一种基于人工鱼群算法的智能化储能系统并网实时控制方法技术方案
【技术实现步骤摘要】
一种基于人工鱼群算法的智能化储能系统并网实时控制方法
本专利技术属于储能系统并网控制领域，尤其涉及一种基于人工鱼群算法的智能化储能系统并网实时控制方法。
技术介绍
随着我国经济的飞速发展，国家电网也越来越大，大规模电网所带来的问题也逐渐显露出来，例如调度困难、安全性和可靠系数不高等。同时，电网总体布局的不平衡性与局部结构的不合理性与成倍增长的电力需求逐渐凸显出来，成为亟待解决的重要难题。当前，电动汽车以及UPS的普及，越来越多的家庭拥有大容量锂电池等储能装置，这些分布式的储能系统以其灵活、环保等优势正逐渐赢得广大市场，并已成为家庭用电的重要支持与补充。由于电力生产与使用具有特殊性，即电能难以大量存储，而且各类用户对电力的需求是时刻变化的，这就要求储能系统的充放电应随时紧跟负荷的变化动态平衡，即削峰填谷，使得系统能最大限度地发挥出设备能力，使整个系统保持稳定且高效地运行，以满足用户的需求。大规模电池储能系统通过在负荷高峰时放电，在负荷低谷时充电，可以实现对负荷的削峰填谷功能，同时有利于电网公司与电力用户双方：电网公司利用储能系统削峰填谷，能够推迟设备容量升级，提高设备利用率，节省设备更新的费用；电力用户利用储能系统削峰填谷，可以利用峰谷电价差获得经济效益。在国外已有许多大规模电池储能系统在运行；在国内，南方电网则最先开展了兆瓦级储能系统示范项目。因此，在这一背景下，如何利用有限的电池容量达到最优的削峰填谷效果，并满足一组约束条件的限制，是提高储能系统利用率，提升电力用户家庭用电合理性，降低电力公司运营成本的重要手段。为此，需要借助于优化算法来实现。当前求解储...
【技术保护点】
一种基于人工鱼群算法的智能化储能系统并网实时控制方法，其特征按如下步骤进行：步骤1：从智能电表中获取电力负荷监测数据，所述电力负荷监测数据包括电力负荷历史数据与电力负荷实时数据；步骤2：构造一个Elman神经网络，利用所述电力负荷历史数据对所述Elman神经网络进行训练，获得所述Elman神经网络参数；步骤3：将储能系统当前工作日记为当日；在当日零时，将当日零时之前一段时间的电力负荷历史数据导入所述Elman神经网络中，预测出储能系统工作当日的电力负荷预测数据步骤4：对所述当日电力负荷预测数据分别在各时段添加储能系统的充电或放电功率，构造方差最小化目标函数以及储能装置容量、功率限制、充放电次数的约束条件，并利用人工鱼群算法对包含多项约束条件的目标函数进行优化求解，得到储能系统工作当日各时段预测充电或放电功率；步骤5：将当日电力负荷实时数据与所述当日电力负荷预测数据从当日零时起，逐时段比较，并按不同情况分别判断各时段是否充电或放电，以及充电或放电的功率，从而确定充电或放电时间节点；步骤6：储能系统当日工作至最后一个时段结束，获取最后一次电力负荷实时数据，然后将当日全部时段的电力负荷实时数...
【技术特征摘要】
1.一种基于人工鱼群算法的智能化储能系统并网实时控制方法，其特征按如下步骤进行：步骤1：从智能电表中获取电力负荷监测数据，所述电力负荷监测数据包括电力负荷历史数据与电力负荷实时数据；所述电力负荷实时数据来自于所述储能系统自带的信号传感接收装置，通过与智能电表进行数据通信获得；所述电力负荷实时数据指从储能系统工作当日零时开始获取的电力负荷数据，该数据以天为区间，将一天24小时等分为n个时间段，从当日零时开始获取，此后每隔24/n小时获取一次电力负荷实时数据，直到当日23时59分获取当日最后一次电力负荷实时数据，共计在n+1个时间节点上获取电力负荷数据；所述电力负荷历史数据通过储能系统与智能电表长期通信，以及查阅电力部门过往历史记录获得；所述电力负荷历史数据为储能系统工作当日零时之前的电力负荷数据，至少采集过往1个月里每日每划分时段的完整的电力负荷历史数据，并按照与每日电力负荷实时数据同样的方法进行每日历史数据等分；步骤2：构造一个Elman神经网络，利用所述电力负荷历史数据对所述Elman神经网络进行训练，获得所述Elman神经网络参数；所述Elman神经网络具有(n+1)×l个输入，分别对应l天的电力负荷历史数据，每天采集n+1次；同时，所述Elman神经网络具有n+1个输出，分别对应一天之内n+1个时间节点上电力负荷预测数据；所述Elman神经网络的参数通过当日之前N天的历史数据滚动训练出，具体步骤如下：步骤2.1：取当日之前N天的电力负荷历史数据D1,…,DN，其中D1为距离当日最远一天的电力负荷历史数据，DN为当日之前一天的电力负荷历史数据；D1,…,DN都由前述n+1个时间点的电力负荷监测数据构成，即Di＝[Di(t0),…,Di(tn)]，Di(t0)表示第i天第t0时间点的电力负荷数据，Di(tn)表示第i天第tn时间点的电力负荷数据；1≤i≤N；步骤2.2：从第1天的电力负荷历史数据D1开始，取第1天到第l天的电力负荷历史数据D1,…,Dl作为Elman神经网络的输入，第l+1天的电力负荷预测数据作为输出目标，记为一组训练；再取第2天到第l+1天的电力负荷历史数据D2,…,Dl+1作为Elman神经网络的输入，第l+2天的电力负荷预测数据作为输出目标，再记为一组训练；以此类推，直到取第N-l天到第N-l天的电力负荷历史数据DN-l,…,DN-1作为Elman神经网络的输入，第N天的电力负荷预测数据作为输出目标，记为最后一组训练；共计N-l组训练；步骤2.3：计算每组训练中输出的第i训练天的电力负荷预测数据与第i训练天真实的电力负荷历史数据之间的误差平方，其中，i训练为每组训练的编号，取值为l+1,…,N；通过使各组训练的误差平方之和最小化，即以求得Elman神经网络的参数；步骤3：将储能系统当前工作日记为当日；在当日零时，将当日零时之前一段时间的电力负荷历史数据导入所述Elman神经网络中，预测出储能系统工作当日的电力负荷预测数据；步骤4：对所述当日电力负荷预测数据，分别在各时段添加储能系统的充电或放电功率，构造方差最小化目标函数以及储能装置容量、功率限制、充放电次数的约束条件，并利用人工鱼群算法对包含多项约束条件的目标函数进行优化求解，得到储能系统工作当日各时段预测充电或放电功率；步骤5：将当日电力负荷实时数据与所述当日电力负荷预测数据从当日零时起，逐时段比较，并按不同情况分别判断各时段是否充电或放电，以及充电或放电的功率，从而确定充电或放电时间节点；步骤6：储能系统当日工作至最后一个时段结束，获取最后一次电力负荷实时数据，然后将当日全部时段的电力负荷实时数据按时序添加到电力负荷历史数据中，再利用更新后的电力负荷历史数据重新对所述Elman神经网络进行训练，从而更新所述Elman神经网络参数；步骤7、将储能系统当前工作日的下一个工作日记为下一日；将所述下一日的零时作为所述当日的零时，并重复步骤3，步骤4，步骤5，从而获得下一日的充电放电时间与功率。2.根据权利要求1所述的基于人工鱼群算法的智能化储能系统并网实时控制方法，其特征在于，所述步骤3中当日零时之前一段时间的电力负荷历史数据是指第N-l+1天到第N天的电力负荷历史数据DN-l+1,…,DN，将DN-l,…,DN-1作为步骤2中训练出的Elman神经网络的输入，求出储能系统工作当日的电力负荷预测数据。3.根据权利要求2所述的基于人工鱼群算法的智能化储能系统并网实时控制方法，其特征在于，所述步骤4中当日各时段的充电或放电是指在从当日零时开始，在当日的前n个时间点开始充电或放电，其中，第一次充电或放电从当日零时即第1个时间点t0开始到第2个时间点t1终止，第二次充电或放电从当日第2个时间点t1开始到第3个时间点t2终止，以此类推，直到最后一次充电或放电从当日第n个时间点tn-1开始到当日23点59分即第n+1个时间点tn终止，共计形成n个充电或放电时段；假设在每个时段内，电力负荷始终与该时段初始时间点的电力负荷实时数据保持一致，分别记为D(t0),…,D(tn)；假设在每个时段内，充电或放电功率保持不变，记为P(t0),…,P(tn-1)，则每时段内储能系统充电或放电的电量为W(t0),…,W(tn)，且W(tj)＝P(tj)×(3600/n)，其中，j为时间点索引，D(tj)为当日tj时间点的电力负荷实时数据，W(tj)为当日tj时间点储能系统充电或放电的电量，记W＝[W(t0),…,W(tn)]，P(tj)为当日tj时间点储能系统充电或放电功率，则所述步骤4所述方差最小化目标函数为：当储能系统在tj时间点充电时，P(tj)为正值，当储能系统在tj时间点放电时，P(tj)为负值。4.根据权利要求3所述的基于人工鱼群算法的智能化储能系统并网实时控制方法，其特征在于，所述步骤4中的约束条件是指：(1)储能系统容量约束：任意tj时间点处储能系统中的电量E(tj)都不能高于储能系统自身容量上限Emax或低于储能系统自身容量下限Emin；(2)储能系统充放电功率约束：储能系统在任意tj时间点...
【专利技术属性】
技术研发人员：胡章胜，石栋，毕国龙，陈峰，谷千帆，余永义，陈平，王宏，鲍益霞，章强，徐胤，刘红，夏彬，张萌，郭明，
申请(专利权)人：国家电网公司，国网安徽省电力公司池州供电公司，国网安徽池州市贵池区供电有限责任公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。