期功率预测优化模型计算优化后的超短期功率预测值后，建立实时价格预测模型进行实时价格的预测。在本申请一个实施例中，建立实时价格预测模型，包括：获取历史的现货市场实时价格数据、优化后的超短期功率预测数据和与超短期功率预测数据对应的第二日期数据；根据历史的现货市场实时价格数据、优化后的超短期功率预测数据和第二日期数据建立实时价格预测模型。

具体而言，获取历史的现货市场实时价格数据、超短期功率预测优化模型优化后的超短期功率预测数据、日期数据等，采用现货市场实时价格数据、超短期功率预测数据、日期数据等，建立人工智能的模型进行与超短期时间同步的实时价格预测。

步骤S105，根据预测的实时价格和优化后的超短期功率预测值，结合初始储能容量和持续时间建立实时获取收益模型，通过实时获取收益模型进行新能源场站的储能出力控制曲线的优化。

具体的，采用实时价格预测数据和优化后的超短期功率预测数据，结合储能容量、持续时间与储能运行特性参数，建立实时获取收益模型，以收益最优为目标，进行储能出力的控制曲线优化。

步骤S106，基于优化后的储能出力控制曲线和现货市场申报曲线，结合储能出力的相关数据计算储能投入后的内部收益率，通过最大化储能投入后的内部收益率计算储能最优的目标储能配置容量和目标持续时间。

其中，储能出力的相关数据包括新能源出力数据，和储能的循环寿命、运行效率、衰减特性等参数，以及历史的优化前短期功率预测数据、现货市场价格数据和场站实发数据等各种参与储能控制的数据。

在本申请一个实施例中，为了更加清楚的描述基于优化后的储能出力控制曲线和优化后的现货市场申报曲线，结合储能出力的相关数据计算储能投入后的内部收益率的具体实现过程，本申请还提出了一种内部收益率计算方法，图2为本申请实施例提出的一种具体的内部收益率计算方法的流程图，如图2所示，该方法包括以下步骤：

步骤S201，结合优化后的储能出力控制曲线和新能源出力数据，通过实时获取收益模型计算实时收益，并根据优化后的现货市场申报曲线，通过日前获取收益模型计算日前收益，根据实时收益和日前收益计算现货市场整体收益。

具体的，根据优化的储能控制曲线，结合新能源出力，结合实时收益模型，计算实时收益。并且，根据申报曲线，结合日前收益模型，计算日前收益。最后，综合日日前收益和实时收益，计算现货市场整体收益。

步骤S202，结合储能参数和现货市场整体收益建立储能生命周期内的现货市场整体收益模型。

具体的，结合储能的循环寿命、运行效率、衰减特性等参数和上一步骤中计算出的现货市场整体收益，建立储能生命周期内的现货市场整体收益模型。

步骤S203，获取历史的优化前短期功率预测数据、现货市场价格数据和场站实发数据，采用现货市场整体收益模型计算储能生命周内现货市场优化前的整体收益。

具体的，采用现货市场整体收益模型，获取历史的优化前短期功率预测数据、现货市场价格数据、场站实发数据，计算对应储能生命周内现货市场优化前整体收益。

步骤S204，计算储能生命周期内的现货市场整体收益与储能生命周内现货市场优化前的整体收益之间的差值，并结合差值和预设的储能投资成本模型计算储能投入后的内部收益率。

具体的，预先建立储能的投资成本模型，计算储能生命周期内的现货市场整体收益与对应储能生命周内现货市场优化前整体收益之差，作为储能投入后优化带来的现货市场收益，结合储能的投资成本模型，计算储能投入后的内部收益率。

进一步的，在计算储能投入后的内部收益率后，以储能投入后内部收益率最大为目标，计算获得最优的储能配置容量和持续时间，通过该最终计算出的储能配置容量和持续时间进行储能控制。即，本申请实施例根据计算出的最优的目标储能配置容量和目标持续时间，对新能源场站中的储能系统进行控制，使储能系统按照目标储能配置容量和目标持续时间运行。

由此，按照本申请实施例的储能控制方法进行储能控制后，提高了储能配置的合理性，进而有利于提升电力现货场景下新能源场站盈利能力。

更进一步的，在本申请一个实施例中，还可以生成针对不同时刻的滚动储能优化控制曲线，对不同时刻下的储能系统进行控制，并持续更新不同时段下的储能优化控制曲线，以对储能进行实时滚动的灵活控制。

综上所述，本申请实施例的基于人工智能的新能源场站的储能控制方法，建立新能源场站的短期功率预测优化模型计算优化后的短期功率预测值，进行日前价格的预测，建立日前获取收益模型进行现货市场申报曲线的优化，建立新能源场站的超短期功率预测优化模型计算优化后的超短期功率预测值，进行实时价格的预测，并建立实时获取收益模型进行储能出力控制曲线的优化，最后基于优化后的储能出力控制曲线和申报曲线计算储能投入后的内部收益率，通过最大化内部收益率计算优化后的目标储能配置容量和目标持续时间。该方法采用功率预测精度提升、对电力现货交易策略进行考虑和对储能进行实时滚动的灵活控制三方面相结合的方式，对新能源场站的储能进行灵活和合理的配置，还通过建立人工智能神经网络模型进行参数预测。不但提高了新能源场站的储能控制的精确性和实时性，还可以提升新能源系统的控制能力，增大新能源电力现货交易辅助决策时的优化空间，可在一定程度上提高新能源场站作为交易主体整体的功率可预测性，丰富了储能控制的方式。

为了更加清楚地说明本申请实施例的基基于人工智能的新能源场站的储能控制方法的具体实现过程，下面以一个具体的实际应用中基于该方法对应构建的，在云边协同的电力现货场景下的新能源场站的储能控制系统的实施例进行详细说明。

图3为本申请实施例提出的一种具体的在云边协同的电力现货场景下的新能源场站的储能控制系统的结构示意图。如图3所示，该系统包括：电力现货交易辅助决策系统，以及分别设置在多个新能源场站中的多个功率预测提升系统、储能灵活控制系统和储能系统。

其中，电力现货交易辅助决策系统，该系统通常与交易中心交互，获取交易中心发布数据，向交易中心申报曲线，交易中心按省区分，可在省区设置一个，进行所管理新能源场站，主要进行日前价格预测，日前现货申报辅助决策，日前现货交易曲线申报。

功率预测提升系统，由于功率预测一般针对于场站，该系统设置于场站内，根据场站内原功率预测数据进行短期功率预测精度提升和超短期功率预测精度提升，同时将短期功率预测精度提升后的数据发送给电力现货交易辅助决策系统，支持其进行日前现货交易的辅助决策，将超短期功率预测精度提升后的数据发送给储能灵活控制系统，支持其进行滚动的优化控制曲线制定。

储能灵活控制系统，储能灵活控制系针对场站内配置的储能系统，与储能的EMS系统交互，获取储能系统的状态信息，向储能系统发送控制指令。其主要进行实时价格预测，结合功率预测提升系统提供的超短期功率预测数据、电力现货交易辅助决策系统提供的日前申报曲线、储能系统状态数据进行未来一段时间(该时间不会超过超短期功率预测的时间尺度和实时价格预测的时间尺度)的储能控制曲线的制定，并将该曲线生成的下一点控制指令下发给储能系统执行。随着推进，储能灵活控制系统在每个工作点进行下一个时间段的储能控制曲线更新。

需要说明的是，本实施例中各系统执行各自功能的具体实现过程和相关说明可以参照上述方法实施例的描述，此处不再赘述。

为了实现上述实施例，本申请还提出了一种基于人工智能的新能源场站的储能控制装置，图4为本申请实施例提出的一种基于人工智能的新能源场站的储能控制装置的结构示意图，如图4所示，该装置包括设置模块100、第一建立模块200、第一优化模块300、第二建立模块400、第二优化模块500和计算模块600。

其中，设置模块100，用于预设新能源场站的初始储能容量和持续时间。

第一建立模块200，用于建立新能源场站的短期功率预测优化模型，根据短期功率预测优化模型计算优化后的短期功率预测值，并建立日前价格预测模型进行日前价格的预测。

第一优化模块300，用于根据预测的日前价格和优化后的短期功率预测值，结合初始储能容量和持续时间建立日前获取收益模型，通过日前获取收益模型进行现货市场申报曲线的优化。

第二建立模块400，用于建立新能源场站的超短期功率预测优化模型，根据超短期功率预测优化模型计算优化后的超短期功率预测值，并建立实时价格预测模型进行实时价格的预测。

第二优化模块500，用于根据预测的实时价格和优化后的超短期功率预测值，结合初始储能容量和持续时间建立实时获取收益模型，通过实时获取收益模型进行新能源场站的储能出力控制曲线的优化。

计算模块600，用于基于优化后的储能出力控制曲线和现货市场申报曲线，结合储能出力的相关数据计算储能投入后的内部收益率，通过最大化储能投入后的内部收益率计算储能最优的目标储能配置容量和目标持续时间。

可选地，在本申请的一个实施例中，计算模块600，具体用于：结合优化后的储能出力控制曲线和新能源出力数据，通过实时获取收益模型计算实时收益，并根据优化后的现货市场申报曲线，通过日前获取收益模型计算日前收益，根据实时收益和日前收益计算现货市场整体收益；结合储能参数和现货市场整体收益建立储能生命周期内的现货市场整体收益模型；获取历史的优化前短期功率预测数据、现货市场价格数据和场站实发数据，采用现货市场整体收益模型计算储能生命周内现货市场优化前的整体收益；计算储能生命周期内的现货市场整体收益与储能生命周内现货市场优化前的整体收益之间的差值，并结合差值和预设的储能投资成本模型计算储能投入后的内部收益率。

可选地，在本申请的一个实施例中，第一建立模块200，具体用于：获取历史的新能源场站的短期功率预测数据，以及与新能源场站的短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据；计算历史的新能源场站的短期功率预测数据和第一场站实发数据之间的差值；结合差值、第一资源数据、第一场站机组状态数据和第一机组位置数据，建立新能源场站的短期功率预测优化模型。

可选地，在本申请的一个实施例中，第一建立模块200，还用于：获取历史的现货市场价格数据、优化后的短期功率预测数据和与短期功率预测数据对应的第一日期数据；根据历史的现货市场价格数据、优化后的短期功率预测数据和第一日期数据建立日前价格预测模型。

可选地，在本申请的一个实施例中，第二建立模块400，具体用于：获取历史的新能源场站的超短期功率预测数据，以及与新能源场站的超短期功率预测数据对应时间内的第二场站实发数据、第二资源数据、第二场站机组状态数据和第二机组位置数据；计算历史的新能源场站的超短期功率预测数据和第一场站实发数据之间的差值；结合差值、第二资源数据、第二场站机组状态数据和第二机组位置数据，建立新能源场站的超短期功率预测优化模型。

可选地，在本申请的一个实施例中，第二建立模块400，还用于：获取历史的现货市场实时价格数据、优化后的超短期功率预测数据和与超短期功率预测数据对应的第二日期数据；根据历史的现货市场实时价格数据、优化后的超短期功率预测数据和第二日期数据建立实时价格预测模型。

需要说明的是，前述对基于人工智能的新能源场站的储能控制方法的实施例的解释说明也适用于该实施例的装置，此处不再赘述

综上所述，本申请实施例的基于人工智能的新能源场站的储能控制装置，采用功率预测精度提升、对电力现货交易策略进行考虑和对储能进行实时滚动的灵活控制三方面相结合的方式，通过建立人工智能神经网络模型进行预测，对新能源场站的储能进行灵活和合理的配置。不但提高了新能源场站的储能控制的精确性和实时性，还可以提升新能源系统的控制能力，增大新能源电力现货交易辅助决策时的优化空间，可在一定程度上提高新能源场站作为交易主体整体的功率可预测性，丰富了储能控制的方式。

为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的基于人工智能的新能源场站的储能控制方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于人工智能的新能源场站的储能控制方法，其特征在于，包括以下步骤：

预设新能源场站的初始储能容量和持续时间；

建立所述新能源场站的短期功率预测优化模型，根据所述短期功率预测优化模型计算优化后的短期功率预测值，并建立日前价格预测模型进行日前价格的预测；

根据预测的日前价格和所述优化后的短期功率预测值，结合所述初始储能容量和所述持续时间建立日前获取收益模型，通过所述日前获取收益模型进行现货市场申报曲线的优化；

建立所述新能源场站的超短期功率预测优化模型，根据所述超短期功率预测优化模型计算优化后的超短期功率预测值，并建立实时价格预测模型进行实时价格的预测；

根据预测的实时价格和所述优化后的超短期功率预测值，结合所述初始储能容量和所述持续时间建立实时获取收益模型，通过所述实时获取收益模型进行所述新能源场站的储能出力控制曲线的优化；

基于优化后的储能出力控制曲线和现货市场申报曲线，结合储能出力的相关数据计算储能投入后的内部收益率，通过最大化所述储能投入后的内部收益率计算储能最优的目标储能配置容量和目标持续时间。

2.根据权利要求1所述的控制方法，其特征在于，所述基于优化后的储能出力控制曲线和现货市场申报曲线，结合储能出力的相关数据计算储能投入后的内部收益率，包括：

结合所述优化后的储能出力控制曲线和新能源出力数据，通过所述实时获取收益模型计算实时收益，并根据所述优化后的现货市场申报曲线，通过所述日前获取收益模型计算日前收益，根据所述实时收益和所述日前收益计算现货市场整体收益；

结合储能参数和所述现货市场整体收益建立储能生命周期内的现货市场整体收益模型；

获取历史的优化前短期功率预测数据、现货市场价格数据和场站实发数据，采用所述现货市场整体收益模型计算储能生命周内现货市场优化前的整体收益；

计算储能生命周期内的现货市场整体收益与所述储能生命周内现货市场优化前的整体收益之间的差值，并结合所述差值和预设的储能投资成本模型计算所述储能投入后的内部收益率。

3.根据权利要求1所述的控制方法，其特征在于，所述建立所述新能源场站的短期功率预测优化模型，包括：

获取历史的所述新能源场站的短期功率预测数据，以及与所述新能源场站的短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据；

计算所述历史的所述新能源场站的短期功率预测数据和所述第一场站实发数据之间的差值；

结合所述差值、所述第一资源数据、所述第一场站机组状态数据和所述第一机组位置数据，建立所述新能源场站的短期功率预测优化模型。

4.根据权利要求3所述的控制方法，其特征在于，所述建立日前价格预测模型，包括：

获取历史的现货市场价格数据、所述优化后的短期功率预测数据和与所述短期功率预测数据对应的第一日期数据；

根据所述历史的现货市场价格数据、所述优化后的短期功率预测数据和所述第一日期数据建立所述日前价格预测模型。

5.根据权利要求3所述的控制方法，其特征在于，所述建立所述新能源场站的超短期功率预测优化模型，包括：

获取历史的所述新能源场站的超短期功率预测数据，以及与所述新能源场站的超短期功率预测数据对应时间内的第二场站实发数据、第二资源数据、第二场站机组状态数据和第二机组位置数据；

计算所述历史的所述新能源场站的超短期功率预测数据和所述第一场站实发数据之间的差值；

结合所述差值、所述第二资源数据、所述第二场站机组状态数据和所述第二机组位置数据，建立所述新能源场站的超短期功率预测优化模型。

6.根据权利要求5所述的控制方法，其特征在于，所述建立实时价格预测模型，包括：

获取历史的现货市场实时价格数据、所述优化后的超短期功率预测数据和与所述超短期功率预测数据对应的第二日期数据；

根据所述历史的现货市场实时价格数据、所述优化后的超短期功率预测数据和所述第二日期数据建立所述实时价格预测模型。

7.一种基于人工智能的新能源场站的储能控制装置，其特征在于，包括：

设置模块，用于预设新能源场站的初始储能容量和持续时间；

第一建立模块，用于建立所述新能源场站的短期功率预测优化模型，根据所述短期功率预测优化模型计算优化后的短期功率预测值，并建立日前价格预测模型进行日前价格的预测；

第一优化模块，用于根据预测的日前价格和所述优化后的短期功率预测值，结合所述初始储能容量和所述持续时间建立日前获取收益模型，通过所述日前获取收益模型进行现货市场申报曲线的优化；

第二建立模块，用于建立所述新能源场站的超短期功率预测优化模型，根据所述超短期功率预测优化模型计算优化后的超短期功率预测值，并建立实时价格预测模型进行实时价格的预测；

第二优化模块，用于根据预测的实时价格和所述优化后的超短期功率预测值，结合所述初始储能容量和所述持续时间建立实时获取收益模型，通过所述实时获取收益模型进行所述新能源场站的储能出力控制曲线的优化；

计算模块，用于基于优化后的储能出力控制曲线和现货市场申报曲线，结合储能出力的相关数据计算储能投入后的内部收益率，通过最大化所述储能投入后的内部收益率计算储能最优的目标储能配置容量和目标持续时间。

8.根据权利要求7所述的控制装置，其特征在于，所述计算模块，具体用于：

结合所述优化后的储能出力控制曲线和新能源出力数据，通过所述实时获取收益模型计算实时收益，并根据所述优化后的现货市场申报曲线，通过所述日前获取收益模型计算日前收益，根据所述实时收益和所述日前收益计算现货市场整体收益；

结合储能参数和所述现货市场整体收益建立储能生命周期内的现货市场整体收益模型；

获取历史的优化前短期功率预测数据、现货市场价格数据和场站实发数据，采用所述现货市场整体收益模型计算储能生命周内现货市场优化前的整体收益；

计算储能生命周期内的现货市场整体收益与所述储能生命周内现货市场优化前的整体收益之间的差值，并结合所述差值和预设的储能投资成本模型计算所述储能投入后的内部收益率。

9.根据权利要求7所述的控制装置，其特征在于，所述第一建立模块，具体用于：

获取历史的所述新能源场站的短期功率预测数据，以及与所述新能源场站的短期功率预测数据对应时间内的第一场站实发数据、第一资源数据、第一场站机组状态数据和第一机组位置数据；

计算所述历史的所述新能源场站的短期功率预测数据和所述第一场站实发数据之间的差值；

结合所述差值、所述第一资源数据、所述第一场站机组状态数据和所述第一机组位置数据，建立所述新能源场站的短期功率预测优化模型。

10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的基于人工智能的新能源场站的储能控制方法。

Images