CN117374977B - 一种储能系统负荷预测及风险分析方法 - Google Patents

一种储能系统负荷预测及风险分析方法 Download PDF

Info

Publication number
CN117374977B
CN117374977B CN202311667194.6A CN202311667194A CN117374977B CN 117374977 B CN117374977 B CN 117374977B CN 202311667194 A CN202311667194 A CN 202311667194A CN 117374977 B CN117374977 B CN 117374977B
Authority
CN
China
Prior art keywords
energy
energy storage
storage system
space
energy flow
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
CN202311667194.6A
Other languages
English (en)
Other versions
CN117374977A (zh
Inventor
李明久
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.)
Energy Explorer Energy Co ltd
Original Assignee
Energy Explorer Energy 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 Energy Explorer Energy Co ltd filed Critical Energy Explorer Energy Co ltd
Priority to CN202311667194.6A priority Critical patent/CN117374977B/zh
Publication of CN117374977A publication Critical patent/CN117374977A/zh
Application granted granted Critical
Publication of CN117374977B publication Critical patent/CN117374977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H02J3/28—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及储能系统领域，尤其涉及一种储能系统负荷预测及风险分析方法。首先，采用双向网络模型，捕获储能系统时间序列和空间数据的复杂交互，融合多尺度时间波动分析算法和空间拓扑自适应网络的输出，得到预测的负荷值；其次，采用基于能量流动方程的模拟方法，模拟储能系统中的能量流动，根据双向网络模型的输出和能量流动模拟的结果，动态调整两者的权重；最后，采用融合多维能量流态空间与非线性动力学混沌理论的评估方法，对储能系统内部的能量流动进行评估。解决了现有技术没有充分考虑到储能系统中时间和空间的复杂交互；没有深入地考虑系统的内部动态和外部环境的影响；以及不能自适应地捕获系统的变化的问题。

Description

一种储能系统负荷预测及风险分析方法
技术领域
本发明涉及储能系统领域，尤其涉及一种储能系统负荷预测及风险分析方法。
背景技术
随着全球对可再生能源的关注和应用的增加，储能系统（如电池储能、热能储存、压缩空气储能等）已经成为现代电力系统的关键组成部分。这些系统不仅为电网提供了必要的灵活性，以应对可再生能源的间歇性，还为电网的稳定和可靠运行提供了支持。然而，由于储能系统的复杂性和其与电网的复杂交互，准确预测其负荷并评估与之相关的风险成为了一个重要且具有挑战性的任务。
传统的储能系统负荷预测方法主要基于历史数据和简单的统计模型，这些方法在处理复杂、非线性和多变的储能系统数据时可能会遇到困难。此外，由于储能系统的动态特性和其与电网的交互，简单的预测方法可能无法捕捉到这些复杂的交互和非线性行为。因此，需要更先进、更复杂的预测方法来提高预测的准确性。
我国专利申请号：CN202211490464.6，公开日：2023.03.21，公开了一种光伏-充电桩-变频负荷系统的安全风险评估方法及系统。该方法包括，构建客户侧光伏-充电桩-变频负荷系统的静态安全风险指标、动态安全风险指标和安全监测风险指标；计算各项指标的主观权重和客观权重，结合线性加权法，得到各项指标的组合权重；依据各项指标的组合权重以及各项指标的量化数值，基于物元可拓模型得到客户侧光伏-充电桩-变频负荷系统的安全风险综合评价，以此确定客户侧光伏-充电桩-变频负荷系统的安全风险等级。该发明能有效地为设备的运维、检修、更换提供支撑，保证客户侧光伏-充电桩-变频负荷系统的安全运行。
但上述技术至少存在如下技术问题：现有技术没有充分考虑到储能系统中时间和空间的复杂交互，导致预测结果的准确性受到限制；只基于简单的阈值或规则，没有深入地考虑系统的内部动态和外部环境的影响，从而可能忽略了某些关键的风险因素；不能自适应地捕获系统的变化，这在快速变化的储能系统环境中可能导致模型迅速过时，缺乏广泛的适用性，不能为系统操作者提供足够的决策支持，从而可能导致不理想的系统运行和潜在的风险。
发明内容
本申请实施例通过提供一种储能系统负荷预测及风险分析方法，解决了现有技术没有充分考虑到储能系统中时间和空间的复杂交互，导致预测结果的准确性受到限制；只基于简单的阈值或规则，没有深入地考虑系统的内部动态和外部环境的影响，从而可能忽略了某些关键的风险因素；不能自适应地捕获系统的变化，这在快速变化的储能系统环境中可能导致模型迅速过时，缺乏广泛的适用性，不能为系统操作者提供足够的决策支持，从而可能导致不理想的系统运行和潜在的风险。实现了一种融合时间空间数据、多维能量流态空间与非线性动力学混沌理论的储能系统负荷预测及风险分析方法，提高了预测的准确性和风险评估的深度。
本申请提供了一种储能系统负荷预测及风险分析方法，具体包括以下技术方案：
一种储能系统负荷预测及风险分析方法，包括以下步骤：
S100：采用基于时间空间融合的双向网络模型，捕获储能系统时间序列和空间数据的复杂交互，融合多尺度时间波动分析算法和空间拓扑自适应网络的输出，得到预测的负荷值；
S200：采用基于能量流动方程的模拟方法，模拟储能系统中的能量流动，根据时间空间融合的双向网络模型的输出和能量流动模拟的结果，动态调整两者的权重，以获得最终的负荷预测；
S300：采用融合多维能量流态空间与非线性动力学混沌理论的评估方法，对储能系统内部的能量流动进行评估。
优选的，所述S100，具体包括：
使用多尺度时间波动分析算法处理时间序列数据，将时间序列数据转换为多尺度的波动数据。
优选的，所述S100，还包括：
引入空间拓扑自适应网络；融合多尺度时间波动分析算法和所述空间拓扑自适应网络的输出，将时间和空间的信息融合起来，得到预测的负荷值。
优选的，所述S200，具体包括：
每个储能设备被视为一个能量节点，能量在节点之间流动，每个节点都有其特定的属性，包括当前的能量值、能量流动速率和一个特定的能量阻抗值；将能量流动视为电流，将能量阻抗视为电阻。
优选的，所述S200，还包括：
为每个节点分配初始能量值和能量阻抗值，使用能量流动方程，为每个节点计算能量流动；根据所述能量流动的计算结果，更新每个节点的能量值。
优选的，所述S300，具体包括：
将每个储能设备的能量流动状态映射到高维空间中，从而形成能量流态向量，所述能量流态向量的每一维度都代表一个设备的能量流动状态，从而形成多维能量流态空间。
优选的，所述S300，还包括：
采用嵌入定理将时间序列数据转化为相空间中的轨迹，通过所述轨迹识别混沌吸引子。
优选的，所述S300，还包括：
计算所述混沌吸引子的最大李雅普诺夫指数，所述最大李雅普诺夫指数代表系统的混沌程度；当/>时，系统处于混沌状态；当/>时，系统处于稳定状态；当时，系统处于 “边缘”状态，即既不是完全混沌也不是完全稳定。
优选的，所述S300，还包括：
基于逻辑函数和时间依赖的权重函数的组合定义了风险度量，并计算得到总体的风险值；从而为储能系统提供了基于多维能量流态空间与非线性动力学混沌理论的风险评估方法，结合了储能系统的多维能量流态空间和混沌理论。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、通过结合时间空间融合的双向网络模型与基于能量流动方程的模拟方法，能够更精确地预测储能系统的负荷，特别是在大规模、分布式的储能网络中，时间和空间的综合因素被充分考虑，从而提高了预测的准确性；融合多维能量流态空间与非线性动力学混沌理论，为储能系统提供了一个深入、全面的风险评估工具，有助于识别潜在的风险节点；
2、空间拓扑自适应网络的引入使得模型能够自适应地捕获空间数据的拓扑结构，从而更好地理解储能设备之间的相互影响；仅适用于特定类型的储能系统，还可以广泛应用于其他复杂的能源网络，如智能电网、分布式能源系统等；通过对系统的混沌程度进行评估，能够提前识别可能的不稳定状态，从而采取必要的措施确保系统的稳定运行；能够快速响应系统中的变化，为操作者提供及时的预测和风险评估。
3、本申请的技术方案能够有效解决现有技术没有充分考虑到储能系统中时间和空间的复杂交互，导致预测结果的准确性受到限制；只基于简单的阈值或规则，没有深入地考虑系统的内部动态和外部环境的影响，从而可能忽略了某些关键的风险因素；不能自适应地捕获系统的变化，这在快速变化的储能系统环境中可能导致模型迅速过时，缺乏广泛的适用性，不能为系统操作者提供足够的决策支持，从而可能导致不理想的系统运行和潜在的风险。能够实现一种融合时间空间数据、多维能量流态空间与非线性动力学混沌理论的储能系统负荷预测及风险分析方法，提高了预测的准确性和风险评估的深度。
附图说明
图1为本申请所述的一种储能系统负荷预测及风险分析方法流程图；
图2为本申请所述的一种储能系统负荷预测及风险分析方法示意图。
具体实施方式
本申请实施例通过提供一种储能系统负荷预测及风险分析方法，解决了现有技术没有充分考虑到储能系统中时间和空间的复杂交互，导致预测结果的准确性受到限制；只基于简单的阈值或规则，没有深入地考虑系统的内部动态和外部环境的影响，从而可能忽略了某些关键的风险因素；不能自适应地捕获系统的变化，这在快速变化的储能系统环境中可能导致模型迅速过时，缺乏广泛的适用性，不能为系统操作者提供足够的决策支持，从而可能导致不理想的系统运行和潜在的风险。
本申请实施例中的技术方案为解决上述问题，总体思路如下：
通过结合时间空间融合的双向网络模型与基于能量流动方程的模拟方法，能够更精确地预测储能系统的负荷，特别是在大规模、分布式的储能网络中，时间和空间的综合因素被充分考虑，从而提高了预测的准确性；融合多维能量流态空间与非线性动力学混沌理论，为储能系统提供了一个深入、全面的风险评估工具，有助于识别潜在的风险节点；空间拓扑自适应网络的引入使得模型能够自适应地捕获空间数据的拓扑结构，从而更好地理解储能设备之间的相互影响；仅适用于特定类型的储能系统，还可以广泛应用于其他复杂的能源网络，如智能电网、分布式能源系统等；通过对系统的混沌程度进行评估，能够提前识别可能的不稳定状态，从而采取必要的措施确保系统的稳定运行；能够快速响应系统中的变化，为操作者提供及时的预测和风险评估。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种储能系统负荷预测及风险分析方法包括以下步骤：
S100：采用基于时间空间融合的双向网络模型，捕获储能系统时间序列和空间数据的复杂交互，融合多尺度时间波动分析算法和空间拓扑自适应网络的输出，得到预测的负荷值；
在现代储能系统中，负荷预测已经成为一个至关重要的研究领域。尤其是在大规模、分布式的储能网络中，时间和空间的综合因素对于准确预测负荷变得尤为关键。为了更精确地预测负荷，提出了一种基于时间空间融合的双向网络模型，该模型不仅结合了先进的数学方法，还采用了数据转换和融合策略，以捕获时间序列和空间数据的复杂交互。
具体的，对储能系统时间序列数据进行深入分析，考虑到时间序列数据的内在特性，如季节性、趋势性和随机性，引入了多尺度时间波动分析算法。所述多尺度时间波动分析算法是将时间序列数据转换为多尺度的波动数据，从而捕获不同时间尺度上的动态特性。使用多尺度时间波动分析算法处理时间序列数据：
，
其中，是在时间/>的多尺度时间波动分析值，/>是多尺度时间波动分析的转换函数，/>表示在时间/>的历史负荷数据，/>表示时间窗口的长度。进一步定义/>：
，
其中，是权重系数，/>是一个表示时间序列数据的变换形式，/>表示从当前时间/>回溯/>个时间单位的数据点，/>，/>，/>和/>是非常小的常数，用于确保正弦运算的稳定性。上述公式基于正弦变换的特性，捕获时间序列的周期性特性，使得模型更加敏感于时间序列的微小变化。
对空间数据进行深入探索，考虑到储能设备之间的相互关联和空间分布的非均匀性，引入了空间拓扑自适应网络。所述空间拓扑自适应网络是通过自适应的方式捕获空间数据的拓扑结构，从而更好地理解储能设备之间的相互影响。使用空间拓扑自适应网络结构处理空间数据：
，
其中，是设备/>的空间拓扑自适应值，/>是空间拓扑自适应网络的映射函数，/>是设备/>的空间数据，/>是空间窗口的长度。进一步定义/>：
，
其中，是权重系数，/>是一个表示空间数据的变换形式，/>表示从当前设备/>回溯/>个设备或位置的数据点，/>。上述公式基于正切变换的特性，捕获空间数据的非线性特性。通过引入反正切函数和乘法操作，使模型能够更好地捕获空间数据的复杂交互。
融合多尺度时间波动分析算法和空间拓扑自适应网络的输出，将时间和空间的信息融合起来，得到预测的负荷值。具体公式为：
，
其中，表示在时间/>的预测负荷值，/>是一个融合系数，用于调整时间数据和空间数据的权重，/>和/>是非线性调整参数，/>是一个小的正常数，确保对数运算的稳定性。
S200：采用基于能量流动方程的模拟方法，模拟储能系统中的能量流动，根据时间空间融合的双向网络模型的输出和能量流动模拟的结果，动态调整两者的权重，以获得最终的负荷预测；
在储能系统中，能量的流动和分布是决定系统稳定性和效率的关键因素。为了更准确地模拟和预测这种能量流动，为风险评估提供基础，提出了一种基于能量流动方程的模拟方法。能量流动模拟方法是基于物理学中的能量守恒定律，模拟储能系统中的能量流动。
具体的，每个储能设备被视为一个能量节点，能量可以在节点之间流动。每个节点都有其特定的属性，包括当前的能量值、能量流动速率和一个特定的能量阻抗值。能量阻抗值的确定方法：对每个能量节点进行实验测量，以获取其在不同条件下的能量流动特性。例如，对电池进行充放电测试以观察其在不同电流和电压下的行为。基于收集的数据和实验结果，采用电阻、电抗和其他因素反映能量在节点间流动时的损耗和延迟，使用回归分析来确定哪些因素（如温度、充放电频率）对能量阻抗的影响最大。将通过回归分析得到的预测数据与实际观测数据进行比较，以验证其准确性。根据需要调整回归分析模型参数，直到回归分析模型能够可靠地预测不同条件下的能量阻抗。使用校准后的模型为每个节点确定特定的能量阻抗值。特定的能量阻抗值是指每个节点的能量阻抗值是独立的，根据其物理特性、设计参数或操作条件而定，不是一个统一或标准化的值，可根据具体实施场景具体设置，在此不做限定。
将能量流动视为电流，将能量阻抗视为电阻，从而得到以下方程：
，
其中，表示第i个节点在时间段T内的能量变化，/>是与第i个节点相连的节点数量，/>表示第i个节点和第j个节点之间的能量流动速率，/>表示第j个节点的能量值，表示第i个节点的能量阻抗值，这代表了能量流动的阻力，/>是考虑的时间段，/>，/>是一个能量损耗系数，代表了能量在流动过程中的损失。
在模拟过程中，首先为每个节点分配初始能量值和能量阻抗值。然后，使用上述的能量流动方程，为每个节点计算能量流动。根据能量流动计算的结果，更新每个节点的能量值。这个过程会不断重复，直到系统达到稳定状态或满足其他停止条件。使用能量流动模拟对历史负荷数据进行模拟，得到模拟值，即所有节点的能量值之和，表示为。
如果某个节点的能量值超过了其最大或最小限制，或者能量流动速率超过了某个阈值，那么该节点被视为风险节点。为风险评估提供了一个基于物理模型的方法，增加了评估的准确性。
根据时间空间融合的双向网络模型的输出和能量流动模拟的结果，动态调整两者的权重，以获得最终的负荷预测。使用以下公式融合和/>得到最终的预测值/>：
，
其中，和/>分别是时间空间融合的双向网络模型的输出和能量流动模拟的结果的权重，返回/>作为最终的负荷预测值。使用以下公式计算/>和/>：
，
，
其中，和/>分别是/>和/>的历史预测误差的标准差。从而提高储能系统负荷预测的准确性。
S300：采用融合多维能量流态空间与非线性动力学混沌理论的评估方法，对储能系统内部的能量流动进行评估。
对储能系统内部的能量流动进行精确、实时的评估不仅关乎储能系统的效率，更直接影响到储能系统的安全与稳定性。为了更为精确地捕捉这些微妙的能量流动变化并据此进行风险评估，提出了一种融合多维能量流态空间与非线性动力学混沌理论的评估方法。
在一个复杂的储能系统中，每个设备或组件都有其独特的能量流动特性。为了全面捕捉这些特性，将每个设备的能量流动状态映射到一个高维空间中，从而形成一个能量流态向量。所述能量流态向量的每一维度都代表一个设备的能量流动状态。为了得到这个向量，使用以下公式：
，
其中，表示时间t的能量流态向量， />表示第i个节点的能量值，/>是设备数量, />是一个转换矩阵，它的作用是将各个设备的能量输出转换为一个统一的流态向量，是设备权重系数，它代表了该设备在整个系统中的重要性。从而形成一个多维能量流态空间。
为了更为深入地分析系统的动态行为，采用了嵌入定理将时间序列数据 转化为相空间中的轨迹。这个轨迹可以识别混沌吸引子，这是一个反映系统内在动力学特性的几何结构。为了确定嵌入维数，使用以下公式：
，
其中，是嵌入维数，它代表了在相空间中轨迹的维度，/>是第/>个时间延迟，/>是考虑的时间延迟数量，/>是延迟权重，代表了该延迟在整个系统中的重要性。
进一步地，为了评估混沌吸引子的稳定性，计算了混沌吸引子的最大李雅普诺夫指数，这个指数可以代表系统的混沌程度。定义/>为：
，
其中，是一个小扰动，用于考虑微小的系统变化。如果/>，则系统处于混沌状态；如果/>，则系统处于稳定状态；如果/>，则系统处于一个“边缘”状态，既不是完全混沌也不是完全稳定，在这种情况下，系统可能会对外部扰动或内部参数的微小变化非常敏感，导致系统行为的快速变化。
为了量化系统的风险，基于逻辑函数和时间依赖的权重函数的组合定义了一个风险度量。具体地，风险度量计算公式为：
，
其中，表示风险度量，/>是一个调节参数，/>是混沌与稳定的分界线，它是一个预设的值，用于确定系统是否处于混沌状态，/>是一个时间依赖的权重函数，代表了该时刻的重要性。
计算得到总体的风险值：
，
其中，表示总体风险值，/>是总时间，/>是一个系统特性参数，用于调整风险值的大小。从而为储能系统提供了一个基于多维能量流态空间与非线性动力学混沌理论的风险评估方法，结合了储能系统的多维能量流态空间和混沌理论，增加了评估的准确性。
综上所述，便完成了本申请所述的一种储能系统负荷预测及风险分析方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、通过结合时间空间融合的双向网络模型与基于能量流动方程的模拟方法，能够更精确地预测储能系统的负荷，特别是在大规模、分布式的储能网络中，时间和空间的综合因素被充分考虑，从而提高了预测的准确性；融合多维能量流态空间与非线性动力学混沌理论，为储能系统提供了一个深入、全面的风险评估工具，有助于识别潜在的风险节点；
2、空间拓扑自适应网络的引入使得模型能够自适应地捕获空间数据的拓扑结构，从而更好地理解储能设备之间的相互影响；仅适用于特定类型的储能系统，还可以广泛应用于其他复杂的能源网络，如智能电网、分布式能源系统等；通过对系统的混沌程度进行评估，能够提前识别可能的不稳定状态，从而采取必要的措施确保系统的稳定运行；能够快速响应系统中的变化，为操作者提供及时的预测和风险评估。
效果调研：
本申请的技术方案能够有效解决现有技术没有充分考虑到储能系统中时间和空间的复杂交互，导致预测结果的准确性受到限制；只基于简单的阈值或规则，没有深入地考虑系统的内部动态和外部环境的影响，从而可能忽略了某些关键的风险因素；不能自适应地捕获系统的变化，这在快速变化的储能系统环境中可能导致模型迅速过时，缺乏广泛的适用性，不能为系统操作者提供足够的决策支持，从而可能导致不理想的系统运行和潜在的风险。并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够实现一种融合时间空间数据、多维能量流态空间与非线性动力学混沌理论的储能系统负荷预测及风险分析方法，提高了预测的准确性和风险评估的深度。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种储能系统负荷预测及风险分析方法，其特征在于，包括以下步骤：
S100：采用基于时间空间融合的双向网络模型，捕获储能系统时间序列和空间数据的复杂交互，引入空间拓扑自适应网络；融合多尺度时间波动分析算法和空间拓扑自适应网络的输出，将时间和空间的信息融合起来，得到预测的负荷值，具体公式为：
，
其中，表示在时间/>的预测负荷值；/>是融合系数，用于调整时间数据和空间数据的权重；/>是在时间/>的多尺度时间波动分析值；/>和/>是非线性调整参数；/>是设备/>的空间拓扑自适应值；/>是正常数，确保对数运算的稳定性；
S200：采用基于能量流动方程的模拟方法，模拟储能系统中的能量流动；每个储能设备被视为一个能量节点，能量在节点之间流动，每个节点的属性包括当前的能量值、能量流动速率和能量阻抗值；将能量流动视为电流，将能量阻抗视为电阻，得到能量流动方程：
，
其中，表示第i个节点在时间段T内的能量变化，/>是与第i个节点相连的节点数量，表示第i个节点和第j个节点之间的能量流动速率，/>表示第j个节点的能量值，/>表示第i个节点的能量阻抗值，/>是考虑的时间段，/>，/>是能量损耗系数；
为每个节点分配初始能量值和能量阻抗值，使用能量流动方程，为每个节点计算能量流动；根据所述能量流动的计算结果，更新每个节点的能量值；使用能量流动模拟对历史负荷数据进行模拟，得到所有节点的能量值之和，表示为；
根据时间空间融合的双向网络模型的输出和能量流动模拟的结果，动态调整两者的权重，以获得最终的负荷预测；使用以下公式融合和/>得到最终的预测值/>：
，
其中，和/>分别是时间空间融合的双向网络模型的输出和能量流动模拟的结果的权重，返回/>作为最终的负荷预测值；
，
，
其中，和/>分别是/>和/>的历史预测误差的标准差；
S300：采用融合多维能量流态空间与非线性动力学混沌理论的评估方法，对储能系统内部的能量流动进行评估。
2.根据权利要求1所述的一种储能系统负荷预测及风险分析方法，其特征在于，所述S100，具体包括：
使用多尺度时间波动分析算法处理时间序列数据，将时间序列数据转换为多尺度的波动数据。
3.根据权利要求1所述的一种储能系统负荷预测及风险分析方法，其特征在于，所述S300，具体包括：
将每个储能设备的能量流动状态映射到高维空间中，从而形成能量流态向量，所述能量流态向量的每一维度都代表一个设备的能量流动状态，从而形成多维能量流态空间。
4.根据权利要求3所述的一种储能系统负荷预测及风险分析方法，其特征在于，所述S300，还包括：
采用嵌入定理将时间序列数据转化为相空间中的轨迹，通过所述轨迹识别混沌吸引子。
5.根据权利要求4所述的一种储能系统负荷预测及风险分析方法，其特征在于，所述S300，还包括：
计算所述混沌吸引子的最大李雅普诺夫指数，所述最大李雅普诺夫指数代表系统的混沌程度；当/>时，系统处于混沌状态；当/>时，系统处于稳定状态；当/>时，系统处于 “边缘”状态，即既不是完全混沌也不是完全稳定。
6.根据权利要求5所述的一种储能系统负荷预测及风险分析方法，其特征在于，所述S300，还包括：
基于逻辑函数和时间依赖的权重函数的组合定义了风险度量，并计算得到总体的风险值；从而为储能系统提供了基于多维能量流态空间与非线性动力学混沌理论的风险评估方法，结合了储能系统的多维能量流态空间和混沌理论。
CN202311667194.6A 2023-12-07 2023-12-07 一种储能系统负荷预测及风险分析方法 Active CN117374977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311667194.6A CN117374977B (zh) 2023-12-07 2023-12-07 一种储能系统负荷预测及风险分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311667194.6A CN117374977B (zh) 2023-12-07 2023-12-07 一种储能系统负荷预测及风险分析方法

Publications (2)

Publication Number Publication Date
CN117374977A CN117374977A (zh) 2024-01-09
CN117374977B true CN117374977B (zh) 2024-02-20

Family

ID=89402637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311667194.6A Active CN117374977B (zh) 2023-12-07 2023-12-07 一种储能系统负荷预测及风险分析方法

Country Status (1)

Country Link
CN (1) CN117374977B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103633739A (zh) * 2013-11-28 2014-03-12 中国科学院广州能源研究所 一种微电网能量管理系统和方法
CN105098979A (zh) * 2014-12-19 2015-11-25 国网山东泗水县供电公司 一种自动化电力调度系统及方法
CN105701554A (zh) * 2014-11-28 2016-06-22 国家电网公司 基于海量计量数据的用电设备能效混沌分析方法
CN109167349A (zh) * 2018-08-29 2019-01-08 东北电力大学 一种计及负荷优化重配的电力cps可生存性量化评估方法
CN109598386A (zh) * 2018-12-12 2019-04-09 国网山东省电力公司临沂供电公司 一种基于深度学习的配网优化精准分析方法及系统
CN109598433A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑弃能成本和调峰需求的送端电网电源结构规划方法
CN114285034A (zh) * 2021-12-31 2022-04-05 国网浙江省电力有限公司电力科学研究院 一种考虑受电及新能源波动的日前调控优化方法及系统
CN115526475A (zh) * 2022-09-20 2022-12-27 广西电网有限责任公司电力科学研究院 一种智能配电网多流融合提升电压质量的方法
WO2023142424A1 (zh) * 2022-01-25 2023-08-03 国网江苏省电力有限公司南京供电分公司 基于gru-lstm神经网络的电力金融业务风控方法及系统
CN116581764A (zh) * 2023-05-08 2023-08-11 东北电力大学 一种用于可控负荷最优互动过程中的动态稳控方法
CN116599151A (zh) * 2023-05-15 2023-08-15 国网湖北省电力有限公司孝感供电公司 基于多源数据的源网储荷安全管理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040158417A1 (en) * 2002-11-06 2004-08-12 Bonet Antonio Trias System and method for monitoring and managing electrical power transmission and distribution networks
CN108074021A (zh) * 2016-11-10 2018-05-25 中国电力科学研究院 一种配电网风险辨识系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103633739A (zh) * 2013-11-28 2014-03-12 中国科学院广州能源研究所 一种微电网能量管理系统和方法
CN105701554A (zh) * 2014-11-28 2016-06-22 国家电网公司 基于海量计量数据的用电设备能效混沌分析方法
CN105098979A (zh) * 2014-12-19 2015-11-25 国网山东泗水县供电公司 一种自动化电力调度系统及方法
CN109167349A (zh) * 2018-08-29 2019-01-08 东北电力大学 一种计及负荷优化重配的电力cps可生存性量化评估方法
CN109598433A (zh) * 2018-11-30 2019-04-09 国家电网公司西南分部 考虑弃能成本和调峰需求的送端电网电源结构规划方法
CN109598386A (zh) * 2018-12-12 2019-04-09 国网山东省电力公司临沂供电公司 一种基于深度学习的配网优化精准分析方法及系统
CN114285034A (zh) * 2021-12-31 2022-04-05 国网浙江省电力有限公司电力科学研究院 一种考虑受电及新能源波动的日前调控优化方法及系统
WO2023142424A1 (zh) * 2022-01-25 2023-08-03 国网江苏省电力有限公司南京供电分公司 基于gru-lstm神经网络的电力金融业务风控方法及系统
CN115526475A (zh) * 2022-09-20 2022-12-27 广西电网有限责任公司电力科学研究院 一种智能配电网多流融合提升电压质量的方法
CN116581764A (zh) * 2023-05-08 2023-08-11 东北电力大学 一种用于可控负荷最优互动过程中的动态稳控方法
CN116599151A (zh) * 2023-05-15 2023-08-15 国网湖北省电力有限公司孝感供电公司 基于多源数据的源网储荷安全管理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
全球能源互联网中的大数据应用研究;张东霞;邱才明;王晓蓉;邓春宇;刘世成;;电力信息与通信技术(第03期);20-24 *
含光伏并网发电的储能容量配置方法;梁君君;;广东电力(第10期);58-62 *
基于混沌―LSSVM神经网络风电场风速短期预测;许刘锋;杨玉良;张磊;张铮杰;朱嵩淞;;电气自动化(第04期);25-28 *

Also Published As

Publication number Publication date
CN117374977A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
Loukatou et al. Stochastic wind speed modelling for estimation of expected wind power output
CN109659933B (zh) 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
CN111881574B (zh) 一种基于分布函数优选的风电机组关键部件可靠性建模方法
CN103840988A (zh) 一种基于rbf神经网络的网络流量测量方法
CN106126944B (zh) 一种电力变压器顶层油温区间预测方法及系统
CN116882708B (zh) 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备
Garg et al. A two-phase approach for reliability and maintainability analysis of an industrial system
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN107423496B (zh) 一种新的降雨事件随机生成方法
CN113204922B (zh) 一种变压器运行状态监控与预测方法
CN114970396B (zh) 一种考虑随机和认知不确定性的cfd模型修正方法
CN112307677A (zh) 基于深度学习的电网振荡模态评估与安全主动预警方法
CN115270239A (zh) 基于动力特性和智能算法响应面法的桥梁可靠性预测方法
CN114154722A (zh) 一种基于数字孪生技术的配电台区管理方法、系统及装置
CN113295399B (zh) 换流阀元件状态评估方法、装置、电子设备和存储介质
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
Perez et al. Suitability of voltage stability study methods for real-time assessment
CN114548493A (zh) 一种电能表电流过载预测方法与系统
CN117374977B (zh) 一种储能系统负荷预测及风险分析方法
CN111367255A (zh) 一种多变量控制系统性能评价测试系统及方法
Liu et al. Particle filtering for prognostics of a newly designed product with a new parameters initialization strategy based on reliability test data
CN113344435B (zh) 台区供电状态评估、装置、电子设备和存储介质
CN110322063B (zh) 一种耗电功率仿真预测方法及存储介质
Wu et al. Study of software reliability prediction based on GR neural network
Liu et al. Applied Research on AQI Prediction Based on BP Neural Network Modeling

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