一种基于人工智能的台区储能系统充放电控制方法及系统

技术领域

本发明属于配电台区储能技术领域，尤其涉及一种基于人工智能的台区储能系统充放电控制方法及系统。

背景技术

近年来，随着我国经济的快速发展，居民用电水平持续增长，对配电网的供电能力和供电质量提出了越来越高的要求。现有的台区储能系统的控制方式为固定时间进行充放电，不随光伏发电和负荷变化而进行跟随性控制，导致无法适应光伏发电和负荷变化，存在电能的利用率低、对电网的响应速度较慢、无法实现储能系统最优运行和调度等缺陷。

公开号为CN110198043A的专利申请提供了一种配电台区储能柜及其控制方法，包括柜体，所述柜体的内部设置有锂电子电池、电池管理系统、储能双向变流器、监控系统以及配电箱，所述锂电子电池与所述储能双向变流器的直流侧电连接，所述电池管理系统设置在所述锂电子电池的前面板侧，所述配电箱与所述储能双向变流器的交流侧电连接，所述电池管理系统和所述储能双向变流器通信连接所述监控系统，并且所述监控系统通信连接监控中心。此专利虽然记载了对配电台区储能柜控制，但是其对变压器的负荷运行状态无法感知，另外对台区储能系统充放电的时序控制也没有进一步技术方案的说明，仍然存在与现有技术相同的弊端。

因此，如何更好地对台区储能系统充放电进行控制，以提高台区储能系统的电能利用率，实现台区储能系统最优化运行及调度，是本技术领域人员亟待解决的问题。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于人工智能的台区储能系统充放电控制方法，以解决现有技术中无法适应光伏发电和负荷变化，导致电能的利用率低、无法实现储能系统最优运行和调度的问题；另外本发明还提供了一种基于人工智能的台区储能系统充放电控制系统。

为了解决上述技术问题，本发明采用了如下的技术方案：

第一方面，本发明提供了一种基于人工智能的台区储能系统充放电控制方法，包括以下步骤：

S10、通过智能量测终端采集历史负荷数据、光伏发电功率数据和历史天气数据；

S20、基于所述步骤S10中所采集的数据，通过光伏发电功率预测APP进行未来4小时及未来24小时的光伏发电功率预测；

S30、基于所述步骤S10中所采集的数据，通过负荷预测APP进行未来4小时及未来24小时的用户负荷情况预测；

S40、基于步骤S20中的光伏发电功率预测结果和步骤S30中的负荷预测结果，通过智能量测终端生成储能系统的充放电策略。

进一步的，所述步骤S40具体包括：

功率平衡约束：在台区电网系统中电网及各分布式电源的输出功率与各负荷的所需功率相等，称为功率平衡，功率平衡约束模型如下式所示：

E

其中，E

储能系统约束：在台区调度运行中削峰填谷，平抑光伏系统的功率波动，储能系统在进行充电或放电时，其充放电功率和电池荷电状态都需要约束，其储能系统约束模型如下式所示：

E

0≤C

其中，SOC

光伏系统约束模型如下式所示：

其中，

系统优化：通过改进的麻雀优化算法求解最小化目标函数，制定储能系统的充放电策略。

进一步的，所述改进的麻雀优化算法是在麻雀优化算法的基础上添加反向学习策略、步长因子动态调整策略和Levy飞行策略。

进一步的，反向学习策略：通过对立搜索代替麻雀搜索算法的随机搜索，首先随机初始化种群，然后根据初始种群生成其反向种群，从中选择较优的种群作为下一代种群，反向学习策略会选择更靠近最优位置的个体作为种群的最初个体，以便提高种群中所有个体的收敛速度；

步长因子动态调整策略：在麻雀优化算法中，步长控制参数β和K用于平衡全局搜索能力与局部开发能力，步长因子动态调整策略是对步长控制参数β和K进行改进，公式如下：

其中，fit

Levy飞行策略：Levy飞行是非高斯随机步态，步长服从重尾概率分布，在寻找最优解过程中，Levy飞行包括短距离中进行局部搜索和长距离中进行全局搜索，相关公式如下：

其中，d为空间维度，Γ为伽马函数，θ为常数，r

目标函数：

为当前负荷波峰，/>

进一步的，所述充放电策略是依据负荷预测确定负荷波峰的时间和波谷时间，在该时间当台区电网内光伏系统发电量大于台区电网内部负荷功率时，将多余电量存储到储能电池中；当台区电网内光伏系统发电量之和小于台区电网内部负荷功率时，台区电网向储能系统请求释放电能来弥补负荷所缺能量。

进一步的，所述步骤S10中，所述历史负荷数据和光伏发力功率数据的采集频率为每15分钟采集一个点，所述历史天气数据包括天气、温度、湿度、风向、风速、风力、压强、降雨概率、日出时间和日落时间。

进一步的，所述步骤S20中，进行未来4小时的光伏发电功率预测用以实时调整储能系统充放电策略，进行未来24小时的光伏发电功率预测用以制定未来一天的储能系统充放电策略，光伏发电功率预测采用基于异质聚类的SVR算法，聚类算法采用K-means、DBSCAN和OPTICS。

进一步的，所述步骤S30中，负荷预测采用基于小波变换的Transformer算法。

进一步的，还包括步骤S50：采用平均绝对值百分比误差、平均绝对值误差和均方根误差衡量光伏发电功率预测和负荷预测，采用负荷峰谷差优化百分比衡量储能系统。

第二方面，本发明还提供了一种基于人工智能的台区储能系统充放电控制系统，包括：

光伏发电预测APP模块，用于预测未来4小时及未来24小时的光伏发电功率；

负荷预测APP模块，用于预测未来4小时及未来24小时的用户负荷情况；

智能量测终端，用于采集历史负荷数据、光伏发电功率数据、历史天气数据，以及根据所述光伏发电预测APP模块和负荷预测APP模块的预测结果生成储能系统充放电策略；

储能控制APP模块，用于根据智能量测终端生成的储能系统充放电策略控制台区储能系统的充放电。

本发明提供的基于人工智能的台区储能系统充放电控制方法及系统与现有技术相比，至少具有如下有益效果：

现有的台区储能系统的控制方式为固定时间进行充放电，不随光伏发电和负荷变化而进行跟随性控制，导致无法适应光伏发电和负荷变化，存在电能的利用率低、对电网的响应速度较慢、无法实现储能系统最优运行和调度等缺陷。本发明预测精确、响应及时，结合对负荷情况及光伏影响较大的天气数据，完成短期负荷预测和光伏发电功率预测，并通过负荷预测和光伏发电功率预测结果得到储能系统充放电策略，优化了储能控制系统，实现对储能系统的优化调度，更好地对台区储能系统充放电进行控制，提高了台区储能系统的电能利用率。

附图说明

为了更清楚地说明本发明的方案，下面将对实施例描述中所需要使用的图作一个简单的介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于人工智能的台区储能系统充放电控制方法的流程图；

图2为本发明实施例提供的一种基于人工智能的台区储能系统充放电控制方法的时间正弦化处理示意图；

图3为本发明实施例提供的一种基于人工智能的台区储能系统充放电控制方法的DBSCAN算法示意图；

图4为本发明实施例提供的一种基于人工智能的台区储能系统充放电控制方法的SVR算法示意图；

图5为本发明实施例提供的一种基于人工智能的台区储能系统充放电控制方法的负荷预测算法流程示意图；

图6为本发明实施例提供的一种基于人工智能的台区储能系统充放电控制方法的Transformer模型结构示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

本发明提供了一种基于人工智能的台区储能系统充放电控制方法，应用于对台区储能系统的控制与调度过程中，基于人工智能的台区储能系统充放电控制方法包括以下步骤：

S10、通过智能量测终端采集历史负荷数据、光伏发电功率数据和历史天气数据；

S20、基于步骤S10中所采集的数据，通过光伏发电功率预测APP进行未来4小时及未来24小时的光伏发电功率预测；

S30、基于步骤S10中所采集的数据，通过负荷预测APP进行未来4小时及未来24小时的用户负荷情况预测；

S40、基于步骤S20中的光伏发电功率预测结果和步骤S30中的负荷预测结果，通过智能量测终端生成储能系统的充放电策略。

本发明预测精准、响应及时，可以提高台区储能系统的性能和效益，同时为电力系统的稳定和可靠运行提供有效支持。

为了使本技术领域的人员更好地理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种基于人工智能的台区储能系统充放电控制方法，应用于对台区储能系统的控制与调度过程中，如图1至图6，本实施例中，所述基于人工智能的台区储能系统充放电控制方法包括以下步骤：

S10、通过智能量测终端采集历史负荷数据、光伏发电功率数据和历史天气数据；

具体地，历史负荷数据和光伏发电功率数据的采集频率是每15分钟一个点，一天共采集96个点的数据。

进一步的，本实施例中，天气数据主要包含有天气、温度、湿度、风向、风速、风力、压强、降雨概率、日出时间和日落时间。针对不同的元素采用不同的处理方式，对于天气数据和风向数据主要是文字描述，例如晴、小雨、雷阵雨、雨夹雪、东南风和西北风等，将天气数据和风向数据进行数字化处理，数字化处理方法为统计其类型总共有多少种并对每一种类型进行数字编号，与用电负荷关联性较强的还有节假日信息，可通过python的chinese_calendar库进行判断。

进一步的，历史负荷数据和光伏发电功率数据在采集、上传、存储等过程会有数据丢失和受到干扰导致数据异常的情况，因此要对原始负荷数据和光伏发电功率数据进行异常值判断和缺失值处理。

S20、基于步骤S10中所采集的数据，通过光伏发电功率预测APP进行未来4小时及未来24小时的光伏发电功率预测；

具体地，光伏发电功率预测是制定储能系统充放电策略的重要指标，光伏发电功率预测分为两个部分，第一部分为实时预测，每隔1个小时预测未来4个小时的光伏发电功率用以实时调整充放电策略，第二部分为日前24小时光伏发电功率预测，用以制定未来1天的储能系统充放电策略。

进一步的，本实施例中，光伏发电功率预测主要采用基于异质聚类的SVR算法，聚类算法采用K-means、DBSCAN和OPTICS。

具体地，K-means聚类：从n个样本数据中随机选取k个质心作为初始的聚类中心。质心记为：

定义优化目标：

开始循环，计算每个样本点到此质心的距离，将该样本分配到最近距离的质心，得到K个簇：

对于每个簇，计算所有被分到该簇的样本点的平均距离作为新的质心：

直到J收敛，即所有簇不再发生变化。

DBSCAN聚类：基于密度的噪声应用空间聚类，算法将数据分为三类，核心点、边界点和噪音点。两个变量，一个是半径eps(ε)，另一个是指定的数目MinPTs。

进一步的，算法步骤：首选任意选取一个点，然后找到这个点距离小于等于eps的所有点。如果距起始点的距离在eps之内的数据点个数小min_samples，那么这个点被标记为噪声。如果距离在eps之内的数据点个数大于min_samples，则这个点被标记为核心样本，并被分配一个新的簇标签。然后，访问该点的所有邻居(在距离eps以内)，如果它们还没有被分配一个簇，那么就将刚刚创建的新的簇标签分配给它们，如果它们是核心样本，那么就依次访问其邻居，以此类推。簇逐渐增大，直到在簇的eps距离内没有更多的核心样本为止，选取另一个尚未被访问过的点，并重复相同的过程。

OPTICS聚类：OPTICS算法是DBSCAN算法的一种改进，在上述DBSCAN定义的基础上，OPTICS引入了两个算法需要的定义：核心距离：样本x∈X，对于给定的ε和MinPTs，使得x成为核心点的最小邻域半径称为x的核心距离，其数学表达如下：

其中，

可达距离：设x,y∈X，对于给定的ε和MinPTs，y关于x的可达距离定义为：

算法流程：输入样本集X＝{x

1)初始化核心对象集合；

2)遍历X的元素，如果是核心对象，则将其加入到核心对象集合Ω中；

3)如果核心对象集合Ω中元素都已经被处理，则算法结束，否则转入步骤4；

4)在核心对象集合Ω中，随机选择一个未处理的核心对象o，首先将o标记为已处理，同时将o压入到有序列表p中，最后将o的ε-邻域中未访问的点，根据可达距离的大小(计算未访问的邻居点到o点的可达距离)依次存放到种子集合seeds中；

5)如果种子集合seeds＝φ，跳转到3，否则，从种子集合seeds中挑选可达距离最近的种子点seeds，首先将其标记为已访问，将seeds标记为已处理，同时将seeds压入到有序列表p中，然后判断seeds是否为核心对象，如果是，将seeds中未访问的邻居点加入到种子集合中，重新计算可达距离。(计算种子集合中距离seeds点的可达距离)跳转到5。

说明：第一点，第一个被处理的对象是不存在可达距离的(因为没有被计算过)，只有进入过seeds的点才能计算可达距离。

进一步的，基于重标记法和投影法进行异质聚类融合：基聚类器按最佳聚类数m展开聚类，得到结果

(u′,v′)＝argmax

再使用投影法，将其中的重复样本删除至一个，其余的暂时全部留下，以“取多”的形式对相似簇校正，得到n'

SVR算法：SVR算法是支持向量机在回归方向上的应用，其原理为在线性函数的两侧创造了一个“间隔带”，而这个“间隔带”的间距为ε(根据经验给定)，对所有落入到间隔带内的样本不计算损失，也就是只有支持向量才会对其函数模型产生影响，最后通过最小化总损失和最大化间隔来得出优化后的模型，对于非线性的模型使用核函数映射到特征空间，然后再进行回归。

S30、基于步骤S10中所采集的数据，通过负荷预测APP进行未来4小时及未来24小时的用户负荷情况预测；

具体地，日前负荷预测是储能系统优化充放电策略的另一个重要指标，负荷预测包含两部分内容，其一为超短期负荷预测即每隔1小时预测未来4小时的用户负荷情况，其二为短期负荷预测即在晚12点预测未来一天24小时的用户负荷情况用于储能系统充放电策略的制定，负荷预测采用一种基于小波变换的Transformer算法。

正交小波变换：小波变换可以将时域信号转换到频域并具有时间信息，其在时域和频域上同时具有良好的局部化特性，通过伸缩和平移方法将负荷信号转化为不同尺度，根据信号的时间、频率、分辨率高低自动调节采样的大小。正交小波变换的公式表示为：

其中j,k为任意整数Z，ψ

此时构成L

在小波变换中，可以将数据分解为多条分量，其中有一个近似分量其包含数据中具有标识性的最重要部分，其它分量称为细节分量其包含局部和细节信息。例如，将信号S分解为近似分量cA1和细节分量cD1；cA1进一步分解为另一近似分量cA2和细节分量cD2，以满足更高的分辨率；依此类推，直至合适的层数，电力负荷数据的主要波动、不同层级的峰值、随机波动的细节均以近似的形式给出。

Transformer算法：Transformer可以分为Encode模块和Decode两个模块。Encode模块可以分为多头注意力机制和前馈网络两个子模块，Decode模块可以分为三个子模块，其中第二和第三个和Encode的两个子模块相同，第一为遮蔽多头注意力机制。

Encode层：

Input Embedding，根据输入input，初始化数据的每个特征的Embedding，可以按照正态分布的方式。

Postional Embedding，位置信息可以用归纳偏置和一些经验得出：

PE

PE

其中与k相关的项都是常数，所以PE

Multi-Head Attention，其重点为：

首先，Q,K,V都是(N,L,D)的张量，对于第一维N主要是做并行计算的，暂不考虑，那么Q,K,V都是(L,D)的矩阵了。那么QK

add&norm，add:是每个环节的特征变换之后都加上这个环节变换之前的值，目的是防止模型跑偏。

Layer Normalization，对特征做标准化。

Feed Forward，前馈神经网络。

Decode层和Encoder相同的模型不再赘述。

Output Embedding，包含了两层含义：输入label和输入特征，输入的output前面会加入标志位。

Masked Multi-Head Attention，原理和Multi-Head Attention相同，但需要把要预测的部分masked，也就是在子模块输入Q,K,V计算到QK

S40、基于步骤S20中的光伏发电功率预测结果和步骤S30中的负荷预测结果，通过智能量测终端生成储能系统的充放电策略。

具体地，基于负荷预测结果、光伏发电功率预测结果和实时采集的数据，由智能量测终端生成充放电控制策略，控制储能装置在负荷低谷或光伏发电高峰进行充电，且控制充电功率大小；在负荷高峰期或光伏发电不足时期进行放电，且控制充电功率大小，优化台区用电峰谷差。

进一步的，步骤S40具体包括：

功率平衡约束：在台区电网系统中电网及各分布式电源的输出功率与各负荷的所需功率相等，称为功率平衡，功率平衡约束模型如下式所示：

E

其中，E

储能系统约束：在台区调度运行中削峰填谷，平抑光伏系统的不确定性带来的的功率波动，提高台区电网的可靠性和安全性，储能系统在进行充电或放电时，其充放电功率和电池荷电状态都需要约束，其储能系统约束模型如下式所示：

E

0≤C

其中，SOC

光伏系统约束模型如下式所示：

其中，

系统优化：通过改进的麻雀优化算法求解最小化目标函数，制定储能系统的充放电策略。

进一步的，改进的麻雀优化算法是在麻雀优化算法的基础上添加了反向学习策略、步长因子动态调整策略和Levy飞行策略。

反向学习策略：反向学习策略就是通过对立搜索代替麻雀搜索算法的随机搜索。其主要思想是:首先随机初始化种群,然后根据初始种群生成其反向种群,从中选择较优的种群作为下一代种群。反向学习策略会选择更靠近最优位置的个体作为种群的最初个体,以便提高种群中所有个体的收敛速度。此外,反向学习策略还可以通过搜索更多有效区域来提高群体的多样性,增强算法的全局搜索能力。

步长因子动态调整策略：在麻雀优化算法中,步长控制参数β和K用于平衡全局搜索能力与局部开发能力，但因为β和K都是随机数,无法使麻雀充分探索空间,可能导致麻雀优化算法陷入局部最优。因此，需要对步长控制参数β和K进行改进，公式如下：

其中，fit

Levy飞行策略：Levy飞行是一种非高斯随机步态，步长服从重尾概率分布,在寻找最优解过程中，Levy飞行不仅可以在短距离中进行局部搜索，还可以在长距离中进行全局搜索，因此在搜索到最优值附近时，Levy飞行能起到增强局部搜索能力的作用，有效解决了麻雀优化算法可能陷入局部最优的问题。相关公式如下：

其中，d为空间维度，Γ为伽马函数，θ为常数,r

目标函数：

为当前负荷波峰，/>

储能电池充放电策略：依据负荷预测确定负荷波峰的时间和波谷时间，在该时间当台区电网内光伏系统发电量大于台区电网内部负荷功率时，将多余电量存储到储能电池中；当台区电网内光伏系统发电量之和小于台区电网内部负荷功率时，台区电网向储能系统请求释放电能来弥补负荷所缺能量。

进一步的，具体策略如下：

光伏系统发电不会对环境造成污染，所以将其设定对台区电网内设备优先供电。

根据光伏发电功率预测和负荷预测结果设定储能电池充放电时间，当光伏系统发电量大于本地负荷且大于一级阈值时，优先对储能系统进行高功率充电，当光伏系统发电量大于本地负荷且大于二级阈值小于一级阈值时，优先对储能系统进行低功率充电，当光伏系统发电量大于本地负荷且小于二级阈值时，停止对储能系统进行充电，依据此规则进行充电时间划分，当储能电池的SOC高于最大值时结束充电，当光伏系统发电量小于台区电网内本地负荷时，调度中心将计算储能系统放电时间，当调度中心接收到储能系统的SOC低于最小值时，停止储能系统供电，利用大电网为台区电网内设备进行供电。

当微电网内光伏系统发电量由于天气原因造成功率波动，导致微电网内能量供需瞬时失衡，超级电容器能够在光伏系统发电量产生波动的一瞬间进行放电补偿，维护微电网内供需两端的功率平衡。

S50、模型的评估：采用四个指标用以衡量模型的性能，其中平均绝对值百分比误差(Mean Absolute Percentage Error，MAPE)、平均绝对值误差(Mean Absulute Error，MAE)和均方根误差(Root Mean Square Error，RMSE)用以衡量光伏发电功率预测和负荷预测，最后用负荷峰谷差优化百分比以衡量储能系统，表达式如下：

式中：

本发明实施例还提供了一种采用上述方法的控制系统，包括：

光伏发电预测APP模块，用于预测未来4小时及未来24小时的光伏发电功率；

负荷预测APP模块，用于预测未来4小时及未来24小时的用户负荷情况；

智能量测终端，用于采集历史负荷数据、光伏发电功率数据、历史天气数据，以及根据光伏发电预测APP模块和负荷预测APP模块的预测结果生成储能系统充放电策略；

储能控制APP模块，用于根据智能量测终端生成的储能系统充放电策略控制台区储能系统的充放电。

上述实施例所述的基于人工智能的台区储能系统充放电控制方法及系统，与现有技术相比，现有的台区储能系统的控制方式为固定时间进行充放电，不随光伏发电和负荷变化而进行跟随性控制，导致无法适应光伏发电和负荷变化，存在电能的利用率低、对电网的响应速度较慢、无法实现储能系统最优运行和调度等缺陷。本发明预测精确、响应及时，结合对负荷情况及光伏影响较大的天气数据，完成短期负荷预测和光伏发电功率预测，并通过负荷预测和光伏发电功率预测结果得到储能系统充放电策略，优化了储能控制系统，实现对储能系统的优化调度，更好地对台区储能系统充放电进行控制，提高了台区储能系统的电能利用率。

显然，以上所描述的实施例仅仅是本发明较佳实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例，但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。