CN117973819B - 一种用于电能储放优化的储能管理系统及方法 - Google Patents
一种用于电能储放优化的储能管理系统及方法 Download PDFInfo
- Publication number
- CN117973819B CN117973819B CN202410385638.5A CN202410385638A CN117973819B CN 117973819 B CN117973819 B CN 117973819B CN 202410385638 A CN202410385638 A CN 202410385638A CN 117973819 B CN117973819 B CN 117973819B
- Authority
- CN
- China
- Prior art keywords
- load
- energy storage
- data
- charging
- value
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005611 electricity Effects 0.000 claims abstract description 67
- 238000007726 management method Methods 0.000 claims abstract description 46
- 238000010248 power generation Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007599 discharging Methods 0.000 claims abstract description 20
- 238000005286 illumination Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000003442 weekly effect Effects 0.000 claims description 5
- 241000728173 Sarima Species 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000010485 coping Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 5
- 239000003570 air Substances 0.000 description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06—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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及工商业储能系统的技术领域，公开了一种用于电能储放优化的储能管理系统及方法，该方法包括以下步骤：收集历史负荷数据与天气数据并进行预处理；将历史负荷数据划分为不同的特征组并建立周负荷序列；为每个特征组训练负荷预测模型并训练负荷时序模型；计算规划日的第一负荷需求值；对第一负荷需求值进行修正，得到第二负荷需求值；采集规划日的电价信息、光伏发电预测值、储能系统剩余电量，结合第二负荷需求值制定规划日储能系统的充放电方案。本发明通过负荷预测值，结合电价信息、光伏发电预测值和储能系统剩余电量，制定个性化的充放电方案，避免能源浪费，提高能源系统的运行效率，降低用电成本。
Description
技术领域
本发明涉及工商业储能系统的技术领域，具体涉及一种用于电能储放优化的储能管理系统及方法。
背景技术
随着我国国民经济的持续快速发展，用户需求侧用电量逐渐提高，电力供需矛盾日益凸显。在电力系统中，以工商业用户为代表的用户群体，其用电负荷经常呈现出峰谷差距较大的特点，造成高峰用电时段电网超负荷供电现象频发，低谷时段过剩电能大量浪费的现象。随着当前电网峰谷差的不断加大，如何利用现有的电力设施，充分发挥用户的主观能动性，为电网公司设计更加科学、合理、精细的电价制度，使用户根据自己的需求和意愿合理用电，主动调节负荷，削峰填谷，实现电网资源的优化配置，具有重要的学术价值和社会意义。目前的工商业储能系统往往依赖于简单的规则或静态策略来控制储能系统的充放电行为。这种基于规则的方法无法有效地适应负荷波动、天气变化和光伏发电的不稳定性，导致能源系统运行效率低下，无法充分发挥储能系统的潜力。
电力负荷的精确预测是用户侧储能系统运行调度的必要前提，准确的负荷预测对于储能系统的管理至关重要。负荷预测的误差可能导致储能系统的充放电计划与实际需求不符，影响其削峰填谷的效果和经济性。当前常见的负荷预测算法对单个用户的预测效果一般。另外，当前行业在充放电策略设计上也存在一定局限性。由于缺乏对多种信息综合考虑的能力，现有系统难以灵活应对电价波动、光伏发电的不确定性和储能系统剩余电量等因素，无法实现最优化的充放电控制，造成能源资源的浪费和成本的增加。
如公开号为CN116961042A的专利公开了一种工商业用户侧储能系统调节需量的控制方法，包括智能光伏/市电控制器、光伏储能磷酸铁锂电池、POE智能引擎、传感控制器和智能灯具，所述智能光伏/市电控制器连接光伏储能磷酸铁锂电池，光伏储能磷酸铁锂电池连接POE智能引擎，POE智能引擎还连接传感控制器和智能灯具，该发明通过实时监测采集用户侧负荷，监控和计算实时的最大需量，通过设定需量阈值，控制、调节储能放电功率和时长，当突破阈值后，系统可以自我学习进行阈值修正，使用户的最大需量持续低于设定的目标值，实现节约基本电费的目的。
如公开号为CN117498398A的专利公开了一种工商业储能系统运营管理方法和系统，方法包括：根据电网运行数据和历史电网故障数据进行分析确定第一储能设备、应急储能设备，并设定相对应的第一预设储能区间和第二预设储能区间进行储能管理；根据当前区域内用电区域在下一时间段的预测所需电能数据进行分析，结合当前时间段内正常储能设备的运行数据确定正常储能设备的第三预设储能区间进行储能管理；该发明通过设置不同的触发条件启动相对应的储能设备辅助电网进行供电，从而降低电网供电压力。根据储能设备使用需求设置储能区间，从而提高储能设备使用寿命。根据用电区域的用电负荷选择启动储能设备进行辅助供电，保证用户用电使用需求。
以上专利都存在本背景技术提出的问题：依赖于简单的规则或静态策略来控制储能系统的充放电行为，无法有效地适应负荷波动、天气变化和光伏发电的不稳定性，导致能源系统运行效率低下，无法充分发挥储能系统的潜力。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种用于电能储放优化的储能管理系统及方法，通过负荷预测值，结合电价信息、光伏发电预测值和储能系统剩余电量，制定个性化的充放电方案，避免能源浪费，提高能源系统的运行效率，降低用电成本。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供一种用于电能储放优化的储能管理方法，包括以下步骤：
S1：收集历史负荷数据并进行负荷数据预处理；收集历史负荷数据对应的天气数据并进行天气数据预处理；
S2：将历史负荷数据以天为单位划分为不同的特征组，以周为单位建立周负荷序列；
S3：为每个特征组训练负荷预测模型；基于所述周负荷序列训练负荷时序模型；
S4：基于所述负荷预测模型计算规划日的第一负荷需求值；
S5：基于所述负荷时序模型对第一负荷需求值进行修正，得到第二负荷需求值；
S6：采集规划日的电价信息、光伏发电预测值、储能系统剩余电量，结合所述第二负荷需求值，制定规划日储能系统的充放电方案。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述负荷数据预处理包括异常值剔除、特征降维、归一化；
所述天气数据包括温度数据、相对湿度数据、天气状况；其中，天气状况包括晴天、多云、阴天、雨天、雪天；
所述天气数据预处理包括对所述温度数据以及相对湿度数据进行归一化，并将所述天气状况表示为特征向量。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述将历史负荷数据以天为单位划分为不同的特征组的方法如下：将历史负荷数据进行聚类分析；根据聚类的结果将历史负荷数据划分到不同的特征组，包括工作日组和非工作日组。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述周负荷序列的建立方法如下：
将所述历史负荷数据按时间从早到晚的顺序进行排序；
将排序后的历史负荷数据以周为单位划分为负荷区间；
计算每个负荷区间的负荷均值；
将每个负荷均值按时间从早到晚的顺序排列，得到周负荷序列。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述负荷预测模型为支持向量回归模型、多元线性回归模型、神经网络模型中的任一种；负荷预测模型的输出为对应特征组中任意日期的负荷预测值，输入为对应特征组中其余日期的历史负荷数据以及输出对应日期的天气数据；
所述负荷时序模型为SARIMA模型、季节性分解模型、门控循环单元模型中的任一种，输出为任一周的负荷均值的预测值，输入为所述周负荷序列中输出对应周之前长度为M周的序列；M为大于0的正整数。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述第一负荷需求值的计算方法如下：
S401：为规划日划分特征组；
S402：获取规划日所在特征组的负荷预测模型；
S403：获取规划日的天气数据并进行天气数据预处理；
S404：采用所述负荷预测模型，计算规划日的第一负荷需求值。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述对第一负荷需求值进行修正，得到第二负荷需求值的方法如下：
S501：通过所述负荷时序模型计算规划日所在周的负荷均值，记作；
S502：从规划日所在特征组中提取N个历史负荷数据，记作，其中，i的取值范围为1，2，……，N；其中，所述N个历史负荷数据中，任意两个历史负荷数据对应的日期均不为同一周；
S503：从所述周负荷序列中提取每个对应的负荷均值，记作/>；
S504：计算第二负荷需求值，公式如下：
；
其中，表示第一负荷需求值，/>表示第二负荷需求值；/>表示修正系数。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述充放电方案包括充电容量、充电开始时间、放电开始时间；所述光伏发电预测值基于光照数据计算，方法如下：
获取规划日的光照数据，包括光照强度、光照时间；
采用线性回归模型，输入光照强度、光照时间，计算输出光伏发电预测值。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述充电容量基于光伏发电预测值、储能系统剩余电量、第二负荷需求值计算；公式如下：
；
其中，表示充电容量；/>表示光伏发电预测值；/>表示储能系统剩余容量；/>表示缓冲容量，计算方法如下：
随机抽取m个历史负荷数据，分别计算每个历史负荷数据的负荷总量，记作；i的取值范围为1，2，……，m；
分别计算每个历史负荷数据的第二负荷需求值，记作；
计算缓冲容量，公式如下：
；
其中，表示安全裕量，用于应对突发情况和系统不确定性，由管理人员手动设置；/>表示储能系统最大容量；/>表示最低荷电比例。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述放电开始时间基于电价信息设置，具体如下：
当电价不低于电价阈值时，储能系统开始放电，供用户使用；当电价低于电价阈值/>时，储能系统停止放电，由电网供用户用电。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述充电开始时间采用优化算法确定，方法如下：
S100：设置充电速率，记作；
S200：基于所述充电容量与充电速率计算充电时长T；公式如下：
；
S300：选择充电开始时间，并基于所述电价信息计算规划日的充电电费；
S400：采用优化算法最小化所述充电电费，得到最佳充电开始时间。
作为本发明所述的用于电能储放优化的储能管理方法的一种优选方案，其中：所述充电电费的计算方法如下：
令充电开始时间点为，从/>至/>+T的时间段内有n个电价区间，第i个电价区间的结束时间为/>，则充电电费的计算公式如下：
；
其中，D表示充电电费；表示第i个电价区间的电价；/>表示充电速率。
第二方面，本发明提供一种用于电能储放优化的储能管理系统，包括数据采集模块、预处理模块、特征提取模块、模型训练模块、负荷预测模块、光电预测模块、管理决策模块；其中：
数据采集模块用于收集历史负荷数据、天气数据、光照数据、电价信息、储能系统剩余电量；
预处理模块用于对历史负荷数据和天气数据进行预处理；
特征提取模块用于将历史负荷数据以天为单位划分为不同的特征组，并建立周负荷序列；
模型训练模块用于训练负荷预测模型，并基于周负荷序列训练负荷时序模型。
负荷预测模块用于调用负荷预测模型计算规划日的第一负荷需求值；并调用负荷时序模型，计算第二负荷需求值；
光电预测模块用于根据光照数据计算光伏发电的预测值；
管理决策模块基于规划日的电价信息、光伏发电预测值、储能系统剩余电量，结合第二负荷需求值制定规划日储能系统的充放电方案。
与现有技术相比，本发明所达到的有益效果如下：
通过收集历史负荷数据和天气数据，以及训练负荷预测模型和负荷时序模型，可以更准确地预测未来负荷需求，有助于制定更合理的充放电策略。通过对负荷的时序分析，引入非结构化的负荷需求影响因素，提高了负荷预测模型的准确性和可解释性，能够更好地反映现实情况，更好地理解负荷变化背后的原因，并为未来的负荷预测提供更多信息，为企业的能源管理决策提供更有力的支持。
考虑了光伏发电预测值在储能系统的管理中的应用，有助于更好地融合可再生能源，减少对传统能源的依赖。通过负荷预测值，结合电价信息、光伏发电预测值和储能系统剩余电量，制定个性化的充放电方案，能够根据实时情况动态调整充放电策略，提高系统的灵活性和智能化水平，避免能源浪费，节省了电费支出，能够有效提高能源系统的运行效率，降低用电成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供的用于电能储放优化的储能管理方法的流程图；
图2为本发明提供的用于电能储放优化的储能管理系统的结构示意图；
图3为本发明提供的确定充电开始时间的方法流程图；
图4为本发明提供的电价信息与储能系统放电区间的示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
实施例1
本实施例介绍一种用于电能储放优化的储能管理方法，参照图1，该方法包括以下步骤：
S1：收集历史负荷数据并进行负荷数据预处理；收集历史负荷数据对应的天气数据并进行天气数据预处理；
所述负荷数据预处理包括异常值剔除、特征降维、归一化；
所述天气数据包括温度数据、相对湿度数据、天气状况；其中，天气状况包括晴天、多云、阴天、雨天、雪天；
所述天气数据预处理包括对所述温度数据以及相对湿度数据进行归一化，并将所述天气状况表示为特征向量。
S2：将历史负荷数据以天为单位划分为不同的特征组，以周为单位建立周负荷序列；
所述将历史负荷数据以天为单位划分为不同的特征组的方法如下：将历史负荷数据进行聚类分析；根据聚类的结果将历史负荷数据划分到不同的特征组，包括工作日组和非工作日组；
由于工商业用户工作日与非工作日往往与企业上班时间或工厂生产计划相关，能量管理系统很难获取这部分信息，因此仅依靠日期信息，很难直接区分不同日期下负荷数据的特征。因此通过一定的聚类算法对负荷数据进行类别划分，具有很强的实际意义与应用价值。
所述周负荷序列的建立方法如下：
将所述历史负荷数据按时间从早到晚的顺序进行排序；
将排序后的历史负荷数据以周为单位划分为负荷区间；
计算每个负荷区间的负荷均值；
将每个负荷均值按时间从早到晚的顺序排列，得到周负荷序列；
S3：为每个特征组训练负荷预测模型；基于所述周负荷序列训练负荷时序模型；
所述负荷预测模型为支持向量回归模型、多元线性回归模型、神经网络模型中的任一种；负荷预测模型的输出为对应特征组中任意日期的负荷预测值，输入为对应特征组中其余日期的历史负荷数据以及输出对应日期的天气数据；
电力负荷具有显著的天气特性，电力负荷受到温度、湿度、天气状况等气象因素的影响。以用户为办公楼为例，由于办公场所需要维持良好的办公环境，空调的使用比重非常高，其制冷制热效果很大程度上与室内外温差有关。例如夏天正午时刻外界气温最高时，空调的制冷功率一般也最高。在办公楼的负荷用电研究中，以空调为代表的温控设备一度占据很大的用电比例。因此在针对电力负荷的建模中加入以温度、湿度与天气情况为代表的气象因素，可以更好地描述电力负荷本身的内在规律，提升负荷预测的精度。
所述负荷时序模型为SARIMA模型、季节性分解模型、门控循环单元模型中的任一种，输出为任一周的负荷均值的预测值，输入为所述周负荷序列中输出对应周之前长度为M周的序列；M为大于0的正整数。
针对企业发展趋势等非结构化因素，将这些因素作为负荷变化的时间趋势部分。例如，如果企业正处于快速扩张阶段，可能会伴随着负荷的增长趋势；相反，如果企业正经历调整或转型，可能会对负荷产生不同的影响。这种趋势可以被视为非结构化数据的一种抽象表达。
将负荷的时间变化趋势与支持向量回归等方法得到的预测结果结合起来，可以使预测模型更全面地考虑到各种因素的影响，从而得到精度更高的负荷预测值。
S4：基于所述负荷预测模型计算规划日的第一负荷需求值；方法如下：
S401：为规划日划分特征组；
S402：获取规划日所在特征组的负荷预测模型；
S403：获取规划日的天气数据并进行天气数据预处理；
S404：采用所述负荷预测模型，计算规划日的第一负荷需求值；
S5：基于所述负荷时序模型对第一负荷需求值进行修正，得到第二负荷需求值；方法如下：
S501：通过所述负荷时序模型计算规划日所在周的负荷均值，记作；
S502：从规划日所在特征组中提取N个历史负荷数据，记作，其中，i的取值范围为1，2，……，N；其中，所述N个历史负荷数据中，任意两个历史负荷数据对应的日期均不为同一周；
S503：从所述周负荷序列中提取每个对应的负荷均值，记作/>；
S504：计算第二负荷需求值，公式如下：
；
其中，表示第一负荷需求值，/>表示第二负荷需求值；/>表示修正系数，取值为0.8。
S6：采集规划日的电价信息、光伏发电预测值、储能系统剩余电量，结合所述第二负荷需求值，制定规划日储能系统的充放电方案。
所述光伏发电预测值基于光照数据计算，方法如下：
获取规划日的光照数据，包括光照强度、光照时间；
采用线性回归模型，输入光照强度、光照时间，计算输出光伏发电预测值；
所述充放电方案包括充电容量、充电开始时间、放电开始时间；
其中，所述充电容量基于光伏发电预测值、储能系统剩余电量、第二负荷需求值计算；公式如下：
；
其中，表示充电容量；/>表示光伏发电预测值；/>表示储能系统剩余容量；/>表示缓冲容量，计算方法如下：
随机抽取m个历史负荷数据，分别计算每个历史负荷数据的负荷总量，记作；i的取值范围为1，2，……，m；
分别计算每个历史负荷数据的第二负荷需求值，记作；
计算缓冲容量，公式如下：
；
其中，表示安全裕量，用于应对突发情况和系统不确定性，由管理人员手动设置；/>表示储能系统最大容量；/>表示最低荷电比例，设置为0.2。
所述放电开始时间基于电价信息设置，具体如下：
如图4所示，当电价不低于电价阈值时，储能系统开始放电，供用户使用；当电价低于电价阈值/>时，储能系统停止放电，由电网供用户用电。电价阈值/>由本领域的技术人员根据实际需求设置。
所述充电开始时间采用优化算法确定，优化算法的优化目标为规划日的充电电费最低；参照图3，方法如下：
S100：设置充电速率，记作；
S200：基于所述充电容量与充电速率计算充电时长T；公式如下：
；
S300：选择充电开始时间，并基于所述电价信息计算规划日的充电电费；
S400：采用优化算法最小化所述充电电费，得到最佳充电开始时间。
所述充电电费的计算方法如下：
令充电开始时间点为，从/>至/>+T的时间段内有n个电价区间，第i个电价区间的结束时间为/>，则充电电费的计算公式如下：
；
其中，D表示充电电费；表示第i个电价区间的电价；/>表示充电速率；采用优化算法，最小化充电电费D，得到的/>即为最佳充电开始时间。
实施例2
本实施例为本发明的第二个实施例；与实施例1基于相同的发明构思，参照图2，本实施例介绍一种用于电能储放优化的储能管理系统，包括数据采集模块、预处理模块、特征提取模块、模型训练模块、负荷预测模块、光电预测模块、管理决策模块；其中：
数据采集模块用于收集历史负荷数据、天气数据、光照数据、电价信息、储能系统剩余电量；
预处理模块用于对历史负荷数据和天气数据进行预处理，确保数据的准确性和完整性；
特征提取模块用于对历史负荷数据进行特征提取，以天为单位划分为不同的特征组，并建立周负荷序列，为后续的预测模型训练提供数据基础。
模型训练模块用于为每个特征组训练负荷预测模型，并基于周负荷序列训练负荷时序模型，以实现对未来负荷情况的准确预测。
负荷预测模块用于调用负荷预测模型计算规划日的第一负荷需求值；并调用负荷时序模型，提取历史负荷数据，计算第二负荷需求值，以得到更加准确的负荷需求的预测值。
光电预测模块用于根据光照数据，包括光照强度、光照时间，计算光伏发电的预测值；
管理决策模块基于规划日的电价信息、光伏发电预测值、储能系统剩余电量，结合第二负荷需求值，采用优化算法制定规划日储能系统的充放电方案，以实现电能储放的优化。
上述各模块的具体功能实现参考实施例1介绍的一种用于电能储放优化的储能管理方法中的相关内容，不予赘述。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种用于电能储放优化的储能管理方法，其特征在于：包括以下步骤：
S1：收集历史负荷数据并进行负荷数据预处理；收集历史负荷数据对应的天气数据并进行天气数据预处理；
S2：将历史负荷数据以天为单位划分为不同的特征组，以周为单位建立周负荷序列；
S3：为每个特征组训练负荷预测模型；基于所述周负荷序列训练负荷时序模型；
所述负荷预测模型为支持向量回归模型、多元线性回归模型、神经网络模型中的任一种；负荷预测模型的输出为对应特征组中任意日期的负荷预测值，输入为对应特征组中其余日期的历史负荷数据以及输出对应日期的天气数据；
所述负荷时序模型为SARIMA模型、季节性分解模型、门控循环单元模型中的任一种，输出为任一周的负荷均值的预测值，输入为所述周负荷序列中输出对应周之前长度为M周的序列；M为大于0的正整数；
S4：基于所述负荷预测模型计算规划日的第一负荷需求值；
所述第一负荷需求值的计算方法如下：
S401：为规划日划分特征组；
S402：获取规划日所在特征组的负荷预测模型；
S403：获取规划日的天气数据并进行天气数据预处理；
S404：采用所述负荷预测模型，计算规划日的第一负荷需求值；
S5：基于所述负荷时序模型对第一负荷需求值进行修正，得到第二负荷需求值；方法如下：
S501：通过所述负荷时序模型计算规划日所在周的负荷均值，记作；
S502：从规划日所在特征组中提取N个历史负荷数据，记作，其中，i的取值范围为1，2，……，N；其中，所述N个历史负荷数据中，任意两个历史负荷数据对应的日期均不为同一周；
S503：从所述周负荷序列中提取每个对应的负荷均值，记作/>；
S504：计算第二负荷需求值，公式如下：
；
其中，表示第一负荷需求值，/>表示第二负荷需求值；/>表示修正系数；
S6：采集规划日的电价信息、光伏发电预测值、储能系统剩余电量，结合所述第二负荷需求值，制定规划日储能系统的充放电方案。
2.如权利要求1所述的一种用于电能储放优化的储能管理方法，其特征在于：
所述负荷数据预处理包括异常值剔除、特征降维、归一化；
所述天气数据包括温度数据、相对湿度数据、天气状况；其中，天气状况包括晴天、多云、阴天、雨天、雪天；
所述天气数据预处理包括对所述温度数据以及相对湿度数据进行归一化，并将所述天气状况表示为特征向量。
3.如权利要求2所述的一种用于电能储放优化的储能管理方法，其特征在于：所述将历史负荷数据以天为单位划分为不同的特征组的方法如下：将历史负荷数据进行聚类分析；根据聚类的结果将历史负荷数据划分到不同的特征组，包括工作日组和非工作日组。
4.如权利要求3所述的一种用于电能储放优化的储能管理方法，其特征在于：所述周负荷序列的建立方法如下：
将所述历史负荷数据按时间从早到晚的顺序进行排序；
将排序后的历史负荷数据以周为单位划分为负荷区间；
计算每个负荷区间的负荷均值；
将每个负荷均值按时间从早到晚的顺序排列，得到周负荷序列。
5.如权利要求4所述的一种用于电能储放优化的储能管理方法，其特征在于：所述充放电方案包括充电容量、充电开始时间、放电开始时间；所述光伏发电预测值基于光照数据计算，方法如下：
获取规划日的光照数据，包括光照强度、光照时间；
采用线性回归模型，输入光照强度、光照时间，计算输出光伏发电预测值。
6.如权利要求5所述的一种用于电能储放优化的储能管理方法，其特征在于：所述充电容量基于光伏发电预测值、储能系统剩余电量、第二负荷需求值计算；公式如下：
；
其中，表示充电容量；/>表示光伏发电预测值；/>表示储能系统剩余容量；/>表示缓冲容量，计算方法如下：
随机抽取m个历史负荷数据，分别计算每个历史负荷数据的负荷总量，记作；i的取值范围为1，2，……，m；
分别计算每个历史负荷数据的第二负荷需求值，记作；
计算缓冲容量，公式如下：
；
其中，表示安全裕量，用于应对突发情况和系统不确定性，由管理人员手动设置；/>表示储能系统最大容量；/>表示最低荷电比例。
7.如权利要求6所述的一种用于电能储放优化的储能管理方法，其特征在于：所述放电开始时间基于电价信息设置，具体如下：
当电价不低于电价阈值时，储能系统开始放电，供用户使用；当电价低于电价阈值/>时，储能系统停止放电，由电网供用户用电。
8.如权利要求7所述的一种用于电能储放优化的储能管理方法，其特征在于：所述充电开始时间采用优化算法确定，方法如下：
S100：设置充电速率，记作；
S200：基于所述充电容量与充电速率计算充电时长T；公式如下：
；
S300：选择充电开始时间，并基于所述电价信息计算规划日的充电电费；
S400：采用优化算法最小化所述充电电费，得到最佳充电开始时间。
9.如权利要求8所述的一种用于电能储放优化的储能管理方法，其特征在于：所述充电电费的计算方法如下：
令充电开始时间点为，从/>至/>+T的时间段内有n个电价区间，第i个电价区间的结束时间为/>，则充电电费的计算公式如下：
；
其中，D表示充电电费；表示第i个电价区间的电价；/>表示充电速率。
10.一种用于电能储放优化的储能管理系统，其基于权利要求1-9中任一项所述的一种用于电能储放优化的储能管理方法实现，其特征在于：包括数据采集模块、预处理模块、特征提取模块、模型训练模块、负荷预测模块、光电预测模块、管理决策模块；其中：
数据采集模块用于收集历史负荷数据、天气数据、光照数据、电价信息、储能系统剩余电量；
预处理模块用于对历史负荷数据和天气数据进行预处理；
特征提取模块用于将历史负荷数据以天为单位划分为不同的特征组，并建立周负荷序列；
模型训练模块用于训练负荷预测模型，并基于周负荷序列训练负荷时序模型；
负荷预测模块用于调用负荷预测模型计算规划日的第一负荷需求值；并调用负荷时序模型，计算第二负荷需求值；
光电预测模块用于根据光照数据计算光伏发电的预测值；
管理决策模块基于规划日的电价信息、光伏发电预测值、储能系统剩余电量，结合第二负荷需求值制定规划日储能系统的充放电方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410385638.5A CN117973819B (zh) | 2024-04-01 | 2024-04-01 | 一种用于电能储放优化的储能管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410385638.5A CN117973819B (zh) | 2024-04-01 | 2024-04-01 | 一种用于电能储放优化的储能管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117973819A CN117973819A (zh) | 2024-05-03 |
| CN117973819B true CN117973819B (zh) | 2024-06-07 |
Family
ID=90861355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410385638.5A Active CN117973819B (zh) | 2024-04-01 | 2024-04-01 | 一种用于电能储放优化的储能管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973819B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
| WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合系统及方法 |
| CN113988444A (zh) * | 2021-11-04 | 2022-01-28 | 上海岩芯电子科技有限公司 | 一种光储系统的电费优化控制系统及方法 |
| CN117574071A (zh) * | 2023-11-27 | 2024-02-20 | 极储能源(上海)有限公司 | 一种电池储能系统充放电策略优化方法、装置及系统 |
-
2024
- 2024-04-01 CN CN202410385638.5A patent/CN117973819B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
| WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合系统及方法 |
| CN113988444A (zh) * | 2021-11-04 | 2022-01-28 | 上海岩芯电子科技有限公司 | 一种光储系统的电费优化控制系统及方法 |
| CN117574071A (zh) * | 2023-11-27 | 2024-02-20 | 极储能源(上海)有限公司 | 一种电池储能系统充放电策略优化方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117973819A (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110112767B (zh) | 广域多形态需求侧负荷参与系统调峰的荷源优化控制方法 | |
| Lin et al. | Stochastic planning of integrated energy system via Frank-Copula function and scenario reduction | |
| CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
| CN112952820B (zh) | 考虑退役电池的智能社区微网超多目标能量管理方法 | |
| CN107194514B (zh) | 一种针对风电功率预测误差的需求响应多时间尺度调度方法 | |
| CN109886567B (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
| CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
| CN116436008A (zh) | 一种用于光储充电站的电力调度方法及终端 | |
| KR20130074045A (ko) | 마이크로그리드 기반의 수용가 에너지 관리 방법 및 시스템 | |
| CN108346009B (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| CN118171788B (zh) | 可调度柔性资源与电网规划布局的协同优化方法 | |
| CN114301081B (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
| CN115811135A (zh) | 一种基于电网调峰调频的充换电设备智能监测调控系统 | |
| CN115864376A (zh) | 一种多时间尺度电力保供分析方法及系统 | |
| CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 | |
| CN113988471A (zh) | 一种微电网运行多目标优化方法 | |
| CN114069642A (zh) | 一种考虑用户满意度的温控负荷综合调峰方法 | |
| CN113746105A (zh) | 电力需求响应的优化控制方法、装置、设备和存储介质 | |
| CN112288130A (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
| CN117973819B (zh) | 一种用于电能储放优化的储能管理系统及方法 | |
| CN108683211B (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
| Somers et al. | Individual EV load profiling and smart charging to flatten total electrical demand | |
| CN115271168A (zh) | 用电负荷响应潜力的预测方法、装置及存储介质 | |
| Wang et al. | Predictive management of electric vehicles in a community microgrid | |
| CN111130107A (zh) | 电网负荷预测方法及装置 |
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 |