CN115954910B - 一种基于能量优化的分布式储能控制方法及系统 - Google Patents

Abstract

本发明公开了一种基于能量优化的分布式储能控制方法及系统，通过获取目标区域内的电气节点，对具有不同电气特征的电气节点进行集群划分，通过划分后的电气节点基于微电网与大电网负荷特征的差异，基于LSTM进行微电网负荷预测，根据预测结果分析微电网电力负荷的波动性与周期性获取最优负荷预测，根据最优负荷预测使用PSO粒子群优化算法对储能充放电功率进行了优化。

Description

一种基于能量优化的分布式储能控制方法及系统

技术领域

本发明涉及电力储能优化领域，更具体的，涉及一种基于能量优化的分布式储能控制方法及系统。

背景技术

目前，电力行业正在经历深度转型，数字化也已成为了发展趋势。随着互联网、云计算、区块链等新的信息技术快速发展，数字技术正以新理念、新业态、新模式全面融入人类经济社会的各个领域和全过程，给人类生活生产带来广泛而深刻的影响。但在当前电力发展状况下，受制于传统电网系统，依然存在电网供能不及时，储能方案效果差，电网地域储能分布的分析不精准等问题，其阻碍了电力行业的发展。

发明内容

本发明克服了现有技术的缺陷，提出了一种基于能量优化的分布式储能控制方法及系统。

本发明第一方面提供了一种基于能量优化的分布式储能控制方法，包括：

获取目标区域电气节点数据；

根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据；

根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据；

根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据；

根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案。

本方案中，根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据，具体为：

根据目标区域面积大小进行区域划分，得到多个节点区域；

将目标区域电气节点数据根据节点区域范围进行数据划分得到多个节点数据；

将所述节点数据进行电气特征数据提取得到对应的电气节点特征数据。

本方案中，根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，具体为：

根据电气节点特征数据进行数据特征比较并通过特征相似度将多个电气节点进行集群划分，得到多个电气集群；

一个电气集群包括一个或多个电气节点，一个电气节点对应一个节点区域。

本方案中，根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，还包括：

构建电力预测模型；

获取目标区域历史电网数据；

将历史电网数据进行微网特征与大电网特征分析并进行数据划分，得到历史微网数据与历史大电网数据；

将所述历史微网数据与历史大电网数据导入电力预测模型进行基于LSTM算法模式的电网数据预测训练，直至电力预测模型预测准确率达到预设准确率。

本方案中，根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，具体为：

选取一个电气集群并标记为当前电气集群，将当前电气集群中的所有电气节点特征数据与对应的数据采集时间信息导入电力预测模型；

电力预测模型根据导入的数据对电气集群进行多时间维度的电网波动性分析，得到日间波动数据、一周波动数据、季节性波动数据；

根据所述日间波动数据、一周波动数据、季节性波动数据进行特征提取得到多时间维度波动特征；

根据所述多时间维度波动特征进行电力周期性分析得到电力波动周期特征。

本方案中，根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

将多时间维度波动特征、电力波动周期特征导入电力预测模型进行电力负荷预测，得到电网负荷预测数据；

获取用户预测需求时间信息；

根据用户预测需求时间信息得到预测需求时间点，基于预测需求时间点对电网负荷预测数据进行数据提取得到对应的时间点的第一负荷预测数据；

将第一负荷预测数据根据用户预设时间维度进行划分得到多段预测数据与对应时间信息；

将所述多段预测数据与对应时间信息作为最优负荷预测数据。

本方案中，根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

实时获取当前电气集群内电气节点的电力监测数据；

将电力监测数据与最优负荷预测数据进行对比分析并计算当前预测数据的准确率；

若所述准确率低于预设准确率，则将电力监测数据与最优负荷预测数据对应的数据段进行提取并进行整合得到预测整合数据；

将所述预测整合数据作为二次训练数据导入电力预测模型进行模型训练。

本方案中，所述根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案，具体为：

根据最优负荷预测数据对当前电气集群进行电网充放功率分析，并以电网波动最小为目标，将各电站的线路状态和电池的充电功率作为约束条件，通过PSO粒子群优化算法进行计算分析得到当前电气集群中各电站的最佳荷电状态；

根据最佳荷电状态进行对电气集群中各节点区域进行充放电功率分析得到各节点区域的充放电功率方案；

根据所述充放电功率方案对各节点区域进行分布式储能分析，得到各节点区域对应的储能方案；

将放电功率方案与储能方案进行方案整合得到电力优化方案；

将所述电力优化方案发送至预设电网设备。

本发明第二方面还提供了一种基于能量优化的分布式储能控制系统，该系统包括：存储器、处理器，所述存储器中包括基于能量优化的分布式储能控制程序，所述基于能量优化的分布式储能控制程序被所述处理器执行时实现如下步骤：

获取目标区域电气节点数据；

根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据；

根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据；

根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据；

根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案。

本方案中，所述根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，还包括：

构建电力预测模型；

获取目标区域历史电网数据；

将历史电网数据进行微网特征与大电网特征分析并进行数据划分，得到历史微网数据与历史大电网数据；

将所述历史微网数据与历史大电网数据导入电力预测模型进行基于LSTM算法模式的电网数据预测训练，直至电力预测模型预测准确率达到预设准确率。

本发明公开了一种基于能量优化的分布式储能控制方法及系统，通过获取目标区域内的电气节点，对具有不同电气特征的电气节点进行集群划分，通过划分后的电气节点基于微电网与大电网负荷特征的差异，基于LSTM进行微电网负荷预测，根据预测结果分析微电网电力负荷的波动性与周期性获取最优负荷预测，根据最优负荷预测使用PSO粒子群优化算法对储能充放电功率进行了优化。

附图说明

图1示出了本发明一种基于能量优化的分布式储能控制方法的流程图；

图2示出了本发明获取电气节点特征数据流程图；

图3示出了本发明构建电力预测模型流程图；

图4示出了本发明一种基于能量优化的分布式储能控制系统的框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种基于能量优化的分布式储能控制方法的流程图。

如图1所示，本发明第一方面提供了一种基于能量优化的分布式储能控制方法，包括：

S102，获取目标区域电气节点数据；

S104，根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据；

S106，根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据；

S108，根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据；

S110，根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案。

图2示出了本发明获取电气节点特征数据流程图。

根据本发明实施例，所述根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据，具体为：

S202，根据目标区域面积大小进行区域划分，得到多个节点区域；

S204，将目标区域电气节点数据根据节点区域范围进行数据划分得到多个节点数据；

S206，将所述节点数据进行电气特征数据提取得到对应的电气节点特征数据。

需要说明的是，电气节点数据包括全部电气节点采集的电力数据，所述电力数据包括历史与当前的电力负荷、电力能耗、电力质量等电力数据。

根据本发明实施例，所述根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，具体为：

根据电气节点特征数据进行数据特征比较并通过特征相似度将多个电气节点进行集群划分，得到多个电气集群；

一个电气集群包括一个或多个电气节点，一个电气节点对应一个节点区域。

图3示出了本发明构建电力预测模型流程图。

根据本发明实施例，所述根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，还包括：

S302，构建电力预测模型；

S304，获取目标区域历史电网数据；

S306，将历史电网数据进行微网特征与大电网特征分析并进行数据划分，得到历史微网数据与历史大电网数据；

S308，将所述历史微网数据与历史大电网数据导入电力预测模型进行基于LSTM算法模式的电网数据预测训练，直至电力预测模型预测准确率达到预设准确率。

需要说明的是，所述预设准确率为用户设定值，该值越高，训练次数与训练时间值越大。所述基于LSTM算法模式的电网数据预测训练，具体为通过建立LSTM模型，对历史微网数据与历史大电网数据进行电网发电功率、峰值、频率波动范围等数信息的数据提取，得到电网数据集，将电网数据集根据LSTM模型预设训练模式参数进行数据划分，得到训练集数据与验证集数据，将训练集数据与验证集数据导入LSTM模型进行预测训练与验证，所述电力预测模型包括LSTM模型。

根据本发明实施例，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，具体为：

选取一个电气集群并标记为当前电气集群，将当前电气集群中的所有电气节点特征数据与对应的数据采集时间信息导入电力预测模型；

电力预测模型根据导入的数据对电气集群进行多时间维度的电网波动性分析，得到日间波动数据、一周波动数据、季节性波动数据；

根据所述日间波动数据、一周波动数据、季节性波动数据进行特征提取得到多时间维度波动特征；

根据所述多时间维度波动特征进行电力周期性分析得到电力波动周期特征。

需要说明的是，所述日间波动数据、一周波动数据、季节性波动数据具体为分析一天内、一周内以及3-4个月内的电力波动数据，通过多个时间维度的电力数据分析，能够准确地对电气集群内节点区域进行周期性电力波动分析，从而实现节点区域的精准电力储能与电力供应能力，减少不必要的能源消耗。所述数据采集时间信息具体为电气节点特征数据对应的时间节点信息。

根据本发明实施例，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

将多时间维度波动特征、电力波动周期特征导入电力预测模型进行电力负荷预测，得到电网负荷预测数据；

获取用户预测需求时间信息；

根据用户预测需求时间信息得到预测需求时间点，基于预测需求时间点对电网负荷预测数据进行数据提取得到对应的时间点的第一负荷预测数据；

将第一负荷预测数据根据用户预设时间维度进行划分得到多段预测数据与对应时间信息；

将所述多段预测数据与对应时间信息作为最优负荷预测数据。

需要说明的是，所述用户预测需求时间信息包括用户需求的预测时间点信息与用户预设时间维度，所述用户预设时间维度包括一天、一周或者3-4个月以内的时间维度。

根据本发明实施例，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

实时获取当前电气集群内电气节点的电力监测数据；

将电力监测数据与最优负荷预测数据进行对比分析并计算当前预测数据的准确率；

若所述准确率低于预设准确率，则将电力监测数据与最优负荷预测数据对应的数据段进行提取并进行整合得到预测整合数据；

将所述预测整合数据作为二次训练数据导入电力预测模型进行模型训练。

根据本发明实施例，所述根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案，具体为：

根据最优负荷预测数据对当前电气集群进行电网充放功率分析，并以电网波动最小为目标，将各电站的线路状态和电池的充电功率作为约束条件，通过PSO粒子群优化算法进行计算分析得到当前电气集群中各电站的最佳荷电状态；

根据最佳荷电状态进行对电气集群中各节点区域进行充放电功率分析得到各节点区域的充放电功率方案；

根据所述充放电功率方案对各节点区域进行分布式储能分析，得到各节点区域对应的储能方案；

将放电功率方案与储能方案进行方案整合得到电力优化方案；

将所述电力优化方案发送至预设电网设备。

需要说明的是，所述预设电网设备具体为电网的变电站、输电站、配电站等电力单位内的电网设备。所述分布式储能包括风力机械发电储能，光发电储能及电池储能等。本发明通过对节点区域的不同电气特征进行相应的分布式储能分析，能够得到有针对性的储能方案，实现提高节点区域的电力效能。

根据本发明实施例，还包括：

实时获取当前电气集群内电气节点的电力监测数据；

将电力监测数据与最优负荷预测数据进行对比分析并计算当前预测数据的准确率；

判断所述准确率是否低于第二预设准确率；

若低于第二预设准确率，则将所述准确率与第二预设准确率进行差值计算得到准确率差值；

获取当前电气集群内的节点区域数N；

根据区域数N与差值大小进行节点区域数计算，得到最优节点数值M；

对当前电气集群进行节点区域的二次划分并得到M个节点区域；

对划分后的电气集群进行二次电力预测。

需要说明的是，所述M的数值大于N，且准确率差值越大，M的值越大。所述第二预设准确率为用户设定值。本发明通过对预测准确率的判断比较，对预测准确率较低的电气集群进行区域的二次华分，能够进一步提高电气集群的预测准确率，从而对电网区域进行区域分布式的方案调整，进一步优化电网配电与储能方案，实现电网的高效安全运行。

根据本发明实施例，还包括：

获取当前电气集群的电力设备维护记录数据；

根据所述电力设备维护记录数据进行时间点提取得到维护时间信息；

获取目标区域历史电网数据；

根据维护时间信息从历史电网数据进行相应数据提取得到第一电网数据；

分析第一电网数据特征得到故障点电气特征数据；

将故障点电气特征数据导入电力预测模型，电力预测模型根据故障点电气特征数据对最优负荷预测数据进行修正。

需要说明的是，所述第一电网数据具体为电网设备出现故障或维护过程中对应的电力监测数据，通过分析故障点电气特征数据，能够对不同区域内的电网设备进行电力峰值与峰值时间进行评估分析并对最优负荷预测数据进行修正，得到更加准确的预测数据。

图4示出了本发明一种基于能量优化的分布式储能控制系统的框图。

本发明第二方面还提供了一种基于能量优化的分布式储能控制系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于能量优化的分布式储能控制程序，所述基于能量优化的分布式储能控制程序被所述处理器执行时实现如下步骤：

获取目标区域电气节点数据；

根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据；

根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据；

根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据；

根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案。

根据本发明实施例，所述根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据，具体为：

根据目标区域面积大小进行区域划分，得到多个节点区域；

将目标区域电气节点数据根据节点区域范围进行数据划分得到多个节点数据；

将所述节点数据进行电气特征数据提取得到对应的电气节点特征数据。

需要说明的是，电气节点数据包括全部电气节点采集的电力数据，所述电力数据包括历史与当前的电力负荷、电力能耗、电力质量等电力数据。

根据本发明实施例，所述根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，具体为：

根据电气节点特征数据进行数据特征比较并通过特征相似度将多个电气节点进行集群划分，得到多个电气集群；

一个电气集群包括一个或多个电气节点，一个电气节点对应一个节点区域。

根据本发明实施例，所述根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，还包括：

构建电力预测模型；

获取目标区域历史电网数据；

将历史电网数据进行微网特征与大电网特征分析并进行数据划分，得到历史微网数据与历史大电网数据；

将所述历史微网数据与历史大电网数据导入电力预测模型进行基于LSTM算法模式的电网数据预测训练，直至电力预测模型预测准确率达到预设准确率。

需要说明的是，所述预设准确率为用户设定值，该值越高，训练次数与训练时间值越大。所述基于LSTM算法模式的电网数据预测训练，具体为通过建立LSTM模型，对历史微网数据与历史大电网数据进行电网发电功率、峰值、频率波动范围等数信息的数据提取，得到电网数据集，将电网数据集根据LSTM模型预设训练模式参数进行数据划分，得到训练集数据与验证集数据，将训练集数据与验证集数据导入LSTM模型进行预测训练与验证，所述电力预测模型包括LSTM模型。

根据本发明实施例，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，具体为：

选取一个电气集群并标记为当前电气集群，将当前电气集群中的所有电气节点特征数据与对应的数据采集时间信息导入电力预测模型；

电力预测模型根据导入的数据对电气集群进行多时间维度的电网波动性分析，得到日间波动数据、一周波动数据、季节性波动数据；

根据所述日间波动数据、一周波动数据、季节性波动数据进行特征提取得到多时间维度波动特征；

根据所述多时间维度波动特征进行电力周期性分析得到电力波动周期特征。

需要说明的是，所述日间波动数据、一周波动数据、季节性波动数据具体为分析一天内、一周内以及3-4个月内的电力波动数据，通过多个时间维度的电力数据分析，能够准确地对电气集群内节点区域进行周期性电力波动分析，从而实现节点区域的精准电力储能与电力供应能力，减少不必要的能源消耗。所述数据采集时间信息具体为电气节点特征数据对应的时间节点信息。

根据本发明实施例，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

将多时间维度波动特征、电力波动周期特征导入电力预测模型进行电力负荷预测，得到电网负荷预测数据；

获取用户预测需求时间信息；

根据用户预测需求时间信息得到预测需求时间点，基于预测需求时间点对电网负荷预测数据进行数据提取得到对应的时间点的第一负荷预测数据；

将第一负荷预测数据根据用户预设时间维度进行划分得到多段预测数据与对应时间信息；

将所述多段预测数据与对应时间信息作为最优负荷预测数据。

需要说明的是，所述用户预测需求时间信息包括用户需求的预测时间点信息与用户预设时间维度，所述用户预设时间维度包括一天、一周或者3-4个月以内的时间维度。

根据本发明实施例，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

实时获取当前电气集群内电气节点的电力监测数据；

将电力监测数据与最优负荷预测数据进行对比分析并计算当前预测数据的准确率；

若所述准确率低于预设准确率，则将电力监测数据与最优负荷预测数据对应的数据段进行提取并进行整合得到预测整合数据；

将所述预测整合数据作为二次训练数据导入电力预测模型进行模型训练。

根据本发明实施例，所述根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案，具体为：

根据最优负荷预测数据对当前电气集群进行电网充放功率分析，并以电网波动最小为目标，将各电站的线路状态和电池的充电功率作为约束条件，通过PSO粒子群优化算法进行计算分析得到当前电气集群中各电站的最佳荷电状态；

根据最佳荷电状态进行对电气集群中各节点区域进行充放电功率分析得到各节点区域的充放电功率方案；

根据所述充放电功率方案对各节点区域进行分布式储能分析，得到各节点区域对应的储能方案；

将放电功率方案与储能方案进行方案整合得到电力优化方案；

将所述电力优化方案发送至预设电网设备。

需要说明的是，所述预设电网设备具体为电网的变电站、输电站、配电站等电力单位内的电网设备。

根据本发明实施例，还包括：

实时获取当前电气集群内电气节点的电力监测数据；

将电力监测数据与最优负荷预测数据进行对比分析并计算当前预测数据的准确率；

判断所述准确率是否低于第二预设准确率；

若低于第二预设准确率，则将所述准确率与第二预设准确率进行差值计算得到准确率差值；

获取当前电气集群内的节点区域数N；

根据区域数N与差值大小进行节点区域数计算，得到最优节点数值M；

对当前电气集群进行节点区域的二次划分并得到M个节点区域；

对划分后的电气集群进行二次电力预测。

需要说明的是，所述M的数值大于N，且准确率差值越大，M的值越大。所述第二预设准确率为用户设定值。本发明通过对预测准确率的判断比较，对预测准确率较低的电气集群进行区域的二次华分，能够进一步提高电气集群的预测准确率，从而对电网区域进行区域分布式的方案调整，进一步优化电网配电与储能方案，实现电网的高效安全运行。

本发明公开了一种基于能量优化的分布式储能控制方法及系统，通过获取目标区域内的电气节点，对具有不同电气特征的电气节点进行集群划分，通过划分后的电气节点基于微电网与大电网负荷特征的差异，基于LSTM进行微电网负荷预测，根据预测结果分析微电网电力负荷的波动性与周期性获取最优负荷预测，根据最优负荷预测使用PSO粒子群优化算法对储能充放电功率进行了优化。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元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。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种基于能量优化的分布式储能控制方法，其特征在于，包括：

获取目标区域电气节点数据；

根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据；

根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据；

根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据；

根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案；

其中，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，具体为：

选取一个电气集群并标记为当前电气集群，将当前电气集群中的所有电气节点特征数据与对应的数据采集时间信息导入电力预测模型；

电力预测模型根据导入的数据对电气集群进行多时间维度的电网波动性分析，得到日间波动数据、一周波动数据、季节性波动数据；

根据所述日间波动数据、一周波动数据、季节性波动数据进行特征提取得到多时间维度波动特征；

根据所述多时间维度波动特征进行电力周期性分析得到电力波动周期特征；

其中，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

将多时间维度波动特征、电力波动周期特征导入电力预测模型进行电力负荷预测，得到电网负荷预测数据；

获取用户预测需求时间信息；

根据用户预测需求时间信息得到预测需求时间点，基于预测需求时间点对电网负荷预测数据进行数据提取得到对应的时间点的第一负荷预测数据；

将第一负荷预测数据根据用户预设时间维度进行划分得到多段预测数据与对应时间信息；

将所述多段预测数据与对应时间信息作为最优负荷预测数据；

其中，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

实时获取当前电气集群内电气节点的电力监测数据；

将电力监测数据与最优负荷预测数据进行对比分析并计算当前预测数据的准确率；

若所述准确率低于预设准确率，则将电力监测数据与最优负荷预测数据对应的数据段进行提取并进行整合得到预测整合数据；

将所述预测整合数据作为二次训练数据导入电力预测模型进行模型训练；

其中，所述根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案，具体为：

根据最优负荷预测数据对当前电气集群进行电网充放功率分析，并以电网波动最小为目标，将各电站的线路状态和电池的充电功率作为约束条件，通过PSO粒子群优化算法进行计算分析得到当前电气集群中各电站的最佳荷电状态；

根据最佳荷电状态进行对电气集群中各节点区域进行充放电功率分析得到各节点区域的充放电功率方案；

根据所述充放电功率方案对各节点区域进行分布式储能分析，得到各节点区域对应的储能方案；

将放电功率方案与储能方案进行方案整合得到电力优化方案；

将所述电力优化方案发送至预设电网设备。

2.根据权利要求1所述的一种基于能量优化的分布式储能控制方法，其特征在于，所述根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据，具体为：

根据目标区域面积大小进行区域划分，得到多个节点区域；

将目标区域电气节点数据根据节点区域范围进行数据划分得到多个节点数据；

将所述节点数据进行电气特征数据提取得到对应的电气节点特征数据。

3.根据权利要求1所述的一种基于能量优化的分布式储能控制方法，其特征在于，所述根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，具体为：

根据电气节点特征数据进行数据特征比较并通过特征相似度将多个电气节点进行集群划分，得到多个电气集群；

一个电气集群包括一个或多个电气节点，一个电气节点对应一个节点区域。

4.根据权利要求1所述的一种基于能量优化的分布式储能控制方法，其特征在于，所述根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，还包括：

构建电力预测模型；

获取目标区域历史电网数据；

将历史电网数据进行微网特征与大电网特征分析并进行数据划分，得到历史微网数据与历史大电网数据；

将所述历史微网数据与历史大电网数据导入电力预测模型进行基于LSTM算法模式的电网数据预测训练，直至电力预测模型预测准确率达到预设准确率。

5.一种基于能量优化的分布式储能控制系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于能量优化的分布式储能控制程序，所述基于能量优化的分布式储能控制程序被所述处理器执行时实现如下步骤：

获取目标区域电气节点数据；

根据所述电气节点数据对不同节点进行电气特征提取得到不同节点对应的电气节点特征数据；

根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据；

根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据；

根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案；

其中，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，具体为：

选取一个电气集群并标记为当前电气集群，将当前电气集群中的所有电气节点特征数据与对应的数据采集时间信息导入电力预测模型；

电力预测模型根据导入的数据对电气集群进行多时间维度的电网波动性分析，得到日间波动数据、一周波动数据、季节性波动数据；

根据所述日间波动数据、一周波动数据、季节性波动数据进行特征提取得到多时间维度波动特征；

根据所述多时间维度波动特征进行电力周期性分析得到电力波动周期特征；

其中，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

将多时间维度波动特征、电力波动周期特征导入电力预测模型进行电力负荷预测，得到电网负荷预测数据；

获取用户预测需求时间信息；

根据用户预测需求时间信息得到预测需求时间点，基于预测需求时间点对电网负荷预测数据进行数据提取得到对应的时间点的第一负荷预测数据；

将第一负荷预测数据根据用户预设时间维度进行划分得到多段预测数据与对应时间信息；

将所述多段预测数据与对应时间信息作为最优负荷预测数据；

其中，所述根据所述电网负荷预测数据结合用户预测需求时间信息进行波动性与周期性特征分析，得到最优负荷预测数据，还包括：

实时获取当前电气集群内电气节点的电力监测数据；

将电力监测数据与最优负荷预测数据进行对比分析并计算当前预测数据的准确率；

若所述准确率低于预设准确率，则将电力监测数据与最优负荷预测数据对应的数据段进行提取并进行整合得到预测整合数据；

将所述预测整合数据作为二次训练数据导入电力预测模型进行模型训练；

其中，所述根据所述最优负荷预测数据进行能量储备计算与分析，得到电力优化方案，具体为：

根据最优负荷预测数据对当前电气集群进行电网充放功率分析，并以电网波动最小为目标，将各电站的线路状态和电池的充电功率作为约束条件，通过PSO粒子群优化算法进行计算分析得到当前电气集群中各电站的最佳荷电状态；

根据最佳荷电状态进行对电气集群中各节点区域进行充放电功率分析得到各节点区域的充放电功率方案；

根据所述充放电功率方案对各节点区域进行分布式储能分析，得到各节点区域对应的储能方案；

将放电功率方案与储能方案进行方案整合得到电力优化方案；

将所述电力优化方案发送至预设电网设备。

6.根据权利要求5所述的一种基于能量优化的分布式储能控制系统，其特征在于，所述根据电气节点特征数据对多个电气节点进行集群划分，将划分后的电气节点进行微电网与大电网特征对比并基于LSTM进行微电网负荷预测得到电网负荷预测数据，还包括：

构建电力预测模型；

获取目标区域历史电网数据；

将历史电网数据进行微网特征与大电网特征分析并进行数据划分，得到历史微网数据与历史大电网数据；

将所述历史微网数据与历史大电网数据导入电力预测模型进行基于LSTM算法模式的电网数据预测训练，直至电力预测模型预测准确率达到预设准确率。

Images