基于集合经验模态分解和LSTM的储能装置控制方法制造方法及图纸

本发明专利技术涉及一种基于集合经验模态分解和LSTM的储能装置控制方法，首先将连续n+2个时间段中前n+1个时间段的历史短期负荷的数据进行归一化处理和集合经验模态分解得到的子序列或残余分量作为输入项，以后1个时间段的历史短期负荷的数据对应的子序列或残余分量作为理论输出项训练LSTM模型，接着将当前时间段以及距离当前时间段最近的n个时间段的历史短期负荷的数据经预处理后输入训练好的LSTM模型，然后利用训练好的LSTM模型输出预测值后，对所有的预测值进行重构和反归一化处理得到预测结果，最后根据预测结果控制储能装置充放电。本发明专利技术方法预测精度高，储能装置充放电运行合理。

Control method of energy storage device based on ensemble empirical mode decomposition and LSTM

【技术实现步骤摘要】
基于集合经验模态分解和LSTM的储能装置控制方法
本专利技术属于电力负荷调度
，涉及一种基于集合经验模态分解和LSTM的储能装置控制方法。
技术介绍
作为电力系统经济调度中的一项重要内容，准确地负荷预测能够经济合理的安排电网内部发电机组的启停，保障电网的安稳运行，同时为电网调度计划安排、设备检修和电网改造扩建提供可靠的数据支撑。近年来，随着用电领域的不断拓宽，用户数量的不断增加，加上新能源在电网中的渗透率越来越高，由于新能源出力具有间歇性和不确定性，使得电网负荷峰谷差逐步增大，供电可靠性降低，因此，在负荷预测的基础上，利用储能装置进行负荷的平移操作，基于目前电力市场分时电价的基础上可以使得峰谷差降低的同时获得经济效益。目前，负荷预测的方法也比较多，常用的有灰色理论法、专家系统法、支持向量机法和时间序列法等。针对负荷预测的不确定性，上述方法往往在预测精度上并不理想，随着神经网络的兴起，其强大的学习能力、自适应能力使得其在模式识别、智能机器人、自动控制等多领域取得了优异的成绩，由于负荷的不确定性，可以采用神经网路进行学习以提高负荷预测的精度。目前，有人利用小波分析结合神经网络进行时间序列的预测，但是小波分析需要选取合适的母小波以及设置可行的分解层数，针对非线性、非平稳信号的分解的自适应效果差，预测精度仍然有待提高。因此，研究一种预测精度高的储能装置控制方法具有十分重要的意义。
技术实现思路
本专利技术的目的是为了克服上述现有技术中存在的问题，提供一种预测精度高的基于集合经验模态分解和LSTM的储能装置控制方法具有十分重要的意义。为了达到上述目的，本专利技术采用的技术方案为：基于集合经验模态分解和LSTM的储能装置控制方法，先基于集合经验模态分解和LSTM对短期负荷进行预测，然后根据预测结果控制储能装置的充放电；预测过程为：采集当前时间段以及距离当前时间段最近的n个时间段的历史短期负荷的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的LSTM模型中，一子序列对应一训练好的LSTM模型，一残余分量对应一训练好的LSTM模型，由训练好的LSTM模型输出预测值后，对所有的预测值进行后处理得到下一时间段的未来短期负荷的数据；LSTM模型的训练过程即以连续n+2个时间段中前n+1个时间段的历史短期负荷的数据对应的子序列或残余分量为输入，以后1个时间段的历史短期负荷的数据对应的子序列或残余分量为理论输出，不断调整LSTM模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，其中子序列或残余分量采用与预测过程相同的方法得到；所述预处理是指先后进行归一化处理和集合经验模态分解，所述后处理是指先后进行重构和反归一化处理；控制过程为：先读取当前时刻储能装置的荷电状态Soc(t)，再根据下一时间段Δt的预测结果估算Δt内储能装置与外部的交换功率Pex，再根据储能装置运行电压U计算Δt内与外部的交换电流Iex＝Pex/U，当交换电流Iex>0时，控制储能装置放电；反之，控制储能装置充电。控制储能装置放电的具体过程为：计算Δt内储能装置最大可放电电流Ioutmax，若Ioutmax≥Iex，标记储能装置能够充电，计算放电后储能装置的荷电状态Soc(t+Δt)作为参考；若Ioutmax＜Iex，提示缺电告警信息，计算Δt内储能装置最大可放电电流Ioutmax采用如下公式：其中，Soc(t-1)为放电初始时刻储能装置的荷电状态，T为储能装置可持续放电的时间，K和n'为取决于不同储能装置自身放电特性的常数，可以通过实验得到；计算放电后储能装置的荷电状态采用如下公式：无法持续供应负荷T＜t；其中，t为在电流Iout下的实际放电时间，CN为储能装置额定容量，Soc(t)为放电完成后储能装置的荷电状态；控制储能装置充电的具体过程为：计算储能装置的可接受电流和储能装置在充电时间t内的充电容量Cin，充电电流Iin＜I0，储能装置以Iin恒电流充电；否则估算储能装置在Δt内的最大临界充电电流Iinmax，并以Iinmax为储能装置充电，同时提示电能过剩，需切除部分电源；计算储能装置可接受电流采用如下公式：其中，I0为开始充电时允许的最大初始电流值，η为储能装置的充电接受比，用来表征储能装置的充电接受特性；计算储能装置在充电时间t内的充电容量Cin的公式如下：Cin＝IintIin＜I0，T≥t；其中，I0＝ηCR，CR＝(1-Soc(t-1))CN，Soc(t-1)为充电前储能装置的荷电状态，CN为储能的额定容量；最大临界充电电流Iinmax的计算方法为：令放电仿真过程中的临界时刻T＝Δt，即从而计算得到取该式中Iinmax为正者即为控制下储能装置充电电流，需要切除部分电流功率为(Iex-Iinmax)U。本专利技术的基于集合经验模态分解和LSTM的储能装置控制方法，集合经验模态分解是一种基于经验模态分解且针对非线性、非平稳信号能自适应分解信号的算法，不需要提前设定母小波，可根据数据自行确定分解层数，且克服了经验模态分解的模态混叠现象；考虑负荷数据在时间上具有相关性，因此可以采用适合于处理和预测时间序列中间间隔和延迟较长的重要事件的LSTM模型进行负荷预测，单一利用LSTM模型进行负荷预测没有考虑负荷数据的不平稳性，预测精度不够理想，因此可以结合集合经验模态分解和LSTM进行负荷序列的预测。如将集合经验模态分解与SVR(支持向量机)或深度置信网络等非记忆神经网络结合进行预测，其一般处理的是影响因素与预测结果之间的映射关系，在处理时序问题上时没有考虑历史数据之间的关系，而负荷相对具有时间上的联系，相对于集合经验模态分解结合记忆网络(即LSTM模型)，其在时序预测上的准确率较低。将经验模态分解与神经网络结合进行预测，有时候会考虑将分解后的各子序列进行相关系数比较，选取有用的IMF分量进行重构来得到一个与原始数据近似的新数据输入到单一网络模型进行训练预测，此方法虽然对预测的总体变化趋势不会产生太大影响，但是没有完全利用分解后的子序列，被抛弃的IMF分量往往体现出随机性因素导致的数据波动，对于负荷预测，这种波动具有很好的参考价值，而且这种重构后的数据不一定具有平稳性，本专利技术通过对分解后的各子序列分别采用神经网络进行预测，再对各子序列预测结果进行重构可以提高预测的精度。作为优选的技术方案：如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，n＝2。如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，所述归一化处理的公式如下：式中，Xmax为归一化处理数据的最大值，Xmin为归一化处理数据的最小值，X为归一化前的值，X′是归一化后的值。如上所述的基于集合经验模态分解和LSTM的储能装置控制方法，所述预处理还包括在归一化处理之前的异常值检测及修正处理；异常值检测的过程为：将所有数据按大小顺序排列，记上四分位值为Q1，即所有数据中只有1/4的数据大于Q1，下四分位值为Q2，即所有数据中只有1/4的数据小于Q2，上界为(Q1+1.5(Q1-Q2))，下界为(Q2-1.5(Q1-Q2))，介于上下界之间的都是正常观测值，否则为异常值；异常值修正的方法为：去除异常值后，本文档来自技高网...

【技术保护点】
1.基于集合经验模态分解和LSTM的储能装置控制方法，其特征是：先基于集合经验模态分解和LSTM对短期负荷进行预测，再根据预测结果控制储能装置充放电；预测过程为：采集当前时间段以及距离当前时间段最近的n个时间段的历史短期负荷的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的LSTM模型中，由训练好的LSTM模型输出预测值后，对所有的预测值进行后处理得到下一时间段的未来短期负荷的数据；LSTM模型的训练过程即以连续n+2个时间段中前n+1个时间段的历史短期负荷的数据对应的子序列或残余分量为输入，以后1个时间段的历史短期负荷的数据对应的子序列或残余分量为理论输出，不断调整LSTM模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，其中子序列或残余分量采用与预测过程相同的方法得到；所述预处理是指先后进行归一化处理和集合经验模态分解，所述后处理是指先后进行重构和反归一化处理；控制过程为：先读取当前时刻储能装置的荷电状态Soc(t)，再根据下一时间段Δt的预测结果估算Δt内储能装置与外部的交换功率Pex，再根据储能装置运行电压U计算Δt内与外部的交换电流Iex＝Pex/U，当交换电流Iex>0时，控制储能装置放电；反之，控制储能装置充电。...

【技术特征摘要】
1.基于集合经验模态分解和LSTM的储能装置控制方法，其特征是：先基于集合经验模态分解和LSTM对短期负荷进行预测，再根据预测结果控制储能装置充放电；预测过程为：采集当前时间段以及距离当前时间段最近的n个时间段的历史短期负荷的数据构成一时间序列，对时间序列进行预处理得到多个子序列和残余分量，将各子序列和残余分量分别输入到各自对应的训练好的LSTM模型中，由训练好的LSTM模型输出预测值后，对所有的预测值进行后处理得到下一时间段的未来短期负荷的数据；LSTM模型的训练过程即以连续n+2个时间段中前n+1个时间段的历史短期负荷的数据对应的子序列或残余分量为输入，以后1个时间段的历史短期负荷的数据对应的子序列或残余分量为理论输出，不断调整LSTM模型的参数，直到模型损失函数值趋于收敛或达到最大迭代次数为止的过程，其中子序列或残余分量采用与预测过程相同的方法得到；所述预处理是指先后进行归一化处理和集合经验模态分解，所述后处理是指先后进行重构和反归一化处理；控制过程为：先读取当前时刻储能装置的荷电状态Soc(t)，再根据下一时间段Δt的预测结果估算Δt内储能装置与外部的交换功率Pex，再根据储能装置运行电压U计算Δt内与外部的交换电流Iex＝Pex/U，当交换电流Iex>0时，控制储能装置放电；反之，控制储能装置充电。2.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，n＝2。3.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，所述归一化处理的公式如下：式中，Xmax为归一化处理数据的最大值，Xmin为归一化处理数据的最小值，X为归一化前的值，X′是归一化后的值。4.根据权利要求3所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，所述预处理还包括在归一化处理之前的异常值检测及修正处理；异常值检测的过程为：将所有数据按大小顺序排列，记上四分位值为Q1，即所有数据中只有1/4的数据大于Q1，下四分位值为Q2，即所有数据中只有1/4的数据小于Q2，上界为(Q1+1.5(Q1-Q2))，下界为(Q2-1.5(Q1-Q2))，介于上下界之间的都是正常观测值，否则为异常值；异常值修正的方法为：去除异常值后，将当天已有的负荷数据进行三次样条插值，用与异常值同时间段的三次样条插值上的负荷数据替代异常值。5.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，所述集合经验模态分解的步骤如下：(1)将正态分布白噪声序列n(t)加到时间序列x(t)中；x'(t)＝x(t)+n(t)；(2)将添加正态分布白噪声序列后的时间序列x'(t)作为一个整体，然后进行经验模态分解，得到各IMF分量；(3)重复步骤(1)和(2)100次，每次加入新的正态分布白噪声序列；(4)将每次得到的IMF分量做集成平均处理。6.根据权利要求1所述的基于集合经验模态分解和LSTM的储能装置控制方法，其特征在于，LSTM模型的遗忘门模型函数的表达式如下：ft＝σ(Wf·[ht-1,xt]+bf)；输入门模型函数的表达式如下：it＝σ(Wi·[ht-1,xt]+bi)；输出门模型函数的表达式如下：ot＝σ(WO·[ht-1,xt]+bo)；...

【专利技术属性】
技术研发人员：李征，刘帅，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31