【技术实现步骤摘要】
一种电网储能的动态优化方法及存储介质
本专利技术涉及用电
,特别涉及一种电网储能的动态优化方法及存储介质。
技术介绍
随着经济高速发展,社会对能源的需求在不断提高,电能因其清洁、高效的特点已经成为各国能源来源中的重要部分,并且正在逐渐占据更高的比例。高峰与低谷时段能源消耗的巨大落差是电能消耗的重要特征。对于电网而言,这一特征导致了供电设备利用率低,且在用电低谷时段存在大量剩余电量。同时,供电功率的频繁变更会对供电设备带来严重的负担与损耗且导致设备维护成本的提高。为了减小电能消耗落差带来的损害,电网已经开始应用储能管理系统优化供电方案,并在同时,通过调整收费标准、出台优惠政策等方案鼓励用电单位减少高峰时段的电能消耗。在这样的经济背景下,针对个体用电单位的储能管理方法应运而生。现存方法大多采用锂电池完成储能,然而,具体的充放电策略缺乏专家指导,主要依赖于技术人员的经验,难以保证其稳定性与收益能力。因此,急需提出一种电网储能的动态优化方法,用以解决储能管理的经验不足以及稳定性差等问题。
技术实现思路
本专利技术的目的在于,提供一种电网储能的动态优化方法及存储介质,通过采集用电单位耗电的实时数据,进行分析、计算与决策,对储能电池组发出即时指令,对所述第二时间序列进行削峰填谷,达到降低电费成本的目的。本专利技术提供一种电网储能的动态优化方法,包括如下步骤:数据库建立步骤,录入至少一用电实体的用电数据至一数据库,每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率,所述预设历史时间段包含多个第一时间序列;所述用电实体由储能电池组直接进行供电,所述储能电 ...
【技术保护点】
1.一种电网储能的动态优化方法,其特征在于,包括如下步骤:数据库建立步骤,录入至少一用电实体的用电数据至一数据库,每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率,所述预设历史时间段包含多个第一时间序列,所述第一时间序列包含多个时间间隔;所述用电实体由储能电池组直接进行供电,所述储能电池组由所述电网进行充电储能;数据预处理步骤,对所述预设历史时间段的瞬时耗电功率进行计算得到预设历史时间段的每天最大用电需量并存储至数据库中;样本采集步骤,从所述数据库中采集样本,每一样本包括多个第一时间序列的每天最大用电需量以及瞬时耗电功率;样本分类步骤,将所述样本分为训练样本以及测试样本;预测模型构建步骤,利用所述第一训练样本构建预测模型;预测步骤,输入所述测试样本得到第二时间序列的每日最大用电需量、每月最大用电需量,所述第二时间序列晚于所述预设历史时间段;最优化模型建立步骤,利用所述训练样本构建最优化模型;得到第二时间序列的每月最优用电需量阈值的最优化模型;阈值输出步骤,输入所述第二时间序列的每月最大用电需量至所述最优化模型中并得到第二时间序列的每月用电需量阈值;判断步骤,判断所述第 ...
【技术特征摘要】
1.一种电网储能的动态优化方法,其特征在于,包括如下步骤:数据库建立步骤,录入至少一用电实体的用电数据至一数据库,每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率,所述预设历史时间段包含多个第一时间序列,所述第一时间序列包含多个时间间隔;所述用电实体由储能电池组直接进行供电,所述储能电池组由所述电网进行充电储能;数据预处理步骤,对所述预设历史时间段的瞬时耗电功率进行计算得到预设历史时间段的每天最大用电需量并存储至数据库中;样本采集步骤,从所述数据库中采集样本,每一样本包括多个第一时间序列的每天最大用电需量以及瞬时耗电功率;样本分类步骤,将所述样本分为训练样本以及测试样本;预测模型构建步骤,利用所述第一训练样本构建预测模型;预测步骤,输入所述测试样本得到第二时间序列的每日最大用电需量、每月最大用电需量,所述第二时间序列晚于所述预设历史时间段;最优化模型建立步骤,利用所述训练样本构建最优化模型;得到第二时间序列的每月最优用电需量阈值的最优化模型;阈值输出步骤,输入所述第二时间序列的每月最大用电需量至所述最优化模型中并得到第二时间序列的每月用电需量阈值;判断步骤,判断所述第二时间序列的当前时刻是否为阶段电力时间,若是,控制所述电网对所述储能电池组充电;若否,控制所述储能电池组对所述用电实体进行供电;所述阶段电力时间为所述第二时间序列的用电需量的谷时段。2.如权利要求1所述的电网储能的动态优化方法,其特征在于,所述储能电池组包括备用电池组与功能电池组,所述备用电池组与所述功能电池组的数量之比为1:15~1:8;所述时间间隔为0.5~1.5分钟。3.如权利要求2所述的电网储能的动态优化方法,其特征在于,在所述数据库建立步骤之后及在所述数据预处理步骤之前,还包括:预充电步骤,控制所述主网对所述备用电池组进行预充电。4.如权利要求1所述的电网储能的动态优化方法,其特征在于,在所述数据预处理步骤中,具体包括:采集步骤,从数据库中采集预设历史时间段的瞬时耗电功率xi=[xi1,xi2,......],i为预设历史时间段的天数;第一计算步骤,对每一天的xi每隔第一时间间隔t进行平均值计算得到取最大值步骤,取每一天的di中的最大值作为预设历史时间段的每天最大用电需量。5.如权利要求1所述的电网储能的动态优化方法,其特征在于,每一用电实体的用电数据还包括空气质量数据以及气温数据,在所述第一样本采集步骤中,所述第一样本还包括空气质量数据以及气温数据;在所述预测模型构建步骤中,包括:预测模型学习步骤,预测模型根据第一公式进行深度学习,所述第一公式包括:其中,xi为所述训练样本中的第i个训练样本,n为所述训练样本中训练样本的个数,L()为均方损失函数,λ为正则化系数,J(w)为正则项,w为权重参数,yi为所述测试集中第i个测试样本,v为所述用户实体的样本集的仿真预测数据,f(xi)为当前的预测模型;计算第一预测误差步骤,采用第二公式确定当前的深度学习模型的第一预测误差,所述第二公式包括:其中,M为所述第一预测误差,n为用户实体的电力负荷预测数据的个数,X′t为用户实体的测试样本集第t个仿真预测数据,Xt为所述测试集中的第t个测试样本中的每天最大用电需量的真实值;若所述预测误差低于预设的误差下限,则所述预测能力满足所述预定要求;若所述预测能力不满足所述预定要求,则对当前的预测模型进...
【专利技术属性】
技术研发人员:赵一萌,庄悦,孙东来,
申请(专利权)人:上海极熵数据科技有限公司,
类型:发明
国别省市:上海,31
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。