基于滚动式实时电价预测的储能控制方法技术

本申请提出了一种基于滚动式实时电价预测的储能控制方法及系统，该方法包括：计算实时电价预测的滚动时间间隔；每隔一段滚动时间间隔获取一次实际的实时电价数据，并通过期望统计分析对日前价格与实时电价之间的差值期望进行统计分析；通过滚动式预测算法对未来预设时间段内的实时电价进行预测，包括：通过系统负载率算法模型计算每个时刻的系统负载率，基于系统负载率通过梯度提升决策树进行实时电价预测；根据差值期望对预测的实时电价进行修正，并根据修正后的实时电价确定储能控制的边界数据，优化储能系统的控制策略。该方法可以为储能灵活控制策略的优化以滚动的形式提供更加准确的数据边界，提高对储能系统灵活控制的准确性。制的准确性。制的准确性。

【技术实现步骤摘要】
基于滚动式实时电价预测的储能控制方法


[0001]本申请涉及储能控制
，尤其涉及一种基于滚动式实时电价预测的储能控制方法及系统。

技术介绍

[0002]随着用电需求的不断增加，人们越来越关注电力系统的平稳运行和电力系统的结算收入。电力系统的储能如果不能合理设置，会直接影响到结算收入和电力系统的正常运行等，在某些情况还会产生“超额获利回收”损失。对于已经配置了储能系统的风电场，其具备了一定的调节能力，但是如何灵活控制储能系统使得“风储”联合获得最佳的运行状态是亟需解决的问题。其中，储能系统灵活控制策略的优化需要以未来一段时间的实时电价数据作为重要的依据，因此，实时电价预测的准确性以及实时电价的滚动更新将直接影响到灵活控制策略的好坏。
[0003]相关技术中，基于电价预测进行储能控制时，采用的方案是一次性预测出一整天的实时电价数据。然而，通过该方式预测实时电价进行储能控制存在两个缺点：第一，将会导致实时电价的预测准确率偏低，无法为储能灵活控制系统提供准确有效的输入数据，从而导致储能灵活控制策略的准确性偏低。第二，在某些场景下可能导致策略的错误甚至使储能电池接收到反向操作的充放电策略(比如，某时刻本该接收到充电的策略信号反而接收到放电的策略信号或本该接收到放电的策略信号反而接收到充电的策略信号)。以上两点的缺点，都可能会对配备有储能装置的电场进行错误的储能控制。
[0004]因此，如何根据准确的实时电价对储能系统进行合理的灵活控制，成为目前亟需解决的问题。

技术实现思路

[0005]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0006]为此，本申请的第一个目的在于提出一种基于滚动式实时电价预测的储能控制方法，该方法通过滚动式预测方式对实时电价进行预测，并将日前价格与实时电价之间的价差作为实时电价预测的重要特征，以系统负载率作为电价预测的输入数据，从而大幅度地提高实时电价的预测准确率，为储能灵活控制策略算法提供更加准确可靠的价格边界，进而提升灵活控制策略优化结果的可靠性和准确性。
[0007]本申请的第二个目的在于提出一种基于滚动式实时电价预测的储能控制系统；本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
[0008]为达上述目的，本申请的第一方面实施例在于提出一种基于滚动式实时电价预测的储能控制方法，该方法包括以下步骤：计算实时电价预测的滚动时间间隔；每间隔一段所述滚动时间间隔获取一次实际的实时电价数据，并通过期望统计分析对日前价格与所述实时电价之间的差值期望进行统计分析；
通过滚动式预测算法对未来预设时间段内的实时电价进行预测，包括：通过预设的系统负载率算法模型计算每个时刻的系统负载率，并基于所述系统负载率通过梯度提升决策树GBDT模型进行实时电价预测；根据所述差值期望对预测的实时电价进行修正处理，并根据修正后的实时电价确定储能控制的边界数据，基于所述边界数据优化储能系统的灵活控制策略。
[0009]可选地，在本申请的一个实施例中，计算实时电价预测的滚动时间间隔，包括：获取预设的能源场站申报出力时间间隔、现货市场出清价格曲线时间间隔和超短期功率预测数值时间间隔；通过以下公式计算所述实时电价预测的滚动时间间隔：M=min{K，L，N}其中，M为实时电价预测的滚动时间间隔，K为能源场站申报出力时间间隔，L为现货市场出清价格曲线时间间隔，N为超短期功率预测数值时间间隔。
[0010]可选地，在本申请的一个实施例中，系统负载率算法模型如以下公式所示：其中，为t时刻的系统负载率，为t时刻的全网负荷预测值，为t时刻的新能源出力预测值，为t时刻的所有参与现货机组总容量，t表示全天任一时刻。
[0011]可选地，在本申请的一个实施例中，基于所述系统负载率通过梯度提升决策树GBDT模型进行实时电价预测，包括：根据所述未来预设时间段内每一时刻的所述系统负载率，建立对应数量的预设深度的决策树；根据每个所述决策树生成对应的弱学习器，并获取每个所述弱学习器学习到的权重；根据全部的弱学习器及其对应的权重生成强学习器算法模型，通过所述强学习器算法模型进行实时电价预测。
[0012]可选地，在本申请的一个实施例中，在所述生成强学习器算法模型之前，还包括：通过仿生优化调参模型对所述GBDT模型中的决策树的个数、决策树子叶的最小样本数、决策树的最大深度和最大特征数比例进行优化调参。
[0013]为达上述目的，本申请的第二方面实施例还提出了一种基于滚动式实时电价预测的储能控制系统，包括以下模块：计算模块，用于计算实时电价预测的滚动时间间隔；统计分析模块，用于每间隔一段所述滚动时间间隔获取一次实际的实时电价数据，并通过期望统计分析对日前价格与所述实时电价之间的差值期望进行统计分析；预测模块，用于通过滚动式预测算法对未来预设时间段内的实时电价进行预测，包括：通过预设的系统负载率算法模型计算每个时刻的系统负载率，并基于所述系统负载率通过梯度提升决策树GBDT模型进行实时电价预测；控制模块，用于根据所述差值期望对预测的实时电价进行修正处理，并根据修正后的实时电价确定储能控制的边界数据，基于所述边界数据优化储能系统的灵活控制策略。
[0014]可选地，在本申请的一个实施例中，计算模块，具体用于：获取预设的能源场站申报出力时间间隔、现货市场出清价格曲线时间间隔和超短期功率预测数值时间间隔；通过
以下公式计算所述实时电价预测的滚动时间间隔：M=min{K，L，N}其中，M为实时电价预测的滚动时间间隔，K为能源场站申报出力时间间隔，L为现货市场出清价格曲线时间间隔，N为超短期功率预测数值时间间隔。
[0015]可选地，在本申请的一个实施例中，预测模块，具体用于通过以下公式计算系统负载率：其中，为t时刻的系统负载率，为t时刻的全网负荷预测值，为t时刻的新能源出力预测值，为t时刻的所有参与现货机组总容量，t表示全天任一时刻。
[0016]可选地，在本申请的一个实施例中，预测模块，还用于：根据所述未来预设时间段内每一时刻的所述系统负载率，建立对应数量的预设深度的决策树；根据每个所述决策树生成对应的弱学习器，并获取每个所述弱学习器学习到的权重；根据全部的弱学习器及其对应的权重生成强学习器算法模型，通过所述强学习器算法模型进行实时电价预测。
[0017]本申请的实施例提供的技术方案至少带来以下有益效果：本申请通过滚动式预测方式对实时电价进行预测，并将日前价格与实时电价之间的价差作为实时电价预测的重要特征数据，从而大幅度地提高实时电价的预测准确率，为储能灵活控制策略算法提供更加准确可靠的价格边界。从算法逻辑上改变了目前现有技术的预测方式，更加符合配备有储能装置电场的实际运行需求，可以为储能灵活控制策略的优化以滚动的形式提供更加准确的数据边界，进而提高灵活控制策略的准确性；并且，本申请在算法模型设计上增加了系统负载率算法模型、并建立了高效的仿生优化调参模型来优化模型参数、提高实时电价预测的准确性和高效性。另外，本申请提出的实时电价滚动式预测算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于滚动式实时电价预测的储能控制方法，其特征在于，包括以下步骤：计算实时电价预测的滚动时间间隔；每间隔一段所述滚动时间间隔获取一次实际的实时电价数据，并通过期望统计分析对日前价格与所述实时电价之间的差值期望进行统计分析；通过滚动式预测算法对未来预设时间段内的实时电价进行预测，包括：通过预设的系统负载率算法模型计算每个时刻的系统负载率，并基于所述系统负载率通过梯度提升决策树GBDT模型进行实时电价预测；根据所述差值期望对预测的实时电价进行修正处理，并根据修正后的实时电价确定储能控制的边界数据，基于所述边界数据优化储能系统的灵活控制策略。2.根据权利要求1所述的控制方法，其特征在于，所述计算实时电价预测的滚动时间间隔，包括：获取预设的能源场站申报出力时间间隔、现货市场出清价格曲线时间间隔和超短期功率预测数值时间间隔；通过以下公式计算所述实时电价预测的滚动时间间隔：M=min{K，L，N}其中，M为实时电价预测的滚动时间间隔，K为能源场站申报出力时间间隔，L为现货市场出清价格曲线时间间隔，N为超短期功率预测数值时间间隔。3.根据权利要求1或2所述的控制方法，其特征在于，所述系统负载率算法模型如以下公式所示：其中，为t时刻的系统负载率，为t时刻的全网负荷预测值，为t时刻的新能源出力预测值，为t时刻的所有参与现货机组总容量，t表示全天任一时刻。4.根据权利要求1所述的控制方法，其特征在于，所述基于所述系统负载率通过梯度提升决策树GBDT模型进行实时电价预测，包括：根据所述未来预设时间段内每一时刻的所述系统负载率，建立对应数量的预设深度的决策树；根据每个所述决策树生成对应的弱学习器，并获取每个所述弱学习器学习到的权重；根据全部的弱学习器及其对应的权重生成强学习器算法模型，通过所述强学习器算法模型进行实时电价预测。5.根据权利要求4所述的控制方法，其特征在于，在所述生成强学习器算法模型之前，还包括：通过仿生优化调参模型对所述GBDT模型中的决策树的个数、决策树子叶的最小样本数、决策树的最大深度和最大特征数比例进行优化调参。6...

【专利技术属性】
技术研发人员：孙财新，李楠，申旭辉，杨介立，潘霄峰，贾和雨，王鸿策，李志文，
申请(专利权)人：华能新能源股份有限公司山西分公司，
类型：发明
国别省市：