CN115864464B - 一种适用于储能系统的放电优化方法 - Google Patents

Abstract

本发明涉及储能电池管理技术领域，具体涉及对于储能系统放电环节的优化设计。本发明是通过以下技术方案得以实现的：一种适用于储能系统的放电优化方法，S01、基本信息获得步骤；获得储能系统的基本信息；S02、基本充放电策略确定步骤；将一天分成多个时间长度相等的时间分段，并确定该种储能系统的基本充放电策略；S03、确定可优化放电区间步骤；S04、放电优化调节步骤；确定所述可优化放电区间中每个时间分段的具体充放电操作，使用遍历算法对所有的时间分段进行充电或静置的排列组合。本发明的目的是提供一种适用于储能系统的放电优化方法和放电优化系统，可完全取代手动设置策略，其实现无需带标签的历史数据，更适合大规模储能系统的策略优化。

Description

一种适用于储能系统的放电优化方法

技术领域

本发明涉及储能电池管理技术领域，具体涉及对于储能系统放电环节的优化设计。

背景技术

近年来在碳中和的设计要求和影响下，光伏、风力等清洁能源越来越多地参与到电力供应系统中，然而光伏和风力发电的效率和所处环境相关，难以被直接控制，且电力很难直接被存储，这就使得电力的供需也逐渐失衡。

在这样的背景下，储能技术得到了发展和广泛应用。如公开号为CN202211192865的中国专利文件公开了一种储能系统的电力调度方法及储能系统，在硬件上，其包含多组电池簇、电池汇流柜、功率转换器等电力部件，其可以存储电能及供能，从而保证电力供需的平衡。

在众多储能技术中，电化学储能的应用较为广泛，通常使用蓄电池实现削峰填谷来促进电力供需平衡。控制蓄电池，使之在电力系统的谷时时刻充电，在峰时时刻放电，从而增加电力系统的电力利用率和收益率。

进一步的，储能系统的工作状态有三种，分别是：充电、放电和静置，充电和放电是持续产生收益的必要步骤，也是储能系统优化的主要对象。其中，充电阶段的优化目标主要是减少充电时长和减小充电温升两方面来考虑。放电阶段由于其负载存在不确定性，放电阶段的优化主要是策略的优化，即选择在何时、何种条件下进行放电，怎样进行放电，从而达到电力最大的利用率，供需收益最大化。需要说明的是，储能系统具有数量多、规模增长快的特别，由于基础量大，即使在原有放电策略的基础上，通过策略优化，将利用率、收益率提升1个百分点，其总体的收益提升也是巨大的，故，放电策略的正确选择与优化，成为了储能系统设计工作过程中不可忽视的重点内容之一。

在对储能系统的放电策略进行优化时，存在工程师手动优化和系统自动优化两种方式。显而易见的是，由于储能系统数量多、增长快速、储能系统分布在各个地区而存在的差异性等因素，工程师来手动对每个储能系统进行参数设置效率低，耗时耗力。在现有技术中，往往是采用智能管理系统来实现放电策略的优化。如公开号为CN201610278696的中国专利文件公开了一种基于自适应动态规划的百兆瓦储能功率控制方法及系统。其包含神经网络和执行模块，基于其自学习功能对储能系统进行优化。

然而，该种使用神经网络深度学习的方法和系统还是存在着一定的技术缺陷。首先，训练神经网络模型需要大量带标签的历史数据，而获取带标签的历史数据需要耗费大量人力物力。其次，储能系统数量多，价格多样，需要训练不同的模型来适应各种情况。第三，电力系统的规则，如电价，随季节变化存在时变性，当电价改变时需要重新收集对应的数据并重新训练模型。即深度学习的方法来实现放电策略优化需要大量历史数据、训练多种模型，随着价格的变化需要重复收集数据并重新训练模型，当储能系统在各地大量增长时，深度学习要想继续实现策略的优化，其难度可能出现指数级增长。

发明内容

本发明的目的是提供一种适用于储能系统的放电优化方法，可完全取代手动设置策略，其实现无需带标签的历史数据，对不同地区的电力规则，无需针对性地训练不同的模型，通用性高，计算量小，更适合大规模储能系统的策略优化。

本发明是通过如下技术方案实现的：一种适用于储能系统的放电优化方法，包含如下步骤： S01、基本信息获得步骤； 获得储能系统的基本信息；所述基本信息包含该储能系统所在地区的时间电价数据和储能系统电量数据， S02、基本充放电策略确定步骤； 将一天分成多个时间长度相等的时间分段，并确定该种储能系统的基本充放电策略；所述基本充放电策略为：当第i时间分段的电价等于最低电价/>，则该时间分段进行充电，当/>大于/>，则该时间分段进行放电， S03、确定可优化放电区间/>步骤； 确定可优化放电区间/>；所述可优化放电区间/>同时满足两个条件，条件一，所述可优化放电区间/>中，所有的时间分段都无充电操作，条件二，所述可优化放电区间/>中，包含大于等于两种电价， S04、放电优化调节步骤； 确定所述可优化放电区间/>中每个时间分段的具体充放电操作，使用遍历算法对所有的时间分段进行充电或静置的排列组合，得到每组排列组合的动作集合和与之对应的放电总收益，选择放电总收益最大的排列组合的动作集合为放电优化调节的最优解。

作为本发明的优选，在所述S04中使用到的遍历算法为强化学习 Dyna-Q 算法或Q-Learning优化算法。

作为本发明的优选，在所述S04中使用到的遍历算法为蚁群优化算法或粒子群算法。

作为本发明的优选，在所述S04中使用到的遍历算法为动态规划算法； 所述动态规划算法使用如下公式形成动态规划矩阵dp，，公式中，dp为动态规划矩阵，k和j为矩阵编号下标，k为时间切片的编号，j为剩余发电时间切片编号，k和j均为自然数，该公式是在和/>这两个值中取最大值,其中/>是指表示优化放电区间第 k 个时间切片时的电价为/>时新增的放电收益,所述时间切片的长度为用户自定义； 在所述动态规划矩阵dp中，每一个矩阵的坐标点都为一个每组排列组合的动作集合和与之对应的放电总收益，选择放电总收益最大的排列组合的动作集合为放电优化调节的最优解。

作为本发明的优选，每个所述时间切片的长度为6秒。

作为本发明的优选，在所述S02中，包含如下子步骤； S021、分段确定步骤； 将一天24个小时划分为时间等长的所述时间分段， S022、分段基本信息获得步骤； 获得每个时间分段对应的电价信息，，N为时间分段的总数， S023、分段基本策略确定步骤； 该步骤使用到的公式示性函数公式，具体为：/>，其中，i为时间分段下标，/>为第i个时间分段对应的电价，I（）为示性函数，当括号里的内容成立，则返回1，否则返回0，一天中各个时间分段的充放电具体操作为S，/>，即为一天中第i个时间段对应的充放电操作，其值为-1时对应的为放电，1为充电。

作为本发明的优选，在所述S021中，每个所述时间分段的时间长度定为60分钟。

作为本发明的优选，在所述S03中，对所述条件二进行判断时，使用到的函数为去重函数，具体为： ， 其中，n和m为所述可优化的放电区间/>的时间分段起点和终点，/>，即为/>中的电价，s.t.为限定条件符号，f（）为去重函数，括号里的内容有多少种电价，则就会返回对应的电价数量。

本发明的技术效果为：

1、完全取代手动策略调整，能自动对不同地区的储能系统进行计算，最后得出放电环节的优化最优解，极大提升储能系统的放电效率和收益值。

2、无需带标签的历史数据，只需要采集到的原始基本数据即可，且无需针对性地训练不同的模型。

3、使用动态规划实现放电策略优化无需离线训练模型，直接算出全局最优解，算法稳定。

4、整个计算过程简洁明快，各个步骤对算力的负担要求小，适合大规模储能系统的策略优化。

附图说明

图1为实施例1中，没有经过放电优化的充放电示意图。

图2为实施例1中，经过放电优化后的充放电示意图。

具体实施方式

以下对本发明作进一步详细说明。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

实施例1，一种适用于储能系统的放电优化方法，包含如下具体步骤，S01、基本信息获得步骤。在该步骤中，无需像现有技术中的神经网络去获得带有标签的海量数据以供神经网络去进行机器学习。而是只需要获得储能系统所在地区的基本信息。该基本信息只需要包含时间电价数据和储能系统电量数据，前者为一天之中，该地区在不同时刻下其电价规则的映射关系，后者为储能系统充电放电的电量信息，该种信息无需计算，在现有技术中，都为已知量。

如图1所示，图1是没有经过本系统优化的储能系统的工作状态示意图，其中横坐标是一天中的时间，其坐标精度可任意设置。例如，可以设置为坐标间隔为10分钟，或30分钟。在本实施例中，设置为1小时。而图中的黑点，表示为该时间下所对应的电力价格。

如图1所示，从图中可以看到，存在三种电力价格，分别是价格一：19点和20点对应的1.3元/千瓦时；价格二：8-10点，13-18点，21点，对应的是0.96元/千瓦时；价格三：0-7点，11、12点，22、23点，对应的是0.4元/千瓦时。

以上三种价格和对应的时间，即为储能系统所在地区的基本规则数据。该规则获取方式简单，只需要对接电力网站或政务网站导入即可，本领域技术人员可通过编写程序实现自动导入，程序语言可使用现有技术中C语言、JAVA等，这部分为现有技术内容，本案在这里不做赘述。

由于基本信息存在获取方式简单，数据类型简单的特点，故这一过程实现容易，计算量也很小。

S02、基本充放电策略确定步骤。

在该步骤中，包含如下子步骤。

S021、分段确定步骤。

在该步骤中，将一天24小时，划分为多个时间分段。这一过程需要均匀划分，即每个时间分段的时间长度是相当的。如每个时间分段的长度为10分钟，则一天划分为144个时间分段。长度为30分钟，则一天划分为48个时间分段。

在本实施例中，时间分段的长度为60分钟，一天被划分为24个时间分段。

S022、分段基本信息获得步骤。

分完段后，按照S01中获得的储能系统所在地区的基本信息数据，来获得每一个时间分段的具体电价。

记i为一天中第i个时间分段，i=1、2、3……N,即一天中被平均分成了N个时间分段，时间分段的电价为，则一天中各时间段的电价表示为/>。

S023、分段基本策略确定步骤。

查找到电价最低的时间分段，其对应的最低的电价为。

基本策略为：若某一时间分段的电价为最低电价，则充电。若高于最低电价，则放电。

该策略在编程上可通过诸多方式实现，在本实施例中，采用示性函数的方式来实现，其编写简单，计算力要求低。公式为：

其中，i为时间分段下标，为第i个时间分段对应的电价，I（）为示性函数，当括号里的内容成立，则返回1，否则返回0。一天中各个时间分段的充放电具体操作为S，，/>即为一天中第i个时间段对应的充放电操作，其值为-1时对应的为放电，1为充电。

S03、确定可优化放电区间步骤。

可优化的放电区间的确定有两个限制条件。限制条件一：该区间中，每个时间分段对应的充放电操作，不能为充电。限制条件二：该区间中，存在不止一种电价。两个条件都符合的放电区间，即为可优化放电区间。

该功能的实现可本领域技术人员选用现有编程方法来完成，在本实施例中，采用去重函数来实现，同样具有操作便捷，运算负荷小的特点。

具体的，可优化的放电区间，其开始阶段记为第n个时间分段，其结束阶段记为第m个时间分段。

则的约束条件为：

。

的约束条件为：

。

其中，s.t.为限定函数的数学符号。

。

其中，，即为/>中的电价。f（）为去重函数，括号里的内容有多少种电价，则就会返回对应的电价数量。

如图1所示，符合以上两个限定条件的，就是第13个时间分段-第21个时间分段，n=13，m=21，=2。

基于此，第13个时间分段-第21个时间分段即为可优化的放电区间，后续对于充放电的具体调整，都是集中在这一段区间。

图中，在横轴0上方出现柱状图的，都是在充电状态，在横轴0下方出现柱状图的，都是在放电状态，柱状图的长短表示充电/放电的电量值，图1是没有使用本系统进行放电优化前的示意图，其在13-19点时全力放电，而在20和21这个最需要放电的时间段，即电价最高的时间段，已经所有储存的电量已经放完，无法放电，这不仅不利于储能系统的供电有效性，也不利于储能系统的供电经济收益。

S04、放电优化调节步骤。

在上一步骤中已经确定了可优化放电区间，在本步骤中，需要确定具体的优化举措。所谓的优化举措，即每个时间分段的具体的放电行为，由于在可优化放电区间/>中，如上文所述，已经限定了不可能存在充电，故具体的放电行为只有两种：正常放电或静置。

此时，就进入算法遍历，可选用现有技术中的成熟的遍历算法，对所有的排列组合进行遍历。例如以0表示静置（不充电不放电），-1表示放电，如图1所示，其13点-21点的动作集合为：-1、-1、-1、-1、-1、-1、-1、0、0。这一组即为一组动作集合，系统也可通过总电量和电价信息轻易获得改组动作集合对应的放电总收益。系统遍历所有可能组合，即2的9次方，512种动作集合，得到512个放电总收益值，选择其中最大的放电总收益值和其对应的动作集合，即为最终的优化结果。

如图2所示，优化后的动作集合从图中可以看出，13点到21点这段时间的动作集合最优解为-1、-1、-1、0、0、0、-1、-1、-1；即在16、17、18三个时间分段静置，在其他时间分段正常放电。

这里需要说明的是，在本发明中，只需要计算是静置状态还是放电状态即可，对需要放电多少电量无需计算。图2中虽然每个放电柱状图的电量大小存在区别，但是该区别是根据具体的温度、电流值的不同自然产生的轻微区别，而非本发明需要计算的具体控制值。此外，每个储能系统的电量自然也是有限的，在这个遍历过程中自然也将储能系统的总电量考虑进去，若在某一种方案中，到了某一个时间段电量已经释放完毕，自然之后的时间也不会继续放电，不会产生收益了。这种情况在遍历中已经体现。

经过本系统的优化，经过发明人的实际操作与测算，得放电收益最大化，提升削峰填谷的能力，通过计算可以得出该方法可以为该基站每天增加 1.19 元的收益，该基站的日平均收益在 12 元左右，提升的收益将近 10%，并且通过优化后在 16-18 时保持静置状态，减缓了储能电池连续放电的压力。

需要说明的是，在S04中的遍历算法，可以使用诸如强化学习 Dyna-Q 算法、Q-Learning优化算法或蚁群优化算法或粒子群算法。

实施例2，与实施例1的区别是，在S04步骤中，采用的算法为动态规划算法。

具体的，动态规划算法使用以下公式形成动态规划矩阵dp，其建立公式为：

其中，dp为动态规划矩阵，k和j为矩阵编号下标。k为时间切片的编号，其为自然数， 0、1、2……,需要说明的是，时间切片的长度可以工程人员自设，例如设定单个时间切片为6分钟，则在本实施例中，每个时间分段1小时就包含了10个时间切片。这样选择的好处是达到了数据精准度和计算速度的平衡。而j为剩余发电时间切片编号，同样为自然数，0、1、2……，其反映的是剩余的电量可支持发电的时间切片数量。该公式是在和这两个值中取最大值。其中/>是指表示优化放电区间第 k 个时间切片时的电价为/>时新增的放电收益。

通过以上公式，可以生成动态规划矩阵dp，而在这动态规划矩阵dp中就包含放电总收益值的数据和其对应的放电操作策略，自然就存在放电总收益值的最大值。（在该二维矩阵生成后，其最右下角的数据往往就是最大值）。而该放电总收益值的最大值对应的放电操作策略即为本发明最终所需要的结果。

本实施例中，S04采用动态规划的放电策略优化算法，用于取代手动设置策略，相较于其他优化算法，能够直接算出策略的全局最优解，且不会有较大幅度的波动；相较于其他智能优化算法容易陷入局部最优解的情况，动态规划的算法可直接求出全局最优解。

Claims (5)

1.一种适用于储能系统的放电优化方法，其特征在于，包含如下步骤： S01、基本信息获得步骤； 获得储能系统的基本信息；所述基本信息包含该储能系统所在地区的时间电价数据和储能系统电量数据， S02、基本充放电策略确定步骤； 将一天分成多个时间长度相等的时间分段，并确定该种储能系统的基本充放电策略；所述基本充放电策略为：当第i时间分段的电价等于最低电价/>，则该时间分段进行充电，当/>大于/>，则该时间分段进行放电， S03、确定可优化放电区间/>步骤； 确定可优化放电区间/>；所述可优化放电区间/>同时满足两个条件，条件一，所述可优化放电区间/>中，所有的时间分段都无充电操作，条件二，所述可优化放电区间/>中，包含至少两种电价， S04、放电优化调节步骤； 确定所述可优化放电区间/>中每个时间分段的具体充放电操作，使用遍历算法对所有的时间分段进行充电或静置的排列组合，得到每组排列组合的动作集合和与之对应的放电总收益，选择放电总收益最大的排列组合的动作集合为放电优化调节的最优解，在所述S04中使用到的遍历算法为动态规划算法； 所述动态规划算法使用如下公式形成动态规划矩阵dp，，公式中，dp为动态规划矩阵，k和j为矩阵编号下标，k为时间切片的编号，j为剩余发电时间切片编号，k和j均为自然数，该公式是在和/>这两个值中取最大值,其中/>是指表示优化放电区间第 k 个时间切片时的电价为/>时新增的放电收益,所述时间切片的长度为用户自定义； 在所述动态规划矩阵dp中，每一个矩阵的坐标点都为一个每组排列组合的动作集合和与之对应的放电总收益，选择放电总收益最大的排列组合的动作集合为放电优化调节的最优解，所述动态规划算法不容易陷入局部最优解的情况，其可直接求出全局最优解。

2.根据权利要求1所述的一种适用于储能系统的放电优化方法，其特征在于：每个所述时间切片的长度为6秒。

3.根据权利要求1或2所述的一种适用于储能系统的放电优化方法，其特征在于：在所述S02中，包含如下子步骤； S021、分段确定步骤； 将一天24个小时划分为时间等长的所述时间分段， S022、分段基本信息获得步骤； 获得每个时间分段对应的电价信息，，N为时间分段的总数， S023、分段基本策略确定步骤； 该步骤使用到的公式示性函数公式，具体为：/>，其中，i为时间分段下标，/>为第i个时间分段对应的电价，I（）为示性函数，当括号里的内容成立，则返回1，否则返回0，一天中各个时间分段的充放电具体操作为S，/>，/>即为一天中第i个时间段对应的充放电操作，其值为-1时对应的为放电，1为充电。

4.根据权利要求3所述的一种适用于储能系统的放电优化方法，其特征在于：在所述S021中，每个所述时间分段的时间长度定为60分钟。

5.根据权利要求3所述的一种适用于储能系统的放电优化方法，其特征在于：在所述S03中，对所述条件二进行判断时，使用到的函数为去重函数，具体为：， 其中，n和m为所述可优化的放电区间/>的时间分段起点和终点，/>，即为/>中的电价，s.t.为限定条件符号，f（）为去重函数，括号里的内容有多少种电价，则就会返回对应的电价数量。